Vier Studierende der kürzlich abgeschlossenen Masterprojektgruppe "Learning4Adaption" haben maschinelle Lernverfahren für die Realisierung einer selbstadaptiven Gebäudesteuerung, die sich selbstständig an ihre Umgebung anpasst, untersucht. Hierzu haben sie sich zunächst intensiv mit dem Maschinellen Lernen und verschiedenen Lernalgorithmen auseinandergesetzt. Das Projekt dient als Lösungsansatz für das langwierige manuelle Software-Engineering, welches oft zu langsam für die dynamischen Umgebungen ist, in welchen Software eingesetzt wird.

Für die Entwicklung der selbstadaptiven Gebäudesteuerung wählte die paluno-Projektgruppe zwei moderne Reinforcement-Learning-Algorithmen aus: Soft Actor-Critic (SAC) und Proximal Policy Optimization (PPO). Auf Basis einer Raumsimulation konnten die Studierenden beispielsweise zeigen, dass die von ihnen entwickelte Steuerung die Raumtemperatur mit wenigen Ausnahmen innerhalb eines Toleranzbereichs halten kann und gleichzeitig der Energieverbrauch optimiert werden konnte.

Weitere Informationen finden Sie hier.