Com o rápido desenvolvimento da tecnologia de inteligência artificial, a importância dos modelos de previsão orientados por dados no campo da previsão da demanda de energia e da eficiência de desempenho torna-se cada vez mais evidente. Para explorar a aplicabilidade dos algoritmos de aprendizado de máquina na previsão do desempenho do sistema de bomba de calor geotérmica de poço profundo com armazenamento térmico (DBHE-GSHP), foram coletados dados operacionais do DBHE-GSHP em tempo real e parâmetros típicos foram selecionados para construir um conjunto de características, otimizado por análise de correlação de Pearson; com base no conjunto otimizado, foram analisados algoritmos de rede neural de retropropagação (BPNN), máquina de aprendizado extremo (ELM), máquina de vetor de suporte (SVM) e otimização por enxame de partículas - máquina de vetor de suporte (PSO-SVM). Os resultados mostram que o método PSO-SVM apresenta um bom desempenho preditivo, com uma precisão de previsão superior a 95%. Os resultados da pesquisa podem fornecer suporte teórico para a otimização de parâmetros e operação eficiente do sistema de aquecimento DBHE-GSHP.

Bomba de calor geotérmica de poço profundo; seleção de características; aprendizado de máquina; previsão de desempenho