Gebruikersgedrag in gebouwsimulaties van eenvoudig tot geavanceerd gebruikersgedragmodel

Transcriptie

1

2 Gebruikersgedrag in gebouwsimulaties van eenvoudig tot geavanceerd gebruikersgedragmodel een gevoeligheidsanalyse voor het gebruikersgedrag en een onderzoek naar de robuustheid van een gebouw voor de gebruiker Student: Naam: P. Hoes, BSc Studentnummer: Afstudeercommissie: prof. dr. ir. J.L.M. Hensen (voorzitter) dr. ir. M.G.L.C. Loomans prof. dr. ir. B. de Vries Technische Universiteit Eindhoven Faculteit Bouwkunde Unit Building Physics and Systems (BPS) Mastertrack Physics of the Built Environment (PBE) Augustus 2007

3 Illustratie kaft [Hensen, 2004]

4 Samenvatting In het ontwerpproces van een gebouw is men aangewezen op voorspellingen van de prestaties van het toekomstige gebouw. Tegenwoordig worden deze voorspelling vaak gebaseerd op de resultaten van computermodellen. Het belang van een betrouwbare voorspelling door deze gebouwsimulatiemodellen is daarom erg groot. Aangezien de gebruiker veel invloed kan uitoefenen op de prestaties van een gebouw, is het belangrijk om het gedrag van de gebruiker te simuleren in een gebouwsimulatie. Het gedrag van de gebruiker wordt in veel gebouwsimulatiemodellen echter sterk vereenvoudigd gemodelleerd. Hierdoor kunnen grote verschillen ontstaan tussen de prestaties van het gesimuleerde gebouw en het werkelijke gebouw. Deze verschillen kunnen leiden tot ontwerpbeslissingen die niet genomen zouden worden, wanneer de gebouwprestaties in het ontwerpproces beter waren voorspeld. Zoals hierboven is aangegeven, wordt in veel bestaande gebouwsimulatiemodellen het gedrag van de gebruiker sterk vereenvoudigd gesimuleerd. Het gebruikersgedrag wordt vaak als een statisch gegeven toegepast in het model door middel van vooraf gedefinieerde gebruikersprofielen. In bepaalde gevallen zullen deze gebruikersprofielen het gedrag van de gebruiker nauwkeurig genoeg kunnen simuleren, in andere gevallen zal het toepassen van deze profielen kunnen leiden tot de eerder genoemde verschillen tussen de voorspelde en gerealiseerde gebouwprestaties. Aangezien de voorgenoemde methode niet altijd voldoet, zijn er andere methoden ontwikkeld om het gebruikersgedrag te simuleren. In deze methoden wordt het gedrag van de gebruiker voorspeld afhankelijk van onder meer het gebouwontwerp en het buitenklimaat. Deze zogenaamde geavanceerde gedragsimulaties richten zich echter op het voorspellen van de interactie tussen de gebruiker en zijn omgeving óf het voorspellen van de aanwezigheid van gebruikers in een ruimte. In het SHOCC-model (Sub-Hourly Occupancy Control) worden enkele bestaande gedragsmodellen samengevoegd en geïntegreerd in het gebouwsimulatieprogramma ESP-r. Door deze combinatie kan de invloed van de gebruiker op het gehele gebouw worden gesimuleerd. Met behulp van het SHOCC-model kunnen echter geen gebouwen met complexe bezettingspatronen worden gesimuleerd. In dit onderzoek is daarom de mobiliteitsvoorspelling in het SHOCC-model verbeterd door het model uit te breiden met het USSU-model (User Simulation of Space Utilisation). Het USSU-model simuleert de bewegingen van gebruikers door een gebouw en het gebruik van de ruimtes in een gebouw. Door de samenwerking tussen het SHOCC-model en het USSU-model kan bijvoorbeeld worden onderzocht hoe groot de energiebesparing is van een gebouw bij toepassing van aanwezigheidsdetectiesensoren voor de verlichting. Met de uitbreiding van het SHOCC-model ontstaan drie verschillende methoden om het gebruikersgedrag te voorspellen. De verschillende modellen kunnen worden ingedeeld naar oplopende resolutie en complexiteit. Tijdens het simuleren van een gebouw moet een keuze worden gemaakt uit deze verschillende methoden. Het is vaak verleidelijk om te kiezen voor de meest geavanceerde en gedetailleerde methode, dit is echter niet altijd de meest verstandige keuze. Een verkeerde keuze leidt snel tot tijdsverspilling. Uit dit onderzoek blijkt bijvoorbeeld dat de geavanceerde methode alleen zinvol is als de gebruiker veel invloed kan uitoefenen op de gebouwprestaties. De keuze die moet worden gemaakt zou daarom afhankelijk moeten zijn van de mate van gevoeligheid van het gebouw voor de gebruiker. Er worden twee groepen aspecten onderscheiden die deze gevoeligheid beïnvloeden: de te onderzoeken gebouwprestaties en bepaalde gebouwgerelateerde factoren. In dit onderzoek is een methodologie voorgesteld om te onderzoeken in welke mate deze verschillende aspecten bijdragen aan de gevoeligheid. Verder leidt de methodologie tot de juiste keuze tussen de gebruikersgedragmodellen. In deze methodologie wordt door middel van een gevoeligheidsanalyse onderzocht wat de invloed is van de verschillende aspecten op de keuze. In dit onderzoek zijn drie gevoeligheidsanalysemethoden met elkaar vergeleken: de Monte Carlo analyse met regressieanalyse, de Morris-analyse en de (extended) FAST-analyse. In deze gevoeligheidsanalyses wordt het verband onderzocht tussen de inputwaarden en de outputwaarden van het I.

