在热电厂配置电极式锅炉,有助于热电机组的热电解耦,能够提高机组调峰能力和系统运行灵活性,从而可以减少风电弃风。电极式锅炉各参数变量间存在强耦合、非线性的关系,神经网络具有良好的复杂动态系统建模能力,应用日益广泛。因此,电极式锅炉的神经网络建模研究具有重要的意义。为此,本文针对15MW电极式锅炉,详细分析了电锅炉系统的结构原理及控制流程。在深入了解人工神经网络不同结构原理、学习算法与辨识结构的基础上,通过比较时延BP神经网络与时延Elman神经网络的两种结构,以及梯度下降法、Levenberg-Marquardt算法与贝叶斯正则化三种神经网络的训练算法,建立了电极式锅炉的电功率与主蒸汽压力的一阶迟延神经网络预测模型。然后,针对粒子群优化算法在神经网络阶次优化中的不足,引入重启动策略,提出了一种改进的粒子群优化算法,用其优化神经网络参数迟延阶次得出了最优电锅炉神经网络预测模型。通过比较各种扰动下的动态数据,验证了神经网络模型具有较高预测精度。最后,运用MATLAB软件使电极式锅炉与350MW单元仿真机组实时双向通讯,建立了组合模型。通过仿真实验,验证了组合模型之间存在功率守恒关系,得出了电极式锅炉的电功率可有效快速地影响单元机组的上网功率的结论。本文工作为电极式锅炉在火电厂网源侧深度调峰的协调控制提供理论基础,有利于电极式锅炉在火电厂中的工程应用。