Occupants’ behavior and its impact upon the energy performance of buildings

Calì, Davide; Olesen, Bjarne; Müller, Dirk

doi:urn:nbn:de:hbz:82-rwth-2016-099556

Occupants’ behavior and its impact upon the energy performance of buildings = Auswirkung des Nutzerverhaltens auf die Energieeffizienz von Gebäuden

Calì, Davide^RWTH*

2016 & 2017

VerantwortlichkeitsangabeDavide Calì

Ausgabe1. Auflage

ImpressumAachen : E.ON Energy Research Center, RWTH Aachen University 2016

Umfang1 Online-Ressource (xxiii, 164 Seiten) : Illustrationen, Diagramme

ISBN978-3-942789-36-3

ReiheE.ON Energy Research Center / EBC, Energy Efficient Buildings and Indoor Climate ; 38

Dissertation, RWTH Aachen University, 2016

Druckausgabe: 2016. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2017

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Müller, Dirk (Thesis advisor) ; Olesen, Bjarne (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2016-06-08

Online
URN: urn:nbn:de:hbz:82-rwth-2016-099556
URL: https://publications.rwth-aachen.de/record/677868/files/677868.pdf
URL: https://publications.rwth-aachen.de/record/677868/files/677868.pdf?subformat=pdfa

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
building retrofit (frei) ; building monitoring (frei) ; rebound effect (frei) ; occupant behavior (frei) ; natural ventilation (frei) ; buildings’ energy performance (frei) ; case study (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Gebäude verbrauchen bis zu 40 Prozent der Primärenergie in Europa. Aus diesem Grund müssen die ambitionierten Energieeinsparziele der EuropäischenUnion (Energy Roadmap 2050) die Sanierung von Bestandsgebäuden berücksichtigen. Zwischen dem Energiebedarf und dem Energieverbrauch neuer sowie sanierter Gebäude liegt jedoch laut vieler Feldstudien eine Diskrepanz vor. Diese beruht auf fehlerhafter Anlagen- und Regelungstechnik sowie falschen Annahmen über das Nutzer-verhalten. Das Ziel dieser Arbeit ist den Einfluss des Nutzerverhaltens auf den Gebäudeenergieverbrauch, mit einem besonderen Fokus auf die freie (natürliche) Lüftung, zu evaluieren und zu modellieren. Die Evaluation wie auch das Modellieren basieren auf hochaufgelösten Monitoringdaten von 90Wohnungen aus drei unterschiedlich sanierten Gebäuden. Der Energiebedarf dieserWohnungen wird nach EnEV (Energieeinsparverordnung) berechnet. Daraufhin wird dieser mit dem tatsächliche Energieverbrauch verglichen, um den Erfolgsgrad jeder Sanierungsvariante zu evaluieren. Der Einfluss des Nutzerverhaltens wird darüber hinaus auch in dynamischen Simulationen analysiert. Der Energiebedarf dieser Gebäude wird basierend auf zwei Simulationsszenarien ermittelt. Das erste Szenario berücksichtigt eine konstante Luftwechselrate, während das zweite Szenario Lüftungswärmeverluste aufgrund des Lüftungsverhaltens der Bewohner einbezieht: Der durch dasMonitoringsystem beobachtete Öffnungsstatus der Fenster wird als Input für die Simulationsmodelle angegeben. Die Simulationsergebnisse zeigen, dass letzteres eine präzisere Vorhersage des Gebäudeenergieverbrauchs ermöglicht, und zusätzlich die Heterogenität der Nutzer in die Simulationsergebnisse einfließen lässt. Die Monitoringdaten werden dazu verwendet, das Nutzerverhalten in Bezug auf das Lüftungsverhalten zu modellieren. Zwei Modellklassen für das Nutzerverhalten werden vorgestellt. Die erste Modellklasse beruht auf dem stochastischen Prozess der Markov-Kette erster Ordnung mit zeitabhängigen Übergangsmatrizen. Drei Modelle werden für das Erstellen von Fensteröffnungsprofilen eingeführt und durch die Markov-Ketten Monte Carlo Technik validiert. Diese Profile können als Input für dynamische Simulationen des Gebäudeenergiebedarfs genutzt werden. Die dynamische Simulation der Gebäude mit den generierten Fensteröffnungsprofilen macht deutlich, dass verlässliche Vorhersagen über den Gebäudeenergieverbrauch möglich sind. Die zweite Modellklasse basiert auf der logistischen Regression (Logit-Modell). Die Handlungswahrscheinlichkeit (das Fenster zu öffnen oder zu schließen) wird von der Tageszeit, den Wetterbedingungen (Temperatur, Feuchtigkeit, Windgeschwindigkeit) und den Bedingungen der Innenraumluft (Temperatur, Feuchtigkeit und Luftqualität) abgeleitet. Mit dieser Methode werden die Faktoren, die für das Ändern des Fensterstatus verantwortlich sind, identifiziert: Die Haupteinflussfaktoren für das Öffnen eines Fensters sind die Tageszeit sowie die Kohlendioxidkonzentration imInnenraum, während für das Schließen von Fenstern hauptsächlich die Tageszeit und die Umgebungstemperatur verantwortlich sind.

Buildings account for up to 40% of the primary energy consumption in Europe. Therefore, ambitious energy saving targets of the European Union (Energy Roadmap 2050) have to include building stock energy retrofit. However, many field test studies show a discrepancy between expected and measured energy consumption for both new and retrofitted buildings. Reasons for this discrepancy are engineering system issues and occupants behavior. The aim of this work is to evaluate and model the impact of occupants’ behavior on the energy performance of buildings, with a particular focus on natural ventilation. The evaluation and modeling activity is based on high time resolution monitoring data collected from 90 apartments located in nine buildings retrofitted with different technologies. The expected heating energy consumption of the demonstration buildings is calculated following the EnEV procedure (German buildings’ energy saving ordinance). The expected and the observed heating energy consumption are then compared, and the degree of success of each retrofit layout is evaluated. The impact of occupants’ behavior is further analyzed through dynamic simulations. The heating energy consumption of the buildings is calculated based on two simulation scenarios: The first scenario considers constant ventilation rates, while the second scenario includes the ventilation losses due to the natural ventilation activities of the occupants. Thus, the observed state of the windows is provided to the simulation models as an input: this permits the simulation of the air change through each window. The first benefit of including the observed window state profiles in building energy performance simulation is a more precise prediction of the building energy performance; a second benefit is the inclusion of the heterogeneity of the occupants’ behavior in the simulation results. The collected data is then used to model the behavior of occupants, related to the change of state of the windows’. Two classes of occupants’ behavior models are therefore proposed. The first class of models is based on the first-orderMarkov chain technique with time-dependent transition probability matrices: Three different models for the generation of window state profiles are introduced. Hence, the models are validated through the Markov chain Monte Carlo technique. Once the profiles have been generated, they can be used as an input for dynamic building energy performance simulation purposes. The dynamic simulation of two demonstration buildings with the generated window state profiles shows reliable building energy performance predictions. The second class of models is based on the logistic regression analysis. The probability of action is inferred depending upon the time of the day, the weather conditions (temperature, humidity and wind speed) and the indoor air conditions (temperature, humidity and air quality). Within this methodology, the drivers for occupants to change the state of the windows are identified: Main drivers for the opening action of windows are the time of the day and the indoor carbon dioxide concentration. Main drivers for the closing action of windows are the time of the day and the ambient temperature.

OpenAccess:
PDF PDF (PDFA)
(additional files)