Topologie-Modellierung und Energieeffizienzvorhersage paralleler Kältemaschinen basierend auf Deep Learning

Warum schlauere Kühlung wichtig ist

Hinter jedem Rechenzentrum, jeder Fabrik und großem Schiff steht ein Kühlsystem, das einen beträchtlichen Anteil des weltweiten Stromverbrauchs verschlingt. Viele Anlagen betreiben mehrere Kältemaschinen parallel, um Server und Maschinen auf sicheren Temperaturen zu halten, doch schon kleine Änderungen in der Lastverteilung dieser Geräte können große Energiemengen verschwenden. Diese Studie zeigt, wie eine neue Art künstlicher Intelligenz sowohl die Struktur eines Kühlsystems als auch dessen zeitliche Verhaltensänderungen „sehen“ kann, sodass Betreiber den Energiebedarf genauer vorhersagen und ihre Kältemaschinen deutlich effizienter betreiben können.

Wie große Kühlsysteme Energie verschwenden

Kühlstationen in der Industrie machen einen großen Anteil des globalen Energieverbrauchs aus, und bis zu einem Drittel davon kann durch schlechten Betrieb und ungeeignete Lastverteilung verloren gehen. In einer typischen Anlage oder einem Rechenzentrum arbeiten mehrere Kältemaschinen, Pumpen und Kühltürme zusammen, verbunden durch ein Netzwerk von Rohrleitungen. Wenn eine Kältemaschine startet, stoppt oder ihre Last ändert, beeinflusst das den Durchfluss und Druck im ganzen Netzwerk, wodurch sich wieder die Arbeitslasten der übrigen Anlagen ändern. Traditionelle Regelungen und einfache Vorhersagemodelle behandeln jede Kältemaschine fast so, als stünde sie für sich allein, sodass sie diese versteckten Verbindungen oft übersehen und bei wechselnden Bedingungen oder Gerätestatus Schwierigkeiten bekommen.

Ein Modell trainieren, das Zeit und Verbindungen folgt

Die Forschenden entwickelten ein hybrides Deep-Learning-Modell, das zwei zentrale Ideen vereint. Die erste ist ein Sequenzmodell namens LSTM, das gut darin ist, Muster in Zeitreihen zu erkennen, zum Beispiel wie sich Leistungsaufnahme und Wassertemperatur Minute für Minute ändern. Die zweite ist ein graphbasiertes Modell, GCN, das jede Kältemaschine, Pumpe und jeden Kühlturm als Knoten in einem Netzwerk behandelt und lernt, wie sie sich über die physische Rohrstruktur und die aktuelle Lastverteilung gegenseitig beeinflussen. Durch das Verschmelzen dieser beiden Perspektiven kann das Modell sowohl die Historie jedes Geräts als auch die Vernetzung aller Geräte nachverfolgen.

Physik und digitale Zwillinge als Leitfaden verwenden

Anstatt rohe Sensordaten direkt ins Netz zu geben, wandelt das Team sie zunächst in Größen mit klarer physikalischer Bedeutung um, etwa Kühlleistung pro eingesetzter elektrische Einheit und die Effektivität des Wärmeaustauschs. Sie fügen außerdem einen Regularisierungsterm hinzu, der die Vorhersagen sanft dazu anleitet, grundlegende Energie- und Wärmebilanzgesetze zu respektieren, was unrealistisch scharfe Sprünge verhindert. Um den Bereich der abgedeckten Situationen zu erweitern, kombinieren sie reale Daten eines großen Rechenzentrums mit tausenden Stunden simulierten Daten eines digitalen Zwillings der Kühlstation. Dieser Zwilling erlaubt es, veränderte Lasten, Außenbedingungen und sogar unterschiedliche Anschlussvarianten zu untersuchen, die im realen Betrieb schwer oder riskant zu testen wären.

Tests in Rechenzentren, Fabriken und auf Schiffen

Das Modell wurde mit etwa 128 Millionen historischen Datensätzen aus einem Rechenzentrum mit fünf großen Zentrifugalkältemaschinen trainiert und anschließend an frischen Daten getestet. Für ein 30-Minuten-Vorhersagefenster reduziert es den Root-Mean-Square-Fehler der Leistungsprognosen um 19,4 Prozent und senkt den prozentualen Fehler im Vergleich zu einem starken LSTM-Basismodell, das die Netzwerktopologie ignoriert, um etwas mehr als zwei Prozentpunkte. Die Autorinnen und Autoren prüfen außerdem, wie gut sich der Ansatz auf eine Autofabrik und das zentrale Kühlsystem eines Containerschiffs übertragen lässt. Mit begrenztem Finetuning für die Fabrik und ohne jegliches Retraining für das Schiff übertrifft das Modell weiterhin konventionelle Methoden deutlich, was zeigt, dass die gelernte Darstellung des Kühlverhaltens nicht an einen einzelnen Standort gebunden ist.

Was das für Energieeinsparungen bedeutet

Indem es Wissen über Gerätekopplungen, zeitliches Verhalten und physikalische Einschränkungen kombiniert, kann das vorgeschlagene GCN–LSTM-System den Energiebedarf von Kältemaschinen mit hoher Genauigkeit und Stabilität vorhersagen, selbst wenn Geräte altern oder sich das Betriebsverhalten ändert. Diese zuverlässigeren Prognosen ermöglichen es der Regelungssoftware, bessere Lastverteilungsstrategien zu wählen und Arbeit zwischen Kältemaschinen so zu verschieben, dass Komfort und Kühlleistung erhalten bleiben bei geringerem Stromverbrauch. Praktisch bedeutet dies einen übertragbaren Weg, Energieverschwendung in großen Kühlsystemen von Rechenzentren, Fabriken und Schiffen zu reduzieren, ohne die Hardware neu zu bauen.

Zitation: Liu, Y., Yang, X., Zhang, L. et al. Topology modeling and energy efficiency prediction of parallel chillers based on deep learning. Sci Rep 16, 15813 (2026). https://doi.org/10.1038/s41598-026-47180-8

Schlüsselwörter: Energieeffizienz von Kältemaschinen, Deep Learning, Graph-Neuronales Netzwerk, industrielle Kühlung, intelligente Steuerung