PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK
This paper presents the results of a study on the energy efficiency of screw compressors in ammonia refrigeration systems equipped with frequency control. The focus is placed on the development of a neural network-based model for predicting energy consumption using experimental data collected from o...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
General Energy Institute of the National Academy of Sciences of Ukraine
2026
|
| Теми: | |
| Онлайн доступ: | https://systemre.org/index.php/journal/article/view/941 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System Research in Energy |
| Завантажити файл: |  |
Репозитарії
System Research in Energy| _version_ | 1871104441560596480 |
|---|---|
| author | Nitsak, Yaroslav Bosak, Аlla |
| author_facet | Nitsak, Yaroslav Bosak, Аlla |
| author_institution_txt_mv | [
{
"author": "Yaroslav Nitsak",
"institution": null
},
{
"author": "Аlla Bosak",
"institution": null
}
] |
| author_sort | Nitsak, Yaroslav |
| baseUrl_str | https://systemre.org/index.php/journal/oai |
| collection | OJS |
| datestamp_date | 2026-07-18T12:57:50Z |
| description | This paper presents the results of a study on the energy efficiency of screw compressors in ammonia refrigeration systems equipped with frequency control. The focus is placed on the development of a neural network-based model for predicting energy consumption using experimental data collected from operational industrial facilities. The proposed approach accounts for a wide range of operating conditions, including variable load profiles, ambient temperature fluctuations, heat exchange performance, and specifics of automated control systems. The application of an artificial neural network (ANN) enabled high prediction accuracy: for compressors with frequency control, the mean squared error (MSE) was 63.065 and the coefficient of determination (R²) reached 0.992; for compressors without frequency control, the respective values were MSE: 266.231 and R²: 0.978. These results demonstrate the advantage of frequency control in both modeling precision and energy performance. The study confirms that frequency regulation not only reduces energy consumption but also enhances system reliability, equipment longevity, and lowers operational costs. The proposed methodology can be adapted for other types of industrial refrigeration units, opening broad opportunities for further research and the implementation of energy-saving technologies across various industrial sectors. |
| doi_str_mv | 10.15407/srenergy2026.01.094 |
| first_indexed | 2026-03-24T02:03:42Z |
| format | Article |
| fulltext |
© Ніцак Я., Босак А., 2026
Це стаття відкритого доступу за ліцензією CC0 1.0 Universal
https://creativecommons.org/publicdomain/zero/1.0
94 ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85)
https://doi.org/10.15407/srenergy2026.01.094
УДК 621.565.83
Ярослав Ніцак, https://orcid.org/0009-0006-3869-8231
Алла Босак*, канд. техн. наук, доцент, https://orcid.org/0000-0003-0545-9980
Національний технічний університет України «Київський політехнічний інститут імені
Ігоря Сікорського», Берестейський просп., 37, Київ, 03056, Україна
*Автор-кореспондент: allabosak@lll.kpi.ua
_______________________________________________________________________________________
ПРОГНОЗУВАННЯ ЕНЕРГОЕФЕКТИВНОСТІ ГВИНТОВИХ
КОМПРЕСОРІВ АМІАЧНИХ ХОЛОДИЛЬНИХ УСТАНОВОК З
ЧАСТОТНИМ РЕГУЛЮВАННЯМ НА ОСНОВІ НЕЙРОННОЇ МЕРЕЖІ
Анотація. У статті представлено результати дослідження енергоефективності гвинтових
компресорів аміачних холодильних установок, оснащених системами частотного регулювання.
Основну увагу приділено розробці нейромережевої моделі для прогнозування енергоспоживання на
основі експериментальних даних, зібраних на діючих промислових об’єктах. Запропонований підхід
дозволяє враховувати широкий спектр експлуатаційних факторів, зокрема змінні профілі
навантаження, температурні коливання, режими роботи теплообмінників та особливості
автоматизованого керування. Застосування штучної нейронної мережі (ШНМ) забезпечило високу
точність прогнозування: для компресора з частотним регулюванням середньоквадратична
похибка (MSE) становила 63.065, коефіцієнт детермінації R² ‒ 0.992; для компресора без
регулювання відповідні показники ‒ MSE: 266.231, R²: 0.978. Це свідчить про перевагу частотного
регулювання в контексті точності моделювання та ефективності енергоспоживання. Результати
дослідження підтверджують, що частотне регулювання сприяє не лише зниженню
енергоспоживання, а й покращенню надійності, довговічності обладнання та зменшенню
експлуатаційних витрат. Запропонована методика може бути адаптована для інших типів
промислових холодильних агрегатів, що відкриває перспективи для подальших досліджень і
впровадження енергозберігаючих технологій у різних галузях промисловості.
Ключові слова: енергоефективність, гвинтові компресори, частотні перетворювачі, аміачні
холодильні установки, оптимізація, електроспоживання, штучна нейронна мережа.
1. Вступ
Актуальність проблеми підвищення енергоефективності гвинтових компресорів аміачних
холодильних установок зумовлена зростанням цін на енергоносії, руйнуванням енергетичної
інфраструктури та посиленням екологічних вимог. Холодильні установки, які широко
використовуються в різних галузях промисловості (харчовій, хімічній, фармацевтичній та ін.), є
значними споживачами електроенергії [1]. За даними численних досліджень, на холодильні системи
припадає значна частка загального енергоспоживання підприємств, і ця частка продовжує зростати зі
збільшенням обсягів виробництва та розширенням сфери застосування технологій охолодження [2, 3].
Збільшення енергоефективності холодильних установок дозволяє значно зменшити витрати на
електроенергію, підвищити конкурентоспроможність підприємств та знизити їхній негативний вплив
на навколишнє середовище, зменшуючи викиди парникових газів та сприяючи сталому розвитку. В
умовах нестабільної економіки та постійного зростання цін на енергоносії, питання оптимізації
енергоспоживання холодильних установок стає стратегічно важливим для забезпечення економічної
безпеки та сталого розвитку промислових підприємств.
Сучасний арсенал методів оптимізації енергоспоживання холодильних агрегатів досить широкий
та різноманітний. Ці методи можна поділити на кілька основних категорій. Перша – це вдосконалення
окремих компонентів системи, таких як компресори, теплообмінники та розширювальні пристрої [4‒
6]. Використання високоефективних компресорів, наприклад гвинтових з оптимізованою геометрією
https://orcid.org/0009-0006-3869-8231
https://orcid.org/0000-0003-0545-9980
ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85) 95
роторів, конденсаторів і випарників з покращеними характеристиками теплопередачі, а також
електронно-розширювальних вентилів, дозволяє значно зменшити енергоспоживання [7, 8]. Друга
категорія методів зосереджена на оптимізації робочого циклу. Застосування каскадних та бустерних
схем, а також економайзерів, дозволяє підвищити ефективність циклу, особливо у випадках, коли
потрібне забезпечення широкого діапазону температур [9, 10]. Оптимізація параметрів циклу, таких як
температури кипіння та конденсації, з урахуванням реальних умов експлуатації, також може дати
значну економію [11]. Третя, не менш важлива категорія, ‒ це системи керування та автоматизації.
Впровадження інтелектуальних систем, що автоматично адаптують роботу холодильної установки до
поточних потреб, використання алгоритмів прогнозування навантаження та систем моніторингу
дозволяє досягти оптимального енергоспоживання в режимі реального часу [12, 13]. Крім того,
використання екологічно чистих холодоагентів з низьким GWP, таких як аміак, CO2 або вуглеводні,
дозволяє зменшити вплив на навколишнє середовище [14, 15].
Застосування частотних перетворювачів (ПЧ) до гвинтових компресорів дозволяє плавно
регулювати швидкість обертання двигуна, що підвищує енергоефективність і адаптує продуктивність
до реального навантаження, знижуючи втрати енергії та механічні навантаження [16‒18]. Однак варто
враховувати й недоліки: високу вартість ПЧ, можливість електромагнітних завад, вплив на коефіцієнт
потужності та генерацію гармонік, що може потребувати додаткових технічних заходів для
забезпечення стабільної роботи системи.
Одним із перспективних напрямів підвищення енергоефективності є застосування
нейромережевих методів прогнозування енергоспоживання компресорів з частотним регулюванням,
що і стало предметом даного дослідження [19, 20].
Мета роботи. На основі аналізу експлуатаційних даних з промислового об’єкта та моделювання
з використанням штучної нейронної мережі (ШНМ) дослідити ефективність застосування ПЧ для
оптимізації енергоспоживання гвинтових компресорів аміачної холодильної установки.
2. Аналіз експлуатаційних параметрів гвинтових компресорних установок аміачної
холодильної системи на промисловому об’єкті
У межах даного дослідження проводиться комплексна аналітична оцінка експлуатаційних
характеристик двох гвинтових компресорних установок, інтегрованих у систему аміачного
промислового охолодження одного з підприємств України. Методом аналізу є визначення ключових
параметрів ефективності функціонування системи, а також оцінка можливостей оптимізації
енергоспоживання за рахунок застосування сучасних методів управління.
Об’єктом дослідження є:
Компресорна установка №1 (КУ-1): гвинтовий компресор, що приводиться в дію асинхронним
електродвигуном номінальною потужністю 250 кВт, без застосування засобів регулювання частоти
обертання (без ПЧ).
Компресорна установка №2 (КУ-2): гвинтовий компресор, оснащений системою регулювання
обертання на базі частот перетворювача частоти, з електродвигуном номінальною потужністю 200 кВт.
Схема функціонування системи забезпечує роботу базового навантаження на КУ-1, а КУ-2
залучається до досягнення потреби у підвищеній холодопродуктивності. Загальний режим
регулювання холодопродуктивності системи, що охоплює всі установки, становить 100‒156 % від
базового рівня. Номінальна холодопродуктивність КУ-1 становить 820 кВт, а КУ-2 – 460 кВт.
Реалізована система управління регулюванням навантаження в розділі 0-156 % на основі
спеціалізованого алгоритму, що забезпечує оптимальний розподіл навантаження між установками з
урахуванням технічних характеристик, економічних та енергетичних критеріїв.
Інформаційна база досліджень представлена експериментальними даними, отриманими в період
з 21 по 27 квітня 2024 року, і відображає широкий спектр параметрів роботи компресорних установок.
Фрагменти цих даних представлені в таблицях 1 та 2 і містять інформацію про струми електродвигунів,
положення золотників, температуру всмоктування та інші параметри.
96 ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85)
Таблиця 1. Фрагмент даних компресора без ПЧ
Час
Положення
золотника
Струм
двигуна
Відсоток
навантаження
Оберти
двигуна
Температура
всмоктування
4/26/2024 9:13:26 AM 87 % 303.6 A 73 % 2940 rpm -39.8 °C
4/26/2024 9:12:26 AM 87 % 300.8 A 73 % 2940 rpm -39.7 °C
4/26/2024 9:11:25 AM 87 % 305.5 A 73 % 2940 rpm -39.4 °C
4/26/2024 9:10:25 AM 87 % 307.4 A 73 % 2940 rpm -39.5 °C
Таблиця 2. Фрагмент даних компресора з ПЧ
Час
Положення
золотника
Струм
двигуна
Відсоток
навантаження
Оберти
двигуна
Температура
всмоктування
4/26/2024 9:06:18 AM 90 % 138.4 A 31 % 1500 rpm -38.7 °C
4/26/2024 9:05:17 AM 100 % 164.5 A 42 % 1510 rpm -38.7 °C
4/26/2024 9:04:17 AM 100 % 165.4 A 42 % 1536 rpm -38.6 °C
4/26/2024 9:03:17 AM 100 % 168.2 A 43 % 1544 rpm -38.7 °C
Основні залежності роботи компресорних установок представлені на рис. 1‒4.
Рис. 1. Струм двигуна, А
Рис. 2. Швидкість обертання, об/хв
ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85) 97
Рис. 3. Температура всмоктування, 0С
Рис. 4. Положення заслінки, %
Як видно з рис. 1‒4, використання перетворювача частоти значно підвищує ефективність роботи
гвинтових компресорів шляхом оптимізації режимів роботи та зниження пікових навантажень на
електричну мережу. Це дозволяє забезпечити стабільність роботи системи, знизити споживання енергії
та економічно використовувати енергоресурси в умовах виробничого процесу.
3. Математичний опис нейронної мережі
У зв’язку зі складною динамічною поведінкою промислових холодильних систем, особливо тих,
що використовують гвинтові компресори, а також через труднощі, пов’язані з вимірюванням і
врахуванням всіх факторів у детермінованих моделях, у даній роботі було обрано метод штучної
нейронної мережі, оскільки він дозволяє змоделювати складні нелінійні залежності на основі великої
кількості експериментальних даних та прогнозувати майбутнє енергоспоживання в різних режимах
роботи без детального знання фізичних процесів, забезпечуючи можливість розробки адаптивних
алгоритмів керування. Ключовим призначенням моделювання є порівняльний аналіз
енергоспоживання компресорних установок з перетворювачем частоти та без нього, а також
комплексна оцінка доцільності та ефективності використання ПЧ в реальних виробничих умовах.
3.1. Архітектура та компоненти нейронної мережі
Нейронна мережа складається з вхідного шару, двох прихованих шарів та вихідного шару
(багатошаровий перцептрон).
• Вхідний шар: складається з 5 нейронів, які забезпечують прийом вхідних параметрів, що
характеризують режим роботи компресорної установки. До вхідних параметрів відносяться:
I ‒ поточне значення струму електродвигуна компресора, A.
98 ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85)
POS ‒ положення золотника регулювання продуктивності, відносні одиниці (0-1).
suc
T ‒ температура всмоктування, °C.
SPEED ‒ швидкість обертання валу двигуна компресора (для компресора з ПЧ), об/хв.
P ‒ тиск нагнітання, бар.
Приховані шари: перший прихований шар складається з 128 нейронів, другий ‒ з 64 нейронів.
Вибір оптимальної архітектури нейронної мережі здійснювався емпіричним шляхом із
застосуванням методу перебору параметрів по сітці (Grid Search). У ході експериментального
дослідження варіювалася кількість прихованих шарів (від 1 до 3) та кількість нейронів у кожному шарі
(із набору: 32, 64, 128, 256). Критерієм вибору слугувала мінімізація середньоквадратичної помилки
(MSE) на валідаційній вибірці при збереженні здатності до узагальнення. Встановлено, що
конфігурація з двома прихованими шарами (128 нейронів у першому та 64 у другому) забезпечує
найкращий баланс між точністю прогнозування та обчислювальною складністю. Збільшення кількості
нейронів понад ці значення призводило до ефекту перенавчання (overfitting), коли модель втрачала
здатність коректно обробляти нові дані, а зменшення ‒ до недостатньої точності апроксимації
нелінійних залежностей.
Дана конфігурація забезпечує достатню кількість ступенів свободи для апроксимації складних
залежностей вхід-вихід.
• Вихідний шар: складається з одного нейрона, що формує прогнозне значення вихідного
параметра – струму електродвигуна компресора
predicted
I , A, що є показником енергоспоживання
установки.
Матриці ваг та зміщення:
• матриці ваг, які зв’язують нейрони між шарами. Розміри матриць: 1
W - (128x5), 2
W - (64x128),
3
W - (1x64).
• вектори зміщень, які додаються до нейронів на кожному шарі. Розміри векторів: 1
b - (128x1),
2
b - (64x1), 3
b - (1x1).
3.2. Передача сигналу через мережу (feedforward)
• Вхідний шар до першого прихованого шару:
1 1 1
( )h =σ W x+b , (1)
де: 1
h ‒ вихідний вектор першого прихованого шару (розмір 128x1); х ‒ вектор вхідних параметрів
(розмір 5x1), тобто suc
x= I, POS, T , SPEED, P ; ‒ активаційна функція ReLU (Rectified Linear
Unit), яка застосовується поелементно до вектора.
ReLU (Rectified Linear Unit) визначається як:
)σ z =ma( ) (x 0, z . (2)
• Перший прихований шар до другого прихованого шару:
2 2 1 2
)h W(=σ h +b . (3)
• Другий прихований шар до вихідного шару:
predicted 3 2 3
I =W h +b , (4)
ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85) 99
де
predicted
I ‒ прогнозоване значення струму (вихід мережі).
3.3. Функція втрат
Функція втрат вимірює різницю між передбаченими значеннями і фактичними значеннями. Для
регресійних задач було використано середньоквадратичну помилку (MSE):
( ) ( )
ii predicted
MSE= 1/n I -I ² , (5)
де: i
I ‒ фактичне значення струму для i-го зразка;
ipredicted
I ‒ передбачене значення струму для i-го
зразка, n ‒ кількість зразків у наборі даних.
3.4. Зворотне поширення помилки
Для навчання нейронної мережі використовувався метод зворотного поширення помилки, який
дозволяє оновлювати ваги мережі на основі градієнтів функції втрат.
• Обчислення градієнтів:
Обчислення градієнтів функції втрат MSE по відношенню до ваг та зміщень виконується за
допомогою правила ланцюга. Загальний вигляд формули для обчислення градієнта:
predicted
predicted
IL L h
=
W I h W
₂
₂
, (6)
де: L ‒ функція втрат (MSE); W ‒ вага одного з шарів ( 1
W , 2
W або 3
W ); формули для обчислення
похідних залежать від конкретного шару та функції активації.
• Оновлення ваг:
W=W-η W, (7)
де: ‒ швидкість навчання; ΔW ‒ градієнт функції втрат по відношенню до ваги W.
Для мінімізації функції втрат та налаштування вагових коефіцієнтів обрано алгоритм оптимізації
Adam (Adaptive Moment Estimation) з початковою швидкістю навчання (Learning Rate) 0.001, що
динамічно адаптується при виході на плато. Навчання проводилося пакетами (batch size) по 32 зразки,
що забезпечило стабільність градієнта, а максимальна кількість епох була встановлена на рівні 1000.
При цьому для запобігання перенавчанню застосовано метод ранньої зупинки (Early Stopping), який
автоматично припиняв процес навчання, якщо помилка на валідаційній вибірці не зменшувалася
протягом 50 послідовних ітерацій.
Оскільки вхідні параметри моделі мають різні фізичні розмірності та діапазони значень
(наприклад, струм вимірюється в сотнях ампер, а положення золотника ‒ у відносних одиницях від 0
до 1), перед подачею даних на вхід нейронної мережі було застосовано процедуру нормалізації.
Використано метод стандартизації (Z-score normalization), що передбачає приведення даних до
розподілу з нульовим середнім значенням та одиничною дисперсією. Перетворення для кожного
параметра виконується за формулою:
' (x - μ)
x = ,
σ
(8)
100 ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85)
де 𝑥 ‒ вихідне значення, 𝜇 ‒ середнє арифметичне значення вибірки, 𝜎 ‒ стандартне відхилення. Цей
етап є необхідним для забезпечення коректної роботи алгоритму градієнтного спуску та прискорення
збіжності процесу навчання.
Для забезпечення універсальності архітектури нейронної мережі для обох типів установок
використовувався ідентичний набір вхідних параметрів. Для компресорної установки КУ-1 (без ПЧ)
вхідний параметр «SPEED» (швидкість обертання вала) був зафіксований на рівні номінального
значення асинхронного двигуна (2950 об/хв). Для установки КУ-2 (з ПЧ) цей параметр подавався як
динамічна змінна, отримана з системи автоматизованого керування. Такий підхід дозволив
використовувати єдину структуру нейромережі для моделювання обох сценаріїв роботи.
Для навчання ШНМ використовувався набір даних, розділений на навчальну вибірку (80 %
зразків) та тестову вибірку (20 % зразків). Розподіл даних за допомогою функції train_test_split з
бібліотеки scikit-learn. Моделі навчання проводилися на навчальній вибірці з використанням алгоритму
зворотного поширення помилки, а валідація – на тестовій вибірці для оцінки здатності до узагальнення
та запобігання перенавчанню.
На завершальному етапі натренована ШНМ використовувалася для прогнозування значення
струму компресорних установок у різних сценаріях (з ПЧ та без ПЧ). На основі отриманих прогнозних
значень струму розраховувалося енергоспоживання установок за виразом:
( )
( ) ( )Power kW Time hours
Energy kWh =
60
,
(9)
де: Power (кВт) ‒ потужність, розрахована як ( )Power = I U cos φ , де I ‒ струм (A), U ‒ напруга (В),
cos(φ) ‒ коефіцієнт потужності. В нашому випадку U та cos(φ) вважаються сталими; Time (hours) ‒ час
роботи установки у годинах.
4. Результати моделювання
Для імітації функціонування компресорної установки без ПЧ в умовах регулювання частоти
обертання вала двигуна розроблено прогностичну модель на базі штучної нейронної мережі. У якості
інформаційної бази для навчання ШНМ використовувалися експериментальні дані, отримані з
компресорної установки, обладнаної ПЧ (КУ-2). Застосування даного підходу дозволило змоделювати
зміни параметрів функціонування КУ-1 при регулюванні частоти обертання, що неможливо
реалізувати в умовах її штатної експлуатації (рис. 5).
Рис. 5. Результати моделювання роботи компресорної установки без ПЧ, за умови її оснащення ПЧ
ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85) 101
Для поглибленої оцінки ефективності застосування ПЧ було реалізовано альтернативний підхід
до моделювання, що передбачає імітацію функціонування компресорної установки з ПЧ (КУ-2) у
режимі, що відповідає відсутності системи регулювання частоти обертання вала двигуна. Для цього
було використано ШНМ, навчену на основі даних, отриманих з компресорної установки без ПЧ (КУ-
1). Такий підхід дозволяє оцінити, як зміниться режим роботи КУ-2, якщо виключити ПЧ з системи
управління.
Результати моделювання продемонстрували збільшення динамічної нестабільності споживаного
струму, а також зростання амплітуди його коливань, що свідчить про підвищення пікових значень
навантаження та потенційне збільшення ризиків виникнення аварійних ситуацій (рис. 6). Даний факт
підкреслює важливість застосування ПЧ для забезпечення стабільного та надійного режиму роботи
компресорної установки.
Рис. 6. Результати моделювання роботи компресорної установки з ПЧ, за умови відсутності ПЧ
Результати моделювання свідчать про значний вплив використання перетворювачів частоти на
енерговитрати компресорів. Згідно з аналізом отриманих даних (табл. 3), компресори, обладнані ПЧ,
демонструють суттєво вищу ефективність енергоспоживання, ніж компресори без ПЧ. Використання
ПЧ дозволяє адаптувати роботу компресорів до змінних навантажень, що призводить до зниження
пікових значень струму та зменшення амплітуди коливань. Це зі свого боку забезпечує стабільнішу
роботу компресорів та підвищує їхню надійність.
Таблиця 3. Порівняння спожитої енергії за різними сценаріями
Сценарій
Перший компресор без
ПЧ (кВт·год)
Другий компресор з ПЧ
(кВт·год)
Загальна енергія
(кВт·год)
Реальні дані 12595.80 4156.56 16752.36
Обидва компресори з ПЧ 8187.307 4156.56 12343.86
Обидва компресори без
ПЧ
12595.80 6481.86 19077.86
Для оцінки точності прогнозування струму компресорної установки нейронною мережею було
використано такі метрики:
102 ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85)
✓ Середньоквадратична помилка (MSE):
N
2
ii
i=1
1
MSE= (y - y )
N
, (10)
де: N ‒ загальна кількість зразків у наборі даних; i
y ‒ фактичне (реальне) значення для i-го зразка; i
y
‒ передбачене (прогнозоване) значення для i-го зразка; ii
y - y
‒ похибка моделі для конкретного зразка.
Відображає середню величину квадратичної похибки між фактичними та прогнозованими
значеннями струму.
✓ Коефіцієнт детермінації (R²):
2
ii2
2
ii
(y - y )
R =1-
(y - y )
, (11)
де: i
y
‒ середнє значення всіх фактичних значень i
y ;
2
ii
(y - y )
‒ сума квадратів похибок моделі;
2
ii
(y - y )
‒ сума квадратів відхилень фактичних значень від середнього.
Визначає, яку частку дисперсії фактичних значень пояснює модель. Значення ближче до 1
свідчить про високу точність.
На основі тестових даних модель продемонструвала високу точність прогнозування
енергоспоживання компресорних установок. Для компресора з перетворювачем частоти
середньоквадратична помилка (MSE) становила 63.065, а коефіцієнт детермінації (R²) ‒ 0.992, що
свідчить про майже повне узгодження моделі з реальними даними. Для компресора без ПЧ відповідні
показники ‒ MSE = 266.231, R² = 0.978, що також є прийнятним, але вказує на більшу розбіжність між
прогнозованими та фактичними значеннями. Отримані результати підтверджують, що застосування
ПЧ не лише покращує енергоефективність, а й забезпечує більш стабільну та передбачувану роботу
компресорної установки, що важливо для її надійності та оптимального керування.
5. Техніко-економічне обґрунтування
Для оцінки енергетичної та економічної ефективності впровадження частотного регулювання
було проведено розрахунок споживаної потужності для кожного дискретного моменту часу на основі
експериментальних даних. Миттєва активна потужність трифазного електродвигуна ( i
P )
розраховувалася за формулою:
i i i
P=( 3 U I cos )/1000, (12)
де U ‒ лінійна напруга (380 В), i
I ‒ поточне значення струму, а i
cos ‒ коефіцієнт потужності, що
визначався динамічно залежно від навантаження на валу двигуна. Середня споживана потужність avg
P
визначалася як середнє арифметичне миттєвих значень за весь період спостережень.
Розрахунок річного економічного ефекту year
S виконувався на основі різниці середніх
потужностей установок при умовному річному фонді робочого часу (T=8000 годин) та чинному
промисловому тарифі на електроенергію ( t
T грн/кВт·год) за виразом:
ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85) 103
year avg(1) avg(2)
S =(P -P ) T Tt . (13)
Оцінка терміну окупності проєкту (Payback Period) проводилася шляхом співставлення
капітальних витрат на впровадження системи частотного регулювання (CAPEX), що складають
орієнтовно 900 000 грн, до річної економії коштів. Результати порівняльного аналізу та розрахунку
ефективності зведені у табл. 4.
Таблиця 4. Розрахунок техніко-економічних показників впровадження ПЧ
Показник Одиниці
виміру
Компресор без
ПЧ (КУ-1)
Компресор з ПЧ
(КУ-2)
Ефект /
Різниця
Середній струм двигуна А 303.6 178.4 -125.2
Середній коефіцієнт
потужності (cos 𝜙)
в.о. 0.85 (змінний) 0.96 (стаб.) +0.11
Середня споживана
потужність
кВт 133.20 108.92 -24.28
Річне споживання
електроенергії (8000 год)
кВт·год 1 065 600 871 360 -194 240
Вартість спожитої енергії
(6 грн/кВт·год)
грн/рік 6 393 600 5 228 160 1 165 440
(Економія)
Вартість обладнання та
монтажу (CAPEX)
грн — 900 000 —
Термін окупності
(Payback Period)
місяців — — 9.3
Важливою особливістю розрахунку є врахування поведінки коефіцієнта потужності ( cos ) для
різних режимів живлення.
Для компресора з прямим пуском (КУ-1) cos не є константою, а суттєво знижується при падінні
навантаження. У моделі використано лінійну апроксимацію залежності коефіцієнта потужності від
коефіцієнта завантаження двигуна ( load
K ): load
cos 0.4+0.5 K , що відповідає типовим
характеристикам асинхронних двигунів даної потужності.
Для компресора з частотним регулюванням (КУ-2) прийнято стабілізоване значення cos 0.96.
Це зумовлено конструктивними особливостями перетворювача частоти (наявність ланки постійного
струму та вхідних фільтрів), які забезпечують високий коефіцієнт потужності з боку мережі незалежно
від навантаження на валу двигуна.
Аналіз даних таблиці показує, що модернізація системи дозволяє скоротити енергоспоживання
на 18.2 %, що забезпечує повернення інвестицій менше ніж за один рік експлуатації.
6. Висновки
У межах дослідження було обґрунтовано ефективність застосування частотних перетворювачів
для оптимізації роботи гвинтових компресорів в аміачних холодильних установках. Розроблена
штучна нейронна мережа продемонструвала високу точність моделювання енергоспоживання на
основі реальних експлуатаційних параметрів, зокрема положення золотника, струму та обертів
двигуна. Отримані метрики моделі ‒ MSE = 63.065, R² = 0.992 для компресора з ПЧ та MSE = 266.231,
R² = 0.978 для компресора без ПЧ ‒ підтверджують здатність ШНМ адекватно відтворювати складні
нелінійні залежності енергоспоживання.
Моделювання різних сценаріїв експлуатації виявило значний потенціал енергозбереження: при
функціонуванні обох компресорів з ПЧ загальне споживання електроенергії становило
12343.86 кВт·год, що на 26 % менше порівняно з фактичним режимом (16752.36 кВт·год) та на 35 %
менше порівняно зі сценарієм без ПЧ (19077.86 кВт·год). Це свідчить про доцільність впровадження
ПЧ як засобу підвищення енергоефективності, зниження механічних навантажень та покращення
керованості холодильних систем.
104 ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85)
Запропонований підхід може бути використаний для техніко-економічного обґрунтування
модернізації промислових холодильних установок, а також як основа для подальших досліджень у
сфері інтелектуального керування енергоспоживанням.
Внесок авторів.
Розробка концепції дослідження, збір та аналіз даних, технічна підтримка, консультації з питань
експлуатації обладнання, верифікація експериментальних даних – Ніцак Я.М.; методологія,
статистичний аналіз, інтерпретація результатів, літературний огляд, літературний переклад анотації на
англійську мову, підготовка списку посилань – Босак А.В.
Посилання
1. Cengiz Y. I., Yilmaz D. Optimal capacity for sustainable refrigerated storage buildings. Case Studies in Thermal
Engineering. 2020. Vol. 22. 100751. https://doi.org/10.1016/j.csite.2020.100751
2. Cárcel-Carrasco J., Pascual-Guillamón M., Salas-Vicente F. Improve the energy efficiency of the cooling system by
slide regulating the capacity of refrigerator compressors. Applied Sciences. 2019. Vol. 11. Iss. 5.
https://doi.org/10.3390/app11052019
3. Shi J., Li T., Zhang H., Peng S., Liu Z., Jiang Q. Energy consummation and environmental emissions assessment of
a refrigeration compressor based on life cycle assessment methodology. The International Journal of Life Cycle
Assessment. 2015. Vol. 20. P. 947‒956. https://doi.org/10.1007/s11367-015-0896-5
4. Franco S. S., Henríquez J. R., Ochoa A. A. V., da Costa J. A. P., Ferraz K. A. Thermal analysis and development of
PID control for electronic expansion device of vapor compression refrigeration systems. Applied Thermal
Engineering. 2022. Vol. 206. 118130. https://doi.org/10.1016/j.applthermaleng.2022.118130
5. Prabakaran R., Lal D. M., Devotta S. Effect of thermostatic expansion valve tuning on the performance enhancement
and environmental impact of a mobile air conditioning system. Journal of Thermal Analysis and Calorimetry. 2021.
