Modelowanie topologii i prognozowanie efektywności energetycznej równoległych agregatów chłodniczych oparte na głębokim uczeniu

Dlaczego inteligentniejsze chłodzenie ma znaczenie

Za każdym centrum danych, fabryką czy dużym statkiem stoi system chłodzenia, który cicho pochłania znaczną część światowej energii elektrycznej. W wielu obiektach kilka agregatów chłodniczych pracuje równolegle, aby utrzymać serwery i maszyny w bezpiecznych temperaturach, ale niewielkie zmiany w tym, jak te agregaty dzielą obciążenie, mogą powodować duże straty energii. W badaniu pokazano, jak nowy typ sztucznej inteligencji potrafi „zobaczyć” zarówno układ systemu chłodniczego, jak i jego zmieniające się zachowanie w czasie, dzięki czemu operatorzy mogą dokładniej przewidywać zużycie energii i eksploatować agregaty znacznie efektywniej.

Jak duże systemy chłodzenia marnują energię

Stacje chłodnicze w przemyśle odpowiadają za dużą część globalnego zużycia energii, a do jednej trzeciej tego zużycia może być marnowane wskutek złej eksploatacji i niewłaściwego dzielenia obciążenia. W typowym zakładzie czy centrum danych kilka agregatów chłodniczych, pomp i chłodni współpracuje, połączonych labiryntem rur. Gdy jeden agregat się włącza, wyłącza lub zmienia obciążenie, wpływa to na przepływy i ciśnienie w sieci, co z kolei zmienia, jak bardzo muszą pracować pozostałe urządzenia. Tradycyjne reguły sterowania i proste modele prognostyczne traktują każdy agregat niemal jak oddzielny, przez co często pomijają te ukryte powiązania i mają problemy, gdy zmieniają się warunki lub stan sprzętu.

Nauka modelu śledzenia czasu i połączeń

Naukowcy zbudowali hybrydowy model głębokiego uczenia łączący dwa kluczowe pomysły. Pierwszy to model sekwencyjny LSTM, który dobrze wykrywa wzorce w szeregach czasowych, np. jak pobór mocy i temperatura wody zmieniają się z minuty na minutę. Drugi to model oparty na grafie, GCN, który traktuje każdy agregat, pompę i chłodnię jako węzeł w sieci i uczy się, jak wpływają one na siebie poprzez fizyczny układ rur i aktualne dzielenie obciążenia. Poprzez połączenie tych dwóch perspektyw model może śledzić zarówno historię każdego urządzenia, jak i sposób, w jaki wszystkie urządzenia są ze sobą powiązane.

Wykorzystanie fizyki i cyfrowych bliźniaków jako wskazówek

Zamiast podawać surowe sygnały z czujników bezpośrednio do sieci, zespół najpierw przekształca je w wielkości o jasnym znaczeniu fizycznym, takie jak moc chłodnicza na jednostkę pobranej energii czy skuteczność wymiany ciepła. Dodają też element regularyzacji, który delikatnie nakłania prognozy do respektowania podstawowych praw bilansu energii i ciepła, co pomaga unikać nierealistycznie ostrych skoków. Aby poszerzyć zakres sytuacji, które model widzi, łączą rzeczywiste dane z dużego centrum danych z tysiącami godzin danych symulacyjnych z cyfrowego bliźniaka stacji chłodniczej. Taki bliźniak pozwala badać zmienne obciążenia, warunki zewnętrzne i nawet różne sposoby łączenia urządzeń, które byłyby trudne lub ryzykowne do przetestowania w rzeczywistej instalacji.

Testy na centrach danych, fabrykach i statkach

Model trenowano na około 128 milionach historycznych rekordów z centrum danych z pięcioma dużymi wirnikowymi agregatami chłodniczymi, a następnie testowano na świeżych danych. Dla okna predykcji 30 minut redukuje on błąd średniokwadratowy prognoz mocy o 19,4 procenta i zmniejsza błąd procentowy o nieco ponad 2 punkty w porównaniu z silnym modelem bazowym LSTM, który ignoruje topologię sieci. Autorzy sprawdzili też, jak dobrze podejście przekłada się na fabrykę samochodów i centralny system chłodzenia statku kontenerowego. Przy ograniczonym dostrojeniu dla fabryki i bez żadnego retreningu dla statku, model nadal wyraźnie przewyższa metody konwencjonalne, pokazując, że wyuczona reprezentacja zachowania systemu chłodzenia nie jest związana z jednym obiektem.

Co to oznacza dla oszczędzania energii

Łącząc wiedzę o połączeniach między urządzeniami, ich zachowaniu w czasie i ograniczeniach wynikających z fizyki, proponowany system GCN–LSTM potrafi z wysoką dokładnością i stabilnością prognozować zużycie energii przez agregaty chłodnicze, nawet gdy sprzęt się starzeje lub wzorce pracy się zmieniają. Te bardziej wiarygodne prognozy pozwalają oprogramowaniu sterującemu wybierać lepsze strategie dzielenia obciążenia, przenosząc pracę między agregatami tak, by zachować komfort i zdolność chłodniczą przy mniejszym zużyciu prądu. W praktyce podejście to wskazuje nową, przenośną metodę redukcji marnotrawstwa energii w dużych systemach chłodzenia w centrach danych, fabrykach i na statkach, bez konieczności przebudowy sprzętu.

Cytowanie: 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

Słowa kluczowe: efektywność energetyczna agregatów chłodniczych, głębokie uczenie, sieć neuronowa grafowa, chłodnictwo przemysłowe, inteligentne sterowanie