Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Kostenoptimale Steuerung eines multivalenten Gebäudeenergiesystems mittels modellprädiktivem Ansatz und Reinforcement Learning

 
: Huang, Chenzi; Seidel, Stephan; Velarde Gonzales, Fabio Alberto; Mayer, Dirk

VDI/VDE-Gesellschaft Meß- und Automatisierungstechnik -GMA-, Düsseldorf:
Automation 2020. 21. Leitkongress Mess- u. Automatisierungstechnik : Shaping automation for our future, 30. Juni u. 01. Juli 2020, Online, DVD-ROM
Düsseldorf: VDI-Verlag, 2020 (VDI-Berichte 2375)
ISBN: 978-3-18-092375-8
pp.43-58
Leitkongress der Mess- und Automatisierungstechnik <21, 2020, Online>
Bundesministerium fur Wirtschaft und Energie BMWi (Deutschland)
03ET1567A; ARCHE
Architekturen und Entwurfsmethodik für selbstoptimierende Regelverfahren in verteilten Energiesystemen
German
Conference Paper
Fraunhofer IIS, Institutsteil Entwurfsautomatisierung (EAS) ()

Abstract
In diesem Beitrag werden anhand eines modernen Einfamilienhauses mit mehreren regenerativen Energiequellen Ansätze zur Steigerung der Energieeffizienz eines multivalenten Gebäudeenergiesystems entwickelt und untersucht. Durch die Existenz alternativer Energieflüsse entsteht für die Berechnung eines kostenoptimalen Fahrplans für die Energieversorgung des Gebäudes in der Regel ein nichtkonvexes Mixed-Integer-Optimierungsproblem. Dazu wird in der Arbeit der Einsatz von geeigneten kombinierten Optimierungsverfahren zusammen mit einer modellprädiktiven Regelung und dem gegenüber der Einsatz von Reinforcement Learning aus dem Bereich des maschinellen Lernens untersucht. Beide Methoden sind in der Lage die Energiekosten zu senken und gleichzeitig Komfort zu erhalten.

 

In this contribution we develop and analyze different methods to optimize the energy efficiency of a modern family house with multiple renewable energy sources. Because of the existing alternative options of energy production and saving a mixed-integer optimization problem arises in general. To solve this we first apply combined optimization methods and integrate it into a model predictive control system. In comparison, a reinforcement learning based approach is developed and analyzed. Both methods are able to decrease energy consumption and keep comfort at the same time.

: http://publica.fraunhofer.de/documents/N-597076.html