热负荷预测是供热系统安全经济运行的前提，随着供热系统的市场化，高质量的热负荷预测越来越显得重要和迫切。神经网络方法在负荷预测中己经被公认为较有效的方法，本文针对神经网络用于供热系统热负荷预测的几个方面展开研究工作： 第一，本文首先对预测技术、人工神经网络及其在供热系统中应用进行了一些理论基础的介绍和探讨，重点介绍了BP网络和RBF网络在负荷预测方面的一些知识及实际应用中的改进。 第二，供热系统热负荷是一个随机非平稳过程，其负荷观测值由于受到各种因素的影响，可能会存在某些“坏数据”或“不良数据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。本文利用统计学的方法，求出某段时间内负荷序列中的均值与方差，并与阈值相比较，从而除去“不良数据’，为准确有效地进行负荷预测提供了保证。 第三，通过对历史负荷数据规律性的分析，得出负荷以日为周期规律变化的结论。在神经网络输入节点的选择方面，由于影响负荷预测的因素较多，既由负荷本身的历史表现决定，还要受到众多非负荷因素的影响，非负荷因素中又以气象因素权重最大，因此除了引入相关历史负荷作训练样本外，还考虑了温度、天气因素、供热系统的压力和流量对负荷变化的影响，提高了负荷预测的精度。 第四，针对常用BP算法预测速度慢、易陷入局部最优解的缺点，提出了基于RBF网络和BP网络的级联神经网络预测方法。把天气因素和历史负荷对负荷预测值的影响分开考虑，其中RBF子网络用于描述历史负荷的影响，BP子网络则对在RBF子网络中难以考虑的天气因素给出了较好的映射关系，最终将两个子网络组合为一个级联神经网络。 第五，利用MATLAB仿真程序对所建立的级联神经网络负荷预测模型进行验证，一系列的研究算例证明该方法是适用的、可行的。