Gebruikersgedrag in gebouwsimulaties van eenvoudig tot geavanceerd gebruikersgedragmodel

Gebruikersgedrag in gebouwsimulaties

Gebruikersgedrag in gebouwsimulaties van eenvoudig tot geavanceerd gebruikersgedragmodel een gevoeligheidsanalyse voor het gebruikersgedrag en een onderzoek naar de robuustheid van een gebouw voor de gebruiker

Student: Naam: P. Hoes, BSc Studentnummer: 0490662

Afstudeercommissie: prof. dr. ir. J.L.M. Hensen (voorzitter) dr. ir. M.G.L.C. Loomans prof. dr. ir. B. de Vries

Technische Universiteit Eindhoven Faculteit Bouwkunde Unit Building Physics and Systems (BPS) Mastertrack Physics of the Built Environment (PBE)

Augustus 2007


Illustratie kaft [Hensen, 2004]


Samenvatting In het ontwerpproces van een gebouw is men aangewezen op voorspellingen van de prestaties van het toekomstige gebouw. Tegenwoordig worden deze voorspelling vaak gebaseerd op de resultaten van computermodellen. Het belang van een betrouwbare voorspelling door deze gebouwsimulatiemodellen is daarom erg groot. Aangezien de gebruiker veel invloed kan uitoefenen op de prestaties van een gebouw, is het belangrijk om het gedrag van de gebruiker te simuleren in een gebouwsimulatie. Het gedrag van de gebruiker wordt in veel gebouwsimulatiemodellen echter sterk vereenvoudigd gemodelleerd. Hierdoor kunnen grote verschillen ontstaan tussen de prestaties van het gesimuleerde gebouw en het werkelijke gebouw. Deze verschillen kunnen leiden tot ontwerpbeslissingen die niet genomen zouden worden, wanneer de gebouwprestaties in het ontwerpproces beter waren voorspeld. Zoals hierboven is aangegeven, wordt in veel bestaande gebouwsimulatiemodellen het gedrag van de gebruiker sterk vereenvoudigd gesimuleerd. Het gebruikersgedrag wordt vaak als een statisch gegeven toegepast in het model door middel van vooraf gedefinieerde gebruikersprofielen. In bepaalde gevallen zullen deze gebruikersprofielen het gedrag van de gebruiker nauwkeurig genoeg kunnen simuleren, in andere gevallen zal het toepassen van deze profielen kunnen leiden tot de eerder genoemde verschillen tussen de voorspelde en gerealiseerde gebouwprestaties. Aangezien de voorgenoemde methode niet altijd voldoet, zijn er andere methoden ontwikkeld om het gebruikersgedrag te simuleren. In deze methoden wordt het gedrag van de gebruiker voorspeld afhankelijk van onder meer het gebouwontwerp en het buitenklimaat. Deze zogenaamde geavanceerde gedragsimulaties richten zich echter op het voorspellen van de interactie tussen de gebruiker en zijn omgeving óf het voorspellen van de aanwezigheid van gebruikers in een ruimte. In het SHOCC-model (Sub-Hourly Occupancy Control) worden enkele bestaande gedragsmodellen samengevoegd en geïntegreerd in het gebouwsimulatieprogramma ESP-r. Door deze combinatie kan de invloed van de gebruiker op het gehele gebouw worden gesimuleerd. Met behulp van het SHOCC-model kunnen echter geen gebouwen met complexe bezettingspatronen worden gesimuleerd. In dit onderzoek is daarom de mobiliteitsvoorspelling in het SHOCC-model verbeterd door het model uit te breiden met het USSU-model (User Simulation of Space Utilisation). Het USSU-model simuleert de bewegingen van gebruikers door een gebouw en het gebruik van de ruimtes in een gebouw. Door de samenwerking tussen het SHOCC-model en het USSU-model kan bijvoorbeeld worden onderzocht hoe groot de energiebesparing is van een gebouw bij toepassing van aanwezigheidsdetectiesensoren voor de verlichting. Met de uitbreiding van het SHOCC-model ontstaan drie verschillende methoden om het gebruikersgedrag te voorspellen. De verschillende modellen kunnen worden ingedeeld naar oplopende resolutie en complexiteit. Tijdens het simuleren van een gebouw moet een keuze worden gemaakt uit deze verschillende methoden. Het is vaak verleidelijk om te kiezen voor de meest geavanceerde en gedetailleerde methode, dit is echter niet altijd de meest verstandige keuze. Een verkeerde keuze leidt snel tot tijdsverspilling. Uit dit onderzoek blijkt bijvoorbeeld dat de geavanceerde methode alleen zinvol is als de gebruiker veel invloed kan uitoefenen op de gebouwprestaties. De keuze die moet worden gemaakt zou daarom afhankelijk moeten zijn van de mate van gevoeligheid van het gebouw voor de gebruiker. Er worden twee groepen aspecten onderscheiden die deze gevoeligheid beïnvloeden: de te onderzoeken gebouwprestaties en bepaalde gebouwgerelateerde factoren. In dit onderzoek is een methodologie voorgesteld om te onderzoeken in welke mate deze verschillende aspecten bijdragen aan de gevoeligheid. Verder leidt de methodologie tot de juiste keuze tussen de gebruikersgedragmodellen. In deze methodologie wordt door middel van een gevoeligheidsanalyse onderzocht wat de invloed is van de verschillende aspecten op de keuze. In dit onderzoek zijn drie gevoeligheidsanalysemethoden met elkaar vergeleken: de Monte Carlo analyse met regressieanalyse, de Morris-analyse en de (extended) FAST-analyse. In deze gevoeligheidsanalyses wordt het verband onderzocht tussen de inputwaarden en de outputwaarden van het

I.


simulatiemodel. Afhankelijk van het type analysemethode wordt op een bepaalde manier omgegaan met deze waarden. De drie analysemethoden zijn toegepast op een casestudy van een kantoorgebouw. De resultaten van de drie analysemethoden zijn vervolgens onderling vergeleken, hieruit blijkt dat de Monte Carlo analyse met regressieanalyse de meest geschikte analysemethode is in dit onderzoek. Deze methode vergt relatief weinig simulaties vergeleken met de andere methoden en kan kwantitatieve uitspraken doen over de verandering in gevoeligheid van de verschillende factoren. Verder leidt het toepassen van deze methode tot dezelfde conclusies als de andere methoden. Het kan voorkomen dat gebouwontwerpen in de praktijk niet voldoen aan de verwachtingen die werden gewekt in de ontwerpfase. Zoals uit het voorgaande blijkt, kan dit worden veroorzaakt door afwijkingen en verkeerde aannames in het gebruikte simulatiemodel. Het kan echter ook worden veroorzaakt door de mate van robuustheid van het gebouwontwerp; hiermee wordt bedoeld in welke mate een gebouw gevoelig is voor afwijkingen in de ontwerpaannames. Een weinig robuust gebouw kan door relatief kleine afwijkingen van de aannames heel anders gaan functioneren, waardoor het kan voorkomen dat de gestelde prestatie-eisen niet worden gehaald. Een robuust gebouw zal de prestatie-eisen wel halen, ondanks de afwijkingen in de aannames. Dus hoe robuuster een gebouwontwerp is, hoe minder gevoelig het ontwerp is voor fouten in de aannames. Het nieuwe gecombineerde gedragsimulatiemodel kan worden gebruikt om te onderzoeken hoe robuust een gebouwontwerp is voor het gedrag van verschillende soorten gebruikers. Tijdens de levensduur van een gebouw kan de gebruiker van het gebouw namelijk veranderen. Het is dan de vraag of het gebouw voldoet aan de prestatie-eisen van de nieuwe gebruiker. Een gebouw dat robuust is voor verschillende gebruikers zal nog steeds voldoen. Een dergelijk gebouw zal daardoor vaker een langere levensduur hebben dan een minder robuust gebouw. Om de robuustheid van een gebouw voor het gebruikersgedrag te kunnen onderzoeken zijn verschillende gebruikerstypen gedefinieerd. Door een gebouwontwerp vervolgens te simuleren met deze verschillende gebruikerstypen kan worden bepaald hoe robuust het gebouw is voor de gebruiker. Voor een robuust gebouw zullen de gebouwprestaties namelijk minder sterk variëren door het veranderende gedrag van de gebruiker, dan de prestaties van een niet-robuust gebouw. Met behulp van de voorgestelde methodologie kan in het ontwerpproces voor verschillende ontwerpvarianten de mate van robuustheid voor de gebruiker worden onderzocht.

II.


Summary In the design phase of a building the designers have to rely on the predicted performances of the actual building. Nowadays these predictions are based on the results of computer models. Consequently the reliability of these predictions is very important. Since the building occupants have a strong influence on the building performances, it is important to model the behaviour of these occupants. In many building simulation models however the occupant behaviour is modeled very simplified. As a result substantial discrepancies can occur between the predicted and the actual building performances. It is possible these differences will lead to design decisions which would not have been made with better performance predictions. As mentioned in many building simulation models the behaviour of occupants is strongly simplified. The behaviour is modeled by means of static predefined user profiles. In certain cases these profiles will give a prediction accurate enough for the simulation, but in other cases these profiles will lead to the above mentioned discrepancies. As the profiles aren’t always sufficient enough, some other methods are developed. These methods predict the behaviour of the occupants dependent, among other things, on the building design and the outdoor climate. Most of these advanced behaviour models either aim to predict the interaction between occupants and building or aim to predict the occupancy in the building. The SHOCC-model (Sub-Hourly Occupancy Control) combines and improves different behaviour models and integrates these models in the whole building energy simulation program ESP-r. By using SHOCC it is possible to simulate the influence of the occupant on the whole building. As yet SHOCC isn’t capable of simulating buildings with complex mobility patterns. In this research the mobility predicition in SHOCC is improved by extending the model with the USSU-model (User Simulation of Space Utilisation). USSU simulates the movement of occupants and the use of spaces by occupants in a building. With the combination of SHOCC and USSU it is for instance possible to give a prediction of the realizable energy savings of occupant-sensing lighting control. Along with the extended version of SHOCC three different behaviour methods can be distinguished. These methods can be sorted by increasing resolution and complexity. During the process of a building simulation a choice must be made between these different methods. Often it is tempting to choose the most sophisticated and detailed method, though this isn’t always the most sensible decision. A wrong decision will result in wasting lots of valuable time. This study for instance proves that an advanced behaviour method is only useful if the occupant has possibilities to interact with the building. Accordingly the decision should be depending on the sensitivity of the building to the occupant. Two groups of aspects which influence this sensitivity are discerned, viz. the investigated building performance indicators and certain building related factors. In this research a methodology is proposed to provide the best decision between the behaviour models. In this methodology a sensitivity analysis is used to investigate the influence of the different aspects on the decision. Three different sensitivity analysis methods are compared, namely the Monte Carlo analysis with regression analysis, the Morris-analysis and the (extended) FASTanalysis. These sensitivity analysis methods investigate the relation between the input parameters and the output parameters of the building model. The analysis methods are applied to a case study of an office building. The results of the three analysis methods are compared; from this it appears that the Monte Carlo analysis with regression analysis is the most suitable analysis method for this research. This method demands a relatively small amount of simulation runs compared to the other methods, furthermore the method can give quantitative information regarding the change in sensitivity of the various factors. Apart from that the results of this method lead to the same conclusions as the other methods. There is a possibility that the expectations made in the design phase of a building aren’t met in the realized building. As said earlier this could be caused by wrong assumptions in the used building model. But it is also possible this will be caused by the degree of robustness of the building, i.e. to

III.


what extent is the building sensitive to deviations in the design assumptions. For instance a nonrobust building could function totally different than expected due to relatively small deviations in the assumptions, through which the demanded building performances will not be met. A robust building will meet the demanded performances, in spite of deviations in the assumptions. Ergo, the more robust a building is, the less sensitive the building will be for wrong assumptions. The new combined behaviour method can be used to investigate the robustness of a building to the behaviour of various occupants. It is possible that during the lifecycle of a building the type of occupant will change. It remains to be seen if the building performances will meet the demands of the new occupant. If a building is robust to the occupant, the building will still satisfy the demands. Therefore such a building more often will have a longer lifecycle than a less robust building. To determine the robustness of a building, various user types are defined. By running simulations with these types the robustness of the building can be tested. The performance of a robust building will show less variation due to the changing user types, than a less robust building. Using the proposed methodology the designer will be able to compare the robustness to the behaviour of occupants of various design alternatives.

IV.


Voorwoord Het afgelopen jaar ben ik bezig geweest met mijn afstudeerproject voor de mastertrack Physics of the Built Environment aan de Technische Universiteit Eindhoven. Dit verslag is het eindresultaat van mijn afstudeerproject. Bij dezen wil ik graag enkele mensen bedanken voor hun hulp bij dit onderzoek. Als eerste wil ik Denis Bourgeois bedanken voor het ter beschikking stellen van zijn (ongepubliceerde) SHOCCmodel en voor het beantwoorden van mijn (vele) vragen over de ontstane (compatibiliteit) problemen met het model (al dan niet veroorzaakt door mijzelf). Daarnaast wil ik Vincent Tabak bedanken voor het mij laten gebruiken van zijn (ongepubliceerde) USSU-model en voor zijn hulp en uitleg bij dit model. Tenslotte wil ik de leden van mijn afstudeercommissie, Jan Hensen (voorzitter), Marcel Loomans en Bauke de Vries, bedanken voor het begeleiden van dit afstudeerproject.

Pieter-Jan Hoes Augustus 2007

V.


VI.


Inhoudsopgave Samenvatting..................................................................................................................... I Summary ........................................................................................................................ III Voorwoord .........................................................................................................................V 1

Inleiding ................................................................................................................. 1 1.1 1.2 1.3 1.4 1.5

2

Achtergrond ........................................................................................................ 1 Aanleiding onderzoek ............................................................................................ 2 Doelstelling onderzoek .......................................................................................... 5 Onderzoeksvragen................................................................................................ 5 Onderzoeksmethoden ........................................................................................... 5 Literatuurstudie ...................................................................................................... 7

2.1 2.2 2.3 3

Gebruikersprofielen .............................................................................................. 7 Geavanceerde gebruikersgedragmodellen ................................................................ 7 Mogelijkheden SHOCC en USSU............................................................................ 16 Uitbreiding simulatiemodel gebruikersgedrag ...................................................... 17

3.1 3.2 3.3 3.4 3.5 4

Keuze voor gebouwsimulatieprogramma ................................................................ 17 Uitbreiding van gebruikersgedragmodel in ESP-r ..................................................... 17 Simulatieresultaten uitgebreide gebruikersgedragmodel ........................................... 19 Modelresolutie en complexiteit ............................................................................. 22 Beslissingmethodologie ....................................................................................... 24 Aspecten van invloed op de gevoeligheid voor gebruikersgedrag ......................... 25

4.1 4.2 4.3 5

Aspecten die de gevoeligheid van een gebouwsimulatie voor de gebruiker beïnvloeden. 25 Gebouwprestaties en prestatie-indicatoren ............................................................. 25 Gebouwgerelateerde factoren............................................................................... 27 Gevoeligheidsanalyse gebruikersgedrag............................................................... 30

5.1 5.2 5.3 5.4 5.5 5.6 6

Bepalen invloed van factoren ............................................................................... Verschillende soorten gevoeligheidsanalysemethoden .............................................. Indeling en kwantificatie factoren ......................................................................... Uitvoering gevoeligheidsanalyses.......................................................................... Resultaten gevoeligheidsanalyses ......................................................................... Meest invloedrijke factoren in de case study ...........................................................

31 31 33 35 36 45

Robuustheid voor gebruikersgedrag ..................................................................... 46 6.1 6.2 6.3

7

Gebruikerstypen................................................................................................. 46 Casestudies ....................................................................................................... 46 Simulatieresultaten............................................................................................. 47 Conclusies en aanbevelingen ................................................................................ 50

7.1 7.2

Conclusies......................................................................................................... 50 Aanbevelingen ................................................................................................... 52

Referenties ...................................................................................................................... 53 Bijlagen ........................................................................................................................... 57 Bijlage Bijlage Bijlage Bijlage Bijlage Bijlage Bijlage

1: 2: 3: 4: 5: 6: 7:

Gevoeligheidsanalysemethoden ......................................................................... B1 Kwantificatie van factoren die gevoeligheid voor het gebruikersgedrag beïnvloeden .. B6 Uitgangspunten casestudy kantoorruimte ........................................................... B7 Invoer gevoelige factoren in Matlab ................................................................... B9 Simulatieresultaten gevoeligheidsanalyses ........................................................ B12 Gebruikerstypen voor robuustheidtest .............................................................. B41 Simulatieresultaten robuustheidtest ................................................................. B44

VII.


VIII.


1

Inleiding

In dit hoofdstuk worden allereerst de achtergrond en de aanleiding van dit onderzoek beschreven. Vervolgens worden de probleemstelling en doelstelling van het onderzoek uiteengezet, waarna een plan van aanpak volgt. 1.1 1.1.1

Achtergrond Duurzame ontwikkelingen

De wereld wordt zich langzaam bewust van de noodzaak tot duurzame ontwikkelingen. Dit komt onder andere door de milieuproblemen die zijn ontstaan door de verbranding van fossiele brandstoffen (smog, broeikaseffect), maar ook omdat duidelijk wordt dat de fossiele voorraden ooit uitgeput zullen raken. Verder zijn veel (westerse) landen zich bewust geworden van hun kwetsbaarheid door de afhankelijkheid van de fossiele brandstoffen. Op de lange termijn lijkt een duurzaam beleid daarom noodzakelijk. Het toepassen van een ontwerpfilosofie als de Trias Energetica kan helpen om tot een duurzamere samenleving te komen [CTSD, 2003]. De Trias Energetica geeft een prioriteitsvolgorde van drie stappen naar een zo duurzaam mogelijke energievoorziening, bestaande uit: 1. Beperk de energiebehoefte. 2. Gebruik zoveel mogelijk duurzame energiebronnen. 3. Maak zo efficiënt en schoon mogelijk gebruik van fossiele energiedragers. In Nederland beslaat het energiegebruik van de gebouwde omgeving ongeveer 35% van het totale energiegebruik [Building Future, 2004]. Het terugdringen van het energiegebruik in de gebouwde omgeving kan daarom een goed begin zijn naar een duurzame samenleving. Building Future, een samenwerkingsverband tussen TNO en ECN, streeft er naar om in 2030 energieneutrale gebouwen neer te kunnen zetten. Op dit moment leidt de eerste stap uit de Trias Energetica onder andere tot een strengere regelgeving met betrekking tot energiegebruik in de (nieuw)bouw, bijvoorbeeld door aanscherping van de Energie Prestatie Coëfficiënt (EPC). Volgens Building Future is naast een gezond leefmilieu ook groot economisch voordeel te behalen door het volgen van een duurzaam energiebeleid in de gebouwde omgeving. De nieuwe duurzame technieken zullen een nieuwe markt creëren. In 2050 zal deze markt voor Nederland naar schatting een economische toegevoegde waarde hebben van 13-34 miljard euro per jaar. 1.1.2

Het ontwerpproces

Clarke [2001] stelt dat door het beter ontwerpen van gebouwen een reductie in het energiegebruik van meer dan 50% kan worden bewerkstelligd; voornamelijk door betere ontwerpbeslissingen te nemen in het begin van het ontwerpproces. In het begin van het ontwerpproces worden namelijk belangrijke beslissingen genomen die in een verder stadium van het proces moeilijk, of tegen hoge kosten, kunnen worden teruggedraaid (zie figuur 1.1). Het is daarom van belang om in een zo vroeg mogelijk stadium uitspraken te kunnen doen over de prestaties van verschillende ontwerpvarianten. In het vroege ontwerpproces zal bijvoorbeeld de keuze voor een bepaald installatieconcept moeten worden gemaakt. Om te voorkomen dat een verkeerde keuze wordt gemaakt, wordt in de praktijk al snel voor het best bekende (meest conventionele) alternatief gekozen. Wanneer in de vroege fase van het ontwerpproces al een gedegen voorspelling kan worden gedaan over de gebouwprestaties, dan kan er een meer gefundeerde keuze worden gemaakt tussen de ontwerpvarianten. Op deze manier zou bij de keuze voor een installatieconcept kunnen worden voorkomen dat er voor het best bekende alternatief wordt gekozen. Er zou zo een installatieconcept kunnen worden geadviseerd dat beter past bij het gebouw en de gebruikers, waardoor het energiegebruik van het gebouw lager uit kan vallen.

1.


1.1.3

Gebouwsimulaties

Kosten aanpassen

ontwerp

Ontwerp vrijheid

In het ontwerpproces van een gebouw is men aangewezen op voorspellingen van de prestaties van het toekomstige gebouw. Deze voorspellingen werden vanaf de jaren zestig van de vorige eeuw voornamelijk gebaseerd op de resultaten van eenvoudige rekenmodellen, vuistregels of intuïtie. De gebruikte methoden werkten goed voor eenvoudige gebouwontwerpen; voor complexere niet alledaagse ontwerpen leidde dit echter in veel gevallen tot overgedimensioneerde installaties. Sinds de jaren zeventig zijn de rekenmodellen voor gebouwsimulaties sterk geëvolueerd. Door de toename in rekenkracht van de computer en verbeterde modellen kunnen de laatste jaren steeds complexere gebouwsimulaties worden uitgevoerd (zie figuur 1.2). Omdat tegenwoordig wordt gevraagd om gebouwen met een laag energiegebruik, zullen slimme ontwerpen moeten worden gemaakt. Ook zullen er duurzame technologieën moeten worden toegepast. Dit betekent dat er complexe gebouwontwerpen zullen ontstaan, waardoor het noodzakelijk is om de gebouwprestaties goed te kunnen voorspellen. Dit zal vrijwel onmogelijk zijn zonder gebruik te maken van de moderne gebouwsimulatiemodellen als hulpmiddel in het ontwerpproces.

Ontwerpproces Æ

Figuur 1.1: Verloop van ontwerpvrijheid en kosten

Figuur 1.2: Evolutie van gebouwsimulatie [Clarke,

van

2001].

ontwerpveranderingen

gedurende

het

ontwerpproces.

1.2 1.2.1

Aanleiding onderzoek Gevoeligheidsanalyse gebouwsimulatie

In de vorige paragraaf is beschreven dat het belang van een betrouwbare voorspelling groot kan zijn in het ontwerpproces van een gebouw. In de literatuur [De Wit, 2001, Macdonald, 2002] en in een eerder uitgevoerd onderzoek [Hoes en De Vaan, 2005] is onderzocht hoe betrouwbaar de resultaten van dergelijke gebouwsimulaties daadwerkelijk zijn. In deze onderzoeken zijn verschillende oorzaken aangewezen waardoor onzekerheden in de resultaten (outputwaarden) kunnen ontstaan. De randvoorwaarden (inputwaarden) voor het computermodel zijn bijvoorbeeld erg belangrijk. In deze onderzoeken is met behulp van een gevoeligheidsanalyse gekeken naar de invloed van onnauwkeurigheden in de inputwaarden van het computermodel. Voor een groot aantal inputparameters (bijvoorbeeld materiaalgegevens en afmetingen van het gebouw) blijkt dat door een juiste keuze van een gemiddelde waarde (μ) en een spreiding van deze waarde (σ) de onzekerheid in de output sterk kan worden beperkt. Het nauwkeurig vaststellen van de inputwaarden van het model lijkt dus erg belangrijk. 1.2.2

Invloed van gebruiker op gebouw

Uit het eerder genoemde onderzoek [Hoes en De Vaan, 2005] bleek het gebruikersgedrag een invloedrijke inputparameter te zijn bij de voorspelling van de gebouwprestaties. De gevoeligheidsanalyse in het onderzoek is uitgevoerd voor een ‘standaard’ kantoorgebouw. De interne warmtelast bleek één van de gevoeligste inputparameters van het model te zijn. Dit betekent dat een kleine verandering in de waarde van de interne warmtelast, resulteert in een

2.


significante verandering in de outputwaarde van het simulatiemodel. Aangezien de interne warmtelast sterk afhankelijk is van het gebruikersgedrag, kan ook worden verondersteld dat het gebruikersgedrag een grote invloed heeft op de output van het model (bijvoorbeeld het energiegebruik van het kantoorgebouw). Een onnauwkeurige voorspelling van het gebruikersgedrag, kan dus een grote invloed hebben op de betrouwbaarheid van de voorspelling. Climatic Design Consult [2001] heeft een theoretische analyse uitgevoerd naar de verschillen tussen het berekende energiegebruik volgens NEN2916 en het werkelijke energiegebruik. In dit rapport is het ‘werkelijk energiegebruik’ gedefinieerd als het gemeten energiegebruik van de gebouwinstallaties die ook in de EPC-berekening worden meegenomen. Er worden verschillende bronnen aangewezen voor afwijkingen tussen het berekende en het werkelijke energiegebruik, onder andere de invoer van het model en het gebruik van gebouw en installaties. Volgens het onderzoek kunnen afwijkingen in het gebruik van een gebouw leiden tot afwijkingen van meer dan circa 50% in het werkelijke energiegebruik t.o.v. het berekende energiegebruik. Ook Soebarto en Williamson [2001] stellen dat verschillen in het veronderstelde gebruik en het werkelijke gebruik vaak kunnen resulteren in grote over- of onderschattingen van het energiegebruik. Degelman [1999] merkt op dat de laatste 40 jaar vooral de thermische processen in de energieprestatiesimulatie van een gebouw zijn geperfectioneerd. Terwijl het gebruikersgedrag ironisch genoeg een veel grotere invloed heeft op de energieprestatie van een gebouw dan de thermische processen in de gebouwschil. Degelman stelt dat de gebouwsimulaties alleen nauwkeurig voorspellen wanneer het gebruik van een gebouw voorspelbaar en routineus is. Dit zal voornamelijk het geval zijn wanneer de gebruiker geen of weinig invloed kan uitoefenen op het gebouw. 1.2.3

Invloed van gebruiker op gebouw in de toekomst

In de jaren tachtig zijn veel volledig geklimatiseerde gebouwen ontworpen en gebouwd. In een dergelijk gebouw kan de gebruiker weinig invloed uitoefenen op zijn omgeving. De door Degelman [1999] genoemde gebouwsimulatiemodellen zullen de prestaties voor dit soort gebouwen dus redelijk kunnen voorspellen. Brager en De Dear [1997] omschrijven deze gebouwen als: “sealed, centrally airconditioned buildings with open plan floor layouts that provide minimal adaptive opportunity. The occupants are presumed to have no option to open or close windows.” Volgens Brager en De Dear kunnen in deze volledig geklimatiseerde gebouwen diverse psychologische problemen ontstaan. Deze problemen kunnen ontstaan door een gebrek aan de mogelijkheid tot het bijregelen van het directe binnenklimaat door de mens. De onmogelijkheid van het bijregelen kan zorgen voor het slecht functioneren van het menselijk lichaam. De noodzaak om de omgeving te kunnen beïnvloeden wordt ook onderschreven door Vroon [1990]. Vroon stelt dat zintuigen alleen goed functioneren als ze veranderingen kunnen waarnemen. Het waarnemen van veranderingen is belangrijk voor de overleving van mens en dier. Bij een gebrek aan afwisseling wil een organisme zelf veranderingen creëren, anders gaat het stoornissen vertonen. Mede daarom wil de mens voortdurend in zijn omgeving ingrijpen. In moderne gebouwontwerpen zal vaker rekening moeten worden gehouden met deze inzichten. In de toekomst zullen er gebouwen moeten worden ontworpen waarin de gebruiker meer invloed heeft op zijn omgeving. Deze trend wordt versterkt door de vraag naar duurzame gebouwen. Er zal een verschuiving plaatsvinden van gebouwen met een volledig mechanisch geregeld klimaat naar gebouwen met een klimaat gebaseerd op duurzame technieken. Er zal meer gebruik worden gemaakt van passieve (duurzame) systemen aangevuld met installaties. In gebouwen met een sterk mechanisch geregeld klimaat speelt de gebruiker een vrij passieve en ontvangende rol in het binnenklimaat. Door de verschuiving van actieve naar meer passieve klimaatsystemen, zal de gebruiker een actievere rol gaan spelen in het binnenklimaat. De invloed van de gebruiker op het gebouw zal hierdoor groter worden [Wilson et al., 2006].

3.


1.2.4


Om nu én in de toekomst tot betrouwbare modellen te komen, lijkt het noodzakelijk om het gebruikersgedrag in een gebouwsimulatie nauwkeurig te kunnen voorspellen. In de huidige simulatiemodellen wordt echter nog weinig aandacht besteed aan het gedrag van de gebruiker. Het gebruikersgedrag wordt wel meegenomen in de gebouwsimulaties, maar in de modellen worden geen omgevingsfactoren meegenomen om het gedrag van de gebruiker te simuleren. Er wordt alleen gebruik gemaakt van algemene aannames. Deze aannames bestaan uit zogenaamde gebruikersprofielen die de aanwezigheid of het gedrag van de gebruiker beschrijven. Deze profielen gaan statisch met het gedrag van de gebruiker om, bijvoorbeeld om acht uur ’s ochtends gaat de lamp aan en om zes uur ’s avonds gaat de lamp uit. In werkelijkheid zal het gedrag van de gebruiker echter veel complexer zijn. Het gedrag hangt bijvoorbeeld af van het gebouwontwerp of het klimaat [Rijal et al., 2007]. Deze omgevingsfactoren worden echter vaak niet meegenomen in de voorspelling van het gedrag. Williamson [1998] waarschuwt voor de grote invloed die aannames met betrekking tot het gebruikersgedrag in gebouwsimulaties hebben op ontwerpbeslissingen. Dit kan verkeerde ontwerpbeslissingen tot gevolg hebben. In figuur 1.3 zijn bijvoorbeeld de resultaten te zien van een simulatie van een eenvoudige kantoorruimte. In één simulatie zijn lage interne warmtelasten gesimuleerd en in één simulatie hoge interne warmtelasten. De werkelijke grootte van de interne warmtelasten kan sterk afhangen van het gebruik. De grafiek toont aan dat er afhankelijk van de gekozen warmtelast een andere ontwerpbeslissing kan ontstaan: bestaat er een grote kans op oververhitting of valt het wel mee. Verder wordt door gebruik te maken van de statische profielen altijd uitgegaan van bepaalde gemiddelde waarden voor het gebruik. Het ontwerp voor efficiënte en energiezuinige gebouwen is hier echter niet bij gebaat. Het lijkt belangrijk om te onderzoeken hoe en door welke factoren het gedrag van de gebruiker wordt beïnvloed. Daarnaast is het interessant om te weten wanneer en in welke mate het gebruikersgedrag effect kan hebben op de prestaties van een gebouw. Deze gegevens moeten worden meegenomen in de gebouwsimulatie, zodat het gebruikersgedrag dynamischer kan worden gesimuleerd. Rijal et al. [2007] stellen dat door het toepassen van gedragsmodellen in gebouwsimulatietools de relatie tussen gebouw, gebruiker en gebouwprestatie beter kan worden begrepen. Uiteindelijk zal dit leiden tot betere gebouwontwerpen.

Figuur 1.3: Luchttemperatuur in een eenvoudige kantoorruimte [Macdonald, 2002]. Verschillende aannames voor het gebruik van de ruimte, kunnen leiden tot andere ontwerpbeslissingen: is er een grote kans op oververhitting of valt het wel mee.

1.2.5

Robuustheid voor gebruikersgedrag

Het kan voorkomen dat gebouwontwerpen in de praktijk niet voldoen aan de verwachtingen die werden gewekt in de ontwerpfase. Leyten en Kurvers [2006] noemen verschillende oorzaken voor deze discrepantie tussen de theoretische en de gerealiseerde gebouwprestatie. Volgens Leyten en

4.


Kurvers kan dit worden veroorzaakt door de mate van robuustheid van het gebouwontwerp; oftewel is een gebouw gevoelig voor afwijkingen in de ontwerpaannames. Een weinig robuust gebouw kan door relatief kleine afwijkingen van de aannames heel anders gaan functioneren, waardoor het kan voorkomen dat de gestelde prestatie-eisen niet worden gehaald. Een robuust gebouw zal de prestatie-eisen wel halen. Hoe robuuster een gebouwontwerp, hoe minder gevoelig het uiteindelijk resultaat is voor fouten in de aannames. Zoals hiervoor is beschreven, kan het belangrijk zijn om de gebruiker goed te simuleren in een gebouwsimulatie. Het goed kunnen simuleren van de gebruiker kan ook gebruikt worden om te onderzoeken hoe robuust een gebouwontwerp is voor verschillende soorten gebruikers. Tijdens de levensduur van een gebouw kan de gebruiker van het gebouw namelijk veranderen. Het is dan de vraag of het gebouw nog voldoet aan de prestatie-eisen van de nieuwe gebruiker. Een gebouw dat robuust is voor verschillende gebruikers zal bijvoorbeeld nog steeds voldoen. Hierdoor zou het kunnen zijn dat een robuust gebouw een langere levensduur heeft dan een minder robuust gebouw. 1.3 Doelstelling onderzoek De doelstelling van het onderzoek is tweeledig. Het eerste doel is het onderzoeken welke methoden bestaan en worden toegepast om gebruikersgedrag te simuleren. Deze bestaande methoden worden geanalyseerd om te achterhalen wat de verschillen zijn en wanneer de methoden het beste kunnen worden toegepast. Vervolgens wordt bekeken wat verbeterd kan worden aan deze methoden. Het tweede doel richt zich op de toepassing van de verschillende gebruikersmodellen. Onderzocht wordt wanneer de verschillende modellen moeten worden toegepast. Verder wordt onderzocht of het mogelijk is om met behulp van de modellen de robuustheid van een gebouw voor de gebruiker te voorspellen. 1.4 Onderzoeksvragen De doelstelling leidt tot de onderstaande onderzoeksvragen. • Hoe wordt het gedrag van de gebruiker gesimuleerd in de huidige gebouwsimulatiemodellen? • Welke methoden worden er toegepast om het gebruikersgedrag bij gebouwsimulatie te voorspellen? • Wat is de ‘state of the art’ in gebruikersgedragmodellen in gebouwsimulaties? • Wat valt er te verbeteren aan de huidige gebruikersgedragmodellen? •

Wanneer is het zinvol om het gedrag van de gebruiker (nauwkeurig) te simuleren bij gebouwsimulatie? • Voor welke typen gebruikers, gebouwfuncties, gebouwprestaties of bouwfysische en installatietechnische concepten is gedetailleerde simulatie van het gedrag van de gebruiker van belang? • Wanneer is welk gebruikersgedragmodel geschikt om een antwoord te kunnen geven op de ontwerpvraag? • Wanneer kan een simulatie met een gedetailleerd gebruikersgedragmodel een geschikter hulpmiddel zijn in het ontwerpproces, dan een sterk vereenvoudigd gebruikersgedragmodel?

•

Kan met een gebruikersgedragsimulatie de robuustheid van een gebouwontwerp voor het gedrag van de gebruiker worden bepaald?

1.5 Onderzoeksmethoden • Allereerst is een literatuuronderzoek uitgevoerd. Hierin is onderzocht wat de ‘state of the art’ is op het gebied van de gebruikersgedragsimulatie. De bestaande modellen zijn hiertoe onderling vergeleken. Verder is onderzocht of deze modellen elkaar kunnen aanvullen.

5.


•

•

• •

Vervolgens is onderzocht hoe twee specifieke modellen met elkaar kunnen samenwerken. Om de modellen te kunnen laten samenwerken zijn aanpassingen gemaakt aan deze bestaande modellen. Het nieuwe gecombineerde model is vervolgens geverifieerd. Hierna zijn gevoeligheidsanalyses uitgevoerd met de bestaande gebruikersgedragmodellen en het nieuwe gecombineerde model. In de gevoeligheidsanalyses is voor een casestudy onderzocht welke factoren van invloed zijn op de gevoeligheid van het gebouw voor de gebruiker. Op deze manier wordt achterhaald welke parameters de keuze beïnvloeden voor het toe te passen gebruikersgedragmodel. Met behulp van de gegevens uit de gevoeligheidsanalyses is een stappenplan opgesteld om te bepalen wanneer welk gebruikersgedragmodel het beste kan worden toegepast. Als laatste is onderzocht of met de gegevens uit het stappenplan kan worden bepaald hoe robuust een gebouwontwerp is voor het gedrag van de gebruiker. Hiervoor zijn verschillende gebruikersprofielen opgesteld waarmee diverse casestudies zijn gesimuleerd.

6.


