Accurate heat load forecasting is crucial to achieving feed-forward control and on-demand heat supply in the district heating system (DHS). However, accurate forecasting is difficult to achieve effective energy-saving because experimental data are often not optimal or the most energy-efficient. In this study, a hybrid heat load forecasting model with energy-saving consideration is proposed, which consists of similar sample selection approach, short-term forecasting model pool and deep reinforcement learning ensemble strategy. In similar sample selection module, a novel weighted Euclidean norm (EN) is used to select suitable similar samples set for the training samples set. In model pool module, six popular deterministic prediction models are constructed. For energy-saving consideration, the average of minimum and actual heat load is selected as the training target in the training samples set and similar samples set. In ensemble module, deep deterministic policy gradient (DDPG) is used to integrate the prediction results of the base predictors. In the case study, real data from a heat exchange station in Tianjin are used to perform the prediction of heat load 24 h, 72 h and 168 h, respectively. Experimental results show that: (a) The proposed hybrid model is able to capture the change of heat load. The average root mean square error for different prediction periods are 0.0825 MW, 0.1007 MW and 0.1152 MW, respectively; (b) The proposed hybrid model can reduce energy consumption. The energy-saving rate for different periods are 5.33%, 5.31% and 5.07%, respectively.

准确的热负荷预测对于在区域供热系统 (DHS) 中实现前馈控制和按需供热至关重要。然而，准确的预测很难实现有效的节能，因为实验数据往往不是最优的或最节能的。本研究提出了一种考虑节能的混合热负荷预测模型，该模型由相似样本选择方法、短期预测模型池和深度强化学习集成策略组成。在相似样本选择模块中，使用一种新颖的加权欧几里得范数（EN）为训练样本集选择合适的相似样本集。在模型池模块中，构建了六种流行的确定性预测模型。出于节能考虑，在训练样本集和相似样本集中选取最小和实际热负荷的平均值作为训练目标。在集成模块中，使用深度确定性策略梯度（DDPG）来整合基本预测器的预测结果。在案例研究中，天津某换热站的真实数据分别用于预测 24 h、72 h 和 168 h 的热负荷。实验结果表明：（a）所提出的混合模型能够捕捉热负荷的变化。不同预测周期的平均均方根误差分别为0.0825 MW、0.1007 MW和0.1152 MW；(b) 提出的混合模型可以降低能耗。不同时期的节能率分别为5.33%、5.31%和5.07%。在集成模块中，使用深度确定性策略梯度（DDPG）来整合基本预测器的预测结果。在案例研究中，天津某换热站的真实数据分别用于预测 24 h、72 h 和 168 h 的热负荷。实验结果表明：（a）所提出的混合模型能够捕捉热负荷的变化。不同预测周期的平均均方根误差分别为0.0825 MW、0.1007 MW和0.1152 MW；(b) 提出的混合模型可以降低能耗。不同时期的节能率分别为5.33%、5.31%和5.07%。在集成模块中，使用深度确定性策略梯度（DDPG）来整合基本预测器的预测结果。在案例研究中，天津某换热站的真实数据分别用于预测 24 h、72 h 和 168 h 的热负荷。实验结果表明：（a）所提出的混合模型能够捕捉热负荷的变化。不同预测周期的平均均方根误差分别为0.0825 MW、0.1007 MW和0.1152 MW；(b) 提出的混合模型可以降低能耗。不同时期的节能率分别为5.33%、5.31%和5.07%。天津某换热站的真实数据分别用于24 h、72 h和168 h热负荷预测。实验结果表明：（a）所提出的混合模型能够捕捉热负荷的变化。不同预测周期的平均均方根误差分别为0.0825 MW、0.1007 MW和0.1152 MW；(b) 提出的混合模型可以降低能耗。不同时期的节能率分别为5.33%、5.31%和5.07%。天津某换热站的真实数据分别用于24 h、72 h和168 h热负荷预测。实验结果表明：（a）所提出的混合模型能够捕捉热负荷的变化。不同预测周期的平均均方根误差分别为0.0825 MW、0.1007 MW和0.1152 MW；(b) 提出的混合模型可以降低能耗。不同时期的节能率分别为5.33%、5.31%和5.07%。(b) 提出的混合模型可以降低能耗。不同时期的节能率分别为5.33%、5.31%和5.07%。(b) 提出的混合模型可以降低能耗。不同时期的节能率分别为5.33%、5.31%和5.07%。