Revolución Energética: Inteligencia Artificial Optimiza Bombas de Calor en Complejos Residenciales Alemanes

Investigadores en Alemania han propuesto una innovadora técnica de aprendizaje automático conocida como aprendizaje por refuerzo (RL, por sus siglas en inglés) para optimizar el rendimiento de las bombas de calor (HP) en complejos residenciales. Esta técnica promete reducir significativamente el consumo de electricidad sin comprometer el confort de los residentes, según una simulación realizada por el equipo.

El aprendizaje por refuerzo es una rama del aprendizaje automático que enseña a los agentes a tomar decisiones óptimas en entornos dinámicos, aprendiendo de las recompensas o penalizaciones que reciben. «Un paso crucial en el diseño de un enfoque RL para el control de edificios es la selección de una función de recompensa significativa», explicaron los científicos. Esta función de recompensa se diseña habitualmente utilizando la temperatura interna de las habitaciones junto con las bandas de confort de los residentes.

El equipo de investigación modeló un entorno de red de calefacción residencial que incluye un tanque de agua caliente (HWT) como almacenamiento de calor, sin necesidad de un modelo de edificio. También modelaron una bomba de calor de 100 kW basada en una curva de coeficiente de rendimiento (COP) dependiente de la temperatura. «El agente aprende a operar bajo condiciones de previsión perfecta, así como a confiar en predicciones de demanda», añadieron.

El enfoque de gestión operativa basado en RL no compromete el nivel de confort y satisface la demanda de calor de los residentes en todo momento. El algoritmo utilizado para entrenar al agente fue el de optimización de políticas proximales (PPO), comúnmente empleado en el campo del aprendizaje por refuerzo para entrenar la función de decisión de un agente informático en tareas complejas. «Aplica un enfoque ‘proximal’ introduciendo un mecanismo de recorte en la función objetivo», subrayó el equipo.

El análisis consideró parámetros como los costos totales de electricidad, costos de electricidad debido a la demanda de calor, costos de electricidad debido a la pérdida de calor, consumo total de electricidad de la HP, número de cambios de estado de encendido/apagado de la HP, potencia eléctrica operativa promedio de la HP, potencia eléctrica operativa máxima de la HP, SOC promedio del HWT y SOC máximo del HWT.

El experimento se diseñó para un complejo de apartamentos con 100 unidades residenciales y 7,000 m2 de espacio habitable, con una demanda de calefacción de 25-28 kWh/m2 por año. Los resultados mostraron que el sistema propuesto puede reducir los costos de electricidad en aproximadamente un 35%, aprovechando el precio variable de la electricidad, y disminuir el consumo total de energía de la bomba de calor hasta en un 15%.

«Además, demostramos que la operación inteligente de las HP no utiliza toda la potencia eléctrica nominal instalada, lo que podría reducir los costos de inversión», añadieron los investigadores. La robustez del enfoque se demostró mediante diez ciclos independientes de entrenamiento y prueba para todas las configuraciones, con resultados reproducibles.

El estudio, titulado «Forecast-based and data-driven reinforcement learning for residential heat pump operation», fue publicado en la revista Applied Energy. El equipo de investigación incluyó a científicos del Instituto de Tecnología de Software del DLR, la Universidad Carl von Ossietzky de Oldenburg y el Instituto Fraunhofer de Tecnología de Fabricación y Materiales Avanzados (Fraunhofer IFAM).

Para futuras investigaciones, los académicos sugirieron aumentar la complejidad del entorno, lo que podría ofrecer mejoras adicionales en la técnica.

Fuente: https://www.pv-magazine.com/2024/07/31/operating-heat-pumps-in-residential-complexes-via-reinforcement-learning/