Politecnico di Milano
Scuola di Ingegneria Industriale e dell’Informazione Corso di Laurea in Ingegneria Energetica
Calibrazione di un modello edificio-impianto
per la simulazione di una strategia di
risparmio energetico
Relatore
Dott.sa Adriana Angelotti
Tesi di laurea di:
Fabio Restelli Matr. 898336
Ringraziamenti
La prima persona che desidero ringraziare è la Professoressa Adriana Angelotti, per l’opportunità che mi è stata offerta, per i continui suggerimenti, ma soprattutto per la pazienza e la disponibilità che mi ha sempre dimostrato.
Un grande ringraziamento va ai ragazzi dello Studio Trezzi - 2TP, persone fantasti-che fantasti-che mi hanno accolto, mi hanno insegnato tutto quello fantasti-che potevano e soprattutto mi hanno spronato nell’intraprendere questo faticoso percorso di studi.
Desidero ringraziare la mia famiglia perché ha sempre creduto in me e si è sempre mostrata comprensiva, disponibile e che, in particolare mia sorella Chiara, più volte ha manifestato orgoglio nei miei confronti. Ringrazio i miei genitori per i sacrifici cui hanno dovuto far fronte e i miei nonni, i quali più volte mi hanno dato un motivo per proseguire questo lungo e tortuoso percorso.
Ringrazio tutti i miei amici, quelli di una vita e quelli conosciuti in Università, compagni di risate che mi hanno permesso di superare momenti difficili, aiutandomi a liberare la mente anche solo per poche ore.
Desidero infine ringraziare Marianna, per essermi stata vicino non solo quando tutto sembrava andare bene, ma soprattutto quando tutto sembrava buio e non si vedeva nessuna luce.
Riassunto Esteso
Introduzione
In vista degli obiettivi imposti dall’Unione Europea in termini di politiche ambientali [1, 2], la riqualificazione energetica degli edifici sta acquisendo sempre più importanza: il settore degli edifici è infatti responsabile di circa il 30% del consumo finale di energia primaria e di quasi il 40% delle emissioni [3]. In Italia questo tema assume un ruolo determinante, con il 60% dei soli edifici ad uso residenziale antecedenti alla prima legge sul risparmio energetico [4]. Per effetto della Energy Performance of Building Directive [5] e della sua revisione nel 2010 [6], a partire da Gennaio 2019 per il settore pubblico e da Gennaio 2021 per il settore privato, tutti gli edifici di nuova costruzione o soggetti a ristrutturazione importante dovranno essere concepiti secondo l’ottica NZEB. Riqualificare l’esistente portandolo alla qualifica NZEB rappresenta evidentemente una sfida.
Con queste premesse la simulazione energetica dinamica degli edifici acquista importanza crescente come strumento di progettazione. Le potenzialità di questo strumento sono elevate ma, nel caso di di simulazione dell’esistente, la procedura di calibrazione del modello su dati di monitoraggio si rende indispensabile per effettuare valutazioni affidabili. Numerosi sono in letteratura gli studi effettuati sull’argomento [7, 8, 9, 10] ma ancora oggi è marcata l’assenza di linee guida dettagliate o procedure standardizzate: non c’è accordo su quale sia l’approccio migliore (manuale o automa-tico), su quali siano i corretti indici statistici da utilizzare, esiste un’incertezza del software di simulazione [11] e la qualità dei dati di monitoraggio può essere messa in discussione; tutto questo rende il processo fortemente dipendente dal professionista che lo esegue.
Con l’avvento di sistemi edificio-impianto sempre più efficienti l’occupante assume un ruolo di primaria importanza nel determinare il comportamento dell’edificio. L’im-plementazione del suo comportamento all’interno di un software di simulazione non è tuttavia facile: esistono infatti diversi approcci (schedules, deterministici, probabilisti-ci) caratterizzati da differenti livelli di complessità e incertezza; in letteratura non c’è accordo su quale approccio sia il migliore, confermando la forte dipendenza della capacità del modello di predire la realtà dal caso studio e dall’indice di prestazione utilizzato [12, 13].
Il seguente lavoro si inserisce all’interno di un progetto di ricerca volto a delineare delle linee guida per la calibrazione, nel quale viene sviluppato un caso studio di calibrazione multistadio suddiviso in due parti successive: 1) calibrazione del modello di edificio 2) calibrazione del modello di edificio-impianto. La prima parte è stata oggetto di precedenti studi [10, 9] e questo lavoro si concentra sulla seconda, proponendo un
Figura 1: modello 3D del complesso residenziale [10]
Tabella 1: Caratteristiche note per l’impianto di riscaldamento
Temperatura di mandata Tin 50°C
Portata ˙m 1192 kg/h
Interasse dei tubi dx 20 cm Diametro esterno dei tubi δ 16 mm Regolazione pannello radiante ON/OFF Portata impianto di VMC 0,5 vol/h Temperatura di immissione 18°C
possibile approccio al problema. Alla calibrazione su un mese rappresentativo seguirà la derivazione di un modello stagionale che sarà utilizzato per valutare l’impatto di una strategia di risparmio energetico e dare così dimostrazione dell’utilizzo della simulazione dinamica sull’esistente.
Metodologia
Caso studio
Il caso studio si riferisce ad un edificio residenziale situato a Trento. L’edificio comprende 14 alloggi suddivisi su 5 piani e la procedura di calibrazione riguarda esclusivamente il secondo piano dell’edificio, il quale comprende tre appartamenti. L’involucro è caratterizzato da valori di trasmittanza delle pareti perimetrali pari a 0,13 W/(m2K) e finestre con triplo vetro basso-emissivo, la cui intercapedine è riempita con Argon, con trasmittanza del solo vetro pari a 0,6 W/(m2K).
L’impianto di riscaldamento è costituito da un sistema misto aria-acqua. Il carico sensibile è soddisfatto da un pannello radiante posto a pavimento servito da una caldaia a condensazione. Un impianto di ventilazione meccanica con recupero termico fornisce 0,5 vol/h di aria di rinnovo. In inverno, qualora la temperatura in uscita dal recuperatore sia inferiore a 18°C, interviene una resistenza di post-riscaldamento. Le caratteristiche dell’impianto di riscaldamento sono riportate in tabella 1. Gli occupanti sono liberi di interagire con il termostato, le finestre e i sistemi oscuranti. Un monitoraggio di lungo periodo ha reso disponibile la temperatura del piano analizzato e dei piani sotto e soprastanti, su base oraria, oltre che l’energia termica resa dal sistema radiante, su base giornaliera. Non si dispone di dati riferiti ai singoli appartamenti bensì di un dato medio di temperatura interna e del consumo totale al piano. I sensori di temperatura installati in ambiente hanno un’accuratezza di ± 0,5°C mentre per il contacalorie l’accuratezza non è nota, ma sulla base della rispondenza alla UNI EN 1434-1:2016 [14] è stata stimata nell’intervallo 4%-10%. I dati di climatici provengono invece da una stazione meteo installata nei pressi dell’area [15].
Riassunto esteso
Tabella 2: Due dei modelli calibrati durante il periodo in evoluzione libera [10]
Codice Descrizione RMSE [◦C]
Sim 58-14-11 Capacità termica al nodo d’aria (3v) e Spart= 1034 m2
Ventilazione se Text> 16°C ACH=2 vol/h 0,42 Carichi ridotti del 25% rispetto a norma UNI TS 11300-1
Sim 19-12-16 Capacità termica al nodo d’aria (5v) e Spart= 258,5 m2
Ventilazione se Text> 18°C ACH=2 vol/h 0,44 Chiusura oscuranti al superamento dei 300W/m2
Modellazione
La calibrazione del solo involucro [10, 9] è stata eseguita sul mese di Ottobre 2017 in evoluzione libera, tramite il software di simulazione dinamica TRNSYS. Il modello è stato realizzato in Google Sketchup (figura 1) e poi importato all’interno del software. Il secondo piano dell’edificio è stato suddiviso in due zone termiche: una per i tre appartamenti e l’altra per il vano scala. Le chiusure sono state descritte come da progetto e le condizioni al contorno per i piani sopra e sottostanti quello in esame sono state impostate imponendo uno scambio convettivo-radiativo con la temperatura derivante dal monitoraggio. I guadagni interni sono stati implementati tramite profili temporali rispettosi della UNI/TS 11300-1 [16] ma sfasati un’ora in anticipo. L’impianto di VMC immette aria alle condizioni termoigrometriche esterne alla portata di progetto. La calibrazione del solo involucro, che ha previsto un’analisi di sensitività su capacità termica dell’ambiente, specifiche dell’involucro, ricambi orari per ventilazione naturale, guadagni interni e gestione delle schermature solari, ha prodotto 4 modelli calibrati su Ottobre 2017 e validati su Agosto 2018 (tabella 2).
