Luka w wydajności energetycznej budynku

Luka w wydajności energetycznej budynku to rozbieżność między zużyciem energii przewidzianym na etapie projektowania budynku a zużyciem energii podczas rzeczywistej eksploatacji. Może mieć wiele przyczyn.

Klasyfikacja czynników, które przyczyniają się do luki wydajności

Różnica w wydajności wynika głównie z niepewności. Niepewność występuje w każdym systemie „świata rzeczywistego”, a budynki nie są wyjątkiem. Już w 1978 roku Gero i Dudnik napisali pracę, w której przedstawili metodologię rozwiązania problemu projektowania podsystemów ( HVAC ) poddawanych niepewnym wymaganiom. Następnie inni autorzy wykazali zainteresowanie niepewnością występującą w projektowaniu budynków; niepewności w projektowaniu/konstrukcji budynku można podzielić na trzy grupy:

Środowiskowy. Niepewność prognozy pogody w warunkach zmieniającego się klimatu; i niepewnych informacji o pogodzie z powodu korzystania z plików syntetycznych danych pogodowych: (1) wykorzystanie syntetycznych lat, które nie odzwierciedlają rzeczywistego roku, oraz (2) wykorzystanie syntetycznego roku, który nie został wygenerowany z zarejestrowanych danych w dokładnej lokalizacji projektu, ale w najbliższej stacji pogodowej.
Wykonanie i jakość elementów budowlanych. Różnice między projektem a rzeczywistym budynkiem: przewodność mostków cieplnych , przewodność izolacji, wartość infiltracji czy współczynniki U ścian i okien.
behawioralne. Wszystkie inne parametry związane z ludzkim zachowaniem, tj. otwieranie drzwi i okien, korzystanie z urządzeń, wzorce przebywania lub nawyki kulinarne.

Typ 1: Niepewność środowiskowa

Typ 1 z tej grupy został tutaj podzielony na dwie główne grupy: jedną dotyczącą niepewności związanej ze zmianami klimatycznymi; a drugi dotyczący niepewności związanych z wykorzystaniem plików syntetycznych danych pogodowych. Jeśli chodzi o niepewność związaną ze zmianami klimatycznymi: budynki mają długą żywotność, na przykład w Anglii i Walii około 40% biurowców istniejących w 2004 r. powstało przed 1940 r. (30%, jeśli wziąć pod uwagę powierzchnię). a 38,9% mieszkań w Anglii w 2007 r. zostało zbudowanych przed 1944 r. Ta długa żywotność sprawia, że budynki mogą działać w klimacie, który może ulec zmianie z powodu globalnego ocieplenia. De Wilde i Coley pokazali, jak ważne jest projektowanie budynków, które uwzględniają zmiany klimatyczne i które są w stanie dobrze funkcjonować w przyszłych warunkach pogodowych. Jeśli chodzi o niepewność wynikającą z wykorzystania plików syntetycznych danych pogodowych: Wang et al. pokazał wpływ, jaki niepewność danych pogodowych (między innymi) może powodować w obliczeniach zapotrzebowania na energię. Stwierdzono, że odchylenie w obliczonym zużyciu energii spowodowane zmiennością danych pogodowych było różne w różnych lokalizacjach, od zakresu (-0,5% – 3%) w San Francisco do zakresu (-4% do 6%) w Waszyngtonie DC Zakresy obliczono stosując TMY jako odniesienie. Odchylenia te od zapotrzebowania były mniejsze niż wynikające z parametrów eksploatacyjnych. Dla nich zakresy wynosiły (-29% – 79%) dla San Francisco i (-28% – 57%) dla Waszyngtonu. Parametry operacyjne były związane z zachowaniem mieszkańców. Wniosek z tego artykułu jest taki, że mieszkańcy będą mieli większy wpływ na obliczenia energetyczne niż zmienność między syntetycznie generowanymi plikami danych pogodowych. Rozdzielczość przestrzenna plików danych pogodowych była przedmiotem zainteresowania Eamesa i in. Eames pokazał, jak niska rozdzielczość przestrzenna plików danych pogodowych może być przyczyną rozbieżności dochodzących do 40% w zapotrzebowaniu na ciepło.

