目前,建筑采暖空调系统的运行普遍存在着效率低下等问题,粗犷式的调节已不能满足建筑节能的需求。短期负荷预测是系统优化运行的基础,目前短期负荷预测算法众多,同时也在不断演变,不同算法的性能和特点差异较大,因此有必要多角度多方位的进行短期负荷预测算法的比较。本研究以北京市某大型公共建筑为研究对象,建立符合实际建筑的模型,使用De ST进行负荷模拟,得到完备的负荷数据,并使用该数据进行了随机森林、支持向量机、神经网络、XGBoost四种算法,涵盖数据预处理、算法适用性、算法调参等多方面的对比。本研究旨在给出各算法的特点和适用工况。本文首先说明了算法选择依据、数据来源和训练、调参步骤,确定了评价各算法的方法。之后对比了各个算法的数据预处理,给出了适合于各算法的数据规范化方式,提出了适合于各个算法的输入维度组合。可以得出神经网络对于输入数据维度需求较高,SVM与之相反,XGBoost预测性能最好,在输入维度较丰富的条件下热负荷预测拟合程度可以达到0.96。之后针对算法鲁棒性和数据集规模(时间跨度)比较了各算法的适用性。通过构造了含噪声、有缺失、有偏差的缺陷数据,比较了四种算法的鲁棒性,随机森林在四种算法中鲁棒性最强,面对数值质量缺陷时,抗性突出;与之相比神经网络对于数据质量非常敏感。在数据时间跨度的比较中,实验表明支持向量法在数据集时间跨度较小时,如一个月,性能非常优异;同时得出适合于短期负荷预测的数据集时间跨度至少为一个月,较为理想的时间跨度为两个月;对于神经网络算法而言,适合采用一年时间跨度的数据。本文针对各算法的调参进行了详尽分析,给出了适合于负荷预测领域的推荐参数搜索范围和调参方法,同时得出了各算法的调参复杂度:随机森林和XGBoost调参更为简单和快速,支持向量法次之,神经网络最为困难。最后,针对各算法的各项性能进行了总结,从输入维度、数据规模、数据质量、使用人员、使用目的、运行速度、预测精度七个角度给出了四个算法的推荐应用工况。