دوره آموزش حرفه ای gis

مفهوم و ارزیابی پیش‌بینی تقاضای گرمایش بر اساس مدل‌های شهر سه بعدی و CityGML Energy ADE-مطالعه موردی هلسینکی

خلاصه

این کار مفهومی را برای تقاضای گرمایش و 2 CO حاصل از آن ارائه می‌کند پیش بینی انتشار گازهای گلخانه ای بر اساس یک مدل شهر سه بعدی در قالب CityGML در سناریوهای مختلف با در نظر گرفتن تغییر اقلیم. در مطالعه موردی هلسینکی، اطلس انرژی و آب و هوای هلسینکی، که اطلاعات دقیقی را برای ساختمان‌های مجزا که تقاضای گرمایش را انجام می‌دهند، ارائه می‌کند، در مدل شهر سه‌بعدی با استفاده از توسعه دامنه کاربرد انرژی CityGML (Energy ADE) برای ارائه اطلاعات مرتبط با انرژی ادغام شده است. بر اساس یک مدل داده استاندارد شده ذخیره شده در پایگاه داده CityGML به نام 3DCityDB.
دوره آموزش حرفه ای gis
محیط شبیه سازی SimStadt برای بازیابی اطلاعات ذخیره شده در طرح انرژی ADE، استفاده از آن در طول شبیه سازی و نوشتن نتایج شبیه سازی به 3DCityDB گسترش یافته است. با توجه به تغییرات آب و هوایی، کاهش 4 درصدی تقاضای گرمایش در هر دهه پیش‌بینی می‌شود. تا سال 2035، کاهش 0.7 تراوات ساعت در حالت عادی و 1 محاسبه می شود. 5 تراوات ساعت در سناریوی بازسازی پیشرفته. از جمله بهبودهای پیشنهادی شبکه گرمایش منطقه ای، CO گرمایشی 2پیش‌بینی می‌شود که انتشار گازهای گلخانه‌ای تا سال 2035 در مقایسه با سال 1990 تا 82 درصد کاهش یابد. کاهش تقاضای گرمایشی شهر هلسینکی از طریق مدرن‌سازی 2.0 TWh/a تا سال 2035 با نرخ نوسازی 3 درصد محقق نمی‌شود. علاوه بر این، کاهش CO 2انتشار عمدتاً از طریق کاهش CO حاصل می شود 2عوامل انتشار شبکه گرمایش منطقه ای در هلسینکی

کلید واژه ها:

مدل شهر سه بعدی ; CityGML ; 3DCityDB ; EnergyADE ; SimStadt ; انتشار CO 2 ؛ پیش بینی تقاضای انرژی

 

1. معرفی

برای دستیابی به این هدف، شهر هلسینکی یک برنامه استراتژی شامل بیش از 100 اقدام تهیه کرد. هدف کاهش 80 درصدی CO در نظر گرفته شده است 2انتشار گازهای گلخانه ای در هلسینکی تا سال 2035 در مقایسه با انتشار در سال 1990. 20 درصد باقیمانده باید با کاهش انتشار در خارج از شهر جبران شود. سهم انتشار گازهای گلخانه ای در هلسینکی تحت سلطه گرمایش و نوسازی انرژی است که در اینجا بیشترین پتانسیل را در کاهش CO2 فراهم می کند. 2انتشار [ 1 ]. بر اساس برنامه اقدام، انتشار گازهای گلخانه ای ساختمان ها می تواند تا 80 درصد کاهش یابد. بخش کوچکی از سهام ساختمان در هلسینکی متعلق به شهر است و این ساختمان‌ها تنها 11 درصد از پتانسیل کاهش را دارند. بنابراین، مالکان باید از طریق حمایت مالی برای بازسازی ساختمان انگیزه داشته باشند [ 1 ]. یکی از راه‌های توسعه استراتژی‌های نوسازی کارآمد، حمایت قوی‌تر از مالکان ساختمان‌هایی با پتانسیل کاهش بیشتر نسبت به سایرین است.
در مسیر رسیدن به هدف شهر بدون کربن، ایجاد درک مشترک از وضعیت شهر از نظر توسعه پایدار در حال حاضر و آینده برای شهر مهم‌تر است. برای به دست آوردن یک دید کلی از شهر، نیاز به یک چارچوب و ابزارهای مختلف برای به روز نگه داشتن آنچه در شهر و مکان اتفاق می افتد وجود دارد. در دسترس بودن و استفاده هوشمندانه از داده های مکانی سازگار، دقیق و معتبر در مورد ساختمان ها و نیازهای انرژی آنها یکی از عوامل کلیدی در توسعه پایدار شهری است. توسعه شهری سازمان یافته و تصمیم گیری فعالیت های مسئولانه ای است که محیطی پایدار و سالم را برای شهروندانی که کار می کنند، زندگی می کنند و از شهر لذت می برند، فراهم می کند. توسعه شهری می تواند به شدت بر ابزارها و خدمات پیاده سازی شده با مدل های سه بعدی شهر تکیه کند. به خصوص، مدل شهر CityGML بسیار تطبیق پذیر است زیرا ذخیره داده ها و معناشناسی آن اجازه می دهد تا دانش در یک مدل شهر سه بعدی ادغام شود، که برای پشتیبانی از توسعه برنامه در مقیاس شهر مناسب است. استفاده از مدل CityGML و توسعه انرژی آن مزایای زیادی دارد و به ویژه باز کردن اطلاعات و خدمات برای همگان امکان استفاده از اطلاعات را در تجارت و شرکت ها و همچنین در زندگی روزمره هر شهروندی ممکن می سازد. برای یک فرد، این بدان معنی است که خدمات آنلاین اطلاعات ساختمانی و برآوردهای مصرف انرژی مختلف را نمایش می دهند، که سپس می توان آنها را با مصرف واقعی مقایسه کرد، و تمام اطلاعات موجود می تواند واقعاً به نوسازی و نوسازی خانه های خود ساکنان شهر تشویق شود. داده‌های باز و خدمات عمومی می‌توانند بخش تجاری را برای توسعه انواع جدیدی از محصولات و خدمات که از توسعه پایدار به نفع شهر و شهروندان حمایت می‌کنند، جذب کنند. نتایج ارزیابی تقاضای انرژی ساختمان‌ها را می‌توان برای پاسخ به چالش شهر بدون کربن استفاده کرد، اگرچه دستیابی به هدف یک چالش سیستماتیک است که هیچ شهر یا مرجعی به تنهایی نمی‌تواند آن را حل کند.
شهر هلسینکی به دنبال ارائه تمام داده های موجود مربوط به انرژی ساختمان ها در اطلس انرژی و اقلیم هلسینکی (اطلس) است [ 2 ]]. این یک تجسم وب از مدل شهر سه بعدی هلسینکی است که امکان کاوش مجازی هلسینکی در یک مرورگر وب و بازیابی اطلاعات مربوط به انرژی برای هر ساختمان را فراهم می کند. اطلس در مدل شهر سه بعدی معنایی پیاده سازی شده است و بخشی از مجموعه ابزار شهر برای پشتیبانی از بهره وری انرژی در انبار ساختمان، استفاده از انرژی های تجدیدپذیر و در آینده نیز برای اقدامات اقلیمی و سازگاری با تغییرات اقلیمی است. از آنجایی که اطلس تنها با ویژگی‌های اولیه مدل داده CityGML پیاده‌سازی می‌شود، ویژگی‌های مرتبط با انرژی در ویژگی‌های عمومی ذخیره می‌شوند که می‌تواند منجر به مشکلات قابلیت همکاری داده‌ها و مشکلات پردازش داده شود. تحقیق در مورد توسعه انرژی CityGML توسعه ابزار Atlas را به شدت به جلو می برد. و ویژگی های انرژی مدل داده را هم از نظر هستی شناسی و هم از نظر معنایی به درستی سازماندهی می کند. اطلس حاوی طیف گسترده ای از اطلاعات ساختمان های مرتبط با انرژی به صورت تصویری و آموزنده است و اطلاعات به صورت رایگان در اختیار صاحبان املاک، برنامه ریزان شهری و بازار مسکن است که اطلاعاتی در مورد عملکرد ساختمان و شرکت های بهره وری انرژی ارائه می دهند. داده های باز همچنین به صنعت مدیریت دارایی سود می رساند که می تواند کار خود را توسعه دهد و به عنوان یک بازیگر مسئول عمل کند. اطلس حاوی داده های اندازه گیری شده مصرف انرژی گرمایشی است که فقط برای ساختمان های مسکونی متعلق به هلسینکی در دسترس است (فین: Helsingin kaupungin asunnot Oy، ساختمان های HEKA). اطلس همچنین برآورد مصرف انرژی سایر ساختمان ها را ارائه می دهد که بر اساس سال ساخت و کلاس استفاده از ساختمان طبقه بندی می شود. تنها امکان ارزیابی تقریبی تقاضای انرژی یک ساختمان را فراهم می کند. در هر صورت، داده های موجود در اطلس را می توان با توسعه برنامه های کاربردی جدید و انجام تحلیل های جدید و دقیق تر که از تمام داده های ساختمان و همچنین اطلاعات اضافی وارد شده استفاده می کند، استفاده کرد. توسعه هر ابزار عملی و دقیق برای ارزیابی عملکرد انرژی ساختمان‌ها این امکان را فراهم می‌آورد که ارزیابی اولیه از اینکه چه نوع مطالعات بهره‌وری انرژی و انرژی‌های تجدیدپذیر ارزش سرمایه‌گذاری در یک ملک را دارد، به دست می‌آید.
این تحقیق از استاندارد CityGML و مدل اطلاعات شهر هلسینکی به طور گسترده تر از همیشه استفاده می کند. در اصل، استاندارد مدل اطلاعات شهر CityGML برای برآورده کردن الزامات بسیاری از صنایع مختلف برای استفاده از مدل‌های سه بعدی شهر توسعه داده شد. هلسینکی همچنین نیاز به مدل اطلاعات شهری را تشخیص داده است، به همین دلیل است که یک مدل شهری بسیار قابل استفاده و به روز بر اساس استاندارد CityGML برای کل هلسینکی وجود دارد. استاندارد CityGML شامل تعاریف مهم ترین اشیا و تعاریف آنها برای مدل شهر است و محیط شهری را به صورت هندسی، گرافیکی، هستی شناسی و معنایی توصیف می کند. مدل CityGML از دو بخش موضوعی مختلف تشکیل شده است: ماژول اصلی و ماژول های توسعه. ماژول اصلی شامل مفاهیم و اجزای اصلی مدل CityGML است. ماژول های افزونه را می توان برای افزودن ویژگی های موضوعی جدید به مدل داده استفاده کرد. مهم ترین اشیاء برای مدل شهر با توجه به ویژگی هایشان به ماژول های موضوعی مختلف تقسیم می شوند. اشیاء موضوعی مختلف عبارتند از، برای مثال، مدل‌های زمین، ساختمان‌ها، پل‌ها، مناطق آب و ترافیک، پوشش گیاهی و مبلمان خیابان. علاوه بر این، مدل شهر مبتنی بر CityGML یک پلتفرم آماده برای افزودن اشیاء شهری جدید به مدل شهر با استفاده از ماژول‌های توسعه ارائه می‌کند. یکی از ماژول های توسعه ای مورد استفاده در این تحقیق، افزونه دامنه کاربرد انرژی (Energy ADE) نام دارد که می تواند به طور یکپارچه برای افزودن ویژگی های جدید مرتبط با انرژی به مدل شهر استفاده شود. ماژول های افزونه را می توان برای افزودن ویژگی های موضوعی جدید به مدل داده استفاده کرد. مهم ترین اشیاء برای مدل شهر با توجه به ویژگی هایشان به ماژول های موضوعی مختلف تقسیم می شوند. اشیاء موضوعی مختلف عبارتند از، برای مثال، مدل‌های زمین، ساختمان‌ها، پل‌ها، مناطق آب و ترافیک، پوشش گیاهی و مبلمان خیابان. علاوه بر این، مدل شهر مبتنی بر CityGML یک پلتفرم آماده برای افزودن اشیاء شهری جدید به مدل شهر با استفاده از ماژول‌های توسعه ارائه می‌کند. یکی از ماژول های توسعه ای مورد استفاده در این تحقیق، افزونه دامنه کاربرد انرژی (Energy ADE) نام دارد که می تواند به طور یکپارچه برای افزودن ویژگی های جدید مرتبط با انرژی به مدل شهر استفاده شود. ماژول های افزونه را می توان برای افزودن ویژگی های موضوعی جدید به مدل داده استفاده کرد. مهم ترین اشیاء برای مدل شهر با توجه به ویژگی هایشان به ماژول های موضوعی مختلف تقسیم می شوند. اشیاء موضوعی مختلف عبارتند از، برای مثال، مدل‌های زمین، ساختمان‌ها، پل‌ها، مناطق آب و ترافیک، پوشش گیاهی و مبلمان خیابان. علاوه بر این، مدل شهر مبتنی بر CityGML یک پلتفرم آماده برای افزودن اشیاء شهری جدید به مدل شهر با استفاده از ماژول‌های توسعه ارائه می‌کند. یکی از ماژول های توسعه ای مورد استفاده در این تحقیق، افزونه دامنه کاربرد انرژی (Energy ADE) نام دارد که می تواند به طور یکپارچه برای افزودن ویژگی های جدید مرتبط با انرژی به مدل شهر استفاده شود. اشیاء موضوعی مختلف عبارتند از، برای مثال، مدل‌های زمین، ساختمان‌ها، پل‌ها، مناطق آب و ترافیک، پوشش گیاهی و مبلمان خیابان. علاوه بر این، مدل شهر مبتنی بر CityGML یک پلتفرم آماده برای افزودن اشیاء شهری جدید به مدل شهر با استفاده از ماژول‌های توسعه ارائه می‌کند. یکی از ماژول های توسعه ای مورد استفاده در این تحقیق، افزونه دامنه کاربرد انرژی (Energy ADE) نام دارد که می تواند به طور یکپارچه برای افزودن ویژگی های جدید مرتبط با انرژی به مدل شهر استفاده شود. اشیاء موضوعی مختلف عبارتند از، برای مثال، مدل‌های زمین، ساختمان‌ها، پل‌ها، مناطق آب و ترافیک، پوشش گیاهی و مبلمان خیابان. علاوه بر این، مدل شهر مبتنی بر CityGML یک پلتفرم آماده برای افزودن اشیاء شهری جدید به مدل شهر با استفاده از ماژول‌های توسعه ارائه می‌کند. یکی از ماژول های توسعه ای مورد استفاده در این تحقیق، افزونه دامنه کاربرد انرژی (Energy ADE) نام دارد که می تواند به طور یکپارچه برای افزودن ویژگی های جدید مرتبط با انرژی به مدل شهر استفاده شود.
هدف از این تحقیق، پیش‌بینی تقاضای گرمایش سهام ساختمان هلسینکی در سناریوهای مختلف در مقیاس شهری و محاسبه پتانسیل گرمایش-تقاضا-صرفه‌جویی است که می‌توان از طریق نوسازی در مقیاس ساختمان به دست آورد. بر اساس تقاضای انرژی برای گرمایش و اطلاعات مربوط به سیستم های گرمایشی، CO 2انتشار گازهای گلخانه ای ناشی از گرمایش را می توان محاسبه کرد. به عنوان پایه داده، مدل شهر سه بعدی همراه با اطلاعات اطلس انرژی و آب و هوا هلسینکی، اطلاعات اضافی ثبت شهر هلسینکی و داده های آب و هوای پیش بینی شده دراز مدت استفاده می شود. اطلاعاتی که تقاضای انرژی یک ساختمان را هدایت می کند با استفاده از Energy ADE در مدل شهر سه بعدی ادغام می شود. برای شبیه سازی تقاضای گرمایش، دقت تا 20 درصد انحراف از مقادیر اندازه گیری شده انتظار می رود. علاوه بر این، نرخ نوسازی سالانه برای دستیابی به کاهش مورد نیاز تقاضای گرمایش و CO 2گازهای گلخانه ای محاسبه خواهد شد.
مقاله بصورت زیر مرتب شده است. بخش 2 مروری بر تحقیقات مرتبط ارائه می دهد. در بخش 3 ، مفهوم کلی تحقیق ارائه شده است. روند اجرای مفهوم پیشنهادی پس از آن در بخش 4 توضیح داده شده است . در بخش 5 ، نتایج شبیه‌سازی و پیش‌بینی ارائه و ارزیابی می‌شوند. به دنبال نتیجه گیری و توصیه هایی برای کار آینده، ارائه شده در بخش 6 .