5 simulatiemodel. Afhankelijk van het type analysemethode wordt op een bepaalde manier omgegaan met deze waarden. De drie analysemethoden zijn toegepast op een casestudy van een kantoorgebouw. De resultaten van de drie analysemethoden zijn vervolgens onderling vergeleken, hieruit blijkt dat de Monte Carlo analyse met regressieanalyse de meest geschikte analysemethode is in dit onderzoek. Deze methode vergt relatief weinig simulaties vergeleken met de andere methoden en kan kwantitatieve uitspraken doen over de verandering in gevoeligheid van de verschillende factoren. Verder leidt het toepassen van deze methode tot dezelfde conclusies als de andere methoden. Het kan voorkomen dat gebouwontwerpen in de praktijk niet voldoen aan de verwachtingen die werden gewekt in de ontwerpfase. Zoals uit het voorgaande blijkt, kan dit worden veroorzaakt door afwijkingen en verkeerde aannames in het gebruikte simulatiemodel. Het kan echter ook worden veroorzaakt door de mate van robuustheid van het gebouwontwerp; hiermee wordt bedoeld in welke mate een gebouw gevoelig is voor afwijkingen in de ontwerpaannames. Een weinig robuust gebouw kan door relatief kleine afwijkingen van de aannames heel anders gaan functioneren, waardoor het kan voorkomen dat de gestelde prestatie-eisen niet worden gehaald. Een robuust gebouw zal de prestatie-eisen wel halen, ondanks de afwijkingen in de aannames. Dus hoe robuuster een gebouwontwerp is, hoe minder gevoelig het ontwerp is voor fouten in de aannames. Het nieuwe gecombineerde gedragsimulatiemodel kan worden gebruikt om te onderzoeken hoe robuust een gebouwontwerp is voor het gedrag van verschillende soorten gebruikers. Tijdens de levensduur van een gebouw kan de gebruiker van het gebouw namelijk veranderen. Het is dan de vraag of het gebouw voldoet aan de prestatie-eisen van de nieuwe gebruiker. Een gebouw dat robuust is voor verschillende gebruikers zal nog steeds voldoen. Een dergelijk gebouw zal daardoor vaker een langere levensduur hebben dan een minder robuust gebouw. Om de robuustheid van een gebouw voor het gebruikersgedrag te kunnen onderzoeken zijn verschillende gebruikerstypen gedefinieerd. Door een gebouwontwerp vervolgens te simuleren met deze verschillende gebruikerstypen kan worden bepaald hoe robuust het gebouw is voor de gebruiker. Voor een robuust gebouw zullen de gebouwprestaties namelijk minder sterk variëren door het veranderende gedrag van de gebruiker, dan de prestaties van een niet-robuust gebouw. Met behulp van de voorgestelde methodologie kan in het ontwerpproces voor verschillende ontwerpvarianten de mate van robuustheid voor de gebruiker worden onderzocht. II.

6 Summary In the design phase of a building the designers have to rely on the predicted performances of the actual building. Nowadays these predictions are based on the results of computer models. Consequently the reliability of these predictions is very important. Since the building occupants have a strong influence on the building performances, it is important to model the behaviour of these occupants. In many building simulation models however the occupant behaviour is modeled very simplified. As a result substantial discrepancies can occur between the predicted and the actual building performances. It is possible these differences will lead to design decisions which would not have been made with better performance predictions. As mentioned in many building simulation models the behaviour of occupants is strongly simplified. The behaviour is modeled by means of static predefined user profiles. In certain cases these profiles will give a prediction accurate enough for the simulation, but in other cases these profiles will lead to the above mentioned discrepancies. As the profiles aren t always sufficient enough, some other methods are developed. These methods predict the behaviour of the occupants dependent, among other things, on the building design and the outdoor climate. Most of these advanced behaviour models either aim to predict the interaction between occupants and building or aim to predict the occupancy in the building. The SHOCC-model (Sub-Hourly Occupancy Control) combines and improves different behaviour models and integrates these models in the whole building energy simulation program ESP-r. By using SHOCC it is possible to simulate the influence of the occupant on the whole building. As yet SHOCC isn t capable of simulating buildings with complex mobility patterns. In this research the mobility predicition in SHOCC is improved by extending the model with the USSU-model (User Simulation of Space Utilisation). USSU simulates the movement of occupants and the use of spaces by occupants in a building. With the combination of SHOCC and USSU it is for instance possible to give a prediction of the realizable energy savings of occupant-sensing lighting control. Along with the extended version of SHOCC three different behaviour methods can be distinguished. These methods can be sorted by increasing resolution and complexity. During the process of a building simulation a choice must be made between these different methods. Often it is tempting to choose the most sophisticated and detailed method, though this isn t always the most sensible decision. A wrong decision will result in wasting lots of valuable time. This study for instance proves that an advanced behaviour method is only useful if the occupant has possibilities to interact with the building. Accordingly the decision should be depending on the sensitivity of the building to the occupant. Two groups of aspects which influence this sensitivity are discerned, viz. the investigated building performance indicators and certain building related factors. In this research a methodology is proposed to provide the best decision between the behaviour models. In this methodology a sensitivity analysis is used to investigate the influence of the different aspects on the decision. Three different sensitivity analysis methods are compared, namely the Monte Carlo analysis with regression analysis, the Morris-analysis and the (extended) FASTanalysis. These sensitivity analysis methods investigate the relation between the input parameters and the output parameters of the building model. The analysis methods are applied to a case study of an office building. The results of the three analysis methods are compared; from this it appears that the Monte Carlo analysis with regression analysis is the most suitable analysis method for this research. This method demands a relatively small amount of simulation runs compared to the other methods, furthermore the method can give quantitative information regarding the change in sensitivity of the various factors. Apart from that the results of this method lead to the same conclusions as the other methods. There is a possibility that the expectations made in the design phase of a building aren t met in the realized building. As said earlier this could be caused by wrong assumptions in the used building model. But it is also possible this will be caused by the degree of robustness of the building, i.e. to III.

7 what extent is the building sensitive to deviations in the design assumptions. For instance a nonrobust building could function totally different than expected due to relatively small deviations in the assumptions, through which the demanded building performances will not be met. A robust building will meet the demanded performances, in spite of deviations in the assumptions. Ergo, the more robust a building is, the less sensitive the building will be for wrong assumptions. The new combined behaviour method can be used to investigate the robustness of a building to the behaviour of various occupants. It is possible that during the lifecycle of a building the type of occupant will change. It remains to be seen if the building performances will meet the demands of the new occupant. If a building is robust to the occupant, the building will still satisfy the demands. Therefore such a building more often will have a longer lifecycle than a less robust building. To determine the robustness of a building, various user types are defined. By running simulations with these types the robustness of the building can be tested. The performance of a robust building will show less variation due to the changing user types, than a less robust building. Using the proposed methodology the designer will be able to compare the robustness to the behaviour of occupants of various design alternatives. IV.

8 Voorwoord Het afgelopen jaar ben ik bezig geweest met mijn afstudeerproject voor de mastertrack Physics of the Built Environment aan de Technische Universiteit Eindhoven. Dit verslag is het eindresultaat van mijn afstudeerproject. Bij dezen wil ik graag enkele mensen bedanken voor hun hulp bij dit onderzoek. Als eerste wil ik Denis Bourgeois bedanken voor het ter beschikking stellen van zijn (ongepubliceerde) SHOCCmodel en voor het beantwoorden van mijn (vele) vragen over de ontstane (compatibiliteit) problemen met het model (al dan niet veroorzaakt door mijzelf). Daarnaast wil ik Vincent Tabak bedanken voor het mij laten gebruiken van zijn (ongepubliceerde) USSU-model en voor zijn hulp en uitleg bij dit model. Tenslotte wil ik de leden van mijn afstudeercommissie, Jan Hensen (voorzitter), Marcel Loomans en Bauke de Vries, bedanken voor het begeleiden van dit afstudeerproject. Pieter-Jan Hoes Augustus 2007 V.