Vol. 143. P. 335‒350. https://doi.org/10.1007/s10973-019-09224-2
6. He Y.-J., Tai Y.-D., Fakrouche N., Zhang C.-L. Applicability evaluation of internal heat exchanger in CO2
transcritical cycle considering compressor operation boundaries. Applied Energy. 2023. Vol. 349. 121579.
https://doi.org/10.1016/j.apenergy.2023.121579
7. El Samad T., Żabnieńska-Góra A., Jouhara H., Sayma A. I. A review of compressors for high temperature heat
pumps. Thermal Science and Engineering Progress. 2024. 102603. https://doi.org/10.1016/j.tsep.2024.102603
8. Liu Y., Li Y., Chen Z., Wang C., Xing Z. Numerical research on refrigerant injection for motor cooling of screw
compressor for heat pump with large temperature lift. Applied Thermal Engineering. 2024. Vol. 253. 123837.
https://doi.org/10.1016/j.applthermaleng.2024.123837
9. Kumar S., Chahal V. A review of various kinds of cascade refrigeration cycle and application of ejector mechanism.
Advances in Materials and Mechanical Engineering: Select Proceedings of ICFTMME 2020. 2021. P. 245‒265.
https://doi.org/10.1007/978-981-16-0673-1_20
10. Kasi P., Cheralathan M. Review of cascade refrigeration systems for vaccine storage. Journal of Physics:
Conference Series. 2021. Vol. 2054. No. 1. https://doi.org/10.1088/1742-6596/2054/1/012041
11. Zlatanović I., Rudonja N. Experimental evaluation of desuperheating and oil cooling process through liquid injection
in two-staged ammonia refrigeration systems with screw compressors. Applied thermal engineering. 2012. Vol. 40.
P. 210-215. https://doi.org/10.1016/j.applthermaleng.2012.02.023
12. Шуруб Ю.В., Попович О.М., Бібік О.В. Підвищення енергетичної ефективності регульованого
електроприводу одноциліндрового поршневого компресора. Технічна електродинаміка. 2024. № 4.
https://doi.org/10.15407/techned2024.04.063
13. Шуруб Ю.В., Попович О.М., Головань І.В., Бібік О.В. Обґрунтування вибору регулятора швидкості
електроприводу одноциліндрового поршневого компресора. Праці Інституту електродинаміки
Національної академії наук України. 2023. № 65. https://doi.org/10.15407/publishing2023.65.133
14. Kasaeian A., Hosseini S. M., Sheikhpour M., Mahian O., Yan W.-M., Wongwise S. Applications of eco-friendly
refrigerants and nanorefrigerants: A review. Renewable and Sustainable Energy Reviews. 2018. Vol. 96. P. 91‒99.
https://doi.org/10.1016/j.rser.2018.07.033
15. Uddin K., Saha B. B., Thu K., Shigeru K. Low GWP refrigerants for energy conservation and environmental
sustainability. Advances in solar energy research. 2019. P. 485‒517. https://doi.org/10.1007/978-981-13-3302-6_15
16. Pronin V.A., Tsvetkov V.A., Kovanov A.V., Zhignovskaia D.V. Methods for regulating the performance of screw
compressors and features applications for single rotor machines. AIP Conference Proceedings. 2021. Vol. 2412.
No. 1. https://doi.org/10.1063/5.0075107
17. Остапенко О.В., Зімін О.В., Подмазко І.О., Хмельнюк М.Г. Шляхи підвищення енергоефективності
холодильної установки підприємства харчової промисловості. Холодильна техніка та технологія. 2016.
№ 52(6). С. 4–10. https://doi.org/10.15673/ret.v52i6.464
18. Грищенко В.О. Типові технологічні процеси і холодильне обладнання для зберігання рослинної продукції:
моделювання, динамічні режими, керування: монографія. Київ: ЦП «Компринт», 2018. 248 с.
https://doi.org/10.1016/j.csite.2020.100751
https://doi.org/10.3390/app11052019
https://doi.org/10.1007/s11367-015-0896-5
https://doi.org/10.1016/j.applthermaleng.2022.118130
https://doi.org/10.1007/s10973-019-09224-2
https://doi.org/10.1016/j.apenergy.2023.121579
https://doi.org/10.1016/j.tsep.2024.102603
https://doi.org/10.1016/j.applthermaleng.2024.123837
https://doi.org/10.1007/978-981-16-0673-1_20
https://doi.org/10.1016/j.applthermaleng.2012.02.023
https://doi.org/10.15407/techned2024.04.063
https://doi.org/10.15407/publishing2023.65.133
https://doi.org/10.1016/j.rser.2018.07.033
https://doi.org/10.1007/978-981-13-3302-6_15
https://doi.org/10.1063/5.0075107
ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85) 105
19. Patil S., Ponnusami S., Kovacevic A., Asati N. Training Neural Networks to Predict the Energy Efficiency of Screw
Rotor Profiles. International Compressor Engineering Conference. 2022. Paper 2777.
https://docs.lib.purdue.edu/icec/2777
20. Wang T., Qi Q., Zhang W., Zhan D. Research on Optimization of Profile Parameters in Screw Compressor Based
on BP Neural Network and Genetic Algorithm. Energies. 2023. Vol. 16. Iss. 9. 3632.
https://doi.org/10.3390/en16093632
References
1. Cengiz, Y. I., & Yilmaz, D. (2020). Optimal capacity for sustainable refrigerated storage buildings. Case Studies in
Thermal Engineering, 22, 100751. https://doi.org/10.1016/j.csite.2020.100751
2. Cárcel-Carrasco, J., Pascual-Guillamón, M., & Salas-Vicente, F. (2019). Improve the energy efficiency of the
cooling system by slide regulating the capacity of refrigerator compressors. Applied Sciences, 11(5).
https://doi.org/10.3390/app11052019
3. Shi, J., Li, T., Zhang, H., Peng, S., Liu, Z., & Jiang, Q. (2015). Energy consummation and environmental emissions
assessment of a refrigeration compressor based on life cycle assessment methodology. The International Journal of
Life Cycle Assessment, 20, 947‒956. https://doi.org/10.1007/s11367-015-0896-5
4. Franco, S. S., Henríquez, J. R., Ochoa, A. A. V., da Costa, J. A. P., & Ferraz, K. A. (2022). Thermal analysis and
development of PID control for electronic expansion device of vapor compression refrigeration systems. Applied
Thermal Engineering, 206, 118130. https://doi.org/10.1016/j.applthermaleng.2022.118130
5. Prabakaran, R., Lal, D. M., & Devotta, S. (2021). Effect of thermostatic expansion valve tuning on the performance
enhancement and environmental impact of a mobile air conditioning system. Journal of Thermal Analysis and
Calorimetry, 143, 335‒350. https://doi.org/10.1007/s10973-019-09224-2
6. He, Y.-J., Tai, Y.-D., Fakrouche, N., & Zhang, C.-L. (2023). Applicability evaluation of internal heat exchanger in
CO2 transcritical cycle considering compressor operation boundaries. Applied Energy, 349, 121579.
https://doi.org/10.1016/j.apenergy.2023.121579
7. El Samad, T., Żabnieńska-Góra, A., Jouhara, H., & Sayma, A. I. (2024). A review of compressors for high
temperature heat pumps. Thermal Science and Engineering Progress, 102603.
