Topologiemodellering en energie-efficiëntievoorspelling van parallelle chillers op basis van deep learning

Waarom slimmer koelen ertoe doet

Achter elk datacenter, elke fabriek en elk groot schip staat een koelsysteem dat ongemerkt een groot deel van ’s werelds elektriciteit verbruikt. Veel locaties draaien meerdere chillers parallel om servers en machines op veilige temperaturen te houden, maar kleine veranderingen in de manier waarop deze chillers de lasten verdelen kunnen grote hoeveelheden energie verspillen. Deze studie laat zien hoe een nieuw soort kunstmatige intelligentie zowel de lay-out van een koelsysteem als het veranderende gedrag in de tijd kan "zien", zodat beheerders het energieverbruik nauwkeuriger kunnen voorspellen en hun chillers veel efficiënter kunnen laten draaien.

Hoe grote koelsystemen energie verspillen

Koelinstallaties in de industrie vormen een aanzienlijk deel van het wereldwijde energiegebruik, en tot een derde daarvan kan verloren gaan door slecht beheer en ongelijke lastenverdeling. In een typische fabriek of datacenter werken meerdere chillers, pompen en koeltorens samen, verbonden door een wirwar van leidingen. Wanneer een chiller start, stopt of van belasting verandert, beïnvloedt dat de stroming en druk in het hele netwerk, wat op zijn beurt bepaalt hoe hard de andere machines moeten werken. Traditionele regels en eenvoudige voorspellingsmodellen behandelen elke chiller min of meer alsof die op zichzelf staat, waardoor ze deze verborgen verbanden vaak missen en moeite hebben wanneer de omstandigheden of de staat van de apparatuur veranderen.

Een model leren rekening te houden met tijd en verbindingen

De onderzoekers bouwden een hybride deep-learningmodel dat twee kernideeën combineert. De eerste is een sequentiemodel genaamd LSTM, dat goed is in het herkennen van patronen in tijdreeksen, bijvoorbeeld hoe het stroomverbruik en de watertemperatuur minuut na minuut variëren. De tweede is een grafgebaseerd model, GCN, dat elke chiller, pomp en koeltoren als een knoop in een netwerk behandelt en leert hoe ze elkaar beïnvloeden via de fysieke leidingslay-out en actuele lastverdeling. Door deze twee gezichtspunten te versmelten kan het model zowel de geschiedenis van elk apparaat volgen als de manier waarop alle apparaten met elkaar verbonden zijn.

Fysica en digitale tweelingen als leidraad

In plaats van ruwe sensorwaarden direct aan het netwerk te voeren, zetten de onderzoekers die eerst om naar grootheden met duidelijke fysische betekenis, zoals koelvermogen per eenheid elektriciteit en de effectiviteit van warmte-uitwisseling. Ze voegen ook een regularisatieterm toe die de voorspellingen zachtjes aanstuurt om basale energie- en warmtebalanswetten te respecteren, wat helpt onrealistische sprongen te voorkomen. Om het aantal situaties dat het model ziet te vergroten, combineren ze reële gegevens van een groot datacenter met duizenden uren gesimuleerde data van een digitale tweeling van de koelinstallatie. Met deze tweeling kunnen ze veranderende belastingen, buitenomstandigheden en zelfs alternatieve aansluitwijzen van apparatuur verkennen die in de echte installatie moeilijk of riskant zouden zijn om te testen.

Testen in datacenters, fabrieken en schepen

Het model wordt getraind op ongeveer 128 miljoen historische records van een datacenter met vijf grote centrifugale chillers en vervolgens getest op nieuwe data. Voor een predictievenster van 30 minuten reduceert het de root-mean-square fout in vermogensvoorspellingen met 19,4 procent en verkleint het de procentuele fout met net iets meer dan 2 punten vergeleken met een sterke LSTM-baseline die de netwerklay-out negeert. De auteurs toetsen ook hoe goed de aanpak overdraagbaar is naar een autofabriek en naar het centrale koelsysteem van een containerschip. Met beperkte finetuning voor de fabriek en zonder hertraining voor het schip presteert het model nog steeds duidelijk beter dan conventionele methoden, wat aantoont dat de aangeleerde representatie van koelgedrag niet aan één locatie gebonden is.

Wat dit betekent voor energiebesparing

Door kennis te combineren over hoe apparatuur is verbonden, hoe ze zich in de tijd gedraagt en hoe de fysica die beperkingen oplegt, kan het voorgestelde GCN–LSTM-systeem het energieverbruik van chillers met hoge nauwkeurigheid en stabiliteit voorspellen, zelfs wanneer apparatuur veroudert of het bedrijfsprofiel verandert. Deze betrouwbaardere voorspellingen stellen besturingssoftware in staat betere lastverdelingsstrategieën te kiezen, waarbij werk tussen chillers wordt verschoven om comfort en koelcapaciteit te behouden en tegelijk minder elektriciteit te gebruiken. In praktische zin wijst deze aanpak op een nieuwe, overdraagbare manier om energieverspilling in grote koelsystemen van datacenters, fabrieken en schepen te verminderen zonder de hardware te hoeven herbouwen.

Bronvermelding: 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

Trefwoorden: energie-efficiëntie chiller, deep learning, graph neural network, industriële koeling, intelligente besturing