Title: Ansätze für selbstlernendes Systemverhalten in der Heimautomation
Language: Deutsch
Authors: Abinger, Thomas 
Qualification level: Diploma
Keywords: intelligent; steuern; regeln; Heimautomation; künstlich neuronale Netze; Multiagentensystem; Energie sparen; kosten Sparen; Komfort Verbesserung; maschinelles Lernen; Smart Home
intelligent; control; home automation; artificial neura networks; multi-agent system; energy reduction; cost reduction; comfort enhancement; machine learning; smart home
Advisor: Kastner, Wolfgang 
Issue Date: 2011
Number of Pages: 136
Qualification level: Diploma
Abstract: 
Diese Arbeit verfolgt die Idee, ein Haus oder Gebäude zu schaffen, das sich automatisch an die Bedürfnisse und Wünsche der Bewohner anpasst. Damit sich ein Bewohner bei einer bestimmten Tätigkeit wohlfühlt, sind oft mehrere Betriebsparameter aus technischen Systemen unterschiedlicher Gewerke aufeinander abzustimmen. Weiters sollen individuelle Eigenschaften des Gebäudes in die Steuerung und Regelung mit einbezogen werden. Stehen unterschiedliche Alternativen für eine Steuerung/Regelung zur Verfügung, soll die kostengünstigste Option gewählt werden, ohne dabei den Komfort der Bewohner zu schmälern. In dieser Arbeit werden in zwei Schwerpunkten Mittel untersucht, selbstlernendes Systemverhalten in der Heimautomation umzusetzen. Der erste Schwerpunkt liegt auf der Frage, wie mit Hilfe künstlich neuronaler Netze die komplexen Einflussfaktoren Mensch, Gebäude, Gebäudetechnik und Umgebung in einem intelligenten Heizungsregelkreis gefasst werden können. Die für diesen Zweck erstellten künstlich neuronalen Netze sind vom Typ der Feed Forward-Netze, Jordan-Netze und Simple Recurrent Networks und verändern nach einem zeitlichen Raumbelegungsplan, den Raum- und Außentemperaturen sowie der aktuellen Uhrzeit den Sollwert eines herkömmlichen Heizungsreglers. Die so gegenüber einer herkömmlichen, rein uhrzeitabhängigen Strategie erzielbare Effizienzsteigerung wird in einer physikbasierten Simulation bestimmt. Der zweite Schwerpunkt liegt auf der Strukturierung der komplexen Steuerungsaufgaben im Rahmen eines selbstlernenden Softwaresystems. Die Lern- sowie Steuerungs- und Regelungsaufgaben werden dazu als Multiagentensystem abgebildet. Verschiedene, an diesen Aufgaben orientierte Agententypen werden modelliert und deren dynamisches Zusammenspiel betrachtet.

This thesis pursues the idea of creating a home or building that automatically adapts to the requirements and desires of its occupants.
To ensure that occupants are comfortable during various activities, it is often necessary to coordinate multiple operational parameters from systems belonging to different building disciplines. Furthermore, individual structural properties or the building are to be included into the control strategy. If there are multiple options available to realise the desired conditions, the cheapest method shall be chosen, but occupant comfort shall not be compromised. This work focuses on two points of research regarding the implementation of self-learning system behaviour for home automation systems. The first focus is on the question how artificial neural networks can be used to create an intelligent heating control loop that better considers the complex parameters and inputs coming from humans, buildings, building services, and the natural environment. The artificial neural networks created for this purpose are of the Feed Forward Network, Jordan Network, and Simple Recurrent Network type. According to a presence schedule, outdoor and indoor temperatures and the current time, they modify the set value of a conventional heating controller. The resulting increase in efficiency over a conventional, purely time based strategy is evaluated using physics-based simulation. The second focus is on the structuring of complex control tasks and self-learning capabilities within the framework of a software application. To this end, a multi-agent system is implemented. In it, various types of agents reflect the various learning and control tasks. Besides the agent types themselves, their dynamic interplay is also modelled.
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-38256
http://hdl.handle.net/20.500.12708/12262
Library ID: AC07809572
Organisation: E183 - Institut für Rechnergestützte Automation 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

16
checked on Feb 18, 2021

Download(s)

69
checked on Feb 18, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.