Nella seconda fase del lavoro il modello di edificio calibrato in evoluzione libera denominato SIM 19-12-16 è stato sviluppato con l’implementazione del sistema di emissione in ambiente. Il pavimento radiante è stato descritto secondo le informazioni di progetto (tabella 1), ipotizzando un numero di circuiti pari a 17 e una conducibilità termica del tubo di 0,35 W/(mK). Per rispettare i vincoli imposti da TRNSYS per la descrizione del pavimento radiante [17] lo strato di massetto interessato, da progetto con uno spessore di 4 cm, è stato modificato con uno spessore di 6,8 cm e le seguenti proprietà termofisiche equivalenti: 1,96 W/(mK) per la conducibilità, 1381 kg/m3 per la densità e 767 J/(kgK) per il calore specifico. Il termostato è stato impostato inizialmente con un set-point di 22,5°C e bande morte di ± 0,5°C. L’impianto di VMC è stato supposto immettere una portata costante di 0,5 vol/h alla temperatura di progetto pari a 18°C. Questa è una descrizione semplificata che ha caratterizzato la prima fase della calibrazione. Durante la successiva costruzione del modello stagionale è stato invece modellato esplicitamente il recuperatore attribuendogli un’efficienza di scambio ε∗ = ε
s m˙esp/ ˙mimm, con εs efficienza di scambio termico sensibile per scambiatore bilanciato, ˙mesp portata di espulsione e ˙mimm portata di rinnovo. É stata considerata un’efficienza "corretta" in quanto nè l’efficienza di scambio termico sensibile nè l’entità dello sbilanciamento (l’edificio è stato supposto in leggera sovrapressione) sono noti. Il valore di questa efficienza di scambio è stato ipotizzato costante per tutto il periodo di valutazione, ipotesi supportata da [18, 19]. La ventilazione naturale è stata descritta tramite l’utilizzo di profili temporali con valori di ricambio orario sia costanti, sia variabili, calcolati secondo quanto proposto dalla norma UNI EN
15242:2008 [20], ai quali è stato applicato un coefficiente di contemporaneità Fc (0,25 e 0,35) per tenere conto del fatto che non tutte le finestre saranno aperte nello stesso momento. Approcci probabilistici per l’interazione occupante-finestre presenti in letteratura [21, 22, 23, 24, 25] sono stati ritenuti non applicabili al caso in esame. Fasi del lavoro
Il lavoro di calibrazione ed utilizzo del modello edificio-impianto è stato suddiviso in tre fasi: 1) calibrazione del sistema edificio-impianto sul periodo 28/11-18/12; 2) estensione del modello a tutta la stagione invernale; 3) simulazione di una strategia di risparmio energetico. Nelle fasi 1 e 2 ci si è riferiti alla sola energia termica resa dal sistema radiante. Nella fase 3, per rendere confrontabili i consumi termici del sistema radiante ed elettrici della VMC, si è proceduto al calcolo dell’energia primaria.
La prima fase è consistita in un’analisi di sensitività del modello, con successiva combinazione di più parametri per la definizione di modelli calibrati sul mese di Dicembre 2017. L’analisi di sensitività ha riguardato innanzitutto la variazione di parametri impiantistici: temperatura di mandata dell’acqua (da 38°C a 52°C ), portata del circuito radiante (da 952 a 1432 kg/h), interasse dei tubi (15 cm e 17 cm), portata d’aria dell’impianto di VMC (da 0,35 a 0,70 vol/h) e sua temperatura di immissione (costante ad un valore più basso di 18°C o, nell’ipotesi di post-riscaldamento non funzionante, calcolata con ε∗ tra 50% e 70%). Contrariamente a quanto atteso si è ottenuto che i parametri impiantistici hanno influenza modesta sul comportamento del sistema edificio-impianto, l’attenzione si è quindi spostata prima verso parametri legati all’involucro, variati nella stessa misura di quanto fatto in [10] nel tentativo di aumentare le dispersioni, e dopo verso parametri legati agli occupanti, tra cui: impostazione del termostato, apertura delle finestre e profili di guadagni interni.
La seconda fase ha previsto la costruzione di quattro modelli, classificati sulla base del livello di dettaglio ("base" e "dettagliato") e dell’efficienza corretta di scambio ε∗, in questa fase modellata esplicitamente considerando due valori, 50% e 70%. Il modello base è stato derivato mediante semplice estensione di uno dei modelli calibrati ottenuti durante la prima fase. Il modello dettagliato è stato ottenuto in parallelo con un raffinamento di tale modello, prima derivando modelli dedicati per Novembre e Marzo, poi raffinando ulteriormente solo su periodi superiori a 15 giorni.
La terza fase ha visto la valutazione dell’impatto della strategia di risparmio implementata con i quattro modelli stagionali costruiti. Per il consumo termico è stato considerato un rendimento globale pari a 0,94 e un fattore di conversione in energia primaria del gas naturale pari a 1,05 [26]. I consumi elettrici per post-riscaldamento sono stati calcolati tramite l’output di TRNSYS mentre quelli dovuti ai ventilatori sono stati considerati pari a 28 W/unità. L’energia elettrica totale è stata poi moltiplicata per il corrispettivo fattore di conversione, pari a 2,42 [26].
Indici per valutare a bontà dei modelli
La prima fase del lavoro ha comportato la minimizzazione degli scarti tra risultati della simulazione e dati di monitoraggio, in particolare dello scarto quadratico medio in temperatura RMSET, equazione (1), e del coefficiente di variazione dello scarto quadratico medio giornaliero per i consumi cv(RMSEE), equazione (2) [27]. Per la
Riassunto esteso creazione dei modelli stagionali, la difficoltà nel riprodurre il profilo giornaliero di consumo ha condotto al calcolo del coefficiente cv(RMSEE) settimanale e mensile.
RM SET (E)= rPn i=1(Mi− Si)2 N [ ◦C] ([kW h]) (1) cv(RM SEE,periodo) = RM SEE,periodo Aperiodo 100 [%] (2)
Mi e Si rappresentano le grandezze misurate e simulate all’istante i-esimo, N indica il numero degli istanti di tempo considerati e Aperiodo è il consumo medio giornaliero nel periodo considerato.
Risultati
I risultati del modello edificio-impianto base, rappresentati per maggiore leggibilità solo per la terza settimana del periodo di calibrazione, sono riportati in figura 2. Il modello è caratterizzato da un RMSET pari a 0,7°C e da un cv(RMSEE) pari a 92%; il consumo simulato è di 0,73 kWh/m2 a fronte di un consumo monitorato di 6,75 kWh/m2. Nella simulazione l’impianto si accende in 6 giorni su 21 mediamente per soli 52 minuti circa al giorno. I picchi di temperatura interna simulati dal modello nelle ore serali sono dovuti all’apporto dei guadagni interni, il cui picco inizia alle ore 16:00. Il contributo della ventilazione naturale è assente poiché si attiva quando la temperatura esterna supera i 18°C (tabella 2), situazione che mai si verifica nel periodo considerato. Quindi il modello base coglie relativamente bene l’andamento della temperatura interna, ma sottostima drasticamente l’energia termica resa dal sistema di riscaldamento.
I risultati dell’analisi di sensitività sono riportati nelle figure 3 e 4. Contrariamente alle aspettative i parametri relativi all’impianto di riscaldamento hanno influenza modesta sui consumi, con un cv(RMSEE) prossimo a quello del caso base, ad eccezione delle SIM036 e SIM037, caratterizzate però dalla forte ipotesi che il post-riscaldamento non funzioni e ε∗ sia pari rispettivamente a 50% e 55%. Anche la sensitività ai parametri legati all’involucro ha portato a scarsi risultati, con un cv(RMSEE) minimo pari a 80%. Le variazioni della capacità termica dell’ambiente, in particolare la SIM044 e SIM045 hanno migliorato drasticamente RMSET, pari rispettivamente a 0,53°C e 0,54°C. La svolta è rappresentata dai modelli che implementano la ventilazione
0 1 21 22 23 24 ON/ OFF Tem p er at u ra [° C] Misurato Simulato ON/OFF simulato
(a)Temperatura ambiente e attivazione impianto radiante 0 20 40 60 80 100 Con su mo [K Wh ] Misurato Simulato (b)Consumo giornaliero
Figura 2: Risultati modello base edificio-impianto per la terza settimana del periodo di calibrazione a confronto con i dati di monitoraggio
0 10 20 30 40 50 60 70 80 90 100 SIM 0 00 SIM 0 02 SIM 0 03 SIM 0 04 SIM 0 05 SIM 0 06 SIM 0 07 SIM 0 08 SIM 0 09 SIM 0 10 SIM 0 11 SIM 0 12 SIM 0 13 SIM 0 14 SIM 0 15 SIM 0 16 SIM 0 17 SIM 0 18 SIM 0 20 SIM 0 21 SIM 0 22 SIM 0 23 SIM 0 24 SIM 0 25 SIM 0 26 SIM 0 27 SIM 0 36 SIM 0 37 SIM 0 38 SIM 0 39 SIM 0 40 SIM 0 41 SIM 0 46 SIM 0 47 cv( RM SE ) [%]
Figura 3: cv(RMSEE) ottenuto con la variazione dei parametri impiantistici (in blu il caso
base) 0 10 20 30 40 50 60 70 80 90 100 SI M 0 00 SI M 0 34 SI M 0 35 SI M 0 64 SI M 0 65 SI M 0 28 SI M 0 29 SI M 0 30 SI M 0 31 SI M 0 56 SI M 0 57 SI M 0 58 SI M 0 59 SI M 0 60 SI M 1 05 SI M 1 06 SI M 1 07 SI M 1 08 SI M 0 32 SI M 0 33 SI M 0 54 SI M 0 55 SI M 0 68 SI M 0 42 SI M 0 43 SI M 0 44 SI M 0 45 cv( R M SE) [ % ]
Figura 4: cv(RMSEE) ottenuto con la variazione dei parametri di involucro (in verde) e
occupazionali (in arancio). In blu il caso base
naturale: la SIM056 con apertura delle finestre dalle 7 alle 17 e un ricambio di 1 vol/h raggiunge un cv(RMSEE) di 21%, drasticamente migliorato rispetto al caso base. Le altre simulazioni che prevedono la ventilazione naturale, dalla SIM058 alla SIM060, con diversi valore del ricambio orario (0,5 vol/h e 0,75 vol/h) sono state scartate perché caratterizzate da cv(RMSEE) superiori al 30% (figure 4 e 5). La SIM056 vede tipicamente nella giornata una prima accensione dell’impianto successivamente all’apertura delle finestre e una seconda accensione verso le 17, ora in cui i guadagni interni sono massimi determinando un forte innalzamento della temperatura: RMSET raggiunge infatti il valore di 1,60°C. Sempre in figura 4 sono riportati i risultati dei modelli che hanno implementato il calcolo della portata di ricambio orario secondo l’approccio normativo (dalla SIM105 alla SIM108). Per questi modelli cv(RMSEE) non scende mai sotto il 30% ed è in generale superiore al 40%; RMSET è sempre superiore a 1,5°C. L’approccio semplificato con portata di ricambio costante è risultato quindi preferibile rispetto a quello normativo.
A seguito di queste considerazioni la SIM056 è stata combinata con diversi
pa-21 22 23 24 25 26 27
12-dic-17 13-dic-17 14-dic-17 15-dic-17 16-dic-17 17-dic-17 18-dic-17 19-dic-17
Tem p er at u ra [° C]
Tmisurata SIM 000 SIM 056 SIM 057 SIM 058
(a)Temperatura ambiente
0 20 40 60 80 100
12-dic-17 13-dic-17 14-dic-17 15-dic-17 16-dic-17 17-dic-17 18-dic-17
Con su mo [ kWh ]
Cmisurato SIM 000 SIM 056 SIM057 SIM 058
(b) Consumo giornaliero
Figura 5: Risultati simulazioni con ventilazione naturale (SIM056 1 vol/h 7-17, SIM057 1 vol/h 7-15, SIM058 0,5 vol/h 7-17) a confronto con i dati di monitoraggio
Riassunto esteso
Tabella 3: Modelli con combinazione di tre parametri. In tutti la ventilazione naturale è pari a 1 vol/h dalle 7:00 alle 17:00
Codice Descrizione RMSET [◦C] cv(RMSEE) [%]
SIM 077 Cap. termica al nodo d’aria (3v) e Spart=258,5 m2 1,01 23,38
Guadagni interni -50% rispetto a UNI TS 11300-1
SIM 078 Cap. termica al nodo d’aria (5v) e Spart=1034 m2 0,88 26,65
Guadagni interni -50% rispetto a UNI TS 11300-1
SIM 079 Post-risc. non funzionante, recupero con ε∗= 0, 50 0,97 34,26
Guadagni interni -50% rispetto a UNI TS 11300-1
SIM 094 Cap. termica al nodo d’aria (5v) e Spart=1034 m2 0,83 27,79
Post-risc. non funzionante, recupero con ε∗= 0, 50
Tabella 4: Modelli di ottimo; tutti presentano: ventilazione naturale pari a 1 vol/h dalle 7:00 alle 17:00; cap. termica al nodo d’aria (5v) e Spart=1034 m2; Tset=22°C
Codice Descrizione RMSET [◦C] cv(RMSEE) [%]
SIM 088 ρmassetto=1902 kg/m3 0,55 18,05
Guadagni interni -50% rispetto a UNI/TS 11300-1
SIM 093 Inerzia dell’impianto radianteGuadagni interni -50% rispetto a UNI/TS 11300-1 0,57 21,41 SIM 097 Inerzia dell’impianto radiantePost-riscaldamento non funzionante con ε∗= 0, 50 0,57 21,02
rametri, tra cui la diminuzione dei guadagni interni, il mancato funzionamento del post-riscaldamento, diversi valori di capacità termica dell’ambiente e un valore di set-point più basso, dato che il modello sovrastima la temperatura (figura 5). Le prime due variazioni sono state pensate per migliorare cv(RMSEE), mentre le ultime due per migliorare RMSET: quest’ultimo migliora scendendo da 1,60°C a valori compresi tra 0,99°C e 1,23°C, mentre cv(RMSEE) peggiora leggermente, arrivando ad un massimo di 27%. Considerando che cv(RMSEE) si trova ancora al di sotto del 30% questo peggioramento è stato considerato accettabile in favore di una migliore descrizione della temperatura.
I modelli con combinazione di 2 parametri sono stati combinati tra loro per ottenere modelli con combinazione di 3 parametri. Modelli che sovrastimano i consumi, i quali prevedono il dimezzamento dei guadagni interni o il mancato funzionamento del post-riscaldamento, sono stati combinati con modelli che prevedono la variazione della capacità termica, i quali sottostimano i consumi e migliorano l’accordo in temperatura.
I modelli ottenuti sono 4 (tabella 3) e definendo una soglia di 1°C per RMSET e di 30% per cv(RMSEE) il numero si riduce a 2 (SIM078 e SIM094). Per tali modelli l’errore medio MBE negativo e pari a -0,64°C indica che la temperatura è ancora sovrastimata; abbassando la temperatura del termostato da 22,5°C a 22°C, si è ottenuto un cv(RMSEE) invariato rispetto ai modelli precedenti ed un RMSET al di sotto di 0,6°C, prossimo quindi al valore di accuratezza dello strumento di misura. I modelli così ottenuti, pur essendo stati giudicati accettabili in termini di rappresentatività, sono stati raffinati con parametri che inizialmente non erano stati previsti: l’inerzia dell’impianto, descritta con un ritardo di 15 minuti nel suo azionamento, e una maggiore densità del massetto, per tenere conto della capacità termica dell’acqua contenuta nelle tubazioni e di un eventuale densità maggiore del massetto stesso. I risultati
21 22 22 23 23 24 24
12-dic-17 13-dic-17 14-dic-17 15-dic-17 16-dic-17 17-dic-17 18-dic-17 19-dic-17
Tem p er at u ra [° C]
Tmisurata SIM 088 SIM 093 SIM 097
(a)Temperatura ambiente
20 40 60 80 100
12-dic-17 13-dic-17 14-dic-17 15-dic-17 16-dic-17 17-dic-17 18-dic-17
C
on
sumo
[k
Wh]
Cmisurato SIM 088 SIM 093 SIM 097
(b) Consumo
Figura 6: Risultati dei modelli di edificio-impianto calibrati sul mese di Dicembre 2017
0,0 0,5 1,0 1,5 2,0 20 20,5 21 21,5 22 22,5 23 Ric amb io or ario [1 /h ] Se t-p o in t T [°
C] Tset-point Ricambio orario
mattina pomeriggio
Figura 7: Profili temporali per il modello stagionale dettagliato
sono 3 modelli calibrati (figura 6) la cui descrizione è riportata in tabella 4. I modelli calibrati prevedono tipicamente un’accensione giornaliera dell’impianto radiante nelle ore mattutine, per una durata che generalmente non supera le tre ore, successivamente all’apertura delle finestre. I consumi variano da un minimo di 6,38 kWh/m2 ad un massimo di 6,54 kWh/m2, con una sottostima massima rispetto ai consumi misurati del 6,4%, compatibile con l’accuratezza del sistema di contabilizzazione.
L’estensione del modello SIM093 all’intera stagione invernale costituisce il modello stagionale base. I profili temporali che caratterizzano invece il modello stagionale dettagliato sono riportati in figura 7. L’innalzamento di Tset a Marzo non è facilmente interpretabile, tuttavia la temperatura interna monitorata in questo mese risulta più alta di circa mezzo grado rispetto ai periodi precedenti, non scendendo mai sotto i 22,5°C, con condizioni climatiche esterne del tutto comparabili a quelle di Novembre così come i consumi (5,11 kWh/m2 a Novembre e 5,05 kWh/m2 a Marzo). Dalla tabella 5 si nota chiaramente come il modello dettagliato riproduca meglio il comportamento monitorato e come la differenza di efficienza di scambio del recuperatore non influisca significativamente sui risultati. Il cv(RMSEE,mensile) è ampiamente sotto quello proposto da ASHRAE pari a 15% [28, 27]. Sorprendentemente anche il cv(RMSEE,sett) si trova al di sotto di tale limite, indicando quindi che il modello descrive bene
Tabella 5: Indici statistici per i 4 modelli stagionali costruiti
Base Dettagliato Efficienza ε∗ 50% 70% 50% 70% RMSET [◦C] 0,88 0,87 0,64 0,62 cv(RMSEE,mensile) [%] 23,60 22,93 7,78 6,82 cv(RMSEE,sett) [%] 31,13 30,33 14,95 14,23 MBEE[%] -22,04 -20,83 -1,82 0,13
Riassunto esteso -50 -40 -30 -20 -10 0 50% 70% 50% 70% Dettagliato Base V aria zion e [% ]
Termico Elettrico Totale
Figura 8: Variazione percentuale di energia primaria stagionale a seguito dell’intervento Tabella 6: Consumi di energia primaria stagionale prima e dopo l’intervento
Modello Base Dettagliato
Efficienza ε∗ 50% 70% 50% 70%
Prima [kWhEP/m2] 75,59 61,21 68,22 53,85 Dopo [kWhEP/m2] 53,59 44,57 48,17 38,95 Variazione [%] -29,11 -27,19 -29,39 -27,68
l’energia termica resa in ambiente per tutta la stagione. l’RMSET è superiore al limite prefissato di 0,6°C ma non eccessivamente. Tuttavia il modello stagionale dettagliato non descrive bene i periodi ai margini della stagione di riscaldamento: scorporando dal calcolo la prima settimana di Novembre, ad esempio, i risultati migliorano, con cv(RMSEE,mensile) pari a 4% ed RMSET pari a 0,58°C. Questi valori si riferiscono al modello con ε∗ pari a 70% ma sono analoghi al caso con ε∗ pari a 50%.
La strategia di risparmio implementata tiene conto del comportamento poco vir-tuoso dell’occupante cercando di limitarne i "danni": durante l’apertura delle finestre la ventilazione meccanica viene spenta e il set-point dell’impianto di riscaldamento è abbassato a 16°C. Prima dell’intervento il consumo elettrico rappresenta il 36%-40% del consumo totale di energia primaria nei modelli con ε∗=50%, mentre pesa per il 21%-26% nel caso ε∗=70%; il modello base stima un consumo di energia primaria più alto tra il 10% (ε∗=50%) e il 14% (ε∗=70%) rispetto al modello dettagliato.
I risultati della strategia di intervento in termini di variazione percentuale di energia primaria sono riportati in figura 8. Sorprendentemente i modelli base e dettagliato, caratterizzati da livelli di dettaglio molto diversi, conducono a risultati simili in termini percentuali: in questo senso gli sforzi compiuti per il raffinamento del modello stagionale appaiono poco giustificati. Questo risultato può derivare dal tipo di strategia implementata ed è possibile che un diverso intervento sia invece più sensibile all’accuratezza del modello con cui è simulato. Dal punto di vista della variazione di energia primaria in termini assoluti i risultati sono invece diversi, con il modello base che nuovamente stima consumi più alti tra l’11% e il 14% (tabella 6). A pari livello di dettaglio la differenza di ε∗ porta ad una variazione percentuale simile e questo può essere inteso come indice dell’affidabilità della predizione. In termini assoluti i consumi sono diversi, in particolare più alti per il caso ε∗=50% perché il post-riscaldamento deve soddisfare una maggiore richiesta termica. In generale la stategia di risparmio ha portato ad una diminuzione dei consumi globali notevole, poco inferiore al 30%.
Conclusioni
La procedura di calibrazione del modello edificio-impianto sul periodo 28/11-18/12 ha prodotto 3 modelli calibrati. Questi possono ridotti a due se si pensa che due di questi (SIM088 e SIM093) sono molto simili tra loro e il parametro che li differenzia è risultato di un raffinamento. I modelli relativi al solo edificio di partenza ottenuti in [10] sono invece 4: la riduzione da 4 a 2 modelli può essere vista come indice che la tecnica di calibrazione multistadio è utile a ridurre le incertezze del processo di calibrazione. Contrariamente a quanto atteso, i parametri relativi all’impianto di riscaldamento si sono rivelati poco influenti sul comportamento del sistema edificio-impianto, al contrario dei parametri legati all’occupazione, in particolare l’interazione fra occupante e finestre. La variazione di parametri impiantistici porta ad un accordo in termini di temperatura accettabile ma contemporaneamente ad un grande disaccordo sui consumi. La ventilazione naturale, di contro, determina il comportamento opposto. Da questi risultati si evince la necessità di calibrare su più parametri di confronto, per evitare che i risultati vengano male interpretati. Il fatto che i parametri legati all’occupazione siano determinanti trova riscontro nella letteratura scientifica, dove l’occupante è spesso identificato come principale responsabile del comportamento del sistema edificio-impianto.
Per quanto riguarda la strategia di risparmio simulata, il risultato che modelli caratterizzati da diversi livelli di dettaglio conducano a risultati simili, in termini di variazione percentuale, è un esito inaspettato. Nonostante queste considerazioni il modello stagionale dettagliato può affermarsi come possibile rappresentazione della realtà e il fatto che con diversi valori di ε∗ si raggiungano risultati molto simili indica l’affidabilità della predizione.
Il limite principale che caratterizza il modello è la difficile interpretazione di alcuni comportamenti dell’occupante che vi sono implementati, vale a dire l’apertura così prolungata delle finestre e l’innalzamento del set-point nel mese di Marzo. Sicura-mente cercare di riprodurre il comportamento medio di 3 nuclei familiari di utenti potenzialmente molto diversi, ha rappresentato un forte limite di partenza per la calibrazione. Inoltre l’interazione dell’utente con le finestre potrebbe dipendere da altri parametri, ad esempio la CO2, vista da Andersen et al. [25] come il principale driver, ma non monitorati nel caso in esame. Ulteriori indagini in sito potrebbero aiutare a comprendere l’affidabilità del comportamento descritto. Un altro modo per determinare l’affidabilità della predizione potrebbe essere quello di creare un modello stagionale con un altro dei modelli calibrati sul mese di Dicembre 2017. Qualora la previsione di risparmio risultasse simile l’affidabilità della predizione si rafforzerebbe, in caso contrario ulteriori indagini in sito potrebbero far luce su quale dei modelli ottenuti sia il più affidabile.
Lo studio svolto si propone come esempio della difficoltà di riprodurre il compor-tamento di un sistema edificio-impianto esistente, dato l’alto grado di incertezza che caratterizza il sistema stesso. Conferma inoltre la necessità di comprendere più appro-fonditamente il processo di interazione dell’occupante con il sistema edificio-impianto, nell’interesse di una progettazione più consapevole.
