冯增喜，陈海越，王 涛，赵锦彤，李诗妍

（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）

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（Support Vector Machine，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影响较大［11］，且核参数与惩罚参数的选取也较为复杂［12-13］，除 此 之 外，SVM 存 在 参 数 寻 优 过 程 复杂［14-15］、收敛速度慢等问题［16］。……