Optimale op prosumenten gebaseerde stadsverwarming- en koeling met behulp van reinforcement learning agents. 01/11/2021 - 31/10/2025

Abstract

Stadsverwarming- en koeling (DHC) is een veelbelovende technologie voor een duurzame energievoorziening en biedt flexibiliteit aan het elektriciteitsnet. Thermische opslag kan de nodige flexibiliteit bieden om productie en vraag te balanceren voor zowel elektrische als thermische hernieuwbare bronnen (RES). Met name de integratie van gedecentraliseerde thermische prosumenten (b.v. booster, thermisch zonnepaneel) in DHC hebben een groot potentieel om het totale rendement te verbeteren. Daarom zal het toekomstig DHC een geavanceerde controle nodig hebben dat de werking van op prosumenten gebaseerde DHC mogelijk maakt en dat flexibiliteit biedt aan RES-gedomineerde elektriciteitsnetten. Hierbij rijzen twee belangrijke vragen: (i) hoe moet de temperatuur geregeld worden om de energetische, ecologische en economische prestaties van een DHC te verbeteren? En (ii) hoe kan rekening gehouden worden met de eisen van elke gebruiker van het DHC? Door het simuleren van DHC, in acht nemend de hydraulica en het gedrag van prosumenten, zal dit onderzoek het potentieel van data-gebaseerde controle strategieën onderzoeken, waaronder multi-agent reinforcement learning (MARL). Elke agent (per consument, thermische opslag, enz.) streeft de lokale en globale eisen na. De RL-agents leren zelf een regelstrategie aan d.m.v. feedback (beloningen). Naast een valorisatie door implementatie kan vervolgonderzoek tariefstructuren opstellen a.d.h.v. de feedback.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject