该文在分析异步化汽轮发电机(ASTG)的励磁控制原理的基础上,利用神经网络的非线性映射能力和自学习、自适应特性,解决了系统由于时变、非线性和不确定性而难于精确建模的问题,和多目标控制器难以整定参数的问题.该文首先对异步化汽轮发电机的非线性数字模型进行神经网络辨识.在神经网络的自学习过程中,引入了附加动量法与自适应调整学习速率相结合的改进BP算法,提高了学习速度,加快了收敛.在对异步化汽轮发电机的非线性数学模型辨识的基础上,该文对ASTG动模实验系统进行了神经网络辨识.经实测数据的验证,利用该方法设计的神经网络可以以相当高的精度逼近实际系统.根据上述的神经网络辨识实践,该文总结出对多输入多输出对象进行神经网络辨识的一套的方法,包括神经网络模型输入输出状态量的确定、样本的获取与处理,以及神经网络模型的结构设计等.针对ASTG有功控制器为多输入单输出的多目标控制器,难以整定控制器参数的问题,该文提出了一种神经网络自适应控制策略,利用神经网络的自学习、自适应特性,对控制器参数进行在线修正.提出将控制器的性能指标分解,分别指导各反馈项系数的修正,解决了神经网络控制器难以训练的问题.经仿真表明,该控制策略具有随工况自整定控制器参数的能力,控制系统具有良好的动态和暂态性能.