Los compresores son componentes importantes en varios sistemas de energía y potencia. En aplicaciones prácticas, los compresores a menudo operan bajo condiciones no diseñadas. Por lo tanto, el cálculo preciso del rendimiento bajo diversas condiciones de operación es de gran importancia para el desarrollo y la aplicación de ciertos sistemas de potencia equipados con compresores. Para calcular y predecir el rendimiento de un compresor bajo todas las condiciones de operación a través de datos limitados, se combinó el método de interpolación con una máquina de soporte vectorial (SVM). Basándose en los puntos de datos conocidos de las condiciones de diseño del compresor, se adoptó el método de interpolación para obtener muestras de entrenamiento de la SVM. En el proceso de cálculo, se realizó una selección preliminar de las funciones de núcleo de la SVM. Se utilizaron dos métodos de interpolación, incluida la interpolación lineal y la interpolación cúbica, para obtener datos de muestra. En el posterior proceso de entrenamiento de la SVM, se utilizó el algoritmo genético (GA) para optimizar sus parámetros. Después del entrenamiento, los datos disponibles se compararon con los datos predichos de la SVM. Los resultados muestran que la SVM utiliza la función de núcleo gaussiana para lograr la mayor precisión en la predicción. La precisión de predicción de la SVM entrenada con los datos obtenidos de la interpolación lineal fue mayor que la de la interpolación cúbica. En comparación con la red neuronal de retropropagación optimizada por el algoritmo genético (GA-BPNN), la optimización del algoritmo genético de la red neuronal de aprendizaje extremo (GA-ELMNN) y la optimización del algoritmo genético de la red neuronal de regresión generalizada (GA-GRNN), la máquina de soporte vectorial optimizada por el algoritmo genético (GA-SVM) tiene una mejor generalización, y GA-SVM es más precisa en la predicción de datos límite que la GA-BPNN. Además, reducir el número de puntos de datos originales aún permite que la GA-SVM mantenga un alto nivel de precisión predictiva.