Urban Building Energy Modelling with Combinatorial Optimisation and Microsimulation: Application and Policy Analysis for Hamburg, Germany

Abstract

Urban Building Energy Models (UBEMs) are representations of building stocks. They can be used by analysts and decision makers in government, private companies, NGOs, and, if made publicly accessible, by the public at large. Their purpose is the energy analysis of the building sector – as it is, as it could and should be in the future, and paths to get there. Insofar as UBEMs are the basis for policy measures that affect many actors in the building sector they play an important role in those actors’ communications and negotiations. In the last two decades, it has become obvious that UBEMs need to explicitly account for space, just as they need to represent the micro-level, i. e. individual buildings. The analysis of centralised heat supply (district heating) calls for spatial analysis. Renewable energies are often used most effectively in decentralised fashion. The interaction of heat demand and supply unfolds at the level of the urban neighbourhood. Indeed, today’s UBEMs are most often defined at the level of the individual building (though in publications, buildings are often clustered for data protection). UBEMs come in different forms. Until recently, they were often created ad hoc for a specific research project or for an individual consulting service to local, regional or national government. The last few years have seen such models in more formalised fashion and made publicly accessible, as “heat cadastres” (“Wärmekataster”, as in the city-state of Hamburg), or “Heat Atlas” (“Wärmeatlas”, as in the federal Land Bavaria). These cadastres and atlases contain a variety of energy-related information, like buildings, infrastructure, heat and power generating stations, waste heat sources and more. In this thesis, I focus on the residential building stock and its heat demand. The major challenge in creating a UBEM is the availability of data relating to the building stock. In Germany, there is a variety of data sources with different detail on building characteristics and at different levels of aggregation. Accordingly, UBEMs tend to be created with a Top-Down or a Bottom-Up approach. In simple terms, the former distributes total energy consumption at the city level onto all buildings according to their size. The latter makes use of building typologies and represents individual building characteristics and their specific heat demand by assigning “archetypes” to individual buildings. The Top-Down approach has the drawback of little flexibility in analysing measures that address individual building characteristics. UBEMs of the Bottom-Up type often overestimate total consumption as a consequence of how building types are defined and assigned to individual buildings. I propose a hybrid approach, based on combinatorial optimisation, inspired and heavily borrowing techniques from the field of spatial microsimulation. My case study is Hamburg. I use three main data sources: the digital building cadastre (ALKIS), 100m Census raster cells, and a sample of building energy audits. When aggregated, my UBEM comes within a couple of percent of consumption data for all of Hamburg. As a micro-model with detail at the building level, it offers the flexibility to analyse various cases and scenarios. I illustrate a number of different applications of my UBEM that show how its main features – the micro-level, the georeferencing (each building with its geographic coordinates), and the consumption-adjusted heat demand – facilitate the analysis of a spectrum of energy policy measures.

Urban Building Energy Models (UBEMs) sind Datenmodelle, die Gebäudebestände abbilden und von Analysten und Entscheidungsträgern in Behörden, Wirtschaft, NGOs und, falls öffentlich zugänglich gemacht, von der breiten Öffentlichkeit verwendet werden können. Sie dienen der energetischen Analyse des Gebäudesektors, sowohl was seinen Ist-Zustand, als auch, was seine Ziel-Zustände und Wege dorthin betrifft. Als Grundlage für Politikmaßnahmen der öffentlichen Hand, die viele Akteure berühren, fällt UBEMs eine wichtige Rolle in deren Verständigung zu. In den letzten zwei Jahrzehnten ist die Notwendigkeit für die explizite Darstellung des Raums in solchen Modellen deutlich geworden, ebenso wie die explizite Berücksichtigung der „Mikro“-Ebene. Die Analyse der netzgebundenen Wärmeversorgung erfordert die räumliche Betrachtung. Erneuerbare Energien werden oft günstig dezentral genutzt. Das Zusammenspiel zwischen Angebot und Nachfrage erfolgt auf der Ebene des Quartiers. UBEMs werden heute meist auf der Ebene des einzelnen Gebäudes definiert (wobei in Veröffentlichungen die Gebäude aus Gründen des Datenschutzes in Clustern oder Gruppen dargestellt werden). Solche UBEMs gibt es in unterschiedlichen Formen. Bis vor kurzem wurden sie vielfach ad hoc für ein bestimmtes Forschungsprojekt oder als Dienstleistung für lokale, regionale oder nationale Verwaltungen erstellt. In den letzten Jahren sind solche Modelle mehr formalisiert und öffentlich zugänglich gemacht worden, als „Wärmekataster“ (z.B. in Hamburg) oder „Wärmeatlas“ (z. B. in Bayern). Diese Kataster und Atlanten können eine Vielzahl von energiebezogenen Informationen abbilden – Gebäude, Infrastruktur, Energieerzeuger, Abwärmequellen und mehr. Darin können sie über ein UBEM hinausgehen. In meiner Arbeit konzentriere ich mich auf den Wohngebäudebestand und dessen Wärmebedarf. Die große Herausforderung bei der Erstellung eines UBEMs ist die Verfügbarkeit von Daten zum Gebäudebestand. In Deutschland gibt es eine Vielzahl von Quellen in unterschiedlicher Detailschärfe und auf unterschiedlichen Aggregationsebenen. Dementsprechend werden sowohl der „Top-Down“- als auch der „Bottom-Up“-Ansatz bei der Erstellung von UBEMs verfolgt. Ersterer verteilt (vereinfacht gesprochen) den Gesamtenergieverbrauch auf Stadtebene auf alle Gebäude entsprechend ihrer Größe; letzterer nutzt Gebäudetypologien, um energetische Merkmale einzelner Gebäude abzubilden und ihnen typische spezifische Wärmebedarfswerte zuzuordnen. Das Problem des „Top-Down“ Ansatzes ist seine mangelnde Flexibilität, wenn es um die Analyse von Maßnahmen geht, die detaillierte Gebäudeeigenschaften adressieren. UBEMs mit „Bottom-Up“ Ansatz dagegen überschätzen oft den Gesamtverbrauch aufgrund der Art und Weise, wie Gebäudetypen definiert und einzelnen Gebäuden zugeordnet werden. Ich schlage einen hybriden Ansatz vor, der auf kombinatorischer Optimierung und Methoden der räumlichen Mikrosimulation basiert. Mein Anwendungsfall ist Hamburg. Ich verwende hauptsächlich drei Datenquellen: Das digitale Gebäudekataster, 100-Meter-Zensus-Rasterzellen sowie eine Stichprobe von Gebäude-Energieausweisen. Aggregiert kommt mein UBEM sehr nah an die Verbrauchsdaten auf Stadtebene heran. Als Mikromodell mit Detail auf Gebäudeebene bietet es die Flexibilität für die Analyse unterschiedlicher Fragestellungen und Szenarien. Ich illustriere verschiedene Anwendungen des UBEM, die zeigen, wie seine Hauptmerkmale – die „Mikro“-Ebene, Georeferenzierung (jedes Gebäude mit seinen geografischen Koordinaten) und verbrauchskorrigierter Wärmebedarf – eine Bandbreite energiepolitischer Analysen ermöglichen.