TY - RPRT A1 - Andrae, Marc A1 - Auer, Veronika A1 - Barth, Simon A1 - Baumann, Sarah A1 - Betz, Andreas A1 - Châteauvieux-Hellwig, Camille A1 - Geladze, Ekaterine A1 - Hauch, Julia A1 - Hirschmüller, Sebastian A1 - Kapitza, Stephanie A1 - Karlinger, Peter A1 - Köster, Heinrich A1 - Kramer, Oliver A1 - Lüftl, Katharina A1 - Martius, Henrike A1 - Mayr, Andreas A1 - Michanickl, Andreas A1 - Miletzky, Frank A1 - Mühlbauer, Wolfgang A1 - Niedermaier, Peter A1 - Obermeier, Frederik A1 - Peklo, Franziska A1 - Regauer, Verena A1 - Schanda, Ulrich A1 - Schemme, Michael A1 - Schiffer, Lukas A1 - Schöpfer, Fabian A1 - Schumacher, Mara A1 - Schutter, Sabina A1 - Schweiger, Andreas A1 - Seckler, Eva A1 - Sigg, Ferdinand T1 - Jahresbericht 2019, Forschung - Entwicklung - Innovation N2 - Mit dem jährlich erscheinenden Forschungsbericht möchte die Technische Hochschule Rosenheim einen Einblick in ihre vielfältigen Projekte und Aktivitäten der angewandten Forschung und Entwicklung geben. T3 - Schriftenreihen - Forschungsbericht - 8 KW - Forschung Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:861-opus4-13977 ER - TY - JOUR A1 - Magni, Mara A1 - Ochs, Fabian A1 - de Vries, Samuel A1 - Maccarini, Alessandro A1 - Sigg, Ferdinand T1 - Detailed cross comparison of building energy simulation tools results using a reference office building as a case study JF - Energy and Buildings N2 - Building Energy Simulation (BES) tools play a key role in the optimization of the building system during the different phases, from pre-design through commissioning to operation. BES tools are increasingly used in research as well as in companies. New BES tools and updated versions are continuously being released. Each tool follows an independent validation process but rarely all the tools are compared against each other using a common case study. In this work, the modelling approaches of widespread dynamic simulation tools (i.e. EnergyPlus, TRNSYS, Simulink libraries CarnotUIBK and ALMABuild, IDA ICE, Modelica/Dymola and DALEC), as well as PHPP (a well-known quasi-steady-state tool), are described and the results of all the tools modelling the same characteristic office cell, defined within the IEA SHC Task 56, are compared on a monthly and hourly basis for the climates of Stockholm, Stuttgart and Rome. Unfortunately, different tools require different levels of input detail, which are often not matching with available data, hence the parametrization process highly influences the quality of the simulation results. In the current study to evaluate the deviation between the tools, frequently used statistical indices and normalization methods are analysed and the problems related to their application, in a cross-comparison of different tools, are investigated. In this regard, the deviation thresholds indicated by ASHRAE Guideline 14-2014 are used as a basis to identify results that suggest an acceptable level of disagreement between the predictions of a particular model and the outcomes of all models. The process of reaching a good agreement between all tools required several iterations and great effort on behalf of the modellers. To aid the definition of building component descriptions and future references for inter-model comparison a short history of the executed steps is presented in this work. Together with the comparison of the results of the tools, their computational cost is evaluated and an overview of the modelling approaches supported by the different tools for this case study is provided aiming to support the users in choosing a fit-for-purpose simulation tool. KW - Statistical indices KW - Computational cost KW - Modelling approaches KW - Cross comparison KW - Building Simulation Y1 - 2021 UR - https://doi.org/10.1016/j.enbuild.2021.111260 VL - 250 SP - 111260 ER - TY - RPRT A1 - Spindler, Uli A1 - Wellisch, Ulrich A1 - Krause, Harald A1 - Hanfstaengl, Lucia A1 - Parzinger, Michael A1 - Puntigam, Stephan A1 - Sigg, Ferdinand A1 - Wirnsberger, Markus T1 - Entwicklung einer Methodik zur Bestimmung der Energieeffizienz von Gebäuden auf Basis von optimierten in situ Messungen N2 - Gebäuden haben einen Anteil von 40% am deutschen Gesamtenergiebedarf und sind damit eine entscheidende Stellschraube beim Erreichen der