9 VI.

10 Inhoudsopgave Samenvatting... I Summary... III Voorwoord...V 1 Inleiding Achtergrond Aanleiding onderzoek Doelstelling onderzoek Onderzoeksvragen Onderzoeksmethoden Literatuurstudie Gebruikersprofielen Geavanceerde gebruikersgedragmodellen Mogelijkheden SHOCC en USSU Uitbreiding simulatiemodel gebruikersgedrag Keuze voor gebouwsimulatieprogramma Uitbreiding van gebruikersgedragmodel in ESP-r Simulatieresultaten uitgebreide gebruikersgedragmodel Modelresolutie en complexiteit Beslissingmethodologie Aspecten van invloed op de gevoeligheid voor gebruikersgedrag Aspecten die de gevoeligheid van een gebouwsimulatie voor de gebruiker beïnvloeden Gebouwprestaties en prestatie-indicatoren Gebouwgerelateerde factoren Gevoeligheidsanalyse gebruikersgedrag Bepalen invloed van factoren Verschillende soorten gevoeligheidsanalysemethoden Indeling en kwantificatie factoren Uitvoering gevoeligheidsanalyses Resultaten gevoeligheidsanalyses Meest invloedrijke factoren in de case study Robuustheid voor gebruikersgedrag Gebruikerstypen Casestudies Simulatieresultaten Conclusies en aanbevelingen Conclusies Aanbevelingen Referenties Bijlagen Bijlage 1: Gevoeligheidsanalysemethoden... B1 Bijlage 2: Kwantificatie van factoren die gevoeligheid voor het gebruikersgedrag beïnvloeden.. B6 Bijlage 3: Uitgangspunten casestudy kantoorruimte... B7 Bijlage 4: Invoer gevoelige factoren in Matlab... B9 Bijlage 5: Simulatieresultaten gevoeligheidsanalyses... B12 Bijlage 6: Gebruikerstypen voor robuustheidtest... B41 Bijlage 7: Simulatieresultaten robuustheidtest... B44 VII.

11 VIII.

12 1 Inleiding In dit hoofdstuk worden allereerst de achtergrond en de aanleiding van dit onderzoek beschreven. Vervolgens worden de probleemstelling en doelstelling van het onderzoek uiteengezet, waarna een plan van aanpak volgt. 1.1 Achtergrond Duurzame ontwikkelingen De wereld wordt zich langzaam bewust van de noodzaak tot duurzame ontwikkelingen. Dit komt onder andere door de milieuproblemen die zijn ontstaan door de verbranding van fossiele brandstoffen (smog, broeikaseffect), maar ook omdat duidelijk wordt dat de fossiele voorraden ooit uitgeput zullen raken. Verder zijn veel (westerse) landen zich bewust geworden van hun kwetsbaarheid door de afhankelijkheid van de fossiele brandstoffen. Op de lange termijn lijkt een duurzaam beleid daarom noodzakelijk. Het toepassen van een ontwerpfilosofie als de Trias Energetica kan helpen om tot een duurzamere samenleving te komen [CTSD, 2003]. De Trias Energetica geeft een prioriteitsvolgorde van drie stappen naar een zo duurzaam mogelijke energievoorziening, bestaande uit: 1. Beperk de energiebehoefte. 2. Gebruik zoveel mogelijk duurzame energiebronnen. 3. Maak zo efficiënt en schoon mogelijk gebruik van fossiele energiedragers. In Nederland beslaat het energiegebruik van de gebouwde omgeving ongeveer 35% van het totale energiegebruik [Building Future, 2004]. Het terugdringen van het energiegebruik in de gebouwde omgeving kan daarom een goed begin zijn naar een duurzame samenleving. Building Future, een samenwerkingsverband tussen TNO en ECN, streeft er naar om in 2030 energieneutrale gebouwen neer te kunnen zetten. Op dit moment leidt de eerste stap uit de Trias Energetica onder andere tot een strengere regelgeving met betrekking tot energiegebruik in de (nieuw)bouw, bijvoorbeeld door aanscherping van de Energie Prestatie Coëfficiënt (EPC). Volgens Building Future is naast een gezond leefmilieu ook groot economisch voordeel te behalen door het volgen van een duurzaam energiebeleid in de gebouwde omgeving. De nieuwe duurzame technieken zullen een nieuwe markt creëren. In 2050 zal deze markt voor Nederland naar schatting een economische toegevoegde waarde hebben van miljard euro per jaar Het ontwerpproces Clarke [2001] stelt dat door het beter ontwerpen van gebouwen een reductie in het energiegebruik van meer dan 50% kan worden bewerkstelligd; voornamelijk door betere ontwerpbeslissingen te nemen in het begin van het ontwerpproces. In het begin van het ontwerpproces worden namelijk belangrijke beslissingen genomen die in een verder stadium van het proces moeilijk, of tegen hoge kosten, kunnen worden teruggedraaid (zie figuur 1.1). Het is daarom van belang om in een zo vroeg mogelijk stadium uitspraken te kunnen doen over de prestaties van verschillende ontwerpvarianten. In het vroege ontwerpproces zal bijvoorbeeld de keuze voor een bepaald installatieconcept moeten worden gemaakt. Om te voorkomen dat een verkeerde keuze wordt gemaakt, wordt in de praktijk al snel voor het best bekende (meest conventionele) alternatief gekozen. Wanneer in de vroege fase van het ontwerpproces al een gedegen voorspelling kan worden gedaan over de gebouwprestaties, dan kan er een meer gefundeerde keuze worden gemaakt tussen de ontwerpvarianten. Op deze manier zou bij de keuze voor een installatieconcept kunnen worden voorkomen dat er voor het best bekende alternatief wordt gekozen. Er zou zo een installatieconcept kunnen worden geadviseerd dat beter past bij het gebouw en de gebruikers, waardoor het energiegebruik van het gebouw lager uit kan vallen. 1.

