随着我国集中供热事业的发展,热计量技术以及供热系统数字化运行逐渐应用普及,“按需供热”正成为目前国内外集中供热领域研究的焦点。热负荷作为供热系统运行调控的重要指标,其准确预测可以指导热量的生产与分配,在保证用户侧供热效果的同时,达到节能的目的。因此,如何实现热负荷的精准预测对于提高供热质量、实现节能减排具有重要意义。本文以哈尔滨市某集中供热系统为研究对象,基于各热力站历史运行数据,对影响热负荷因素进行统计分析;比较采用各类传统负荷预测方法与机器学习算法建立负荷预测模型的优劣性;此外,对热负荷预测周期进行划分,探究分期建模对模型预测精度的影响。首先,采用相关性分析、方差分析等数理统计方法,探究天气因素、建筑本体因素与供热系统因素对热力站单位面积耗热量的影响。结果显示,室外温度、太阳辐射强度、降雨雪等天气因素均在很大程度上决定了建筑所需负荷。此外,供暖建筑本身的建造年限、功能以及供热系统中所采用的设备类型、系统形式也可直接或间接影响耗热量。其次,分别采用逐步线性回归、BP神经网络、遗传算法优化BP神经网络、网格搜索优化支持向量回归几种方法建立供暖季热负荷预测模型,对预测结果进行分析,比较不同预测方法的预测精度并对其适用性进行评价。结果显示,各预测方法误差依次为:BP神经网络>逐步线性回归>遗传算法优化BP神经网络>网格搜索优化支持向量回归。最后,为进一步提高预测精度,进行模型预测周期的划分。对室外温度序列进行不同时间尺度的移动平均处理,并对处理后的室外计算温度进行聚类分析,将供暖季划分为初末期与中期两个时段。在此基础上,基于不同预测方法分别建立不同时期热负荷预测模型。结果显示,分期预测的模型精度均较之前有不同程度的提高。