Modelado de topología y predicción de eficiencia energética de enfriadoras en paralelo basado en aprendizaje profundo

Por qué importa refrigerar de forma más inteligente

Detrás de cada centro de datos, fábrica y gran buque hay un sistema de refrigeración que silenciosamente consume una gran parte de la electricidad mundial. Muchas instalaciones operan varias enfriadoras en paralelo para mantener servidores y máquinas a temperaturas seguras, pero pequeños cambios en cómo estas enfriadoras comparten la carga pueden desperdiciar grandes cantidades de energía. Este estudio muestra cómo un nuevo tipo de inteligencia artificial puede "ver" tanto la disposición de un sistema de refrigeración como su comportamiento cambiante en el tiempo, de modo que los operadores puedan predecir el consumo energético con mayor precisión y hacer funcionar sus enfriadoras de forma mucho más eficiente.

Cómo los grandes sistemas de refrigeración malgastan energía

Las estaciones de refrigeración en la industria representan una gran porción del consumo energético global, y hasta un tercio de ese consumo puede desperdiciarse por una operación deficiente y una mala distribución de la carga. En una planta o centro de datos típico, varias enfriadoras, bombas y torres de refrigeración trabajan conjuntamente, conectadas por un laberinto de tuberías. Cuando una enfriadora arranca, se para o cambia su carga, afecta el caudal y la presión en toda la red, lo que a su vez modifica el esfuerzo que deben hacer todas las demás máquinas. Las reglas de control tradicionales y los modelos simples de predicción tratan a cada enfriadora casi como si estuviera aislada, por lo que a menudo pasan por alto estos enlaces ocultos y tienen dificultades cuando cambian las condiciones o el estado del equipo.

Enseñar a un modelo a seguir el tiempo y las conexiones

Los investigadores construyeron un modelo híbrido de aprendizaje profundo que combina dos ideas clave. La primera es un modelo de secuencia llamado LSTM, que es bueno para detectar patrones en series temporales, como cómo cambian el consumo de energía y la temperatura del agua minuto a minuto. La segunda es un modelo basado en grafos, GCN, que trata cada enfriadora, bomba y torre de refrigeración como un nodo en una red y aprende cómo se influyen entre sí a través de la disposición física de las tuberías y la distribución actual de cargas. Al fusionar estas dos perspectivas, el modelo puede seguir tanto el historial de cada equipo como la forma en que todos están interconectados.

Usar la física y gemelos digitales como guía

En lugar de alimentar señales de sensores crudas directamente en la red, el equipo primero las convierte en magnitudes con significado físico claro, como la potencia frigorífica por unidad de electricidad y la eficacia del intercambio térmico. También añaden un término de regularización que empuja suavemente las predicciones a respetar las leyes básicas de energía y balance térmico, lo que ayuda a evitar saltos irrealistas. Para ampliar el rango de situaciones que el modelo ve, combinan datos reales de un gran centro de datos con miles de horas de datos simulados procedentes de un gemelo digital de la estación de refrigeración. Este gemelo les permite explorar cambios de carga, condiciones exteriores e incluso diferentes formas de conectar el equipo que serían difíciles o arriesgadas de probar en la planta real.

Pruebas en centros de datos, fábricas y buques

El modelo se entrena con aproximadamente 128 millones de registros históricos de un centro de datos con cinco grandes enfriadoras centrífugas y luego se evalúa con datos nuevos. En una ventana de predicción de 30 minutos, reduce el error cuadrático medio de las predicciones de potencia en un 19,4 por ciento y recorta el error porcentual en poco más de 2 puntos en comparación con una sólida línea base LSTM que ignora la disposición de la red. Los autores también verifican qué tan bien se transfiere el enfoque a una fábrica de automóviles y al sistema central de refrigeración de un buque portacontenedores. Con una afinación limitada para la fábrica y sin reentrenamiento para el buque, el modelo aún supera claramente a los métodos convencionales, mostrando que la representación aprendida del comportamiento de refrigeración no está ligada a un solo emplazamiento.

Qué significa esto para ahorrar energía

Al combinar el conocimiento de cómo está conectado el equipo, cómo se comporta en el tiempo y cómo la física lo restringe, el sistema GCN–LSTM propuesto puede prever el consumo energético de las enfriadoras con alta precisión y estabilidad, incluso cuando el equipo envejece o cambia el patrón de operación. Estas predicciones más fiables permiten que el software de control elija mejores estrategias de reparto de carga, redistribuyendo trabajo entre enfriadoras para mantener confort y capacidad de refrigeración mientras se usa menos electricidad. En términos prácticos, este enfoque apunta a una forma nueva y transferible de reducir el desperdicio energético en grandes sistemas de refrigeración en centros de datos, fábricas y buques sin reconstruir el hardware.

Cita: 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

Palabras clave: eficiencia energética de enfriadoras, aprendizaje profundo, red neuronal de grafos, refrigeración industrial, control inteligente