一、基于煤质工程分析的动力配煤优化研究（论文文献综述）
刘文礼,马金虎,徐彬,刘潇,杨洪[1]（2021）在《基于煤质与供电煤耗的火电厂配煤优化模型研究》文中提出在配煤优化时,因为受限于供电煤耗计算的滞后性,无法得到燃用该混煤的供电煤耗,所以通常只能将混煤价格最低作为目标函数,但这并不能保证电厂降本增效。因此运用某320MW电厂基于Thermoflow建立的数字孪生模型进行变煤质模拟运行,建立了煤质与供电煤耗数据库,并运用BP神经网络建立了煤质与供电煤耗的关系模型。在此基础上以煤质指标为约束条件,结合混煤价格和运费以供电煤耗成本最低为目标函数建立了配煤优化模型。并根据电厂的实际需求,针对该电厂的4种原煤掺烧运用模型给出了最优配煤方案。该模型可以帮助电厂快速获取燃用或掺烧某种煤的供电煤耗成本,为电厂的煤源选取和配煤优化提供指导。
谢良才[2]（2021）在《基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用》文中提出近十几年来,随着人们利用信息技术采集和分析数据能力的大幅提升以及人工智能技术的快速发展,极大的推动了数据挖掘技术在各类基础科学研究中的快速兴起,尤其是以人工神经网络智能算法为基础的数据挖掘技术应用更为广泛。鉴于此,本文以非线性映射能力、并行处理能力以及容错性能优异且广泛使用的BP神经网络数据挖掘技术为基础,将数据挖掘的方法和思想引入到煤热转化领域的数据规律挖掘之中,以期在煤质基础数据与其热转化特性之间探寻出有价值的内在规律或关系。本文的研究内容主要包括高性能数据挖掘技术的设计和在煤热转化领域实际应用两个方面的研究工作。首先,本文全面阐述了数据挖掘的基本理论与方法。在了解并分析了多种数据挖掘技术的基础上,重点对基于BP神经网络的数据挖掘技术进行了深入的分析与阐述。进一步的,本文针对BP神经网络算法中存在的收敛速度慢、网络初值随机性、易陷入局部极小等不足,提出了一种多算法优势集成、联合优化的改进型算法（HA-BP）,并在非线性函数仿真中得到了充分论证。此外,本文基于HA-BP算法分别设计了HA-BP-3δ异常数据检测模型、HA-BP-MIV变量因素分析模型,它们的可靠性与实用性同样在非线性函数仿真中得到了充分论证。而后,本文将该数据挖掘技术应用于煤质基础数据（工业分析、元素分析、灰成分分析）对煤燃烧发热量、煤热解特性、煤气化灰流动温度的数据规律挖掘（预测目标）研究中。（1）煤工业分析、元素分析与燃烧发热量之间的数据规律挖掘本节以104组我国不同地域（涵盖了华东、华中、华北、华南以及西北地区）的煤质基础分析数据（工业分析、元素分析）以及发热量（Qnet,ad）数据样本为研究基础。首先,采用HA-BP-3δ模型剔除了6组原始训练数据样本。清洗后的样本（原始数据使用率达到93%）,经HA-BP计算的总数据集的平均绝对误差为0.22 MJ/Kg。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,FCad、Cad、Had、Nad以及Sad与煤的发热量呈正相关性,Mad、Aad与煤的发热量呈负相关性。此外,7个因素对煤发热量的影响大小为:Cad>Aad>FCad>Mad>Nad>Sad>Had;其中,Aad、Cad、FCad对煤发热量的累计影响值达到了总贡献率的90.31%。进一步的,基于三个主要因素计算的平均绝对误差为0.47 MJ/Kg。此外,鉴于部分企业缺乏煤质元素分析的数据,进而难以使用该算法挖掘到的内在关系,为此,本文进一步的使用煤质工业分析的Mad、Aad、FCad作为输入变量,借助HA-BP模型对发热量进行了研究。计算结果发现,仅通过工业分析数据计算的发热量总样本集的平均绝对误差为0.36MJ/Kg。（2）煤热解失重特性与工业分析、元素分析数据之间的数据规律挖掘本节以10组不同产地的煤为研究样本,借助HA-BP模型考察了煤（加氢）热解失重特性曲线与其工业分析、元素分析之间的内在关联。为了实现对煤热解失重特性曲线“线”预测的目标,本文首先基于煤热解失重的典型特征,有针对性的提取了部分数据点。经HA-BP计算后,发现训练样本、检验样本的计算值与实验值数据点的相关性R2分别为0.9966、0.9943。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,T、Ad、Vd、Hd、Sd对煤热解失重呈现正相关性;Cd、Nd对煤热解失重呈现负相关性。此外,7个因素对煤热解失重结果的影响大小为T>Vd>Cd>Hd>Nd>Sd>Ad;其中,T、Vd、Cd、Hd这4个因素对煤热解失重的累计影响达到了总贡献率的98.26%。进一步的,我们发现基于4个主要因素预测的精度与7因素下的预测精度几乎相当。最后,基于简化后的4个主要因素成功的预测出了未知煤样的热解失重特性曲线（精度为每隔1 ℃）,且整条失重曲线（200～1100 ℃）的绝对误差不超过2.25%。