Het inschatten van de thermische prestaties van de gebouwschil op basis van beperkte, tijdens gebruik verzamelde meetdata: Bepaling van de warmteverliescoëfficiënt op grote schaal

De energievraag van onze gebouwen efficiënt terugdringen, kan enkel als we een betrouwbare voorspelling kunnen maken van de  energiebehoeften op stedelijke niveau en van het verbeteringspotentieel van de thermische prestaties van onze (residentiële) gebouwen. Het bepalen van het energiegebruik van gebouwen en het begrijpen van de dynamische energievraag van ons gebouwenbestand hangt af van verschillende factoren, zoals het klimaat, het gebruikersgedrag en de werking van gebouwsystemen en bouwkundige elementen. Onderzoek toont aan dat de werkelijke energieprestatie van gebouwen aanzienlijk kan verschillen van wat oorspronkelijk was voorspeld omwille van inconsistenties in de toegepaste bouwmaterialen en uitvoeringskwaliteit. Daarom is de werkelijke thermische weerstand van bouwcomponenten vaak veel lager dan de theoretisch berekende waarde. Dit benadrukt het belang van het evalueren van de werkelijk gerealiseerde gebouwprestaties. Zo kan inzicht verkregen worden in het daadwerkelijke gedrag van gebouwen. Het verschil tussen voorspeld en daadwerkelijk energiegebruik staat bekend als de energieprestatiekloof.

Om de kloof tussen voorspeld en werkelijk energiegebruik te overbruggen en de werkelijke energieprestatie van gebouwschillen te kwantificeren, wordt de warmteverliescoëfficiënt (HLC) geïntroduceerd als een stationaire prestatie-indicator van de gebouwschil. De HLC kwantificeert het vermogen dat nodig is om een temperatuurverschil van 1 Kelvin tussen binnen en buiten over de gehele gebouwschil te handhaven en houdt rekening met zowel de thermische weerstand als luchtdichtheid. Verschillende methodologieën en testprocedures zijn ontwikkeld om deze prestatie-indicator ter plaatse te kwantificeren, waarbij de co-heating test wordt beschouwd als een van de meest nauwkeurige methoden. De meest gebruikte methoden zijn echter gebaseerd op uitgebreide meetcampagnes, die door belanghebbenden als onpraktisch worden beschouwd omwille van de kostprijs, de tijdsduur en de impact op de bewoners.

De beperkingen van de bestaande beoordelingsprocedures maken ze ongeschikt voor een grootschalige implementatie. Niet-invasieve beoordelingsmethoden worden voorgesteld als alternatieven, waarbij gebruik wordt gemaakt van beschikbare data over energiegebruik, weerdata en metingen met geïntegreerde sensoren om de thermische prestaties in te schatten tijdens het gebruik van het gebouw. Daarbij biedt de toenemende beschikbaarheid van data, zoals deze van digitale meters en IoT-platforms, veel mogelijkheden voor een niet-invasieve  monitoring van het energiegebruik, van de bezetting van woningen en van binnen- en buitencondities.

Maar deze methodes brengen ook uitdagingen met zich mee, waaronder een betrouwbare meting van alle warmtebronnen in het gebouw, en de beschikbaarheid en het beheer van data. Daarom is er behoefte aan onderzoek dat de onzekerheid kwantificeert wanneer de HLC wordt geschat met behulp van metingen met geïntegreerde sensoren tijdens het gebruik van het gebouw in combinatie met geschikte statistische modellen. Rekening houdend met het detailniveau van de data en methodologische beperkingen dient een nauwkeurige beoordeling van thermische prestaties op een geautomatiseerde en niet-gesuperviseerde manier mogelijk gemaakt te worden.

Het onderzoek dat wordt gepresenteerd in deze dissertatie heeft tot doel betrouwbare en snelle methoden te ontwikkelen op basis van geverifieerde statistische modellen voor een individuele beoordeling van de thermische prestatie op basis van beperkte data én toepasbaar op grote schaal. Het werk is verdeeld in drie delen: het genereren van een uitgebreide kunstmatige dataset, het ontwikkelen van geautomatiseerde beoordelingsprocedures en het onderzoeken van de invloed van de gemonitorde variabelen op de nauwkeurigheid van de geschatte HLC voor realistische monitoringopstellingen. De voorgestelde methodologie omvat het creëren van kunstmatige datasets die verschillende situaties van de gebouwenvoorraad weerspiegelen, en die geschikt zijn om een vergelijking te maken tussen schattingen van de HLC via de co-heating test, die als benchmark wordt gebruikt, statistische modellen gebaseerd op data van metingen tijdens het gebruik van het gebouw en de gekende referentiewaarde. De geautomatiseerde beoordelingsprocedure is gebaseerd op AutoRegressive-modellen met eXogenous input die louter data gebruiken en daarom geen  fysische kennis van de woningen vereisen. In het algemeen draagt het onderzoek bij aan de huidige kennis door een grootschalige kunstmatige dataset te genereren, de betrouwbaarheid van de co-heating test te evalueren, bestaande statistische methodologieën uit te breiden naar grootschalige toepassingen, schattingsfouten te kwantificeren en praktische richtlijnen te verstrekken.