Domain-independent AI planning for demand-side management in office buildings

dc.contributor.authorHeiland, Lukas
dc.date.accessioned2021-01-29T12:39:26Z
dc.date.available2021-01-29T12:39:26Z
dc.date.issued2020de
dc.description.abstractCommercial buildings are characterized by high operational costs and high CO2 emission levels due to the high demand for energy. The management of energy demand, also known as Demand-side Management (DSM), allows buildings to make informed decisions about their energy consumption. However, current building management systems control heating, ventilation and air conditioning, lighting and other aspects only by basic scheduling functions. At the same time, Internet of Things (IoT) devices have the capability to transform building management systems into intelligent tools for DSM. This means that buildings equipped with a large variety of sensors and actuators have the potential to become intelligent and significantly reduce energy consumption and, as a consequence, operational cost. However, a small amount of installed suitable infrastructure in offices and a lack of understanding of the benefits of DSM hinders this development. This calls for developing approaches that can efficiently find sequences of actions which, upon execution, reduce energy consumption in an office building. In this context, Artificial Intelligence (AI) planning provides powerful techniques to intelligently plan an office building’s demand by computing effective plans or schedules of device actions. This thesis presents an approach for demand-side management by using AI planning. It involves defining and modeling scenarios from demand-side management as a domain-independent planning problem using the Planning Domain Definition Language (PDDL) and solving the planning problem using an existing AI planner. Additionally, the approach is evaluated regarding performance and potential for savings, both energy-wise and financially. The evaluation provides evidence in favor of DSM being beneficial for saving energy and operational cost.en
dc.description.abstractBürogebäude weisen aufgrund ihres hohen Energieverbrauchs typischerweise hohe Betriebskosten sowie einen hohen Wert an CO2-Emissionen auf. Das sogenannte Demand-side Management (DSM) ermöglicht es, fundierte Entscheidungen bezüglich des Energieverbrauchs eines Gebäudes zu treffen. Trotz diesen Möglichkeiten werden Funktionen wie Heizungen, Klimaanlagen oder Beleuchtung lediglich durch einfache Zeitschaltungen gesteuert. Zeitgleich bilden Geräte, die das Internet-of-Things (IoT) nutzen, die idealen Werkzeugen für intelligentes DSM. Dies bedeutet, dass Gebäude, die mit einer Vielzahl von Sensoren und Aktoren ausgestattet sind, über das Potenzial verfügen, intelligent zu werden und deren Energieverbrauch, und infolgedessen ihre Betriebskosten, erheblich zu senken. Eine geringe Menge vorhandener Infrastruktur in Büros und ein Mangel an Bewusstsein für Vorteile von DSM behindern diese Entwicklung. Dies erfordert die Entwicklung von Ansätzen, mit denen Aktionssequenzen effizient gefunden werden können, die den Energieverbrauch in einem Bürogebäude reduzieren. In diesem Zusammenhang bietet das sogenannte AI-Planning leistungsstarke Techniken, um den Bedarf eines Bürogebäudes durch Berechnung effektiver Pläne für Geräteaktionen mit Hilfe von Künstlicher Intelligenz (AI) zu planen. In dieser Bachelorarbeit wird ein Ansatz für DSM mithilfe von AI-Planning vorgestellt. Es beinhaltet die Definition und das Modellieren von DSM-Szenarien als domänenunabhängiges Planungsproblem mit der Planning Domain Definition Language (PDDL), sowie das Lösen des Planungsproblems unter Verwendung eines bereits bestehenden AI-Planners. Zusätzlich wird der Ansatz hinsichtlich Leistung Einsparpotenzial, sowohl bezüglich des Energieverbrauchs als auch in finanzieller Hinsicht, bewertet. Die Bewertung liefert Belege dafür, dass DSM eine vielsprechende Möglichkeit darstellt, um Energie und Betriebskosten zu sparen.de
dc.identifier.other1746737433
dc.identifier.urihttp://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-112721de
dc.identifier.urihttp://elib.uni-stuttgart.de/handle/11682/11272
dc.identifier.urihttp://dx.doi.org/10.18419/opus-11255
dc.language.isoende
dc.rightsinfo:eu-repo/semantics/openAccessde
dc.subject.ddc004de
dc.titleDomain-independent AI planning for demand-side management in office buildingsen
dc.typebachelorThesisde
ubs.fakultaetInformatik, Elektrotechnik und Informationstechnikde
ubs.institutInstitut für Architektur von Anwendungssystemende
ubs.publikation.seiten35de
ubs.publikation.typAbschlussarbeit (Bachelor)de

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
BA_Heiland.pdf
Size:
683.97 KB
Format:
Adobe Portable Document Format
Description:

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.39 KB
Format:
Item-specific license agreed upon to submission
Description: