集中供热系统作为我国北方城市冬季供暖主要的基础设施,消耗着大量能源的同时也对环境造成了污染,实现其节能运行具有重要意义。当前我国的供热形式仍是粗放式的,难以实现按需供热的要求,造成了能源浪费的同时也降低了热用户的体验,精准的供热负荷预测是实现集中供热系统节能运行的一个重要途径。本文以北京地区某集中供热系统居住型热力站为研究对象,基于BP神经网络进行了供热负荷预测的研究。从影响因素、神经网络结构和划分供暖周期多方面比较和分析了供热负荷预测模型的效果。并针对BP神经网络初始权值设置的不足之处,采用了粒子群算法优化BP神经网络进一步提高供热负荷预测准确度。热力站供热负荷受天气、系统和随机因素等多因素影响。输入神经网络模型的因素过多只会增加模型的复杂性,本文采用了相关性分析的方法,计算了各因素与供热负荷的皮尔逊相关系数。结果显示室外温度、建筑热惰性和大气压力对供热负荷的影响较大,初步作为引入模型的特征。在拥有良好非线性映射能力的同时,BP神经网络还有泛化能力强、容错率高等优点,因此十分适用于供热负荷的预测。在BP神经网络预测的基础上,首先分析了输入特征的影响,建立输入特征不同的模型;之后建立了双隐含神经网络模型与单隐含层神经网络模型做对比;最后将供暖周划分为初末期和中期建立神经网络模型进行仿真实验,分析预测结果,通过比较预测结果的评价指标平均绝对百分比误差、平均绝对误差和均方根误差,准确度最高的模型平均绝对百分比误差为3.25%。为进一步提高准确度,采用了粒子群算法（PSO）对BP神经网络进行优化。粒子群算法具有强大的寻优能力,可以找到BP神经网络最佳的初始权值和阈值。本文建立了PSO-BP神经网络对热力站供热负荷进行了预测。预测结果表明,PSO-BP神经网络可以使预测准确度进一步提高,两个模型的平均绝对百分比误差相对于标准BP神经网络分别下降了0.17%和0.24%。基于BP神经网络的热力站供热负荷预测可以达到较高的准确度,满足实际应用要求,验证了神经网络预测方法的可行性,可以指导热力站的经济运行,为供热负荷的精准预测提供了参考,具有实际应用意义。