由于计算机技术的发达,大多数热电公司拥有了运转平稳的各种网络系统,在运营管理工作中起到了关键的作用。但由于信息系统的长时间运行,热电企业内部结构也存在着一些问题,如何合理保留工业、营销、信息处理等各运行管理系统的历史统计资料以及怎样对日积月累的海量社会历史统计资料加以科学研究,进行合理划分,才能更好地为企业经营管理提供服务成为热电企业目前正面临的棘手问题。为了解决以上问题,本文结合大数据分析技术,按照热力系统数据挖掘全过程,分析热用户的用热特点,并以某热电厂的大量历史数据为例,采用不同的预测模型,预计了未来24小时所需蒸汽量,并对各个模型的预测效果进行了比较分析,为蒸汽产量提供可靠基础,有效降低了能源浪费,为城市热网的平稳运营与生产提供了重要保障。主要的研究工作及结论如下:1、根据热电企业累积的实际历史统计资料,整合所需要的生产数据,并按照大数据处理流程,对各种数据加以处理与分析,数据集主要涉及各个热用户日消耗蒸汽总量和热电站所售出的蒸汽总量的历史时间序列数据和各种天气参数资讯。在大数据分析准备的环节,还开展了数据缺失值与异常值的统计分析、归一性分析、描述性统计分析、相关性分析等,为各个热用户蒸汽负荷预测模型的构建提供了准确、全面、统一的大数据分析集。2、在选定了评价指标的基础上,通过传统BP神经网络算法,对热电厂未来24小时总售汽量以及其中两个热用户所需蒸汽量进行了预测,分析热用户的用热习惯以及蒸汽负荷趋势。同时,根据BP神经算法的特点及预测性能评价指标,对其优缺点进行分析,并针对BP神经网络的不足之处,提出了相应的优化算法。3、针对于BP神经网络的缺点,利用小波理论对模型进行了优化,并构建了小波神经网络预测算法,再次对该热电厂用热趋势进行预测分析。此外,本文还利用了不同的优化手段,构建了MEA-BP神经网络模型和PSO-BP神经网络模型,分别对各个热系统中每日所需要的蒸汽总量进行了负荷预测。并对以上三种优化模型的预测效果进行了对比分析。4、通过对各种模型的预测结果分析可知:经过优化后的算法模型,无论是预测精度还是收敛速度上都具有明显的优势;其中MEA-BP模型的预测准确性更高,在热用户用热特性的分析研究中更加接近真实值。