Topologimodellering och energieffektivitetsprognoser för parallella kylaraggregat baserat på djupinlärning

Varför smartare kylning är viktig

Bakom varje datacenter, fabrik och stort fartyg finns ett kylsystem som tyst konsumerar en stor del av världens el. Många anläggningar driver flera kylaraggregat parallellt för att hålla servrar och maskiner vid säkra temperaturer, men små förändringar i hur dessa aggregat delar arbetsbelastningen kan slösa bort stora mängder energi. Denna studie visar hur en ny typ av artificiell intelligens kan "se" både layouten i ett kylsystem och dess föränderliga beteende över tid, så att driftansvariga kan förutse energianvändningen mer exakt och köra sina kylaraggregat betydligt mer effektivt.

Hur stora kylsystem slösar energi

Kylstationer inom industrin står för en stor del av den globala energianvändningen, och upp till en tredjedel av detta kan gå förlorat genom dålig drift och lastdelning. I en typisk anläggning eller ett datacenter arbetar flera kylaraggregat, pumpar och kyltor tillsammans, länkade av ett labyrintiskt rörsystem. När ett aggregat startar, stannar eller ändrar last påverkar det flöde och tryck i hela nätverket, vilket i sin tur ändrar hur hårt alla andra enheter måste arbeta. Traditionella styrregler och enkla prognosmodeller behandlar ofta varje aggregat nästan som om det vore ensamt, så de missar ofta dessa dolda kopplingar och har svårt när förhållanden eller utrustningens status förändras.

Lära en modell att följa tid och kopplingar

Forskarna byggde en hybrid djupinlärningsmodell som kombinerar två nyckelidéer. Den första är en sekvensmodell kallad LSTM, som är bra på att upptäcka mönster i tidsserier, såsom hur effektförbrukning och vattentemperatur förändras minut för minut. Den andra är en grafbaserad modell, GCN, som behandlar varje kylaraggregat, pump och kyltor som en nod i ett nätverk och lär sig hur de påverkar varandra genom det fysiska rörnätet och den aktuella lastdelningen. Genom att förena dessa två perspektiv kan modellen följa både historiken för varje enhet och hur alla enheter hänger ihop.

Använda fysik och digitala tvillingar som vägledning

I stället för att mata råa sensorsignaler direkt in i nätverket omvandlar teamet dem först till storheter som har tydlig fysisk betydelse, såsom kylningskraft per enhet elektricitet och värmeväxlingsverkningsgrad. De lägger också till ett regulariseringsterm som varsamt styr prognoserna att respektera grundläggande energioch värmebalanslagar, vilket hjälper till att undvika orealistiska skarpa hopp. För att bredda de situationer modellen utsätts för parar de verkliga data från ett stort datacenter med tusentals timmar simulerade data från en digital tvilling av kylstationen. Denna tvilling låter dem utforska varierande laster, utomhusförhållanden och till och med olika sätt att koppla utrustning som skulle vara svåra eller riskfyllda att testa i den verkliga anläggningen.

Testning på datacenter, fabriker och fartyg

Modellen tränas på cirka 128 miljoner historiska poster från ett datacenter med fem stora centrifugalkylaraggregat och testas sedan på nya data. Vid ett prognosfönster på 30 minuter minskar den rotmedelkvadratfelet i effektprognoser med 19,4 procent och sänker procentfelet med drygt 2 procentenheter jämfört med en stark LSTM-baslinje som ignorerar nätverkslayouten. Författarna kontrollerar också hur väl metoden överförs till en bilfabrik och till huvudkylsystemet på ett containerskepp. Med begränsad finjustering för fabriken och utan omträning alls för fartyget presterar modellen fortfarande tydligt bättre än konventionella metoder, vilket visar att den lärda representationen av kylbeteende inte är bunden till en enda plats.

Vad detta betyder för att spara energi

Genom att kombinera kunskap om hur utrustningen är kopplad, hur den beter sig över tid och hur fysiken begränsar den, kan det föreslagna GCN–LSTM-systemet förutse kylaraggregatens energianvändning med hög noggrannhet och stabilitet, även när utrustningen åldras eller driftmönstret ändras. Dessa mer tillförlitliga prognoser gör det möjligt för styrprogramvara att välja bättre lastdelningsstrategier, flytta arbete mellan aggregaten för att upprätthålla komfort och kylkapacitet samtidigt som mindre elektricitet används. I praktiken pekar detta tillvägagångssätt mot ett nytt, överförbart sätt att minska energislöseri i stora kylsystem i datacenter, fabriker och fartyg utan att bygga om hårdvaran.

Citering: 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

Nyckelord: kylaraggregat energieffektivitet, djupinlärning, grafneuralt nätverk, industriell kylning, intelligent styrning