AKADEMIN FÖR TEKNIK OCH MILJÖ
Avdelningen för byggnadsteknik, energisystem och miljövetenskap
Kalibrering och validering av en IDA ICE modell
Ett flerbostadshus från 1970-talets miljonprogram
Olof Östlin och Mikaela Sjödén Havik
2020
Examensarbete, Grundnivå (kandidatexamen), 15 hp Energisystem
Sammanfattning
Aktuellt examensarbete är en fallstudie som utförts på en miljonprogramsbyggnad i Andersberg ägd av AB Galvegårdarna vilka även är uppdragsgivarna. Då miljonpro-gramsbyggnader är dåligt värmeisolerade och har stora värmeläckage är det idag av stort intresse att se över eventuella förbättringsåtgärder då dessa byggnader har en potential att minska energianvändningen med 50 procent.
Syftet med detta projekt är att få en kalibrerad och validerad modell med hjälp av den BES-modell (Building Energy System) som kommer att tas fram i detta exa-mensarbete. Genom litteraturstudie, platsbesök samt inhämtning av protokoll, rit-ningar och uppmätta data för byggnaden kunde modellen skapas och kalibreras i simuleringsprogrammet IDA Indoor Climate and Energy.
Ritningar och data tillhandahölls från AB Gavlegårdarna och platsbesök gjordes för att komplettera dessa genom att göra mätningar av temperaturer i de allmänna ut-rymmena. På plats kunde även byggnadens mått mätas för att säkerställa att byggna-den inte hade uppdaterats sedan tilldelade ritningarna skapats. När samtlig informat-ion ansågs ha införskaffats lades all data in i IDA ICE där även en modell av byggna-den byggdes upp.
För köldbryggorna användes simuleringsverktyget COMSOL Multiphysics för att ta fram de enskilda köldbryggornas psi-värden vilka därefter användes som input i byggnadsmodellen i IDA ICE.
Den kalibrerade modellen framtagen i detta projekt visade sig stämma med upp-mätta värden så när som på +- 10% då den ställdes mot det uppupp-mätta energibehovet för byggnaden. Mot en nyutvecklad energisignatursmodells byggnadsförlustkoeffici-ent blev skillnaden 19.6% vilket kan bero på att fel från simuleringsverktygen samt osäkerheter angående omätbara parametrar.
Slutsastsen utav detta arbete var att ”performance gap” även inträffade på den fram-tagna modellen i detta arbete. Vilket verkar vara svårt att undvika.
På platsbesöket upptäcktes vattensamlingar på taket på byggnaden vilket var en för-våning för författarna då det fanns dokument som sade att ytskiktet var bytt 2015 och att det fanns indikeringar på att detta kunde få omfattande konsekvenser om det inte åtgärdas vilket tas upp under diskussion
Framtida arbete om varför boendes bettendemönster underskattas vore något att gå vidare med i framtida studier för att kunna minska ”performance gap” på BES mo-deller.
Abstract
This thesis is a case study carried out on a Million Homes Program (MHP) building in Andersberg owned by AB Galvegårdarna, whom are also the clients. Since MHP-buildings are poorly insulated and have major heat leaks, it is of great interest today to investigate any improvement measures as these buildings have a potential to re-duce their energy use by 50 percent. This is possible with the help of the calibrated model in a building energy performance simulation (BEPS) tool, which is the pur-pose of developing in this thesis. Through a literature study, visit in the building and gathering protocols, drawings and measured data, a model could be built and cali-brated in IDA Indoor Climate and Energy was started.
Drawings and data were provided from AB Gavlegårdarna and site visits were made to supplement these by taking measurements of temperatures in the common areas. On site, the dimensions of the building were also measured to ensure that the build-ing had not been upgraded since the assigned drawbuild-ings were created. When all the information was considered to have been obtained, all data was entered into IDA ICE where a model of the building was also built up.
For the thermal bridges, the COMSOL Multiphysics simulation tool was used to generate their individual linear heat loss coefficient which were used as input in the building model of IDA ICE.
The calibrated model developed in this project turned out to have a deviation of 10 % against annual district heating energy. The simulated building heat loss coeffi-cient differed with 19.6 % compared to the one produced with a newly developed energy signature method for the corresponding year which may be caused by errors in the simulation tools and uncertainty concerning immeasurable parameters. The final conclusion of this work was that the performance gap also occurred on this model developed in this work, which seems to be hard to avoid. During the site visit, water collections on the roof of the building were discovered which was a sur-prise to the authors as there were documents that said that the surface layer had been changed in 2015 and that there were indications that this could have significant consequences if not addressed which is mentioned in the chapter of discussion. Fu-ture work on why residents’ behavioral patterns are underestimated would be something to continue with in future studies in order to reduce the “performance gap” in BES models.
Förord
Följande examensarbete omfattar 15 högskolepoäng och var det avslutande arbetet för Högskoleingenjör inom energisystem vid institutionen för teknik och miljö vid högskolan i Gävle. Arbetet utfördes under våren 2020 i samarbete med AB Gavle-gårdarna.
Vi vill rikta ett stort tack till våra handledare Jan Akander och Martin Eriksson vid Högskolan i Gävle samt Håkan Wesström på AB Gavlegårdarna samt Roland Fors-berg f.d. Sweco medarbetare som i detta projekt hållit kontakt mellan skolan samt fastighetsbolaget.
I denna rapport så har arbetet delats upp. Olof Östlin stod för delen modellering och simulering i programmet IDA ICE. Mikaela Sjödén Havik stod för modellering och simulering i beräkningsprogrammet COMSOL.
Beteckningar och förkortningar
Sveby – Sveby står för ”Standardisera och verifiera energiprestanda i byggnader”
och är ett branschöverskridande program som tar fram hjälpmedel för överenskom-melser om energianvändning.
IDA ICE – Energisimuleringsprogram
Köldbrygga – Konstruktionsdel med tunnare isolering än omgivande delar. HVAC – Heating Ventilation and Air Conditioning
VVX - Värmeväxlare
F-vent - Frånluftsventilation BES – Building Energy System
BEPS – Building Energy Performance Simulation CM – COMSOL Multiphysics
ES – Energisignatur
MHP- Million Home Program
Energisignatur - Fastighetens uppmätta energibehov i förhållande till
Lista på figurer
Figur 1. GDP och väder korrigerad kurva av slutlig energikonsumtion 1995–2016
... 2
Figur 2. Exempel av ES parametrar som har inverkan på grafen [21] ... 13
Figur 3. Det studerade objektet ... 25
Figur 4. Ritning av balkong på plan 2 i studerad byggnad i Andersberg, som ritats upp i COMSOL. ... 27
Figur 5. Schema över beteende i IDA ICE ... 31
Figur 6. IR-bilder. Övre raden från utsidan av byggnaden vid utkragningen av balkonger taget från markplan. Undre raden från Undercentralen i ett av hörnen, anslutning mellan golv och vägghörn. ... 35
Figur 7. Simulerat mesh i balkong på plan 2 i studerad byggnad i Andersberg. .. 41
Figur 8. COMSOL modell av balkong på plan 2 i studerad byggnad i Andersberg. ... 42
Figur 9. COMSOL modell av balkong på plan 2 i studerad byggnad i Andersberg, utan köldbrygga. ... 42
Figur 10. Operativ och medeltemperatur i zon 74 från IDA ICE. Lägenheten motsvarar 3rok. ... 44
Figur 11. Uppstolpade taket på Vinddraget. Vattensamlingar ... 50
Appendix A Figur A 1. Temperaturfördelning i mellanväggen i dubbelbalkongerna, plan 2-5 .. 1
Figur A 2. Ritning av balkong på plan 3-5. ... 1
Figur A 3. Temperaturfördelning i balkong på plan 3-5. ... 2
Figur A 4. Ritning av mellanbjälklag, plan 2. ... 2
Figur A 5. Temperaturfördelning i mellanbjälklag, Plan 2 ... 3
Figur A 6. Ritning av mellanbjälklag, plan 2. ... 3
Figur A 7. Temperaturfördelning i mellanbjälklag, Plan 2 ... 4
Figur A 8. Temperaturfördelning i mellanvägg, Plan 2-5 ... 4
Figur A 9. Ritning av mellanbjälklag, plan 2. ... 5
Figur A 10. Temperaturfördelning i mellanbjälklag, plan 2. ... 5
Figur A 11. Ritningen av mellanbjälklag, plan 3-5. ... 6
Figur A 12. Temperaturfördelning I mellanbjälklag, plan 3-5. ... 6
Appendix B Figur B 1. Planritning över våning 1–4. ... 1
Figur B 2. Planritning över entréplan. ... 1
Figur B 3. Planritning över källarplan. ... 1
Figur B 4. Front view från väst ... 2
Figur B 5. Front view från öst... 2
Lista på tabeller
Tabell 1. Materialegenskaper som använts i som input i COMSOL Multiphysics.
