机炉协调控制系统是火电厂自动化控制系统中的核心单元,其控制性能的好坏将会直接影响到单元机组的长期安全稳定经济运行,而且得到协调系统精确的模型是控制系统算法设计和性能研究的前提条件。因此,建立准确的机炉协调系统的模型是十分有必要的。随着容量更大、参数更高的火电机组的相继投产,使得机炉协调系统内部各部分的耦合和非线性特性更强,利用传统的机理分析法很难建立准确的模型。近些年来,基于现场历史数据序列的智能建模算法成为研究的主要热点之一。本文在深入研究神经网络算法的基础上,针对神经网络中人为设定的参数过多,隐层能够提取到数据的特征不太多,并且不能够准确反映数据的分布情况,并且容易陷入局部最优的缺点。针对其缺点提出了增加神经网络的层数,改进学习算法,也即深度神经网络。研究的重点是利用深度神经网络中的深度信念网络进行模型建立。深度信念神经网络实际上是由多个波尔兹曼机叠加而成,其学习过程包含无监督的预训练和有监督的学习两个阶段,经过预训练得到相对较优的网络权值,然后使用样本中的输入和输出数据对预训练得到的深度信念网络进行学习,使用的学习算法是梯度下降法,得到网络相对最优的权值。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,基于工业现场测量机炉协调系统的的实际数据,使用深度信念网络对协调系统进行建立模型并测试。分析最终的仿真结果,表明深度信念网络的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达到了很高的拟合精度,能够正确的反映协调系统输入输出之间的动态特性,达到了预期的效果。为后续基于协调系统模型的控制算法设计提供了重要的依据。