| dc.description.abstract | Redusere utslipp og øke effektiviteten av menneskelige aktiviteter ligger øverst på forskning og politiske dagsordener. Endringer i energisystemet er nødvendige hvis vi ønsker å nå målene og målene som er satt for å redusere klimaendringene. Norge har en miljøvennlig energimiks med vannkraftregnskap med over 95% av kraftproduksjonen. Det er imidlertid også et land med en av de høyeste energibehovene per person, og det ser ut til å fortsette å øke i årene som kommer med stigningen i elektriske kjøretøyer (EV). I denne sammenheng kan kapasitetsproblemer oppstå hvis vi ikke er i stand til å balansere etterspørsel og forsyning og øke effektiviteten i alle sektorer.
Norske byggelager bruker betydelig mer elektrisitet enn andre nordiske land, spesielt for oppvarming. Utvikling og iverksettelse vil tiltak for å redusere kraftbehovet fra bygninger sammenfalle med mer elkapasitet til andre formål. Utbyggingen av Variable Renewable Energy Sources (VRES), som vindkraft eller fotovoltaikk, utvidelse eller implementering av fjernvarmenettverk i byområder, bygningsrenoveringer og Near Zero Energy Buildings (NZEB) kan i kombinasjon føre til dette målet.
Studien og forståelsen av byggelager og deres energiforbruk er nødvendig for å kunne gjennomføre ovennevnte løsninger effektivt og smart. Nylig har tekniske modeller blitt utviklet for å forstå den faktiske ytelsen av boligbygg og ikke-boligbygg. Også dynamiske modeller har presentert fremtidig prognose for hvordan ulike scenarier kan endre energiforbruket i denne sektoren. Parallelt har Geografiske Informasjonssystemer (GIS) kommet fram som et verktøy som muliggjør romlig visualisering og opprettelse av energikart. Videre tillater dataanalyse å skaffe relevant informasjon om forbruksmønstre.
Den foreliggende studien tar sikte på å gi en metode og et verktøy som kombinerer GIS og dataanalyse for studier av den romlige dimensjonen av energibruk av byggelager. Vi gjelder det for tilfelle av ikke-boligbygg i Trondheim, Norge.
Et georeferert datasett for byggelageret og to ikke-georefererte datasett for strøm og varmeforbruk ble samlet inn fra ulike kilder for å være inngangen til modellen. Etter å ha rengjort og behandlet databasene, beregner vi energinivåene etter type-kohortarketypene og tildeler dem til alle ikke-boligbygg i Trondheim kommune. Med denne informasjonen utvikler vi et visualiseringsverktøy som gjør det mulig å skape energikart i ulike oppløsninger og analysen av energiforbruket. Til slutt utfører vi en komparativ analyse for å undersøke forskjellen mellom virkelige og beregnede energiintensiteter fra tekniske modeller.
Dataanalysene og energiintensitetsberegningene ble utført ved å utvikle flere skript og funksjoner i Python 3.0. ArcGIS Pro er GIS som brukes til manipulering av det georefererte datasettet og visualisering av energikart.
Resultatene fra casestudien viser at varme- og strømforbruket i ikke-boligbygg er ikke lineært korrelert med verken byggår eller bygningens tekniske krav. Imidlertid er prebound og rebound effekter identifisert etter en komparativ analyse av ekte og beregnede energiintensiteter, spesielt i gamle og nye bygninger. Derfor har brukeradferdene viktige konsekvenser for energiforbruket til ikke-boligbygg. Til slutt ser vi en ulik energidistribusjon i Trondheim. Områder med høyt aggregerte energiforbruk er innenfor distriktskonsentrasjonsområdet, og dermed kan utvidelsen bidra til å redusere etterspørselen etter elektrisitet i bygninger som ligger i disse områdene. Tvert imot har mer fjerntliggende regioner en tendens til å ha høyere gjennomsnittlig energiintensitet og lavere aggregerte energiforbruk, slik at implementering av oppussingsplaner fremstår som den beste løsningen for å øke effektiviteten til bygninger og redusere etterspørselen etter elektrisitet.
