Abstract
Door de inspanningen van België om klimaatopwarming te beperken steeg het aandeel van hernieuwbare energieopwekking van 19,8% in 2022 naar 29,8% in 2024. Deze transitie vormt een groot risico voor onze bevoorradingszekerheid door de hoge variabiliteit van hernieuwbare energiebronnen waardoor er steeds meer flexibiliteit geleverd moet worden via vraagresponsprogramma's. Reinforcement Learning (RL) behaalde recent superieure resultaten voor de aansturing van vraagrespons vergeleken met conventionele controle algoritmen zoals op regels gebaseerde controle en model predictive control (MPC). De adoptie van RL blijft echter laag door zijn (1) gebrek aan robuustheid, (2) computationeel intensieve training en (3) tijdrovende modellering van een digital twin. Deze uitdagingen leiden tot hogere implementatiekosten voor vraagresponsprogramma's, waardoor hun brede adoptie wordt belemmerd. In dit onderzoek introduceren we Beschrijving-Gebaseerde Controllers (BGCs) als een oplossing voor deze uitdagingen. BGCs bieden robuuste controle, genereren automatisch een digital twin op basis van een systeembeschrijvingen en reduceren de trainingstijd in RL, waardoor het tempo van vraagresponsontwikkeling kan versnellen. De effectiviteit van deze methode zal gedemonstreerd worden voor industriële vraagrespons van conventionele verwarming, ventilatie en airconditioning (HVAC) systemen gebruikmakend van drie casestudy's met toenemende complexiteit.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)