Şehir ısıtma sistemleri, binlerce konutu ısıtan karmaşık altyapılar olarak hem ekonomik verimlilik hem de uygun sıcaklık kontrolü gerektiriyor. Mevcut sistemler genellikle hava durumu tahminlerine ve önceden hazırlanmış matematiksel modellere dayanıyor, ancak bu bilgiler yanlış olduğunda sistem performansı ciddi şekilde düşebiliyor.
Araştırmacılar bu soruna çözüm olarak, veri tabanlı öğrenme yaklaşımını geliştirdi. Yeni sistemin en büyük avantajı, dış tahminlere ihtiyaç duymadan sürekli öğrenerek ekonomik olarak en uygun çalışma koşullarına kendiliğinden ulaşabilmesi. Sistem, ekonomik optimizasyon koşullarını sıcaklık dinamikleriyle birleştirerek, hem maliyet hem de termal performansı eş zamanlı olarak optimize ediyor.
Geliştirilen DeePO (Data-Enabled Policy Optimization) tabanlı kontrolcü, ADAM (Adaptive Moment Estimation) algoritmasıyla destekleniyor. Bu kombinasyon, sistemin gerçek zamanlı koşullara adapte olmasını ve sürekli performans iyileştirmesi yapmasını sağlıyor.
Yapılan simülasyonlar, yeni yaklaşımın geleneksel yöntemlere kıyasla hem enerji verimliliği hem de maliyet açısından önemli avantajlar sağladığını gösteriyor. Bu gelişme, şehirlerimizin enerji altyapısının daha akıllı ve verimli hale gelmesine katkı sağlayabilir.