Naar energiezuinige wijken: vereenvoudiging van testen met ‘op-maat-gemaakte cluster aanpak’
Het Vlaams klimaatbeleidsplan legt als streefdoel voor de residentiële sector “een nulverbruik van fossiele brandstoffen” op tegen 2050. Dit wil zeggen dat in 2050 alle woningen in Vlaanderen verwarmd zullen moeten worden met behulp van koolstofarme en hernieuwbare technologieën, zoals bijvoorbeeld warmtenetwerken, zonneboilers of warmtepompen. Hoewel een aantal technieken al wijd verspreid zijn — denk maar aan zonnepanelen —, is er nog een lange weg te gaan om deze doelstelling effectief te bereiken. De vernieuwende technologieën die hieraan voldoen, zijn volop in ontwikkeling en moeten dus ook getest worden. Het testen van deze technologieën is echter een moeizaam proces dat veel rekentijd vergt. Een vereenvoudiging hiervan is dus zeker en vast welkom.
Testen van technologieën
Het verlagen van het energieverbruik van Vlaamse gezinnen staat al gedurende lange tijd op de agenda van de overheid. Hiervoor werden eerder al maatregelen, zoals het isoleren van woningen en het plaatsen van dubbel glas, ingevoerd. Op die manier kon de gewenste binnentemperatuur van het gebouw behouden blijven terwijl er minder energie verbruikt werd. Om het energieverbruik van woningen te voorspellen, zijn er programma’s ontwikkeld die de woningen, met al hun eigenschappen en het gedrag van de bewoners, simuleren. Met deze programma’s kan de reikwijdte van de toegepaste maatregelen uitgetest worden.
Naast de individuele maatregelen wordt er tegenwoordig volop gezocht naar geavanceerdere geïntegreerde technieken, zoals bijvoorbeeld warmtenetwerken. Deze geïntegreerde technieken zullen het verbruik van een groter aantal woningen samen optimaliseren. Warmtenetwerken maken hierbij bijvoorbeeld gebruik van de restwarmte in een wijk en herverdelen deze warmte om zo min mogelijk te verliezen. De toepassing van deze technieken kan een klein aantal huizen omvatten, maar ook volledige wijken met duizenden woningen. Om elk van deze woningen apart te simuleren, hebben zelfs moderne rekenkrachtige computers enorm veel tijd nodig. Een aangepaste methode, die het simuleren van de wijken vereenvoudigt, is daarom cruciaal in de vooruitgang van de onderzoeken omtrent de geïntegreerde technieken.
‘Op-maat-gemaakte cluster aanpak’
In de scriptie “Optimisation of district energy simulations by means of a tailor-made clustering approach” wordt een methode — genaamd de ‘op-maat-gemaakte cluster aanpak’ — ontwikkeld en getest. Deze methode groepeert de woningen van de wijk, die gesimuleerd zal worden. De groepjes of ‘clusters’ bevatten woningen die in min of meerdere mate een gelijkaardig verbruikspatroon vertonen. Op deze manier kan elke woning in een groep door één van de woningen in die groep gerepresenteerd worden. Dit moet de woning zijn die zich het meest in het ‘midden’ van de groep bevindt. Wat juist het ‘midden’ van elke groep is, is afhankelijk van hoe de groepen onderverdeeld werden.
Het bepalen van welke woning in welke groep thuis hoort, kan gebeuren op verschillende manieren. Er moeten criteria geselecteerd worden waarmee de onderverdeling zal gebeuren. Elke woning bezit een aantal eigenschappen die mee het energieverbruik bepalen. Enkele van deze eigenschappen zullen het meest geschikt zijn als criteria om de onderverdeling mee te maken. In de scriptie wordt uiteengezet hoe deze eigenschappen geselecteerd kunnen worden. Er wordt eerst een methode beschreven om de volgorde van belang van de gedefinieerde eigenschappen te bepalen. Vervolgens wordt er getest hoeveel van deze eigenschappen het best toegepast worden.
Daarnaast bestaan er ook verschillende ‘cluster’-technieken om de woningen onder te verdelen. De scriptie beschrijft de twee meest gebruikte technieken en stelt vast welke de beste is voor deze toepassing.
