A pattern-based automated approach to building energy model calibration

Sun, Kaiyu; Hong, Tianzhen; Taylor-Lange, Sarah C.; Piette, Mary Ann

doi:10.1016/j.apenergy.2015.12.026

Cited by 88 publications

(44 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Nichtsdestotrotz wird er aufgrund der großen Abdeckung des Wertebereiches häufig in der wissenschaftlichen Gemeinschaft eingesetzt [7,8,9] und in der ASHRAE 14 [5] zur Modellkalibrierung empfohlen. Der RMSE ist aufgrund seines quadratischen Verhaltens empfindlicher gegenüber Ausreißern und im selben Zuge somit schwieriger zu interpretieren.…”

Section: Absolute Kennzahlenunclassified

Methoden der Zeitreihenanalyse für die Bewertung von urbanen Gebäudesimulationen

Lauster

Müller

2018

Bauphysik

View full text Add to dashboard Cite

die Wurzel der mittleren quadratischen Abweichungen (RMSE) und eine relative Version, der Variationskoeffizient des RMSE (CV(RMSE)) in den Mittelpunkt gestellt. Trotz dieser umfangreichen Grundlagen zeigt eine Analyse des Konferenzbandes der Building Simulation Konferenz 2017 [6], dass 26 % der Veröffentlichungen den Empfehlungen der Richtlinie folgen, 20 % zusätzliche Methoden anwenden und 54 % auf einen rein visuellen Vergleich oder jährliche Integralwerte beschränkt sind. Dieser Beitrag zeigt daher die Möglichkeiten der Zeitreihenanalyse im Bereich der urbanen Gebäudesimulation auf und zeigt an einem Beispiel, wie sie angewendet werden.Im Folgenden werden verschiedene Methoden der Zeitreihenanalyse und deren spezifische Anwendungen diskutiert. Anschließend wird der Anwendungsfall einer Forschungsliegenschaft eingeführt, auf den die entsprechenden Methoden angewendet werden, um die Simulation bewerten und weiteres Verbesserungspotenzial hinsichtlich der Simulation herausarbeiten zu können. Methoden der ZeitreihenanalyseDas übergeordnete Ziel der Zeitreihenanalyse ist die mathematische Beschreibung der den Zeitreihen zugrundeliegen-Bei der Bewertung von energetischen Gebäudesimulationen, im Speziellen auf urbaner Ebene, können Methoden der Zeitreihenanalyse einen wichtigen Beitrag leisten. Besonders hinsichtlich des Vergleichs von Messungen und Simulationen zur Modellvalidierung bieten solche Methoden eine gute Hilfestellung, um Abweichungen sowohl zu bewerten als auch ihren Ursprung zu finden. Dieser Beitrag bewertet auf Basis relativer und absoluter Kennzahlen in Kombination mit Prognose-Realisations-Diagrammen die thermische Gebäudesimulation einer Forschungsliegenschaft. Auch wenn die Kennzahlen eine gute Übereinstimmung von Simulation und Messung belegen, lässt sich mithilfe des Prognose-Realisations-Diagramms sowie eines Chi 2 -Tests und eines Korrelogramms weiteres Optimierungspotenzial identifizieren. Dieses betrifft vornehmlich die dynamische Berücksichtigung von Wärmenetzen und die detaillierte Abbildung der Nutzerinteraktion, im Speziellen hinsichtlich nutzerinduzierter Lüftung. Stichworte: Zeitreihenanalyse; urbane Simulation; Wärmebedarfsrechnung; Modelica; Python Methods of time series analysis for simulation-based urban scale evaluations. Methods of time series analysis can support evaluating building performance simulations such as urbanscale simulations. In particular, for model verification, methods of time series analysis are crucial to evaluate deviations to measurement data and identify the deviation's origins. Based on performance indicators in combination with fore castrealization diagrams, this paper evaluates the thermal simu lation of a research campus. While all indicators proved the good accordance of hourly simulations and measurements, the fore castrealization diagram together with a Chi 2 test and autocorre lation plots revealed further optimization potential in dynamic heating grid simulations and detailed consideration of occupancy and userinduced ventilation.

show abstract

Section: Absolute Kennzahlenunclassified

Methoden der Zeitreihenanalyse für die Bewertung von urbanen Gebäudesimulationen

Lauster

Müller

2018

Bauphysik

View full text Add to dashboard Cite

show abstract

“…Specifically, as it relates to characterizing the enduse load shapes or energy savings shapes at the utility system level, simulation modeling requires inputs that reflect the actual diversity in operating schedules across the population of buildings with an end-use or efficiency measure installed. Other concerns identified with use of building simulation data include: extrapolation of short term meter data into an entire year of usage data, inability to predict occupant behavior, under-or over-accounting for the impacts from weather, internal heat gains, operation and maintenance changes, changes in building equipment, and changes in the building interior conditions (KEMA 2009;Sun et al 2015).…”

Section: Use Of Engineering Estimates To Create End-use Load Shapesmentioning

confidence: 99%

Time-varying value of electric energy efficiency

Mims¹,

Eckman²,

Goldman³

2017

View full text Add to dashboard Cite

“…Occupant behaviors in buildings have been widely acknowledged as a major factor contributing to the gaps between measured and simulated energy consumption in buildings [19,23,37,38]. Eguaras-Martinez et al [39] [40] recognized the impact of occupant behaviors as one of the six driving factors of energy use in buildings along with climate, building envelope, building energy and services systems, indoor design criteria, and building operation and maintenance.…”

Section: Introductionmentioning

confidence: 99%

A novel stochastic modeling method to simulate cooling loads in residential districts

Yan

Hong

et al. 2017

Applied Energy

Self Cite

View full text Add to dashboard Cite

District cooling systems are widely used in urban residential communities in China. Most district cooling systems are oversized; this leads to wasted investment and low operational efficiency and thus energy wastage. The accurate prediction of district cooling loads that supports rightsizing cooling plant equipment remains a challenge. This study developed a new stochastic modeling method that includes (1) six prototype house models representing a majority of apartments in the district, (2) occupant behavior models in residential buildings reflecting the temporal and spatial diversity and complexity based on a large-scale residential survey in China, and (3) a stochastic sampling process to represent all apartments and occupants in the district. The stochastic method was employed in a case study using the DeST simulation engine to simulate the cooling loads of a real residential district in Wuhan, China. The simulation results agree well with the actual measurement data based on five performance metrics representing the aggregated cooling loads, the peak cooling loads as well as the spatial load distribution, and the load profiles. Two currently used simulation methods were also employed to simulate the district cooling loads. The simulation results showed that oversimplified occupant behavior assumptions lead to significant overestimations of the peak cooling load and total district cooling loads. Future work will aim to simplify the workflow and data requirements of the stochastic method to enable its practical application as well as explore its application in predicting district heating loads and in commercial or mixed-use districts.

show abstract

A pattern-based automated approach to building energy model calibration

Cited by 88 publications

References 35 publications

Methoden der Zeitreihenanalyse für die Bewertung von urbanen Gebäudesimulationen

Methoden der Zeitreihenanalyse für die Bewertung von urbanen Gebäudesimulationen

Time-varying value of electric energy efficiency

A novel stochastic modeling method to simulate cooling loads in residential districts

Contact Info

Product

Resources

About