Прогнозирование температуры поверхности льда с использованием больших языковых моделей в задачах предиктивного управления холодильными системами

Аннотация

В работе представлен подход к прогнозированию температуры поверхности льда на основе метода перепрограммирования предобученных языковых моделей (patch-reprogramming LLM). Объектом исследования является ледовая арена, оснащённая системой цифрового мониторинга холодильного оборудования и микроклимата. Задача прогнозирования формулируется как аппроксимация зависимости между многомерным окном наблюдений и будущим состоянием системы с горизонтом 30 минут. Используются минутные данные более чем за три месяца наблюдений, включающие температурные, энергетические и микроклиматические параметры. Проведено сравнительное моделирование с использованием статистических (ARIMA), машинных (XGBoost) и нейросетевых (LSTM, CNN, PatchTST) методов. Предложенный метод LLM с перепрограммированием патчей, основанный на замороженном ядре LLaMA-3.2-3B с добавлением адаптивных слоёв, показал наилучшие результаты: средняя абсолютная ошибка (MAE) составила 0.22 °C, а коэффициент детерминации R² достиг 0.94. Модель устойчиво воспроизводит переходные режимы и фазовые сдвиги температуры после заливок, корректно сглаживая шумовые пики и кратковременные возмущения. Результаты показывают, что механизм patch-reprogramming позволяет использовать большие языковые модели для анализа физических временных рядов без необходимости длительного дообучения. Такой подход обеспечивает баланс между точностью и устойчивостью, что делает его перспективным инструментом для внедрения в контуры предиктивного управления (MPC) холодильными системами и оптимизации энергопотребления спортивных объектов.