Ten slotte moeten de resultaten van de simulatie van die ene geselecteerde woning per ‘cluster’ ook toegekend worden aan elke andere woning in die ‘cluster’. De scriptie test hiervoor een aantal manieren. De resultaten kunnen exact gekopieerd worden of kunnen lichtelijk aangepast worden per woning aan de hand van eigenschappen zoals de grootte of het volume van elk gebouw.
Referentiescenario
De ontwikkelde methode wordt getest aan de hand van een typisch Vlaamse wijk: de Boxbergheide in Genk. Deze wijk omvat een duizendtal woningen met een variërende grootte. Er zijn zowel vrijstaande woningen als halfopen en gesloten woningen. Een meer atypisch kenmerk van de wijk houdt in dat deze wijk na de Tweede Wereldoorlog ontwikkeld is en dus veel gebouwen van die periode bevat.
De resultaten die bekomen zijn met de ‘op-maat-gemaakte cluster aanpak’ worden vergeleken met resultaten van een scenario waarbij elke woning individueel gesimuleerd werd. Bij gebrek aan gedetailleerdere informatie over het verbruik van de wijk wordt dit scenario als ‘werkelijk verbruik’ aangenomen.
Resultaten
Naarmate de gebouwen in meer groepen verdeeld worden, zijn de resultaten steeds nauwkeuriger. Daar tegenover staat de groeiende rekentijd. Er moet dus een compromis gevonden worden tussen de nauwkeurigheid en de rekentijd in functie van het onderzoek waarvoor de simulatie van de wijk gebeurt. Voor een eerste inschatting van de prestatie van de wijk zal een onderverdeling in een klein aantal groepen wellicht volstaan. Voor finale berekeningen op basis waarvan de toepassing van bijvoorbeeld een warmtenetwerk bepaald zal worden, zijn gedetailleerdere resultaten vereist. De wijk zal dus in een groter aantal groepen verdeeld moeten worden.
De ontwikkelde methode lijkt veelbelovende resultaten te genereren. De fout, die gemaakt wordt met de ‘op-maat-gemaakte cluster aanpak’ ten opzichte van de referentiesituatie, is opvallend kleiner dan bij een willekeurige groepering van de gebouwen. Dit toont aan dat de methode wel degelijk een zinvolle benadering is. Bovendien lijkt de methode ook nauwkeurigere resultaten te generen dan andere methodes die eerder al toegepast werden en waarvan de fouten vermeld zijn in de literatuur.
De ontwikkelde methode moet nog verder verfijnd worden om toepasbaar te zijn op eender welke wijk. Het departement Burgerlijke Bouwkunde, afdeling Bouwfysica, van de KU Leuven voert hier verder onderzoek naar. Als de methode helemaal op punt staat, kunnen simulaties om geïntegreerde technieken te testen op een veel kortere tijd gerealiseerd worden. Dit zal de ontwikkeling van deze technieken ten goede komen en de toepassing ervan stimuleren, wat een stap in de richting van het streefdoel van het Vlaams klimaatbeleidsplan betekent: een stap richting energiezuinige wijken.
Bibliografie
Akaike, H., 1974. A New Look at the Statistical Model Identification. IEEE Transactions on Automatic Control, 19(6), pp.716–723.
Allacker, K., 2010. Sustainable Building. Unpublished doctoral thesis, Katholieke Universiteit Leuven.
Allegrini, J., Orehounig, K., Mavromatidis, G., Ruesch, F., Dorer, V. and Evins, R., 2015. A review of modelling approaches and tools for the simulation of district-scale energy systems. Renewable and Sustainable Energy Reviews, 52, pp.1391–1404.
Baetens, R., De Coninck, R., Jorissen, F., Picard, D., Helsen, L. and Saelens, D., 2015. OpenIDEAS – an Open Framework for Integrated District Energy Simulations. In: BS2015, 14th Conference of International Building Performance Simulation Association. Hyderabad.
Ballarini, I., Corgnati, S.P. and Corrado, V., 2014. Use of reference buildings to assess the energy saving potentials of the residential building stock: The experience of TABULA project. Energy Policy, 68, pp.273–284.
Banks, H.T. and Joyner, M.L., 2017. AIC under the framework of least squares estimation. Applied Mathematics Letters, 74, pp.33–45.
Caputo, P., Costa, G. and Ferrari, S., 2013. A supporting method for defining energy strategies in the building sector at urban scale. Energy Policy, 55, pp.261–270.
Cuypers, D., Vandevelde, B., Van Holm, M. and Verbeke, S., 2014. Belgische woningtypologie – Nationale brochure over de TABULA woningtypologie. 2nd ed.
Cyx, W., Renders, N., Van Holm, M. and Verbeke, S., 2011. IEE TABULA – Typology Approach for Building Stock Energy Assessment. Mol.
Dall’O’, G., Galante, A. and Torri, M., 2012. A methodology for the energy performance classification of residential building stock on an urban scale. Energy & Buildings, 48, pp. 211–219.
Geyer, P. and Schlüter, A., 2017. Clustering and Fuzzy Reasoning as Data Mining Methods for the Development of Retrofit Strategies for Building Stocks. In: H. Song, R. Srinivasan, T. Sookoor and S. Jeschke, eds., Smart Cities: foundations, principles, and applications. Hoboken: John Wiley & Sons, Inc., pp.437–468.
Geyer, P., Schlüter, A. and Cisar, S., 2016. Application of clustering for the development of retrofit strategies for large building stocks. Advanced Engineering Informatics, 31, pp.32– 47.
Ghiassi, N., 2017. An Hourglass Approach to Urban Energy Computing. Unpublished doctoral thesis, Vienna University of Technology.
Ghiassi, N., Hammerberg, K., Taheri, M., Pont, U., Sunanta, O. and Mahdavi, A., 2015. An enhanced sampling-based approach to urban energy modelling. In: Proceedings of BS2015: 14th Conference of International Building Performance Simulation Association. Hyderabad.
Ghiassi, N. and Mahdavi, A., 2016a. A GIS-based framework for semi-automated urban-scale energy simulation. In: Central Europe towards Sustainable Building 2016. Prague.
Ghiassi, N. and Mahdavi, A., 2016b. Utilization of GIS data for urban-scale energy inquiries: A sampling approach. In: S. Christodoulou and R. Scherer, eds., eWork and eBusiness in Architecture, Engineering and Construction, 2016th ed. Leiden: CRC Press/Balkema, pp. 251–258.
Ghiassi, N. and Mahdavi, A., 2017. Reductive bottom-up urban energy computing supported by multivariate cluster analysis. Energy and Buildings, 144, pp.372–386.
Heat Roadmap Europe, 2017. 2015 Final Heating & Cooling Demand in Belgium. Available at: <http://www.heatroadmap.eu/resources/HRE4-Country_presentation-Belgium.p…;.
Hutcheson, G., 2011. Ordinary Least-Squares Regression. In: Luiz Moutinho and Graeme
Hutcheson, eds., The SAGE Dictionary of Quantitative Management Research. Singapore: SAGE Publications Asia-Pacific Pte Ltd, pp.224–228.
International Energy Agency, 2011. Technology Roadmap – Smart Grids. Paris. Available at: <https://webstore.iea.org/technology-roadmap-smart-grids>.
International Energy Agency, 2017. World energy balances: an overview. Available at: <https:// webstore.iea.org/world-energy-balances-2017>.
International Organization for Standardization, 2008. Energy performance of buildings – Calculation of energy use for space heating and cooling (ISO/DIS Standard No. 13790). Available at: <http://www.cres.gr/greenbuilding/PDF/prend/set3/WI_14_TC-draft- ISO13790_2006-07-10.pdf>.
De Jaeger, I., Reynders, G. and Saelens, D., 2017. Impact of spatial accuracy on district energy simulations. In: 11th Nordic Symposium on Building Physics, NSB2017. Trondheim.
Jorissen, F., Reynders, G., Baetens, R., Picard, D., Saelens, D. and Helsen, L., 2018. Implementation and verification of the IDEAS building energy simulation library. Journal of Building Performance Simulation.
Kavgic, M., Mavrogianni, A., Mumovic, D., Summerfield, A., Stevanovic, Z.M. and Djurovic- Petrovic, M.D., 2010. A review of bottom-up building stock models for energy consumption in the residential sector. Building and Environment, 45, pp.1683–1697.
