室内冰场制冷系统冷负荷预测与分配优化研究：来自中国的证据

为何保持冰场低温至关重要

室内冰场比普通体育馆耗能得多，因为它们必须在有人滑冰、训练和比赛时维持一层稳定的冰面。随着更多冰上场馆为公众娱乐和冬季运动而建，其用电量和气候影响也在增长。本研究探讨如何在减少能耗的同时保持冰面良好状态：通过预测未来几小时冰场所需的制冷量，然后在多台制冷机之间智能地分配这项工作。

驱动冰场冷负荷的因素

维持冰面冻结就像在多方来的热量与制冷系统带走的冷量之间做平衡。热量从地下渗上来，从冰面上方温暖空气传入，通过建筑外罩的散射日照照射下来，以及滑冰者的体热和整冰时使用的热水都会带来热量。作者首先列出这些影响因素，并用一种称为灰色关联分析的统计方法来判断哪些因素与制冷需求的变化最为相关。对于北京的一座大型公共冰场，最强的驱动因素包括滑冰人数、户外空气湿度、建筑上照射的散射光量以及外界空气温度。

教计算机预见制冷需求

由于这些影响随日内和周内变化，冷负荷呈现复杂的时间模式而非简单的直线变化。研究团队训练了一种深度学习模型，称为长短期记忆网络（LSTM），从历史数据中学习这种模式。他们输入了先前分析挑出的最重要因素，以及冰场近期的制冷使用历史。模型向后查看过去24小时来预测下一时刻的需求，既捕捉到日常节律，也能识别更多滑冰者到来或天气变化时的突发峰值。

让预测引擎更聪明、更精简

研究者测试了多种预测引擎的版本，以确定哪些设计选择最有帮助。堆叠两层记忆单元提高了模型同时捕捉短期突变和长期波动的能力。加入诸如一天中时间、周内日、节假日和活动时间等简单日历信息，进一步增强了模型判断负荷可能上升时机的敏感度。相反，一种在其他深度网络中常见的训练技巧——批归一化（batch normalization），在这个基于时间的任务中反而有害，因为它模糊了相邻时刻之间的微妙关系。与更简单的设计相比，最佳版本将预测误差减少了超过百分之十，并明显优于不能很好处理时间序列的传统神经网络。

在冷机之间分配负荷

大多数冰场依赖多台按最坏工况配置的制冷机，但它们通常在部分负荷下运行。负荷如何分配对能耗有重大影响，因为每台设备都有其最节能的工况区间。利用短期负荷预测，作者建立了一个数学模型，决定每台冷机应运行的强度，使得整体满足制冷需求的同时总用电最少。为求解这个问题，他们采用了一种受座头鲸捕猎行为启发的搜索方法，该方法在广泛探索和集中搜索有希望的解之间交替。

智能控制能节省多少能量

研究将这种基于“鲸鱼”算法的策略与两种现场常用的简单规则进行了比较：按固定顺序启停冷机和将负荷平均分配到所有机组。在低、中、高三类负荷日中，鲸鱼算法一贯耗能最少，在该案例冰场中相比基础方法节能约6–8%。它还优于另外两种常见优化工具——遗传算法和粒子群优化，能更快找到更优解且计算步骤更少。在低负荷时段，它常常只启用一台机组，而在繁忙时段则调整机组组合及其部分负荷以避免低效运行。

对未来冰场的意义

简而言之，该工作表明：“前瞻”几个小时并据此规划多台设备间的制冷分配，可以在不改变建筑或设备的前提下显著降低冰场的电费。所提方法将预测引擎与智能调度器结合，可针对其他冰场乃至冷库和食品加工厂进行再训练。随着更多数据和可能与自动控制系统的集成，此类方法有望在促进室内冰上运动发展的同时，更好地控制其环境足迹。

引用: 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

关键词: 室内冰场, 节能制冷, 机器学习, 制冷控制, 优化算法