随着自控技术和通讯技术的快速发展,将大数据分析应用于供热领域已成为一种趋势。供暖系统的多种异常工况会导致室温不达标现象,因此对于异常工况的诊断方法研究至关重要。由于实际供暖系统中用户异常工况的数据获取难度较大,因此利用TRNSYS仿真模型获取数据,然后基于机器学习算法进行供暖热用户数据分类诊断。首先,以实际建筑物供暖系统为基础,利用Sketch Up软件建立了建筑物的物理模型,在TRNbuild中输入相关属性参数,并在Simulation Studio中调用所需模块,构建了室内供暖系统的仿真模型,该模型可以对各用户分别进行工况调节。然后采用2019-2020年采暖季的实测参数对模型进行验证,验证结果中室温值的最大误差为1.39℃,标准差最大值为0.65℃,楼栋日耗热量相对误差最大值为4.57%,满足模型验证标准。因此,该模型可以用于后续仿真模拟和多工况数据集的构建。其次,基于校核验证后的模型分别对热用户正常、开窗、管道堵塞和执行机构故障四种工况进行仿真,分析了不同工况下热用户室内温度和回水温度变化规律和数据特征。分析结果表明:可以利用室内外温差、与相邻用户的室内温度和回水温度差值构建异常工况分类诊断样本数据集。此外,通过向正常数据中添加测量粗大误差数据,丰富样本集中的数据类型,为后续诊断方法的研究奠定基础。最后,基于仿真模拟获得的数据集,选择支持向量机算法（SVM）作为分类诊断的核心算法,经过样本数据的特征选择、数据预处理、多分类问题实现方式和核函数种类的选择,建立了基于支持向量机的热用户工况分类诊断模型,在默认参数设置下,模型平均准确率为89.61%。为了进一步提高模型准确率,本文分别采用粒子群算法和网格搜索法对支持向量机的惩罚参数C和核参数gamma进行了优化,得到的最优参数组合分别为[C=3.5414,gamma=139.3715]、[C=2.4235,gamma=130.4939],平均分类准确率分别为96.95%、96.64%,相比于未进行参数优化时准确率分别提高了7.34%、7.03%,结果非常接近,但是优化过程消耗时间分别为32.5小时、3.2小时。综合考虑两种优化方法的运算效率和对应模型的准确率,粒子群算法参数寻优的效果更佳。