基于网格搜索优化的主成分分析-支持向量机算法的冷水机组能耗预测

发布时间：2024-03-23 23:59

　　针对冷水机组能耗受多因素影响的特点,本文提出了一种基于主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)的冷水机组能耗预测模型。采用交叉验证和网格搜索法优化支持向量机(SVM),将PCA-SVM的预测结果与优化后的SVM进行比较,结果表明:优化后的SVM模型的拟合优度较未经优化的模型提升了12.88%,建模时长较未经优化的模型缩短了80%,实现了在提升预测精度的同时节省了计算资源。

【文章页数】：6 页

【部分图文】：

图1PCA-SVM算法流程

4）优化模型：利用10折交叉验证和网格搜索法得到最优的惩罚参数C、核函数参数g的取值，同时得到最优的支持向量机模型。2基于PAC-SVM离心式水冷机组能耗预测模型

图2空调水系统工作原理

图2所示为该建筑的空调水系统工作原理，整个系统以两台离心式冷水机组作为冷源。在冷冻水部分，采用复式泵系统，冷源侧一台泵对应一台冷水机组，泵的扬程用于克服冷水机组中换热器的阻力；负荷侧3台泵并联，泵的扬程用于克服空调末端换热器和管路中各个部件的阻力，负荷侧的循环泵流量随负荷变化而变....

图3相关系数绝对值分布

对变量进行相关性分析，计算除瞬时功率外其他15个变量两两之间的相关系数，相关系数绝对值分布如图3所示。图3中总共120个相关系数，绝对值落在(0,0.3]区间的数量为31，绝对值落在(0.3,0.5]区间的数量为32，绝对值落在(0.5,0.7]区间的数量为25，绝对值落在(0.....

图4SVM-A模型的能耗预测结果

SVM-A模型的能耗预测结果如图4所示，粗实线代表预测值与实际值完全吻合，细实线之间区域为90%的置信度空间。进一步分析，SVM模型预测值与实际值之间的平均绝对误差（MAE）为0.023，均方根误差（RMSE）为0.059，拟合优度（R2）为0.877，建模时长为0.15min....

本文编号：3936662