... 28
Tabell 2. Svebys schablonvärden över förbrukning av hushållsel för hus och lägenheter [36] ... 30
Tabell 3. Frånluftflöden för olika lägenhetstyper ... 32
Tabell 4. Svebys schablonvärden för personvärme ... 33
Tabell 5. Svebys schablonvärden för genomsnittliga antalet invånare per lägenhet [36] ... 33
Tabell 6. Placering av givare samt ID-nummer. ... 36
Tabell 7. Jämförelse mellan uppmätt och simulerat värde för fastighetsel. ... 40
Tabell 8. Hushållsel, jämförelse uppmätt och simulerat värde. ... 40
Tabell 9. Resultat av köldbryggor IDA ICE. ... 41
Tabell 10. Värmeförluster med och utan köldbrygga och dess psi-värde från COMSOL ... 43
Tabell 11. Input data IDA ICE. ... 45
Tabell 12. Byggnadens transmissionsförluster i kWh (IDA ICE) ... 46
Tabell 13. Energiförbrukning från IDA ICE, simuleringsresultatet. ... 46
Tabell 14. Energibalansen för hela byggnaden från IDA ICE. ... 47
Innehållsförteckning
1 Inledning ... 1
1.1 EU-kommissionen ... 1
1.2 Miljömål ... 2
1.3 Miljonprogrammet ... 3
1.4 Syfte, mål och avgränsningar ... 4
1.4.1 Syfte ... 4
1.4.2 Målgrupp ... 5
2 Bakgrund ... 6
2.1 AB Gavlegårdarna ... 6
2.2 Litteraturstudie ... 6
2.2.1 Trender inom byggnads simulering historiskt ... 6
2.2.2 BES – modeller ... 7
2.2.3 Kalibrering av byggnadsmodeller ... 10
2.2.4 Energisignaturmetoden ... 12
2.2.5 Comsol Multiphysics och Finite elementmetoden... 14
2.2.6 Korta mätperioder ... 16 2.2.7 Modellering av beteenden ... 16 2.2.8 Sammanfattning av litteraturstudien... 18 3 Teori... 19 3.1 Värmeöverföring ... 19 3.2 Värmeförluster ... 20
3.2.1 Transmissionsförluster och köldbryggor ... 20
3.3 Ventilation ... 22
3.4 Luftläckage ... 22
3.5 Energibalans ... 23
3.6 Finite elementmetoden ... 23
4 Metod ... 24
4.1.1 Andersberg – Den röda staden ... 24
4.1.2 Vinddraget ... 24 4.2 Förfarande ... 26 4.3 Fallstudie ... 26 4.4 Datainsamling ... 26 4.5 Simulering ... 27 4.5.1 COMSOL ... 27 4.5.2 IDA ICE ... 28
4.7.2 Insamlade data ... 37 4.8 Validering ... 38 4.9 Begränsningar ... 38 5 Resultat ... 40 5.1 Validering ... 40 5.2 Köldbryggor ... 41 5.3 Inomhus klimat ... 43
5.4 Validering mot energisignaturmetoden ... 44
5.5 Byggnadens specifika energianvändning ... 46
5.6 Energibalans ... 47 5.7 Data från loggers... 48 6 Diskussion ... 49 7 Slutsatser ... 52 7.1 Resultat av studien ... 53 7.2 Utveckling ... 53 7.3 Perspektiv ... 54 Referenser ... 55
Bilaga A – Comsol resultat ... 1
1 Inledning
Denna studie uppkom genom ett förslag från det lokala fastighetsbolaget AB Gavle-gårdarna. De efterfrågade om en lösning för att kunna energi klassificera flerbostads-hus i sitt eget bestånd. Detta skulle då utföras som en validering av en modell till-sammans med energisignaturmetoden och valideringsmodellen skulle komma från simuleringsprogrammet IDA ICE. Tillsammans med tidigare studier från ett annat projekt i stadsdelen Sätra, var detta en fortsättning på klassificering av flerbostads-hus. Tillsammans med handledare från Högskolan i Gävle och representant från bo-stadsbolaget genomfördes detta projekt.
1.1 EU-kommissionen
I EU-kommissionens rapport från 2019/04/09 står det att Europaparlamentet och EU-rådet i december 2018 antog en överenskommelse om energieffektiviseringsdi-rektiv för 2030. Ett mål för 2030 om energieffektivisering sattes till minst en minsk-ning om 32,5%. Även en klausul sattes där det gick att revidera gränsen för att öka ambitionsnivån. De antyder att energieffektivisering är en stor drivkraft för kom-missionens förslag om ”En europeisk strategisk långsiktig vision för en välmående, modern, konkurrenskraftig och klimatneutral ekonomi”.
I kontexten säger de att när målen för energieffektivisering år 2020 är uppnådda skall fortsatta mätningar fortlöpa kommande decennium fram till år 2030.
En viktig upptäckt bland de parametrar som framkommer i rapporten säger att väd-ret är en faktor som har stor påverkan på energianvändningen. Kalla vintrar är en bi-dragande faktor. Energianvändningen ökade mellan 2014 till 2017 medan en minsk-ning hade skett mellan åren 2007 till 2014. Den ekonomiska aktiviteten har också ökat under perioden vilket resulterat i att också energianvändningen påverkats. En väderkorrigerad kurva visar att energianvändningen inte påverkas lika flyktigt. (se Figur 1) GDP står för engelskans bruttonationalprodukt BNP [1].
Figur 1. GDP och väder korrigerad kurva av slutlig energikonsumtion 1995–2016
1.2 Miljömål
Av de globala målen kan två mål anses kopplas till detta examensarbete.
Det elfte globala målet, ”Hållbara städer och samhällen” - Av världens befolkning bor idag mer än hälften i tätbebyggda områden men år 2050 tros andelen ha ökat till 70 procent. Eftersom miljonprogramsbyggnader har en potential att halvera sina energibehov är en kalibrerad modell en fördel för att kunna validera byggnadens energiprestanda och hitta eventuella förbättringsåtgärder. Eftersom växande städer medför nya bostadsområden bör befintliga byggnader med stora energiförluster ses över och förbättras för att bidra till att göra städer hållbara för framtiden [2]. Enligt det sjunde globala målet, “Hållbara energi för alla” - Förväntas det globala energibehovet öka med 37 procent fram till år 2040 och idag står en stor del av jor-dens befolkning utan el. Genom att energieffektivisera i bostadssektorn kan det bi-dra till en säker framtid där el och energitjänster inte är en bristvara [3].
Det klimatpolitiska ramverket togs fram som ett hjälpmedel för att Sverige ska kunna möta de mål som beskrivs i Parisavtalet från år 2015 [4].
Då bostäder klassas till den icke-handlande sektorn, alltså inte handlar med utsläpps-rätter, omfattas de därför av de fem etappmålen som tagits fram av riksdagen vilka beskrivs i det klimatpolitiska ramverket från 2017 [5].
För bland annat bostäder gäller att utsläppen av växthusgaser ska ha minskats med 63 procent innan år 2030 och med 75 procent innan år 2040, jämfört med år 1990. På längre sikt innebär det klimatpolitiska ramverket att Sverige i helhet ska nå noll net-toutsläpp av växthusgaser vilket ska ha uppnåtts innan år 2045 [6].
1.3 Miljonprogrammet
Miljonprogrammet var ett sätt att få fart på bostadsbyggandet efter andra världskri-get i Sverige. Dels höja bostadsstandarden och minska trångboddheten som hade va-rit ett stort problem innan programmets början. Sverige på den tiden hade stor brist på bostäder och en befolkning som växte i rask takt. Bostadsbristen var som störst i Stockholm då det under tiden innan byggandet påbörjades, stod över 100 000 män-niskor i bostadskö. Mellan åren 1965–1975 beviljade staten lån för att bygga 100 000 nya bostäder/år. Av dessa bestod en tredjedel av höghusområden, en tred-jedel av flerbostadsområden och en tredtred-jedel var småhus [7].
Kännetecken för byggnaderna brukar oftast vara att arkitekturen är kantigt utfor-mad, oftast byggda av betong med dålig isoleringsförmåga. Förutom betong så var det mest förekommande fasadmaterialen tegel och betong-puts.
Stadsplaneringen i dessa stadsdelar för den här tiden planerades med kommersiell och samhällelig service, biografer, skolor, butiker, bibliotek m.m. Dessutom prägla-des den mycket av dåtidens SCAFT-planering (Stadsbyggnad, Chalmers, Arbets-gruppen för Trafiksäkerhet). SCAFT var en plan för att separera bil och gångtrafik. Det innebar breda vägar, stora parkeringar, gångtunnlar-broar m.m. [8].
Som nämndes är miljonprogramshus är kända för att vara dåligt isolerade samt att läcka mycket värme och det finns potential att minska energianvändningen i dessa byggnader om energieffektiviseringsåtgärder kombineras med nya renoveringar. I dagsläget är ca 300 000 miljonprogramsbyggnader av akut behov att renoveras [9].
