本发明涉及一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的再热汽温控制策略，包括：确定所述逆模型的输入和输出参数；从现场DCS系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。
本发明能够应对具有大惯性、大滞后再热汽温控制系统的适应能力，增强了工况适应性。

莫日格吉勒图

中国大唐集团科学技术研究院有限公司火力发电技术研究院

100043 北京市石景山区玉泉西里二区18号楼西区

本发明涉及一种基于神经网络逆模型再热汽温控制方法，基于逆模型建立外环为神经网络逆控制，内环为PID控制的再热汽温控制策略，包括：确定所述逆模型的输入和输出参数；从现场DCS系统获取机组的历史运行数据，从中选取用于所述逆模型建立和验证的样本数据；所述样本数据包括机组协调系统自动升降负荷的最低负荷至额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；确定建模采用的神经网络类型及模型结构，建立所述逆模型，并运用获取的机组历史运行数据完成逆模型的训练和检验。
本发明能够应对具有大惯性、大滞后再热汽温控制系统的适应能力，增强了工况适应性。