<div class="csl-bib-body">
<div class="csl-entry">Abinger, T. (2011). <i>Ansätze für selbstlernendes Systemverhalten in der Heimautomation</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-38256</div>
</div>
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
-
dc.description
Zsfassung in engl. Sprache
-
dc.description.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.<br />
de
dc.description.abstract
This thesis pursues the idea of creating a home or building that automatically adapts to the requirements and desires of its occupants.<br />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.
en
dc.language
Deutsch
-
dc.language.iso
de
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
intelligent
de
dc.subject
steuern
de
dc.subject
regeln
de
dc.subject
Heimautomation
de
dc.subject
künstlich neuronale Netze
de
dc.subject
Multiagentensystem
de
dc.subject
Energie sparen
de
dc.subject
kosten Sparen
de
dc.subject
Komfort Verbesserung
de
dc.subject
maschinelles Lernen
de
dc.subject
Smart Home
de
dc.subject
intelligent
en
dc.subject
control
en
dc.subject
home automation
en
dc.subject
artificial neura networks
en
dc.subject
multi-agent system
en
dc.subject
energy reduction
en
dc.subject
cost reduction
en
dc.subject
comfort enhancement
en
dc.subject
machine learning
en
dc.subject
smart home
en
dc.title
Ansätze für selbstlernendes Systemverhalten in der Heimautomation
de
dc.title.alternative
Approaches for self-learning system-behaviour in home automation