Die vorliegende Masterarbeit erforscht die Erweiterung der Steuerung einer bestehenden Klimatisierungsanlage durch ein Sensornetzwerk und künstliche Intelligenz. Ziel ist die Optimierung des Energiebedarfs und die Verbesserung des Raumklimas durch die Überwachung umfangreicher Sensordaten. Ein Mesh-Netzwerk mit Aktualisierungsmöglichkeit für die Sensorknoten und die TensorForce-Bibliothek bilden dafür die Grundlage. Unter Nutzung von Deep Q-Learning from Demonstrations, einer Reinforcement Learning-Strategie, wird die praktische Umsetzung eines solchen Systems getestet. Durch die Erprobung verschiedener Konfigurationen gelingt es, die Aktivitätszeit der Klimageräte durch automatische Abschaltung im Vergleich zur regulären Nutzung signifikant zu senken. Zusätzlich wechselt das entwickelte System bei Bedarf selbstständig in den Lüftungsmodus, anstatt dauerhaft im Kühlbetrieb mit hohem Energiebedarf zu arbeiten. Diese Masterarbeit richtet sich an alle, die am praktischen Einsatz von Reinforcement Learning interessiert sind.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:33112 |
| Date | 07 February 2019 |
| Creators | Dörfelt, Johannes |
| Contributors | Hardt, Wolfram, Rosjat, Christian, Technische Universität Chemnitz |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:masterThesis, info:eu-repo/semantics/masterThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 0947-5125, urn:nbn:de:bsz:ch1-qucosa-228139, qucosa:20770 |
Page generated in 0.0017 seconds