同样的方式,基于4个主要因素也成功的预测出了未知煤样的加氢热解失重特性曲线。（3）气化环境下的煤灰流动温度（FT）与其灰成分之间的数据规律挖掘本节以321组不同类型的煤灰组成以及FT数据样本作为研究基础。首先,采用HA-BP-3δ模型剔除了27组原始训练数据样本。清洗后的样本（原始数据使用率达到92%）,经HA-BP计算的总数据集的平均绝对误差为25 ℃。在此基础上,借助HA-BP-MIV算法分析了各个化学组成对FT的影响。分析结果显示,SiO2、Al2O3、TiO2与FT之间表现出正相关性;CaO、Fe2O3、MgO、K2O+Na2O与FT之间表现出负相关性。此外,7个因素对FT的影响大小为:Al2O3>SiO2>CaO>Fe2O3>K2O+Na2O>TiO2>MgO,进一步的,基于变量因素的分析结果选取了3类典型的煤灰样本,在模拟高温、气化的环境下进行了结渣机理分析,并总结了不同煤灰的结晶特征。基于此,本文将煤灰分为酸性灰、中性灰、碱性灰三个类型,其中酸性灰的FT绝大多数都高于1400 ℃。而后,借助HA-BP-MIV分别对中性灰、碱性灰进行了关键特征参量的分析,并发现探寻到的关键特征参量与FT之间存在着显着的线性相关性。最后,通过实际测试值对基于关键特征参量提出的关系式进行了验证,并取得了良好的效果。这为调控FT助剂类型的选择、添加量的确定以及不同煤种的配煤和配煤比例提供了更为直接、有效的指导。本节提出的单因素、易调控的FT计算模型如下:1:酸性灰,A/B≧6.72,FT>1400℃;2:中性灰,0.96≦A/B<6.72,FT=136x1+1143.9;3:碱性灰,A/B<0.96,FT=116.81x2+1122.3.经本文的研究发现,煤质基础数据与其发热量、热解特性、FT之间确实存在着紧密的内在联系,通过数据挖掘的思想和方法,不仅实现了对煤热转化数据的异常数据诊断以及高效预测,而且实现了基础数据样本的有效增值,更为煤热转化过程中的数理分析、影响因素分析甚至后续的研究主攻方向等提供了新的研究方法和思路。
张启明,李贞[3]（2020）在《基于matlab动力配煤神经网络优化研究》文中提出针对动力配煤组成成分复杂、用户要求较高等问题,运用RBF神经网络建立考虑煤质组成、燃烧特性、成本价格、地质分布情况等多因数非线性动力配煤的数学优化模型,运用专业计算软件matlab进行求解,将求解后的优化方案应用于实际企业生产动力配煤中,获得用户期望的动力配煤优化方案及数据。根据用户的实际需求随时调整模型参数,结合用户方自动检测及调节设备,获得性能优良的煤种及较好地反映和满足用户的真实需求,为动力配煤方案的优化提供重要的参考。
杨鹏[4]（2020）在《基于数据分析的煤化工气化炉智能监控系统设计》文中指出煤化工产业在我国的工业中占有重要的地位,同时也是国家节能减排的重点关注对象。随着科学技术和社会经济的飞速发展,煤化工企业的生产成本不断的升高,特别是原料煤的价格的增涨,煤化工企业都在不断寻找提高生产经济效益的方法。气化炉是煤化工生产的最重要的设备,提高气化炉的生产效益能够有效的地解决煤化工成本问题,降低气化炉原料煤的成本价格,同时保证气化炉稳定高效能够达到对气化炉节能减排和压缩成本的目的。本文对气化炉建立基于数据驱动的监控系统,并对入炉原料煤进行成本分析,拟提高气化炉的生产效益并减少原料煤的成本。对气化炉的监控由于受到其特殊的高温高压密闭的生产环境影响,通过机理建模进行气化炉的监控变得异常困难,而随着检测技术和计算机技术的发展,气化炉的生产过程数据可以得到很全面的检测和保存,这些大量的气化炉工业生产过程数据中暗含了大量的气化炉运行状况的信息和规律。基于数据的气化炉监控,主要是从气化炉的原料煤入炉开始对气化炉的原料煤反应过程数据和反应成果进行数据监控。配煤研究从气化炉原料用煤的工业过程数据出发,利用经典的关联规则算法对气化炉原料煤进行参数分析和简化,并用数据挖掘中的分类k-mean算法平均值算法对原料煤进行品质分类,分类过后得到优秀煤质的范围作为配煤优化方法中的约束条件,进而对配煤过程进行约束达到最优配煤的目的,建立了基于成本最低的线性配煤模型。同时通过气化炉数据,用神经网络作为建模工具建立产气量预测模型,对煤入炉燃烧进行数据模拟达到预测原料煤产气量的目的。通过配煤模型可以对气化炉的原料煤进行最优配比,从而节约原料成本。通过气化炉预测模型达到对气化炉原料煤进行生产监控的目的。烧嘴是气化炉最重要的设备,烧嘴的使用状况和使用寿命对气化炉的运行状况有着巨大的影响,对气化炉的监控少不了对烧嘴进行监控,本文利用烧嘴的历史数据对烧嘴寿命进行预测研究,通过对烧嘴工作环境和工作原理的分析,找出影响烧嘴寿命和运行的主要几个参数,并对这些主要参数数据进行了相关性分析,从而得到参数与烧嘴寿命大致成线性关系,然后通过烧嘴历史数据利用线性回归的方法建立烧嘴的寿命预测模型。从而为气化炉操作人员控制烧嘴运行环境提供辅助,防止烧嘴损坏带来的安全事故和减少气化炉停车次数,达到提高气化炉运行效率的目的。最后通过matlab的gui进行监控系统的可视化界面设计,可视化界面包括配煤监控系统烧嘴寿命监控系统和气化炉变量监控系统,并可以通过可视化界面查询气化炉的运行过程数据和历史数据。并将监控系统共享到服务器上面,技术人员可以通过本地电脑连接服务器进行登录,在企业内部随时随地的访问监控系统。
