„nachhaltige technologien 02 | 2024"

konzentriert sich zunächst auf die Bedarfssteuerung (Demand Side Management) und versucht, Flexibili- täten in Energienetzen zu nutzen. [4] In vielen Fällen wird ein Preissignal als Flexibilitätssignal verwendet. Der Ansatz für das Senden des Signals unterscheidet sich je nach Intelligenz und Kontrollniveau auf der Energieversorgungs (Verteilnetzbetreiber)- oder Clus- terseite (Distributed SystemOperator). Ein höherer Kontrollzugriff entspricht oft einem erhöhten Daten- transfer und beeinträchtigt den Datenschutz und die Privatsphäre der Nutzer. Bei der Verwendung von Edge Node Control ENC ist der Datenaustausch zwischen den Gebäuden und dem Energieversorger auf ein Minimum beschränkt. Die gesamte Regelung erfolgt lokal auf der Ebene der Agenten und die Rechenleistung auf Clusterebene ist relativ gering. Alle Agenten erhalten pro Zeitschritt das gleiche Signal, können aber je nach internen Steu- erungsmöglichkeiten unterschiedlich reagieren. Auf der Ebene des Agenten wird die Entscheidungsfin- dung mit einem Reinforcement Learning (RL)-basier- ten Algorithmus durchgeführt 3 . Die Erkenntnis des Agenten über seine Umgebung und seinen Zustand wird durch die Berechnung von Belohnungen pro Zeit- schritt generiert, die als "Werte" bezeichnet werden. er Klimawandel kann zu stärkeren und häufige- ren Extremwetterereignissen führen, was für städ- tische Gebiete, Gebäude und Versorgungsnetze eine erhöhte Anpassungsfähigkeit aufgrund eines erhöh- ten Ausfallsrisikos notwendig macht. [1,2] Aber auch die Integration eines höheren Anteils an erneuerba- ren Energien erfordert zuverlässige und belastbare Energielösungen zur Erhöhung der Klimaresilienz und Nutzung von Flexibilitäten. [2] In komplexen städtischen Umgebungen besteht ins- besondere eine große Herausforderung in Bezug auf die Ermittlung optimaler Gebäudesteuerungen für eine große Gruppe miteinander verbundener Gebäu- de, bei denen jede Struktur Einfluss auf die anderen ausübt. In diesem Zusammenhang hat Reinforcement Lear- ning (RL) 1 bereits vielversprechende Ergebnisse ge- zeigt, um die Robustheit von Regelungen zu verbes- sern und Multiagentensysteme 2 in nicht-stationären Umgebungen optimal zu steuern. [3] Eine innovative Energiemanagementtechnologie Die CIRLEM-Technologie (Collective Intelligence and Reinforcement Learning in Energy Management) D Implementierung von „Reinforcement Learning“ für das Energiemanagement von Gebäude-Clustern Schematische Darstellung der CIRLEM (Collective Intelligence and Reinforcement Learning in Energy Management) - Kommunikationsstrategie Quelle: Lund University 1 Reinforcement Learning (deutsch: bestärkendes Lernen oder verstärkendes Lernen) steht für eine Methode des maschinellen Lernens, in der ein Agent eigenständig eine Strategie erlernt, um eine erhaltene Belohnung anhand einer Belohnungs-Funktion zu maximieren. 2 Agent: Als Agent wird ein Software-Programm bezeichnet, das zu gewissem eigenständigen Verhalten fähig ist. Im Fall von Reinforcement Learning führt der Agent Aktionen in einem Szenario / Umfeld aus und bekommt dafür eine Belohnung (Reward). 3 Reinforcement Learning ist eine Trainingsmethode des maschinellen Lernens, in dem gewünschte Verhaltensweisen des Agenten belohnt werden. Vahid M. Nik, Mohammad Hosseini, Kavan Javanroodi 21 20 ENERGIEINNOVATIONEN IN QUARTIEREN