自动控制系统是大型火电机组不可缺少的重要组成部分，其性能和可靠性已成为保证火电机组安全性和经济性的重要因素。在火电厂生产过程中，整个汽水通道中温度最高的是过热蒸汽温度，过热蒸汽温度过高或过低，都将给安全经济运行带来不利影响，因此，必须严格控制过热器出口蒸汽温度，使它不超出规定的范围。汽温调节对象是一个多容环节，它的纯迟延时间和时间常数都比较大，干扰因素多，对象模型不确定，在热工自动调节系统中属于可控性最差的一个调节系统。目前热工过程控制中，传统的控制方法如PID控制等得到了广泛的应用，这种方法在系统负荷稳定时能够取得很好的控制效果，而在系统负荷有较大波动时，则难以稳定及时地对系统进行控制。随着智能控制理论的深入研究，智能控制为火电厂热工过程自动控制提供了新的方法。首先，本文在深入了解火电厂热工过程生产工艺的基础上，仔细分析了影响蒸汽温度变化的各种扰动因素。蒸汽温度对象的动态过程和对象模型十分复杂，扰动因素诸多，比如蒸汽流量的变化，燃烧工况的变化，给水温度的变化、进入过热器蒸汽热焓的变化等，而且这些因素还可能互相制约。在研究影响蒸汽温度变化的三个主要扰动因素即蒸汽流量、烟气流量及其温度和减温水流量变化时系统动态特性的基础上，采用机理分析方法，建立了蒸汽温度系统的数学模型。其次，本文讨论了模糊系统和神经网络理论，且研究了模糊神经网络控制的结构和算法。模糊控制器的设计过程是以人类专家的直观信息为基础，为了设计模糊控制器，控制工程师必须收集闭环系统中手工操作者如何动作的信息。有时这些信息可以来自执行控制任务的手工操作者，而在其它时间，控制工程师能够逐渐理解对象动态特性，并写出在外界帮助下如何控制系统的一套规则。这些规则概括为“如果对象输出和参考输入以某一方式动作，那么输入应为某一数值”。一整套“If…Then”规则被载入规则库，并且选取一种推理策略，然后该系统准备被验证以确定闭环指标是否满足要求。人工神经网络是大量神经元连接而成的生物神经网络的电路、计算机算法或数学实现。它们作为并行计算技术已显示其有用性，且被证实在模式识别、信号处理、估计和控制问题中是有效的。尤其有效的是它的样本学习能力。神经网络是一种可调的非线性映射，能通过改变权值、偏差和激励函数的参数而变化；而模糊系统也是一种非线性映射，能通过调整隶属函数等而变化。既然二者都是可调的非线性映射，在模糊控制项目中，神经网络能被用作辨识器结构，使用梯度下降法或最小平方法来修正其参数。本文采用的模糊神经网络控制是一种基于神经网络理论和模糊逻辑的复合智能控制，通过利用神经网络的学习能力来优化模糊逻辑的经验规则以及比例因子的调整，从而来实现对主汽温的有效控制。并且利用MATLAB进行了仿真试验，模糊神经网络控制器在不同负荷下都能得到很好的仿真曲线，可以看出模糊神经网络控制系统具有很好的鲁棒性和良好的控制品质。目前智能控制在主汽温系统中的应用，包括模糊控制，神经网络控制等大多处于理论和仿真的阶段，本文的工作也只是处在理论与仿真的阶段，如何能够将其应用到现场还需要做更多的工作。设计这些PID调节器所遵循的思路一般是：在误差信号及其微分、积分信号中包含调节对象数学模型变化的信息，通过对这些信息的提取，就能知道调节器参数应该如何随对象模型变化，从而能设计出具有自适应能力的PID调节器。但是，在误差信号及其微分、积分信号中，并不一定包含调节对象数学模型变化的信息，在此种情况下，任何想通过对这些信号的加工以获得具有变对象数学模型适用能力的调节器都是不可能的。基于此，本文最后提出了带指导信号的PID调节器设计方法。对象模型的变化体现在增益、时间常数和阶次三个方面。增益变化对调节系统品质影响最大，时间常数次之，阶次通常可以认为不变。若能确定调节对象模型中增益和时间常数对指导信号的函数关系，这种函数关系可用于确定PID调节器参数，从而实现带指导信号的PID调节器，这种调节器可保持调节系统性能指标在变工况下近似不变。这种方法通过扩展线性控制理论来解决非线性控制问题，且方便使用。与模糊神经网络控制相比，这种方法更容易应用于工程实践。