Toegepaste Ingenieurs­wetenschappen

Onderzoekers worden 3de in de CityLearning Challenge

Onderzoekers industriële wetenschappen: elektronica-ICT en industriële wetenschappen: elektromechanica behaalden een derde plaats in de internationale CityLearning Challenge.

Sara Ghane (IDLab/imec), Stef Jacobs (IDLAB/EMIB) en Wim Casteels (IDLab/imec) scoorden een derde plaats op de CityLearn Challenge. De wedstrijd, georganiseerd door University of Texas at Austin, heeft als doel om controle-algoritmes te ontwikkelen die de interactie tussen een microwijk en het elektriciteitsnet zo optimaal mogelijk coördineren. De focus ligt op het gebruik van een nieuw type in de Machine Learning, namelijk Reinforcement Learning (RL). 23 teams namen deel.

Wat is de CityLearning Challenge?

Artificiële Intelligentie (AI) maakt ons leven efficiënter. Het wordt ook steeds vaker gebruikt bij de energievraag in gebouwen, zoals bij verwarming, koeling en elektriciteitsgebruik. Denk bijvoorbeeld aan het optimaliseren van je energienetwerk door het verlagen van pieken, het verbeteren van de stabiliteit en het verminderen van de CO2-uitstoot, met lagere elektriciteitskosten als gevolg. Het vraagprofiel van de gebruiker kan aangepast worden om die perioden met hoge pieken, of perioden met te weinig elektriciteitsaanbod, te voorkomen. Dit wordt demand side management genoemd. Hier spitst de CityLearn Challenge zich op toe.

In deze challenge ontwikkelde het team controle-agenten, die op basis van simulaties leren hoe de interactie tussen het elektriciteitsnet en de elektriciteitsvraag van een microwijk kan worden geoptimaliseerd. De microwijk bestaat uit 9 verschillende gebouwen met onder meer een kantoorgebouw, twee winkels en woningen, en hebben elks een eigen controle-agent. In deze gebouwen is de verwarming (ruimteverwarming én sanitair warm water) en koeling volledig gebaseerd op warmtepompen en elektrische weerstanden. De meeste gebouwen beschikken ook over zonnepanelen en een elektrische batterij.

Zonder al te veel intelligentie in te bouwen in de regeling van deze gebouwen, zullen deze waarschijnlijk allemaal rond dezelfde periode warmte/koude aanmaken en stockeren. Of de energie in een batterij of uit de zonnepanelen zal niet optimaal benut worden. Daarom wordt Reinforcement Learning gebruikt om nieuwe controlestrategieën aan te leren, die deze regeling efficiënter maken.