13 1.1.3 Gebouwsimulaties In het ontwerpproces van een gebouw is men aangewezen op voorspellingen van de prestaties van het toekomstige gebouw. Deze voorspellingen werden vanaf de jaren zestig van de vorige eeuw voornamelijk gebaseerd op de resultaten van eenvoudige rekenmodellen, vuistregels of intuïtie. De gebruikte methoden werkten goed voor eenvoudige gebouwontwerpen; voor complexere niet alledaagse ontwerpen leidde dit echter in veel gevallen tot overgedimensioneerde installaties. Sinds de jaren zeventig zijn de rekenmodellen voor gebouwsimulaties sterk geëvolueerd. Door de toename in rekenkracht van de computer en verbeterde modellen kunnen de laatste jaren steeds complexere gebouwsimulaties worden uitgevoerd (zie figuur 1.2). Omdat tegenwoordig wordt gevraagd om gebouwen met een laag energiegebruik, zullen slimme ontwerpen moeten worden gemaakt. Ook zullen er duurzame technologieën moeten worden toegepast. Dit betekent dat er complexe gebouwontwerpen zullen ontstaan, waardoor het noodzakelijk is om de gebouwprestaties goed te kunnen voorspellen. Dit zal vrijwel onmogelijk zijn zonder gebruik te maken van de moderne gebouwsimulatiemodellen als hulpmiddel in het ontwerpproces. Ontwerp vrijheid Kosten aanpassen ontwerp Ontwerpproces Figuur 1.1: Verloop van ontwerpvrijheid en kosten van ontwerpveranderingen gedurende het ontwerpproces. Figuur 1.2: Evolutie van gebouwsimulatie [Clarke, 2001]. 1.2 Aanleiding onderzoek Gevoeligheidsanalyse gebouwsimulatie In de vorige paragraaf is beschreven dat het belang van een betrouwbare voorspelling groot kan zijn in het ontwerpproces van een gebouw. In de literatuur [De Wit, 2001, Macdonald, 2002] en in een eerder uitgevoerd onderzoek [Hoes en De Vaan, 2005] is onderzocht hoe betrouwbaar de resultaten van dergelijke gebouwsimulaties daadwerkelijk zijn. In deze onderzoeken zijn verschillende oorzaken aangewezen waardoor onzekerheden in de resultaten (outputwaarden) kunnen ontstaan. De randvoorwaarden (inputwaarden) voor het computermodel zijn bijvoorbeeld erg belangrijk. In deze onderzoeken is met behulp van een gevoeligheidsanalyse gekeken naar de invloed van onnauwkeurigheden in de inputwaarden van het computermodel. Voor een groot aantal inputparameters (bijvoorbeeld materiaalgegevens en afmetingen van het gebouw) blijkt dat door een juiste keuze van een gemiddelde waarde (μ) en een spreiding van deze waarde (σ) de onzekerheid in de output sterk kan worden beperkt. Het nauwkeurig vaststellen van de inputwaarden van het model lijkt dus erg belangrijk Invloed van gebruiker op gebouw Uit het eerder genoemde onderzoek [Hoes en De Vaan, 2005] bleek het gebruikersgedrag een invloedrijke inputparameter te zijn bij de voorspelling van de gebouwprestaties. De gevoeligheidsanalyse in het onderzoek is uitgevoerd voor een standaard kantoorgebouw. De interne warmtelast bleek één van de gevoeligste inputparameters van het model te zijn. Dit betekent dat een kleine verandering in de waarde van de interne warmtelast, resulteert in een 2.

14 significante verandering in de outputwaarde van het simulatiemodel. Aangezien de interne warmtelast sterk afhankelijk is van het gebruikersgedrag, kan ook worden verondersteld dat het gebruikersgedrag een grote invloed heeft op de output van het model (bijvoorbeeld het energiegebruik van het kantoorgebouw). Een onnauwkeurige voorspelling van het gebruikersgedrag, kan dus een grote invloed hebben op de betrouwbaarheid van de voorspelling. Climatic Design Consult [2001] heeft een theoretische analyse uitgevoerd naar de verschillen tussen het berekende energiegebruik volgens NEN2916 en het werkelijke energiegebruik. In dit rapport is het werkelijk energiegebruik gedefinieerd als het gemeten energiegebruik van de gebouwinstallaties die ook in de EPC-berekening worden meegenomen. Er worden verschillende bronnen aangewezen voor afwijkingen tussen het berekende en het werkelijke energiegebruik, onder andere de invoer van het model en het gebruik van gebouw en installaties. Volgens het onderzoek kunnen afwijkingen in het gebruik van een gebouw leiden tot afwijkingen van meer dan circa 50% in het werkelijke energiegebruik t.o.v. het berekende energiegebruik. Ook Soebarto en Williamson [2001] stellen dat verschillen in het veronderstelde gebruik en het werkelijke gebruik vaak kunnen resulteren in grote over- of onderschattingen van het energiegebruik. Degelman [1999] merkt op dat de laatste 40 jaar vooral de thermische processen in de energieprestatiesimulatie van een gebouw zijn geperfectioneerd. Terwijl het gebruikersgedrag ironisch genoeg een veel grotere invloed heeft op de energieprestatie van een gebouw dan de thermische processen in de gebouwschil. Degelman stelt dat de gebouwsimulaties alleen nauwkeurig voorspellen wanneer het gebruik van een gebouw voorspelbaar en routineus is. Dit zal voornamelijk het geval zijn wanneer de gebruiker geen of weinig invloed kan uitoefenen op het gebouw Invloed van gebruiker op gebouw in de toekomst In de jaren tachtig zijn veel volledig geklimatiseerde gebouwen ontworpen en gebouwd. In een dergelijk gebouw kan de gebruiker weinig invloed uitoefenen op zijn omgeving. De door Degelman [1999] genoemde gebouwsimulatiemodellen zullen de prestaties voor dit soort gebouwen dus redelijk kunnen voorspellen. Brager en De Dear [1997] omschrijven deze gebouwen als: sealed, centrally airconditioned buildings with open plan floor layouts that provide minimal adaptive opportunity. The occupants are presumed to have no option to open or close windows. Volgens Brager en De Dear kunnen in deze volledig geklimatiseerde gebouwen diverse psychologische problemen ontstaan. Deze problemen kunnen ontstaan door een gebrek aan de mogelijkheid tot het bijregelen van het directe binnenklimaat door de mens. De onmogelijkheid van het bijregelen kan zorgen voor het slecht functioneren van het menselijk lichaam. De noodzaak om de omgeving te kunnen beïnvloeden wordt ook onderschreven door Vroon [1990]. Vroon stelt dat zintuigen alleen goed functioneren als ze veranderingen kunnen waarnemen. Het waarnemen van veranderingen is belangrijk voor de overleving van mens en dier. Bij een gebrek aan afwisseling wil een organisme zelf veranderingen creëren, anders gaat het stoornissen vertonen. Mede daarom wil de mens voortdurend in zijn omgeving ingrijpen. In moderne gebouwontwerpen zal vaker rekening moeten worden gehouden met deze inzichten. In de toekomst zullen er gebouwen moeten worden ontworpen waarin de gebruiker meer invloed heeft op zijn omgeving. Deze trend wordt versterkt door de vraag naar duurzame gebouwen. Er zal een verschuiving plaatsvinden van gebouwen met een volledig mechanisch geregeld klimaat naar gebouwen met een klimaat gebaseerd op duurzame technieken. Er zal meer gebruik worden gemaakt van passieve (duurzame) systemen aangevuld met installaties. In gebouwen met een sterk mechanisch geregeld klimaat speelt de gebruiker een vrij passieve en ontvangende rol in het binnenklimaat. Door de verschuiving van actieve naar meer passieve klimaatsystemen, zal de gebruiker een actievere rol gaan spelen in het binnenklimaat. De invloed van de gebruiker op het gebouw zal hierdoor groter worden [Wilson et al., 2006]. 3.