2. تحقیقات مرتبط

پیش بینی تقاضای گرمایش را می توان با استفاده از رویکردهای مختلف در مقیاس های مختلف به دست آورد. چلال و همکاران [ 3 ] رویکردهای ممکن را در مقیاس های شهری و ساختمانی متمایز می کند. همانطور که در شکل 1 نشان داده شده است، مقیاس ساختمان بیشتر به رویکردهای مهندسی، هوش مصنوعی و ترکیبی تقسیم می‌شود، در حالی که رویکردهای مقیاس شهری به رویکردهای آماری مبتنی بر 2D-GIS، مبتنی بر CityGML و رویکردهای آماری از پایین به بالا طبقه‌بندی می‌شوند.
هوش مصنوعی و یادگیری ماشین روش‌های ارزیابی قابل توجهی برای بهینه‌سازی مصرف انرژی ساختمان‌ها و مدیریت هوشمند انرژی هستند. مدل شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) می‌توانند با سادگی خود به فرآیندهای پیچیده تنظیم پارامترها، تولید مدل‌ها و تعریف شرایط مرزی پاسخ دهند. علاوه بر این، حتی اگر اطلاعات به طور جامع در دسترس نباشد، همچنان می توان از فناوری یادگیری ماشینی استفاده کرد و نتایج به سرعت و چابکی به دست آمد. به طور کلی، روش‌های جدید مبتنی بر یادگیری ماشینی منفرد یا ترکیبی هنوز در دست توسعه هستند، اما پتانسیل بالایی دارد، به‌ویژه زمانی که ارزیابی اولیه به سرعت مورد نیاز است و داده‌ها به طور کامل در دسترس نیستند.4 ، 5 ].
رویکردهای مهندسی مصرف انرژی را بر اساس اصول و روابط فیزیکی و ترمودینامیکی پیش‌بینی می‌کنند، در حالی که یک رویکرد آماری معمولاً از داده‌های مصرف تاریخی برای انجام تحلیل‌های آماری استفاده می‌کند، مانند رگرسیون خطی بر روی مجموعه داده‌های موجود [3 ] . دقت رویکردهای آماری به اهمیت و در دسترس بودن داده‌های مصرف تاریخی بستگی دارد، در حالی که رویکردهای مهندسی مبتنی بر مدل‌های سه‌بعدی شهر عمدتاً تحت‌تاثیر اطلاعات از دست رفته ساختمان، مانند بازسازی‌ها، نسبت پنجره به دیوار، سطح جزئیات (LoD) قرار دارند. ، منطقه گرم شده و رفتار ساکنان آن [ 6 ].
مصرف انرژی ساختمان فنلاند قبلاً با استفاده از انواع مدل های انرژی مورد مطالعه قرار گرفته است. مروری بر مدل های موجود توسط Lounasheimo و همکاران ارائه شده است. [ 7 ]. مدل انرژی POLIREM توسط دانشگاه فناوری تامپر توسعه داده شد. محققان این مدل را پس از مدل EKOREM که اغلب در آثار منتشر شده استفاده می شود، توسعه دادند [ 8 ]. هدف هر دو مدل ارزیابی مصرف انرژی و انتشار گازهای گلخانه ای است که در درجه اول بر اساس آمار ساختمان و انرژی فنلاند است [ 9 ].
توومینن و همکاران [ 10 ] به اصطلاح مدل انرژی REMA را توسعه داد. بر اساس انواع ساختمان های معرف و ابزار شبیه سازی آب و هوا و انرژی داخلی IDA (IDA ICE)، مصرف انرژی بخش های مختلف با استفاده از رویکرد پایین به بالا تخمین زده می شود. IDA ICE از مدل های ساختمان در قالب CAD برای ارزیابی مصرف انرژی در شبیه سازی های چند منطقه ای استفاده می کند [ 10 ].
همین رویکرد توسط Jylhä و همکاران استفاده شد. [ 11 ] برای ارزیابی تقاضای انرژی یک خانه مستقل در فنلاند از جنبه تغییر آب و هوا با مجموعه داده های آب و هوای پیش بینی شده درازمدت تا سال 2100. در نتیجه، تقاضای انرژی شبیه سازی شده برای گرمایش 2 کاهش می یابد. -4٪ در هر دهه، در حالی که تقاضای انرژی برای خنک کردن 4-8٪ در هر دهه افزایش می یابد [ 11 ].
در سال 2009، آزمایشگاه انرژی خورشیدی و فیزیک ساختمان موسسه فناوری فدرال لوزان سوئیس، نرم افزاری را برای شبیه سازی جریان انرژی ساختمان بر اساس مدل های سه بعدی شهر معرفی کرد. با استفاده از مدل های ساختمانی ساده شده، این نرم افزار شامل برهمکنش های حرارتی ساختمان ها با محیط آنها (به عنوان مثال، سایه، تبادلات مادون قرمز و بازتاب های بین نور) است. این نرم افزار بر اساس رویکرد آزمون شبیه سازی انرژی ساختمان (BESTEST) اعتبارسنجی شده است. در نتیجه، تقاضای انرژی برای گرمایش 1% از مقادیر مورد انتظار انحراف دارد [ 12 ].
نرم افزار مورد استفاده در این کار، به نام SimStadt، یک محیط شبیه سازی است که شامل ساختمان های فیزیکی و مدل های استفاده برای انجام شبیه سازی انرژی بر اساس مدل های سه بعدی شهر است [ 6] .]. چندین مطالعه موردی دقت در شبیه‌سازی تقاضای گرمایش 5 تا 21 درصد را در مقایسه با مقادیر اندازه‌گیری شده نشان می‌دهد. علاوه بر این، سناریوهای نوسازی را می توان برای محاسبه پتانسیل صرفه جویی انرژی برای هر ساختمان در مقیاس شهری اعمال کرد. برای مطالعه موردی منطقه گرونبول در شهر لودویگزبورگ، یک سناریوی نوسازی بر اساس نوسازی انرژی استاندارد شده در آلمان انجام شد. در نتیجه، پتانسیل کاهش انرژی کل برای گرمایش 64 درصد محاسبه شد. علاوه بر این، یک استراتژی نوسازی با 2 درصد نوسازی در سال برای منطقه از سال 2010 تا 2050 محاسبه شد. این نرخ نوسازی برای دستیابی به حداکثر صرفه جویی در گرمایش تا سال 2050 مورد نیاز است [13 ] .

