集中供热是一项关乎社会民生的基础事业,近年来,随着经济技术发展和绿色低碳政策的提出,在我国北方地区得到了迅猛的发展。然而配套的运营管理与控制技术发展较为缓慢,导致出现了热源与用户间供需不匹配、用户热舒适性较差以及系统能源利用率低的诸多问题。智慧供热是实现热源处按需供热,改善用户热舒适性和提高系统能效的必由之路。热负荷预测是实现智慧供热的基本要求,换热站处于集中供热系统的中枢环节,其热负荷预测的准确性直接影响到用户热舒适性和热源供热量的精准实现。本文针对换热站热负荷预测模型及其影响因素进行研究,主要内容包括:（1）比较分析了神经网络的几种预测模型的原理和特点,提出用卷积神经网络构建换热站热负荷预测模型。利用多隐含层对原始输入变量进行非线性变换,凭借其权值共享和局部连接的特点,有效解决了浅层神经网络易陷入局部极小值的问题。利用贝叶斯优化卷积预测模型中的超参数,确定最佳超参数组合的卷积神经网络预测模型,进一步提高了模型的预测精度和泛化能力。（2）考虑到影响热负荷众多因素中缺乏反映用户自主调节因素,不足以反映热负荷的变化规律,以河北省邯郸市某住宅小区供热系统为例,利用MATLAB/Simulink中的仿真组件构建了该供热系统模型,模拟了用户积极调节室内温度后换热站供热系统运行情况,为换热站热负荷预测研究提供了多维度的影响因素。（3）将影响热负荷的因素划分为三个维度:气象因素（室外温度）、供热系统因素（一次网循环水流量、二次网循环水流量、二次网供水温度、二次网回水温度、前三天热负荷值、前两天热负荷值、前一天热负荷值）和随机因素（建筑使用强度）。对九个影响因素进行相关性分析,结果表明所有影响因素均与热负荷之间有明显的关联。为降低影响因素间的信息重叠,选用主成分分析法得到新变量,可以有效降低原始数据耦合性并尽可能减少信息损失,为热负荷预测模型的准确性提供基础保障。（4）将处理好的数据集作为预测模型的输入变量,利用提出的贝叶斯优化卷积神经网络预测模型对换热站热负荷进行预测,通过与未优化的卷积神经网络预测模型进行对比分析,从预测精度、泛化能力等方面证实了本文提出预测模型的优势;并与反向神经网络、径向基神经网络和长短期记忆神经网络预测模型的结果进行对比分析,进一步论证了本文所提预测模型预测精度更高;最后利用此模型对不同时间步长的热负荷进行预测,展示了该模型的普适性,为供热系统节能、提高用户热舒适性和智慧供热的实现提供基础依据。