Selv om datainnsamlingen og prosesseringen er tidkrevende og det er usikkerhet etter datasvetting og sammenslåing, muliggjør modellen den systematiske kombinasjonen av energileverandørsdatabaser og georefererte data for byggelager for å fortsette med romlige energianalyser. Endelig forklarer avhandlingen hvordan modellen kan gi et grunnleggende verktøy for beslutningstaking og mer effektive løsninger. | |
| dc.description.abstract | Reducing emissions and increasing the efficiency of human activities are at the top of research and political agendas. Changes in the energy system are required if we want to reach the goals and targets set to reduce the effects of climate change. Norway has an environmentally friendly energy mix, with hydropower accounting with more than 95% of power production. However, it is also a country with one of the highest energy demand per person, and it appears to continue increasing in the years to come with the rise of electric vehicles (EV). In this context, capacity problems might arise if we are not able to balance demand and supply and increase efficiencies in all sectors.
Norwegian building stocks consumes significantly more electricity than other Nordic countries, especially for heating purposes. Developing, and put into effect, measures to further reduce the power demand from buildings will come together with more electricity capacity for other purposes. The deployment of Variable Renewable Energy Sources (VRES), such as wind power or photovoltaics, the extension or implementation of district heating networks in urban areas, building refurbishments and Near Zero Energy Buildings (NZEB) might, in combination, lead to this target.
The study and understanding of building stocks and their energy consumption are needed in order to implement the abovementioned solutions efficiently and smartly. Recently, technical models have been developed to understand the actual performance of residential and non-residential buildings. Also, dynamic models have presented future forecasting of how different scenarios might change the energy consumption of this sector. In parallel, Geographical Information Systems (GIS) have emerged as a tool that allows spatial visualisation and the creation of energy maps. Moreover, data analysis allows for obtaining relevant information about consumption patterns.
The present study aims to provide a methodology and a tool that combines GIS and data analysis for the study of the spatial dimension of the energy use of building stocks. We apply it to the case of non-residential buildings in Trondheim, Norway.
A georeferenced dataset for the building stock and two non-georeferenced datasets of electricity and heat consumptions were collected from different sources to be the inputs of the model. After cleaning and processing the databases, we calculate the energy intensities by type-cohort archetypes and assign them to all non-residential buildings of Trondheim municipality. With this information, we develop a visualisation tool that allows the creation of energy maps in different resolutions and the analysis of the energy consumption distribution. Finally, we perform a comparative analysis to examine the difference between real and calculated energy intensities from engineering models.
The data analyses and energy intensity calculations were carried out by developing several scripts and functions in Python 3.0. ArcGIS Pro is the GIS employed for the manipulation of the georeferenced dataset and the visualisation of energy maps.
Results from the case study show that heat and electricity consumptions in non-residential buildings are not linearly correlated with neither the year of construction nor the technical requirements of buildings. However, prebound and rebound effects are identified after a comparative analysis of real and calculated energy intensities, especially in old and new buildings. Therefore, user behaviour has important impacts on the energy consumption of non-residential buildings. Finally, we see an unequal energy distribution in Trondheim. Areas with high aggregated energy consumptions are within the district concession area, thus its expansion may help to decrease the electricity demand of buildings located in these areas. On the contrary, more remote regions tend to have higher mean energy intensities and lower aggregated energy consumptions, thus implementing refurbishment plans appear as the best solution to increase the efficiency of buildings and reduce electricity demand.
Even if the data collection and processing is time-consuming and there is uncertainty after data cleaning and merging, the model allows for the systematic combination of energy suppliers databases and georeferenced building stock data to proceed with spatial energy analyses. Finally, the thesis explains how the model may provide a fundamental tool for decision making and more effective solutions. | |
