search

quarree100 / q100_abm_TREND

ABM which aims to connect and process the complexity of techno-economic and socio-technical processes - Case: Neighborhood of Ruesdorfer Kamp, Heide, Schleswig-Holstein, Germany. Project QUARREE100.
https://quarree100.de/
2 stars 1 forks source link

kleine Analyse der Gebäude-Verbrauchsdaten #92

Closed lwinkeler closed 1 year ago

lwinkeler commented 1 year ago

@dunland schrieb:

Moin,

wir hatten ja die Befürchtung, dass die (geclusterten) Verbrauchsdaten der Gebäude auf dem Q-Scope falsch ausgerechnet oder dargestellt werden. Dem ist nicht so! Ich habe die Ergebnisse noch mal mit den Katasterdaten verglichen, und die Cluster-Daten weichen tatsächlich nur minimal von den Katasterdaten ab (aus den Clustern ergibt sich, so wie sie jetzt gewählt sind, ein Durchschnittsverbrauch, der im Mittel bei 10-12kWh Unterschied zum tatsächlichen Gebäudewert liegt). Das könnt ihr auch der angefügten Tabelle entnehmen.

  • [x] Es ist also vielmehr so, dass im Kataster die Verbrauchsdaten teilweise enorm hoch sind (Beispiel Neue Heimat 22: ca. 640 kWh Wärme/m²). Da gibt es also sicher noch was zu diskutieren / prüfen
dunland commented 1 year ago

Ich wollte gerne noch mal rausfinden, ob wir mit dieser Methode des Clustern nach Energieträger und Verbrauch zufrieden sind. Zusammengefasst sehen wir: je Größer das Toleranzinterval, in dem sich Referenzgebäude aufhalten dürfen, desto "ähnlicher" werden alle Gebäude - logisch! Wie man jetzt den passenden Rahmen auswählt, weiß ich überhaupt nicht. Ob diese Methode unsere Daten sinnvoll verschleiert weiß ich auch nicht, denn deutliche relative Unterschiede zwischen den Gebäuden lassen sich selbstverständlich noch aufdecken...

  cluster_size spec_heat_consumption avg_spec_heat_consumption spec_power_consumption avg_spec_power_consumption
count 140.000000 140.000000 140.000000 140.000000 140.000000
mean 12.321429 217.435523 217.554814 35.387948 34.871596
std 8.401154 101.175756 93.803518 23.339964 20.051225
min 2.000000 20.702610 34.946040 0.142860 6.603895
25% 4.000000 159.589323 160.126731 18.822215 18.377012
50% 12.000000 201.954410 194.666699 32.118345 33.334228
75% 20.250000 260.633915 255.085203 45.545290 43.712982
max 28.000000 640.166190 586.602200 178.524550 141.793440

für die Wärme allein sieht die vollständige Liste (Verbrauch absolut vs gemittelt aus cluster) so aus:

