Investigación sobre predicción de carga de refrigeración y optimización de asignación para el sistema de refrigeración en una pista de hielo cubierta: evidencias de China

Por qué mantener las pistas de hielo frías realmente importa

Las pistas de hielo cubiertas consumen mucha más energía que los polideportivos ordinarios porque deben mantener una lámina de hielo estable mientras la gente patina, entrena y compite. A medida que se construyen más arenas de hielo para la recreación pública y los deportes de invierno, su consumo eléctrico y su impacto climático aumentan. Este estudio analiza cómo mantener el hielo en buen estado usando menos energía, prediciendo cuánto refrigeración necesitará la pista en las próximas horas y luego repartiendo ese trabajo de forma inteligente entre varias máquinas frigoríficas.

Qué impulsa el frío en una pista de hielo

Mantener una lámina de hielo congelada es como equilibrar el calor que entra desde muchas direcciones con el frío que extrae el sistema de refrigeración. El calor sube desde el suelo, fluye desde el aire más cálido sobre el hielo, incide desde el sol a través de la envolvente del edificio y llega en forma de calor corporal de los patinadores y del agua caliente usada para renovar la superficie. Los autores primero enumeran estas influencias y usan un método estadístico llamado análisis relacional gris para ver cuáles se relacionan más estrechamente con la demanda de frío. Para una gran pista pública en Pekín, los impulsores más fuertes resultan ser cuántas personas están patinando, la humedad del aire exterior, la cantidad de radiación difusa suave que incide sobre el edificio y la temperatura del aire exterior.

Enseñar a un ordenador a prever las necesidades de refrigeración

Debido a que estas influencias suben y bajan a lo largo del día y la semana, la demanda de refrigeración se comporta como un patrón temporal complejo en lugar de una línea recta simple. El equipo entrena un tipo de modelo de aprendizaje profundo, conocido como red de memoria a largo plazo (LSTM), para aprender este patrón a partir de datos históricos. Alimentan al modelo con los factores más importantes seleccionados por el análisis anterior, junto con el historial reciente del propio consumo de refrigeración de la pista. El modelo mira las 24 horas previas para predecir el siguiente valor, capturando los ritmos diarios regulares y los picos repentinos cuando llegan más patinadores o cambia el tiempo.

Hacer el motor de predicción más inteligente y eficiente

Los investigadores prueban varias versiones de su motor de predicción para ver qué decisiones de diseño ayudan más. Apilar dos capas de las unidades de aprendizaje mejora la capacidad del modelo para captar tanto los destellos cortos como las oscilaciones más largas de la demanda. Añadir sencillas pistas de calendario, como hora del día, día de la semana, festivos y horarios de eventos, afina aún más su sentido de cuándo es probable que aumenten las cargas. En contraste, un truco de entrenamiento popular llamado normalización por lotes, que a menudo ayuda con otras redes profundas, en realidad perjudica esta tarea temporal al difuminar las relaciones delicadas entre un momento y el siguiente. La mejor versión del modelo reduce los errores de predicción en más del diez por ciento en comparación con un diseño más simple y supera claramente a una red neuronal tradicional que no maneja bien la dimensión temporal.

Repartir el trabajo entre los enfriadores

La mayoría de las pistas de hielo dependen de varias unidades de refrigeración dimensionadas para la peor ola de calor, pero normalmente funcionan a potencia parcial. Cómo se divide esa carga marca una gran diferencia en el consumo energético, porque cada máquina tiene un punto óptimo donde opera con mayor eficiencia. Usando las previsiones de carga a corto plazo, los autores construyen un modelo matemático que decide cuánto debe trabajar cada enfriador para que, en conjunto, satisfagan la necesidad de refrigeración con el menor consumo eléctrico total. Para resolver este rompecabezas, aplican un método de búsqueda inspirado en el comportamiento de caza de las ballenas jorobadas, que alterna entre explorar ampliamente y centrarse en una solución prometedora.

Cuánta energía puede ahorrar el control inteligente

El estudio compara esta estrategia basada en ballenas con dos reglas sencillas usadas en la práctica: encender los enfriadores en un orden fijo y repartir la carga de manera uniforme entre todas las máquinas. En días de demanda baja, media y alta, el enfoque de las ballenas usa consistentemente menos energía, con ahorros de alrededor del 6–8% frente a los métodos básicos en la pista de estudio. También supera a otras dos herramientas de optimización conocidas, los algoritmos genéticos y la optimización por enjambre de partículas, al encontrar mejores soluciones más rápido y con menos pasos de cálculo. En periodos de baja carga a menudo opera solo una unidad, mientras que en las horas de mayor actividad ajusta la combinación de unidades y sus cargas parciales para evitar un funcionamiento ineficiente.

Qué significa esto para las pistas de hielo futuras

En términos sencillos, el trabajo muestra que «mirar hacia adelante» solo unas pocas horas y luego planificar cómo repartir el esfuerzo de refrigeración entre las máquinas puede reducir notablemente la factura eléctrica de una pista de hielo sin cambiar el edificio ni el equipo. El método propuesto enlaza un motor de predicción y un planificador inteligente de forma que podría reentrenarse para otras pistas o incluso para cámaras frigoríficas y plantas alimentarias. Con más datos e integración posible en sistemas de control automáticos, enfoques como este podrían ayudar a que los deportes de hielo cubiertos crezcan manteniendo su huella ambiental mejor controlada.

Cita: 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

Palabras clave: pista de hielo cubierta, refrigeración eficiente, aprendizaje automático, control de refrigeración, algoritmo de optimización