3. مفهوم

در بخش زیر هدف و روش مفهومی کار پژوهشی ارائه شده ارائه شده است. یک نمای کلی در شکل 2 ارائه شده است. ابتدا داده های مورد نیاز برای پیش بینی تقاضای گرمایش تهیه می شود. ویژگی‌های ساختمانی که تقاضای گرمایش را انجام می‌دهند با استفاده از طرح انرژی ADE در مدل شهر سه بعدی ادغام شده و در یک پایگاه داده ذخیره می‌شوند. علاوه بر این، گونه‌شناسی ساختمان که نشان‌دهنده موجودی ساختمان مورد بررسی است باید تعریف شود. برای استفاده از اطلاعات ذخیره شده با طرح انرژی ADE، اصلاحات و توسعه نرم افزار شبیه سازی SimStadt انجام می شود، به عنوان مثال، یک ارتباط بین محیط شبیه سازی و پایگاه داده برای درخواست اطلاعات اضافی برای ساختمان های جداگانه. استراتژی‌های نوسازی تعریف‌شده برای مدل شهر، تقاضای گرمایش و همچنین CO حاصل اعمال می‌شود. 2انتشار، شبیه سازی شده اند. پسوند نرم افزار دیگری ایجاد شده است که اتصال پایگاه داده را برای درج یا به روز رسانی نتایج شبیه سازی مستقیماً در پایگاه داده اصلی با استفاده از اشیاء و ویژگی های Energy ADE فعال می کند. نتایج در برابر داده‌های مصرف اندازه‌گیری شده قبل از تبدیل مدل شهر به قالب کاشی‌های سه‌بعدی، برای تجسم در یک برنامه وب سه بعدی بر اساس یک کره مجازی CesiumJS ارزیابی می‌شوند.

3.1. آماده سازی داده ها

قبل از استفاده از مدل شهر سه بعدی برای شبیه‌سازی تقاضای گرمایش، بررسی می‌شود که آیا هندسه ساختمان‌های CityGML به درستی مدل‌سازی شده‌اند یا خیر. هندسه های معیوب، مانند جامدات بسته نشده، نقاط تکراری، یا چند ضلعی های متقاطع، منجر به محاسبات هندسی نادرست می شوند، که برای محاسبات تقاضای گرمایش مورد نیاز است [14 ] .
علاوه بر این، مدل شهر سه بعدی با اطلاعات ویژگی برای هر ساختمان (به عنوان مثال، سال ساخت و عملکرد ساختمان) غنی شده است. این امکان دسترسی به کتابخانه‌های ساختمانی را فراهم می‌کند، که سهام ساختمان را با جزئیات مورد نیاز مدل‌سازی می‌کند.

3.1.1. یکپارچه سازی داده های انرژی ADE

اطلاعات مربوط به سال ساخت و عملکرد ساختمان را می‌توان در مدل داده استاندارد CityGML نسخه 2.0 با استفاده از عناصر فرزند «bldg:yearofconstruction» و «bldg:function» در یک ساختمان CityGML ذخیره کرد. سایر اطلاعات خاص ساختمان که تقاضای گرمایش یک ساختمان را انجام می دهند، مانند مساحت کل طبقه، مناطق مختلف کاربری، یا تعداد ساکنان، در مدل شهر با استفاده از ویژگی ها و اشیاء Energy ADE ذخیره می شوند. بنابراین، دو رویکرد متفاوت مورد بررسی قرار می گیرد: رویکرد مبتنی بر فایل و رویکرد مبتنی بر پایگاه داده. همانطور که در شکل 3 ارائه شده استبرای هر دو، هدف ذخیره سازی مدل شهر در پایگاه داده ای برای مدل های سه بعدی شهر با پسوند Energy ADE به نام 3DCityDB است. 3DCityDB یک راه حل پایگاه داده مبتنی بر DBMS PostgreSQL با پسوند PostGIS است و تعاریف طرح مورد نیاز را برای ذخیره مدل های سه بعدی در قالب CityGML ارائه می کند [ 15 ]. علاوه بر این، عملکرد ADE ارائه شده است که طرح پایگاه داده را برای ADE ها (یعنی انرژی ADE) گسترش می دهد. علاوه بر این، ابزار 3DCityDB Importer/Exporter، یک منبع باز جاوا برای 3DCityDB، برای مدیریت، ذخیره و صدور مدل شهر سه بعدی در قالب CityGML استفاده می شود.
مفهوم اصلی رویکرد مبتنی بر فایل خواندن یک فایل CityGML و اطلاعات ویژگی های اضافی ارائه شده به عنوان فایل های اکسل یا CSV، ترسیم ویژگی های مرتبط با انرژی به ویژگی های Energy ADE، و نوشتن مدل شهر سه بعدی غنی شده در فایل CityGML است. با اطلاعات اضافی انرژی ADE. سپس فایل CityGML به دست آمده به یک 3DCityDB وارد می شود.
هدف رویکرد مبتنی بر پایگاه داده درج یا به روز رسانی اطلاعات ویژگی از فایل های اکسل یا CSV به طور مستقیم در جداول پایگاه داده Energy ADE در یک 3DCityDB موجود است. بنابراین، مدل شهر باید قبلاً در یک 3DCityDB توسعه یافته توسط Energy ADE ذخیره شود.

3.1.2. انواع شناسی ساختمان

گونه‌شناسی ساختمان که در اینجا کتابخانه‌های ساختمان نامیده می‌شوند، برای تعریف رفتار فیزیکی قطعات ساختمانی، اطلاعات استفاده و سیستم گرمایش یک ساختمان استفاده می‌شوند.
محیط شبیه سازی SimStadt در حال حاضر این کتابخانه ها را برای آلمان و نیویورک فراهم می کند، اما هلسینکی هنوز پشتیبانی نمی شود. از آنجایی که انتظار می رود انبار ساختمان فنلاند با آلمان متفاوت باشد، ابتدا باید کتابخانه های ساخت هلسینکی تعریف شود.
یک کتابخانه فیزیک ساختمان برای طبقه بندی موجودی ساختمان در محدوده های مختلف سال ساخت، انواع ساختمان ها و وضعیت های نوسازی تعریف شده است. برای هر نوع، خصوصیات کلی مانند ظرفیت حرارتی، ارتفاع متوسط ​​طبقه یا نرخ نفوذ مشخص شده است. علاوه بر این، برای عناصر ساختمانی ساختمان (زمین، دیوارها، سقف‌ها و پنجره‌ها)، ضریب انتقال حرارتی (U-value) تعریف شده است.
علاوه بر این، یک کتابخانه استفاده از ساختمان برای طبقه بندی بیشتر ساختمان ها بر اساس عملکرد آن (مثلاً مسکونی، اداری و اداری، یا خرده فروشی) ایجاد می شود. در هر نوع استفاده، ویژگی‌های استفاده از قبیل اشغال، تهویه، پروفیل‌های گرمایش و دما، یا مصرف آب گرم و برق تعریف می‌شوند.
CO 2انتشار گازهای گلخانه ای یک ساختمان که در اثر گرمایش و آماده سازی آب گرم خانگی (DHW) ایجاد می شود، به سیستم مورد استفاده برای تولید گرما بستگی دارد. این سیستم ها در کتابخانه سیستم انرژی و سوخت تعریف شده اند که حاوی اطلاعاتی در مورد کارایی یک سیستم و CO آن است. 2عوامل انتشار

3.1.3. داده های آب و هوا و اقلیم

از آنجایی که تقاضای انرژی برای گرمایش تحت تأثیر اقلیم منطقه مورد بررسی قرار می گیرد، اطلاعات آب و هوا و آب و هوا در حداقل یک تفکیک ماهانه برای محاسبات تراز انرژی ماهانه مطابق DIN V 18599 مورد نیاز است. برای مقایسه نتایج شبیه سازی با داده های مصرف انرژی اندازه گیری شده از یک سال خاص، داده های آب و هوای مشاهده شده برای سال نماینده در وضوح ساعتی در طول شبیه سازی استفاده می شود. انتظار می رود که آب و هوا در آینده تغییر کند و در نتیجه باعث تغییر تقاضای انرژی برای گرمایش نیز شود. این با استفاده از مجموعه داده های آب و هوای ساعتی پیش بینی شده بلند مدت برای شبیه سازی تقاضای گرمایش در نظر گرفته می شود.
آموزش GIS