2

Literatuurstudie

In dit hoofdstuk komt aan bod wat de huidige stand van zaken is op het gebied van gebruikersgedragsimulatie in gebouwsimulaties. In de bestaande simulatieprogramma’s wordt het gebruikersgedrag meestal door middel van één of meerdere profielen gemodelleerd. Recentelijk zijn er ook onderzoeken uitgevoerd om het gedrag meer dynamisch te simuleren. 2.1 Gebruikersprofielen De gangbare manier om gebruikersgedrag te representeren is met gebruikersprofielen uit een standaard database, zie figuur 2.1. De aanwezigheid en het gedrag van een gebruiker worden zo vooraf gedefinieerd. Er is dus geen interactie tussen de gebruiker en zijn omgeving. Er zijn enkele belangrijke randvoorwaarden voor toepassing van dit soort gebruikersprofielen. Deze profielen zijn goed toepasbaar voor de volgende situaties: • Wanneer het gedrag nauwelijks afhankelijk is van het buitenklimaat. Bijvoorbeeld bij gebouwen met veel binnenzones, aangezien de binnencondities in deze ruimten vrijwel niet afhankelijk zijn van het buitenklimaat. De condities in dergelijke ruimten zullen dus redelijk constant blijven, waardoor het gedrag van de gebruiker voorspelbaar is [Bourgeois, Reinhart en Macdonald, 2006]. • Wanneer de gebruiker geen of nauwelijks invloed kan uitoefenen op het binnenklimaat. • Bij ruimten met een vaste bezetting, bijvoorbeeld een tweepersoonskantoorruimte. De gebruikersprofielen houden geen rekening met mogelijke variaties van de parameters over korte tijdsperioden. De profielen gaan over het algemeen uit van variaties met een tijdstap per uur. Deze profielen kunnen goed werken, wanneer een bepaalde trend over de dag moet worden voorspeld. Wanneer bepaalde gebouwen gevoelig zijn voor variaties in de tijd korter dan een uur, dan kan het gebruik van uurprofielen echter leiden tot fouten. Een voorbeeld is een ruimte met verlichting voorzien van aanwezigheidsdetectie. Volgens Degelman [1999] kan door toepassing van uurprofielen voor de aanwezigheid in een ruimte misleidende informatie worden verkregen over het elektriciteitsverbruik door de verlichting. 2.2 Geavanceerde gebruikersgedragmodellen In de voorgenoemde gebruikersprofielen wordt uitgegaan van een gebruiker die niet reageert op veranderingen in zijn omgeving. Vaak reageren gebruikers echter op verschillende, mogelijkerwijs snel wisselende, omgevingsfactoren (zie figuur 2.2). Een verandering in de verlichtingssterkte veroorzaakt door de zon kan bijvoorbeeld een gewenste verandering in de stand van de zonwering of het gebruik van de verlichting tot gevolg hebben. Het is dan noodzakelijk om de waarneming van een gebruiker en de daarop volgende reactie te modelleren. In de volgende paragrafen wordt verder ingegaan op deze ‘geavanceerde’ gedragsimulatie.

Figuur 2.1: Een

typisch gebruikersgedragprofiel

voor de aanwezigheid in een ruimte.

Figuur 2.2: Dynamische interacties tussen subsystemen in een gebouw [Hensen, 2004].

7.


2.2.1

Simulatie interactie gebruiker en omgeving

De laatste jaren zijn er enkele onderzoeken verricht naar het modelleren van de invloed van een gemiddelde kantoorgebruiker op zijn omgeving [Mahdavi et al., 2007, Nicol, 2001, Reinhart, 2004, Rijal et al., 2007]. Er zijn verschillende empirische modellen opgesteld aan de hand van uitgevoerde metingen in de praktijk Deze modellen voorspellen het gebruik van handmatig te openen ramen en handmatige lichtcontrole (verlichting en zonwering). 2.2.1.1 Gebruik van te openen ramen Nicol [2001] heeft onderzoek gedaan naar het gebruik van ramen, verlichting, zonwering, verwarming en ventilatoren in natuurlijk geventileerde gebouwen. Zijn model geeft weer hoe het gebruik varieert met de buitenluchttemperatuur. Nicol stelt dat de binnenluchttemperatuur zou moeten worden berekend als een verwachte temperatuur met een bepaalde spreiding (waarschijnlijkheidscurve). Deze binnenluchttemperatuur is sterk afhankelijk van de buitenluchttemperatuur en het gebruikersgedrag. Door gedrag- en luchttemperatuurmetingen in een kantoor kan met behulp van regressieanalyse een model worden opgesteld dat het verband weergeeft tussen de buitenluchttemperatuur en een verwachte actie van de gebruiker. Het gebruikersgedrag wordt gemodelleerd als een stochastisch proces en wordt voorspeld aan de hand van logistische regressie. De waarschijnlijkheid dat een actie wordt uitgevoerd stijgt naarmate de ‘intensiteit’ van de ‘stimulus’ (hier de buitenluchttemperatuur) stijgt, zie figuur 2.3. De kans dat een actie wordt uitgevoerd kan berekend worden met behulp van formule 2.1. p = e(bT + c) / (1+e(bT + c)) met:

[2.1]

p = de kans dat een raam wordt geopend T = (buiten)luchttemperatuur b = regressiecoëfficiënt voor T c = constante uit de regressieanalyse

De buitenluchttemperatuur wordt door Nicol beschouwd als onafhankelijke variabele, dit betekent echter niet dat andere variabelen geen invloed hebben op het gebruik van bijvoorbeeld een raam. In het geval van het raam zijn betrouwbare waarden van regen of geluidsoverlast echter moeilijk te verkrijgen. Met de methode van Nicol kan alleen worden bepaald óf een raam is geopend bij een bepaalde buitenluchttemperatuur. Er kan niet worden bepaald hoe lang het raam open staat of wanneer het gesloten wordt.

Figuur 2.3: Een voorbeeld van een logistische

Figuur 2.4: Een voorbeeld van een logistische

regressiecurve

ingeschakelde

regressiecurve van het aantal geopende ramen in

ventilatoren in een kantoorgebouw als functie van de

van

het

aantal

natuurlijk geventileerde kantoorgebouwen als functie

buitenluchttemperatuur in Pakistan [Nicol, 2001].

van de buitenluchttemperatuur [Rijal et al., 2007].

8.


Rijal et al. [2007] stelt dat gebruikers eventueel ramen openen in verband met onbehaaglijkheid. Deze adaptieve aanpak gaat ervan uit dat een gebruiker actie onderneemt om zich behaaglijk te voelen. Deze acties kunnen inhouden dat de gebruiker invloed gaat uitoefenen op zijn omgeving door gebruik te maken van mogelijkheden om het binnenklimaat te regelen (bijvoorbeeld met te openen ramen of de thermostaat). Het model van Nicol [2001] wordt hiertoe uitgebreid tot een adaptief algoritme om het openen van ramen te simuleren, het zogenaamde Humphreys adaptieve algoritme. De constanten in de logistische functie (formule 2.1) zijn opnieuw berekend aan de hand van uitgebreidere metingen in 15 kantoorgebouwen (zie figuur 2.4). In het onderzoek zijn metingen verricht aan de binnen- en buitenluchttemperatuur en de stand van de ramen. Verder is gedurende deze periode via interviews en enquêtes informatie verkregen van ongeveer 500 gebruikers in de kantoorgebouwen. Uit de meetdata komen een aantal punten naar voren: • In airconditioned gebouwen zijn ramen minder open. Vaak is er geen mogelijkheid tot het openen van ramen. • De stand van de ramen hangt sterk af van de buitenluchttemperatuur. • In de winter staan er minder ramen open dan in de zomer. • Het aantal ramen dat open staat neemt toe naarmate de dag verstrijkt. • Er blijken actieve en passieve gebruikers te zijn met betrekking tot het gebruik van ramen. Actieve gebruikers maken vaak gebruik van de mogelijkheid om ramen te openen en passieve gebruikers maken zelden of nooit gebruik van deze mogelijkheid. De logistische functie (formule 2.1) is vervolgens gekoppeld aan de comforttemperatuur. Op een ingestelde tijdstap wordt met behulp van het algoritme uit de buitenluchttemperatuur de comforttemperatuur berekend. Vervolgens wordt de binnenluchttemperatuur ter plaatste van een gesimuleerde gebruiker bepaald. Wanneer de binnenluchttemperatuur 2oC hoger is dan de comforttemperatuur, wordt de omgeving beschouwd als ‘warm’. Wanneer de binnenluchttemperatuur 2oC lager is dan de comforttemperatuur, dan wordt de omgeving als ‘koud’ ervaren. Als de gebruiker zich comfortabel voelt, dan blijven de ramen in ongewijzigde stand staan. In een andere situatie wordt berekend of de ramen moeten worden geopend of niet. In figuur 2.5 is te zien dat het model redelijk nauwkeurig voorspelt wanneer de ramen geopend zijn. In figuur 2.6 is het effect van de gesimuleerde te openen ramen te zien op de binnenluchttemperatuur. Het percentage dat de binnenluchttemperatuur gedurende de bezette uren de 28oC overschrijdt gedurende de bezette uren neemt drastisch af.

Figuur 2.5: Gemeten en gesimuleerde waarden met

Figuur 2.6: Het percentage van de bezette uren dat

Humphreys

de binnenluchttemperatuur de 28oC overschrijdt,

adaptieve

algoritme

voor

geopende

ramen [Rijal et al., 2007].

gesimuleerd

met

te

openen

ramen

d.m.v.

Humphreys adaptieve algoritme en met gesloten ramen [Rijal et al., 2007].

2.2.1.2 Gebruik van verlichting en zonwering Reinhart [2004] beschrijft in zijn model (Lightswitch-2002) een algoritme dat de energieprestatie van handmatig en automatisch gecontroleerde elektrische verlichting en zonwering in een éénpersoons of tweepersoons kantoorvertrek voorspelt. Het algoritme is zowel dynamisch als stochastisch (zie figuur 2.7). Dynamisch houdt in dat er niet naar een gemiddelde dag in een jaar of maand wordt gekeken, maar afhankelijk van bezetting, verlichtingssterkte en zonwering met

9.


een tijdstap van 5 minuten wordt gerekend gedurende het jaar. Stochastisch betekent dat wanneer de gebruiker een beslissing moet nemen, dit wordt berekend met een waarschijnlijkheidsberekening (zie figuur 2.8). De inputdata zijn jaarlijkse profielen met een 5-minutentijdstap voor de aanwezigheid van personen en de verlichtingssterkte op het werkvlak door daglicht. De aanwezigheid wordt gesimuleerd met een stochastisch model. De verlichtingssterkte wordt door Reinhart bepaald met DAYSIM. DAYSIM is een op Radiance gebaseerd daglichtsimulatiemodel, waarmee de verlichtingssterkte in ruimtes kan worden gesimuleerd met een tijdsinterval van 5 minuten [Reinhart, 2006]. De invoer voor het DAYSIM-model zijn beschikbare databestanden met de lokale gemiddelden van de irradiantie van de zon over het uur. Deze methode van dynamische daglichtsimulatie (DDS) is later verder ontwikkeld door Reinhart et al. [2006], zodat het mogelijk is om de verlichtingssterkte in een ruimte dynamisch te bepalen. Met DDS zijn seizoensvariaties in de verlichtingssterkte in een ruimte te bepalen. Ook kan verblinding door direct (zon)licht worden voorspeld. Het model maakt gebruik van het Radiance-raytracingmodel, daglichtcoëfficiënten en een hemelkoepelmodel.

Figuur

2.7:

Schematische

opbouw

Lightswitch-2002 model [Reinhart, 2004].

van

het

Figuur 2.8: Een waarschijnlijkheidscurve voor het gebruik van de verlichting in het Lightswitch-2002 model [Reinhart, 2004].

De daglichtcoëfficiënten beschrijven de verlichtingssterkte veroorzaakt door een deeltje van de hemelkoepel op een punt in de ruimte (zie figuur 2.9). De coëfficiënten zijn afhankelijk van de fysische eigenschappen van de ruimte (de geometrie van de ruimte, de reflectie van oppervlakken in de ruimte, de transmissie door glas) en zijn dus per ruimte uniek. De coëfficiënten zijn echter wel onafhankelijk van de oriëntatie van het gebouw. Wanneer de coëfficiënten voor een ruimte zijn bepaald, kan voor elke soort hemelkoepel (bewolkt, zonnig, etc.), de verlichtingssterkte in de ruimte worden berekend. Dit kan worden gedaan door simpele en snelle matrixberekeningen. Lightswitch-2002 gaat uit van verschillende typen gebruikers, die verschillend omgaan met de verlichting en de zonwering. Een bepaald type gebruiker zal bijvoorbeeld altijd streven naar een zo optimaal mogelijk gebruik van daglicht en varieert daarom gedurende de dag met de instellingen van de zonwering en verlichting. Een andere gebruiker zal echter bij verblinding de zonwering omlaag doen en deze de rest van de dag omlaag houden. Deze verschillen in het gebruikersgedrag kunnen een grote invloed hebben op het gesimuleerde energiegebruik van de verlichting (zie figuur 2.10). Het Lightswitch-2002-algoritme kan overigens niet zonder meer worden toegepast in kantoren met een open vloerplan; deze gebruikers hebben namelijk vaak geen persoonlijke controle over hun directe omgeving.

10.


Figuur 2.9: De hemelkoepel wordt verdeeld in

Figuur

gelijke hemeldeeltjes (S). Voor elke deeltje beschrijft

Lightswitch-2002 voor verschillende gebruikers. Dd:

een unieke daglichtcoëfficiënt de bijdrage aan de

Daylight Dependant user; Di: Daylight Independent

verlichtingssterkte (E) op een punt in de ruimte (X).

user;

[Reinhart, 2006].

[Reinhart, 2004].

2.10:

Bs:

Energiegebruik

Blinds

Static;

Bd:

gesimuleerd

Blinds

met

Dynamic

2.2.1.3 Sub-Hourly Occupancy Control Bourgeois [2005] beschrijft een model, Sub-Hourly Occupancy Control (SHOCC), dat de besproken algoritmes van Nicol en Reinhart samenvoegt en verbetert. Verder bevat het model een algoritme waarmee het gebruik van apparatuur realistisch kan worden gesimuleerd. Het SHOCC-model (vanaf hier SHOCC genoemd) bevat ook een aanwezigheidsvoorspelling, waarbij gebruik wordt gemaakt van de aanwezigheidsvoorspelling in het Lightswitch-algoritme van Reinhart. Door de combinatie van al deze modellen kan SHOCC een belangrijk deel van het gebruikersgedrag simuleren. Het gaat hierbij om de volgende onderdelen van het gedrag van een gebruiker: • het gebruik van verlichting; • het gebruik van zonwering; • het gebruik van te openen ramen; • het gebruik van apparatuur; • de aanwezigheid in een ruimte. SHOCC is geïntegreerd in het gebouwsimulatieprogramma ESP-r (zie figuur 2.11), zodat de invloed van de gebruiker op het gehele gebouw kan worden bepaald. Het model past hierdoor goed in het idee van ‘domain integrated simulation’ [Djuneady, 2005]. Hierbij wordt gestreefd naar het simuleren van het gehele gebouw in plaats van de onderdelen afzonderlijk (zie figuur 2.2). Aangezien de processen in (moderne) gebouwen zeer complex zijn, is het niet mogelijk om het gebouw te optimaliseren door de processen afzonderlijk te simuleren en te optimaliseren. Door deze integrale benadering kan met SHOCC sneller inzicht worden verkregen over de invloed van verschillende ontwerpbeslissingen en het gedrag van de gebruiker op de gebouwprestaties. 2.2.1.3.1 Workflow SHOCC-model Zoals besproken in paragraaf 2.2 kunnen kleine tijdstappen de nauwkeurigheid van een gebouwsimulatie sterk verbeteren. Dit wordt ook gesteld door Clarke en Janak [1998] voor de simulatie van verschillende lichtcontrole mogelijkheden. SHOCC gaat daarom uit van een tijdstap van 5 minuten, zodat ook de invloed van variaties gedurende een korte periode kunnen worden gesimuleerd. SHOCC bepaalt eerst of er een ‘sub-hourly’ simulatie moet worden uitgevoerd. Indien dit het geval is (zie figuur 2.11), dan worden de volgende stappen ondernomen. 1. Eerst wordt de aanwezigheid van personen in de ruimte voorspeld. 2. Vervolgens wordt de waarde van de aanwezigheidsgevoelige interne warmtebronnen voorspeld (bureaulamp, verlichting met bewegingsdetectie, computer, etc.). 3. Hierna wordt het gedrag en de controle van de gebruiker over instellingen die invloed hebben op het binnenklimaat voorspeld (bijvoorbeeld het gebruik van zonwering of kunstlicht).

11.


Figuur 2.11: Flow chart van SHOCC geïntegreerd in ESP-r [Bourgeois, 2005].

2.2.1.3.2 Invloed SHOCC-model op gebouwsimulaties Simulaties met SHOCC/ESP-r tonen aan dat een geavanceerde manier van gebruikersgedragsimulatie de nauwkeurigheid van de voorspelling ten goede komt. De simulatieresultaten laten zien dat het gebruikersgedrag een grote invloed heeft op het gesimuleerde energiegebruik. In figuur 2.12 zijn de resultaten weergegeven van een simulatie met SHOCC/ESP-r. Er is een kantoorruimte (figuur 2.13) gesimuleerd met één ‘actieve’ gebruiker. Een actieve gebruiker wordt door Reinhart [2004] omschreven als een gebruiker die actief streeft naar een zo optimaal mogelijk gebruik van het daglicht. De gebruiker zal proberen om het gebruik van kunstlicht te minimaliseren door de stand van de zonwering aan te passen en door de verlichting uit te schakelen wanneer deze niet nodig is. Dit in tegenstelling tot een passieve gebruiker, die niet streeft naar efficiënt gebruik van de verlichting. Een passieve gebruiker zal de verlichting nooit uitschakelen bij het verlaten van een vertrek en probeert directe zoninstraling te vermijden door het sluiten van de zonwering. In een gebouw bestaat een bepaalde verhouding tussen deze actieve en passieve gebruikers. Op het moment zijn er geen gegevens bekend over deze verhouding tussen de gebruikers [Reinhart, 2004]. In de figuur 2.12 zijn drie verschillende varianten voor het gebruik van verlichting en zonwering gesimuleerd: 1. Constant. Een veel gebruikte aanname in gebouwsimulaties. De verlichting staat de gehele dag constant aan, de zonwering wordt niet gebruikt. 2. Handmatig. Gebaseerd op de Lightswitch-2002 gedragsmodellen voor handmatige bedienbare verlichting en controle over zonwering. Een realistische weergave van de werkelijkheid. 3. Automatisch. Handmatig en automatisch. Er is een aanwezigheidsdetectie voor de verlichting. De verlichting wordt uitgeschakeld na een afwezigheid van 5 minuten. De verlichting op het werkvlak wordt op minimaal 500 lux gehouden, eventueel met behulp

12.


van kunstlicht. Verder wordt de verlichting uitgeschakeld wanneer het daglicht gedurende 15 minuten voor minstens 600 lux op het werkvlak zorgt. De simulaties laten duidelijk zien dat in de gesimuleerde casestudy het energiegebruik door verlichting sterk afhankelijk is van de gekozen controlemethode. Vergeleken met ‘constant’ zorgt ‘handmatig’ voor een reductie van 79% en ‘automatisch’ voor 98% (zie figuur 2.12). Door de reductie van het verlichtingsgebruik daalt ook het gebruik van de koeling. Het energiegebruik voor verwarming van de ruimte gaat echter omhoog door de kleiner wordende interne warmtebronnen (verlichting) en minder directe instraling van de zon. Dit laatste toont het belang van een geïntegreerde gebouwsimulatiemethode duidelijk aan.

Figuur 2.12: Jaarlijkse gesimuleerde energiegebruik 2

door verwarming, koeling en verlichting (kWh/m per

Figuur

2.13:

Doorsnede

van

de

gesimuleerde

kantoorruimte [Bourgeois, 2005].

jaar) voor verschillende controle mogelijkheden voor verlichting in een kantoorruimte [Bourgeois, 2005].

2.2.1.3.3 Opbouw SHOCC-model SHOCC beschrijft verschillende objecten in ruimten waarvan de karakteristieken ‘sub-hourly’ kunnen variëren in de tijd. Deze variaties kunnen een invloed hebben op de omgeving van de objecten. Objecten zijn bijvoorbeeld personen, computers of de verlichting in een ruimte. In bijvoorbeeld een klaslokaal met één docent en dertig leerlingen die gebruik maken van een laptop zijn zowel de docent, de leerlingen en de dertig laptops afzonderlijke objecten. In een SHOCCdatabase worden de kenmerken van alle unieke objecten per project beschreven (zie figuur 2.14). Bijvoorbeeld de warmteproductie van een persoon, het vermogen van de verlichting of de APMprofielen voor computers (Advanced Power Management). Deze APM-profielen kunnen door meerdere apparaten (objecten) worden gebruikt, hetzelfde geldt voor de andere beschrijvingen uit de bibliotheek. In principe kan dus elk object in de ruimte individueel worden beschreven. In SHOCC kunnen verschillende ruimtes worden gedefinieerd met verschillende objecten uit de bibliotheek, meerdere ruimtes vormen samen een thermische zone. Een zone kan bijvoorbeeld bestaan uit één kantoorruimte of uit meerdere werkruimtes op een openkantoorvloer. Deze zones worden beschreven in een ‘zone’-file welke is gekoppeld aan de beschreven objecten in de bibliotheek. 2.2.1.3.4 Aanwezigheidsvoorspelling SHOCC-model Er moeten in SHOCC veel aannames worden gedaan over de bezettingsgraad van ruimten en het gedrag van de gebruikers. Voor standaard gebruik in een tweepersoons kantoorvertrek is SHOCC redelijk goed toe te passen. In grote kantoorruimtes met mensen die niet volgens vaste tijden werken is het veel moeilijker om een betrouwbare voorspelling te doen. In SHOCC wordt de aanwezigheid van personen bepaald door middel van waarschijnlijkheidsberekening. Er wordt een normale verdeling aangenomen voor het aankomen en verlaten van een kantoorruimte. Bijvoorbeeld een gemiddelde aankomsttijd om 9.00 uur met een afwijking van 15 minuten. Er wordt een maximum gesteld aan het aantal momenten dat een

13.


gebruiker aanwezig of afwezig is. De aanwezigheidsvoorspelling is dus niet gebaseerd op een tijdinterval van 5-minuten. Om complexere bezettingspatronen te simuleren moeten andere methoden worden toegepast.

Figuur 2.14: Schematische weergave van de datastructuur in SHOCC [Bourgeois, 2005].

2.2.2

Interactie gebruiker en omgeving door waarneming, behoefte en kennis

In tegenstelling tot de methode van Nicol die gebaseerd is op logistische regressieanalyses waarmee de waarschijnlijkheid van een actie wordt bepaald, stelt Fujii [2003] een model voor waarin het gedrag van de gebruiker niet alleen wordt bepaald door de staat van de omgeving. Volgens Fujii wordt in de gebouwsimulatie het gedrag van een gebruiker alleen beschouwd als een bepaalde randvoorwaarde. De gebruiker wordt gezien als een thermostaat die aan en uit wordt gezet. De gebruiker reageert volgens Fujii op: 1. de waarneming van een bepaalde situatie; 2. zijn behoefte; 3. de overtuiging en kennis waarover hij beschikt. Fujii stelt een model voor van het proces hoe een gewenste actie wordt uitgevoerd in een bepaalde omgeving. Dit onderzoek is nog in volle gang. 2.2.3

Simulatie aanwezigheid gebruikers

2.2.3.1 Ruimtegebruik Binnen de vakgroep Design & Decision Support Systems1 (DDSS) is een aantal onderzoeken uitgevoerd naar het simuleren van het gebruik van kantoorruimten. De werkzaamheden van een persoon in een kantoor bestaan uit veel individuele activiteiten (rapport schrijven, presentatie maken, etc.). Een deel van de activiteiten zal echter ook om interactie tussen personen vragen (presentatie geven, vergaderen, etc.). Tabak [2006] doet onderzoek naar de simulatie van deze interactie tussen personen in een kantoorgebouw. Zijn model ‘User simulation of space utilisation’ (USSU) simuleert de beweging van gebruikers en het gebruik van een ruimte in een gebouw. Met het model kan het gebruik van ruimtes in een organisatie worden geoptimaliseerd. Het gedrag van de individuele gebruiker wordt gesimuleerd door gebruik te maken van ‘workflow modeling’ en ‘activity based modeling’. Met de genoemde modelleertechnieken worden respectievelijk de geplande en de ongeplande activiteiten van een gebruiker gesimuleerd. Als output kan het model

1

Design & Decision Support Systems (DDSS) is een mastertrack binnen de master Architecture Building and

Planning aan de Technische Universiteit Eindhoven.

14.


onder andere informatie geven over het gebruik van looproutes, de loopafstand per persoon, het gebruik van verschillende faciliteiten en de bezettingsgraad/tijd van ruimten. 2.2.3.2 User Simulation of Space Utilization In figuur 2.15 is de structuur van het USSU-model schematisch weergegeven. Het model bestaat uit verschillende sub-modellen die elk een deel van het ruimtegebruik simuleren [Tabak, 2006]. De onderdelen ‘Organizational model’ en ‘Building model’ hebben input nodig van de gebruiker. ‘Resource management model’ brengt de informatie uit de eerste twee modellen bij elkaar. ‘Scheduler’ levert vervolgens de output van het model; een bewegingspatroon met de uitgevoerde activiteiten en de locaties van de activiteiten met daarbij de gevolgde route tussen de locaties van de activiteiten. Als output genereert USSU een outputbestand met daarin de informatie over de activiteiten van alle personen binnen de organisatie. De verschillende submodellen worden hierna kort besproken. 2.2.3.2.1 Organizational model In ‘Organizational model’ wordt informatie ingevoerd over de organisatie gevestigd in het gebouw. De personen in de organisatie worden onderverdeeld in verschillende rollen. Elke rol heeft specifieke taken, een secretaresse zal bijvoorbeeld telefoondienst en tekstverwerking als taken kunnen hebben. Alle taken krijgen eigenschappen toegekend, bijvoorbeeld de gemiddelde tijdsduur, de minimale tijdsduur of de prioriteit van een activiteit. Elke rol krijgt een hoofdtaak, een taak waar gedurende de dag de meeste tijd aan besteed wordt. De output van het model is een lijst met ‘skeleton activities’ of geplande activiteiten voor een specifieke werkdag. De output is de basis voor ‘Scheduler’ om de gehele dag te simuleren.

Figuur 2.15: Schematische weergave van het USSU-model. Het model bestaat uit verschillende submodellen die elk een deel van het ruimtegebruik simuleren [Tabak, 2006].

2.2.3.2.2 Building model ‘Building model’ beschrijft de ruimtes waar de activiteiten in plaatsvinden. Een specifieke activiteit vindt plaats op een ‘node’, bijvoorbeeld een printer of koffieapparaat. Alle ‘nodes’ zijn verbonden met elkaar door ‘edges’. Een activiteit vindt plaats in een ‘abstract-space’, er kunnen zich meerdere ‘nodes’ bevinden in dezelfde ‘abstract-space’. In een ‘abstract-space’ kunnen zich ook meerdere ‘abstract-spaces’ bevinden. In een kantoorruimte (abstract-space) kan zich bijvoorbeeld een werkruimte (abstract-space) en een vergaderruimte (abstract-space) bevinden. 2.2.3.2.3 Resource management model ‘Resource management model’ brengt de informatie uit ‘Organization model’ en ‘Building model’ samen. 2.2.3.2.4 Scheduler/AI-modules ‘Scheduler’ maakt een activiteitenlijst voor elk persoon in de organisatie. De lijst bevat informatie over de activiteiten (locatie, tijdsduur, individueel of met meerdere personen) en de route die

15.


wordt gelopen om bij de activiteit te komen. De route en de tijdsduur van de afgelegde route wordt berekend met een kortste weg algoritme. De informatie uit ‘Building model’ wordt hiervoor gebruikt. ‘Scheduler’ is opgebouwd uit acht AI-modules (Artificial Intelligence). Elke module is verantwoordelijk voor een afzonderlijk onderdeel in het genereren van de activiteitenlijst. De belangrijkste AI-modules worden hieronder besproken: • Skeleton-scheduler, plant de geplande activiteiten. • Interaction-scheduler, bepaalt of er interactie plaatsvindt met andere medewerkers. • Intermediate-scheduler, plant ongeplande activiteiten (koffie drinken, wc-bezoek) door middel van probit-analyse (S-curve, bij het verstrijken van de tijd neemt de kans toe op het uitvoeren van de activiteit) en waarschijnlijkheidsberekeningen (er is een bepaalde kans dat een activiteit plaatsvindt). • Movementtime-scheduler, bepaalt de benodigde bewegingstijd tussen activiteiten. 2.2.3.2.5 Validatie Het USSU-model is gevalideerd met informatie uit praktijkmetingen over geplande en ongeplande activiteiten. Deze informatie is verzameld met behulp van enquêtes, door gebruik te maken van (digitale) agenda’s en door metingen op een kantoorvloer. Gedurende drie maanden is met behulp van RFID informatie verzameld over het gedrag van medewerkers op de vloer. Met RFID zijn de bewegingen van de medewerkers gevolgd, uit deze informatie is het gebruik van de verschillende ruimtes afgeleid. 2.3 Mogelijkheden SHOCC en USSU Het SHOCC-model in combinatie met ESP-r kan een goede voorspelling geven van het gebruik en de invloed hiervan op kantoorruimten. Met het SHOCC-model kunnen echter geen ruimten met complexe bezettingspatronen worden gesimuleerd. Om complexe bezettingspatronen (patronen met veranderingen binnen een kleine tijdsstap) te kunnen simuleren in het SHOCC-model is gezocht naar mogelijkheden om hiervoor andere modellen te implementeren, bijvoorbeeld het USSU-model. Er is een reden om de mobiliteitsvoorspelling in SHOCC te willen verbeteren. Wanneer wordt gekeken naar de regeling van verlichting in gebouwen, dan kan een grote energiebesparing optreden wanneer gebruik wordt gemaakt van aanwezigheidsdetectiesensoren. Het is echter erg moeilijk om een mogelijke energiebesparing te voorspellen. De besparing is sterk afhankelijk van het soort ruimte en het gebruik van de ruimte [VonNeida et al, 2001]. In een tweetal studies is bijvoorbeeld onderzocht wat de invloed van aanwezigheidsdetectie is op het energiegebruik van een gebouw. In een gebouw in Duitsland bleek men een energiebesparing van 25% te realiseren. In een kantoorgebouw in Canada bleek 50% energiebesparing mogelijk. Het verschil van 25% wil niet zeggen dat de twee onderzoeken elkaar tegenspreken. In Canada bleek het gedrag van de gebruikers anders te zijn dan in Duitsland. In het Canadese kantoor bleken de gebruikers veel in bespreking te zijn of buiten het kantoor te werken. In Duitsland bleven de gebruikers meer in hun kantoorruimten zitten [Bourgeois, 2007]. Het is in sommige gevallen dus erg belangrijk om de mobiliteit van de gebruiker te kennen of te kunnen voorspellen. USSU kan daarom een belangrijke aanvulling zijn op SHOCC, zeker wanneer simulaties worden uitgevoerd waarin aanwezigheidsdetectie van belang is. Uit het bovenstaande blijkt overigens nogmaals dat het niet altijd verstandig is om algemeen geldende (vooraf gedefinieerde) gebruiksprofielen op te stellen voor gebouwen.

16.


3

Uitbreiding simulatiemodel gebruikersgedrag

In hoofdstuk 2 is voorgesteld om het gedrag van gebruikers geavanceerd te simuleren door twee bestaande gedragsimulatiemodellen te combineren: USSU (User Simulation of Space Utilization) en SHOCC (Sub-Hourly Occupancy Control). In dit hoofdstuk komt aan bod hoe de samenwerking tussen de modellen kan worden gerealiseerd. 3.1 Keuze voor gebouwsimulatieprogramma Als gebouwsimulatieprogramma is in dit onderzoek gekozen voor Environmental Systems Performance – research (ESP-r). De keuze is gevallen op ESP-r, omdat het een veel gebruikt én open-source programma is. Mochten er aanpassen nodig zijn in het programma, dan is dat eenvoudiger te realiseren in ESP-r dan in een commercieel niet-open-source gebouwsimulatieprogramma. Verder bestaat er al een koppeling tussen SHOCC en ESP-r (zie paragraaf 2.2.1.3). ESP-r bestaat uit een centrale Project Manager (PM) module aangevuld met een aantal gegevensbanken, simulatiemodules, prestatiebeoordelingshulpmiddelen, en een reeks van ‘third party’ applicaties voor CAD, om rapporten te genereren, voor visualisatie, etc. (zie figuur 3.1). Via de PM kan stapsgewijs een simulatie worden uitgevoerd. In de eerste stap wordt een simulatiemodel ingevoerd (omschrijving van het gebouw met eventuele installaties). In de tweede stap wordt de simulatie uitgevoerd. En in de laatste stap kunnen de resultaten van de simulatie worden geanalyseerd. In [Clarke, 2001] wordt ESP-r uitgebreid besproken.

Support Tool CAD Visualisation Image manipulation

data model conversion

Databases

Project Manager

Simulator

Climate Pressure coefficients Material properties Constructions Event profiles Plant components Mould species Past projects

Database management Problem description Simulation invocation Results analysis Model archiving

Thermal Lighting Acoustic Fluid/power flow Building/plant Renewable energy Controls

Performance Appraisal Occupant comfort Indoor air quality Environmental impact Energy use and efficiency Life cycle analysis Integrated performance views Report production

Figuur 3.1: Schematische weergave ESP-r [Clarke, 2001].

3.2 Uitbreiding van gebruikersgedragmodel in ESP-r Het gebouwsimulatiemodel bestaande uit ESP-r + SHOCC wordt uitgebreid met USSU (zie figuur 3.2). Door de samenwerking van USSU met SHOCC wordt het mogelijk om complexere/realistischere aanwezigheidspatronen te simuleren. De originele aanwezigheidsvoorspelling van SHOCC gaat uit van een gemiddelde aankomst en vertrektijd met een standaarddeviatie. Door de combinatie met USSU kan een realistische aanwezigheidsvoorspelling worden gemaakt met een tijdstap van 5 minuten.

17.


Per tijdstap vindt informatie uitwisseling plaats: energiestromen

USSU

ESP-r

SHOCC aanwezigheid

instellingen zonwering interne warmteproductie

Figuur 3.2: Schematische weergave van het uitgebreide gebruikersgedragmodel. ESP-r simuleert de energiestromen in het gebouw. SHOCC voegt hieraan een mogelijkheid toe om de interactie van gebruikers van het gebouw op de omgeving te simuleren. Deze twee modellen wisselen per tijdstap informatie uit met elkaar. De combinatie van ESP-r + SHOCC wordt uitgebreid met een nieuw aanwezigheidssimulatiemodel genaamd USSU. Per tijdstap geeft USSU informatie door aan SHOCC over de aanwezigheid van gebruikers in het gebouw.