张栋梁[5]（2020）在《基于高斯过程的综合配煤研究》文中提出随着我国经济的快速发展,对于能源的消耗有着极大的需求,我国的能源消耗以煤炭为主,并且大部分煤都用来发电。由于煤炭的存储分布和经济发展不协调,同时煤炭运输能力不足,运费价格升高,导致了许多电厂燃用煤种混杂,实际燃用煤种偏离了锅炉的设计值,而且各地区的煤质质量差别较大,大部分的煤种的煤质往往不能满足电厂的燃煤要求。动力配煤技术可以根据煤种的煤质,配出满足锅炉热效率高、结渣少、发电经济等条件的煤质,从而满足电厂的要求。本文以芜湖电厂为背景。针对该电厂的锅炉热效率和结渣问题,建立了以煤的发热量、挥发分、水分、灰分、氧量为输入参数,对应输出参数为锅炉热效率的高斯过程回归（GPR）预测模型。建立了以Fe2O3、MgO、CaO、TiO2、AL2O3、SiO2、K2O、Na2O为输入参数,对应输出参数为煤的软化温度的高斯过程回归（GPR）预测模型,使用相应的混煤数据来验证已建立的软化温度预测模型,使用粒子群优化算法（PSO）寻找高斯过程回归的最佳参数。结果表明,建立的模型具有较高的精度以及较好的泛化能力。提出了以配煤的发热量、挥发分、硫分、水分、灰分、灰熔点、锅炉热效率为约束条件,以配煤价格为目标函数的配煤数学模型。在配煤数学模型的基础上应用了C++开发了电厂锅炉配煤软件系统,使用该系统提高了电厂的经济效益。
杨浩楠[6]（2018）在《火电厂动力配煤优化系统研究》文中认为现阶段,单一煤种的燃烧已经不是火电厂所应用的燃烧方式。如何在符合锅炉燃烧用煤煤质指标条件下,通过多种煤种掺配燃烧以达到降低火电厂燃料成本的目的是火电企业亟需解决的问题。动力配煤技术它利用各种煤在性质上的差异,通过对各煤中不同配比优化,最终使配出的动力用煤在综合性能上达到最优状态,以满足火电厂的燃烧指标。本文以某350MW燃煤机组入厂煤种化验数据与锅炉燃烧用煤煤质指标为研究对象,通过分析混煤与各单煤煤质指标函数关系建立了动力配煤优化数学模型。该数学优化模型符合该厂实际动力配煤优化要求。利用支持向量机算法分别建立四种煤掺配与五种煤掺配的动力配煤成本预测模型,作为优化模型主要目标函数。通过对预测结果分析表明,该模型能够精确预测两种方式掺配动力配煤成本,并且满足工程实际需求。将得到的两个预测模型与混沌粒子群算法耦合对建立的动力配煤数学模型分别进行优化计算,经优化计算后得到得到了8组四种煤掺配优化组合与12组五种煤掺配优化组合,所有优化组合混煤价格相对于劣质煤价格有所提高,相对于优质煤价格相对降低。最后,将优化算法编译成COM组件,利用混合编程方法开发了动力配煤优化系统软件,该软件可以适应不同的电脑运行环境,可以实现对入厂煤煤质信息的实时添加更新,并根据用户设定的约束条件在已有煤种数据的基础上得到当前工况下的优化配煤方案,为火电厂煤场提供方便的数字化管理。
王鑫[7]（2016）在《非线性理论应用于动力配煤燃烧特性研究》文中认为动力配煤是适合我国国情的一种洁净煤技术,有利于提高煤炭热能利用率、加强燃煤设备安全可靠性、并且降低燃煤污染物排放。本文利用热天平试验表明动力配煤的燃烧特性与煤质特性之间存在强烈非线性,利用早停止技术防止神经网络模型过拟合精确预测了配煤燃烧特性,采用分形理论剖析了煤热解生成的煤焦孔隙分形结构及其着火燃烧特性,针对枣庄煤场开发了非线性多元优化动力配煤专家系统成功应用于示范工程。采用Early-stopping back-propagation（ESBP）神经网络精确预测了16种典型动力煤种及其48种配煤的着火温度和活化能,利用早停止技术解决了神经网络对训练数据的过拟合问题,明显提高了网络泛化能力和对新数据的预测精度。基于煤质分析建立了三层神经网络模型,神经网络预测配煤着火温度和活化能的平均误差分别为0.29%和1.28%,远低于二次非线性回归的平均误差2.24%%和5.91%。采用ESBP神经网络精确预测了16种典型动力煤种及其48种配煤的最大燃烧速率和固定碳燃烬率,利用早停止技术解决了神经网络对训练数据的过拟合问题,明显提高了网络泛化能力和对新数据的预测精度。基于煤质分析建立了三层神经网络模型,神经网络预测配煤最大燃烧速率和固定碳燃烬率的平均误差分别为1.97%和0.91%,远低于二次非线性回归的平均误差7.06%和4.03%。剖析了煤热解生成的煤焦孔隙分形结构及其着火燃烧特性。当空干基原煤中挥发分和水分的总含量由15.22%增加到39.49%时,煤粉热解的活化能降低导致煤焦孔隙分形维数由2.30增加到2.84,在孔径为3.7nnm处形成的微分比表面积峰值增加,而颗粒平均孔径降低。