Ein Smart Home Management-System basierend auf adaptive Lernalgorithmen des Verhaltenserwerbs (ENKOS)

Mit dem adaptiven Energie- und Komfortmanagementsystem „ENKOS“ auf Basis von Learning Classifier Systems wird die Benutzung elektrischer Geräte in einem Haushalt adaptiv gelernt. Diese werden zur Steigerung des Wohnkomforts durch eine intelligente Vorhersage eingesetzt, womit ein völlig neuer Ansatz eines „Smart Home“-Systems realisiert wird. Außerdem wird damit eine signifikante Energiereduzierung erreicht. Beide Ziele, die Komfortsteigerung sowie die Energieminimierung in einem standardisierten Haushalt, wurden in eine Zielfunktion integriert und mit Hilfe von verhaltenspsychologischen Methoden quantifiziert. Danach wurde die Topologie von ENKOS, dem zentralen Lern- und Steuersystem der elektrischen Geräte, aus mehreren Möglichkeiten ausgewählt. Die Zielvariante wurde „Kognitive Learning Classifier Systems“ (KLCS) genannt, da die LCS die Grundlage des Ansatzes bilden und um Methoden der kognitiven Verhaltensforschung erweitert wurden.In the present work it has been able to develop an adaptive learning system "ENKOS" ("Energy and Comfort management system") basing on Learning Classifier Systems to adopt human behavior in relation to the use of electrical appliances in a household. This could be used to improve living comfort through an intelligent prediction. The learning algorithm refers to a correction of a decision made by ENKOS by the user and as well as the correction time, and so realizes an adaptive "smart home" system with the help of a completely new approach. The information got by the usage patterns of electrical equipment by users are also used for the construction of logical and electrical models of the apartment, which could be used for a significant energy reduction in the household. Both of these goals, the increase of living comfort and the energy minimization in a standardized household were integrated into an objective function and thus quantified. For accurate parametrization of the objective function, behavioral psychological methods of human decision-making have been used to convert the objective control strategy of all devices in the simulated household into the subjective perception of people. Thereafter, the topology of ENKOS, the central learning and control system of the electrical devices were selected from several options. In particular, for the integration of simple physical models into a complex behavior model stored in the LCS several fundamental issues were discussed to generate a final overall topology. The target variant was named “Cognitive Learning Classifier Systems” (KLCS) derived form the basis of the approach, the LCS, extended by the methods to adopt human decision making. After setting up the structure of the system, a standard simulation environment was developed to evaluate different parameters of the created KLCS objectively in terms of maximizing the objective function. This revealed that two out of three tested methods of energy minimization and only two of six parameters of the LCS components are having a significant impact on the target function value. It was shown that the established system ENKOS could both, an increase in comfort for the user and a significant reduction of energy consumption in the simulated standard apartment. With ENKOS a real adaptive smart home system was created to help the user in daily living.Mit der vorliegenden Arbeit ist es gelungen, ein adaptives Lernsystem „ENKOS“ („Energie- und Komfortmanagementsystem“) auf Basis von Learning Classifier Systems zu entwickeln, um menschliche Verhaltensweisen in Bezug auf die Benutzung elektrischer Geräte in einem Haushalt zu lernen. Diese konnten für die Steigerung des Wohnkomforts durch eine intelligente Vorhersage eingesetzt werden. Der Lernalgorithmus bezieht zum einen die Korrektur der Entscheidung von ENKOS durch den Nutzer und zum anderen die Korrekturzeit ein und realisiert damit adaptives „Smart Home“-System mit einem völlig neuen Ansatz. Die Informationen, die durch die Benutzungsmuster von elektrischen Geräten durch die Nutzer erhoben werden können, werden außerdem zum Aufbau von logischen und elektrischen Modellen der Wohnung benutzt, womit eine signifikante Energiereduzierung erreicht werden konnte. Beide Ziele, die Komfortsteigerung sowie die Energieminimierung in einem standardisierten Haushalt, wurden in eine Zielfunktion integriert und damit quantifiziert. Für die Anpassung der Zielfunktion wurden auch verhaltenspsychologische Methoden der menschlichen Entscheidungsfindung herangezogen, um die objektive Steuerstrategie aller Geräte im simulierten Haushalt in die subjektive Empfindung von Menschen überführen zu können. Danach wurde die Topologie von ENKOS, dem zentralen Lern- und Steuersystem der elektrischen Geräte, aus mehreren Möglichkeiten ausgewählt. Insbesondere für die Integration der einfachen physikalischen Modelle in ein komplexes Verhaltensmodell (abgebildet durch die LCS-Regeln) wurden mehrere grundsätzliche Fragestellungen gegeneinander abgewogen, um eine entsprechende Gesamttopologie zu generieren. Die Zielvariante wurde „Kognitive Learning Classifier Systems“ (KLCS) genannt, da die LCS die Grundlage des Ansatzes bilden und um Methoden der kognitiven Verhaltensforschung erweitert wurden. Nach dem Aufstellen der Systemstruktur wurde eine Standardsimulationsumgebung geschaffen, um verschiedene Parameter des geschaffenen KLCS objektiv bewerten zu können, um die Zielfunktion zu maximieren. Dabei kam heraus, dass zwei von drei untersuchten Methoden der Energieminimierung aussichtsreich sind, wobei bei der Parametrisierung der LCS-Komponenten lediglich zwei von sechs Parametern einen signifikanten Einfluss auf den Zielfunktionswert haben. Es konnte gezeigt werden, dass das aufgestellte System ENKOS sowohl eine Steigerung des Komforts für die Nutzer ermöglicht sowie die signifikante Reduzierung des Energieverbrauchs in der simulierten Standardwohnung realisiert. Damit ist ein wirklich adaptives Smart Home-System im Sinne des Anwenders als Ansatz geschaffen und evaluiert worden