1.4 Syfte, mål och avgränsningar 1.4.1 Syfte
När en befintlig byggnad ska renoveras ska man även passa på att energieffektivisera dess prestanda – och inte bara passa på – BBR kräver att man ska sträva mot att uppnå nybyggnadsstandard när byggnader genomgår storrenoveringar. Många bygg-nader i miljonprogrammets bestånd är i behov av omfattande upprustning. Vanligt-vis får konsulter i uppgift att energieffektiVanligt-visera byggnaden som står inför renove-ring, med byggherren som beställare, där en modell av byggnaden skapas i ett BES-program. Modellen används sedan för att studera olika energirenoveringsalternativ. Men hur säkra är dessa resultat om grundmodellen av nuvarande byggnad är bristfäl-lig?
Föreliggande arbete presenterar vad som krävs för att bygga upp en BES-modell och hur den därefter kan valideras, dvs. tolkas när modellen ger tillräckligt acceptabla resultat i jämförelse med uppmätta resultat samt med energisignaturmetoden. Specifikt ställs följande frågor:
- Vilka indata är viktiga för att bygga upp en tillförlitlig modell i ett BES-program?
- Hur kan en BES-modell valideras?
Målsättningen är att besvara frågorna genom en litteraturstudie samt praktiskt utfö-rande av modellering och validering i en fallstudie. Fallstudien omfattar en byggnad i Andersberg, vilken ägs av AB Gavlegårdarna. Byggnaden kan anses vara representa-tiv för de större flerbostadshusen som restes under miljonprogrammet.
Syftet med arbetet är att få en validerad IDA ICE modell genom jämförelse dels mot uppmätt och tillhandahållna värden från de dokument vi fått från fastighetsägaren, men även en jämförelse mot energisignaturmetoden. Resultatet från denna studie skulle göra det enklare för AB Gavlegårdarna att kunna klassificera liknande flerbo-stadshus av samma typ inom sitt bestånd. Målet är att skillnaden mellan uppmätt och simulerat energibehov inte ska övestiga +/- 10 %, detta avser jämförelser mellan uppmätt och simulerad fastighetsel, hushållsel samt fjärrvärme.
1.4.2 Målgrupp
Detta examensarbete riktar sig främst till fastighetsbolaget AB Gavlegårdarna men kan även vara av intresse för beställare av renovering av fastigheter, konsulter som hjälper beställare att renovera fastigheter, andra fastighetsbolag samt kommunernas byggnadsnämnder vilka godkänner bygglovsärenden kring större renoveringar av byggnader. Andra som har intressen inom miljonprogrammets byggnader, IDA ICE, COMSOL eller energisignaturmetoden kan även finna intresse i detta examensar-bete.
2 Bakgrund
2.1 AB Gavlegårdarna
AB Gavlegårdarna grundades 1917 och räknas som ett av Sveriges största allmännyt-tiga fastighetsbolag. De har idag cirka 13 700 lägenheter som inhyser 30 000 bo-ende. Omsättningen uppgår till 950 Mkr och de har 185 anställda [10].
2013 beslutade kommunfullmäktige i Gävle att genomföra ett miljöstrategiskt pro-gram i kommunen. Vilket innebar att år 2020 ska Gävle ligga i topp bland Sveriges kommuner när det gäller att vara miljöstrategiska. För AB Gavlegårdarna innebär det att de har arbetat fram en energiplan, vilket konkret har omfattats av att man har installerat temperaturgivare i varje lägenhet samt att man sparat 136 miljoner liter vatten på två år [11].
2.2 Litteraturstudie
Litteraturstudien har gjort basen för detta arbetet genom fördjupning inom området av flerbostadshus från miljonprogrammet. Huvudsyftet har varit att hitta material (studier och rapporter i akademiska tidskrifter) som styrker hur man går till väga för att validera en modell av en flerbostadsbyggnad. Materialet har hittats genom sök-ningar på Discovery. Nyckelorden som har använts är: IDA ICE, COMSOL, validat-ion, kalibartvalidat-ion, retrofitting, miljonprogrammet, energy, building energy perfor-mance, energisignaturmetoden, performance gap.
2.2.1 Trender inom byggnads simulering historiskt
Under de tre senaste decennierna, snart fyra. Har en rad olika applikationer börjat användas allt mer för att undersöka byggnaders prestanda. Detta tas upp i rapporten av Godfried Augenbroe [12]. I inledning i sin rapport menar han att de två största nyckelaspekterna som dominerar inom denna process är: (1) Uppnå en kvalitetssäk-ring och (2) erbjuda en effektiv integrekvalitetssäk-ring av simulekvalitetssäk-ringskompetens och verktyg i den övergripande byggnadsprocessen.
Simuleringsverktygens roll i design och konstruktion har under de sista tre decenni-erna spelat en stor roll i projektering av byggnader. Bland annat genom att påskynda designprocessen, öka effektiviteten och möjliggöra jämförelse mellan olika sorti-ment gällande design, vilket leder till mer optimala alternativ. Simulering ger en bättre bild av vad konsekvenserna av designbeslut blir om, vilket ökar effektiviteten i designprocessen.
Författaren menar att svårigheten är att upprätthålla en komplett, sammanhängande och uttrycksfull kommunikation mellan experter andra parter i designteamet. Han menar även att projektet blir så komplext att det blir svårt att inte involvera exper-ter i ett tidigt stadie i designprocessen.
De första försöken att applicera datorbaserade byggnadssimuleringar skedde redan i början av 1960-talet. Sedan kom det fler mjukvaru-uppdateringar på 1970-talet. Det slutliga resultatet blev ett system med olika algebraiska ekvationer. Genom denna ”finite element” metoden användes numeriska approximerings tekniker.
I början på 1980-talet utfördes fler tester och det blev mer programmering och ex-periment för att göra en expansion av byggnadssimuleringar som utgjordes av simu-leringskoder. Detta gjorde att processen blev både validerad och mer användarvän-ligt verktyg. Utvecklingen blev mer avancerad i och med persondatorns genomslag och mer detaljer så som lampor och luftflöde kunde ställas in i början på 1990-talet. Detta innebar att mer datorkraft behövdes vilket resulterade i att processorerna i da-torn behövde bli större för att klara av detta. Input data för modellerna blev fler och fler och filerna blev större och större.
Under åren har focus skiftat från energianvändning till många andra av byggnadens karakteristiska prestanda. Detta har resulterat i att alla dessa arbetstimmar som har lagts ner för att utveckla simuleringsverktyget har betalat av sig, genom att man nu kan välja mellan ett stort antal relevanta prestanda kategorier (figur 5 från rappor-ten) [13].
2.2.2 BES – modeller
Idag står byggnadssektorn för den största energianvändningen globalt och innan 2030 behöver energiintensiteten per kvadratmeter (globalt) ha minskat med 30 pro-cent för att kunna möta de mål som sattes i Parisavtalet. Ett viktigt hjälpmedel för att kunna identifiera potentiella energieffektiviseringsåtgärder är BPS-verktyg (Buil-ding Performance Simulation) där IDA ICE är ett av de program som används mest idag vid denna typ av simulering. IDA ICE är ett verktyg som gör det möjligt att si-mulera en hel byggnads energiprestanda och utvecklades i Stockholm på Institut-ionen för byggvetenskaper.
En jämförelse mellan de tre mest använda simuleringsverktygen inom detta område har gjorts, vilka är TRaNsient System Simulation (TRANSYS), IDA Indoor Climate and Energy (IDE) 4.8 och EnergyPlus 8.6. De tre verktygen simulerar en byggnads värmeöverföring genom klimatskalet via de tre värmeöverföringsmetoderna led-ning, konvektion och strålning. Experimentella jämförelser gjordes mellan simule-ringsverktygen och STB (Solar Test Box), vilket var en uppbyggd låda med fönster som testades med och utan en PCM-enhet (phase change material). Testerna gjordes under några dagar i tre perioder, en i september, en i november och en i december för att på så sätt få med olika solinstrålning i jämförelserna.
Jämförelserna gjordes för inre och yttre temperatur på fönstret, inomhusluftens temperatur och golvtemperaturen vilket gjordes med beräkningar av R2(the
coeffici-ent of determination), RMSE (root mean square error) och normaliserad RMSE. De tre olika beräkningsmetoderna är olika sätt att jämföra uppmätta och simulerade vär-den.
Resultatet för de tre simuleringsverktygen vid jämförelse med PCM STB visade att IDA ICE var överlägsen i noggrannhetsindex i alla jämförelser. Vid jämförelse av STB (utan PCM) hade alla tre simuleringsverktyg hög noggrannhet där TRNSYS hade högs noggrannhets index vid varma perioder och IDA ICE hade högst vid kalla perioder. Ur helhetsperspektiv ansågs dock IDA ICE ha den högsta noggrannhetsin-dexen och var starkt rekommenderat av de tre simuleringsverktygen som jämfördes [14].