3.2.1

Uitvoer USSU ombouwen tot invoer SHOCC

De output van USSU moet worden omgebouwd om te kunnen dienen als input voor SHOCC. De voor een gebouwsimulatie relevante informatie moet uit de uitvoerbestanden worden gehaald. Het resultaat moet aanwezigheidsprofielen opleveren van alle ruimtes in het gesimuleerde gebouw. Uit de profielen moet blijken hoeveel mensen er op welke tijdstippen in de ruimte aanwezig zijn. Verder moet ook bekend zijn welke gebruikers in de ruimte zijn. Dit is van belang omdat SHOCC verschillende gebruikerprofielen definieert per persoon (of groep) in de ruimte. De conciërge zal bijvoorbeeld geen computer gebruiken, maar wel de verlichting inschakelen. Dit in tegenstelling tot een kantoormedewerker, hij zal beiden kunnen doen. In het computerprogramma Excel is een script geschreven dat het USSU-mxl-bestand inleest en vervolgens de voor dit onderzoek relevante informatie uit het bestand filtert en bewerkt. USSU berekent bijvoorbeeld de tijden van activiteiten tot op de seconde nauwkeurig. Voor SHOCC wordt een tijdstap van 5 minuten aangehouden. Het is daarom nodig om de gegevens te bewerken tot de gewenste tijdstap. Verder is niet alle informatie uit USSU van belang voor dit onderzoek, bijvoorbeeld de looptijden naar de activiteiten, deze gegevens worden daarom verwijderd. Vervolgens maakt het script profielen van de aanwezigheid van personen in een bepaalde ruimte of van het gebruik van het soort ruimtes door een persoon. De profielen worden geëxporteerd als ascii-tekstbestanden. In de bestanden wordt per tijdstap weergegeven hoeveel en welke personen in de ruimte aanwezig zijn. Deze tekstbestanden dienen vervolgens als inputbestanden voor SHOCC. Deze bestanden vervangen de aanwezigheidsvoorspelling door Lightswitch-2002 in het SHOCC-model. 3.2.2

Inlezen USSU-aanwezigheidsprofielen in SHOCC

De gegenereerde USSU-aanwezigheidsprofielen moeten worden ingelezen in SHOCC. Hiertoe wordt SHOCC per tijdstap stilgezet, waarna de aanwezigheidsprofielen van SHOCC worden geüpdatet met de gegevens uit de USSU-aanwezigheidsprofielen. Vervolgens kan SHOCC de berekening voortzetten met de nieuwe aanwezigheidsgegevens (zie figuur 3.4). De invoer is mogelijk door een nieuwe ‘flag’ in de SHOCC-invoerbestanden. In het zone-bestand kan worden aangegeven welke aanwezigheidsvoorspelling moet worden gebruikt: de standaard Lightswitch-methode (Lightswitch) of de USSU-methode (USSU) (zie figuur 3.3). *group workers1 adult office_worker Occupt *occupants 2 office LIGHTSWITCH *endoccupants *endgroup *group workers2 adult /home/hoes/base2/cfg/ussu4.ascii Occupt *occupants 1 office USSU *endoccupants *endgroup

# group ID, individual ID, schedule ID, casual gain ID # no. units, ID’ed environment, control model

# group ID, individual ID, schedule ID, casual gain ID # no. units, ID’ed environment, control model

Figuur 3.3: Een deel van het SHOCC zone-invoerbestand, vet gedrukt zijn de twee verschillende methoden voor de aanwezigheidsvoorspelling.

18.


Figuur 3.4: Flowchart van het updaten van dagelijkse mobiliteitsgegevens in SHOCC [Bourgeois, 2005]. Het omcirkelde onderdeel is aangepast waardoor een USSU-aanwezigheidsprofiel kan worden ingeladen.

3.3 Simulatieresultaten uitgebreide gebruikersgedragmodel SHOCC kan het gedrag van de gebruiker op verschillende manieren simuleren. In paragraaf 2.2.1.3.2 is het verschil tussen een actieve en een passieve gebruiker al toegelicht. Een gebruiker kan afzonderlijk actief of passief zijn voor het gebruik van de verlichting en de zonwering. Vaak zal een actieve verlichtingsgebruiker ook een actieve zonweringgebruiker zijn [Bourgeois et al., 2006]. Het gebruik van te openen ramen is in dit onderzoek overigens niet meegenomen in de simulaties aangezien de gebruikte versie van SHOCC dit niet ondersteund. Met SHOCC kan het gebruik van verlichting, zonwering en apparatuur op een geavanceerde manier worden meegenomen in de simulatie. Het gebruik van verlichting kan met zes verschillende methoden worden gesimuleerd (eerder ook aangegeven in voorgenoemde paragraaf): • Lightswitch1 (L1). De gebruiker zal handmatig de verlichting in- en uitschakelen, dit gebeurt volgens een stochastisch proces. Het kan hierdoor voorkomen dat de gebruiker bij het verlaten van de ruimte de verlichting ‘vergeet’ uit te schakelen. • Lightswitch2 (L2). Zie L1, alleen wordt de verlichting bij het verlaten van álle gebruikers automatisch uitgeschakeld. • Lightswitch3 (L3). De verlichting is volledig automatisch geschakeld. De gebruiker kan geen invloed uitoefenen op de verlichting. • Lightswitch4 (L4), Lightswitch5 (L5) en Lightswitch6 (L6) simuleren hetzelfde als L1, L2 en L3 maar met het verschil dat de verlichting gedimd kan worden. De verlichting wordt zo energiezuinig mogelijk geregeld, een ideale dimming. De zonwering wordt zodanig gesimuleerd dat de gebruiker deze alleen sluit wanneer verblinding optreedt (indien het een actieve gebruiker van de zonwering betreft). Dit is een stuk geavanceerder dan de gebruikelijke methoden die uitgaan van een bepaalde maximale verlichtingssterkte waarop de zonwering wordt gesloten. Deze geavanceerde methode is mogelijk door de dynamische daglichtsimulatie (DDS) die wordt toegepast in SHOCC (zie paragraaf 2.2.1.2). Het gebruik van apparatuur kan worden gesimuleerd volgens vaste profielen of door het koppelen van het gebruik aan de aanwezigheid van personen in de ruimte. In het vervolg van dit hoofdstuk zullen de verschillende simulatie methoden en de invloed van deze methoden worden toegelicht aan de hand van de resultaten van uitgevoerde simulaties voor een casestudy. De casestudy bestaat uit een eenvoudige kantoorruimte (zie bijlage B3) met één aanwezige gebruiker.

19.


3.3.1

Passieve en actieve gebruiker

In figuur 3.5 is een gebruiker gesimuleerd die passief om gaat met de zonwering. De gebruiker heeft de zonwering de gehele tijd gesloten. In de ruimte neemt hierdoor de verlichtingssterkte veroorzaakt door het daglicht sterk af. Om in de ruimte toch de vereiste verlichtingsterkte te verkrijgen, wordt de elektrische verlichting ingeschakeld. Het gebruik van de verlichting is hierdoor maximaal in de gesimuleerde periode (ongeacht of de gebruiker actief met de verlichting omgaat). Een passieve gebruiker van de verlichting zal de elektrische verlichting altijd maximaal gebruiken (zie figuur 3.6). De gebruiker doet dit onafhankelijk van het daglichtniveau en het gebruik van de zonwering in de ruimte.

Figuur 3.5: Resultaten van een simulatie met een passieve gebruiker van de zonwering. De zonwering is altijd gesloten, dit is te zien aan het verschil tussen ‘zon geabsorbeerd’ en ‘zon geabsorbeerd zonder zonwering’. De gesloten zonwering reduceert het geabsorbeerde zonlicht sterk. Om de verlichtingssterkte in de ruimte op het vereiste niveau te houden, wordt de elektrische verlichting maximaal ingeschakeld.

Figuur 3.6: Resultaten van een simulatie met een passieve gebruiker van de verlichting. De elektrische verlichting wordt altijd maximaal gebruikt, onafhankelijk van het daglichtniveau in de ruimte. Op de eerste dag is de zonwering gesloten, op de tweede dag is de zonwering geopend. Dit is zien aan ‘zon geabsorbeerd’ en ‘zon geabsorbeerd zonder zonderwering’, de lijnen vallen in de grafiek samen; de waarden voor beide parameters zijn even groot.

3.3.2

Ideale dimming en zonwering

In een simulatie met ideale dimming wordt het gebruik van de elektrische verlichting aangepast op de heersende verlichtingssterkte in de ruimte. Bij voldoende daglicht zal de elektrische verlichting worden gedimd of worden uitgeschakeld. Hierdoor zal bij veel diffuus zonlicht het gebruik van de elektrische verlichting afnemen, dit is te zien op de tweede dag in figuur 3.7. In dezelfde figuur valt echter ook te zien op de eerste dag de verlichting toch maximaal wordt gebruikt. Dit wordt

20.


veroorzaakt doordat de gebruiker op deze dag wordt verblind door het zonlicht, waarop de gebruiker de zonwering sluit. Het daglichtniveau in de ruimte neemt af en de elektrische verlichting wordt ingeschakeld. In figuur 3.6 is een passieve gebruiker van de verlichting gesimuleerd, dit kan ook gezien worden als een simulatie zonder ideale dimming. Het verschil tussen figuur 3.6 en figuur 3.7 geeft daarom ook het verschil weer tussen een simulatie zonder en mét ideale dimming. Uit deze weergegeven resultaten blijkt dat het gesimuleerde energiegebruik van de verlichting zonder en mét ideale dimming gemiddeld respectievelijk 62W en 45W bedraagt; een verschil van 27%.

Figuur 3.7: Resultaten van een simulatie met ideale dimming en actief gebruik van de zonwering. Op de eerste dag treedt er verblinding op door direct zonlicht, waardoor de zonwering wordt gesloten om verblinding te voorkomen. Hierdoor vermindert het daglichtniveau en neemt het gebruik van de elektrische verlichting toe. Op de tweede dag is de zonwering geopend en neemt het gebruik van elektrische verlichting af bij het toenemen van het diffuse zonlicht.

3.3.3

Onregelmatig bezettingspatroon

Door SHOCC en USSU samen te laten werken, kunnen complexe bezettingspatronen worden gesimuleerd in ESP-r + SHOCC. In figuur 3.8 is een voorbeeld te zien van een simulatie met een complexe/realistische bezetting van een ruimte. Vier personen maken gebruik van de gesimuleerde ruimte.

Figuur 3.8: Resultaten van een simulatie met een complex bezettingspatroon, ideale dimming en actief gebruik

van

de

zonwering.

Gesimuleerd

met

ESP-r

+

SHOCC

in

combinatie

met

USSU-

aanwezigheidsprofielen. De gesimuleerde ruimte wordt gebruikt door maximaal vier personen tegelijkertijd (130 W per persoon). In de grafiek is duidelijk te zien dat de warmteproductie veroorzaakt door de aanwezigheid sterk fluctueert.

21.


3.3.4

Handmatig en automatisch uitgeschakelde verlichting

In figuur 3.9 wordt gesimuleerd dat de verlichting handmatig wordt uitgeschakeld (methode L1). De gebruiker kan ‘vergeten’ de verlichting uit te schakelen, in de figuur is te zien dat de verlichting ingeschakeld blijft bij kleine periodes van afwezigheid. In figuur 3.10 wordt de verlichting automatisch uitgeschakeld nadat de ruimte een bepaalde tijd is verlaten (methode L3). Het handmatig of automatisch schakelen van de verlichting kan een grote invloed hebben op het uiteindelijke energiegebruik voor de verlichting. In dit voorbeeld wordt voor handmatige verlichting een gemiddeld energiegebruik van 79W gesimuleerd en voor automatische verlichting 67 W; een verschil van 15%. De gebruikte aanwezigheidsprofielen in deze simulaties zijn gegenereerd met USSU. Het nut van de combinatie ESP-r + SHOCC + USSU wordt zo aangetoond. Door de combinatie van deze modellen kan een verlichtingssysteem geschakeld met aanwezigheidsdetectie realistisch worden voorspeld. Het verschil in de behaalde energiereductie uit het aangehaalde voorbeeld in paragraaf 2.3 zou met deze combinatie van modellen kunnen worden gesimuleerd.

Figuur 3.9: Resultaten van een simulatie met een onregelmatig aanwezigheidspatroon en handmatig uitgeschakelde verlichting (zonder ideale dimming en met passief gebruik van de zonwering). Wanneer er niemand in de ruimte aanwezig is, dus als ‘aanwezigheid’ nul is, blijft de verlichting in enkele gevallen nog ingeschakeld. Hieraan is te zien dat de gebruiker soms ‘vergeet’ de verlichting uit te schakelen.

Figuur 3.10: Resultaten van een simulatie met een onregelmatig aanwezigheidspatroon en automatische verlichting (zonder ideale dimming en met passief gebruik van de zonwering). Het in- en uitschakelen van de verlichting volgt het aanwezigheidspatroon. Het gesimuleerde energiegebruik neemt met 15% af vergeleken met handmatig geschakelde verlichting.

3.4 Modelresolutie en complexiteit De verschillende gedragsimulatiemodellen kunnen worden ingedeeld naar oplopende resolutie en complexiteit (zie tabel 3.1). Tijdens het modelleren van een gebouw moet een keuze worden gemaakt uit deze verschillende methoden om het gedrag te simuleren. Het is altijd verleidelijk om

22.


te kiezen voor de meest geavanceerde en gedetailleerde methode. Het uitvoeren van een complexe gedetailleerde gedragsimulatie zal echter meer tijd kosten dan een eenvoudige gedragsimulatie. toenemende

resolutie

en

complexiteit

van

Laag

de

Å

van

Eenvoudig gebruikersgedrag Standaard gebruikersprofiel (gemiddelde waarden of minimum en maximum waarden) Geavanceerd gebruikersgedrag I SHOCC (simulatie van interactie tussen de gebruiker en zijn omgeving)

Hoog

Resolutie / complexiteit

Tabel 3.1: Overzicht gebruikersgedragmodellen.

verschillende

Geavanceerd gebruikersgedrag II SHOCC (simulatie van interactie tussen de gebruiker en zijn omgeving) + USSU (complexe mobiliteit)

Dit kan worden toegeschreven aan de volgende oorzaken: 1. Voordat een gedetailleerd model kan worden toegepast, zal eerst een uitgebreidere analyse moeten worden uitgevoerd naar het toekomstige gebruik van het gebouw. Er dient dus veel meer informatie te worden verzameld en te worden ingevoerd vergeleken met een eenvoudige gedragsimulatie (meer meten en weten). 2. Een gedetailleerd gedragmodel genereert meer outputdata dan een eenvoudiger gedragmodel. Het verwerken en analyseren van deze extra data kost extra tijd. 3. De rekentijd die de computer vraagt, zal sterk toenemen naarmate het model geavanceerder is (zie figuur 3.11). Het meest geavanceerde model vraagt 470% meer rekentijd dan het eenvoudigste model. Door het steeds krachtiger worden van de computerprocessoren, zal dit in de toekomst echter het minst belangrijke punt zijn. Wanneer een geavanceerde methode hetzelfde eindresultaat oplevert als een minder geavanceerde methode, dan moet men zich afvragen of de extra tijd die de geavanceerde methode vraagt wel nuttig is besteed. In het algemeen geldt daarom dat het toepassen van een geavanceerde methode alleen noodzakelijk is wanneer dit leidt tot een betere ontwerpbeslissing. Van een goede beslissing kan worden gesproken wanneer na de realisatie van het gebouw dezelfde keuze zou worden gemaakt.

Simulatietijd per gebruikergedragmodel

Benodigde tijd [s]

600 500

76 76

400 300 200 100

76

66

10 6

64

1

2

168

410

476

0 3 4 Gebruikersgedragmodel Rekentijd Verwerkingstijd

5

Figuur 3.11: De benodigde simulatietijd (s) weergegeven voor simulaties van hetzelfde gebouwmodel en voor eenzelfde periode met verschillende gebruikersgedragmodellen en verschillende tijdstappen per uur (ts.h-1). De ‘rekentijd’ is de tijd die de CPU nodig heeft om de simulaties uit te voeren. De ‘verwerkingstijd’ is de tijd die de CPU nodig heeft om de outputbestanden te verwerken. Weergegeven zijn de volgende gebruikersgedragmodellen en tijdstappen: 1: ESP-r (1 ts.h-1), 2: ESP-r (12 ts.h-1), 3: ESP-r + SHOCC (12 ts.h-1), 4: ESP-r + SHOCC + DDS (12 ts.h-1), 5: ESP-r + SHOCC + DDS + USSU (12 ts.h-1). De simulaties zijn uitgevoerd op dezelfde computer.

23.


In tabel 3.2 is een voorbeeld te zien van wanneer de juiste keuze tussen twee resoluties van belang is. Voor een fictieve prestatie wordt een maximum waarde van 150 geëist. De methode met een lage resolutie voorspelt een waarde van 110 voor de prestatie; de hoge resolutie voorspelt een waarde van 170. Het resultaat van de methode met de hoge resolutie leidt tot een andere ontwerpbeslissing dan het resultaat van de methode met de lage resolutie. De gesimuleerde prestatie is namelijk hoger dan de eis, waardoor het ontwerp moet worden aangepast. Het ontwerp lijkt echter te voldoen als alleen een simulatie met de lage resolutie zou zijn uitgevoerd. Voor ieder ontwerpprobleem moet dus worden afgewogen welke resolutie moet worden toegepast. Tabel 3.2: Het verschil in resolutie van het model kan leiden tot een andere ontwerpbeslissing. Weergegeven is een voorbeeld van een fictieve prestatie met gestelde eisen. Prestatie

Opmerking

Gestelde maximum eis

150

Methode met lage resolutie

110

< lager dan maximum eis, ontwerp voldoet

Methode met hoge resolutie

170

> hoger dan maximum eis, ontwerp aanpassen

3.5 Beslissingmethodologie Om een keuze te kunnen maken tussen tools met verschillende resolutieniveaus stelt Djuneady [2005] een beslissingsmethode voor. Met zijn methode, de Coupling Procedure Decision Methodology (CPDM), is het mogelijk om een keuze te maken tussen verschillende luchtstromingsimulatietools. De volgende uitgangspunten worden gehanteerd: 1.

‘A simulation should be consistent with its objective (problem-led), i.e. the designer should not be tool-led. This means that a simulation tool should not be selected simply because it is the only one available, or because it is the most sophisticated tool. The simulation tool should be selected because the problem requires the tool.’

2.

‘There should be a problem-led rationale to progress from one level of resolution and complexity to the next.’

3.

‘The selection of good design option (among many design options) should be made at the lowest possible resolution and complexity, so that there would be less design option to be simulated at higher resolution level.’

De CPDM kan in aangepaste vorm ook van toepassing zijn op dit onderzoek. In figuur 3.12 is eenzelfde soort flowschema te zien als de CPDM, maar dan aangepast voor de gedragsimulatie. In het flowschema moeten beslissingen worden genomen. In het volgende hoofdstuk wordt onderzocht door welke aspecten de uiteindelijke keuze tussen de modellen wordt beïnvloed.

Figuur 3.12: Een flowschema gebaseerd op de CPDM van Djuneady [2005] voor het maken van de geschikte keuze voor een modelresolutie. In de ruiten met de vraagtekens moeten beslissingen worden genomen.

24.


4 Aspecten van gebruikersgedrag

invloed

op

de

gevoeligheid

voor

Wanneer de gebruiker veel invloed heeft op de te onderzoeken gebouwprestatie, dan zou kunnen gelden dat een geavanceerde gedragsimulatie nuttig is. Dit in tegenstelling tot wanneer de gebruiker weinig invloed heeft op de gebouwprestatie (zie figuur 4.1). De invloed van de gebruiker op een bepaalde gebouwprestatie zal echter sterk afhankelijk zijn van het gekozen bouwfysische of installatietechnische concept van een gebouw en kan daarnaast ook afhankelijk zijn van de functie van een gebouw en het type gebruiker. Bovendien zal ook de gebouwprestatie zelf het effect van het gebruikersgedrag beïnvloeden. Een gebouw voorzien van een radiatorsysteem zal bijvoorbeeld snel kunnen reageren op een wisselende warmtebehoefte van de gebruiker. Dit in tegenstelling tot een gebouw met bijvoorbeeld een Lage Temperatuur Verwarmingssysteem en een grote thermische massa. Een dergelijk gebouw zal trager reageren op de gebruiker. Een bepaald type gebruiker kan tevreden zijn met een traag reagerend gebouw, terwijl een ander type gebruiker ontevreden is.

Invloed gebruiker op

Gebouwsimulatie met geavanceerd

gebouwprestatie is groot

gebruikersgedragmodel

Invloed gebruiker op

Gebouwsimulatie met eenvoudig

gebouwprestatie is klein

gebruikersgedragmodel

Gebouwconcept

Figuur 4.1: Schematisch weergave van welke gedragsimulatie wanneer van toepassing is.

4.1

Aspecten die de gevoeligheid van een gebouwsimulatie voor de gebruiker beïnvloeden Zoals hierboven is beschreven, is de keuze die in figuur 3.12 moet worden gemaakt afhankelijk van de mate van de gevoeligheid van het gebouw voor de gebruiker. Om een weloverwogen keuze te kunnen maken, is het belangrijk om te weten door welke gebouwgerelateerde factoren deze gevoeligheid voor de gebruiker wordt beïnvloed. De keuze in figuur 3.12 wordt echter ook beïnvloed door de gebouwprestaties die worden onderzocht. Gesteld wordt dat de volgende twee aspecten de resolutiekeuze kunnen beïnvloeden: • de te onderzoeken gebouwprestaties; • de verschillende gebouwgerelateerde factoren. 4.2 Gebouwprestaties en prestatie-indicatoren De kwaliteit van een gebouw kan worden beoordeeld door op verschillende niveaus eisen te stellen. Deze eisen worden geformuleerd vanuit de bruikbaarheidaspecten van een gebouw: zogenaamde functionele eisen. Een dergelijke functionele eis kan bijvoorbeeld inhouden dat de gebruiker ongestoord moet kunnen werken. Vervolgens kan deze functionele eis worden vertaald in zogenaamde prestatie-eisen. Deze prestatie-eisen geven voor verschillende aspecten aan op welke manier aan de functionele eis kan worden voldaan. Deze deelprestaties worden gemeten met een indicator waaraan een grenswaarde wordt gesteld (zie figuur 4.2). De waarden van deze deelprestaties kunnen in de ontwerpfase worden bepaald door simulaties uit te voeren. Door deze gesimuleerde waarden te toetsen aan de grenswaarden kan de kwaliteit van het gebouw worden beoordeeld.

25.


Bijvoorbeeld: Functionele eis Prestatie-eis Prestatie-indicator Grenswaarde Technische uitwerking

Mensen moeten zoveel mogelijk ongestoord kunnen werken Het thermisch binnenklimaat is minimaal 90% van de tijd behaaglijk voor minimaal 90% van de gebruikers Weeguren-methode Maximaal 150 GTO-uren per jaar Ontwerp van het gebouw en de installaties

Figuur 4.2: Categorisering kwaliteitseisen van een gebouw (gebaseerd op [ISSO, 2004]).

In de ontwerpfase is het nauwkeurig voorspellen van de prestaties daarom van belang. Op basis van deze gesimuleerde prestaties worden namelijk ontwerpbeslissingen genomen. In dit onderzoek is uitgezocht in welke mate de gehanteerde prestatie-indicatoren de keuze voor het gebruikersgedragmodel beïnvloeden. Niet alle prestatie-indicatoren zullen namelijk dezelfde invloed uitoefenen op de te kiezen modelresolutie. De maximale of minimale binnentemperatuur in een ruimte kan waarschijnlijk worden berekend met eenvoudige gebruikersprofielen (met bijvoorbeeld extreme waarden). Het totale energiegebruik is echter waarschijnlijk wél sterk afhankelijk van de manier waarop het gebruikersgedrag wordt gesimuleerd. In figuur 3.12 wordt daarom een instapresolutie voorgesteld (vanaf het eerste beslissingsmoment kan direct voor een hogere modelresolutie worden gekozen). Djuneady [2005] geeft voor de verschillende indicatoren een instapresolutie. In dit onderzoek is onderzocht of dit ook mogelijk is voor de gebruikersgedragmodellen. Bij de prestatie-indicator ‘primair energiegebruik’ zou bijvoorbeeld altijd begonnen kunnen worden met het hoogste resolutie gebruikersgedragmodel. Bij de ‘maximale ruimte luchttemperatuur’ zou altijd begonnen kunnen worden met het laagste resolutie gebruikersgedragmodel (zie tabel 4.1). De verschillende prestatie-indicatoren die zijn onderzocht, worden eerst kort beschreven. Per prestatie-indicator wordt vervolgens een instapresolutie voorgesteld. Tabel 4.1: Prestatie-indicatoren met voorgestelde instapresolutie. Linker kolom uit [Djuneady, 2005]: BES (building energy balance), AFN (zonal airflow network) en CFD (computational fluid dynamics). In de rechter kolom de prestatie-indicatoren die in dit onderzoek zijn onderzocht: E (eenvoudig gebruikersgedrag), GI (geavanceerd gebruikersgedrag I), GII (geavanceerd gebruikersgedrag II). Energy Related Energie gerelateerd a. Heating energy demand BES 1. Warmtevraag b. Cooling energy demand BES 2. Koudevraag c. Fan electricity BES 3. Primaire energiegebruik d. Gas consumption BES e. Primary energy BES Load Related f. Max heating load g. Max cooling load

BES BES

Comfort Related h. PPD i. Max temperature in the zone j. Min temperature in the zone k. Over heating period l. Local discomfort, temp gradient m. Local discomfort, turbulence intensity n. Contaminant distribution o. Ventilation efficiency p. Local mean age of air

BES BES BES BES AFN CFD AFN AFN CFD

GI GI GI

Last gerelateerd 4. Maximale warmtevraag 5. Maximale koudevraag

E E

Comfort gerelateerd 6. PMV 7. Maximale ruimte luchttemperatuur 8. Minimale ruimte luchttemperatuur

GI E E

26.


4.2.1

Warmtevraag en koudevraag

De warmtevraag en koudevraag worden onder andere bepaald door de interne warmtelasten, de ventilatie en infiltratie in een gebouw en het warmtetransport door de gevel. De gebruiker kan een grote invloed hebben op deze termen. Een simulatie met geavanceerd gebruikersgedrag is hierdoor belangrijk. De maximale en minimale warmte- en koudevraag kan worden bepaald door in een berekening gebruik te maken van de maximale en minimale waarden uit de gebruikersprofielen. Voor deze berekeningen zijn geen geavanceerde gebruikersgedragsimulaties nodig, door gebruik te maken van de vooraf gedefinieerde gebruikersprofielen kan in veel gevallen een goede voorspelling van de werkelijkheid worden gegeven. 4.2.2

Primaire energiegebruik

Het begrip ‘primaire energie’ wordt in dit onderzoek gebruikt voor de energie zoals deze in de natuur voorkomt, dat wil zeggen voorafgaande aan enige door de mens toegepaste conversie (bijvoorbeeld tot elektriciteit). Door het gebruik van dit begrip kan het energiegebruik van verschillende gebouwontwerpen met verschillende soorten gebruikers makkelijker worden vergeleken. Het primaire energiegebruik is onder andere afhankelijk van het gebruik van verlichting en apparatuur door de gebruiker. Hierdoor zal deze prestatie-indicator gevoelig zijn voor het gedrag van de gebruiker, indien de gebruiker veel invloed kan uitoefenen op de verlichting en apparatuur. Een geavanceerde gebruikersgedragsimulatie is daarom noodzakelijk om deze prestatie-indicator te kunnen voorspellen. 4.2.3

PMV

De Predicted Mean Vote (PMV) voorspelt de behaaglijkheid van een groep mensen in een ruimte. Deze behaaglijkheid hangt samen met veel factoren, onder andere met de interne warmtelasten, de ventilatie en infiltratie in een gebouw en het warmtetransport door de gevel. De gebruiker kan een grote invloed hebben op deze termen (zie ook de warmtevraag en koudevraag). Een simulatie met geavanceerd gebruikersgedrag kan hierdoor in veel gevallen noodzakelijk zijn. 4.2.4

Minimale en maximale ruimte luchttemperatuur

De maximale en minimale luchttemperatuur in een ruimte kan worden bepaald door in een berekening gebruik te maken van de maximale en minimale waarden uit de gebruikersprofielen. Voor deze berekeningen zijn geen geavanceerde gebruikersgedragsimulaties nodig, door gebruik te maken van de vooraf gedefinieerde gebruikersprofielen kan in veel gevallen een goede voorspelling van de werkelijkheid worden gegeven. 4.3 Gebouwgerelateerde factoren Bij de meeste prestatie-indicatoren zal de gevoeligheid voor het gebruikersgedrag ook afhankelijk zijn van het gebouwontwerp. Er kunnen een aantal gebouwspecifieke factoren worden aangewezen die de gevoeligheid voor het gebruikersgedrag beïnvloeden: 1. De functie van het gebouw en het soort gebruiker. 2. Het bouwfysische en installatietechnische concept van een ontwerp. 3. De relatie tussen de gebruiker en het gebouw. 4. De relatie in het gebouw tussen de gebruiker en het buitenklimaat. 4.3.1

Functie gebouw en soort gebruiker

Er zijn veel verschillende functies voor gebouwen. Bij elke functie hoort een bepaald type gebruiker. Elke gebruiker zal op zijn eigen manier gebruik maken van het gebouw. Het toepassen van een geavanceerd gebruikersgedragmodel zal daardoor niet voor alle gebouwfuncties even

27.


relevant zijn (vergelijk een stationsgebouw met een kantoorgebouw). Tussen de verschillende functies zal ook het belang van de twee onderdelen van een geavanceerd gebruikersgedragmodel (aanwezigheid en interactie) niet even groot zijn. Voor een bepaald type gebouw zal het simuleren van de aanwezigheid van personen bijvoorbeeld belangrijker kunnen zijn, dan het simuleren van de interactie van de gebruiker met zijn omgeving. Voor een ander gebouw kan dit juist andersom zijn. In de volgende soorten gebouwen kan de gebruiker veelal een bepaalde invloed uitoefenen op het gebouw, voor deze soorten kan het dus noodzakelijk zijn om het gebruikersgedrag geavanceerd te simuleren. Gebouwen met: • grote wisselingen van bezettingsgraad en complexe bewegingspatronen, bijvoorbeeld: • kantoor; • museum; • school(lokaal)/collegezaal. • de mogelijkheid tot het uitoefenen van invloed op de omgeving door de gebruiker, bijvoorbeeld: • kantoor; • woning. In een kantoorgebouw kunnen complexe bewegingspatronen ontstaan. De gebruikers hebben verschillende relaties met elkaar, waardoor een complex bewegingspatroon kan plaatsvinden. In grote openkantoorruimtes kunnen zich bovendien grote fluctuaties in bezettingsgraad voordoen. Verder kan een kantoorgebruiker vaak invloed uitoefenen op zijn omgeving. Een museum is interessant omdat er een grote wisseling kan plaatsvinden in de bezettingsgraad gedurende de dag per ruimte. Het publiek loopt van ruimte naar ruimte en veroorzaakt grote fluctuaties in de interne warmte- en vochtproductie. In het geval van een museum is vooral van belang om de mensenstromingen te kunnen voorspellen; de mensen hebben weinig tot geen invloed op omgeving. Een dergelijke mensenstroming is goed te beschrijven met modellen die ook in verkeerssimulaties worden gebruikt (bijvoorbeeld de modellen van [Helbing et al., 2000]). In een schoollokaal of collegezaal vinden ook grote wisselingen van bezettingsgraad plaats. De gebruiker heeft echter in mindere mate invloed op zijn omgeving. Vaak hebben slechts enkele personen de mogelijkheid om de omgeving te beïnvloeden. Algemeen geldt dat het toepassen van een geavanceerde gedragsimulatie alleen interessant is wanneer de gebruiker kan reageren op zijn omgeving. En wanneer er een moeilijk voorspelbaar, niet routineus bewegingspatroon bestaat. Zo is het bezettingspatroon in een schoollokaal goed te voorspellen met een standaard aanwezigheidsprofiel. Dit in tegenstelling tot de bezetting van een kantoorruimte met flexibel werkende mensen. Aangezien in een kantoorruimte de beide onderdelen van de geavanceerde gebruikersgedragsimulatie van belang zijn, wordt in dit onderzoek verder alleen ingegaan op kantoorgebouwen. De instapresoluties uit paragraaf 4.2 zijn afhankelijk van de functie van het gebouw. Uit het voorgaande blijkt bijvoorbeeld dat voor een schoollokaal de instapresolutie voor de meeste prestatie-indicatoren lager kan zijn dan voor een kantoorruimte. De instapresoluties uit tabel 4.1 gelden voor kantoorruimten. 4.3.2

Bouwfysische en installatietechnische concepten

Gebouwen kunnen worden ingedeeld in groepen die traag reageren op de gebruiker en gebouwen die snel reageren op de gebruiker. De twee verschillende onderdelen van de geavanceerde gedragssimulatie zullen voor beide groepen niet even belangrijk zijn. 4.3.2.1 Traag reagerend gebouw De invloed van de aanwezigheid en de interactie op de omgeving wordt pas laat merkbaar in de prestatie-indicator. De juiste voorspelling van beide onderdelen is van belang. Dit kan bijvoorbeeld het geval zijn wanneer een gebruikersgedragmodel wordt toegepast in een gebouwbeheersysteem. Met behulp van het model kan het gebouw op tijd anticiperen op een actie van de gebruiker. De

28.


volgende bouwfysische en installatietechnische concepten zorgen over het algemeen voor een traag reagerend gebouw: • lage temperatuur verwarmingssystemen (bijvoorbeeld vloerverwarming); • betonkernactivering; • nachtventilatie; • hoge thermische massa/specifiek werkzame massa; • … 4.3.2.2 Snel reagerend gebouw De invloed van de gebruiker is direct waarneembaar in de prestatie-indicator. De invloed van de interactie is hierdoor waarschijnlijk groter dan de juiste voorspelling van de aanwezigheid van personen. Het effect op de omgeving van een onverwacht grote groep mensen kan bijvoorbeeld snel worden opgevangen door het gebouw. De acties van de gebruiker zullen echter nog steeds voorspeld moeten worden. De volgende concepten zorgen voor een snel reagerend gebouw: • hoge temperatuur verwarmingssystemen; • verwarming via luchtventilatiesysteem; • lage thermische massa/specifiek werkzame massa; • … 4.3.3

Relatie tussen gebruiker en gebouw

Het toegepast bouwfysische en installatietechnische concept van een gebouw zal de invloed en de relatie van de gebruiker met het gebouw sterk beïnvloeden. Bij toepassing van het ene concept kan de gebruiker bijvoorbeeld zelf de temperatuur regelen en de ramen openen, bij een ander concept kan de gebruiker dit niet. Verder kan, zoals hierboven al is toegelicht, het ene concept zorgen voor een gebouw dat traag reageert op de gebruiker, terwijl het andere concept kan zorgen voor een gebouw dat snel reageert. Het soort gebruikersgedragmodel dat moet worden toegepast is dus sterk afhankelijk van de relatie die de gebruiker heeft met het gebouw. Een ander specifiek voorbeeld van de relatie tussen de gebruiker en een gebouw is de grootte en het soort interne warmtebronnen. Voor een ruimte met warmtebronnen die niet op hun omgeving reageren, bijvoorbeeld een ruimte die altijd vol staat met ingeschakelde apparatuur, zal de invloed van een geavanceerd gebruikersgedragmodel niet groot zijn. In een ruimte waar bijvoorbeeld de verlichting wordt geregeld met een daglichtsysteem (een op de omgeving reagerende interne warmtebron), zal de invloed van het geavanceerde gebruikersgedragmodel veel duidelijker naar voren komen. 4.3.4

Relatie in het gebouw tussen gebruiker en buitenklimaat

De gebruiker van een gebouw met weinig binnenzones en met een grote raamoppervlakte in verhouding met de vloeroppervlakte (een zogenaamde hoge gevel/vloer-ratio) zal een sterkere relatie hebben met het buitenklimaat, dan gebruikers van een gebouw met een lage gevel/vloerratio (zie paragraaf 2.1). Bij een gebouw met een hoge gevel/vloer-ratio wordt in veel ruimten het binnenklimaat namelijk sterk beïnvloed door het buitenklimaat. Fluctuaties in lichtinval, buitentemperatuur en andere weersomstandigheden zullen er toe leiden dat de gebruiker reageert op zijn omgeving. Verschillende ruimten in hetzelfde gebouw met een andere oriëntatie zullen grote verschillen kunnen vertonen in gebruikersgedrag en in energiegebruik. Bij gebouwen met een hoge gevel/vloer-ratio is hierdoor de noodzaak van een geavanceerd gebruikersgedragmodel groter, dan bij gebouwen met een lage gevel/vloer-ratio. Het soort buitenklimaat heeft ook invloed op de keuze voor een gebruikersgedragmodel. Een klimaat met sterk wisselende weersomstandigheden gedurende de seizoenen heeft eerder een geavanceerd gedragmodel nodig, dan een erg constant klimaat zonder sterk wisselende weersomstandigheden. In het laatste geval zal het gedrag van de gebruiker voor veel dagen namelijk goed te voorspellen zijn met een vooraf gedefinieerd profiel. Dit is lastiger wanneer de weersomstandigheden elke dag sterk kunnen verschillen.

29.


5

Gevoeligheidsanalyse gebruikersgedrag

In figuur 3.12 is een beslissingsschema voorgesteld om een keuze te maken tussen de verschillende gebruikersgedragmodellen. Om een keuze te kunnen maken is het noodzakelijk om te weten wanneer een gebouw gevoelig is voor de gebruiker. In hoofdstuk 4 zijn verschillende gebouwgerelateerde factoren en prestatie-indicatoren genoemd die deze gevoeligheid kunnen beïnvloeden (zie figuur 5.1). De keuzes in het schema zullen dus afhangen van de invloed van deze verschillende aspecten. In dit hoofdstuk wordt een methodologie voorgesteld om te onderzoeken hoe deze verschillende aspecten bijdragen aan de gevoeligheid. Deze methodologie is vervolgens toegepast op een casestudy. De resultaten van het onderzoek naar deze casestudy worden besproken.

