Evaluación del impacto de las variables de entrada en la estimación de la carga térmica en espacios de oficinas mediante modelos validados

Autores/as

  • Silvia Soutullo Energy Efficiency in Buildings R&D Unit, CIEMAT
  • Emanuela Giancola Energy Efficiency in Buildings R&D Unit, CIEMAT
  • María Nuría Sánchez Energy Efficiency in Buildings R&D Unit, CIEMAT
  • Beatriz Porcar Energy Efficiency in Buildings R&D Unit, CIEMAT
  • María José Jiménez Plataforma Solar de Almería-CIEMAT

DOI:

https://doi.org/10.20868/ade.2024.5494

Palabras clave:

análisis de sensibilidad, incertidumbres, modelos validados, performance-gap, variables influyentes

Resumen

El diseño y optimización de las medidas de eficiencia energética en los edificios, suelen basarse en modelos de simulación, los cuales deben ser validados con medidas experimentales para garantizar una representación fiable del comportamiento real del edificio. Uno de los principales retos en este proceso es minimizar las incertidumbres asociadas a la introducción de las variables de entrada, ya que cualquier desviación puede generar discrepancias significativas con respecto al caso de diseño. El objetivo principal de este estudio es cuantificar el impacto producido por la variación de las variables de entrada sobre las cargas de calefacción y refrigeración del modelo de una oficina. Para ello, se ha desarrollado una metodología de simulación dinámica validada, implementada en varias fases: monitorización del despacho y de las condiciones de contorno; modelización dinámica de la oficina; validación del modelo de simulación con los datos experimentales; y estudio de sensibilidad a través de un análisis paramétrico y de influencia. Como resultado de la implementación de esta metodología, se han identificado las variables más influyentes en tres series anuales de la demanda térmica. En este caso de estudio, se concluye que la exactitud en la definición de las temperaturas de consigna estacionales, los archivos climáticos y las tasas de infiltración son cruciales para obtener estimaciones fiables de la demanda térmica de la oficina. Por el contrario, la variabilidad en los horarios de ocupación y los perfiles de temperatura del suelo tiene un menor impacto, permitiendo menor exactitud en la definición de sus valores de entrada sin comprometer la fiabilidad de los resultados finales.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

1. Ascione, F., De Masi, R.F., Festa, V., Gigante, A., Ruggiero, S., & Vanoli, G.P. (2022) Thermal and energy performance of a nearly zero-energy building in Mediterranean climate: the gap between designed and monitored loads of space heating and cooling systems. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects 44(1), 732–747. https://doi.org/10.1080/15567036.2022.2050852.

2. ASHRAE. (2014). ASHRAE Guideline 14-2014. Measurement of Energy, Demand, and Water Savings. ASHRAE. ISSN 1049-894X.

3. CTE (2006). Código técnico de la Edificación. B.O.E. 2 agosto 2006. https://www.codigotecnico.org/ (accessed 18 April 2024)

4. Díaz-Hernández, H.P., Sánchez, M.N., Olmedo, R., Villar-Ramos, M.M., Macias-Melo, E.V., Aguilar-Castro, K.M., & Jiménez, M.J. (2021). Performance assessment of different measured variables from onboard monitoring system to obtain the occupancy patterns of rooms in an office building. Journal of Building Engineering 40, 102676. https://doi.org/10.1016/j.jobe.2021.102676

5. GenOpt. (s.f.). Generic Optimization program GenOpt website. https://simulationresearch.lbl.gov/GO/ (accessed 18 April 2024)

6. In-Situ-BEPAMAS. (2020). Proyecto In-Situ-BEPAMAS. Building Energy Performance Assessment based on In-Situ Measurement, Analysis and Simulation. http://projects.ciemat.es/web/in-situ-bepamas/ (accessed 18 April 2024)

7. Jiménez, M.J., Díaz, J.A., Alonso, A.J., Castaño, S., & Pérez, M. (2021). Non-Intrusive Measurements to Incorporate the Air Renovations in Dynamic Models Assessing the In-Situ Thermal Performance of Buildings. Energies 2021, 14(1), 37. https://doi.org/10.3390/en14010037

8. Kottek, M., Grieser, J., Beck, C., Rudolf, B., & Rubel, F. (2006) World Map of the Köppen-Geiger climate classification updated. Meteorologische Zeitschrift 15, 259-263. https://doi.org/10.1127/0941-2948/2006/0130.

9. Lapuente, C. S., Soutullo, S., Sánchez, M. N., Giancola, E., & Jiménez, M.J. (2023). Efecto de las hipótesis habituales y medidas reales sobre la temperatura del terreno en la evaluación del comportamiento energético de edificios en uso. Caso de estudio en Almería. Congreso Internacional CITE, Madrid, España.

