Forschung zur Vorhersage der Kühllast und zur Optimierungs­verteilung für das Kühlsystem in Halleneisbahnen: Befunde aus China

Warum es so wichtig ist, Eisbahnen kalt zu halten

Halleneisbahnen verbrauchen deutlich mehr Energie als gewöhnliche Sporthallen, weil sie eine Eisfläche stabil halten müssen, während Menschen laufen, trainieren und Wettkämpfe austragen. Mit dem Bau zusätzlicher Arenen für Freizeit und Wintersport wächst ihr Strombedarf und ihr Klimaeinfluss. Diese Studie untersucht, wie sich das Eis in gutem Zustand halten lässt bei geringerem Energieaufwand, indem die benötigte Kühlleistung für die nächsten Stunden prognostiziert und die Arbeit dann intelligent auf mehrere Kältemaschinen verteilt wird.

Was die Kälte in einer Eisbahn antreibt

Das Gefrieren einer Eisfläche ist ein Balanceakt zwischen von außen eindringender Wärme und der Kälte, die das Kühlsystem abführt. Wärme steigt vom Boden auf, wird aus der wärmeren Luft über dem Eis eingetragen, fällt als Sonnenstrahlung durch die Gebäudehülle ein und entsteht als Körperwärme der Läufer sowie durch warmes Wasser bei der Eisaufbereitung. Die Autoren listen diese Einflüsse zunächst auf und nutzen eine statistische Methode, die graue Relationenanalyse, um zu ermitteln, welche Faktoren der Kühlanforderung am stärksten folgen. Für eine große öffentliche Halle in Peking erweisen sich als wichtigste Treiber die Zahl der Eisläufer, die Außenluftfeuchte, diffuse Sonneneinstrahlung auf das Gebäude und die Außentemperatur.

Dem Computer beibringen, den Kühlbedarf vorherzusehen

Da diese Einflussgrößen im Tages- und Wochenverlauf schwanken, verhält sich die Kühllast wie ein komplexes Zeitmuster und nicht wie eine einfache Gerade. Das Team trainiert eine Form des Deep Learning, ein Long Short-Term Memory-Netzwerk, um dieses Muster aus historischen Daten zu lernen. Es speist die zuvor ermittelten wichtigsten Faktoren sowie die jüngere Nutzungshistorie der Kühlanlage ein. Das Modell blickt auf die vergangenen 24 Stunden zurück, um den nächsten Wert vorherzusagen, und erfasst so regelmäßige Tagesrhythmen ebenso wie plötzliche Spitzen, wenn mehr Läufer kommen oder sich das Wetter ändert.

Die Vorhersageeinheit schlauer und schlanker machen

Die Forscher testen mehrere Varianten ihres Vorhersagemodells, um herauszufinden, welche Designentscheidungen am meisten helfen. Das Stapeln von zwei Schichten der Lerneinheiten verbessert die Fähigkeit des Modells, kurze Ausbrüche und längere Schwankungen der Nachfrage zu erfassen. Das Hinzufügen einfacher Kalenderhinweise wie Uhrzeit, Wochentag, Feiertage und Veranstaltungszeiten schärft zusätzlich das Gespür dafür, wann Lasten wahrscheinlich ansteigen. Im Gegensatz dazu schadet ein gängiger Trainingstrick, die Batch-Normalisierung, der bei anderen tiefen Netzen oft nützt, dieser zeitabhängigen Aufgabe, weil sie die feinen Beziehungen zwischen aufeinanderfolgenden Zeitpunkten verwischt. Die beste Modellvariante reduziert Vorhersagefehler um mehr als zehn Prozent gegenüber einem einfacheren Entwurf und übertrifft deutlich ein traditionelles neuronales Netz, das Zeitverläufe nicht so gut handhabt.

Die Arbeit auf die Kältemaschinen verteilen

Die meisten Eisbahnen nutzen mehrere Kältemaschinen, die für den schlimmsten Hitzefall dimensioniert sind, laufen aber meist im Teillastbetrieb. Wie die Last aufgeteilt wird, beeinflusst den Energieverbrauch erheblich, weil jede Maschine einen Betriebsbereich hat, in dem sie am effizientesten arbeitet. Auf Basis der kurzfristigen Lastprognosen bauen die Autoren ein mathematisches Modell, das entscheidet, wie stark jede Kältemaschine laufen sollte, damit sie zusammen die Kühlanforderung mit dem geringsten Gesamtstromverbrauch erfüllen. Zur Lösung dieses Problems wenden sie eine Suchmethode an, die vom Jagdverhalten der Buckelwale inspiriert ist und zwischen breiter Exploration und zielgerichtetem Eindringen in vielversprechende Lösungen wechselt.

Wie viel Energie die intelligente Steuerung einsparen kann

Die Studie vergleicht diese walbasierte Strategie mit zwei einfachen in der Praxis genutzten Regeln: Kältemaschinen in fester Reihenfolge einschalten und die Last gleichmäßig auf alle Geräte verteilen. An Tagen mit niedriger, mittlerer und hoher Kühlnachfrage verbraucht der Wal-Ansatz durchweg am wenigsten Energie und spart in der untersuchten Halle etwa 6–8 % gegenüber den Basisverfahren. Er übertrifft außerdem zwei weitere bekannte Optimierungswerkzeuge, genetische Algorithmen und Particle Swarm Optimization, indem er bessere Lösungen schneller und mit weniger Rechenschritten findet. In Niedriglastzeiten läuft häufig nur eine Einheit, während in Spitzenzeiten die Kombination der Geräte und deren Teillasten so angepasst wird, dass verschwenderischer Betrieb vermieden wird.

Was das für künftige Eisbahnen bedeutet

Kurz gesagt zeigt die Arbeit, dass ein „Vorausblick“ von nur wenigen Stunden und die anschließende Planung der Lastverteilung auf die Maschinen die Stromrechnung einer Eisbahn merklich senken kann, ohne Gebäude oder Ausrüstung zu verändern. Die vorgeschlagene Methode verknüpft eine Vorhersageeinheit mit einem intelligenten Planer und ließe sich für andere Hallen oder sogar für Kühllager und Lebensmittelbetriebe neu trainieren. Mit mehr Daten und möglicher Integration in automatische Steuerungssysteme könnten solche Ansätze helfen, den Innenbereich des Eissports auszubauen und gleichzeitig den ökologischen Fußabdruck besser zu begrenzen.

Zitation: Du, Z., Liu, Y., Xue, Y. et al. Research on cooling load prediction and allocation optimization for refrigeration system in indoor ice rink: evidence from China. Sci Rep 16, 10117 (2026). https://doi.org/10.1038/s41598-026-38121-6

Schlüsselwörter: Halleneisbahn, energieeffiziente Kühlung, maschinelles Lernen, Kälteanlagensteuerung, Optimierungsalgorithmus