随着居民生活水平不断提高,人们对供暖效果的期望也从原来满足室内生活必须温度转换到追求更佳的室内热舒适性。但目前大部份供热企业还是根据经验对热负荷进行粗放调控,供热调控系统功能不完善,没有科学的、实时的供热指导来满足热用户追求的热舒适性。本文针对换热站系统进行基于热舒适需求的热负荷规划指导研究。旨在通过搭建热负荷预测模型为热负荷调控做出下一步供热量规划以及在线指导,借助信息物联网技术及机器学习算法帮助调控人员做出操作决策,实现基于室内热舒适性需求的按需供热。首先,分析热需求。基于层次化热需求理论,指出按需供热的“需”应为满足热舒适的合理热需求。目前我国北方集中供暖的评价标准为单一室内温度,但室内热环境的舒适性应为多因素耦合决定的。引入人体热舒适评价指标(PMV)及其计算方法,用其评价供热效果。同时,分析了集中供热系统特性及换热站热负荷调控对室内热舒适性的影响,确定以换热站这一距离热用户最近的调控单位为建模及调控对象。接着,搭建热负荷预测模型,给出T+1时刻规划供热量。采用随机森林算法对模型影响因素进行相关性分析。选用支持向量回归(SVR)算法对历史数据建模。考虑到惩罚因子与核函数参数对SVR算法准确性及快速性的影响,引入粒子群(PSO)算法对参数进行优化,经验证优化后的模型预测精度更高。由于集中供热过程中的实际数据并非一次性可得,样本包含的信息也可能随着时间产生变化,传统基于历史数据的离线模型在应用中存在失配现象。提出基于PSO-SVR算法的在线增量学习模型,建模过程中将新数据不断纳入到模型的训练集中进行增量学习。但数据随时间不断累积,模型训练时间随之增大,而预测精度趋于稳定,且供热过程的气象及工况变化随时间推进不可逆,继而提出基于时间窗的热负荷预测增量模型。根据训练时间与预测精度间的费效比N,选取合适的滑动时间窗。当训练集数据达到N后,在新样本进入时,时间窗后移剔除最早的历史数据,使模型既能保证预测精度又可以满足在线指导对模型训练时间的需求。最后,将增量热负荷预测模型部署到基于人—信息—物理系统(HCPS)的供热平台中,对换热站热负荷调控进行在线指导实验。证明通过负荷规划指导将换热站调控模式由“粗”转“细”,在没有末端辅助热源条件下能够提升用户热舒适性,对进一步实现基于个性化热舒适需求的用户终端自调节也有一定的借鉴和研究意义。同时搭建供热物联网平台,使供热系统功能更完善化、可视化,提高了供热企业的管理水平。