Das Support Vector Regression (SVR)-Modell weist Mängel in Stabilität und Genauigkeit bei der Leistungsprognose von Mehrfach-Klimaanlagen auf. In dieser Arbeit wird der Partikelschwarmoptimierungsalgorithmus (PSO) eingeführt, um den Strafkoeffizienten und den Kernparameter des SVR-Vorhersagemodells optimal zu ermitteln und so die Vorhersageleistung des Modells zu verbessern. Unter der Betriebsbedingung mit 95,75 % Kältemittelbefüllung wurden Experimente an Mehrfachanlagen durchgeführt und die experimentellen Daten vorverarbeitet. Basierend auf dem PSO-Algorithmus wurde ein PSO-SVR-Modell zur Vorhersage des Leistungsbedarfs von Mehrfachanlagen entwickelt und mit den Vorhersageergebnissen des SVR-Modells sowie den theoretischen Berechnungsergebnissen verglichen. Die Ergebnisse zeigen, dass die Gesamtvorhersagefehler der SVR-, PSO-SVR- und der theoretischen Formelmethoden jeweils 1,43 %, 1,08 % bzw. 1,57 % betragen, die mittleren quadratischen Fehler (RMSE) 105,36, 88,79 und 91,37 W sind. Die Parameteroptimierung ergab den Strafkoeffizienten C=10000 und den Kernparameter γ=4,275. Die Einführung des PSO-Algorithmus verbesserte die Vorhersagegenauigkeit und Stabilität des SVR-Modells deutlich; im Vergleich zur theoretischen Formelberechnungsmethode ist PSO-SVR genauer und benötigt deutlich weniger zu messende Parameter, wodurch die Komplexität des Messsystems reduziert und die Wirtschaftlichkeit verbessert wird.

Variable Kältemittelfluss-Systeme;Betriebsleistungsaufnahme;Vorhersagemodell;Partikelschwarmalgorithmus;Support Vector Regression