蒸汽温度是电站生产过程中的一个非常重要的监测和控制参数,具有非线性、大惯性和大迟延的动态特性。目前大部分实际应用中的电站汽温自动控制系统大多采用串级PID控制策略,难以适应自动发电量控制(AGC)的控制要求。因此,迫切需要研究一种易于应用到电站分布式控制系统(DCS)中的智能控制技术,以弥补现有控制策略的不足。基于电力公司的实际课题需求,本文针对智能控制策略及其在实际电站汽温控制系统中的应用问题开展研究。首先,研究了两种新型智能优化算法：混沌优化算法和粒子群优化算法。为了解决基本粒子群优化算法容易过早陷入局部最优点的不足,提出了一种改进混合粒子群优化算法——基于异步学习因子与自然选择的粒子群优化算法。仿真分析表明,改进混合粒子群优化算法比基本粒子群优化算法和混沌优化算法具有更高的搜索效率和精度,对设定值具有更好的跟踪性能和控制品质,适宜于广义预测控制的在线滚动优化计算及求解。其次,研究了三种辨识方法：基于现场阶跃响应实验数据的传递函数辨识方法,径向基函数(RBF)神经网络辨识建模方法和基于模糊c均值的T-S模糊辨识建模方法。通过这三种辨识方法,根据现场DAS系统中的实时数据,分别对过热汽温对象和再热汽温对象进行辨识。然后,利用辨识得到的汽温对象传递函数模型,通过动态矩阵控制算法实现了对汽温对象的控制仿真。考虑到非参数模型在线辨识比较困难的不足,将改进混合粒子群优化算法和广义预测控制思想有机结合,分别将RBF神经网络辨识模型和基于模糊c均值聚类算法的T-S模糊辨识模型作为预测模型,改进混合粒子群作为滚动优化策略,对汽温对象实施广义非线性预测控制。基于现场数据的仿真结果证明本文提出的广义非线性预测控制策略对实际汽温对象的实时控制有优越性。最后,针对实际工业过程通常具有大范围工况下参数跳变的特点,对上述的广义非线性预测控制加入了基于模糊加权的多模型控制策略。仿真结果表明,所提出的基于模糊加权的多模型控制策略在机组负荷在大范围工况变动时,具有非常好的定值跟踪性能和控制品质。