Energie · Gebäude · Umwelt (EGU)
Refine
Year
Publication Type
- Lecture (614)
- Article (309)
- Part of a Book (89)
- Conference Proceeding (80)
- Book (37)
- Contribution to a Periodical (25)
- Report (23)
- Participation in a Norm (DIN, RFC etc.) (20)
- Other (4)
- Sound (4)
Language
- German (936)
- English (229)
- Multiple languages (49)
- Spanish (3)
Keywords
- Überflutung (28)
- Überflutungsvorsorge (19)
- Hochwasser (18)
- Starkregen (18)
- Klimawandel (17)
- Trinkwasserinstallation (12)
- Urbanes Grün (11)
- Bewässerung (9)
- Trinkwasserhygiene (8)
- Baumrigole (7)
Lokale Energiemärkte können zukünftig eine der zentralen Maßnahmen der Energiewende sein, sind bisher jedoch kaum verbreitet. Durch die Einbindung einer Vielzahl von Letztverbrauchern in den Energiehandel, sind lokale Energiemärkte in der Lage, die Akzeptanz der Bevölkerung gegenüber der Energiewende zu steigern und somit die Transformation der Energiesysteme zu beschleunigen. Dieses Buch definiert erstmals die verschiedenen Arten lokaler Energiemärkte, grenzt andere Marktkonzepte ab und unterscheidet dabei zwischen verschiedenen Energieformen. Bestehende Konzepte für Peer-to-Peer Märkte, Community Self Consumption Märkte und lokale Systemdienstleistungsmärkte werden analysiert und darauf aufbauend Gestaltungsmöglichkeiten zukünftiger Marktkonzepte identifiziert. Mithilfe des entwickelten Energiemarkt Reengineering Frameworks können lokale Energiemärkte nach einem Baukastenprinzip konzeptioniert werden. In einem nachgelagerten Schritt können die Konzepte auf verbleibende technischeund rechtliche Hürden untersucht werden. Jan N. Tockloth stellt ein umfangreiches Werk zur Verfügung, das einen niederschwelligen Einstieg in lokale Energiemärkte ermöglicht und diese im energiewirtschaftlichen Kontext einordnet. Die detaillierten Inhalte und entwickelten Methoden bieten gleichzeitig einen praktischen Nutzen für Leserinnen und Leser aus den Bereichen Forschung, Energiewirtschaft und Politik.
Energieausweise informieren über den Energiebedarf und -verbrauch von Gebäuden. Für die Erstellung eines Energieausweises werden gebäudespezifische Daten benötigt, weshalb sie oft nicht für alle Gebäude vorliegen oder erst durch eine Begehung vor Ort erfasst werden können. Die vorliegende Arbeit untersucht die Möglichkeit, durch die Identifikation eines Datenschemas, basierend auf einer integrativen Analyse von Energieausweisen, Energiebedarfsvorhersagen für unbekannte Wohngebäude zu treffen. Die Zielsetzung der vorliegenden Arbeit besteht in der Identifikation wesentlicher Merkmale aus offenen Datenquellen, welche den Energiebedarf signifikant beeinflussen sowie deren Integration in ein kompaktes und effizientes Regressionsmodell. Dabei werden verschiedene maschinelle Lernmethoden, insbesondere das Extreme Gradient Boosting (XGB), eingesetzt, um Modelle zu entwickeln und zu validieren, die auf Daten aus Energieausweisen basieren.
Dafür werden unter anderem Merkmale aus den beschriebenen Merkmalen zum Dach, der Außenwände, zu Fenstern und zum Boden extrahiert und in neue Merkmale überführt. Dies sind unter anderem Dach- und Wandtyp, das zugehörige Isolationsniveau und der Verglasungsgrad der Fenster. Im Anschluss werden drei Datensätze entwickelt und auf ihre Leistung untersucht. Eine Analyse der Merkmalsrelevanz hat gezeigt, dass über alle Datensätze hinweg bestimmte Merkmale wie Gebäudetyp, Baujahr, Wohnfläche, Dämmungsgrad und geografische Lage entscheidenden Einfluss auf die Vorhersage des Energiebedarfs haben. Das auf den Fernerkundungsdaten basierte Modell, wies nach Optimierung ein Bestimmtheitsmaß R2 von 0,64 und einen mittleren absoluten Fehler (MAE) von 4,12 auf. Der Fehler bezieht sich auf eine Effizienzskala von 1-100 (Energieklasse G-A). Nach Skalierung der Pipeline und durch Ergänzung weiterer Datenpunkte, konnte der Wert auf 0,84 erhöht werden. Durch die Ergänzung von vebrauchsabhängigen Merkmalen, erreichte das XGB-Regressionsmodell ein R2 von 0,94 und einen MAE von 1,46 über den Trainings- und Testdatensatz. Zur weiteren Validierung werden die Auswirkungen der einzelnen Merkmale über Shapley-Werte quantifiziert, um die Auswirkungen der Merkmale bei der Vorhersage zu interpretieren. Die entwickelten Modelle erreichten eine hohe Prognosegenauigkeit und demonstrierten eine signifikante Verbesserung gegenüber herkömmlichen Methoden. Die Erstellung der Datensätze erfolgte unter Verwendung der Programmiersprache Python sowie des Frameworks Scikit-learn (Version 1.4.1) zur Entwicklung der Modelle. Die erzeugten Datensätze und Modelle wurden in eine reproduzierbare Pipeline überführt und stehen nach Freigabe unter GitHub zur Verfügung.