Optimale Regelung einer industriellen Vollklimaanlage mit Hilfe von Reinforcement Learning

Abstract

Kühlen und Heizen haben schon immer eine zentrale Rolle in der Entwicklung unserer Gesellschaft gespielt. Im Angesicht von Rohstoffknappheit, politischer Spannungen und globaler Erwärmung wird es zunehmend wichtiger, effiziente und nachhaltige Lösungen für diese Bereiche zu finden. Neben neuen Technologien zum Betreiben von Klimaanlagen ist auch eine effiziente Regelung von großer Bedeutung und kann bei bereits implementierten Systemen zu einer verbesserten Energiebilanz führen. Diese Arbeit beschäftigt sich mit dem Optimieren der Regelung von Klimaanlagen mithilfe von Deep Reinforcement Learning. Hierbei soll möglichst energieeffizient auf einen Temperatur- und Feuchtigkeitsbereich geregelt werden. Der aktuelle Stand der Technik wird erörtert und auf Potenziale für Verbesserungen sowie Anwendungsgebiete untersucht. Es wird eine Testumgebung erstellt, welche ein neuronales Netz mithilfe einer Simulation anhand von Wetterdaten trainiert. Abschließend wird ein Vergleich zu herkömmlichen Reglern in Hinsicht auf Kosten und Nutzen durchgeführt. Es wurde erfolgreich ein Regler trainiert, welcher in den fast allen Fällen die gesetzten Ziele erreicht. Hierbei wurden verschiedenste Kombinationen aus Parametern und Lösungsansätzen in Form von Anpassungen der Trainingsumgebung und Modifikationen der Kostenfunktion getestet. Ein Leistungsvergleich zu einem herkömmlichen Regelsystem wurde durchgeführt und visuelle Mittel zur Bewertung der Ergebnisse erstellt. Der trainierte Regler ist im Durchschnitt 11% energieintensiver, konnte jedoch in über 75% der Fälle eine Reduktion im Verbrauch erreichen. Die Methode hat das Potenzial, mit weiterer Forschung und anderen, leistungsstärkeren Ansätzen eine insgesamt höhere Effizienz zu entwickeln.