随着分散控制系统和管理信息系统在发电企业中的广泛使用,火电机组实时运行数据的获取变得越来越方便。研究如何利用这些已有的现场数据去建立热工过程的模型,具有重要的实际意义。本文以神经网络辨识为主,以现场数据为依据,研究了神经网络在热工过程模型辨识中的应用。　　 在仿真环境下,分析了不同辨识用输入信号下BP网络、RBF网络的辨识效果。仿真试验表明,逆M序列下神经网络的辨识效果最好,正弦信号次之,阶跃信号最差；试验还表明,BP网络更适合来作为基于现场数据建模的工具。为了提高神经网络的泛化能力,引入了贝叶斯正则化方法和神经网络集成方法。试验结果表明贝叶斯正则化方法可以显著得提高BP网络的泛化能力,可以作为基于现场数据建模的主要学习算法；集成网络的测试误差要小于大部分子网的测试误差,神经网络集成方法可以在一定程度上提高神经网络的泛化能力。针对现场运行数据的特点,使用归一化方法对数据进行预处理,使用主元分析法来分析影响主要监控变量变化的主导因素。　　 采用以上理论和方法,分析了华电邹县1000MW机组的过热汽温系统,建立了减温水量到过热汽温的模型,检验结果表明模型有很好的泛化能力。分析了1000Mw机组的协调控制系统,选择每天中机组负荷上升时的数据作为学习样本,建立了主汽压力模型。分析了某300MW循环流化床的床温模型,利用一段给煤量呈现阶跃变化的数据来建立给煤量、给水量至床温模型,BP网络显示了良好的辨识效果,而RBF网络则没有能够完成辨识任务。