相应地煤焦着火温度由617℃C降低到486℃,煤焦燃烧活化能降低导致固定碳燃烬率由84%升高到91%。探索了燃煤烟气CO2的水热催化还原反应特性,针对水热还原CO2存在的4条可能反应途径进行了热力学分析,发现最容易进行的反应途径为：HC03-+2H≒HCOO’+H2O,试验表明铜催化剂水热还原CO2效果明显优于镍催化剂。当同时加入16mmol的铜粉和铝粉时,得到还原产物甲酸的浓度为6694ppm,水热还原CO2的转化效率达到29.1%。研究了电厂非线性多元优化动力配煤的一维炉燃烧特性。根据国电河北龙山电厂的锅炉设计煤种和实际煤源情况确定了五种配煤指标,利用非线性多元优化动力配煤模型计算得到优化配煤方案。利用一维炉对优化配煤进行了燃烧特性试验,采用微分差热法确定沉降炉试验中配煤的着火温度,通过优化配煤缩短了主力煤种（昔阳煤和国阳煤）的着火距离,降低了着火温度,同时降低了SO2和NOx排放。针对枣庄煤场开发了非线性多元优化动力配煤专家系统。采用ESBP神经网络预测动力配煤的着火燃烬特性构建多元优化动力配煤计算模型,提出根据多煤质指标权重计算配煤综合评价指数的方法。实现了非线性多元优化动力配煤的核心计算程序,结合煤场进储销管理模块设计完成计算机专家系统软件,成功应用于枣庄煤场的200万吨／年动力配煤示范工程。对专家系统计算得到的优化动力配煤方案在一台6t/h链条炉上进行燃烧测试,经第三方检测表明：链条炉热效率由64.9%提高到71.4%,节煤率达到10%。
屈国强[8]（2015）在《动力配煤优化研究现状及展望》文中研究指明为建立准确、稳定、高效的动力配煤优化数学模型,阐述了动力配煤与各组成单煤主要指标之间存在线性加权关系、复杂的非线性关系、线性与非线性关系尚不明确3种观点,论述了3种观点基础上建立的数学模型和求解算法研究现状,并根据目前动力配煤优化中存在的问题,提出了发展展望。第一种观点认为建立线性规划模型后可采用多种方法求解,第二种多采用神经网络技术描述非线性映射关系后建立专家系统求解,第三种认为不同的条件应采用不同的数学模型。配煤优化问题的计算性质尚未明确,如何在保持智能优化算法等高效的前提下,提高运算结果的准确性、稳定性,是目前迫切需要解决的问题。建立动力配煤优化数学模型应先从理论上确定混煤与单煤主要指标之间在何种情况下呈现线性与非线性关系,并在此基础上,探讨优化配煤的数学模型。
何金珠[9]（2015）在《基于煤质工程分析法优化配煤方案的研究》文中提出根据当前火力发电厂的发展趋势,尤其是燃煤供应形势,不少火力发电厂开始选择使用混配煤。配煤要根据煤质的种类和特性,考虑到煤质对工作状态下的锅炉的影响。近几年,在配煤领域,初步探索了基于煤质工程分析的优化配煤方案,一定程度上节省了能源,减少了资金的投入。
魏昌淼[10]（2015）在《火电机组锅炉优化配煤研究》文中研究表明我国煤炭分布和区域经济发展不匹配,煤炭运输能力不足,造成燃煤电厂燃用煤种混杂,实际燃用煤种偏离设计值较大,而且各地的煤炭类别及其发热量、挥发分、硫分、灰分和灰熔融性等指标的差异很大。实际上,有很多单煤的性能不能完全满足不同动力煤用户的需要。动力配煤是以煤种的煤质条件不同为基础,取长补短,以满足锅炉燃烧稳定、降低污染物排放、发电经济等条件,从而满足电厂的需求。电厂目前没有煤质元素成分的测定手段,本文利用神经网络这个万能逼近器来解决这个问题,以煤质的工业成分、元素成分分别作为神经网络的输入和输出来建立模型,采用RBF神经网络和BP神经网络两种神经网络分别建模,测试相对误差都较小,两种模型都适用于工程实际。在动力配煤模型中,锅炉热力计算具有重要作用。本文采用VC++开发了通用锅炉热力计算软件。以某电厂600MW燃煤超临界机组的锅炉为对象,用通用锅炉热力计算软件进行了热力计算,验证了软件的有效性。基于锅炉热力计算,进行了锅炉煤种适用性分析。分析结果表明,对同一的负荷,煤种对锅炉的适用性能不同,为动力配煤模型的建立提供了重要参考。本文分析了现有的动力配煤模型,提出了一种基于锅炉热力计算的动力配煤数学模型,并用遗传算法优化技术求解。该模型以混煤总费用最低为优化目标函数,同时考虑了锅炉燃烧混煤后,主汽温、再热汽温、送风机出力、引风机出力、磨煤机出力等参数的运行约束,克服了现有动力配煤数学模型存在的不足。论文给出了某600MW机组锅炉动力配煤的计算实例,说明了所提方法的有效性。本文同时进行了动力配煤系统的初步分析和设计。分析了斗前掺混、同磨制粉,和分磨制粉、分管送粉、炉内掺烧两种掺混方式的优点以及不足,并根据这两种不同掺混方式设计了相应的配煤控制系统。
二、基于煤质工程分析的动力配煤优化研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于煤质工程分析的动力配煤优化研究（论文提纲范文）
（1）基于煤质与供电煤耗的火电厂配煤优化模型研究（论文提纲范文）
| 1 煤质与供电煤耗关系模型 |
