去年底，一家在华东有5家门店的连锁生鲜超市找了过来。老板说了一个数字：每个月电费加起来快40万。他们自己算过，冷柜系统占了将近一半。而且门店生鲜报损率一直偏高——冰柜坏了没及时发现，半夜停机到早上开门才发现，整柜海鲜蔬菜全废。

之前他们也试过一些方案：找冷链公司来加监控，报价一家店就要8万多，5家店加下来觉得太贵，而且效果不确定。也买过几台带WiFi的温度记录仪，但数据散在各个App里，店长说"看了也不知道该干嘛"。夏天快到了，冷柜负荷只会更大，老板决定再试一次。

这篇文章记录我们做的全过程。不吹效果，只说遇到了什么、怎么解决的、实际效果怎样。

一、现场摸底：冷柜远比想象的复杂

花了一周时间，把5家门店都看了一遍。之前以为冷柜就是"插电制冷、温度到了停机"，实际上涉及的管理维度比预想的多得多：

这些条件决定了方案方向：不能依赖稳定网络、不能停机安装、成本要控制在合理范围内、数据要能跨店对比。

二、方案设计

最终方案分了四个层次：

采集层：温度传感器+智能电表

每台冷柜内放置无线温度传感器（NTC探头，精度±0.3°C），贴在蒸发器回风位置——这是最能反映冷柜真实工作状态的测量点。冷柜外壳加装CT夹式智能电表，监测实时功率和累计用电。

选型上几个考量：

每台冷柜装1个温度传感器+1个智能电表。5家店总计53台冷柜/冷库，配了53个温度传感器和36个智能电表（同型号冷柜可以共用监测）。

边缘层：每店一台边缘AI网关

每家门店部署一台边缘AI网关，装在弱电间或机房。负责：

为什么选边缘网关而不是直接上云？三个原因：部分门店网络不稳定、传感器数据量不小（53台设备×每天约2000条数据点）、需要本地做低延迟告警（温度异常超过阈值要在1分钟内触发，云方案受网络波动影响）。

云端层：总店看板和智能分析

一个总部可用的集中看板，展示：

告警通过企业微信推送到店长和电工手机——不同级别告警推给不同的人：温度超标推店长，功率异常推电工，多日无数据推区域经理。

智能层：AI预测模型

利用积累的数据训练了两个轻量模型：

这两个模型都是轻量级的，直接在边缘网关本地运行，不需要联网。

三、实施过程

第一周：试点店安装调试

先拿老店做试点，这家店设备最多（13台冷柜），网络条件也比较差。安装本身用了两个晚上（营业结束后进行，21点到凌晨1点）。

安装中遇到的问题：

第二周：数据收集和基线建立

试点店连续采集一周数据后，发现了几个很意外的现象：

教训：数据刚出来的时候有点慌，因为"异常"太多了。后来才意识到，不是系统刚装上的时候异常多，而是这些异常本来就存在，只不过以前没有人能看见。数据把隐藏的问题暴露出来了。

第三周：设备维护和基线重建

针对发现的硬件问题，安排了一次集中维护：

维护后重新采集一周数据建立新基线。这时的能耗曲线明显好了很多——其中一台冷冻柜的日耗电量从22度降到了14度，光清洗冷凝器翅片就有这个效果。

四、智能调度与实际效果

基线稳定后，开始做智能调度：

防凝露电热丝按需启停

传统做法是电热丝24小时开着防止柜门结露。我们根据室外温湿度传感器和柜内湿度数据，动态控制电热丝：湿度低于60%且温度高于10°C时关闭，高于75%或温度低于5°C时开启。改造后敞开式冷柜的辅助功耗降低了约60%。

化霜周期按需触发

固定时间化霜（比如每6小时一次）是厂家保守设置。实际上不同季节、不同品类、不同开门频次需要的化霜频率不同。我们改为根据蒸发器翅片温度和压缩机运行时长综合判断是否需要化霜。调整后冷冻柜的化霜次数从每天4次降到2-3次，每次化霜加热耗电约0.8度算，每天节省约1度电/台。5家店共有12台冷冻柜，日省约12度电，不算多但胜在长期积累。

夜间经济运行

非营业时间（22:00-8:00）冷柜开门次数极少。适当提高冷藏柜的设定温度上限（从4°C提到6°C），减少压缩机启停频率。冷冻柜维持不变（食品安全红线，不碰）。这个调整每晚大约能省5-8%的冷柜能耗。

压缩机健康预警

AI模型持续监控每台压缩机的运行时长系数。有一台冰柜的运行时数逐月增加——从每天14小时增长到18小时。系统标记为"压缩机效率退化"。检查后发现是冷凝器风扇轴承磨损，转速下降导致散热不良。更换风扇后，运行时长恢复到14小时，避免了压缩机彻底烧毁的大修。

