Künstliche-Intelligenz (KI) Wärmepumpen-Regler
Viele Gebäude werden inzwischen mit Wärmepumpen geheizt, oft in Kombination mit einer Erdwärmesonde. Die Wärmepumpe entzieht dabei dem Erdreich Wärmeenergie auf einem tiefen Temperaturniveau, um damit auch im Winter eine angenehme Raumtemperatur zu gewährleisten. Noch wichtiger als bei fossilen Heizungen ist dabei die Auslegung der Heizung, sowie die korrekte Inbetriebnahme. Diese Arbeit verfolgt das Ziel, anhand von Simulationen ein neuronales Netz so zu trainieren, dass bei der Inbetriebnahme keine Parametereinstellungen im Regler der Wärmepumpe mehr angepasst werden müssen. Der KI-Wärmepumpen-Regler hat in der Trainingsphase viele verschiedene Szenarien mit unterschiedlichen Gebäuden, variablem Wetter und stochastischem Benutzerverhalten kennen gelernt. In der Folge wird die Wärmepumpe energieoptimiert betrieben, ohne dass beim Installieren das Gebäude bekannt sein muss.
In der Energiestrategie 2050 wird fürs Heizen die Nutzung von Umgebungswärme eine wichtige Rolle spielen. Die dafür verwendeten Wärmepumpen sollten mit einem möglichst hohen Anteil erneuerbarem Strom aus Wasserkraft, Windparks und Photovoltaikanlagen betrieben werden. Die entsprechenden Steuereinheiten sollen Energie und Kosten optimieren und jederzeit die Behaglichkeit in den Innenräumen garantieren. Dazu nutzen sie auch die Speichermassen der Gebäude und reagieren auf Wetterverhältnisse und Veränderungen im Benutzerverhalten. In traditionellen Reglern müssen einige Parameter wie beispielsweise die Heizkurve des Gebäudes oder die Grösse einer lokal verfügbaren Photovoltaikanlage korrekt eingestellt werden. Dies geschieht bei der Inbetriebnahme der Wärmepumpe oder bei einer späteren Überprüfung durch einen Servicetechniker.
Im Rahmen von mehreren Studentenarbeiten wurde ein KI-Wärmepumpen-Regler entwickelt, der aufgrund eines Trainings mit Simulationsdaten die Systemkomponenten optimal ansteuern. Das Ziel der Forschungsarbeit ist es, dass ein KI-Wärmepumpenregler im Vergleich zu traditionellen Reglern eine gleich gute Performance (Kosten- bzw. Energie-Optimierung) erreicht, dies jedoch bei deutlich weniger Aufwand beim Installieren bzw. bei der Inbetriebnahme.
Damit der KI-Wärmepumpen-Regler eine Anlagenhydraulik laufend in den optimalen Betriebspunkt führt, wird er vor der Auslieferung mit einem dynamischen System trainiert. In mehreren Studierendenarbeiten wurde für die Trainingsphase die Simulationssoftware Polysun und die «OpenAI Gym»-Plattform eingesetzt.
Wie in der nebenstehenden Abbildung dargestellt, wird im Forschungsprojekt ein neuronales Netz bestehend aus zwei Schichten mit jeweils 16 Neuronen verwendet. Mit bestärkendem Lernen (engl. reinforcement learning) werden anhand von einer grossen Anzahl Simulationen die entsprechenden Koeffizienten des neuronalen Netzwerks optimiert. Dabei wird eine Kostenfunktion definiert, welche ein unsorgfältiger Umgang mit Energie sowie das Unterschreiten der Solltemperatur im Gebäude bestraft.
Mitwirkende: Laurenz Joos, Selina Pfyffer, Andreas Witzig, Volker Ziebart (IAMP), Nicolas Schmid (IAMP)
Partner: BS2 AG
Finanzierung: Innosuisse
Dauer: 2020 - 2022