| 1.1 煤质与供电煤耗数据库建立 |
| 1.2 运用BP神经进行煤质与供电煤耗关系建模 |
| 1.2.1 数据预处理 |
| 1.2.2 神经网络的设计与训练 |
| 1.2.3 煤质与供电煤耗关系建模结果分析 |
| 2 配煤优化模型 |
| 2.1 混煤煤质指标的计算 |
| 2.2 配煤优化模型的建立 |
| 2.2.1 目标函数的设定 |
| 2.2.2约束条件的选取 |
| 2.2.3 配煤优化模型计算流程 |
| 3 配煤优化模型求解 |
| 4 结 语 |
（2）基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 常见的煤热转化方式 |
| 1.3 国内、外数据挖掘的研究及应用现状 |
| 1.4 数据挖掘的由来 |
| 1.5 数据挖掘的任务及基本过程 |
| 1.5.1 数据挖掘的任务 |
| 1.5.2 数据挖掘的基本过程 |
| 1.6 常用的数据挖掘的方法 |
| 1.7 人工神经网络 |
| 1.7.1 主要的人工神经网络模型 |
| 1.8 本文的组织框架及研究内容 |
| 第二章 BP神经网络的算法理论及其算法优化探究 |
| 2.1 BP神经网络概述 |
| 2.2 BP神经网络的运行机制 |
| 2.2.1 BP神经网络的理论推理过程 |
| 2.3 BP神经网络的优缺点 |
| 2.3.1 BP神经网络的优点 |
| 2.3.2 BP神经网络的缺点 |
| 2.4 BP神经网络算法的优化分析 |
| 2.4.1 自身算法的直接改进 |
| 2.4.2 与其它智能算法的联用 |
| 2.4.3 多算法优势集成的设计与实现(HA-BP) |
| 2.5 BP神经网络算法优化的检验 |
| 2.5.1 建模与分析 |
| 2.5.2 BP神经网络的计算效果分析 |
| 2.5.3 A-BP神经网络的计算效果分析 |
| 2.5.4 GA-BP神经网络的计算效果分析 |
| 2.5.5 PSO-BP神经网络的计算效果分析 |
| 2.5.6 HA-BP神经网络的计算效果分析 |
| 2.5.7 各模型计算效果对比 |
| 2.6 本章小结 |
| 第三章 异常数据检测(剔除)及变量因素分析(选择) |
| 3.1 异常数据检测(剔除) |
| 3.1.1 异常数据检测方法 |
| 3.1.2 非线性函数仿真验证 |
| 3.1.3 检测效果分析 |
| 3.2 变量因素的分析与选择 |
| 3.2.1 特征参量的选取方法 |
| 3.2.2 HA-BP-MIV算法的实现过程 |
| 3.2.3 HA-BP-MIV算法的仿真验证 |
| 3.3 本章小结 |
| 第四章 煤燃烧发热量的预测探究 |
| 4.1 引言 |
| 4.2 样本情况 |
| 4.3 基于工业分析、元素分析数据预测发热量的建模与探究 |
| 4.3.1 发热量计算的建模与分析 |
| 4.3.2 发热量的预测以及异常数据检测 |
| 4.3.3 影响发热量的变量因素分析 |
| 4.3.4 主要因素提取与计算效果分析 |
| 4.4 基于工业分析数据计算发热量的探究 |
| 4.5 本章小结 |
| 第五章 煤(加氢)热解失重特性曲线的预测探究 |
| 5.1 引言 |
| 5.2 煤样情况 |
| 5.3 基于工业分析、元素分析的煤热解失重特性预测模型 |
| 5.3.1 热解失重实验 |
| 5.3.2 特征数据点的选择与模型建立 |
| 5.3.3 变量分析与筛选 |
| 5.3.4 主要因素的计算效果分析 |
| 5.3.5 热解失重曲线的预测 |
| 5.4 基于工业分析、元素分析的煤加氢热解失重特性预测模型 |
| 5.4.1 加氢热解失重实验 |
| 5.4.2 特征数据点的选择与模型建立 |
| 5.4.3 变量分析与筛选 |
| 5.4.4 主要因素的计算效果分析 |
| 5.4.5 加氢热解失重曲线的预测 |
| 5.5 本章小结 |
| 第六章 煤灰流动温度(FT)的预测探究 |
| 6.1 引言 |
| 6.2 样本情况 |
| 6.3 基于煤灰组成数据预测FT的建模与探究 |
| 6.3.1 预测FT的建模与分析 |
| 6.3.2 FT的预测以及异常数据检测 |
| 6.3.3 影响FT的变量因素分析 |
| 6.3.4 主要因素提取与计算效果分析 |
| 6.4 典型灰样的结渣机理探究及结渣晶相的特征总结 |
| 6.4.1 典型灰样的基础数据测试 |
| 6.4.2 AFTs的测试与分析 |
| 6.4.3 典型灰样的XRD分析 |
| 6.4.4 混合样的灰渣XRD分析 |
| 6.4.5 反应机理的热力学分析 |
| 6.4.6 灰渣样的SEM-EDS分析 |
| 6.4.7 灰样的相图分析 |
| 6.4.8 新生成的矿物对共混灰FT的影响 |
| 6.5 煤灰的分类预测研究 |
| 6.5.1 结渣晶相的特征总结与煤灰的分类 |