id type spec_heat_consumption avg_spec_heat_consumption
1.02 EFH 166.14386 179.81150866666667
1.04 EFH 230.0 230.0
1.05 EFH 230.0 230.0
1.06 EFH 156.29499 134.77024
1.08 EFH 88.71847 102.48875210526316
1.09 EFH 161.62654 165.83974454545458
1.10 EFH 230.0 230.0
1.11 MFH 278.04614 274.8478785714286
1.12 EFH 151.01156 166.52176529411764
1.13 EFH 230.0 230.0
2.01 EFH 235.61121 227.0535127777778
2.02 EFH 153.41424 158.38243280000003
2.03 EFH 385.58252 381.96153749999996
2.04 EFH 134.67302 134.8901474074074
2.05 EFH 163.99621 161.22689642857145
2.06 EFH 130.86899 148.72785823529412
2.07 EFH 135.86133 147.10931
2.08 EFH 241.70314 230.63387199999997
2.09 EFH 372.27692 368.616375
2.10 EFH 187.70325 176.725586875
2.11 EFH 41.27573 88.56853000000001
2.12 EFH 417.88618 423.1029433333333
2.13 EFH 260.26423 256.96501470588237
2.14 EFH 255.05259 246.9644785714286
2.15 EFH 365.66536 352.412284
2.16 EFH 118.79579 121.12165347826085
2.17 EFH 126.12907 150.02850933333332
2.18 EFH 123.39785 134.12615035714288
2.19 EFH 191.44105 190.37571272727274
2.20 EFH 210.79162 202.8766896153846
2.21 EFH 261.74297 265.49980999999997
3.01 EFH 230.0 230.0
3.03 EFH 493.69393 432.87735
3.04 MFH 170.0 170.0
3.05 MFH 364.95583 355.39337333333333
3.06 MFH 200.24337 193.92922499999997
3.07 MFH 262.52214 254.458599
3.08 MFH 320.50373 330.905008
3.09 MFH 358.71209 345.674545
3.10 MFH 85.18346 109.5947375
3.12 MFH 136.23941 133.8646128
4.01 EFH 281.19595 283.132795
4.03 EFH 372.06077 344.459554
4.05 EFH 293.65666 319.5964266666667
4.06 EFH 492.59193 497.1567566666667
4.07 EFH 160.0 221.25
4.08 EFH 166.80037 176.75260125
4.09 EFH 97.86622 111.504015
4.10 EFH 259.81115 246.90672
4.11 EFH 213.2772 227.49016999999998
4.12 EFH 198.02225 182.573935625
4.13 EFH 144.15833 158.69181888888886
4.14 EFH 160.0 167.5
4.15 EFH 164.38239 169.3747272727273
4.16 EFH 180.20505 182.704330625
4.17 EFH 201.65354 191.52344562500002
4.18 EFH 157.61206 156.35249884615385
4.19 EFH 221.35674 219.9097544
4.20 EFH 299.45451 281.68130833333333
4.21 EFH 186.97284 187.07221727272727
4.22 EFH 160.0 155.83289444444443
4.23 EFH 640.16619 586.6022
4.24 EFH 140.48691 144.03394555555556
4.25 EFH 91.67687 106.85249294117646
4.26 EFH 43.7699 64.29686428571429
4.27 EFH 250.74146 247.9985931578947
4.28 EFH 311.98585 295.52728875
4.29 EFH 293.07185 296.94268000000005
4.30 EFH 236.01355 230.80269590909091
4.31 EFH 113.24549 134.77024
5.01 MFH 170.0 167.5
5.03 MFH 73.12273 90.58488153846154
5.04 MFH 170.0 170.0
5.05 MFH 249.22812 241.64139941176467
5.06 MFH 170.0 161.56304047619045
5.07 MFH 170.0 210.0
5.08 MFH 193.19703 189.67999666666668
5.09 MFH 446.94825 409.50451
5.10 MFH 215.54473 206.89994846153846
5.11 MFH 177.68504 167.60058545454544
5.12 MFH 298.94988 288.45603200000005
5.14 MFH 327.39636 410.54514500000005
5.15 MFH 170.0 176.46877285714282
6.01 MFH 170.0 166.38184458333333
6.02 MFH 170.0 160.60503454545454
6.03 MFH 170.0 175.30540000000002
6.04 MFH 170.0 164.38016909090908
6.06 MFH 533.03821 512.81507
6.07 MFH 170.0 167.5
6.08 MFH 88.08947 104.53757375
6.09 MFH 171.49743 174.6870675
6.10 MFH 201.44834 186.37856499999998
7.06 MFH 40.36561 59.12813166666667
7.07 EFH 230.0 230.0
7.08 EFH 96.19743 116.507456
7.09 EFH 230.0 225.208848
7.10 EFH 262.80724 262.93351058823527
7.11 EFH 131.60836 133.8646128
7.12 EFH 300.82905 286.45658083333336
7.13 EFH 230.0 230.0
7.14 EFH 158.35729 147.10931
7.15 EFH 306.27471 289.70341
7.16 EFH 241.44586 231.26454999999999
7.17 EFH 465.84013 458.7727466666667
7.18 EFH 230.0 230.0
7.20 EFH 210.97545 173.41839
7.21 EFH 112.92122 119.17280999999998
7.22 EFH 230.0 230.0
7.23 EFH 230.0 230.0
7.24 EFH 312.36801 296.50948625
7.26 EFH 269.60733 270.327326
7.27 EFH 230.0 230.0
7.28 EFH 147.13783 144.63671333333335
7.29 EFH 230.0 230.0
7.30 EFH 97.42794 110.99357411764707
7.31 EFH 96.11566 111.31320499999998
7.32 EFH 202.25528 188.8360315789474
7.33 EFH 188.65711 184.15395958333332
7.34 EFH 328.94737 312.9569788888889
7.35 MFH 91.72186 106.85249294117646
7.38 MFH 20.70261 34.94604
7.39 EFH 230.0 230.0
7.40 MFH 262.25194 270.3570266666666
7.41 MFH 175.61739 178.509135
7.43 MFH 331.59772 344.119725
7.44 EFH 420.98389 417.4165075
7.45 EFH 221.69185 221.80728499999995
7.47 EFH 316.56024 296.94268000000005
7.48 EFH 133.04899 131.002520625
7.50 EFH 230.0 230.0
7.52 EFH 230.0 230.0
7.53 EFH 205.16408 195.40417391304345
7.54 EFH 136.24683 134.8901474074074
7.55 EFH 203.44679 197.37986799999996
7.56 MFH 169.53986 166.586468
7.57 EFH 111.48009 120.18740952380952
7.59 EFH 292.8476 283.5928530769231
7.63 EFH 170.81082 177.22420583333337
7.64 MFH 170.0 167.5
7.65 EFH 240.71141 229.01308285714282
lwinkeler commented 1 year ago

