Исследование прогнозирования холодильной нагрузки и оптимизации распределения для системы охлаждения в закрытом ледовом катке: данные из Китая

Почему важно сохранять лед в холоде

Закрытые ледовые катки потребляют значительно больше энергии, чем обычные спортивные залы, потому что им необходимо поддерживать слой льда стабильным, пока люди катаются, тренируются и соревнуются. По мере того как строятся новые арены для общественного отдыха и зимних видов спорта, растет их потребление электроэнергии и влияние на климат. В этом исследовании рассмотрены способы поддержания качества льда при снижении энергозатрат — путем прогнозирования того, сколько охлаждения потребуется катку в ближайшие часы, и последующего умного распределения этой работы между несколькими холодильными установками.

Что влияет на холод в катке

Поддержание льда — это баланс между теплом, поступающим со многих сторон, и холодом, отводимым холодильной системой. Тепло проникает снизу от грунта, поступает из более тёплого воздуха над льдом, проникает солнечным излучением через ограждающие конструкции, а также поступает в виде тепла от тел катающихся и горячей воды, используемой при заливке льда. Авторы сначала перечисляют эти факторы и применяют статистический метод серой реляционной анализа, чтобы выяснить, какие из них наиболее тесно связаны с потребностью в охлаждении. Для большого публичного катка в Пекине наиболее сильными факторами оказались число катающихся, влажность наружного воздуха, количество рассеянного мягкого солнечного света, падающего на здание, и температура наружного воздуха.

Обучение компьютера предвидеть потребности в охлаждении

Поскольку эти влияния изменяются в течение дня и недели, потребность в охлаждении ведёт себя как сложная временная закономерность, а не как простая прямая. Команда обучает тип модели глубокого обучения, известной как сеть с длительной краткосрочной памятью (LSTM), чтобы она усвоила эту закономерность на основе прошлых данных. В модель подаются наиболее важные факторы, отобранные предыдущим анализом, вместе с недавней историей собственного энергопотребления катка. Модель учитывает предыдущие 24 часа, чтобы предсказать следующее значение, захватывая регулярные суточные ритмы, а также внезапные пики, когда приходит больше катающихся или меняется погода.

Делаем предсказатель умнее и экономичнее

Исследователи тестируют несколько вариантов предсказательной модели, чтобы понять, какие архитектурные решения приносят наибольшую пользу. Наложение двух слоев LSTM улучшает способность модели улавливать и короткие всплески, и более длительные колебания нагрузки. Добавление простых календарных подсказок — таких как время суток, день недели, праздники и время мероприятий — дополнительно уточняет предсказания. Напротив, популярный приём обучения — пакетная нормализация (batch normalization), который часто помогает в других глубоких сетях, в этой временной задаче ухудшает результаты, размывая тонкие связи между соседними моментами. Лучшая версия модели сокращает ошибку прогноза более чем на десять процентов по сравнению с более простой конфигурацией и явно превосходит традиционную нейросеть, которая хуже работает с временными зависимостями.

Распределение нагрузки между холодильными агрегатами

Большинство катков полагаются на несколько холодильных установок, рассчитанных на наихудший сценарий тепловой нагрузки, однако в обычной работе они обычно работают частично. То, как делится нагрузка, существенно влияет на энергопотребление, поскольку у каждой установки есть область эффективной работы. Используя короткосрочные прогнозы нагрузки, авторы строят математическую модель, которая решает, на каком уровне должна работать каждая установка, чтобы совместно обеспечить требуемое охлаждение при минимальном общем потреблении электроэнергии. Для решения этой задачи они применяют поисковый метод, вдохновлённый охотничьим поведением горбатых китов, который чередует широкое исследование пространства решений и сужение на перспективные варианты.

Сколько энергии может сэкономить интеллектуальное управление

Исследование сравнивает эту стратегию, основанную на алгоритме «китов», с двумя простыми практическими правилами: включением агрегатов в фиксированном порядке и равномерным распределением нагрузки по всем машинам. Во всех сценариях — при низкой, средней и высокой нагрузке — подход «китов» стабильно потребляет меньше энергии, обеспечивая экономию примерно 6–8% по сравнению с базовыми методами на рассматриваемом катке. Он также превосходит два других известных оптимизационных инструмента — генетические алгоритмы и рой частиц — находя лучшие решения быстрее и с меньшим числом вычислительных шагов. В периоды низкой нагрузки он часто работает с одним агрегатом, в то время как в часы пик корректирует набор агрегатов и их частичные нагрузки, чтобы избежать неэффективной работы.

Что это означает для будущих катков

Проще говоря, исследование показывает, что «заглянуть вперёд» всего на несколько часов и затем спланировать распределение охлаждающей нагрузки между установками можно заметно сократить счёт за электроэнергию катка без изменения здания или оборудования. Предложенный метод связывает прогнозный блок и интеллектуальный планировщик таким образом, что его можно дообучить для других катков или даже для холодильных складов и пищевых производств. При наличии большего объёма данных и возможной интеграции в автоматические системы управления подходы такого рода могут помочь развитию закрытых ледовых видов спорта при более контролируемом экологическом следе.

Цитирование: 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

Ключевые слова: закрытый ледовый каток, энергоэффективное охлаждение, машинное обучение, управление холодоснабжением, алгоритм оптимизации