供热是关系国计民生的重要基础行业和公用事业。随着供热的商品化,供热系统热负荷预测作为供热规划、生产、调度和交易等工作的基础,在供热系统安全和经济运行中起着至关重要的作用。供热负荷预测精度的高低直接影响到供热系统的供热质量、安全性和经济性。随着供热系统节能减排进程的不断推进和智慧供热的需求,使供热负荷预测越来越成为该领域研究的前沿和热点问题,其研究对节能减排、治理雾霾具有重要的意义。由于滞后性、管网的热损失、用户种类复杂程度的差异性等导致了城镇供热系统不同热量结算点热负荷具有不同的规律特点,本文将供热负荷按层级热量结算点来划分,分析各自的影响因素,引入智能算法以及相关组合理论预测技术,以城镇供热系统实测数据为基础,对各层级供热负荷预测的理论与方法进行深入研究,为供热系统运行管理提供较为科学的决策依据。主要研究工作和创新成果如下:(1)对不同层级热量结算点热负荷的特点、影响热负荷的因素及导致热负荷预测误差的相关因素进行了分析;针对历史数据样本的离群数据进行纵向和横向预处理,使其能够更加与热负荷实际运行趋势一致,进而为后期利用这些历史数据样本进行各级热量结算点短期热负荷预测奠定了基础;将相关性分析应用在各层级热量结算点热负荷预测模型输入维数的选择上,使得输入变量与各层级预测热负荷相关性更强,为提高预测结果的准确性和改善预测性能做好进一步的准备;此外,对进入模型的各参数进行归一化处理,避免进入模型的各参数因数值差异大而导致预测性能下降。(2)基于结构风险最小化原则,提出粒子群(pso)优化支持向量机(svm)模型热源热负荷预测方法。该方法对解决系统大热惯性、大时滞性导致热源热负荷随室外温度变化的非线性问题有较好的效果。建立了遗传(ga)优化支持向量机(svm)、标准支持向量机(svm)及粒子群(pso)优化支持向量机(svm)热源热负荷三种预测模型,通过相关性分析并确定预测模型输入变量的维数,证明了粒子群(pso)优化支持向量机(svm)模型在预测精度和泛化能力方面均优于其他两种预测模型。(3)针对一般热交换站用户类型较单一、样本容量大的问题,提出基于adaboost组合多个弱预测器构建出一个强预测器的热交换站热负荷预测方法。弱预测器采用处理大样本、容错能力强的bp神经网络模型,其网络阈值和权值的优化选用经过筛选出的粒子群算法(pso)。利用adaboost理论对9个粒子群(pso)优化bp神经网络预测进行组合构建出一个强预测模型。针对热交换站热负荷及其相关参数历史数据样本进行相关性分析,筛选出与热负荷最相关的影响因素作为预测模型的输入变量维数,最后通过与粒子群(pso)优化bp神经网络方法和未经优化的传统bp神经网络方法进行实验比较,证明本文提出的预测模型有效提高了热交换站热负荷的预测精度和泛化能力。(4)针对建筑热负荷样本数量少及热计量引起的用户调节规律不确定问题,提出两种组合预测方法。将解决小样本非线性问题的粒子群(PSO)优化支持向量机(SVM)模型和容错能力强的粒子群(PSO)优化BP神经网络模型作为组合方法中单一预测模型,基于信息熵理论提取单一预测模型中的有用信息,将提取的有用信息进行融合产生出更强预测能力的组合方法;在基于Adaboost组合粒子群(PSO)优化BP神经网络模型思想上,激发了将处理小样本和非线性问题的支持向量机(SVM)模型作为弱预测器,结合Adaboost理论构建出由8个弱预测器组成的建筑热负荷强预测模型。对建筑热负荷及其相关参数进行相关性分析,找出适合各自预测模型的输入变量,通过实例验证,以上两种组合预测方法均较单一预测模型有较高的预测精度,其中基于信息熵权组合方法更胜一筹,能更好地对住宅建筑热负荷进行预测。