生物质发电过程分析与建模研究

论文摘要

生物质气化发电自从在我国发展以来,很多学者为改进其气化效率在多方面对其进行了建模与研究,采用动力学方法进行生物质发电的气化过程建模需要许多物性参数,而这些参数往往难以获得,针对机理建模的这些缺陷,本文考虑直接基于实验数据进行气化建模,提出了基于最小二乘支持向量机的建模方法,给出了相应的系统结构和算法,用实验数据进行验证取得了很好的预测效果。通过和实际数据的比较,仿真结果证明该方法具有很好的性能指标,能为现场生物质发电气化过程的控制与优化提供一定的参考依据。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 选题背景及意义
• 1.1.1 新能源利用现状与发展趋势
• 1.1.2 生物质能概述
• 1.2 生物质气化建模研究动态
• 1.3 本文研究内容
• 1.4 论文结构安排
• 1.5 本章小结
• 第二章 生物质气化过程的机理分析
• 2.1 生物质气化反应原理
• 2.2 生物质气化指标和影响因素
• 2.2.1 气化指标
• 2.2.2 气化影响因素分析
• 2.2.2.1 气体低位热值
• 2.2.2.2 气体产率
• 2.2.2.3 气化效率
• 2.2.2.4 碳转化率
• 2.3 气化气的焦油净化
• 2.3.1 焦油的特性
• 2.3.2 焦油的催化裂解
• 2.4 本章小结
• 第三章 基于最小二乘支持向量机的生物质气化过程建模
• 3.1 统计学习理论
• 3.1.1 机器学习的基础知识
• 3.1.2 统计学习理论的基础知识
• 3.2 支持向量机算法介绍
• 3.2.1 支持向量机（SVM）发展概况
• 3.2.2 支持向量机分类算法
• 3.2.3 支持向量机回归算法
• 3.3 基于最小二乘支持向量机（LS-SVM）的生物质气化过程建模
• 3.3.1 最小二乘支持向量机（LS-SVM）原理
• 3.3.2 基于LS-SVM的生物质气化过程建模
• 3.3.2.1 参数选择
• 3.3.2.2 变量选择
• 3.3.3 仿真结果与分析
• 3.4 本章小结
• 第四章 生物质气化过程的神经网络建模
• 4.1 人工神经网络简介
• 4.1.1 人工神经网络的起源与发展
• 4.1.2 神经网络的特点
• 4.2 神经网络的结构与原理
• 4.2.1 神经元的结构
• 4.2.2 神经网络的结构
• 4.2.3 神经网络的学习方法
• 4.3 BP神经网络算法及其改进
• 4.3.1 BP神经网络结构原理
• 4.3.2 Levenberg-Marquardt（L-M）算法
• 4.3.2.1 L-M算法原理
• 4.3.2.2 L-M算法流程
• 4.4 生物质气化过程的神经网络建模与研究
• 4.4.1 神经网络建模
• 4.4.2 神经网络模型与LS-SVM模型效果研究
• 4.4.3 神经网络模型与LS-SVM模型预测结果对比
• 4.5 本章小结
• 第五章 结论与展望
• 5.1 论文工作总结
• 5.2 课题研究展望
• 参考文献
• 致谢
• 在校期间发表的学术论文和参加科研情况