Pesquisa sobre previsão de carga de refrigeração e otimização de alocação para sistema de refrigeração em pista de gelo interna: evidências da China

Por que manter pistas de gelo frias é realmente importante

Pistas de gelo internas consomem muito mais energia do que ginásios esportivos comuns porque precisam manter uma lâmina de gelo estável enquanto as pessoas patinam, treinam e competem. À medida que mais arenas de gelo são construídas para recreação pública e esportes de inverno, seu uso de eletricidade e impacto climático aumentam. Este estudo investiga como preservar a qualidade do gelo usando menos energia, prevendo quanto resfriamento uma pista precisará nas próximas horas e distribuindo esse trabalho de forma inteligente entre várias máquinas de refrigeração.

O que determina o frio em uma pista de gelo

Manter uma lâmina de gelo congelada é como equilibrar o calor que entra de várias direções com o frio removido pelo sistema de refrigeração. O calor sobe do solo, entra do ar mais quente acima do gelo, incide pelo sol através da envoltória do prédio e chega na forma de calor corporal dos patinadores e água quente usada para recuperar a superfície do gelo. Os autores listam primeiro essas influências e usam um método estatístico chamado análise relacional cinza para ver quais se correlacionam mais fortemente com a demanda de refrigeração. Para uma grande pista pública em Pequim, os fatores mais determinantes foram o número de pessoas patinando, a umidade do ar externo, a quantidade de luz solar difusa incidente no edifício e a temperatura do ar externo.

Ensinando um computador a prever as necessidades de refrigeração

Como essas influências sobem e descem ao longo do dia e da semana, a demanda de refrigeração se comporta como um padrão temporal complexo em vez de uma linha reta simples. A equipe treina um tipo de modelo de aprendizado profundo, conhecido como rede de memória de longo curto prazo (LSTM), para aprender esse padrão a partir de dados históricos. Eles alimentam o modelo com os fatores mais importantes selecionados pela análise anterior, juntamente com o histórico recente do próprio consumo de refrigeração da pista. O modelo olha para as últimas 24 horas para prever o valor seguinte, capturando ritmos diários regulares e picos súbitos quando mais patinadores chegam ou o tempo muda.

Tornando o motor de previsão mais inteligente e enxuto

Os pesquisadores testam várias versões do motor de previsão para ver quais escolhas de projeto ajudam mais. Empilhar duas camadas das unidades de aprendizado melhora a capacidade do modelo de captar tanto flutuações breves quanto variações mais longas na demanda. Adicionar pistas simples de calendário, como hora do dia, dia da semana, feriados e horários de eventos, afina ainda mais sua capacidade de detectar quando as cargas tendem a subir. Em contraste, um truque de treinamento popular chamado normalização por lote, que muitas vezes ajuda outras redes profundas, na verdade prejudica esta tarefa temporal ao borrar as relações delicadas entre um momento e o seguinte. A melhor versão do modelo reduz os erros de previsão em mais de dez por cento comparada a um projeto mais simples e supera claramente uma rede neural tradicional que não lida tão bem com o aspecto temporal.

Distribuindo o trabalho entre os chillers

A maioria das pistas de gelo depende de várias unidades de refrigeração dimensionadas para o pior cenário térmico, embora normalmente operem em potência parcial. Como essa carga é dividida faz grande diferença no consumo de energia, porque cada máquina tem uma faixa de operação em que é mais eficiente. Usando as previsões de carga de curto prazo, os autores constroem um modelo matemático que decide o quanto cada chiller deve trabalhar para que, em conjunto, atendam à demanda de refrigeração com o menor consumo total de eletricidade. Para resolver esse problema, eles aplicam um método de busca inspirado no comportamento de caça das baleias-jubarte, que alterna entre explorar amplamente e focar em uma solução promissora.

Quanto de energia o controle inteligente pode economizar

O estudo compara essa estratégia baseada em baleias com duas regras simples usadas na prática: ligar os chillers em uma ordem fixa e dividir a carga igualmente entre todas as máquinas. Em dias de demanda baixa, média e alta, a abordagem das baleias usa consistentemente menos energia, com economias de cerca de 6–8% em relação aos métodos básicos no caso de estudo. Ela também supera duas outras ferramentas de otimização conhecidas, algoritmos genéticos e otimização por enxame de partículas, encontrando melhores soluções mais rápido e com menos etapas de cálculo. Em períodos de baixa carga, frequentemente opera apenas uma unidade, enquanto durante as horas de pico ajusta a combinação de unidades e suas cargas parciais para evitar operações ineficientes.

O que isso significa para futuras pistas de gelo

Em termos simples, o trabalho mostra que “olhar à frente” por apenas algumas horas e então planejar como compartilhar o esforço de refrigeração entre as máquinas pode reduzir de forma nítida a conta de eletricidade de uma pista de gelo sem alterar o edifício ou os equipamentos. O método proposto integra um motor de previsão e um agendador inteligente de forma que pode ser retreinado para outras pistas ou mesmo para câmaras frias e indústrias alimentares. Com mais dados e possível integração a sistemas de controle automáticos, abordagens como esta podem ajudar os esportes de gelo indoor a se expandirem mantendo sua pegada ambiental sob melhor controle.

Citação: 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

Palavras-chave: pista de gelo interna, refrigeração energeticamente eficiente, aprendizado de máquina, controle de refrigeração, algoritmo de otimização