集中供热一直以来都是中国北方地区的主要供暖方式,具有节能、环保、经济等优点。但随着社会的进步,人们对于供暖的需求变得越来越严苛,在大多数情况下热量都不能按需供给,甚至会出现“热上加热”的情况,不仅会导致供热不均衡,还会造成资源的浪费,因此对热力站进行优化控制就显得尤为重要。本文分别利用深度学习神经网络和强化学习神经网络建立优化模型,并将两种模型结合来对供热系统进行优化调节。本文的研究方案主要包含三部分:基于TCN的热力站热负荷预测模型设计、基于LSTM的热力站供热量预测模型设计以及基于TD3的供热系统一次管网的供水流量优化控制模型设计。基于TCN的热力站热负荷预测模型设计部分首先需要对数据进行收集及预处理,本课题使用包头市热力站的供热量数据以及中国天气网中包头市的天气数据作为模型的数据集,将收集来的数据进行预处理来保证数据的有效性,然后使用预处理后的数据对热负荷进行拟合。其次,利用Tensor Flow建立TCN模型对热力站热负荷值进行预测,得到当前时刻下24小时后的热负荷预测数据。基于LSTM的热力站供热量预测模型设计部分首先对影响供热量变化的各类因素进行研究分析,得出室外温度、一次管网供水流量和一次管网供水温度对供热量影响最为突出,将热力站设为黑盒模型,只关注输入输出关系,使用Tensor Flow建立LSTM模型对热力站供热量值进行预测,得到下一时刻的供热量预测数据。基于TD3的供热系统一次管网的供水流量优化控制模型设计部分将训练完成的供热量预测模型放入Tensor Flow建立的TD3模型的环境中,TD3模型将智能体输出的动作值传输到环境体的供热量模型中,得到优化后的未来时刻供热量值,通过得到的优化后的未来时刻供热量值与热负荷预测输出的未来时刻的预测值进行计算得到奖惩值。将模型输出的供热量值和计算得到的奖惩值送入TD3模型的智能体中,在智能体里不断优化,最终得到优化后的一次管网流量值。本文将热力站热负荷预测模型、热力站供热量预测模型和一次网供水流量优化控制模型相结合后,得到优化后的一次网供水流量值。使用包头市的热力站数据进行测试,结果表明该方法可以对热力站进行优化控制,并且在能源的消耗和节约能源方面皆有重要意义。