Byggnadsenergisimulering (BES) är en väl använd metod men med modellerna som nämnts kommer en del brister då alla parametrar sällan finns att tillgå. Vid kalibre-ringsprocessen görs ofta antaganden om parametrar där indata saknas då dessa krävs som input i modellen vilket kan resultera i att önskad utdata ej uppnås.
Avvikelser mellan simulerat och uppmätt energibehov kan bero på en rad olika orsa-ker när det gäller äldre byggnader. Utöver vanliga antaganden som ofta behöver gö-ras är bristen på detaljerad information om byggnadsskalet ofta ett problem vid si-mulering av äldre byggnader vilket har betydande inflytande på BES-modellen. En parameter som ofta underskattas är de boendes beteendemönster vilket inklude-rar öppna/stängda fönster och balkonger, persienner, lampor, hushållsapparater och närvaro av de boende. Detta påverkar energibehovet signifikant och kan därför bidra till att det simulerade energibehovet avviker från det uppmätta [15].
Vid utvärdering av en byggnads energiprestanda skiljer det sig ofta mellan beräknade och uppmätta värden vilket har fått benämningen ”the performance gap [16]”. Detta fenomen grundar sig i tre stadier vilka är designstadiet, byggprocessen samt när byggnaden är i bruk och kan tillkomma i fler än ett stadie. I designstadiet simuleras byggnaden för att förutspå framtida energibehov och även om modelleraren har hög expertis inom programvaran så finns osäkerheter kring parametrar såsom intern vär-megenerering, väder och inte minst de boendes beteendemönster. Som tidigare nämndes uppstår ”the performance gap” även vid brukande av byggnaden då de bo-endes påverkan är oförutsägbar och svår att anta ett värde på, men fel kan även upp-stå i byggprocessen. Då ambitioner i designstadiet gällande byggnadskonstruktionen inte når fram till byggprocessen med detaljerad information kan misskommunikat-ionen leda till att byggnadens luftläckage inte stämmer överens med det förväntade, detsamma kan gälla även för isolering och köldbryggor.
Det är svårt att dra slutsatsen om vilken/vilka variabler som är orsaken till ”the per-formance gap”. Därav föreslås en metod som kräver minsta möjliga antal mätningar. Mätningar gjordes för att få input-data av åtta parametrar vilka ansågs ha högt infly-tande på byggnadens energiprestanda. Dessa var verkningsgraden för ventilationssy-stemets värmeväxlare, luftläckage vid 50 Pa, ventilationsflöde, tappvarmvattenför-brukning och antal boende. Med hjälp av linjär regression togs byggnadens värme-förlustkoefficient fram (i artikeln kallad L) [17]. Då mätdata fanns för värmeförluster i ventilation och luftläckage ansågs dessa mest trovärdiga vilket gjorde att transmiss-ionsförlusterna anpassades till den framtagna värmeförlustkoefficienten.
Testet resulterade i att vid jämförelse mellan simulerad och uppmätt värmeförlust-koefficient uppstod en avvikelse på 3,5 procent och vid jämförelse mellan simulerat och uppmätt energibehov blev avvikelsen 5,2 procent [17].
De boendes beteendemönster är ofta osäkra vilket gör det till en bidragande faktor till ”the performance gap” och en djupare analys av hur de boende påverkar en bygg-nads energiprestanda och energibehov anses nödvändig. Detta tas upp i rapporten av A. Mahdavi et al.
De boendes påverkan på en byggnad kan delas in i två kategorier. Passiv effekt från de boende vilket är den påverkan som de boende har vid närvarade i byggnaden i form av den värme som de avger. Aktiv effekt är de system som kan justeras av de boende själva så som ventilation, värme- och kylsystem eller belysning men även värme som avges från exempelvis datorer som används. Denna påverkan är dock helt beroende av i vilken grad de boende kan justera dessa system.
För att kunna sätta ett värde på de boendes inverkan på byggnadens energiprestanda och energibehov behövs därför inte bara kunskap om de boendes termiska behov utan även i vilken grad de boende kan påverka byggnadens tekniska system (värme- och kylsystem samt ventilation) vilket skiljer sig mellan olika byggnader. Denna typ av forskning är betydelsefull för att kunna förutspå både de boendes beteendemöns-ter och dess inverkan på en byggnads energianvändning och på så sätt minska ”the performance gap”, speciellt med tanke på dagens brist på denna [18].Som framgått finns fler anledningar till ”the performance gap” och det är viktigt att förstå vad det kan bero på för att kunna analysera skillnaden mellan uppmätt och simulerat värde vid egen studie.
2.2.3 Kalibrering av byggnadsmodeller
Ägarna av denna studie har utvecklat en evidensbaserad metod för kalibrering av byggnader. I introduktionen till denna rapport av [19] Skriver de att:
”Byggnader står för ca 24% av den totala energikonsumtionen globalt (2011) och för ca 40% i utvecklingsländer”
Det rapporteras att byggnader är ineffektiva och en viktig parameter är att förbättra byggnaders energiprestanda. Med huvudsyftet att minska energikonsumtionen. Si-muleringar är det vanligast förekommande när det kommer till att kartlägga byggna-ders energiprestanda. Det förekommer avvikelser mellan simuleringsresultatet och uppmätta data vilket i artikeln benämns som Energy gap (kallas även för Perfor-mande gap). Därför efterfrågas ett mer pålitligt sätt att använda energisimuleringar som ett verktyg i designprocessen. Det skulle innebära många fördelar att kalibrera modellen enligt författarna.
– Modellerna kan användas och utvecklas för att undersöka besparingspotential och investerings underlag för kommande renoveringar i detalj.
– Med kunskapen om kalibreringsprocessen kan den bli en vägledning för att utveckla simuleringsverktyg.
– Research av kalibreringsprocessen kan även förse med information om mo-dellen i fråga har brister eller att fel antaganden gjorts. På det viset utveckla hur man bäst utvecklar modellen.
För att höja reliabiliteten av den kalibrerade modellen krävs att inputparametrar endast ska komma från tillgängliga bevis från byggnaden. Det vill säga att informat-ion om utförda mätningar har högre prioritet än bygghandlingar. Man vill göra en rangordning för den information och källor man har med den bästa först och sedan rangordna därefter dess trovärdighet. För att öka reproducerbarheten för modellen är det nödvändigt att behålla historiken över beslut som tagits under projektets gång och även bevis på bakgrund till varför dessa beslut togs. Denna dokumentation skall finnas tillgänglig för framtida intressenter av den kalibrerade modellen [19].
I rapporten [20] framförs hur ”Building Energy Performance Simulation” (BEPS) modeller spelar en signifikant roll i design och optimering av byggnader. De säger att modellerna jämförs med kostnadseffektivitet samt energibesparingsrings möjlig-heter. De betonar även problem och osäkerheter med BEPS. För att förstå energisi-muleringar för byggnader behöver man förstå skillnaden av olika typer av modeller:
– Diagnostic eller prognostic. Diagnostic är orsakade av naturliga orsaker eller annat fenomen. Prognostics modeller är förutsedda att ge vilka behov ett sy-stem har baserat på väldefinierade lagar som styr detta sysy-stem.
– Law-driven eller Data-driven. Law-driven är de som kallas för ”framåt” mo-deller, de är modeller som är inställda med ett antal givna parametrar. Data driven eller ”inverse” modeller kan användas för att beskriva hur ett system fungerar med ett minimum av justerbara förinställningar.
I kontrast med Law-driven så är de oftast överparametriserad, det behövs mer information än vad som går att få tag på.
Byggnadssimuleringar kan klassificeras i tre klasser:
– Black box: det handlar om att referera till simpla matematiska eller statist-iska modeller. Vilket relateras till ett antal inputparametrar (exempel: väder och invånare m.m.) till mätbara outputs. Koefficienter från input data upp-täcks och producerar en algoritm som har möjlighet till att förutse systemets behov. Det är viktigt att poängtera att dessa koefficienter har ingen direkt koppling mellan definitiv parameter och fysiska omgivning.
– Grey box: skiljer sig från Black-box på det viset att den använder ett antal parametrar som är identifierade från den fysiska systemmodellen. Vilket är en fördel som bidrar till kortare utvecklingstid, ger en korrekt bild förutsatt korrekt indata samt att det finns kopplingar till: verklig byggnad, system och omgivningsparametrar.
– Detaljerad modellkalibrering: denna modell använder sig av en Law-driven modell och använder sig av byggnadens olika inputs för att matcha uppmätta data från byggnaden. Detta är den mest detaljerade modellen med förutsä-gande byggnadsprestanda, detta ger möjligheten till högupplöst input data.
En av fördelarna med detaljerade simuleringsmodeller framför statistiska modeller, säger de är ”är möjligheten att förutse systemets behov med tidigare osedda förhål-landen”. De tar även upp svårigheter med modellen och kalibreringen utav den. Ex-empel på det är:
– Svårighet med modellen (standarder). Brist på förståelse och konsekvent an-vändning av standardiserade metoder.
