独创性声明 | 第3-4页 |
摘要 | 第4-6页 |
ABSTRACT | 第6页 |
目录 | 第9-13页 |
第一章 绪论 | 第13-27页 |
§1.1 多轴燃气—蒸汽联合循环机组运行计划和负荷分配研究的背景及意义 | 第13-21页 |
1.1.1 燃气—蒸汽联合循环发电的发展情况 | 第13-16页 |
1.1.2 多轴燃气—蒸汽联合循环机组运行计划和负荷分配研究的意义 | 第16-21页 |
§1.2 论文的主要研究工作 | 第21-25页 |
§1.3 论文的内容安排 | 第25-27页 |
第一部分 融合机理模型和CMAC神经网络方法的联合循环关键部件建模以及水、水蒸汽和燃气的热力学性质通用计算模型 | 第27-86页 |
第二章融合机理模型和CMAC神经网络 方法的燃气轮机、余热锅炉和汽轮机的数 学模型 | 第27-73页 |
§2.1 机组关键部件的机理分析和机理数学模型 | 第29-44页 |
2.1.1 燃气轮机变工况数学模型的机理分析与建模 | 第30-37页 |
2.1.2 余热锅炉变工况数学模型的机理分析与建模 | 第37-38页 |
2.1.3 蒸汽轮机变工况数学模型的机理分析与建模 | 第38-44页 |
§2.2 用于各部件建模的CMAC神经网络 | 第44-59页 |
2.2.1 小脑模型(CMAC)神经网络的原理和结构 | 第45-48页 |
2.2.2 用于各部件建模的改进小脑模型的概念映射算法 | 第48-56页 |
2.2.3 改进CMAC小脑模型的物理映射算法 | 第56页 |
2.2.4 改进CMAC小脑模型的输出算法 | 第56-57页 |
2.2.5 改进CMAC小脑模型的学习算法 | 第57页 |
2.2.6 改进CMAC小脑模型的联想插补算法 | 第57-59页 |
§2.3 融合机理模型和CMAC神经网络方法的各部件数学模型 | 第59-67页 |
2.3.1 融合机理模型和CMAC神经网络的燃气轮机数学模型 | 第62-64页 |
2.3.2 融合机理模型和CMAC神经网络的余热锅炉数学模型 | 第64-67页 |
2.3.3 融合机理模型和CMAC神经网络的蒸汽轮机数学模型 | 第67页 |
§2.4 数据挖掘技术在建模中的应用 | 第67-70页 |
§2.5 模型计算结果与GT Pro程序计算结果的对比和正确性检验 | 第70-73页 |
第三章 水、水蒸汽和燃气的热力学性质通用计算模型 | 第73-86页 |
§3.1 水、水蒸汽的热力学性质通用计算模型 | 第73-79页 |
3.1.1 水、水蒸汽热力性质的计算模型 | 第74-77页 |
3.1.2 面向对象的水、水蒸汽热力性质程序设计与实现 | 第77-78页 |
3.1.3 水、水蒸汽热力性质计算模型的验证 | 第78-79页 |
§3.2 燃气的热力学性质通用计算模型 | 第79-86页 |
3.2.1 燃气热力性质的计算模型 | 第80-81页 |
3.2.2 面向对象的燃气热力性质程序设计与实现 | 第81-83页 |
3.2.3 燃气热力性质计算模型的验证 | 第83-86页 |
第二部分 联合循环机组运行计划和负荷分配研究 | 第86-154页 |
第四章 燃气—蒸汽联合循环机组的变工况性能计算 | 第86-97页 |
§4.1 基于机理和CMAC混合数学模型的联合循环机组变工况性能计算方法 | 第86-91页 |
4.1.1 一台燃机简单循环的变工况性能计算 | 第87-88页 |
4.1.2 两台燃机简单循环的变工况性能计算 | 第88页 |
4.1.3 一台燃机联合循环的变工况性能计算 | 第88-90页 |
4.1.4 一台燃机联合循环加另一台燃机简单循环的变工况性能计算 | 第90页 |
4.1.5 两台燃机联合循环的变工况性能计算 | 第90-91页 |
§4.2 联合循环机组热耗量与运行方式、出力的关系 | 第91-93页 |
§4.3 联合循环机组热耗量与运行方式、环境的关系 | 第93-95页 |
§4.4 变工况性能计算结果的对比和正确性检验 | 第95-97页 |
第五章 根据AGC的实时调度负荷对联合循环机组的负荷进行最优分配 | 第97-108页 |
§5.1 自动发电控制(AGC) | 第98-99页 |
§5.2 联合循环机组的负荷在线最优分配模型 | 第99-106页 |
§5.3 联合循环机组负荷在线最优分配的实现 | 第106-108页 |
第六章 联合循环机组运行计划和负荷分配的启发式遗传算法求解 | 第108-154页 |
§6.1 引言 | 第108-109页 |
§6.2 联合循环机组运行计划和负荷优化分配的模型 | 第109-113页 |
§6.3 遗传算法的基本原理及特点 | 第113-122页 |
6.3.1 遗传算法的发展和特点 | 第114-116页 |
6.3.2 遗传算法的基本流程 | 第116-118页 |
6.3.3 遗传编码 | 第118页 |
6.3.4 适应函数(评价函数) | 第118-119页 |
6.3.5 遗传算子 | 第119-121页 |
6.3.6 约束条件的处理 | 第121-122页 |
§6.4 自适应启发式遗传算法 | 第122-137页 |
6.4.1 遗传编码 | 第123-125页 |
6.4.2 适应函数(评价函数) | 第125页 |
6.4.3 融合了启发性知识的遗传操作算子 | 第125-130页 |
6.4.4 约束条件的处理 | 第130-131页 |
6.4.5 自适应搜索 | 第131-133页 |
6.4.6 自适应、启发式遗传算法的搜索策略 | 第133-137页 |
§6.5 联合循环机组运行计划和负荷分配系统的实现和测试 | 第137-154页 |
6.5.1 联合循环机组运行计划和负荷分配系统的实现 | 第137-144页 |
6.5.2 联合循环机组运行计划和负荷分配系统的测试 | 第144-154页 |
第三部分 用于数据挖掘建模的数据处理算法 | 第154-178页 |
第七章 数据处理中实时数据的数据融合方法 | 第154-164页 |
§7.1 引言 | 第154页 |
§7.2 信息融合原理和方法 | 第154-156页 |
§7.3 实时数据的分批估计数据融合方法 | 第156-161页 |
7.3.1 空间分布数据的融合 | 第156-160页 |
7.3.2 时间分布数据的融合 | 第160-161页 |
§7.4 数据融合方法的实际应用 | 第161-163页 |
7.4.1 空间分布数据的融合应用实例 | 第161-162页 |
7.4.2 时间分布数据的融合应用实例 | 第162-163页 |
§7.5 小结 | 第163-164页 |
第八章 数据处理中实时数据的在线预测—验证模型 | 第164-172页 |
§8.1 引言 | 第164页 |
§8.2 实时数据中不良数据的检测与辨识 | 第164-165页 |
§8.3 数据预测—验证的数学模型推导 | 第165-167页 |
§8.4 数据处理中实时数据的数据预测—验证的数学模型 | 第167-169页 |
§8.5 数据处理中实时数据的数据预测—验证的仿真实例 | 第169-171页 |
§8.6 小结 | 第171-172页 |
第九章 结束语 | 第172-178页 |
参考文献 | 第178-193页 |
攻读博士学位期间发表的学术论文 | 第193-195页 |
致谢 | 第195页 |