Ein Reinforcement-Learning-Ansatz für die Optimierung von Heizkurven

In diesem Beitrag wird das Potenzial einer intelligenten Vorlauftemperaturregelung für das Heizungsnetz eines modernen Bürogebäudes analysiert. Da das Gebäude mit einem Niedertemperatur-Fußbodenheizsystem und großen Fensterflächen ausgestattet ist, besteht die Gefahr einer Überhitzung der Räume an Tagen mit viel Sonnenenergie, jedoch kühlen Nächten. Durch eine Optimierung und Anpassung der Vorlauftemperatur mittels eines Reinforcement Learning Ansatzes – Q-Learning – kann die Überhitzung der Räume durch Sonneneinstrahlung im Vergleich zu der Standardheizkurve effektiv reduziert und damit der Gesamtkomfort verbessert werden. Die Integration der neuen Reglung am realen Gebäude wird mittels eines Handlungsempfehlungssystems realisiert.