电厂热工过程的动态特性与整个机组的运行工况密切相关。当负荷变化时,机组的过程模型参数甚至结构都会发生改变。对于这类对象用鲁棒控制方案、自适应控制方案都难以取得满意的控制效果,多模型控制是针对这类对象而提出的一种控制方案。由于人工神经网络具有逼近非线性函数的能力,而且经过结构优化的神经RBF网络具有建模时间短,结构简单、泛化能力好的特点,能够满足工业过程的实时性要求,适合于在线使用。本文将经过结构优化的RBF网络引入到多模型控制中,用以改进多模型控制的控制效果。论文的具体内容如下：回顾多模型控制和神经网络产生、发展、应用的历史；介绍了多模型控制基础知识和神经网络的基本内容以及在过程控制中的应用。并对多模型控制和神经网络在控制中的进一步应用做出了展望。根据RBF网络结构的特点,给出一种快速优化网络结构的算法,将优化的RBF网络用于喷水减温模型的建模。仿真结果表明该网络具有建模速度快,泛化能力好的特点,适合在线使用。本文提出一种基于RBF神经网络的多模型控制结构。在控制方案上实现神经网络和多模型控制的结合,首先根据运行数据确定主要工况,建立固定模型集；其次利用神经网络的在线进行辨识,补偿非线性等因素造成的固定模型与实际模型的不匹配,可以在较小的固定模型库的条件下,极大的改善控制系统的性能。针对过热汽温对象大时延、大惯性、参数时变的特点,采用一种串级多模型控制方案。特点是在线辨识模型的不匹配程度,并根据输出与目标值之间的偏差产生补偿控制作用,以补偿固定控制器控制作用的不足,使多模型控制系统在全工况范围内具有良好的性能。该控制方案以多模型控制为基本框架,充分利用PID技术的成熟性和可靠性,并引入神经网络抑制非线性等因素造成的影响,改善了控制系统的性能,具备一定的可行性,是工程中一种较好的控制策略。