Advanced Warehouse Energy Storage System Control Using Deep Supervised- and Reinforcement Learning

Sven Opalic disputerer med ph.d.-avhandlingen Advanced Warehouse Energy Storage System Control Using Deep Supervised- and Reinforcement Learning 10. november 2023.

Slik oppsummerer kandidaten selv avhandlingen:

I takt med et ønske om å utvikle stadig mer energieffektive bygg har kompleksiteten i de mest ambisiøse byggeprosjektene også økt kraftig. Disse nybyggene får etterhvert så komplekse energisystemer, med muligheter for lokal produksjon og lagring av både elektrisk og termisk energi, at bransjen ikke evner å prosjektere styringssystemer som gjør det mulig å drifte byggene optimalt. I driftsfasen overlates ofte delvis ferdigstilte og svært komplekse anlegg ofte til personer med manglende forutsetninger for å drifte anleggene energieffektivt. Samtidig forventes det at disse personene skal ivareta et utall andre oppgaver. I møte med disse utfordringene har vi i dette doktorgradsarbeidet utforsket de spennende mulighetene som ligger innenfor maskinlæring og kunstig intelligens benyttet til intelligent energistyring. Vi har forsøkt å erstatte deterministisk programmering med selvlærende systemer som aktivt og dynamisk kan utnytte hele handlingsrommet i komplekse bygningsintegrerte energisystemer. Den selvlærende programvaren, basert på "Deep Reinforcement Learning", kan da over tid lære seg hvordan systemene driftes optimalt, samtidig blir det viktig å begrense handlingsrommet til systemet for å ivareta driftssikkerhet og inneklima. Programvaren skal etter hvert implementeres og testes på Rema 1000 sine nye hoveddistribunaler på Vagle utenfor Sandnes og på Vinterbro utenfor Oslo. Prosjektene har mottatt Enovastøtte for svært innovative, energieffektive og, ikke minst, komplekse energisystemer med solkraftproduksjon, termisk og elektrisk energilagring, energieffektive og miljøvennlige kuldeanlegg i tillegg til moderne, automatiserte logistikksystemer.

 Mer om tid og sted for disputas finner du her.