热负荷的精确预测是供热系统实现高效运行的前提,建筑热负荷影响因素多,热负荷的变化给实际供热系统的稳定运行带来了诸多挑战。准确、科学地判断供热负荷的趋势可以有效提高热用户的热舒适性,改善管网运行效率,减少资源浪费。本文以某高校的后勤办公楼为研究对象,分析了建筑的传热过程及热负荷特点。本文研究注重考虑热负荷与室内温度的相关性,通过De ST-c对建筑进行模拟,根据模拟结果确定室内温度测点的最佳布置房间。收集了2021～2022采暖季的供热运行参数,针对实际数据集中存在噪点的情况,采用拉依达准则和K最邻近算法对其进行处理,剔除掉粗大误差,填补了数据中的缺失值。使用随机森林模型分析各个气象因素对建筑热负荷的影响,最终确定了室外温度、湿度、太阳辐射、风速、风向是影响热负荷变化的主要影响因素。采用了GRU神经网络对建筑热负荷进行预测。考虑热负荷的特性以及天气预报的不确定性,在GRU网络的基础上设计出一种可以对下一时刻室温进行控制的多输入模型,该模型能够准确捕捉建筑热负荷的非线性关系。对模型的超参数进行合理选取。确定GRU网络的层数和神经元个数,发现预测的时间步长和模型学习率的取值对模型的精度有着比较重要的影响。使用粒子群算法对模型的时间步长和学习率进行进一步寻优,结果显示经粒子群算法优化过的GRU神经网络可以进一步提高模型预测精度,在预测精度上要好于RNN网络,在训练速度上优于LSTM神经网络。为进一步提高研究应用价值,应用爬虫、数据库等相关技术,使用python语言编写了在线预测程序。提出一个针对于GRU神经网络模型热负荷预测下末端阀门的调控策略。实现数据的自动上传和下发及热负荷的在线实时预测。研究结果对供热系统的运行调节有着重要的应用价值。