Моделирование топологии и прогнозирование энергоэффективности параллельных чиллеров на основе глубокого обучения

Почему важно более умное охлаждение

За каждым дата‑центром, заводом и большим судном стоит система охлаждения, которая незаметно потребляет значительную долю мировой электроэнергии. Во многих объектах несколько чиллеров работают параллельно, чтобы поддерживать безопасную температуру для серверов и оборудования, но небольшие изменения в распределении нагрузки между ними могут приводить к большим потерям энергии. В этом исследовании показано, как новый тип искусственного интеллекта «видит» одновременно и конфигурацию системы охлаждения, и её динамику во времени, что позволяет операторам точнее прогнозировать энергопотребление и значительно повысить эффективность работы чиллеров.

Как крупные системы охлаждения теряют энергию

Охлаждающие установки на промышленных объектах составляют большую часть глобального энергопотребления, и до трети этой энергии может теряться из‑за неэффективной эксплуатации и распределения нагрузки. В типичном цехе или дата‑центре несколько чиллеров, насосов и градирен работают как единая система, соединённая сетью труб. Когда один чиллер запускается, останавливается или меняет нагрузку, это влияет на потоки и давление по всей сети, а значит и на нагрузку остальных устройств. Традиционные правила управления и простые модели прогнозирования рассматривают каждый чиллер почти как отдельную единицу, поэтому они часто не улавливают эти скрытые связки и дают сбои при изменении условий или состояния оборудования.

Обучение модели учитывать время и связи

Исследователи создали гибридную модель глубокого обучения, сочетающую две ключевые идеи. Первая — последовательная модель LSTM, хорошо распознающая закономерности во временных рядах, например как меняется потребляемая мощность и температура воды по минутам. Вторая — графовая модель GCN, которая рассматривает каждый чиллер, насос и градирню как узел в сети и учится тому, как они влияют друг на друга через физическую разводку труб и текущее распределение нагрузки. Слияние этих двух представлений позволяет модели одновременно отслеживать историю каждого устройства и взаимосвязи между ними.

Использование физики и цифровых двойников в качестве ориентира

Вместо прямой подачи сырых сигналов с датчиков в сеть, команда сперва переводит их в величины с ясным физическим смыслом — например охлаждающая мощность на единицу электроэнергии и эффективность теплообмена. Они также добавляют регуляризующий член, который мягко подталкивает предсказания к соблюдению базовых законов баланса энергии и тепла, что помогает избегать нереалистичных резких скачков. Чтобы расширить набор ситуаций, которые видит модель, реальные данные из крупного дата‑центра комбинируют с тысячами часов имитаций цифрового двойника станции охлаждения. Такой двойник позволяет исследовать изменения нагрузок, внешних условий и даже разные варианты соединения оборудования, которые было бы трудно или рискованно проверять на реальном объекте.

Тестирование на дата‑центрах, заводах и судах

Модель обучали на примерно 128 миллионах исторических записей из дата‑центра с пятью крупными центробежными чиллерами и затем тестировали на новых данных. При горизонте прогноза 30 минут она сокращает среднеквадратичную ошибку предсказания мощности на 19,4% и уменьшает процентную ошибку чуть более чем на 2 процентных пункта по сравнению со сильной базовой LSTM-моделью, игнорирующей сетевую топологию. Авторы также проверили переносимость подхода на автомобильный завод и центральную систему охлаждения контейнеровоза. При ограниченной донастройке для завода и вообще без дообучения для судна модель всё равно существенно превосходит традиционные методы, показывая, что выученное представление поведения охлаждения не привязано к одному объекту.

Что это значит для экономии энергии

Объединив знания о связях между устройствами, их поведении во времени и физических ограничениях, предлагаемая система GCN–LSTM способна с высокой точностью и устойчивостью прогнозировать энергопотребление чиллеров, даже когда оборудование стареет или меняется режим работы. Такие более надёжные прогнозы позволяют управляющему ПО выбирать лучшие стратегии распределения нагрузки, перераспределяя работу между чиллерами, чтобы сохранять комфорт и холодопроизводительность при меньшем потреблении электроэнергии. На практике это предлагает новый, переносимый способ сокращать потери энергии в крупных системах охлаждения в дата‑центрах, на заводах и на судах без перепроектирования аппаратной части.

Цитирование: 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

Ключевые слова: энергоэффективность чиллера, глубокое обучение, графовая нейронная сеть, промышленное охлаждение, интеллектуальное управление