Masterthesis Unsicherheitsanalyse thermische Simulation
Transcrição
Masterthesis Unsicherheitsanalyse thermische Simulation
Masterarbeit in der Gebäude- und Energietechnik Nr. MA-GE 23/12 Unsicherheitsanalyse der thermischen Simulation für den Neubau eines Hochschulgebäudes im Rahmen eines EnOB-Forschungsprojektes Vorgelegt von: David Feige Abgabedatum: 1. Oktober 2012 1. Gutachter: Prof. Dr. Michael Kappert 2. Gutachter: Klaus Weber, M. Eng. Zusammenfassung In der vorliegenden Arbeit wird mit Monte-Carlo-Simulationen ausführlich die Unsicherheit von Heiz- und Kühlenergiebedarf als Ergebnis einer thermischen Simulation aufgrund der Unsicherheiten von Material- und Nutzungsparametern im Modell-Eingang untersucht. Darüber hinaus zeigen Sensitivitätsanalysen sowohl qualitativ als auch quantitativ die Auswirkungen der Unsicherheit einzelner Parameter auf die Gesamtunsicherheit. Dafür wurden One-Factor-at-aTime-Methodik und Teilfaktorielle Analysetechniken verwendet. Bevor die eigentliche Untersuchung stattfinden konnte, wurden die benötigten Werkzeuge, insbesondere zur automatisierten Modellerstellung, entwickelt. Diese ermöglichen mit vertretbarem Aufwand auch zukünftige Unsicherheits- bewertungen. Die Untersuchung beginnt mit der Einbettung der Fragestellung in den Kontext des Planungsprozesses und mit Definitionen wichtiger Begriffe in Kapitel 1 sowie der Erläuterung benötigter statistischer Zusammenhänge in Kapitel 2. Im Anschluss werden verallgemeinert Quellen und Charakteristika von Unsicherheiten im Simulationsprozess aufgezeigt (Kapitel 3). Eine ausführliche Erläuterung der verwendeten Analysemethoden ist in Kapitel 4 enthalten. In Kapitel 5 werden neben der verwendeten Software auch die untersuchten Parameter des Beispielmodells ausführlich bezüglich der Charakteristik ihrer Unsicherheiten und ihrer anzunehmenden Erwartungswerte diskutiert. Einen Überblick über die technische Umsetzung des Analyseprozesses von der Stichprobenziehung über die automatisierte Modellerstellung und Parallelisierung der Berechnungen bis zur Zusammenfassung der Berechnungsergebnisse enthält Kapitel 6. Kapitel 7 zeigt die Auswertung der so gewonnenen Ergebnisse. Einige Ansätze und Resultate werden in Kapitel 8 hinsichtlich ihrer Plausibilität diskutiert. Mit Fazit und Ausblick in Kapitel 9 wird die Beantwortung der Fragestellung abgeschlossen. I Summary In this thesis, the uncertainty in energy demand of heating and cooling as a result of a thermal building simulation caused by uncertainties in the model input is thoroughly examined with the Monte-Carlo-Simulation. Furthermore sensitivity analysis is engaged for qualifying and quantifying the effects of material and occupancy parameters. For this purpose, One-Factor-at-a-Time (Differential) method and Fractional Factorial analysis was applied. Before this proceeds, necessary software-tools had to be involved, especially to automate the model generation. With these tools, uncertainty analysis for other script-based models is possible in a tenable time. The examination lead off with the embedding of the problem in the actual context of the general design process and with definitions of terms in chapter 1 and the explanation of the statistical basics in chapter 2. Furthermore general sources and characteristics of uncertainties in the simulation process are presented in chapter 3. A detailed explanation of the applied analysing methods is included in chapter 4. In chapter 5, aside from the used software, the examined parameters of the example simulation-model are also comprehensively characterised in accordance to its uncertainties and mean-values. An overview of the technical realisation of the analysis process from sampling over automated model generation and parallelization of calculations to aggregation of the results is included in chapter 6. Chapter 7 displays the evaluation of the obtained results. Some results and methods are discussed with regard to its plausibility in chapter 8. The answering of the initial question will be completed in chapter 9 with the conclusion and future prospects. II Inhaltsverzeichnis Zusammenfassung ............................................................................................. I Summary ............................................................................................................ II Inhaltsverzeichnis............................................................................................. III Abbildungsverzeichnis.....................................................................................VI Tabellenverzeichnis ........................................................................................VIII Symbolverzeichnis ...........................................................................................IX Danksagung .......................................................................................................X 1 2 Einleitung .................................................................................................... 1 1.1 Motivation und Ziel ................................................................................ 1 1.2 Begriffsdefinitionen ................................................................................ 3 Statistische Grundlagen............................................................................. 5 2.1 2.1.1 Zufallsereignis, -experiment und -variable ...................................... 5 2.1.2 Permutation, Variation und Kombination ......................................... 5 2.1.3 Häufigkeit und Wahrscheinlichkeit .................................................. 6 2.1.4 Verteilungsfunktion, Verteilungsdichte ............................................ 6 2.1.5 Mittelwert, Erwartungswert und Median .......................................... 7 2.1.6 Standardabweichung, Varianz und Variationskoeffizient ................. 7 2.1.7 Quantil und Quartil.......................................................................... 7 2.2 3 4 Grundbegriffe ........................................................................................ 5 Modellierung von Unsicherheiten ........................................................... 8 2.2.1 Normalverteilung ............................................................................ 8 2.2.2 Logarithmische Normalverteilung ................................................... 9 2.2.3 Gleichverteilung ............................................................................ 10 2.2.4 Dreiecksverteilung ........................................................................ 11 Charakteristik und Quellen von Unsicherheiten..................................... 12 3.1 Charakteristik von Fehlern im Simulationsprozess ............................... 12 3.2 Quellen von Unsicherheiten in thermischen Gebäudesimulationen...... 14 3.2.1 Unsicherheiten der Konstruktion ................................................... 14 3.2.2 Unsicherheiten durch Nutzerverhalten und innere Lasten............. 15 3.2.3 Modellierungsunsicherheiten ........................................................ 15 Methoden zur Sensitivitätsanalyse und Unsicherheitsbewertung ........ 16 4.1 „One-factor-at-a-time”-Methode ........................................................... 16 4.2 Faktorielle Analyse .............................................................................. 18 III 4.2.1 4.2.1.1 Effekt 1. Ordnung .................................................................. 21 4.2.1.2 Effekt 2. Ordnung .................................................................. 21 4.2.1.3 Effekt 3. Ordnung .................................................................. 25 4.2.2 4.3 5 6 7 Vollfaktorielle Analyse................................................................... 18 Halbfaktorielle Analyse ................................................................. 26 Monte-Carlo-Methode (MC) ................................................................. 27 Simulationssoftware und Gebäudemodell .............................................. 29 5.1 EnergyPlus .......................................................................................... 29 5.2 DesignBuilder ...................................................................................... 29 5.3 Gebäudemodell ................................................................................... 30 5.4 Unsichere Parameter des Beispielmodells ........................................... 33 5.4.1 Materialparameter opaker Baustoffe ............................................. 34 5.4.2 U-Werte und g-Werte transparenter Baustoffe .............................. 35 5.4.3 Natürlicher Luftwechsel ................................................................ 36 5.4.4 Mechanischer Luftwechsel ........................................................... 37 5.4.5 Anwesenheit ................................................................................. 38 5.4.6 Beleuchtungswärmeleistung ......................................................... 40 5.4.7 Beleuchtungskontrolle .................................................................. 42 5.4.8 Setpoint Raumtemperatur Heizfall und Kühlfall ............................. 43 5.4.9 Setpoint Verschattung .................................................................. 44 5.4.10 Innere Lasten durch Personen...................................................... 44 5.4.11 Innere Lasten durch Geräte .......................................................... 45 5.4.12 Infiltrationsluftwechsel................................................................... 46 Implementierung der Analysemethoden ................................................. 48 6.1 Stichprobenziehung ............................................................................. 48 6.2 Automatisierte Modellerstellung ........................................................... 49 6.3 Automatisierter Programmstart ............................................................ 50 6.4 Zusammenfassung der Ergebnisse ..................................................... 50 Auswertung ............................................................................................... 52 7.1 „One Factor at a time“(OFAT)-Analyse ................................................ 52 7.1.1 Ergebnisse Heizenergiebedarf ...................................................... 55 7.1.2 Ergebnisse Kühlenergiebedarf ...................................................... 57 7.1.3 Fazit zur OFAT-Analyse ............................................................... 58 7.2 Teilfaktorielle Analyse .......................................................................... 60 7.2.1 Ergebnisse Heizenergiebedarf ...................................................... 60 IV 7.2.1.1 Effekte 1. Ordnung ................................................................ 60 7.2.1.2 Effekte 2. Ordnung ................................................................ 62 7.2.2 7.2.2.1 Wechselwirkungseffekte 1. Ordnung ..................................... 65 7.2.2.2 Wechselwirkungseffekte 2. Ordnung ..................................... 66 7.2.3 7.3 8 9 Ergebnisse Kühlenergiebedarf ...................................................... 65 Fazit zur Teilfaktoriellen Analyse .................................................. 68 Monte-Carlo-Simulationen ................................................................... 70 7.3.1 Ergebnisse bei Variation aller Parameter ...................................... 71 7.3.2 Ergebnisse bei Variation ausgewählter Parameter ....................... 72 7.3.3 Fazit zur Monte-Carlo-Simulation ................................................. 74 Plausibilitätsbetrachtungen ..................................................................... 76 8.1 Verfahren der Stichprobenziehungen ............................................... 76 8.2 Methodik der Intervallbegrenzung von Stichproben .......................... 77 8.3 Lüftungswärmeverluste .................................................................... 79 Fazit und Ausblick .................................................................................... 82 Anhang B: Exkurs – Weitere Anwendungsmöglichkeiten der OFAT-Analyse ...........................................................................................................................XI Anhang C: Exkurs – Grenzen der OFAT-Analyse ..........................................XII Anhang D: Exkurs - Andere Auswertungsmethoden für MC-Simulationen XIII Anhang E: Exkurs - Bilanzgrenzen der Unsicherheit ................................... XV Anhang F: Exkurs – Vereinfachte Berechnung des Infiltrationsvolumenstroms ............................................................................ XX Selbständigkeitserklärung ........................................................................... XXII Literaturverzeichnis ..................................................................................... XXIII V Abbildungsverzeichnis Abbildung 1: Wahrscheinlichkeitsdichteverteilung der Normalverteilung. .......................... 9 Abbildung 2: Wahrscheinlichkeitsdichteverteilung der log-Normalverteilung. .................. 10 Abbildung 3: Wahrscheinlichkeitsdichteverteilung der Gleichverteilung. .......................... 11 Abbildung 4: Wahrscheinlichkeitsdichteverteilung einer symmetrischen Dreiecksverteilung. .................................................................................................... 11 Abbildung 5: Systematik über Fehlerarten und –quellen im Simulationsprozess. ............ 12 Abbildung 6: Schematisch –Berechnung der Ergebnissensitivität.................................... 17 Abbildung 7: Differenzierte Darstellung des Effekts 2. Ordnung. ..................................... 25 Abbildung 8: Ansichten Neubau FHE Leipziger Straße. ................................................... 30 Abbildung 9: Sensitivitäts- und Unsicherheitsanalyse im Simulationsprozess. ................ 51 Abbildung 10: Wesentliche Effekte - OFAT-Analyse nach Kategorien. ............................ 53 Abbildung 11: Alle ermittelten Effekte - OFAT-Analyse nach Kategorien. ........................ 54 Abbildung 12: Effekte > 10% - Heizenergiebedarf - OFAT-Analyse nach Kategorien. .... 56 Abbildung 13: Effekte einz. Mat.Parameter > 5% - Heizenergiebedarf (OFAT). .............. 56 Abbildung 14: Effekte einz. Nutz.Parameter > 5% - Heizenergiebedarf (OFAT). ............. 57 Abbildung 15: Effekte > 10% - Kühlenergiebedarf - OFAT-Analyse nach Kategorien. ... 57 Abbildung 16: Effekte einz. Mat.Parameter > 5% - Kühlenergiebedarf (OFAT). ............. 58 Abbildung 17: Effekte einz. Nutz.Par. > 5% - Kühlenergiebedarf (OFAT). ...................... 58 Abbildung 18: Effekte 1. Ordn. auf den Heizenergiebedarf. ............................................. 60 Abbildung 19: Effekte > 10% auf den Heizenergiebedarf - OFAT-Analyse nach Kategorien. ................................................................................................................ 61 Abbildung 20: Effekte 1. Ordn. auf den Heizenergiebedarf. ............................................. 61 Abbildung 21: Effekte 2. Ordnung auf Heizenergiebedarf. ............................................... 62 Abbildung 22: Effekte 1. Ordnung auf den Heizenergiebedarf. ........................................ 62 Abbildung 23: Differenzierung der Effekte 2. Ordnung auf den Heizenergiebedarf. ........ 63 Abbildung 24: Differenzierung der Effekte 2. Ordnung auf den Heizenergiebedarf. ........ 64 Abbildung 25: Effekte 1. Ordn. auf den Kühlenergiebedarf. ............................................. 65 VI Abbildung 26: Effekte > 10 % auf den Kühlenergiebedarf. ............................................... 65 Abbildung 27: Effekte 1. Ordnung auf den Kühlenergiebedarf. ........................................ 66 Abbildung 28: Effekte 2. Ordnung auf Heizenergiebedarf. ............................................... 66 Abbildung 29: Effekte 1. Ordnung auf Heizenergiebedarf ................................................ 66 Abbildung 30: Differenzierung der Effekte 2. Ordnung auf den Heizenergiebedarf. ........ 67 Abbildung 31: Differenzierung des Effekts 2. Ordnung auf den Heizenergiebedarf. ........ 68 Abbildung 32: MC-Analyse (1000 Stichproben) – alle Parameter zufällig gezogen. ........ 71 Abbildung 33: MC-Analyse (80 Stichproben) – alle Parameter zufällig gezogen. ............ 72 Abbildung 34: MC-Analyse (1000 Stichproben) – nur ausgewählte Parameter zufällig gezogen..................................................................................................................... 73 Abbildung 35: MC-Analyse (80 Stichproben) – nur ausgewählte Parameter zufällig gezogen..................................................................................................................... 74 Abbildung 36: Plausibilitätstest Stichprobenziehung (2). .................................................. 77 Abbildung 37: Plausibilitätstest Stichprobenziehung (2). .................................................. 78 Abbildung 38: Sensitivitätsanalyse für Parameter Infiltration (einzeln) mit MC-Methodik. 80 Abbildung 39: Sensitivitätsanalyse für Parameter „natürliche Infiltration“ (einzeln) mit MCMethodik. ................................................................................................................... 81 Abbildung 40: Weitere Anwendungsmöglichkeit der OFAT-Analyse. ................................ XI Abbildung 41: Grenzen der OFAT-Analyse. ..................................................................... XII Abbildung 42: Scatterplot - Monte-Carlo-Analyse mit 80 Stichproben. ........................... XIII Abbildung 43: xy-Plot aus Montecarlo-Analyse mit 80 Stichproben. .............................. XIV Abbildung 44: Zonenweise Stichprobenziehung der Temperatur. .................................. XVI Abbildung 45: Gebäudeweise Stichprobenziehung der Temperatur. ............................. XVI Abbildung 46: Gebäudeweise Stichprobenziehung - MC-Analyse (80 Stichproben). .... XIX VII Tabellenverzeichnis Tabelle 1: Wertetabelle für eine Vollfaktorielle Analyse mit 3 Parametern. ...................... 19 Tabelle 2: Auswertungstabelle für eine Vollfaktorielle Analyse mit 3 Parametern............ 19 Tabelle 3: Auswertetabelle für eine Vollfaktorielle Analyse mit 2 Parametern. ................ 22 Tabelle 4: Wertetabelle für eine Halbfaktorielle Analyse mit 3 Parametern. .................... 26 Tabelle 5: Materialparameter transp. Bauteile - Charakterisierung der Unsicherheit. ...... 36 Tabelle 6: Natürlicher Luftwechsel - Charakterisierung der Unsicherheit. ........................ 37 Tabelle 7: Mechanischer Luftwechsel - Charakterisierung der Unsicherheit. ................... 38 Tabelle 8: Anwesenheitsfaktoren - Charakterisierung der Unsicherheit. .......................... 40 Tabelle 9: Beleuchtungswärmeleistung - Charakterisierung der Unsicherheit. ................ 41 Tabelle 10: Beleuchtungs-Setpoint - Charakterisierung der Unsicherheit. ....................... 43 Tabelle 11: Temperatur-Setpoint Heizfall – Mittel- und Erwartungswerte. ....................... 43 Tabelle 12: Temperatur-Setpoint Kühlfall - Charakterisierung der Unsicherheit. ............. 44 Tabelle 13: Innere Lasten durch Personen - Charakterisierung der Unsicherheit............ 45 Tabelle 14: Innere Lasten durch Geräte - Charakterisierung der Unsicherheit. ............... 46 Tabelle 15: Infiltrationsluftwechsel - Charakterisierung der Unsicherheit. ........................ 47 Tabelle 16: Methodik der Intervallbegrenzung der Stichproben. ...................................... 49 Tabelle 17: Parameterkategorien und einzelne Parameter mit Effekt > 10 bzw. > 5% .... 59 Tabelle 18: Ergebnisvergleich MC-Analyse - alle Parameter zufällig gezogen. ............... 72 Tabelle 19: Ergebnisvergleich MC-Analyse - nur ausgewählte Parameter zufällig gezogen..................................................................................................................... 73 VIII Symbolverzeichnis Symbol Beschreibung Mittelwert Standardabweichung Parameter der log-Normalverteilung Anzahl der Modelle Anzahl der Parameter Sensitivität Parameter Maximalwert Minimalwert Modell mit geändertem Parameter Berechnungsergebnis eines Modells Ordnung eines Effekts Anzahl möglicher Effekte bei Ordnung x ̅ Effekt eines Parameters ̅ Wechselwirkungseffekt zweier Parameter x-Prozent-Quantil Kilowattstunden je Quadratmeter und Jahr IX Danksagung Für die fachliche Betreuung, das Interesse und die Aufgeschlossenheit gegenüber meiner Arbeit möchte ich meinen Gutachtern Herr Prof. Dr. Kappert und Herr Weber (M.Eng.) danken. Insbesondere mit Herr Weber wurden sehr viele aktuelle Fragen und Problemstellungen erörtert, was wesentlich zu den Ergebnissen beigetragen hat. Für interessante Anregungen und eine kritische Einschätzung kurz vor Beendigung der Arbeit danke ich Herr Sebastian Burhenne (M.Eng.) vom Fraunhofer ISE. Robert Hartung hat durch zur Verfügung gestellte, private Rechenkapazitäten sehr viele Berechnungen ermöglicht, welche ohne diese Unterstützung wesentlich umständlicher oder gar nicht durchführbar gewesen wären. Dies hat zur Detailtiefe der Arbeit wesentlich beigetragen, wofür ich mich ebenfalls bedanken möchte. X 1 Einleitung 1.1 Motivation und Ziel Mit den steigenden Ansprüchen an die energetische Güte von Gebäuden und gebäudetechnischen Anlagen steigen auch die Anforderungen an die Planung. Der Einsatz regenerativer Energieerzeuger zur Deckung des Heiz- und Kühlenergiebedarfs – nach aktuellem EEWärmeG [BMJ 2011] gesetzlich vorgeschrieben - erfordert in vielen Fällen komplexere und eng miteinander verknüpfte Versorgungssysteme, bspw. wenn die Unterteilung in Grund- und Spitzenlastgeräte notwendig wird, Abwärme eingebunden wird oder Synergieeffekte der Aggregate genutzt werden. Einige Erzeugerarten verhalten sich nur im Teillastfall optimal hinsichtlich des Wirkungsgrades, sodass erhöhte Genauigkeit bei der Dimensionierung erforderlich ist. Der Einsatz klassischer Planungsmethoden wie statische Auslegungsverfahren oder das Zurückgreifen auf empirische Richtwerte wird damit zunehmend riskant. Bereits seit den achtziger Jahren des letzten Jahrhunderts werden Programme zur Implementierung von dynamischen Simulationsverfahren entwickelt, um diese Lücke zu schließen. Unter den Oberbegriffen „Dynamische Gebäude- und Anlagensimulation“ und „CFD-Simulation“ (Computational Fluid Dynamics) sind inzwischen Programme verfügbar, die den Einsatz außerhalb von Forschung und Entwicklung in der Praxis sowie wesentlich detailliertere Berechnungen ermöglichen als die üblichen Methoden. Die benötigten Rechenkapazitäten sind zu erschwinglichen Preisen verfügbar, Bauherren und Architekten räumen den Ergebnissen teilweise hohen Stellenwert ein, sodass der Einsatz wirtschaftlich und damit attraktiv wird und vermehrt stattfindet. Jedoch verbergen sich auch dort unter bestimmten Bedingungen hohe Risiken für sich daran anschließende Entscheidungen. Denn damit die Berechnung durchgeführt werden kann, ist eine sehr hohe Zahl an Eingangsparametern und Einstellungen zu spezifizieren. Insbesondere im frühen Planungsstadium fußt die Annahme von Zahlenwerten für Materialparameter und Nutzung auf Annahmen und Erfahrungswerten. Im Planungsprozess werden oft Änderungen oder Spezifizierungen vorgenommen, bei der Bauausführung treten unvorhergesehene Änderungen und u.U. Mängel auf und das spätere Nutzerverhalten kann zuvor nur durch empirische Standardwerte abgeschätzt werden. Auch das Simulationsmodell ist letztendlich, je nach Detailgrad eine, mehr oder weniger 1 vereinfachte Abbildung der Wirklichkeit und nicht die Wirklichkeit selbst. Es existiert also für jeden Eingangsparameter einer Simulation und für das Simulationsmodell selbst eine bestimmte Unsicherheit. Zwangsläufig tritt in Folge dessen eine Diskrepanz zwischen den Ergebnissen einer Simulation und tatsächlichen, realen Zuständen auf - die Ergebnis-Unsicherheit. Im Umkehrschluss ist es durch die vielfältigen Möglichkeiten der Einflussnahme auf das Ergebnis auch möglich, nahezu jedes gewünschte Simulationsergebnis zu erzielen. Daher ist im Umgang mit den Ergebnissen Vorsicht geboten. Das Risiko besteht darin, dass den Ergebnissen einer Simulationsstudie aufgrund des hohen Detailgrades des Verfahrens ohne weitere Untersuchung der Belastbarkeit besondere Bedeutung und Verlässlichkeit beigemessen wird. Um die Ergebnisse Unsicherheitsanalysen bewerten zu durchgeführt können, müssen Sensitivitäts- werden. Gründe dafür, dass und die Unsicherheitsbewertung nicht mit der Simulationsrechnung gemeinsam Einzug in den Planungsprozess gefunden hat, sind vermutlich zum einen der hohe Zeitaufwand, zum anderen die umfangreichen Kenntnisse, die dafür erforderlich sind. Die Bewertung erfordert es, eine Vielzahl von Modellen zu erstellen, sodass von Modell zu Modell unterschiedliche Werte für verschiedene Parameter enthalten sind. Die Modelle müssen berechnet und die Ergebnisse ausgewertet werden. Für diesen Prozess ist eine Vertiefung in die Funktionsweise der Simulationssoftware erforderlich. Für die Charakterisierung von Unsicherheiten sowohl im Modelleingang als auch im Ergebnis und für die erforderlichen Analysemethoden wird Kenntnis über statistische Zusammenhänge und Verfahren benötigt. Ziel der vorliegenden Arbeit war zum einen die Einarbeitung in diese Themenbereiche, zum anderen die Entwicklung einer Methode, um die Unsicherheitsbewertung in weiten Teilen automatisiert und mit vertretbarem Zeitaufwand vornehmen zu können. Des Weiteren sollten entsprechende Analysemethoden ausgewählt und durchgeführt werden. Im Ergebnis steht ein Verfahren, mit dem Simulationsergebnisse ermittelt und Aussagen über deren Unsicherheit und Belastbarkeit getroffen werden können. 2 1.2 Ein Begriffsdefinitionen Modell dient als Abstraktion der Realität zur Analyse von Wirkzusammenhängen. In Bezug auf die thermische Gebäudesimulation handelt es sich dabei bspw. um ein Gebäude oder einen Gebäudeteil, für den durch mathematische und physikalische Gleichungssysteme das thermische Verhalten abgebildet wird. Wenn dieses Verhalten in Abhängigkeit von veränderlichen Variablen abgebildet wird - bspw. wenn die in die Berechnung eingehende Außentemperatur abhängig von der Zeit ist – liegt ein dynamisches Modell vor. Die Variablen der zugrundeliegenden Gleichungen werden teilweise als Modellinput in Form von Parametern in das Modell eingefügt. Dazu gehören Maße und Konstruktion der Bauteile des Gebäudes, für welches das Modell abgebildet wurde, Wetterdaten für den Standort u.v.m. Der Output des thermischen Modells, der für die Belange dieser Arbeit benötigt wird, ist der jährliche sensible Heiz- und Kühlenergiebedarf. Die englischsprachigen Begriffe „Input“ und „Output“ werden auch in der deutschsprachigen Literatur häufig verwendet, hier jedoch, wenn möglich, mit „Modelleingang“ und „ModellErgebnis“ oder –„ausgang“ bezeichnet. Externe Sensitivitätsanalyse und externe Unsicherheitsanalyse sind Oberbegriffe für verschiedene Analyseverfahren bei denen die Variationen des ModellErgebnisses in Abhängigkeit der Variation der Variablen, im Folgenden Parameter, des Modell-Eingangs untersucht werden (vgl. Kapitel 4). Da interne Methoden in dieser Untersuchung keine Anwendung finden, werden im Folgenden vereinfacht Sensitivitätsanalyse bzw. Unsicherheitsanalyse als Begriffe verwendet. Bei Sensitivitätsanalysen werden nach [Saltelli et al. 2000] im Allgemeinen die Beziehungen zwischen Input und Output eines Modells untersucht. Im Rahmen dieser Arbeit steht die Identifizierung der Parameter, deren Änderung sich wesentlich auf das Ergebnis auswirkt, im Vordergrund. Es wird für eine Schar von Parametern sowohl gemeinsam als auch einzeln geprüft, wie hoch der Einfluss ihrer Änderung auf das Ergebnis ist. Dafür werden den entsprechenden Parametern mindestens zwei Werte zugeordnet und die Änderungen im ModellAusgang beobachtet. Die Änderung des Ergebnisses, welche auf die Änderung eines Parameters zurückgeführt wird, soll im Folgenden als Effekt des Parameters bezeichnet werden. 3 Unsicherheitsbewertungen werden durchgeführt, um das wahrscheinlichste Ergebnis sowie die Wahrscheinlichkeit oder das Risiko einer Abweichung davon zu ermitteln. Dafür wird zwischen Parametern, deren Werte bekannt bzw. sicher und Parametern, deren Werte unbekannt bzw. unsicher sind, unterschieden. Eine Möglichkeit ist, jedem möglichen Wert jeder unsicheren Variablen jeweils eine Wahrscheinlichkeit zuzuordnen. Demzufolge hat auch jedes mögliche Ergebnis eine Wahrscheinlichkeit, die abhängig von der Wahrscheinlichkeit der Werte der unsicheren Eingangsparameter ist. 4 2 Statistische Grundlagen 2.1 Grundbegriffe Die folgenden Definitionen stammen aus [Elpelt and Hartung 1992]. Anstatt der dort üblichen Bezeichnung „Objekt“ wird der hier treffendere Begriff „Parameter“ verwendet. 2.1.1 Zufallsereignis, -experiment und -variable Ein Zufallsereignis ist eines der möglichen Ergebnisse eines Zufallsexperimentes und damit nicht vorhersehbar. Die Schar der Ereignisse ist insgesamt eine Zufallsvariable, sofern für die einzelnen Ereignisse Auftretens-Wahrscheinlichkeiten angegeben werden können. Die im Rahmen dieser Arbeit durchgeführten Simulationsrechnungen entsprechen in ihrem Wesen dem Experiment, da die Auswirkungen von Eingangsparametern auf das Ergebnis beobachtet werden. Die Ziehung von Eingangsparameter-Stichproben für die Monte-Carlo-Simulation (Erläuterungen dazu in Abschnitt 4.3) entspricht einem Zufallsexperiment. Die gezogenen Parameter sind Zufallsereignisse; die gesamte Stichprobe (für alle Parameter je ein Wert) entspricht einer Zufallsvariable. Ebenso wird die Monte-Carlo-Simulation selbst als Zufallsexperiment (bzw. als Fortsetzung dessen) betrachtet, da sie auf Basis zufällig bestimmter Parameterwerte durchgeführt wird. Die resultierenden Ergebnisse sind wiederum Zufallsereignisse mit Häufigkeiten und bilden insgesamt eine Zufallsvariable. 2.1.2 Permutation, Variation und Kombination Permutationen sind die verschiedenen Anordnungen, welche die Menge der betrachteten Parameter zulässt. Variationen sind die Anordnungsmöglichkeiten einer Auswahl von Parametern aus der Gesamtmenge der betrachteten Parameter, wobei Wiederholungen möglich sind (Reihenfolge unberücksichtigt). Kombinationen sind ebenfalls die Anordnungsmöglichkeiten einer Auswahl von Parametern aus der Gesamtmenge der betrachteten Parameter, wobei keine Wiederholungen enthalten sind (Reihenfolge berücksichtigt). 5 2.1.3 Häufigkeit und Wahrscheinlichkeit Die absolute Häufigkeit ist die Anzahl des Auftretens eines bestimmten Ereignisses in Folge eines Zufallsexperiments; die relative Häufigkeit ist die auf die Anzahl aller Zufallsereignisse bezogene absolute Häufigkeit. Als Grenzwert der relativen Häufigkeit bei unendlich vielen Durchführungen eines Experiments ist die Wahrscheinlichkeit das theoretische Äquivalent zur relativen Häufigkeit. 2.1.4 Verteilungsfunktion, Verteilungsdichte Die kumulative Verteilungsfunktion beschreibt die Verteilung einer Zufallsvariable und gibt an, mit welcher Wahrscheinlichkeit sie einen Wert kleiner oder gleich annimmt. Verteilungsfunktionen können nur für stetige oder stetig verteilte Zufallsvariablen definiert werden. Für eine diskret verteilte Zufallsvariable existiert analog eine theoretische Verteilungsfunktion, die jedem Ereignis eine Auftretens-Wahrscheinlichkeit zuordnet. Da auch die Häufigkeiten der Ereignisse eines realen Experiments einer diskreten Funktion entsprechen, wird diese als empirische Verteilungsfunktion bezeichnet. Die Wahrscheinlichkeitsdichte gehört zur kumulierten Wahrscheinlichkeitsfunktion und beschreibt diese näher. Während die kumulierte Wahrscheinlichkeitsfunktion angibt, mit welcher Wahrscheinlichkeit ein Wert kleiner oder gleich auftritt, ist die Wahrscheinlichkeitsdichte ein Maß für die Wahrscheinlichkeit des Auftretens von innerhalb eines Intervalls. Ebenso kann für eine diskrete Zufallsvariable, wie die Ergebnisse eines Experiments, eine empirische Dichtefunktion gebildet werden. Im Rahmen hauptsächlich dieser Arbeit verwendet, wird um die die Wahrscheinlichkeitsdichtefunktion Wahrscheinlichkeitsverteilung der Eingangsparameter zu charakterisieren (vgl. Kapitel 0). Die empirische Dichtefunktion wird in Form von Histogrammen (Häufigkeitsverteilungen) zur Darstellung der relativen Häufigkeiten der Monte-Carlo-Simulationsergebnisse verwendet (Abschnitt 7.3). Unter Anwendung der Gauß’schen KerndichteSchätzung oder ähnlicher Verfahren können geschätzte stetige Dichtefunktionen aus empirischen Verteilungen und Zufallsvariablen bestimmt werden. Mit Anpassungstests (z.B. Kolmogorov-Smirnov) ist die Annäherung an andere 6 stetige Dichtefunktionen, z.B. die der Normalverteilung, bestimmbar. Entspricht die empirische Verteilung einer stetigen Dichtefunktion, so kann der Begriff „Wahrscheinlichkeit“ näherungsweise auf die Ergebnisse des Histogramms angewendet werden. 2.1.5 Mittelwert, Erwartungswert und Median Der Mittelwert ist das gewichtete Mittel aller Zufallsereignisse eines Experiments. Bei einer geordneten Reihe von Ereignissen mit ungerader Anzahl befinden sich auf beiden Seiten des Medians gleich viele Werte. Für die Normalverteilung wird der Mittelwert als Erwartungswert bezeichnet. 2.1.6 Standardabweichung, Varianz und Variationskoeffizient Varianz und Standardabweichung sind absolute Maßzahlen für die Streuung der Zufallsvariablen um den Erwartungswert bzw. den Mittelwert. In dieser Arbeit wird bevorzugt die Standardabweichung verwendet, da sie in der gleichen Dimension wie die Zufallsvariable angegeben wird. Als relative Maßzahl kann der Variationskoeffizient als Quotient von Standardabweichung und Erwartungswert berechnet werden. 2.1.7 Quantil und Quartil Quantile geben an, wie viele Elemente der Zufallsvariable unter und über deren Wert liegen. Das Quantil „Q50%“ ist der Median. 50 Prozent aller Ergebnisse liegen unter, 50 Prozent aller Ergebnisse liegen über diesem Wert. Die Quantile „Q25 %“ und „Q 50 %“ werden „Quartile“ genannt. In den an anderer Stelle gezeigten Histogrammen werden 80 und 20 Prozent Quantile abgebildet um zu zeigen unter bzw. über welchem Wert 80 Prozent der Ergebnisse liegen. 7 2.2 Modellierung von Unsicherheiten Um die Unsicherheiten der Eingangsparameter abbilden zu können, werden in Anlehnung an andere Unsicherheitsstudien [De Wit and Augenbroe 2001; Eisenhower et al. 2012; Hopfe and Hensen 2011; Jacob 2012; Macdonald 2002; Malkawi and Augenbroe 2004] Wahrscheinlichkeitsdichtefunktionen gewählt. Zur Definition dieser Funktionen sind je nach Typ zwei bzw. drei Funktionsparameter erforderlich, was die Anwendung erleichtert. Durch Zufallszahlenziehung aus einer solchen Verteilung können Stichproben ermittelt werden, in denen bei ausreichendem Stichprobenumfang die gezogenen Werte näherungsweise mit einer Häufigkeit entsprechend der gewünschten Wahrscheinlichkeit enthalten sind. 2.2.1 Normalverteilung Die Dichtefunktion der Normalverteilung ist um den Erwartungswert symmetrisch und nach beiden Seiten unbegrenzt. Damit sind Werte in positiver und negativer Richtung vom Mittelwert jeweils gleich wahrscheinlich. Die kumulative Verteilungsfunktion der Normalverteilung kann nicht in expliziter Form (d.h. aufgelöst nach einer Variablen) angegeben werden. Die Berechnung der kumulierten Wahrscheinlichkeit eines Ereignisses einer beliebigen normalverteilten Zufallsvariable ist damit aus der Funktionsgleichung nicht möglich, sondern erfolgt durch Transformation der tabellierten Werte der Standardnormalverteilung (Erwartungswert = 0, Standardabweichung =1). Generell bildet die Normalverteilung Zufälligkeiten gut ab. Sie wird in den meisten Unsicherheitsstudien für Gebäudesimulationen für die Charakterisierung von Unsicherheiten der Eingangsparameter verwendet, in einigen davon ausschließlich [Eisenhower, O’Neill, Narayanan, Fonoberov and Mezić 2012; Hopfe and Hensen 2011]. Die Implikation ist einerseits mit wenig Aufwand möglich, da nur die zwei Parameter Erwartungswert und Standardabweichung zur Darstellung notwendig sind, erfordert aber für diese Anwendung die Vorgabe eines Intervalls der zulässigen Werte aufgrund der nicht vorhandenen Begrenzung. Die Wahrscheinlichkeit dafür, dass alle Ergebnisse einer normalverteilten Stichprobenziehung im „Intervall“ +/- unendlich liegen beträgt „1“ oder 100 Prozent. Dies entspricht dem unbestimmten Integral der Dichtefunktion der Normalverteilung, d.h. der Fläche darunter ohne Begrenzung in positive und 8 negative x-Richtung. Allerdings befinden sich empirisch ca. 99.5 Prozent der selben Stichprobe innerhalb des Intervalls der dreifachen Standardabweichung um den Mittelwert (u.a. [Macdonald 2002], vgl. Abbildung 1). Abbildung 1: Wahrscheinlichkeitsdichteverteilung der Normalverteilung. Die Auftretens-Wahrscheinlichkeit eines Wertes im Intervall -3 Standardabweichungen bis +3 Standardabweichungen beträgt p = 99.5 % (empirisch). (eigene Darstellung) Die Stichprobe kann also auf dieses Intervall eingegrenzt werden, indem alle Werte, welche größer oder kleiner als die Grenzwerte sind, daraus entfernt werden, ohne dass die normalverteilte Charakteristik der Stichprobe dadurch wesentlich beeinträchtigt wird. Die Standardabweichung selbst wird, sofern nicht in der Literatur andere Vorgaben enthalten sind, in den meisten Fällen vom Verfasser so festgelegt, dass das Dreifache der gewählten Standardabweichung einem „gerade noch“ technisch sinnvollen Wert entspricht, der zwar möglich, aber nicht sehr wahrscheinlich ist. 2.2.2 Logarithmische Normalverteilung Eine logarithmische Normalverteilung liegt vor, wenn der Logarithmus einer Zufallsvariable normalverteilt ist. Die Abbildung erfolgt durch die umgerechneten Parameter der Normalverteilung mit Gleichung 1 und Gleichung 2. Als rechtsschiefe Verteilung wird die logarithmische Dichtefunktion gewählt, um Parameter abzubilden, für welche der Wertebereich in positiver x-Richtung größer ist als in negative x-Richtung (ausgehend vom Erwartungswert). Gleichung 1 √ (( ) ) Gleichung 2 9 Abbildung 2: Wahrscheinlichkeitsdichteverteilung der log-Normalverteilung. Verhalten bei Erwartungswert = 1 und unterschiedlichen Standardabweichungen. (eigene Darstellung) Wie Abbildung 2 zeigt, trifft dies jedoch nur in erheblichem Maße für nicht zu geringe Standardabweichungen zu, da die log-Normalverteilung dann der Normalverteilung näherungsweise ähnlich wird. Allerdings wird bei hohen Standardabweichungen die Auftretens-Wahrscheinlichkeit für Werte, welche geringer als der Erwartungswert sind größer, als für Werte größer als der Erwartungswert, was an den Flächenanteilen unter der Kurve ersichtlich wird. 2.2.3 Gleichverteilung Eine Gleichverteilung liegt vor, wenn allen Ereignissen die gleiche AuftretensWahrscheinlichkeit zugeordnet wird. Sie ist nach beiden Seiten begrenzt. Für die Definition wird Maximal und Minimalwert benötigt. Die Wahrscheinlichkeitsdichte resultiert aus der Gesamtwahrscheinlichkeit von 1 im Intervall und der Intervalllänge. 10 Abbildung 3: Wahrscheinlichkeitsdichteverteilung der Gleichverteilung. Im beliebig festgelegten Intervall, hier 1 bis 2, ist jeder Wert gleich wahrscheinlich. (eigene Darstellung) 2.2.4 Dreiecksverteilung Die Dreiecksverteilung ist durch Maximum, Minium und einen Wert höchster Wahrscheinlichkeit definiert. Sie kann als symmetrische oder schiefe Verteilung gebildet werden. Abbildung 4: Wahrscheinlichkeitsdichteverteilung einer symmetrischen Dreiecksverteilung. (eigene Darstellung) 11 3 Charakteristik und Quellen von Unsicherheiten 3.1 Charakteristik von Fehlern im Simulationsprozess Abbildung 5 gibt einen exemplarischen Überblick über Fehlerarten und deren Quellen im Simulationsprozess. Fehler in Experimenten können nach der Messtheorie zufälliger oder systematischer Natur sein. Die Eingabeparameter der Simulation sind ebenfalls entweder mit zufälligen Fehlern, systematischen Fehlern oder einer Kombination daraus behaftet. Die Modellierung selbst impliziert zumeist systematische Fehler [Macdonald 2002]. Der Gesamtfehler setzt sich im Simulationsprozess fort und führt letztendlich zu einer Abweichung von der Realität und damit zur Unsicherheit des Ergebnisses. Abbildung 5: Systematik über Fehlerarten und –quellen im Simulationsprozess. (beispielhaft, eigene Darstellung) 12 Systematische Fehler sind dadurch charakterisiert, dass sie jedes Ergebnis eines wiederholten Experiments durch eine konstante oder systematische (z.B. proportionale) Verschiebung beeinflussen. Sie wirken sich damit auf die Richtigkeit des Ergebnisses aus [Lohninger 2011]. In einer Gebäudesimulation können sie durch Annahme grundlegend falscher Parameterwerte, durch Eingabefehler, aber auch durch die vereinfachte Abbildung von Prozessen im Modell gegenüber der Realität auftreten. Zufällige Fehler können reduziert, aber nicht ausgeschlossen werden und beeinflussen im Allgemeinen die Präzision eines jeden Experiment-Ergebnisses [Lohninger 2011]. Sie treten ohne erkennbares Muster auf, werden jedoch durch die wiederholte Durchführung eines Experiments unter gleichen Umgebungsbedingungen erkennbar. Unterstellt man ein perfektes Modell ohne systematische Fehler, tritt selbst dort dieser Fehler bspw. durch Abweichung der realen Daten von den korrekt angenommenen Simulationsparameter-Werten auf. Sehr häufig im Simulationsprozess sind Unsicherheiten durch Informationslücken, insbesondere im frühen Planungsstadium, wenn die Details der Nutzung und der Konstruktion noch nicht festgelegt wurden bzw. Änderungen stattfinden. Diese Fehler werden im Folgenden als kenntnisbezogene Fehler bezeichnet und sind sowohl innerhalb der Eingangsparameter (z.B. Annahmen zu U-Werten), als auch innerhalb des Modells (z.B. Unsicherheit der Baukörper-geometrie) vorhanden. Sie werden als Kombinationen aus systematischen und zufälligen Fehlern gesehen, da sie Präzision und Richtigkeit des Ergebnisses gleichermaßen beeinflussen können. Die Kombination der verschiedenen Fehlerkategorien zu einem Gesamtfehler wird im Folgenden beispielhaft anhand des Fehlers des Eingangs-Parameters „spezifische Wärmeleitfähigkeit“ erläutert. Bereits bei der experimentellen Bestimmung von Stoffwerten tritt ein - wenn auch vergleichsweise geringer - zufälliger Fehler auf, welcher sich durch nicht exakt stationäre Umgebungszustände, Messfehler usw. begründen lässt. Im Vergleich zur Realität sind diese Umgebungsbedingungen jedoch als stationär bzgl. Feuchte, Temperatur u.a. zu betrachten. Da Stoffwerte jedoch von diesen Umgebungsbedingungen abhängig sind, wird das Ergebnis systematisch beeinflusst, da im Modell für jede Umgebungsbedingung derselbe Stoffwert angenommen wird, obwohl dieser real nicht konstant ist (Bsp.: Feuchteabhängigkeit des Leitwertes hygroskopischer Stoffe). Hinzu kommt, dass insbesondere bei 13 einer Simulation im frühen Planungsstadium nicht immer alle Details der Baukonstruktion vorliegen und Annahmen getroffen werden müssen, welche ebenfalls mit Unsicherheiten zufälliger oder systematischer Natur behaftet sind. Letztendlich wurde bei Messungen [Macdonald 2002] festgestellt, dass sich der spezifische Wärmeleitwert zweier Proben des gleichen Dämmmaterials bei gleicher Dichte um 30 Prozent unterschied. Das heißt, dass evtl. auch Produktionsunsicherheiten existieren, sodass die real verwendeten Dämmprodukte nicht immer die ausgewiesene Leitfähigkeit besitzen, was wiederum den zufälligen Fehler der Messung, aber auch den realen Energieverbrauch beeinflusst. Möglicherweise wurden solche Fehler in den vergangenen Jahren durch Standardisierung, strenge Qualitätskontrollen usw. verringert. Gegenstand der Thesis ist die Untersuchung der Ergebnis-Unsicherheit in Folge von Unsicherheiten der Eingangsparameter. Eine Trennung nach zufälligen und systematischen Fehlern oder deren anteilige Quantifizierung wird nicht vorgenommen. Unsicherheiten, die durch die Modellierung im Simulationsprogramm entstehen, sind nicht Gegenstand der hier gezeigten Untersuchungen. 