自動化與智能化程度較差。其主要原因是溫室系統是一個復雜的大系統，無論其外部環境或室內農作物均具有很大的不確定性，各種參數( 如溫濕度、光照度、 CO2 濃度等) 均存在很強的耦合性，是一種集大慣性、非線性、強干擾的復雜系統，對于該系統，利用傳統控制方法很難實現最佳控制，特別當傳統控制器的控制對象參數發生變化或受非線性因素影響而發生變化時，傳統控制器參數不能隨之而變化

　　通過將BP神經網絡和常規PID控制器結合，提出了一種新的火電廠超臨界機組過熱汽溫控制方案。將這種方法應用于主汽溫控制，可以有效克服過熱汽溫對象的大滯后和大慣性，并能夠克服對象在運行中參數變化的影響，獲得良好的控制品質。仿真試驗表明：所設計的系統在控制品質。魯棒性方面明顯優于常規PID控制系統。

　　火電廠鍋爐過熱汽溫控制系統是提高機組熱效率和保證機組安全運行的重要組成部分。過熱蒸汽溫度的干擾因素很多、很頻繁，且擾動量很大，各種擾動作用下過熱蒸汽溫度動態特性具有大遲延、大慣性時變性和非線性的特點，這一點在超臨界機組中尤為突出。采用固定參數常規PID控制這樣的對象，難以在穩定性和控制品質間取得折衷，即使整定出一組相對理想的參數，在對象特性變化時，控制品質也難以保證。針對這種情況，我們需要這樣一種PID控制器，它輸出的控制作用不僅與偏差大小有關，而且與被控對象的狀態有關。這就要求PID的控制參數Kp、ki、kd能夠根據偏差大小和對象狀態的變化自動修正，保證控制系統的調節品質基本不變。而神經網絡所具有的任意非線性表示能力，恰好可以通過對系統性能的學習來尋找到與實際工況相適應的最佳組合PID控制參數Kp、Ki 、Kd。

　　本文將BP神經網絡與常規PID控制器相結合，通過神經網絡對系統性能的學習找尋到最佳組合的PID控制參數，并將其直接饋送給常規PID控制器，從而得到基于BP神經網絡整定的PID控制器，并將這種控制器用于超臨界機組過熱汽溫的控制。仿真結果表應所選的系統運行狀態量，輸出節點分別對應PID控制器的三個可調參數Kp、Ki 、Kd。