为适应区域电网对机组负荷的需求，超临界机组经常处于深度变负荷工况运行，其非线性、大时滞、多参数、强耦合等特点，使机组的控制品质变差，往往不能同时满足机组负荷与主蒸汽压力的控制要求。因此，从电网安全稳定及机组安全经济运行角度考虑，运用先进的智能控制策略提高机组的协调控制品质，具有重要的意义。本文在分析超临界机组运行特性的基础上，研究了一种基于神经网络建模和粒子群优化(PSO)算法的模型预测优化控制(MPOC)方法，并应用于超临界机组协调控制。论文采用以BP网络为基础的非线性自回归滑动平均(NARMA)模型，建立具有较高精度的超临界机组负荷、主汽压力特性的预测模型，并利用大量的静、动态变负荷数据完成模型的训练；采用一种新型的高效简化粒子群优化算法(sPSO)，可极大地提高算法寻优过程的收敛速度和精度；采用一种基于负荷、主汽压力误差实时反馈和负荷指令前馈结合的弹性搜索空间动态调整方法，可有效避免PSO寻优过程的振荡,提高控制精度。以某600MW超临界机组为对象，基于MATLAB平台编写协调预测优化控制算法，并与火电机组全范围仿真系统双向实时通讯，开展详细的控制仿真实验。结果表明：MPOC方法可大大提高机组对负荷指令的响应速度和精度，且满足主汽压力等参数的控制要求，具有较好的工程实用性。