我国北方城镇冬季供暖所需的供热能耗在社会能源消耗中占的比重很大,随着国家对节约能源的日益重视,大部分地区都采用了集中供热的供暖方式。但是由于集中供热系统覆盖区域广阔,控制和调节十分困难,因此在供热系统运行调节过程中对热用户的实际供热量进行预测显得十分重要。为了能够更加准确的对集中供热系统进行热负荷预测,本文对热负荷的影响因素进行了相关性分析,在确定预测模型的输入变量和评价标准的基础上,将神经网络和支持向量机用于热负荷预测,建立了各自不同的优化改进模型,并在热负荷预测方面的表现做具体的研究。对于神经网络算法,本文建立了BP神经网络预测模型,然后用小波分析理论对模型进行了改进并建立了小波神经网络预测模型;对于支持向量机算法,本文建立了支持向量机回归预测模型,采用粒子群算法对支持向量机预测模型进行参数寻优,并由此建立基于粒子群支持向量机预测模型。为了对支持向量机学习能力进一步提高,故本文采用了动态多种群粒子群优化支持向量机算法,并由此建立了基于动态多种群粒子群支持向量机热负荷预测模型。通过对各种算法的集中供热热负荷预测模型的分析和计算结果表明:支持向量机算法比神经网络在处理与供热负荷有关的较多影响因素的高维数学问题方面更为先进;动态多种群粒子群算法在参数寻优中的搜索能力明显要优与粒子群算法;优化后的预测模型的预测精度要高于原始预测模型;使用支持向量机及其优化算法建立的集中供热系统热负荷预测模型的预测效果整体优于使用神经网络及其优化算法建立的预测模型。在基于供热的实测数据的基础上,通过分析、对比各个模型,并综合评价因素,本文采用的基于动态多种群粒子群支持向量机热负荷预测模型稳定性好,预测精度高,能够精确有效的为供暖企业科学生产提供有效的参考,为热源分配、调度提供必要依据。