Die aktuelle Norm ÖNORM EN 16798-1:2019 11 01[1] beschreibt verschiedene Klassen von Innenraumklimata, welche als Basis für die energetische Planungssimulation der Gebäude dienen. Bislang gibt es aber noch keine integrierten Messsysteme zur einfachen Überprüfung der Erfüllungsgrade der Planungen und zur ganzheitlichen Innenraumbeurteilung inklusive der dynamischen Aspekte von Luftqualität, Licht, Akustik und thermischem Komfort. Die ÖNORM EN 16798-1 verwendet zwei thermische Behaglichkeitsmodelle: für klimatisierte Räume das Modell der ÖNORM EN 7730 (Fanger-Modell) und für nicht mechanisch gekühlte und belüftete Räume ein adaptives Komfortmodell. Diese Unterscheidung ist eher willkürlich, weshalb es in den letzten Jahren im Bereich der Forschung Bestrebungen gab, diese beiden Ansätze zu integrieren. Ein mögliches Modell ist das adaptive Wärmebilanzmodell (ATBH) von Schweiker[2], das sehr nahe am Behaglichkeitsmodell der ÖNORM EN 7730 liegt, dieses jedoch mit Hilfe eines machine-learning-Ansatzes auf Basis der ASHRAE Global Thermal Komfort Datenbank um Parameter erweitert, welche eine verstärkte Anpassung der Menschen (Verhaltensanpassung, psychologische und physiologische Anpassung) abbilden. Die Parameter wurden in einem erweiterten Modell (ATHBx) auch auf Gebäudetypen und Haustechniksysteme ausgedehnt. Im Projekt FLUCCO+konnte experimentell bestätigt werden, dass dieses Behaglichkeitsmodell eine deutlich höhere Prognosegenauigkeit für das thermische Empfindungsvotum PMV liefert als die Normberechnung. Daher soll im Projekt DyNaBe mit dem Modell von Schweiker weitergearbeitet werden und nun auch die Möglichkeiten des erweiterten ATHBX-Modells ausgelotet werden.
Mittels Implementierung des ATHBx-Modells in Python und einer neuerlichen Versuchsreihe in der Fassadenbox wird die Prognosegenauigkeit für den Sommerfall untersucht. Als Vergleichsmodell wird das dynamische adaptiven Behaglichkeitsmodell von Marika Vellei und Jérôme Le Dréau[3] herangezogen. Im Projekt werden Messsets entwickelt, mit welchen das erweiterte ATHBx-Modell und das Vellei-Modell zuverlässig und kostengünstig getestet werden können. Die Auswerte- und Prognosealgorithmen sollen aufgrund der leichteren Lesbarkeit, des geringeren Wartungsaufwands und der einfacheren Erweiterbarkeit in die Skriptsprache Python implementiert werden. Es ist geplant, den Skriptcode open source zur Verfügung zu stellen.
Für den Kachelofenverband ermöglicht das ATHBx-Modell Feldforschungsversuche mit einer erwartbar deutlich höheren Prognosegenauigkeit für das thermische Empfinden im Winterfall, da das Standardmodell der ÖNORM EN 7730 den psychologischen Anpassungsfaktor eines Kachelofens nicht abbilden kann und daher deutlich höhere PPD-Werte (Predicted Percentage of Dissatisfied) liefert, als es der Realität entspricht. Mit Hilfe des neuen Behaglichkeitsmodells können dann auch genauere Prognosen über die erforderliche Brennstoffmenge in Abhängigkeit von der Gebäudequalität, dem Wetter und der Behaglichkeitserwartung mit einem Machine-Learning-Ansatz ermittelt werden.
Die Etablierung der neuen Behaglichkeitsmodelle in der Praxis wäre sehr wichtig, da die fluktuierende Energieerzeugung der erneuerbaren Energiequellen intelligent und effizient nur mit diesem Ansatz genutzt werden können, ohne „Behaglichkeitseinbußen“ nach den Standardmodellen bzw. überdimensionierte Heiz- und Kühlsysteme planen und umsetzen zu müssen. Auch bei der Planung und Umsetzung von Low-Tech-Lösungen bieten die neuen Behaglichkeitsmodelle mehr Freiheit, ohne Behaglichkeitseinbußen in der Praxis hinzunehmen. Dies würde helfen, die neuen Behaglichkeitsmodelle schneller zu verbreiten und zum Stand der Technik zu werden. Speziell für Sanierungslösungen und intelligente behagliche „Kühllösungen“ wird diese Möglichkeit immer wichtiger werden.
[1] EN 16798-1: 2019 11 01: Energetische Bewertung von Gebäuden - Teil 1: Eingangsparameter für das Innenraumklima zur Auslegung und Bewertung der Energieeffizienz von Gebäuden bezüglich Raumluftqualität, Temperatur, Licht und Akustik - Module M1-6
[2] Schweiker M. (2022): Combining adaptive and heat balance models for thermal sensation prediction: A new approach toward a theory and data-driven adaptive thermal heat balance model. Indoor Air. 2022;32:e13018. doi:10.1111/ina.13018
[3] Vellei M., Le Dréau J.: A novel model for evaluating dynamic thermal comfort under demand response events. Building and Environment Vol. 160 (2019), 106215
