过热汽温是大型燃煤机组的重要控制参数,过高、过低都会对机组的安全经济运行构成威胁。一般要求过热汽温维持在与额定值偏差-5℃-+5。C范围。随着锅炉机组向超临界、超超临界大容量发展,过热汽温系统的非线性、大迟延、大惯性等特征变得越来越明显,控制难度也越来越大。喷水减温是过热汽温控制的常见手段,广泛采用串级PID控制系统。为了适应工况大幅波动下汽温特性的变化,各PID控制器参数需根据负荷不同进行优化,但PID参数优化整定耗时耗力,实际运行中不易实现,经常导致汽温控制效果不够理想。因此,采用神经网络和先进优化算法的智能控制技术来改善汽温控制效果,是汽温控制的重要研究方向。本文主要研究了基于神经网络和粒子群优化算法的过热汽温预测优化控制方法。针对该方法在实际应用中存在的神经网络预测模型精度和变工况适应性有待提高的问题,以及粒子群算法随机搜索容易导致控制器振荡和优化搜索耗时长无法满足实时控制要求等问题,提出了相应的改进方案。分别采用BP神经网络和Elman网络两种模型实现过热汽温特性建模,对两种建模方法进行比较分析；同时采用新型的简化高效粒子群算法搜索最优控制指令,提高收敛速度,满足实时性要求；根据实际汽温与设定值的误差,动态调整PSO搜索空间以避免控制器振荡,提高控制精度和稳定性。以600MW超临界机组为实验对象,基于MATLAB平台编写实时控制算法,借助全范围仿真系统进行详细的控制仿真实验,并与原机组串级PID控制效果进行对比。结果表明：本文提出的预测优化控制方法,可极大改善超临界锅炉过热汽温控制品质,展示了良好的工程应用前景。