– Kalibrerings problem. Brist på högkvalitativ input data som behövs för en detaljerad modell.
När det kommer till mätningar på plats. Rangordnar de sätt att utföra en sådan ge-nom tre ”levels”. Där nämner de walk trough, stanadad audit och investment grade som rubriker på dessa steg. Som avslut på artikeln i kapitlet slutsatser. Anser förfat-tarna att en kalibrering kan brytas ned i sju huvudområden. Vilka är: standarder, be-kostnad, simplifiering, inputs, osäkerhet, identifiering och automation. Det vill säga delmoment eller riktlinjer för hur en kalibrering ska gå till väga, steg för steg [20].
2.2.4 Energisignaturmetoden
Energisignaturmetoden är ett motsvarande sätt att simulera energianvändning för en byggnad i jämförelse med IDA ICE. Modellen bygger i huvudsak på specifika mät-värden från byggnadens energianvändning (energibalansen för byggnaden) som går att ta reda på genom insamling av information från fastighetsägaren. Det som fås fram genom att tillämpa den metoden är ett effektbehov för byggnaden där värme-förlustkoefficienten Qtot eller lutningen på den kurva som dessa mätvärden visar som
resultat är. Balansetemperaturen Tbalans (se Figur 2) visar vid vilken
dygnsmedeltem-peratur som värme behöver tillföras, via interna värmegenereringen ihop med energi för uppvärmning av tappvarmvatten, för att bibehålla önskad inomhustempe-ratur när utetempeinomhustempe-raturen sjunker under Tbalans [21].
𝑃𝑠𝑜𝑙 + 𝑃𝑖𝑛𝑡𝑒𝑟𝑛+ 𝑃𝑓𝑗𝑣 = 𝑄𝑡𝑜𝑡+ 𝑃𝑉𝑉𝐶 + 𝑃𝑉𝑉 [W] (1) där
𝑃𝑠𝑜𝑙 Effekt solinstrålning [W]
𝑃𝑖𝑛𝑡𝑒𝑟𝑛 Effekt interna laster [W]
𝑃𝑓𝑗𝑣 Effekt fjärrvärme [W]
𝑄𝑡𝑜𝑡 Värmeförlust koefficient [W]
Figur 2. Exempel av ES parametrar som har inverkan på grafen [21]
Från en tidigare studie [21] som Högskolan i Gävle gjort. Tillämpades energisigna-turmetoden och validerades genom utveckling av ett nytt tillvägagångssätt där man använde sig av andra parametrar än de man använts sig av vid tidigare studier. Denna studie baserades på tre parametrar för att få fram en linjär kurva. Mätvärden för denna uträkning togs på natten (Sverige), mellan december fram till februari mellan 24:00-05:00. Främst av den anledningen att det är vinter då och temperaturskillna-den mellan ute och inne är som störst. Vilket har flera fördelar som: temperaturskillna-den interna värmeenergin är som lägst den tiden på dygnet då de flesta sover, värmebehovet är som störst med tanke på att det är som allra kallast utomhus och till sist är det ingen solinstrålning som påverkar byggnaden. En fördel med just denna modell av energi-signaturmetoden är att modellen är relativt trög mot förändringar av inputdata. Ex-empelvis en förändring av Pintern på 25%, ger bara en förändring på Qtot på 3%
I kalibreringsstadiet av en BES-modell finns ett flertal parametrar som är svåra att uppskatta och därav har ett tillvägagångssätt för att uppskatta dessa tagits fram som kallas ”regression approach” där energisignaturmetoden är ett av de vanligast an-vända. Regressionsmodellerna knyter ihop energianvändningen med oberoende pa-rametrar och på så sätt skapas en metod som är smidig att använda för att förutsäga en byggnads energiprestanda vilket har visat sig ge trovärdiga resultat som ligger nära verkligheten. En vanlig regressionsapproach är att genom beräkning av byggna-dens totala värmeförlustkoefficient kunna förutspå byggnabyggna-dens totala värmeförlus-ter.
Vid analys av två variabler tas en så kallad förklaringsgrad (R2) fram som visar på hur
väl de två variablerna korrelerar med varandra. Förklaringsgraden visade sig i den studerade artikeln [22] vara så hög som 0.96 där den maximalt kan uppnå 1. Förfat-tarna använde sig av data från två år och detta resulterade i att värmeförlusterna
I en annan studie av J.U Sjögren et al [23] utvärderar författarna en byggnads energi-prestanda då indata är begränsad och med energisignaturmetoden som tillämpad me-tod. Detta för att ta reda på om man kan få fram totala värmeförlustkoefficienten Ktot för ett helt flerbostadshus. Informationen om byggnaden kommer främst från en
kortidsmätning Även denna forskning är en fallstudie och den typ av byggnad som studeras i artikeln är flerbostadshus och majoriteten av dem värms upp med fjärr-värme.
I kalibreringsprocessen av en byggnadsmodell finns sällan all indata som behövs do-kumenterad och uppmätt, därför behövs information hämtas från olika konsumtions-profiler. Detta berör bland annat använd el och värme för varje enskild lägenhet vil-ket är svårt att få data på då de boende oftast debiteras direkt av energibolaget. Svå-righeten med denna typ av information är att det ej går att ta reda på varje enskild lägenhetsförbrukning om man inte frågar lägenhetsinnehavaren om lov. Med dagens regler för GDPR förvårar detta arbetet för sådan typ av framtagning av information. Även deras beteendemönster behöver antas och i artikeln beskriver de hur de går till väga för att ta fram de olika värdena genom antaganden som gjorts. Slutsatsen av studien var att genom att ha studerat 114 byggnader kommer de fram till att de kon-sumtionsprofiler som finns att tillgå ändå är en relativt säker källa till uteblivna para-metrar [23].
2.2.5 Comsol Multiphysics och Finite elementmetoden
Då COMSOL Multiphysics var ett nytt simuleringsverktyg för författarna i aktuell rapport har en närmare titt tagits på tillförlitligheten i detta verktyg för att inför-skaffa sig djupare förståelse och tillit till det som kommer att användas för simule-ring av köldbryggorna i den studerade byggnaden.
Comsol Multiphysics (CM) är ett simuleringsverktyg som tagits fram för att under-lätta vid komplexa beräkningar av bland annat värmeflöden i byggnader. Tillväga-gångssättet som simuleringsverktyget använder sig av är en så kallad finite element-metod vilket baseras på partiella differentialekvationer.
En närmare titt har tagits på tillförlitligheten av detta program där ett tre tester gjorts [24]. Det förstnämnda testet gick ut på att sätta gränsvillkor och initiala villkor vilka var konstant temperatur och fasta temperaturer på modellens ytor. Det andra testet var en jämförelse av ett några fall med varierande parametrar som byggts upp i olika simuleringsverktyg. Sist gjordes ett test som gick ut på att jämföra uppmätt rumstemperatur med en uppbyggd 3D-modell i CM som var programmerad för de
Enligt analys av det första testet konstaterades att ju finare rutnät som används desto närmare verkligheten kommer man och därav användes ett rutnät om 20 lager för att få ner felmarginalen. Det andra testet. Storleken på temperaturskillnaderna vi-sade sig då hamna på tiondels grader Celsius och då rutnätet förfinas sett från stan-dardinställningarna i CM så kan en felmarginal på minder än 1 procent uppnås.Det andra testet visade på att resultaten från CM är underskattade där 5 av 6 ”steady-state”-fall låg något lägre än det medelvärde som beräknats utifrån Fluent, MATLAB och TRANSYS.Vid analys av sista testet insågs att istället för en jämförelse mellan temperaturerna var en jämförelse mellan uppmätt och simulerad värmeöverföring mer korrekt där medelvärdet på felmarginalen låg på 1.39 procent [24].
CM har konstaterats vara ett starkt simuleringsverktyg där komplexa beräkningar behöver göras. I den studerade artikeln har författarna utfört tre jämförelser mellan experiment och simulering i CM 4.2. Tre olika material utsattes för en ljusstråle framifrån där temperaturerna på baksidan av materialet mättes upp och motsvarande 3D-modeller byggdes upp i CM. Materialen som testades var Silicon, koppar och trä vilkas framsidor målats med ett mycket tunt lager av grafit för att motverka strål-ningsreflektion utan att påverka de termiska egenskaperna. Framtagna kurvor av jämförelserna mellan de experimentella och simulerade resultaten visade på bra överensstämmelse dock men något tidsförskjutna kurvor för experimenten vilka an-tas bero på att trögheten vid uppvärmning av de verkliga materialen skiljer sig från det simulerade [25].