3.2. محیط شبیه سازی

نرم افزار SimStadt یک محیط شبیه سازی مبتنی بر جاوا است که شامل ساختمان فیزیکی و مدل های استفاده برای انجام شبیه سازی انرژی بر اساس مدل های سه بعدی شهر است. نسخه واقعی SimStadt چندین تعریف گردش کار را ارائه می دهد، مانند تجزیه و تحلیل پتانسیل فتوولتائیک خورشیدی، تجزیه و تحلیل محیطی، یا تجزیه و تحلیل تقاضای گرمایش و سرمایش. یک گردش کار با مراحل مختلف گردش کار تعریف می شود که می تواند بر اساس مدولار ترکیب شود [ 16 ].
حداقل نیاز برای شبیه‌سازی تقاضای گرمایش در SimStadt یک مدل شهر سه بعدی در قالب CityGML و یک نوع شناسی ساختمان است که سهام ساختمان مورد بررسی را نشان می‌دهد. از این اطلاعات برای غنی سازی ساختمان ها با اطلاعات کتابخانه های تعریف شده برای محاسبه تراز انرژی ماهانه بر اساس استاندارد DIN V 18599 برای محاسبات انرژی ساختمان استفاده می شود.
مفهوم کلی تراز انرژی ماهانه شناسایی مخازن حرارتی و منابع گرما در یک منطقه ساختمان است. سینک های حرارتی تلفات حرارتی یک منطقه را توصیف می کنند (به عنوان مثال، انتقال، تهویه، تلفات حرارتی داخلی و خورشیدی)، در حالی که منابع گرما، افزایش حرارت هستند (به عنوان مثال، انتقال از طریق، تابش خورشیدی، تهویه، و سود داخلی). سپس تقاضای گرمایش نهایی منطقه یک ساختمان با ترکیب مجموع مخازن حرارتی و منابع با درجه ای از بهره برداری محاسبه می شود [ 17]]. حجم منطقه حرارتی و مساحت سطح را می توان با هندسه ساختمان محاسبه کرد. بنابراین می توان از مدل سه بعدی شهر استفاده کرد. یک مزیت خاص توسط CityGML ارائه شده است، زیرا هندسه LoD2 از نظر معنایی در سطوح دیوار، سقف و زمین ساخته شده است. این به عنوان مثال امکان محاسبه میانگین U-value پوشش ساختمان را می دهد. محیط شبیه سازی SimStadt این استاندارد را برای محاسبه تقاضای انرژی ماهانه یک ساختمان بر اساس مدل شهر سه بعدی در قالب CityGML و انواع ساختمان [ 6 ] پیاده سازی می کند.
در مرحله اول، سیستم با استفاده از داده‌های مصرف اندازه‌گیری شده در سال 2018 اعتبارسنجی می‌شود. بنابراین از داده‌های آب‌وهوای مشاهده‌شده سال نمایندگی استفاده می‌شود. بررسی می شود که آیا کتابخانه های تعریف شده برای انبار ساختمان فنلاند مناسب است و آیا اطلاعات ساختمانی خاص از اطلس انرژی و آب و هوا هلسینکی برای شبیه سازی تقاضای گرمایش در مقیاس شهری و ساختمانی قابل استفاده است یا خیر.
پس از آن، سناریوهای نوسازی برای پیش‌بینی تقاضای گرمایش در چندین سناریو اعمال می‌شوند. اطلاعات بازسازی قبلی از ثبت شهر هلسینکی برای اعمال سناریوی کسب و کار معمول (BAU) بررسی می شود. بنابراین، نوسازی به طور تصادفی به ساختمان‌های تکی از مجموعه ساختمان اختصاص داده می‌شود، اما ابتدا از ساختمان‌های کم‌بازده استفاده می‌شود. یک سناریوی توسعه بازپرداخت شده با نرخ نوسازی افزایش یافته برای پیش بینی تقاضای گرمایش و CO انتخاب شده است. 2انتشار گازهای گلخانه ای در صورتی که در آینده بازسازی های بیشتری انجام شود.
برای نشان دادن پتانسیل کاهش تقاضای گرمایشی که می‌توان از طریق نوسازی برای یک ساختمان به دست آورد، تقاضای گرمایش پس از نوسازی برای همه ساختمان‌ها شبیه‌سازی شده و با تقاضای گرمایش شبیه‌سازی شده واقعی مقایسه می‌شود.

3.3. پسوند انرژی ADE

برای استفاده از اطلاعات ذخیره شده با استفاده از طرحواره Energy ADE در SimStadt، یک مرحله گردش کار تعریف شده است که از پایگاه داده برای اطلاعات اضافی ذخیره شده در جداول Energy ADE پرس و جو می کند. اگر اطلاعات اضافی وجود داشته باشد (به عنوان مثال، تعداد ساکنینی که می توان برای UsageZone به عنوان ویژگی یک شی Occupants ذخیره کرد)، مستقیماً به یک ساختمان اختصاص داده می شود و از گونه شناسی ساختمان گرفته نمی شود یا در طول شبیه سازی تخمین زده می شود.
SimStadt این فرصت را برای نوشتن نتایج شبیه‌سازی، مانند تقاضای گرمایش ماهانه، به یک فایل CityGML با استفاده از شی Energy ADE EnergyDemand فراهم می‌کند. رویکرد دیگری توسعه یافته است، که مستقیماً نتایج شبیه‌سازی را با استفاده از طرحواره انرژی ADE یکپارچه در پایگاه داده وارد یا به‌روزرسانی می‌کند. این مرحله میانی وارد کردن فایل‌های CityGML به پایگاه داده را پس از هر شبیه‌سازی کاهش می‌دهد.

3.4. تجسم وب سه بعدی

برای تجسم نتایج شبیه سازی شده، یک برنامه وب سه بعدی ایجاد می شود. بنابراین مدل شهر سه بعدی در قالب CityGML با نتایج شبیه سازی شده غنی شده و به قالب کاشی های سه بعدی تبدیل می شود. یک سرور NodeJS راه اندازی شده است که یک برنامه وب سه بعدی CesiumJS را اجرا می کند. Cesium یک کتابخانه جاوا اسکریپت است که برای تجسم مدل های شهرهای بزرگ و استایل دهی آنها بر اساس ویژگی های آنها در قالب کاشی های سه بعدی مناسب است [ 18 ]. در نتیجه، ساختمان‌ها بر اساس اطلاعات ویژگی‌ها (مثلاً تقاضای انرژی برای گرمایش و CO حاصله) سبک‌سازی می‌شوند. 2انتشارات). علاوه بر این، هر ساختمان را می توان برای بهبود عملکرد انرژی احتمالی از طریق نوسازی بازرسی کرد.

4. اجرا

بخش زیر اجرای مفهوم پیشنهادی شرح داده شده در بالا را ارائه می دهد.

4.1. ادغام انرژی ADE

این کار بین دو رویکرد برای ادغام انرژی ADE تفاوت قائل می شود: رویکرد مبتنی بر فایل و رویکرد مبتنی بر پایگاه داده. هر دو با استفاده از موتور دستکاری ویژگی (FME) اجرا می شوند و در نهایت به یک نتیجه می رسند. ساختمان های CityGML با اطلاعات مربوط به انرژی با استفاده از ویژگی ها و ویژگی های Energy ADE ارائه شده در شکل 4 غنی شده اند . با استفاده از ویژگی های اطلس انرژی و اقلیم هلسینکی، اطلاعات زیر برای ساختمان ها تعریف شده است.
یک ساختمان ممکن است دارای یک منطقه حرارتی با اطلاعات مربوط به وضعیت گرمایش و سرمایش، مساحت کف و حجم باشد. یک منطقه حرارتی ممکن است دارای چندین ناحیه استفاده باشد. برای هر منطقه کاربری، نوع و مساحت کف آن مشخص شده است. علاوه بر این، یک منطقه استفاده ممکن است اشغال شود. بنابراین، تعداد ساکنان ذخیره می شود. علاوه بر این، یک ساختمان همچنین می‌تواند اطلاعاتی در مورد نیاز انرژی اندازه‌گیری شده برای استفاده نهایی خاص (مثلاً برای گرمایش فضا، DHW یا هر دو) داشته باشد. انرژی مصرف شده به عنوان مقدار انرژی در یک سری زمانی ذخیره می شود. مساحت طبقه یک ویژگی اضافی ساختمان ADE است که برای آن می توان منطقه مرجع خالص و ناخالص و انرژی را مشخص کرد.

4.1.1. رویکرد مبتنی بر فایل

برای رویکرد مبتنی بر فایل، FME برای ادغام CityGML و نسبت دادن اطلاعات از فایل‌های اکسل با کد شناسایی منحصر به فرد “VTJ_PRT” استفاده می‌شود. قبل از اینکه مشخصه ها به ویژگی ها و اشیاء Energy ADE نگاشت شوند، یک CityGML-writer جدید تعریف می شود. در اینجا، فایل طرحواره Energy ADE و “xsi:schemaLocation” مشخص شده است. انواع ویژگی های FME با انتخاب عملکرد “واردات از مجموعه داده” تعریف می شوند. اگر مشخصات مجموعه داده خالی بماند، FME تمام ویژگی های موجود را نمایش می دهد.
نگاشت ویژگی ها به خواص انرژی ADE برای مثال ویژگی مساحت طبقه توضیح داده شده است. بنابراین از خاصیت Energy ADE floorArea یک ساختمان استفاده می شود. ترانسفورماتور AttributeManager برای ایجاد سه ویژگی جدید استفاده می شود. همانطور که در جدول 1 ارائه شده است ، مساحت کف در یک لیست تعریف شده است. در این مثال، اولین عنصر لیست با اطلاعات مربوط به نوع، واحد و مقدار خود ایجاد می شود.

4.1.2. رویکرد مبتنی بر پایگاه داده

هدف رویکرد مبتنی بر پایگاه داده درج یا به روز رسانی اطلاعات ویژگی از فایل های اکسل یا CSV به طور مستقیم در جداول پایگاه داده Energy ADE در یک 3DCityDB موجود است. بنابراین، مدل شهر باید قبلاً در یک 3DCityDB با پسوند Energy ADE ذخیره شود. در مرحله اول، ترانسفورماتور FeatureReader برای وارد کردن اشیاء شهری موجود از پایگاه داده به میز کار FME استفاده می شود. ترانسفورماتور SQLExecutor برای بازیابی کد شناسایی ساختمان “VTJ_PRT” از ویژگی های عمومی شی شهر استفاده می شود. کد ساختمان برای ادغام اشیاء شهر با ویژگی های اضافی از فایل های اکسل استفاده می شود. اکنون ساختمان با درج شناسه شی شهر خود در جدول ng_building در Energy ADE ثبت شده است. اگر ویژگی مربوط به مساحت طبقه یک ساختمان وجود داشته باشد، اطلاعات با استفاده از ترانسفورماتور SQLExecutor در جدول ng_floorarea درج می شود. دستور SQL استفاده شده در ارائه شده استشکل 5 . نوع و واحد floorArea تعریف شده است و برای شناسه floorArea از دنباله floorArea استفاده می شود. این تضمین می کند که هر ورودی یک شناسه منحصر به فرد دارد. یک FloorArea را می توان به یک ساختمان، یک ThermalZone یا یک UsageZone مرتبط کرد. در این مورد، floorArea به ویژگی ساختمان مربوط می شود.

