Le modèle de régression à vecteurs de support (SVR) présente des insuffisances en termes de stabilité et de précision dans la prédiction de la consommation énergétique des systèmes multisplit. Cet article introduit un algorithme d’optimisation par essaim de particules (PSO) pour optimiser le coefficient de pénalité et le paramètre du noyau du modèle SVR afin d’améliorer la performance prédictive du modèle. Sous la condition d’une charge de fluide frigorigène de 95,75%, une expérience de fonctionnement a été réalisée sur les unités multisplit, et les données expérimentales ont été prétraitées. Basé sur l’algorithme PSO, un modèle PSO-SVR a été établi pour prédire la consommation énergétique des multisplits, et les résultats ont été comparés aux résultats prédits par le modèle SVR et ceux calculés par la formule théorique. Les résultats montrent que les erreurs globales de prédiction de SVR, PSO-SVR et la formule théorique sont respectivement de 1,43%, 1,08% et 1,57%, et les erreurs quadratiques moyennes RMSE sont de 105,36, 88,79 et 91,37 W. Les résultats d’optimisation des paramètres sont le coefficient de pénalité C=10000 et le paramètre du noyau γ=4,275. L’introduction de l’algorithme PSO a significativement amélioré la précision et la stabilité du modèle SVR; comparé à la formule théorique, le modèle PSO-SVR est plus précis et nécessite moins de paramètres mesurés, ce qui réduit la complexité du système de mesure tout en étant plus économique et applicable.

Système à débit de réfrigérant variable;consommation énergétique opérationnelle;modèle prédictif;algorithme essaim de particules;régression des vecteurs de support