Figuur 5.1: Aspecten die invloed hebben op de keuze voor het gebruikersgedragmodel.

In diverse vakgebieden worden gevoeligheidsanalyses toegepast om simulatiemodellen te analyseren. Met een gevoeligheidsanalyse kan onder andere worden onderzocht: • welke inputparameters de grootste bijdrage leveren aan de variatie van de output; • welke parameters geen belangrijke bijdrage leveren aan de variatie van de output en daarom uit het model kunnen worden weggelaten of waarvan de waarde kan worden gefixeerd; • óf factoren elkaar beïnvloeden en in welke mate dit gebeurt. In dit onderzoek is met de gebruikersgedragmodellen ESP-r en SHOCC een casestudy uitgevoerd van een eenvoudige kantoorruimte (zie paragraaf 5.3.1). Door middel van een gevoeligheidsanalyse is onderzocht of de waarden van de prestatie-indicatoren en de invloed van de gebouwgerelateerde factoren (zie figuur 5.1) veranderen bij toepassing van de verschillende gebruikersgedragmodellen. De resultaten van de analyses worden hiertoe met elkaar vergeleken. In de vergelijking wordt gezocht naar verschillen in de gesimuleerde waarden van de prestatieindicatoren en naar verschillen in de invloed van de factoren. Wanneer een verschil ontstaat, wordt dit veroorzaakt doordat een ander gebruikersgedragmodel is toegepast. Op deze manier kan worden bepaald wanneer de casestudy gevoelig is voor een bepaald type gebruikersgedragmodel en welke factoren dit beïnvloeden (zie figuur 5.2). Het uitvoeren van de gevoeligheidsanalyse heeft meerdere doelen: • Uit de analyse blijkt welke factoren in de casestudy de gevoeligheid voor de gebruiker beïnvloeden en wat de volgorde van de factoren is naar mate van invloed op de gevoeligheid. • Met de resultaten kan per prestatie-indicator een instapresolutie voor het gebruikersgedragmodel worden vastgesteld. De resultaten worden gebruikt in de beslissingmethodologie (stappenplan) van het flowschema uit figuur 3.12. Een ander doel van de analyse is het verschaffen van inzicht in welke methoden geschikt zijn voor het uitvoeren van een gevoeligheidsanalyse voor het gebruikersgedrag. Hiertoe zijn verschillende analysemethoden met elkaar vergeleken. Een belangrijk aandachtspunt bij deze vergelijkingen is het aantal simulaties dat moet worden uitgevoerd om tot een betrouwbaar resultaat te komen.

30.


Figuur 5.2: De keuze voor een resolutieniveau hangt af van de waarden van de prestatie-indicatoren en de invloed van de gebouwgerelateerde factoren. Wanneer grote verschillen optreden tussen de twee gebruikersgedragmodellen, dan moet worden gekozen voor de (nauwkeurige) hoogste resolutie. Wanneer er geen verschil optreedt dan volstaat de (relatief onnauwkeurige) laagste resolutie.

5.1 Bepalen invloed van factoren Er zijn verschillende methoden ontwikkeld voor het uitvoeren van een gevoeligheidsanalyse. De keuze voor een methode is afhankelijk van het doel van het onderzoek, de duur van het onderzoek en het soort model dat wordt onderzocht. In hoofdlijnen komen de verschillende stappen van de methoden op hetzelfde neer: 1. 2. 3. 4. 5.

Bepaal welke inputparameters moeten worden betrokken in de analyse. Bepaal de spreiding in de waarden van iedere inputparameter. Genereer een samplematrix, deze matrix bestaat uit een bepaald aantal (willekeurige) waarden voor iedere inputparameter. Bereken de outputwaarden behorende bij de inputwaarden uit de samplematrix. Bepaal de invloed die iedere inputparameter heeft op de output.

5.2 Verschillende soorten gevoeligheidsanalysemethoden In een gevoeligheidsanalyse wordt het verband onderzocht tussen de inputwaarden en de outputwaarden van een simulatiemodel. Afhankelijk van het type methode wordt op een bepaalde manier omgegaan met deze waarden. De analyses kunnen worden ingedeeld in externe en interne methoden [De Wit, 2001]. De externe methoden richten zich op de invoergegevens van het model. Het model wordt hierbij beschouwd als een ‘black box’. De invoergegevens worden bij deze methoden gevarieerd. De onderlinge relatie tussen de invoer en de bijbehorende uitvoergegevens wordt vervolgens geanalyseerd. In de interne methoden worden de vergelijkingen van het model aangepast en wordt geanalyseerd wat dit voor een invloed heeft op de uitvoer. In dit onderzoek worden alleen externe analyses toegepast. De externe analyses kunnen worden ingedeeld in lokale en globale methoden [Saltelli et al., 1999]. Bij lokale methoden worden de partiële afgeleiden bepaald van de output bij variërende inputfactoren. Om de afgeleiden te berekenen worden de inputfactoren één voor één (one-at-atime) gevarieerd over een klein interval rond een centrale waarde. Dit interval is over het algemeen hetzelfde voor alle inputparameters en is niet gebaseerd op de in werkelijkheid voorkomende variaties in de inputparameters. Een lokale gevoeligheidsanalyse wordt niet aangeraden wanneer het model niet-lineair is en wanneer de variatie in de inputfactoren erg sterk wisselt [Kleijnen, 1995]. Een globale gevoeligheidsanalyse onderzoekt wat de invloed is van één factor, terwijl alle factoren in het model worden gevarieerd. Voor de variatie in de factoren wordt gebruik gemaakt van een verdeling die in werkelijkheid voorkomt bij de inputparameters. Met

31.


behulp van statistische analyses kan vervolgens de variaties in de output veroorzaakt door de inputfactoren worden bestudeerd. In dit onderzoek worden de volgende drie gevoeligheidsanalysemethoden onderzocht: • De Monte Carlo analyse met regressieanalyse (globale methode). • De Morris-analyse (lokale methode). • De (extended) FAST-analyse (lokale methode). 5.2.1

Monte Carlo analyse met regressieanalyse

Een bekende globale gevoeligheidsanalyse is de Monte Carlo analyse met regressieanalyse. Een Monte Carlo analyse met regressieanalyse lijkt erg geschikt om in gebouwsimulaties te bepalen welke factoren invloedrijk zijn en is al vaker succesvol toegepast in gebouwsimulaties [De Wit, 2001, Breesch, 2006]. Met een Monte Carlo analyse kan een kwantitatief oordeel worden gegeven over de invloed van de verschillende factoren. In de Monte Carlo analyse wordt met behulp van een regressieanalyse bepaald welke factoren veel invloed hebben. Met deze regressieanalyse wordt een model opgezet, waarmee zo goed mogelijk het verband tussen de inputfactoren en de output wordt geschat (zie formule 5.1). De mate van invloed van een factor is afhankelijk van de geschatte regressiecoëfficiënt ( β j ) in het model. Hoe groter de coëfficiënt van een factor, hoe groter de invloed van de factor op het model. ^

Y=β 0 +β1 x1 +β 2 x 2 +...+β k x k waarin: = Y βj = = xij k =

[5.1]

waarde van de afhankelijke outputparameter waarde van de jde regressiecoëfficiënt, j = 0, 1, … ,k waarde van de jde inputparameter aantal onafhankelijke inputparameters

De determinatiecoëfficiënt is een belangrijke maat in de regressieanalyse. De determinatiecoëfficiënt (R2) geeft weer welk deel van de variantie in de output wordt voorspeld door het regressiemodel. Een R2 van 0,8 betekent bijvoorbeeld dat 20% van de variantie in het model niet kan worden voorspeld met het regressiemodel. Dus hoe dichter de determinatiecoëfficiënt bij 1 ligt, hoe betrouwbaarder de voorspellingen van het regressiemodel zijn. Een model met een R2 die iets lager is dan 1, betekent niet dat het regressiemodel slecht is, de resultaten kunnen dan alleen niet goed kwantitatief worden vergeleken. De rangschikking van de factoren naar de invloed op de output kan namelijk veranderen als de niet verklaarde variantie zou worden meegenomen in het model. De regressiecoëfficiënten geven dan meer informatie over het lineaire regressiemodel dat wordt gebruikt om een systeem te beschrijven, dan over het te beschrijven systeem zelf [Saltelli et al., 1999]. In bijlage B1.1 wordt de Monte Carlo analyse uitgebreider besproken. 5.2.2

Morris-analyse

De Morris-analyse is een voorbeeld van een lokale one-at-a-time methode. De One-at-a-time methode bestudeert de afzonderlijke invloed van elke factor op een model. In deze methode worden de waarden van de factoren één voor één gevarieerd, waarna het resultaat wordt geëvalueerd. De methode is relatief eenvoudig toe te passen. Het aantal benodigde simulaties is afhankelijk van het aantal inputfactoren van het model. Het nadeel van de methode is echter dat de interactie van de factoren onderling in het model niet wordt bestudeerd. Alleen de eerste afgeleide effecten worden bepaald [De Wit, 1997]. De methode van de Morris-analyse is een speciaal geval van een One-at-a-time methode. De methode kan namelijk wel een indicatie geven van de interactie tussen factoren [Saltelli et al., 1999]. Ondanks het lokale karakter van de Morris-analyse, heeft de methode dus ook kenmerken van een globale analysemethode. De methode van de Morris-analyse bepaalt de gevoeligheid van factoren aan de hand van het zogenaamde ‘elementaire effect’ van deze factoren. Het elementaire

32.


effect van een factor is de verandering in de modeloutput ten gevolge van een verandering in de waarde van deze factor, terwijl de andere factoren in de sample een vaste waarden behouden. Wanneer het verband tussen de input en de output van een model niet-lineair is óf wanneer de factoren niet onderling onafhankelijk zijn, dan zal het elementaire effect afhankelijk zijn van het gekozen punt in het bereik van de factor. Om een goed beeld te krijgen van de variatie van de elementaire effecten in het bereik van de factor wordt daarom op een aantal verschillende punten in het bereik het elementaire effect berekend. Een hoog gemiddelde van de berekende elementaire effecten van een factor duidt op een grote invloed op de output. Een grote standaard deviatie duidt erop dat het verband tussen deze factor en de output niet lineair is of dat deze afhankelijk is van de waarde van de andere factoren. Met de Morris-analyse kan alleen kwalitatief een uitspraak worden gedaan over de invloed van de verschillende factoren. In de bijlage B1.2 wordt de Morrisanalyse uitgebreider besproken. 5.2.3

FAST-analyse

Met de (extended) FAST-analyse (Fourier Amplitude Sensitivity Test) kan de invloed van de verschillende factoren kwantitatief worden bepaald. De analyse berekent per factor de ‘total sensitivity indices’. Met behulp van deze indices kunnen zowel de eerste orde effecten als ook de totale effecten van een factor op de output worden bepaald. De FAST-analyse onderzoekt hiertoe de multidimensionale ruimte van de inputfactoren met behulp van een zoek-curve [Saltelli et al., 1999]. Voor het uitvoeren van de FAST-analyse zijn relatief veel simulaties nodig vergeleken met de eerder genoemde analysemethoden. In de bijlage B1.3 wordt de FAST-analyse uitgebreider besproken.

5.3 Indeling en kwantificatie factoren In de vorige paragrafen is besproken welke gevoeligheidsanalysemethoden gebruikt kunnen worden om de invloed van de verschillende gebouwgerelateerde factoren te bepalen. Met ESP-r en SHOCC zijn gevoeligheidsanalyse uitgevoerd. Per prestatie-indicator kunnen de factoren een andere invloed hebben, waardoor het noodzakelijk is per prestatie-indicator een gevoeligheidsanalyse uit te voeren. In hoofdstuk 4 zijn verschillende prestatie-indicatoren en gebouwgerelateerde factoren besproken (stap 1 uit paragraaf 5.1). Voordat een gevoeligheidsanalyse kan worden uitgevoerd, moeten deze verschillende factoren worden gekwantificeerd (stap 2 uit paragraaf 5.1), de zogenaamde waardefactoren. Hiertoe moeten de factoren verder worden onderzocht. In tabel 5.1 is een indeling te vinden van de verschillende factoren. Niet alle factoren kunnen worden gekwantificeerd. De factoren 13 t/m 16 uit de tabel vertegenwoordigen keuzemogelijkheden in het ontwerp, bijvoorbeeld constante verlichting, handmatig geregelde verlichting of automatisch geschakelde verlichting (keuzefactoren). Deze factoren kunnen dus niet kwantitatief worden meegenomen in de gevoeligheidsanalyses. De keuzefactoren spelen een belangrijke rol in de keuze voor de instapresolutie. Waarschijnlijk hebben deze factoren een grotere invloed op de benodigde resolutie dan de waardefactoren. Wanneer bijvoorbeeld de energieprestatie van een gebouwontwerp met te openen ramen en bedienbare zonwering moet worden gesimuleerd, dan is deze simulatie waarschijnlijk gebaat bij een hoge resolutie gebruikersgedrag. Dit in tegenstelling tot een gebouwontwerp met gefixeerde ramen en vaste zonwering. Uit de gevoeligheidsanalyse blijkt of dit daadwerkelijk het geval is. Per keuzefactor zou een minimale instapresolutie kunnen worden voorgesteld, welke per prestatie-indicator kan verschillen.

33.


Tabel 5.1: Overzicht van gevoelige factoren. De factoren 1 tot en met 12 kunnen worden gekwantificeerd. De gemiddelde waarden in de tabel zijn gebaseerd op in de praktijk veel voorkomende waarden, zie bijlage B2. Functie van het gebouw en soort gebruiker Gevoelige factor 1 2

aantal personen per vloeroppervlakte (grootte organisatie) mate van mobiliteit van personen

Bouwfysisch en installatietechnisch concept van een ontwerp Gevoelige factor

3 4

5

6 7 8

9

10 11 12

reactietijd gebouw Specifiek Werkzame Massa (SWM) reactietijd installatie maximale vermogen verwarming maximale vermogen koeling grootte oppervlak buitenraam percentage transparantdeel totale gevel grootte van invloed buitenklimaat op binnenklimaat warmtetransport door transparante geveldelen - zontoetredingsfactor (ZTA-waarde) - grootte transparante oppervlakken, zie 5 - warmtedoorgangscoëfficiënt glas (Uglas) warmtetransport door dichte geveldelen - warmteweerstand constructie (Rc) daglichttoetreding - lichtdoorlaatfactor glas (LTA) en reductiefactoren warmteproductie door verlichting in ruimte warmteproductie door apparatuur in ruimte

Relatie gebruiker met gebouw Gevoelige factor 13 14 15

mogelijkheid tot regelen verlichting in ruimte mogelijkheid tot regelen binnentemperatuur mogelijkheid tot regelen stand zonwering

Buitenklimaat Gevoelige factor 17

buitenklimaat

Simulatiewaarden Gem Eenheid 2 m /persoon 11.1 wisselingen van 4 ruimte per uur

Simulatiewaarden Gem Eenheid 2

50

kg/m

500 650

W W

35

%

0.6 2.7

2 m W/m2K

2.5

m2K/W

0.5 12.7 17.5

2 W/m 2 W/m

Simulatiewaarden constant / handmatig / automatisch constant / handmatig / automatisch constant / handmatig / automatisch

Simulatiewaarden gematigd / extreem

In het stappenplan dat wordt opgesteld in dit onderzoek wordt eerst gekeken naar de prestatieindicator, vervolgens naar de keuzefactor en dan pas naar de overige factoren. Het stappenplan bestaat nu uit de volgende onderdelen (zie figuur 5.3): 1. 2. 3. 4. 5. 6.

Bepaal de prestatie-indicator. Bepaal de instapresolutie behorende bij de prestatie-indicator (zie tabel 4.1). Bepaal de keuzefactoren. Bepaal de instapresolutie behorende bij de keuzefactoren. Voer eventueel de gevoeligheidsanalyse uit en bepaal de instapresolutie behorende bij het type gebouw. Voer simulaties uit en controleer of de resultaatwaarden binnen de gestelde grenzen van de prestatie-indicator vallen. Indien dit niet het geval is, dan moet worden gekozen voor een hogere resolutie gebruikersgedragmodel. Als de hoogste resolutie is bereikt, dan zal het ontwerp moeten worden aangepast om aan de prestatie-eisen te voldoen

34.


Figuur 5.3: Stappenplan om een keuze te maken tussen de gebruikersgedragmodellen. Bij de eerste twee stappen kan de keuze voor de resolutie gemaakt worden aan de hand van een checklist met bekende (eerder berekende) gevoeligheden, in de derde stap zou een gevoeligheidsanalyse nodig zijn.

5.4 Uitvoering gevoeligheidsanalyses In deze paragraaf wordt besproken hoe de verschillende soorten gevoeligheidsanalysemethoden worden geïmplementeerd in ESP-r. 5.4.1

Invoer model

De gevoeligheidsanalyse wordt uitgevoerd voor een casestudy van een kantoorruimte (zie figuur 5.4). De ruimte heeft een plattegrond van 3 bij 5 meter met een hoogte van 3 meter. De zuidzijde van de ruimte grenst aan het buitenklimaat, de overige bouwdelen scheiden de ruimte van de rest van het gebouw. In de zuidgevel bevindt zich een niet te openen raam van 2.0 bij 1.3 meter op een hoogte van 0.95 meter boven de vloer. In de kantoorruimte worden de verlichting en de binnentemperatuur automatisch geschakeld. De zonwering wordt handmatig geregeld. Verder is de kantoorruimte gelegen in een gematigd klimaat. In bijlage B3 wordt het model uitvoeriger besproken.

Figuur 5.4: Grafische weergave van de geometrie van de kantoorruimte uit de casestudy.

5.4.2

Parameters in de gevoeligheidsanalyse

In de gevoeligheidsanalyse worden reeksen van simulaties uitgevoerd van de kantoorruimte. Een reeks bestaat uit een aantal simulaties waarin de waarde van verschillende parameters op een bepaalde manier wordt gevarieerd, afhankelijk van de gekozen methode. In dit onderzoek zijn in het mathematische computerprogramma MATLAB waarden berekend voor de samples. Deze waarden voor de verschillende parameters worden vervolgens ingevoerd in ESP-r. Het invoeren van de waarden wordt gedaan door de juiste inputbestanden van ESP-r aan te passen. MATLAB

35.


genereert hierbij voor het benodigde aantal simulaties hetzelfde aantal unieke inputbestanden. De volgende parameters zijn gevarieerd (zie ook tabel 5.1): • De specifiek werkzame massa. • De grootte van het transparante deel van de gevel. • De zontoetredingsfactor van het glas (ZTA-waarde). • De warmtedoorgangscoëfficiënt van het glas (U-waarde). • De warmteweerstand van de constructie (Rc). • De lichttoetredingsfactor glas (LTA). • De warmteproductie door verlichting in ruimte. • De warmteproductie door apparatuur in ruimte. • Het vermogen van de verwarminginstallatie. • Het vermogen van de koelinginstallatie. In bijlage B4 is terug te vinden hoe deze parameters in de gevoeligheidsanalyse zijn meegenomen en hoe de gevoeligheidsanalyses zijn geïmplementeerd in ESP-r. 5.5 5.5.1

Resultaten gevoeligheidsanalyses Instapresolutie prestatie-indicatoren

Om de instapresolutie te bepalen voor een aantal prestatie-indicatoren is de gemiddelde waarde en de standaarddeviatie berekend over 150 simulaties. Hierbij zijn de factoren random gevarieerd binnen een bepaalde spreiding. Dit is in principe dezelfde Monte Carlo analyse als wordt toegepast voor de gevoeligheidsanalyse (zie paragraaf 5.5.1), maar hier wordt geen gebruik gemaakt van een regressieanalyse. Door het toepassen van de Monte Carlo analyse worden 150 mogelijke varianten van de kantoorruimte met elkaar vergeleken. De simulaties zijn uitgevoerd met ESP-r óf ESP-r + SHOCC, vanaf hier kortweg SHOCC genoemd. Voor de prestatie-indicatoren zijn de gemiddelde waarden (μ ) en de spreiding (σ) van de varianten berekend. Wanneer voor een prestatie-indicator de gemiddelde waarde en de spreiding van de varianten niet sterk verschilt tussen de gebruikersgedragmodellen, dan kan worden aangenomen dat deze prestatie-indicator voor deze casestudy niet gevoelig is voor de toegepaste modellen. In tabel 5.2 en bijlage B5.1 zijn de resultaten weergegeven van de Monte Carlo analyse. De resultaten laten zien dat het gekozen gebruikersgedragmodel een grote invloed kan hebben op de waarde van de prestatie-indicator. Voor de warmtevraag en de koudevraag is het verschil respectievelijk 9% en 24%. Voor het gebruik van primaire energie en de maximum en minimum temperatuur in de ruimte lijkt het met een verschil van 1% niet uit te maken welk gebruikersgedragmodel wordt toegepast. Overigens zegt het verschil tussen de gesimuleerde waarden niet altijd even veel. De PMV lijkt met een verschil van 26% erg gevoelig voor het gebruikersgedragmodel. Wanneer wordt gekeken naar de waarden, blijkt echter dat er een verschil optreedt van 0.06 punten. De PMV geeft een waardegetal tussen de -3 en 3, waardoor een verschil van 0.06 punten verwaarloosbaar klein is. De PMV blijkt in deze simulaties dus ook ongevoelig te zijn voor het gebruikersgedragmodel. Tabel 5.2: Door middel van een Monte Carlo analyse gesimuleerde gemiddelde waarden van enkele prestatieindicatoren. De simulaties zijn uitgevoerd met ESP-r óf ESP-r + SHOCC in de tabel SHOCC genoemd. De waarden zijn de gemiddelden van 150 simulaties. Prestatie-indicator

Eenheid

ESP-r 2

Verschil simulatie ESP-r en SHOCC

SHOCC

μ

σ

μ

σ

μ

σ

15.11

4.19

16.43

5.27

9%

26%

Warmtevraag

[kWh/m .y]

Koudevraag

[kWh/m2.y]

34.65

9.31

26.3

7.35

-24%

-21%

Primaire energie

[kWh/m2.y]

251.02

45.77

249.18

45.48

-1%

-1%

[-]

0.23

0.06

0.17

0.06

-26%

0%

o

Maximum temperatuur ruimte [ C]

27.71

1.42

27.34

1.23

-1%

-13%

[oC]

15.31

0.63

15.45

0.65

1%

3%

PMV Minimum temperatuur ruimte

36.


Met behulp van de resultaten uit tabel 5.2 kan voor deze casestudy een instapresolutie worden voorgesteld voor de prestatie-indicatoren, zie tabel 5.3. De warmtevraag en de koudevraag zijn gevoelig voor het soort gebruikersgedragmodel. De primaire energie lijkt in de casestudy niet gevoelig te zijn, de indicator zal echter wel gevoelig kunnen zijn. De primaire energie is namelijk sterk afhankelijk van de eerste twee genoemde indicatoren. In deze casestudy wordt volgens SHOCC de warmtevraag groter en de koudevraag kleiner dan volgens ESP-r. De primaire energie wordt berekend met behulp van de warmtevraag en de koudevraag. Wanneer alleen naar de primaire energie wordt gekeken, dan valt in de casestudy de invloed van de warmtevraag weg tegen de koudevraag en lijkt de primaire energie ongevoelig voor het gebruikersgedragmodel. De PMV, de minimale en de maximale ruimtetemperatuur zijn niet gevoelig voor het gebruikersgedragmodel. Tabel 5.3: Instapresoluties voor de casestudy volgend uit de Monte Carlo analyse. Prestatie-indicator

Eenheid

Instap-resolutie

Warmtevraag

[kWh/m2.y]

ESP-r + SHOCC

Koudevraag

[kWh/m2.y]

ESP-r + SHOCC

Primaire energie

[kWh/m2.y]

ESP-r + SHOCC

PMV

[-]

ESP-r

Maximum temperatuur ruimte [oC] Minimum temperatuur ruimte

o

[ C]

ESP-r ESP-r

In de volgende paragrafen worden de resultaten van de Monte Carlo analyse nader bekeken. Onderzocht wordt waardoor het verschil in gevoeligheid voor de gebruikersgedragmodellen ontstaat; oftewel waarom een bepaalde instapresolutie bij een bepaalde prestatie-indicator hoort. Door het toepassen van de verschillende gevoeligheidsanalysemethoden worden de invloedrijke parameters opgespoord en vervolgens geanalyseerd. De resultaten van de verschillende methoden worden hierbij onderling vergeleken. Uiteindelijk wordt een uitspraak gedaan over de meest geschikte methode. 5.5.2

Aantal benodigde simulaties voor gevoeligheidsanalyses

De verschillende methoden voor de gevoeligheidsanalyse stellen andere eisen aan het benodigde aantal simulaties dat moet worden uitgevoerd. Het aantal simulaties dat wordt gevraagd door de Morris-analyse is afhankelijk van het aantal inputfactoren. Voor de Morris-analyse geldt een aantal simulaties van minimaal 4 . (n + 1), waarbij n het aantal inputparameters is [Saltelli et al., 2004]. Voor deze casestudy komt dat neer op 4 . (10 + 1) = 44 simulaties. Voor de FAST-analyse geldt volgens de formule van Nyquist dat bij 10 inputfactoren een minimum aantal van 411 simulaties hoort, er wordt echter aangeraden om meer simulaties uit te voeren [Saltelli et al., 1998]. In principe geldt dat de betrouwbaarheid van de FAST-analyse toeneemt bij een groter aantal uitgevoerde simulaties. In dit onderzoek is een reeks van 650 en 970 simulaties uitgevoerd. In bijlage B5.2.1 is een vergelijking terug te vinden van de resultaten. De berekende waarden verschillen licht van elkaar. In het verdere onderzoek wordt voor de FAST-analyse een reeks van 970 simulaties aangehouden. Voor de Monte Carlo analyse met regressieanalyse bestaat geen formule om het benodigde aantal simulaties te berekenen. In de literatuur worden voor deze analyse verschillende uitspraken gedaan over het benodigde aantal simulaties om tot betrouwbare resultaten te komen. Macdonald [2002] en Lomas [1992] stellen een aantal van minimaal 80 simulaties voor. De Wit [2001] en Breesch [2006] stellen 1,5 keer het aantal inputparameters voor. In het eerder uitgevoerde masterproject [Hoes en De Vaan, 2005] bleken beide voorstellen niet te voldoen. Uit dit project is ook gebleken dat het aantal benodigde simulaties voor de Monte Carlo analyse waarschijnlijk sterk afhankelijk is van het te simuleren gebouwmodel en het aantal inputparameters dat wordt meegenomen in de analyse. In dit onderzoek is daarom gezocht naar het juiste aantal simulaties

37.


voor de betreffende casestudy. Hiertoe wordt de betrouwbaarheid van de resultaten onderzocht voor de volgende aantallen simulaties: • 15 simulaties (1,5 keer het aantal inputparameters, voldoende volgens De Wit en Breesch). • 50 simulaties. • 80 simulaties (voldoende volgens Macdonald). • 100 simulaties (in principe een willekeurig gekozen aantal hoger dan 80 simulaties). • 150 simulaties (ook een willekeurig gekozen aantal hoger dan 80 simulaties). De simulaties zijn uitgevoerd met ESP-r + SHOCC, waarbij telkens twee reeksen simulaties zijn uitgevoerd. De twee reeksen hebben verschillende waarden voor de parameters, waar binnen een spreiding is gekozen. Dergelijke reeksen worden ook samples genoemd. De samples zijn gegenereerd volgens de quasi-random samplingmethode Latin Hypercube, zie bijlage B1.1.1. Wanneer het aantal simulaties voldoende is, dan zijn de resultaten van de regressieanalyse voor de twee reeksen gelijk aan elkaar. In de resultatenvergelijking van de reeksen wordt gekeken naar de gestandaardiseerde regressiecoëfficiënten (SRC-waarden) van de parameters (zie bijlage B1.1.2). Indien bij de twee reeksen de volgorde van de parameters gerangschikt van hoge naar lage SRCwaarden overeenkomen, dan zijn er voldoende simulaties uitgevoerd. Bij de vergelijking van de reeksen wordt ook gekeken naar de significantie van de SRC’s (zie bijlage B1.1.2). In beide reeksen moeten de overeenkomstige parameters significant zijn. De resultaten van de simulaties zijn te zien in figuur 5.5 en 5.6. Bij een aantal van 15 simulaties zijn de resultaten van de regressieanalyse compleet verschillend (figuur 5.5), vanaf 80 en 100 simulaties lijken de resultaten op elkaar. Bij een aantal van 150 zijn de resultaten gelijk aan elkaar (figuur 5.6). Dezelfde simulaties zijn uitgevoerd voor ESP-r. Ook dan leveren 150 simulaties betrouwbare resultaten op. In bijlage B5.2.2 zijn de resultaten van alle simulaties terug te vinden. Aangenomen wordt dat voor deze casestudy een aantal van 150 simulaties per reeks betrouwbare resultaten oplevert voor de Monte Carlo analyse met regressieanalyse. SRC-waarden warmtebehoefte kantoorruimte (sample: 16, simulaties: 150)

SRC-waarden warmtebehoefte kantoorruimte (sample: 5, simulaties: 15) apparatuur

trans.gevel

trans.gevel

!!apparatuur!!

verlichting

!!SWM!!

U-glas

Factor

Factor

!!LTA!! !!verlichting!! !!Rc!!

ZTA SWM !!vermogen verwarming!!

!!U-glas!!

!!vermogen koeling!!

!!ZTA!!

!!Rc!!

!!vermogen koeling!! !!vermogen verwarming!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

!!LTA!!

0.4

0.6

0.8

-1.0

1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

SRC [-]

SRC [-]

SRC-waarden warmtebehoefte kantoorruimte (sample: 6, simulaties: 15)

SRC-waarden warmtebehoefte kantoorruimte (sample: 17, simulaties: 150)

trans.gevel

1.0

trans.gevel

!!verlichting!!

verlichting !!U-glas!!

U-glas ZTA

Factor

Factor

!!Rc!! !!ZTA!!

SWM

!!LTA!!

!!vermogen verwarming!!

!!SWM!!

!!vermogen koeling!! !!vermogen verwarming!!

!!LTA!! !!Rc!!

!!vermogen koeling!! -0.8

0.8

apparatuur

apparatuur

-1.0

0.6

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SRC [-]

Figuur 5.5: Vergelijking resultaten regressieanalyse

Figuur 5.6: Vergelijking resultaten regressieanalyse

met 15 simulaties (SHOCC). De resultaten uit de

met 150 simulaties (SHOCC). De resultaten uit de

twee analyses komen niet overeen; de waarden van

twee analyses komen overeen, uitgezonderd de niet-

de SRC’s wisselen sterk.

significante factoren. De niet-significante factoren zijn aangegeven met twee uitroeptekens voor en achter de factornaam.

38.


5.5.3

Vergelijking resultaten verschillende gevoeligheidsanalysemethoden

Zoals uit de vorige paragraaf blijkt verschillen de methoden voor het uitvoeren van een gevoeligheidsanalyse sterk in het benodigde aantal simulaties, respectievelijk 44, 150 en 970 voor de Morris-analyse, Monte Carlo analyse met regressieanalyse en de FAST-analyse. Wanneer weinig simulaties dezelfde resultaten opleveren als veel simulaties, wordt gekozen voor de methode met weinig simulaties. Onderzocht is welke methode het beste kan worden toegepast. Hiertoe zijn voor een aantal prestatie-indicatoren de invloedrijke factoren onderzocht op basis van de resultaten uit de verschillende analyses. 5.5.3.1 Overzicht invloedrijke factoren volgens verschillende analysemethoden De verschillende methoden leveren verschillende soorten resultaten op die niet zondermeer kunnen worden vergeleken. De Monte Carlo analyse met regressieanalyse berekent de gestandaardiseerde regressiecoëfficiënten (SRC-waarden) van de verschillende factoren. De Morris-analyse berekent de elementaire effecten van de factoren. De FAST-analyse berekent de totale effecten van de factoren op de output. De resultaten van de Morris-analyse kunnen alleen kwalitatief worden gebruikt om de invloed en de verandering van de invloed van de factoren te vergelijken. De resultaten van de Monte Carlo analyse met regressieanalyse en de FAST-analyse kunnen kwantitatief worden gebruikt in de vergelijking. Per gevoeligheidsanalysemethode zijn per prestatie-indicator de factoren gerangschikt naar de mate van invloed op het model. Om een snelle indruk te krijgen van de meest invloedrijke parameters, zijn per prestatie-indicator aan de vijf meest invloedrijke factoren punten toegekend. De invloedrijkste factor krijgt vijf punten, de op één na invloedrijkste factor krijgt vier punten enz. Vervolgens zijn de punten per factor opgeteld. In tabellen 5.4, 5.5 en 5.6 zijn per gevoeligheidsanalysemethode en per gedragssimulatiemodel de drie invloedrijkste parameters opgenomen. In bijlage B5.2 zijn de volledige overzichten terug te vinden. Opvallend is dat volgens alle analyses de invloedrijke factoren voor de methoden vrijwel hetzelfde zijn. Voor de individuele prestatie-indicatoren geldt dat de invloedrijke factoren licht variëren, maar bij de drie belangrijkste factoren staan altijd minimaal twee factoren (apparatuur, verlichting of transparantie gevel) uit tabellen 5.4, 5.5 en 5.6. Tabel 5.4: De drie meest invloedrijke factoren uit Monte Carlo analyse met regressieanalyse per gebruikersgedragsimulatiemodel. ESP-r 1

Transparantie gevel

SHOCC [m2] 2

Transparantie gevel

[m2]

2

Apparatuur

[W/m ]

Apparatuur

[W/m2]

3

Verlichting

[W/m2]

Verlichting

[W/m2]

Tabel 5.5: De drie meest invloedrijke factoren uit de Morris-analyse per gebruikersgedragsimulatiemodel. ESP-r

SHOCC

1

Apparatuur

[W/m2]

Transparantie gevel

[m2]

2

Transparantie gevel

[m2]

Apparatuur

[W/m2]

Verlichting

[W/m2]

3

Verlichting

2

[W/m ]

Tabel 5.6: De drie meest invloedrijke factoren uit de FAST-analyse per gebruikersgedragsimulatiemodel. ESP-r

SHOCC

1

Verlichting

[W/m2]

Verlichting

[W/m2]

2

Transparantie gevel

[m2]

Apparatuur

[W/m2]

Transparantie gevel

[m2]

3

Apparatuur

2

[W/m ]

39.