15 1.2.4 Gebruikersgedrag in gebouwsimulaties Om nu én in de toekomst tot betrouwbare modellen te komen, lijkt het noodzakelijk om het gebruikersgedrag in een gebouwsimulatie nauwkeurig te kunnen voorspellen. In de huidige simulatiemodellen wordt echter nog weinig aandacht besteed aan het gedrag van de gebruiker. Het gebruikersgedrag wordt wel meegenomen in de gebouwsimulaties, maar in de modellen worden geen omgevingsfactoren meegenomen om het gedrag van de gebruiker te simuleren. Er wordt alleen gebruik gemaakt van algemene aannames. Deze aannames bestaan uit zogenaamde gebruikersprofielen die de aanwezigheid of het gedrag van de gebruiker beschrijven. Deze profielen gaan statisch met het gedrag van de gebruiker om, bijvoorbeeld om acht uur s ochtends gaat de lamp aan en om zes uur s avonds gaat de lamp uit. In werkelijkheid zal het gedrag van de gebruiker echter veel complexer zijn. Het gedrag hangt bijvoorbeeld af van het gebouwontwerp of het klimaat [Rijal et al., 2007]. Deze omgevingsfactoren worden echter vaak niet meegenomen in de voorspelling van het gedrag. Williamson [1998] waarschuwt voor de grote invloed die aannames met betrekking tot het gebruikersgedrag in gebouwsimulaties hebben op ontwerpbeslissingen. Dit kan verkeerde ontwerpbeslissingen tot gevolg hebben. In figuur 1.3 zijn bijvoorbeeld de resultaten te zien van een simulatie van een eenvoudige kantoorruimte. In één simulatie zijn lage interne warmtelasten gesimuleerd en in één simulatie hoge interne warmtelasten. De werkelijke grootte van de interne warmtelasten kan sterk afhangen van het gebruik. De grafiek toont aan dat er afhankelijk van de gekozen warmtelast een andere ontwerpbeslissing kan ontstaan: bestaat er een grote kans op oververhitting of valt het wel mee. Verder wordt door gebruik te maken van de statische profielen altijd uitgegaan van bepaalde gemiddelde waarden voor het gebruik. Het ontwerp voor efficiënte en energiezuinige gebouwen is hier echter niet bij gebaat. Het lijkt belangrijk om te onderzoeken hoe en door welke factoren het gedrag van de gebruiker wordt beïnvloed. Daarnaast is het interessant om te weten wanneer en in welke mate het gebruikersgedrag effect kan hebben op de prestaties van een gebouw. Deze gegevens moeten worden meegenomen in de gebouwsimulatie, zodat het gebruikersgedrag dynamischer kan worden gesimuleerd. Rijal et al. [2007] stellen dat door het toepassen van gedragsmodellen in gebouwsimulatietools de relatie tussen gebouw, gebruiker en gebouwprestatie beter kan worden begrepen. Uiteindelijk zal dit leiden tot betere gebouwontwerpen. Figuur 1.3: Luchttemperatuur in een eenvoudige kantoorruimte [Macdonald, 2002]. Verschillende aannames voor het gebruik van de ruimte, kunnen leiden tot andere ontwerpbeslissingen: is er een grote kans op oververhitting of valt het wel mee Robuustheid voor gebruikersgedrag Het kan voorkomen dat gebouwontwerpen in de praktijk niet voldoen aan de verwachtingen die werden gewekt in de ontwerpfase. Leyten en Kurvers [2006] noemen verschillende oorzaken voor deze discrepantie tussen de theoretische en de gerealiseerde gebouwprestatie. Volgens Leyten en 4.

16 Kurvers kan dit worden veroorzaakt door de mate van robuustheid van het gebouwontwerp; oftewel is een gebouw gevoelig voor afwijkingen in de ontwerpaannames. Een weinig robuust gebouw kan door relatief kleine afwijkingen van de aannames heel anders gaan functioneren, waardoor het kan voorkomen dat de gestelde prestatie-eisen niet worden gehaald. Een robuust gebouw zal de prestatie-eisen wel halen. Hoe robuuster een gebouwontwerp, hoe minder gevoelig het uiteindelijk resultaat is voor fouten in de aannames. Zoals hiervoor is beschreven, kan het belangrijk zijn om de gebruiker goed te simuleren in een gebouwsimulatie. Het goed kunnen simuleren van de gebruiker kan ook gebruikt worden om te onderzoeken hoe robuust een gebouwontwerp is voor verschillende soorten gebruikers. Tijdens de levensduur van een gebouw kan de gebruiker van het gebouw namelijk veranderen. Het is dan de vraag of het gebouw nog voldoet aan de prestatie-eisen van de nieuwe gebruiker. Een gebouw dat robuust is voor verschillende gebruikers zal bijvoorbeeld nog steeds voldoen. Hierdoor zou het kunnen zijn dat een robuust gebouw een langere levensduur heeft dan een minder robuust gebouw. 1.3 Doelstelling onderzoek De doelstelling van het onderzoek is tweeledig. Het eerste doel is het onderzoeken welke methoden bestaan en worden toegepast om gebruikersgedrag te simuleren. Deze bestaande methoden worden geanalyseerd om te achterhalen wat de verschillen zijn en wanneer de methoden het beste kunnen worden toegepast. Vervolgens wordt bekeken wat verbeterd kan worden aan deze methoden. Het tweede doel richt zich op de toepassing van de verschillende gebruikersmodellen. Onderzocht wordt wanneer de verschillende modellen moeten worden toegepast. Verder wordt onderzocht of het mogelijk is om met behulp van de modellen de robuustheid van een gebouw voor de gebruiker te voorspellen. 1.4 Onderzoeksvragen De doelstelling leidt tot de onderstaande onderzoeksvragen. Hoe wordt het gedrag van de gebruiker gesimuleerd in de huidige gebouwsimulatiemodellen? Welke methoden worden er toegepast om het gebruikersgedrag bij gebouwsimulatie te voorspellen? Wat is de state of the art in gebruikersgedragmodellen in gebouwsimulaties? Wat valt er te verbeteren aan de huidige gebruikersgedragmodellen? Wanneer is het zinvol om het gedrag van de gebruiker (nauwkeurig) te simuleren bij gebouwsimulatie? Voor welke typen gebruikers, gebouwfuncties, gebouwprestaties of bouwfysische en installatietechnische concepten is gedetailleerde simulatie van het gedrag van de gebruiker van belang? Wanneer is welk gebruikersgedragmodel geschikt om een antwoord te kunnen geven op de ontwerpvraag? Wanneer kan een simulatie met een gedetailleerd gebruikersgedragmodel een geschikter hulpmiddel zijn in het ontwerpproces, dan een sterk vereenvoudigd gebruikersgedragmodel? Kan met een gebruikersgedragsimulatie de robuustheid van een gebouwontwerp voor het gedrag van de gebruiker worden bepaald? 1.5 Onderzoeksmethoden Allereerst is een literatuuronderzoek uitgevoerd. Hierin is onderzocht wat de state of the art is op het gebied van de gebruikersgedragsimulatie. De bestaande modellen zijn hiertoe onderling vergeleken. Verder is onderzocht of deze modellen elkaar kunnen aanvullen. 5.

17 Vervolgens is onderzocht hoe twee specifieke modellen met elkaar kunnen samenwerken. Om de modellen te kunnen laten samenwerken zijn aanpassingen gemaakt aan deze bestaande modellen. Het nieuwe gecombineerde model is vervolgens geverifieerd. Hierna zijn gevoeligheidsanalyses uitgevoerd met de bestaande gebruikersgedragmodellen en het nieuwe gecombineerde model. In de gevoeligheidsanalyses is voor een casestudy onderzocht welke factoren van invloed zijn op de gevoeligheid van het gebouw voor de gebruiker. Op deze manier wordt achterhaald welke parameters de keuze beïnvloeden voor het toe te passen gebruikersgedragmodel. Met behulp van de gegevens uit de gevoeligheidsanalyses is een stappenplan opgesteld om te bepalen wanneer welk gebruikersgedragmodel het beste kan worden toegepast. Als laatste is onderzocht of met de gegevens uit het stappenplan kan worden bepaald hoe robuust een gebouwontwerp is voor het gedrag van de gebruiker. Hiervoor zijn verschillende gebruikersprofielen opgesteld waarmee diverse casestudies zijn gesimuleerd. 6.

18 2 Literatuurstudie In dit hoofdstuk komt aan bod wat de huidige stand van zaken is op het gebied van gebruikersgedragsimulatie in gebouwsimulaties. In de bestaande simulatieprogramma s wordt het gebruikersgedrag meestal door middel van één of meerdere profielen gemodelleerd. Recentelijk zijn er ook onderzoeken uitgevoerd om het gedrag meer dynamisch te simuleren. 2.1 Gebruikersprofielen De gangbare manier om gebruikersgedrag te representeren is met gebruikersprofielen uit een standaard database, zie figuur 2.1. De aanwezigheid en het gedrag van een gebruiker worden zo vooraf gedefinieerd. Er is dus geen interactie tussen de gebruiker en zijn omgeving. Er zijn enkele belangrijke randvoorwaarden voor toepassing van dit soort gebruikersprofielen. Deze profielen zijn goed toepasbaar voor de volgende situaties: Wanneer het gedrag nauwelijks afhankelijk is van het buitenklimaat. Bijvoorbeeld bij gebouwen met veel binnenzones, aangezien de binnencondities in deze ruimten vrijwel niet afhankelijk zijn van het buitenklimaat. De condities in dergelijke ruimten zullen dus redelijk constant blijven, waardoor het gedrag van de gebruiker voorspelbaar is [Bourgeois, Reinhart en Macdonald, 2006]. Wanneer de gebruiker geen of nauwelijks invloed kan uitoefenen op het binnenklimaat. Bij ruimten met een vaste bezetting, bijvoorbeeld een tweepersoonskantoorruimte. De gebruikersprofielen houden geen rekening met mogelijke variaties van de parameters over korte tijdsperioden. De profielen gaan over het algemeen uit van variaties met een tijdstap per uur. Deze profielen kunnen goed werken, wanneer een bepaalde trend over de dag moet worden voorspeld. Wanneer bepaalde gebouwen gevoelig zijn voor variaties in de tijd korter dan een uur, dan kan het gebruik van uurprofielen echter leiden tot fouten. Een voorbeeld is een ruimte met verlichting voorzien van aanwezigheidsdetectie. Volgens Degelman [1999] kan door toepassing van uurprofielen voor de aanwezigheid in een ruimte misleidende informatie worden verkregen over het elektriciteitsverbruik door de verlichting. 2.2 Geavanceerde gebruikersgedragmodellen In de voorgenoemde gebruikersprofielen wordt uitgegaan van een gebruiker die niet reageert op veranderingen in zijn omgeving. Vaak reageren gebruikers echter op verschillende, mogelijkerwijs snel wisselende, omgevingsfactoren (zie figuur 2.2). Een verandering in de verlichtingssterkte veroorzaakt door de zon kan bijvoorbeeld een gewenste verandering in de stand van de zonwering of het gebruik van de verlichting tot gevolg hebben. Het is dan noodzakelijk om de waarneming van een gebruiker en de daarop volgende reactie te modelleren. In de volgende paragrafen wordt verder ingegaan op deze geavanceerde gedragsimulatie. Figuur 2.1: Een typisch gebruikersgedragprofiel voor de aanwezigheid in een ruimte. Figuur 2.2: Dynamische interacties tussen subsystemen in een gebouw [Hensen, 2004]. 7.

19 2.2.1 Simulatie interactie gebruiker en omgeving De laatste jaren zijn er enkele onderzoeken verricht naar het modelleren van de invloed van een gemiddelde kantoorgebruiker op zijn omgeving [Mahdavi et al., 2007, Nicol, 2001, Reinhart, 2004, Rijal et al., 2007]. Er zijn verschillende empirische modellen opgesteld aan de hand van uitgevoerde metingen in de praktijk Deze modellen voorspellen het gebruik van handmatig te openen ramen en handmatige lichtcontrole (verlichting en zonwering) Gebruik van te openen ramen Nicol [2001] heeft onderzoek gedaan naar het gebruik van ramen, verlichting, zonwering, verwarming en ventilatoren in natuurlijk geventileerde gebouwen. Zijn model geeft weer hoe het gebruik varieert met de buitenluchttemperatuur. Nicol stelt dat de binnenluchttemperatuur zou moeten worden berekend als een verwachte temperatuur met een bepaalde spreiding (waarschijnlijkheidscurve). Deze binnenluchttemperatuur is sterk afhankelijk van de buitenluchttemperatuur en het gebruikersgedrag. Door gedrag- en luchttemperatuurmetingen in een kantoor kan met behulp van regressieanalyse een model worden opgesteld dat het verband weergeeft tussen de buitenluchttemperatuur en een verwachte actie van de gebruiker. Het gebruikersgedrag wordt gemodelleerd als een stochastisch proces en wordt voorspeld aan de hand van logistische regressie. De waarschijnlijkheid dat een actie wordt uitgevoerd stijgt naarmate de intensiteit van de stimulus (hier de buitenluchttemperatuur) stijgt, zie figuur 2.3. De kans dat een actie wordt uitgevoerd kan berekend worden met behulp van formule 2.1. p = e (bt + c) / (1+e (bt + c) ) [2.1] met: p = de kans dat een raam wordt geopend T = (buiten)luchttemperatuur b = regressiecoëfficiënt voor T c = constante uit de regressieanalyse De buitenluchttemperatuur wordt door Nicol beschouwd als onafhankelijke variabele, dit betekent echter niet dat andere variabelen geen invloed hebben op het gebruik van bijvoorbeeld een raam. In het geval van het raam zijn betrouwbare waarden van regen of geluidsoverlast echter moeilijk te verkrijgen. Met de methode van Nicol kan alleen worden bepaald óf een raam is geopend bij een bepaalde buitenluchttemperatuur. Er kan niet worden bepaald hoe lang het raam open staat of wanneer het gesloten wordt. Figuur 2.3: Een voorbeeld van een logistische regressiecurve van het aantal ingeschakelde ventilatoren in een kantoorgebouw als functie van de buitenluchttemperatuur in Pakistan [Nicol, 2001]. Figuur 2.4: Een voorbeeld van een logistische regressiecurve van het aantal geopende ramen in natuurlijk geventileerde kantoorgebouwen als functie van de buitenluchttemperatuur [Rijal et al., 2007]. 8.

20 Rijal et al. [2007] stelt dat gebruikers eventueel ramen openen in verband met onbehaaglijkheid. Deze adaptieve aanpak gaat ervan uit dat een gebruiker actie onderneemt om zich behaaglijk te voelen. Deze acties kunnen inhouden dat de gebruiker invloed gaat uitoefenen op zijn omgeving door gebruik te maken van mogelijkheden om het binnenklimaat te regelen (bijvoorbeeld met te openen ramen of de thermostaat). Het model van Nicol [2001] wordt hiertoe uitgebreid tot een adaptief algoritme om het openen van ramen te simuleren, het zogenaamde Humphreys adaptieve algoritme. De constanten in de logistische functie (formule 2.1) zijn opnieuw berekend aan de hand van uitgebreidere metingen in 15 kantoorgebouwen (zie figuur 2.4). In het onderzoek zijn metingen verricht aan de binnen- en buitenluchttemperatuur en de stand van de ramen. Verder is gedurende deze periode via interviews en enquêtes informatie verkregen van ongeveer 500 gebruikers in de kantoorgebouwen. Uit de meetdata komen een aantal punten naar voren: In airconditioned gebouwen zijn ramen minder open. Vaak is er geen mogelijkheid tot het openen van ramen. De stand van de ramen hangt sterk af van de buitenluchttemperatuur. In de winter staan er minder ramen open dan in de zomer. Het aantal ramen dat open staat neemt toe naarmate de dag verstrijkt. Er blijken actieve en passieve gebruikers te zijn met betrekking tot het gebruik van ramen. Actieve gebruikers maken vaak gebruik van de mogelijkheid om ramen te openen en passieve gebruikers maken zelden of nooit gebruik van deze mogelijkheid. De logistische functie (formule 2.1) is vervolgens gekoppeld aan de comforttemperatuur. Op een ingestelde tijdstap wordt met behulp van het algoritme uit de buitenluchttemperatuur de comforttemperatuur berekend. Vervolgens wordt de binnenluchttemperatuur ter plaatste van een gesimuleerde gebruiker bepaald. Wanneer de binnenluchttemperatuur 2 o C hoger is dan de comforttemperatuur, wordt de omgeving beschouwd als warm. Wanneer de binnenluchttemperatuur 2 o C lager is dan de comforttemperatuur, dan wordt de omgeving als koud ervaren. Als de gebruiker zich comfortabel voelt, dan blijven de ramen in ongewijzigde stand staan. In een andere situatie wordt berekend of de ramen moeten worden geopend of niet. In figuur 2.5 is te zien dat het model redelijk nauwkeurig voorspelt wanneer de ramen geopend zijn. In figuur 2.6 is het effect van de gesimuleerde te openen ramen te zien op de binnenluchttemperatuur. Het percentage dat de binnenluchttemperatuur gedurende de bezette uren de 28 o C overschrijdt gedurende de bezette uren neemt drastisch af. Figuur 2.5: Gemeten en gesimuleerde waarden met Humphreys adaptieve algoritme voor geopende ramen [Rijal et al., 2007]. Figuur 2.6: Het percentage van de bezette uren dat de binnenluchttemperatuur de 28 o C overschrijdt, gesimuleerd met te openen ramen d.m.v. Humphreys adaptieve algoritme en met gesloten ramen [Rijal et al., 2007] Gebruik van verlichting en zonwering Reinhart [2004] beschrijft in zijn model (Lightswitch-2002) een algoritme dat de energieprestatie van handmatig en automatisch gecontroleerde elektrische verlichting en zonwering in een éénpersoons of tweepersoons kantoorvertrek voorspelt. Het algoritme is zowel dynamisch als stochastisch (zie figuur 2.7). Dynamisch houdt in dat er niet naar een gemiddelde dag in een jaar of maand wordt gekeken, maar afhankelijk van bezetting, verlichtingssterkte en zonwering met 9.

21 een tijdstap van 5 minuten wordt gerekend gedurende het jaar. Stochastisch betekent dat wanneer de gebruiker een beslissing moet nemen, dit wordt berekend met een waarschijnlijkheidsberekening (zie figuur 2.8). De inputdata zijn jaarlijkse profielen met een 5-minutentijdstap voor de aanwezigheid van personen en de verlichtingssterkte op het werkvlak door daglicht. De aanwezigheid wordt gesimuleerd met een stochastisch model. De verlichtingssterkte wordt door Reinhart bepaald met DAYSIM. DAYSIM is een op Radiance gebaseerd daglichtsimulatiemodel, waarmee de verlichtingssterkte in ruimtes kan worden gesimuleerd met een tijdsinterval van 5 minuten [Reinhart, 2006]. De invoer voor het DAYSIM-model zijn beschikbare databestanden met de lokale gemiddelden van de irradiantie van de zon over het uur. Deze methode van dynamische daglichtsimulatie (DDS) is later verder ontwikkeld door Reinhart et al. [2006], zodat het mogelijk is om de verlichtingssterkte in een ruimte dynamisch te bepalen. Met DDS zijn seizoensvariaties in de verlichtingssterkte in een ruimte te bepalen. Ook kan verblinding door direct (zon)licht worden voorspeld. Het model maakt gebruik van het Radiance-raytracingmodel, daglichtcoëfficiënten en een hemelkoepelmodel. Figuur 2.7: Schematische opbouw van het Lightswitch-2002 model [Reinhart, 2004]. Figuur 2.8: Een waarschijnlijkheidscurve voor het gebruik van de verlichting in het Lightswitch-2002 model [Reinhart, 2004]. De daglichtcoëfficiënten beschrijven de verlichtingssterkte veroorzaakt door een deeltje van de hemelkoepel op een punt in de ruimte (zie figuur 2.9). De coëfficiënten zijn afhankelijk van de fysische eigenschappen van de ruimte (de geometrie van de ruimte, de reflectie van oppervlakken in de ruimte, de transmissie door glas) en zijn dus per ruimte uniek. De coëfficiënten zijn echter wel onafhankelijk van de oriëntatie van het gebouw. Wanneer de coëfficiënten voor een ruimte zijn bepaald, kan voor elke soort hemelkoepel (bewolkt, zonnig, etc.), de verlichtingssterkte in de ruimte worden berekend. Dit kan worden gedaan door simpele en snelle matrixberekeningen. Lightswitch-2002 gaat uit van verschillende typen gebruikers, die verschillend omgaan met de verlichting en de zonwering. Een bepaald type gebruiker zal bijvoorbeeld altijd streven naar een zo optimaal mogelijk gebruik van daglicht en varieert daarom gedurende de dag met de instellingen van de zonwering en verlichting. Een andere gebruiker zal echter bij verblinding de zonwering omlaag doen en deze de rest van de dag omlaag houden. Deze verschillen in het gebruikersgedrag kunnen een grote invloed hebben op het gesimuleerde energiegebruik van de verlichting (zie figuur 2.10). Het Lightswitch-2002-algoritme kan overigens niet zonder meer worden toegepast in kantoren met een open vloerplan; deze gebruikers hebben namelijk vaak geen persoonlijke controle over hun directe omgeving. 10.