Bedeutet, dass das resultierende TODO an der Stelle folgendes ist?

Ob diese Methode unsere Daten sinnvoll verschleiert weiß ich auch nicht, denn deutliche relative Unterschiede zwischen den Gebäuden lassen sich selbstverständlich noch aufdecken...

Da würde ich auf das Gespräch mit David Sauss verweisen; der hatte darauf hingewiesen, dass der einzige kritische Punkt, das Verwenden der exakten Daten sei. Relative Unterschiede oder grobe Werte seien kein Problem. Besonders auch, da die Häuser (nach Prüfung) den Standard-Werten, wie man sie überall im Internet findet, entsprechen und damit quasi offensichtlich zuzuordnen sei, wie die groben Daten dieser Häuser aussehen.

lwinkeler commented 1 year ago

Ich habe die Katasterdatei nochmal geprüft. Leider finden sich zu den rot markierten Häusern keine speziellen weiteren Angaben oder Notizen, die darauf schließen lassen, weshalb die Markierung genau hier stattgefunden hat (außer, dass es die 11 Häuser mit den schlechtesten Verbrauchswerten sind). Darüber hinaus ist jedoch spannend, dass verschiedene Häuser-Arten vertreten sind, also sowohl NWG als auch EFH und MFH.

Das Clustern der flächenspezifischen Werte bietet den Vorteil, dass Häuser mit ähnlichem Modernisierungsstatus unabhängig von der Größe miteinander verglichen werden können. Außerdem umgeht man das Problem, dass bspw. ein großes modernisiertes Haus im gleichen Cluster landet, wie ein kleines ungedämmtes (da der absolute Verbrauch dadurch in ähnlichen Bereichen sein könnte).

lwinkeler commented 1 year ago

Festlegen einer nachvollziehbaren & begründeten Clustergröße

Wir ordnen die Häuser eh bereits nach dem spezifischen Wärmeverbrauch ein. Die gleiche Einordnung erfolgt ebenfalls bei der Energieeffizienzklasse von Häusern nach folgenden Gebäudestandards:

Energieeffizienzklasse Endenergie [(kWh/(m2•a)]

Unsere Katasterdaten sind natürlich nicht verhaltensbereinigt, dass die Einstufung demnach exakt zutrifft, muss infrage gestellt werden. Für die Erstellung der Cluster dürfte es aber passen 👍