https://doi.org/10.1016/j.tsep.2024.102603
8. Liu, Y., Li, Y., Chen, Z., Wang, C., & Xing, Z. (2024). Numerical research on refrigerant injection for motor cooling
of screw compressor for heat pump with large temperature lift. Applied Thermal Engineering, 253, 123837.
https://doi.org/10.1016/j.applthermaleng.2024.123837
9. Kumar, S., & Chahal, V. (2021). A review of various kinds of cascade refrigeration cycle and application of ejector
mechanism. Advances in Materials and Mechanical Engineering: Select Proceedings of ICFTMME 2020 (pp. 245‒
265). https://doi.org/10.1007/978-981-16-0673-1_20
10. Kasi, P., & Cheralathan, M. (2021). Review of cascade refrigeration systems for vaccine storage. Journal of Physics:
Conference Series, 2054(1). https://doi.org/10.1088/1742-6596/2054/1/012041
11. Zlatanović, I., & Rudonja, N. (2012). Experimental evaluation of desuperheating and oil cooling process through
liquid injection in two-staged ammonia refrigeration systems with screw compressors. Applied thermal engineering,
40, 210‒215. https://doi.org/10.1016/j.applthermaleng.2012.02.023
12. Shurub, Yu.V., Popovych, O.M., & Bibik O.V. (2024). Increasing the energy efficiency of a regulated electric drive of a
single-cylinder piston compressor. Technical Electrodynamics, 4 [in Ukrainian].
https://doi.org/10.15407/techned2024.04.063
13. Shurub, Yu.V., Popovych, O.M. Golovan, I.V. & Bibik, O.V. (2023). Justification of the selection of the speed
regulator of the electric drive of a single-cylinder piston compressor. Proceedings of the Institute of Electrodynamics
of the National Academy of Sciences of Ukraine, 65 [in Ukrainian]. https://doi.org/10.15407/publishing2023.65.133
14. Kasaeian, A., Hosseini, S. M., Sheikhpour, M., Mahian, O., Yan, W.-M., & Wongwise, S. (2018). Applications of
eco-friendly refrigerants and nanorefrigerants: A review. Renewable and Sustainable Energy Reviews, 96, 91‒99.
https://doi.org/10.1016/j.rser.2018.07.033
15. Uddin, K., Saha, B. B., Thu, K., & Shigeru, K. (2019). Low GWP refrigerants for energy conservation and
environmental sustainability. Advances in solar energy research, 485‒517. https://doi.org/10.1007/978-981-13-
3302-6_15
16. Pronin, V.A., Tsvetkov, V.A., Kovanov, A.V., & Zhignovskaia, D.V. (2021). Methods for regulating the
performance of screw compressors and features applications for single rotor machines. AIP Conference Proceedings,
2412(1). https://doi.org/10.1063/5.0075107
17. Ostapenko, O.V., Zimin, O.V., Podmazko, I.O., & Khmelnyuk, M.G. (2016). Ways to increase the energy efficiency
of a refrigeration plant of a food industry enterprise. Refrigeration Equipment and Technology, 52(6), 4–10.
https://doi.org/10.15673/ret.v52i6.464
18. Grishchenko, V.O. (2018). Typical technological processes and refrigeration equipment for the storage of plant
products: modeling, dynamic modes, control [monograph]. Kyiv: CP "Komprint" [in Ukrainian].
19. Patil, S., Ponnusami, S., Kovacevic, A., & Asati, N. (2022). Training Neural Networks to Predict the Energy
Efficiency of Screw Rotor Profiles. International Compressor Engineering Conference. Paper 2777.
https://docs.lib.purdue.edu/icec/2777
https://docs.lib.purdue.edu/icec/2777
https://doi.org/10.3390/en16093632
https://doi.org/10.1016/j.csite.2020.100751
https://doi.org/10.3390/app11052019
https://doi.org/10.1007/s11367-015-0896-5
https://doi.org/10.1016/j.applthermaleng.2022.118130
https://doi.org/10.1007/s10973-019-09224-2
https://doi.org/10.1016/j.apenergy.2023.121579
https://doi.org/10.1016/j.tsep.2024.102603
https://doi.org/10.1016/j.applthermaleng.2024.123837
https://doi.org/10.1007/978-981-16-0673-1_20
https://doi.org/10.1016/j.applthermaleng.2012.02.023
https://doi.org/10.15407/techned2024.04.063
https://doi.org/10.15407/publishing2023.65.133
https://doi.org/10.1016/j.rser.2018.07.033
https://doi.org/10.1007/978-981-13-3302-6_15
https://doi.org/10.1007/978-981-13-3302-6_15
https://doi.org/10.1063/5.0075107
https://docs.lib.purdue.edu/icec/2777
106 ISSN 2786-7633. Системні дослідження в енергетиці. 2026. 1(85)
20. Wang, T., Qi, Q., Zhang, W., & Zhan, D. (2023). Research on Optimization of Profile Parameters in Screw
Compressor Based on BP Neural Network and Genetic Algorithm. Energies, 16(9), 3632.
https://doi.org/10.3390/en16093632
PREDICTION OF ENERGY EFFICIENCY OF SCREW
COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS
WITH FREQUENCY CONTROL USING A NEURAL NETWORK
Yaroslav Nitsak, https://orcid.org/0009-0006-3869-8231
Аlla Bosak*, PhD (Engin.), Associate Professor, https://orcid.org/0000-0003-0545-9980
National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", 37, Beresteiskyi Ave.,
Kyiv, 03056, Ukraine
*Corresponding author: allabosak@lll.kpi.ua
Abstract. This paper presents the results of a study on the energy efficiency of screw compressors in
ammonia refrigeration systems equipped with frequency control. The focus is placed on the development of
a neural network-based model for predicting energy consumption using experimental data collected from
operational industrial facilities. The proposed approach accounts for a wide range of operating conditions,
including variable load profiles, ambient temperature fluctuations, heat exchange performance, and specifics
of automated control systems. The application of an artificial neural network (ANN) enabled high prediction
accuracy: for compressors with frequency control, the mean squared error (MSE) was 63.065 and the
coefficient of determination (R²) reached 0.992; for compressors without frequency control, the respective
values were MSE: 266.231 and R²: 0.978. These results demonstrate the advantage of frequency control in
both modeling precision and energy performance. The study confirms that frequency regulation not only
reduces energy consumption but also enhances system reliability, equipment longevity, and lowers
operational costs. The proposed methodology can be adapted for other types of industrial refrigeration units,
opening broad opportunities for further research and the implementation of energy-saving technologies
across various industrial sectors.