能耗变化
系统上线3个月后，5家门店的综合冷柜能耗对比去年同期下降了约18%。其中能耗下降30%来自维护发现的问题（清洗冷凝器、更换温控器、补充制冷剂），40%来自智能调度（电热丝控制+化霜优化），30%来自行为改变（店长看到实时数据后主动调整了夜间门帘关闭时间和上货时段）。
生鲜报损变化
3个月内提前发现并处理了4次冷柜故障隐患，避免了突发报损。生鲜报损率从月均约3%降到约2%。门店反馈最明显的变化是"心里有底了"——以前半夜最怕接到门店电话说"冰柜坏了"，现在看手机就能知道各店冷柜状态。
投资回报周期
包括5台边缘网关、53套传感器和电表、安装调试和看板开发，整体投入约8万块。按每月省下来的电费和减少的报损估算，大约8-10个月能收回成本。

五、遇到的问题和解决办法

讲几个实施过程中踩过的坑：

坑1：温度传感器的"读心"难题

遇到一个很头疼的问题——同一个冷柜的不同位置温度可以差3-5度。冷藏柜靠门的地方比内部高2度，冷冻柜上层比底层高3度。店长看着数据说"到底信哪个？"

解决：统一传感器安装位置（回风处）后，虽然绝对读数有偏差，但趋势数据是可靠的——一条稳定的曲线和一条持续上升的曲线，不管装在哪都能说明问题。最终我们只看趋势和相对变化，不看绝对温度值。

坑2：非营业时间的"幽灵负荷"

数据分析时发现夜间有几台冷柜的功率曲线异常。明明没有人在店里，功率却莫名其妙地有规律波动。排查了很久，最后发现是隔壁水产区的制冰机通过同一路配电——冷柜电表把制冰机的用电也算进去了。

解决：把共用线路的冷柜重新单独拉线，或者改用更精细的分路电表方案。

坑3：店长对数据的接受过程

试点店刚开始推的时候，店长是抵触的。她觉得这是"总部的监控"，怕数据用来考核她。后来我们调整了策略：第一个月的数据只给店长自己看，不往上汇报，并且帮她把数据用起来——她之前不知道冷柜有防凝露电热丝这回事，看到数据后理解了为什么冷柜停机了还在耗电。她后来主动提出要优化电热丝控制。

关键体会：数据系统要想落地，得先让一线人员觉得"这东西对我有用"，而不是"总部又来管我了"。

坑4：不同品牌冷柜的数据解析差异

5家店的冷柜品牌不统一，有海尔、松下、还有两台不知名的杂牌。不同品牌的化霜逻辑不同——有的是定时化霜，有的是累计运行时间触发化霜，还有的带热气回抽功能。需要一个品牌一个品牌地标定化霜周期特征。

解决：针对每个品牌的化霜特征做了单独的识别规则。杂牌冰柜没有电子温控器，全靠机械温控开关，这种我们直接加装智能继电器做控制。

六、个人思考

做完这个项目，几个比较深的感受：

超市冷柜的能耗优化空间比想象中大。以前我以为冷柜能效主要是设备本身决定的，换了变频冷柜就好了。实际做下来发现，运维层面的优化空间很大——冷凝器清洗、电热丝控制、化霜优化，这些都不需要换设备，但效果很明显。

跨店对比是连锁场景最实用的功能。5家店的能耗数据放在一起比，同一品牌同型号的冷柜，有的店耗电多出30%。原因排查后要么是冷凝器积灰，要么是门帘没关好。这种"店里看不见的浪费"，跨店数据一看就清楚了。

生鲜报损的降低更多来自预警速度，而不是温度精度。之前冷柜坏了靠人发现，运气好半小时，运气不好第二天早上。有了实时告警后，5分钟内就能响应。有次半夜2点系统告警冷冻柜温度异常，电工师傅半小时到店处理，一柜子冻品保住了——按进价算大约值1.5万块。这种场景只要发生一次，老板就觉得投入值了。

小型连锁比大型商超更难做数字化。大超市有专职工程部、有预算。小型连锁（3-10家店）最尴尬——没有IT人员、预算有限、管理层级扁平但信息不透明。但恰恰是这种小连锁，对数据工具的边际收益更高：一家店省几百块电费对大型超市不算什么，但对小连锁就是实打实的利润改善。

七、给你的建议

如果你也在考虑给自己的门店做冷柜能耗管理：

  1. 先试点1家店，把问题摸清楚再铺开。每家店的基础条件差异很大，第一家的踩坑经验能让后续门店少走弯路。
  2. 前两周只观察不动手。先把设备装好，采集两到三周的数据建立基线。基线稳定前不要开告警，否则全是误报。
  3. 关注趋势而非绝对值。同一位置、同一时间的温度变化趋势比绝对温度值更有意义。趋势分析能帮你发现退化、异常和异常的相关因素。
  4. 连锁场景数据标准化很重要。传感器安装位置、型号、数据类型要统一，否则跨店对比不可靠。
  5. 不要忽略人的因素。店长和电工具不支持，系统再好的功能也用不起来。先让他们看到数据的价值，再推智能控制。
  6. 从最"笨"的优化开始。清洗冷凝器、关上门帘、修好故障温控器——这些不花钱的措施往往效果明显。等这些做完了，再考虑AI调度。