机炉协调控制系统是电站自动化控制系统中的核心单元,其控制性能的好坏直接影响到单元机组的安全稳定运行,而得到精确的数学模型是控制算法设计和性能研究的基础。因此,建立机炉协调系统的模型是十分必要的。随着容量更大、参数更高的火电机组被普遍应用,使得机炉协调系统内部的耦合和非线性的特性更强,导致利用传统的机理分析法很难建立精确的数学模型。近年来,采用基于数据序列的智能建模方法成为了研究的主要热点之一。本文提出了一种网络结构随训练过程动态生成的动态模糊神经网络算法,在深入研究其学习算法的基础上,针对算法中预先设定的参数过多,提取的模糊规则难以理解的缺点,提出基于椭圆基的动态模糊神经网络,引入模糊?-完备性来在线分配参数,避免了初始化选择的随机性,并根据每条规则的输入变量的高斯函数的宽度对系统性能贡献的多少来在线修正隶属函数的宽度。将该算法应用到非线性系统的辨识中,根据MATLAB仿真对比结果可知,该算法在性能和学习速率方面明显比动态模糊神经网络更有优势。最后在分析了机炉协调系统动静态特性和系统简化模型的基础上,基于非线性模型的仿真数据和工业测量的现场数据,应用改进基函数(椭圆基EBF)的动态模糊神经网络算法对模型进行训练和测试。最终的仿真结果表明,基于椭圆基的动态模糊神经网络学习能力和泛化能力很强,所建立的协调系统的三入三出无参数模型具有很高的拟合精度,能正确的反映输入输出之间的动态特性,达到了预期的效果。为后续基于模型的控制算法设计提供了重要的依据。