PhD Marieline Senave - Kunnen slimme meters en sensoren ons helpen om de prestaties van woningen te identificeren?

Beknopte samenvatting

Ter ondersteuning van de energietransitie in de gebouwde omgeving is kennis van de prestatiekenmerken van de gebouwschil en de technische installaties essentieel voor verscheidene toepassingen, zoals kwaliteitsbewaking, de ontwikkeling van renovatiestrategieën, of de beoordeling van het potentieel van structurele thermische opslag voor vraagsturing. In de praktijk is de beschikbare informatie over het bestaande gebouwenpark echter vaak beperkt, en de betrouwbaarheid ervan kan in twijfel worden getrokken. Uit onderzoek blijkt bovendien dat de resultaten van berekeningen en simulaties die tijdens de ontwerpfase zijn gemaakt, aanzienlijk kunnen verschillen van de werkelijke asbuilt prestaties.

Karakterisatiemethoden op basis van in-situ metingen bieden veelbelovende alternatieven aan om prestatie-indicatoren te bepalen, maar sommige proefopstellingen kunnen als hinderlijk en duur worden ervaren. Nieuwe technieken, zoals 3D Lidar-geometriescanning, thermografische luchtfoto’s, slimme meters en IoT-sensoren bieden kansen om minder storende en snellere identificatiemethoden te ontwikkelen.

Het eerste doel van dit onderzoek is het in kaart te brengen van het samenspel van vier aspecten met betrekking tot de karakterisatie van de gebouwenergieprestatie, namelijk (1) toepassingen van karakterisatie, (2) te bepalen prestatie-indicatoren, (3) geschikte karakterisatiemethoden, en (4) de eisen van betrokken partijen. Hiertoe is er een kader ontwikkeld dat al deze aspecten met elkaar in verband brengt, en presenteert in de vorm van een driedimensionale matrix. Een mogelijke toepassing van deze matrix is bijvoorbeeld een instrument dat betrokken partijen begeleidt in het selecteren van een geschikte karakterisatiemethode om een prestatie-indicator te bepalen binnen een vastgestelde nauwkeurigheidsmarge.

Vervolgens richt het onderzoek zich op één specifieke prestatie-indicator in de matrix: de warmteverliescoëfficiënt of ‘HLC’. De HLC is een maat voor de transmissie- en infiltratieverliezen doorheen de gebouwschil. Dit werk verkent de mogelijkheid om de HLC van eengezinswoningen in te schatten aan de hand van een combinatie van metingen tijdens de gebruiksfase en data-analyse via stationaire of dynamische analysemethoden. ‘Metingen tijdens de gebruiksfase’ wordt hierbij gedefinieerd als de monitoring van het energiegebruik en binnenklimaat van bewoonde gebouwen via niet-intrusieve sensoren. Er wordt onderzocht hoe het resultaat van de karakterisatie fysisch geïnterpreteerd dient te worden. Omdat er verschillende input datasets verzameld kunnen worden, gaande van louter smart meter data tot een combinatie van sensordata, data van Bouwwerk Informatie Modellen, enquêtes en stelwaarden, wordt er een sensitiviteitsanalyse uitgevoerd die de invloed evalueert van de uitgebreidheid en nauwkeurigheid van de verzamelde input data op de schatting van de warmteverliescoëfficiënt (HLC). Voorts wordt geanalyseerd in welke mate de HLC-schatting wordt beïnvloed door het beschouwde gebouw (bv. gebouwtypologie, isolatiekwaliteit, verwarmingspatroon) en de gebruikte dataanalysemethode.

Dit doctoraatonderzoek omvat case studies op zowel reële meetdata als synthetische datasets, gegenereerd uit gebouwenergiesimulaties. Deze combinatie maakt het mogelijk om verschillende scenario's met betrekking tot het gebouwtype en binnenklimaat te kunnen onderzoeken, zonder de bijzonderheden van in-situ meetdata uit het oog te verliezen.

Het onderzoek bevestigt de intrinsieke capaciteit van HLC-karakterisatie op basis van metingen in de gebruiksfase. Er wordt aangetoond hoe de warmteverliescoëfficiënt bepaald kan worden met een nauwkeurigheidsgraad van 2.5%. De behaalde nauwkeurigheid is echter sterk afhankelijk van het onderzochte gebouw en de gemaakte keuzes tijdens het verzamelen van de monitoringgegevens en/of de analyse ervan, zoals het aantal temperatuursensoren dat wordt geïnstalleerd en hun positie, de duur van de metingen, de geselecteerde data-analysemethode, of de interpretatie van de geïdentificeerde modelcoëfficiënten. Het onderzoek wordt afgesloten met een illustratie van hoe door gerichte combinaties te maken van input datasets en data-analysemethoden een divers scala aan karakterisatiemethodes kan worden opgebouwd, geschikt voor verscheidene toepassingen, budgetten en tijdsbestekken.

Over Marieline

Marieline Senave voltooide een PhD-onderzoek in de afdeling Bouwfysica aan de KU Leuven en de Unit SEB binnen VITO, gefinancierd door een FWO-VITO mandaat (Supervisors: prof. Dirk Saelens (KU Leuven) en Stijn Verbeke (VITO SEB)). Haar onderzoek heeft ook bijgedragen aan de lopende IEA EBC bijlage 71 over "Building Energy Performance Assessment Based on In-situ Measurements"