Key points are not available for this paper at this time.
Geothermische Energie hat das Potenzial, erheblich zu den CO2-Reduktionszielen als erneuerbare Quelle für die Heiz- und Kühlung von Gebäuden beizutragen, wird jedoch noch unterbewertet, hauptsächlich aufgrund der hohen Investitionskosten. Es wird viel Forschung betrieben, um das Design von Erdwärmepumpensystemen (GSHP) zu optimieren, aber eine gute Steuerungsstrategie ist ebenfalls grundlegend, um eine langfristige Leistung und reduzierte Amortisationszeiten zu erreichen. Die Optimierung der GSHP-Steuerung ist ein nichtlineares dynamisches Optimierungsproblem, das von mehreren Parametern beeinflusst wird. Daher kann es nicht vollständig mit traditionellen Methoden optimiert werden. Künstliche Intelligenz, und insbesondere maschinelles Lernen, eignet sich für diese Art der Optimierung, da sie implizite Beziehungen zwischen Parametern lernen und Nichtlinearitäten adressieren kann. Dieser Artikel behandelt die Herausforderungen der GSHP-Steuerung und die in der Literatur gefundenen Strategien zur Steuerungsoptimierung, von einfachen regelbasierten Systemen bis hin zu auf künstlichen neuronalen Netzen basierenden Strategien. Zwei Hauptanwendungsbereiche von Künstlicher Intelligenz für die Steuerung von Erdwärmepumpen werden identifiziert: den Aufbau eines prädiktiven Modells des Systems, das seine realen Leistungen widerspiegelt, und die Optimierung der Steuerungsentscheidung in Echtzeit. Die in der Literatur gefundenen Beispiele sind jedoch begrenzt, und der Bedarf wird erkannt, die Vorteile des maschinellen Lernens weiter zu erkunden. Die neuesten Entwicklungen auf diesem Gebiet werden überprüft, um ihr Potenzial zur weiteren Verbesserung der GSHP-Steuerung zu untersuchen. Die Herausforderungen der vollständigen Implementierung solcher Algorithmen werden ebenfalls diskutiert.
Noyé et al. (Tue,) haben diese Frage untersucht.