随着供热规模的逐步扩大,集中供热系统在供热过程中经常出现温度调节时间过长,供大于求或供不应求的情况,导致系统运行费用升高。因此,实现按需供热,为集中供热系统的稳定运行提供技术支持成为了业内亟待解决的重要问题。随着负荷预测技术的进步和深度学习方法的不断更新,越来越多的预测方法被提出。可靠的热负荷预测也成为了供热领域的研究重点,如何有效地提取热负荷数据的深层特征是热负荷预测的重要问题。本文对热负荷预测进行了深入的研究。以河北省某集中供热系统为依托,遵循循序渐进的研究思路,从热负荷数据的特征提取和预测算法的优化两个方面进行研究,为集中供热系统的稳定运行提供可靠的理论指导。论文的主要研究工作如下:（1）提出了基于时间特征融合的LSTM预测模型。该模型主要从两个方面进行了改进。第一,分析热负荷数据,提取了数据间的邻近性,周期性以及趋势性特征;第二,结合集成学习的思想,采用LSTM网络分别对邻近性,周期性以及趋势性数据进行预测,然后将三个预测结果结合外部特征通过LSTM网络进行融合,从而得到最终的预测结果。其中,融合时的外部特征为预测时刻的室外温度,构建预测模型的LSTM网络由一层LSTM和一层RNN组成。通过以上两点的改进,提高了模型的预测精度。针对实验数据不充足的情况,该模型提供了一种有效的解决方案。（2）提出了基于时空结合的遗传算法和注意力机制优化的LSTM预测模型。该模型在基于时间特征融合的LSTM预测模型的基础上提出,并且从三个方面进行了改进。第一,为充分考虑影响因素,提高模型的预测精度,引入了邻近换热站的数据作为目标换热站的空间特征;第二,由于输入序列长度的增加,误差会在LSTM网络中逐渐累积,导致LSTM不能恰当的处理较长期的时间序列数据,因此,使用注意力机制改进LSTM网络,提高模型对信息的敏感度,实现对特征的选择性关注;第三,使用遗传算法对注意力机制优化的LSTM网络的参数进行选择,从而降低参数的随机选择对模型产生的影响。其中,该模型中LSTM网络的结构与基于时间特征融合的LSTM预测模型中的LSTM网络结构相同。通过以上三点的改进,模型的预测精度得到了进一步的提升。当实验数据充足时,该模型提供了一种更完善的预测方法。