| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-12页 |
| ·课题背景及意义 | 第9-10页 |
| ·课题研究现状 | 第10-11页 |
| ·本文主要工作 | 第11-12页 |
| 2 基于统计分析建模和人工智能建模的两种软测量方法 | 第12-20页 |
| ·统计分析建模 | 第12-14页 |
| ·因子分析 | 第12-13页 |
| ·偏最小二乘回归分析 | 第13-14页 |
| ·人工智能建模 | 第14-19页 |
| ·BP网络模型 | 第15-16页 |
| ·BP算法的流程 | 第16页 |
| ·BP训练函数的改进 | 第16-18页 |
| ·前处理和后处理 | 第18页 |
| ·Matlab神经网络工具箱简介 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 电站锅炉动力配煤理论 | 第20-32页 |
| ·动力配煤理论概述 | 第20-24页 |
| ·动力配煤理论 | 第20-21页 |
| ·煤质的工业分析 | 第21-24页 |
| ·动力配煤模型 | 第24页 |
| ·遗传算法 | 第24-31页 |
| ·遗传算法简介 | 第25-26页 |
| ·基本遗传算法步骤 | 第26-28页 |
| ·遗传算法在电厂的应用 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 4 锅炉烟气含氧量的预测模型及应用 | 第32-48页 |
| ·烟气含氧量软测量的统计回归模型 | 第32-36页 |
| ·因子分析模型 | 第33-35页 |
| ·偏最小二乘(PLS)回归分析模型 | 第35-36页 |
| ·烟气软测量的神经网络模型 | 第36-40页 |
| ·BP模型的输入、输出变量及数据样本归一化 | 第37-38页 |
| ·隐含层、节点数和初始权值的选取 | 第38页 |
| ·BP模型的训练与检验 | 第38-40页 |
| ·混合模型的建立 | 第40-43页 |
| ·混合模型的建立 | 第41-42页 |
| ·各模型泛化能力的对比与检验 | 第42-43页 |
| ·锅炉运行参数及煤质参数对烟气含氧量的因素分析 | 第43-47页 |
| ·锅炉可控参数对烟气含氧量的因素分析 | 第43-45页 |
| ·煤质参数对烟气含氧量的因素分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 5 锅炉动力配煤优化 | 第48-66页 |
| ·发电煤耗神经网络模型 | 第48-54页 |
| ·样本数据筛选 | 第49-51页 |
| ·发电煤耗模型建立 | 第51-53页 |
| ·发电煤耗模型检验 | 第53-54页 |
| ·配煤模型的建立 | 第54-57页 |
| ·煤质热值的线性回归分析 | 第54页 |
| ·配煤的约束条件 | 第54-56页 |
| ·配煤的价格 | 第56-57页 |
| ·基于遗传算法的优化配煤模型 | 第57-64页 |
| ·编码 | 第57页 |
| ·初始种群的选择 | 第57-58页 |
| ·适应度函数 | 第58页 |
| ·选择操作 | 第58-59页 |
| ·交叉操作 | 第59页 |
| ·变异操作 | 第59页 |
| ·算例分析 | 第59-64页 |
| ·本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间发表学术论文情况 | 第72-73页 |
| 致谢 | 第73-74页 |