短期热负荷预测是实现集中供热系统“按需供热”,解决供热不均问题,保障热用户舒适性的基础和前提。热负荷受多种因素影响,各因素与热负荷之间的关系既有线性的也有非线性的,使热负荷预测的难度加大。因此,选取合适的预测方法,建立恰当的热负荷预测模型,为操作人员提供针对性的指导显得尤为重要。本文以热负荷的自身规律及其影响因素为研究对象,主要研究内容包括以下几点:首先,对历史数据进行预处理,探究气象因素对热负荷的动态影响效果,通过各影响因素与热负荷之间的相关性分析以及采用多元逐步回归法确定输入变量,求得多元逐步回归方程。由于热负荷还受自身规律的影响,气象因素对热负荷的影响并非完全是线性的,使多元逐步回归模型在特定的时间段内能较好的反映热负荷的变化趋势,超出该时间段,模型的泛化能力变差,精确度变低。因此,在全部时间段内将热负荷与气象因素之间的关系线性化是不合适的。其次,为解决热负荷与气象因素之间的非线性问题,并提高标准粒子群算法的搜索性能,提出基于相似度权重动态调节的粒子群优化支持向量机(DPSO-SVM)的热负荷预测模型。实例验证:DPSO算法具有比PSO算法更强的搜索性能;DPSO-SVM模型能够很好地解决多元逐步回归模型特定时间段泛化能力强、超出时间段泛化能力弱的问题,相比于多元逐步回归模型,模型的精确度提高4.9%。最后,提出基于重大节假日修正的DPSO-SVM热负荷预测模型,修正后模型的精确度提高12.7%。因此,DPSO-SVM模型更适合对热负荷进行逐时预测。将DPSO-SVM预测模型应用到大连某供热企业中,逐时预测未来时刻的热负荷值,并按照热规划值进行供热。通过热用户的反馈情况表明,DPSO-SVM热负荷预测模型是可靠的,能够为操作人员提供针对性指导。因此,DPSO-SVM热负荷预测模型对供热企业具有积极的指导作用。