基于PSO的SVR模型在多联机功耗预测上的应用

论文摘要

支持向量回归（SVR）模型在多联机系统功耗预测稳定性和精度上存在不足,本文引入粒子群优化（PSO）算法,对SVR预测模型的惩罚系数C和核参数γ进行最优求解,来改善模型预测性能。在制冷剂充注量为95. 75%工况下,对多联机组进行运行实验,并对实验数据进行预处理。基于PSO算法建立PSO-SVR模型,对多联机功耗进行预测,并与SVR模型的预测结果和理论公式计算结果进行对比。结果表明:SVR、PSO-SVR、理论公式计算法总体预测误差分别为1. 43%、1. 08%和1. 57%,均方根误差RMSE分别为105. 36、88. 79、91. 37 W,参数寻优结果为惩罚系数C=10 000和核参数γ=4. 275。粒子群优化算法的引入显著提高了SVR模型的预测精度和稳定性;相较于理论公式计算法,PSO-SVR精度更高,且需要测量的参数数目明显减少,在降低了测量系统复杂性同时更具经济适用性。

论文目录

• 1 PSO-SVR能耗预测模型
•   1.1 SVR模型
•   1.2 PSO算法
• 2 实验数据来源
•   2.1 多联机能耗数据采集及特征分析
•   2.2 多联机系统SVR能耗预测模型
• 3 PSO-SVR模型能耗预测结果及分析
•   3.1 PSO参数寻优结果
•   3.2 PSO-SVM模型预测结果
•     3.2.1 与SVR模型预测结果的对比
•     3.2.2 与经验公式计算结果进行对比
• 4 结论

文章来源

类型: 期刊论文

作者: 李昱瑾,陈焕新,刘江岩

关键词: 变制冷剂流量系统,运行功耗,预测模型,粒子群算法,支持向量回归

来源: 制冷学报 2019年06期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 工业通用技术及设备,自动化技术

单位: 华中科技大学中欧清洁与可再生能源学院,华中科技大学能源与动力工程学院

基金: 国家自然科学基金(51876070,51576074)资助项目~~

分类号: TB64;TP18

页码: 53-61

总页数: 9

文件大小: 400K

下载量: 233