Värmeförlusterna i en byggnad sker till stor del genom transmissionsförluster ge-nom byggnadsskalet och därav är det viktigt att få fram så när som korrekta värden på byggnadsskalets egenskaper och beteende för att kunna utvärdera byggnaden i helhet. I studerad artikel har därför författarna ställt CM mot 9 andra simulerings-verktyg för att se över tillförlitligheten hos programmet. Detta har gjorts genom lik-nande tester som i föregående artikel och har utgått från modeller som finns specifi-cerade i TASK 34. För att jämföra simuleringsprogram med varandra finns en metod beskriven i TASK 34 som kallas Building Energy Simulation Test (BESTEST) vilken var den metod som använts i studien. Jämförelsen mellan programmen visade att CM’s medelavvikelse från övriga studerade program var 4.75 procent där Fluent och TRNSYS låg på 1.68 respektive 2.01 procent. CM ansågs, trots avvikelsen, klas-sas till de främre verktygen som kan simulera fram verklighetstrogna resultat [26].
2.2.6 Korta mätperioder
J. Ferdyn-Grygierek et al. [27] skrev om att temperaturer i den studerade byggna-den enbart skulle ske under ett par veckor ansågs en artikel om just detta nödvändig att studera för att få en överblick över hur detta kan komma att påverka resultatet av denna input-data i BES-modellen.
Artikeln [27] baseras på en fallstudie som gjorts för en flerbostadsbyggnad samt en skolbyggnad. Fallstudien beskriver hur noggrant man kan bestämma en byggnads energibehov genom mätningar under en kortare tidsperiod vilken de gjort tempera-turmätningarna i de allmänna utrymmena av flerbostadshuset.
Mätningarna delas in i 7-dagars, 14-dagars samt 1-månadsmätningar där medelvär-den beräknas och sedan jämförs med simulerade värmedelvär-den. Ur resultatdelen kan avläsas de skillnader mellan uppmätta och simulerade värden beroende på mätningens tids-period. 7-dagars mätningar av uppvärmningsbehovet visade sig vara otillräcklig för att bestämma årsförbrukningen.
De lyfter fram vikten i att utföra mätningar under en längre period då skillnaderna mellan mätta parametrar och simulerade parametrar skiljer sig desto mer desto kor-tare mätperioder är.
Det som studerats är till stor del korttidsmätningar av energibehovet i byggnaderna. Temperaturerna i de allmänna utrymmena kan antas vara relativt konstanta under en längre period. Problemet med mätningarna var att det inte var någon aktivitet i sko-lan (som var en del av studien) under helgerna, vilket påverkade uppvärmningsbeho-vet. Författarna påpekar även att en modifikation behövs av metod delen, främst korrektionsfaktorn [27].För vår studie kommer inte det problemet med uppvärm-ningsbehovet att vara det svåra, utan att fastställa hur mycket värme de människor som rör sig i trapphusen genererar i värme till byggnaden.
2.2.7 Modellering av beteenden
a) J. Widén et al [28] skrev om att i de har genomfört en konstruktion av last-profiler för hushållsel och tappvarmvatten genom att de använts sig av timvis data från ett antal referensbyggnader. Metoden för tillvägagångssättet var att de använde sig av fem olika modellscheman för att beskriva energibehovet som var kopplat till olika aktiviteter och även om det var tappvatten var in-blandat. Aktiviteten kunde definieras enligt följande fem kategorier som vi-dare byggde scheman kring energibehovet
– 2. Konstant effektbehov under aktiviteten. Schemat skapat för matlagning, städning, tv användning och annan utrustning som har en given tid som de används/brukas.
– 3. Konstant effektbehov efter aktiviteten. Där räknas diskmaskin, tvättma-skin och torktumlare.
– 4. Konstant effektbehov under aktiviteten med tidsbegränsning. Det handlar om tiden det tar att förbereda exempelvis ett bad och handdiskning. Tiden det tar att fylla upp med vatten i badkaret/diskhon.
– 5. Aktiviteter med ett tidsbestämt energibehov. Omfattar belysning främst och är likt profil numer två.
Profilerna byggdes genom att utvalda grupper av människor/familjer ingick i en undersökning (TU-SCB-1996) där de noterade alla aktiviteter som var relaterade till energikrävande saker som gjordes i bostaden. De utvalda deltagarna skulle represen-tera ett genomsnitt av hur människor betér sig i hemmet. Då endast sex hus och fyra lägenheter ingick i studien anses det som för lite för att visa att värdena är statistiskt signifikant för att representera det genomsnittliga svenska hushållet.
Slutsatsen från denna studie var: Att modellera energianvändning med hjälp av tim-vis data verkar vara en funktionell metod för att generera el och tappvarmvattenan-vändnings profiler för hushåll. Det är billigt och rakt på, undviker störningar i hus-hållet, och har potential för utveckling och framtida användning [28].
b) I en annan studie [29] tar de upp validering och fastställande av byggnadens energianvändning genom att de tillämpar tre olika tillvägagångssätt.
– Analytisk validering. Genom att jämföra mot en given exakt lösning. – Jämföra mot liknande modeller. Med samma input data.
– Empirisk validering. Jämför med empiriska inhämtade data
Som sist nämndes så sägs det att den empiriska valideringen är väldigt bra ur det per-spektivet att modellen jämförs mot uppmätt data. IDA ICE har använts och valide-rats ett stort antal gånger genom att valideringen gjorts mot både jämlika modeller samt mot en idealiserad testcell. Som slutsats från rapporten framkommer det att renoveringar av byggnader är komplexa ur det perspektivet att det omfattar det geo-grafiska sammanhanget och omgivande energisystem, men är en viktig aspekt när det kommer till reducering av energianvändning inom sektorn för flerbostads [29].
2.2.8 Sammanfattning av litteraturstudien
Under litteraturstudien har olika delar kring byggnads simulering behandlats och en fördjupande förståelse om vad det är som påverkar en modell och vilken ”approach” man bör använda sig av för att få ett kalibrerat och validerat resultat från simule-ringen.
Just för valideringen av modellen från denna studie behövs då ett noggrant arbete genomföras när det kommer till information om byggnaden och dokumentera anta-ganden och beslut i processen för att öka reproducerbarheten. Osäkerhet kring in-samling av omätbara parameterdata kan öka avvikelsen mellan simulerat och upp-mätt värde (Performance gap) där det konstaterats att beteendemönster hos de bo-ende är en av de större.
3 Teori
I teorikapitlet redogörs teorier och fakta om ämnet som är av intresse för studien. Kapitlet går in djupare på teoretisk förklarning av byggfysik.
3.1 Värmeöverföring
Värmeöverföring drivs av en skillnad i temperatur och energin strömmar alltid från varmare till kallare media. Strävan efter termisk jämvikt är konstant vilket gör att så länge det finns en temperaturskillnad så kommer energi att strömma mellan olika media.
Termodynamikens andra lag - Värme flödar från en varmare kropp till en kallare, aldrig tvärtom [30].
Värme kan överföras på tre olika sätt vilka är Ledning, konvektion och strålning vilka kort beskrivs nedan.
– Ledning
Ledning, även kallat konduktion, är värmeöverföring som sker genom kon-takt mellan olika media. Partiklar i ett varmare media har högre rörelsee-nergi vilket överförs till partiklarna i det kallare mediet vid kontakt [31]. – Konvektion
Konvektion är en typ av värmeöverföring som sker när en fluid strömmar förbi ett fast material och avger eller tar upp värme från det fasta materialet. När luften strömmar förbi det fasta materialet sker värmeöverföringen till eller från luften till följd av en temperaturskillnad, energi flödar från det var-mare till det kallare mediet. Det finns två typer av konvektion vilka är natur-lig konvektion och forcerad konvektion. Naturnatur-lig konvektion sker genom att luft värms upp och då stiger vilket skapar naturliga luftströmmar. Forcerad konvektion sker då man tillsätter exempelvis en fläkt i ett rum som tvingar luften i rörelse [31]. Luftskiktet vid fasta ytor i en byggnad har givna värme-motstånd då luften närmast materialet i princip står still. Dessa kallas Rsi och
Rse för inre och yttre värmemotstånd intill konstruktionen.
– Strålning
Strålning är den transport av energi utan någon typ medium. För det mesta förklaras strålning som en partikelström eller vågrörelse. Olika typer av strålning förekommer men värmestrålning som det handlar om vid instrål-ning på en byggnad, är en transport av energi i ljusets hastighet med olika våglängdsintervall. Detta kallas elektromagnetisk strålning. Alla kroppar som har högre temperatur än en den absoluta nollpunkten (-273.15K) avger
3.2 Värmeförluster
Då en uppvärmd byggnad större delen av året har en högre temperatur än omgiv-ningen så sker värmeförluster konstant till följd av aktuell temperaturskillnad mellan byggnad och omgivning. Detta sker inte bara via transmissionsförluster genom väg-garna utan även i form av ventilationsförluster och luftläckage.
