PositifGap – Définition du positif gap sur la consommation des bâtiments suite aux travaux d’optimisation et rénovation peu invasif

• Forschungsstelle: BFE
• Projektnummer: SI/501937

Publikationen / Ergebnisse (Englisch)

Invasive energy retrofitting approaches on residential buildings are often demanding in terms of initial investment and implementation time, while fast and economic energy optimization measures represent most of the time a more attractive and feasible strategy. A quantitative study is therefore needed to identify the set of actions leading to the highest energy savings accounting for variable weather conditions. In this work, an Artificial Neural Network is trained over a dataset provided by the Energo association, and the complex relation “Optimization measures-Energy Saving” is modeled as black-box. Sensitivity indexes are computed through the trained network to analyze and quantify the influence of each measure on the variability of the energy consumption, accounting for mutual interactions.
The trained surrogate model provides highly accurate predictions of the energy savings starting from the weather conditions and the vector of applied optimization measures within the analyzed time-window. Moreover, the sensitivity indexes have been computed through different methodologies obtaining comparable final rankings, proving even more the robustness of the results.
In conclusion, the study describes a methodology based on the adoption of surrogate models with the aim of identifying the most effective energy optimization measures allowing the definition of more efficient and economic maintenance plans.

Zugehörige Dokumente

• Interim report_english [PDF] 1'949 kB

Schlussbericht (Deutsch)

Invasive energetische Sanierungsansätze an Wohngebäuden sind oft anspruchsvoll in Bezug auf Anfangsinvestitionen und Umsetzungszeit, während schnelle und wirtschaftliche Energieoptimierungsmaßnahmen meist eine attraktivere und machbarere Strategie darstellen. Daher ist eine quantitative Studie erforderlich, um die Maßnahmen zu identifizieren, die unter Berücksichtigung variabler Wetterbedingungen zu den höchsten Energieeinsparungen führen. In dieser Arbeit wird ein künstliches neuronales Netzwerk über einen vom Energo-Verband zur Verfügung gestellten Datensatz trainiert und die komplexe Beziehung "Optimierungsmaßnahmen-Energieeinsparung" als Blackbox modelliert. Sensitivitätsindizes werden durch das trainierte Netzwerk berechnet, um den Einfluss jeder Maßnahme auf die Variabilität des Energieverbrauchs zu analysieren und zu quantifizieren, wobei gegenseitige Wechselwirkungen berücksichtigt werden. Das trainierte Surrogatmodell liefert hochgenaue Vorhersagen der Energieeinsparungen ausgehend von den Wetterbedingungen und dem Vektor der angewandten Optimierungsmaßnahmen innerhalb des analysierten Zeitfensters. Darüber hinaus wird eine quantitative Analyse vorgeschlagen, um die Effektivitätsbereiche der einzelnen Optimierungsmaßnahmen zu ermitteln, wobei sowohl Modell- als auch meteorologische Unsicherheiten berücksichtigt werden. Zusammenfassend beschreibt die Studie eine Methodik, die auf der Anwendung von Surrogatmodellen basiert, mit dem Ziel, die effektivsten Energieoptimierungsmaßnahmen zu identifizieren, die die Definition von effizienteren und wirtschaftlicheren Wartungsplänen ermöglichen.

Zugehörige Dokumente

• Schlussbericht_englisch [PDF] 4'502 kB

Schlussbericht (Englisch)

Invasive energy retrofitting approaches on residential buildings are often demanding in terms of initial investment and implementation time, while fast and economic energy optimization measures represent most of the time a more attractive and feasible strategy. A quantitative study is therefore needed to identify the set of actions leading to the highest energy savings accounting for variable weather conditions. In this work, an Artificial Neural Network is trained over a dataset provided by the Energo association, and the complex relation “Optimization measures-Energy Saving” is modeled as black-box. Sensitivity indexes are computed through the trained network to analyze and quantify the influence of each measure on the variability of the energy consumption, accounting for mutual interactions. The trained surrogate model provides highly accurate predictions of the energy savings starting from the weather conditions and the vector of applied optimization measures within the analyzed time-window. In addition, a quantitative analysis is proposed in order to identify intervals of effectiveness of each optimization measure, taking into account both uncertainties due to the model and meteorological factors. In conclusion, the study describes a methodology based on the adoption of surrogate models with the aim of identifying the most effective energy optimization measures allowing the definition of more efficient and economic maintenance plans.

Zugehörige Dokumente

• Final_report_english [PDF] 4'502 kB

Schlussbericht (Französisch)

Les approches de rénovation énergétique invasive sur les bâtiments résidentiels sont souvent exigeantes en termes d'investissement initial et de temps de mise en oeuvre, tandis que les mesures d'optimisation énergétique rapides et économiques représentent la plupart du temps une stratégie plus efficace et réalisable. Il est pourtant très intéréssant d’analyser ce type de mesures sur le plan quantitatif afin d’identifier l'ensemble des actions conduisant aux économies d'énergie les plus importantes compte tenu de certains conditions. Dans cette étude de recherche, un réseau de neurons artificiel est développé sur un ensemble de données fournies par l'association Energo, et la relation complexe "Mesures d'optimisation - Économies d'énergie" est modélisée sous forme de « black boxe ». Des indices de sensibilité sont calculés par le réseau formé pour analyser et quantifier l'influence de chaque mesure sur la variabilité de la consommation d'énergie, en tenant compte des interactions mutuelles. Le meta-modèle d’apprentissage fournit des prévisions très précises des économies d'énergie à partir des conditions météorologiques et du vecteur des mesures d'optimisation appliquées dans la fenêtre temporelle analysée. En outre, une analyse quantitative est proposée pour identifier les plages d'efficacité de chaque mesure d'optimisation, en tenant compte à la fois des incertitudes du modèle et des incertitudes météorologiques. En conclusion, l'étude décrit une méthodologie basée sur l'adoption de meta-modèle dans le but d'identifier les mesures d'optimisation énergétique les plus efficaces permettant l’élaboration de plans de maintenance plus performantes et plus économiques.

Zugehörige Dokumente

• Rapport final_english [PDF] 4'502 kB