22 Figuur 2.9: De hemelkoepel wordt verdeeld in gelijke hemeldeeltjes (S). Voor elke deeltje beschrijft een unieke daglichtcoëfficiënt de bijdrage aan de verlichtingssterkte (E) op een punt in de ruimte (X). [Reinhart, 2006]. Figuur 2.10: Energiegebruik gesimuleerd met Lightswitch-2002 voor verschillende gebruikers. Dd: Daylight Dependant user; Di: Daylight Independent user; Bs: Blinds Static; Bd: Blinds Dynamic [Reinhart, 2004] Sub-Hourly Occupancy Control Bourgeois [2005] beschrijft een model, Sub-Hourly Occupancy Control (SHOCC), dat de besproken algoritmes van Nicol en Reinhart samenvoegt en verbetert. Verder bevat het model een algoritme waarmee het gebruik van apparatuur realistisch kan worden gesimuleerd. Het SHOCC-model (vanaf hier SHOCC genoemd) bevat ook een aanwezigheidsvoorspelling, waarbij gebruik wordt gemaakt van de aanwezigheidsvoorspelling in het Lightswitch-algoritme van Reinhart. Door de combinatie van al deze modellen kan SHOCC een belangrijk deel van het gebruikersgedrag simuleren. Het gaat hierbij om de volgende onderdelen van het gedrag van een gebruiker: het gebruik van verlichting; het gebruik van zonwering; het gebruik van te openen ramen; het gebruik van apparatuur; de aanwezigheid in een ruimte. SHOCC is geïntegreerd in het gebouwsimulatieprogramma ESP-r (zie figuur 2.11), zodat de invloed van de gebruiker op het gehele gebouw kan worden bepaald. Het model past hierdoor goed in het idee van domain integrated simulation [Djuneady, 2005]. Hierbij wordt gestreefd naar het simuleren van het gehele gebouw in plaats van de onderdelen afzonderlijk (zie figuur 2.2). Aangezien de processen in (moderne) gebouwen zeer complex zijn, is het niet mogelijk om het gebouw te optimaliseren door de processen afzonderlijk te simuleren en te optimaliseren. Door deze integrale benadering kan met SHOCC sneller inzicht worden verkregen over de invloed van verschillende ontwerpbeslissingen en het gedrag van de gebruiker op de gebouwprestaties Workflow SHOCC-model Zoals besproken in paragraaf 2.2 kunnen kleine tijdstappen de nauwkeurigheid van een gebouwsimulatie sterk verbeteren. Dit wordt ook gesteld door Clarke en Janak [1998] voor de simulatie van verschillende lichtcontrole mogelijkheden. SHOCC gaat daarom uit van een tijdstap van 5 minuten, zodat ook de invloed van variaties gedurende een korte periode kunnen worden gesimuleerd. SHOCC bepaalt eerst of er een sub-hourly simulatie moet worden uitgevoerd. Indien dit het geval is (zie figuur 2.11), dan worden de volgende stappen ondernomen. 1. Eerst wordt de aanwezigheid van personen in de ruimte voorspeld. 2. Vervolgens wordt de waarde van de aanwezigheidsgevoelige interne warmtebronnen voorspeld (bureaulamp, verlichting met bewegingsdetectie, computer, etc.). 3. Hierna wordt het gedrag en de controle van de gebruiker over instellingen die invloed hebben op het binnenklimaat voorspeld (bijvoorbeeld het gebruik van zonwering of kunstlicht). 11.

23 Figuur 2.11: Flow chart van SHOCC geïntegreerd in ESP-r [Bourgeois, 2005] Invloed SHOCC-model op gebouwsimulaties Simulaties met SHOCC/ESP-r tonen aan dat een geavanceerde manier van gebruikersgedragsimulatie de nauwkeurigheid van de voorspelling ten goede komt. De simulatieresultaten laten zien dat het gebruikersgedrag een grote invloed heeft op het gesimuleerde energiegebruik. In figuur 2.12 zijn de resultaten weergegeven van een simulatie met SHOCC/ESP-r. Er is een kantoorruimte (figuur 2.13) gesimuleerd met één actieve gebruiker. Een actieve gebruiker wordt door Reinhart [2004] omschreven als een gebruiker die actief streeft naar een zo optimaal mogelijk gebruik van het daglicht. De gebruiker zal proberen om het gebruik van kunstlicht te minimaliseren door de stand van de zonwering aan te passen en door de verlichting uit te schakelen wanneer deze niet nodig is. Dit in tegenstelling tot een passieve gebruiker, die niet streeft naar efficiënt gebruik van de verlichting. Een passieve gebruiker zal de verlichting nooit uitschakelen bij het verlaten van een vertrek en probeert directe zoninstraling te vermijden door het sluiten van de zonwering. In een gebouw bestaat een bepaalde verhouding tussen deze actieve en passieve gebruikers. Op het moment zijn er geen gegevens bekend over deze verhouding tussen de gebruikers [Reinhart, 2004]. In de figuur 2.12 zijn drie verschillende varianten voor het gebruik van verlichting en zonwering gesimuleerd: 1. Constant. Een veel gebruikte aanname in gebouwsimulaties. De verlichting staat de gehele dag constant aan, de zonwering wordt niet gebruikt. 2. Handmatig. Gebaseerd op de Lightswitch-2002 gedragsmodellen voor handmatige bedienbare verlichting en controle over zonwering. Een realistische weergave van de werkelijkheid. 3. Automatisch. Handmatig en automatisch. Er is een aanwezigheidsdetectie voor de verlichting. De verlichting wordt uitgeschakeld na een afwezigheid van 5 minuten. De verlichting op het werkvlak wordt op minimaal 500 lux gehouden, eventueel met behulp 12.