随居民生活质量逐步改善,人民对冬季供暖的期望逐渐从满足基本供热需求转变为追求更舒适的供暖效果,但由于我国集中供热起步较晚,其系统智能化程度相对较弱,在热量供应时常因供热不均致使能源严重浪费,故选择合适的供热负荷预测模型成为了提高供热效率和实现节能减排的首要问题。与此同时,随互联网技术的发展和科技的进步,具有较强拟合能力的机器学习方法已被证实能够较好地完成供热负荷预测,为供热企业实现智慧供热提供了有效支撑,然而我国冬季采暖地区供热周期较长,单一预测模型不一定适用于所有供热阶段,因此本文基于机器学习建立供热负荷预测模型并在供暖周期的三个供热阶段依次验证,有利于供热企业更科学地调控供热管网。本课题收集长春市某住宅区换热站2020年-2021年供暖季以日为单位的运行数据,并从中国气象数据网摘录同期的气象参数,经过对供热负荷影响因素的定性分析初步判断模型的输入参数,后采用Pearson相关系数法最终确定室外温度、供回水温度、供回水压力以及前三日供热负荷等8个变量作为模型输入量,将后七日供热负荷作为模型输出量。以MATLAB＿R2021a为平台,选用机器学习中最具潜力的BP神经网络和支持向量回归作为预测算法,考虑到两种算法参数对模型性能的影响,进一步建立基于遗传算法的BP神经网络预测模型和分别基于网格搜索、遗传算法的支持向量回归预测模型,随后分别以均方误差（MSE）、拟合系数（R~2）和平均绝对百分比误差（MAPE）作为模型的评价指标,验证模型在三个供暖阶段的预测能力。结果表明,初寒期时使用正切S型激活函数且经遗传算法优化的BP神经网络模型和使用RBF核函数的支持向量回归模型更具优势;严寒期时使用对数S型和正切S型激活函数的BP神经网络模型更加准确;末寒期时使用线性核函数和使用RBF核函数且经网格搜索优化的支持向量回归模型预测能力更好。最后通过分析供热系统调节方式决定将以上优势模型用于预测换热站供水温度,为供热企业调节供热管网提供了具体的供热参数。