3.2 Quellen von Unsicherheiten in thermischen Gebäudesimulationen 3.2.1 Unsicherheiten der Konstruktion Im Zusammenhang mit der Baukonstruktion weisen die Stoffwerte der Konstruktionsmaterialien, die Geometrie sowie die Güte der Ausführung Unsicherheiten auf. Zu den Stoffwerten zählen spezifische Wärmeleitfähigkeit, Dichte, spezifische Wärmekapazität, Feuchtegehalt sämtlicher opaker Baustoffe, sowie U- und gWert der Verglasung. Wie in Abschnitt 3.1 erläutert, können zufällige und systematische Fehler, aber auch mangelnde Spezifizierung im frühen Planungsstadium für die Unsicherheit verantwortlich sein. In Bezug auf die Geometrie des Baukörpers wird die kenntnisbedingte Unsicherheit der Stärke der opaken Baustoffe berücksichtigt. In [Hopfe and Hensen 2011] werden auch Raumgrößen und Fensterflächenanteile als unsicher betrachtet. Die Stärke der Dämmung oder statisch wichtiger Bauteile sowie Fenstergrößen oder Ausrichtung sind oftmals zu Beginn des Planungsprozesses noch nicht genau festgelegt bzw. werden in dessen Verlauf variiert. Die Unsicherheit des Infiltrationsluftwechsels hängt von der geplanten Dichtigkeit und der Güte der Ausführung der Gebäudehülle ab. Infiltration wird durch einen, 14 auf Basis des n50-Luftwechsels berechneten, konstanten Volumenstroms in die Berechnung einbezogen, was ein stark vereinfachtes Verfahren darstellt, mit dem ein systematischer Fehler in das Ergebnis eingeht. 3.2.2 Unsicherheiten durch Nutzerverhalten und innere Lasten Zum Nutzerverhalten sind der natürliche Luftwechsel, die Anwesenheit, die tageslichtabhängige Beleuchtungskontrolle (im Folgenden „Setpoint Beleuchtung“), die eingestellten Raumtemperaturen für Heiz- und Kühlfall sowie die Verschattungskontrolle (Einschaltschwelle, im Folgenden „Setpoint Verschattung“) zu zählen. Der mechanische Luftwechsel wird zumeist von der Gebäudeleittechnik vorgegeben und wird deshalb mit geringerer Unsicherheit angenommen. Das Nutzerverhalten ist für den Energiebedarf eines Gebäudes von entscheidender Bedeutung. Hingegen birgt die Abbildung im Simulationsmodell große Unsicherheiten, da ein standardisiertes Verhalten unterstellt wird. Hinsichtlich der inneren Lasten sind die Aktivitätsrate der anwesenden Personen sowie die inneren Lasten durch Geräte und Beleuchtung als Quellen von Unsicherheiten zu nennen. 3.2.3 Modellierungsunsicherheiten Das Modell birgt durch die vereinfachte Modellierung physikalischer Prozesse sowie durch empirische Annahmen für einige Parameter systematische Unsicherheiten. Eine genauere Analyse dieser Unsicherheiten liegt jedoch außerhalb des Rahmens dieser Arbeit, wurde aber bspw. bei [de Wit 1997] in Bezug auf den Nutzerkomfort durchgeführt. Im Rahmen von [Malkawi and Augenbroe 2004] wird in Kapitel 2 u.a. der Einfluss von Windrichtung und Windgeschwindigkeit sowie der Temperaturschichtung im Raum auf den Nutzerkomfort in einem natürlich belüfteten Gebäude untersucht. 15 4 Methoden zur Sensitivitätsanalyse und Unsicherheitsbewertung Für die Untersuchungen wurden ausschließlich sogenannte „Black-Box“Methoden oder auch „externe Methoden“ angewandt. Diese sind Oberbegriffe für Analyseverfahren, bei denen die Zusammenhänge zwischen Modellein- und Ausgang lediglich durch Änderung der Eingangsparameter untersucht werden. Sollen Änderungen funktional im Modell selbst berücksichtigt werden, so ist die Anwendung „interner Methoden“ erforderlich, was weitaus schwieriger umzusetzen ist. Untersuchungen dazu finden sich u.a. in [Jacob 2012; Macdonald 2002]. 4.1 „One-factor-at-a-time”-Methode Eine der am weitesten Sensitivitätsanalysen ist verbreiteten die Methoden zur Durchführung „One-factor-at-a-time“-Methode (auch von engl.: „Differential Analysis“ oder lat.: „ceterus paribus“), im Folgenden OFAT genannt. In [Macdonald 2002] wird das Verfahren zusammengefasst erläutert und die Implementierung in der Simulationsumgebung ESP-r beschrieben. In Anlehnung daran und mit leichten Modifikationen, die an entsprechender Stelle genannt werden, wurde das Verfahren auf die Sensitivitätsanalyse im Rahmen dieser Arbeit übertragen. Zur Durchführung dieser Methode werden jedem der zu untersuchenden Parameter Mittelwert ̅ , Maximalwert und Minimalwert zugeordnet. Maximal- und Minimalwert entsprechen dem Mittelwert abzüglich bzw. zuzüglich der einfachen Standardabweichungen. Mittelwert und Standardabweichung werden für jeden Parameter in Abschnitt 5.4 auf Grundlage von Literaturangaben oder eigenen Annahmen festgelegt. Als Referenzmodell wird ein Modell erstellt, in welchem allen Parametern der zugehörige Erwartungswert ̅ zugeordnet wird. Aus dem Referenzmodell werden für jeden der Parameter Modelle und zwei modifizierte erstellt, in welchen der Mittelwert eines Parameters durch den Maximalwert bzw. durch den Minimalwert ersetzt wird. Die Anzahl m der benötigten Modelle inkl. Referenzmodell beträgt demnach für n zu untersuchende Parameter: 16 Gleichung 3 Durch Berechnung aller Modelle mit variierenden Parametern ergeben sich die Ergebnisse . Das Ergebnis des Referenzmodells ist (vgl. Abbildung 6). Als Ergebnis der Änderung eines Parameters stehen jeweils 2 Ergebnisse zur Verfügung: Ein Ergebnis Parameter aus dem Modell in dem der maximiert wurde und alle anderen den Mittelwert behielten sowie ein Ergebnis aus dem Modell, in dem der Parameter minimiert wurde. Dabei kann sich die jeweilige Parameterminimierung oder -maximierung in beiden Fällen positiv oder negativ auf das Ergebnis auswirken. Abbildung 6: Schematisch –Berechnung der Ergebnissensitivität auf die Unsicherheit eines Parameters (eigene Darstellung). Um die Sensitivität des Ergebnisses auf den Parameter festzustellen, wird die Differenz zwischen Maximum und Minimum aus den Ergebnissen der Modelle (in denen der Parameter den Mittelwert behält bzw. maximiert bzw. minimiert wurde) gebildet (nach [Macdonald 2002] Gl.3.6, schematisch in Abbildung 6): [ ( ) ( ) ( ̅ )] [ ( ) ( ) ( ̅ )] Gleichung 4 Ein wesentlicher Nachteil des Verfahrens ist, dass Wechselwirkungen zwischen Parametern nicht untersucht werden können. Die Sensitivität kann im Rahmen dieser Analyse nur unter dem Vorbehalt wiedergegeben werden, dass alle anderen Parameter unveränderlich sind. In der thermischen Simulation ist es jedoch ein häufig anzutreffender Fall, dass sich die Änderung eines Parameters in anderem Maße auf das Ergebnis auswirkt, wenn ein weiterer Parameter ebenfalls geändert wird. 17 Der Vorteil dieser Methode liegt jedoch in der einfachen Anwendbarkeit dieses Verfahrens sowie in der relativ geringen Anzahl von erforderlichen Berechnungen bei einer hohen Zahl von zu untersuchenden Parametern. Deshalb wird diese Methode im Folgenden angewandt, um qualitative Aussagen über die Sensitivität des Modells auf einzelne Parameter zu ermöglichen. Auf dieser Grundlage kann die Schar der Parameter auf diejenigen eingegrenzt werden, deren Unsicherheit wesentlich das Ergebnis beeinflusst. 4.2 Faktorielle Analyse Faktorielle Analysen stammen aus der Statistischen Versuchsplanung (engl.: Design of Experiments, Experimantal Design) und können als Weiterentwicklung der OFAT-Analyse gesehen werden. Da die Untersuchung der Beziehungen zwischen Ein- und Ausgangsparametern eines Modells einem physikalischen Laborexperiment ähnelt, ist es naheliegend, entsprechende Techniken auch in der Sensitivitätsanalyse der Gebäudesimulation anzuwenden. Wird der Effekt einer Parameteränderung wie hier von Minimal- auf Maximalwert beobachtet, handelt es sich um eine Faktorielle Analyse mit 2 Ebenen. Ziel dieser Verfahren ist es, mit möglichst geringem Aufwand maximalen Erkenntnisgewinn zu erzielen. Der Vorteil gegenüber der OFAT-Analyse liegt vor allem darin, dass sich sowohl die einzelnen Effekte als auch Wechselwirkungen zwischen verschiedenen Parametern identifizieren und quantifizieren lassen. Es kann zwischen Voll- und Teilfaktoriellen Analysen unterschieden werden. In [Macdonald 2002] wird das Verfahren einer Teilfaktoriellen Analyse mit Bezug auf [Box et al. 1978] erläutert und für 4 Parameter in die Unsicherheitsbewertung einbezogen. Jedoch werden dabei lediglich qualitative Schlüsse im Hinblick auf die Effekte der Parameter gezogen. 4.2.1 Vollfaktorielle Analyse Bei einer Vollfaktoriellen Analyse mit 2 Ebenen (engl.: Two-Level Fullfactorial Design) wird das Experiment, in diesem Fall die Berechnung eines Modells, für jede mögliche Kombination der zu untersuchenden Parameter, welche jeweils Maximal- und Minimalwerte annehmen können, durchgeführt. Um die dafür notwendigen Kombinationen festzulegen, wird eine Wertetabelle benötigt, welche für jedes Simulationsmodell bzw. für jede Berechnung je Parameter festlegt, ob der Maximalwert oder der Minimalwert (Mittelwert abzüglich bzw. zuzüglich Standardabweichung, vgl. Abschnitt 5.4) eingesetzt wird. Ein 18 Verfahren, mit dem alle möglichen Kombinationen gefunden werden können, ist in Tabelle 1 beispielhaft für 3 Parameter dargestellt. Parameter 1 wird bei jeder Berechnung variiert, Parameter 2 bei jeder zweiten Berechnung, Parameter 3 bei Nr. Par.1 Par.2 Par.3 1 + + + 2 - + + 3 + - + 4 - - + 5 + + - 6 - + - 7 + - - 8 - - - Tabelle 1: Wertetabelle für eine Vollfaktorielle Analyse mit 3 Parametern. jeder vierten Berechnung usw. Die Anzahl m der benötigten Modelle und Berechnungen beträgt für n zu untersuchende Parameter: Gleichung 5 Das von [Box, Hunter and Hunter 1978] vorgeschlagene Verfahren zur Berechnung der Effekte wird im Folgenden erläutert. Zunächst wird die Wertetabelle (Tabelle 1) um Auswertespalten für den Mittelwert sowie für die Wechselwirkungen zwischen jeweils zwei und zwischen allen drei Parametern ergänzt (Tabelle 2). Nr. Ergebnis Mittel Par.1 Par.2 Par.3 1x2 1x3 2x3 1x2x3 1 E(M 1) + + + + + + + + 2 E(M 2) + - + + - - + - 3 E(M 3) + + - + - + - - 4 E(M 4) + - - + + - - + 5 E(M 5) + + + - + - - - 6 E(M 6) + - + - - + - + 7 E(M 7) + + - - - - + + 8 E(M 8) + - - - + + + - 8 4 4 4 4 4 4 4 Teiler Tabelle 2: Auswertungstabelle für eine Vollfaktorielle Analyse mit 3 Parametern. 19 Die zuvor zur Darstellung von Minimal- und Maximalwerten genutzten Vorzeichen dienen dabei als Rechenoperatoren. Um die Haupteffekte der Parameter zu berechnen (in Tabelle 2 grau hinterlegt), werden die Vorzeichen aus der Wertetabelle übernommen. Des Weiteren müssen die entsprechenden Vorzeichen durch Multiplikation der zugehörigen Parametervorzeichen von Parameter 1 und Parameter 2 ermittelt werden, um den Wechselwirkungseffekt von Parameter 1 und 2 (verkürzte Schreibweise „1 x 2“) bestimmen zu können. Für Effekt „1 x 2“ wird in Zeile 2 das Vorzeichen mit – bestimmt, das zugehörige Vorzeichen beträgt also ‚ ‘ (minus). In gleicher Weise werden die Operatoren für alle Zeilen und Spalten der Effekte eingetragen. Um den Effekt von Parameter 1 zu bestimmen, werden die Berechnungsergebnisse in die entsprechende Spalte eingetragen und unter Verwendung der zuvor ermittelten Vorzeichen summiert. Die Summe wird durch den darunter eingetragenen Teiler dividiert. Der Effekt ̅ von Parameter 1 beträgt demnach (Anmerkung: Der Effekt entspricht der Differenz der Ergebnisse verursacht durch die Änderung des Parameters, vgl. Abschnitt 1.2): ̅ Gleichung 6 Um den Gesamt-Mittelwert aus allen Berechnungen zu bestimmen, werden alle Ergebnisse summiert und durch den Teiler „8“ dividiert. Die Teiler sind, verallgemeinert, die Anzahl der Berechnungsdurchläufe (vgl. Gleichung 5) bei Bildung des Mittelwertes bzw. die halbierte Anzahl der Berechnungsdurchläufe bei Berechnung der Effekte. Wird das Verfahren auf Parameter übertragen, so existieren von Ordnung mögliche Effekte (entsprechend der Anzahl von Kombinationen; Reihenfolge wird berücksichtigt, auch „Ziehen ohne zurücklegen“): ( ) Gleichung 7 Bei [Box, Hunter and Hunter 1978; Macdonald 2002] werden die berechneten Effekte im Wesentlichen für eine qualitative Einschätzung der Sensitivität des Ergebnisses auf die Änderung eines oder mehrerer Parameter genutzt. Ein hoher Effekt sagt aus, dass das Ergebnis von diesem Parameter wesentlich beeinflusst 20 wird. Ist z.B. der berechnete Effekt „Par. 1“ im Betrag niedriger als der Effekt „Par. 3“, so wird die Sensitivität des Ergebnisses auf Parameter 3 als höher eingeschätzt als die Sensitivität auf Parameter 1. Interaktionseffekte zweiter und dritter Ordnung werden so interpretiert, dass ein betragsmäßig hoher bzw. im Vergleich höherer Effekt auf eine starke bzw. stärkere Wechselwirkung hinweist. Eine Quantifizierung der Sensitivität kann mit vergleichsweise geringem Aufwand näherungsweise durch genauere Betrachtung der als „stark“ identifizierten Effekte vorgenommen werden. Dafür ist es zunächst notwendig, den Rechenweg und die mathematische Aussage des Effekts nachzuvollziehen. 4.2.1.1 Effekt 1. Ordnung Eine einfache Umformung von Gleichung 6 zeigt, dass der Effekt erster Ordnung die Differenz zweier Mittelwerte wiedergibt. Gleichung 8 zeigt dies am Beispiel von Parameter 1. ̅ Gleichung 8 Vom Mittelwert aller Ergebnisse, in denen der betrachtete Parameter maximiert wurde, wird der Mittelwert aller Ergebnisse, in denen der Parameter minimiert wurde, subtrahiert (vgl. Tabelle 2). Somit gibt der Effekt erster Ordnung den Mittelwert der Ergebnisänderung durch die Änderung des Parameters von Minimal- auf Maximalwert wieder. Da jedoch in allen Berechnungen auch Parameter 2 und 3 geändert wurden und die Auswirkungen dieser Änderungen ebenfalls in die Berechnung des Mittelwertes eingeflossen sind, ist von einer Sensitivitätseinschätzung ausschließlich auf Grundlage des Effekts erster Ordnung abzuraten. 4.2.1.2 Effekt 2. Ordnung Um nachzuvollziehen, was mit dem Effekt zweiter Ordnung mathematisch gesehen, genau ermittelt wird, werden die Gedankengänge der Quelle zunächst an einem Beispiel mit 2 Parametern nachvollzogen. Die Auswertungstabelle dafür ist Tabelle 3. 21 Nr. Ergebnis Mittel Par.1 Par.2 1x2 1 E(M 1) + + + + 2 E(M 2) + - + - 3 E(M 3) + + - - 4 E(M 4) + - - + 4 2 2 2 Teiler Tabelle 3: Auswertetabelle für eine Vollfaktorielle Analyse mit 2 Parametern. Der Effekt „1 x 2“ kann nach [Box, Hunter and Hunter 1978] unter Verwendung der Vorzeichen aus Tabelle 3 mit Gleichung 9 ermittelt werden: Gleichung 9 ̅ Nach [Box, Hunter and Hunter 1978] gibt der Interaktionseffekt zweiter Ordnung die (definitionsgemäß) halbierte Differenz zwischen dem Effekt von Parameter 1 bei maximiertem Parameter 2 (Gleichung 10) Gleichung 10 und dem Effekt von Parameter 1 bei minimiertem Parameter 2 an. Gleichung 11 Eine Umstellung von Gleichung 9 zu Gleichung 12 gibt genau diesen Zusammenhang wieder. ̅ [ ] [ ] Gleichung 12 Es wird also für jede Änderung des Parameters 1 der Effekt ermittelt. Da Parameter 1 zweimal von Maximal- auf Minimalwert geändert wird, existieren zwei Effekte. Beide unterscheiden sich in Bezug auf Parameter 2, der beim ersten Effekt maximiert, beim 2 minimiert ist. Würde Parameter 2 das Ergebnis beeinflussen, wäre dies in einem Unterschied der Effekte sichtbar, sodass ein Interaktionseffekt > 0 ermittelt werden könnte. Bei einem Beispiel mit 3 Parametern würde der Interaktionseffekt 2. Ordnung unter Beachtung der Vorzeichen aus Tabelle 2, S. 19 mit Gleichung 13 ermittelt werden. 22 ̅ Gleichung 13 Nach o.g. Definition muss die halbierte Differenz der Effekte von Parameter 1 gebildet werden, in welchen Parameter 2 maximiert und minimiert war. Diese Effekte bestehen jeweils zweimal, da Zeilen 1 bis 4 und 5 bis 8 der Wertetabelle identisch sind. Deshalb müssen zunächst die Mittelwerte der Effekte, welche aus der gleichen Parameterkombination resultieren, gebildet werden: Mittelwert der Effekte für Parameter 1 bei maximiertem Parameter 2 [ ̅ ] [ ] Gleichung 14 Mittelwert der Effekte für Parameter 1 bei minimiertem Parameter 2: [ ̅ ] [ ] Gleichung 15 Die halbierte Differenz daraus ist analog zu Gleichung 13: ̅ [ [ ] [ ] ] [ [ ] [ ] ] Gleichung 16 Es findet also nochmals eine Mittelwertbildung der einzelnen Effekte statt, bevor der tatsächliche Effekt gebildet wird. Damit wird der Einfluss von Parameter 3, der sich parallel dazu auch ändert und ebenfalls die Ergebnisse beeinflusst, bereinigt. Damit wurde nachvollzogen, wie der Effekt zweiter Ordnung zustande kommt. Es bleibt festzustellen, dass dieser lediglich ein qualitatives Maß über das Vorhandensein eines Wechselwirkungseffekts darstellt. Quantitative Aussagen 23 können daraus noch nicht abgeleitet werden. Deshalb wurde in den Analysen für diese Arbeit dieser Effekt nur verwendet, um Wechselwirkungseffekte überhaupt zu identifizieren. Um eine Quantifizierung vorzunehmen wurde die im Folgenden erläuterte Methodik angewandt: Bei 2 Parametern existieren insgesamt 4 mögliche Kombinationen der Maximal(+) und Minimalwerte (-): (+) Par. 1 / (+) Par. 2 (+) Par. 1 / (-) Par. 2 (-) Par. 1 / (-) Par. 2 (-) Par. 1 / (+) Par. 2 Alle 4 Kombinationen existieren bei Parametern jeweils mal, im Beispiel mit 3 Parametern also zweimal. Deshalb wird bei dem betrachteten Interaktionseffekt jeweils der Mittelwert aller Ergebnisse gebildet, für welche dieselbe Parameterkombination ausschlaggebend war: ̅ Gleichung 17 ̅ Gleichung 18 ̅ Gleichung 19 ̅ Gleichung 20 Durch Differenzbildung zum Mittelwert aller Ergebnisse und anschließenden Bezug auf den Mittelwert kann dann eine quantitative Aussage über die Sensitivität des Ergebnisses auf die gleichzeitige Änderung zweier Parameter in Abhängigkeit zueinander getroffen werden (Gleichung 21 bis Gleichung 24). 24 ̅ ̅ ̅ Gleichung 21 ̅ Gleichung 22 ̅ Gleichung 23 ̅ Gleichung 24 ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ Beispielsweise lässt sich schlussfolgern, wie die durchschnittliche Änderung des Ergebnisses ausfällt, wenn Parameter 1 und Parameter 2 gleichzeitig maximiert werden, wie der Unterschied bei der Änderung ist, wenn sich Parameter 2 ändert und Parameter 1 konstant bleibt usw. Durch Übertragung dieser Ergebnisse in einem Balkendiagramm wird eine übersichtliche Darstellung der durchschnittlichen Abweichung vom Mittelwert durch die verschiedenen Parameterkombinationen ermöglicht (vgl. Abbildung 7). Abbildung 7: Differenzierte Darstellung des Effekts 2. Ordnung. (eigene Darstellung) 4.2.1.3 Effekt 3. Ordnung Effekte dritter Ordnung beschreiben den Unterschied der Ergebnisänderung durch einen Effekt zweiter Ordnung (bspw. „1 x 2“), wenn parallel ein weiterer Parameter (z.B. Parameter 3) geändert wird. Auch hier empfiehlt sich die Quantifizierung der Auswirkungen durch Aufschlüsselung in ähnlicher Form wie dies beim Effekt zweiter Ordnung gezeigt wurde. Da die Interaktion zwischen drei Parametern untersucht wird, existieren Parameterkombinationen, deren Einflüsse, wie bereits gezeigt, berechnet und dargestellt werden können. 25 Sofern wesentliche Effekte dritter Ordnung festgestellt werden, sollten Effekte zweiter Ordnung bezüglich dieser Parameter nur unter Vorbehalt ausgewertet werden, da damit eine Abhängigkeit zu einem weiteren Parameter besteht. Des Weiteren könnten bei höheren Effekten dritter Ordnung auch Effekte höherer Ordnung existieren. Da die Effekte dritter Ordnung, die bei dieser Analyse festgestellt wurden, jedoch bereits sehr gering waren, werden Effekte höherer Ordnung hier nicht untersucht. 4.2.2 Halbfaktorielle Analyse Mit dem Ziel möglichst viel Erkenntnisgewinn bei wenig Aufwand zu erzielen, wird das Verfahren der Vollfaktoriellen Analyse in [Box, Hunter and Hunter 1978] zur Halbfaktoriellen Analyse weiterentwickelt. Diese Form wird auch bei [Macdonald 2002] angewandt. Der Unterschied liegt in einer Änderung der Wertetabelle und somit der Kombinationen der Parameter je Berechnung, wodurch es ermöglicht wird, mit der Hälfte der Experimente verwertbare Ergebnisse zu erhalten. Tabelle 4: Wertetabelle für eine Halbfaktorielle Analyse mit 3 Parametern. Die Wertetabelle wird für die ersten (hier die ersten zwei) Parameter wie in Tabelle 1 ausgefüllt. Die Vorzeichen des letzten Parameters (hier Parameter 3) werden, ähnlich wie für die Effekte zweiter und dritter Ordnung, durch Multiplikation aller anderen Parameter ermittelt. Dadurch entsprechen die Parameterkombinationen der Zeilen fünf bis acht denen der Zeilen eins bis vier und würden zu identischen Ergebnissen führen, sodass sich die Anzahl der benötigten Experimente bzw. Berechnungsdurchläufe halbiert. Die Anzahl m der benötigten Modelle und Berechnungen beträgt für n zu untersuchende Parameter nur noch: 26 Gleichung 25 Die Auswertung erfolgt analog zu der einer Vollfaktoriellen Analyse. Bei [Box, Hunter Informationsverlust and Hunter ausführlich 1978] wird der daraus resultierende diskutiert und als „Vermengung“ (engl. confounding) bezeichnet. Für dieses Beispiel mit 3 Parametern bestehen Einschränkungen für die Auswertung dahingehend, dass der Effekt dritter Ordnung ungenauer berechnet wird, da nicht alle Kombinationen zur Verfügung stehen. Für ein Experiment mit Parametern können Wechselwirkungen dritter und höherer Ordnung mit Parameter also nicht genau bestimmt werden. Der Informationsverlust ist aber nach derselben Quelle sehr gering. Der Vergleich wurde in einer früheren Analyse durchgeführt und ergab lediglich Differenzen in der Größenordnung 4.3 . Monte-Carlo-Methode (MC) Der Begriff „Monte-Carlo-Methode“ (auch Monte-Carlo-Simulation, Monte-CarloAnalyse, im Folgenden auch „MC“) beschreibt ein stochastisches, numerisches Verfahren zur Lösung mathematischer Probleme, welche mit analytischen Methoden nur mit sehr hohem Aufwand bzw. gar nicht lösbar sind. Das Ergebnis einer MC-Simulation wird nicht durch das Lösen von Gleichungssystemen, sondern durch das Durchführen von Zufallsexperimenten gefunden. Das Verfahren wird breit gefächert angewandt. Beispielsweise werden in der Statistischen Thermodynamik die thermischen Eigenschaften von Stoffen infolge der Wechselwirkungen der Elementarteilchen mit MC bestimmt. Eine analytische Lösung würde dort die Bewegungsgleichung eines jeden Teilchens erfordern [Binder 2006]. Andere Anwendungsfälle sind die Statistische Mechanik, die Chemische Kinetik (Polymerisationsprozesse) oder die Risikobewertung in betriebswirtschaftlichen Aufgabengebieten. Die Gesamtunsicherheit einer Gebäudesimulation aufgrund der Unsicherheiten der Eingangsparameter zu ermitteln ist ein mathematisches Problem, welches sich aufgrund der Komplexität der Gleichungssysteme des Modells ebenfalls nur mit großem Aufwand oder, abhängig vom Modell, gar nicht analytisch lösen lässt. Für die vorliegende Unsicherheitsanalyse wurde das Verfahren in Anlehnung an [Jacob 2012; Macdonald 2002; Saltelli, Chan and Scott 2000] in folgenden Schritten implementiert: 27 1. Auswahl unsicherer Eingangsparameter (vgl. Abschnitt 5.4) 2. je Parameter Auswahl einer geeigneten Verteilungsfunktion und deren charakterisierende Variablen (vgl. Abschnitt 5.4) 3. Stichprobenerzeugung für jeden Eingangsparameter aus der gewählten Verteilung (vgl. Abschnitt 6.1) 4. Erstellung eines Modells für jede Stichprobe (vgl. Abschnitt 6.2) 5. Auswertung der Berechnungsergebnisse (vgl. Kapitel 7.3) Das Ergebnis der MC-Simulation besteht nicht aus einem einzelnen Wert, sondern aus einer Zufallsvariable und wird als empirische Wahrscheinlichkeitsdichtefunktion charakterisiert. Die Funktion enthält alle Ergebnisse der Zufallsexperimente. Durch Klassifizierung, d.h. durch Einordnen der Ergebnisse in Intervalle, kann dann für jedes Intervall angegeben werden, wie viele Ergebnisse innerhalb dieses Bereichs auftraten. Es wird die Bandbreite der Ergebnisse sichtbar, aber auch die Häufigkeit der Ergebniswerte in einem bestimmten Intervall, die Häufigkeit unterhalb und oberhalb bestimmter Werte (Quantile) usw. Des Weiteren lassen sich aus der Schar der Ergebnisse Mittelwert und Median als wahrscheinlichsten bzw. am häufigsten auftretenden Wert sowie Standardabweichung und Variationskoeffizient als Maß für die Unsicherheit berechnen. 