Manning, C.D., Raghavan, P. and Schütze, H., 2009a. Flat clustering. In: Introduction to Information Retrieval. Cambridge: Cambridge University Press, pp.321–345.
Manning, C.D., Raghavan, P. and Schütze, H., 2009b. Hierarchical clustering. In: Introduction to Information Retrieval, Online edi. Cambridge: Cambridge University Press, pp.377–401.
Molemans, J., 1998. 50 jaar Boxbergheide. Available at: <http://users.telenet.be/paulschepers/ 50jBoxbergheide.pdf>.
Nouvel, R., Schulte, C., Eicker, U., Pietruschka, D. and Coors, V., 2013. CityGML-based 3D city model for energy diagnostics and urban energy policy support. In: Proceedings of BS2015: 13th Conference of International Building Performance Simulation Association. Chambéry, pp.218–225.
Page, J., Dervey, S. and Morand, G., 2014. Aggregating building energy demand simulation to support urban energy design. In: R. Rajan, M. Sanyogita and K. Nirmala, eds., Proceedings of 30th International PLEA Conference, plea2014. Ahmedabad: CEPT University.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, É., Brucher, M., Perrot, M. and Duchesnay, É., 2011. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, pp. 2825–2830.
Protopapadaki, C., Reynders, G. and Saelens, D., 2014. Bottom-up modelling of the Belgian residential building stock: impact of building stock descriptions. In: 9th International Conference on System Simulation in Buildings. Liège.
Reinhart, C.F. and Cerezo Davila, C., 2016. Urban building energy modeling - A review of a nascent field. Building and Environment, 97, pp.196–202.
Remmen, P., Lauster, M., Mans, M., Osterhage, T. and Müller, D., 2016. CityGML import and export for dynamic building performance simulation in Modelica. In: Proceedings of the 3rd IBPSA-England Conference BSO 2016. Newcastle.
Rokach, L. and Maimon, O., 2010. Clustering methods. In: O. Maimon and L. Rokach, eds., Data mining and knowledge discovery handbook. Boston: Springer, pp.321–352.
Scipy community, 2018. Hierarchical clustering (scipy.cluster.hierarchy) — SciPy v1.1.0 Reference Guide. [online] Available at: <https://docs.scipy.org/doc/scipy/reference/ cluster.hierarchy.html#module-scipy.cluster.hierarchy> [Accessed 31 May 2018].
Shimoda, Y., Fujii, T., Morikawa, T. and Mizuno, M., 2004. Residential end-use energy simulation at city scale. Building and Environment, 39, pp.959–967.
Sokol, J., Cerezo Davila, C. and Reinhart, C.F., 2017. Validation of a Bayesian-based method for defining residential archetypes in urban building energy models. Energy and Buildings, 134, pp.11–24.
Steinley, D. and Brusco, M.J., 2008. A New Variable Weighting and Selection Procedure for K- means Cluster Analysis. Multivariate Behavioral Research, 43(43), pp.77–108.
Swan, L.G. and Ugursal, V.I., 2008. Modeling of end-use energy consumption in the residential sector: A review of modeling techniques. Renewable and Sustainable Energy Reviews, 13(2009), pp.1819–1835.
United Nations Framework Convention on Climate Change, 2015. Paris Agreement. Available at: <https://unfccc.int/process-and-meetings/the-paris-agreement/the-paris-a…;.
Verhelst, J., 2016. Boxbergheide - Erfgoedobjecten - Inventaris Onroerend Erfgoed. [online] Available at: <https://inventaris.onroerenderfgoed.be/erfgoedobjecten/302364> [Accessed 25 Dec. 2017].
Vlaamse overheid, 2017. Geopunt Vlaanderen. [online] Available at: <http://www.geopunt.be/> [Accessed 24 Dec. 2017].
Vlaamse overheid, 2018. 3D GRB. [online] Available at: <https://overheid.vlaanderen.be/ GRB-3DGRB> [Accessed 19 May 2018].
Werner, S., 2017. International review of district heating and cooling. Energy, 137, pp.617–631.
De Wolf, L., 2017. Grootschalig referentiebestand, Datastructuur. Brussel: Informatie Vlaanderen. Available at: <https://download.agiv.be/Producten/Detail? id=1&title=GRBgis>.