Keywords: energy efficiency, screw compressors, frequency converters, ammonia refrigeration units,
optimization, electricity consumption, аrtificial neural network (ANN).
Дата першого надходження статті до журналу: 26.10.2025
Дата прийняття статті до друку після рецензування: 27.01.2026
Дата публікації (оприлюднення): 09.03.2026
https://doi.org/10.3390/en16093632
https://orcid.org/0009-0006-3869-8231
https://orcid.org/0000-0003-0545-9980
mailto:allabosak@lll.kpi.ua
|
| id | systemreorg-article-941 |
| institution | System Research in Energy |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-07-19T01:24:09Z |
| publishDate | 2026 |
| publisher | General Energy Institute of the National Academy of Sciences of Ukraine |
| record_format | ojs |
| resource_txt_mv | systemreorg/c4/dee30b6795503118f93378ca7d4b81c4.pdf |
| spelling | systemreorg-article-9412026-07-18T12:57:50Z PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK Прогнозування енергоефективності гвинтових компресорів аміачних холодильних установок з частотним регулюванням на основі нейронної мережі Nitsak, Yaroslav Bosak, Аlla energy efficiency, screw compressors, frequency converters, ammonia refrigeration units, optimization, electricity consumption, аrtificial neural network (ANN). енергоефективність, гвинтові компресори, частотні перетворювачі, аміачні холодильні установки, оптимізація, електроспоживання, штучна нейронна мережа. This paper presents the results of a study on the energy efficiency of screw compressors in ammonia refrigeration systems equipped with frequency control. The focus is placed on the development of a neural network-based model for predicting energy consumption using experimental data collected from operational industrial facilities. The proposed approach accounts for a wide range of operating conditions, including variable load profiles, ambient temperature fluctuations, heat exchange performance, and specifics of automated control systems. The application of an artificial neural network (ANN) enabled high prediction accuracy: for compressors with frequency control, the mean squared error (MSE) was 63.065 and the coefficient of determination (R²) reached 0.992; for compressors without frequency control, the respective values were MSE: 266.231 and R²: 0.978. These results demonstrate the advantage of frequency control in both modeling precision and energy performance. The study confirms that frequency regulation not only reduces energy consumption but also enhances system reliability, equipment longevity, and lowers operational costs. The proposed methodology can be adapted for other types of industrial refrigeration units, opening broad opportunities for further research and the implementation of energy-saving technologies across various industrial sectors. У статті представлено результати дослідження енергоефективності гвинтових компресорів аміачних холодильних установок, оснащених системами частотного регулювання. Основну увагу приділено розробці нейромережевої моделі для прогнозування енергоспоживання на основі експериментальних даних, зібраних на діючих промислових об’єктах. Запропонований підхід дозволяє враховувати широкий спектр експлуатаційних факторів, зокрема змінні профілі навантаження, температурні коливання, режими роботи теплообмінників та особливості автоматизованого керування. Застосування штучної нейронної мережі (ШНМ) забезпечило високу точність прогнозування: для компресора з частотним регулюванням середньоквадратична похибка (MSE) становила 63.065, коефіцієнт детермінації R² ‒ 0.992; для компресора без регулювання відповідні показники ‒ MSE: 266.231, R²: 0.978. Це свідчить про перевагу частотного регулювання в контексті точності моделювання та ефективності енергоспоживання. Результати дослідження підтверджують, що частотне регулювання сприяє не лише зниженню енергоспоживання, а й покращенню надійності, довговічності обладнання та зменшенню експлуатаційних витрат. Запропонована методика може бути адаптована для інших типів промислових холодильних агрегатів, що відкриває перспективи для подальших досліджень і впровадження енергозберігаючих технологій у різних галузях промисловості. General Energy Institute of the National Academy of Sciences of Ukraine 2026-03-03 Article Article application/pdf https://systemre.org/index.php/journal/article/view/941 10.15407/srenergy2026.01.094 System Research in Energy; No. 1 (85) (2026): System Research in Energy; 94-106 Системні дослідження в енергетиці; № 1 (85) (2026): Системні дослідження в енергетиці; 94-106 2786-7102 2786-7633 uk https://systemre.org/index.php/journal/article/view/941/834 Copyright (c) 2026 Yaroslav Nitsak, Аlla Bosak https://creativecommons.org/publicdomain/zero/1.0 |
| spellingShingle | energy efficiency screw compressors frequency converters ammonia refrigeration units optimization electricity consumption аrtificial neural network (ANN). Nitsak, Yaroslav Bosak, Аlla PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK |
| title | PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK |
| title_alt | Прогнозування енергоефективності гвинтових компресорів аміачних холодильних установок з частотним регулюванням на основі нейронної мережі |
| title_full | PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK |
| title_fullStr | PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK |
| title_full_unstemmed | PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK |
| title_short | PREDICTION OF ENERGY EFFICIENCY OF SCREW COMPRESSORS IN AMMONIA REFRIGERATION SYSTEMS WITH FREQUENCY CONTROL USING A NEURAL NETWORK |
| title_sort | prediction of energy efficiency of screw compressors in ammonia refrigeration systems with frequency control using a neural network |
| topic | energy efficiency screw compressors frequency converters ammonia refrigeration units optimization electricity consumption аrtificial neural network (ANN). |
| topic_facet | energy efficiency screw compressors frequency converters ammonia refrigeration units optimization electricity consumption аrtificial neural network (ANN). енергоефективність гвинтові компресори частотні перетворювачі аміачні холодильні установки оптимізація електроспоживання штучна нейронна мережа. |
| url | https://systemre.org/index.php/journal/article/view/941 |
| work_keys_str_mv | AT nitsakyaroslav predictionofenergyefficiencyofscrewcompressorsinammoniarefrigerationsystemswithfrequencycontrolusinganeuralnetwork AT bosakalla predictionofenergyefficiencyofscrewcompressorsinammoniarefrigerationsystemswithfrequencycontrolusinganeuralnetwork AT nitsakyaroslav prognozuvannâenergoefektivnostígvintovihkompresorívamíačnihholodilʹnihustanovokzčastotnimregulûvannâmnaosnovínejronnoímereží AT bosakalla prognozuvannâenergoefektivnostígvintovihkompresorívamíačnihholodilʹnihustanovokzčastotnimregulûvannâmnaosnovínejronnoímereží |