Onderzoek naar voorspelling van koellast en optimalisatie van toewijzing voor het koelsysteem in een overdekte ijsbaan: bewijs uit China

Waarom het koud houden van ijsbanen echt belangrijk is

Overdekte ijsbanen verbruiken veel meer energie dan gewone sportzalen omdat ze een ijsvloer stabiel moeten houden terwijl mensen schaatsen, trainen en wedstrijden houden. Naarmate er meer ijsarena’s worden gebouwd voor recreatie en wintersport, groeien ook hun elektriciteitsgebruik en klimaatimpact. Deze studie onderzoekt hoe de ijsvloer in goede conditie kan blijven met minder energiegebruik, door te voorspellen hoeveel koeling een ijsbaan in de komende paar uur nodig heeft en die taak vervolgens slim te verdelen over meerdere koelinstallaties.

Wat de koude in een ijsbaan aanjaagt

Het bevroren houden van een ijsvloer is als het balanceren van warmte die van vele kanten binnenkomt met koude die door het koelsysteem wordt afgevoerd. Warmte sijpelt omhoog vanuit de grond, stroomt in vanuit de warmere lucht boven het ijs, valt door zonlicht op het gebouw en komt binnen als lichaamswarmte van schaatsers en warm water dat gebruikt wordt om de ijsvloer te egaliseren. De auteurs sommen eerst deze invloeden op en gebruiken een statistische methode, grijze relationele analyse, om te bepalen welke factoren het nauwst samenlopen met de koellast. Voor een grote openbare ijsbaan in Peking blijken de sterkste aanjagers het aantal schaatsers, de luchtvochtigheid buiten, de hoeveelheid diffuus zonlicht op het gebouw en de buitentemperatuur te zijn.

Een computer leren de koelbehoefte te voorspellen

Aangezien deze invloeden gedurende de dag en week op en neer gaan, gedraagt de koellast zich als een ingewikkeld tijdsverloop in plaats van een rechte lijn. Het team traint een type deep learning-model, bekend als een long short-term memory-netwerk, om dit patroon uit historische data te leren. Ze voeren de belangrijkste factoren in die de eerdere analyse selecteerde, samen met de recente geschiedenis van het eigen koelgebruik van de baan. Het model kijkt 24 uur terug om de volgende waarde te voorspellen, waardoor het zowel dagelijkse ritmes als plotselinge pieken wanneer meer schaatsers arriveren of het weer verandert kan vangen.

De voorspellingsmotor slimmer en efficiënter maken

De onderzoekers testen meerdere versies van hun voorspellingsmotor om te zien welke ontwerpkeuzes het meest helpen. Het stapelen van twee lagen van de leereenheden verbetert hoe het model zowel korte stoorpieken als langere schommelingen in de vraag vastlegt. Het toevoegen van eenvoudige kalenderindicatoren zoals tijd van de dag, dag van de week, feestdagen en tijden van evenementen verscherpt bovendien het vermoeden wanneer de belasting waarschijnlijk zal stijgen. Daarentegen schaadt een populaire trainingstruc, batchnormalisatie, die vaak helpt bij andere diepe netwerken, deze tijdsgebonden taak doordat het de subtiele relaties tussen opeenvolgende momenten vervaagt. De beste versie van het model vermindert de voorspellingsfouten met meer dan tien procent vergeleken met een eenvoudiger ontwerp en overtreft duidelijk een traditioneel neuraal netwerk dat minder goed met tijdreeksen omgaat.

Het werk verdelen over koelunits

De meeste ijsbanen vertrouwen op meerdere koelunits die zijn gedimensioneerd voor het worstcasescenario, maar ze draaien meestal op gedeeltelijk vermogen. Hoe die last wordt verdeeld maakt een groot verschil voor het energiegebruik, omdat elke machine een efficiëntie-‘sweet spot’ heeft waarin hij het meest zuinig werkt. Met behulp van de kortetermijn-voorspellingen bouwen de auteurs een wiskundig model dat beslist hoe hard elke chiller moet draaien zodat ze samen aan de koelbehoefte voldoen met het laagste totale elektriciteitsverbruik. Om deze puzzel op te lossen passen ze een zoekmethode toe die is geïnspireerd op het jachtgedrag van bultruggen, die afwisselen tussen breed verkennen en inzoomen op veelbelovende oplossingen.

Hoeveel energie de slimme regeling kan besparen

De studie vergelijkt deze walvis-geïnspireerde strategie met twee eenvoudige regels die in de praktijk worden gebruikt: chillers inschakelen in een vaste volgorde en de last gelijkmatig over alle machines verdelen. Over dagen met lage, middelmatige en hoge koellast gebruikt de walvisaanpak consequent het minste energie, met besparingen van ongeveer 6–8% ten opzichte van de basismethoden in de casestudy-ijsbaan. Het presteert ook beter dan twee andere bekende optimalisatietools, genetische algoritmen en particle swarm optimization, door snellere en betere oplossingen te vinden met minder berekeningsstappen. In perioden met lage belasting draait vaak slechts één unit, terwijl tijdens drukke uren de mix van units en hun deellast wordt aangepast om inefficiënte werking te vermijden.

Wat dit betekent voor toekomstige ijsbanen

Eenvoudig gezegd laat dit onderzoek zien dat ‘vooruitkijken’ van slechts een paar uur en vervolgens plannen hoe de koelingsinspanning tussen machines te verdelen de energierekening van een ijsbaan merkbaar kan verlagen zonder het gebouw of de apparatuur te veranderen. De voorgestelde methode verbindt een voorspellingsmotor met een slimme planner op een manier die opnieuw getraind kan worden voor andere banen of zelfs voor koelhuizen en voedingsmiddelenbedrijven. Met meer data en mogelijke integratie in automatische regelsystemen kunnen benaderingen als deze bijdragen aan de groei van binnensporten op ijs terwijl hun ecologische voetafdruk beter beheerst blijft.

Bronvermelding: 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

Trefwoorden: overdekte ijsbaan, energiezuinig koelen, machine learning, koelingsregeling, optimalisatie-algoritme