10. Olmedo, R., Sánchez, M.N., Enríquez, R., Jiménez, M.J., & Heras, M.R. (2016). ARFRISOL Buildings-UIE3-CIEMAT. In A. Janssens (Eds.), IEA, EBC Annex 58, Report of Subtask 1a. Inventory of full scale test facilities for evaluation of building energy performances. ISBN: 9789460189906, Published by KU Leuven, Belgium.

11. Patrick, X.W. Z., Dipika, W., & Morshed, A. (2019). Strategies for minimizing building energy performance gaps between the design intend and the reality. Energy and Buildings 191, 31-41. https://doi.org/10.1016/j.enbuild.2019.03.013.

12. Porcar, B., Soutullo, S., Enríquez, R., & Jiménez, M.J. (2018). Quantification of the uncertainties produced in the construction process of a building through simulation tools: A case study. Journal of Building Engineering 20, 377–386. https://doi.org/10.1016/j.jobe.2018.08.008.

13. Sánchez, M.N., Soutullo, S., Olmedo, R., Bravo, D., Castaño, S., & Jiménez, M.J. (2020). An experimental methodology to assess the climate impact on the energy performance of buildings: A ten-year evaluation in temperate and cold desert areas. Applied Energy 264, 114730. https://doi.org/10.1016/j.apenergy.2020.114730

14. Soutullo, S., Sánchez, M.N., Enríquez, R., Jimenez, M.J., Heras, M.R. (2017). Empirical estimation of the climatic representativeness in two different areas: dessert and Mediterranean climates. Energy Procedia 122, 829-834. https://doi.org/10.1016/j.egypro.2017.07.415

15. Soutullo, S., Giancola, E., & Heras, M.R. (2018). Dynamic energy assessment to analyse different refurbishment strategies of existing dwellings placed in Madrid. Energy 152, 1011–1023. https://doi.org/10.1016/j.energy.2018.02.017.

16. Soutullo, S., Suárez, M.J., García, D., & Blanco, E. (2019). Decision matrix methodology for retrofitting techniques of existing buildings. Journal of Cleaner Production 240, 118153. https://doi.org/10.1016/j.jclepro.2019.118153.

17. Tian, W., Heo, Y., de Wilde, P., Li, Z., Yan, D., Park, C.S., Feng, X., & Augenbroe, W. (2018). A review of uncertainty analysis in building energy assessment. Renewable and Sustainable Energy Reviews 93, 285–301. https://doi.org/10.1016/j.rser.2018.05.029

18. TRNSYS. (s.f.). TRansient Simualtion Tool website. https://www.trnsys.com (accedido el 18 de abril de 2024)

19. Wit, S., & Augenbroe, G. (2002). Analysis of uncertainty in building design evaluations and its implications, Energy and Building 34 (9), 951-958. https://doi.org/10.1016/S0378-7788 (02)00070-1.

20. Yu, J., Chang, W.-S., & Dong, Y. (2022). Building Energy Prediction Models and Related Uncertainties: A Review. Buildings 12, 1284. https://doi.org/10.3390/buildings12081284

21. Zhihang, Z., Jin, Z., Zhu, J., Ying, Y., Feng, X., & Hongcheng, L. (2024). Review of the building energy performance gap from simulation and building lifecycle perspectives: Magnitude, causes and solutions. Developments in the Built Environment 17, 100345. https://doi.org/10.1016/j.dibe.2024.100345

22. Kenzhina, M., Kalysh, I., Ukaegbu, I., & Nunna, S. K. (2019, February). Virtual power plant in Industry 4.0: The strategic planning of emerging virtual power plant in Kazakhstan. International Conference on Advanced Communication Technology, ICACT, 2019, 600–605. https://doi.org/10.23919/ICACT.2019.8701989

23. Lacalle, I., Belsa, A., Vaño, R., & Palau, C. E. (2020). Framework and methodology for establishing port-city policies based on real-time composite indicators and IoT: A practical use-case. https://doi.org/10.3390/s20154131

24. Lamberti, T., Sorce, A., di Fresco, L., & Barberis, S. (2015, February). Smart port: Exploiting renewable energy and storage potential of moored boats. MTS/IEEE OCEANS 2015 - Genova. https://doi.org/10.1109/OCEANS-GENOVA.2015.7271376

25. Leva, S., Dolara, A., Grimaccia, F., Mussetta, M., & Ogliari, E. (2017, February). Analysis and validation of 24 hours ahead neural network forecasting of photovoltaic output power. Mathematics and Computers in Simulation, 131, 88–100. https://doi.org/10.1016/J.MATCOM.2015.05.010

Descargas

Publicado

2024-12-01

Cómo citar

Soutullo, S., Giancola, E. ., Sánchez, M. N., Porcar, B., & Jiménez, M. J. (2024). Evaluación del impacto de las variables de entrada en la estimación de la carga térmica en espacios de oficinas mediante modelos validados. Anales De Edificación, 10(3), 9-16. https://doi.org/10.20868/ade.2024.5494

Artículos más leídos del mismo autor/a