| 6.5.2 影响FT的关键因素探究 |
| 6.5.3 “关键特征参量”对FT的影响与关系式的提出 |
| 6.5.4 关系式的验证 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 总结 |
| 7.2 特色与创新 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（4）基于数据分析的煤化工气化炉智能监控系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景 |
| 1.2 气化炉气化工艺简介 |
| 1.2.1 气化工艺 |
| 1.2.2 入炉煤质要求 |
| 1.2.3 气化炉烧嘴简介 |
| 1.3 国内外研究现状及发展趋势 |
| 1.4 课题研究内容及方案 |
| 2 基于煤化工气化炉产气量核算的配煤成本优化研究 |
| 2.1 多煤种配煤问题概述 |
| 2.2 煤质参数及参数范围的选取 |
| 2.3 目标函数建立及求解 |
| 3 气化炉烧嘴寿命分析和监控研究 |
| 3.1 影响寿命的因素分析 |
| 3.2 利用烧嘴数据进行工艺分析及建模 |
| 4 气化炉监控系统设计 |
| 4.1 监控系统架构及模块 |
| 4.2 监控系统设计 |
| 结论 |
| 参考文献 |
| 在校研究成果 |
| 致谢 |
（5）基于高斯过程的综合配煤研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 本文的主要工作内容 |
| 第2章 相关理论基础 |
| 2.1 高斯过程回归理论 |
| 2.1.1 权值空间 |
| 2.1.2 函数空间 |
| 2.2 核函数 |
| 2.2.1 均值函数 |
| 2.2.2 协方差函数 |
| 2.2.3 核函数的类型 |
| 2.2.4 模型的超参数 |
| 2.3 粒子群优化算法 |
| 2.3.1 标准粒子群优化算法原理 |
| 2.3.2 粒子群优化算法的分析 |
| 2.4 支持向量机回归原理 |
| 2.5 本章小结 |
| 第3章 影响锅炉热效率和锅炉结渣因素的分析及实验研究 |
| 3.1 引言 |
| 3.2 试验对象 |
| 3.3 影响锅炉热效率因素的分析 |
| 3.3.1 水分 |
| 3.3.2 挥发分 |
| 3.3.3 灰分 |
| 3.3.4 发热量 |
| 3.3.5 炉膛氧量 |
| 3.4 影响锅炉结渣因素的分析 |
| 3.5 锅炉热效率和灰熔点的试验 |
| 3.5.1 试验煤质和试验工况 |
| 3.5.2 锅炉热效率试验 |
| 3.5.3 灰熔点试验 |
| 3.6 本章小结 |
| 第4章 配煤模型的建立 |
| 4.1 高斯过程回归建模中协方差函数的分析选择 |
| 4.2 粒子群参数的分析选择 |
| 4.3 支持向量机回归的参数选择 |
| 4.4 粒子群优化建模过程 |
| 4.5 基于粒子群优化的高斯过程回归的锅炉热效率模型 |
| 4.5.1 锅炉热效率样本的预处理 |
| 4.5.2 锅炉热效率模型建立及预测结果 |
| 4.6 基于粒子群优化的高斯过程回归的灰熔点模型 |
| 4.6.1 单煤灰熔点模型建立及预测结果 |
| 4.6.2 混煤灰熔点验证已建立的基于粒子群的高斯过程回归模型 |
| 4.7 配煤模型的建立 |
| 4.7.1 配煤的约束条件 |
| 4.7.2 确定配煤的目标函数 |
| 4.7.3 配煤的数学模型 |
| 4.8 基于粒子群算法的配煤优化求解 |
| 4.9 本章小结 |
| 第5章 配煤软件系统的开发 |
| 5.1 配煤数学模型和粒子群优化的程序化分析 |
| 5.2 配煤软件系统 |
| 5.2.1 系统设计 |
| 5.2.2 系统功能测试 |
| 5.3 配煤软件系统应用情况 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间的科研成果及参加的科研项目 |
（6）火电厂动力配煤优化系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 动力配煤技术国内外发展现状 |
| 1.3 动力配煤数字化管理国内外研究现状 |
| 1.4 课题主要研究内容 |
| 第2章 动力配煤数学模型 |
| 2.1 目标函数数学模型 |
| 2.1.1 总成本最低 |
| 2.1.2 优质高价煤或紧缺煤配比最小 |
| 2.1.3 使劣质低价煤或主掺烧煤配比最大 |
| 2.2 约束条件数学模型 |
| 2.2.1 混煤发热量计算 |
| 2.2.2 混煤水分计算 |
| 2.2.3 混煤硫分计算 |
| 2.2.4 混煤挥发分计算 |
| 2.3 研究对象 |
| 2.4 本章小结 |
| 第3章 动力配煤成本预测模型 |
| 3.1 支持向量机 |
| 3.1.1 支持向量机原理 |
| 3.1.2 支持向量机预测模型建立过程 |
| 3.2 四种煤掺配动力配煤成本预测模型建立与结果分析 |
| 3.2.1 动力配煤成本预测模型建立 |
| 3.2.2 动力配煤成本预测结果分析 |
| 3.3 五种煤掺配动力配煤成本预测模型建立与结果分析 |
| 3.3.1 动力配煤成本预测模型建立 |
| 3.3.2 动力配煤成本预测结果分析 |
| 3.4 本章小结 |
| 第4章 动力配煤优化模型 |
| 4.1 粒子群算法 |
| 4.1.1 粒子群算法原理 |
| 4.1.2 混沌粒子群算法 |
| 4.1.3 算法流程 |
| 4.2 动力配煤优化结果分析 |
| 4.2.1 四种煤掺配动力配煤优化结果分析 |
| 4.2.2 五种煤掺配动力配煤优化结果分析 |
| 4.3 本章小结 |
| 第5章 动力配煤优化系统 |
| 5.1 系统开发过程 |
| 5.1.1 系统整体架构 |
| 5.1.2 系统开发语言 |
| 5.1.3 MATLAB产生COM组件 |
| 5.2 系统功能简介 |
| 5.2.1 入厂煤数据输入模块 |
| 5.2.2 掺烧煤质特性模块 |
| 5.2.3 动力配煤优化模块 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其它成果 |
| 致谢 |
（7）非线性理论应用于动力配煤燃烧特性研究（论文提纲范文）
| 致谢 |
| 前言 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景意义 |
| 1.2 动力配煤的国内外研究现状技术综述 |
| 1.2.1 动力配煤的技术发展现状 |
| 1.2.2 非线性理论在动力配煤中的应用研究 |
| 1.2.3 燃煤烟气CO_2的转化利用研究现状 |
| 1.3 本文研究目的和内容 |
| 1.3.1 本文研究目的 |
| 1.3.2 主要研究内容 |
| 2 实验装置和方法 |
| 2.1 实验材料 |
| 2.1.1 动力配煤及原煤的煤质分析 |
| 2.1.2 热解制焦的实验煤种分析 |
| 2.2 实验装置 |
| 2.3 分析测试方法 |
| 2.4 数据分析与计算 |
| 2.4.1 配煤着火温度和活化能的求解 |
| 2.4.2 配煤最大燃烧速率和固定碳燃烬率的求解 |
| 2.4.3 煤焦分形维数的求解 |
| 3 采用ESBP神经网络预测动力配煤的着火特性 |
| 3.1 引言 |
| 3.2 动力配煤的热天平着火特征 |
| 3.3 皮尔逊相关性分析 |
| 3.4 线性和非线性回归分析 |
| 3.5 构建ESBP神经网络 |
| 3.5.1 神经网络的拓扑结构 |
| 3.5.2 神经网络的训练算法 |
| 3.5.3 数据预处理方法 |
| 3.5.4 神经网络隐层节点数 |
| 3.6 ESBP神经网络预测动力配煤着火特性 |
| 3.7 本章小结 |
| 4 采用ESBP神经网络预测动力配煤的燃烧特性 |
| 4.1 引言 |
| 4.2 动力配煤的热天平燃烧特征 |
| 4.3 皮尔逊相关性分析 |
| 4.4 线性和非线性回归分析 |
| 4.5 构建ESBP神经网络预测模型 |
| 4.5.1 神经网络的拓扑结构 |
| 4.5.2 神经网络的训练算法 |
| 4.5.3 数据预处理方法 |
| 4.5.4 神经网络隐层节点数 |
| 4.6 ESBP神经网络预测动力配煤燃烧特性 |
| 4.7 本章小结 |
| 5 热解煤焦的孔隙分形结构及其燃烧特性 |
| 5.1 引言 |
| 5.2 煤粉热解对煤焦孔隙分形的影响 |
| 5.2.1 煤质成分对煤焦分形维数的影响 |
| 5.2.2 热解活化能对煤焦分形维数的影响 |
| 5.3 煤焦孔隙的分形结构特征 |
| 5.3.1 煤焦分形维数与孔径的关系 |
| 5.3.2 煤焦分形维数与孔容积的关系 |
| 5.4 煤焦孔隙形维数对着火燃烧的影响 |
| 5.4.1 分形维数对煤焦着火温度的影响 |
| 5.4.2 分形维数对煤焦着火活化能的影响 |
| 5.4.3 分形维数对固定碳燃烬率的影响 |
| 5.5 本章小结 |
| 6 燃煤烟气CO_2的水热催化还原研究 |
| 6.1 引言 |
| 6.2 水热反应还原CO_2的热力学分析 |
| 6.3 铝镍体系水热催化还原CO_2 |
| 6.3.1 铝镍对还原产物甲酸产物的影响 |
| 6.3.2 镍对还原产物甲酸的影响 |
| 6.3.3 铝对还原产物甲酸的影响 |
| 6.3.4 时间对还原产物甲酸的影响 |
| 6.3.5 温度对还原产物甲酸的影响 |
| 6.4 铝铜体系水热催化还原CO_2 |
| 6.4.1 铜催化铝水热还原CO_2 |
| 6.4.2 铜对还原产物甲酸的影响 |
