目前建筑的运行能耗约为全社会商品用能的三分之一,是节能潜力最大的用能领域,也是节能工作的重点,北方城镇冬季集中供热占建筑能耗的21%,且目前管理粗放,难以满足按需供热的要求,集中供热工程势必将向着精细化的方向发展,这也对短期负荷预测的精度提出更高的要求。本文在对热负荷的影响因素及特点进行分析的基础上,结合各影响因素的重要性和可获得性确定了负荷预测模型的输入变量及预处理方法。以承德市某供热系统作为案例,利用BP神经网络建立热负荷预测模型,并应用了多种改进学习算法进行对比,引入天牛须算法对BP神经网络进行初始权值优化,并与粒子群算法优化效果进行比较。进而使用较优的粒子群算法分析历史干扰对热负荷预测模型的影响。文章得出了以下结论:（1）用天气状况和太阳高度角代替太阳辐射强度,做为负荷预测模型的输入变量,可解决工程应用中太阳辐射强度实时数据不易获取的问题。（2）以运算时间、建模稳定性以及建模精度为评价指标,对标准BP神经网络以及四种进化算法（有动量梯度下降法、自适应法、动量自适应法以及L-M法）建立热负荷预测模型的能力进行比较,通过对比,动量自适应法建模稳定性较好,时间较短,精度也较高,是较适合热负荷预测的改进学习算法。（3）首次使用天牛须算法对动量自适应BP神经网络进行初始权值优化,确认可以提高计算精度,并对模型的稳定性有一定增强。进一步与粒子群算法进行比较,结果表明二者计算精度相仿,粒子群算法稳定性要略优于天牛须算法。（4）基于建筑及供热管网的滞后效应,对预测模型的输入参数进行优化,使用粒子群算法优化的动量自适应BP神经网络建立模型,结果表明,考虑滞后效应的热负荷预测模型预测能力有所提高。