城市集中供热系统是我国北方城市能源系统的重要组成部分,直接关系百姓民生。城市集中供热系统是一个具有强耦合、大滞后特性的复杂系统,其中热力站的调控存在调控粗放、主要依赖人工经验、调节不及时等诸多问题。针对上述问题,本文建立了一种基于机器学习算法的热力站预测性调控模型。主要研究内容如下:二级网温度延迟时间是供热系统重要的动态响应特性之一,对温度延迟时间的准确辨识和预测是热力站实现预测性调控的基础。本文首先提出了一种基于运行数据辨识二级网温度延迟时间的算法,该算法利用滑动时间窗和均值计算来检测二级网的工况变化点,在工况变化的时间窗口内通过分析供水温度与回水温度的相关性来确定二级网温度延迟时间。基于该辨识算法获取的二级网温度延迟时间,本文通过相关性分析和特征融合方法探究了影响二级网温度延迟时间的特征。为了进一步预测在未来不同工况和天气下的温度延迟时间,本文在三个数据集上分别建立了四个机器学习模型(LR,SVR,RF和XGBoost)来对二级网温度延迟时间进行预测。将该模型应用在105个实际二级网上,结果表明:二级网温度延迟辩识算法能有效辩识不同二级网的温度延迟时间;二级网温度延迟时间受工况等多因素影响,其中供热面积对二级网温度延迟时间影响最大;在二级网温度延迟的预测模型中,XGBoost模型具有良好的信息提取能力和抗噪能力,对二级网温度延迟时间预测性能最好,R~2可以达到0.8。热力站调控主要是通过改变热力站一次侧阀门开度来对二次供、回水温度进行调控。本文考虑热力站历史运行状态、阀门未来设定开度以及天气预报特征等要素,建立了基于机器学习算法的热力站温度响应预测模型。通过三种数据转换及特征构造方式进行样本构造,在不同的输入步长和预测步长下分别建立了非时序(MLP、XGBoost)和时序(LSTM)两类模型来预测二次供水温度。将该模型应用在北方某热力站上,结果表明:对比不同的模型以及不同的输入步长和预测步长,XGBoost模型表现均优于MLP和LSTM模型;将输入、预测步长均为24步的XGBoost模型作为热力站温度响应预测模型,该模型的均方误差为0.141℃,具有较高的预测精度,可用于指导热力站的温度调控。通过热力站温度响应预测模型确定的阀门调控策略,结合辨识或预测出来的二级网温度延迟时间进而形成热力站预测性调控模型。将该模型在北方某实际热力站进行应用示例,结果表明:该热力站在当天工况下的二级网温度延迟辨识结果为25分钟;模型可以对未来一天的二次供水温度进行有效预测,模型最大预测误差为0.47℃,平均误差为0.17℃。基于该模型确定的热力站阀门调控策略,结合二级网温度延迟时间,可以实现对热力站预测性调控,提高热力站调控精度,降低对人工经验依赖。对于小部分在训练样本空间外的极端工况,模型的预测能力可能会受限。