我国北方城镇供暖所采用的方式主要是集中供热。随着科技的进步和人们生活水平的提高,用户对供热的要求也越来越高,其需求的关注点逐渐从供暖的需求转变为追求供暖热环境的舒适度,加之节能减排政策的深入实施,因此提高供热系统能效和供热质量是人们关注的重要课题。热力站是集中供热系统不可或缺的中间环节。热力站的按需供热对满足热用户供热需求、降低热力站供热能耗具有实际应用意义,也是提升热力站供热效率的关键所在,所以热力站供热负荷预测在供热系统运行和管理中至关重要。热力站供热负荷预测结果的准确性受多种因素影响,如天气条件、用户习惯、建筑性能和其他因素耦合的复杂性。因此对热力站供热负荷预测的影响因素进行研究,具有理论和实际意义。本文研究并建立了LM-BP（Levenberg Marquardt-back propagation）神经网络热力站供热负荷预测模型。分别采用皮尔逊相关性分析和逐步回归分析两种方法研究了热力站供热负荷的影响因素,得到与热力站供热负荷具有明显相关性、显著性水平高的影响因素。采用相对误差、均方根误差和决定系数评价预测模型对热力站供热负荷预测结果的准确性和稳定性。以北京某实际供热系统热力站为研究对象,利用MATLAB平台进行了热力站热负荷预测仿真实验。结果表明:基于皮尔逊相关性分析和逐步回归分析的LM-BP神经网络预测模型对热力站供热负荷预测效果均优于不区分影响因素相关性的模型预测结果,有利于提高供热负荷预测结果的准确性。基于逐步回归分析的供热负荷预测模型的综合性能则优于基于皮尔逊相关性分析的供热负荷预测模型预模型。通过预测结果准确性的比较与分析,得到对热力站供热负荷预测准确性的关键影响因素,为热力站供热负荷预测提供依据。