Mit der raschen Entwicklung der künstlichen Intelligenz gewinnt die datengetriebene Vorhersagemodelle im Bereich der Energiebedarf- und Leistungseffizienzvorhersage zunehmend an Bedeutung. Um die Anwendbarkeit von Machine-Learning-Algorithmen auf die Leistungsprognose des wärmespeichernden tiefen geothermischen Wärmepumpensystems (DBHE-GSHP) zu untersuchen, wurden die Betriebsdaten des DBHE-GSHP in Echtzeit erfasst und typische Parameter zur Erstellung eines Merkmalssets ausgewählt, das mittels Pearson-Korrelationsanalyse optimiert wurde; basierend auf dem optimierten Merkmalsset wurden die Algorithmen Backpropagation-Neuronales Netzwerk (BPNN), Extreme Learning Machine (ELM), Support Vector Machine (SVM) sowie Particle Swarm Optimization - Support Vector Machine (PSO-SVM) analysiert. Die Forschungsergebnisse zeigen, dass die PSO-SVM-Methode eine gute Prognoseleistung mit einer Genauigkeit von über 95 % aufweist. Die Forschungsergebnisse können theoretische Unterstützung für die Parameteroptimierung und den effizienten Betrieb des DBHE-GSHP-Heizsystems bieten.

Tiefer geothermischer Wärmepumpen; Merkmalsauswahl; maschinelles Lernen; Leistungsprognose