Automatic generation of building stock databases with hourly heat demand profiles for district analysis using large-scale available data

Blanco Bohorquez, Luis Armando; Müller, Dirk; Hoffschmidt, Bernhard Franz

doi:10.18154/RWTH-2026-06130

Automatic generation of building stock databases with hourly heat demand profiles for district analysis using large-scale available data = Automatische Generierung von Datenbanken des Gebäudebestands mit stündlichen Wärmebedarfsprofilen für die Quartiersanalyse unter Verwendung verfügbarer großflächiger Daten

Blanco Bohorquez, Luis Armando^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Luis Armando Blanco Bohorquez

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
Fak04

Hauptberichter/Gutachter
Hoffschmidt, Bernhard Franz (Thesis advisor)^RWTH* ; Müller, Dirk (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2026-06-11

Online
DOI: 10.18154/RWTH-2026-06130
URL: https://publications.rwth-aachen.de/record/1037624/files/1037624.pdf

Einrichtungen

Lehrstuhl für Solare Komponenten (DLR) (421010)

Inhaltliche Beschreibung (Schlagwörter)
Bestandsanalyse (frei) ; Lastgänge (frei) ; Stadtplanung (frei) ; Wärmebedarf (frei) ; building stock (frei) ; energetische Quartiere (frei) ; energy demand (frei) ; energy districts (frei) ; kommunale Wärmeplanung (frei) ; load profiles (frei) ; urban energy units (UEUs) (frei) ; urban planning (frei) ; urbane energetische Einheiten (UEUs) (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Der Gebäudesektor ist ein wesentlicher Treiber des globalen Energieverbrauchs und verursacht nahezu ein Drittel der Treibhausgasemissionen. Als Reaktion darauf verpflichten Deutschlands neue Energievorschriften die Kommunen, bis 2045 Wärmepläne zur Klimaneutralität zu entwickeln. Dieser Prozess ist jedoch nicht nur kostspielig und zeitaufwendig, sondern erfordert auch qualifiziertes Fachpersonal sowie verlässliche Daten über den Gebäudebestand und den Wärmebedarf. Verlässliche Daten sind daher für fundierte Investitionsentscheidungen in nachhaltige Wärmeversorgungslösungen essenziell. Die vorliegende Dissertation adressiert diese Herausforderungen durch eine datengetriebene Methodik zur Erstellung hochaufgelöster Gebäudebestandsdatenbanken mit stündlichen Wärmebedarfsprofilen, während der Fokus von weg der Analyse einzelner Gebäude hin zu einer ganzheitlichen Betrachtung von Stadtquartieren verlagert wird.Das Hauptziel besteht darin, die Bestimmung von Wärmelastprofilen mit hoher zeitlicher und räumlicher Auflösung unter Nutzung großflächig verfügbarer Daten zu automatisieren. Dies wird durch drei zentrale Komponenten erreicht. Erstens, ein automatisierter Workflow zur standardisierten Erfassung und Anreicherung urbaner Daten. Zweitens, eine Methode zur Generierung dynamischer Wärmelastprofile auf Basis von Wetterbedingungen, Sanierungsszenarien und Gebäudecharakteristika. Drittens, eine Methodik zur Beschreibung typischer Siedlungsmuster und Energiebedarfe in urbanen Quartieren.Das entwickelte Modell integriert automatisiert diverse Datensätze auf großen regionalen Skalen unter Einsatz geostatistischer, ingenieurwissenschaftlicher und maschineller Lernverfahren, wodurch Konsistenz und Vollständigkeit der Ergebnisse verbessert werden. Dazu gehören unter anderem 3D-Gebäudemodelle, Volkszählungsdaten, Wetterdaten, Gebäude-Archetypen, offizielle Katasterdaten und OpenStreetMap-Daten. Dieser Ansatz ermöglicht die Erstellung standardisierter Gebäudebestandsdatenbanken mit Wärmebedarfsprofilen für jede Region in Deutschland im Zeitraum von 2010 bis 2045. Zudem wird eine Methodik zur Segmentierung urbaner Räume in 16 morphologische Einheiten, sogenannte Urban Energy Units (UEUs), vorgestellt, die die Identifikation von Gebieten mit hohem und niedrigem Wärmebedarf erleichtert und strategische Entscheidungen zur Integration von Wärmepumpen und Fernwärmenetzen unterstützt.Die in dieser Dissertation entwickelten Methoden ermöglichen eine effiziente Erfassung und Analyse von Gebäudedaten über große Flächen hinweg und optimieren gleichzeitig den Rechen- und Finanzierungsaufwand. Das Modell wurde erfolgreich in Pilotprojekten in Deutschland angewandt und hat sich als wirksames Instrument zur Unterstützung kommunaler Wärmeplanungen und großflächiger Energieanalysen erwiesen. Durch die Kombination automatisierter Datenverarbeitung, Wärmelastprofilierung und urbaner Klassifikation bietet diese Studie einen umfassenden Rahmen zur Prognose des Energiebedarfs des Gebäudebestands und trägt so zur Beschleunigung der Wärmewende in Deutschland bei.

The building sector is a major contributor to global energy consumption, accounting for nearly one-third of greenhouse gas emissions. In response, Germany's new energy laws mandate municipalities to develop heating plans for climate neutrality by 2045. However, this process is not just costly, time-consuming, but it also requires both skilled personnel and reliable data on building stock and heat demand. Reliable data is therefore essential for making informed investment decisions in sustainable heating solutions. This dissertation addresses these challenges by developing a data-driven methodology for the generation of high-resolution building stock databases with hourly heat demand profiles, while at the same time shifting from individual building analysis to a broader district-level perspective, enhancing urban planning and integration of renewable energy systems.The primary objective is to automate the determination of heat load profiles with high temporal and spatial resolution using large-scale available data for district analysis. This is achieved through three key components: first, an automated workflow to collect, standardize, and enrich urban data for a consistent building stock inventory; second, a method to generate dynamic heat load profiles based on weather conditions, refurbishment scenarios, and building characteristics; and third, a methodology to describe typical settlement patterns and energy demands in urban districts.The model developed in this dissertation automatically calls and integrates diverse datasets at large regional scales using geospatial, statistical, engineering, and machine learning techniques to enhance the consistency and completeness of the results. These datasets include but are not limited to 3D building models, census data, weather data, building archetypes, official cadastral data and OpenStreetMaps data. This approach enables the creation of standardized building stock databases with heat demand profiles for any region in Germany from 2010 to 2045. Furthermore, a novel methodology for segmenting urban areas into 16 distinct morphological units, known as Urban Energy Units (UEUs) is proposed. The UEU-methodology facilitates the identification of high- and low-heat-demand areas supporting strategic decisions on integrating technologies such as heat pumps and district heating networks.The methodologies developed in this thesis, are designed to efficiently collect and analyze building data across large areas while optimizing computational and financial resources. The model is intended for small municipalities and cities with limited technical resources. The workflow presented in this dissertation was successfully applied in pilot projects across Germany and the results demonstrate its effectiveness in supporting municipal heat plans and large-scale energy analyses. By integrating automated data processing, heat load profiling, and urban classification, this study presents a comprehensive framework for managing the composition of the building stock and forecasting its energy requirements, and therefore, accelerating the heating transformation plans of the country.

OpenAccess:
PDF
(additional files)