11.05.2025
Das veröffentlichte Paper von Simon Malacek et al. präsentiert eine neuartige Methode zur Erstellung stündlich aufgelöster Wärmebedarfs-Zeitreihen auf Gebäudeebene.
Trotz verschiedener Bemühungen bleibt die Dekarbonisierung des Wärmesektors eine große Herausforderung. Für eine intelligente Planung ist der Zugang zu hochaufgelösten Daten zum Wärmebedarf entscheidend. Bestehende Modelle liefern jedoch meist nur Daten für spezifische Anwendungen – entweder zeitlich aufgelöste Daten für größere Gebiete oder Jahreswerte auf Gebäudeebene, aber selten beides zugleich. Zudem wird die Heterogenität des Wärmebedarfs zwischen verschiedenen Gebäuden oft nicht berücksichtigt.
Um diese Einschränkungen zu überwinden, stellt dieses Paper eine neuartige Methode zur Erzeugung zeitlich hochaufgelöster Wärmebedarfs-Zeitreihen auf Gebäudeebene vor – basierend auf öffentlich verfügbaren Daten. Der Ansatz kombiniert ein thermisches Gebäudemodell mit stochastischen Belegungsmodellen, die die Variabilität im Nutzerverhalten abbilden. So entsteht ein kosteneffizientes Werkzeug zur sektorenübergreifenden Energieplanung und politischen Entscheidungsfindung – mit besonderem Fokus auf den Wärmesektor.
Die erzeugten Daten können z. B. zur Bewertung von Sanierungs- und Modernisierungsstrategien oder zur Analyse des Ausbaus von Fernwärmenetzen verwendet werden. Um die Anwendbarkeit der Methode zu zeigen, wurde eine Fallstudie in Puertollano (Spanien) durchgeführt, bei der stündlich aufgelöste Wärmebedarfsdaten für 9.298 Wohngebäude erstellt wurden. Diese Daten dienten anschließend dem Vergleich zweier Sanierungspfade für den Gebäudebestand. Da ausschließlich öffentlich zugängliche Daten verwendet werden, lässt sich die Methode flexibel auf verschiedene europäische Regionen übertragen – mit hohem Potenzial für die Optimierung von Energiesystemen und die Analyse von Dekarbonisierungsstrategien.
Der komplette Artikel ist als Open Access verfügbar:
-
S. Malacek, J. Portela, Y. Werner, S. Wogrin (2025).
Generating building-level heat demand time series by combining occupancy simulations and thermal modeling.
Smart Energy
https://doi.org/10.1016/j.segy.2025.100181