Indice
Ringraziamenti iii
Riassunto Esteso vii
Sommario xix
Abstract xxi
1 Introduzione 1
1.1 Gli obiettivi di efficientamento energetico nel settore edilizio . . . 1
1.2 La simulazione energetica dinamica . . . 4
1.2.1 La modellazione del comportamento dell’occupante . . . 6
1.3 La calibrazione . . . 9
1.4 Calibrazione multistadio: il primo passaggio e l’obiettivo della tesi . . 12
2 TRNSYS 15 2.1 Il bilancio termico di zona . . . 16
2.1.1 Scambio termico relativo alle pareti opache e semistrasparenti 17 2.1.2 Soluzione del bilancio . . . 20
2.2 Il sistema di riscaldamento radiante . . . 21
2.2.1 Soluzione nel piano x − y . . . 23
2.2.2 Resistenza termica conduttiva e convettiva della tubazione . . 26
2.2.3 Temperatura media dell’acqua . . . 27
2.2.4 Resistenza totale e validazione del modello . . . 29
2.3 Altri componenti . . . 32
2.3.1 Type 2: controllo differenziale . . . 32
2.3.2 Type 9: lettore di file esterni . . . 33
2.3.3 Type 16: processore di radiazione solare . . . 34
2.3.4 Type 33e e Type 69b: diagramma psicrometrico e temperatura del cielo . . . 35
2.3.5 Type 93 . . . 36
2.3.6 Calcolatrici . . . 36
3 Caso studio: descrizione dell’edificio e sua modellazione 37 3.1 Descrizione dell’edificio . . . 37
3.2 Dati di monitoraggio . . . 39
3.2.1 Monitoraggio variabili climatiche . . . 40
3.3 Calibrazione del modello di edificio . . . 43
3.4 Sviluppo del modello edificio-impianto . . . 46
3.4.1 Scelta del periodo di calibrazione . . . 46
3.4.2 Modellazione dell’impianto misto sistema radiante - aria . . . 48
3.4.3 Dall’energia scambiata in ambiente all’energia primaria . . . . 51
3.4.4 Ventilazione naturale . . . 53
3.4.5 Passaggio alla descrizione geometrica manuale . . . 54
3.4.6 Discretizzazione temporale . . . 55
3.5 Indici per valutare la bontà della calibrazione . . . 56
3.6 Caratteristiche del modello edificio-impianto di partenza . . . 58
4 Risultati 59 4.1 Modello base edificio-impianto . . . 61
4.2 Variazione parametri impiantistici . . . 62
4.2.1 Parametri relativi al sistema radiante . . . 62
4.2.2 Parametri relativi al sistema VMC . . . 65
4.3 Variazione parametri di involucro e di capacità termica . . . 67
4.4 Variazione parametri occupazionali . . . 70
4.4.1 Parametri relativi al termostato . . . 71
4.4.2 Parametri relativi ai guadagni interni . . . 72
4.4.3 Parametri relativi alla ventilazione naturale . . . 73
4.5 Ricerca delle soluzioni di ottimo . . . 75
4.5.1 Combinazione di due parametri . . . 77
4.5.2 Combinazioni di 3 parametri e modelli di ottimo . . . 79
4.5.3 Un altro approccio per la ventilazione naturale . . . 85
4.6 Composizione del modello stagionale . . . 87
4.7 Simulazione di una strategia di risparmio . . . 94
Conclusioni 99 Limiti del modello e possibili sviluppi . . . 102
Appendice A 103 A.1 Simulazioni con variazione di 1 parametro . . . 103
A.2 Simulazioni con variazione di 2 parametri . . . 109
A.3 Simulazioni con variazione di 3 parametri . . . 112
A.4 Simulazioni con variazione di 5 parametri . . . 113
Elenco delle figure 115
Elenco delle tabelle 119
Nomenclatura 121
Sommario
Il progetto PRIN 2015 " Riqualificazione del parco edilizio esistente in ottica NZEB (Nearly Zero Energy Building): costruzione di un network nazionale per la ricerca" ha l’obiettivo di trovare soluzioni integrate per la trasformazione degli edifici esistenti in NZEB. Questo lavoro di tesi si inserisce all’interno di questo progetto coadiuvando lo sviluppo di linee guida per l’uso della simulazione dinamica del costruito per riqualificarlo in ottica NZEB. In particolare, utilizzando il software TRNSYS e partendo da un modello di edificio già sviluppato, viene svolta la calibrazione del modello di edificio-impianto di un piano intermedio di una palazzina situata a Trento (TN), tramite un approccio manuale multistadio. La variazione dei parametri impiantistici, quali ad esempio la temperatura di mandata e la portata circolante nel circuito, inizialmente ritenuti i più importanti, non è risultata determinante nel descrivere il comportamento del sistema edificio-impianto. Questo ha portato a variare parametri di involucro e legati all’occupazione. Quest’ultimi, contro le aspettative iniziali, si sono rivelati i più influenti. Il processo di calibrazione, durante il quale per valutare la bontà dei modelli sono stati utilizzati indici statistici come l’errore medio (MBE) e lo scarto quadratico medio (RMSE), è terminato con il raggiungimento di 3 differenti modelli di ottimo, il cui fattore determinante è l’interazione tra l’occupante e l’apertura delle finestre. Dopo aver scelto uno dei modelli di ottimo ottenuti, questo è stato esteso a tutta la stagione invernale, derivando così un modello stagionale "base". Un secondo modello stagionale è stato ottenuto tramite un raffinamento del modello base ottenendo così un modello "dettagliato". Il raffinamento è stato eseguito variando solo parametri legati all’occupazione, ritenendo altri parametri, come ad esempio la capacità termica dell’ambiente o le caratteristiche di involucro, propri dell’edificio e quindi non variabili da un periodo ad un altro. Entrambi questi modelli sono stati utilizzati per valutare l’impatto di una strategia di intervento, che tiene in considerazione il comportamento dell’occupante medio relativamente all’apertura delle finestre ed è volta a diminuire il consumo di energia. Sorprendentemente le previsioni ottenute con i due modelli stagionali, caratterizzati da diversi livelli di dettaglio, portano a risultati molto simili, ovvero la possibilità di ridurre i consumi di energia primaria di circa il 30%.
Parole Chiave
Simulazione energetica dinamica degli edifici; calibrazione; comportamento dell’occu-pante.
Abstract
The project PRIN 2015 " Riqualificazione del parco edilizio esistente in ottica NZEB (Nearly Zero Energy Building): costruzione di un network nazionale per la ricerca" aims to find integrated solutions to lead existing buildings towards a Nearly Zero Energy Building concept. This thesis work is part of the PRIN 2015 project and is meant to contribute to the development of calibration guidelines in dynamic building energy simulation of existing buildings. The heating system calibration of a residential building located in the city of Trento (TN) is performed through a manual multistage approach using the software TRNSYS. Windows opening by occupants has been identified as the most significant parameter in describing the building behaviour, instead of heating systems parameters such as heating supply temperature and mass flow rate, as it would be expected. The accuracy of the various models has been investigated thanks to statistical indexes such as Mean Bias Error (MBE) and Root Mean Square Error (RMSE). The calibration process resulted in three different models, each of them strongly characterized by the interaction between occupants and windows. A seasonal model, named "base", has been developed selecting one of the calibrated models and extending it to the entire Winter season. A "detailed" model was then developed starting from the base one and varying only occupational parameters. Other parameters such as ambient thermal capacity or envelope thermophysics characteristics, varied during the calibration process, were not varied anymore because they are building properties and cannot change from month to month. Both seasonal models have been used to perform an energy saving strategy, taking into account the average occupant’s interaction with windows, that should lead to a reduction in primary energy consumption. Surprisingly the two models, characterized by different detail level, lead to similar results, namely the possibility to reduce the primary energy consumption roughly by 30%.
Keywords
Capitolo 1
Introduzione
1.1
Gli obiettivi di efficientamento energetico nel
set-tore edilizio
Nel 2007 i leader dell’Unione Europea si sono riuniti al fine di fissare gli obiettivi al 2020 in termini di politiche ambientali, cercando da un lato di incentivare una maggiore attenzione nei confronti dell’ambiente e dall’altro di muoversi verso la riduzione della dipendenza energetica da Paesi extraeuropei. Il risultato di questo incontro è il cosiddetto pacchetto Clima-Energia, i cui obiettivi al 2020 sono indicati all’interno della Direttiva Europea 2009/29/CE [1]:
1. riduzione delle emissioni di gas serra del 20% rispetto al 1990;
2. copertura di almeno il 20% del fabbisogno energetico nazionale da fonti rinnova-bili;
3. miglioramento del 20% dell’efficienza energetica rispetto al 1990.
Nel 2018 i leader politici si sono nuovamente riuniti per impostare la strategia futura e stabilire gli obiettivi al 2030. Si tratta essenzialmente degli stessi obiettivi ma con traguardi più stringenti. Le emissioni dovranno essere ridotte del 40% rispetto al 1990, le fonti rinnovabili dovranno coprire il 32% del fabbisogno energetico nazionale e l’efficienza energetica dovrà portare ad una riduzione dei consumi pari ad almeno il 32,5% [2].
In questo contesto gli edifici giocano un ruolo cruciale in quanto responsabili del 30% del consumo finale di energia primaria e di quasi il 40% delle emissioni di gas climalteranti [3]. Risulta quindi evidente come un’attenta politica di efficientamento energetico degli edifici possa portare a risultati notevoli in termini di riduzione sia dei consumi sia delle emissioni di gas serra. Nel 2002 viene pubblicata la Energy Performance of Building Directive (EPBD) [5], la prima direttiva internazionale sul tema dell’efficientamento energetico degli edifici. Nel 2010 viene pubblicata una sua revisione, la Energy Performance of Building Directive 2010/31/UE (EPBD recast) [6], che oltre a ribadire i requisiti di prestazione energetica degli edifici, introduce il concetto di Nearly Zero Energy Building (NZEB). L’articolo 2 della Direttiva recita "«edificio a energia quasi zero»: edificio ad altissima prestazione energetica, determinata conformemente all’allegato I. Il fabbisogno energetico molto basso o
Capitolo 1. Introduzione
Depending on the variety of packages considered, it is usually unlikely to form an exact curve, but rather a “cloud” of points, each corresponding to a different package of EEMs, that is a different building design alternative. The cost-optimum is the lowest point on this graph and the cost-optimal energy performance is the one corresponding to that point. MS should implement policies that are able to move that point to the left.
Figure 3 depicts, within the cost-optimal curve, the gaps, both at financial and energy level, from the cost-optimal level, the actual minimum law requirement, and the future NZEB target, respectively.
Figure 3. Energy, environmental, and financial gaps in cost-optimal calculations.
