Development of a Bottom-up White-box Residential Building Stock Energy Model

La modélisation énergétique d'un parc immobilier, ou Building stock energy modeling (BSEM), est le processus d'évaluation de la consommation d'énergie des bâtiments à grande échelle, comme la consommation énergétique à l'échelle d'une ville, d'une région ou d'un pays. L'industrie canadienne a actuellement un besoin urgent pour le développement d'outils additionnels de modélisation du parc immobilier afin d'évaluer des mesures d'efficacité énergétique, d'estimer la réduction des émissions de gaz à effet de serre, d'évaluer l'impact des technologies ainsi que de nombreuses autres applications. Cette thèse aborde certaines lacunes liées au développement et à l'utilisation des BSEM, tout en fournissant un nouveau BSEM pour un parc immobilier de maisons unifamiliales au Canada. Bien qu'il existe de nombreux types de BSEM, le processus nécessite toujours des informations sur le parc immobilier afin de générer un modèle des bâtiments. L'information disponible pour un parc de bâtiments donné est limitée par la quantité de données mesurées et par la divulgation publique de ces informations. Une nouvelle méthode de caractérisation des différents paramètres d'un parc immobilier résidentiel, tels que la surface chauffée, la résistance thermique des murs et le nombre d'occupants, est présentée. Pour pallier l'absence de jeux de données publiques appropriés, un jeu de données de compteurs intelligents virtuels, virtual smart meter (VSM) data, de 200 000 maisons avec 21 paramètres de construction connus pour chaque maison est développé. Ce jeu de données est disponible en libre accès. Les paramètres sont sélectionnés pour leur influence estimée sur la consommation d'électricité et leur applicabilité au processus de caractérisation d'un parc immobilier. Le jeu de données VSM est utilisé pour appliquer la classification par apprentissage automatique supervisé afin de développer des modèles prédictifs (MP), qui sont basés sur une analyse discriminante linéaire. Les MP peuvent estimer avec précision les paramètres des bâtiments, tels que la surface chauffée, à partir de la consommation d'électricité. Avec un jeu de données de compteurs intelligents de taille suffisante, la distribution des paramètres dans le parc immobilier peut être établie, ce qui permet de comprendre la probabilité qu'une maison appartienne à une catégorie spécifique. Des lignes directrices sont fournies pour les futures études de classification qui souhaitent utiliser un jeu de données réelles de compteurs intelligents dans le but de générer un modèle prédictif ou pour ceux qui souhaitent effectuer une classification des données de compteurs intelligents. Un nouveau modèle énergétique du parc immobilier de maisons unifamiliales est développé, appelé le Québec Single-Family Building Stock Energy Model (QSFBSEM). Le QSFBSEM prédit avec précision la consommation d'énergie des maisons du Québec, au Canada. Environ 1,9 million de maisons unifamiliales sont représentés par le modèle. La prédiction est faite pour le chauffage des locaux, le chauffage de l'eau, l'éclairage, les appareils électroménagers et la climatisation pour des maisons individuelles et jumelées. L'électricité, le gaz naturel, le mazout et le bois sont les principales sources d'énergie pour les bâtiments résidentiels dans la province et la répartition de la consommation de chaque source est également estimée par le modèle du parc immobilier. Un échantillon de 200 000 maisons est modélisé pour représenter l'ensemble du parc immobilier. La taille de l'échantillon est un aspect important pour la prédiction énergétique d'un parc immobilier puisque des parties moins représentées du parc peuvent entraîner une déviation significative de la prédiction énergétique si la taille de l'échantillon est trop faible. Le QSFBSEM peut être utilisé pour une variété d'applications et est appliqué à une étude de cas pour la comparaison des émissions de gaz à effet de serre (GES) entre différentes configurations de systèmes de chauffage pour le parc immobilier. L'étude de cas permet de démontrer que le QSFBSEM peut quantifier l'impact sur la demande de pointe en électricité d'une conversion massive des systèmes de chauffage non-électriques.

Abstract

Building stock energy modeling (BSEM) is the process of evaluating the energy consumption of large-scale building energy simulation problems, such as the energy use at the city, regional, or national levels. There is a current urgent need in industry in Canada for the development of additional stock modeling tools, for evaluation of energy efficiency measures, estimation of greenhouse gas emissions reductions, technology impact evaluations, and many other applications. This thesis addresses some of the common limitations associated with the development and use of BSEM, while providing a new BSEM for a single-family dwelling stock in Canada. While many types of BSEM exist, the process always requires information on the building stock in order to reproduce the buildings in the form of a model. Obtaining sufficient data depends on the public availability of information and measured data for the studied building stock. A new method of characterizing the different parameters of a residential building stock, such as the heated surface area, wall thermal resistance and the number of occupants, is presented. Due to the lack of appropriate public data sets, a virtual smart meter (VSM) data set of 200,000 homes with 21 known building parameters per dwelling is designed and presented as an open-source data set. The parameters are selected due to their estimated impact on the electricity consumption and the potential applicability for the characterization process of a building stock. The VSM data set is used to apply supervised machine learning classification to develop predictive models (PM), which are in turn developed with linear discriminant analysis. The PM can accurately estimate building parameters such as the heated surface area from electricity consumption. With a sufficiently sized smart meter data set, the distribution of parameters across the building stock can be established, providing an understanding of the probability of a house belonging to a particular category. Guidelines are provided for future classification studies wishing to develop a real smart meter data set for the purpose of predictive model development or for those wishing to perform classification of smart meter data. A new single-family dwelling building stock energy model is developed called the Québec Single-Family Building Stock Energy Model (QSFBSEM). The QSFBSEMaccurately predicts the energy consumption of houses across the province of Québec, Canada. Approximately 1.9 million single-family dwellings are represented by the model. Space heating, water heating, lighting, appliances and space cooling are predicted for detached and attached dwellings. Electricity, natural gas, heating oil and wood are the primary energy sources for residential buildings in the province and are also determined by the stock model . A total of 200,000 houses are modeled as a sample to represent the overall stock. The stock sample size is shown to be an important aspect for energy prediction of a building stock, as lesser-represented portions of the stock can result in significant deviation for the energy prediction if the sample size is too low. The QSFBSEM can be used in a variety of applications and is applied to a case study for greenhouse gas emission (GHG) comparison between different heating system configurations for the building stock. The case study illustrates that the QSFBSEM can predict the impact of large-scale conversion of non-electric heating systems on the peak electricity load of the building stock.