Masterarbeit Marcus Vogt

  Masterarbeit Vogt Urheberrecht: EBC Flussdiagramm zur Analyse ausgewählter statistischer Kennzahlen für einen automatisierten Kalibrierprozesses.

Da Gebäude ein Drittel des globalen Energieverbrauchs ausmachen, ist die Senkung des Energiebedarfs von Gebäuden für die Gesamtstrategie der Energieeinsparung wichtig. Hierfür können dynamische Gebäudeenergiesimulationen eingesetzt werden, um zum Beispiel Sanierungsmaßnahmen vorzuschlagen oder zukünftige Energieeinsparungen zu berechnen.

Ein in diesem Zusammenhang bekanntes Problem sind die Diskrepanzen zwischen den simulierten und gemessenen Daten, wofür Kalibrierungen eingesetzt werden können, um genauere Gebäudemodelle mit zuverlässigeren Ergebnissen zu erhalten.

Die bekanntesten Kalibrierverfahren verwenden statistische Indizes, um die Qualität der Simulationsmodelle zu bewerten und zu verbessern. Im Rahmen dieser Arbeit werden sechs statistische Kennzahlen (einschließlich aller Kombinationsmöglichkeiten) zur Kalibrierung von Gebäudesimulationsmodellen getestet und ein Ranking der am besten geeigneten Kennzahlen, mittels eines automatischen Bewertungsverfahren, erstellt.

Das entwickelte Verfahren wird auf Gebäude des Forschungszentrums Jülich angewendet, für welches umfangreiche Messdaten auf Gebäudeebene vorliegen.

In diesem Anwendungsfall werden alle dynamische Simulationen mit stündlichen Zeitschritten durchgeführt. Basierend auf dem vom Bewertungsverfahren generierten Ranking wird auf die Eignung der betrachteten statistischen Indizes zur Kalibrierung von Gebäudemodellen geschlossen.

Da die Methode automatisiert ist, können umfangreiche Datensätzen verarbeitet werden und eine umfassende Analyse der verfügbaren simulierten Ergebnisse erfolgen.

Als Resultat des Verfahrens sollten folgende vier statistische Kennzahlen zur Kalibrierung dynamischer Gebäudeenergiesysteme verwendet werden: Der „Coefficient of Variation of Root Mean Square Error“ (CV(RMSE)), der „Normalized Mean Error“ (NME), der „standardized contingency coefficient“ und der Determinationskoeffizient (R2). In der Auswertung durch das Ranking belegen diese Kombinationen allesamt bessere Positionen als die in der Literatur häufig verwendete Kennzahlkombination aus CV(RMSE) und dem „Mean Bias Error“ (MBE).

Die beste Platzierung ergibt sich aus der Kombination zwischen NME und R2.

Darüber hinaus konnte gezeigt werden, dass eine multikriterielle Bewertung anhand mehrerer statistischer Kennzahlen sinnvoll ist, da eventuelle Verschlechterungen der Ergebnisse im Vergleich zum Ausgangsmodell nachweisbar bleiben.