28 5 Simulationssoftware und Gebäudemodell 5.1 EnergyPlus Die der Unsicherheitsuntersuchung zugrunde liegenden Simulations- berechnungen wurden mit EnergyPlus, Version 7.1.0 [DOE 2012] durchgeführt. EnergyPlus kann vom United States Department of Energy (DOE) Office of Energy Efficiency & Renewable Energy (EERE) bezogen werden und dient der dynamischen Modellierung von Energie- und Wasserbedarf im Bereich Gebäudetechnik. EnergyPlus ist ein eigenständiges, unabhängiges Simulationsprogramm, bietet jedoch keine graphische Benutzeroberfläche. Die Ein- und Ausgabe erfolgt in Form von Textdateien, also skriptbasiert. Zu EnergyPlus sind diverse Zusatzprogramme von Fremdherstellern erhältlich (Third-Party-Programme), darunter auch einige OpenSource Programme, welche die grafische Benutzeroberfläche bieten, um Eingabedateien für EnergyPlus zu erzeugen oder/ und Ausgabedateien auszuwerten [DOE 2012]. Insbesondere die Abbildung der Gebäudegeometrie wird damit erst für den praktischen Einsatz ermöglicht. Im EnergyPlus-Installationspaket befinden sich diverse Zusatzprogramme. Von diesen wurde Eingabedateien insbesondere voriger der „IDFVersionUpdater“ EnergyPlus-Versionen in das verwendet, aktuelle um Format umzuwandeln sowie das Programm „RunDirMulti“, um mehrere Eingabedateien automatisch und parallelisiert, nacheinander berechnen zu lassen (vgl. Abschnitt 6.3). 5.2 DesignBuilder DesignBuilder ist eines der kommerziellen Third-Party-Produkte, mit welchem die Erstellung des Gebäudemodells durch eine dreidimensionale Zeichenoberfläche und alle weiteren Parametereingaben über eine grafische Benutzeroberfläche ermöglicht werden. Mit DesignBuilder können unter Verwendung von EnergyPlus das aktuelle Modell berechnet sowie grafische Ausgaben erstellt werden. Es ist aber auch möglich, das Gebäudemodell als EnergyPlus Eingabedatei (*.idf) im Textformat zu exportieren. Die verwendete Version 3.0.0.105 [DesignBuilder 2012] ist jedoch noch nicht auf EnergyPlus in der Version 7.1, sondern erst auf Version 7.0 abgestimmt, weshalb die exportierte Datei mit dem bereits benannten IDFVersionUpdater umgewandelt werden muss. 29 5.3 Gebäudemodell Das Beispielgebäude, für das die Unsicherheitsbewertung durchgeführt wird, ist ein Hörsaalgebäude der Fachhochschule Erfurt für die Fachbereiche Gartenbau und Landschaftsarchitektur (Abbildung 8). Atrium mit Süd-Glasfassade Großer Hörsaal Verbinder mit Glasfassade Abbildung 8: Ansichten Neubau FHE Leipziger Straße. Südwest (oben), West (Mitte), Nordwest (unten) - Abbildung mit DesignBuilder erstellt, in grau sind der Altbau sowie das Erdreich als Verschattungselemente vereinfacht abgebildet. Die Bauphase ist zum Zeitpunkt der Erstellung der Arbeit abgeschlossen und das Projekt befindet sich in der Übergabe an den Bauherrn. Das Gebäude hat eine Nettogeschossfläche von 1817 m² innerhalb der thermischen Hülle (ermittelt aus 30 den Grundrissplänen [Gerber-Architekten 2009]), welche im Folgenden als Bezugsmaß für die Angabe des spezifischen Energiebedarfs gilt. Der Heizenergiebedarf, wenn allen Parametern der Erwartungswert zugeordnet wird, beträgt 25 kWh/(m² a), der Kühlenergiebedarf 12 kWh/(m² a). (Die Angabe des Simulations-Ergebnisses soll hier nur als Orientierungswert dienen und wird im Folgenden noch kritisch bewertet.) Das Gebäude bietet Räumlichkeiten für 665 Studenten und 18 Mitarbeiter. Unter dem Raumangebot finden sich 2 Hörsäle, ein dreigeschossiges Atrium mit Südfassade, zwei Laborräume und ein Computer-Pool. Ein nebenstehendes Gebäude verschattet die Südfassade teilweise. Ein Seitenflügel mit Glasfassade verbindet Neu- und Altbau. Dort sind einige der Arbeitsräume der Hochschullehrer situiert. Als EnOB-Forschungsprojekt liegt der Schwerpunkt des Energiekonzepts auf dem Einsatz und der Erprobung von richtungsweisenden Technologien. Dazu gehören Vakuum-Isolier-Paneele, Dreifach-Verglasung, Grund- und Zisternenwasser als Wärmequelle und -senke, Beheizung und Kühlung mit reversibler Adsorptionswärmepumpe (Fernwärmeantrieb), LED-Beleuchtung in den Verkehrsbereichen und Serverraum-Abwärmenutzung. Für die Berechnungen wurde ein im Rahmen von [Heydenbluth 2011] erstelltes Gebäudemodell des Neubaus als Grundlage genutzt. Zuvor wurden jedoch noch einige Anpassungen vorgenommen. Der Export der EnergyPlus-Eingabedatei ist nur gebäudeweise möglich. Im Modell war der das Hörsaalgebäude teilweise verschattende Altbau im Verzeichnisbaum als separates Gebäude angelegt, sodass dieser als Teil des Gebäudes neu gezeichnet wurde. Im Flur des Untergeschosses wurden die Fenster auf der Südseite nachträglich eingefügt. Des Weiteren wurden über die bereits vorgenommenen Vereinfachungen des Ausgangsmodells hinaus, Zonen mit derselben Nutzung, Ausrichtung und Konditionierung sowie durch Durchbrüche verbundene Zonen (Flure und Atrium) zusammengefasst. Die Modellierung der Anlagentechnik wurde vom Modus „Compact Autosize“ auf „Simple, adequate“ umgestellt. Im Modus „Compact“ erfolgt eine detailliertere Modellierung des Anlagenverhaltens, während im Modus „Simple“ unter der Annahme idealer Lasten gerechnet wird, welche jederzeit gedeckt werden 31 können („adequate“). Als Endenergieform wurde Abwärme mit COP =1 gewählt. Diese Vereinfachungen sind vorgenommen worden, da eine genaue Abbildung der speziellen Anlagenkomponenten mit der Software nicht möglich ist. Es wären enorme Vereinfachungen mit schwer zu kalkulierbaren Fehlern erforderlich gewesen. Durch Unterlassen der Anlagenmodellierung entspricht das Ergebnis der Simulationen dem Nutzenergiebedarf für Heizen und Kühlen unter Berücksichtigung der betrachteten Unsicherheiten. Diese Vereinfachung verkürzt die Rechenzeit zudem um ca. 30 %. Ursache dafür ist vermutlich, dass die Rechen- und Iterationsschritte zur Anlagendimensionierung nicht durchgeführt werden. Um die Unsicherheit der Anwesenheit und damit in Verbindung stehende unsichere Belegungsdichten, Luftwechsel und innere Lasten implementieren zu können wurde der zulässige Maximalwert des Anwesenheitsfaktors auf „2“ geändert um im Folgenden Abweichungen in beide Richtungen abbilden zu können (Erläuterungen zur Funktion in Abschnitt 5.4.5, S.38). EnergyPlus gibt die Berechnungsergebnisse in Textform aus. Das Zusatzprogram „ReadVarsESO“ verarbeitet die Textdateien standardmäßig zu kommaseparierten Dateien (*.csv), um eine Verarbeitung in Tabellenkalkulationsprogrammen zu ermöglichen. Die Ausgabe kann über Variablen gesteuert werden und wurde so angepasst, dass zonenweise der jährliche sensible Energiebedarf für Heizen und Kühlen ausgegeben wird. In dem Gebäude sind keine Anlagen zur Entfeuchtung vorgesehen, sodass der Energiebedarf für die Abfuhr latenter Kühllasten nicht berücksichtigt wird. 32 5.4 Unsichere Parameter des Beispielmodells Welche Parameter-Unsicherheiten mit dem hier gewählten Verfahren in ihrer Auswirkung auf die Gesamtunsicherheit untersucht werden können, ist einerseits von der Simulationssoftware, andererseits auch vom Detaillierungsgrad der im Modell eingestellten Berechnungsalgorithmen abhängig. Im Folgenden werden die untersuchten Parameter mit ihren Erwartungswerten und Standardabweichungen, sowie Literaturangaben die bei der Auswahl dieser Werte hilfreich waren, vorgestellt. Die Parameter werden zu Kategorien zusammengefasst, wobei eine Kategorie aus Parametern besteht, welche die gleiche Aussage treffen, jedoch jeweils für unterschiedliche Materialien bzw. Zonen gelten (z.B. alle spez. Wärmeleitfähigkeiten, alle Werte – je Zone – für innere Lasten durch Geräte). In [Macdonald 2002] wird für die Maximal- und Minimalwerte, welche für die Sensitivitätsanalysen (Erläuterung in Kapitel 4) verwendet werden sollen, der Mittelwert zuzüglich bzw. abzüglich der dreifachen Standardabweichung vorgeschlagen. Aufgrund der teilweise sehr hohen Standardabweichungen von bis zu 70 % würde dies zu negativen Werten führen. Des Weiteren wird dadurch eine Bewertung der Effekte von unwahrscheinlichen Grenzwerten vorgenommen, was wenig praktikabel erscheint. Deshalb werden für die Sensitivitätsanalysen für alle Parameter die einfachen Standardabweichungen addiert zum bzw. subtrahiert vom Mittelwert, als Grenzwerte verwendet. Für Unsicherheitsbewertungen werden Stichprobenziehungen benötigt. Da sowohl die Stichprobenziehung aus der Normalverteilung als auch aus der logarithmischen Normalverteilung zu praktisch nicht relevanten oder physikalisch unmöglichen Werten führen kann, wird ein Intervall vorgegeben. Werte außerhalb der dreifachen Standardabweichung um den Mittelwert kommen somit nicht vor. Wie in Abschnitt 2.2.1 erläutert, werden dadurch die Werte innerhalb des technisch möglichen Bereiches sowie deren Wahrscheinlichkeiten berücksichtigt, ohne einerseits technisch nicht relevante Werte einzubeziehen und andererseits die Verteilungscharakteristik wesentlich zu verfälschen. Sofern die anzunehmende Standardabweichung nicht der Literatur entnommen werden kann, wird diese so gewählt, dass die aus der dreifachen Standardabweichung resultierenden Intervallbegrenzungen technischen Grenzwerten entsprechen (Gleichung 26). 33 Gleichung 26 5.4.1 Materialparameter opaker Baustoffe In die Analyse werden die Unsicherheiten in den Materialparameterkategorien „Stärke“, „spezifische Wärmeleitfähigkeit“, „Dichte“ und „spezifische Wärmekapazität“ einbezogen. Dabei wird die Unsicherheit der Materialstärke innerhalb des Planungsprozesses als kenntnisbezogen, die der Stoffwerte als herstellungsbedingt berücksichtigt. Die Unsicherheit des spezifischen Wärmeleitwertes unterliegt insbesondere in Bezug auf Dämmstoffe auch den Unsicherheiten des Planungsprozesses, was mit den gewählten Standardabweichungen nicht abgebildet wird. Hierfür wird eine gesonderte Untersuchung in Anhang B durchgeführt bei der von einer planungsbedingten Unsicherheit von 20 Prozent für die Wärmeleitwerte der Dämmmaterialien ausgegangen wird. Eine Auflistung der Erwartungswerte, Standardabweichungen sowie der Literaturangaben ist in Anhang A enthalten. Die Erwartungswerte stammen aus dem Modell von [Heydenbluth 2011]. Die Standardabweichungen wurden in Anlehnung an [Macdonald 2002] oder [Hopfe and Hensen 2011] ermittelt. Sofern die im Modell verwendeten Baustoffe dort nicht mit denselben Kennwerten aufgeführt sind, wurden aus Standardabweichung und Erwartungswert eines ähnlichen Baustoffes ein Faktor zur Umrechnung gebildet (Gleichung 27). 34 Gleichung 27 Zur Charakterisierung der Unsicherheit wird in Anlehnung an [Macdonald 2002] für alle Materialparameter die Normalverteilung gewählt. Als Intervallgrenzen für den Bereich der zulässigen Werte wurde für fast alle Materialparameter der Mittelwert zuzüglich bzw. abzüglich der dreifachen Standardabweichung verwendet. Würde die untere Grenze wegen sehr hoher Standardabweichungen ≤ 0 betragen, wird stattdessen der Mittelwert abzüglich der zweifachen Standardabweichung (wenn Standardabweichung > ⅓ des Erwartungswertes) bzw. abzüglich der einfachen Standardabweichung (wenn Standardabweichung > 50 Prozent des Erwartungswertes) gewählt. 5.4.2 U-Werte und g-Werte transparenter Baustoffe Als weitere Materialparameter werden die Kategorien „U-Wert“ und „g-Wert“ von Verglasungskonstruktionen hinsichtlich ihrer Unsicherheit bewertet. Diese Parameter werden in den verwendeten Quellen nicht untersucht, sodass die Festlegung von Verteilungsfunktionen, Standardabweichungen und Intervallgrenzen auf eigenen Annahmen beruht (Tabelle 5). Die Erwartungswerte wurden von [Heydenbluth 2011] übernommen. Anhand der [ZUB 2012] Baustoff Datenbank wurden die technisch maximal und minimal möglichen bzw. zeitgemäßen U-Werte für Fassadenverglasungen mit 0.9 bzw. 1.3 W/(m² K), also 10 Prozent unter bzw. 30 Prozent über dem Erwartungswert ermittelt. Deshalb wurde als Standardabweichung 10 Prozent festgelegt und als zulässiges Intervall angenommen. Da U-Werte über dem Erwartungswert von 1.01 W/m² K aus technischer und wirtschaftlicher Sicht wahrscheinlicher sind als niedrigere, wird als rechtsschiefe Wahrscheinlichkeitsverteilung die logarithmische Normalverteilung als 35 Verteilungsdichtefunktion gewählt. Erwartungswert und Standardabweichung werden mit Gleichung 1 und Gleichung 2 (Abschnitt 2.2.2 S. 9) auf die Parameter der log-Normalverteilung umgerechnet. Diese Annahmen wurden auf die Dachverglasungskonstruktionen analog übertragen. Maximal bzw. minimal gebräuchliche g-Werte von Verglasungen liegen laut [ZUB 2012] ungefähr bei 0.25 bzw. 0.75, also ca. 50 Prozent abweichend vom Mittelwert, sodass die Unsicherheit mit der Normalverteilung charakterisiert werden kann. Da als Intervallgrenze die dreifache Standardabweichung sinnvoll ist, wird die einfache Standardabweichung mit dem Drittel von 50 Prozent gewählt (vgl. Gleichung 26). Material μ Fas.Verglasung RWA Dach U g U g σ 1.01 0.59 1.34 0.61 Quelle lognormal 0.10 eigene Annahme 0.10 0.13 eigene Annahme 0.10 Verteilung μlog σlog lognormal normal lognormal normal 0.0070 0.0998 0.2877 0.0998 U = U-Wert in W/(m² K); g = g-Wert (einheitenlo s) Tabelle 5: Materialparameter transp. Bauteile - Charakterisierung der Unsicherheit. Mittelwerte, Erwartungswerte und Verteilungsfunktion und Parameter der log-Normalverteilung. 5.4.3 Natürlicher Luftwechsel Die Erwartungswerte für die Kategorie „natürlicher Luftwechsel“ wurden überschlägig anhand der Nutzungsprofile der [DIN-V-18599-10 2011 ] ermittelt: WC’s - 15 m³/(h m²) o bei einer Fläche von ca. 8 m² je WC und einer anteiligen Nutzung von 25 Prozent (innerhalb der Pausenzeiten) ergibt sich bei einem Raumvolumen von ca. 24 m³ ein Luftwechsel von 1,25/h Einzelbüros – 40 m³/(h Person) Flure und Atrium 20 m³/(h Person) (Nutzungsprofil „Foyer/Theater“) o Bei einer Belegungsdichte von 0.05 Pers./m² (Wert aus Nutzungsprofil) und einer Fläche von 418 m² ergibt sich ein Volumenstrom von 418 m³/h o Das Nettoraumvolumen beträgt ca. 3647 m³, sodass der Luftwechsel mit 0,11 festgelegt wurde. Treppenhaus – 20 m³/(h Person) (Nutzungsprofil „Verkehrsflächen“) 36 o Die Umrechnung anhand von Belegungsdichte, Fläche und Volumen führt ebenfalls zu einem Luftwechsel von 0,11. Die Werte wurden in die erforderlichen Einheiten umgerechnet und in das Designbuilder-Modell übertragen. Der Export in das EnergyPlus-Format lieferte die Erwartungswerte, die in Tabelle 6 eingetragen sind. Da DesignBuilder mit Bruttovolumina und –flächen rechnet, sind die Luftwechselwerte die aus diesen Zahlen resultieren würden etwas höher als zuvor beschrieben. In Anlehnung an [Jacob 2012] wurde eine Standardabweichung von 20 % und die logarithmische Verteilungsdichtefunktion zur Abbildung der Unsicherheiten gewählt. Die Intervallgrenzen wurden mit angenommen. Die Parameter der log-Normalverteilung werden mit Gleichung 1 und Gleichung 2 (Abschnitt 2.2.2 S. 9) ermittelt. μ in m³/s σ in m³/s μlog σlog Flure und Atrium natürlich gelüftete Zonen 0.148500 0.029700 lognormal -1.9268 0.1980 Treppenhaus 0.011000 0.002200 -4.5295 0.1980 EG: Arbeit 1.E.11-1.E.17 0.088000 0.017600 -2.4500 0.1980 EG: WC 1.E.07-08 0.034793 0.006959 -3.3779 0.1980 OG: Arbeitsr. 1.1.13-17 (Süd) 0.066000 0.013200 -2.7377 0.1980 OG: Arbeitsr. 1.1.01-03 (Nord) 0.044000 0.008800 -3.1432 0.1980 OG: WC 1.1.07-10 0.048502 0.009700 -3.0458 0.1980 Tabelle 6: Natürlicher Luftwechsel - Charakterisierung der Unsicherheit. Mittelwerte, Erwartungswerte und Parameter der log-Normalverteilung. 5.4.4 Mechanischer Luftwechsel Auch die Erwartungswerte für die Kategorie „mechanischer Luftwechsel“ wurden anhand der Nutzungsprofile der [DIN-V-18599-10 2011 ] ermittelt: Hörsaal – 30 m³/(h Person) reduziert um 25 % aufgrund der Pausenzeiten Werkstatt – 20 m³/(h Person) Computerpool und Planungslabore (Nutzungsprofil „Großraumbüro“) 60 m³/(h Person) reduziert um 25 % aufgrund der Pausenzeiten Technik- und Lagerräume UG – 0.15 m³/(h m²) Der mechanische Luftwechsel wird als normalverteilt mit einer geringeren Standardabweichung von 5 % angenommen, da Schwankungen im Falle einer funktionierenden Gebäudeleittechnik nur mit geringer Wahrscheinlichkeit 37 auftreten sollten. Die Unsicherheit falscher Einstellungen wird an dieser Stelle also nicht berücksichtigt. Der Export des Modells durch DesignBuilder in das EnergyPlus-Format liefert die in Tabelle 7 gezeigten Werte. Auch hier sind die resultierenden Luftwechselwerte aufgrund der ungenauen Flächen- und Volumenverwaltung höher als zuvor angenommen. mechanisch gelüftete Zonen μ in m³/s σ in m³/s UG: Lager 1.U.03-09 0.004505 0.000225 EG: Planungsl 1.E.10 0.437500 0.021875 EG: Kleiner Hörsaal 1.E.02 0.461500 0.023075 EG: PCPool 1.E.05 0.350000 0.017500 EG: Werkstatt 1.E.03 0.125275 0.006264 OG: Planungslabor 1.1.12 0.412500 0.020625 Großer Hörsaal 1.U.01 0.682500 0.034125 Tabelle 7: Mechanischer Luftwechsel - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte. 5.4.5 Anwesenheit Durch Anwesenheitsfaktoren ist es möglich, den Wärmeeintrag durch Personen, Beleuchtung und Geräte sowie den Luftwechsel in der Simulation in Abhängigkeit der Anwesenheit von Personen zu berücksichtigen. Die genannten Parameter werden dafür an Anwesenheitszeitpläne gekoppelt, welche für das gesamte Jahr in beliebigen Intervallen Anwesenheitsfaktoren enthalten. Wärmeeinträge und Luftwechsel für jeden Zeitschritt werden durch Multiplikation der definierten Werte mit diesem Faktor ermittelt. Für gewöhnlich werden die Zeitpläne mit Anwesenheitsfaktor „1“ für die Nutzungszeiten (z.B. Montag bis Freitag 8.00 bis 18.00 Uhr) und „0“ für Nichtnutzungszeiten (Montag bis Freitag 18.00 bis 8.00 Uhr, Wochenenden, Feiertage usw.) definiert. Auf diesem Wege wird innerhalb der Simulation nur während der Nutzungszeit mit den entsprechenden Werten gerechnet; außerhalb der Nutzungszeiten werden inneren Lasten und Luftwechsel (aufgrund der Multiplikation mit „0“) nicht berücksichtigt. Für die Analysen wurde der Bereich der zulässigen Werte für den Anwesenheitsfaktor von „0 … 1“ auf „0 … 2“ erweitert. In den Zeitplänen werden die Anwesenheitsfaktoren während der Nutzungszeiten geändert, sodass die Auswirkungen von schwankenden Belegungszahlen, also auch die daraus resultierenden Auswirkungen von wechselnden inneren Lasten und Luftwechseln auf das Ergebnis, untersucht werden können. 38 Die Anwesenheit der Studenten und Hochschullehrer wird als unsicherer eingeschätzt als die Anwesenheit in allgemeinen Bereichen wie Fluren und der Werkstatt. Als Verteilungsdichtefunktion wird für die Belegungszahlen, die Dreiecksverteilung gewählt; die Grenzen sind die dreifachen Standardabweichungen in positive und negative Richtung vom Mittelwert. Für Technikräume, WC’s, Lager und Teeküche wurde in Anlehnung an die entsprechenden Nutzungsprofile der DIN V 18599 das Modell vereinfacht und der Anwesenheitsfaktor konstant auf „0“ gesetzt. Innere Lasten werden in diesen Zonen dadurch nicht berücksichtigt, was das reale Nutzungsverhalten gut widerspiegelt, da keine regelmäßige Nutzung zu erwarten ist. Der Luftwechsel dort ist jedoch flächenbezogen implementiert und damit nicht von diesem Faktor abhängig. Die Unsicherheit durch schwankende Belegungszahlen wurde in keiner der genannten Untersuchungen bewertet, sodass die in Tabelle 8 zusammengefassten Annahmen selbst getroffen wurden. 39 Anwesenheitsfaktor μ σ 1.00 0.25 1.00 0.10 1.00 0.25 0.00 0.00 Studenten Anw esenheit EG: Planungsl 1.E.10 EG: Kleiner Hörsaal 1.E.02 EG: PCPool 1.E.05 OG: Planungslabor 1.1.12 Großer Hörsaal 1.U.01 sonstige Anw esenheit Flure und Atrium Treppenhaus EG: Werkstatt 1.E.03 Hochschullehrer Anw esenheit EG: Arbeit 1.E.11-1.E.17 OG: Arbeitsr. 1.1.13-17 (Süd) OG: Arbeitsr. 1.1.01-03 (Nord) keine Anw esenheit TechnikUG und Elt-Räume UG: Lager 1.U.03-09 UG: WC 1.U.10-11 EG: Teeküche 1.E.06 EG: WC 1.E.07-08 EG: Lager 1.E.04 OG: Lager 1.1.04-06 OG: WC 1.1.07-10 Tabelle 8: Anwesenheitsfaktoren - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte. 5.4.6 Beleuchtungswärmeleistung Anmerkung: Die Berechnung der Verlustwärme aufgrund eines Wirkungsgrades wie sie im Folgenden dargelegt wird, ist physikalisch nicht korrekt. Die gesamte elektrische Leistung wird bei freihängenden Leuchten anteilig konvektiv (40 %) an die Raumluft sowie durch langwellige Strahlung (42 %) und sichtbare, kurzwellige Strahlung (18 %) an die raumumschließenden Flächen abgegeben. Die Berechnung der Strahlungsanteile erfolgt durch EnergyPlus, lediglich die entsprechenden Faktoren können geändert werden. Bei DesignBuilder und EnergyPlus muss die elektrische Anschlussleistung eingetragen werden. Für die inneren Lasten durch Beleuchtung wird in [Hopfe and Hensen 2011] die Normalverteilung mit einer Standardabweichung von 16 % verwendet. Die Erwartungswerte wurden auf der Grundlage der Anschlussleistungen aus [HKL 2010] und eines Wirkungsgrades der Leuchten von 80 Prozent (d.h. 20 Prozent der aufgenommenen elektrischen Leistung werden in Wärme umgewandelt) unter Verwendung von Gleichung 28 wie folgt ermittelt: Arbeitsräume – 8 W/m² 40 Computerpool – 8 W/m² Hörsäle – 6 W/m² Lagerräume – 4 W/m² Planungslabore – 6 W/m² Teeküche – 7 W/m² WC’s – 5 W/m² Werkstatt – 6 W/m² Gleichung 28 ̇ ̇ [ ] [ ] Einige Verkehrsbereiche sind mit LED-Beleuchtung ausgestattet. Dieser Aspekt wurde nicht berücksichtigt. Die Umrechnung auf die Flächen durch Designbuilder ergibt die in Tabelle 9 dargestellten Erwartungswerte. Beleuchtungswärmeleistung Flure und Atrium μ in W σ in W 1 079 173 67 11 EG: Arbeit 1.E.11-1.E.17 926 148 EG: Planungsl 1.E.10 749 120 EG: Kleiner Hörsaal 1.E.02 806 129 EG: PCPool 1.E.05 526 84 EG: Werkstatt 1.E.03 137 22 OG: Planungslabor 1.1.12 713 114 OG: Arbeitsr. 