3.2.1 Transmissionsförluster och köldbryggor
Vid ett värmeflöde genom en yttervägg sker både ledning och konvektion. På insi-dan av väggen finns ett luftskikt där värmeöverföring sker via konvektion, därefter sker ledning genom de olika materialskikten av väggen och slutligen överförs vär-men via konvektion på utsidan av väggen.
Värmegenomgångskoefficienten, även kallat U-värde beräknas enligt följande for-mel: 𝑈 = 1 1 𝐻𝑠𝑖+𝑑1𝝀𝟏+𝑑2𝝀𝟐+𝑑3𝝀𝟑+ 1 𝐻𝑠𝑒 (2) där U = Värmegenomgångskoefficienten [W/m2∙K] d = Materialskiktets tjocklek [m] Hsi = Inre värmeövergångskoefficient [W/m∙K] Hse = Yttre värmeövergångskoefficient [W/m∙K]
λ = Materialets värmeledningsförmåga (värmekonduktivitet) [W/m∙K]
Byggnadens totala värmebehov för transmissionsförluster beräknas enligt följande: 𝑄𝑡𝑟𝑎𝑛𝑠 = 𝑄𝑘ö𝑙𝑑𝑏𝑟𝑦𝑔𝑔𝑜𝑟 × (𝑇𝑖𝑛𝑛𝑒− 𝑇𝑢𝑡𝑒) + 𝛴𝑈 × 𝐴 [W/K] (3) där Qköldbrygga kan skrivas om enligt följande:
Qköldbryggor = förlustfaktorn för köldbryggor [W/°C]
Tinne = Inomhustemperatur [°C eller °K]
Tute = Utomhustemperatur [°C eller °K]
U = U-värde för väggen [W/°C∙m2]
A = Väggens area [m2]
Psi = köldbryggans värmegenomgångskoefficient [W/m∙K]
L = köldbryggans längd [m]
Köldbryggor är delar av en konstruktion som leder mer värme genom byggnadsska-let än omgivande konstruktionsdelar. Exempel på köldbryggor är balkonger, mel-lanbjälklag och mellanväggar men även fönster och dörrar klassas som köldbryggor. Anledningarna till att köldbryggor leder värme bättre beror av både materialens vär-meledningsförmåga men även av köldbryggans uppbyggnad. Köldbryggor är oöns-kade men nödvändiga i en byggnadskonstruktion för att uppnå stabilitet.
Måttet på en köldbrygga kallas psi-värde vilket är en värmegenomgångskoefficient med enheten [W/m∙K]. Detta psi-värde kan antas med hjälp av schablonvärden men
3.3 Ventilation
Ventilationen i en byggnad är en av de parametrar som bidrar till byggnadens energi-behov. Genom att friskluft tas in i byggnaden behöver dess temperatur större delen av året värmas upp och därmed ökar byggnadens energibehov. För att beräkna den förlustkoefficient som ventilationen bidrar till används följande ekvation:
Qvent = ρ ⋅c ⋅ qvent ⋅(1− η) [W/K] (5)
där
ρ = luftens densitet [kg/m3]
c = luftens värmekapacitet [J/kg∙K]
q = tilluftsvolymflöde [m3/s]
η = verkningsgrad för värmeåtervinning i ventilationen
3.4 Luftläckage
Luftläckage är den luft som tar sig in eller ut ur byggnader på annat sätt än genom ventilationssystemet vilket innebär att ett luftläckage direkt påverkar uppvärmnings-behovet i byggnaden då det är ouppvärmd uteluft. För att beräkna luftläckagets på-verkan på byggnadens uppvärmningsbehov används följande formel:
Qluftläckage= ρ ⋅c ⋅ qluftläckage [W/K] (6)
där
ρ = luftens densitet [kg/m3]
c = luftens värmekapacitet [J/kg∙K]
q = luftläckagets flöde [m3/s]
Luftläckage avser såväl luftflöde genom otätheter i byggnaden som luftflöde genom öppna fönster och dörrar. Detta är beroende av tryckskillnader i byggnaden till följd av temperaturskillnader, ventilation samt vindbelastning. Då luftläckage är relativt komplext att beräkna finns en simplare tumregel som visat sig ge bra resultat vid be-räkning av en byggnads medelvärde på dess luftläckage [32]. Denna tumregel är en-bart beroende av det luftflöde som uppmätts vid 50 Pa trycksättning i byggnaden och beräknas med hjälp av följande formel:
𝑞𝑙𝑢𝑓𝑡𝑙ä𝑐𝑘𝑎𝑔𝑒,𝑚𝑒𝑑𝑒𝑙 =𝑞50
3.5 Energibalans
En byggnads energibehov är beroende av flera variabler och kan beräknas genom en energibalansekvation. Etot representerar den energi som byggnaden behöver för
upp-värmning samt den gratisvärme som genereras av personnärvaro, hushållsel, solin-strålning och varmvatten. All denna energi blir till förluster vilket sker genom trans-missionsförluster, ventilationsförluster samt luftläckage genom byggnadsskalet. Etot=Qtot⋅ Gh =(Qtransmission+Qventilation+Qluftläckage) ⋅Gh [Wh] (8)
Där
Gh = Gradtimmar [C⋅h]
3.6 Finite elementmetoden
Metoden som CM använder sig av kallas finite elementmetoden vilket innebär att geometrin genom vilken energin kommer att flöda delas upp i ett nät av trianglar. Dessa trianglar representerar celler mellan vilka energin kommer att flöda vid simu-lering.
För att studera ett verkligt system krävs följande: - En uppbyggnad av systemets geometri - De okända variablerna som ska simuleras - Fysiska lagar som berör systemet
- Kända värden för det studerade systemet - Randvillkor och initiala villkor
De fysiska fenomenen i systemet har kopplats till differentialekvationer vilka beskri-ver fenomenens egenskaper och på så sätt kan användare med enkla indata simulera ett komplext system [33].
4 Metod
I metod delen framförs vilka metoder och tekniker, författarna använt sig av under projektets gång för att genomföra studien. Genom bakomliggande teorier har meto-der tillämpats efter bästa möjliga förmåga för att få ett resultat som liknar verklig-heten i den mån det går. Målet för metodvalen har varit att det ska gå att genomföra simulering av oberoende part. Det vill säga reproducerbarhet. Beräkningsprogram-men som tillämpats har med fördel de kvalifikationerna som behövdes för att ge-nomföra efterfrågat arbete från uppdragsgivaren.
4.1.1 Andersberg – Den röda staden
I takt med att Gävle som stad växte så behövdes bostadsfrågan lösas. Först ut hade stadsdelen Sätra i norra Gävle byggts vilken hade byggts enligt den tidens ABC -plan som stod för arbete, bostad och centrum. Samma strategi användes när Andersberg planerades och exploaterades under 1970-talet. Det som var annorlunda med denna stadsdel var att det var mer likt ett ”miljonprogram” i jämförelse med Sätra där man hade behållit närheten till naturen och terrängen. Tanken när Andersberg byggdes var rationellt byggande, rationellt nyttjande och rationell förvaltning. Det skulle byggas: boende som var bra och funktionella, trafiksystem som var separerat och sä-kert, stora grönområden och ett stadsdelscentrum som samlade områdets olika ser-vicebehov. Man sa att man samlade invånarna för att känna samvaro, delaktighet samt trivsel [34].
Andersberg kallas för den röda staden därför att det kännetecknas av sina röda fler-bostadsbyggnader med den röd-orangea plåtfasad. I området finns 22 stycken lika-dana byggnader som ägs och drivs av det lokala bostadsbolaget AB Gavlegårdarna. Gatorna i stadsdelen har fått namn efter väder och himlafenomen. När bygget av det nya området stod klart bodde omkring 5000 invånare i denna stadsdel. Idag bor cirka 4600 personer i Andersberg [35].
4.1.2 Vinddraget
Det flerfamiljshus som har studerats under detta projekt är beläget i Andersberg, en stadsdel strax söder om Gävle centrum. Tillgängliga arbetsritningar är daterade från 1973 varav byggnaden antas ha byggts i slutet av Miljonprogrammet som ägde rum mellan 1965–1974. Denna byggnad har inte omfattats av några större renoveringar
Byggnaden är sex våningar hög inkluderat källaren. I källaren finns kallförråd och undercentral. På entréplan finns tvättstuga, föreningslokal och ett antal mindre lä-genheter (1 rok). Första våningen upp till våning fyra omfattas av större lälä-genheter om två -och tre rum och kök. Totalt finns 56 lägenheter i byggnaden varav 24st 3 rok, 24st 2rok och 8st 1rok.
Byggnaden är rektangulär där långsidorna är orienterade i öst/västlig riktning. Med sin röd/orangea plåtfasad samt rödfärgade puts på markvåningen och platta tak, ut-märker sig byggnaden för en tidstypisk byggnad från miljonprogrammets byggår. Det finns inget kylsystem i byggnaden och värmen kommer från fjärrvärmenätet. Gällande VVS-systemet, är det mekanisk frånluftventilation i kök och badrum i varje lägenhet, vilket kan regleras av de som bor i lägenheten. I undercentralen, finns det ett två-stegs kopplat VVX-system, ett för tappvarmvattnet och ett för radiatorsyste-met.