5.5.3.2 Verandering invloed en gevoeligheid factoren Per prestatie-indicator kan de invloed van een factor variëren voor de gebruikersgedragmodellen. Voor de prestatie-indicatoren koudevraag (grootste verandering in Monte Carlo analyse) en minimale ruimtetemperatuur (kleinste verandering in Monte Carlo analyse) wordt hierna weergegeven welke variaties er voorkomen in de invloed van de factoren. Ook worden de vier invloedrijkste factoren gegeven. Koudevraag Uit tabel 5.2 blijkt dat er in de koudevraag een verschil ontstaat van 24% tussen ESP-r en SHOCC. Hierdoor wordt verwacht dat de invloedrijke factoren bij de verschillende gebruikersgedragmodellen een andere invloed hebben op de output. In tabel 5.7 zijn voor alle analysemethoden de invloedrijke factoren weergegeven. Achter elke factor staat een getal dat de verhouding weergeeft tussen de factor en de meest invloedrijke factor, hiermee wordt een indicatie gegeven over de invloed van de factor ten opzichte van de meest invloedrijke factor. Factoren met een laag verhoudingsgetal hebben dus relatief weinig invloed vergeleken met de meest invloedrijke factoren. De analysemethoden wijzen dezelfde belangrijk invloedrijke factoren aan (apparatuur, verlichting, transparantie gevel en ZTA). Door de FAST-analyse wordt echter een andere rangorde gegeven dan door de andere analysemethoden. Wanneer wordt gekeken naar de verandering in gevoeligheid tussen de gebruikersgedragmodellen dan valt op dat voor al deze invloedrijke factoren een grote verandering optreedt in de gevoeligheid (zie tabel 5.8). Voor de invloedrijke factoren van de FAST-analyse geldt -20%, -21% en 26%, voor Monte Carlo analyse met regressieanalyse 20%, 18% en -65%, voor de Morris-analyse 25%, 20% en -69%. Tabel 5.7: Per gevoeligheidsanalysemethode zijn de berekende invloedrijke factoren voor ESP-r en SHOCC weergegeven voor de prestatie-indicator koudevraag. Achter elke factor staat een getal dat de verhouding weergeeft tussen de factor en de meest invloedrijke factor. ESP-r SHOCC FAST MCA Morris FAST MCA Morris 1 2 3 4

ZTA trnsp.gevel apparatuur verlichting

1.00 0.98 0.78 0.59

apparatuur verlichting trnsp.gevel ZTA

1.00 0.86 0.85 0.51

apparatuur verlichting trnsp.gevel ZTA

1.00 0.99 0.95 0.56

apparatuur verlichting Rc ZTA

1.00 0.58 0.17 0.10

apparatuur verlichting trnsp.gevel SWM

1.00 0.84 0.24 0.12

apparatuur verlichting trnsp.gevel SWM

1.00 0.96 0.23 0.10

Tabel 5.8: Procentuele verandering in de gevoeligheid van de invloedrijke factoren tussen ESP-r en SHOCC voor de prestatie-indicator koudevraag. Deze percentages zijn berekend uit de resultaten van de gevoeligheidsanalyses en zijn terug te vinden in bijlage B5-1.5. Factor FAST MCA Morris apparatuur ZTA transparantie gevel verlichting

26% -20% -21% 12%

20% -91% -65% 18%

25% -94% -69% 20%

Minimale ruimtetemperatuur Uit tabel 5.2 blijkt dat er voor de minimale ruimtetemperatuur een verschil ontstaat van 1% tussen ESP-r en SHOCC. Hierdoor wordt verwacht dat de invloedrijke factoren bij de verschillende gebruikersgedragmodellen dezelfde invloed hebben op de output. Uit de resultaten blijkt dat de analyses inderdaad dezelfde factoren aanwijzen als belangrijke invloedrijke factoren (transparantie gevel, U-glas, vermogen verwarming, SWM). De Morris-analyse levert een rangorde die lichtelijk verschilt van de andere analysemethoden (zie tabel 5.9). De FAST-analyse en de Monte Carlo analyse met regressieanalyse en de Morris-analyse gegeven aan dat de gevoeligheid van deze invloedrijke factoren niet sterk verandert tussen de twee gebruikersgedragmodellen. De FAST-analyse geeft voor de belangrijkste factoren een verschil van respectievelijk -5% 2% en 0% (zie tabel 5.10). Voor de Monte Carlo analyse met regressieanalyse geldt 1%, -5% en -10%. De Morris-analyse geeft een verschil van 1%, -4% en -3%.

40.


Tabel 5.9: Per gevoeligheidsanalysemethode zijn de berekende invloedrijke factoren voor ESP-r en SHOCC weergegeven voor de prestatie-indicator minimale ruimtetemperatuur. Achter elke factor staat een getal dat de verhouding weergeeft tussen de factor en de meest invloedrijke factor. ESP-r SHOCC FAST MCA Morris FAST MCA Morris 1 2 3 4

trnsp.gevel U-glas verm.verw. SWM

1.00 0.35 0.32 0.13


1.00 0.46 0.40 0.32

trnsp.gevel U-glas SWM verm.verw.

1.00 0.51 0.37 0.36


1.00 0.44 0.36 0.16


1.00 0.44 0.36 0.32


1.00 0.49 0.35 0.34

Tabel 5.10: Procentuele verandering in de gevoeligheid van de invloedrijke factoren tussen ESP-r en SHOCC voor de prestatie-indicator minimale ruimtetemperatuur. Deze percentages zijn berekend uit de resultaten van de gevoeligheidsanalyses en zijn terug te vinden in bijlage B5-1.5. Factor FAST MCA Morris transparantie gevel U-glas vermogen verwarming SWM

5.5.4

-5% 2% 0% 1%

1% -5% -10% 1%

1% -4% -3% -7%

Discussie gevoeligheidsanalysemethoden

De analysemethoden voorspellen dezelfde invloedrijke factoren. Voor de ‘koudevraag’ valt op dat de volgorde van de factoren en het verhoudingsgetal van de factoren sterk kan veranderen per model. Dit is ook te zien bij de ‘maximale ruimtetemperatuur’ in bijlage B5. Voor de ‘minimale ruimtetemperatuur’ veranderen de volgorde en de verhoudingsgetallen veel minder sterk. De verandering in gevoeligheid wordt niet met elke analysemethode hetzelfde voorspeld. De resultaten van de Morris-analyse kunnen in sommige gevallen sterk verschillen van de resultaten van de andere analysemethoden (zie de ‘maximale ruimtetemperatuur’). Dit bevestigt dat de Morris-analyse niet kwantitatief kan worden toegepast (zie paragraaf 5.2.2). De FAST-analyse en Monte Carlo analyse met regressieanalyse lijken dezelfde resultaten te kunnen geven. Duidelijk moet zijn dat de FAST-analyse een kwantitatief oordeel geeft over de gevoeligheid van een factor. Zoals eerder aangegeven kan de Monte Carlo analyse met regressieanalyse dit alleen als R2 is 1 (zie paragraaf 5.2.1). Aangezien dit alleen in theorie voorkomt, kan deze analyse dus alleen kwalitatief iets zeggen over de invloed van de factoren. Maar aangezien de R2 voor de uitgevoerde simulaties erg hoog is (gemiddeld 0.921), blijkt het vergelijken van de verandering in de kwalitatieve waarden toch een goede indicatie te geven voor de verandering in de kwantitatieve waarden (vergeleken met de kwantitatieve resultaten van de FAST-analyse). Het aantal simulaties dat is toegepast voor de FAST-analyse is overigens beperkt gebleven tot 970 simulaties. Een groter aantal simulaties zou mogelijk de betrouwbaarheid van de resultaten kunnen vergroten De Monte Carlo analyse met regressieanalyse lijkt de meest geschikte analysemethode om de invloed van de factoren te bepalen. Deze methode vergt relatief weinig simulaties vergeleken met de FAST-analyse, respectievelijk 150 tegen 970 simulaties, maar leidt tot dezelfde conclusies. In het verdere verloop van dit verslag worden alleen de resultaten van de Monte Carlo analyse met regressieanalyse gebruikt. De spreiding die wordt aangenomen voor de gebouwgerelateerde factoren (zie bijlage B2) kan een grote invloed hebben op de resultaten van de gevoeligheidsanalyses. Het kan bijvoorbeeld voorkomen dat een factor in de werkelijkheid een erg grote invloed heeft op de gevoeligheid voor de gebruiker, maar dat de spreiding in de gevoeligheidsanalyse verkeerd wordt aangenomen. Wanneer een te kleine spreiding wordt aangenomen, dan zou uit de gevoeligheidsanalyse kunnen blijken dat de factor weinig invloed heeft. De invloed van een factor kan ook worden overschat, wanneer een te grote spreiding wordt aangenomen. Het is dus van belang dat er gedegen onderzoek wordt gedaan naar de spreiding in de factoren.

41.


5.5.5

Verklaring resultaten Monte Carlo analyse met resultaten gevoeligheidsanalyse

In deze paragraaf worden de resultaten van de Monte Carlo analyse uit tabel 5.2 verder besproken en nader verklaard met de gegevens uit de gevoeligheidsanalyses. 5.5.5.1 Warmtevraag Zonwering Het gebruik van zonwering wordt in het SHOCC-model nauwkeuriger gesimuleerd dan door ESP-r (zie hoofdstuk 2.2.1.2), waardoor de zonwering gedurende het jaar vaker gesloten zal zijn. Hierdoor zal met ESP-r meer zonnewarmte worden geabsorbeerd in de ruimte. Uit de resultaten blijkt dat SHOCC een geabsorbeerde zonnewarmte simuleert van 9 kWh/m2 per jaar tegen ESP-r met 28 kWh/m2 per jaar. Het grote verschil wordt voornamelijk veroorzaakt door piekbelastingen. In ESP-r is de zonwering dan nog net niet gesloten, maar in SHOCC wel. Dit verschil treedt voornamelijk op in het voorjaar en najaar, door de lage stand van de zon zal de gebruiker dan namelijk sneller verblind worden waarop de zonwering wordt gesloten (zie figuur 5.7 en 5.8). De warmtevraag wordt daarom, zoals verwacht, door ESP-r lager gesimuleerd dan door SHOCC, namelijk een verschil van 9%. Transparantie gevel Door het transparante deel van de gevel zal in de winter warmtetransmissie plaatsvinden naar buiten en zoninstraling naar binnen. In SHOCC worden de transmissieverliezen minder sterk gecompenseerd dan in ESP-r, doordat er in SHOCC minder zonnewarmte wordt geabsorbeerd aangezien de zonwering vaker gesloten is. Dit verklaart het verschil van 20% in de gevoeligheid van het transparante deel van de gevel (zie bijlage B5.3.1). ZTA Doordat de zonwering in SHOCC vaker is gesloten dan in ESP-r, is de invloed en gevoeligheid voor de ZTA in SHOCC een stuk kleiner. De ZTA-waarde die in de gevoeligheidsanalyse wordt meegenomen is namelijk de ZTA-waarde van het raam met geopende zonwering. Vanzelfsprekend zal deze ZTA in ESP-r dus vaker worden meegenomen in de simulaties dan in SHOCC. Er treedt een verschil op van 66% in de gevoeligheid tussen beide gebruikersgedragmodellen (zie bijlage B5.3.1). Apparatuur SHOCC simuleert de gebruikte apparatuur in de ruimte op een meer realistische manier dan ESP-r. In SHOCC worden de desktopcomputers in de ruimte na 15 minuten afwezigheid op 8% van het vermogen teruggeschakeld en na 30 minuten tot 3% van het vermogen. In de weekenden zullen de computers ongebruikt een sluimerstroom gebruiken van 3% van het totale vermogen (zie figuur 5.8). In ESP-r wordt een eenvoudig gebruikersprofiel toegepast, waarin de computers op een werkdag in de pauze worden gesimuleerd met 50% van hun vermogen en na de werktijden volledig worden uitgeschakeld (zie figuur 5.7). Door deze verschillende regelingen wordt in SHOCC met dezelfde apparatuur 10% meer warmte toegevoerd dan in ESP-r. Verlichting De verlichting wordt in SHOCC (indien ingeschakeld) na 10 minuten afwezigheid teruggeschakeld tot 2% van het energiegebruik. Ook de verlichting blijft dus een sluimerstroom gebruiken. De verlichting wordt in SHOCC echter door de gebruiker geschakeld op basis van het heersende daglichtniveau. Hierdoor wordt de verlichting een stuk efficiënter gebruikt dan in ESP-r. In ESP-r wordt het gebruik namelijk een stuk eenvoudiger gesimuleerd: de verlichting is ingeschakeld bij aanwezigheid, in de pauze wordt deze met 50% verlaagd en bij afwezigheid is de verlichting uitgeschakeld. In SHOCC wordt door de verlichting daarom 10% minder energie gebruikt dan in ESP-r. De verlichting is in ESP-r daarom gevoeliger dan in SHOCC, een verschil van 18% (zie bijlage B5.3.1).

42.


Figuur 5.7: Het gebruik van zonwering gesimuleerd door ESP-r, er ontstaan op de tweede dag hoge piekbelastingen. De zonwering wordt gesloten bij directe zonnestraling van 250 W/m2 op de gevel. ESP-r simuleert geen sluimerstroom door ongebruikte apparatuur.

Figuur 5.8: Het gebruik van zonwering gesimuleerd door ESP-r + SHOCC, er ontstaan op de tweede dag geen hoge piekbelastingen zoals in figuur 5.7. Zonwering wordt gesloten bij directe zonnestraling van 400 W/m2 op het werkvlak óf wanneer verblinding optreedt. De sluimerstroom van de apparatuur zorgt voor een extra warmtelast in de ruimte vergeleken met de simulatie van ESP-r. De verlichting wordt echter weer efficiënter geregeld waardoor een lagere warmtelast door de verlichting ontstaat vergeleken met ESP-r.

5.5.5.2 Koudevraag Zonwering Door het grote verschil in geabsorbeerde zonnewarmte zal volgens ESP-r in de zomer meer gekoeld moeten worden dan volgens SHOCC. Uit de resultaten blijkt dat de koudevraag door ESP-r inderdaad 24% hoger wordt voorspeld, dan door SHOCC. Transparantie gevel Hier valt een groot verschil op in de gevoeligheid van het transparante deel van de gevel, namelijk 65% (zie bijlage B5.3.2). Doordat in de zomer de zonwering vaker is geopend in ESP-r dan in SHOCC, heeft de grootte van het raam nu een groter effect op de koudevraag in ESP-r dan in SHOCC. ZTA Net als bij de warmtevraag heeft de ZTA ook hier een grotere invloed op de berekeningen in ESP-r dan op de berekeningen in SHOCC. Het verschil in de gevoeligheid van de ZTA is hier nog groter, namelijk 91% (zie bijlage B5.3.2). Dit grote verschil wordt veroorzaakt door de in de vorige paragraaf genoemde verschillen in het gebruik van de zonwering. Voor de koudevraag wordt het verschil versterkt, doordat de koudevraag ontstaat bij warm weer en veel zoninstraling. Op deze momenten wordt in SHOCC de zonwering sneller gesloten.

43.


Apparatuur Voor de apparatuur geldt hetzelfde als in de vorige paragraaf bij de warmtevraag. De apparatuur is in SHOCC 20% gevoeliger dan in ESP-r (zie bijlage B5.3.2). Verlichting De koudevraag ontstaat voornamelijk in de zomer, wanneer de buitenluchttemperaturen en de zonnestraling hoog zijn. Op deze momenten zal de zonwering in SHOCC vaker gesloten zijn dan in ESP-r. Hierdoor zal in SHOCC het daglichtniveau in de ruimte afnemen, waardoor de verlichting vaker wordt ingeschakeld. In combinatie met de sluimerstroom zal een grotere interne warmtelast ontstaan, die moet worden weggekoeld. Voor de verlichting is SHOCC daardoor gevoeliger dan ESP-r, namelijk 18% (zie bijlage B5.3.2). 5.5.5.3 Primair energiegebruik Voor beide modellen blijken ‘apparatuur’ en ‘verlichting’ de meest invloedrijke factoren te zijn (zie figuur 5.9 en bijlage B5.3.3). In de vorige paragrafen is beschreven dat de apparatuur in SHOCC een extra warmtelast veroorzaakt. Dit extra energiegebruik wordt echter weer gecompenseerd door het lagere energiegebruik door de verlichting. Wanneer naar het totale primaire energiegebruik wordt gekeken, zal de gevoeligheidsanalyse de invloed van deze factoren samen dus ongeveer gelijk stellen. Deze invloedrijke factoren verschillen daardoor nauwelijks van gevoeligheid, respectievelijk 5% en -6% (zie bijlage B5.3.3). De extra benodigde koeling door het verschil in het gebruik van de zonwering, veroorzaakt het verschil in de primaire energie. Hoewel deze indicator in deze casestudy niet gevoelig lijkt te zijn, kan de indicator wel gevoelig zijn in andere gebouwsimulaties. ESP-r: SRC-waarden - Primaire energiegebruik kantoorruimte (simulaties: 150)

SHOCC: SRC-waarden - Primaire energiegebruik kantoorruimte (simulaties: 150) apparatuur

apparatuur

verlichting

verlichting trans.gevel

trans.gevel

U-glas

ZTA SWM

Factor

Factor

SWM U-glas

!!LTA!!

vermogen koeling

!!ZTA!!

!!vermogen verwarming!!

!!Rc!! !!vermogen verwarming!!

!!LTA!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

!!vermogen koeling!! 0.2

0.4

0.6

0.8

1.0

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur 5.9: De invloedrijke factoren voor de prestatie-indicator ‘primaire energiegebruik’.

5.5.5.4 PMV De PMV blijkt erg ongevoelig te zijn in de simulaties voor deze casestudy. Er ontstaat weliswaar een groot verschil in de resultaten (26%, zie tabel 5.2), maar de absolute verschillen zijn verwaarloosbaar klein. Dit wordt veroorzaakt doordat het vermogen van de koeling en de verwarming in de casestudy altijd groot genoeg is om de ruimtetemperatuur binnen de comfortgrenzen te houden. 5.5.5.5 Maximale en minimale ruimteluchttemperatuur De maximale en minimale luchttemperatuur in de ruimte lijkt erg ongevoelig te zijn voor het soort gebruikersgedragmodel. De resultaten van ESP-r en SHOCC verschillen slechts met elkaar (zie tabel 5.2). De invloedrijke factoren voor de maximale temperatuur zijn in ESP-r net zo gevoelig als in SHOCC (zie figuur 5.10), dit geldt ook voor de minimale luchttemperatuur (bijlage B5.3.6).

44.


ESP-r: SRC-waarden - Minimale ruimtetemperatuur kantoorruimte (simulaties: 150)

SHOCC: SRC-waarden - Minimale ruimtetemperatuur kantoorruimte (simulaties: 150) trans.gevel

trans.gevel

U-glas

U-glas

vermogen verwarming

vermogen verwarming

SWM

SWM

apparatuur

Factor

Factor

verlichting ZTA

verlichting

apparatuur

!!LTA!!

!!LTA!!

!!ZTA!!

!!Rc!!

!!Rc!! !!vermogen koeling!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

!!vermogen koeling!! 0.6

0.8

1.0

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur 5.10: De invloedrijke factoren voor de prestatie-indicator ‘maximale ruimteluchttemperatuur’.

5.6 Meest invloedrijke factoren in de case study Uit de gevoeligheidanalyses blijkt dat een aantal factoren een grote invloed heeft op de keuze van een gebruikersgedragmodel. Andere factoren hebben weinig tot geen invloed op de keuze. De onderstaande factoren zullen voor alle prestatie-indicatoren een bepaalde invloed hebben op het te kiezen gebruikersgedragmodel. • U-glas • apparatuur • verlichting • ZTA • percentage transparantie gevel Verder volgt uit de gevoeligheidsanalyse dat de onderstaande prestatie-indicatoren gevoelig zijn voor het gekozen gebruikersgedragmodel. Voor deze indicatoren zal voor de casestudy altijd een geavanceerd gedragmodel moeten worden gekozen. • warmtevraag • koudevraag • primair energiegebruik De gegevens bovenstaande gegevens kunnen worden gebruikt in het stappenplan van figuur 5.3. Wanneer een ontwerpvariant voor de casestudy (en voor ieder gebouw dat lijkt op de casestudy) moet worden gesimuleerd, kan nu van tevoren worden bepaald welk gedragmodel moet worden toegepast. De gekozen methodologie kan worden toegepast om ook voor andere gebouwen te onderzoeken welke factoren de keuze voor het gebruikersgedragmodel beïnvloeden.

45.


6


In paragraaf 1.2.5 is het belang aangegeven van een gebouw dat robuust is voor het gedrag van de gebruiker. In dit hoofdstuk wordt onderzocht of met behulp van het nieuwe gecombineerde gebruikersgedragmodel de robuustheid van een gebouw voor het gebruikersgedrag kan worden bepaald. Om deze robuustheid te kunnen onderzoeken zijn verschillende gebruikerstypen gedefinieerd. Door het gebouwmodel vervolgens te simuleren met deze verschillende typen kan worden onderzocht hoe robuust het gebouw is voor de gebruiker. Voor een robuust gebouw zullen de waarden van de prestatie-indicatoren namelijk minder sterk variëren door het veranderende gedrag van de gebruiker, dan de waarden voor een niet-robuust gebouw. Voor vijf casestudies is de mate van robuustheid onderzocht. Allereerst worden in de volgende paragrafen de gebruikerstypen en de casestudies behandeld, waarna de resultaten van de analyse worden besproken. 6.1 Gebruikerstypen In hoofdstuk 2 en 4 zijn de eigenschappen van verschillende typen gebruikers beschreven. Uit deze hoofdstukken blijkt dat kantoorgebruikers op de onderstaande wijze kunnen worden gekarakteriseerd: • De gebruikers maken passief of actief gebruik van de zonwering en de verlichting (zie paragraaf 2.2.1.2). • De gebruikers hebben een constante of een onregelmatige aanwezigheid in de ruimte (zie paragraaf 2.3). • De gebruikers veroorzaken verschillende groottes van interne warmtelasten (zie paragraaf 4.3.3). De bovenstaande eigenschappen zijn gecombineerd tot vierentwintig verschillende gebruikerstypen. In bijlage B6 zijn de verschillende typen beschreven. Met behulp van ESP-r + SHOCC + USSU kunnen al deze gebruikerstypen worden gesimuleerd. 6.2 Casestudies Voor de vijf casestudies uit figuur 6.1 is met de beschreven gebruikerstypen de robuustheid van het gebouw onderzocht. De casestudies zijn gebaseerd op de kantoorruimte uit het vorige hoofdstuk (zie paragraaf 5.4.1 en bijlage B3). Voor deze kantoorruimte is bekend welke factoren de gevoeligheid voor het gebruikersgedrag beïnvloeden (zie paragraaf 5.6). Aan de hand van de resultaten uit de gevoeligheidanalyse zijn de casestudies opgesteld. Casestudy 1 bestaat uit een ontwerp met gemiddelde waarden voor de gevoelige factoren. De waarden voor de factoren zijn gebaseerd op waarden die in de werkelijkheid voorkomen (zie bijlage B2). In de overige casestudies worden de extreme waarden uit bijlage B2 gekozen. Er is gekozen voor de extreme waarden, zodat er tussen de casestudies duidelijke verschillen optreden in de mate van robuustheid. In tabel 6.1 zijn voor de vijf casestudies de toegepaste waarden weergegeven.

1

2

3

4

5

Figuur 6.1: De verschillende casestudies voor de kantoorruimte. 1: Gemiddeld, 2: Licht en dicht, 3: Licht en open, 4: Zwaar en dicht, 5: Zwaar en open.

46.


Tabel 6.1: De waarden voor de factoren die de robuustheid voor het gebruikersgedrag van de casestudies beïnvloeden (zie paragraaf 5.6). De uitgangspunten zijn de gemiddelde en de extreme waarden uit bijlage B2. Factor 2

1

2

3

4

5

Gemiddeld

Licht en

Licht en

Zwaar en

Zwaar en

dicht

open

dicht

open

U-glas

[W/m K]

2.1

3.0

3.0

1.2

1.2

ZTA

[-]

0.6

0.8

0.8

0.4

0.4

Perc. transp. gevel

[%]

35

10

90

10

90

2

SWM

[kg/m ]

50

5

5

100

100

Rc

[m2K/W]

2.5

4.0

4.0

1.3

1.3

6.3 Simulatieresultaten Wanneer een gebouw robuust is voor het gebruikersgedrag, dan zullen de prestaties van het gebouw voor elk type gebruiker gelijk zijn. Als maat voor de robuustheid wordt daarom de spreiding in de gesimuleerde waarden van de prestatie-indicatoren gebruikt. De waarden van de verschillende prestatie-indicatoren kunnen sterk verschillen tussen de casestudies. Om de casestudies toch goed te kunnen vergelijken is de variantiecoëfficiënt Cv berekend volgens formule 6.1. De absolute waarde van de variantiecoëfficiënt uitgedrukt in een percentage wordt de relatieve standaard deviatie RSD genoemd.

Cv =

σ μ

[6.1]

In figuur 6.2 en tabel 6.2 zijn de resultaten van de simulaties weergegeven. Per casestudy is voor een aantal prestatie-indicatoren de gemiddelde waarde en de relatieve standaard deviatie berekend (zie ook bijlage B7).

Relatieve standaarddeviatie per prestatie-indicator voor vijf casestudies

RSD per prestatie-indicator

120% 100% 80% 60% 40% 20% 0% 1 Gemiddeld

2 Licht en dicht

3 Licht en open

4 Zwaar en dicht

5 Zwaar en open

Casestudies Warmtevraag

Ko udevraag

P rimaire energiegebruik

M aximale temperatuur

Figuur 6.2: Resultaten van de simulaties met de vierentwintig verschillende gebruikerstypen. Per casestudy is voor de verschillende prestatie-indicatoren de relatieve standaard deviatie RSD weergegeven. Een lage RSD geeft aan dat de prestatie-indicator minder gevoelig is voor het gedrag van de gebruiker, dan een indicator met een hogere RSD. Casestudy 3 is vergeleken met de andere casestudies duidelijk het minst gevoelig voor het gebruikersgedrag.

47.


Tabel 6.2: Resultaten van de simulaties met de vierentwintig verschillende gebruikerstypen. Per casestudy is voor de verschillende prestatie-indicatoren de relatieve standaard deviatie RSD weergegeven. Een lage RSD geeft aan dat de prestatie-indicator minder gevoelig is voor het gedrag van de gebruiker, dan een hogere RSD. 1

2

3

4

5

Gemiddeld

Licht en

Licht en

Zwaar en

Zwaar en

dicht

open

dicht

open

Warmtevraag

57.8%

34.2%

23.7%

76.0%

54.9%

Koudevraag

92.9%

90.6%

39.8%

105.4%

75.4%

Primaire energie

58.4%

60.4%

47.1%

61.0%

57.0%

7.7%

14.9%

16.4%

5.3%

7.7%

Prestatie-indicator

Maximale temperatuur ruimte

De eerste drie prestatie-indicatoren uit tabel 6.2 (warmtevraag, koudevraag en primaire energie) zijn in casestudy 3 (licht en open) minder gevoelig voor het gedrag van de gebruiker, dan in de andere casestudies. De gemiddelde RSD-waarde van deze drie prestatie-indicatoren is voor casestudy 3 namelijk 36.9% tegen 69.7%, 61.7%, 80.8% en 62.5% voor respectievelijk casestudy 1, 2, 4 en 5. De maximale temperatuur in de ruimte is in casestudy 3 wel gevoeliger voor het gebruikersgedrag, dan in de andere casestudies, namelijk 16.4% tegen 7.7%, 14.9%, 5.3% en 7.7% voor respectievelijk casestudy 1, 2, 4 en 5. Uit de resultaten blijkt dat voor de eerste drie prestatie-indicatoren casestudy 3 het meest robuust is voor de gebruiker vergeleken met de andere casestudies. Dit wordt veroorzaakt door het grote glasoppervlak in de ruimte en de lage SWM. De invloed van het glasoppervlak wordt duidelijk door casestudy 3 te vergelijken met casestudy 2 (licht en dicht). Casestudy 2 heeft dezelfde SWM, maar een kleiner glasoppervlak dan casestudy 3. Uit de resultaten blijkt dat voor casestudy 2 de invloed van de gebruiker groter is dan voor casestudy 3 (vergelijk de gemiddelde RSD-waarden 61.7% tegen 36.9%). Op dezelfde wijze kan de invloed van de SWM worden aangetoond, hiertoe moet casestudy 3 worden vergeleken met casestudy 5 (zwaar en open). Casestudy 5 heeft hetzelfde glasoppervlak, maar een hogere SWM dan casestudy 3. Voor casestudy 3 is een gemiddelde RSDwaarde berekend van 36.9% tegen 62.5% voor casestudy 5. Casestudy 3 heeft blijkbaar een hoge robuustheid voor het gedrag van de gebruiker, dit kan worden verklaard door de grote invloed van het buitenklimaat. Door het grote glasoppervlak en de lage SWM worden de waarden van de prestatie-indicatoren voor het grootste gedeelte bepaalt door het buitenklimaat. In casestudy 4 (zwaar en dicht) heeft het buitenklimaat bijvoorbeeld bijna geen invloed op het gebouw. De invloed van de gebruiker is hier dan ook veel groter dan voor de andere casestudies (een gemiddelde RSD van 61.9% tegen 54.2%, 50.0%, 31.8% en 48.8% voor respectievelijk casestudy 1, 2, 3 en 5). De simulatieresultaten kunnen ook worden uitgesplitst naar het niveau van de interne warmteproductie (laag, gemiddeld, hoog). Voor deze niveaus zijn de berekende gemiddelde waarden (met spreiding) te vinden in bijlage B7. In figuur 6.3 is de procentuele verandering van deze gemiddelde waarden van de niveaus ‘gemiddeld’ en ‘hoog’ weergegeven ten opzichte van niveau ‘laag’. In de figuur is te zien dat een verhoging van de interne warmteproductie de grootste invloed heeft op de prestatie-indicatoren van casestudy 4 en de kleinste invloed op de indicatoren van casestudy 3. Ook hieruit blijkt dat casestudie 3 het meest robuust is voor het gedrag van de gebruiker. Aan de hand van de relatieve veranderingen (RSD) blijkt casestudy 3 de meest robuuste casestudy te zijn. Wanneer wordt gekeken naar de absolute waarden van de prestatie-indicatoren dan blijkt echter dat casestudy 3 een erg onrealistisch gebouw is. De gemiddelde maximale ruimtetemperatuur bedraagt bijvoorbeeld 48oC (zie bijlage B7). Vergeleken met casestudy 3 zijn de overige casestudies veel realistischer met een gemiddelde maximale ruimtetemperatuur rond de 27oC. Deze casestudies blijken echter veel minder robuust te zijn voor het gedrag van de gebruiker. Hieruit blijkt dat het niet eenvoudig is om een robuust gebouw te ontwerpen dat voldoet aan realistische prestatie-eisen.

48.


Vergelijking van de gemiddelde waarden van prestatie-indicatoren bij verschillende interne warmteproductie 1000%

Procentuele verandering van gemiddelde waarden van de prestatie-indicatoren t.o.v. lage intere warmteproductie

900% 800% 700% 600% 500% 400% 300% 200% 100% 0% laag

gemiddeld

hoog

Interne warmteproductie Casestudy 1

Casestudy 2

Casestudy 3

Casestudy 4

Casestudy 5

Figuur 6.3: Resultaten van de simulaties met verschillende gebruikersprofielen. Weergegeven is de procentuele verandering in de waarden van de prestatie-indicatoren van de gebruiksprofielen met een gemiddelde en een hoge interne warmteproductie t.o.v. de gebruikersprofielen met een lage interne warmteproductie. In de figuur is te zien dat een verhoging van de interne warmteproductie de grootste invloed heeft op de prestatie-indicatoren van casestudy 4, en de kleinste invloed op de indicatoren van casestudy 3.

Met behulp van de voorgestelde methodologie kan de mate van robuustheid van het gebouw voor het gebruikersgedrag worden onderzocht. In de ontwerpfase kan deze methodologie worden gebruikt om voor verschillende ontwerpvarianten te bepalen welke variant het meest robuust is voor de gebruiker.

49.


7

Conclusies en aanbevelingen

7.1 Conclusies Uit de literatuurstudie volgt het antwoord op de eerste onderzoeksvraag (zie paragraaf 1.4). De studie laat zien dat er twee methoden kunnen worden onderscheiden om de gebruiker te simuleren in een gebouwsimulatiemodel, namelijk door middel van gebruikersprofielen óf geavanceerde gebruikersgedragmodellen. 7.1.1

Eenvoudige gedragsimulaties

De gangbare manier om het gebruikersgedrag te representeren is met behulp van vooraf gedefinieerde gebruikersprofielen, de zogenaamde eenvoudige gedragsimulaties. Het nadeel van deze profielen is echter dat het gebruik onafhankelijk van het buitenklimaat en het gebouwontwerp wordt gesimuleerd. Dit is opmerkelijk aangezien het buitenklimaat en de ligging van een ruimte in een gebouw een grote invloed kunnen hebben op verschillende gebouwprestaties. Het gebruik van de gebruikersprofielen valt te rechtvaardigen in gebouwen met veel binnenzones. Maar het valt bijvoorbeeld niet te rechtvaardigen bij gebouwen waar efficiënt en duurzaam met de daglichttoetreding wordt omgegaan of bij gebouwen met veel uitzichtmogelijkheden naar buiten. Een ander nadeel van de gebruikersprofielen is de grootte van de toegepaste tijdstap. Het gebruik van verlichting of kantoorapparatuur wordt in veel profielen beschreven met een minimale tijdstap van één uur. In sommige gevallen leidt het toepassen van een kleinere tijdstap tot een sterke verbetering van de betrouwbaarheid van de simulatie. Verder gaan de profielen uit van een gebruiker die passief het binnenklimaat ondergaat. Een gebruiker zal echter reageren op wisselende binnencondities en wisselende weersomstandigheden. In bepaalde gevallen zullen de statische gebruikersprofielen het gedrag van de gebruiker nauwkeurig genoeg kunnen simuleren, in andere gevallen zal het toepassen van deze profielen leiden tot verschillen tussen de voorspelde en gerealiseerde gebouwprestaties. 7.1.2

Geavanceerde gedragsimulaties

Aangezien de voorgenoemde methode niet altijd voldoet, zijn er andere meer gedetailleerde methoden ontwikkeld. In deze methoden wordt het gedrag van de gebruiker voorspeld afhankelijk van onder meer het gebouwontwerp en het buitenklimaat. Deze zogenaamde geavanceerde gedragsimulaties richten zich echter op het voorspellen van de interactie tussen de gebruiker en zijn omgeving óf het voorspellen van de aanwezigheid van gebruikers in een ruimte. In het SHOCC-model (Sub-Hourly Occupancy Control) worden enkele bestaande gedragsmodellen samengevoegd. Het SHOCC-model is geïntegreerd in het gebouwsimulatieprogramma ESP-r. Door deze combinatie kan de invloed van de gebruiker op het gehele gebouw worden onderzocht. Het SHOCC-model in combinatie met ESP-r geeft met een kleine tijdstap (vijf minuten) een voorspelling van het gebruik en de invloed van het gebruik op kantoorruimten. De kleine tijdstap komt echter niet terug in de aanwezigheidsvoorspelling van het SHOCC-model. Hierdoor kunnen alleen eenvoudige bezettingspatronen worden gesimuleerd (patronen met weinig veranderingen per uur en per dag). Er is een reden om de mobiliteitsvoorspelling in SHOCC te willen verbeteren. Wanneer bijvoorbeeld wordt gekeken naar de regeling van de verlichtingsinstallatie in een gebouw, dan kan een grote energiebesparing optreden wanneer gebruik wordt gemaakt van aanwezigheidsdetectiesensoren. Het is echter onmogelijk om met het SHOCC-model een dergelijke mogelijke energiebesparing te voorspellen zonder dat de aanwezigheid in een ruimte goed kan worden voorspeld. Dit is wel mogelijk wanneer de mobiliteitsvoorspelling in het SHOCC-model wordt verbeterd. Uit de literatuurstudie is gebleken dat dit kan worden bereikt door het SHOCCmodel uit te breiden met het USSU-model (User simulation of space utilisation) (zie figuur 3.2). Het USSU-model simuleert de beweging van gebruikers door een gebouw en het gebruik van de ruimtes in een gebouw. Met behulp van het USSU-model kunnen aanwezigheidsprofielen worden gesimuleerd met een tijdstap van vijf minuten. De voorgestelde verbetering van het SHOCC-model met het USSU-model is vervolgens gerealiseerd in dit onderzoek.

50.


