重型燃气轮机具有参数耦合关系高度非线性的特点,对传统机理建模与控制设计方法造成了较大的困难。基于神经网络方法的建模方式,以黑箱原理实现建模过程,提供了新的解决途径。生成的燃气轮机神经网络模型可嵌入预测控制算法中作为预测模型,为预测控制的实现提供新的思路。本文首先选取NARX神经网络和Elman网络两种前向型动态网络作为建模工具,利用重型燃气轮机现场运行数据,对起动过程进行动态工况建模,对运行参数进行预测。测试结果表明,合理范围内的隐含层神经元数量设置均可以获得可接受的预测模型。对于NARX神经网络,闭环运行模式应用价值更高,但预测误差大于开环运行模式。开环模式测试中表现更优秀的网络个体,不一定在闭环预测中保持更佳的预测精度。由于训练误差函数与测试误差评估函数的差异,对特定部分过程预测精度有更高要求的场景下,可以通过修改训练误差函数形式,对网络训练梯度下降方向进行引导。本文通过对训练误差函数中的输出参数高数值点赋予更高权重值,牺牲低数值区域的预测精度,获得了对高数值区域预测相对误差更小的网络个体。对于多组样本序列数据的训练问题,相比于交替训练、多组网络输出加权的处理方式,样本序列拼接、拼接点权重值置零的训练方式生成的网络模型预测精度更高,训练工作量更少。Elman网络不存在开环运行模式,在全过程闭环模式预测中表现优于NARX网络。但是由于承接层输入参数的初始化收敛问题,对于非训练样本起始状态的预测测试,Elman网络在前10步的预测精度远劣于NARX网络。验证NARX网络模型在燃气轮机动态过程的预测能力后,将其嵌入至非线性预测控制算法中,承担预测控制中非线性预测模型的角色。神经网络预测模型与传热搜索滚动优化算法和目标函数的结合,在仿真测试中实现了对重型燃气轮机Simulink模型对象的多输入多输出预测控制。在完成调峰任务的同时,兼顾对透平排气温度的约束。通过设计不同的目标函数排气温度项,可以实现升负荷过程中循环效率优先和升负荷率优先两种控制模式,证明了这一预测控制方法设计的灵活性。此外,经测试验证,该预测控制方法具备一定的抗扰动能力。