Badania nad prognozowaniem obciążenia chłodniczego i optymalizacją rozdziału pracy systemu chłodniczego na lodowisku krytym: dowody z Chin

Dlaczego utrzymanie zimna na lodowisku ma rzeczywiste znaczenie

Lodowiska kryte zużywają znacznie więcej energii niż zwykłe hale sportowe, ponieważ muszą utrzymywać taflę lodu w stabilnym stanie podczas jazdy, treningów i zawodów. W miarę budowy kolejnych aren do rekreacji publicznej i sportów zimowych rośnie ich zużycie energii i wpływ na klimat. W tym badaniu analizuje się, jak utrzymać dobrą jakość lodu przy mniejszym zużyciu energii — poprzez prognozowanie, ile chłodzenia lodowisko będzie potrzebować w ciągu najbliższych kilku godzin, a następnie inteligentne rozdzielenie tej pracy między kilka agregatów chłodniczych.

Co napędza ochładzanie na lodowisku

Utrzymanie tafli lodu w stanie zamrożonym polega na zrównoważeniu ciepła napływającego z wielu źródeł z chłodem usuwanym przez system chłodniczy. Ciepło przenika z gruntu, napływa z cieplejszego powietrza nad lodem, dociera jako promieniowanie słoneczne przez obudowę budynku oraz jako ciepło ludzkiego ciała od łyżwiarzy i ciepła woda używana do pielęgnacji lodu. Autorzy najpierw wymieniają te wpływy i stosują statystyczną metodę zwaną analizą relacji szarych, by sprawdzić, które z nich najściślej korelują z zapotrzebowaniem na chłodzenie. Dla dużego lodowiska publicznego w Pekinie najsilniejszymi czynnikami okazują się liczba łyżwiarzy, wilgotność powietrza na zewnątrz, ilość rozproszonego światła miękkiego padającego na budynek oraz temperatura powietrza na zewnątrz.

Nauczanie komputera przewidywania zapotrzebowania na chłód

Ponieważ te czynniki zmieniają się w ciągu dnia i tygodnia, zapotrzebowanie na chłodzenie ma skomplikowany charakter czasowy, a nie prostą zależność liniową. Zespół szkoli rodzaj modelu głębokiego uczenia, znany jako sieć typu long short-term memory (LSTM), aby nauczyć się tego wzorca z danych historycznych. Do modelu podają najważniejsze czynniki wybrane wcześniej, wraz z niedawną historią zużycia chłodu przez lodowisko. Model sięga wstecz na 24 godziny, aby przewidzieć kolejną wartość, wychwytując regularne rytmy dobowego przebiegu oraz nagłe skoki, gdy pojawia się więcej łyżwiarzy lub zmienia się pogoda.

Udoskonalanie silnika prognozującego — mądrzej i wydajniej

Badacze testują kilka wersji silnika prognostycznego, by sprawdzić, które rozwiązania projektowe pomagają najbardziej. Ułożenie dwóch warstw jednostek LSTM poprawia zdolność modelu do uchwycenia zarówno krótkotrwałych impulsów, jak i dłuższych wahań zapotrzebowania. Dodanie prostych wskazówek kalendarzowych, takich jak pora dnia, dzień tygodnia, święta i czasy wydarzeń, dodatkowo wyostrza jego wyczucie, kiedy obciążenia prawdopodobnie wzrosną. W przeciwieństwie do tego popularna sztuczka treningowa zwana normalizacją wsadową (batch normalization), która często pomaga w innych sieciach głębokich, w tym zadaniu czasowym szkodzi, rozmywając delikatne zależności między kolejnymi momentami. Najlepsza wersja modelu obniża błędy prognozy o ponad dziesięć procent w porównaniu z prostszą konstrukcją i wyraźnie przewyższa tradycyjną sieć neuronową, która gorzej radzi sobie z zależnościami czasowymi.

Dzielenie pracy między agregatami chłodniczymi

Większość lodowisk korzysta z kilku jednostek chłodniczych zaprojektowanych na skrajnie wysokie obciążenie, lecz zwykle pracują one częściowo. Sposób podziału tego obciążenia ma duże znaczenie dla zużycia energii, ponieważ każda maszyna ma zakres pracy, w którym jest najbardziej wydajna. Wykorzystując krótkoterminowe prognozy obciążenia, autorzy tworzą model matematyczny, który decyduje, z jaką mocą każda chłodnica powinna pracować, aby łącznie pokryć zapotrzebowanie przy najniższym całkowitym zużyciu energii elektrycznej. Do rozwiązania tego zadania stosują metodę przeszukiwania inspirowaną zachowaniem łowieckim wielorybów humbaków, która przełącza się między szerokim przeszukiwaniem a koncentrowaniem się na obiecującym rozwiązaniu.

Ile energii może zaoszczędzić inteligentne sterowanie

Badanie porównuje tę strategię opartą na algorytmie "wieloryba" z dwoma prostymi regułami stosowanymi w praktyce: włączaniem chłodnic w ustalonej kolejności oraz równym rozdziałem obciążenia na wszystkie maszyny. W dniach o niskim, średnim i wysokim zapotrzebowaniu na chłód podejście "wielorybie" konsekwentnie zużywa najmniej energii, osiągając oszczędności rzędu 6–8% w porównaniu z podstawowymi metodami dla analizowanego lodowiska. Przewyższa też dwa inne znane narzędzia optymalizacyjne — algorytmy genetyczne i optymalizację roju cząstek — znajdując lepsze rozwiązania szybciej i przy mniejszej liczbie kroków obliczeniowych. W okresach niskiego obciążenia często działa tylko jedna jednostka, natomiast w godzinach intensywnej pracy dostosowuje zestaw jednostek i ich obciążenia cząstkowe, aby unikać nieefektywnej eksploatacji.

Co to oznacza dla przyszłych lodowisk

Mówiąc prosto, praca pokazuje, że „patrzenie wprzód” na zaledwie kilka godzin i planowanie rozdziału pracy chłodnic może zauważalnie obniżyć rachunki za prąd dla lodowiska bez zmiany budynku czy sprzętu. Proponowana metoda łączy silnik prognostyczny z inteligentnym harmonogramem w sposób, który można dostosować do innych lodowisk, a nawet chłodni i zakładów spożywczych. Przy większej ilości danych i możliwej integracji z systemami automatycznego sterowania podejścia takie jak to mogą umożliwić rozwój sportów lodowych wewnątrz hal przy jednoczesnym lepszym ograniczaniu ich śladu środowiskowego.

Cytowanie: 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

Słowa kluczowe: lodowisko kryte, energooszczędne chłodzenie, uczenie maszynowe, sterowanie chłodnictwem, algorytm optymalizacyjny