4.2. تعریف کتابخانه فیزیک ساختمان و نوسازی

برای تعریف کتابخانه فیزیک ساختمان برای هلسینکی، حکم وزارت محیط زیست در مورد گواهی انرژی یک ساختمان [ 19 ] جزیی ترین اطلاعات موجود را ارائه می دهد. طبقه بندی سهام ساختمان فنلاند بر اساس سال درخواست مجوز ساختمان ارائه می شود. برای هر بازه سال، U-value قطعات ساختمانی مشخص می شود. علاوه بر این، میزان نشت هوا در همان طبقه بندی ارائه شده است. سال‌های طبقه‌بندی حدود یک سال تغییر می‌کنند تا سال ساخت و ساز مورد نیاز کتابخانه فیزیک ساختمان را در نظر بگیریم.
مقادیر U مورد نیاز برای ساختمان های بازسازی شده در قوانین ساختمان فنلاند موجود نیست. با این فرض که انبار ساختمان فنلاند از نظر مقادیر U تفاوت قابل توجهی با ساختمان سوئدی ندارد، مقادیر توپولوژی ساختمان سوئدی، ارائه شده از پروژه EPISCOPE Tabula [20]، برای نمایش ساختمان های بازسازی شده در فنلاند اتخاذ می شود . طبقه بندی حاصل بر اساس سال محدوده ساخت و ساز برای ساختمان های اصلی و بازسازی شده در جدول 2 ارائه شده است .
نوع نوسازی بهره وری انرژی نشان دهنده اجرای دستورالعمل اتحادیه اروپا در مورد عملکرد انرژی ساختمان ها است که اعضای اتحادیه اروپا را مجبور می کند تا کارایی انرژی ساختمان ها را در طول نوسازی بهبود بخشند [ 21 ]. اجرا در فنلاند از طریق فرمان وزارت محیط زیست در مورد بهبود عملکرد انرژی ساختمان‌های تحت نوسازی و تغییر انجام می‌شود [ 22 ].
الزامات کاهش U-value زیر برای بازسازی ساختمان هایی که هدف آنها بهبود عملکرد انرژی است، ایجاد شده است.
  • “دیوارهای خارجی: U-value اصلی × 0.5، اما نه بیشتر از 0.17 W/(m) 2ک). […]
  • سقف ها: U-value اصلی × 0.5، اما نه بیشتر از 0.09 W/(m) 2ک). […]
  • طبقات: عملکرد انرژی تا آنجا که ممکن است بهبود یافته است.
  • U-value پنجره ها و درهای خارجی جدید باید 1.0 W/(m) باشد 2ک) یا بهتر. […]» [ 22 ] بخش 4
این مقررات برای ایجاد یک نوع بازسازی با بهره وری انرژی استفاده می شود. بنابراین، U-vales تعریف شده اصلی بر این اساس اصلاح می شوند. از آنجایی که هیچ مقداری به طور صریح برای زمین ساختمان مشخص نشده است، مقادیر U برای نوع بازسازی پیشرفته توپولوژی ساختمان سوئدی [ 20 ] اتخاذ می شود.

4.3. کتابخانه استفاده از ساختمان

کتابخانه استفاده از ساختمان ایجاد شده بر اساس کتابخانه آلمانی است که به نوبه خود بر اساس DIN V 18599 است. به این معنی که تنها مقادیر عددی موجود برای اشغال، دمای گرمایش و مصرف آب گرم بر اساس مصوبه وزارت بهداشت اصلاح شده است. محیط زیست در بهره وری انرژی ساختمان ها [ 23 ].

4.4. کتابخانه سیستم های انرژی و سوخت

به طور کلی، 92٪ از ساختمان ها در هلسینکی به سیستم گرمایش منطقه ای متصل هستند، در حالی که 8٪ باقی مانده از انرژی گرمایش بین گرمایش برق و نفت (4٪ برای هر دو) تقسیم می شود [24 ] . همانطور که در شکل 6 نشان داده شده است ، CO 2انتظار می رود ضریب انتشار شبکه گرمایش منطقه ای هلن طی 15 سال آینده به میزان قابل توجهی کاهش یابد. این امر با تغییر بیشتر به منابع انرژی تجدیدپذیر و کاهش استفاده از زغال سنگ محقق خواهد شد. هلن علاوه بر سرمایه گذاری در تولید انرژی کم انتشار، فرصت های ارائه شده توسط راه حل های انرژی جدید مربوط به صرفه جویی و بهره وری انرژی، فن آوری های ذخیره انرژی و پاسخ به تقاضای گرمایش را ارزیابی می کند. پاسخ به تقاضا برای گرمایش منطقه ای به معنای انطباق با مصرف گرما و زمان تولید گرمایش با توجه به تقاضا است.
برای استفاده از شبکه گرمایش منطقه ای هلن به عنوان یک سیستم انرژی در SimStadt برای پیش بینی CO 2انتشارات ناشی از گرمایش، چهار سیستم انرژی جدید در سیستم انرژی و کتابخانه سوخت تعریف شده است. یکی از سیستم های انرژی نشان دهنده وضعیت هنر در سال 2019 با یک CO است 2ضریب انتشار 0.198 کیلوگرم CO 2/ کیلووات ساعت. سه مورد دیگر نماینده سال های 2025، 2030 و 2035 هستند (0.11، 0.06، و 0.03 کیلوگرم CO 2/ کیلووات ساعت). حتی اگر هلن قصد دارد CO باشد 2بی طرف تا سال 2050، CO 2پیش‌بینی انتشار در این کار از CO استفاده می‌کند 2عوامل انتشار مورد انتظار برای سال 2035 برای شبیه سازی های بعد از 2035.

ترکیب تقاضای انرژی گرمایشی شبیه سازی شده با ضریب راندمان جهانی سالانه شبکه گرمایش منطقه ای، یعنی 0.9 [ 26 ]، CO 2انتشار گازهای گلخانه ای برای گرمایش فضا (SH) در SimStadt با استفاده از فرمول زیر محاسبه می شود.

CO2انتشاراساچ=انرژیتقاضااساچ[کیلووات ساعت]سالانهجهانی استبهره وری[-]·CO2انتشارعامل[کیلوگرم CO2کیلووات ساعت]

4.5. آماده سازی داده های آب و هوا

مؤسسه هواشناسی فنلاند داده‌های واقعی آب و هوا و آب و هوا و همچنین مجموعه داده‌های سال مرجع آزمایشی پیش‌بینی‌شده درازمدت را به‌ویژه برای شبیه‌سازی انرژی ساختمان توسعه‌یافته ارائه می‌کند [ 27 ]. مجموعه داده ها را می توان به صورت فایل های CSV دانلود کرد که به فرمت TMY3 تبدیل می شوند تا به نرم افزار شبیه سازی SimStadt وارد شوند. داده‌های پیش‌بینی‌شده آب‌وهوای بلندمدت، ارائه‌شده برای سال‌های 2012، 2030، و 2050، به‌صورت خطی در مراحل پنج‌ساله درون‌یابی می‌شوند تا پیش‌بینی گام‌به‌گام تقاضای گرمایش را با در نظر گرفتن تغییرات آب‌وهوایی امکان‌پذیر کند.

4.6. برنامه افزودنی SimStadt

برای استفاده از اطلاعات مرتبط با انرژی که با استفاده از ویژگی‌ها و ویژگی‌های Energy ADE ذخیره می‌شوند، یک گردش کار جدید SimStadt با مراحل گردش کار اضافی ایجاد می‌شود. درایور PostgreSQL JDBC برای دسترسی به 3DCityDB با SimStadt استفاده می شود. این امر امکان پرس و جو از پایگاه داده برای ویژگی های Energy ADE ارائه شده در بخش 4.1 را برای همه ساختمان های مدل شهر به طور همزمان فراهم می کند و اطلاعات را به یک ساختمان اختصاص می دهد. به عنوان مثال، اگر ویژگی Energy ADE floorArea از نوع netFloorArea باشدبرای یک ساختمان وجود دارد، به عنوان منطقه گرمایشی برای محاسبه تقاضای گرمایش تنظیم شده است. این اطلاعات در غیر این صورت با میانگین ارتفاع طبقه و حجم گرم شده تخمین زده می شود که به نوبه خود با ارتفاع ساختمان، مساحت ردپا و حجم محاسبه شده هندسه محاسبه می شود.
همانند خواندن اطلاعات Energy ADE، نتایج شبیه‌سازی‌ها با استفاده از ویژگی‌های Energy ADE به 3DCityDB بازگردانده می‌شوند. برای ذخیره تقاضای گرمایش ماهانه فضا در 3DCityDB با پسوند Energy ADE، یک شی از کلاس EnergyDemand ایجاد می شود. بنابراین، چندین جداول پایگاه داده انجام می شود. فرآیند را می توان در شش مرحله ساختار داد:
  • ابتدا، ساختمان با درج شناسه شی شهر در جدول “ng_CityObject” در ADE ثبت می شود.
  • یک شی شهر EnergyDemand با شناسه gml منحصر به فرد جدید ایجاد می شود.
  • شی شهر RegularTimeSeries با شناسه gml منحصر به فرد جدید ایجاد می شود.
  • در مرحله بعد، یک ورودی جدید در جدول “ng_timeseries” انجام می شود. روش اکتساب روی “شبیه سازی” تنظیم شده است و نوع درون یابی، توضیحات موضوعی و منبع مشخص شده است.
  • سپس مقادیر تقاضای گرمایش در جدول “ng_regulartimeseries” نوشته می شود. در اینجا، ویژگی های دوره زمانی، از جمله سال شبیه سازی، مشخص می شود.
  • در مرحله آخر یک ورودی جدید در جدول ng_energydemand نوشته می شود. بنابراین شناسه شی شهر EnergyDemand ، شناسه شی شهر ساختمان و شناسه سری زمانی مشخص می شود. ویژگی استفاده نهایی بر روی “SpaceHeating” تنظیم شده است.

