Forskning om prognoser för kylbehov och optimerad fördelning för kylsystem i inomhusishallar: bevis från Kina

Varför det verkligen spelar roll att hålla isbanor kalla

Inomhusishallar förbrukar betydligt mer energi än vanliga sporthallar eftersom de måste bibehålla ett istäcke medan människor åker skridskor, tränar och tävlar. Allt eftersom fler ishallar byggs för allmän rekreation och vintersport ökar deras elåtgång och klimatpåverkan. Den här studien undersöker hur man kan hålla isen i gott skick samtidigt som energianvändningen minskas, genom att förutsäga hur mycket kylning en ishall kommer att behöva de närmaste timmarna och sedan fördela arbetet smart mellan flera kylmaskiner.

Vad som styr kylan i en ishall

Att hålla ett istäcke fryst handlar om att balansera värme som tillförs från många håll med kyla som tas bort av kylsystemet. Värme sipprar upp från marken, strömmar in från den varmare luften ovanför isen, lyser in från solen genom byggnadsskalet och tillförs av kroppsvärmen från åkare samt varmvatten som används vid ishallsunderhåll. Författarna listar först dessa påverkansfaktorer och använder en statistisk metod kallad grå relationsanalys för att se vilka som rör sig mest i takt med kylbehovet. För en stor publikishall i Peking visar det sig att de starkaste drivkrafterna är antalet åkande personer, den utomhusluftens fuktighet, mängden mjukt spritt solljus som faller på byggnaden och utomhustemperaturen.

Att lära en dator förutse kylbehovet

Dessa påverkansfaktorer varierar över dag och vecka, så kylbehovet beter sig som ett komplicerat tidsmönster snarare än en enkel rak linje. Teamet tränar en typ av djupinlärningsmodell, känd som ett Long Short-Term Memory-nätverk, för att lära sig detta mönster från historiska data. De matar in de viktigaste faktorerna som valts av den tidigare analysen, tillsammans med anläggningens senaste kylhistorik. Modellen tittar tillbaka över de föregående 24 timmarna för att förutsäga nästa värde och fångar både regelbundna dygnsrytmer och plötsliga toppar när fler åkare anländer eller vädret skiftar.

Att göra prognosmotorn smartare och mer lätthanterlig

Forskarlaget testar flera varianter av sin prognosmotor för att se vilka designval som hjälper mest. Att stapla två lager av LSTM-enheter förbättrar modellens förmåga att fånga både korta spetsar och längre svängningar i efterfrågan. Att lägga till enkla kalenderindikatorer såsom tid på dygnet, veckodag, helgdagar och evenemangstider skärper dessutom dess känsla för när lasterna sannolikt stiger. I kontrast skadar ett vanligt träningsknep, batchnormalisering, som ofta hjälper andra djupa nätverk, faktiskt den här tidsbaserade uppgiften genom att utjämna de känsliga relationerna mellan ögonblick. Den bästa modellvarianten minskar prognosfelen med mer än tio procent jämfört med en enklare design och slår tydligt en traditionell neuronnätmodell som inte hanterar tidsberoenden lika väl.

Att fördela arbetet mellan kylmaskiner

De flesta ishallar förlitar sig på flera kylaggregat dimensionerade för värsta tänkbara värmeinslag, men de körs vanligtvis på delbelastning. Hur den totala lasten delas upp påverkar energianvändningen mycket, eftersom varje maskin har en effektivitetstopp där den arbetar mest ekonomiskt. Med hjälp av kortsiktiga lastprognoser bygger författarna en matematisk modell som bestämmer hur mycket varje kylmaskin ska arbeta så att de tillsammans tillgodoser kylbehovet med minsta möjliga totala elförbrukning. För att lösa detta pussel använder de en sökmetod inspirerad av knölvalens jaktbeteende, som växlar mellan att utforska vida områden och att fokusera in mot en lovande lösning.

Hur mycket energi den smarta styrningen kan spara

Studien jämför denna valbaserade strategi med två enkla regler som används i praktiken: att slå på kylmaskiner i en fast ordning och att fördela lasten jämnt över alla maskiner. Över dagar med låg, medel och hög kylbehov använder valmetoden konsekvent minst energi, med besparingar på omkring 6–8 % jämfört med de grundläggande metoderna i fallstudiehallen. Den överträffar också två välkända optimeringsverktyg, genetiska algoritmer och partikel-svärmsoptimering, genom att hitta bättre lösningar snabbare och med färre beräkningssteg. Under perioder med låg last körs ofta bara en enhet, medan den under intensiva timmar justerar mixen av enheter och deras delbelastningar för att undvika slösdrift.

Vad detta betyder för framtida ishallar

Enkelt uttryckt visar arbetet att att "se framåt" bara några timmar och sedan planera hur kylinsatsen ska delas mellan maskiner kan minska elräkningen för en ishall utan att ändra byggnaden eller utrustningen. Den föreslagna metoden binder samman en prognosmotor och en smart schemaläggare på ett sätt som kan omskolas för andra hallar eller till och med för kölor och livsmedelsanläggningar. Med mer data och möjlig integration i automatiska styrsystem skulle tillvägagångssätt som detta kunna hjälpa inomhusidrotter på is att växa samtidigt som deras miljöavtryck hålls bättre under kontroll.

Citering: 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

Nyckelord: inomhusishall, energieffektiv kylning, maskininlärning, kylstyrning, optimeringsalgoritm