集中供热系统是我国北方基础民生工程,长期以来因为能源消耗高以及和冬季雾霾问题紧密联系而备受重视。同时,在我国社会经济飞速发展的今天,人们生活品质的提高也对集中供暖事业提出更高的要求。新时期集中供热的研究焦点主要在节能减排和满足用户需求两方面,这对集中供热的精准负荷预测提出了要求。换热站是集中供热系统的重要组成部分,在实际的供热系统运行控制中,基于历史运行数据对换热站进行短期热负荷预测具有重要的作用。本文以换热站的短期热负荷预测为对象,针对热负荷预测具有时变、时滞、不确定和强耦合的难点,提出基于改进遗传算法结合LSTM神经网络的热负荷预测模型,获得相对理想的热负荷预测值。本文的主要内容如下,首先,全面分析热负荷的影响因素。对各种影响因素和热负荷之间的关系进行研究,并通过相关性分析和显著性检验确定其内在联系,使得后续的建模输入特征选取有了判断依据。第二,构建基于LSTM神经网络的短期热负荷预测模型。考虑到长短期记忆神经网络在时序预测问题上的突出表现,以日期类型、天气特征和热负荷序列为输入,以短期热负荷预测值为输出,构建了基于长短期记忆神经网络的换热站短期热负荷预测模型,并与研究领域内常用的建模算法,如小波神经网络(WNN)、GA-BP、支持向量机(SVR)等进行对比分析,实验结果显示基于LSTM热负荷预测模型具有良好的性能。第三,实现基于改进遗传算法的短期热负荷预测模型优化。考虑到LSTM神经网络建模过程中,模型超参数的选择通常取决于研究人员的经验,或者是大量的实验结果,训练模型性能得不到保障且不稳定,因此采取智能优化方法相结合的方法来辅助LSTM建模,以达到更好的模型性能。论文对遗传算法(genetic algorithm,GA)进行了大量的数据实验,提出一种动态辅助个体有向交叉(Dynamic assisted individual oriented crossover,DAIOX)算子,并证明该改进遗传算法具有较好的优化性能,进一步将基于动态辅助个体有向交叉算子的遗传算法与LSTM网络相结合,构建了性能良好的热负荷预测模型。最后,开发基于.Net的热负荷预测可视化平台。通过.Net平台完成热负荷预测可视化平台的开发,使课题研究的预测方法具备现实意义。