Výkonnostní rozdíl - Performance gap

A výkonnostní mezera je rozdíl, který se nachází mezi předpokládanou spotřebou energie a emisemi uhlíku ve fázi projektování budov a energetickou spotřebou těchto budov v provozu. Výzkum ve Velké Británii naznačuje, že skutečné emise uhlíku z nových domácností mohou v průměru činit 2,5násobek odhadovaných návrhů.[1] U nebytových budov je tento rozdíl ještě větší - skutečné emise uhlíku v průměru až 3,8krát vyšší než odhadované hodnoty.[2]

Existují zavedené nástroje pro snižování výkonových rozdílů, a to kontrolou cílů projektu, náčrtu a podrobných výkresů návrhu, výpočtů návrhu, implementace návrhů na místě a hodnocení po obsazení. Jedním z takových nástrojů je NEF Assured Performance Process (APP), který se ve velké míře používá na různých místech, která jsou součástí rozvoje nového města Whitehill a Bordon ve východním Hampshire, jednoho z největších regeneračních projektů kdekoli ve Velké Británii, s vysokými ambicemi pro oba výkon a zdraví.

Klasifikace faktorů, které přispívají k rozdílu ve výkonu

Výkonnostní rozdíl se vytváří hlavně kvůli nejistotám. Nejistoty se vyskytují v jakémkoli „reálném“ systému a budovy nejsou výjimkou. Již v roce 1978 Gero a Dudnik napsali dokument představující metodiku řešení problému navrhování subsystémů (HVAC ) vystaven nejistým požadavkům. Poté se další autoři zajímali o nejistoty, které existují při navrhování budov; Ramallo-González klasifikoval nejistoty v projektování / konstrukci budov do tří různých skupin:[3]

  1. Životní prostředí. Nejistota v předpovědi počasí za měnícího se klimatu; a nejisté informace o počasí z důvodu použití syntetických souborů údajů o počasí: (1) použití syntetických let, které nepředstavují skutečný rok, a (2) použití syntetického roku, který nebyl generován ze zaznamenaných údajů v přesném umístění projektu, ale v nejbližší meteorologické stanici.
  2. Zpracování a kvalita stavebních prvků. Rozdíly mezi designem a skutečnou budovou: Vodivost tepelné mosty vodivost izolace, hodnota infiltrace nebo U-hodnoty stěn a oken. Může se stát, že návrháři zaujmou optimismus, kde očekávání toho, co je na místě možné, jsou nereálná a / nebo stavitelnost nedokáže při návrhu získat dostatečnou pozornost.
  3. Behaviorální. Všechny ostatní parametry spojené s chováním člověka, tj. Otevírání dveří a oken, režimy vytápění[4], používání spotřebičů, vzorce obsazenosti nebo kuchařské návyky.

Typ 1: Environmentální nejistoty

Typ 1 z této skupiny zde byl rozdělen do dvou hlavních skupin: jedna týkající se nejistoty v důsledku změny klimatu; a další týkající se nejistot způsobených použitím syntetických datových souborů o počasí. Pokud jde o nejistoty způsobené změnou klimatu: budovy mají dlouhou životnost, například v Anglii a Walesu bylo přibližně 40% kancelářských budov existujících v roce 2004 postaveno před rokem 1940 (30%, pokud se to zohlední podle podlahové plochy).[5] a 38,9% anglických bytů v roce 2007 bylo postaveno před rokem 1944.[6] Díky této dlouhé životnosti je pravděpodobné, že budovy budou fungovat s klimatem, které se může změnit v důsledku globálního oteplování. De Wilde a Coley ukázali, jak důležité je navrhovat budovy, které berou v úvahu změnu klimatu a které jsou schopné podávat dobrý výkon v budoucím počasí.[7]O nejistotách způsobených použitím syntetických datových souborů o počasí: Wang et al. ukázal dopad, který mohou nejistoty v datech o počasí (mimo jiné) způsobit při výpočtech energetické náročnosti.[8] Zjistilo se, že odchylka ve vypočtené spotřebě energie v důsledku variability údajů o počasí se na různých místech liší od rozmezí (-0,5% - 3%) v San Francisku po rozmezí (-4% až 6%) ve Washingtonu DC Rozsahy byly vypočítány s použitím TMY jako reference. Tyto odchylky od poptávky byly menší než odchylky kvůli provozním parametrům. U těchto skupin byla rozmezí (-29% - 79%) u San Franciska a (-28% - 57%) u Washingtonu D.C. Provozní parametry byly parametry související s chováním obyvatel. Závěrem tohoto příspěvku je, že obyvatelé budou mít větší dopad na energetické výpočty než variabilita mezi synteticky generovanými soubory dat o počasí. Eames et al. Se zabývali prostorovým rozlišením souborů dat o počasí.[9] Eames ukázal, jak nízké prostorové rozlišení datových souborů o počasí může být příčinou rozdílů v požadavcích na vytápění až o 40%.