Figura 1.1: Scostamento tra livello ottimale di costo, NZEB e situazione attuale [30]
quasi nullo dovrebbe essere coperto in misura molto significativa da energia da fonti rinnovabili, compresa l’energia da fonti rinnovabili prodotta in loco o nelle vicinanze" [6]. In breve si definisce NZEB un edificio ad alte prestazioni energetiche il cui fabbisogno energetico è basso e coperto in misura significativa da energia da fonti rinnovabili. La direttiva non introduce nessun criterio quantitativo per stabilire se un edificio possa essere considerato NZEB, introduce però il concetto di "cost-optimality". Il livello ottimale in funzione dei costi viene definito sempre nell’articolo 2 della Direttiva 2010/31/UE come "livello di prestazione energetica che comporta il costo più basso durante il ciclo di vita economico stimato, dove:
a) il costo più basso è determinato tenendo conto dei costi di investimento legati all’energia, dei costi di manutenzione e di funzionamento (compresi i costi e i risparmi energetici, la tipologia edilizia interessata e gli utili derivanti dalla produzione di energia), se del caso, e degli eventuali costi di smaltimento b) il ciclo di vita economico stimato è determinato da ciascuno Stato membro.
Esso si riferisce al ciclo di vita economico stimato rimanente di un edificio nel caso in cui siano stabiliti requisiti di prestazione energetica per l’edificio nel suo complesso oppure al ciclo di vita economico stimato di un elemento edilizio nel caso in cui siano stabiliti requisiti di prestazione energetica per gli elementi edilizi
Il livello ottimale in funzione dei costi si situa all’interno della scala di livelli di prestazione in cui l’analisi costi-benefici calcolata sul ciclo di vita economico è positiva" [6]. Idealmente i requisiti minimi di prestazione energetica degli edifici dovrebbero coincidere con i livelli ottimali in funzione dei costi ma, poiché il calcolo non tiene conto di benefici come la creazione di posti di lavoro, l’aumento della produttività, il miglioramento della salute degli occupanti e l’aumento del valore degli immobili, gli Stati membri possono decidere di fissare requisiti di prestazione energetica superiori al livello ottimale in funzione dei costi (figura 1.1)[29].
In Italia la Direttiva 2002/91/CE viene recepita tramite il decreto legislativo n. 192 del 19 Agosto 2005. La successiva Direttiva 2010/31/UE viene invece recepita tramite il decreto legge n. 63 del 2013, convertito nella legge n. 90 del 2013. Tale
1.1. Gli obiettivi di efficientamento energetico nel settore edilizio 0 500.000 1.000.000 1.500.000 2.000.000 2.500.000 Prima del 1918 dal 1919 al 1945 dal 1946 al 1960 dal 1961 al 1970 dal 1971 al 1980 dal 1981 al 1990 dal 1991 al 2000 dal 2001 al 2010 N um ero di ed ifici
Figura 1.2: Età del patrimonio edilizio italiano al 2011 [4]
decreto prevede che i nuovi edifici, da Gennaio 2019 per il settore pubblico e da Gennaio 2021 per tutti gli altri settori, siano ad energia quasi zero.
In accordo con l’International Energy Agency (IEA), nel 2016 in Italia il consumo finale di energia nel settore residenziale è stato pari a 32,2 Mtep a fronte di un consumo finale totale di circa 115 Mtep, e si stima che di questi 32,2 Mtep il consumo per la climatizzazione assorba circa il 70% della domanda [31]. Considerando l’età del parco immobiliare italiano (figura 1.2) il potenziale di risparmio energetico dovuto alla riqualificazione del patrimonio edilizio risulta notevole: il 60% dei soli edifici ad uso residenziale è infatti antecedente alla prima legge sul risparmio energetico, la Legge 373/76.
Il 19 Giugno 2017 è stato approvato con decreto interministeriale il Piano d’azione nazionale per incrementare gli edifici ad energia quasi zero, detto anche PANZEB [4]. Tale documento è stato redatto da un gruppo di lavoro composto dall’ENEA1, l’RSE2 e il CTI3, con il coordinamento del Ministero dello Sviluppo Economico. In questo documento oltre ad essere presente un inquadramento generale sul significato di edifici NZEB e ad un inquadramento sul parco immobiliare nazionale, è presente un cenno alle misure attuate per incentivare l’efficientamento energetico, tra cui il conto termico e le detrazioni fiscali. Il conto termico, alla cui partecipazione possono fare domanda sia pubbliche amministrazioni sia soggetti privati, incentiva interventi per l’incremento dell’efficienza energetica e la produzione di energia termica da fonti rinnovabili per impianti di piccole dimensioni. Il contributo viene erogato direttamente dal GSE4 e può variare tra il 40% e il 65% a seconda dell’intervento effettuato. Le detrazioni fiscali sono state introdotte in Italia dalla legge finanziaria per il 2007 e sono tuttora attive. Si rivolgono ad interventi di efficientamento energetico ma il contributo non viene erogato dal GSE, bensì sottoforma di riduzione dell’Irpef (Imposta sul reddito delle persone fisiche) e dell’Ires (Imposta sul reddito delle società).
Un tema ricorrente nell’ottica NZEB è il costo aggiuntivo da dover sostenere per raggiungere alti livelli di prestazione. Implementare infatti nuove tecnologie,
1Ente per le nuove tecnologie, l’energia e l’ambiente. 2Ricerca sul Sistema Energetico
3Comitato Termotecnico Italiano 4Gestore Servizi Energetici
sia in termini impiantistici sia in termini di involucro, porta inevitabilmente ad un aumento dei costi di investimento. Per quanto riguarda gli impianti termici questi dovranno garantire dei rendimenti minimi, oltre che la copertura tramite fonte rinnovabile di almeno il 50% dei consumi previsti per l’acqua calda sanitaria, il riscaldamento e il raffrescamento. L’utilizzo di pompe di calore in questo senso tenderà ad aumentare sempre più rispetto alle caldaie a condensazione. Sull’involucro si potrà agire ad esempio incrementando lo spessore degli isolamenti e/o utilizzando serramenti più prestanti. Tutto questo comporta un costo aggiuntivo, in relazione ad una ristrutturazione importante di primo livello, stimato pari a circa il 14% per condomini ed uffici, e pari al 22% per edifici monofamiliari. Queste stime sono contenute all’interno del PANZEB [4] e sono da ritenersi indicative. Nonostante l’aggravio dei costi di investimento un ritorno economico potrebbe verificarsi ugualmente in seguito alla riduzione dei costi di esercizio e all’aumento del valore di mercato dell’immobile. Si ritiene opportuno sottolineare che l’evoluzione del mercato verso edifici NZEB potrebbe portare ad una riduzione complessiva dei costi di investimento.
Il miglioramento della prestazione energetica degli edifici è un aspetto di fonda-mentale importanza. Date le potenzialità di risparmio ottenibile dal settore civile che copre circa il 30% dei consumi finali di energia (al 2016), la transizione verso gli edifici a energia quasi zero (NZEB) costituisce un obiettivo prioritario per il Paese. Oggi più che mai i professionisti sono chiamati a valutare attentamente le prestazioni degli edifici sin dalle prime fasi del progetto. Lo strumento più valido oggi in mano ai professionisti è la simulazione energetica dinamica.
1.2
La simulazione energetica dinamica
Come anticipato nel paragrafo 1.1 oggi lo strumento più valido, ma il più difficile da utilizzare, in mano ai progettisti è la simulazione energetica dinamica. Questo strumento permette di descrivere l’edificio come insieme di zone termiche per ognuna delle quali il software calcolerà il bilancio di energia. La zonizzazione è legata allo scopo della simulazione e deve essere effettuata con cura. Creare una zona termica per ogni stanza dell’edificio, seguendo quindi una logica geometrica, può portare ad una grande complessità nell’analisi dei risultati senza nessun vantaggio in termini di considerazioni finali; l’edificio dovrebbe essere suddiviso in macroaree omogenee, vale a dire termicamente simili e con la stessa destinazione d’uso. Questa modalità di discretizzazione riduce la complessità del modello senza pregiudicarne i risultati. La descrizione delle zone termiche viene completata con l’inserimento delle proprietà termofisiche dell’involucro, la configurazione impiantistica e di altre eventuali caratteristiche.
La simulazione energetica può essere eseguita attraverso l’utilizzo di vari software presenti sul mercato tra cui si possono citare TRNSYS, IES-VE, IDA-ICE, VIP Energy e EnergyPlus. L’utilizzo di questi software consente di predire il comportamento dell’edificio prendendo in considerazione dinamiche che altrimenti non potrebbero essere considerate. Si citano ad esempio il contributo della capacità termica nello sfasamento e nella riduzione dell’ampiezza dei carichi, il funzionamento in regime variabile del sistema impiantistico e il comportamento degli occupanti. Se una volta involucro ed impianto potevano essere progettati distintamente, oggi è invece richiesta
1.2. La simulazione energetica dinamica una progettazione integrata, poiché gli elementi di involucro possono influenzare l’impianto e viceversa. La simulazione dinamica consente di tenere conto di questa interazione.
I modelli utilizzati durante la simulazione energetica possono essere classificati secondo due differenti categorie [11]:
1. secondo la funzione del modello: (a) Diagnostica
Il modello è utilizzato per identificare la natura di un fenomeno; (b) Predittiva
Il modello è utilizzato per fare previsioni sul comportamento di un sistema; 2. in base al driver del modello:
(a) Law-Driven
Applicano leggi che governano il sistema e, note le proprietà di quest’ultimo, predicono il comportamento del sistema stesso;
(b) Data-Driven
Noto il comportamento del sistema sono utilizzati per ricavare le sue proprietà.
