我国能源资源非常丰富,但存在能源消费结构不合理、能源转换效率较低、且大部分能量以余热的形式被浪费的情况,因此,余热资源的回收利用对提高能源利用率具有重大意义。在低品位余热利用技术中,有机朗肯循环(Organic Rankine Cycle,ORC)因其结构简单、运行成本低且热回收率高等优点,成为一种高效的余热利用技术。从控制的角度出发来研究ORC的优化运行具有十分重要的意义。然而,在ORC实际运行过程中,不可避免会受到非高斯随机噪声的干扰,如烟气的质量流量、热源的入口温度等,传统控制方法由于不能充分反映系统的非高斯特性导致控制性能不理想。因此,本文在非高斯控制理论的基础上,采用广义互熵(Generalized Correntropy,GC)准则研究非高斯干扰下的ORC系统控制问题,主要工作如下:针对非高斯扰动下的ORC余热回收系统,提出一种单神经元自适应多步预测控制方法。由于余热回收系统中存在服从重尾分布的非高斯扰动,因此采用GC构建性能指标函数表征系统的随机不确定性,通过优化性能指标函数,更新单神经元控制器的参数,从而得到迭代的最优控制律。作为对比,测试了最小误差熵(Minimum Error Entropy,MEE)控制器和均方误差(Mean Square Error,MSE)控制器的性能,仿真结果表明,所提出的基于GC的单神经元预测控制能有效抑制重尾分布随机扰动的影响。考虑到ORC余热回收系统的能量转换效率,预先给定的设定值可能设置不合理或不可达,提出一种两层结构的动态经济模型预测控制(Economic Model Predictive Control,EMPC)策略。上层以净效率与总传热面积的比值作为经济性能指标函数,通过优化该指标得到最优蒸汽压力的参考轨迹;下层利用GC构建跟踪控制的目标函数,使系统输出尽可能跟踪上层优化得到的最优参考轨迹。最后通过仿真,验证基于GC的两层动态EMPC策略的可行性和有效性。此外,由于最优设定值实时变化且预测控制计算量大,在两层动态EMPC框架下,用控制器模型的离线训练代替最优控制律的在线计算,提出非线性显性模型预测控制(Nonlinear Explicit Model Predictive Control,NEMPC)策略。一旦上层的最优参考轨迹送到下层,下层立刻根据已经训练好的控制器模型得到控制动作,大大提高了系统的运行效率。最后,将NEMPC方法与传统的两层MPC方法进行对比,验证NEMPC方法的有效性。本文在非高斯干扰下针对ORC系统研究其控制方法,不仅充实了非高斯随机控制理论,还可以推广到化工、冶金等其他工业过程,对其经济高效运行具有指导意义。