当代城市的快速发展，使集中供暖系统成为我国北方城市重点建设的系统。因为供暖系统具有非线性、多变量、大滞后的特点。并且热负荷有时变性与不确定性的特点，所以供暖系统是一个不容易控制的系统。怎样节约能源，降低损耗的同时对热网系统进行有效的控制，是供热企业面临的一个重要问题。论文首先从供热管网模型着手，由于以往根据热网机理建立的热网模型，为了简化传递函数和减少热网的计算量忽略了一些热网的相关参数，这样建立的模型和真实的热网系统存在一些差距，同时搭建的模型通用性不强，只能针对特定的热网系统。本论文使用一维流体模拟软件Flowmaster搭建可视化的集中供暖系统仿真模型，根据实际的集中供暖系统搭建具有热源、热力站、热用户三大部分的模型，其中热力站的数目是十四个，是一个比较大型的集中供暖系统。搭建的模型能够在多种模拟环境下进行仿真，其需要设置的参数种类多，能够比较贴近真实的系统。由于集中供热系统的热负荷和大气温度的不确定性，需要建立短期预测模型，作为热量分配的约束条件。本文选用基于神经网络的预测模型对各个热力站的热负荷滚动预测，该方法使用动态K均值聚类算法与递归最小二乘法（ROLS）改良RBF神经网络，用逐渐刷新历史数据的办法实现了对热力站短期热负荷预测。针对一次网的优化控制问题，设计一个热源生产最少热量的目标函数。采用粒子群优化（ParticleSwarmOptimization，PSO）算法，对目标函数寻优，分别找到各时刻总供热量然后按照各个热力站预测的热负荷变化趋势给模型分配热量。通过PSO的寻优计算，可以使供暖系统提供最少的热量满足最多的用户，达到节约能源的目的。论文通过仿真实验的方法验证了RBF神经网络对各个热力站热负荷预测值作为分配总热量的依据，然后使用PSO优化算法和Flowmaster搭建的集中供热系统仿真模型进行联合仿真。通过对比仿真后的模型数据曲线可以发现有控制算法的模型能够按照热用户的热量需求变化趋势进行供热，对实际系统节能降耗有一定的指导意义。