I modelli per la simulazione energetica degli edifici possono essere generalmente classificati come law driven-predittivi, poiché applicano le leggi dello scambio termico per predire il comportamento dell’edificio.
Come anticipato esistono diversi software che permettono al professionista di eseguire delle analisi dinamiche. Fra questi il più conosciuto a livello mondiale è sicuramente EnergyPlus. I diversi programmi di simulazione dinamica si differenziano nei loro algoritmi e nelle possibilità offerte all’utente, come ad esempio la visualizzazione 3D del modello o l’interazione con altri programmi come MATLAB e VBA. La scelta del software dipende dalle esigenze dell’analista e a priori non è possibile stabilire quale sia il software migliore. Certo è che diversi programmi possono portare a diversi risultati, come è chiaramente visibile in figura 1.3, in cui si riporta il calcolo del fabbisogno energetico per il riscaldamento per un edificio situato in Svezia. I risultati variano da un minimo di 38 kWh/(m2anno), ottenuto da TRNSYS, ad un massimo di 44 kWh/(m2anno), valore ottenuto da EnergyPlus [32], quindi la variazione massima è pari al 13,64%.
La simulazione energetica dinamica è uno strumento interessante ma un’attenta analisi dei risultati deve essere sempre portata a termine. Un esempio è quello di figura 1.4 in cui si nota una evidente discrepanza fra i consumi misurati e simulati. In questo caso la differenza è dovuta ad una non corretta modellazione del comportamento dell’occupante: dallo studio svolto [33] risulta infatti che le finestre vengono tenute aperte per gran parte della giornata, nonostante il periodo sia invernale e l’edificio sia situato a Trento. Questo è solo un esempio di come i risultati, se non correttamente analizzati e giustificati, possono portare fuori strada il professionista.
La simulazione energetica è molto utile per l’ottimizzazione del sistema edificio-impianto e viene utilizzata sia per le nuove costruzioni sia per interventi di retrofit.
0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000 kWh
VIP Energy Energy Plus TRNSYS IDA ICE
Figura 1.3: Fabbisogno energetico per riscaldamento di un edificio in Svezia simulato con 4 diversi software di simulazione [32]
Figura 1.4: Consumi misurati e simulati per il riscaldamento da Gennaio ad Aprile 2017 per un edificio situato a Trento [33]
In quest’ultimo tipo di interventi la simulazione serve per capire l’effettiva conve-nienza nell’attuare interventi migliorativi. Il professionista incaricato di svolgere la simulazione deve però stare attento perché, come precedentemente anticipato, non sempre la simulazione corrisponde alla situazione reale. Questo perché nella creazione del modello l’incertezza con cui vengono descritti i parametri può essere elevata. Il comportamento degli occupanti è solo uno dei parametri incerti, altri possono essere ad esempio le effettive proprietà termofisiche degli elementi costruttivi e le reali condi-zioni di funzionamento dell’impianto. Al fine di avere modelli di simulazione affidabili con cui effettuare corrette valutazioni si rende quindi indispensabile il processo di “calibrazione” del modello, oggetto del lavoro di questa tesi.
1.2.1
La modellazione del comportamento dell’occupante
Con lo sviluppo di sistemi di involucro sempre più performanti e l’installazione di impianti sempre più efficienti il comportamento dell’occupante sul sistema edificio-impianto acquista sempre più importanza. Gli occupanti possono interagire con i diversi sistemi dell’edificio tra cui: le finestre, i sistemi oscuranti, il termostato ambiente e gli apparecchi elettrici. Questa loro interazione è dipendente da parametri personali variabili da persona a persona, e ciò rende complicato l’implementazione all’interno del software di un modello comportamentale. Esistono in letteratura
1.2. La simulazione energetica dinamica molti studi che dimostrano come l’impatto dell’occupante possa deviare fortemente i consumi dalle aspettative. Dall’interazione delle persone con il sistema edificio-impianto non dipendono solo i consumi dell’edificio allo stato attuale, ma anche l’efficacia di interventi di efficientamento, poiché una tecnica di risparmio energetico funzionerà bene solo se l’utente sarà in grado di capire come la tecnologia funziona e come interagire con questa. Si capisce quindi come il tema della simulazione degli occupanti stia diventando sempre più rilevante.
Un documento interessante per chi approccia l’argomento per la prima volta è il lavoro svolto da Fabi et al. [34], focalizzato sull’interazione con le finestre ma che offre un’ampia premessa su quali sono i fattori che influenzano il comportamento degli occupanti. In particolare questi vengono suddivisi in cinque gruppi:
1. relativi all’ambiente fisico; 2. relativi al contesto;
3. psicologici; 4. fisiologici; 5. sociali.
Nel primo gruppo rientrano la temperatura, l’umidità, la velocità del vento, il rumore e anche gli odori. Le persone infatti cercano sempre di soddisfare le proprie esigenze di comfort sulla base di questi parametri. Gli elementi del secondo gruppo hanno un’influenza indiretta sull’utente, ne sono un esempio la stagione e l’ora del giorno. Dei fattori psicologici fanno parte la consapevolezza dei problemi ambientali e la percezione del proprio consumo. Sono fattori determinanti quindi la situazione economica e lo stile di vita. Del quarto gruppo fanno parte lo stato di salute, l’età, il livello di attività fisica e anche il vestiario. Infine ci sono i fattori sociali, legati quindi alle relazioni con gli altri occupanti. Questi gruppi rappresentano un tentativo di classificare i fattori che inducono una modifica nel comportamento dell’utente, talvolta però il confine fra i diversi gruppi non appare così netto.
Esistono diversi approcci con i quali è possibile simulare l’occupante, ognuno caratterizzato da un certo grado di complessità ed approssimazione [12]:
1. schedules o profili temporali; 2. approccio deterministico; 3. approccio probabilistico;
4. approccio probabilistico agent-based.
I profili temporali sono caratterizzati dal grado di complessità più basso e rappresentano degli scenari semplificati, utilizzati quando le azioni compiute all’interno dell’edificio sono molto prevedibili e regolari. Consistono nel definire un’azione in un determinato orario che rimarrà tale per tutta la durata del periodo analizzato. L’approccio deterministico si basa sul valutare l’azione come diretta conseguenza di una o più cause o driver. L’approccio che garantisce la maggiore affidabilità è quello probabilistico,
Figura 1.5: Incertezza del modello vs Complessità [12]
caratterizzato tuttavia dalla maggiore complessità. In questo approccio viene calcolata la probabilità che un’azione avvenga o meno in risposta a degli stimoli e l’azione viene intrapresa se questa probabilità è maggiore di un numero casuale. Questo metodo necessita di un alto numero di simulazioni poiché, essendo il numero usato per il confronto un numero casuale, ad ogni simulazione il risultato potrà subire cambiamenti. Esistono diverse forme di modelli probabilistici tra cui Bernoulli e Markov. Il primo modello calcola la probabilità con la quale si verifica un certo stato, il secondo calcola la probabilità che l’azione avvenga entro il successivo passo temporale, tenendo conto degli istanti precedenti. Per capire meglio la differenza fra questi due modelli si pensi all’apertura delle finestre. Per il modello di Bernoulli la finestra può cambiare stato ad ogni passo temporale, mentre per Markov questo non può avvenire, essendo improbabile che l’utente apra la finestra, la richiuda immediatamente e poi la riapra l’istante successivo. L’ultimo approccio è quello definito agent-based. Questo rappresenta il maggiore livello di complessità perché si tratta di un approccio probabilistico dove non viene modellato il gruppo di utenti bensì ogni singolo utente. In questo modello l’occupante non interagisce solo con il sistema edificio-impianto, bensì anche con gli altri occupanti, influenzandone le azioni.
Gaetani, Hoes e Hensen [12] hanno steso un elenco di tutti o quasi i modelli comportamentali presenti in letteratura, catalogandoli innanzitutto per complessità e tipo di comportamento modellato ad esempio: interazione con le finestre, interazione con i dispositivi di illuminazione, interazione con il termostato.
La scelta della complessità del modello non è banale e si basa sull’individuazione del punto di ottimo tra il grado di approssimazione ed il grado di incertezza (figura 1.5). Scegliere a priori un modello complesso perché più accurato può rivelarsi un ragionamento sbagliato, dal momento che il numero di parametri necessari incrementa notevolmente e, a meno che non si disponga di un grande numero di misurazioni, l’incertezza legata a questi parametri può essere molto elevata. Il modo corretto di procedere dovrebbe essere quello di effettuare un’analisi di sensitività per capire quale comportamento (accensione/spegnimento delle luci, apertura/chiusura delle
1.3. La calibrazione finestre,..) influisce maggiormente sul risultato e solo per questi parametri adottare modelli complessi. Il lavoro svolto da Gaetani, Hoes e Hensen [13] dimostra infatti come l’adozione di modelli complessi per parametri che hanno influenza modesta sul sistema edificio-impianto sia inutile, in quanto il risultato non subisce variazioni importanti e l’unico effetto è quello di aumentare l’incertezza del risultato stesso.