1.1.13-17 (Süd) 879 141 OG: Arbeitsr. 1.1.01-03 (Nord) 473 76 Großer Hörsaal 1.U.01 726 116 Treppenhaus Tabelle 9: Beleuchtungswärmeleistung - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte. 41 Diese Unsicherheiten sind vorwiegend kenntnisbezogen, da die Wirkungsgrade der Beleuchtung selten genau bekannt sind und die Annahmen der sensiblen Wärmeeinträge selten so wie im vorliegenden Fall auf Planungswerten, sondern oft auf Erfahrungswerten beruhen. 5.4.7 Beleuchtungskontrolle Die Beleuchtungskontrolle durch den Nutzer wird in Abhängigkeit des Tageslichteintrags wie folgt nachgebildet: Mit steigender Beleuchtungsstärke im Raum, beeinflusst durch Verschattung, Bewölkung, Wetterdaten etc., wird das Licht kontinuierlich gedimmt (Beleuchtungsleistung, Stromaufnahme und Wärmeeintrag gesenkt), bis der Beleuchtungs-Setpoint, also die gewünschte Beleuchtungsstärke an einem Referenzpunkt im Raum, allein durch das Tageslicht erreicht wird. Für jeden Simulationszeitschritt, an dem die erforderliche Beleuchtungsstärke durch das Tageslicht erreicht wird, wird die künstliche Beleuchtung komplett ausgeschaltet (Beleuchtungsleistung, Stromaufnahme und Wärmeeintrag gleich „0“). Durch Variation des Betrags des Beleuchtungs-Setpoints kann die Unsicherheit des Nutzerverhaltens bei der Bedienung der Beleuchtung simuliert werden (bspw. das Ausschalten der Beleuchtung bereits bei geringerer Beleuchtungsstärke oder erst bei höheren Tageslichteinträgen). Als Erwartungswert werden in Anlehnung an [DIN12464-1 2011] 500 Lux für Arbeitsplätze mit Lese-, Schreib und Bildschirmarbeit und 300 Lux für die Verkehrsbereiche verwendet. Für Verkehrsbereiche wären auch 100 Lux ausreichend, da jedoch das Atrium theoretisch auch als Veranstaltungsraum nutzbar ist, wird von einem höheren Wert ausgegangen. In der hier genannten Literatur wird dieser Wert nicht diskutiert, sodass eine normalverteilte Unsicherheit mit 20 % Standardabweichung angenommen wird (Tabelle 10). 42 Beleuchtungssetpoint μ in W σ in W Flure und Atrium 300 60 Treppenhaus 300 60 EG: Arbeit 1.E.11-1.E.17 500 100 EG: Planungsl 1.E.10 500 100 EG: Kleiner Hörsaal 1.E.02 500 100 EG: PCPool 1.E.05 500 100 EG: Werkstatt 1.E.03 500 100 OG: Planungslabor 1.1.12 500 100 OG: Arbeitsr. 1.1.13-17 (Süd) 500 100 OG: Arbeitsr. 1.1.01-03 (Nord) 500 100 Großer Hörsaal 1.U.01 500 100 Tabelle 10: Beleuchtungs-Setpoint - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte. 5.4.8 Setpoint Raumtemperatur Heizfall und Kühlfall Für die Einstellung der Raumtemperaturen durch den Nutzer wird als Erwartungswert in den meisten Zonen 20 °C verwendet (Heizfall). Ausnahmen sind Verkehrsbereiche (18 °C) und die Werkstatt (19 °C). Für den Kühlfall gelten in allen gekühlten Zonen 26 °C als Mittelwert. In Anlehnung an [Macdonald 2002] wird die Unsicherheit als normalverteilt mit Grenzwerten von 3 K zu- und abzüglich dem Mittelwert angenommen, sodass die Standardabweichung 1 K beträgt (Tabelle 11 und Tabelle 12). Temp.Setpoint Heizfall μ in °C σ in K Flure und Atrium 18 1 EG: Arbeit 1.E.11-1.E.17 20 1 EG: Planungsl 1.E.10 20 1 EG: Kleiner Hörsaal 1.E.02 20 1 EG: PCPool 1.E.05 20 1 EG: Werkstatt 1.E.03 19 1 OG: Planungslabor 1.1.12 20 1 OG: Arbeitsr. 1.1.13-17 (Süd) 20 1 OG: Arbeitsr. 1.1.01-03 (Nord) 20 1 Großer Hörsaal 1.U.01 20 1 Tabelle 11: Temperatur-Setpoint Heizfall – Mittel- und Erwartungswerte. 43 Temp.Setpoint Kühlfall μ in °C σ in K Flure und Atrium 26 1 EG: Arbeit 1.E.11-1.E.17 26 1 EG: Planungsl 1.E.10 26 1 EG: Kleiner Hörsaal 1.E.02 26 1 EG: PCPool 1.E.05 26 1 OG: Planungslabor 1.1.12 26 1 OG: Arbeitsr. 1.1.13-17 (Süd) 26 1 OG: Arbeitsr. 1.1.01-03 (Nord) 26 1 Großer Hörsaal 1.U.01 26 1 Tabelle 12: Temperatur-Setpoint Kühlfall - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte. 5.4.9 Setpoint Verschattung Die Verschattungssteuerung durch den Nutzer wird durch Änderung des Solarstrahlungswertes (direkt und diffuse Solarstrahlung) auf den Fensteroberflächen berücksichtigt, bei dem die Verschattung durch den Nutzer aktiviert wird. Somit kann die Auswirkung eines verfrühten oder verspäteten Schließens der Verschattungselemente untersucht werden. Literaturangaben dazu konnten nicht ermittelt werden. Dieser Wert wurde für das gesamte Gebäude einmalig festgelegt. Da es wahrscheinlicher ist, dass die Verschattung erst bei höheren Werten geschlossen wird, anstatt schon bei niedrigen, wird die logarithmische Verteilungsdichtefunktion innerhalb der Grenzen bei einer Standardabweichung von 25 Prozent des Erwartungswertes (50 W/m²) zur Charakterisierung verwendet. Der Erwartungswert beträgt 200 W/m². 5.4.10 Innere Lasten durch Personen Die Unsicherheit der inneren Lasten durch Personen ist nicht nur durch die Annahme von Personenzahlen und Anwesenheitsfaktoren, sondern auch durch die Annahme von standardisierten Aktivitätsraten für bestimmte Tätigkeiten im Modell enthalten. Darüber hinaus können auch fehlende Informationen bezüglich der geplanten Nutzung (Tätigkeiten) in den Zonen das Ergebnis beeinflussen. Laut [Macdonald 2002] wird die Unsicherheit am praktikabelsten durch Annahme der Normalverteilung für Räume mit mehr als zehn Personen, durch die Dreiecksverteilung für Räume mit bis zu zehn Personen und durch die 44 Gleichverteilung für Räume, in denen sich nur eine Person aufhält, charakterisiert. Die Angabe der „Unsicherheit von 50 %“ bei [Macdonald 2002] wird als Grenzwert (dreifache Standardabweichung) gewertet, da die Nutzung selbst bereits vorgegeben ist und nicht angenommen werden muss. Es ergibt sich eine Standardabweichung von 16.7 Prozent bezogen auf den Mittelwert. Die Erwartungswerte (Tabelle 13) wurden für die unterschiedlichen Zonen anhand der Tätigkeitsbeschreibungen „Typing“, „Writing“ (Hörsäle), „Standing/Walking“ (Verkehrszonen) und „Light Industrial Work“ (Werkstatt) aus der DesignBuilderinternen Datenbank ausgewählt. Innere Lasten durch Pers. μ in W σ in W Verteilung Flure und Atrium 140 23 normal (> 10 Pers.) Treppenhaus 140 23 Dreieck (< 10 Pers.) EG: Arbeit 1.E.11-1.E.17 117 20 gleich (1 Pers.) EG: Planungsl 1.E.10 117 20 normal (> 10 Pers.) EG: Kleiner Hörsaal 1.E.02 108 18 normal (> 10 Pers.) EG: PCPool 1.E.05 117 20 normal (> 10 Pers.) EG: Werkstatt 1.E.03 216 36 gleich (1 Pers.) OG: Planungslabor 1.1.12 117 20 normal (> 10 Pers.) OG: Arbeitsr. 1.1.13-17 (Süd) 117 20 gleich (1 Pers.) OG: Arbeitsr. 1.1.01-03 (Nord) 117 20 gleich (1 Pers.) Großer Hörsaal 1.U.01 108 18 normal (> 10 Pers.) Tabelle 13: Innere Lasten durch Personen - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte und Verteilungsdichtefunktion. 5.4.11 Innere Lasten durch Geräte Die Erwartungswerte für die Kategorie „Innere Lasten durch Geräte“ wurden mit 100 W/Person für Bildschirmarbeitsplätze angenommen. Der Wert muss in DesignBuilder jedoch in W/m² eingegeben werden, sodass eine Umrechnung in diese Einheit anhand der Raumflächen und Belegungszahlen in [GerberArchitekten] durchgeführt wurde. Durch die ungenaue Flächenverwaltung von DesignBuilder (Innenwände werden nicht berücksichtigt) ergeben sich leicht erhöhte Erwartungswerte beim Export des Modells in das EnergyPlus-Format. Die Verteilungsdichtefunktion der Unsicherheit wird bei [Macdonald 2002] analog zu denen der Aktivitätsrate anhand der Belegungszahl bestimmt. Als Standardabweichung werden nach [Macdonald 2002] 60 Prozent angenommen. Dieser hohe Wert berücksichtigt vermutlich das sehr unsichere variieren der Geräte zwischen Voll- und Teillast. 45 Innere Lasten durch Geräte EG: Arbeit 1.E.11-1.E.17 μ in W σ in W Verteilung 694 417 EG: Planungsl 1.E.10 3 494 2 097 normal (> 10 Pers.) EG: PCPool 1.E.05 2 830 1 698 normal (> 10 Pers.) 797 478 EG: Werkstatt 1.E.03 OG: Planungslabor 1.1.12 gleich (1 Pers.) gleich (1 Pers.) 3 329 1 998 OG: Arbeitsr. 1.1.13-17 (Süd) 586 352 normal (> 10 Pers.) gleich (1 Pers.) OG: Arbeitsr. 1.1.01-03 (Nord) 296 177 gleich (1 Pers.) Tabelle 14: Innere Lasten durch Geräte - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte und Verteilungsdichtefunktion. 5.4.12 Infiltrationsluftwechsel Der Infiltrationsluftwechsel wurde als Ergebnis eines Blower-Door-Tests mit n50 = 0.25/h in das DesignBuilder-Modell implementiert. Zur Berechnung wird ein vereinfachtes Verfahren verwendet, bei dem ein ganzjährig konstanter Volumenstrom berücksichtigt wird, da ein genaueres Verfahren wesentlich mehr Rechenzeit benötigen würde. Durch den Export in das EnergyPlus-Format ergeben sich die in Tabelle 15 gezeigten Werte. Nach [Macdonald 2002] wurde die Unsicherheit durch die logarithmische Normalverteilung mit einer Standardabweichung von 33 Prozent bezogen auf den Mittelwert in den Intervallgrenzen berücksichtigt. Diese sehr niedrigen Werte werden in Abschnitt 8.3 und Anhang F kritisch hinterfragt. 46 Infiltrationsluftwechsel μ in m³/s σ in m³/s TechnikUG und Elt-Räume 0.0047640 0.0015880 Flure und Atrium 0.0103860 0.0034620 UG: Lager 1.U.03-09 0.0006290 0.0002097 Treppenhaus 0.0016350 0.0005450 UG: WC 1.U.10-11 0.0001720 0.0000573 EG: Arbeit 1.E.11-1.E.17 0.0019380 0.0006460 EG: Planungsl 1.E.10 0.0020900 0.0006967 EG: Kleiner Hörsaal 1.E.02 0.0022490 0.0007497 EG: PCPool 1.E.05 0.0011020 0.0003673 EG: Teeküche 1.E.06 0.0001920 0.0000640 EG: WC 1.E.07-08 0.0005220 0.0001740 EG: Lager 1.E.04 0.0002930 0.0000977 EG: Werkstatt 1.E.03 0.0003820 0.0001273 OG: Planungslabor 1.1.12 0.0019920 0.0006640 OG: Arbeitsr. 1.1.13-17 (Süd) 0.0012270 0.0004090 OG: Arbeitsr. 1.1.01-03 (Nord) 0.0009900 0.0003300 OG: Lager 1.1.04-06 0.0004730 0.0001577 OG: WC 1.1.07-10 0.0004850 0.0001617 Großer Hörsaal 1.U.01 0.0037040 0.0012347 Tabelle 15: Infiltrationsluftwechsel - Charakterisierung der Unsicherheit. Mittel- und Erwartungswerte. 47 6 Implementierung der Analysemethoden Bei einer einzelnen Simulation sind die wesentlichen Arbeitsschritte die Modellerstellung, die Simulation und die Auswertung (vgl. Abbildung 9, S. 51), kursiv gedruckt). Die Herausforderung von Sensitivitäts- und Unsicherheitsanalysen für eine thermische Simulation besteht im Wesentlichen darin, dass bei dem gewählten Verfahren sehr viele Modelle benötigt werden, welche sich hinsichtlich der Zahlenwerte der Eingangsparameter unterscheiden. Da die Durchführung einzelner Simulationen mit manueller Modellerstellung, manuellem Simulationsstart und Einzelauswertung bei der Vielzahl der Parameter impraktikabel und unökonomisch wäre, wird ein weitestgehend automatisiertes Verfahren benötigt. Die Entwicklung dieser Methode war wesentlicher Bestandteil dieser Arbeit. 6.1 Stichprobenziehung Für Monte-Carlo-Analysen werden zufällig gezogene Stichproben benötigt. Diese werden mit einem Pseudo-Zufallsgenerator unter Verwendung der StatistikSoftware „R“ erzeugt. Die gezogenen Stichproben müssen auf die zulässigen Werte begrenzt werden, um unzulässige Berechnungsparameter und Ergebnisse ohne Praxisrelevanz zu vermeiden. Wie in Tabelle 16 dargestellt, enthalten nur einige der Parameterstichproben Werte, die für die Berechnung nicht zulässig sind (gekennzeichnet mit „x“). Werden diese Werte aus der Stichprobe entfernt, so liegen diese mit unterschiedlichem Umfang vor. Deshalb wird der gesamte Datensatz auf den kleinsten Stichprobenumfang gekürzt (in Tabelle 16 „Par. 3“). Für die vorliegenden Untersuchungen wurden durchschnittlich ca. 60 Prozent mehr Stichproben gezogen, als aufgrund der Eingrenzung letztlich verwendet werden konnten. Die Verteilungs-Charakteristika von Parameterstichproben wie der von „Par. 1“ in Tabelle 16 werden dadurch verfälscht, da willkürlich Werte entfernt werden. Der dadurch entstehende Fehler wird in Abschnitt 8.2 diskutiert. 48 Par. → 1 2 3 4 1 1 1 1 1 2 1 1 1 3 1 1 4 1 5 Par. → 1 2 3 4 1 1 1 1 1 1 2 1 1 1 1 1 1 3 1 1 1 1 1 1 1 4 1 1 1 1 1 1 1 1 5 1 1 1 1 6 1 1 x 1 6 1 1 1 1 7 1 x 1 1 7 1 1 1 1 8 1 1 1 1 8 1 1 - 1 9 1 1 x 1 9 1 - - 1 10 1 x x x 10 1 - - - Stichpr.↓ Stichpr. ↓ → Tabelle 16: Methodik der Intervallbegrenzung der Stichproben. 1 – Stichprobenwert im zulässigen Intervall; x – Stichprobenwert außerhalb des zulässigen Intervalls; - entfernte Stichprobenwerte. 6.2 Automatisierte Modellerstellung Das mit DesignBuilder erstellte Modell kann als EnergyPlus-Eingabedatei im Dateiformat „*.idf“ (Input Data Format) exportiert werden (Abbildung 9, 1). Eine solche Datei kann in dieser Form über einen beliebigen Texteditor geöffnet und bearbeitet, aber auch EnergyPlus zur Berechnung übergeben werden. Die Eingabedateien sind in ihrer Form und Sprache vergleichsweise übersichtlich gehalten. Parameter und Werte können mithilfe der ausführlichen Dokumentation identifiziert und manipuliert werden. Um die benötigten Modelle, die sich hinsichtlich der Parameterwerte unterscheiden sollen, zu erzeugen, müssen die Zahlenwerte der Parameter in der Eingabe-Datei geändert und die Datei unter einem eigenen Namen abgespeichert werden, der eine nachträgliche Identifikation zulässt. Es wird also eine Datenquelle benötigt, die für jeden Parameter den Wert enthält, mit dem er in die Berechnung eingehen soll (Abbildung 9, 2). Diese Tabelle enthält je Zeile einen Datensatz, wobei ein Datensatz die Zahlenwerte aller Parameter enthält, welche die Grundlage für eine Berechnung bilden. Für die Monte-Carlo-Simulation wurde dieser Datensatz als Stichprobe zufällig gezogen, für die Sensitivitätsanalysen per Tabellenkalkulation erzeugt. 49 Um die Datensätze in die Modelle zu überführen, wurde in der Eingabe-Datei einmalig manuell jeder Parameter, der veränderbar sein sollte, durch einen Platzhalter ersetzt (Abbildung 9, 3). Mit einem in der Programmiersprache „gawk“ geschriebenen Programm kann jeder dieser Platzhalter durch einen Wert aus der zuvor erstellten ParameterWertetabelle ersetzt werden. Auf diesem Wege wird für jeden Datensatz je ein Modell erstellt (Abbildung 9, 4). 6.3 Automatisierter Programmstart Einzelne Simulationsrechnungen können entweder über das zu EnergyPlus zugehörige Zusatzprogramm EP-Launch gestartet oder innerhalb von DesignBuilder simuliert werden. EP-Launch bietet auch die Möglichkeit, mehrere gruppierte Modell-Dateien nacheinander zu berechnen. Für den Anwendungsfall mit sehr vielen Berechnungen erscheint jedoch das Unterprogramm „RunDirMulti“ am praktikabelsten. Es handelt sich dabei um eine „*.bat“-Datei die bei Aufruf sämtliche Dateien mit der Endung „idf“ in dem Verzeichnis, in welchem sie abgelegt ist, berechnen lässt (Abbildung 9, 5). Der Aufruf kann per Doppelklick oder über die Kommandozeile erfolgen. In der Datei muss zuvor noch die zu verwendende Wetterdatei spezifiziert werden. EnergyPlus ist ab Version 7.1 „Multi-Core-fähig“, sodass mehrere Modelle parallelisiert auf mehreren Prozessoren berechnet werden können, was bis dahin nicht möglich war. Im Unterprogramm RunDirMulti kann optional die Anzahl der zu verwendenden Kerne eingestellt werden. RunDirMulti kann mehrmals in verschiedenen Ordnern gestartet werden. Tatsächlich parallelisiert wird die Berechnung nach eigenen Beobachtungen der Rechenzeit jedoch nur, wenn in jedem Start-Programm die eingestellte Prozessorzahl mit > 1 festgelegt wird. 6.4 Zusammenfassung der Ergebnisse Die Dateien, welche die Ergebnisse der Berechnungen enthalten, werden in demselben Ordner angelegt, in dem auch die Modelldateien (*.idf“) abgelegt wurden. Sie haben den gleichen Dateinamen aber unterschiedliche Endungen (Abbildung 9, 6). Da es für die Auswertung sinnvoll ist, dass alle Ergebnisse in einer Datei enthalten sind, wurde ein entsprechendes Programm mit gawk erstellt, um diesen Vorgang zu automatisieren. Mit dem Programm werden zunächst die zonenweisen Ergebnisse einer Simulation getrennt nach sensiblem Heiz- und Kühlenergiebedarf aufsummiert. Die Summen des Energiebedarfs aller 50 Simulationen werden dann getrennt nach Heiz- und Kühlenergie in einer Ergebnisdatei gelistet. Damit sind die Ergebnisse aller Simulationen so aufbereitet (Abbildung 9, 7), dass die Auswertung erfolgen kann. Abbildung 9: Sensitivitäts- und Unsicherheitsanalyse im Simulationsprozess. (eigene Darstellung) 51 7 Auswertung 7.1 „One Factor at a time“(OFAT)-Analyse Die OFAT-Analyse wurde im Rahmen dieser Arbeit zweimal durchgeführt. Für einen ersten Durchlauf wurden Parameterkategorien gebildet, in denen die Simulationsparameter zusammengefasst wurden, die die gleiche Aussage jedoch für unterschiedliche Zonen oder Materialien treffen (vgl. Abschnitt 5.4). Je Berechnung werden alle Parameter jeweils einer Kategorie auf Maximalwert bzw. Minimalwert gesetzt, während alle anderen Werte der übrigen Parameterkategorien ihren Erwartungswert halten. Diese Analyse soll Aufschluss darüber geben, welche Unsicherheiten welcher Parametergruppen wesentlichen Einfluss auf das Ergebnis haben. Das Verfahren ist weniger genau wie der zweite Analyse-Durchlauf, für den die Parameter einzeln geändert wurden, benötigt jedoch deutlich weniger Simulationsdurchläufe. Abbildung 10 zeigt die Ergebnisse der OFAT-Analyse nach Parameterkategorien. Das Referenzmodell, in dem allen Parametern ihre Erwartungswerte zugeordnet wurden, ergab einen Heizenergiebedarf von 24.7 kWh/(m² a) (44923 kWh/a) und einen Kühlenergiebedarf von 12.1 kWh/(m² a) (22033 kWh/a). 52 spez. Heizenergiebedarf in kWh/m² a alle maximiert Gerätelast [+] Verschattungs-Setp. [+] Temp.Setp. Kühlfall [+] Temp.Setp. Heizfall [+] Anwesenheit [+] g-Wert [+] U-Wert (transp.) [+] W.Leitfähigkeit [+] Mittelwert Gerätelast [-] Verschattungs-Setp. [-] Temp.Setp. Kühlfall [-] Temp.Setp. Heizfall [-] Anwesenheit [-] g-Wert [-] U-Wert (transp.) [-] W.Leitfähigkeit [-] alle minimiert 31.1 22.2 24.2 24.7 30.5 25.8 23.0 26.4 27.1 24.7 27.6 25.5 24.7 19.5 23.5 26.3 23.0 22.3 19.6 0 5 10 15 20 spez. Kühlenergiebedarf in kWh/m² a alle maximiert Gerätelast [+] Verschattungs-Setp. [+] Temp.Setp. Kühlfall [+] Temp.Setp. Heizfall [+] Anwesenheit [+] g-Wert [+] U-Wert (transp.) [+] W.Leitfähigkeit [+] Mittelwert Gerätelast [-] Verschattungs-Setp. [-] Temp.Setp. Kühlfall [-] Temp.Setp. Heizfall [-] Anwesenheit [-] g-Wert [-] U-Wert (transp.) [-] W.Leitfähigkeit [-] alle minimiert 25 30 35 19.2 14.4 13.2 10.6 12.2 15.7 14.4 11.6 11.2 12.1 9.8 10.3 13.7 12.1 8.5 10.1 12.6 13.1 6.2 0 5 10 15 20 25 Abbildung 10: Wesentliche Effekte - OFAT-Analyse nach Kategorien. Oben – Heizenergiebedarf; unten - Kühlenergiebedarf - in kWh/(m² a) (nur Effekte >10 %). Abbildung 11 zeigt separiert die Abweichungen vom Mittelwert des Heiz- und Kühlenergiebedarfs durch Änderung der Parameterwerte auf den Maximal- bzw. Minimalwert. 53 Kühl- und Heizenergiebedarf Abweichung vom Mittelwert in kWh/(m² a) Mat.Stärke +/- 10 % W.Leitfähigkeit +/- σ je nach Material Dichte +/- σ je nach Material spez.Wärmekap. +/- σ je nach Material U-Wert (transp.) +/- 10 % g-Wert Nat. Luftw. +/- 16.7 % + /- 20 % Mech. Luftw. + /- 5 % Anwesenheit + /- σ je nach Nutzer Setp. Beleuchtung + /- 20 % Temp.Setp. Heizfall + /- 1 K Temp.Setp. Kühlfall + /- 1 K Verschattungs-Setp. + /- 50 W/m² Aktivitätsrate + /- 17 % Gerätelast + /- 17 % Beleuchtungslast + /- 60 % Inf.Luftw. + /- 33.3 % -8 -6 -4 -2 0 2 4 6 8 Heizenergiebedarf Abweichung vom Mittelwert in kWh/(m² a) (Par. minimiert) Heizenergiebedarf Abweichung vom Mittelwert in kWh/(m² a) (Par. maximiert) Kühlenergiebedarf Abweichung vom Mittelwert in kWh/(m² a) (Par. minimiert) Kühlenergiebedarf Abweichung vom Mittelwert in kWh/(m² a) (Par. maximiert) Abbildung 11: Alle ermittelten Effekte - OFAT-Analyse nach Kategorien. Abweichungen vom Mittelwert. Heizenergiebedarf - 24.7, Kühlenergiebedarf 12.1 kWh/(m² a). Es ist ersichtlich und plausibel, dass nur teilweise dieselben Parameter Effekt auf den Heiz- und Kühlenergiebedarf zeigen. Die Einflüsse der Materialparameter Stärke, Dichte und spezifische Wärmekapazität sowie der Luftwechsel durch natürliche Lüftung, mechanische Lüftung und Infiltration und die inneren Lasten durch Beleuchtung und Personen sind jedoch nach diesen Ergebnissen geringer 54 als 10 Prozent, sodass diese im Folgenden nicht weiter diskutiert werden. Insbesondere in Bezug auf Luftwechsel und Infiltration erscheint der geringe Effekt nicht plausibel, da im Allgemeinen mit der Güte des Dämmstandards der Anteil der Lüftungsverluste gegenüber den Transmissionswärmeverlusten steigt. In Abschnitt 8.3 wird diese Diskrepanz nochmals beleuchtet. Der in Relation zum natürlichen Luftwechsel hohe Effekt der mechanischen Lüftung trotz wesentlich niedrigerer Abweichung vom Mittelwert resultiert vermutlich aus der vereinfachten Annahme der Anlagentechnik, für welche keine Wärmerückgewinnung implementiert wurde. Dieser Fehler in der Eingabe wurde erst nach Fertigstellung der Analysen festgestellt. Die Berücksichtigung der Wärmerückgewinnung hätte jedoch nur zu einer Verringerung des Effekts führen können. Die ohnehin geringe Auswirkung auf die Unsicherheit des Ergebnisses wurde also lediglich überschätzt worden, sodass die weiteren Auswertungen dennoch als plausibel gewertet werden können. 7.1.1 Ergebnisse Heizenergiebedarf Wie Abbildung 12 zeigt, sind die Materialparameter, deren Unsicherheit wesentlichen Effekt auf den Heizenergiebedarf hat, in absteigender Priorität: die spezifische Wärmeleitfähigkeit der opaken Konstruktionsmaterialien die U-Werte der transparenten Bauteile sowie die g-Werte der transparenten Bauteile. Als Nutzungsparameter wurde lediglich für die angestrebten operativen Raumtemperaturen und die thermischen Lasten durch Geräte ein Einfluss > 10 Prozent auf den Heizenergiebedarf festgestellt. 