Bygningsenergimodeller: Fremtidsutsikter og Utfordringer

Veien videre for bygningsenergimodell

Dette er del 2 i vår serie om bygningsenergimodeller. Les del 1 om historien til bygningsenergimodeller her.

Det sies at bygningsenergimodeller er som værmeldinger: alle bruker dem; ingen stoler helt på dem; og alle blir litt overrasket de gangene de faktisk stemmer. Til tross for stor fremgang, sliter dagens avanserte modeller fortsatt med essensielle spørsmål som «Hvor mange kaffepauser tar folk i løpet av en dag?» og «Hvorfor lar noen kontorvinduet stå på gløtt hele natten midt i januar?» Disse spørsmålene er delvis teoretiske, knyttet til iboende usikkerheter i hva vi prøver å modellere; delvis praktiske, knyttet til data og anvendelse.

Usikkerhet knyttet til brukere og drift

Brukeratferd er kanskje den største enkeltkilden til avvik mellom beregnet og virkelig energibruk. Mens fysiske egenskaper som U-verdier og kapasiteter kan måles relativt presist, er det langt vanskeligere å forutse hvordan mennesker bruker bygget. En modell antar gjerne at alle ansatte sitter pent ved pulten (1.0 met), kler seg etter årstiden, slår av lysene klokken 17:00, og aldri åpner vinduet i januar. Virkeligheten derimot består av folk som går rundt i t-skjorte midt på vinteren, åpner vinduet for å lufte ut «gammel luft», og lar PC-en stå på over helgen «fordi den er treig å starte opp igjen». Dette kalles også 'energimodellens første lov', som sier at modeller kan være nøyaktige, men ikke synske.

Mikroklima er en annen vikig kilde. Standardiserte værdata fungerer fint – hvis du tilfeldigvis bor ved en værstasjon, og klimaet ikke har endret seg siden dataene ble innsamlet. I praksis kan et bygg i en urban "varmeøy" ha høyere utetemperaturer om natten enn hva værstasjonen utenfor byen tilsier. Og morgendagen klima vil, som alle vet, være varmere, våtere og villere enn hva historise værdata tilsier.

En tredje utfordring er mengden inndata dagens BEM verktøy krever. I teorien skal dette sikre nøyaktige simuleringer. I praksis betyr det junior konsulenter som fyller ut skjemaer med omtrentlige tall mens de mumler «godt nok» til seg selv.

Et paradoks er at jo mer avanserte modeller har blitt, desto mer kompetanse kreves for å bruke dem riktig. En moderne simuleringsmodell kan feile på subtile måter – f.eks. ved at brukeren legger inn feil driftsstrategi for VAV eller nattsenking, slik at simuleringen antar full drift hele tiden. Selv om selve beregningsmodellen er sofistikert, fører "søppel inn = søppel ut" prinsippet til beregningsresultater som er virkelighetsfjerne og misvisende.

Slike brukerfeil, på grunn av misforståelser eller slurv, er utbredt og kan gi store avvik uten at det nødvendigvis er åpenbart. Det finnes få formelle prosesser for kvalitetssikring av energimodeller – det er ofte opp til hver enkelt firma å ha intern kontroll. Initiativer for å avhjelpe dette inkluderer bedre utdanning og sertifisering. For eksempel har ASHRAE etablert en BEMP-sertifisering (Building Energy Modeling Professional), men den er frivillig og relativt få har den foreløpig.

Beregningsintensitet og skalerbarhet

På metodefronten har occupant behavior-modellering tatt av som forskningsfront det siste tiåret - og alt fra agent-baserte modeller til empiriske profiler basert på sensordata er under stadig utvikling. I dag finnes sensorer og smarte målere i stadig flere bygninger, og det er mulig at stordata-tilnærminger snart kan bidra til bedre sannsynlighetsbaserte opptredelsesmodeller for når lys tennes, vinduer åpnes osv. Digital tvilling-konseptet innebærer nettopp dette: en levende modell av bygget som justeres løpende med sanntidsdata og dermed alltid er nærmest mulig virkelig oppførsel.

Selv om dagens datamaskiner er kraftige, møter vi fortsatt grenser for hvor komplekse simuleringer vi kan gjøre innen rimelig tid. Et eksempel er Monte Carlo usikkerhetsanalyser: å kjøre kanskje flere hundre eller tusen simuleringer med varierende input for å se spennvidden i energibruk.

En retning som nevnes ofte er bruk av maskinlæring (ML) for å erstatte eller supplere tunge beregninger. For eksempel kan man trene opp et nevralt nettverk til å etterligne en EnergyPlus-modell slik at man får en "metamodell" som gir nesten like resultater på brøkdelen av tiden.

Slike hybride fysikk+data-drevne modeller er det stor interesse for, da de kombinerer fysikkmodellens generaliserbarhet med data-drevne metoders evne til å fange komplekse mønstre.

Standardisering og kompatibilitet

Under alt dette ligger spørsmålet om troverdighet – både blant fagfolk og beslutningstakere. Kritikere peker gjerne på at BEM verktøy ofte valideres mot hverandre i stedet for mot virkelighetene - litt som å stille en klokke etter en klokke som er stilt etter en klokke. For å bøte på dette oppfordres det nå til mer empirisk validering – f.eks. at man bruker spesialbygde testfasiliteter hvor man kan måle nøyaktig energiytelse under kontrollerte forhold og sammenligne med simulering.

Samtidig foregår et viktig arbeid med standardisering av modellering og dokumentasjon. Standarder som ASHRAE 90.1, NS/NSPEK 3031 i Norge og ISO 52000-serien internasjonalt forsøker å sikre sammenlignbarhet og konsistens. Et utfordring er likevel at disse standardene ofte henger etter den teknologiske utviklingen. For eksempel har implementeringen av beregningsregler for nye teknologier som fasadeintegrert solenergi, dynamiske fasadesystemer eller avansert lagringsteknologi ofte en forsinkelse på flere år fra teknologien blir tilgjengelig til den er fullstendig inkorporert i beregningsreglene.

En annen utfordring er manglende åpenhet og deling av modeller og data. De fleste BEM verktøy bruker proprietære filformat og lukkede databaser, noe som gjør det vanskelig for forskere og konsulenter å gjenbruke modeller på tvers av programvare. I Norge ender for eksempel energikonsulenter gjerne med å gjøre dobbeltarbeid ved å sette opp en modell i et kraftig verktøy som IDA ICE for detaljerte beregninger, samt en modell i et lettvektverktøy som TEK-sjekk eller SIMIEN for å validere bygget mot norske forskrifter.

Moderne verktøy som BEMify, som gjør det mulig å konvertere frem og tilbake mellom de proprietære filformatene til andre BEM verktøy, samt open-source-plattformer og initiativer som IBPSA's Project 1, gir håp for fremtiden. Et lovende initiativ er utviklingen av åpne filformater for BEM og standardiserte grensesnitt som BuildingSMART's gbXML. Disse gjør det mulig å overføre bygningsinformasjon mellom ulike programvarer, uten behov for verktøy som BEMify. Men selv her finnes utfordringer med kompatibilitet og detaljeringsgrad som industrien jobber med å løse.

Fremtidsvisjonen

Veien videre for bygningsenergimodeller ligger trolig i en kombinasjon av disse tilnærmingene: Mer data, bedre fysikk, smartere algoritmer, bedre validering. Maskinlæring og stordata vil hjelpe oss å fange opp det som er vanskelig å lage regler for, mens høyere beregningskraft vil la oss simulere mer detaljert.

I et fremtidsperspektiv kan man se for seg at energimodellen ikke lenger bare er et prosjekteringsverktøy, men et driftsverktøy som følger bygget gjennom livsløpet: Fra designoptimalisering, via kontinuerlig commissioning mot sanntidsdata, til løpende oppdatering av styringsstrategier og til slutt som underlag ved ombygging eller riving.

Målet er ikke nødvendigvis en perfekt prediksjon (umulig, siden verden i seg selv er usikker og i endring), men å gjøre modellen til et pålitelig beslutningsverktøy: et verktøy som kan brukes til å sammenligne alternativer, identifisere trender og potensielle problemer, og gi innsikt i hvordan et bygg bruker energi, heller enn å garantere et eksakt kilowattime-tall.

Trolig vil BEM forbli litt som værmeldingen på TV – du får en idé om hva som skjer, men tar med deg paraply likevel.