Un esempio di comportamento dell’occupante caratterizzato da un forte impatto sul comfort e sui consumi è l’apertura delle finestre. In letteratura è possibile trovare diversi studi il cui scopo è derivare modelli probabilistici per descrivere correttamente l’interazione dell’uomo con questo elemento dell’edificio [21, 22, 23, 24, 25]. Nonostante il comportamento descritto sia lo stesso, i modelli sono tra loro diversi, perché da un lato possono cambiare le abitudini culturali e dall’altro i driver considerati. Nel lavoro di Andersen et al. [25] risulta che uno dei principali parametri da prendere in considerazione è la concentrazione di CO2, mentre nel lavoro di Jones et al. [22] non solo la CO2 non è considerata, ma nell’equazione entra in gioco anche la quantità di pioggia caduta, seppur con un influenza minore rispetto ad altri parametri. Nello studio di Schweiker et al. [21] è stato derivato un modello di interazione con le finestre per un caso studio in Svizzera e il tentativo di riprodurre con tale modello il comportamento di un occupante in Giappone ha prodotto scarsi risultati.
Questo evidenzia come la derivazione del modello dipende fortemente dal caso specifico e non è detto che il modello derivato possa essere utilizzato per simulare un caso diverso.
1.3
La calibrazione
La corretta definizione di tutti i parametri che influenzano il comportamento dell’edi-ficio è un compito arduo. Una definizione incerta dei dati di input al software può portare ad errori significativi e a valutazioni completamente sbagliate. Un esempio significativo è quello di figura 1.4, in cui è evidente che qualcosa nella realizzazione del modello non è stata adeguatamente descritta. La calibrazione è una strategia per ridurre l’entità di tali errori e potrebbe essere definita come un processo in cui si modificano i parametri in input ad un programma di simulazione energetica dinamica, per accordare i risultati della simulazione con la realtà e quindi aumentare l’affidabilità del modello [7]. Il problema è che questa tecnica non è standardizzata e ad oggi non esistono linee guida dettagliate che consentono di calibrare correttamente un modello. Indicativamente la calibrazione si basa sull’esperienza del professionista, sul suo giudizio e sul ricorso al metodo “prova e sbaglia” [7].
Pur non avendo a disposizione dei protocolli rigorosi esistono dei riferimenti rico-nosciuti a livello internazionale, i quali indicano i principi generali per la calibrazione dei modelli e i criteri per valutare le tolleranze e gli scostamenti ritenuti accettabili, ovvero:
• International Performance Measurement and Verification Protocol 2007, Effi-ciency Valuation Organization [35];
• M&V Guidelines: Measurement and Verification for Federal Energy Projects 2008 US Department Of Energy [36];
Tabella 1.1: Intervalli di tolleranza proposti per la calibrazione [27]
Indice IPMVP M&V ASHRAE 14 [%] [%] [%] MBEmensile ±20 ±15 ±5 CV(RMSE)mensile 5 10 15
MBE orario - - ±10
CV(RMSE)orario - - 30
• ASHRAE Guideline 14-2002: Measurement of Energy and Demand Savings 2002, ASHRAE Standard Committee [28];
Il modello può definirsi calibrato se gli indici statistici rispettano i limiti di tolleranza stabiliti in fase preliminare sulla base della disponibilità dei dati, della complessità del modello e del grado di approfondimento che si vuole raggiungere. I precedentemente citati protocolli di calibrazione suggeriscono differenti intervalli di tolleranza, riportati in tabella 1.1, con riferimento agli indici statistici Mean Bias Error (MBE) e Coefficient of Variation of Root Mean Squared Error (CV(RMSE)). Bisogna sottolineare che i valori riportati in tabella si riferiscono sempre all’energia e non ad altre possibili grandezze di monitoraggio, come ad esempio la temperatura. I valori proposti non devono inoltre essere considerati come obiettivi obbligatori però costituiscono un solido punto di partenza.
Una prima classificazione dei processi di calibrazione può essere basata sulla tecnica utilizzata. I diversi metodi, analizzati e riassunti da Fabrizio e Monetti [8], sono qui di seguito elencati:
• calibrazione manuale;
• calibrazione con metodo grafico;
• calibrazione basata su test speciali e procedure di analisi; • calibrazione basata su tecniche automatiche.
In questo lavoro di tesi viene utilizzata la tecnica manuale. Con questa metodologia il professionista può trovarsi a variare manualmente una grande quantità di parametri, prima singolarmente e poi in combinazione tra loro. Questo determina una crescente complessità al crescere del numero di parametri sottoposti a variazione, oltre che ad un tempo necessario molto elevato. Il primo step corrisponde quindi ad un’analisi di sensitività per capire quali sono i parametri di cui vale la pena preoccuparsi, in modo da ridurre l’entità delle variabili. Una volta effettuate le simulazioni con variazione di un parametro si proseguirà variando nello stesso momento un numero sempre maggiore di parametri. La bontà delle soluzioni viene poi analizzata attraverso l’utilizzo di indici statistici, introdotti nel capitolo 3.
Il processo di calibrazione può essere classificato, oltre che in base alla tecnica utilizzata, anche in base al numero di parametri considerati simultaneamente. Si può quindi parlare di calibrazione monostadio e multistadio. Nel primo caso viene scelto un unico periodo di simulazione e sulla base dei consumi misurati in sito viene calibrato il modello. In questo modo di operare vengono variati parametri caratteristici
1.3. La calibrazione sia dell’involucro sia dell’impianto. Nel secondo caso vengono scelti più periodi di calibrazione ognuno caratterizzato dall’influenza di un particolare set di parametri. La calibrazione multistadio si basa quindi sull’assunzione che differenti parametri influiscono diversamente sulla simulazione in base al periodo dell’anno considerato. Poiché differenti dati di input vengono calibrati in diversi periodi dell’anno, ed in particolare nel periodo la cui loro influenza è massima, questo consente di limitare il numero di parametri da calibrare simultaneamente, riducendo così la difficoltà del processo e consentendo di raggiungere risultati molto affidabili [37]. Qualora venga scelta una strategia multistadio bisogna essere consapevoli che la quantità di dati necessaria è maggiore, poiché il solo fabbisogno energetico globale non è sufficiente e sono richieste misure più dettagliate dei singoli componenti. Questo lavoro di tesi è parte di un approccio multistadio ed in particolare riguarda il secondo step, ovvero la calibrazione del sistema impiantistico.
Un problema legato al processo di calibrazione è quello dei costi. Il processo richiede infatti l’installazione di strumenti di misura in sito per un periodo che può variare da poche settimane ad un interno anno, senza contare che il processo non è automatico e che quindi il professionista dovrà dedicarci molto tempo. Per questo la calibrazione è meno consigliata per piccoli edifici con impianti relativamente semplici, ma piuttosto è opportuna per grossi edifici con un impianto HVAC relativamente complicato, tale quindi da giustificarne il costo.
Appare chiaro come il processo di calibrazione non possa essere inteso come un’analisi. L’analisi è un processo in cui tutti i dati di input sono noti e attraverso una procedura prestabilita si arriva ad una soluzione univoca. La calibrazione è invece un processo in cui non sempre i dati di input sono noti con esattezza e caratterizzato dalla presenza di più soluzioni. Quest’ultima affermazione è vera in quanto il problema è sotto-determinato, essendo molti i parametri incerti. Il raggiungimento di più soluzioni non è da vedere necessariamente come un problema, avere una soluzione calibrata non significa che i parametri impostati corrispondano alla realtà, bensì che l’effetto globale risponde ad essa. Fare previsioni su tale modello potrebbe quindi portare ad errori. Avere più soluzioni calibrate può portare a previsioni più robuste qualora queste diano dei risultati simili tra loro, tuttavia può anche portare a previsioni del tutto diverse. Nel primo caso si è disposti ad accettare di non sapere qual è il modello più rappresentativo, nel secondo caso invece ulteriori indagini sono necessarie, per capire quale modello rappresenta meglio la realtà e quindi capire a quale previsione fare affidamento. Questo concetto può essere facilmente spiegato con un esempio. Si supponga di avere due modelli entrambi calibrati e di simulare una strategia di risparmio energetico. A titolo esemplificativo si supponga di ottenere i due seguenti casi:
1. il modello 1 prevede un risparmio del 10% e il modello 2 prevede un risparmio del 15%;
2. il modello 1 prevede un risparmio del 10% e il modello 2 prevede un risparmio del 40%;
Nel primo caso le previsioni di risparmio sono tra loro simili e si potrebbe dichiarare una previsione di risparmio nell’intervallo 10%-15%. Indagare quale modello rappresenti meglio la realtà in modo tale da poter scegliere tra 10% e 15% potrebbe non essere