7.1.3

Beslissingsmethodologie gebruikersgedragmodel

De tweede onderzoeksvraag behandelt de vraagstelling wanneer het zinvol is om het gedrag van de gebruiker (nauwkeurig) te simuleren in een gebouwsimulatie (zie paragraaf 1.4). Een probleemstelling die daarmee samenhangt, is de vraag wanneer welke gebruikersgedragmodellen het beste kunnen worden toegepast. Met de uitbreiding van het SHOCC-model ontstaan er namelijk drie verschillende methoden om het gebruikersgedrag te voorspellen. De verschillende gedragsimulatiemodellen kunnen worden ingedeeld naar oplopende resolutie en complexiteit (zie tabel 3.1). Tijdens het modelleren van een gebouw moet een keuze worden gemaakt uit deze verschillende methoden. Het is vaak verleidelijk om te kiezen voor de meest geavanceerde en gedetailleerde methode, dit is echter niet altijd de meest verstandige keuze. Een verkeerde keuze leidt namelijk snel tot tijdsverspilling. De keuze die moet worden gemaakt is afhankelijk van de mate van de gevoeligheid van het gebouw voor de gebruiker. Deze gevoeligheid bepaald dus wanneer het zinvol is om het gedrag van de gebruiker te simuleren. Om een weloverwogen keuze te kunnen maken tussen de methoden, is het belangrijk om te weten door welke aspecten deze gevoeligheid voor de gebruiker wordt beïnvloed. Er zijn hiertoe twee groepen aspecten onderscheiden: de te onderzoeken gebouwprestaties en gebouwgerelateerde factoren. In dit onderzoek is een methodologie voorgesteld waarmee kan worden onderzocht in welke mate deze verschillende aspecten bijdragen aan de gevoeligheid. Deze methodologie leidt uiteindelijk tot de juiste keuze tussen de gebruikersgedragmodellen. 7.1.4

Gevoeligheidsanalyse

In de methodologie voor de keuze van een model worden de resultaten van gevoeligheidsanalyses gebruikt. Door middel van de gevoeligheidsanalyses wordt onderzocht of de waarden van de prestatie-indicatoren (behorende bij de te onderzoeken gebouwprestaties) en de invloed van de gebouwgerelateerde factoren veranderen bij toepassing van de verschillende gebruikersgedragmodellen. Hiertoe zijn drie gevoeligheidsanalysemethoden toegepast op een casestudy, waarna de resultaten van de methoden onderling zijn vergeleken. De analysemethoden voorspellen dezelfde invloedrijke factoren. De verandering in gevoeligheid kan echter niet met elke methode worden voorspeld. De kwantitatieve FAST-analyse geeft resultaten zoals verwacht zijn. De Monte Carlo analyse met regressieanalyse geeft nagenoeg dezelfde resultaten. Hierbij moet worden opgemerkt dat de waarden uit deze analyse alleen kwantitatief kunnen worden vergeleken als de R2 van het regressiemodel hoog is. De resultaten van de Morris-analyse verschillen in sommige gevallen sterk van de resultaten van de andere analysemethoden. Dit bevestigt dat de Morris-analyse niet kwantitatief kan worden toegepast. De Monte Carlo analyse met regressieanalyse lijkt de meest geschikte analysemethode om de invloed en de verandering in gevoeligheid van de factoren te bepalen. Deze methode vergt relatief weinig simulaties vergeleken met de FAST-analyse, respectievelijk 150 tegen 970 simulaties, en leidt tot dezelfde conclusies. Uit de gevoeligheidanalyses blijkt dat in de casestudy een aantal factoren een grote invloed heeft op de keuze van het gebruikersgedragmodel. Andere factoren hebben weinig tot geen invloed op de keuze. De factoren U-glas, apparatuur, verlichting, ZTA en het percentage transparantie van de gevel zullen voor alle prestatie-indicatoren een bepaalde invloed hebben op het te kiezen gebruikersgedragmodel. Verder volgt uit de gevoeligheidsanalyse dat de prestatie-indicatoren warmtevraag, koudevraag en primair energiegebruik gevoelig zijn voor het gekozen gebruikersgedragmodel, de overige onderzochte prestatie-indictoren blijken niet gevoelig te zijn. Deze bevindingen komen overeen met de verwachtingen uit paragraaf 4.2, uitgezonderd de PMV die niet gevoelig blijkt te zijn in deze casestudy. Voor de gevoelige prestatie-indicatoren zal voor deze casestudy altijd een geavanceerd gebruikersgedragmodel moeten worden gekozen. Voor de overige prestatie-indicatoren kan met een lagere instapresolutie worden begonnen, waarna met behulp van een gevoeligheidsanalyse kan worden bepaald of het de juiste modelresolutie is (zie het stappenplan in figuur 5.3). Voor de casestudy (en voor ieder gebouw dat lijkt op de casestudy) kan met deze gegevens van tevoren worden bepaald welk gedragmodel moet worden toegepast bij het toetsen van een

51.


gebouwprestatie van een bepaalde ontwerpvariant. De gekozen methodologie kan worden toegepast om ook voor andere typen gebouwen te onderzoeken welke factoren de keuze voor het gebruikersgedragmodel beïnvloeden. 7.1.5


Om antwoord te geven op de derde onderzoeksvraag (zie paragraaf 1.4) is onderzocht of het nieuwe gecombineerde gedragsimulatiemodel kan worden gebruikt om te onderzoeken hoe robuust een gebouwontwerp is voor het gedrag van verschillende soorten gebruikers. Om de robuustheid van een gebouw voor het gebruikersgedrag te kunnen onderzoeken zijn vierentwintig verschillende gebruikerstypen gedefinieerd. Met behulp van ESP-r + SHOCC + USSU kunnen al deze gebruikerstypen worden gesimuleerd. Door een gebouwontwerp vervolgens te simuleren met deze verschillende gebruikerstypen kan worden bepaald hoe robuust het gebouw is voor de gebruiker. Voor een robuust gebouw zullen de gebouwprestaties namelijk minder sterk variëren door het veranderende gedrag van de gebruiker, dan voor een niet-robuust gebouw. Als maat voor de robuustheid wordt daarom de spreiding in de gesimuleerde waarden van de prestatie-indicatoren gebruikt. De waarden van de verschillende prestatie-indicatoren kunnen sterk verschillen tussen de casestudies. Om de casestudies toch goed te kunnen vergelijken wordt de variantiecoëfficiënt berekend. Met behulp van de voorgestelde methodologie kan in het ontwerpproces voor verschillende ontwerpvarianten de mate van robuustheid voor het gebruikersgedrag worden onderzocht. 7.2 7.2.1

Aanbevelingen Uitgebreide gebruikersgedragsimulatie met USSU

Het USSU-model voorspelt niet alleen de aanwezigheid van gebruikers in een ruimte, maar ook de activiteiten van deze personen in een ruimte. In de samenwerking tussen SHOCC en USSU die in dit onderzoek is gerealiseerd, wordt alleen gebruik gemaakt van de aanwezigheidsvoorspelling van USSU. Mocht het nodig zijn, dan is het ook mogelijk om de door USSU voorspelde activiteiten te gebruiken in SHOCC om zo een nog nauwkeurigere gebouwsimulatie te verkrijgen. Wanneer in de toekomst nieuwe gebruikersgedragmodellen ontstaan, dan wordt de voorgestelde beslissingsmethodologie nog relevanter. 7.2.2

Gebruikersgedragsimulaties in de gebruiksfase van een gebouw

De levenscyclus van een gebouw kan worden ingedeeld in vier levensfases: de ontwerpfase, de realisatiefase, de gebruiksfase en de sloopfase. Niet in alle fases is het toepassen van gebouwsimulaties met gebruikersgedrag zinvol. Zoals uit dit onderzoek blijkt, kan een gedragsimulatie in de ontwerpfase erg bruikbaar zijn. In de gebruiksfase van een gebouw kan een gebouwsimulatie met een geavanceerd gebruikersgedrag echter ook nuttig zijn, bijvoorbeeld in een gebouwbeheersysteem. De invloed van het gedrag van de gebruiker op het gebouw kan worden voorspeld, zodat het gebouw hierop kan anticiperen. Zo wordt in de huidige gebouwbeheersystemen ook gebruik gemaakt van weersvoorspellingen om optimaal het binnenklimaat te kunnen regelen. Voor zover bekend zijn er geen gebouwbeheersystemen waarin de voorspelling van het gedrag van de gebruiker wordt toegepast. Verder kwam in het eerder genoemde masterproject [Hoes en De Vaan, 2005] een vraag naar voren van een energiemonitoringsbedrijf. De vraag was om te onderzoeken hoe de onzekerheden tussen het gemeten energiegebruik en het berekende energiegebruik verklaard konden worden. Wellicht kan een geavanceerde gebruikersgedragsimulatie hierbij nuttig zijn om de onzekerheden te verkleinen. Tegenwoordig krijgen veel oude gebouwen een nieuwe functie in herbestemmingplannen. Scholen worden woningen, kerken worden musea etc. De vraag is dan of de nieuwe functie met de nieuwe gebruikers past bij het oude gebouw. Mogelijk zou ook hier een robuustheidtest zoals beschreven in hoofdstuk 6 erg nuttig kunnen zijn.

52.


Referenties Bourgeois, D. (2005) “Detailed occupancy prediction, occupancy-sensing control and advanced behavioural modelling within whole-building energy simulation” PhD thesis, l’Université Laval, Québec Bourgeois, D., Reinhart C.F., Macdonald I. (2006) “Adding advanced behavioural models in whole building energy simulation: A study on the total energy impact of manual and automated Energy and Buildings 38, p814–p823 lighting control” Bourgeois, D (2007)

Université Laval, Québec, personal communication

Brager, G., De Dear, R., Cooper D. (1997) ASHRAE RP/884 and Preference”

February 2007

“Developing an Adaptive Model of Thermal Comfort

Building Future (2004) “Visie op de Ontwikkeling naar een Energie-neutrale Gebouwde Omgeving” TNO-bouw: 2004-BBE-B-597/KNB Breesch, H. (2006) “Natural Night Ventilation in Office Buildings -Performance Evaluation Based on Simulation, Uncertainty and Sensitivity Analysis” PhD thesis, Ghent University Clarke, J.A. (2001) “Energy simulation in building design – second edition” Butterworth-Heinemann

Oxford,

Clarke, J.A., Janak, M. (1998) “Simulating the thermal effects of daylight-controlled lighting” Building Performance (BEPAC), Vol 1, pp 21-23 CTSD Centre for Technology for Sustainable Development (2003) sustainability” TU/e dictaat 1710

“Technology

and

Climatic Design Consult (2001) “Relatie EPC en energiegebruik in de U-bouw; effectanalyse van CDC-rapport energiebesparende maatregelen” Degelman, L.O. (1999) “A model for simulation of daylighting and occupancy sensors as an energy Proceedings of Building Simulation ’99, Sixth International control strategy for office buildings” IBPSA Conference, Kyoto, pp 571-578 Djuneady, E. (2005) “External coupling between building energy simulation and computational fluid dynamics” PhD thesis, Technische Universiteit Eindhoven Fujii, H. (2003) “Coupling building simulation with agent simulation for exploration to Proceedings of the Eighth International IBPSA environmentally symbiotic architecture” Conference, pp 363-370 Helbing, D., Farkas, I., Vicsek, T. (2000) Nature 407, pp 487-490

“Simulating dynamical features of escape panic”

Hensen, J.L.M. (2004) “Towards more effective use of building performance simulation in design” Proceedings Seventh International Conference on Design & Decision Support Systems in Architecture and Urban Planning

53.


Hoes, P., Vaan, C.F.M. de (2005) ‘De gevoeligheidsanalyse masterproject, Technische Universiteit Eindhoven (ongepubliceerd)

van

gebouwsimulaties’

ISSO (2004) “Thermische behaaglijkheid als gebouwprestatie – Een nieuwe richtlijn voor ISSO-rapport 58.2 thermische behaaglijkheid in (kantoor)gebouwen” Knight, I.P., Dunn, G.N. (2003) “Evaluation of Heat Gains in UK Office Environments” Proceedings of CIBSE / ASHRAE Conference, Edinburgh, 24-26 September 2003 Kleijnen, J.P.C. (1995) “Sensitivity Analysis and Related Analyses: a Survey of Statistical International Symposium SAMO95 - Theory and applications of Sensitivity Analysis Techniques” of Model Output in computer simulation, Belgirate, Italy, 25-27 September 1995 Leyten, J.L., Kurvers, S.R. (2006) "Robustness of buildings and HVAC systems as a hypothetical construct explaining differences in building related health and comfort symptoms and Energy and Buildings 38, p701–p707 complaint rates" Lomas, K.J., Eppel, H. (1992) “Sensitivity analysis techniques for building thermal simulation programs”

Energy and Buildings 19, p21-p44

Macdonald, I.A. (2002) “Quantifying the effects of uncertainty in building simulation” PhD University of Strathclyde

thesis,

Mahdavi, A., Lambeva, L., Mohammadi, A., Kabir, E., Pröglhöf, C. (2007) “Two case studies on user interactions with buildings' environmental systems” Bauphysik - Volume 29, Issue 1 Montgomery, D.C., Runger, G.C., Hubele, N.F. (2001) “Engineering Statistics – second edition”

John Wiley & Sons Nicol, J.F. (2001) “Characterising occupant behaviour in buildings: towards a stochastic model of the Seventh of occupant use of windows, lights, blinds, heaters and fans” Proceedings International IBPSA Conference, pp 1073-1078 Reinhart, C.F. (2004) lighting and blinds”

“Lightswitch-2002: A model for manual and automated control of electric Solar Energy 77:1, pp 15-28

Reinhart, C.F. (2006) “Tutorial on the use of Daysim Simulations for Sustainable Design” Institute for Research in Constructions, National Research Counci, Canada Reinhart, C.F., Mardaljevic, J., Rogers, Z. (2006) “Dynamic Daylight Performance Metrics for Sustainable Building Design” LEUKOS – The journal of the illuminating engineering society of North America - Volume 3, Issue 1 Rijal, H.B., Tuohy, P., Humphreys, M.A., Nicol, J.F., Samuel, A., Clarke, J. (2007) “Using results from field surveys to predict the effect of open windows on thermal comfort and energy use in Energy and Buildings doi:10.1016/j.enbuild.2007.02.003 buildings” Saltelli, A., Bolado, R. (1998) “An alternative way to compute Fourier amplitude sensitivity test (FAST)”

Computational Statistics & Data Analysis, Vol 26, pp 445-460

Saltelli, A., Tarantola, S., Chan, K.P.S. (1999) “A Quantative model-independent method for global sensitivity analysis of model output”

Technometrics, Vol 41, No 1, pp 39-56

54.


Saltelli, A., Chan, K., Scott, E.M. (2000)

“Sensitivity analysis”

Saltelli, A., Tarantola, S., Campolongo, F., Ratto, M. (2004)

John Wiley & Sons

“Sensitivity analysis in practice”

John Wiley & Sons Soebarto, V.I., Williamson, T.J. (2001) “Multi-criteria assessment of building performance: theory and implementation,” Building and Environment, Vol 36, No 6, pp 681-690 Tabak, V. (2006) “Interaction in activity location scheduling” International Conference on Travel Behavior Research

Proceedings of the Eleventh

VonNeida, B., Maniccia, D., Tweed, A. (2001) “An analysis of the energy and cost savings potential Journal of the Illuminating of occupancy sensors for commercial lighting systems” Engineering Society #43 Vroon, P.A. (1990) VROM

“Psychologische aspecten van ziekmakende gebouwen”

Williamson, T.J. (1998) “Modelling People”

Ministerie van

Building Performance (BEPAC), Vol 1, pp 14-20

Wilson, R., Rutherford, P., Bridges, A., Branki, C. (2006) “Virtual Agents and Building Proceedings of IBPSA Australasia 2006 Conference Performance Evaluation– A position paper” Wit, M.S. De (2001)

“Uncertainty in predictions of thermal comfort in buildings”

PhD thesis,

Technische Universiteit Delft

55.


56.


Inhoudsopgave bijlagen Bijlage 1: Gevoeligheidsanalysemethoden .......................................................................B1 1.1 1.2 1.3

Monte Carlo analyse met regressieanalyse ............................................................. B1 Morris-analyse ................................................................................................... B3 FAST-analyse..................................................................................................... B5

Bijlage 2: Kwantificatie van factoren die gevoeligheid voor het gebruikersgedrag beïnvloeden .....................................................................................................................B6 Bijlage 3: Uitgangspunten casestudy kantoorruimte........................................................B7 3.1 3.2 3.3 3.4 3.5

Situering ........................................................................................................... B7 Geometrie base case .......................................................................................... B7 Constructies ...................................................................................................... B7 Gebruik kantoorruimte ........................................................................................ B8 Installaties ........................................................................................................ B8

Bijlage 4: Invoer gevoelige factoren in Matlab.................................................................B9 4.1 4.2

Genereer samplematrix ....................................................................................... B9 Uitvoeren en analyseren van simulaties ............................................................... B11

Bijlage 5: Simulatieresultaten gevoeligheidsanalyses....................................................B12 5.1 5.2 5.3 5.4 5.5

Simulatieresultaten Monte Carlo analyse.............................................................. B12 Bepaling sample grootte gevoeligheidsanalyses .................................................... B16 Simulatieresultaten Monte Carlo analyse met regressieanalyse................................ B23 Simulatieresultaten Morris-analyse ..................................................................... B29 Simulatieresultaten FAST-analyse ....................................................................... B35

Bijlage 6: Gebruikerstypen voor robuustheidtest ...........................................................B41 6.1 6.2 6.3 6.4

Soort gebruikers .............................................................................................. B41 Soort aanwezigheid .......................................................................................... B41 Soort interne warmtelast ................................................................................... B42 Gebruikerstypen............................................................................................... B42

Bijlage 7: Simulatieresultaten robuustheidtest ..............................................................B44 7.1 7.2 7.3 7.4 7.5

Casestudy Casestudy Casestudy Casestudy Casestudy

1: 2: 3: 4: 5:

Gemiddeld.................................................................................... B44 Licht en dicht................................................................................ B45 Licht en open................................................................................ B46 Zwaar en dicht.............................................................................. B47 Zwaar en open.............................................................................. B48

57.


58.


Bijlage 1: Gevoeligheidsanalysemethoden

Bijlage 1: Gevoeligheidsanalysemethoden 1.1 Monte Carlo analyse met regressieanalyse In de Monte Carlo analyse worden verschillende simulaties uitgevoerd waarbij alle factoren tegelijkertijd worden gevarieerd. Door vervolgens de resultaten van de verschillende simulaties te analyseren met een regressieanalyse kan per factor worden bepaald hoe groot de invloed is op het model. In paragraaf 5.5.2 wordt ingegaan op het aantal simulaties dat moet worden uitgevoerd om betrouwbare resultaten te verkrijgen. 1.1.1

Genereren van een steekproef

De eerste stap in de Monte Carlo analyse met regressieanalyse is het genereren van waarden voor de factoren. Zoals beschreven worden per simulatie de waarden voor alle factoren gevarieerd. Per factor wordt een steekproef genomen uit een spreiding die voorkomt in de factor. Over het algemeen wordt aangenomen dat de factoren verdeeld zijn volgens een normale verdeling; in bijlage B2 wordt verder ingegaan op de verdeling en de waarden voor de factoren. Er zijn verschillende statische methoden voor het genereren van een steekproef. De bekendste methoden zijn: • De aselecte steekproef. • De gestratificeerde steekproef. 1.1.1.1 Aselecte steekproef Met behulp van een computer wordt bij een aselecte steekproef aan de hand van de kansverdeling voor iedere variabele een set willekeurig gekozen data gegenereerd (x1, x2, x3…..xn). Het op deze manier uitvoeren van een aselecte steekproef wordt ook wel een pseudo-aselecte steekproef genoemd, omdat de getallensets worden gegenereerd door een computer met behulp van een deterministisch proces. Statistisch gezien heeft deze methode als voordeel dat hiermee een bepaalde onzekerheid in de output (y) gebaseerd is op volstrekt willekeurig gekozen data [Saltelli et al., 2000]. 1.1.1.2 Gestratificeerde steekproef Een gestratificeerde steekproef zorgt ervoor dat een volledige spreiding ontstaat in de steekproef over het bereik van de factor. Een veel gebruikte methode voor het genereren van een gestratificeerde steekproef is Latin hypercube sampling. Hierbij wordt het bereik van de factoren verdeeld in s gelijke subintervallen. Voor het genereren van een sample n wordt elk subinterval s/n keer gekozen. Het voordeel van Latin Hypercube sampling ten opzichte van een aselecte steekproef is dat een betere spreiding ontstaat van de waarde in de steekproef, waardoor minder waarden nodig zijn om een betrouwbare steekproef te genereren [Kleijnen, 1995]. Om goede resultaten te krijgen uit de regressieanalyse is het belangrijk dat voor elke steekproef een goede verdeling over het bereik van de factor bestaat. Bij een goede verdeling van de waarde in de steekproef zullen minder simulaties nodig zijn voor de regressieanalyse om tot betrouwbare resultaten te komen. Aangezien met Latin Hypercube Sampling de minste simulaties nodig zijn om een goede spreiding te bereiken wordt deze methode toegepast in dit onderzoek. 1.1.2

Multivariabele regressieanalyse

Nadat de simulaties zijn uitgevoerd kan met een multivariabele regressieanalyse worden gezocht naar het verband tussen de input en de output van het model. Per factor kan met de regressieanalyse worden bepaald hoe groot de invloed is op het model. Als er een lineair verband bestaat tussen de input en de output van het model dan kan dit worden beschreven volgens vergelijking [B1.1] [Montgomery et al., 2001].

Y=β 0 +β1 x1 +β 2 x 2 +...+β k x k

[B1.1]

B1.


waarin: Y = k = βj = xij =


waarde van de afhankelijke outputparameter; aantal onafhankelijke inputparameters; waarde van de jde regressiecoëfficiënt, j = 0, 1, … ,k; waarde van de jde inputparameter;

De regressiecoëfficiënt βj stelt de verwachte verandering in Y voor, wanneer xj één eenheid verandert en wanneer de waarden van alle andere inputparameters xi (i ≠ j) constant blijven. Met de regressieanalyse wordt aan de hand van waargenomen waarden voor Y en de daarbij waargenomen waarden voor xj een schatting gemaakt voor de regressiecoëfficiënten βj. De op deze manier geschatte regressielijn ligt zo goed mogelijk tussen de waargenomen waarden. De voorspelde y-waarden ŷi voor n waarnemingen op de geschatte regressielijn wordt volgens [B1.2]. ^

^

^

^

^

y i = β 0 + β1 x i1 + β 2 x i 2 +...+ β k x i k +ε i

waarin: = ŷi k = = βj = xij εi = ^

[B1.2]

ide voorspelde waarde van de afhankelijke outputparameter, i = 1, 2, … , n; aantal onafhankelijke inputparameters; waarde van de jde geschatte regressiecoëfficiënt, j = 0, 1, … ,k; waarde van de jde inputparameter bij ide waarneming; fout-term voor ŷi.

De fout-term εi wordt gedefinieerd als het verschil tussen de y-waarde yi en de corresponderende voorspelde y-waarde ŷi, dus εi = yi – ŷi. De schatting voor de beste regressiecoëfficiënten β j wordt gemaakt met behulp van de kleinste-kwadratenmethode (method of least squares). Met deze methode worden de coëfficiënten β j zo bepaald, dat de som van εi in het kwadraat minimaal is. Vervolgens kan met een t-toets worden onderzocht hoe significant de waarden van de regressiecoëfficiënten β j zijn voor het model. Een niet-significante parameter draagt weinig bij aan het model en zou kunnen worden verwijderd uit het regressiemodel. De significantie van de β j kan worden getoetst met behulp van de volgende hypothesetest: ^

^

^

^

^

H0: β j = 0 H1: β j ≠ 1

Nul hypothese: Alternatieve hypothese:

^

Als H0 wordt geaccepteerd, dan betekent dit dat parameter xj weinig invloed heeft op yj.. De regressiecoëfficiënt heeft dan namelijk een significant grote kans om 0 te zijn. De grootte van de kans dat H0 wordt aangenomen is daarom een maat voor de significantie van β j . Bij een kans P < 0,05 wordt de hypothese verworpen en is xj significant voor het model. De significante parameters kunnen vervolgens worden gerangschikt naar de mate van invloed op afhankelijke outputparameter. Hiertoe wordt het regressiemodel omgeschreven naar vergelijking [B1.3] [Saltelli et al., 2004]. ^

_ bs x - x y-y =∑ s s s j

j

j

[B1.3]

j

j

j

waarin:

y n'

y=∑ n

i =1

x = j

n

ij

i =1

⎡ (y − y ) ⎤ s = ⎢∑ ⎥ n − 1 ⎥⎦ ⎣⎢ 2

i

i

x

∑ n'

1/2

⎡ (x − x s = ⎢∑ n −1 ⎣⎢ ji

j

i

j

)

2

⎤ ⎥ ⎦⎥

1 /2

Hierin wordt de factor bjŝj/ŝ de Standardized Regression Coefficient (SRC) genoemd. De SRC beschrijft de invloed van de specifieke inputparameter op de afhankelijke parameter, terwijl de

B2.



andere inputparameters hun nominale waarde behouden. De SRC geeft goede resultaten, indien de inputwaarden onafhankelijk van elkaar zijn. Voordat de SRC kan worden gebruikt, is het belangrijk om na te gaan hoe goed de voorspellingen van het regressiemodel zijn. Dit kan kwantitatief worden beoordeeld met behulp van de determinatiecoëfficiënt R2. De determinatiecoëfficiënt wordt beschreven als [B1.4]. N

∑ (yˆ -y)

2

R Y= 2

i=1 N

i

[B1.4]

∑ (y -y)

2

i=1

i

De determinatiecoëfficiënt geeft weer welk deel van de variantie wordt voorspeld door het regressiemodel. Een R2 van 0,8 betekent bijvoorbeeld dat 20% van de variantie in het model niet kan worden voorspeld met het regressiemodel. Dus hoe dichter de determinatiecoëfficiënt bij 1 ligt, hoe betrouwbaarder de voorspellingen van het regressiemodel zijn. Een lage R2 betekent niet dat het regressiemodel slecht is, de resultaten kunnen dan alleen niet goed kwantitatief worden vergeleken. De rangschikking van de factoren naar de invloed op de output kan veranderen als de niet verklaarde variantie zou worden meegenomen in het model. De SRC geven dus meer informatie over het lineaire regressiemodel dat wordt gebruikt om een systeem te beschrijven, dan over het systeem zelf [Saltelli et al., 1999]. Wanneer er een niet-lineair verband bestaat tussen de input en de output, dan zal de SRC vaak een slechte weergave zijn van de invloed parameters. Om die reden is voor de regressieanalyse een niet-lineaire variant ontwikkeld, de Standardised Rank Regression Coefficient (SRRC). Hierbij worden de data geordend naar grootte, de kleinste waarde wordt 1 genoemd en de hoogst waarde N. De kleinste-kwadratenmethode zal nu geheel op deze nieuwe notatie worden gebaseerd en om zo de nieuwe SRC, de SRRC, te bepalen. Vervolgens wordt de bijbehorende determinatiecoëfficiënt bepaald. Wanneer deze nieuwe R2 hoger is dan bij de SRC, dan duidt dit op een niet-lineair verband en dient de SRRC te worden gebruikt. Het opnieuw rangschikken van de factoren zorgt echter voor een verandering in het regressiemodel, waardoor de resultaten nog meer kwalitatief worden [Saltelli et al., 1999]. 1.2 Morris-analyse De Morris-analyse is een voorbeeld van een lokale one-at-a-time methode. De One-at-a-time methode bestudeert de afzonderlijke invloed van elke factor op een model. In deze methode worden de waarden van de factoren één voor één gevarieerd, waarna het resultaat wordt geëvalueerd. De methode is relatief eenvoudig toe te passen. Het aantal benodigde simulaties is afhankelijk van het aantal inputfactoren van het model. Het nadeel van de methode is echter dat de interactie van de factoren onderling in het model niet wordt bestudeerd. Alleen de eerste afgeleide effecten worden bepaald [De Wit, 1997]. De methode van de Morris-analyse is een speciaal geval van een One-at-a-time methode. De methode kan namelijk wel een indicatie geven van de interactie tussen factoren [Saltelli et al., 1999]. Ondanks het lokale karakter van de Morris-analyse, heeft de methode dus ook kenmerken van een globale analysemethode. De methode van de Morris-analyse bepaalt de gevoeligheid van factoren aan de hand van het zogenaamde ‘elementaire effect’ van deze factoren. Het elementaire effect van een factor is de verandering in de modeloutput ten gevolge van een verandering in de waarde van deze factor, terwijl de andere factoren in de sample een vaste waarden behouden. Wanneer het verband tussen de input en de output van een model niet-lineair is óf wanneer de factoren niet onderling onafhankelijk zijn, dan zal het elementaire effect afhankelijk zijn van het gekozen punt in het bereik van de factor. Om een goed beeld te krijgen van de variatie van de elementaire effecten in het bereik van de factor wordt daarom op een aantal verschillende punten in het bereik het elementaire effect berekend. Een hoog gemiddelde van de berekende elementaire effecten van een factor duidt op een grote invloed op de output. Een grote standaard deviatie duidt erop dat het verband tussen deze factor en de output niet lineair is of dat deze afhankelijk is van de waarde van de andere factoren.

B3.



In de Morris-analyse wordt allereerst het bereik van alle k parameters in de inputvector (x) verschaald naar een bereik van [0,1]. Hierbij staat 0 voor de minimale waarde en 1 voor de maximale waarde van de parameter. De tussenwaarden worden berekend met 1/(p-1), 2/(p-1), … etc. Hierin geeft p de grootte van het grid aan in het bereik. De stapgrootte bepaald door p wordt weergegeven met Δ = 1/(p-1). Deze stapgrootte bepaalt ook het aantal benodigde simulaties. Aanbevolen wordt een stapgrootte van minimaal p = 4. Daaruit volgt een aantal simulaties van: p . k + p. Het elementaire effect d van de ide inputparameter wordt berekend volgens [B1.5].

di (x) =

y(x1,..., xi + Δ,....xk ) − y(x) Δ

[B1.5]

De verdeling van het aantal elementaire effecten van de ide parameter wordt Fi genoemd. In afwijking op het werk van Morris heeft Campolongo voorgesteld om ook de absolute waarden van de verdeling van elementaire effecten van de ide parameter Gi te beschouwen. Voor de als rangschikking naar gevoeligheid van de parameters wordt het gemiddelde μ van Gi belangrijkste waarde gezien [Saltelli, et al., 2004]. De standaard deviatie σ van Fi wordt gebruikt om parameters op te sporen die afhankelijk van elkaar zijn of die een niet-lineair effect hebben. Met de Morris-analyse kan alleen een kwalitatieve gevoeligheidsanalyse worden uitgevoerd. De analyse kan in principe alleen worden gebruikt om de parameters te rangschikken naar gevoeligheid. ESP-r: Morris-analyse - warmtevraag kantoorruimte

SHOCC: Morris-analyse - warmtevraag kantoorruimte

3.0

3.0

2.5

2.5

U-glas

2.0

apparatuur

U-glas

2.0

1.5

σ

σ

apparatuur ZTA

1.5

trans.gevel

trans.gevel 1.0

1.0

ZTA

verlichting

0.5

0.0 0

vermogen vermogen koeling verwarming 1

verlichting

0.5

SWM

SWM

2

3

4

μ

5

6

7

8

0.0 0

vermogen vermogen koeling verwarming 1

2

3

4

μ

5

6

7

8

Figuur B1.1: Voorbeeld resultaat van de Morris-analyse. In de grafiek is de μ uitgezet tegen de σ. De μ is het gemiddelde van de elementaire effecten van de factor. Een grote μ betekent dat de factor een grote invloed heeft op het model. De σ geeft de spreiding weer van de elementaire effecten van de factor. Een grote σ betekent dat de factor mogelijk sterk afhankelijk is van andere factoren.

1.2.1

Vergelijking van gevoeligheid

In dit onderzoek worden met verschillende modellen simulaties uitgevoerd en wordt onderzocht of er een verschil optreedt in de invloed van de factoren tussen de modellen. Om een goede vergelijking te kunnen maken zijn kwantitatieve waarden nodig van de invloed van een factor. Met behulp van de Morris-analyse kunnen in principe alleen kwalitatieve resultaten worden verkregen. Het is hierdoor moeilijk om de resultaten van de verschillende modellen te vergelijken. In dit onderzoek is bestudeerd of het toch mogelijk is om een globale indruk te krijgen van het verschil in invloed van een factor. In figuur B1.1 kan snel worden gezien welke factoren een grote invloed hebben op de output. De waarden van de modellen kunnen echter niet onderling worden vergeleken, omdat de gemiddelde gesimuleerde waarden onderling sterk verschillen. Een bepaalde μ zal bijvoorbeeld een andere invloed hebben op een gemiddelde waarde van 10, dan op een waarde van 50. Als de gesimuleerde gemiddelden van een prestatie-indicator dus ver uit elkaar liggen in de Monte Carlo analyse, dan kunnen de waarden uit de Morris-analyse moeilijk te vergelijken zijn. Door de invloed van μ te standaardiseren kan dit worden opgelost. Hiertoe worden alle μ waarden gestandaardiseerd volgens [B1.6].

μ standaard =

μ Morris μ MCA

[B1.6]

B4.



Met de gestandaardiseerde waarden voor μ kan per factor het verschil in invloed voor de gebruikersgedragmodellen worden vergeleken. Een hogere μstandaard betekent een grotere invloed van de factor t.o.v. μMCA, dan een lagere μstandaard. In tabel in bijlage B5.4 zijn alle berekende waarden opgenomen. 1.3 FAST-analyse De (extended) FAST-analyse is een globale gevoeligheidsanalysemethode gebaseerd op het onderzoeken van de outputvariantie. Met behulp van de FAST-analyse (Fourier Amplitude Sensitivity Test) kan de invloed van de verschillende factoren kwantitatief worden bepaald aan de hand van de zogenaamde ‘total sensitivity indices’. De totale variantie D van de output van een model is samengesteld uit de variantietermen volgens [B1.7]. D(Y ) =

n

∑ Di + ∑ Dij + ∑ i =1

i< j

i < j
Dijm + ... + D1,2...,n

[B1.7]

Het eerste-orde effect (main effect) van factor i wordt geformuleerd volgens [B1.8]. Het totale effect voor factor i wordt berekend volgens [B1.9] waarin D-i de som is van alle variantietermen waarin de index i niet voorkomt. Si =

STi =

Di D(Y ) D(Y ) − D− i D(Y )

[B1.8]

[B1.9]

Met behulp van de ‘total sensitivity indices’ kunnen per factor zowel de eerste orde effecten als ook de hogere orde en totale effecten op de output worden berekend. De FAST-analyse berekent de ‘total sensitivity indices’ door met behulp van een zoek-curve de multidimensionale ruimte van de inputfactoren te onderzoeken. Het principe van de analyse is gebaseerd op het toepassen van een Fourrier-tranformatie om de multidimensionale integraal van de factoren te converteren naar een eendimensionale integraal. De Fourrier-transformatie wordt toegepast omdat het eenvoudiger is om een eendimenisionale integraal te analyseren, dan de multidimensionale integraal. In [Saltelli et al., 1999] wordt deze methode uitgebreid besproken. Voor het uitvoeren van de FAST-analyse zijn relatief veel simulaties nodig vergeleken met de eerder genoemde analysemethoden.

B5.


Bijlage 2: Kwantificatie van factoren

Bijlage 2: Kwantificatie van factoren die gevoeligheid voor het gebruikersgedrag beïnvloeden Functie van het gebouw en soort gebruiker

1 aantal personen per vloeroppervlakte (grootte organisatie) 2 mate van mobiliteit van personen

Eenheid

Min

Simulatiewaarden Gem Max

4.3

11.1

22.8

3.1

1

4

8

1.2

Gevoelige factor

SD 2

m /persoon wisselingen van ruimte per uur

Bouwfysisch en installatietechnisch concept van een ontwerp Simulatiewaarden Gem Max

Gevoelige factor Min

Eenheid SD

reactietijd gebouw 3

Specifiek Werkzame Massa (SWM)

100

15.8

kg/m

500

800

100.0

W

650

1250

150.0

W

6

35

100

15.7

%

5

50

200 300

2

reactietijd installatie 4

maximale vermogen verwarming maximale vermogen koeling grootte oppervlak buitenraam

5

percentage transparantdeel totale gevel grootte van invloed buitenklimaat op binnenklimaat warmtetransport door transparante geveldelen

6

- zontoetredingsfactor (ZTA-waarde)

0.4

0.6

0.85

0.1

-

7

- grootte transparante oppervlakken, zie 5

-

-

-

-

m

8

- warmtedoorgangscoëfficiënt glas (Uglas)

1.2

2.1

3

0.3

W/m K

1.3

2.5

4

0.5

m K/W

2 2

warmtetransport door dichte geveldelen 9

- warmteweerstand constructie (Rc)

2

daglichttoetreding 10

0.7

0.75

0.8

0.0

-

11 warmteproductie door verlichting in ruimte

- lichtdoorlaatfactor glas (LTA) en reductiefactoren

6.2

12.7

33.9

4.6

W/m

2

12 warmteproductie door apparatuur in ruimte

5.7

17.5

34

4.7

W/m

2

Relatie gebruiker met gebouw Simulatiekeuzes

Eenheid

13 mogelijkheid tot regelen verlichting in ruimte

constant / handmatig / automatisch

-

14 mogelijkheid tot regelen binnentemperatuur


-

15 mogelijkheid tot regelen stand zonwering


-

Simulatiekeuzes

Eenheid

gematigd/extreem

-

Gevoelige factor

Buitenklimaat Gevoelige factor 17 buitenklimaat

Opmerkingen/referenties [1] uit [Knight, 2003] [2] Geen referentie. Gebaseerd op metingen door [Tabak, 2006] op vloer 9 van het Vertigo-gebouw op de Technische Universiteit Eindhoven. Matig flexibele werkomgeving; midden flexibele werkomgeving; hoog flexibele werkomgeving; [3] De specifieke werkzame massa (SWM) van een vertrek wordt gedefinieerd als de som van de werkzame massa's van de vertrekbegrenzingsvlakken gedeeld [4] De verwarming kan de warmtetransmissie door de gevel compenseren. Een gemiddelde waarde, met een minimum en maximum, is berekend gebaseerd op de minimale en maximale grootte van het transparante geveldeel en de Rc-waarden van de gevel. De koelinginstallatie kan de gehele interne warmtelast wegkoelen. Een gemiddelde waarde, met een minimum en maximum, is berekend gebaseerd op de minimale en maximale interne warmtelasten in de ruimte. [5] Minimum, voor een kantoorfunctie geldt dat het equivalente daglichtoppervlak Ae minimaal 2,5% is van het vloeroppervlak (met mimimum van > 0,5 m2) [6] Zontoetredingsfactoren (zonwerend dubbelglas, dubbel glas, enkel glas) [poly technischzakboekje, tabel F5/14 tabel 1.11] [8] Uit NEN 5128: tabel 'Warmtedoorgangscoëfficiënten van complete raampartijen' [9] Minimum: niet permanente gebouwen uit NEN 1068. Gemiddeld: 2,5 W/m2K uit NEN 1068. [10] Minimum: Lichttoetredingsfactor enkel glas. Gemiddeld: Lichttoetredingsfactor dubbel glas. Maximum: Lichttoetredingsfactor HR++ [uit 'Glas in de bouw' [11] uit [Knight, 2003] [12] uit [Knight, 2003] [17] Gematigd: bijvoorbeeld Brussel. Extreem: bijvoorbeeld Canada.