Typ 2: Jakość wykonania

W pracy Pettersena uwzględniono niepewności grupy 2 (wykonanie i jakość elementów) oraz grupy 3 (zachowanie) poprzedniego ugrupowania (Pettersen, 1994). Niniejsza praca pokazuje, jak ważne jest zachowanie użytkowników przy obliczaniu zapotrzebowania energetycznego budynku. Pettersen wykazał, że całkowite zużycie energii ma rozkład normalny z odchyleniem standardowym około 7,6%, gdy bierze się pod uwagę niepewność związaną z użytkownikami, i około 4,0%, gdy bierze się pod uwagę te generowane przez właściwości elementów budynku. Duże badanie zostało przeprowadzone przez Leeds Metropolitan w Stamford Brook. W ramach tego projektu zbudowano 700 mieszkań zgodnie z wysokimi standardami efektywności. Wyniki tego projektu pokazują znaczną różnicę między zużyciem energii oczekiwanym przed budową a rzeczywistym zużyciem energii po zamieszkaniu domu. Wykonanie jest analizowane w tej pracy. Autorzy podkreślają znaczenie mostków termicznych, które nie zostały uwzględnione w obliczeniach oraz jak te, które powstają przez przegrody wewnętrzne oddzielające mieszkania, mają największy wpływ na końcowe zużycie energii. Mieszkania, które były monitorowane podczas użytkowania, wykazują dużą różnicę między rzeczywistym zużyciem energii a szacowanym za pomocą SAP, przy czym jeden z nich daje +176% oczekiwanej wartości podczas użytkowania. Hopfe opublikował kilka artykułów dotyczących niepewności w projektowaniu budynków, które obejmują wykonawstwo. Nowsza publikacja w momencie pisania dotyczy niepewności grupy 2 i 3. W tej pracy niepewności są zdefiniowane jako rozkłady normalne. Losowe parametry są próbkowane w celu wygenerowania 200 testów, które są wysyłane do symulatora (VA114), z których wyniki zostaną przeanalizowane w celu sprawdzenia niepewności mających największy wpływ na obliczenia energetyczne. Praca ta wykazała, że niepewność wartości użytej do infiltracji jest czynnikiem, który prawdopodobnie będzie miał największy wpływ na zapotrzebowanie na chłodzenie i ogrzewanie. W innym badaniu przeprowadzonym przez de Wilde'a i Wei Tiana porównano wpływ większości niepewności wpływających na obliczenia energetyczne budynku z uwzględnieniem zmiany klimatu. De Wilde i Tian wykorzystali dwuwymiarową analizę Monte Carlo do wygenerowania bazy danych uzyskanej z 7280 przebiegów symulatora budynku. Do tej bazy danych zastosowano analizę wrażliwości w celu uzyskania najbardziej znaczących czynników wpływających na zmienność obliczeń zapotrzebowania na energię. Standaryzowane współczynniki regresji i standaryzowane współczynniki regresji rang zostały wykorzystane do porównania wpływu niepewności. De Wilde i Tian zgodzili się z Hopfe co do wpływu niepewności infiltracji na obliczenia energetyczne, ale wprowadzili także inne czynniki, w tym niepewności dotyczące: pogody, współczynnika U okien i innych zmiennych związanych z zachowaniem użytkowników (wyposażenie i oświetlenie) . Ich artykuł porównuje wiele niepewności z dużą bazą danych, zapewniając realistyczne porównanie zakresu próbkowania niepewności. Prace Schniedersa i Hermelinka wykazały znaczną zmienność zapotrzebowania energetycznego budynków niskoenergetycznych zaprojektowanych zgodnie z tą samą specyfikacją (Passivhaus).

Typ 3: mieszkańcy

Prace Schniedersa i Hermelinka wykazały znaczną zmienność zapotrzebowania energetycznego budynków niskoenergetycznych zaprojektowanych zgodnie z tą samą specyfikacją ( Pasivhaus ). Chociaż standard domu pasywnego charakteryzuje się bardzo kontrolowanym, wysokiej jakości wykonaniem, zaobserwowano duże różnice w zapotrzebowaniu na energię w różnych domach.

Blight i Coley wykazali, że ta zmienność może być spowodowana różnicami w zachowaniu mieszkańców (wykorzystanie okien i drzwi zostało uwzględnione w tej pracy). Praca Blighta i Coleya dowodzi dwóch rzeczy: (1) mieszkańcy mają znaczący wpływ na zużycie energii; oraz (2) Model, którego użyli do generowania zachowań mieszkańców, jest odpowiedni do tworzenia wzorców zachowań mieszkańców.

Metoda zastosowana w poprzednim artykule do generowania dokładnych profili zachowań mieszkańców została opracowana przez Richardsona i in. Metoda została opracowana z wykorzystaniem badania Time-Use Survey (TUS) w Wielkiej Brytanii jako odniesienie do rzeczywistych zachowań mieszkańców, ta baza danych została opracowana po zarejestrowaniu aktywności ponad 6000 mieszkańców w 24-godzinnych dziennikach z rozdzielczością 10 minut. Artykuł Richardsona pokazuje, w jaki sposób narzędzie jest w stanie generować wzorce zachowań, które korelują z rzeczywistymi danymi uzyskanymi z TUS. Dostępność tego narzędzia pozwala naukowcom modelować niepewność zachowania mieszkańców jako zestaw wzorców behawioralnych, które, jak udowodniono, korelują z zachowaniem rzeczywistych mieszkańców.

Linki zewnętrzne