Verweise: Verbraucherzentrale -> Effizienzklassen und Vergleichswerte

image

image

dunland commented 1 year ago

Nur zum Festhalten: Energieeffizientklasse bezieht sich auf Gebäude → wird dadurch 1:1 auf Haushalte übertragen, ganz egal wie groß die WE sind und wie viele es gibt. Teilen dieses Wertes durch Anzahl WE würde zum Beispiel quatsch sein, weil ja nicht Effizienzklasse F + Effizienzklasse F = Effizienzklasse D bzw D/2 != F

lwinkeler commented 1 year ago

Stimmt! Weshalb ich ebenfalls so am hadern war ist, dass wir unsere Daten natürlich wieder nicht ganz mit der Effizienzklasse abgleichen können. Hintergrund ist, dass wir ja eine Kombination aus Gebäudezustand und Heizverhalten haben.

Verbraucherzentrale:

Daneben hängt der reale Energieverbrauch stark vom Standort, von den Witterungsverhältnissen und dem individuellen Heizverhalten der Bewohner:innen ab. Bei einem Bedarfsausweis wird seit 2014 beim Berechnungsverfahren nach der DIN V 18599 eine durchschnittliche Raumtemperatur von 20 °C angenommen, jedes Grad darüber erhöht den Energieverbrauch um rund 6 Prozent.

Es könnte dementsprechend folgender der Schluss gezogen werden:

Ich struggle gerade auch noch ein wenig mit folgender Fragestellung: Abgesehen von Effekten durch's Wohnen auf engem Raum; müssten MFH nicht automatisch schlechtere Effizienzklassen auswerfen, da kleinere Wohnfläche pP kombiniert mit höherem Verbrauch, da viele Wohnhafte?

joroeder commented 1 year ago

Unsere Katasterdaten sind natürlich nicht verhaltensbereinigt, dass die Einstufung demnach exakt zutrifft, muss infrage gestellt werden. Für die Erstellung der Cluster dürfte es aber passen 👍

Ne, das sind sie nicht. Was du mit "verhaltensbereinigt" meinst, wäre die Erstellung eines Bedarfsausweises (das folgt einer festgelegten Berechnungsvorschrift auf Basis der Gebäude- und Dämmeigenschaften, sowie eingebaute Raumlufttechnik, Heizung, etc. nach festen DIN Normen und so). Was man aus den Daten machen kann, wäre eine Verbrauchsausweis (siehe die Quelle von dir eben, da gibt es zwei verschiedene Ausweise.

joroeder commented 1 year ago

ja schwierig, vermutlich wäre es für euch cool, wenn ihr beides getrennt hättet: Bedarf und Verbrauch. Aber es liegt leider nur letzteres vor. Letztlich weiß man bei einem Haus mit hohem Verbrauch nicht genau, ob der einfach verschwenderisch heizt, oder ob das Gebäude so schelcht ist, oder beides. Wobei im Mittel der Verbrauch ja schon auch eine gute Indikation über den Gebäudezustand ist.

lwinkeler commented 1 year ago

Voll! In diesem Fall geht es ja eigentlich auch erstmal nur darum, einen Richtwert am Infoscreen für die Benutzer:innen des qScopes zu haben, damit sie grob einschätzen können, was bei dem ausgewählten Gebäude geht und wir eine Möglichkeit haben, das Darstellen der exakten Katasterdaten zu umgehen. Von daher würde ich sagen: Gebäudecluster nach Energieeffizienzklassen (2014) festlegen und ab dafür. Wenn dann fragen kommen, haben wir das auf'm Schirm.

Danke übrigens für's Dazuschalten, Johannes, schön sogar ungefragt eine Meinung dazu zu bekommen 🙏 !

joroeder commented 1 year ago

Ja, kein Problem, hatte das gerade zufällig gesehen. Genau, am Ende müsst ihr nur wissen, dass es da diese zwei Methoden gibt, falls irgendein spitzfindiger Mensch da genauer nachfragt.

dunland commented 1 year ago

Zuordnung zu Energieeffizienzklassen nach spezifischem Wärmeverbrauch als grafische Anzeige... ist implementiert! :ballot_box_with_check: