Machbarkeitsstudie Reinforcement Learning Control für Heizsysteme
Auf einen Blick
- Projektleiter/in : Dr. Volker Ziebart
- Stellv. Projektleiter/in : Dr. Christian Jaeger
- Projektteam : Peter Bolt, Prof. Dr. Rudolf Marcel Füchslin, Nicolas Schmid, Prof. Dr. Thilo Stadelmann
- Projektvolumen : CHF 250'000
- Projektstatus : abgeschlossen
- Drittmittelgeber : Innosuisse (Innovationsprojekt / Projekt Nr. 31326.1 IP-EE)
- Kontaktperson : Volker Ziebart
Beschreibung
Wir schaffen die wissenschaftlichen Grundlagen für den Einsatz selbstlernender Energiemanagementsysteme für Gebäude mit heterogenen Energiesystemen und zeitlich variablem Nutzerverhalten. Eine solche Steuerung ermöglicht es, dauerhaft optimal arbeitende Energiesysteme auch für ältere Gebäude mit nur teilweise bekannten energetischen Charakteristika und für solche mit wechselnden Anforderungsprofilen ohne permanente Kalibration durch eine Fachperson anzubieten. Die Steuerung kann auch in Altbauten eingesetzt werden.Die Steuerung basiert auf Reinforcement Learning (RL), einer datenbasierten Optimierungsmethode, die in der letzten Zeit spektakuläre Erfolge gefeiert hat. RL lernt selbständig die Konsequenzen einer Steuerungsaktion und kann daher heuristisch annähernd optimale Steuertrajektorien finden. Damit kombiniert RL eine hohe Energieeffizienz mit dem für den Markteinsatz nötigen geringen Implementierungsaufwand. RL ist zudem intrinsisch adaptiv und passt sich Änderungen in der Systemdynamik oder im Bewohnerverhalten an.Für die Optimierung wird eine hohe Anzahl an Datenpunkten benötigt, die nur durch mehrjährige Messungen an einem Heizsystem gewonnen werden kann. Diesem Problem wird dadurch begegnet, dass zuerst die Dynamik des Systems identifiziert wird, was mit weitaus weniger Datenpunkten möglich ist. Das Heizsystem kann in der Identifizierungsphase, welche nur wenige Wochen benötigt, regelbasiert gesteuert werden und ist damit sofort einsatzbereit.Ziel der vorliegenden Machbarkeitsstudie ist es, die Umsetzbarkeit einer RL-basierten Steuerung für Gebäudesysteme in einer realistischen Simulationsstudie nachzuweisen und die geeignetsten Algorithmen zu identifizieren.
Publikationen
-
Bolt, Peter; Ziebart, Volker; Jaeger, Christian; Schmid, Nicolas; Stadelmann, Thilo; Füchslin, Rudolf Marcel,
2024.
A simulation study on energy optimization in building control with reinforcement learning [Paper].
In:
11th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'24), Montreal, Canada, 10-12 October 2024.
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter: https://doi.org/10.21256/zhaw-31129