Wärmebedarfsprognose für Gebäude und Stadtquartiere, Entwicklungen an der HFT Stuttgart

Transkript

1 Wärmebedarfsprognose für Gebäude und Stadtquartiere, Entwicklungen an der HFT Stuttgart Prof. Dr. habil. Ursula Eicker Zentrum für angewandte Forschung nachhaltige Energietechnik Hochschule für Technik Stuttgart

2 Überblick Fragen Wie genau kann der Wärmebedarf von Städten modelliert werden? Welche Messdaten stehen zur Validierung zur Verfügung? Welcher Anteile erneuerbarer Energien kann lokal erzeugt werden? Fallbeispiele Neubau LOD1: Ludwigsburg, Scharnhauser Park Bestand LOD2: Karlsruhe Rientheim Methoden Wärmebedarfssimulation: von Gradtagzahlmodell über Monatsbilanzverfahren bis hin zu dynamischer Simulation Erneuerbare Energien: Photovoltaik, Solarthermie, Biomasse, KWK mit der Simulationsumgebung INSEL (

3 Übersicht Simulationsverfahren Insel Katasterdaten, Lärmkartierung Bestands- Aufnahme Cat3D 3D Modell- Generierung Analysierte Geometriedaten Thermische Merkmale Heizwärmebedarf Simulation * Klimadaten Gebäudekatalog pro Gebäudetypologiee Matlab / Ruby / Cat3D Ergebnis Auswertung 1) Datensammlung 2) Datenvorbereitung 3) Heizwärmebedarf Simulation (statisches Einzonenmodell) 4) Analyse und Farben * nach DIN , Monatsbilanzverfahren 2D/3D Visualisierung 3

4 Thermische Datenaufbereitung für die Heizwärmebedarf Simulation Sachdaten Gebäudekatalog (IWU etc.) Aktualisierter Gebäudezustand nach Vor-ort Begehung

5 Geometrische Datenaufbereitung Automatisch generierter Energieausweis (pdf)

6 Fallstudie Bestand Ludwigsburg Grünbühl Datenbasis für die 3D Modellgenerierung (CityGML LOD1): Gebäudegrundrisse aus dem Kataster mittlere Gebäudehöhe aus der Lärmkartierung 2002 Automatische Analyse des 3D Stadtmodells für die Heizwärmebedarf Simulation GEBTEIL_ID FK_GEB_ID VOLUMEN DACH_FLAECHE GRUND_FLAECHE HOEHE_INKLUSIV_DACH HOEHE_EXKLUSIV_DACH FASSADETEIL_ID FK_FASSADE_ID FK_GEBTEIL_ID TYP AZIMUTH NEIGUNG WAND_FLAECHE AUSWAND_FLAECHE 6

7 Ergebnis der Heizwärmebedarf Simulation Visualisierung im 3D Modell Nachkriegs- Bauten BIMA Sanierungen Wärmbilanzberechnung auf Basis von 3D Gebäudemodell LOD1 (ausschließlich Wohngebäude)

8 Vergleich Gasablesung / Simulation

9 Fallstudie Scharnhauser Park mit Neubauten und erneuerbarer Versorgung durch Biomasse KWK Ostfildern Area 150 ha Gross floor area Total investment m2 267 Mill. Euro Population % renewable energy supply with biomass cogeneration plant and photovoltaics buildings: 30% less consumption than national standard School Residential Sport Center Town hall PV systems Biomass power plant

10 3D Modell LOD 1

11 Vergleich Simulation Messung Gesamtgebiet Heating energy consumption/demand in MWh Row houses Multi-family houses Building group Measurement Model 1 Model2

12 Deviation in % Vergleich auf Gebäudeebene Heating consumption/demand in kwh Mittlere Abweichung 26% Building ID Measurement Model 2 Deviation

13 Fallstudie Bestand Karlsruhe Rientheim source: VOLKSWOHNUNG GmbH source: Stadt Karlsruhe Topologically consistent extrusion of ground surfaces Roof areas from laser scanning data

14 Vergleich Messung Rechnung auf Gebäudeebene

15 Vergleich Messung Rechnung nach Gebäudetyp

16 Visualisierung der Ergebnisse Qh (heating energy consumption): < 30 kwh/m²a: dark green kwh/m²a: light green kwh/m²a: yellow kwh/m²a: yellow orange kwh/m²a orange >150 kwh/m²a red

17 Modellierung erneuerbarer Energien Section Tilted roof Flat roof Electrical power [kw] measurement simulation Solar irradiation PV-System on the Roof PV-System on the south facade Solar irradiation [W/m²] Time in h 0

18 Eigenverbrauch und erneuerbare Erzeugung

19 Gesamtpotential erneuerbarer Energien Total measured electricity consumption: MWh Buildings considered Whole district Buildings with suitable roof areas Nr Method/calculation of the PV production PV coverage [%] PV coverage [%] 1 PV energy production (total) PV own consumption 17 26

20 Zusammenfassung Wärmebedarf von Stadtquartieren kann mit guter Genauigkeit mit 3D Modellen berechnet werden Grundinformationen über Gebäudealter, Bauteileigenschaften und Nutzung sind erforderlich Bei Einzelgebäuden führt variables Nutzerverhalten zu größeren Abweichungen zwischen gemessenem Verbrauch und berechnetem Bedarf (10-30%) Bei detaillierteren Gebäudekennwerten kann auch bei individuellen Gebäuden der Fehler auf 10% reduziert werden. Erneuerbare Energiepotentiale können ermittelt und Szenarien für erneuerbare Eigenversorgung analysiert werden 3D Datenmodell Grundlage für Smart City Konzepte der Zukunft (Anpassung Verbrauch Erzeugung, Lastmanagement, Visualisierung der Energieströme)