55 Heizenergiebedarf - Gesamtabw. (Max-Min) aufgr. Unsicherheiten Materialien (kWh/(m² a) und %) 0 1 2 3 W.Leitfähigkeit U-Wert (transp.) g-Wert 4 5 6 4.8 3.4 3.4 Heizenergiebedarf - Gesamtabw. (Max-Min) aufgr. Unsicherheiten 0% 5%Nutzung (kWh/(m² 10% 20% a) und15% %) 0 5 Temp.Setp. Heizfall Gerätelast 10 25% 15 20 25 30 35 60% 80% 100% 120% 140% 11.1 5.4 0% 20% 40% Abbildung 12: Effekte > 10% - Heizenergiebedarf - OFAT-Analyse nach Kategorien. Materialparameter (oben) und Nutzungsparameter (unten) in kWh/(m² a). Absteigende Priorität. Abbildung 13 zeigt die Ergebnisse des zweiten Berechnungsdurchlaufs, in welchem die Parameter einzeln geändert wurden. Einen Effekt von > 5 Prozent weisen die spezifische Wärmeleitfähigkeit der Dach- und Bodenplattendämmung (EPS-Dämmung (Stärke 26 cm)) sowie U- und g-Wert der Fassadenverglasung auf. Heizenergiebedarf - Gesamtabw. (Max-Min) aufgr. Unsicherheiten Materialien (kWh/(m² a) und %) 0 1 2 3 W.Leitfähigkeit (EPS (d = 0.26 m)) U-Wert (transp.) (Verglasung U 1.0 g 0.58) g-Wert (Verglasung U 1.0 g 0.58) 4 3.60 3.28 3.15 0% 5% 10% 15% 20% Abbildung 13: Effekte einz. Mat.Parameter > 5% - Heizenergiebedarf (OFAT). In kWh/(m² a). Absteigende Priorität. Die Nutzungsparameter, die sich mit einem Effekt von > 5 Prozent auf das Ergebnis auswirken (vgl. Abbildung 14), sind die angestrebten Raumtemperaturen in studentisch genutzten Räumen sowie im Atrium und den angrenzenden Fluren. Weiterhin ist der Effekt des Wärmeeintrags durch die Computer in studentisch genutzten Räumen auf das Ergebnis signifikant. Der Einfluss der Verschattungssteuerung beträgt ebenfalls ca. 5 Prozent bezogen auf den Referenzwert. 56 Heizenergiebedarf - Gesamtabw. (Max-Min) aufgr. Unsicherheiten Nutzung (kWh/(m² a) und %) 0 1 2 Temp.Setp. Heizfall (Großer Hörsaal 1.U.01) Temp.Setp. Heizfall (EG: Kleiner Hörsaal 1.E.02) Gerätelast (EG: Planungsl 1.E.10) Temp.Setp. Heizfall (Flure und Atrium) Gerätelast (OG: Planungslabor 1.1.12) Gerätelast (EG: PCPool 1.E.05) Verschattungs-Setp. (Verschattungs-SP) Temp.Setp. Heizfall (EG: Planungsl 1.E.10) Temp.Setp. Heizfall (OG: Planungslabor 1.1.12) Temp.Setp. Heizfall (EG: PCPool 1.E.05) 3 2.39 1.67 1.38 1.32 1.31 1.31 1.30 1.30 1.29 1.28 0% 5% 10% 15% Abbildung 14: Effekte einz. Nutz.Parameter > 5% - Heizenergiebedarf (OFAT). In kWh/(m² a). Absteigende Priorität. 7.1.2 Ergebnisse Kühlenergiebedarf Als Materialparameter haben der g-Wert der transparenten und die Wärmeleitfähigkeit der opaken Baustoffe wesentlichen Einfluss auf den Kühlenergiebedarf. Die Nutzungsparameter mit starkem Effekt sind in absteigender Priorität die Anwesenheit, die Wärmeeinträge durch EDV-Geräte, die angestrebte Raumtemperatur im Kühlfall sowie die Verschattungssteuerung Kühlenergiebedarf - Gesamtabw. (Max-Min) aufgr. Unsicherheiten (vgl. Abbildung 15). Materialien (kWh/(m² a) und %) 0 1 2 g-Wert W.Leitfähigkeit 3 4 5 6 4.27 1.88 Kühlenergiebedarf - Gesamtabw. (Max-Min) aufgr. Unsicherheiten 0% 10%Nutzung (kWh/(m² 20% 40% a) und30% %) 0 5 Anwesenheit Gerätelast Temp.Setp. Kühlfall Verschattungs-Setp. 50% 10 7.22 4.57 3.14 2.85 0% 20% 40% 60% 80% 100% Abbildung 15: Effekte > 10% - Kühlenergiebedarf - OFAT-Analyse nach Kategorien. Materialparameter (oben) und Nutzungsparameter (unten) in kWh/(m² a). Absteigende Priorität. Von den Unsicherheiten der Materialparameter wirken sich die des g-Wertes der Fassadenverglasung, die der Wärmeleitfähigkeit der Dach- und Bodenplattendämmung (EPS-Dämmung (Stärke 26 cm)) und die des U-Wertes der Fassadenverglasung mit mehr als 5 Prozent auf den Kühlenergiebedarf aus (Abbildung 16). 57 Kühlenergiebedarf - Gesamtabw. (Max-Min) aufgr. Unsicherheiten Materialien (kWh/(m² a) und %) 0 1 2 3 4 g-Wert (Verglasung U 1.0 g 0.58) 3.77 W.Leitfähigkeit (EPS (d = 0.26 m)) 1.26 U-Wert (transp.) (Verglasung U 1.0 g 0.58) 0.95 0% 10% 20% 30% 40% Abbildung 16: Effekte einz. Mat.Parameter > 5% - Kühlenergiebedarf (OFAT). In kWh/(m² a). Absteigende Priorität. Die Nutzungsparameter mit Effekten > 5 Prozent (Abbildung 17) sind die Verschattungssteuerung, die Anwesenheit der Studenten, die inneren Lasten durch EDV-Technik in studentisch genutzten Räumen und die angestrebten Kühlenergiebedarf - Gesamtabw. (Max-Min) Unsicherheiten Raumtemperaturen im Kühlfall für das Atrium mit denaufgr. angrenzenden Fluren. Nutzung (kWh/(m² a) und %) 0 1 Verschattungs-Setp. (Verschattungs-SP) Anwesenheit (Studenten Anw) Gerätelast (EG: Planungsl 1.E.10) Gerätelast (OG: Planungslabor 1.1.12) Gerätelast (EG: PCPool 1.E.05) Temp.Setp. Kühlfall (Flure und Atrium) 2 3 2.9 2.6 1.4 1.3 1.1 1.0 0% 10% 20% 30% Abbildung 17: Effekte einz. Nutz.Par. > 5% - Kühlenergiebedarf (OFAT). In kWh/(m² a). Absteigende Priorität. 7.1.3 Fazit zur OFAT-Analyse Mit der OFAT-Analyse wurde für 8 von 18 Parameterkategorien ein Effekt der Unsicherheit von > 10 Prozent auf das Ergebnis des Heiz- oder Kühlenergiebedarfs festgestellt. In einem zweiten Durchlauf wurden aus 152 einzelnen Parametern 15 identifiziert, deren Unsicherheiten einen Effekt von > 5 Prozent auf Heiz- oder Kühlenergiebedarf erkennen lassen (Tabelle 17). Diese Parameter stammen aus den acht zuvor ermittelten Kategorien. Auf dieser Grundlage kann die Faktorielle Analyse durchgeführt werden, für die bei Parameterkategorien Parameterkategorien wären Berechnungen erforderlich sind. Bei 18 insgesamt Berechnungen erforderlich gewesen (Gleichung 5, S. 19). Die Eingrenzung verringert also wesentlich den Berechnungsaufwand. Bei der Durchführung wurden weitere Möglichkeiten zur Anwendung dieser Methode, aber auch Grenzen festgestellt. Dies wird in Anhang B und Anhang C als Exkurs erläutert. 58 Parameter-Kategorie einzelne Parameter Effekte > 10 % Effekte > 5 % W.Leitfähigkeit EPS (d = 0.26 m) Effekt auf Energiebedarf Heizen Kühlen x x x x x U-Wert (transp.) Fas.Verglasung g-Wert Fas.Verglasung x x x x x x x Anw esenheit Studenten x x Tem p.Setp. Heizfall Flure und Atrium x EG: Planungsl 1.E.10 x EG: Kleiner Hörsaal 1.E.02 x EG: PCPool 1.E.05 x OG: Planungslabor 1.1.12 x Großer Hörsaal 1.U.01 x x Tem p.Setp. Kühlfall Flure und Atrium x x x x EG: Planungsl 1.E.10 x x EG: PCPool 1.E.05 x x OG: Planungslabor 1.1.12 x x Verschattungs-Setp. Gerätelast Tabelle 17: Parameterkategorien und einzelne Parameter mit Effekt > 10 bzw. > 5% auf Heiz- und/oder Kühlenergiebedarf. 59 7.2 Teilfaktorielle Analyse Die Faktorielle Analyse wurde ebenfalls zweimal durchgeführt. In einem ersten Durchlauf wurden jeweils allen Parametern der Kategorien, welche in der OFATAnalyse als stark ergebnisbeeinflussend identifiziert wurden (Tabelle 17, fett, S. 59), ihre Minimal- bzw. Maximalwerte zugeordnet und die Effekte auf den Energiebedarf beobachtet. Für zuvor als „nicht wesentlich ergebnisbeeinflussend“ identifizierte Parameter wurden die Erwartungswerte verwendet. In einem zweiten Durchlauf wurden aus den Kategorien jeweils nur die einzelnen Parameter mit hohem Effekt auf das Simulationsergebnis (Tabelle 17) gruppenweise von Minimal- auf Maximalwert geändert, während alle Parameter mit geringen Effekten konstant ihr Erwartungswert zugeordnet wurde. 7.2.1 Ergebnisse Heizenergiebedarf 7.2.1.1 Effekte 1. Ordnung Effekte erster Ordnung geben die durchschnittliche Ergebnisänderung aus allen Berechnungen an wenn die jeweiligen Parameterwerte von Maximal- auf Minimalwerte geändert werden. Diese sind für die Ergebnisse des ersten Faktorielle Analyse - Effekte 1. Ordnung Durchlaufs in Abbildung 18 dargestellt. Heizenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) -10 Temp.Setp. Heizfall Gerätelast W.Leitfähigkeit U-Wert (transp.) g-Wert Anwesenheit Verschattungs-Setp. Temp.Setp. Kühlfall -40% -5 0 5 10 15 10.97 -5.42 4.88 3.36 -3.30 2.41 -1.27 0.00 -20% 0% 20% 40% 60% Abbildung 18: Effekte 1. Ordn. auf den Heizenergiebedarf. Faktorielle Analyse nach Kategorien. In Abbildung 19 sind nochmals die Effekte der ersten OFAT-Analyse in adäquater Darstellung abgebildet. Der Unterschied in den Analyseverfahren besteht darin, dass bei der OFAT-Analyse alle anderen Parameter konstant bleiben und nur die Werte einer Kategorie geändert werden. Der Vergleich zeigt, dass keine wesentlichen Unterschiede bestehen, was bereits darauf hindeutet, dass keine erheblichen Wechselwirkungen der Parameter untereinander auf das Ergebnis bestehen. 60 OFAT-Analyse - Heizenergiebed. - % Gesamtabw. Mittelwert (nach Absolutwerten geordnet) -11 -6 Temp.Setp. Heizfall Gerätelast W.Leitfähigkeit U-Wert (transp.) g-Wert Anwesenheit Verschattungs-Setp. Temp.Setp. Kühlfall -1 4 9 14 11.06 -5.41 4.82 3.39 -3.35 2.28 -1.30 0.01 -45% -30% -15% 0% 15% 30% 45% 60% Abbildung 19: Effekte > 10% auf den Heizenergiebedarf - OFAT-Analyse nach Kategorien. Zum Vergleich mit Effekt erster Ordnung Abbildung 18. Abbildung 20 zeigt die Ergebnisse der zweiten Faktoriellen Analyse, in welcher nur die als einflussreich identifizierten Parameter in den jeweiligen Kategorien variiert wurden. Faktorielle Analyse - Effekte 1. Ordnung Heizenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) Parameterauswahl aus: -5 Temp.Setp. Heizfall Gerätelast -3.97 W.Leitfähigkeit U-Wert (transp.) g-Wert -3.10 Anwesenheit Verschattungs-Setp. Temp.Setp. Kühlfall -20% 0 5 10 9.09 3.64 3.27 2.33 -1.27 0.00 -10% 0% 10% 20% 30% 40% Abbildung 20: Effekte 1. Ordn. auf den Heizenergiebedarf. Faktorielle Analyse mit ausgewählten Parametern. Im Vergleich mit den Ergebnissen des ersten Durchlaufs (Abbildung 18) ist zu sehen, dass der Effekt der Änderung aller Raumtemperaturen ca. 2 kWh/(m² a) und 7.5 Prozent höher ist, als der Effekt bei Änderung der Raumtemperaturen der ausgewählten Zonen. Auch bei den Gerätelasten besteht eine Differenz von ca. 1.5 kWh/(m² a) zwischen erstem und zweitem Berechnungsdurchlauf. Eine Erhöhung der Wärmeleitfähigkeit aller Materialien führt gegenüber einer Verringerung zu einem Unterschied von 4.9 kWh/(m² a). Wird nur die Wärmeleitfähigkeit der Dach- und Bodenplattendämmung von Minimal- auf Maximalwert gesetzt, so erhöht dies den Heizenergiebedarf um 3.6 kWh/(m² a). Die Differenz von 1.3 kWh/(m² a) ist nicht unwesentlich, zeigt aber, dass die Unsicherheit des Leitwertes der Dach- und Bodenplattendämmung gegenüber der der anderen Materialien (inkl. Fassadendämmung) einen dominierenden Einfluss hat. Im Ergebnis der zweiten OFAT-Analyse betrug der Einfluss der dieses Materials 3.6 kWh/(m² a)(Abbildung 13, S.9); demgegenüber beeinflusste 61 die Unsicherheit der Außenwanddämmung das Ergebnis nur um 0.5 kWh/(m² a) (nicht abgebildet da < 5 %). Zu beachten ist, dass die Unsicherheit aufgrund von Fabrikationsunterschieden und Messfehlern, nicht aufgrund von Planungsunsicherheiten festgelegt wurde. Die Standardabweichung (als Maß für die Unsicherheit) des Leitwertes der eps-Dämmung wurde mit 35 Prozent als wesentlich höher eingeschätzt, als die der Mineralwolledämmung der Fassade (Standardabweichung 8 %). 7.2.1.2 Effekte 2. Ordnung In Abbildung 21 sind die drei stärksten Effekte zweiter Ordnung auf den Heizenergiebedarf dargestellt (erster Berechnungsdurchlauf). Den Ergebnissen zufolge existieren Wechselwirkungen zwischen der angestrebten Raumtemperatur zur Anwesenheit und zu den Wärmeeinträgen durch Geräte Faktorielle Analyse 2. OrdnungWärmeabgaben. sowie zwischen der Anwesenheit und den- Effekte gerätebedingten Heizenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) Anwesenheit x Temp.Setp. Heizfall Anwesenheit x Gerätelast Temp.Setp. Heizfall x Gerätelast -20% 8% -6% -3% -10% 0% 10% 20% Abbildung 21: Effekte 2. Ordnung auf Heizenergiebedarf. Faktorielle Analyse nach Kategorien. Die Ergebnisse des zweiten Berechnungsdurchlaufs zeigen diese Effekte Analyse - Effekte 2. Ordnung ebenfalls, in ähnlicherFaktorielle Größenordnung (vgl. Abbildung 22). Heizenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) Anwesenheit x Temp.Setp. Heizfall 7% Anwesenheit x Gerätelast -4% Temp.Setp. Heizfall x Gerätelast -20% -3% -10% 0% 10% 20% Abbildung 22: Effekte 1. Ordnung auf den Heizenergiebedarf. Faktorielle Analyse mit ausgewählten Parametern. Eine genauere Untersuchung der Wechselwirkungseffekte zweiter Ordnung auf den Heizenergiebedarf ist in Abbildung 23 für den ersten und in Abbildung 24 für den zweiten Berechnungsdurchlauf dargestellt. 62 Anwesenheit x Temp.Setp. Heizfall (+) Anwesenheit / (+)Temp.Setp. Heizfall 31% (+) Anwesenheit / (-)Temp.Setp. Heizfall -21% (-) Anwesenheit / (+)Temp.Setp. Heizfall -23% (-) Anwesenheit / (-)Temp.Setp. Heizfall 13% -100% -50% 0% 50% 100% Anwesenheit x Gerätelast (+) Anwesenheit / (+)Gerätelast -9% (+) Anwesenheit / (-)Gerätelast 18% (-) Anwesenheit / (+)Gerätelast 3% (-) Anwesenheit / (-)Gerätelast -13% -100% -50% 0% 50% 100% Temp.Setp. Heizfall x Gerätelast (+) Temp.Setp. Heizfall / (+)Gerätelast 9% (+) Temp.Setp. Heizfall / (-)Gerätelast 34% (-) Temp.Setp. Heizfall / (+)Gerätelast (-) Temp.Setp. Heizfall / (-)Gerätelast -100% -13% -31% -50% 0% 50% 100% Abbildung 23: Differenzierung der Effekte 2. Ordnung auf den Heizenergiebedarf. Faktorielle Analyse nach Kategorien. Eine ganzjährige Erhöhung der Raumtemperatur in allen betrachteten Zonen um 1 K (Heizfall) führt nach dem Effekt erster Ordnung zu einer Erhöhung des Energiebedarfs um 45 Prozent (vgl. Abbildung 18). Gleichzeitig erhöhte Anwesenheit führt zu einer Steigerung des Energiebedarfs von nur 31 Prozent (vermutlich aufgrund innerer Lasten), während höhere innere Lasten den Effekt auf 9 Prozent abschwächen. Werden die inneren Lasten geringer angenommen, führt das zu einer Erhöhung des Ergebnisses um 34 Prozent ausgehend vom Mittelwert. Das heißt, wie stark die Erhöhung des Energiebedarfs durch das Nutzerverhalten bzgl. der Raumtemperatur ist, hängt stark von der Anwesenheit und den inneren Lasten durch Geräte ab, was mit dieser Methode quantifiziert werden kann. Werden nur die mit der OFAT-Analyse ausgewählten Parameter innerhalb der Kategorien geändert, treten die Effekte auf den Heizenergiebedarf ebenfalls, jedoch leicht abgeschwächt auf (Abbildung 24). 63 Parameterauswahl je Kategorie: Anwesenheit x Temp.Setp. Heizfall (+) Anwesenheit / (+)Gerätelast 26% (+) Anwesenheit / (-)Gerätelast -17% (-) Anwesenheit / (+)Gerätelast -19% (-) Anwesenheit / (-)Gerätelast 10% -100% -50% 0% 50% 100% Anwesenheit x Gerätelast (+) Anwesenheit / (+)Verschattungs-Setp. -5% (+) Anwesenheit / (-)Verschattungs-Setp. 15% (-) Anwesenheit / (+)Verschattungs-Setp. 1% (-) Anwesenheit / (-)Verschattungs-Setp. -100% -10% -50% 0% 50% 100% Temp.Setp. Heizfall x Gerätelast (+) Anwesenheit / (+)Temp.Setp. Kühlfall 9% (+) Anwesenheit / (-)Temp.Setp. Kühlfall 27% (-) Anwesenheit / (+)Temp.Setp. Kühlfall (-) Anwesenheit / (-)Temp.Setp. Kühlfall -100% -12% -25% -50% 0% 50% 100% Abbildung 24: Differenzierung der Effekte 2. Ordnung auf den Heizenergiebedarf. Faktorielle Analyse mit ausgewählten Parametern. 64 7.2.2 Ergebnisse Kühlenergiebedarf 7.2.2.1 Wechselwirkungseffekte 1. Ordnung Die durchschnittliche Abweichung vom Mittelwert des Kühlenergiebedarfs bei Änderung von Maximal- auf Minimalwerte aller Parameter der betrachteten Faktorielle Kategorien zeigt Abbildung 25. Analyse - Effekte 1. Ordnung Heizenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) -6 Anwesenheit Gerätelast g-Wert Temp.Setp. Kühlfall Verschattungs-Setp. W.Leitfähigkeit U-Wert (transp.) Temp.Setp. Heizfall -3 0 3 6 9 7.18 4.52 3.94 -3.03 2.85 -1.77 -0.91 0.05 -50% -40% -30% -20% -10% 0% 10% 20% 30% 40% 50% 60% 70% Abbildung 25: Effekte 1. Ordn. auf den Kühlenergiebedarf. Faktorielle Analyse nach Kategorien. Der Vergleich mit den Ergebnissen der OFAT-Analyse (Abbildung 26) zeigt, dass diese nur geringfügig andere Ergebnisse zur Folge hatte und die Effekte auch mit OFAT-Analyse - Kühlenergiebed. - % Gesamtabw. diesem Verfahren schon gut abgebildet werden konnten. Mittelwert (nach Absolutwerten geordnet) -6.0 Anwesenheit Gerätelast g-Wert Temp.Setp. Kühlfall Verschattungs-Setp. W.Leitfähigkeit U-Wert (transp.) Temp.Setp. Heizfall -50% -3.0 0.0 3.0 6.0 9.0 7.22 4.57 4.27 -3.14 2.85 -1.88 -0.99 0.05 -35% -20% -5% 10% 25% 40% 55% 70% Abbildung 26: Effekte > 10 % auf den Kühlenergiebedarf. OFAT-Analyse nach Kategorien. Zum Vergleich mit Effekten erster Ordnung Abbildung 25. Der zweite Durchlauf, in dem nur ausgewählte Parameter gruppenweise geändert wurden zeigt qualitativ die gleichen Ergebnisse (Abbildung 27) wie der erste Durchlauf (Abbildung 25). Für Anwesenheit und Gerätelasten wird der Effekt (Auswirkung auf das Ergebnis) um 0.7 kWh/(m² a) abgeschwächt, wenn nicht alle Parameter der Kategorien geändert werden. Auch der g-Wert der RWA-Öffnungen bewirkt auf diese Art einen Unterschied von 0.7 kWh/(m² a) wenn er nicht berücksichtigt wird. 65 Faktorielle Analyse - Effekte 1. Ordnung Heizenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) Parameterauswahl aus: -3 Anwesenheit Gerätelast g-Wert Verschattungs-Setp. W.Leitfähigkeit U-Wert (transp.) Temp.Setp. Kühlfall Temp.Setp. Heizfall 0 3 6 9 6.49 3.74 3.45 2.86 -1.20 -0.89 -0.88 0.03 -25% 0% 25% 50% 75% Abbildung 27: Effekte 1. Ordnung auf den Kühlenergiebedarf. Faktorielle Analyse mit ausgewählten Parametern. Stark abweichend ist der Effekt der Temperatur im Kühlfall, da nur das Atrium in die zweite Analyse einbezogen wurde. Der diesbezügliche Einfluss aller anderen Zonen war zwar jeweils kleiner als 5 Prozent, bewirkt aber insgesamt einen Unterschied von 2.3 kWh/(m² a). 7.2.2.2 Wechselwirkungseffekte 2. Ordnung Die zwei stärksten auftretenden Wechselwirkungseffekte zweiter Ordnung auf den Kühlenergiebedarf werden in Abbildung 28 und Abbildung 29 für beide Durchläufe der Faktoriellen Analyse gezeigt. Beide Berechnungen führen qualitativ zum gleichen Ergebnis, weichen jedoch quantitativ geringfügig voneinander ab. Es existieren Wechselwirkungen zwischen Anwesenheit und Wärmeeinträgen durch Geräte sowie dem g-Wert der Verglasung und der Verschattungssteuerung.Faktorielle Analyse - Effekte 2. Ordnung Kühlenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) Anwesenheit x Gerätelast g-Wert x Verschattungs-Setp. -20% 13% 8% -10% 0% 10% 20% Abbildung 28: Effekte 2. Ordnung auf Heizenergiebedarf. Faktorielle Analyse nach Kategorien. Faktorielle Analyse - Effekte 2. Ordnung Kühlenergiebed. - % Abw. Mittelwert (nach Abs.werten geordnet) Anwesenheit x Gerätelast 11% g-Wert x Verschattungs-Setp. -20% 8% -10% 0% 10% 20% Abbildung 29: Effekte 1. Ordnung auf Heizenergiebedarf Faktorielle Analyse mit ausgewählten Parametern. Die aufgeschlüsselte Darstellung dieser Effekte zeigen Abbildung 30 und Abbildung 31. 66 Anwesenheit x Gerätelast (+) Anwesenheit / (+)Gerätelast 56% (+) Anwesenheit / (-)Gerätelast 5% (-) Anwesenheit / (+)Gerätelast -42% (-) Anwesenheit / (-)Gerätelast -18% -100% -50% 0% 50% 100% g-Wert x Verschattungs-Setp. (+) g-Wert / (+)Verschattungs-Setp. 33% (+) g-Wert / (-)Verschattungs-Setp. 0% (-) g-Wert / (+)Verschattungs-Setp. -24% (-) g-Wert / (-)Verschattungs-Setp. -9% -100% -50% 0% 50% 100% Abbildung 30: Differenzierung der Effekte 2. Ordnung auf den Heizenergiebedarf. Faktorielle Analyse nach Kategorien. Das verspätete Einschalten der Verschattung bei 250 W/m² Solarstrahlungseintrag an der Fassade hat nur bei einem höheren g-Wert der Fassadenverglasung eine wesentliche Steigerung des Energiebedarfs zur Folge. Wird die Verschattung bereits bei 150 W/m² zugefahren, hat dies nur einen wesentlichen Effekt, wenn die Verglasung einen niedrigen g-Wert aufweist. Für den Gebäudebetrieb könnten solche Ergebnisse Aufschluss über die richtige Einstellung der Verschattungskontrolle oder über die tatsächlichen Auswirkungen unerwünschten Nutzerverhaltens in Abhängigkeit von den Verglasungsparametern geben. Der Effekt „Anwesenheit“ wird also im Wesentlichen durch (den damit verknüpften) Effekt der Gerätelasten dominiert. Zu beachten ist auch hier, dass für diesen Parameter eine sehr hohe Standardabweichung angenommen wurde. Der diesbezügliche Vergleich der Ergebnisse des ersten und zweiten Durchlaufs (Abbildung 30 oben und Abbildung 31) zeigt, dass die inneren Lasten in den studentisch genutzten Räumen diesen Effekt dominieren, da die Effekte ähnlich hoch sind, sodass die im zweiten Durchlauf nicht berücksichtigten inneren Lasten in den Arbeitsräumen nur geringen Einfluss haben können. 67 Anwesenheit x Gerätelast (+) Anwesenheit / (+)Gerätelast 48% (+) Anwesenheit / (-)Gerätelast (-) Anwesenheit / (+)Gerätelast 6% -37% (-) Anwesenheit / (-)Gerätelast -100% -17% -50% 0% 50% 100% Abbildung 31: Differenzierung des Effekts 2. Ordnung auf den Heizenergiebedarf. Faktorielle Analyse mit ausgewählten Parametern. Anmerkung: Der Vergleich der Ergebnisse der beiden Berechnungen für den Effekt „g-Wert x Verschattungs-Setpoint“ würde zu keinem Erkenntnisgewinn führen und wird hier nicht gezeigt. Beim zweiten Durchlauf wurde der g-Wert der RWA-Öffnungen im Gegensatz zum ersten Durchlauf nicht geändert. Die Verschattung wirkt jedoch nur auf die Fassadenverglasung. 7.2.3 Fazit zur Teilfaktoriellen Analyse In den zwei vorangegangenen Abschnitten wurden Effekte erster und zweiter Ordnung auf Heiz- und Kühlenergiebedarf dargestellt, erläutert und quantifiziert. Effekte dritter Ordnung wurden untersucht, konnten aber nur in unbedeutendem Maße festgestellt werden, sodass auf eine Abbildung verzichtet wird. Unerwartete Wechselwirkungseffekte traten nicht auf. Die Ergebnisse zeigen qualitativ Übereinstimmung mit den Ergebnissen der OFAT-Analyse und entsprechen diesen näherungsweise auch quantitativ. Dass Effekte zweiter Ordnung nur geringfügig auftraten, zeigt, dass nur geringfügige Wechselwirkungen vorhanden sind. In einem solchen Fall läge es im Ermessen des Anwenders zu entscheiden, ob der Mehraufwand der Faktoriellen Analyse durch eine genauere Quantifizierung der Effekte gerechtfertigt wird oder ob die qualitativen Aussagen der OFAT-Analyse für die aktuelle Fragestellung ausreichend sind. Eine allgemeine Antwort auf diese Fragestellung kann auf Basis der vorliegenden Analyse jedoch nicht gegeben werden, da die hier gezeigten Ergebnisse nur spezifisch für dieses Gebäudemodell mit seiner bestimmten Konditionierung, Ausrichtung, seinem Fensterflächenanteil usw. gelten. Bei einem anderen Gebäudemodell kann jedoch mit diesem Wissensstand im Voraus nicht abgeschätzt werden, ob Wechselwirkungen zwischen Parametern existieren, 68 sodass Sensitivitäts-Aussagen ausschließlich auf Grundlage einer OFAT-Analyse unsicher wären. 