District-scale energy and carbon footprint assessments of buildings

Schildt, Maximilian; Causone, Francesco; Frisch, Jérôme; van Treeck, Christoph Alban

doi:HT031466772

District-scale energy and carbon footprint assessments of buildings

Schildt, Maximilian^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Maximilian Schildt

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak03

Hauptberichter/Gutachter
Frisch, Jérôme (Thesis advisor)^RWTH* ; Causone, Francesco (Thesis advisor) ; van Treeck, Christoph Alban (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2026-04-22

Online
DOI: 10.18154/RWTH-2026-04474
URL: https://publications.rwth-aachen.de/record/1034011/files/1034011.pdf

Einrichtungen

Lehrstuhl für Energieeffizientes Bauen (312410)

Projekte

DFG project G:(GEPRIS)531801923 - Ingenieurwissenschaftliche reduzierte Modellierung von Quartieren im Kontext der heuristischen Ökobilanzierung (531801923) (531801923)

Inhaltliche Beschreibung (Schlagwörter)
LCA (frei) ; UBEM (frei) ; archetypes (frei) ; buildings (frei) ; districts (frei) ; sustainability (frei)

Thematische Einordnung (Klassifikation)
DDC: 624

Kurzfassung
Der Gebäudesektor trägt einen wesentlichen Anteil der globalen und nationalen Treibhausgasemissionen. Deshalb werden zunehmend ambitioniertere regulatorische Rahmenwerke und Förderungen entwickelt. Diese sollen zur Erreichung von Netto-Null-Emissionen sowohl für den Neubau als auch im Bestand beitragen. Dies beeinflusst die strategischen und operativen Aufgaben diverser Interessengruppen in Wirtschaft, Politik, und Forschung: i) Die Stadtplanung hat zunehmend restriktivere Bauordnungen und Gesetze sowie erweiterte Dokumentationspflichten zu beachten; ii) es ist Aufgabe der Politik, die Allokation von Fördergeldern für energie- und emissionseinsparende Sanierungsmaßnahmen optimal zu steuern; iii) Real estate management im Raum der Europäischen Union hat Grenzwerte energetischer Effizienz und von Emissionen für Investitionsentscheidungen gemäß Taxonomie zu berücksichtigen; iv) die Forschung beschäftigt sich mit der (Weiter-)entwicklung von Methoden zur Berechnung und Prognose von Emissionen. Hierbei ist die Ökobilanzierung (engl. Life Cycle Assessment (LCA)) eine normierte Methode zur Prognose von Material-, Energie-, und Emissionsflüssen. Weiterhin wird Urban Building Energy Modelling (UBEM) zunehmend genutzt zur Abbildung von Zusammenhängen zwischen den thermophysikalischen, energetischen, und umweltbedingten Aspekten von Gebäuden. UBEM verwendet regelmäßig Gebäudevorlagen, beziehungsweise Archetypen, zur Anreicherung und Simulation einfacher Geometrien im “bottom-up approach”. Allerdings benötigen sowohl LCA als auch UBEM große Datenmengen, wodurch deren praktische Anwendung eingeschränkt ist. Es gibt Gebäudetypologien wie Typology Approach for Building Stock Energy Assessment (TABULA), jedoch ohne “graue” Emissionen. Außerdem werden Nichtwohngebäude und regionale Konstruktionsvariationen generell nicht berücksichtigt. Es gibt mehrere UBEM Tools zur Simulation des operativen Energiebedarfs und der grauen Emissionen. Allerdings differenziert keines der untersuchten Programme die Emissionen nach dem Phasenmodell aus Euronorm (EN) 15804 und EN 15978. Die vorgelegte Arbeit beabsichtigt die Schließung der dargelegten Forschungslücken, indem eine deutsche Gebäude- und Quartierstypologie entwickelt wird, die auf einer Reihe von