Recherche sur la prédiction de la charge de refroidissement et l’optimisation de l’allocation pour le système de réfrigération d’une patinoire intérieure : preuves issues de Chine

Pourquoi il est crucial de garder les patinoires froides

Les patinoires intérieures consomment bien plus d’énergie que les salles de sport ordinaires car elles doivent maintenir une couche de glace stable pendant que le public patine, s’entraîne ou participe à des compétitions. À mesure que davantage d’arènes sont construites pour les loisirs et les sports d’hiver, leur consommation électrique et leur impact climatique augmentent. Cette étude examine comment préserver la qualité de la glace tout en réduisant la consommation d’énergie en prédisant la demande de refroidissement pour les heures à venir puis en répartissant intelligemment ce travail entre plusieurs machines frigorifiques.

Ce qui provoque le refroidissement d’une patinoire

Maintenir une dalle de glace gelée revient à équilibrer la chaleur qui entre de multiples directions et le froid que retire le système de réfrigération. La chaleur remonte du sol, circule depuis l’air plus chaud au-dessus de la glace, arrive sous forme de rayonnement solaire à travers l’enveloppe du bâtiment, et provient aussi de la chaleur corporelle des patineurs ainsi que de l’eau chaude utilisée pour resurfaçer la glace. Les auteurs énumèrent d’abord ces influences et emploient une méthode statistique appelée analyse relationnelle grise pour identifier lesquelles suivent le plus étroitement la demande de refroidissement. Pour une grande patinoire publique à Pékin, les facteurs les plus déterminants sont le nombre de patineurs, l’humidité de l’air extérieur, l’ensoleillement diffus et la température extérieure.

Apprendre à un ordinateur à prévoir les besoins de refroidissement

Comme ces facteurs fluctuent au fil de la journée et de la semaine, la demande de refroidissement suit un schéma temporel complexe plutôt qu’une droite simple. L’équipe entraîne un type de modèle d’apprentissage profond, connu sous le nom de réseau à mémoire courte et longue (long short-term memory), pour apprendre ce motif à partir de données historiques. Ils alimentent le modèle avec les facteurs les plus importants identifiés par l’analyse précédente, ainsi qu’avec l’historique récent de la consommation de refroidissement de la patinoire. Le modèle regarde les 24 heures précédentes pour prédire la valeur suivante, capturant à la fois les rythmes quotidiens réguliers et les pics soudains quand davantage de patineurs arrivent ou quand la météo change.

Rendre le moteur de prédiction plus intelligent et plus léger

Les chercheurs testent plusieurs variantes de leur moteur de prédiction pour déterminer quels choix de conception apportent le plus d’amélioration. L’empilement de deux couches d’unités d’apprentissage améliore la capacité du modèle à saisir à la fois les brèves perturbations et les oscillations plus longues de la demande. L’ajout d’indices calendaires simples — heure de la journée, jour de la semaine, jours fériés et horaires d’événements — affine encore sa capacité à repérer les moments où la charge est susceptible d’augmenter. En revanche, une astuce d’entraînement populaire appelée normalisation par lot, qui aide souvent d’autres réseaux profonds, nuit en réalité à cette tâche temporelle en estompant les relations délicates d’un instant à l’autre. La meilleure version du modèle réduit les erreurs de prédiction de plus de dix pour cent par rapport à une conception plus simple et surpasse nettement un réseau neuronal traditionnel qui gère moins bien les données temporelles.

Répartir la charge entre les groupes frigorifiques

La plupart des patinoires s’appuient sur plusieurs unités frigorifiques dimensionnées pour affronter les pires vagues de chaleur, mais elles fonctionnent généralement à puissance partielle. La façon dont cette charge est répartie influence fortement la consommation énergétique, car chaque machine a une zone de fonctionnement où son rendement est maximal. En s’appuyant sur les prévisions de charge à court terme, les auteurs construisent un modèle mathématique qui décide de l’effort à fournir par chaque refroidisseur afin que, collectivement, ils couvrent la demande avec la consommation électrique totale la plus faible. Pour résoudre ce problème, ils appliquent une méthode de recherche inspirée du comportement de chasse des baleines à bosse, qui alterne entre exploration large et focalisation sur une solution prometteuse.

Combien d’énergie peut économiser la commande intelligente

L’étude compare cette stratégie inspirée des baleines avec deux règles simples utilisées en pratique : mettre en marche les refroidisseurs selon un ordre fixe, et répartir la charge uniformément entre toutes les machines. Sur des journées de demande faible, moyenne et élevée, l’approche ‘‘baleine’’ consomme systématiquement le moins d’énergie, avec des économies d’environ 6–8 % par rapport aux méthodes basiques dans la patinoire étudiée. Elle surpasse également deux autres outils d’optimisation bien connus, les algorithmes génétiques et l’optimisation par essaim de particules, en trouvant de meilleures solutions plus rapidement et avec moins d’itérations de calcul. En période de faible charge, elle fait souvent fonctionner une seule unité, tandis qu’aux heures de pointe elle ajuste la combinaison d’unités et leurs charges partielles pour éviter des fonctionnements inefficaces.

Ce que cela signifie pour les patinoires de demain

Concrètement, le travail montre que ‘‘regarder’’ seulement quelques heures en avant puis planifier la répartition de l’effort de refroidissement entre les machines peut réduire sensiblement la facture d’électricité d’une patinoire sans modifier le bâtiment ni l’équipement. La méthode proposée relie un moteur de prévision et un ordonnancier intelligent d’une manière qui pourrait être réentraînée pour d’autres patinoires ou même pour des entrepôts frigorifiques et des usines agroalimentaires. Avec davantage de données et une intégration possible aux systèmes de contrôle automatisés, des approches de ce type pourraient permettre au sport sur glace en intérieur de se développer tout en maîtrisant mieux son empreinte environnementale.

Citation: 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

Mots-clés: patinoire intérieure, refroidissement économe en énergie, apprentissage automatique, contrôle de réfrigération, algorithme d’optimisation