目前我国资源利用率较低,能源消耗持续上涨,在油田集输系统中,联合站作为最重要的生产处理单元,对联合站进行节能降耗已迫在眉睫,而实现联合站节能降耗的基础是分析联合站内能耗情况,从而对联合站进行优化,达到节能降耗的目的。因此,在“数字化”油田发展的背景下,有必要开展基于机器学习的联合站能耗预测及优化研究,本文以大庆油田某联合站生产运行监测数据作为支撑,对实际监测数据进行预处理,并分析联合站能耗特征及能耗与各参数的相关性,在此基础上,将机器学习运用到联合站能耗预测中,建立基于支持向量机算法、随机森林算法、XGBoost算法、BP神经网络算法的四种能耗预测模型,并采用遗传算法和粒子群算法对联合站能耗进行优化。本文首先提出机器学习理念与相关算法,并对联合站生产运行监测数据进行清洗。通过箱型图识别异常数据,基于Anaconda平台中的jupyter,采用Python语言编程,运用拉格朗日插值法对缺失数据进行重构。经校验,该方法能够准确且合理的完成对联合站监测的异常数据修复,为后续预测模型的建立提供基本保障。对大庆油田某联合站的工艺流程进行分析,选取吨液综合能耗、吨液气耗、吨液电耗、热能利用率以及电能利用率作为联合站能耗指标,以此分析联合站能耗运行特征。结果表明,该联合站在夏季时热能利用率以及电能利用率均达到最高,冬季时吨液综合能耗、吨液气耗、吨液电耗最大。并基于Python语言,运用Pearson（皮尔逊）相关系数法分析联合站能耗与处理液量、来液进站温度等基本参数的相关性。在此基础上,基于机器学习理论建立支持向量机算法、随机森林算法、XGBoost算法、BP神经网络算法的四种能耗预测模型,并分别对四季和全年的吨液综合能耗、吨液气耗、吨液电耗、热能利用率以及电能利用率进行预测。结果表明,四种预测模型的预测值与能耗的真实值拟合度较高,均达到置信水平。根据精度不同,不同指标采用不同预测模型,吨液综合能耗、热能利用率、电能利用率采用基于BP神经网络算法的预测模型,吨液气耗、吨液电耗采用基于随机森林算法的预测模型。选取每种指标拟合度最高的预测模型进行MSE、RMSE、MAPE分析,四种模型的误差均较小,该研究对联合站能耗预测有一定的指导作用。最后结合联合站能耗预测模型的理论基础,利用粒子群算法以及遗传算法分别对联合站能耗进行优化,其中,粒子群算法的优化效果更好,优化后的联合站能耗以及运行费用明显降低。本文研究内容对于联合站吨液综合能耗、吨液气耗、吨液电耗等能耗的预测及优化研究提供理论指导作用,为联合站节能降耗、绿色运行提供技术支持,进一步为推动“数字化”油田的快速发展提供理论基础。