文章提出了一种深度学习的热负荷预测方法，旨在提高热负荷预测的精度。强调了国家发改委和能源局发布的《全国煤电机组改造升级方案》中对整合供热资源和推进热网互联的重视，以及智慧供热技术的发展需求。针对工业园区和特殊工况下热负荷预测的研究不足，通过MIC分析筛选出与热负荷相关的气象和经济因素，构建了特征集。采用BiLSTM和Transformer网络的理论基础，并提出了PatchTST-BiLSTM混合预测模型。通过实测数据的算例分析，验证了该方法具有高预测精度。最新的气象因素和经济因素数据，以1小时为时间分辨率进行训练、验证和测试。选用了均方根误差（RMSE)，平均绝对误差（MAE)和平均绝对误差百分比（MAPE）作为评价指标。实验结果表明，所提方法的预测精度高于传统的Transformer和PatchTST模型，以及其它几种机器学习和深度学习算法。最终得出结论，结合MIC相关性分析和PatchTSTBiLSTM深度学习技术的热负荷预测方法能更准确地计算热网负荷需求变化，提高供热效率，对于智慧供热领域具有一定的参考价值。