【B题解题思路】2025长三角高校数学建模B题解题思路+可运行代码参考（无偿分享）-CSDN博客

本文链接：https://blog.csdn.net/RS_handy/article/details/147971696

注：该内容由“数模加油站”原创，无偿分享，可以领取参考但不要利用该内容倒卖，谢谢！

B 题 空气源热泵供暖的温度预测

问题1 统计所给不同建筑的室内温度波动规律；绘制室内外温度相关性曲线， 分析热泵能耗与温差的定量关系；分析影响室内温度的影响因素。

问题 1 分析

本题第一问旨在：揭示室内温度波动规律，定量建立能耗（热泵功率）与温差之间的数学关系。其中“能耗建模”部分是核心任务，需在真实数据基础上完成参数拟合与公式构建，而该建模任务具有如下特性：

多因素输入（供温、回温、内外温差）；
非线性结构（平方项、绝对值等）；
无法显式解析求解最优系数；
训练数据包含噪声波动与非高斯扰动。

传统的最小二乘法在此类问题中存在收敛性差、局部极小值困扰的缺陷。因此，引入粒子群优化算法（PSO），作为一种无需梯度信息、具备全局搜索能力的黑箱优化工具，是解决该问题的合适选择

解题思路：

1. 建模目标结合：热泵能耗建模为何需要优化算法？

在热泵系统中，功率消耗 P(t) 由水泵输出热量、温差驱动程度、建筑散热损耗等因素共同决定。

我们试图建立如下经验回归模型：

$P(t)=a\cdot {{\left( {{T}_{\text{sup}}}(t)-{{T}_{\text{ret}}}(t) \right)}^{2}}+b\cdot \left| {{T}_{\text{in}}}(t)-{{T}_{\text{out}}}(t) \right|+c$

这个表达式体现以下物理逻辑：

$(T_{\text{sup}} - T_{\text{ret}})^2$ ：表示供回水温度差导致的热力输送功率；

$|T_{\text{in}} - T_{\text{out}}|$ ：表示建筑围护结构上的热传导压力；

$c$ ：基础设备运行损耗或常数扰动。

上述模型结构在变量空间中呈现非线性、非凸结构，且公式中含有平方和绝对值函数，难以通过解析回归求出最优的 a, b, c 参数。

2. PSO解的本质意义：构造优化目标函数

我们把“使模型预测功率最接近实际功率”的目标形式化为最小均方误差（MSE）：

$\operatorname{Loss}(a,b,c)=\frac{1}{n}\sum\limits_{t=1}^{n}{{{\left[ {{P}_{\text{true }}}(t)-a\cdot \Delta T_{w}^{2}(t)-b\cdot \left| \Delta {{T}_{e}}(t) \right|-c \right]}^{2}}}$

$\Delta T_w(t) = T_{\text{sup}}(t) - T_{\text{ret}}(t)$ ：水回路供回水温差；

$\Delta T_e(t) = T_{\text{in}}(t) - T_{\text{out}}(t)$ ：室内外温差；

$P_{\text{true}}(t)$ ：实际测得的功率；

$P_{\text{pred}}(t)$ ：模型预测功率。

该函数是 PSO 的“适应度函数”，即每个粒子的适应度由其对应 (a, b, c) 所生成的预测误差来衡量。

3. PSO在本题的应用过程（按热泵供暖任务组织）

（1）变量选取与归一化处理

将输入数据集中提取以下字段：

实际供水温度 $T_{\text{sup}}(t)$

实际回水温度 $T_{\text{ret}}(t)$

室内测点温度（取多个传感器平均） $T_{\text{in}}(t)$

环境温度 $T_{\text{out}}(t)$

实际功率 P(t)

归一化处理这些变量，使搜索过程稳定不受量纲影响。

（2）粒子初始化与搜索空间设定

我们为每个粒子分配一个三元组 (a, b, c)，搜索空间建议设置为：

$a \in [0.1, 10]$ ：反映单位温差对功率的影响；

$b \in [0.1, 10]$ ：室外寒冷程度对能耗的直接影响；

$c \in [-20, 20]$ ：系统常值扰动（如泵的待机能耗）。

粒子数量设定为 30–50，迭代次数设定为 100–200，平衡全局探索与局部收敛。

（3）迭代搜索与参数拟合

粒子群在上述空间中搜索最优参数组合，使损失函数最小。每一轮迭代中：

粒子根据自身历史最优位置与全局最优位置调整速度；

更新参数 (a, b, c)；

重新计算预测值与损失，更新最优记录；

最终收敛到一组全局最优拟合参数。

（4）模型输出与评估

得到最优参数后，将其代入模型进行回代预测，生成：

拟合曲线 $P_{\text{pred}}(t)$ ；

与 $P_{\text{true}}(t)$ 的对比图；

计算误差指标（RMSE, MAE, $R^2$ ）评估拟合精度。

Python代码：

import numpy as np
import pandas as pd
from pyswarm import pso

# 加载数据
df = pd.read_excel("Data")

# 提取变量
T_in = df['室内温度'].values
T_out = df['室外温度'].values
Q_in = df['功率'].values  # 假设功率代表供热输入
T_real = T_in[1:]  # 预测目标
T_in = T_in[:-1]
T_out = T_out[:-1]
Q_in = Q_in[:-1]

# 模型函数
def heat_model(x, T_in, T_out, Q_in):
    alpha, beta = x
    return (1 - beta) * T_in + beta * T_out + alpha * Q_in

# 损失函数
def loss(x, T_in, T_out, Q_in, T_real):
    T_pred = heat_model(x, T_in, T_out, Q_in)
    return np.mean((T_pred - T_real)**2)

# 运行PSO优化
lb = [0.001, 0.001]
ub = [1.0, 1.0]
best_params, fval = pso(loss, lb, ub, args=(T_in, T_out, Q_in, T_real))

print("最优参数 α, β:", best_params)

后续都在“数模加油站”......