Le modèle DOE-2 est largement utilisé pour la simulation des groupes frigorifiques à eau froide. Comment identifier de manière fiable les paramètres du modèle DOE-2 d’un groupe frigorifique spécifique à partir de données réelles limitées de capteurs et compenser les erreurs du modèle est d’une importance cruciale dans des scénarios d’exploitation économes en énergie. En pratique, en raison du manque de capteurs et de la faible qualité des données, l’identification fiable des paramètres du modèle DOE-2 est difficile. Par conséquent, cet article propose un algorithme génétique basé sur une base de connaissances externe et une méthode basée sur les réseaux de neurones artificiels pour l’identification des paramètres du modèle DOE-2 et la compensation des erreurs, respectivement. Les résultats montrent que l’algorithme génétique basé sur une base de connaissances externe peut réduire efficacement le temps d’identification des paramètres du modèle DOE-2 et améliorer significativement la précision de la prédiction du modèle. La précision de prédiction du modèle DOE-2 après compensation des erreurs est nettement meilleure que celle du modèle sans compensation, avec des réductions respectives du MAE, RMSE, MAPE et CV-RMSE de 36,49 %, 46,00 %, 33,16 % et 45,73 % pour la prédiction de la température de sortie de l’eau froide, tandis que le R2 a augmenté de 25,75 %.

modélisation du groupe frigorifique à eau froide;algorithme génétique;identification des paramètres;réseaux de neurones artificiels;compensation des erreurs