För byggnaden har det hämtats information från 2018 års energideklaration som sa att fastighetselen låg på 6 kWh/m2*år. Fjärrvärmeanvändningen för samma år var
574 610 kWh. Tappvarmvattenanvändning för 2019 låg på 2032.2 m3.
Inomhus-temperaturen sa fastighetsägaren att för lägenheterna låg på 22 grader. (Alla källor tillhandahållna av fastighetsägaren AB Gavlegårdarna).
4.2 Förfarande
I detta arbete genomfördes en fallstudie av det studerade objektet på Vinddraget i Andersberg, Gävle. Diverse handlingar från fastighetsbolaget AB Gavlegårdarna har tillhandhållits och studerats för att kunna bygga upp en modell och simulera i data-programmen IDA ICE och COMSOL. För att sedan validera mot energisignaturme-toden och de verkliga handlingarna.
4.3 Fallstudie
Det studerade objektet på Vinddraget, Andersberg, Gävle. Omfattar ett flerbostads-hus som är byggt under 1970-talet. Två platsbesök gjordes våren 2020 samt ett fler-tal online-möten. Unikt med denna byggnad jämfört med resterande byggnader i området var att det fanns källare på denna byggnad.
På första besöket studerades byggnadens uppbyggnad och konstruktion genom en så kallad ” walk through”. Mätningar av byggnaden utfördes för att kontrollera mot rit-ningarna. Mätutrustning sattes upp för att logga främst temperatur som var intres-sant för oss i vår rapport.
På andra platsbesöket monterades utrustningen ner och kontroll av eventuell utrust-ning såsom effekt av lampor i trapphus och kontrollmätutrust-ning av byggnaden om något var oklart. Dokumentation i form av kort togs på och i byggnaden för att samla in-formation om detaljer som kunde vara intressanta. Däribland effekt på utrustning, exempelvis lampor, antalet armaturer m.m.
4.4 Datainsamling
Diverse dokument som behandlats under projektets gång gällande byggnadens in-formation. Dessa kom främst från AB Gavlegårdarna. Antaganden för andra saker som varit okända i samband med byggnaden, har rimliga antaganden tagits tillsam-mans med handledare eller andra direktiv som exempelvis Sveby.
Underlag som använts i rapporten:
– A och K-ritningar som underlag för uppbyggnad av modellen. – Varmvattenanvändning [m3/månad]
– Fjärrvärmeanvändning (entimmesvärden) – Energideklaration (årtal)
– OVK (årtal, info på lgh nivå) – Verkliga mätningar av byggnaden
4.5 Simulering 4.5.1 COMSOL
COMSOL Multiphysics (CM) är en simuleringsplattform som gör det möjligt att si-mulera energiflöden i material och konstruktioner. Genom att bygga upp en modell med givna egenskaper så kan det totala energiflödet genom materialskikten simule-ras fram. Simuleringsplattformen användes för att simulera byggnadens större köld-bryggor och få fram de verkliga psi-värdena och på så sätt öka byggnadsmodellens trovärdighet.
De större köldbryggorna som simulerades var mellanväggarna på plan 1–5, mellan-bjälklagen på plan 2–5, balkonger på plan 2–5 samt utdragen mellanvägg i dubbel-balkongerna. Konstruktionerna såg olika ut beroende på våning samt i vilken del av byggnaden som köldbryggan var belägen, därav byggdes alla relevanta ritningar upp som modeller i COMSOL Multiphysics.
Figur 4 visar uppbyggnad av balkonger på plan 2 vilka analyserades och byggdes upp i CM. Resterande köldbryggor som simulerat kan hittas bland bilagor A i slutet av rapporten.
Steg ett var att skriva in de olika materialens tjocklek och lambda-värde samt rand-villkorens parametrar vilka var ut och invändig temperatur (som sattes till 0 respek-tive 1 grader Celsius) samt yttre och inre värmemotstånd. Yttre och inre värmemot-stång gjordes om till dess inverser då detta var vad CM använde sig av vid simule-ring.
Därefter byggdes en 2D modell upp av köldbryggan. När de olika materialskikten byggts upp och kopplats till respektive Lambda-värde (se Tabell 1) gjordes en så kal-lad mesh som innebär att modellens materialskikt delas in i celler mellan vilka ener-gin flödar. Denna metod som används i programmet kallas finite elementmetoden. För att få fram köldbryggans psi-värde simulerades först hela modellen vilket resul-terade i det totala energiflödet genom konstruktionsdelen och därefter simulerades modellen utan köldbryggan. På så sätt kunde psi-värdet tas fram vilket representera-des av skillnaden mellan de två simuleringarnas energiflöden.
Tabell 1. Materialegenskaper som använts i som input i COMSOL Multiphysics.
Material Lambda [W/m∙K] Betong 1.7 Lättbetong 0.15 Isolering 0.037 Träpanel 0.14
Plåtfasad + luftspalt och reglar 0.32
Puts 1.0
Gipsskiva 0.25
4.5.2 IDA ICE
I projektet användes versionen IDA ICE 4.8. IDA Indoor Climate and Energy är ett energisimuleringsprogram som kan modulera och simulera byggnaders energipre-standa. IDA ICE skapar en matematisk modell efter dynamiska funktioner av venti-lation och värmeöverföring. För uppbyggnad av modellen i programmet har arkitekt
Klimatfil
Klimatfil för Gävle har använts.
Zoner
Byggnaden har delats upp i zoner så att en zon motsvarar en lägenhet. Det vill säga att ingen rumsindelning specifikt för varje lägenhet. Trapphuset likaså, en zon mots-varar det allmänna trapputrymmet för den våningen. Källaren delades in i större zo-ner då dessa ansågs varken ha boende, utrustning eller är uppvärmt område. För öv-rigt så har modellen anpassats i den mån det gått efter ritningen. För att inte göra modellen för avancerad att simulera har zonerna ingen rumsindelning, vilket också resulterat i att utrustning och andra rumsspecifika detaljer har ”klumpats ihop” till en enda zon för varje lägenhet.
Inomhustemperatur
Förutom de 6 givarna (se Tabell 6) som placerades i byggnaden för korttidsmätning så antogs en generell inomhustemperatur baserat på AB Gavlegårdarnas information om lägenheterna att inomhustemperaturen var ca 22 grader i varje lägenhet (AB Gavlegårdarnas mätning baserades på en ettårs mätning av innetemperaturen).
Interna laster
Ett förtydligande om skillnaden mellan hushållsel och fastighetsel.
– Hushållsel. El som förbrukas av den som bor i lägenheten. I modellen har det räknats med för varje zon. Interna laster och lighting. Svebys schablonvärden har använts för denna inställning.
– Fastighetsel. El som behövs för allmänna/öppna platser i byggnaden. Exem-pel på det kan vara utrustning i tvättstuga, belysning i trappuppgång eller ut-anför porten, det som driver ventilation och pumpar i undercentraler också. Effekt på lampor i trapphuset undersöktes under platsbesöket och ställdes in i modellen. Samt de pumpar som fanns undercentralen. Även ventilations-fläktarnas effekt, det kom från OVK
Svebys schablonvärden (eller det som har använts till användning för modellen) för interna laster för vardera lägenheten. Enligt deras dokument på schablonvärden för utrustning i lägenheten säger de enligt tabell 2.
Tabell 2. Svebys schablonvärden över förbrukning av hushållsel för hus och lägenheter [36]
I IDA ICE har interna laster delats upp så att ”equipment” är en post och ”lighting” är en post. Det som gjordes var att räkna bort lighting från hushållselen och resten la-des på Equipment. Detta resulterade i att:
Equipment för varje lägenhet ställdes in på 300W + ytterligare 75W med
tanke på att viss del av utrustningen står på konstant (kyl och frys främst).
3000 − 630 = 2370 [𝑘𝑊ℎ/å𝑟] (9)
2370∙1000
8760 = 270 [𝑊] (10)
Lighting ställdes in på 100 W. Något högre än Svebys schablonvärden men
med hänsyn till att schema som det är inställt på gör att den verkliga effekten blir lägre än den teoretiska.
630∙1000
8760 = 71.2 [𝑊] (11)
Schema
Schemalagd användning för utrustning och användning av varmvatten har skapats och använts i modellen. Den utgick från ett rimligt antagande som gjorts på ett tidigare projekt (Punkthusen i Östra Sätra) om att de flesta som bor i byggnaden är på job-bet/skolan mellan kl. 07–16 på vardagar. Det antagandet baserades på att majorite-ten av de som bodde i byggnaden var studenter men att det var applicerbart även på denna byggnad i Andersberg, då beteendemönstret inte var så mycket annorlunda där även om det omfattar en annan boendegrupp och inte enbart studenter.