Datenquellen, Simulationswerkzeugen, und Methoden des Maschinellen Lernens (ML) fußt. Dies beinhaltet die Entwicklung des Tools Teco zur Bestimmung des Treibhauspotentials (engl. Global Warming Potential (GWP)) von Gebäuden gemäß zuvor benanntem Phasenmodell, und die thermische Quartierssim-ulation mittels Resistance-Capacitance (R-C) Modellen im Tool for Energy Analysis and Simulation for Efficient Retrofit (TEASER). Die parametrische Simulation von 81,990 Gebäudemodellen mit etwa 200 Variablen wurde zur Ableitung statistischer Bandbreiten von energie- und emissionsbezogenen Key Performance Indicators (KPIs) genutzt. Die Ergebnisse wurden als Trainingsdaten für ein Gradient Boosted Tree (GBT)-basiertes, generatives Ersatzmodell zur KPI-Vorhersage verwendet, mit der Erweiterung um sozio-ökonomische und -technische Variablen, oder Merkmalen. Die Modelle verwenden einen Merkmalsraum von 61 bzw. 74 Variablen, von denen KPI-abhängig 40 bis 100 % auf entsprechende thermophysikalische, geometrische, und/oder simulative Phänomene zurückgeführt werden können gemäß permutationsbasierter feature importance analysis und Tree-SHapley Additive exPlanation (TreeSHAP). Die Modelle erzielen eine Prognosefähigkeit von 60 bis 98 % für die meisten KPIs, und eine Reduktion der Laufzeit von 10 bis 300 Sekunden pro Gebäude in Teco auf 0.2 Millisekunden. Aus den zuvor benannten Simulationsergebnissen sind 15 Quartiersarchetypen abgeleitet worden, die aus den gewichteten Mittelwerten der zugrundeliegenden Gebäudearchetypen synthetisiert wurden. Diese können auf der Webseite https://hub4lca.e3d.rwth-aachen.de/ in einem prototypischen “District LCA tool” verwendet werden. Der Heuristic Urban Building modelling for Life Cycle Assessments (HUB4LCA) Datensatz aus 977 Wohn- und Nichtwohngebäudearchetypen ist tabellarisch und als Berichtskarten verfügbar. Er ist mit Teco und dem erweiterten Surrogatmodell in drei Anwendungsfällen aus den eingangs benannten Interessengruppen angewandt worden. Die Ergebnisse der Bilanzierung von jeweils 96, 5.000, und annähernd 20 Millionen Gebäuden (dem deutschen Wohngebäudebestand im Jahr 2022) bilden Zusatznutzen, oder Grundlagen, in operativen und strategischen Entscheidungsprozessen. Allerdings ist in der Analyse der Ergebnisse aus Teco und Urban Modeling Interface (UMI) ein Forschungsbedarf zur Kalibrierung festgestellt worden. Auch beschreibt Tecos Heizenergiebedarfsimulation vermutlich nicht den Hauptteil des Gesamtenergiebedarfs diverser Nichtwohngebäudetypen. In naher Zukunft kann der Zugriff auf HUB4LCA mittels Application Programming Interface (API) operationalisiert werden. Eine Kalibrierung zwischen verschiedenen UBEM LCA Tools würde deren Nachvollziehbarkeit und Informationsgehalt deutlich aufwerten. Fallstudien mit Geographical Information System (GIS)-basierten Geometrien könnten Sensitivitäten im GWP bei komplexeren Kubaturen aufdecken. Die breitere Analyse des Einflusses sozio-ökonomischer/-ökologischer Variablen auf den Energiebedarf und die Emissionen von Gebäuden könnte einen top-down Modellierungsansatz begründen. Auf längere Sicht würde die moderate Erweiterung des Zensus um drei Fragen zu Gebäudekonstruktionstypen, geschätzten Isolierungsdicken, und jährlichen Heiz- und Stromverbräuchen die Verfügbarkeit und Genauigkeit von LCA in UBEM signifikant erhöhen. Die Erstellung einer deutschen Energieausweisdatenbank hätte einen ähnlichen Effekt.

The building sector is a major contributor to global and national Greenhouse Gas (GHG) emissions, motivating increasingly demanding regulations and incentives to achieve net zero goals in both retrofit and new construction. This influences the strategic and operative tasks of multiple stakeholder groups in industry, policymaking, and research: i) Urban planning needs to consider more restrictive building codes and elaborate carbon reporting requirements; ii) policymaking seeks to optimise the allocation of emission-reducing retrofit subsidies; iii) European real estate asset management has to consider energy efficiency and emission thresholds for investment decisions as stipulated by the Taxonomy Report’s Technical Annex; iv) research should develop and advance methodologies of emission calculation and impact prediction. Life Cycle Assessment (LCA) has emerged as a standardised method of prediction for material, energy, and emission flows to this end. Moreover, Urban Building Energy Modelling (UBEM) is a subject of increased interest for the context between buildings’ thermophysical properties, energy demands, and environmental impacts. It regularly uses building templates, or archetypes, to enrich and simulate simple geometries in the purported bottom-up approach. However, both LCA and UBEM require large amounts of data, thwarting practical application. Building archetype sets such as Typology Approach for Building Stock Energy Assessment (TABULA) have been developed, yet without embodied GHG emissions or non-residential buildings, and sporadic consideration of regional construction variations. Several UBEM tools include both operational energy and embodied carbon simulations, however, none of the identified programmes adhere to the life cycle stage model of European Standard (Euronorm) (EN) 15804 and EN 15978. Thus, this work intends to fill the laid out research gaps by developing a German building and district typology, using a broad range of data sources, simulation tools, and Machine Learning (ML) methods. This includes the development of the Teco enrichment framework for the determination of buildings’ Global Warming Potential (GWP) according to the stage model, leveraging the district-scale heating energy demand simulation of buildings as Resistance-Capacitance (R-C) models in the Tool for Energy Analysis and Simulation for Efficient Retrofit (TEASER). A parametric simulation run of 81,990 building models containing approximately 200 variables has been used to derive statistical ranges of energy and emission Key Performance Indicators (KPIs). The output was also used to train Gradient Boosted Tree (GBT)-based generative surrogate models for KPI prediction, with an extension of socio-economic and socio-technical variables, or features. The models employ a feature space of 61 to 74 variables. Permutation-based feature importance analysis and Tree-SHapley Additive exPlanation (TreeSHAP) have been performed to analyse the variables’ contributions to the explanatory power of the surrogate models. For each KPI, 40 to 100 % of these variable contributions can be traced back to thermophysical, geometrical, and/or simulative phenomena. For example, the Net Leased Area (NLA) plays a dominant role according to the aforementioned analyses. Likewise, this geometrical variable is essential to the simulation workflow in Teco and TEASER. The developed ML models’ KPI predictions lie within the statistical ranges of the parametric simulation run for 60 to 98 % of the building archetypes. Moreover, the ML models perform one KPI prediction per circa 0.2 milliseconds, whereas the Teco workflow requires between 10 to 300 seconds, depending on the model zone complexity. The aforementioned simulation output has also been used to derive 15 district archetypes, comprising weighted averages of present building templates, for use in a prototypal “District LCA tool” on the website https://hub4lca.e3d.rwth-aachen.de/. The Heuristic Urban Building modelling for Life Cycle Assessments (HUB4LCA) dataset of 977 residential and non-residential archetypes, available as tabular data and scorecards, as well as Teco and the extended generative surrogate model, have been used in demonstrative applications for the aforementioned stakeholders. The assessment of respectively 96, 5,000, and approximately 20 million buildings (the German residential building stock as of 2022) has yielded results that inform operative and strategic decision-making processes. However, the cross-examination of results between Teco and Urban Modeling Interface (UMI) has revealed the need for calibration. Also, Teco’s current limitation to operational heat energy plausibly obscures the major part of some non-residential building types’ energy consumption patterns. In the near future, data access to HUB4LCA could be operationalised with an Application Programming Interface (API); a detailed cross-calibration of UBEM LCA tools would enhance their traceability and informative value; case studies using Geographical Information System (GIS)-based geometry could identify any sensitivities of the GWP assessment to complex cubages; and broader analyses on the influence of socio-economic and socio-technical variables on building energy and environmental performance could foster a top-down modelling approach. In the longer term, a moderate extension of national censuses with three variables, or questions, on buildings’ construction types (facade and roof), estimated insulation thicknesses, and annual heating and electricity consumption, could dramatically increase the availability of datasets for, and accuracy of, LCA in UBEM. The creation of a German national Energy Performance Certificate (EPC) database would have a similar impact.

OpenAccess:
PDF
(additional files)