Typ 2: zpracování

V práci Pettersena byly zohledněny nejistoty skupiny 2 (zpracování a kvalita prvků) a skupiny 3 (chování) předchozího seskupení (Pettersen, 1994). Tato práce ukazuje, jak důležité je chování obyvatel při výpočtu energetické náročnosti budovy. Pettersen ukázal, že celková spotřeba energie sleduje normální distribuci se standardní odchylkou kolem 7,6%, když se vezmou v úvahu nejistoty způsobené cestujícími, a přibližně 4,0%, když se vezmou v úvahu ty generované vlastnostmi stavebních prvků. Velká studie byla provedena společností Leeds Metropolitan ve Stamford Brook. V tomto projektu bylo postaveno 700 bytů podle standardů vysoké účinnosti.[10] Výsledky tohoto projektu ukazují významný rozdíl mezi spotřebovanou energií očekávanou před výstavbou a skutečnou spotřebou energie, jakmile je dům obsazen. V této práci je analyzováno zpracování. Autoři zdůrazňují důležitost tepelných mostů, které nebyly při výpočtech zohledněny, a to, jak největší vliv na konečné využití energie mají ty, které vznikly z vnitřních příček, které oddělují obydlí. Obydlí, která byla sledována při použití v této studii, ukazují velký rozdíl mezi skutečnou spotřebou energie a odhadovanou pomocí SAP, přičemž jedno z nich dává při užívání + 176% očekávané hodnoty.

Hopfe publikoval několik článků týkajících se nejistot v konstrukci budov, které pokrývají zpracování. Novější publikace v době psaní tohoto článku [11] zkoumá nejistoty skupiny 2 a 3. V této práci jsou nejistoty definovány jako normální rozdělení. Z náhodných parametrů jsou odebrány vzorky, aby se vygenerovalo 200 testů odeslaných do simulátoru (VA114), jejichž výsledky budou analyzovány za účelem kontroly nejistot s největším dopadem na energetické výpočty. Tato práce ukázala, že nejistota v hodnotě použité pro infiltraci je faktor, který bude mít pravděpodobně největší vliv na požadavky na chlazení a vytápění. Další studie provedená de Wildeem a Wei Tianem,[12] porovnal dopad většiny nejistot ovlivňujících energetické výpočty budov s přihlédnutím ke změně klimatu. De Wilde a Tian použili dvourozměrnou analýzu Monte Carlo ke generování databáze získané s 7280 běhy simulátoru budovy. Pro získání nejvýznamnějších faktorů variability výpočtů energetické náročnosti byla na tuto databázi použita citlivostní analýza. Ke srovnání dopadů nejistot byly použity standardizované koeficienty regrese a standardizované koeficienty regrese pořadí.

De Wilde a Tian souhlasili s Hopfeem o dopadu nejistot při infiltraci přes energetické výpočty, ale také představili další faktory, včetně nejistot v: počasí, U-hodnotách oken a dalších proměnných souvisejících s chováním cestujících (vybavení a osvětlení) . Jejich práce srovnává mnoho nejistot s dostatečně velkou databází, která poskytuje realistické srovnání rozsahu vzorkování nejistot. Práce Schniederse a Hermelinka [13] prokázaly podstatnou variabilitu energetické náročnosti nízkoenergetických budov navržených podle stejné specifikace (Passivhaus).

Typ 3: Cestující

Práce Schniederse a Hermelinka [14] prokázaly podstatnou variabilitu energetické náročnosti nízkoenergetických budov navržených podle stejné specifikace (Passivhaus). Ačkoli má standard passivhaus velmi kontrolované a vysoce kvalitní zpracování, v různých domech byly vidět velké rozdíly v energetické náročnosti.

Blight a Coley [15] ukázaly, že tuto variabilitu lze vyvolat kvůli rozdílům v chování cestujících (v této práci bylo zahrnuto použití oken a dveří). Práce Blight a Coley dokazuje dvě věci: (1) Obyvatelé mají podstatný vliv na spotřebu energie; a (2) Model, který použili ke generování chování obyvatel, je přesný pro vytváření vzorců chování obyvatel.

Metoda použitá v předchozím článku [16] pro generování přesných profilů chování cestujících byl ten, který vyvinuli Richardson et al.[17] Metoda byla vyvinuta s využitím Time-Use Survey (TUS) Spojeného království jako reference skutečného chování cestujících, tato databáze byla zpracována po zaznamenání aktivity více než 6000 cestujících ve 24hodinových denících s rozlišením 10 minut. Richardsonův článek ukazuje, jak je tento nástroj schopen generovat vzorce chování, které korelují se skutečnými údaji získanými z TUS. Dostupnost tohoto nástroje umožňuje vědcům modelovat nejistotu chování cestujících jako soubor vzorců chování, u nichž bylo prokázáno, že korelují s chováním skutečných cestujících. Byly publikovány práce, které berou v úvahu obsazenost při optimalizaci pomocí tzv. Robustní optimalizace [18]

externí odkazy

Reference

  1. ^ Palmer, J; Godoy-Shimizu, D; Tilson, A; Mawditt, I. 2016. Program hodnocení výkonnosti budov: Zjištění z domácích projektů - Vytváření designu shody reality. London: Innovate UK. Strana 18
  2. ^ Palmer, J; Terry, N; Armitage, P. 2016. Program hodnocení výkonnosti budov: Zjištění z jiných než domácích projektů - Získání toho nejlepšího z budov. London: Innovate UK. Stránka 12
  3. ^ Ramallo-González, A.P. 2013. Simulace modelování a optimalizace nízkoenergetických budov. PhD. University of Exeter.
  4. ^ Hughes, M; Palmer, J; Papež, P; Armitage, P. 2016. Modely bytového fondu ve Velké Británii využívající SAP: Případ změny režimu vytápění. Science Journal of Engineering 4 (2) 12-22.
  5. ^ ODPM, 2005. Age of Commercial and Industrial Stock: Local Authority Level 2004. London: Office of the Vice Prime Minister.
  6. ^ CLG, 2007. English House Condition Survey 2007, Annual report. Obce a místní samospráva
  7. ^ de Wilde, P. & Coley, D., 2012. Dopady měnícího se klimatu pro budovy. Budova a životní prostředí, 55, s. 1-7
  8. ^ Wang, L., Mathew, P. & Pang, X., 2012. Nejistoty ve spotřebě energie způsobené provozem budovy a počasím pro kancelářskou budovu střední velikosti. Energie a budovy, 53, s. 152-158
  9. ^ Eames, M., Kershaw, T. & Coley, D., 2011. Vhodné prostorové rozlišení budoucích souborů počasí pro simulaci budov. Journal of Building Performance Simulation, 5, s. 1-12
  10. ^ Wingfield, J., Bell, M., Miles-Shenton, D., South, T. & Lowe, B., 2011. Hodnocení dopadu zvýšeného standardu energetické náročnosti na domácí konstrukci nosného zdiva, Porozumění rozdílu mezi Navržený a skutečný výkon: Poučení od Stamford Brook. London: Department for Communities and Local Government
  11. ^ Hopfe, C.J. & Hensen, J.L.M., 2011. Analýza nejistoty při simulaci výkonu budovy pro podporu návrhu. Energie a budovy, 43, str. 2798-2805
  12. ^ de Wilde, P. & Tian, ​​W., 2009. Identifikace klíčových faktorů pro nejistotu v predikci tepelného výkonu kancelářské budovy při změně klimatu. Building Simulation, 2, s. 157-174
  13. ^ Schnieders, J. & Hermelink, A., 2006. Výsledky CEPHEUS: měření a spokojenost cestujících jsou důkazem toho, že pasivní domy jsou alternativou udržitelné výstavby. Energetická politika, 34, s. 151-171
  14. ^ Schnieders, J. & Hermelink, A., 2006. Výsledky CEPHEUS: měření a spokojenost cestujících jsou důkazem toho, že pasivní domy jsou alternativou udržitelné výstavby. Energetická politika, 34, s. 151-171
  15. ^ Blight, T.S., Coley D. A., 2012 Dopad chování cestujících na spotřebu energie nízkoenergetických bytů, 2. konference o energii budov a životním prostředí. Boulder, USA
  16. ^ Blight, T.S., Coley D. A., 2012 Dopad chování cestujících na spotřebu energie nízkoenergetických bytů, 2. konference o energii budov a životním prostředí. Boulder, USA
  17. ^ Richardson, I., Thomson, M. & Infield, D., 2008. Model obsazenosti domácích budov s vysokým rozlišením pro simulace energetické poptávky. Energie a budovy, 40, s. 1560-1566
  18. ^ Ramallo-González, A. P., Blight, T., Coley, D. A. 2015, Nová optimalizační metodika k odhalení robustních nízkoenergetických návrhů, které zohledňují chování cestujících nebo jiné neznámé, Journal of Building Engineering. 2 s. 59-68, doi: 10.1016 / j.jobe.2015.05.001