Nejistoty při navrhování budov a energetickém hodnocení budov - Uncertainties in building design and building energy assessment

Podrobný projektování budov musí brát v úvahu různé vnější faktory, které mohou podléhat nejistoty. Mezi těmito faktory převažují počasí a klima; vlastnosti materiály použitý a standard zpracování; a chování obyvatel budovy. Několik studií naznačilo, že mezi nimi jsou nejdůležitější faktory chování. Byly vyvinuty metody pro odhad rozsahu variability těchto faktorů a výsledné potřeby zohlednit tuto variabilitu ve fázi návrhu.

Zdroje nejistoty

Dřívější práce zahrnuje práci Gera a Dudnika (1978) představující metodologii řešení problému navrhování topení, ventilace a klimatizace systémy vystavené nejistým požadavkům. Od té doby se další autoři zajímali o nejistoty, které existují při navrhování budov. Ramallo-González (2013)[1] klasifikoval nejistoty v nástrojích pro posuzování energetických budov do tří různých skupin:

  1. Životní prostředí. Nejistota v předpovědi počasí pod měnící se klima; 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 z tepelné mosty vodivost izolace, hodnota infiltrace (únik vzduchu), nebo Hodnoty U. stěn a oken.
  3. Behaviorální. Všechny ostatní parametry spojené s lidským chováním, např. otevírání dveří a oken, používání spotřebičů, vzory obsazenosti nebo kuchařské návyky.[2]

Počasí a klima

Klimatická změna

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 zohlední podlahová plocha),[3] a 38,9% anglických bytů v roce 2007 bylo postaveno před rokem 1944.[4] Díky této dlouhé životnosti je pravděpodobné, že budovy budou fungovat s klimatem, které se může změnit v důsledku globálního oteplování. De Wilde a Coley (2012) ukázali, jak důležité je navrhovat budovy, které berou v úvahu změnu klimatu a které jsou schopny dobře fungovat v budoucím počasí.[5]

Údaje o počasí

Další nejistotu může způsobit použití syntetických datových souborů o počasí. Wang a kol. (2005) ukázal dopad, který mohou nejistoty v datech o počasí (mimo jiné) způsobit při výpočtech energetické náročnosti.[6] Bylo zjištěno, že odchylka ve vypočítané spotřebě energie v důsledku variability údajů o počasí se na různých místech liší od rozsahu (-0,5% do 3%) v San Francisco v rozmezí (-4% až 6%) v Washington DC. Rozsahy byly vypočítány pomocí a Typický meteorologický rok (TMY) jako reference.

Eames et al. Se zabývali prostorovým rozlišením souborů dat o počasí. (2011).[7] Eames ukázal, jak nízké prostorové rozlišení datových souborů o počasí může být příčinou rozdílů v požadavcích na vytápění až o 40%. Důvodem je, že tato nejistota není chápána jako nejistý parametr, ale jako epistemický nejistota, kterou lze vyřešit vhodným zlepšením zdrojů dat nebo získáním konkrétních údajů o počasí pro každý projekt.

Stavební materiály a zpracování

Velká studie byla provedena Leeds Metropolitan University na Stamford Brook v Anglii. V tomto projektu bylo postaveno 700 bytů podle standardů vysoké účinnosti.[8] Výsledky tohoto projektu ukazují výrazný rozdíl mezi spotřebovanou energií očekávanou před výstavbou a skutečnou spotřebou energie, jakmile je dům obsazen. V této práci je analyzováno zpracování. Autoři zdůrazňují význam tepelných mostů, které pro výpočty nebyly brány v úvahu, a že tepelné mosty, které mají největší dopad na konečné využití energie, pocházejí 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 Velké Británie Standardní postup hodnocení (SAP), přičemž jeden z nich při použití dává + 176% očekávané hodnoty.

Hopfe publikoval několik článků týkajících se nejistot při navrhování budov. Publikace z roku 2007[9] zkoumá nejistoty typů 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. De Wilde a Tian (2009) souhlasili s Hopfeem o dopadu nejistot při infiltraci na energetické výpočty, ale představili také další faktory.

Práce Schnieders a Hermelink (2006)[10] vykazovaly značnou variabilitu energetické náročnosti nízkoenergetických budov navržených ve stejném (Passivhaus ) Specifikace.

Chování cestujících

Blight a Coley (2012)[11] ukázaly, že v důsledku rozdílů v chování cestujících, včetně používání oken a dveří, může docházet k značné variabilitě ve využívání energie. Jejich práce také prokázala, že jejich metoda modelování chování cestujících přesně reprodukuje skutečné vzorce chování obyvatel. Tato metoda modelování byla vyvinuta Richardsonem a kol. (2008),[12] pomocí průzkumu využití času (TUS) Spojeného království jako zdroje pro skutečné chování cestujících na základě aktivity více než 6000 cestujících zaznamenané ve 24hodinových denících s 10minutovým rozlišením. Richardsonova práce ukazuje, jak je nástroj schopen generovat vzorce chování, které korelují se skutečnými daty získanými z TUS.

Multifaktoriální studie

V práci Pettersena (1994) byly zohledněny nejistoty skupiny 2 (zpracování a kvalita prvků) a skupiny 3 (chování) předchozího seskupení.[13] 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.

Wang a kol. (2005) prokázali, že odchylky v poptávce po energii v důsledku lokální variability údajů o počasí byly menší než odchylky v důsledku provozních parametrů souvisejících s chováním obyvatel. U těch byla rozmezí (-29% až 79%) pro San Francisco a (-28% až 57%) pro Washington DC. Závěrem tohoto příspěvku je, že obyvatelé budou mít větší dopad na energetické výpočty než variabilita mezi synteticky generované soubory dat o počasí.

Další studie, kterou provedli de Wilde a Wei Tian (2009)[14] porovnal dopad většiny nejistot ovlivňujících energetické výpočty budov, včetně nejistot v počasí, U-hodnotách oken a dalších proměnných souvisejících s chováním obyvatel (vybavení a osvětlení), a s přihlédnutím ke změně klimatu. De Wilde a Tian použili dvourozměrný Simulace Monte Carlo analýza pro generování databáze získané s 7280 běhy simulátoru budovy. A Analýza citlivosti V této databázi bylo použito k získání nejvýznamnějších faktorů variability výpočtů energetické náročnosti. Standardizované regresní koeficienty a standardizované hodnostní regrese koeficienty byly použity k porovnání dopadů nejistot. Jejich práce srovnává mnoho nejistot s dostatečně velkou databází, která poskytuje realistické srovnání rozsahu vzorkování nejistot.

Viz také

Reference

  1. ^ Ramallo-González, AP 2013. Modelování, simulace a optimalizace nízkoenergetických budov. PhD. University of Exeter.
  2. ^ Rafsanjani, H.N .; Ahn, C.R .; Alahmad, M. Přehled přístupů ke snímání, porozumění a zlepšování chování při spotřebě energie v komerčních budovách. Energies 2015, 8, 10996-11029.
  3. ^ ODPM, 2005. Age of Commercial and Industrial Stock: Local Authority Level 2004. London: Office of the Vice Prime Minister.
  4. ^ CLG, 2007. English House Condition Survey 2007, Annual report. Obce a místní samospráva.
  5. ^ de Wilde, P. & Coley, D., 2012. Dopady měnícího se klimatu pro budovy. Budova a životní prostředí, 55, s. 1-7.
  6. ^ Wang, W.M., Zmeureanu, R. & Rivard, H., 2005. Uplatnění víceobjektových genetických algoritmů při optimalizaci designu zelené budovy. Building and Environment, 40, str. 1512-1525.
  7. ^ 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.
  8. ^ Wingfield, J., Bell, M., Miles-Shenton, D., South, T. & Lowe, B., 2011. Hodnocení dopadu zvýšeného standardu energetické náročnosti na nosnou zděnou konstrukci pro domácnost, Porozumění mezeře
  9. ^ Hopfe, C., Hensen, J., Plokker, W. & Wijsman, A., 2007. Analýza nejistoty modelu a citlivosti pro predikci tepelného komfortu, Postupy 12. sympozia pro stavební fyziku. Drážďany, březen
  10. ^ 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.
  11. ^ 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.
  12. ^ 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.
  13. ^ Pettersen, T.D., 1994. Variace spotřeby energie v obydlích v důsledku podnebí, budov a obyvatel. Energie a budovy, 21, s. 209-218.
  14. ^ 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.