69 7.3 Monte-Carlo-Simulationen Alle abgebildeten Histogramme enthalten die Dichtefunktion der Normalverteilung, ermittelt auf Basis von Standardabweichung und Median der Ergebnisse sowie eine geschätzte Verteilungsdichtefunktion. Diese wurde mit der Software „R“ unter Verwendung des Gaußschen-Kerndichte-Schätzers bestimmt und ebenfalls abgebildet, um optisch die Annäherung an die Dichtefunktion der Normalverteilung sichtbar werden zu lassen. Anpassungstests (z.B. KolmogorovSmirnov) wurden stichprobenartig durchgeführt und bestätigten bei einem Signifikanzniveau von 5 Prozent die optisch bereits sichtbare, näherungsweise Normalverteilungscharakteristik der Ergebnisse. Auf eine Abbildung wird verzichtet, um die Grafiken übersichtlicher zu halten. Standardmäßig werden bei Monte-Carlo-Simulationen für jeden einzelnen Parameter die einzusetzenden Werte zufällig gezogen. Im Folgenden werden die Ergebnisse einer so durchgeführten Analyse gezeigt. Eine kritische Auseinandersetzung mit diesem Sachverhalt ist in Anhang E enthalten. Laut [Macdonald 2002] ist für eine Monte-Carlo-Analyse (MC), unabhängig von der Anzahl der variierten Parameter, ein Stichprobenumfang von 80 ausreichend. Um diese Aussage für das untersuchte Modell zu überprüfen, wurde je Analyse zunächst eine Simulation mit 1000 Stichproben (1000 Berechnungen) durchgeführt, deren Ergebnisse dann mit einer Simulation mit nur 80 Stichproben verglichen werden. 70 7.3.1 Ergebnisse bei Variation aller Parameter Die Ergebnisse der Simulation mit 1000 Stichproben, bei der alle Parameter variiert wurden, zeigen Abbildung 32 und Tabelle 18 (oben: „MC 1000“, S. 72). Die Differenz zwischen Mittelwert und Median ist sehr gering, sodass im Folgenden der Mittelwert als Bezugswert verwendet wird. Abbildung 32: MC-Analyse (1000 Stichproben) – alle Parameter zufällig gezogen. Heizenergiebedarf (links) und Kühlenergiebedarf (rechts) in kWh/(m² a). Die Differenz dieser Ergebnisse zu den Referenzwerten der OFAT-Analyse (alle Parameter Erwartungswert, Heizenergiebedarfs weniger Tabelle als 18, oben) 1 Prozent. beträgt Der bzgl. Mittelwert des des Kühlenergiebedarfs ist ca. 9 % höher. Diese Abweichung wird mit hoher Wahrscheinlichkeit durch die logarithmisch verteilte Unsicherheit des Parameters „g-Wert Fassadenverglasung“, der bereits als einflussreich eingestuft wurde, hervorgerufen. Im Folgenden wurde die Simulation mit nur 80 Stichproben durchgeführt (Abbildung 33). Auch hier stimmen Mittelwert und Median miteinander überein, aber auch verglichen Stichprobenumfang sind mit nur der Simulation geringe mit signifikant Unterschiede bzgl. höherem Mittelwert, Standardabweichung und Variationskoeffizient (Standardabweichung bezogen auf den Mittelwert – relatives Maß der Unsicherheit) feststellbar. 71 Abbildung 33: MC-Analyse (80 Stichproben) – alle Parameter zufällig gezogen. Heizenergiebedarf (links) und Kühlenergiebedarf (rechts) in kWh/(m² a). Tabelle 18: Ergebnisvergleich MC-Analyse - alle Parameter zufällig gezogen. μ – Mittelwert, σ – Standardabweichung, ν – Variationskoeffizient 7.3.2 Ergebnisse bei Variation ausgewählter Parameter In einem zweiten Durchlauf wurde dieses Simulations-Experiment wiederholt, wobei lediglich die in Abschnitt 7.1.3 identifizierten Parameter, auf deren Unsicherheit die Ergebnisse stark sensitiv reagieren, zufällig gezogen, alle anderen Parameter aber konstant mit ihren Erwartungswerten eingesetzt wurden. Die Mittelwerte der Simulation mit 1000 Stichproben weichen auch hier nur hinsichtlich des Kühlenergiebedarfs vom Referenzwert der OFAT-Analyse ab. Die Ergebnisse der Simulation mit niedrigem und mit hohem Stichprobenumfang 72 (Abbildung 34, Abbildung 35, Tabelle 19) stimmen miteinander und mit den vorangegangenen zwei Simulationen mit guter Näherung überein. Abbildung 34: MC-Analyse (1000 Stichproben) – nur ausgewählte Parameter zufällig gezogen. Heizenergiebedarf (links) und Kühlenergiebedarf (rechts) in kWh/(m² a). Tabelle 19: Ergebnisvergleich MC-Analyse - nur ausgewählte Parameter zufällig gezogen. μ – Mittelwert, σ – Standardabweichung, ν – Variationskoeffizient 73 Abbildung 35: MC-Analyse (80 Stichproben) – nur ausgewählte Parameter zufällig gezogen. Heizenergiebedarf (links) und Kühlenergiebedarf (rechts) in kWh/(m² a). 7.3.3 Fazit zur Monte-Carlo-Simulation Folgende Schlussfolgerungen können aus den Ergebnissen der durchgeführten Monte-Carlo-Simulationen abgeleitet werden: 1. Die Aussage von [Macdonald 2002] hinsichtlich des Stichprobenumfangs konnte für dieses Modell bestätigt werden. Die Simulationsergebnisse der Berechnung mit 80 Stichproben weichen gegenüber der mit 1000 Stichproben nur geringfügig ab. Wie in Abschnitt 8.1 näher erläutert wird, sollte dieses Ergebnis jedoch nicht verallgemeinert werden. 2. Der erwartete Heizenergiebedarf ohne Berücksichtigung von Unsicherheiten entspricht dem Mittelwert des Heizenergiebedarfs bei deren Berücksichtigung (Vergleich MC – OFAT). Hingegen werden für den Kühlenergiebedarf aufgrund logarithmisch verteilter Unsicherheiten einiger Eingangsparameter ca. 10 % höhere Werte erwartet. 3. Werden nur die Unsicherheiten der ausgewählten Parameter mit dem größten Einfluss auf das Ergebnis berücksichtigt, treten annähernd dieselben Ergebnisse wie bei der Berücksichtigung der Unsicherheiten aller Parameter auf. Das heißt, dass alle beim zweiten Durchlauf der MCSimulation nicht berücksichtigten Unsicherheiten auch keinen wesentlichen Einfluss auf die Gesamtunsicherheit haben. Die für die Gesamtunsicherheit ausschlaggebenden Parameter wurden somit in Abschnitt 7.1.3 korrekt identifiziert. 74 4. Der Heizenergiebedarf liegt mit 80-prozentiger Wahrscheinlichkeit unter 28 und über 22 kWh/(m² a). Der Kühlenergiebedarf ist mit 80-prozentiger Wahrscheinlichkeit niedriger als 15 und höher als 11 kWh/(m² a). (vgl. Q20- und Q80%-Quantile, Abbildung 32). 5. Die Wahrscheinlichkeit des Auftretens eines Ergebnisses innerhalb einer Kategorie des Histogramms ist das Produkt aus der Klassenbreite (hier 1kWh/(m² a)) und der Wahrscheinlichkeitsdichte (y-Achse). Unter Berücksichtigung der Unsicherheiten liegt die Wahrscheinlichkeit, dass das Ergebnis der Simulation ungefähr dem Referenzwert der OFATAnalyse entspricht (keine Unsicherheiten berücksichtigt), für den Heizenergiebedarf lediglich bei ca. 12 Prozent (24 bis 25 kWh/(m² a) und für den Kühlenergiebedarf bei ca. 14 bis 16 Prozent (12 bis 13 kWh/(m² a)) (vgl. Abbildung 46). Dies unterstreicht einerseits die Wichtigkeit der Unsicherheitsanalyse, andererseits das Risiko der Verwendung von Simulationsergebnissen, die lediglich als einzelne Werte angegeben werden. Außerdem wird ersichtlich, dass die Angabe von Kommastellen eine Genauigkeit suggeriert, die letztlich nicht vorhanden ist. Die Wahrscheinlichkeit für das tatsächliche Auftreten eines solchen Ergebnisses (bspw. 24.7 kWh/m² a) tendiert (aufgrund der geringen Klassenbreite und der Vielzahl der möglichen Ergebnisse) gegen 0. 75 8 Plausibilitätsbetrachtungen 8.1 Verfahren der Stichprobenziehungen Die Stichprobenziehung für die MC-Simulationen erfolgte mit einem in der Software „R“ implementierten Pseudo-Zufalls-Generator. Diese Verfahren neigen dazu, Häufungen zu bilden, sodass Standardabweichung und Mittelwert einer Unsicherheit unterliegen. Von der Qualität des Zufallsgenerators ist abhängig, wie viele Stichproben benötigt werden, um mit der Monte-Carlo-Analyse verwertbare Ergebnisse zu erzielen. Die Qualität ist dabei die Güte der Anpassung der resultierenden Stichprobe an die gewünschte Verteilung. In [Burhenne et al. 2011] werden verschiedene dieser Sampling-Methoden miteinander verglichen. Dafür werden Monte-Carlo-Simulationen auf Basis von unterschiedlich erzeugten Stichproben mit jeweils sukzessiv steigender Anzahl durchgeführt. Sobald die Differenz der Mittelwerte zweier aufeinanderfolgender Simulationen ein festgelegtes Konvergenzkriterium nicht überschreitet, kann der geringere der beiden Stichprobenumfänge als ausreichend betrachtet werden. Mit unterschiedlichen Zufallsgeneratoren wird dieses Konvergenzkriterium mit unterschiedlichen Stichprobenumfängen erreicht. Nach dieser Studie erfüllen andere Zufallsgeneratoren, namentlich das Latin-Hypercube-Sampling und das Sobol‘ Sequenz-basierte Sampling (die Funktionsweisen wurden nicht weiter untersucht), am schnellsten das Konvergenzkriterium. Im Rahmen dieser Arbeit wurde die Konvergenz durch die geringe Differenz zweier MC- Simulationsergebnisse mit signifikant unterschiedlichem Stichprobenumfang ebenfalls nachgewiesen. Für weitere Studien könnte durch Einsatz anderer Sampling-Verfahren der Stichprobenumfang weiter reduziert werden, was die Analyse ökonomischer und für den Praxiseinsatz attraktiver werden lässt. Für die Simulationspraxis bleibt weiterhin zu beachten, dass die Untersuchung in [Burhenne, Jacob and Henze 2011] die Aussage zum Stichprobenumfang in [Macdonald 2002] widerlegt. Dort wird behauptet, dass unabhängig von der Anzahl der Parameter und dem Modell 80 Stichproben ausreichend sind. Die Ergebniskonvergenz bei unterschiedlichen Stichprobenumfängen sollte jedoch für jedes Simulationsmodell gesondert überprüft werden. 76 8.2 Methodik der Intervallbegrenzung von Stichproben Die Begrenzung der Stichprobe auf Werte des zulässigen Intervalls wurde vorgenommen, um technisch nicht mögliche oder keinesfalls auftretende Beträge nicht in die Berechnung einzubeziehen. Das angewandte Verfahren ist aus statistischer Sicht nicht vollkommen korrekt und wird deshalb im Folgenden einem Plausibilitätstest unterzogen. Abbildung 36 zeigt exemplarisch, als Teil eines vollständigen Stichprobendatensatzes für 152 Parameter, die Verteilung der Stichprobe für den Parameter „Temperatur Heizfall“. Links ist die vollständige Stichprobe abgebildet. Alle gezogenen Werte befinden sich im zulässigen Intervall zwischen 17 und 23 °C. Die Intervalleingrenzung verringert jedoch für einen der anderen Parameter den Stichprobenumfang von 130 auf 79, sodass der Umgang des gesamten restlichen Datensatzes inklusive der Temperatur-Stichproben ebenfalls auf 79 eingeschränkt werden muss (zu Methodik der Stichprobenziehung: Abschnitt 48, S. 48). Der Vergleich zeigt, dass Standardabweichung und Mittelwert nur geringfügig verfälscht wurden. Die Dichte der Klasse 20.8 – 21 °C war bereits vor der Eingrenzung aufgrund einer Häufung (vermutlich ein Effekt des einfachen Sampling-Verfahrens) zu hoch, wird jedoch durch die Manipulation noch stärker betont. Die geschätzte Verteilungsdichtefunktion zeigt deshalb eine leicht schiefe Charakteristik. Abbildung 36: Plausibilitätstest Stichprobenziehung (2). Vergleich der Stichprobenverteilungsdichte vor und nach Kürzung des Stichprobenumfangs. Abbildung 37 zeigt das Ergebnis des wiederholten Experiments. Die Stichprobe der Temperatur im vollen Umfang enthält unzulässige Werte weit außerhalb des zulässigen Bereichs (nicht in der Abbildung sichtbar), sodass die berechnete 77 Standardabweichung wesentlich größer als die der eingegrenzten Stichprobe ist. Eine Überbetonung des Erwartungswertes wird beseitigt, jedoch existiert nach der Eingrenzung eine Häufung bei ca. 19 °C, also eine Schiefe Ausbildung der Verteilung in entgegengesetzte Richtung. Letztendlich ist durch das gewählte Verfahren in jeder Stichprobe eine Verfälschung der Verteilungscharakteristik zu erwarten, der optische Vergleich dieser Beispiele zeigt jedoch, dass die gewünschte Charakteristik in guter Näherung erhalten bleibt. Mit statistischen Anpassungstests könnte die genaue Abweichung ermittelt werden, wobei fraglich ist, ob diese Genauigkeit erforderlich ist, da die unterstellte Charakteristik der Normalverteilung für das Nutzerverhalten ebenfalls eine Idealisierung darstellt. Abbildung 37: Plausibilitätstest Stichprobenziehung (2). Vergleich der Stichprobenverteilungsdichte vor und nach Kürzung des Stichprobenumfangs. 78 8.3 Lüftungswärmeverluste Mit steigender Güte der Wärmedämmung steigt der anteilige Einfluss von Lüftungswärmeverlusten auf den Heizenergiebedarf. Dies ging aus den Sensitivitätsanalysen für das vorliegende Modell, welches mit sehr guter Wärmedämmung ausgestattet ist, nicht hervor, sodass diese Ergebnisse einer Plausibilitätsuntersuchung unterzogen wurden. Bezüglich der Ergebnisse des Parameters „Infiltrationsluftwechsels“ und der äußerst geringen Infiltrationsvolumenströme wurde zunächst vermutet, dass in DesignBuilder programmintern ein Umrechnungsfehler vorliegen könnte. In Anhang F wird der Berechnungsweg nachvollzogen, wobei sich herausstellt, dass dies nicht der Fall ist. Es kann also geschlussfolgert werden, dass die Infiltrationsvolumenströme durch DesignBuilder nach den dort benannten Quellen korrekt berechnet wurden. Durch die Verwendung des Gebäudebruttovolumens anstatt des Nettovolumens zur Berechnung wird der Infiltrationsvolumenstrom zudem eher zu hoch als zu niedrig berechnet. Die unerwartet niedrige Sensitivität des Heizenergiebedarfs auf den Infiltrationsvolumenstrom kann somit entweder durch die Güte der Gebäudehülle, das vereinfachte Berechnungsverfahren oder aber durch die Analysemethode begründet werden. Beispielsweise könnte ein nichtlineares Ergebnisverhalten mit der vorigen Methode nicht festgestellt werden. Letzteres wurde überprüft in dem eine Sensitivitätsanalyse mit nicht wie zuvor zwei Werten, sondern mit einer Stichprobe von 80 Werten für den Infiltrationsluftwechsel durchgeführt wurde (alle anderen Parameter konstant). Im Ergebnis (Abbildung 38, S.80) kann festgestellt werden, dass das Modellergebnis für Heiz und Kühlenergiebedarf linear auf die Unsicherheit des Infiltrationsluftwechsels reagiert und die resultierenden Ergebnisunsicherheiten nicht höher sind, als bereits auf Basis der OFAT-Analyse ermittelt wurde. Damit verbleiben als Ursache entweder die Dichtigkeit des Gebäudes, welche tatsächlich keine höheren Verluste zulässt, oder aber das vereinfachte Rechenverfahren, was an dieser Stelle jedoch nicht weiter untersucht wird. 79 Abbildung 38: Sensitivitätsanalyse für Parameter Infiltration (einzeln) mit MC-Methodik. Heizenergiebedarf (links) und Kühlenergiebedarf (rechts) in kWh/(m² a) als Histogramm (oben) und xy-Diagramm (unten). Lineares Modell-Verhalten deutlich erkennbar. Für den natürlichen Luftwechsel erschienen die Ergebnisse der OFAT-Analyse ähnlich wenig plausibel, sodass auch dafür der Ergebnisverlauf bei 80 zufällig gezogenen Werten untersucht wurde (Abbildung 39, S. 81). Das Modellverhalten auf diesen Parameter ist näherungsweise ebenfalls linear (Heizenergiebedarf) und die Standardabweichung, hier als Sensitivitätsmaß, wie bereits mit den voran gegangenen Analysen ermittelt, sehr gering. Auch hier verbleibt das vereinfachte Rechenverfahren als mögliche Ursache für den niedrigen festgestellten Effekt. Um Nichtlinearitäten festzustellen wäre eine Sequenz mit wesentlich weniger Werten verteilt über die mögliche Spannbreite ausreichend. Dies sollte für komplexere, weniger vereinfachte Modelle auch unternommen werden. 80 Abbildung 39: Sensitivitätsanalyse für Parameter „natürliche Infiltration“ (einzeln) mit MC-Methodik. Heizenergiebedarf (links) und Kühlenergiebedarf (rechts) in kWh/(m² a) als Histogramm (oben) und xy-Diagramm (unten). Lineares Modell-Verhalten deutlich erkennbar. [Anmerkung: Aufgrund der vorhandenen Methodik für die MC-Analyse wurde diese hier auf die Problemstellung angewandt. Die Werte der Stichprobe reichen nicht bis an den oberen Grenzwert von heran, da die Stichprobe vereinfacht normalverteilt gezogen wurde.] 81 9 Fazit und Ausblick Im Hinblick auf den praktischen Einsatz im Planungsprozess wurden Werkzeuge zur Sensitivitäts- und Unsicherheitsanalyse von skriptbasierten Gebäudesimulations-Modellen erstellt und in Verbindung mit entsprechenden Methoden angewendet. Die Gesamtunsicherheit durch Unsicherheiten von Material- und Nutzungsparametern wurde umfassend untersucht. Die Monte-Carlo-Methode hat sich dafür als sehr praktikabel erwiesen. Zur Charakterisierung sowohl von Eingangs- als auch von Ergebnisunsicherheiten können Verteilungsdichtefunktionen verwendet werden, welche durch Festlegung von lediglich zwei bzw. drei Variablen die Nachbildung der Unsicherheitscharakteristik ermöglichen. Des Weiteren werden durch die gleichzeitige Variation aller Parameter Wechselwirkungs- und Ausgleichseffekte, welche auch im realen Gebäudebetrieb auftreten, berücksichtigt. Im Ergebnis der unternommenen Unsicherheitsbewertung wurden, ähnlich wie auch in vorangegangenen Studien an diesem Gebäude, für den Heizenergiebedarf 24 kWh/(m² a) und für den Kühlenergiebedarf 13 kWh/(m² a) ermittelt. Es wurde jedoch weiterhin festgestellt, dass der Heizenergiebedarf durch Unsicherheiten der Eingangsparameter mit 80-prozentiger Wahrscheinlichkeit unter 28 und über 22 kWh/(m² a) und der Kühlenergiebedarf mit 80-prozentiger Wahrscheinlichkeit unter 15 und über 11 kWh/(m² a) liegt und dass die Wahrscheinlichkeit dafür, dass Heiz- und Kühlenergiebedarf auf 1 kWh/(m² a) genau dem Erwartungswert entsprechen, lediglich ca. 12 bzw. 16 Prozent beträgt. Aufgrund dieser Erkenntnisse darf nach Einschätzung des Verfassers nur der Erwartungswert gemeinsam mit einem Maß für die Unsicherheit als aussagekräftiges Simulationsergebnis gelten. Die Angabe von einzelnen Zahlenwerten als Gesamtergebnis suggeriert eine Genauigkeit, die praktisch und theoretisch nicht existiert. Solche Ergebnisse können nur als Richtwert verstanden und nur im Kontext der Werte sämtlicher Eingangsparameter bewertet werden. Im Vergleich kann dennoch angenommen werden, dass die Simulationsrechnung bei richtiger Anwendung den Ansprüchen heutiger Planungsprozesse hinsichtlich Genauigkeit und Detailtiefe viel mehr gerecht wird 82 als statische Berechnungsverfahren (Vergleich und Beweis wurden dafür jedoch nicht unternommen). Die durchgeführte Monte-Carlo-Analyse lässt vielfältige Auswertungs- möglichkeiten zu. Abhängig vom gewünschten Detailgrad eignen diese sich auch für grobe Sensitivitätsanalysen und eine Übersicht über das Modellverhalten auf seine Eingangsparameter (Anhang D), sollten jedoch noch verbessert werden. Wird eine tiefere Detailierung diesbezüglich erforderlich, so kann durch Anwendung von One-Factor-at-a-Time-Methodik und Teilfaktorieller Analysetechnik sowohl die qualitative als auch die quantitative Auswirkung von einzelnen Eingangsunsicherheiten - unter Berücksichtigung gegenseitiger Beeinflussung von Parametern - vorgenommen werden. Dafür muss jedoch die Linearität des Modellverhaltens überprüft werden. Im Ergebnis dieser Untersuchungen konnten von 152 Parametern 15 identifiziert werden, deren Unsicherheit die Belastbarkeit des Ergebnisses maßgeblich beeinflusst. Werden Unsicherheiten für eventuelle Änderungen der Planung angenommen, ermöglicht es diese Methode, aus der Gesamtheit der Eingangsparameter diejenigen zu ermitteln, welche bereits im frühen Planungsprozess dringend spezifiziert werden müssen, um belastbare Simulationsergebnisse zu erzielen. Nicht untersucht wurde der Einfluss von Wetterdaten-Unsicherheiten auf die Ergebnis-Unsicherheit. Mit Hinblick auf urbane Wärmeinseln (Stadtklima) und Klimawandel (Zeitraum der Erhebung) ist bei der Auswahl dessen jedoch äußerste Sorgfalt erforderlich. Nicht nur die Einordnung in die richtige Klimazone, sondern auch die geografischen Umgebungsbedingungen (Höhenlage, Hang-, Tallage etc.) umgebende Bebauung, innerstädtische, außerstädtische Lage usw. müssen dabei berücksichtigt werden, damit das Simulationsergebnis belastbar wird. Für alle zuvor gezeigten Analysen wurde ein Testreferenzjahr- Wetterdatensatz für den Standort Chemnitz verwendet. Als besonders umfangreich haben sich weniger die Unsicherheits- und Sensitivitätsanalysen selbst, sondern vielmehr die dafür notwendige Vorarbeit herausgestellt. Die Entwicklung der erforderlichen Programme zur Automatisierung von Modellerstellung und Ergebnisauswertung, die Auswahl der erforderlichen Parameter zur Charakterisierung der Eingangsunsicherheiten, die Einarbeitung in Bedienung und Funktionalitäten der Simulationssoftware sowie das Erlernen statistischer Zusammenhänge und Methoden haben den Großteil der Bearbeitungszeit in Anspruch genommen. 83 Im Ergebnis steht jedoch ein Planungswerkzeug, was auf weitere skriptbasierte Modelle angewandt werden kann. Darauf aufbauend können zukünftig Unsicherheitsbewertungen ohne die beschriebene Vorarbeit in wesentlich kürzerer Zeit durchgeführt werden. Optimierungsmöglichkeiten bestehen hinsichtlich der weiteren Automatisierung von noch teilweise erforderlichen manuellen Prozessschritten, der Zusammenfassung des Prozesses zu einem Gesamtprogramm sowie in der Verfeinerung des Verfahrens mit hochwertigeren Zufallsgeneratoren, um den erforderlichen Stichprobenumfang zu minimieren. Weiterer Forschungsbedarf besteht in der Überprüfung von Verteilungsfunktionsparametern zur Abbildung von Unsicherheiten, da die vorhandenen und oft zitierten Studien zum großen Teil schon mehrere Jahre alt sind. Insbesondere in Bezug auf Materialparameter, Infiltration und innere Lasten durch EDV-Technik wird vermutet, dass durch den technischen Fortschritt der letzten Jahre neue Untersuchungen erforderlich geworden sind. Darüber hinaus wäre eine Integration der Monte-Carlo-Simulationen in die Simulationsprogramme wünschenswert und notwendig, um die breite Anwendung von Unsicherheitsuntersuchungen in der simulationsgestützten Planung zu unterstützen. 