Predicting the Energy Performance of Buildings: A Method using Probabilistic Risk Analysis for Data-driven Decision-support

Forskningsoutput: AvhandlingDoktorsavhandling (sammanläggning)

58 Nedladdningar (Pure)

Sammanfattning

Byggnaders energieffektivitet är ett fokusområde i arbetet med att minska klimatförändringarna, då byggnader står för cirka 40 procent av den totala energianvändningen i Europeiska unionen. En lösning som tillämpas för att minska byggnaders energibehov är att ständigt införa strängare byggregler. Följaktligen ökar betydelsen av precisa och effektiva simuleringar för att kunna beräkna byggnaders framtida energianvändning. Det finns emellertid ofta en skillnad mellan den beräknade energiprestandan och en byggnads faktiska energiprestanda.
För att överbrygga kunskapsklyftan och förklara och förutsäga skillnaden i prestanda har denna studie använt begreppet risk, vilket består av sannolikhet och konsekvens. Syftet var att utveckla och testa en metod för att använda en prediktiv modell för att kvantifiera en byggnads risknivå och utvärdera olika designalternativ. Den utvecklade metoden använder probabilistisk riskanalys för att kvantifiera och förutsäga byggnaders energiprestanda vilket resulterar i ett datadrivet beslutsstöd när man bestämmer byggnadens design. Metoden utvecklades i steg, vilket presenterades i flera studier. I studierna användes fallstudier för att testa den utvecklade metoden och jämföra resultatet mot fältmätningar, vilka utformades för att utveckla, testa, verifiera och validera metoden.
Den första fallstudien använde den traditionella deterministiska metoden för att kvantifiera energiprestandan för småhus från 1960- och 1970-talet med fokus på att identifiera ekonomiskt lönsamma renoveringspaket till passivhusnivå samt vilken påverkan det skulle ge på energiprestanda för byggnadsbeståndet. Resultaten visade på potentialen och begränsningarna vid användning av den nuvarande simuleringsmetoden för att utvärdera olika designalternativ och kvantifiera energiprestanda och kostnader.
Detta följdes av en explorativ fas där alternativa metoder identifierades och jämfördes med det traditionella deterministiska tillvägagångssättet. Utvärderingen utfördes med hjälp av kvalitativa metoder för att urskilja när och i vilket syfte de alternativa probabilistiska metoderna kan vara fördelaktiga att tillämpa.
Baserat på resultatet av detta arbete började utvecklingen av metoden för probabilistisk riskanalys, vilket resulterade i flera studier med fokus på olika aspekter av metoden. Den första studien utvecklade och testade en experimentell version av metoden i en fallstudie som verifierade den resulterande prediktiva modellen för energiprestanda mot fältmätningar. Resultatet visade potentialen med den utvecklade metoden och identifierade flera aspekter i behov av ytterligare utredning och utveckling. En aspekt handlade om den prediktiva modellens precision, vilket krävde ytterligare undersökning av datakvaliteten som användes som grund för modellen. En annan aspekt var hur man kvantifierar konsekvenserna av att inte uppnå designkriterierna och hur metoden kan utvecklas för att jämföra designalternativ och stödja beslutsprocessen med hjälp av en datadriven strategi. Dataupplösningen från fältmätningarna var dock grov, vilket minskade den analytiska potentialen genom att bara jämföra den aggregerade summan. Således var ett syfte med den följande fallstudien att öka dataupplösningen för att möjliggöra ytterligare analytiska jämförelser och med inriktning på datakvaliteten. Studien utvärderade hur olika nivåer av datakvalitet påverkar den förutsägbara modellens precision. Resultatet visade på vikten av datakvalitet och dess inverkan på den prediktiva modellen.
Den efterföljande studien utvärderade hur metoden kan utvecklas för att inkludera optimering av byggnadens design. Det implementerade optimeringssteget jämför designalternativ och hur intressentens synpunkter påverkar analysen och modellernas omfattning vid kvantifiering av risken. Studien utvärderade också hur de valda nivåerna på designkriterierna påverkar ett projekts risknivå. Utvärderingen illustrerar hur kvantifiering av risknivån kan förbättra beslutsprocessen, antingen när man beslutar om en byggnadsdesign eller vid valet av designkriteriet som ska användas i projektet. Målet är att denna studie ska tillgängliggöra användandet av deterministiska och probabilistiska metoder vid beslut gällande energiprestanda i byggsektorn.
De viktigaste resultaten från studierna var fördelarna med att implementera den probabilistiska metoden för att kvantifiera en byggnads framtida energianvändning och hur detta skulle kunna stödja beslutsfattarna under designprocessen. Metoden lägger till ytterligare dimensioner för datainsamling, utförande av simuleringar och analys, och visualisering och förmedling av resultaten. Istället för att tillhandahålla ett enda värde för en byggnads framtida energianvändning baserat på deterministiska metoder, så ger istället den probabilistiska metoden en fördelning av möjliga resultat baserat på empiriska data av osäkerheter för att kvantifiera sannolikheten för att uppnå kravställningen. Resultaten visade också betydelsen och effekten av datakvalitet och en strukturerad process för att samla in data.
Originalspråkengelska
KvalifikationDoktor
Handledare
  • Harderup, Lars-Erik, handledare
  • Arfvidsson, Jesper, Biträdande handledare
  • Burke, Stephen, Biträdande handledare
Sponsorer för avhandling
Tilldelningsdatum2021 sep. 17
UtgivningsortLund
Förlag
ISBN (tryckt)978-91-88722-74-4
ISBN (elektroniskt)978-91-88722-75-1
StatusPublished - 2021

Bibliografisk information

Defence details
Date: 2021-09-17
Time: 13:00
Place: Lecture hall V:C, building V, John Ericssons väg 1, Faculty of Engineering LTH, Lund University, Lund. Zoom: https://lu-se.zoom.us/j/67852704665
External reviewer(s)
Name: De Wilde, Pieter
Title: Prof.
Affiliation: University of Plymouth, United Kingdom.
---

Ämnesklassifikation (UKÄ)

  • Husbyggnad

Fingeravtryck

Utforska forskningsämnen för ”Predicting the Energy Performance of Buildings: A Method using Probabilistic Risk Analysis for Data-driven Decision-support”. Tillsammans bildar de ett unikt fingeravtryck.

Citera det här