一个国家的能源结构制约着该国的能源消耗形势，我国的煤资源十分丰富，这就造成了我国电厂以火电为主，锅炉直接为工业生产和人民生活提供所需热能、电能，它是一种有着多输入和多输出的复杂热工系统，是工业生产领域不可或缺的。锅炉燃烧是一个十分复杂的过程，受很多变量的影响，且有非线性、大延迟、强耦合等特性。又由于受使用时间、机器磨损程度、煤种等原因的影响，锅炉出厂时的参数配置已经不能满足对于控制的要求，因此应用神经网络利用电厂运行数据建立锅炉实际模型是一种很好的方法，本文以单输入单输出的系统为研究对象进行建模试验。对于传统的通过大量试验确定隐含层神经元个数的方法，影响了工程效率的缺点，决定使用减聚类算法来确定其数目，对于RBF神经网络传统训练方法收敛速度慢、易陷入局部最小值等缺点，采用粒子群算法对网络权值、基函数中心等进行优化，最后将该建模方法扩展到多输入多输出系统领域。利用相关数据对建立的模型进行验证，用模型的输出与实际输出相比较，结果表明改进方法所建立的模型更加接近锅炉的实际模型，且在多输入多输出领域的建模效果也十分理想，改进的建模方法是成功的。针对电厂原有的DCS系统老化、控制精度差、故障频繁等问题，应用西门子PCS7系统对原有系统进行改进，利用WINCC创建了组态界面。在界面上可以对机组运行数据进行实时监测，并按照负荷要求对相关参数进行调节，可以使锅炉更加安全、稳定的运行。