С быстрым развитием технологий искусственного интеллекта, важность моделей прогнозирования на основе данных в области прогнозирования энергопотребления и эффективности работы становится всё более очевидной. Для исследования применимости алгоритмов машинного обучения к прогнозированию производительности системы глубоких скважин с накоплением тепла и глубинным геотермальным тепловым насосом (DBHE-GSHP) были собраны данные о работе DBHE-GSHP в режиме реального времени и выбраны типичные параметры для построения набора признаков, который был оптимизирован с помощью корреляционного анализа Пирсона; на основе оптимизированного набора признаков проведён анализ с использованием алгоритмов обратного распространения ошибки (BPNN), экстремального машинного обучения (ELM), опорных векторных машин (SVM) и оптимизации роя частиц - опорных векторных машин (PSO-SVM). Результаты исследования показали, что метод PSO-SVM демонстрирует хорошую предсказательную способность с точностью прогноза выше 95%. Результаты исследования могут предоставить теоретическую поддержку для оптимизации параметров и эффективной работы системы отопления DBHE-GSHP.

Глубокий геотермальный тепловой насос; отбор признаков; машинное обучение; прогнозирование производительности