Prestandagap

Ett prestandagap är en skillnad som finns mellan den förutsedda energianvändningen och koldioxidutsläppen i byggnaders designskede och energianvändningen för de byggnader som är i drift. Forskning i Storbritannien tyder på att de faktiska koldioxidutsläppen från nya hem kan vara 2,5 gånger större än designuppskattningarna i genomsnitt. För icke-hembyggnader är klyftan ännu större - faktiska koldioxidutsläpp så mycket som 3,8 gånger designuppskattningarna i genomsnitt.

Det finns etablerade verktyg för att minska prestandagapet genom att granska projektmål, skisser och detaljerade designritningar, designberäkningar, implementering av design på plats och utvärdering efter inflyttning. NEF:s Assured Performance Process (APP) är ett sådant verktyg, som används flitigt på olika platser som ingår i East Hampshires Whitehill och Bordon new town utveckling, ett av de största förnyelseprojekten någonstans i Storbritannien, med höga ambitioner för både miljö och miljö. prestation och hälsa.

Klassificering av faktorer som bidrar till prestationsgapet

Prestationsgapet uppstår främst på grund av osäkerheter. Osäkerheter finns i alla "verkliga" system, och byggnader är inget undantag. Redan 1978 skrev Gero och Dudnik en uppsats som presenterade en metod för att lösa problemet med att designa delsystem ( HVAC ) utsatta för osäkra krav. Därefter har andra författare visat intresse för de osäkerheter som finns i byggnadsdesign; Ramallo-González klassificerade osäkerheter i byggnadsdesign/konstruktion i tre olika grupper:

Miljö. Osäkerhet i väderprognoser under förändrat klimat; och osäker väderdatainformation på grund av användningen av syntetiska väderdatafiler: (1) användning av syntetiska år som inte representerar ett verkligt år, och (2) användning av ett syntetiskt år som inte har genererats från registrerade data i exakt platsen för projektet men i närmaste väderstation.
Utförande och kvalitet på byggnadselement. Skillnader mellan designen och den verkliga byggnaden: Konduktivitet av köldbryggor , ledningsförmåga hos isolering , värde av infiltration eller U-värden för väggar och fönster. Det kan förekomma optimism hos designers, där förväntningarna på vad som är möjligt på plats är orealistiska och/eller byggbarheten inte får tillräcklig uppmärksamhet under designen.
Beteendemässigt. Alla andra parametrar kopplade till mänskligt beteende, t.ex. dörr- och fönsteröppning, uppvärmningsregimer, användning av apparater, boendemönster eller matlagningsvanor.

Typ 1: Miljöosäkerheter

Typ 1 från denna gruppering har här delats in i två huvudgrupper: en rörande osäkerheten på grund av klimatförändringar; och den andra rör osäkerheter på grund av användningen av syntetiska väderdatafiler. När det gäller osäkerheten på grund av klimatförändringar: byggnader har lång livslängd, till exempel i England och Wales, byggdes cirka 40 % av de kontorshus som fanns 2004 före 1940 (30 % om man räknar med golvarean). och 38,9 % av de engelska bostäderna 2007 byggdes före 1944. Denna långa livslängd gör att byggnader sannolikt kommer att fungera med klimat som kan förändras på grund av global uppvärmning. De Wilde och Coley visade hur viktigt det är att designa byggnader som tar hänsyn till klimatförändringar och som kan prestera bra i framtida väder. Beträffande osäkerheterna på grund av användningen av syntetiska väderdatafiler: Wang et al. visade vilken påverkan osäkerheter i väderdata (bland annat) kan orsaka i energibehovsberäkningar. Avvikelsen i beräknad energianvändning på grund av variationer i väderdata visade sig vara olika på olika platser från ett intervall på (-0,5 % – 3 %) i San Francisco till ett intervall på (-4 % till 6 %) i Washington DC Områdena beräknades med TMY som referens. Dessa avvikelser i efterfrågan var mindre än de som berodde på driftsparametrar. För dessa var intervallen (-29 % – 79 %) för San Francisco och (-28 % – 57 %) för Washington DC. Driftparametrarna var de som var kopplade till passagerarnas beteende. Slutsatsen av detta dokument är att passagerare kommer att ha en större inverkan i energiberäkningar än variationen mellan syntetiskt genererade väderdatafiler. Den rumsliga upplösningen av väderdatafiler var den oro som täcktes av Eames et al. Eames visade hur en låg rumslig upplösning av väderdatafiler kan vara orsaken till skillnader på upp till 40 % i värmebehovet.