Klimaziele. Der Energiebedarf von Gebäuden wird von der Gebäudehülle und der Gebäudetechnik bestimmt. Ein Großteil der Gebäudetechnik wird nicht in optimaler Weise betrieben. So können durch die Analyse des Gebäudes im Rahmen eines technischen Monitorings und anschließender Optimierung, Energieeinsparungen im Bereich von 5% bis 30% erzielt werden. Mit der Optimierung der Gebäudetechnik kann der Energiebedarf von Gebäuden ohne zusätzlichen Ressourcenaufwand reduziert werden. Jedoch ist die Implementierung eines technischen Monitorings in Gebäuden aufwändig und wird daher, trotz des möglichen Einsparpotentials, in nur wenigen Gebäuden umgesetzt. Um die Verbreitung von technischem Monitoring, und damit die Analysemöglichkeiten von Gebäuden, voranzutreiben, wurde im Projekt EnOB: InSitu Nachweisverfahren erforscht, wie mit geringem Aufwand Rückschlüsse auf den Zustand von Gebäude getroffen werden können. Hierfür wurde untersucht welche Parameter gemessen werden müssen um aus einem einfachen Basismonitoring, das üblicherweise in situ stattfindet, Aussagen zur Gebäudequalität, Anlagenqualität und Nutzerverhalten treffen zu können. Der Schwerpunkt der Untersuchungen im Projekt wurde zum einen auf Untersuchungen zur Detektierung der Anwesenheit von Personen in Räumen gelegt, als auch auf die automatische Fehlererkennung von Anlagenfehlern. Dabei war ein maßgeblicher Arbeitsaufwand die Entwicklung geeigneter Versuchsreihen und die Aufbereitung der Daten. Für die Umsetzung wurden Messungen in einer Forschungswohnung, als auch im Labor für intelligente Gebäudetechnik, kurz LiGT, erzeugt. Im Rahmen des Projekts wurde das LiGT umgebaut und mit entsprechender Mess- und Gebäudetechnik ausgestattet. Für die Analysen der Daten wurden Methoden des Maschinellen Lernens und der Statistik, wie zum Beispiel Random Forest und LASSO, eingesetzt. Für die Erkennung der Anwesenheit sind drei Messreihen durchgeführt worden. Darunter ein Versuch mit zwei realen Personen, ein Versuch mit fünf künstlichen Nutzern und ein weiterer Versuch mit der Kombination von Simulations- und Messdaten. Um das Ziel der kostengünstigen Analyse zu erreichen, sollten ohnehin in Gebäuden verfügbare Raumklimasensoren verwendet werden. Die Analyse erfolgte daher auf Raumebene. Unter der Verwendung von CO2-, Temperatur-, Feuchtesensoren in den Innenräumen und Solarstrahlungs- und Temperatursensoren im Außenbereich konnte die Personenanzahl im Raum mit hoher Genauigkeit bestimmt werden. Für die Anwesenheit von bis zu fünf Personen wurde eine Trefferquote von 86,5% und für den Versuch mittels Simulationen eine Sensitivität von mindestens 83% und eine Spezifität von mindestens 97% erzielt. Für die automatische Fehlererkennung wurden zwei unterschiedliche Ansätze untersucht. Beim ersten Ansatz, welcher auch im Rahmen des Annex 71 vorgeschlagen wurde, wurde ein statistisches Modell mit Messdaten aus einem fehlerfreien Zeitraum trainiert. Mithilfe diesem Modells werden Abweichungen vom fehlerfreien Zustand identifiziert. Dazu wurden Simulationen der Zwillingshäuser am Fraunhofer Institut für Bauphysik in Holzkirchen verwendet anhand welcher die entwickelte Methoden getestet wurde. Mit dem Ansatz konnte fehlerbehaftete Zeiträume identifiziert werden, jedoch nicht die Art des Fehlers. Im zweiten Ansatz wurden die Fehler selbst simuliert und als Trainingsdaten für die statistischen Modelle verwendet. Zur Validierung des Verfahrens wurden Daten eines realen Gebäudes analysiert. Zur Generierung der Messdaten wurden im LiGT Messungen durchgeführt. Hierbei wurden zu unterschiedlichen Zeitpunkten drei unterschiedliche Fehler künstlich herbeigeführt. Die Qualität der Fehlererkennung ist dabei maßgeblich von der Qualität der Simulation und der Art des Fehlers abhängig. Im Projekt wurden sowohl Methoden zur Anwesenheitserkennung, als auch zur automatisierten Fehlererkennung von Anlagen entwickelt. Diese Erkenntnisse können in einem Basismonitoring zur Untersuchung von Gebäudequalität, Anlagenqualität und Nutzerverhalten verwendet werden. Automatisierte Methoden haben in Zukunft einen wesentlichen Einfluss auf den Erfolg und die Anwendbarkeit von technischem Monitoring. KW - Gebäudemonitoring KW - Maschinelles Lernen KW - Abschlussbericht Y1 - 2023 ER -