屋内アイスリンクの冷負荷予測と冷凍機割当最適化に関する研究：中国からの知見

なぜアイスリンクを冷たく保つことが重要なのか

屋内アイスリンクは、スケートや練習、競技が行われる間に氷の状態を安定させ続ける必要があるため、一般的なスポーツホールよりはるかに多くのエネルギーを消費します。公共のレクリエーションやウィンタースポーツ向けにアイスアリーナが増えるにつれ、電力消費と気候への影響も大きくなります。本研究は、今後数時間の冷却需要を予測し、複数の冷凍機間でその負荷を賢く配分することで、氷の品質を維持しながらエネルギー使用を削減する方法を検討します。

アイスリンクの冷えを左右する要因

氷面を凍結状態に保つには、さまざまな方向から入ってくる熱と、冷凍システムが奪う冷気を釣り合わせる必要があります。地面からの熱の侵入、氷上の暖かい空気からの熱流入、建物殻を通して差し込む太陽光、スケーターの体熱や整氷に使われる温水などが加わります。著者らはまずこれらの影響を列挙し、灰色相関分析という統計手法を用いて冷却需要と最も密接に動く要因を明らかにします。北京の大規模な公共リンクを対象とした結果では、最も強い駆動要因はスケーターの人数、屋外空気の湿度、建物に当たる拡散光の量、外気温であることが示されました。

冷却需要を予測するコンピュータの学習

これらの要因は一日の中や週単位で増減するため、冷却需要は単純な直線ではなく複雑な時系列パターンを示します。研究チームは長短期記憶ネットワーク（LSTM）として知られる深層学習モデルを訓練し、過去データからこのパターンを学習させます。先の解析で選ばれた重要因子と、リンク自身の最近の冷却使用履歴を入力に与え、過去24時間を参照して次の値を予測することで、日々の規則的なリズムやスケーター増加や天候変化による突然のピークを捉えます。

予測エンジンをより賢く、よりコンパクトにする工夫

研究者らは予測エンジンの複数のバージョンを検証し、どの設計上の選択が最も効果的かを調べます。学習ユニットを2層に重ねることで、短期の変動と長期の振幅の両方をよりよく捉えられるようになります。時刻、曜日、祝日、イベント時間などの簡単なカレンダークルーを追加すると、負荷が上がりやすい時期をより正確に把握できます。対照的に、他の深層ネットワークで有効なことが多いバッチ正規化という手法は、この時系列タスクでは時刻間の繊細な関係をぼかしてしまい逆効果でした。最良モデルは単純な設計に比べて予測誤差を10％以上削減し、時間情報を扱えない従来型のニューラルネットワークを明確に上回りました。

冷凍機間で負荷を分配する

ほとんどのアイスリンクは最悪ケースの熱負荷に備えて複数の冷凍機を配置しますが、通常は部分負荷で稼働します。負荷の分配方法はエネルギー使用に大きく影響します。各機器には最も効率よく動く稼働領域（スイートスポット）があるためです。短期の負荷予測を用いて、著者らは各冷凍機がどれだけ稼働すべきかを決め、全体で必要な冷却を満たしつつ総電力使用を最小にする数理モデルを構築します。解法にはザトウクジラの獲物探索行動に着想を得た探索法を適用し、広く探索する段階と有望解に収束する段階を交互に行います。

スマート制御でどれほど省エネできるか

研究はこのクジラ由来の戦略を、実務で使われる2つの単純なルール――冷凍機を固定順で起動する方法と、全機器に均等に負荷を分割する方法――と比較します。低・中・高の冷却需要の日程にわたり、クジラアプローチは常に最少のエネルギーを使用し、事例となったリンクでは基本手法に対して約6～8％の節電を達成しました。また、遺伝的アルゴリズムや粒子群最適化といった他の一般的な最適化手法よりも、より良い解を速く、少ない計算ステップで見つけました。低負荷時にはしばしば1台だけで運転し、繁忙時には機種構成と部分負荷を調整して無駄な運転を避けます。

将来のアイスリンクにとっての意義

平たく言えば、本研究は数時間先を予測してから機器間で冷却の負荷を計画的に配分するだけで、建物や機器を変えなくてもアイスリンクの電力費を目に見えて削減できることを示しています。提案手法は予測エンジンとスマートスケジューラを結びつけており、他のリンクや冷蔵倉庫、食品工場などにも再学習して適用できます。データ量が増え、自動制御システムへの統合が進めば、このような手法は屋内アイススポーツの拡大とともに環境負荷を抑えるのに寄与する可能性があります。

引用: 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

キーワード: 屋内アイスリンク, 省エネルギー冷却, 機械学習, 冷凍制御, 最適化アルゴリズム