Typ 2: Utförande

I Pettersens arbete övervägdes osäkerheter i grupp 2 (utförande och kvalitet på element) och grupp 3 (beteende) i den tidigare grupperingen (Pettersen, 1994). Detta arbete visar hur viktigt de boendes beteende är vid beräkningen av en byggnads energibehov. Pettersen visade att den totala energianvändningen följer en normalfördelning med en standardavvikelse på cirka 7,6 % när man tar hänsyn till osäkerheterna på grund av boende, och på cirka 4,0 % när man tar hänsyn till de som genereras av byggnadselementens egenskaper. En stor studie genomfördes av Leeds Metropolitan vid Stamford Brook. I detta projekt byggdes 700 bostäder enligt hög effektivitetsstandard. Resultaten av detta projekt visar på en betydande klyfta mellan den energianvändning som förväntas före byggandet och den faktiska energianvändningen när huset väl är upptaget. Utförandet analyseras i detta arbete. Författarna understryker vikten av köldbryggor som inte beaktades vid beräkningarna, och hur de som uppstått från de interna skiljeväggarna som skiljer bostäder har störst inverkan på den slutliga energianvändningen. De bostäder som övervakades i bruk i denna studie visar en stor skillnad mellan den verkliga energianvändningen och den uppskattade med SAP, där en av dem ger +176% av det förväntade värdet vid användning.

Hopfe har publicerat flera artiklar om osäkerheter i byggnadsdesign som täcker utförande. En nyare publikation i skrivande stund tittar på osäkerheter i grupp 2 och 3. I detta arbete definieras osäkerheterna som normalfördelningar. De slumpmässiga parametrarna samplas för att generera 200 tester som skickas till simulatorn (VA114), vars resultat kommer att analyseras för att kontrollera de osäkerheter som har störst påverkan på energiberäkningarna. Detta arbete visade att osäkerheten i värdet som används för infiltration är den faktor som sannolikt har störst inverkan på kyl- och värmebehov. En annan studie utförd av de Wilde och Wei Tian, jämförde effekterna av de flesta osäkerheter som påverkar energiberäkningar av byggnader med hänsyn till klimatförändringar. De Wilde och Tian använde en tvådimensionell Monte Carlo-analys för att generera en databas erhållen med 7280 körningar av en byggnadssimulator. En känslighetsanalys tillämpades på denna databas för att få fram de mest signifikanta faktorerna på variabiliteten i energibehovsberäkningarna. Standardiserade regressionskoefficienter och standardiserade rangregressionskoefficienter användes för att jämföra effekterna av osäkerheterna.

De Wilde och Tian var överens med Hopfe om inverkan av osäkerheter i infiltrationen över energiberäkningar, men introducerade också andra faktorer, inklusive osäkerheter i: väder, U-värde för fönster och andra variabler relaterade till passagerarnas beteende (utrustning och belysning) . Deras uppsats jämför många av osäkerheterna med en bra storlek databas som ger en realistisk jämförelse för omfattningen av urvalet av osäkerheterna. Schnieders och Hermelinks arbete visade en betydande variation i energibehoven för lågenergibyggnader designade enligt samma specifikation (Passivhaus).

Typ 3: Passagerare

Schnieders och Hermelinks arbete visade en betydande variation i energibehoven för lågenergibyggnader designade enligt samma specifikation (Passivhaus). Även om passivhaus-standarden har ett mycket kontrollerat, högkvalitativt utförande, har stora skillnader setts i energibehovet i olika hus.

Blight och Coley visade att denna variation kan uppstå på grund av variationer i passagerarnas beteende (användningen av fönster och dörrar ingick i detta arbete). Blight och Coleys arbete bevisar två saker: (1) De boende har ett betydande inflytande på energianvändningen; och (2) Modellen de använde för att generera boendes beteende är korrekt för att skapa beteendemönster hos invånarna.

Metoden som användes i föregående artikel för att generera korrekta profiler av passagerarnas beteende var den som utvecklats av Richardson et al. Metoden utvecklades med hjälp av Time-Use Survey (TUS) i Storbritannien som en referens till de åkandes verkliga beteende, denna databas utvecklades efter att ha registrerat aktiviteten för mer än 6000 passagerare i 24-timmarsdagböcker med en 10 minuters upplösning. Richardsons papper visar hur verktyget kan generera beteendemönster som korrelerar med de verkliga data som erhållits från TUS. Tillgängligheten av detta verktyg gör det möjligt för forskare att modellera osäkerheten i passagerarnas beteende som en uppsättning beteendemönster som har visat sig korrelera med verkliga passagerares beteende. Det har publicerats arbeten för att ta hänsyn till beläggning vid optimering med den så kallade robusta optimeringen

externa länkar