דוגמנות טופולוגיה וחיזוי יעילות אנרגטית של צ׳ילרים מקבילים מבוסס למידה עמוקה

מדוע קירור חכם חשוב יותר

מאחורי כל מרכז נתונים, מפעל וספינה גדולה יש מערכת קירור שצורכת באופן שקט חלק גדול מצריכת החשמל העולמית. מתקנים רבים מפעילים מספר צ׳ילרים במקביל כדי לשמור על טמפרטורות בטוחות לשרתים ולמכונות, אך שינויים קטנים באופן חלוקת העומס בין הצ׳ילרים יכולים לבזבז כמות משמעותית של אנרגיה. המחקר הזה מציג כיצד סוג חדש של בינה מלאכותית יכול "לראות" הן את פריסת מערכת הקירור והן את התנהגותה המשתנה בזמן, כדי שמפעילים יוכלו לחזות את צריכת האנרגיה בצורה מדויקת יותר ולהפעיל את הצ׳ילרים באופן יעיל הרבה יותר.

כיצד מערכות קירור גדולות מבזבזות חשמל

תחנות קירור בתעשייה מהוות חלק ניכר מצריכת האנרגיה העולמית, ועד שליש ממנה עלול להתבזבז בשל תפעול לקוי וחלוקת עומסים לא מיטבית. במפעל טיפוסי או במרכז נתונים עובדים יחד מספר צ׳ילרים, משאבות ומגדלי קירור, הקשורים ברשת צינורות מסועפת. כאשר צ׳ילר אחד מתחיל, נעצר או משנה עומס, זה משפיע על הזרימה והלחץ בכל הרשת, ובכך משנה את המאמץ שכל שאר המכשירים נדרשים להשקיע. כללי בקרה מסורתיים ומודלים פשוטים לחיזוי מתייחסים לכל צ׳ילר כמעט כאילו הוא פועל בפני עצמו, ולכן הם לעתים קרובות מפספסים את הקשרים החבויים הללו ומתדרדרים כאשר התנאים או מצב הציוד משתנים.

ללמד מודל לעקוב אחרי זמן וקשרים

החוקרים בנו מודל היברידי של למידה עמוקה המשלב שני רעיונות מרכזיים. הראשון הוא מודל סידרה בשם LSTM, המיומן בזיהוי דפוסים בסדרות זמן, כמו שינוי בצריכת ההספק ובטמפרטורת המים מדקה לדקה. השני הוא מודל מבוסס גרף, GCN, המתייחס לכל צ׳ילר, משאבה ומגדל קירור כצומת ברשת ולומד כיצד הם משפיעים זה על זה דרך פריסת הצינורות הפיזית וחלוקת העומסים הנוכחית. באיחוד שתי הפרספקטיבות האלה, המודל יכול לעקוב הן אחרי ההיסטוריה של כל יחידה והן אחרי האופן שבו כל היחידות מקושרות זו לזו.

שימוש בפיזיקה ובתאומים דיגיטליים כמדריכים

במקום להזין אותות חיישן גולמיים ישירות לרשת, הצוות ממיר אותם תחילה לכמויות בעלות משמעות פיזיקלית ברורה, כגון הספק קירור ליחידת חשמל ויעילות חילוף החום. הם מוסיפים גם מונח רגולריזציה שדוחף בעדינות את התחזיות לכבד חוקי אנרגיה ואיזון חום בסיסיים, מה שעוזר למנוע קפיצות בלתי-ריאליסטיות חדות. כדי להרחיב את טווח המצבים שהמודל נחשף אליהם, הם משלבים נתונים אמיתיים ממרכז נתונים גדול עם אלפי שעות של נתונים מדומים מתאום דיגיטלי של תחנת הקירור. התאום הדיגיטלי מאפשר לחקור עומסים משתנים, תנאי חוץ ואפילו דרכים שונות לחבר ציוד שהיו קשות או מסוכנות לבדוק במתקן האמיתי.

בדיקה במרכזי נתונים, מפעלים וספינות

המודל מאומן על כ-128 מיליון רשומות היסטוריות ממרכז נתונים עם חמישה צ׳ילרים צנטריפוגליים גדולים ולאחר מכן נבחן על נתונים חדשים. בחלון חיזוי של 30 דקות הוא מקטין את שגיאת השורש-ממוצע-הריבוע בחיזוי הספק ב-19.4 אחוזים ומצמצם את שגיאת האחוזים בכמעל שתי נקודות לעומת בסיס חזק של LSTM שמתעלם מפריסת הרשת. המחברים בודקים גם עד כמה הגישה ניתנת להעברה למפעל רכב ולמערכת הקירור המרכזית של אוניית מכולות. עם כמות קטנה של כוונון מחדש למפעל וללא אימון מחודש כלל לאונייה, המודל עדיין מנצח בבירור את השיטות הקונבנציונליות, מה שמראות שהייצוג שנלמד של התנהגות הקירור אינו תלוי באתר יחיד.

מה משמעו הדברים לחיסכון באנרגיה

על-ידי שילוב הידע על אופן חיבור הציוד, על התנהגותו לאורך זמן ועל המגבלות שהפיזיקה מטילה עליו, המערכת המוצעת GCN–LSTM יכולה לחזות את צריכת האנרגיה של צ׳ילרים בדיוק וביציבות גבוהים, גם כשהציוד מתיישן או דפוסי ההפעלה משתנים. תחזיות אמינות יותר אלו מאפשרות לתוכנת הבקרה לבחור אסטרטגיות חלוקת עומס טובות יותר, להעביר עבודה בין צ׳ילרים כדי לשמור על נוחות ויכולת קירור תוך שימוש בפחות חשמל. במונחים מעשיים, הגישה מציעה דרך חדשה וניתנת להעברה להפחתת בזבוז אנרגיה במערכות קירור גדולות במרכזי נתונים, מפעלים וספינות מבלי לשדרג את החומרה.

ציטוט: 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

מילות מפתח: יעילות אנרגטית של צ׳ילר, למידה עמוקה, רשת נוירונים גרפית, קירור תעשייתי, בקרה חכמה