B6.


Bijlage 3: Uitgangspunten casestudy kantoorruimte

Bijlage 3: Uitgangspunten casestudy kantoorruimte In deze bijlage worden de uitgangspunten van de toegepaste casestudy besproken. De situering en de geometrie komen aan bod, evenals de opbouw van de bouwkundigeconstructies, het gebruik van de ruimte en de toegepaste installaties. 3.1 Situering De casestudy is gelegen in een stedelijke omgeving op breedtegraad 50.90 en lengtegraad -10.47. Als klimaatfile is ‘bel_brussels_iwec’ toegepast (zie figuur B3.1). De gemiddelde temperatuur is 10.3oC met een standaard deviatie van 6.7oC. De maximum temperatuur bedraagt 34.0oC op 10 augustus en de minimum temperatuur -9.1oC op 13 februari.

Figuur B3.1: Frequentie histogram van de buitentemperatuur voor de klimaatfile ‘bel_brussels_iwec’. De gemiddelde temperatuur is 10.3oC met een standaard deviatie van 6.7oC. De maximum temperatuur bedraagt 34.0oC op 10 augustus en de minimum temperatuur -9.1oC op 13 februari.

3.2 Geometrie base case De kantoorruimte van de casestudy is gelegen op de beganegrond van een kantoorgebouw en heeft een plattegrond van 3 bij 5 meter met een hoogte van 3 meter. De zuidzijde van de ruimte grenst aan het buitenklimaat, de overige bouwdelen scheiden de ruimte van de rest van het gebouw. In de zuidgevel bevindt zich een niet te openen raam van 2.0 bij 1.3 meter op een hoogte van 0.95 meter boven de vloer. In de ruimte is zonwering aanwezig.

Figuur B3.2: Geometrie van de kantoorruimte uit de casestudy.

3.3 Constructies In de kantoorruimte zijn de constructies toegepast uit de tabellen B3.1, B3.2, B3.3 en B3.4. Het Dbase-ID-nummer in de tabel verwijst naar het nummer van de materialen in de standaard

B7.


Bijlage 3: Uitgangspunten casestudy kantoorruimte

materialen database van ESP-r. De raamconstructie bestaat uit dubbel glas (6-12-6) met een Uwaarde van 2.1 W/(m2K), een ZTA van 0.6 en een LTA van 0.7. Tabel B3.1: Constructie van de buitenmuur in de casestudy. Dbase

Materiaal

Dikte

ID Buiten

4

Baksteen

0

Luchtspouw

203 Binnen

28

Isolatiemateriaal Bouwblokken (beton)

Warmte-

Soortelijke

Soortelijke

geleiding

massa

warmte

3

[mm]

[W/mK]

[kg/m ]

[J/kgK]

100

0.96

2000

650

50

-

-

-

90

0.04

10

1400

120

0.51

1400

1000

Tabel B3.2: Constructie van de binnenmuur in de casestudy. Dbase

Materiaal

Dikte

Warmte-

Soortelijke

Soortelijke

geleiding

massa

warmte

[mm]

[W/mK]

[kg/m3]

[J/kgK]

150

0.51

1400

1000

Warmte-

Soortelijke

Soortelijke

geleiding

massa

warmte

3

[J/kgK]

ID 28

Bouwblokken (beton)

Tabel B3.3: Constructie van de vloer in de casestudy. Dbase

Materiaal

Dikte

ID Buiten

[mm]

[W/mK]

[kg/m ]

263

Standaard grond

300

1.28

1460

879

262

Gravel

300

0.52

2050

184

Geëxpandeerde PVC

300

0.04

100

750

80

1.13

1400

1000

215 Binnen

37

Beton

Tabel B3.4: Constructie van het plafond in de casestudy. Dbase

Materiaal

Dikte

Warmte-

Soortelijke

Soortelijke

geleiding

massa

warmte

[mm]

[W/mK]

[kg/m3]

[J/kgK]

ID Buiten

21

Licht beton

50

0.38

1200

653

72

Multiplex

16

0.15

700

1420

Luchtspouw

19

-

-

-

Gipsplaat

13

0.19

950

840

0 Binnen

108

3.4 Gebruik kantoorruimte De ruimte wordt bezet door twee personen die aanwezig zijn van 8.30 uur tot 17.00 uur met een pauze van één uur om 12:00 uur. In de ruimte zijn twee desktopcomputers aanwezig. De verlichting bestaat uit tien tl-balken. In bijlage B2 wordt de apparatuur verder gespecificeerd. 3.5 Installaties De ruimte is voorzien van luchtkoeling. De koeling kan de gehele interne warmtelast wegkoelen. Een gemiddelde waarde, met een minimum en maximum, is berekend gebaseerd op de minimale en maximale interne warmtelasten in de ruimte (zie bijlage B2). De ruimte is voorzien van luchtverwarming. De verwarming kan de warmtetransmissie door de gevel compenseren. Een gemiddelde waarde, met een minimum en maximum, is berekend gebaseerd op de minimale en maximale grootte van het transparante geveldeel en de Rc-waarden van de gevel. In de ruimte vindt een luchtinfiltratie plaatst van 0.25 liter/s per m2 over de gevel.

B8.


Bijlage 4: Invoer gevoelige factoren in Matlab

Bijlage 4: Invoer gevoelige factoren in Matlab In figuur B4.1 zijn de verschillende benodigde stappen voor het uitvoeren van gevoeligheidsanalyse weergegeven. In deze bijlage worden de stappen 3, 4 en 5 besproken.

een

Figuur B4.1: De benodigde stappen voor het uitvoeren van een gevoeligheidsanalyse (zie paragraaf 5.1). De stappen 3, 4 en 5 (grijs gearceerd) worden in deze bijlage besproken.

4.1 Genereer samplematrix In hoofdstuk 4 is onderzocht welke parameters worden meegenomen in de gevoeligheidsanalyse. In bijlage B2 is vervolgens onderzocht welke spreiding kan voorkomen in de parameters. Stap 3 uit figuur B4.1 bestaat uit het genereren van een samplematrix. De gegevens uit hoofdstuk 4 en bijlage B2 worden hierbij gebruikt om waarden voor de samplematrix te genereren zijn. De waarden worden genereerd door Matlab met behulp van de gevoeligheidsanalysetool Simlab. Vervolgens wordt door Matlab voor ieder uniek gebouwmodel (oftewel een rij in de samplematrix) een set invoerbestanden gemaakt voor ESP-r (zie figuur B4.2). De onderstaande tien parameters worden gevarieerd in de gevoeligheidsanalyse, in de volgende paragrafen wordt per parameter besproken hoe deze is meegenomen in de analyse. De tien parameters worden door ESP-r gedefinieerd in een aantal invoerbestanden. In tabel B4.1 zijn de relevante invoerbestanden opgesomd samen met de functie van het bestand. • • • • • • • • • •

Specifiek Werkzame Massa percentage transparantdeel totale gevel zontoetredingsfactor (ZTA-waarde) warmtedoorgangscoefficient glas (Uglas) warmteweerstand constructie (Rc) lichtdoorlaatfactor glas (LTA) hoeveelheid verlichting in ruimte (W/m2) hoeveelheid apparatuur in ruimte (W/m2) vermogen installatie verwarming vermogen installatie koeling

Tabel B4.1: Invoerbestanden voor ESP-r en SHOCC. ESP-r .geo

Invoerbestand definieert: de geometrie van het gebouw

.con

de opbouw van de bouwkundige constructies van het gebouw

.tmc

de (controlemogelijkheden over) transparante geveldelen

.ctl

de controlemogelijkheden over klimaatinstallaties

.opr

het gebruik van de ruimte (apparatuur, verlichting, aanwezigheid)

SHOCC

Invoerbestand definieert:

.shl .shz

het gebruik van de ruimte (soort en aantal objecten) de objecten in de ruimte (apparatuur, verlichting, aanwezigheid)

.dc

de daglichtcoëfficiënten

Figuur B4.2: Het genereren van een samplematrix en invoerbestanden voor ESP-r (Stap 3 uit figuur B4.1).

B9.


4.1.1


Specifiek Werkzame Massa

De specifieke werkzame massa (SWM) van een vertrek is gedefinieerd als de som van de werkzame massa's van de vertrekbegrenzingsvlakken gedeeld door het totale inwendige vertrekoppervlak (zie NEN 5067). De SWM kan worden berekend met formule [B4.1].

∑ (f

SWM =

waarin: f ρ Aw d

= = = =

⋅ ρ ⋅ d ⋅ Aw)

[B4.1]

∑ (Aw)

reductiefactor voor isolerende deklaag soortelijke massa in het van binnenuit zichtbare wandoppervlak de werkzame dikte, de halve feitelijke dikte met een maximum van 0,06 meter

[-] [kg/m3] [m2] [m]

De SWM is veranderd door het variëren van de soortelijke massa van het beton (ρbeton) tussen 200 kg/m3 (licht beton) en 2500 kg/m3 (zwaar beton), dit is gedaan in het ESP-r-.con-bestand. Voor het kantoormodel is de ρbeton berekend volgens formule B4.2. (SWM ⋅ 70.0) -

∑

(Aw ⋅ d)

[B4.2]

sf5+sf7

ρbeton =

∑

(Aw ⋅ d)

sf1...sf6

In tabel B4.2 zijn de verschillende surfaces (sf) van het kantoormodel weergegeven. De oppervlakte van deze surfaces zijn benodigd in de berekeningen met formule [B4.2]. Tabel B4.2: Overzicht van de verschillende surfaces (sf) in het kantoormodel. Aw staat voor het van binnenuit zichtbare oppervlak, d staat voor de werkzame dikte. surface 1 2

bouwdeel Buitengevel binnenmuur

lengte

breedte

Aw 2

d

[m]

[m]

[m ]

[m]

3.0 5.0

3.0 3.0

4.1 15.0

0.06 0.06

materiaal beton beton

3

Binnenmuur

3.0

3.0

7.5

0.06

beton

4

Binnenmuur

5.0

3.0

15.0

0.06

beton

5

Plafond

3.0

5.0

15.0

0.005

6

Vloer

3.0

5.0

15.0

0.06

7

glas

2.0

1.7

3.4

0.003

4.1.2

gips beton glas

Percentage transparantdeel totale gevel

De totale gevel van de kantoorruimte is 3 x 3 = 9m2. Per simulatie is voor de gewenste waarde van het percentage glas berekend op welke positie in de gevel de vier hoekpunten van het raam zich bevinden. Er is een breedte:hoogte-verhouding aangehouden van 1:1. De vertices die de surface van het raam vormen zijn in het ESP-r-.geo-bestand aangepast. Per simulatie dienen de unieke daglichtcoëfficiënten berekend te worden. Hiertoe zijn van tevoren voor elke mogelijke raamgrootte (van 0% tot 100% van de gevel) de daglichtcoëfficiënten berekend in het daglichtsimulatiemodel Daysim [Reinhart, 2006]. 4.1.3

Zontoetredingsfactor (ZTA-waarde)

In de gevoeligheidsanalyse zijn voor de simulaties veel verschillende ZTA-waarden nodig. ESP-r geeft geen ZTA-waarden voor de verschillende soorten beglazing. Daarom zijn eerst voor enkele bekende soorten beglazing de ZTA-waarde berekend uit de opvallende irradiantie door de zon, de binnenkomende warmtestroom en de geabsorbeerde warmte van het glas. Vervolgens zijn de specificaties behorende bij deze soort beglazing gebruikt om de gewenste ZTA-waarden te berekenen. Hiertoe worden de transmissie- en de reflectiefactoren van de bekende beglazing geïnterpoleerd tot waarden die horen bij de gewenste ZTA-waarde. In het ESP-r-.tmc-bestand zijn transmissie- en de reflectiefactoren gevarieerd.

B10.


4.1.4


Warmtedoorgangscoefficient glas (Uglas)

Om de U-waarde van het dubbelglas (zie [B4.3]) te veranderen is de weerstand van de spouw gevarieerd. Hiertoe wordt de U-spouw berekend volgens [B4.4]. In het ESP-r-.con-bestand is de Uspouw gevarieerd. 1 d1 d2 0.04 + ( ) + Rspouw + ( ) + 0.13 λ1 λ2

Uglas =

Uspouw =

4.1.5

1 - Uglas ⋅ (2 ⋅

0.006 + 0.17) 0.76

[B4.3]

[B4.4]

Uglas

Warmteweerstand constructie (Rc)

De warmteweerstand van de dichte gevelconstructie is gevarieerd door de warmtegeleiding van het isolatiemateriaal te veranderen. De gevelconstructie bestaat uit vier lagen: baksteen, spouw, isolatiemateriaal en lichte betonblokken. De warmteweerstand van deze constructie kan worden berekend met [B4.5]. Waarin dlaag;x de dikte van constructielaag x en λlaag;x de warmtegeleidingcoëfficiënt van constructielaag x. Met behulp van de gegevens uit bijlage B2 kan [B4.5] worden omgeschreven naar [B4.6]. In het ESP-r-.con-bestand is de λisolatiemateriaal gevarieerd.

Rc =

dlaag1 dlaag4 + ... + λlaag1 λlaag4

λisolatiemateriaal =

4.1.6

0.09 0.1 0.12 Rc + 0.17 + 0.96 0.51

[B4.5]

[B4.6]

Lichtdoorlaatfactor glas (LTA)

De LTA van het glas is rechtstreeks veranderd in het ESP-r-.tmc-bestand. 4.1.7

Verlichting en apparatuur

Voor de simulaties met ESP-r is in het ESP-r-.opr-bestand het benodigde aantal W/m2 verlichting en apparatuur gevarieerd. Voor de SHOCC-simulaties is dit gewijzigd in het .shl-bestand. 4.1.8

Vermogen installaties

Het vermogen van de installaties is gevarieerd in het ESP-r.ctl-bestand. 4.2 Uitvoeren en analyseren van simulaties De simulaties zijn uitgevoerd met ESP-r via Cygwin. Cygwin is een computerprogramma voor Windows en simuleert een Linux-omgeving. Met behulp van Cygwin kunnen de (unix)sourcebestanden van ESP-r worden gecompileerd onder Windows. Op deze manier is het onder andere mogelijk om de source-bestanden van ESP-r aan te passen en te compileren. Dat is noodzakelijk voor dit onderzoek omdat het anders niet mogelijk is om de (nog niet gepubliceerde) versie van ESP-r + SHOCC te kunnen gebruiken en later de uitbreiding van SHOCC met USSU. Verder is de Linux-omgeving erg geschikt om met behulp van eenvoudige (shell)scripts snel en efficiënt bewerkingen uit te voeren op grote hoeveelheden bestanden. Voor het uitvoeren van de gevoeligheidsanalyse zijn daarom verschillende scripts geschreven, waarmee automatisch de gehele gevoeligheidsanalyse kan worden uitgevoerd (zie figuur B4.3).

Figuur B4.3:

Het simuleren van de gebouwmodellen en het analyseren van de data voor de

gevoeligheidsanalyse (Stap 4 en 5 uit figuur B4.1).

B11.


Bijlage 5: Simulatieresultaten gevoeligheidsanalyses

Bijlage 5: Simulatieresultaten gevoeligheidsanalyses 5.1

Simulatieresultaten Monte Carlo analyse

Tabel B5.1: Met een Monte Carlo analyse gesimuleerde waarden van enkele prestatie-indicatoren voor simulaties met ESP-r en SHOCC. De waarden zijn de gemiddelden van 150 simulaties. Prestatie-indicator

Eenheid

Warmtevraag

[kWh/m2.y]

Koudevraag

[kWh/m2.y]

34.65

9.31

Primaire energie

[kWh/m2.y]

251.02

45.77

PMV

[-]

0.23

0.06

Maximum temperatuur ruimte [ C]

27.71

[oC]

15.31

o

Minimum temperatuur ruimte

ESP-r

Verschil simulatie ESP-r en SHOCC

SHOCC

μ

σ

μ

σ

μ

σ

15.11

4.19

16.43

5.27

9%

26%

26.3

7.35

-24%

-21%

249.18

45.48

-1%

-1%

0.17

0.06

-26%

0%

1.42

27.34

1.23

-1%

-13%

0.63

15.45

0.65

1%

3%

Figuur B5.1: Resultaten van de Monte Carlo analyse voor de prestatie-indicator Warmtevraag.

B12.



Figuur B5.2: Resultaten van de Monte Carlo analyse voor de prestatie-indicator Koudevraag.

Figuur B5.3: Resultaten van de Monte Carlo analyse voor de prestatie-indicator Primaire energiegebruik.

B13.



Figuur B5.4: Resultaten van de Monte Carlo analyse voor de prestatie-indicator PMV.

Figuur B5.5: Resultaten van de Monte Carlo analyse voor de prestatie-indicator Maximum temperatuur ruimte.

B14.



Figuur B5.6: Resultaten van de Monte Carlo analyse voor de prestatie-indicator Minimum temperatuur ruimte.

B15.


5.2 5.2.1


Bepaling sample grootte gevoeligheidsanalyses Bepaling sample grootte FAST-analyse FAST - Totale effect per factor voor Warmtevraag (Vergelijking resultaten 650 en 970 simulaties) 1.0 0.9

Sti-waarden

0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 1

2

3

4

5

6

7

8

9

10

Factor 650 simulaties

970 simulaties

FAST - Totale effect per factor voor Primaire energiegebruik (Vergelijking resultaten 650 en 970 simulaties) 1.0 0.9

Sti-waarden

0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 1

2

3

4

5

6

7

8

9

10

Factor 650 simulaties

970 simulaties

Figuur B5.7: Vergelijking van de resultaten van twee prestatie-indicatoren van de FAST-analyse uitgevoerd voor twee reeksen van 650 en 970 simulaties met ESP-r. De resultaten lijken op elkaar, maar er zijn verschillen zichtbaar. Er wordt aangenomen dat de reeks met de meeste simulaties de nauwkeurigste resultaten oplevert. Een reeks met meer dan 970 simulaties zou dus nog nauwkeurigere resultaten opleveren. De benodigde rekentijd voor dergelijke simulatiereeksen is echter te groot voor dit onderzoek.

B16.


5.2.2


Bepaling sample grootte Monte Carlo analyse SRC-waarden warmtebehoefte kantoorruimte (sample: 5, simulaties: 15) trans.gevel !!apparatuur!! !!SWM!!

Factor

!!LTA!! !!verlichting!! !!Rc!! !!U-glas!! !!ZTA!! !!vermogen koeling!! !!vermogen verwarming!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

0.8

1.0

SRC [-]

SRC-waarden warmtebehoefte kantoorruimte (sample: 6, simulaties: 15) apparatuur trans.gevel !!verlichting!! !!U-glas!! Factor

!!Rc!! !!ZTA!! !!LTA!! !!SWM!! !!vermogen verw arming!! !!vermogen koeling!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

SRC [-]

SRC-waarden warmtebehoefte kantoorruimte (vergelijking sample 5 en 6, simulaties 15) 1.0 0.8 0.6

SRC [-]

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5

6

7

8

9

10

Factor sample 5

sample 6

Figuur B5.8: Vergelijking van resultaten uit de regressieanalyse van twee reeksen van 15 simulaties uitgevoerd met het SHOCC-model. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens. In sample 5 is alleen de 'trans. gevel' significant en de overige parameters niet, in sample 6 zijn alleen 'apparatuur' en 'trans. gevel' significant. Een groter aantal simulaties is nodig om een beter regressiemodel te verkrijgen.

B17.



SRC-waarden warmtebehoefte kantoorruimte (sample: 7, simulaties: 50) trans.gevel apparatuur verlichting

Factor

U-glas ZTA SWM LTA vermogen verwarming !!vermogen koeling!! !!Rc!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

0.8

1.0

SRC [-]

SRC-waarden warmtebehoefte kantoorruimte (sample: 8, simulaties: 50) apparatuur trans.gevel verlichting U-glas

Factor

ZTA !!SWM!! !!LTA!! !!vermogen verw arming!! !!Rc!! !!vermogen koeling!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

SRC [-]


SRC [-]

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5

6

7

8

9

10

Factor sample 7

sample 8

Figuur B5.9: Vergelijking van resultaten uit de regressieanalyse van twee reeksen van 50 simulaties uitgevoerd met het SHOCC-model. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens. Een groter aantal simulaties is nodig om een beter regressiemodel te verkrijgen.

B18.



SRC-waarden warmtebehoefte kantoorruimte (sample: 1, simulaties: 80) trans.gevel apparatuur verlichting

Factor

U-glas ZTA SWM !!vermogen verwarming!! !!Rc!! !!vermogen koeling!! !!LTA!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SRC-waarden warmtebehoefte kantoorruimte (sample: 2, simulaties: 80) apparatuur trans.gevel verlichting

Factor

U-glas SWM ZTA !!vermogen koeling!! !!vermogen verwarming!! !!Rc!! !!LTA!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]


SRC [-]

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5

6

7

8

9

10

Factor sample 1

sample 2


B19.




Factor

U-glas SWM ZTA !!vermogen koeling!! !!vermogen verwarming!! !!Rc!! !!LTA!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]


Factor

U-glas ZTA SWM !!vermogen verw arming!! !!LTA!! !!vermogen koeling!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]


SRC [-]

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5

6

7

8

9

10

Factor sample 3

sample 4


B20.




Factor

U-glas ZTA SWM !!vermogen verwarming!! !!vermogen koeling!! !!Rc!! !!LTA!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SRC-waarden warmtebehoefte kantoorruimte (sample: 17, simulaties: 150) apparatuur trans.gevel verlichting U-glas

Factor

ZTA SWM !!vermogen verw arming!! !!vermogen koeling!! !!LTA!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]


SRC [-]

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5

6

7

8

9

10

Factor sample 16

sample 17

Figuur B5.12: Vergelijking van resultaten uit de regressieanalyse van twee reeksen van 150 simulaties uitgevoerd met het SHOCC-model. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens. De resultaten van beide reeksen lijken sterk op elkaar. Het aantal simulaties is voldoende om voor deze casestudy een goed regressiemodel te verkrijgen.

B21.



SRC-waarden warmtebehoefte kantoorruimte (sample: 14, simulaties: 150) ZTA apparatuur U-glas

Factor

verlichting trans.gevel !!vermogen koeling!! !!LTA!! !!Rc!! !!vermogen verwarming!! !!SWM!!

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

0.8

1.0

SRC [-]

SRC-waarden warmtebehoefte kantoorruimte (sample: 15, simulaties: 150) ZTA apparatuur U-glas

Factor

verlichting trans.gevel Rc !!vermogen koeling!! !!vermogen verwarming!! !!LTA!! !!SWM!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

SRC [-]


SRC [-]

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5

6

7

8

9

10

Factor sample 14

sample 15

Figuur B5.13: Vergelijking van resultaten uit de regressieanalyse van twee reeksen van 150 simulaties uitgevoerd met ESP-r. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens. De resultaten van beide reeksen lijken sterk op elkaar. Het aantal simulaties is voldoende om voor deze casestudy een goed regressiemodel te verkrijgen.

B22.


5.3 5.3.1


Simulatieresultaten Monte Carlo analyse met regressieanalyse Warmtevraag

Tabel B5.2: Resultaten van de regressieanalyse voor de prestatie-indicator Warmtevraag. In de tabel zijn de niet significante (p>0.05) regressiecoëfficiënten schuin gedrukt en de verschillen tussen de invloed van de drie invloedrijkste factoren zijn vet gedrukt. Voor ESP-r en SHOCC geldt dat R2 van de regressiemodellen respectievelijk 0.945 en 0.963 bedragen. ESP-r SHOCC Verschil nr. factor SRC sig. SRC sig. 1 SWM -0.0883 0.000 -0.0561 0.001 -36% 2 transparantie gevel 0.5384 0.000 0.6450 0.000 20% 3 ZTA -0.2200 0.000 -0.0748 0.000 -66% 4 U-glas 0.4019 0.000 0.3239 0.000 -19% 5 Rc -0.0152 0.455 -0.0063 0.704 6 LTA 0.0060 0.769 -0.0101 0.545 7 verlichting -0.5141 0.000 -0.4414 0.000 -14% 8 apparatuur -0.5371 0.000 -0.5485 0.000 2% 9 vermogen verwarming 0.0172 0.402 0.0210 0.214 10 vermogen koeling 0.0018 0.932 0.0250 0.143 ESP-r: SRC-waarden - Warmtevraag kantoorruimte (simulaties: 150) trans.gevel apparatuur verlichting U-glas

Factor

ZTA SWM !!vermogen verwarming!! !!Rc!! !!LTA!! !!vermogen koeling!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SHOCC: SRC-waarden - Warmtevraag kantoorruimte (simulaties: 150) trans.gevel apparatuur verlichting U-glas

Factor

ZTA SWM !!vermogen koeling!! !!vermogen verwarming!! !!LTA!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur B5.14: Resultaten van de regressieanalyse voor de prestatie-indicator Warmtevraag. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens.

B23.


5.3.2


Koudevraag

Tabel B5.3: Resultaten van de regressieanalyse voor de prestatie-indicator Koudevraag. In de tabel zijn de niet significante (p>0.05) regressiecoëfficiënten schuin gedrukt en de verschillen tussen de invloed van de drie invloedrijkste factoren zijn vet gedrukt. Voor ESP-r en SHOCC geldt dat R2 van de regressiemodellen respectievelijk 0.951 en 0.982 bedragen. ESP-r SHOCC Verschil nr. factor SRC sig. SRC sig. 1 SWM 0.0887 0.000 0.0929 0.000 5% 2 transparantie gevel -0.5313 0.000 -0.1841 0.000 -65% 3 ZTA -0.3176 0.000 -0.0297 0.014 -91% 4 U-glas 0.0855 0.000 0.0002 0.989 5 Rc -0.0124 0.515 -0.0026 0.823 6 LTA 0.0169 0.378 0.0015 0.897 7 verlichting -0.5353 0.000 -0.6333 0.000 18% 8 apparatuur -0.6274 0.000 -0.7556 0.000 20% 9 vermogen verwarming -0.0273 0.158 -0.0109 0.361 -60% 10 vermogen koeling -0.0710 0.000 -0.0400 0.001 ESP-r: SRC-waarden - Koudevraag kantoorruimte (simulaties: 150) apparatuur verlichting trans.gevel ZTA

Factor

SWM U-glas vermogen koeling !!vermogen verwarming!! !!LTA!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SHOCC: SRC-waarden - Koudevraag kantoorruimte (simulaties: 150) apparatuur verlichting trans.gevel SWM

Factor

vermogen koeling ZTA !!vermogen verwarming!! !!Rc!! !!LTA!! !!U-glas!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur B5.15: Resultaten van de regressieanalyse voor de prestatie-indicator Koudevraag. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens.

B24.


5.3.3



Tabel B5.4: Resultaten van de regressieanalyse voor de prestatie-indicator Primaire energiegebruik. In de tabel zijn de niet significante (p>0.05) regressiecoëfficiënten schuin gedrukt en de verschillen tussen de invloed van de drie invloedrijkste factoren zijn vet gedrukt. Voor ESP-r en SHOCC geldt dat R2 van de regressiemodellen respectievelijk 0.998 en 0.995 bedragen. ESP-r SHOCC Verschil nr. factor SRC sig. SRC sig. 1 SWM -0.0261 0.000 -0.0243 0.000 -7% 2 transparantie gevel 0.1574 0.000 0.0725 0.000 -54% 3 ZTA 0.0445 0.000 -0.0061 0.341 4 U-glas 0.0194 0.000 0.0384 0.000 98% 5 Rc 0.0011 0.762 0.0042 0.506 6 LTA -0.0029 0.443 0.0116 0.069 7 verlichting 0.6928 0.000 0.6542 0.000 -6% 8 apparatuur 0.7209 0.000 0.7538 0.000 5% 9 vermogen verwarming 0.0071 0.062 0.0027 0.675 10 vermogen koeling 0.0146 0.000 -0.0022 0.738 ESP-r: SRC-waarden - Primaire energiegebruik kantoorruimte (simulaties: 150) apparatuur verlichting trans.gevel ZTA

Factor

SWM U-glas vermogen koeling !!vermogen verwarming!! !!LTA!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SHOCC: SRC-waarden - Primaire energiegebruik kantoorruimte (simulaties: 150) apparatuur verlichting trans.gevel U-glas

Factor

SWM !!LTA!! !!ZTA!! !!Rc!! !!vermogen verwarming!! !!vermogen koeling!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur B5.16: Resultaten van de regressieanalyse voor de prestatie-indicator Primaire energiegebruik. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens.

B25.


5.3.4


PMV

Tabel B5.5: Resultaten van de regressieanalyse voor de prestatie-indicator PMV. In de tabel zijn de niet significante (p>0.05) regressiecoëfficiënten schuin gedrukt en de verschillen tussen de invloed van de drie invloedrijkste factoren zijn vet gedrukt. Voor ESP-r en SHOCC geldt dat R2 van de regressiemodellen respectievelijk 0.898 en 0.968 bedragen. ESP-r SHOCC Verschil nr. factor SRC sig. SRC sig. 1 SWM -0.0001 0.997 -0.0196 0.206 2 transparantie gevel 0.2039 0.000 -0.2637 0.000 -229% 3 ZTA 0.3857 0.000 0.0756 0.000 -80% 4 U-glas -0.2281 0.000 -0.1716 0.000 -25% 5 Rc 0.0120 0.663 0.0022 0.888 6 LTA 0.0461 0.097 0.0430 0.006 -7% 7 verlichting 0.6100 0.000 0.6376 0.000 5% 8 apparatuur 0.5995 0.000 0.6978 0.000 16% 9 vermogen verwarming 0.0567 0.043 0.0428 0.007 -25% 10 vermogen koeling -0.1636 0.000 -0.0996 0.000 -39% ESP-r: SRC-waarden - PMV kantoorruimte (simulaties: 150) verlichting apparatuur ZTA U-glas

Factor

trans.gevel vermogen koeling vermogen verwarming !!LTA!! !!Rc!! !!SWM!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SHOCC: SRC-waarden - PMV kantoorruimte (simulaties: 150) apparatuur verlichting trans.gevel U-glas

Factor

vermogen koeling ZTA LTA vermogen verwarming !!SWM!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur B5.17: Resultaten van de regressieanalyse voor de prestatie-indicator PMV. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens.

B26.


5.3.5


Maximum luchttemperatuur ruimte

Tabel B5.6: Resultaten van de regressieanalyse voor de prestatie-indicator Maximum luchttemperatuur ruimte. In de tabel zijn de niet significante (p>0.05) regressiecoëfficiënten schuin gedrukt en de verschillen tussen de invloed van de drie invloedrijkste factoren zijn vet gedrukt. Voor ESP-r en SHOCC geldt dat R2 van de regressiemodellen respectievelijk 0.765 en 0.737 bedragen. ESP-r SHOCC Verschil nr. factor SRC sig. SRC sig. 1 SWM -0.1203 0.005 -0.1054 0.018 -12% 2 transparantie gevel 0.4814 0.000 0.4106 0.000 -15% 3 ZTA 0.0547 0.198 -0.0269 0.549 4 U-glas 0.1896 0.000 0.2394 0.000 26% 5 Rc 0.0143 0.734 0.0197 0.656 6 LTA 0.0642 0.128 0.0734 0.100 7 verlichting 0.2584 0.000 0.2682 0.000 4% 8 apparatuur 0.2185 0.000 0.2403 0.000 10% 9 vermogen verwarming 0.0145 0.731 0.0007 0.987 10 vermogen koeling -0.5255 0.000 -0.5093 0.000 -3% ESP-r: SRC-waarden - Maximale ruimtetemperatuur kantoorruimte (simulaties: 150) vermogen koeling trans.gevel verlichting apparatuur

Factor

U-glas SWM !!LTA!! !!ZTA!! !!vermogen verwarming!! !!Rc!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SHOCC: SRC-waarden - Maximale ruimtetemperatuur kantoorruimte (simulaties: 150) vermogen koeling trans.gevel verlichting apparatuur

Factor

U-glas SWM !!LTA!! !!ZTA!! !!Rc!! !!vermogen verwarming!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur B5.18: Resultaten van de regressieanalyse voor de prestatie-indicator Maximum luchttemperatuur ruimte. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens.

B27.


5.3.6


Minimum luchttemperatuur ruimte

Tabel B5.7: Resultaten van de regressieanalyse voor de prestatie-indicator Minimum luchttemperatuur ruimte. In de tabel zijn de niet significante (p>0.05) regressiecoëfficiënten schuin gedrukt en de verschillen tussen de invloed van de drie invloedrijkste factoren zijn vet gedrukt. Voor ESP-r en SHOCC geldt dat R2 van de regressiemodellen respectievelijk 0.841 en 0.834 bedragen. ESP-r SHOCC Verschil nr. factor SRC sig. SRC sig. 1 SWM 0.2448 0.000 0.2463 0.000 1% 2 transparantie gevel -0.7617 0.000 -0.7687 0.000 1% 3 ZTA 0.0888 0.012 0.0624 0.082 4 U-glas -0.3536 0.000 -0.3345 0.000 -5% 5 Rc -0.0332 0.335 -0.0326 0.354 6 LTA 0.0511 0.141 0.0647 0.068 7 verlichting 0.0964 0.007 0.0998 0.006 4% 8 apparatuur 0.0873 0.014 0.1356 0.000 55% 9 vermogen verwarming 0.3047 0.000 0.2751 0.000 -10% 10 vermogen koeling 0.0145 0.679 0.0050 0.889 ESP-r: SRC-waarden - Minimale ruimtetemperatuur kantoorruimte (simulaties: 150) trans.gevel U-glas vermogen verwarming SWM

Factor

verlichting ZTA apparatuur !!LTA!! !!Rc!! !!vermogen koeling!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

SRC [-]

SHOCC: SRC-waarden - Minimale ruimtetemperatuur kantoorruimte (simulaties: 150) trans.gevel U-glas vermogen verwarming SWM

Factor

apparatuur verlichting !!LTA!! !!ZTA!! !!Rc!! !!vermogen koeling!! -1.0

-0.8

-0.6

-0.4

-0.2

0.0

SRC [-]

0.2

0.4

0.6

0.8

1.0

Figuur B5.19: Resultaten van de regressieanalyse voor de prestatie-indicator Minimum luchttemperatuur ruimte. De niet significante (p>0.05) regressiecoëfficiënten zijn in de figuur weergegeven met twee uitroeptekens.

B28.


