计算机与现代化JISUANJIYUXIANDAIHUA2023年第1期总第329期0引言地下工程封闭运行时的保障资源有限，为最大化延长其运行时间，需最大程度节能。在地下工程中，通风空调系统的运行能耗占工程总能耗的比例高达50%~60%［1］。因此通风空调系统的节能效果对延长地下工程封闭运行时间具有重要作用。而准确的负荷预测对于实现地下工程空调系统的高效运行和能源优化分配、调度具有重要作用。为提高负荷预测精度，基于机器学习的预测模型已成为专家学者们的研究热点，已有机器学习算法应用于各类预测问题。目前常用的机器学习算法有神经网络、支持向量机（SupportVectorMachine，SVM）以及近年来新兴的XGBoost等。神经网络具有非线性映射、自适应、容错性强等特点，已有专家学者将神经网络应用于交通运输调度与优化［2］、降雨量预测［3］、空调能耗预测［4］与优化控制［5］等领域，并取得了较好的预测结果。然而，影响地下工程空调系统负荷的因素多，且具有多扰量混合、多周期叠加的特点［6］，若使用神经网络进行预测则会使网络结构复杂，从而导致训练速度慢［7-8］，且神经网络要求输入数据具有典型性。支持向量机泛化能力强、实用性好且具有优异的分类性能，已有专家学者将其用于故障诊断［9-10］。但是SVM算法的预测结果受核函数的选择基于改进XGBoost超参数优化的地下工程空调系统负荷预测冯增喜1，陈海越1，王涛2，赵锦彤1，李诗妍1（1.西安建筑科技大学建筑设备科学与工程学院，陕西西安710054；2.火箭军工程大学作战保障学院，陕西西安710025）文章编号：1006-2475（2023）01-0108-06摘要：针对地下工程空调负荷难以精确预测的问题，提出一种基于天牛须搜索算法（BeetleAntennaeSearch，BAS）优化极限梯度提升算法（eXtremeGradientBoosting，XGBoost）的负荷预测模型。该算法通过引入典型最优解引导机制优化常规BAS算法中的位置更新策略，同时采用线性递减策略对天牛的搜索步长进行修正，以实现更快达到全局最优点，提高收敛速度；并利用改进的BAS算法对XGBoost中的决策树个数、树的最大深度2个对模型预测精度有较大影响的超参数进行寻优，以获得XGBoost的最优参数组合，提高模型预测精度。最后，以某地下保障工程空调系统为研究对象，验证所提出的预测模型的有效性。关键词：地下工程；负荷预测；极限梯度提升；改进天牛须搜索算法中图分类号：TP29文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.01.018EnergyConsumptionPredictionofAir-con...
