Avec le développement rapide des technologies d'intelligence artificielle, l'importance des modèles de prédiction basés sur les données dans le domaine de la prévision de la demande énergétique et de l'efficacité des performances devient de plus en plus évidente. Afin d'étudier l'applicabilité des algorithmes d'apprentissage automatique à la prédiction des performances du système de pompe à chaleur géothermique à puits profond à stockage de chaleur (DBHE-GSHP), les données de fonctionnement du DBHE-GSHP ont été collectées en temps réel, et des paramètres typiques ont été sélectionnés pour constituer un ensemble de caractéristiques, optimisé par analyse de corrélation de Pearson ; sur la base de cet ensemble optimisé, des algorithmes de réseau de neurones à rétropropagation (BPNN), de machine à apprentissage extrême (ELM), de machine à vecteurs de support (SVM) et d'optimisation par essaim de particules - machine à vecteurs de support (PSO-SVM) ont été appliqués pour l'analyse. Les résultats montrent que la méthode PSO-SVM présente de bonnes performances de prédiction, avec une précision dépassant 95 %. Les résultats peuvent fournir un soutien théorique pour l'optimisation des paramètres et le fonctionnement efficace du système de chauffage DBHE-GSHP.

Pompe à chaleur géothermique profonde; sélection de caractéristiques; apprentissage automatique; prédiction des performances