高学金,付龙晓,武翠霞,王 普

(1.北京工业大学信息学部,北京 100124； 2.数字社区教育部工程研究中心,北京 100124；3.城市轨道交通北京实验室,北京 100124； 4.计算智能与智能系统北京市重点实验室,北京 100124)

0 引 言

地铁已成为解决城市道路交通阻塞和居民乘车难问题的最有效的途径，并能够减少城市污染，改善地面交通状况，带来显著的社会效益和经济效益[1]。然而随着我国能源问题的严重，地铁运营成本不断增大，地铁站空调系统是整个地铁系统的能耗大户，约占总用电量的30%～50%[2]，因此地铁站空调系统的节能意义重大。空调系统能耗的准确预测是实现节能运行的前提，空调能耗预测的方法有回归分析、指数平滑法、灰色预测和人工神经网络模型预测等[3-5]，然而由于空调系统中影响能耗的因素众多[6]，如送风温度、回风温度、冷机的出水温度、室外温湿度时刻表、当前时刻的站内环境温湿度和能耗值等，每个影响因素之间相互耦合，且空调系统能耗变化具有非线性和时变性，预测模型的精度达不到令人满意的程度。

支持向量机[7](Support Vector Machine, SVM)是在统计学上发展起来的一种算法，而最小二乘支持向量机(Least Squares Support Vector Machines, LS-SVM)使用求解一组线性方程代替标准的QP问题，从而大大减少了学习过程的计算时间[8]，其已经广泛地应用于空调系统能耗的预测。但是由于LS-SVM参数选择带有随机性，给系统性能带来很大的影响，针对参数选取问题一些学者在进一步的研究中引进了一些智能算法来改进模型的性能。……