北方冬季供暖耗能巨大,采取集中供暖方式代替分散供热可以有效提高供热效率,减少资源浪费。但与此同时,不合理的供暖计划往往无法满足用户的需求或者由于供热过多造成热能耗散。针对这种情况,本文建立预测模型来确定供热负荷。精确的负荷预测对集中供热达到供需平衡有很好的促进作用。本文采用MATLAB软件分别建立小波神经网络与支持向量机热负荷预测模型,并将吉林市某热电厂历史数据及历史天气数据作为模型的输入参数,比较不同热负荷预测模型的预测精度、预测速度与泛化能力等指标。经过影响因素的初步筛选及相关性分析,最终将室外温度、风速、太阳辐射、前一时刻热负荷及前两时刻热负荷作为预测模型的输入参数。针对传统小波神经网络随机初始参数引起的网络收敛缓慢甚至不收敛的问题,本文采用全局搜索能力强、收敛速度快的遗传算法对供热负荷预测模型网络结构及初始参数进行优化。结果表明,将优化后的小波神经网络用于集中供热负荷预测,其预测结果的准确性与稳定性显著提高。为了克服以RBF为核函数的支持向量机模型全局搜索能力较差的问题,又能够利用具有较强的局部搜索能力,随后分别使用全局搜索能力强的网格搜索算法、粒子群算法和遗传算法来优化模型。结果表明,优化后的支持向量机预测模型的预测精度和泛化能力都有所提高,其中提高最多的是遗传算法优化的支持向量机预测模型。除研究预测模型结构的变化对预测能力的影响外,本文还将输入参数数据类型的变化作为自变量,研究其对模型预测能力的影响。结果表明,相同的预测模型结构下,小时负荷数据的预测结果要比日负荷数据的预测结果更加准确。