目前集中供热系统大多按经验供热,并未实现“按需供热”的生产模式。在热源处进行短期热负荷预测是供热企业实现“按需供热”的前提。热负荷预测源于历史数据与既往经验,供热现场的运行数据虽被存储在工业信息平台中,但目前并未得到有效的挖掘利用。利用单一预测方法建立热负荷预测模型很难达到满意的预测精度,组合预测可充分利用单一方法的优势,达到更高的预测精度。故本文针对热源采用组合预测进行短期热负荷研究,为实现智慧供热进行了积极有益的探索。首先,从影响因素筛选、数据清理以及相似日选择三个方面有效处理数据。由于热负荷受诸多因素影响,数据繁杂,故采用随机森林(RF)筛选出影响程度高的因素作为预测模型的输入变量。为了保证数据的可靠性,利用K均值聚类方法辨识异常数据,将缺失值按不同缺失规则分别采用平均值、拉格朗日以及支持向量回归(SVR)进行填补。采用模糊C均值聚类(FCM)考虑气象及日期因素进行相似日选择,实验结果表明,经过相似日选择后的极限学习机(ELM)和SVR预测模型的精度有所提高。其次,在数据处理的基础上,提出基于BP神经网络的短期供热负荷组合预测方法。利用BP网络自学习调节权重将解决小样本非线性问题的SVR与容错性强、运算简单的极限学习机(ELM)进行非线性组合。由于SVR的预测精度依赖于内部参数,采用粒子群算法(PSO)寻找SVR模型的最优参数。实验结果表明,组合预测模型可综合单一模型的优势。基于BP神经网络组合模型的平均绝对百分比误差为1.98%,比PSO-SVR预测精度提高了 19.5%,比ELM模型预测精度提高了 19.8%,比基于信息熵等线性组合模型预测精度提高了 18.5%。最后,基于BP神经网络组合预测方法能够满足供热企业需求,为供热生产管理和调度提供指导意见,达到更加科学化与精细化的供热管理。