84 Anhang A: Materialparameter opaker Bauteile Material d λ EPS (d = 0.18 m) ρ c d λ EPS (d = 0.26 m) ρ c d λ XPS (d = 0.0795) ρ c d λ XPS (d=0.1184 m) ρ c d λ Mineralw olle (d = 0.1319 m) ρ c d λ Mineralw olle (d = 0.2 m) ρ c d λ Beton (leicht, d = Stärke 0.1 m) ρ c d λ Beton (d = 0.07 m) ρ c d λ Beton (dicht, d= 0.1 m) ρ c d λ Stahlbeton (d = 0.25) ρ c d λ Stahlbeton (d = 0.4 m) ρ c d λ Betonstein (d = 0.1 m) ρ c d λ Mauerw erk (außen, d = 0.1 m) ρ c μ 0.18 0.031 30 1400 0.26 0.035 30 1400 0.0795 0.034 35 1400 0.1184 0.034 35 1400 0.1319 0.04 12 840 0.2 0.035 50 710 0.1 0.38 1200 1000 0.07 1.13 2000 1000 0.1 1.4 2100 840 0.25 2.1 2400 840 0.4 2.1 2400 840 0.1 0.51 1400 1000 0.1 0.84 1700 800 σ σ/μ 0.018 0.01085 21 378 0.026 0.01225 21 378 0.00795 0.0136 24.5 268.8 0.01184 0.0136 24.5 268.8 0.01319 0.0032 1.08 56.28 0.02 0.0028 4.5 47.57 0.01 0.14646 306.882 105.758 0.007 0.1017 30 106 0.01 0.28169 149 89.4444 0.025 0.675 233.766 90 0.04 0.675 233.766 90 0.01 0.255 280 107 0.01 0.27787 297.5 86.0215 10.0% 35.0% 70.0% 27.0% 10.0% 35.0% 70.0% 27.0% 10.0% 40.0% 70.0% 19.2% 10.0% 40.0% 70.0% 19.2% 10.0% 8.0% 9.0% 6.7% 10.0% 8.0% 9.0% 6.7% 10.0% 38.5% 25.6% 10.6% 10.0% 9.0% 1.5% 10.6% 10.0% 20.1% 7.1% 10.6% 10.0% 32.1% 9.7% 10.7% 10.0% 32.1% 9.7% 10.7% 10.0% 50.0% 20.0% 10.7% 10.0% 33.1% 17.5% 10.8% Quelle [Hopfe and Hensen 2011] Tab. 2 "Dense eps slab ins" (σ anteilig berechnet) [Hopfe and Hensen 2011] Tab. 2 "Dense eps slab ins" (σ anteilig berechnet) [Macdonald 2002] Tab. A.22 "organic insulation" (σ anteilig berechnet) [Macdonald 2002] Tab. A.22 "organic insulation" (σ anteilig berechnet) [Hopfe and Hensen 2011] Tab. 1 "Glass fibre quilt" (σ anteilig berechnet) [Hopfe and Hensen 2011] Tab. 1 "Glass fibre quilt" (σ anteilig berechnet) [Macdonald 2002] Tab. A.12 "lightw eight aggregates" (σ anteilig berechnet) [Hopfe and Hensen 2011] Tab. 2 "Cast concrete" (identische Werte) [Macdonald 2002] Tab. A.11 "heavyw eight aggregates" (σ anteilig berechnet) [Macdonald 2002] Tab. A.15 "reinforced concrete" (σ anteilig berechnet) [Macdonald 2002] Tab. A.15 "reinforced concrete" (σ anteilig berechnet) [Macdonald 2002] Tab. A.6 "mediumw eight blockw ork" (σ anteilig berechnet) [Macdonald 2002] Tab. A.8 "clay bricks" identisch mit [Hopfe and Hensen 2011] Tab. 2 "Brickw ork" (σ anteilig berechnet) Verteilung normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal d = Dicke in m; λ = spez. Wärmeleitfähigkeit in W/(m K); ρ = Dichte in kg/m³; c = spez. Wärmekapazität in J/(kg K) XI Anhang B: Exkurs – Weitere Anwendungsmöglichkeiten der OFAT-Analyse In der Identifikation von Materialparametern mit hohem Effekt auf das Ergebnis liegt ein praktischer Anwendungsfall vor. Deshalb wurde für dieses Modell eine weitere Untersuchung für die spezifischen Wärmeleitwerte der Dämmmaterialien unter der Annahme einer, für alle Parameter gleich hohen kenntnisbezogenen Unsicherheit (+/- 20 Prozent), durchgeführt. Die Änderungen der Leitwerte haben dabei die in Abbildung 40 dargestellten Auswirkungen auf den Heizenergiebedarf gezeigt. Den höchsten Effekt auf das Ergebnis hat nach dieser Bewertung die Dach- und Bodenplatten-Dämmung (EPS (d = 0.26 cm)) mit ca. +/- 1 kWh/(m² a). Die Dämmung der Außenwand (Mineralwolle (d = 0.2 m)) beeinflusst den Heizenergiebedarf ebenfalls merklich, jedoch geringer. Heizenergiebedarf Abweichung vomwesentlich Mittelwert in kWh/(m² a) -1.08 EPS (d = 0.26 m) XPS (d=0.1184 m) -0.06 EPS (d = 0.18 m) -0.13 XPS (d = 0.0795) -0.03 0.98 0.02 0.05 0.01 -0.30 Mineralwolle (d = 0.2 m) 0.64 0.00 0.00 Mineralwolle (d = 0.1319 m) -8 -6 -4 -2 0 2 4 6 8 Heizenergiebedarf Abweichung vom Mittelwert in kWh/(m² a) (Par. minimiert) Heizenergiebedarf Abweichung vom Mittelwert in kWh/(m² a) (Par. maximiert) Abbildung 40: Weitere Anwendungsmöglichkeit der OFAT-Analyse. Effekte kenntnisbezogener Unsicherheiten von +/- 20 % der spezifischen Wärmeleitwerte. Je nach Effekt ist eine Spezifizierung für ein belastbares Simulationsergebnis erforderlich oder nicht. Mit dieser Methode kann die Zahl der dringend zu spezifizierenden Materialparameterwerte stark eingegrenzt werden. Im vorliegenden Fall hätte die Spezifizierung des Leitwertes der Dach- und Bodenplattendämmung höhere Priorität als die Spezifizierung der Außenwanddämmung und aller anderen Dämmmaterialien. Für U- und g-Wert wurde mit der OFAT-Analyse ebenfalls festgestellt, dass die RWA-Öffnungen sich bei gleicher Unsicherheit gegenüber der Fassadenverglasung auf das Modellergebnis nur unwesentlich auswirken. Insbesondere beim Informationsaustausch mit anderen Planungsbeteiligten, z.B. den Architekten und Tragwerksplanern, kann eine solche Eingrenzung auf die notwendigen Informationen äußerst hilfreich sein. XI Anhang C: Exkurs – Grenzen der OFAT-Analyse Betrachtet man den Effekt der Unsicherheit durch Dämmung, Verglasungs-UWert und g-Wert auf Heiz- und Kühlenergiebedarf im Zusammenhang, werden die Grenzen einfacher Sensitivitätsanalysemethoden wie der OFAT-Analyse deutlich (Abbildung 41). Eine Verringerung der Leitfähigkeit der Dach- und Bodenplattendämmung von 0.035 auf 0.02 W/(m K) (35 %) führt zur Senkung des Heizenergiebedarfs um 7 Prozent, jedoch gleichzeitig zur Erhöhung des Kühlenergiebedarfs um 5 Prozent, eine Erhöhung wirkt sich in entgegengesetzter Richtung aus. Ebenso sind die Effekte auf Heiz- und Kühlenergiebedarf für gKühl- und Heizenergiebedarf Abweichung vom Mittelwert in % und U-Wert der Verglasung gegenläufig. -14.8% g-Wert (Verglasung U 1.0 g 0.58) U-Wert (transp.) (Verglasung U 1.0 g 0.58) 16.3% -6.6% 6.1% 4.0% -3.8% 6.6% -6.7% W.Leitfähigkeit (EPS (d = 0.26 m)) 5.4% -5.0% 7.1% -7.4% -20% -10% 0% 10% 20% Kühlenergiebedarf Abweichung vom Mittelwert in % (Par. minimiert) Kühlenergiebedarf Abweichung vom Mittelwert in % (Par. maximiert) Heizenergiebedarf Abweichung vom Mittelwert in% (Par. maximiert) Heizenergiebedarf Abweichung vom Mittelwert in % (Par. minimiert) Abbildung 41: Grenzen der OFAT-Analyse. Beispiel: Gegensätzliche Materialparametereffekte auf Heiz- und Kühlenergiebedarf im Vergleich. Die Methode lässt keine Optimierungsmaßnahmen zu. An diesen Beispielen wird deutlich, dass sich die OFAT-Analyse ebenso wie die Faktorielle Analyse, nicht für Optimierungsuntersuchungen eignet. Dafür bietet sich der Einsatz von Optimierungsalgorithmen an. GenOpt beispielsweise wurde für den Einsatz mit skriptbasierten Simulationsprogrammen wie EnergyPlus entwickelt und lässt sich auf diese Fragestellungen anpassen [LawrenceBerkeley-National-Laboratory]. XII Anhang D: Exkurs - Andere Auswertungsmethoden für MCSimulationen Werden die Stichproben mit den Berechnungsergebnissen grafisch in Relation zueinander gesetzt, kann auf effiziente Art und Weise ein grober Überblick über das Modellverhalten auf die Parameter gewonnen werden. Abbildung 42 zeigt exemplarisch den Vergleich der Stichproben des Parameters „g-Wert Fassadenverglasung“ („V55“) und des Parameters „Temperatur Heizfall“ („V85“) mit den Ergebnissen für Heizenergiebedarf („heating“) und Kühlenergiebedarf („cooling“) (Stichproben und Ergebnisse aus Berechnung Abbildung 46, andere Darstellungsform). Die gedachten Linien, beispielsweise von „V55“ und „cooling“ in Abbildung 42 links, treffen in dem Feld der Grafik aufeinander, in der für jeden Wert der Stichprobe von „g-Wert“ das Ergebnis des Kühlenergiebedarfs dieser Stichprobe übertragen wurde. Die Punktwolke zeigt eine steigende Tendenz, sodass ersichtlich ist, dass der Kühlenergiebedarf stark von diesem Parameter abhängig ist. In der nebenstehenden Grafik kann für den Parameter „Temperatur Heizfall“ ein starker Effekt auf den Heizenergiebedarf beobachtet werden. Abbildung 42: Scatterplot - Monte-Carlo-Analyse mit 80 Stichproben. Variation aller Parameter. V55 – g-Wert Fassadenverglasung, V85 Temperatur Heizfall. Zusammenhänge zwischen Parametern und Ergebnis sind durch Trends der Punktwolken erkennbar. Durch Anlegen einer Regressionsgerade wie in Abbildung 43 dargestellt, lassen sich Trends in diesen Punktwolken deutlicher darstellen. Wie bereits erwähnt, kann diese Art der Auswertung nur einen groben Überblick liefern. Das Risiko falscher Rückschlüsse wird durch Abbildung 43 (rechts) verdeutlicht, wo der Effekt der Unsicherheit des Wärmeleitwertes der Dach- und BodenplattenXIII dämmung auf den Heizenergiebedarf abgebildet ist. Auf einen starke Sensitivität des Ergebnisses, wie sie in Abschnitt 7.1.1 festgestellt wurde, kann daraus nicht ohne weiteres geschlossen werden. Da alle anderen Parameter in dieser Simulation auch zufällig gezogen wurden und das Ergebnis ebenfalls beeinflussen, lassen sich mit dieser Methode bestenfalls diejenigen Parameter identifizieren, auf welche das Ergebnis sehr stark sensitiv reagiert. Abbildung 43: xy-Plot aus Montecarlo-Analyse mit 80 Stichproben. Variation aller Parameter. Links: g-Wert-Verglasung (P55) – Kühlenergiebedarf - Effekt deutlich erkennbar. Rechts: Wärmeleitfähigkeit Dach- und BOP-Dämmung (P.53) – Heizenergiebedarf. Vorher identifizierter Effekt nicht erkennbar. Für das betrachtete Modell ist bei dem Kenntnisstand auf Basis der vorangegangenen Sensitivitätsanalysen kein wesentlicher Erkenntnisgewinn zu erwarten. Für andere Simulationen könnte diese Methode jedoch weiterentwickelt und angewandt werden, um auf effiziente Art erste Auswertungen durchzuführen, welche dann mit anderen Methoden detailliert werden könnten. In [Burhenne et al. 2010] wird dafür die Punkteschar in Schichten von je 100 Punkten unterteilt und der Mittelwert daraus farbig hervorgehoben. Wäre ein Anstieg einer gedachten Gerade zwischen diesen Mittelwerten zu erkennen, spräche dies für die Sensitivität des Ergebnisses auf die Unsicherheit des Parameters. XIV Anhang E: Exkurs - Bilanzgrenzen der Unsicherheit Für die Monte-Carlo-Simulationen wurden bei den gezeigten Analysen alle Parameterunsicherheiten durch einzelne Stichprobenziehungen nachgebildet. Da jeder Wert zufällig bestimmt wird, können innerhalb einer Parameterkategorie Ausgleichseffekte entstehen, sodass die angenommene Unsicherheit für die Kategorie insgesamt, dadurch verringert wird. Dieser Zusammenhang wird zunächst am Beispiel der Raumtemperatur im Heizfall verdeutlicht. Da nur für die studentisch genutzten Räume und für die Arbeitsräume ein ähnliches Nutzerverhalten angenommen werden kann, werden Flure und Werkstatt für dieses Beispiel nicht berücksichtigt. Innerhalb des Modells wird für acht Zonen ein Nutzereinfluss auf die Raumtemperatur (Heizfall) vorgesehen, welcher mit der Standardabweichung 1 K normalverteilt um den Erwartungswert von 20 °C ist und zufällig bestimmt wird. Durch Mittelwertbildung dieser Temperaturen kann der Nutzereinfluss, der damit für die Zonen insgesamt berücksichtigt wird, bestimmt werden. Zeichnet man diese als Histogramm auf, so ergibt sich Abbildung 44 (links). Die Standardabweichung der mittleren Temperatur beträgt nicht mehr 1 K, sondern nur noch 0.4 K. Das heißt, die Unsicherheit der Temperatur wird für das Gebäude insgesamt, schlussendlich wesentlich geringer angenommen, wenn sie zuvor zonenweise berücksichtigt wird. Die Ergebnisse einer so durchgeführten MC-Simulation, bei der lediglich die Temperaturen als unsicher angenommen wurden (zonenweise, alle anderen Parameter konstant), zeigt Abbildung 44 (rechts). XV Abbildung 44: Zonenweise Stichprobenziehung der Temperatur. Die resultierende Standardabweichung der Temperatur und des Heizenergiebedarfs sind geringer. Wird die Stichprobe der Temperatur mit dem Erwartungswert 20 °C und der Standardabweichung 1 K einmal gezogen (normalverteilt) und auf alle Zonen gleichermaßen angewendet, so ergeben sich die Häufigkeitsverteilungen entsprechend Abbildung 45. Die Standardabweichung beträgt wie erwartet ca. 1 K; die aus der Unsicherheit der Temperatur resultierende Unsicherheit des Heizenergiebedarfs ist mit der Standardabweichung 4.3 kWh/(m² a) doppelt so hoch, wie in der vorigen Berechnung. Abbildung 45: Gebäudeweise Stichprobenziehung der Temperatur. Die resultierende Standardabweichung der Temperatur und des Heizenergiebedarfs sind höher. Für dieses Modell erscheint eine Normalverteilung mit Standardabweichung von 1 K je Zone plausibler als je Gebäude. Wie Abbildung 45 zeigt, würde im letzteren Fall für einige der Simulationen angenommen werden, dass die XVI Temperatur im gesamten Gebäude 18 oder 17 °C beträgt, was eher unwahrscheinlich wäre. In der verwendeten Literatur [Macdonald 2002] werden keine Angaben dazu gemacht, unter welchen Bedingungen für die Raumtemperatur die angeführte Unsicherheit gilt. Für Modelle mit unterschiedlicher Zonierung und Raumaufteilung ergeben sich jedoch folgende Überlegungen: Wird die Standardabweichung von 1 K je Zone gleichermaßen für eine Zone mit einem größeren Raum mit vielen Nutzern (z.B. Großraumbüro) und für eine Zone mit wesentlich weniger Nutzern angewendet, so ergibt sich für jede der beiden Zonen die gleiche Wahrscheinlichkeitsdichteverteilung der Temperatur, die bereits in Abbildung 45 gezeigt wurde. In der Realität ist jedoch nicht davon auszugehen, dass sehr viele Leute in einem Raum bei einer Temperatur von z.B. 18 °C arbeiten, während dies für Räume mit weniger Nutzern (oder nur einem Nutzer) durchaus der Fall sein kann. Für viele Nutzer müsste also eine geringere Standardabweichung gewählt werden, als für wenige Nutzer. In einer größeren Zone mit sehr vielen Einzelbüros bei Einzelraumregelung sollte die Gesamtstandardabweichung wesentlich geringer sein, als in einer Großraumbüro-Zone, für welche gewöhnlich eine zentrale Regelung erfolgt. Für unterschiedliche Zonen, die sich in ihrer Raumaufteilung wesentlich unterscheiden, sollten also auch nicht dieselben Annahmen der Unsicherheit getroffen werden. Da es wahrscheinlich ist, dass sehr viele Nutzer insgesamt zur Einstellung höherer Raumtemperaturen neigen, könnte für größere Nutzergruppen eine logarithmische Verteilungsdichtefunktion, aber auch eine andere Intervalleingrenzung adäquater sein, um die Unsicherheit abzubilden. Für Infiltration ist es auf Grundlage dieser Überlegungen hingegen plausibel, die Unsicherheit gebäudeweise anzunehmen, da sowohl die geplante Dichtigkeit, als auch die Güte der Ausführung nicht zonenweise variieren sollten. Dass dies in den vorangegangenen Analysen nicht der Fall war, kann als Schwachpunkt der Arbeit gewertet werden. XVII Aufgrund dieser Effekte wurde exemplarisch eine weitere Monte-Carlo-Simulation mit 80 Stichproben durchgeführt, bei der für die Parameterkategorien „natürlicher Luftwechsel“ (außer Flure, Atrium und Treppenhaus), „Beleuchtungskontrolle“, „Temperatur Heizfall“, „Temperatur Kühlfall“, „Beleuchtungswärmeleistung“ und „Infiltration“ die Unsicherheit gebäudeweise bzw. insgesamt abgebildet wurde. Um bei einer zufälligen Stichprobenziehung für mehrere Parameter mit unterschiedlichem Erwartungswert und unterschiedlicher Standardabweichung anteilig die gleiche Abweichung vom Mittelwert abzubilden können, können die Ergebnisse einer Ziehung aus der Standardnormalverteilung mit Gleichung 29 skaliert werden (vgl. [Macdonald 2002]). { } { } { { Gleichung 29 } } Dies wird für natürlichen Luftwechsel, Infiltration, Beleuchtungswärmeleistungen und Beleuchtungskontrolle erforderlich, da durch die unterschiedlichen Flächen unterschiedliche Erwartungswerte vorliegen. Für alle anderen Parameter wurde die Unsicherheit weiterhin zonen- bzw. materialweise festgelegt, da das Auftreten von Ausgleichseffekten dort im realen Fall sehr wahrscheinlich ist. Die Ergebnisse sind in Abbildung 46 für Heizenergiebedarf (links) und Kühlenergiebedarf (rechts) dargestellt. XVIII Abbildung 46: Gebäudeweise Stichprobenziehung - MC-Analyse (80 Stichproben). Verwendung gemeinsamer, skalierter Stichproben der Parameterkategorien „natürlicher Luftwechsel“, „Beleuchtungskontrolle“, „Temperatur Heizfall“, „Temperatur Kühlfall“, „Beleuchtungswärmeleistung“ und „Infiltration“ (einmalig gezogen und parameterweise skaliert). Mittelwert und Median der Ergebnisse stimmen mit den Ergebnissen, die zuvor unter einzelner Berücksichtigung der Unsicherheiten aller Parameter ermittelt wurden, überein (MC mit 80 Stichproben, S. 72, Abbildung 33). Die Standardabweichung des Kühlenergiebedarfs zeigt ebenfalls ähnliche Ergebnisse, auch die 20- und 80 Prozent-Quantile stimmen nahezu überein, sodass die Aussagen der ersten Untersuchung für den Kühlenergiebedarf auch hier zutreffen. Die Standardabweichung (Unsicherheit) des Heizenergiebedarfs ist jedoch mit 6.6 kWh/(m² a) ca. 70 % höher als zuvor (3,8 kWh/(m² a)). Somit liegt der Heizenergiebedarf mit 80-prozentiger Wahrscheinlichkeit unter 30 kWh/(m² a) und über 20.5 kWh/(m² a); die Spannbreite der Ergebnisse ist wesentlich höher (vgl. Abbildung 46, 20- und 80 %-Quantile). Die tatsächliche Unsicherheit sollte deshalb zwischen den zuvor und den hier gezeigten Ergebnissen zu finden sein. Es wird ersichtlich, dass hinsichtlich der Festlegung der Standardabweichung und Verteilungsfunktionen von Unsicherheiten des Nutzerverhaltens in Abhängigkeit von Zonierung, Gebäudestruktur und Nutzerzahlen weiterer Forschungsbedarf besteht. XIX Anhang F: Exkurs – Vereinfachte Berechnung des Infiltrationsvolumenstroms Laut [DesignBuilder 2012] erfolgt die Umrechnung des Luftwechsels in die Einheit m³/s durch die Gleichung Gleichung 30 wobei „Luftwechsel / h“ für den Infiltrationsvolumenstrom bei Normaldruckbedingungen steht. Dieser wird laut derselben Quelle gemäß [DINEN-12831 2002] Gleichung 17 berechnet (hier Gleichung 31), wobei die Einheit „1/h“ nur durch Gleichung 32 zustande kommen kann. Gleichung 31 Gleichung 32 Die Verwendung des Bruttovolumens ist nach [DIN-EN-12831 2002] fachlich nicht korrekt, weil dort die Verwendung des Nettovolumens, also des tatsächlich vorhandenen Luftvolumens gefordert wird. Um den Fehler abzuschätzen, wurde das Nettovolumen überschlägig anhand der Nettoraumflächen und Innenraumhöhen (ohne Berücksichtigung abgehängter Decken) mit bestimmt. Das Bruttovolumen, welches durch DesignBuilder ermittelt wurde, beträgt . XX Wird der Abschirmungskoeffizient gemäß Tabelle D.8 der [DIN-EN-12831 2002] für einen „beheizten Raum mit mehr als einer Öffnung nach außen“ (0.02 bei „moderater Abschirmung“) und der Höhenkorrekturfaktor gemäß Tabelle D.9 in derselben Norm für eine „Höhe des beheizten Raumes von bis 10 m über Erdreichniveau“ (= 1.0) angenommen, so ergibt sich für das gesamte Gebäude ein Infiltrationsluftwechsel unter Normaldruckbedingungen von und ein Infiltrationsvolumenstrom von Werden die ungünstigeren Annahmen getroffen, welche nur auf einige Räume des Gebäudes zutreffen, so ist der Abschirmungskoeffizient mit „0.03“ und der Höhenkorrekturfaktor mit „1.2“ anzunehmen. Es resultiert ein Infiltrationsvolumenstrom von DesignBuilder ermittelt Abschirmungskoeffizient diese und Volumenströme Höhenkorrekturfaktor zonenweise, ebenfalls wobei zonenweise bestimmt werden, wie es [DIN-EN-12831 2002] auch fordert. Die Summe der dabei resultierenden Infiltrationsvolumenströme beträgt und befindet sich damit im plausiblen Bereich zwischen den bestenfalls und schlechtesten falls anzunehmenden Werten. XXI Selbständigkeitserklärung Ich, David Feige, erkläre, dass ich die vorliegende Masterarbeit selbständig und nur unter Verwendung der angegebenen Quellen und Hilfsmittel angefertigt habe. Bevor diese Arbeit oder deren Ergebnisse weiter verwendet oder der Öffentlichkeit zugänglich gemacht werden, möchte ich darüber informiert werden. ....................... Erfurt, den 01.10.2012 XXII Literaturverzeichnis BINDER, K. Monte-Carlo Methods. In Mathematical Tools for Physicists. WileyVCH Verlag GmbH & Co. KGaA, 2006, p. 249-280. BMJ. Erneuerbare-Energien-Wärmegesetz vom 7. August 2008 (BGBl. I S. 1658), das zuletzt durch Artikel 2 Absatz 68 des Gesetzes vom 22. Dezember 2011 (BGBl. I S. 3044) geändert worden ist. In B.D. JUSTIZ. 2011. BOX, G.E.P., HUNTER, W.G. AND HUNTER, J.S. Statistics for experimenters : an introduction to design, data analysis, and model building. Edtion ed. New York: Wiley, 1978. xviii, 653 p. p. ISBN 0471093157. BURHENNE, S., ELCI, M., JACOB, D., NEUMANN, C. AND HERKEL, S. 2010. Sensitivity analysis with building simulations to support the commissioning process. In Proceedings of the Tenth International Conference for Enhanced Building Operations, Kuwait, October 26-28, 2010 2010 Fraunhofer Institute for Solar Energy Systems ISE. BURHENNE, S., JACOB, D. AND HENZE, G.P. 2011. Sampling based on Sobol' Sequences for Monte Carlo Techniques applied to building simulations. In Proceedings of the 12th Conference of International Building Performance Simulation Association, Sydney, 2011-11-14:16 2011. DE WIT, S. Influence of modeling uncertainties on the siumlation of building thermal comfort performance. In. Delft: Delft University of Technology, Faculty of Civil Engineering, 1997. DE WIT, S. AND AUGENBROE, G. Uncertainty analysis of building design evaluations. In Seventh International IBPSA Conference. Rio de Janeiro, Brazil, 2001. DESIGNBUILDER. DesignBuilder. In. Stroud, Gloucestershire,United Kingdom: DesignBuilder Software Ltd, 2012, vol. V.3.0.0.105. DESIGNBUILDER. DesignBuilder Documentation. In. Stroud, Gloucestershire,United Kingdom: DesignBuilder Software Ltd, 2012, vol. 2012. DIN12464-1. DIN EN 12464-1:2011-08 - Licht und Beleuchtung - Beleuchtung von Arbeitsstätten - Teil 1: Arbeitsstätten in Innenräumen; Deutsche Fassung EN 12464-1:2011. In. Berlin: Beuth Verlag GmbH, 2011. DIN-EN-12831 Heizungsanlagen in Gebäuden Verfahren zur Berechnung der Norm-Heizlast Deutsche Fassung EN 12831:2003. Edtion ed. Berlin: Beuth Verlag GmbH, 2002. DIN-V-18599-10 DIN V 18599-10:2011-12 - Energetische Bewertung von Gebäuden - Berechnung des Nutz-, End- und Primärenergiebedarfs für Heizung, Kühlung, Lüftung, Trinkwarmwasser und Beleuchtung - Teil 10: Nutzungsrandbedingungen, Klimadaten. Edtion ed. Berlin: Beuth Verlag GmbH, 2011 DOE. EnergyPlus Graphical User Interfaces. In., 2012, vol. 2012. XXIII DOE. EnergyPlus Simulation Software. [United States Department of Energy Office of Energy Efficiency & Renewable Energy 2012. EISENHOWER, B., O’NEILL, Z., NARAYANAN, S., FONOBEROV, V.A. AND MEZIĆ, I. A methodology for meta-model based optimization in building energy models. Energy and Buildings, 2012, vol. 47, p. 292-301. ELPELT, B. AND HARTUNG, J. Grundkurs Statistik: Lehr- und Übungsbuch der angewandten Statistik. Edtion ed. Oldenburg, 1992. ISBN 3-486-22399-2. GERBER-ARCHITEKTEN Grundriss Untergeschoss/Erdgeschoss/Obergeschoss FHE Neubau Leipziger Straße 2009-08-25 2009. HEYDENBLUTH, T. Simulationsbasierte Energiebedarfsberechnung eines innovativen Hochschulgebäudes (Bachelor-Thesis). In.: Fachhochschule Erfurt, 2011, vol. B.Eng. HKL. Installationsplan Elektro FHE Neubau Leipziger Straße 2010-04-10. 2010. HOPFE, C.J. AND HENSEN, J.L.M. Uncertainty analysis in building performance simulation for design support. Energy and Buildings, 2011, vol. 43, no. 10, p. 2798-2805. JACOB, D. Gebäudebetriebsoptimierung - Verbesserungen von Optimierungsmethoden und Optimierung unter unsicheren Randbedingungen. In Karlsruher Institut für Technologie. Universität Karlsruhe (TH) Fakultät für Architektur, 2012, vol. Dr.-Ing. LAWRENCE-BERKELEY-NATIONAL-LABORATORY. GenOpt - Generic Optimization Program. [ LOHNINGER, H. Zufällige und systematische Fehler. In., 2011. MACDONALD, I.A. Quantifying the effects of uncertainty in building simulation. In Department of Mechanical Engineering. Strathclyde: University of Strathclyde, 2002, vol. Dr.Phil. MALKAWI, A. AND AUGENBROE, G. Advanced building simulation. Edtion ed. New York: Taylor & Francis, 2004. 248 p. ISBN 0415321239. SALTELLI, A., CHAN, K. AND SCOTT, E.M. Sensitivity analysis. Edtion ed.: Wiley New York, 2000. ZUB. ZUB Helena® 2012 Ultra v6.09 (Datenbank Bau: 1.0.0.39). [Kassel: ZUB Systems GmbH, 2012. XXIV