| 6.4.3 铝对还原产物甲酸的影响 |
| 6.5 本章小结 |
| 7 电厂非线性多元优化动力配煤的一维炉燃烧特性 |
| 7.1 引言 |
| 7.2 国电龙山电厂常用煤种分析 |
| 7.3 非线性多元优化动力配煤计算 |
| 7.4 动力配煤的一维炉燃烧试验研究 |
| 7.4.1 着火温度的确定 |
| 7.4.2 配煤对煤着火特性的影响 |
| 7.4.3 配煤着火特性的影响因素 |
| 7.4.4 配煤燃烧的烟气污染排放特性 |
| 7.4.5 配煤燃烧的烟气污染排放的影响因素 |
| 7.4.6 配煤燃烧的结渣特性 |
| 7.5 本章小结 |
| 8 针对枣庄煤场开发动力配煤专家系统应用于示范工程 |
| 8.1 引言 |
| 8.2 枣庄煤场动力煤源采样分析 |
| 8.3 动力煤煤质综合性能评价体系确定 |
| 8.4 非线性多元优化配煤核心计算模型 |
| 8.5 动力配煤生产管理系统开发 |
| 8.6 枣庄煤场优化动力配煤示范工程 |
| 8.6.1 示范工程建设概况 |
| 8.6.2 示范工程关键设备选型 |
| 8.6.3 动力配煤的生产工艺流程 |
| 8.6.4 动力配煤的链条炉燃烧测试 |
| 8.7 本章小结 |
| 9 全文总结与展望 |
| 9.1 全文总结 |
| 9.2 主要创新点 |
| 9.3 研究展望 |
| 参考文献 |
| 作者简历 |
（8）动力配煤优化研究现状及展望（论文提纲范文）
| 0引言 |
| 1动力配煤与单煤指标具有线性可加性 |
| 2动力配煤与单煤主要指标呈非线性关系 |
| 3动力配煤与单煤指标关系尚不明确 |
| 4存在问题及展望 |
| 5结语 |
（9）基于煤质工程分析法优化配煤方案的研究（论文提纲范文）
| 一、简析煤质特性和煤质指标 |
| 1.煤质特性及对电厂工作的影响 |
| 2.动力配煤技术的煤质指标 |
| 二、煤质工程分析系统 |
| 1.煤质工程分析系统的关系图 |
| 2.煤质工程分析系统的建立 |
| 3.基于煤质工程分析的优化配煤系统开发与应用 |
| 三、结论 |
（10）火电机组锅炉优化配煤研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国外研究现状 |
| 1.3 国内研究现状 |
| 1.4 本论文的研究内容 |
| 第二章 基于神经网络的煤质元素成分预测建模 |
| 2.1 引言 |
| 2.2 煤的元素成分和工业成分 |
| 2.3 人工神经网络 |
| 2.4 建立神经网络的煤质元素成分预测模型 |
| 2.5 本章小结 |
| 第三章 通用锅炉热力计算原理及其软件实现 |
| 3.1 引言 |
| 3.2 锅炉热力计算过程以及通用软件实现 |
| 3.3 锅炉热力计算算例 |
| 3.4 锅炉煤种适用性计算与分析 |
| 3.5 本章小结 |
| 第四章 动力配煤模型 |
| 4.1 引言 |
| 4.2 动力配煤煤质参数线性可加性讨论 |
| 4.3 煤质燃烧特性判别指标 |
| 4.4 现有动力配煤数学模型综述 |
| 4.5 基于锅炉热力计算的动力配煤模型及遗传算法求解 |
| 4.6 动力配煤计算示例 |
| 4.7 本章小结 |
| 第五章 动力配煤系统的分析和设计 |
| 5.1 引言 |
| 5.2 煤场管理 |
| 5.3 混煤的掺混方式及控制系统设计 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 作者在硕士研究生阶段发表的论文 |
| 参考文献 |
四、基于煤质工程分析的动力配煤优化研究（论文参考文献）
- [1]基于煤质与供电煤耗的火电厂配煤优化模型研究[J]. 刘文礼,马金虎,徐彬,刘潇,杨洪. 煤炭工程, 2021(11)
- [2]基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用[D]. 谢良才. 西北大学, 2021(12)
- [3]基于matlab动力配煤神经网络优化研究[J]. 张启明,李贞. 山东农业大学学报(自然科学版), 2020(04)
- [4]基于数据分析的煤化工气化炉智能监控系统设计[D]. 杨鹏. 内蒙古科技大学, 2020(01)
- [5]基于高斯过程的综合配煤研究[D]. 张栋梁. 杭州电子科技大学, 2020(02)
- [6]火电厂动力配煤优化系统研究[D]. 杨浩楠. 华北电力大学, 2018(01)
- [7]非线性理论应用于动力配煤燃烧特性研究[D]. 王鑫. 浙江大学, 2016(02)
- [8]动力配煤优化研究现状及展望[J]. 屈国强. 洁净煤技术, 2015(06)
- [9]基于煤质工程分析法优化配煤方案的研究[J]. 何金珠. 科学中国人, 2015(26)
- [10]火电机组锅炉优化配煤研究[D]. 魏昌淼. 东南大学, 2015(02)