基于深度学习的并联冷机拓扑建模与能效预测

为何更智能的冷却至关重要

在每个数据中心、工厂和大型船舶的背后，都有一个悄无声息却消耗大量电力的冷却系统。许多设施并行运行多台冷机以维持服务器和设备的安全温度，但这些冷机如何分担负荷的细微差别会造成大量能量浪费。本研究展示了一种新型人工智能如何同时“看见”冷却系统的布局与随时间变化的行为，使运营人员能够更准确地预测能耗并大幅提升冷机运行效率。

大型冷却系统如何浪费能量

工业冷却站占据了全球能源消耗的一大部分，其中高达三分之一可能因运行不当和负荷分配不佳而被浪费。在典型的工厂或数据中心，若干冷机、泵和冷却塔通过盘根错节的管路协同工作。当一台冷机启停或改变负荷时，会影响整个网络的流量和压力，进而改变其他设备的工作负担。传统的控制规则和简单的预测模型往往将每台冷机视为相对独立的个体，因此常常忽视这些隐含的关联，在工况或设备状态变化时表现不佳。

教模型同时跟踪时间与连通性

研究者构建了一个混合深度学习模型，融合了两类关键思想。第一类是序列模型LSTM，擅长识别时间序列中的模式，例如逐分钟变化的功率和水温。第二类是基于图的模型GCN，它将每台冷机、泵和冷却塔视为网络中的节点，并通过物理管路布局与当前负荷分配学习它们相互影响的方式。通过将这两种视角结合，模型既能跟踪每个设备的历史行为，也能把握设备之间的相互关联。

以物理规律与数字孪生为引导

团队并非直接将原始传感器信号喂入网络，而是先将其转换为具有明确物理意义的量，例如单位电量的制冷功率和换热效率。他们还加入了一个正则项，温和地引导预测遵循基本的能量与热平衡定律，以避免出现不切实际的尖锐跳变。为拓宽模型见到的工况范围，他们将来自大型数据中心的真实数据与数字孪生模拟的数千小时数据配对。该数字孪生允许他们探索变化的负荷、室外条件，甚至不同的设备连接方式，这些在真实工厂中测试既困难又有风险。

在数据中心、工厂与船舶上的测试

模型在来自一座配备五台大型离心冷机的数据中心约1.28亿条历史记录上训练，并在新数据上进行测试。在30分钟预测窗口下，与忽略网络布局的强力LSTM基线相比，它将功率预测的均方根误差降低了19.4%，并将百分比误差降低了略超2个百分点。作者还检验了该方法向汽车工厂和集装箱船中央冷却系统的迁移能力。对工厂进行有限的微调且对船舶完全不重训练的情况下，模型仍明显优于传统方法，表明所学到的冷却行为表征并不局限于单一场所。

这对节能意味着什么

通过结合设备连通性、时间行为和物理约束知识，所提出的GCN–LSTM系统能够在设备老化或运行模式变化时，仍然以高精度与高稳定性预测冷机能耗。这些更可靠的预测使控制软件能够选择更优的负荷分配策略，在保持舒适与制冷能力的前提下在冷机之间转移负荷以减少电力消耗。实际上，这一方法为在数据中心、工厂和船舶中无需重建硬件即可减少大型冷却系统能量浪费提供了一条可迁移的新途径。

引用: 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

关键词: 冷机能效, 深度学习, 图神经网络, 工业冷却, 智能控制