Training von KI-Modellen zur MPC-basierten Nachtlüftung mittels Software-in-the-Loop-Simulationen in IDA ICE

Abstract

Nachtlüftung ist eine energieeffiziente Möglichkeit das Risiko einer Überwärmung von Gebäuden zu minimieren, welches durch den klimawandelbedingten Temperaturanstieg bereits in den Übergangszeiten zu beobachten ist. Primär in Nichtwohngebäuden erfordert diese Art der Lüftung jedoch eine entsprechende Regelungstechnik zum effizienten Betrieb. Dazu wird eine Software-in-the-Loop Simulation mit der Gebäudesimulationssoftware IDA ICE verwendet, um die Effizienz von Regelkonzepten zu testen und simulationsgenierte Daten für das Training von Künstlichen Neuronalen Netzwerken (KNN) in einer modellprädiktiven Steuerung (MPC) zu gewinnen. Der vorliegende Ansatz kombiniert die Stärken von Simulation und KNN, indem zuerst die Simulation anhand echter Messdaten kalibriert wird und die resultierenden Simulationsoutputs dann benutzt werden, um ein KNN mit (zusätzlichen) Trainingsdaten zu versorgen. Das resultierende KNN bietet eine vergleichbare Vorhersagegenauigkeit, bei sehr viel geringerem Rechenaufwand und ohne dezidierte Simulationssoftware in die Regelung zu integrieren. Um dies zu erreichen wurde einerseits ein Ersatzmodell für Kipplüftung entwickelt, damit die Simulation diese bei Nachtlüftung typische Öffnungsart berücksichtigt, und ein ver-allgemeinertes Konzept zur Integration von beliebigen physischen Steuergeräten und unterschiedlichen Softwareplattformen in IDA ICE umgesetzt. Das Paper demonstriert sowohl die Machbarkeit als auch das Verbesserungspotential durch die quantitativ wesentlich höhere Anzahl an Trainingsdatensätzen aus Simulationen, die auch Betriebszustände umfassen, die im normalen Gebäudebetrieb häufig nicht wiederholbar sind.