4.7. تجسم نتیجه

برای تجسم نتایج شبیه‌سازی تقاضای انرژی نهایی، علاوه بر CO 2کاهش تولید گازهای گلخانه ای و تقاضای گرمایش که می تواند از طریق نوسازی انرژی حاصل شود، یک برنامه وب سه بعدی ایجاد می شود. بنابراین، یک سرور NodeJS راه اندازی شده است که یک برنامه CesiumJS را اجرا می کند. مدل شهر CityGML با استفاده از virtualcitySYSTEMS Publisher، نرم افزاری که روی سرور دانشگاه اجرا می شود و امکان تبدیل فایل های CityGML یا مدل های شهر ذخیره شده در یک 3DCityDB را مستقیماً به قالب کاشی های سه بعدی، به فرمت کاشی های سه بعدی تبدیل می کند. به عنوان نقشه پایه، تصاویر هوایی هلسینکی از سال 2017 با وضوح 8 سانتی متر انتخاب شده است. به عنوان یک سرویس نقشه وب OGC (WMS) قابل دسترسی است و از طریق تعریف ارائه دهنده تصویر سزیوم WMS، تصاویر را در کره مجازی نمایش می دهد.
نمای کلی از تجسم وب سه بعدی ایجاد شده در شکل 7 ارائه شده است . برای بررسی تقاضای گرمایش، CO 2انتشار گازهای گلخانه ای و کاهش احتمالی تقاضای گرمایش، چندین سبک رنگی تعریف شده است. علاوه بر این، با کلیک بر روی یک ساختمان، نمودارهای تعاملی با اطلاعات دقیق تر در مورد تقاضای گرمایش ساختمان نمایش داده می شود ( شکل 7 ، سمت چپ بالا را ببینید). این نمودارها با استفاده از کتابخانه جاوا اسکریپت ApexCharts.js ایجاد می شوند.
این سرویس آنلاین بسیار مفید است زیرا اطلاعات جدیدی در مورد ساختمان ها و نیازهای انرژی، صرفه جویی در انرژی و تغییرات تقاضای انرژی در طول سال ها گرد هم می آورد. خدمات تقاضای گرمایش همچنین ساختمان هایی با مصرف گرمای خوب و ساختمان هایی که ممکن است انرژی زیادی برای گرمایش مصرف کنند را به طور کاملاً مؤثر نشان می دهد. از آنجایی که تقاضای گرمایش با دقت 20 درصد انحراف از مقادیر اندازه‌گیری شده شبیه‌سازی می‌شود، برخی از نتایج حاوی خطا هستند و این خطاها در این کاربرد برجسته می‌شوند. با این حال، برنامه های کاملاً بدون خطا بر اساس ویژگی های ساختمان و داده های مدل شهر، هیچ کس نمی تواند قول دهد. از آنجایی که داده ها در این مطالعه گرد هم آمده و به مدل شهر وارد می شوند، اختلافات کوچک در داده ها به راحتی قابل مشاهده است. به عبارت دیگر، یا یک مالک ملک ممکن است متوجه انحراف قابل توجهی در نتایج مصرف خود شود، به عنوان مثال، تقاضای انرژی بر اساس شبیه‌سازی فوق‌العاده بالا خواهد بود، یا برخی از ساختمان‌ها اصلاً داده‌ای ندارند. با این حال، ترس از بروز خطا در مقایسه با مزایای ادغام داده ها در مدل شهر بسیار ناچیز است. خطاها بخشی از مدیریت و پردازش داده ها هستند که از منبع داده نشات می گیرند و به طور خودکار اصلاح نمی شوند. در هر صورت، اکثر نتایج برای بررسی یک ساختمان فردی و برآورد مصرف انرژی در سطح شهر برای حال و آینده بسیار مفید هستند. ترس از بروز خطا در مقایسه با مزایای ادغام داده ها در مدل شهر بسیار ناچیز است. خطاها بخشی از مدیریت و پردازش داده ها هستند که از منبع داده نشات می گیرند و به طور خودکار اصلاح نمی شوند. در هر صورت، اکثر نتایج برای بررسی یک ساختمان فردی و برآورد مصرف انرژی در سطح شهر برای حال و آینده بسیار مفید هستند. ترس از بروز خطا در مقایسه با مزایای ادغام داده ها در مدل شهر بسیار ناچیز است. خطاها بخشی از مدیریت و پردازش داده ها هستند که از منبع داده نشات می گیرند و به طور خودکار اصلاح نمی شوند. در هر صورت، اکثر نتایج برای بررسی یک ساختمان فردی و برآورد مصرف انرژی در سطح شهر برای حال و آینده بسیار مفید هستند.

5. ارزشیابی

5.1. اعتبار سنجی نتایج شبیه سازی

برای اعتبارسنجی شبیه سازی تقاضای گرمایش، نتایج با داده های مصرف اندازه گیری شده موجود برای ساختمان های HEKA 1915 مقایسه می شود. در حالی که از اطلاعات مساحت مناطق استفاده اضافی برای شبیه سازی استفاده می شود، میانگین درصد خطای مطلق 25.6 درصد و در صورت استفاده از اطلاعات خالص سطح کف از اطلس انرژی و آب و هوا هلسینکی به عنوان منطقه گرم شده، 19.6 درصد محاسبه شد. کل تقاضای گرمایش هنگام استفاده از اطلاعات ناحیه گرم شده از مقادیر مورد انتظار 3-% منحرف می شود. هنگام استفاده از اطلاعات منطقه استفاده، 32-٪ منحرف می شود.
شکل 8 هیستوگرام انحرافات را با استفاده از اطلاعات اضافی در مورد مناطق کاربری و منطقه گرم شده یک ساختمان نشان می دهد. به طور کلی، تقاضای گرمایش با استفاده از اطلاعات منطقه استفاده کمتر از اندازه گیری شده شبیه سازی شده است. همچنین برای 96 ساختمان انحرافات بیش از 100 درصد محاسبه شده است. اینها به احتمال زیاد ناشی از اطلاعات ناقص یا از دست رفته منطقه استفاده در اطلس انرژی و آب و هوای هلسینکی است. بنابراین، تصمیم گرفته می شود که اطلاعات مربوط به مناطق استفاده در شبیه سازی های بعدی حذف شود.
در حین استفاده از اطلاعات ناحیه گرم شده، انحرافات تا 20 درصد برای 61 درصد ساختمان ها شبیه سازی شده است. بالاترین انحرافات برای یک ساختمان مسکونی 332-% (در شکل 9 نشان داده شده ) و 67+% برای ساختمانی از طبقه مصرف خرده فروشی محاسبه شده است. می توان فرض کرد که بیشترین انحرافات منفی به دلیل عدم وجود داده های قابل اعتماد مصرف است، در حالی که انحرافات مثبت به دلیل استفاده خاص از ساختمان (به عنوان مثال، مراقبت های بهداشتی و خرده فروشی) است.
شکل 9 یک مجموعه ساختمانی را نشان می دهد که تقاضای حرارت برای آن بیش از سه برابر کمتر از داده های مصرف ارائه شده شبیه سازی شده است. ساختمان CityGML مورد استفاده در تحلیل شبیه‌سازی با رنگ نارنجی مشخص شده است. بر اساس نقشه پایه تصویرسازی، ساختمان به ساختمان های اطراف متصل می شود که در مدل شهر سه بعدی به طور جداگانه مدل سازی شده اند. به احتمال زیاد داده‌های مصرف انرژی ارائه‌شده به هر سه ساختمان اشاره دارد نه ساختمان واحد در وسط. در طی بررسی سایر ساختمان ها با انحراف بیش از 100% رفتار مشابهی مشاهده شد.

5.2. نتایج پیش بینی

به دلیل تغییرات آب و هوایی، تقاضای گرمایش برای گرمایش فضا و DWH 6.28 تراوات ساعت در سال 2020 به 5.93 تراوات ساعت در ساعت تا سال 2035 کاهش می یابد که منجر به کاهش 0.36 تراوات ساعت می شود. تا سال 2050، کاهش به 5.65 تراوات ساعت محاسبه می شود که به معنای کاهش 4 درصدی در هر دهه است. کاهش محاسبه شده با کاهش 2 تا 4 درصدی در هر دهه که توسط Jylhä و همکاران ارزیابی شده است، مطابقت دارد. [ 11 ]. با این حال، باید در نظر داشت که افزایش تقاضای انرژی برای سرمایش در این تحلیل لحاظ نشده است.
شکل 10 تقاضای گرمایش موجودی واقعی ساختمان در هلسینکی را با نرخ نوسازی 1% در سال در سناریوی BAU نشان می‌دهد. طبق شبیه سازی، تقاضای انرژی برای گرمایش از سال 2020 تا 2035 حدود 0.71 تراوات ساعت و تا سال 2050 حدود 1.37 تراوات ساعت کاهش می یابد. کاهش CO 2انتشار در مقایسه با سال 1990 در شکل 11 نشان داده شده است . این کاهش در سال 2035 28 درصد و در سال 2050 36 درصد در صورت CO محاسبه می شود. 2فاکتورهای انتشار سال 2019 در کل دوره استفاده می شود.
سناریوی توسعه سریع (RD) نرخ نوسازی 3% را در نظر می گیرد که شامل بهبود قابل توجهی در شبکه گرمایش منطقه ای در هلسینکی می شود. پیش بینی های تقاضای گرمایش حاصل در شکل 12 نشان داده شده است . بر اساس تقاضای گرمایشی شبیه سازی شده 6.28 تراوات ساعت در سال 2020، کاهش 1.5 تراوات ساعت به 4.76 تراوات ساعت تا سال 2035 شبیه سازی شده است. تا سال 2050، کاهش 2.4 تراوات ساعت به 3.89 تراوات ساعت محاسبه می شود. همانطور که در شکل 13 ارائه شده است ، CO 2انتشار گازهای گلخانه ای از سال 1990 تا 2035 به میزان 82 درصد و از سال 1990 تا 2050 به میزان 86 درصد کاهش یافته است.
یک بازرسی بصری از تقاضای گرمایش در تجسم وب سه بعدی نشان می دهد که برخی از ساختمان ها به رنگ خاکستری هستند ( شکل 7 را ببینید ). این امر برای ساختمان‌هایی که گرم نمی‌شوند (مانند ایستگاه‌های اتوبوس، فضاهای ذخیره‌سازی یا گاراژ) اتفاق می‌افتد، یا تقاضای گرمایش شبیه‌سازی نشده است زیرا حداقل اطلاعات مورد نیاز در مورد سال ساخت و عملکرد وجود ندارد. بنابراین، کل تقاضای گرمایش در هلسینکی ممکن است حتی بیشتر از آن چیزی باشد که در این کار محاسبه شده است. این همچنین انحراف در تقاضای گرمایش در مقیاس شهر را در مقایسه با آمار توضیح می دهد ( شکل 10 و شکل 12 ، 2018-2020 را ببینید).
بر اساس برنامه اقدام هلسینکی 2035 بدون کربن، “تخمین زده می شود که نوسازی ها به صرفه جویی انرژی 1.1 تراوات ساعت در ساعت تا سال 2035 در سناریوی اولیه و 2.0 تراوات ساعت در ساعت در سناریوی پیشرفته دست پیدا کنند.” ([ 28 ]، ص 126) در مقایسه با کاهش های شبیه سازی شده با بهبود بهره وری انرژی 0.7 TWh/a تا سال 2035 در سناریوی BAU و 1.5 TWh/a در سناریوی RD، کاهش 2.0 TWh/a تا سال 2035 در سناریوی پیشرفته محقق نخواهد شد.