5.4 5.4.1


Simulatieresultaten Morris-analyse Warmtevraag

Tabel B5.8: Resultaten van de Morris-analyse voor de prestatie-indicator Warmtevraag. In de tabel zijn de verschillen tussen de (gestandaardiseerde) invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

nr.

factor

μ

ESP-r

σ

μ

σ

μ std

μ std

1

SWM

1.214

0.365

1.055

0.347

0.080

0.064

2

trans.gevel

5.750

1.372

8.500

2.171

0.381

0.517

36%

3

ZTA

3.530

1.633

1.656

0.807

0.234

0.101

-57%

4

U-glas

4.831

2.337

4.794

2.370

0.320

0.292

-9%

5

Rc

0.000

0.000

0.000

0.000

0.000

0.000

-

6

LTA

0.000

0.000

0.000

0.000

0.000

0.000

-

7

verlichting

5.108

0.571

5.544

0.624

0.338

0.337

0%

8

apparatuur

6.181

1.773

7.620

2.230

0.409

0.464

13%

9

vermogen verwarming

0.100

0.088

0.111

0.098

0.007

0.007

-

vermogen koeling

0.000

0.000

0.000

0.000

0.000

0.000

-

10

SHOCC

Verschil -20%

ESP-r: Morris-analyse - Koudevraag kantoorruimte 3.0

2.5

apparatuur

σ

2.0

1.5


1.0

U-glas 0.5

SWMkoeling vermogen

0.0 0

vermogen verwarming 2

4

6

8

10

μ

12

14

16

18

20

SHOCC: Morris-analyse - Koudevraag kantoorruimte 3.0

apparatuur

2.5

σ

2.0

verlichting

1.5

trans.gevel

1.0

0.5

0.0 0

U-glas SWM ZTA vermogen vermogen koeling verwarming 2 4

6

8

10

μ

12

14

16

18

20

Figuur B5.20: Resultaten van de Morris-analyse voor de prestatie-indicator Warmtevraag.

B29.


5.4.2


Koudevraag

Tabel B5.9: Resultaten van de Morris-analyse voor de prestatie-indicator Koudevraag. In de tabel zijn de verschillen tussen de (gestandaardiseerde) invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

ESP-r

SHOCC

Verschil

nr.

factor

μ

σ

μ

σ

μ std

μ std

1

SWM

2.063

0.479

1.795

0.388

0.060

0.068

15%

2

trans.gevel

17.672

0.933

4.156

1.012

0.510

0.158

-69%

3

ZTA

10.499

3.739

0.499

0.256

0.303

0.019

-94%

4

U-glas

2.074

0.750

0.663

0.525

0.060

0.025

-58%

5

Rc

0.000

0.000

0.001

0.001

0.000

0.000

-

6

LTA

0.000

0.000

0.000

0.000

0.000

0.000

-

7

verlichting

18.564

1.001

16.917

1.527

0.536

0.643

20%

8

apparatuur

18.636

2.240

17.698

2.564

0.538

0.673

25%

9

vermogen verwarming

0.016

0.009

0.014

0.010

0.000

0.001

-

vermogen koeling

0.620

0.437

0.267

0.141

0.018

0.010

-43%

10

ESP-r: Morris-analyse - Koudevraag kantoorruimte 3.0

2.5

apparatuur

σ

2.0

1.5


1.0

U-glas 0.5

SWMkoeling vermogen

0.0 0

vermogen verwarming 2

4

6

8

10

μ

12

14

16

18

20

SHOCC: Morris-analyse - Koudevraag kantoorruimte 3.0

apparatuur

2.5

σ

2.0

verlichting

1.5

trans.gevel

1.0

U-glas SWM ZTA vermogen koeling vermogen

0.5

0.0 0

verwarming 2

4

6

8

10

μ

12

14

16

18

20

Figuur B5.21: Resultaten van de Morris-analyse voor de prestatie-indicator Koudevraag.

B30.


5.4.3



Tabel B5.10: Resultaten van de Morris-analyse voor de prestatie-indicator Primaire energiegebruik. In de tabel zijn de verschillen tussen de (gestandaardiseerde) invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

μ

σ

nr.

factor

1

SWM

2

trans.gevel

3

ZTA

4

U-glas

2.794

2.721

5

Rc

0.000

0.000

6

LTA

0.000

0.000

7

verlichting

101.131

8

apparatuur

9

vermogen verwarming vermogen koeling

10

ESP-r

SHOCC

μ

σ

μ std

μ std

Verschil

3.276

0.837

2.851

0.732

0.013

0.011

23.422

0.862

13.920

1.764

0.093

0.056

-12% -40%

6.968

2.418

1.157

0.856

0.028

0.005

-83%

4.701

3.270

0.011

0.019

69%

0.000

0.000

0.000

0.000

-

0.000

0.000

0.000

0.000

-

1.602

96.245

3.903

0.403

0.386

-4%

102.159

4.056

103.813

4.192

0.407

0.417

2%

0.111

0.083

0.122

0.092

0.000

0.000

-

0.620

0.437

0.267

0.142

0.002

0.001

-

ESP-r: Morris-analyse - Primaire energiegebruik kantoorruimte 5.0 4.5

apparatuur

4.0 3.5

σ

3.0 2.5

U-glas ZTA

2.0

verlichting

1.5 1.0 0.5

trans.gevel

SWM

vermogen koeling vermogen

0.0 verwarming 0.0 20.0

40.0

60.0

μ

80.0

100.0

120.0

SHOCC: Morris-analyse - Primaire energiegebruik kantoorruimte 5.0 4.5

apparatuur verlichting

4.0 3.5

U-glas

σ

3.0 2.5 2.0

trans.gevel

1.5 1.0 0.5

ZTA

SWM

vermogenkoeling vermogen

0.0 verwarming 0.0 20.0

40.0

60.0

μ

80.0

100.0

120.0

Figuur B5.22: Resultaten van de Morris-analyse voor de prestatie-indicator Primaire energiegebruik.

B31.


5.4.4


PMV

Tabel B5.11: Resultaten van de Morris-analyse voor de prestatie-indicator PMV. In de tabel zijn de verschillen tussen de (gestandaardiseerde) invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

ESP-r

SHOCC

Verschil

nr.

factor

μ

σ

μ

σ

μ std

μ std

1

SWM

0.001

0.001

0.004

0.000

0.005

0.022

-

2

trans.gevel

0.037

0.023

0.041

0.017

0.162

0.241

48%

3

ZTA

0.085

0.025

0.017

0.005

0.371

0.098

-74%

4

U-glas

0.050

0.015

0.039

0.011

0.217

0.231

6%

5

Rc

0.000

0.000

0.000

0.000

0.000

0.000

-

6

LTA

0.000

0.000

0.000

0.000

0.000

0.000

-

7

verlichting

0.111

0.007

0.115

0.010

0.484

0.674

39%

8

apparatuur

0.113

0.006

0.125

0.008

0.489

0.734

50%

9

vermogen verwarming

0.003

0.003

0.003

0.003

0.014

0.020

44%

vermogen koeling

0.013

0.009

0.006

0.003

0.056

0.035

-38%

10

ESP-r: Morris-analyse - PMV kantoorruimte 0.040 0.035 0.030

ZTA

0.025

σ

trans.gevel 0.020

U-glas

0.015 0.010 0.005

vermogen koeling verlichting apparatuur vermogen verwarming SWM

0.000 0.00

0.05

0.10

μ

0.15

0.20

0.25

SHOCC: Morris-analyse - PMV kantoorruimte 0.040 0.035 0.030

σ

0.025 0.020

trans.gevel 0.015

U-glas

0.010 0.005 0.000 0.00

verlichting apparatuur

ZTA vermogen vermogen koeling verwarming SWM

0.05

0.10

μ

0.15

0.20

0.25

Figuur B5.23: Resultaten van de Morris-analyse voor de prestatie-indicator PMV.

B32.


5.4.5


Maximum luchttemperatuur ruimte

Tabel B5.12: Resultaten van de Morris-analyse voor de prestatie-indicator Maximum luchttemperatuur ruimte. In de tabel zijn de verschillen tussen de (gestandaardiseerde) invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

ESP-r

SHOCC

Verschil

nr.

factor

μ

σ

μ

σ

μ std

μ std

1

SWM

0.415

0.119

0.370

0.090

0.015

0.014

-10%

2

trans.gevel

1.795

0.216

1.165

0.135

0.065

0.043

-34%

3

ZTA

0.365

0.153

0.000

0.000

0.013

0.000

-100%

4

U-glas

0.340

0.112

0.355

0.118

0.012

0.013

6%

5

Rc

0.000

0.000

0.000

0.000

0.000

0.000

-

6

LTA

0.000

0.000

0.000

0.000

0.000

0.000

-

7

verlichting

0.745

0.276

0.620

0.186

0.027

0.023

-16%

8

apparatuur

0.685

0.257

0.555

0.184

0.025

0.020

-18%

9

vermogen verwarming

0.000

0.000

0.000

0.000

0.000

0.000

-

vermogen koeling

1.210

0.222

0.780

0.049

0.044

0.029

-35%

10

ESP-r: Morris-analyse - Maximale luchttemperatuur kantoorruimte 0.300

verlichting apparatuur

0.250

vermogen koeling

trans.gevel

σ

0.200

ZTA

0.150

U-glas

0.100

0.050

vermogen

0.000 verwarming 0.00 0.20

0.40

0.60

0.80

1.00

μ

1.20

1.40

1.60

1.80

2.00

SHOCC: Morris-analyse - Maximale luchttemperatuur kantoorruimte 0.300

0.250

0.200

σ

verlichting apparatuur 0.150

trans.gevel U-glas

0.100

SWM vermogen koeling

0.050

vermogen

0.000 ZTA 0.00verwarming 0.20

0.40

0.60

0.80

1.00

μ

1.20

1.40

1.60

1.80

2.00

Figuur B5.24: Resultaten van de Morris-analyse voor de prestatie-indicator Maximum luchttemperatuur ruimte.

B33.


5.4.6



Tabel B5.13: Resultaten van de Morris-analyse voor de prestatie-indicator Minimum luchttemperatuur ruimte. In de tabel zijn de verschillen tussen de (gestandaardiseerde) invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

nr.

factor

μ

ESP-r

σ

μ

σ

μ std

μ std

1

SWM

0.490

0.274

0.460

0.273

0.032

0.030

2

trans.gevel

1.310

0.145

1.340

0.136

0.086

0.087

1%

3

ZTA

0.270

0.172

0.225

0.171

0.018

0.015

-17%

4

U-glas

0.670

0.355

0.650

0.314

0.044

0.042

-4%

5

Rc

0.000

0.000

0.000

0.000

0.000

0.000

-

6

LTA

0.000

0.000

0.000

0.000

0.000

0.000

-

7

verlichting

0.265

0.092

0.265

0.089

0.017

0.017

-1%

8

apparatuur

0.170

0.095

0.260

0.114

0.011

0.017

52%

9

vermogen verwarming

0.480

0.497

0.470

0.520

0.031

0.030

-3%

vermogen koeling

0.000

0.000

0.000

0.000

0.000

0.000

-

10

SHOCC

Verschil -7%

ESP-r: Morris-analyse - Minimale luchttemperatuur kantoorruimte 0.30

SWM 0.25

0.20

σ

ZTA 0.15

0.10

trans.gevel

apparatuur verlichting

0.05

0.00 vermogen koeling 0.0 0.2 0.4

0.6

0.8

1.0

μ

1.2

1.4

1.6

1.8

2.0

SHOCC: Morris-analyse - Minimale luchttemperatuur kantoorruimte 0.30

SWM 0.25

0.20

σ

ZTA 0.15

trans.gevel apparatuur

0.10

verlichting

0.05

0.00 vermogen 0.0 0.2

koeling 0.4

0.6

0.8

1.0

μ

1.2

1.4

1.6

1.8

2.0

Figuur B5.25: Resultaten van de Morris-analyse voor de prestatie-indicator Minimum luchttemperatuur ruimte.

B34.


5.5 5.5.1


Simulatieresultaten FAST-analyse Warmtevraag

Tabel B5.14: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator Warmtevraag. In de tabel zijn de verschillen tussen de invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

Verschil

nr.

factor

First (Si)

Total (Sti)

First (Si)

Total (Sti)

1

SWM

0.006

0.029

0.004

0.025

0%

0%

2

trans.gevel

0.475

0.661

0.502

0.586

2%

-2%

3

ZTA

0.049

0.083

0.011

0.034

-3%

-2%

4

U-glas

0.286

0.372

0.306

0.430

2%

4%

5

Rc

0.001

0.056

0.001

0.067

0%

1%

6

LTA

0.000

0.015

0.000

0.015

0%

0%

7

verlichting

0.262

0.297

0.253

0.285

0%

0%

8

apparatuur

0.377

0.425

0.353

0.391

-1%

-1%

9

vermogen verwarming

0.001

0.051

0.000

0.082

0%

2%

vermogen koeling

0.002

0.125

0.003

0.112

0%

0%

10

First (Si)

Total (Sti)

ESP-r : Sti waarden - Warmtevraag kantoorruimte

vermogen vermogen koelingSWM verwarming 1% 6% 2%

trans.gevel 31%

apparatuur 20%

ZTA 4%

verlichting 14% LTARc 1% 3%

U-glas 18%

SHOCC : Sti waarden - Warmtevraag kantoorruimte

vermogen SWM vermogen koeling verwarming6% 1% 4% trans.gevel 29%

apparatuur 19%

ZTA 2% verlichting 14% LTARc 1%3%

U-glas 21%

Figuur B5.26: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator Warmtevraag.

B35.


5.5.2


Koudevraag

Tabel B5.15: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator Koudevraag. In de tabel zijn de verschillen tussen de invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

Verschil

nr.

factor

First (Si)

Total (Sti)

First (Si)

Total (Sti)

First (Si)

Total (Sti)

1

SWM

0.025

0.103

0.016

0.054

0%

-2%

2

trans.gevel

0.315

0.432

0.013

0.051

-25%

-21%

3

ZTA

0.324

0.442

0.002

0.067

-27%

-20%

4

U-glas

0.004

0.029

0.000

0.026

0%

0%

5

Rc

0.002

0.069

0.001

0.110

0%

4%

6

LTA

0.000

0.027

0.000

0.019

0%

0%

7

verlichting

0.216

0.263

0.335

0.380

17%

12%

8

apparatuur

0.316

0.346

0.598

0.651

36%

26%

9

vermogen verwarming

0.000

0.034

0.000

0.035

0%

1%

vermogen koeling

0.003

0.026

0.001

0.023

0%

0%

10

ESP-r : Sti waarden - Koudevraag kantoorruimte vermogen vermogen koeling verwarming SWM 2% 1% 6% apparatuur 20% trans.gevel 24%

verlichting 15%

LTA 2%Rc U-glas 4% 2%

ZTA 24%

SHOCC : Sti waarden - Koudevraag kantoorruimte vermogen vermogen koeling SWM verwarming trans.gevel 2% 2% 4% 4% Z TA 5%U-glas 2% Rc 8% LTA 1% apparatuur 45%

verlichting 27%

Figuur B5.27: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator Koudevraag.

B36.


5.5.3



Tabel B5.16: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator Primaire energiegebruik. In de tabel zijn de verschillen tussen de invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

Verschil

nr.

factor

First (Si)

Total (Sti)

First (Si)

Total (Sti)

First (Si)

Total (Sti)

1

SWM

0.002

0.037

0.001

0.036

0%

0%

2

trans.gevel

0.013

0.036

0.003

0.025

-1%

-1%

3

ZTA

0.008

0.068

0.001

0.060

-1%

-1%

4

U-glas

0.000

0.021

0.001

0.025

0%

0%

5

Rc

0.001

0.172

0.002

0.200

0%

1%

6

LTA

0.000

0.017

0.000

0.017

0%

0%

7

verlichting

0.413

0.446

0.414

0.447

-1%

-1%

8

apparatuur

0.504

0.533

0.541

0.578

2%

1%

9

vermogen verwarming

0.000

0.028

0.000

0.036

0%

0%

vermogen koeling

0.000

0.018

0.000

0.022

0%

0%

10

ESP-r : Sti waarden - Primaire energiegebruik kantoorruimte vermogen vermogen SWM koeling verwarming trans.gevel ZTA 2% 1% 3% 3% 5%U-glas 2% Rc 12% apparatuur 39%

LTA 1%

verlichting 32%

SHOCC : Sti waarden - Primaire energiegebruik kantoorruimte vermogen vermogen SWM koeling verwarming trans.gevel ZTA 2% 1% 2% 2% U-glas 4% 2% Rc 14%

apparatuur 41%

LTA 1%

verlichting 31%


B37.


5.5.4


PMV

Tabel B5.17: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator Primaire energiegebruik. In de tabel zijn de verschillen tussen de invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

Verschil

nr.

factor

First (Si)

Total (Sti)

First (Si)

Total (Sti)

First (Si)

Total (Sti)

1

SWM

0.002

0.054

0.001

0.031

0%

-1%

2

trans.gevel

0.037

0.154

0.055

0.111

2%

-2%

3

ZTA

0.197

0.283

0.004

0.041

-20%

-14%

4

U-glas

0.066

0.099

0.072

0.125

0%

2%

5

Rc

0.008

0.269

0.004

0.236

0%

-1%

6

LTA

0.000

0.022

0.000

0.016

0%

0%

7

verlichting

0.264

0.297

0.364

0.390

9%

7%

8

apparatuur

0.297

0.365

0.453

0.503

15%

11%

9

vermogen verwarming

0.003

0.055

0.004

0.068

0%

1%

vermogen koeling

0.079

0.153

0.035

0.082

-5%

-4%

10

ESP-r : Sti waarden - PMV kantoorruimte

vermogen koeling vermogen 9% verwarming 3%

SWM 3%

trans.gevel 9%

ZTA 16%

apparatuur 21%

U-glas 6%

verlichting 17%

LTA 1%

Rc 15%

SHOCC : Sti waarden - PMV kantoorruimte

vermogen SWM vermogen koeling verwarming5% 2% 4%

trans.gevel 7% Z TA 3% U-glas 8%

apparatuur 31%

Rc 15%

LTA 1%

verlichting 24%


B38.


5.5.5 Tabel


Maximum luchttemperatuur ruimte B5.18:

Resultaten

van

de

(extended)

FAST-analyse

voor

de

prestatie-indicator

Maximum

luchttemperatuur ruimte. In de tabel zijn de verschillen tussen de invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r nr.

factor

1

SWM

0.109

0.327

2

trans.gevel

0.180

0.250

3

ZTA

0.002

0.063

4

U-glas

0.018

5

Rc

6

LTA

7 8 9 10

First (Si)

SHOCC

Total (Sti)

First (Si)

Verschil

Total (Sti)

First (Si)

Total (Sti)

0.092

0.304

-2%

-2%

0.124

0.196

-6%

-3%

0.004

0.082

0%

1%

0.077

0.026

0.088

1%

0%

0.007

0.144

0.009

0.174

0%

1%

0.009

0.164

0.017

0.270

1%

4%

verlichting

0.328

0.613

0.363

0.712

5%

2%

apparatuur

0.057

0.150

0.068

0.174

1%

0%

vermogen verwarming

0.002

0.062

0.004

0.066

0%

0%

vermogen koeling

0.229

0.388

0.215

0.399

-1%

-1%

ESP-r : Sti waarden - Maximale ruimtetemperatuur kantoorruimte

vermogen koeling 17%

SWM 15%

vermogen verwarming 3%

trans.gevel 11%

apparatuur 7%

ZTA 3% U-glas 3% Rc 6% verlichting 28%

LTA 7%

SHOCC : Sti waarden - Maximale ruimtetemperatuur kantoorruimte

vermogen koeling 16%

SWM 12%

vermogen verwarming 3%

trans.gevel 8% ZTA 3% U-glas 4%

apparatuur 7%

Rc 7%

verlichting 29%

LTA 11%

Figuur B5.30: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator Maximum luchttemperatuur ruimte.

B39.


5.5.6



Tabel

B5.19:

Resultaten

van

de

(extended)

FAST-analyse

voor

de

prestatie-indicator

Minimum

luchttemperatuur ruimte. In de tabel zijn de verschillen tussen de invloed van de drie invloedrijkste factoren vet gedrukt. ESP-r

SHOCC

Verschil

nr.

factor

First (Si)

Total (Sti)

First (Si)

Total (Sti)

1

SWM

0.057

0.105

0.066

0.116

1%

1%

2

trans.gevel

0.709

0.802

0.662

0.711

-3%

-5%

3

ZTA

0.004

0.026

0.005

0.029

0%

0%

4

U-glas

0.177

0.283

0.187

0.312

1%

2%

5

Rc

0.001

0.032

0.001

0.044

0%

1%

6

LTA

0.001

0.035

0.001

0.032

0%

0%

7

verlichting

0.018

0.064

0.018

0.066

0%

0%

8

apparatuur

0.013

0.043

0.023

0.049

1%

0%

9

vermogen verwarming

0.187

0.253

0.177

0.255

0%

0%

vermogen koeling

0.000

0.019

0.001

0.021

0%

0%

10

First (Si)

Total (Sti)

ESP-r : Sti waarden - Minimale ruimtetemperatuur kantoorruimte

vermogen vermogen koeling SWM 1% verwarming 6% 15%

apparatuur 3% verlichting 4% LTA 2% Rc 2% trans.gevel 48% U-glas 17% ZTA 2%

SHOCC : Sti waarden - Minimale ruimtetemperatuur kantoorruimte

SWM vermogen vermogen koeling 1% 7% verwarming 16%

apparatuur 3% verlichting 4% LTA 2% Rc 3%

trans.gevel 43%

U-glas 19% ZTA 2%

Figuur B5.31: Resultaten van de (extended) FAST-analyse voor de prestatie-indicator luchttemperatuur ruimte.

B40.


Bijlage 6: Gebruikerstypen voor robuustheidtest

Bijlage 6: Gebruikerstypen voor robuustheidtest In deze bijlage zijn de verschillende gebruikerstypen beschreven waarmee de robuustheid van het gebouw voor het gebruikersgedrag kan worden gesimuleerd. 6.1 Soort gebruikers De gebruikers maken passief of actief gebruik van de zonwering en de verlichting. De volgende soorten gebruikers kunnen daarom voorkomen in een kantooromgeving [Reinhart, 2004]. Een gebruiker met een: • actieve zonweringcontrole en actieve verlichtingscontrole; • passieve zonweringcontrole en actieve verlichtingscontrole; • actieve zonweringcontrole en passieve verlichtingscontrole; • passieve zonweringcontrole en passieve verlichtingscontrole. 6.2 Soort aanwezigheid In dit onderzoek wordt de soort aanwezigheid in een kantoorruimte gekarakteriseerd door: • het aantal tijdstappen dat een gebruiker per dag in de ruimte aanwezig is; • het aantal keren dat een gebruiker de ruimte per dag verlaat voor een periode langer dan 10 minuten (mobiliteit). Om de robuustheid voor de gebruiker te testen is in de gebruikerstypen een gebruiker omschreven met een constante aanwezigheid en een onregelmatige aanwezigheid. Een constante aanwezigheid is gedefinieerd volgens de standaard aanwezigheidprofielen uit de ESP-r database. Het profiel beschrijft een aanwezigheid van 8.30 uur tot 17.00 uur met een pauze van 12.00 uur tot 13.00 uur (zie figuur B6.1). Dit komt neer op een aantal aanwezige tijdstappen van 90 en een mobiliteit van 2 (zie tabel B6.1).

Figuur B6.1: Weergegeven is een deel van het constante aanwezigheidsprofiel. Het profiel beschrijft een gebruiker die per dag 90 tijdstappen aanwezig is en 2 keer per dag de ruimte verlaat.

Om een onregelmatige aanwezigheid te definiëren zijn met behulp van USSU simulaties uitgevoerd voor een bestaande organisatie in een bestaande kantooromgeving (vloer 9 in het Vertigo-gebouw van de Technische Universiteit Eindhoven). In de simulaties zijn de bewegingen gesimuleerd van 40 personen binnen 36 ruimten in het gebouw. De resultaten van deze simulaties zijn vervolgens geanalyseerd. Per ruimte is berekend hoeveel tijdstappen een bepaalde gebruiker per dag aanwezig is en hoe vaak de gebruiker deze ruimte per dag verlaat. Uit deze gegevens is een gebruiker geselecteerd die veel aanwezig is in de ruimte en een grote mobiliteit vertoond. Het gekozen aanwezigheidsprofiel beschrijft een gebruiker die per dag gemiddeld 73.3 tijdstappen aanwezig is en gemiddeld 4.6 keer de ruimte verlaat (zie tabel B6.1 en figuur B6.2).

B41.



Figuur B6.2: Weergegeven is een deel van het onregelmatige aanwezigheidsprofiel dat is gegenereerd door USSU. Het profiel beschrijft een gebruiker die per dag gemiddeld 73.3 tijdstappen aanwezig is en gemiddeld 4.6 keer per dag de ruimte verlaat. Tabel B6.1: Overzicht van het constante en het onregelmatige aanwezigheidsprofiel. Aanwezigheidsprofiel

Aanwezigheid

Mobiliteit

[aantal tijdstappen aanwezig] μ Constant Onregelmatig

σ

min

max

[aantal keren verlaten van de ruimte] μ

σ

min

max

90

0

90

90

2

0

2

2

73.3

11.8

41

83

4.6

1.5

2

7

6.3 Soort interne warmtelast De volgende waarden voor de interne warmtelasten veroorzaakt door kantoorgebruikers zijn in de praktijk gemeten door [Knight et al., 2003], zie ook bijlage B2: • Lage interne warmteproductie: verlichting 6.2 W/m2 en apparatuur 5.7 W/m2. • Gemiddelde interne warmteproductie: verlichting 12.7 W/m2 en apparatuur 17.5 W/m2. • Hoge interne warmteproductie: verlichting 33.9 W/m2 en apparatuur 34 W/m2.

6.4 Gebruikerstypen Uit de bovenstaande gegevens zijn de gebruikerstypen samengesteld waarmee de robuustheid voor het gebruikersgedrag wordt bepaald, zie tabel B6.2. Tabel B6.2: De verschillende soorten gebruikerstypen waarmee de robuustheid van een gebouw voor het gebruikersgedrag kan worden bepaald. simulatie

Soort gebruiker

Soort

Soort

(zonwering/verlichting)

aanwezigheid

warmteproductie

actief/actief

constant

laag

2

passief/actief

constant

laag

3

actief/passief

constant

laag

4

passief/passief

constant

laag

5

actief/actief

onregelmatig

laag

1

6

passief/actief

onregelmatig

laag

7

actief/passief

onregelmatig

laag

8

passief/passief

onregelmatig

laag

9

actief/actief

constant

gemiddeld

10

passief/actief

constant

gemiddeld

11

actief/passief

constant

gemiddeld

12

passief/passief

constant

gemiddeld

B42.



13

actief/actief

onregelmatig

gemiddeld

14

passief/actief

onregelmatig

gemiddeld

15

actief/passief

onregelmatig

gemiddeld

16

passief/passief

onregelmatig

gemiddeld

17

actief/actief

constant

hoog

18

passief/actief

constant

hoog hoog

19

actief/passief

constant

20

passief/passief

constant

hoog

21

actief/actief

onregelmatig

hoog

22

passief/actief

onregelmatig

hoog

23

actief/passief

onregelmatig

hoog

24

passief/passief

onregelmatig

hoog

B43.


Bijlage 7: Simulatieresultaten robuustheidtest

Bijlage 7: Simulatieresultaten robuustheidtest 7.1

Casestudy 1: Gemiddeld Warmtevraag Koudevraag

Truimte

Energie

totaal

totaal

max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

-30.83 28.65 -92.9%

27.70 2.14 7.7%

284.82 166.29 58.4%

Statistieken voor lage interne warmteproductie: μ 38.28 -5.13 σ 2.62 0.93 RSD 6.8% -18.1%

26.03 0.05 0.2%

119.47 7.46 6.2%

Statistieken voor gemiddelde interne warmteproductie: μ 20.42 -18.82 σ 2.74 3.35 RSD 13.4% -17.8% tov laag -46.6% 266.7%

26.51 0.10 0.4% 1.8%

234.44 19.98 8.5% 96.2%

30.58 0.87 2.9% 17.5%

500.56 55.40 11.1% 319.0%

Statistieken over totaal: μ 22.26 σ 12.86 RSD 57.8%

Statistieken voor hoge interne warmteproductie: μ 8.07 -68.54 σ 1.30 11.82 RSD 16.1% -17.3% tov laag -78.9% 1235.9% 6

7

11

21

Warmtevraag

Koudevraag

Truimte

Energie

totaal

totaal

Max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

1

35.66

-5.94

26.08

118.9

2

37.25

-5.49

26.07

127.5

3

34.44

-6.64

26.09

126.6

4

37.25

-5.49

26.07

127.6

5

40.43

-4.38

25.98

106.2

6

41.52

-4.04

25.97

116.4

7

38.45

-4.98

25.99

115.3

8

41.29

-4.08

25.97

117.2

9

18.14

-20.67

26.60

238.0

10

18.41

-21.23

26.59

255.2

11

16.97

-23.76

26.61

256.3

12

18.40

-21.26

26.59

255.3

13

23.75

-14.86

26.40

202.4

14

23.35

-15.36

26.41

221.3

15

21.33

-17.81

26.43

223.8

16

23.06

-15.59

26.41

223.3

17

7.07

-72.32

31.32

509.4

18

7.08

-79.62

31.40

557.7

19

6.46

-83.15

31.45

560.9

20

7.08

-79.68

31.40

558.0

21

9.89

-50.60

29.60

409.6

22

9.35

-59.04

29.78

464.7

23

8.41

-63.70

29.86

473.4

24

9.18

-60.25

29.83

470.8

simulatie

B44.


7.2


Casestudy 2: Licht en dicht Warmtevraag Koudevraag

Truimte

Energie

totaal

totaal

Max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

-38.79 35.15 -90.6%

29.36 4.39 14.9%

296.95 179.24 60.4%


26.23 0.03 0.1%

116.79 6.90 5.9%


26.68 0.10 0.4% 1.7%

243.99 22.00 9.0% 108.9%

35.16 2.31 6.6% 34.1%

530.06 51.31 9.7% 353.8%


Statistieken voor hoge interne warmteproductie: μ 14.96 -85.13 σ 0.69 11.37 RSD 4.6% -13.4% tov laag -55.0% 1368.8%

simulatie

6

7

11

21

Warmtevraag

Koudevraag

Truimte

Energie

totaal

totaal

Max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

1

31.00

-6.99

26.25

119.9

2

32.10

-6.55

26.26

124.1

3

30.45

-7.32

26.26

123.3

4

32.10

-6.56

26.26

124.2

5

34.75

-4.69

26.19

106.5

6

35.92

-4.53

26.20

111.9

7

33.84

-5.14

26.20

111.5

8

35.72

-4.59

26.19

112.8

9

19.75

-29.76

26.77

257.8

10

20.42

-29.81

26.78

265.8

11

19.54

-31.64

26.78

266.8

12

20.44

-29.85

26.77

265.9

13

21.66

-19.69

26.57

215.2

14

22.33

-20.18

26.60

225.1

15

21.12

-22.15

26.60

227.9

16

22.18

-20.57

26.60

227.4

17

14.25

-92.94

37.18

560.2

18

14.68

-95.76

37.35

581.5

19

13.98

-97.56

37.38

582.8

20

14.69

-95.82

37.35

581.8

21

15.41

-70.48

32.68

460.1

22

15.88

-74.67

32.97

486.8

23

15.04

-77.87

33.20

494.2

24

15.76

-75.92

33.17

493.0

B45.


7.3


Casestudy 3: Licht en open Warmtevraag Koudevraag

Truimte

Energie

totaal

totaal

max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

-56.23 22.40 -39.8%

48.26 7.92 16.4%

337.37 158.95 47.1%


45.34 10.09 22.3%

175.85 8.45 4.8%


47.47 8.01 16.9% 4.7%

294.44 20.69 7.0% 67.4%


51.96 3.71 7.1% 14.6%

541.83 53.06 9.8% 208.1%


simulatie

6

7

11

21

Warmtevraag

Koudevraag

Truimte

Energie

Total

totaal

max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

1

59.85

-41.54

54.78

175.2

2

67.93

-30.15

36.29

183.6

3

58.44

-43.09

54.78

187.1

4

67.92

-30.16

36.28

183.6

5

62.70

-39.17

54.77

161.7

6

71.05

-27.80

35.53

170.3

7

60.86

-40.54

54.78

173.9

8

70.90

-27.89

35.52

171.3

9

47.30

-57.00

54.95

296.5

10

52.19

-45.67

40.70

313.4

11

45.63

-60.85

54.96

322.1

12

52.19

-45.68

40.69

313.5

13

51.16

-51.67

54.94

262.2

14

56.20

-40.01

39.30

278.8

15

48.48

-55.07

54.95

288.2

16

55.96

-40.24

39.29

280.9

17

35.11

-89.93

55.28

537.6

18

37.74

-86.42

49.98

595.2

19

33.60

-100.12

55.34

605.0

20

37.77

-86.47

49.94

595.5

21

38.16

-77.01

55.25

453.3

22

40.39

-72.11

47.29

508.8

23

35.52

-88.00

55.31

524.8

24

40.18

-72.95

47.29

514.5

B46.


7.4


Casestudy 4: Zwaar en dicht Warmtevraag Koudevraag

Truimte

Energie

totaal

totaal

max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

-29.83 31.44 -105.4%

26.32 1.41 5.3%

280.89 171.36 61.0%


25.05 0.11 0.4%

111.33 5.92 5.3%


25.73 0.10 0.4% 2.7%

226.67 18.66 8.2% 103.6%

28.18 0.55 2.0% 12.5%

504.66 51.52 10.2% 353.3%



simulatie

6

7

11

21

Warmtevraag

Koudevraag

Truimte

Energie

Total

totaal

max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

1

29.06

-2.75

25.15

113.7

2

29.59

-2.61

25.14

117.7

3

28.38

-2.96

25.18

116.9

4

29.58

-2.61

25.14

117.7

5

33.69

-1.52

24.94

102.3

6

34.27

-1.55

24.94

107.3

7

32.62

-1.80

24.98

106.9

8

34.02

-1.58

24.94

108.1

9

11.21

-18.33

25.82

237.9

10

11.21

-18.55

25.82

245.3

11

10.68

-19.70

25.83

246.0

12

11.20

-18.57

25.82

245.4

13

16.00

-11.92

25.62

201.7

14

15.88

-12.44

25.64

210.9

15

14.91

-13.66

25.66

213.2

16

15.59

-12.68

25.64

212.9

17

2.29

-79.53

28.62

534.9

18

2.27

-82.89

28.70

556.2

19

2.13

-84.56

28.73

558.0

20

2.27

-82.96

28.71

556.5

21

4.17

-56.22

27.54

434.6

22

4.07

-60.78

27.67

461.1

23

3.71

-63.69

27.73

468.7

24

3.93

-62.09

27.71

467.3

B47.


7.5


Casestudy 5: Zwaar en open Warmtevraag Koudevraag

Truimte

Energie

totaal

totaal

max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

-37.78 28.50 -75.4%

28.15 2.16 7.7%

290.00 165.36 57.0%


26.41 0.06 0.2%

124.10 8.41 6.8%


26.98 0.13 0.5% 2.2%

242.33 20.78 8.6% 95.3%

31.07 0.74 2.4% 17.7%

503.57 56.23 11.2% 305.8%



simulatie

6

7

11

21

Warmtevraag

Koudevraag

Truimte

Energie

totaal

totaal

max

primaire

[kWh/m2.y]

[kWh/m2.y]

[oC]

[kWh/m2.y]

1

32.05

-15.69

26.48

121.5

2

38.70

-8.46

26.41

132.7

3

30.60

-17.28

26.49

133.4

4

38.70

-8.46

26.41

132.7

5

35.60

-13.52

26.39

109.0

6

42.60

-6.68

26.33

120.8

7

33.67

-14.91

26.41

121.1

8

42.40

-6.73

26.33

121.6

9

17.76

-33.45

27.11

243.4

10

20.94

-25.07

27.06

261.6

11

16.17

-38.08

27.14

269.9

12

20.94

-25.10

27.06

261.7

13

22.43

-27.44

26.87

209.2

14

25.77

-19.08

26.82

227.5

15

19.85

-31.51

26.91

236.0

16

25.48

-19.32

26.83

229.5

17

7.19

-80.77

31.60

500.5

18

8.15

-79.66

31.71

558.8

19

6.27

-95.13

31.97

572.7

20

8.15

-79.72

31.72

559.1

21

10.12

-62.23

30.24

410.5

22

10.76

-60.20

30.34

467.2

23

8.15

-76.97

30.58

486.4

24

10.57

-61.33

30.39

473.2

B48.


B49.

Gebruikersgedrag in gebouwsimulaties van eenvoudig tot geavanceerd gebruikersgedragmodel

Recommend Documents