6. نتیجه گیری و کار آینده

تقاضای گرمایش شبیه‌سازی شده با داده‌های مصرف اندازه‌گیری شده مقایسه می‌شود که تایید می‌شود. دقت هدف انحرافات تا 20 درصد برای 61 درصد از ساختمان ها به دست آمده است. با خلاصه کردن تقاضای گرمایش اندازه‌گیری شده و شبیه‌سازی شده تمام ساختمان‌های HEKA، انحراف ۳-٪ به دست می‌آید.
نرخ نوسازی سالانه برای دستیابی به کاهش مورد نیاز CO 2میزان انتشار 3٪ محاسبه شده است، اما باید در نظر گرفت که کاهش به طور قابل توجهی تحت تأثیر CO مورد انتظار است. 2کاهش انتشار گازهای گلخانه ای از شبکه گرمایش منطقه ای در هلسینکی. بدون بهبود گرمایش منطقه ای، CO 2انتشار گازهای گلخانه ای را نمی توان بیش از 80 درصد کاهش داد.
در سناریوی بهبود یافته برنامه اقدام هلسینکی کربن خنثی 2035، کاهش تقاضای گرمایش فرضی از طریق نوسازی 2.0 TWh/a تا سال 2035 با نرخ نوسازی 3 درصد محقق نمی‌شود. در هر صورت، هنوز کارهای زیادی باید انجام شود تا یک گام به هدف شهری بدون کربن نزدیکتر شویم، و به ویژه برنامه توسعه یافته مبتنی بر مرورگر برای بهره وری انرژی در ساختمان ها می تواند تمام املاک در مناطق شهری را تشویق کند تا برای بهبود انرژی اقدام کنند. بهره وری و مصرف انرژی از آنجایی که این سرویس بینش هایی را در مورد بهره وری انرژی ساختمان ها و مسائل مرتبط ارائه می دهد، این سرویس به واحدهای شهری و برنامه ریزان شهری کمک می کند تا تدارکات جامع و پایدار بلندمدت را برنامه ریزی کنند. این خدمات همچنین برای شهروندان و بخش خصوصی در نظر گرفته شده است. این خدمات به شرکت های فعال در بازار مسکن خدمات می دهد،
انرژی ADE به عنوان توسعه مدل داده برای مدل شهر سه بعدی هلسینکی در CityGML و برای ویژگی های ارائه شده توسط هلسینکی انرژی و اطلس آب و هوا مناسب است. مرحله گردش کار SimStadt ایجاد شده، که محیط شبیه سازی را با یک 3DCityDB توسعه یافته توسط Energy ADE متصل می کند، امکان بازیابی اطلاعات اضافی مرتبط با انرژی را فراهم می کند. سپس اطلاعات را می توان در شبیه سازی تقاضای گرمایش استفاده کرد. محدودیتی در دسترسی به اطلاعات قابل اعتماد وجود دارد. بنابراین، تصمیم گرفته شد که اطلاعات مناطق مختلف طبقه کاربری ساختمان حذف شود، زیرا مجموعه داده‌ها به اندازه کافی سازگار در نظر گرفته نشده است.
مرحله گردش کار توسعه‌یافته، که توانایی نوشتن نتایج شبیه‌سازی را مستقیماً به پایگاه داده اصلی فراهم می‌کند، سودمند در نظر گرفته می‌شود. نتایج شبیه‌سازی با استفاده از مدل داده استاندارد انرژی ADE به طور مستقیم در مدل شهر سه بعدی ادغام می‌شوند. برای پیشرفت های فعلی، شبیه سازی تقاضای گرمایش را می توان در وضوح ساعتی انجام داد. ذخیره 8760 مقدار ساعتی در سال برای هزاران ساختمان در یک فایل CityGML منجر به داده ها و اندازه فایل های بزرگ می شود. حتی اگر انرژی ADE توانایی پیوند مقادیر تقاضای انرژی را به یک فایل متنی اضافی فراهم کند، ذخیره‌سازی مدل شهر همراه با نتایج شبیه‌سازی در یک پایگاه داده از نظر اندازه پایگاه داده بی‌نهایت قابل گسترش است. رویکرد یکپارچه سازی Energy ADE مبتنی بر پایگاه داده می تواند با استفاده از رویه های SQL از پیش تعریف شده ساده شود.29 ] مجموعه ای از اسکریپت های SQL را برای 3DCityDB با Energy ADE ایجاد کرد. متأسفانه 3DCityDB فقط در نسخه 3.3.1 پشتیبانی می شود و Energy ADE در نسخه 0.8 پیاده سازی شده است.
علاوه بر این، دقت شبیه‌سازی را می‌توان با ساخت کتابخانه‌هایی که سهام ساختمان فنلاند را با جزئیات بیشتری نشان می‌دهند، بهبود بخشید. به عنوان مثال، اطلاعات مربوط به مقادیر U قطعات ساختمانی در آیین نامه ساختمان فنلاند در انواع مختلف ساختمان طبقه بندی نشده است. علاوه بر این، میزان نشت هوا که بر اساس سال ساخت ساختمان تخمین زده می شود، ممکن است یکی از دلایل بالقوه انحراف باشد.
حتی اگر تعداد ساکنان و خانوارهای یک ساختمان در نظر گرفته شود، رفتار ساکنان همچنان یک عامل تأثیرگذار در شبیه‌سازی تقاضای گرمایش است که مانند فرآیندهای تهویه مکانیکی و طبیعی، علت احتمالی انحراف است. یک مدل ساختمانی با جزئیات بیشتر و استفاده احتمالاً منجر به دقت بالاتر نتایج شبیه‌سازی می‌شود.
این کار بر روی سهام واقعی ساختمان در هلسینکی تمرکز دارد. در آینده، ساختمان های تخریب شده و جدید ساخته شده را می توان با حذف درصدی از ساختمان های قدیمی که نشانه گذاری نشده اند و کپی درصدی از نتایج شبیه سازی آخرین ساختمان های ساخته شده در نظر گرفت. امکان دیگر تعیین نرخ نوسازی است که سال ساخت ساختمان های قدیمی را به سال واقعی یا یک سال آینده تعیین می کند. در این حالت، محیط شبیه‌سازی فرض می‌کند که ساختمان جدید ساخته شده است و از خواص فیزیکی ساختمان جدید برای شبیه‌سازی تقاضای گرمایش استفاده می‌شود.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است.

ADE پسوند دامنه برنامه
نقشه اطلس اطلس انرژی و اقلیم هلسینکی
BAU کار طبق معمول
بهترین تست شبیه سازی انرژی ساختمان
CSV مقادیر جدا شده با کاما
DHW آب گرم خانگی
FME موتور دستکاری ویژگی ها
HEKA Helsingin kaupungin asunnot Oy (انگلیسی: ساختمان متعلق به هلسینکی)
IDA ICE آب و هوا و انرژی داخلی IDA
LoD سطح جزئیات
RD توسعه سریع
SH گرمایش فضا
WMS خدمات نقشه وب

منابع

  1. شهر هلسینکی کربن خنثی هلسینکی 2035 – خلاصه. در دسترس آنلاین: https://www.hel.fi/static/liitteet/kaupunkiymparisto/julkaisut/esitteet/HNH2035_en_summary_14022019.pdf (در 15 فوریه 2020 قابل دسترسی است).
  2. شهر هلسینکی اطلس انرژی و اقلیم در دسترس آنلاین: https://kartta.hel.fi/3d/atlas/#/ (در 9 فوریه 2020 قابل دسترسی است).
  3. چلال، ML; بناچیر، م. سفید، م. شرهیلی، R. رویکردهای برنامه ریزی و پیش بینی انرژی برای حمایت از استراتژی های بهبود فیزیکی در بخش ساختمان: مروری. تمدید کنید. حفظ کنید. Energy Rev. 2016 , 64 , 761-776. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. لیو، ز. وو، دی. لیو، ی. هان، ز. لون، ال. گائو، جی. جین، جی. کائو، جی. تجزیه و تحلیل دقت و مقایسه مدل یادگیری ماشینی که در پیش‌بینی مصرف انرژی ساختمان اتخاذ شده است. کاوش انرژی بهره برداری. 2019 ، 37 ، 1426-1451. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. سیدزاده، س. رحیمیان، FP; گلسک، آی. Roper، M. یادگیری ماشین برای تخمین مصرف انرژی و عملکرد ساختمان: یک بررسی. Vis. مهندس 2018 ، 6 . [ Google Scholar ] [ CrossRef ]
  6. نوول، آر. زیرک، م. دستاجین، اچ. کورز، وی. Eicker, U. (Eds.) تحلیل انرژی شهری بر اساس مدل شهر سه بعدی برای کاربردهای مقیاس ملی. در مجموعه مقالات پنجمین کنفرانس آلمانی-اتریشی انجمن بین المللی شبیه سازی عملکرد ساختمان، آخن، آلمان، 22 تا 24 سپتامبر 2014. [ Google Scholar ]
  7. لوناشیمو، جی. هامالاینن، آی. نیسینن، آ. Seppälä، ​​J. Työkaluja kaupunkien Ilmasto-Ohjelmien Vaikutusten Arviointeihin ; گزارش های موسسه محیط زیست فنلاند؛ Suomen Ympäristökeskus: هلسینکی، فنلاند، 2019؛ جلد 52. [ Google Scholar ]
  8. Tuominen, P. Assessing the Energy Efficiency of Building Stock: a Method for Assessing the Rnergy Efficiency Improvements of Building Stock و تاثیر اقتصادی آنها. Ph.D. پایان نامه، دانشگاه آلتو، هلسینکی، فنلاند، 2015. [ Google Scholar ]
  9. ماتینن، ام. Heljo, J. مدلسازی مصرف انرژی بخش ساختمان فنلاند و انتشار گازهای گلخانه ای: مشخصات مدل سناریوی سیاست POLIREM ; گزارش های موسسه محیط زیست فنلاند؛ Suomen Ympäristökeskus: هلسینکی، فنلاند، 2016; جلد 26. [ Google Scholar ]
  10. توومینن، پی. هولوپاینن، آر. اسکولا، ال. جوکیسالو، جی. Airaksinen, M. روش محاسبه و ابزار برای ارزیابی مصرف انرژی در انبار ساختمان. ساختن. محیط زیست 2014 ، 75 ، 153-160. [ Google Scholar ] [ CrossRef ]
  11. جیله، ک. جوکیسالو، جی. روستینوجا، ک. پیلی سیهولا، ک. کلامیس، ت. سیتولا، تی. ماکلا، اچ ام. هیونن، آر. لااپاس، م. Drebs، A. تقاضای انرژی برای گرمایش و سرمایش منازل مسکونی در فنلاند در شرایط آب و هوایی در حال تغییر. انرژی ساخت. 2015 ، 99 ، 104-116. [ Google Scholar ] [ CrossRef ]
  12. والتر، ای. Kämpf, J. (Eds.) تأیید نتایج CitySim با استفاده از BESTEST و مقادیر مصرف نظارت شده. در مجموعه مقالات دومین کنفرانس برنامه های کاربردی شبیه سازی ساختمان، بولزانو، ایتالیا، 4 تا 6 فوریه 2015. [ Google Scholar ]
  13. نوول، آر. شولت، سی. ایکر، یو. پیتروشکا، دی. Coors, V. (Eds.) مدل شهر سه بعدی مبتنی بر CityGML برای تشخیص انرژی و پشتیبانی از سیاست انرژی شهری. در مجموعه مقالات سیزدهمین کنفرانس انجمن بین المللی شبیه سازی عملکرد ساختمان، Chambery، فرانسه، 26-28 اوت 2013. جلد 2013. [ Google Scholar ]
  14. کورز، وی. بتز، ام. Duminil، E. مفهومی از مدیریت کیفیت مدل‌های سه بعدی شهر که از الزامات خاص برنامه پشتیبانی می‌کنند. PFG J. Photogramm. سنسور از راه دور Geoinf. علمی 2020 ، 88 ، 3-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. یائو، ز. ناگل، سی. کونده، اف. هدرا، جی. ویلکوم، پی. دوناوبائر، آ. آدولفی، تی. Kolbe، TH 3DCityDB – یک راه حل پایگاه داده جغرافیایی سه بعدی برای مدیریت، تجزیه و تحلیل و تجسم مدل های شهری سه بعدی معنایی مبتنی بر CityGML. Geospat را باز کنید. نرم افزار داده ایستادن. 2018 ، 3 ، 208. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. نوول، آر. Brassel, KH; بروس، م. دومینیل، ای. کورز، وی. ایکر، یو. Robinson، D. SimStadt، یک پلت فرم جدید شبیه‌سازی انرژی شهری مبتنی بر جریان کار برای مدل‌های شهر CityGML. در مجموعه مقالات کنفرانس بین المللی CISBAT 2015 ساختمان ها و مناطق آینده پایداری از نانو تا مقیاس شهری، لوزان، سوئیس، 9-11 سپتامبر 2015. صص 889-894. [ Google Scholar ] [ CrossRef ]
  17. DIN V 18599:2018. Energetische Bewertung von Gebäuden ; Beuth-Verlag: برلین، آلمان، 2018. [ Google Scholar ]
  18. سزیم نقشه‌برداری سه بعدی منبع باز. 2020. در دسترس آنلاین: https://cesium.com/cesiumjs/ (در 11 فوریه 2020 قابل دسترسی است).
  19. وزارت محیط زیست. Ympäristöministeriö Asetus Rakennuksen Energiatodistuksesta: 1048/2017. 2017. موجود آنلاین: https://www.ym.fi/download/noname/%7BED0F67A6-AF20-4B3F-B191-7311189B65FD%7D/133978 (در 29 ژوئن 2020 قابل دسترسی است).
  20. اپیسکوپ. طرح‌های ردیابی شاخص عملکرد انرژی برای بهینه‌سازی مستمر فرآیندهای نوسازی در سهام‌های مسکن اروپا — SE سوئد — صفحه کشور. 2020. در دسترس آنلاین: https://episcope.eu/building-typology/country/se.html (در 29 ژوئن 2020 قابل دسترسی است).
  21. پارلمان اروپا. دستورالعمل 2002/91/EC پارلمان اروپا و شورای 16 دسامبر 2002 در مورد عملکرد انرژی ساختمان ها . پارلمان اروپا: بروکسل، بلژیک، 2002. [ Google Scholar ]
  22. وزارت محیط زیست. مدرک وزارت محیط زیست در مورد بهبود عملکرد انرژی ساختمانهای در حال نوسازی یا جایگزینی: 4/13. 2013. در دسترس آنلاین: https://www.ym.fi/download/noname/%7BE8FB9952-20CB-43E6-8898-EA9537F2D2D1%7D/124728 (در 29 ژوئن 2020 قابل دسترسی است).
  23. وزارت محیط زیست. Ympäristöministeriön asetus rakennusten energiatehokkuudesta: 2/11، 2011. در دسترس آنلاین: https://www.finlex.fi/data/normit/37188/D3-2012_Suomi.pdf (در 29 ژوئن 2020 قابل دسترسی است).
  24. شهر هلسینکی چالش انرژی هلسینکی: مواد پس زمینه – سیستم گرمایش در هلسینکی. 2020. در دسترس آنلاین: https://www.hel.fi/static/kanslia/energy-challenge/heating-system-in-helsinki.pdf (در 18 ژوئن 2020 قابل دسترسی است).
  25. Helen Ltd. Kaukolämmön CO2-päästöt vähenevät laskentatavasta riippumatta | هلن 2020. در دسترس آنلاین: https://www.helen.fi/helen-oy/vastuullisuus/ajankohtaista/blogi/2020/ominaisp%C3%A4%C3%A4st%C3%B6laskenta (در 17 ژوئن 2020 قابل دسترسی است).
  26. Helen Ltd. Combined District Heat and Cooling: کیفیت زندگی با خنک‌کننده منطقه‌ای استثنایی و کارآمد جهانی. 2015. در دسترس آنلاین: https://www.euroheat.org/wp-content/uploads/2016/04/Case-study-Helsinki-GDECA15.pdf (در 24 ژوئن 2020 قابل دسترسی است).
  27. جیله، ک. روستینوجا، ک. جوکیسالو، جی. پیلی سیهولا، ک. کلامیس، ت. ماکلا، اچ. هیونن، آر. Drebs، A. داده های آب و هوای مرجع آزمون ساعتی در آب و هوای متغیر فنلاند برای شبیه سازی انرژی ساختمان. داده مختصر 2015 ، 4 ، 162-169. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. شهر هلسینکی برنامه اقدام هلسینکی 2035 کربن خنثی. 2018. در دسترس آنلاین: https://www.hel.fi/static/liitteet/kaupunkiymparisto/julkaisut/julkaisut/HNH-2035/Carbon_neutral_Helsinki_Action_Plan_1503019_EN.pdf (دسترسی در 17 ژوئن).
  29. آگوجارو، جی. Holcik، P. پسوند پایگاه داده شهر سه بعدی برای CityGML Energy ADE. 2019. در دسترس آنلاین: https://github.com/gioagu/3dcitydb_energy_ade/tree/4074ae7c0bffc48d464aca0c942aec2fc9585e7b (در 15 ژوئیه 2020 قابل دسترسی است).
Ijgi 09 00602 g001 550
شکل 1. طبقه بندی رویکرد پیش بینی انرژی ساختمان [ 3 ].
Ijgi 09 00602 g002 550
شکل 2. نمای کلی از مفهوم پیشنهادی.
Ijgi 09 00602 g003 550
شکل 3. اصول رویکردهای یکپارچه سازی گسترش دامنه کاربرد انرژی (ADE).
Ijgi 09 00602 g004 550
شکل 4. ساختمان CityGML ساده شده با اطلاعات انرژی ADE استفاده شده.
Ijgi 09 00602 g005 550
شکل 5. دستور SQL برای درج مساحت کف در جدول ng_floorarea در 3DCityDB با پسوند Energy ADE.
Ijgi 09 00602 g006 550
شکل 6. توسعه مورد انتظار شبکه گرمایش منطقه ای هلن CO 2انتشارات [ 25 ].
Ijgi 09 00602 g007 550
شکل 7. تصویری از تجسم وب سه بعدی، ساختمان هایی را نشان می دهد که با تقاضای گرمایش فضا شبیه سازی شده رنگی شده اند.
Ijgi 09 00602 g008 550
شکل 8. توزیع انحرافات با استفاده از ناحیه کاربری و اطلاعات ناحیه گرم شده برای شبیه سازی.
Ijgi 09 00602 g009 550
شکل 9. تقاضای گرمایی ساختمان که به اشتباه ترسیم شده است.
Ijgi 09 00602 g010 550
شکل 10. تقاضای گرمایش آماری (خاکستری) و تقاضای گرمایش پیش بینی شده (نارنجی) در هلسینکی، با فرض نرخ نوسازی 1٪ در سناریوی BAU.
Ijgi 09 00602 g011 550
شکل 11. CO آماری (خاکستری) و پیش بینی شده (نارنجی). 2انتشار گازهای گلخانه ای در هلسینکی با نرخ نوسازی 1٪، با استفاده از CO 2019 2فاکتور انتشار برای گرمایش منطقه ای
Ijgi 09 00602 g012 550
شکل 12. تقاضای گرمایش آماری (خاکستری) و تقاضای گرمایشی پیش بینی شده (نارنجی) در هلسینکی، با فرض نرخ نوسازی 3 درصد برای انبار واقعی ساختمان.
Ijgi 09 00602 g013 550
شکل 13. CO آماری (خاکستری) و پیش بینی شده (نارنجی). 2انتشار گازهای گلخانه ای در هلسینکی با نرخ بازسازی 3 درصد و CO 2شبکه گرمایش شهری کارآمد

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید