نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

تقاضای گرمایش منطقه ای (DH) سیستم های مختلف در چندین مطالعه شبیه سازی شده است. بیشتر مطالعات بر جنبه های زمانی تمرکز دارند تا جزء مکانی. در این مطالعه، تقاضای DH برای یک شبکه DH متوسط ​​در یک شهر در جنوب آلمان شبیه‌سازی و در یک رویکرد صریح فضایی تحلیل شده است. در ابتدا، ساختمان‌ها موقعیت جغرافیایی دارند و ویژگی‌های به‌دست‌آمده از منابع مختلف از جمله نوع ساختمان، مساحت زمین و تعداد طبقات با هم ادغام می‌شوند. پس از آن، تقاضای انرژی اولیه سالانه برای گرمایش و آب گرم خانگی برای هر ساختمان محاسبه می شود. متعاقباً، تقاضای انرژی در سطح بخش یک شبکه DH موجود جمع می‌شود و جریان آب از طریق سیستم هدایت می‌شود. نتایج شبیه‌سازی نشان می‌دهد که تلفات توزیع به طور کلی در بخش‌های پایانی بالاترین (بر حسب درصد) است. با این حال، لوله های واقع در مرکز با جریان عبور کم نیز شبیه سازی شده اند تا تلفات بالایی داشته باشند. تحلیل‌های فضایی نه تنها هنگام پرداختن به تقاضای فعلی مفید هستند. بر اساس یک سناریو با در نظر گرفتن نوسازی ساختمان ها و تمرکززدایی تولید انرژی، تقاضای آینده نیز مورد توجه قرار گرفت. به دلیل تقاضای کمتر، تلفات توزیع به صورت درصدی در چنین شرایطی افزایش می یابد. بر اساس یک سناریو با در نظر گرفتن نوسازی ساختمان ها و تمرکززدایی تولید انرژی، تقاضای آینده نیز مورد توجه قرار گرفت. به دلیل تقاضای کمتر، تلفات توزیع به صورت درصدی در چنین شرایطی افزایش می یابد. بر اساس یک سناریو با در نظر گرفتن نوسازی ساختمان ها و تمرکززدایی تولید انرژی، تقاضای آینده نیز مورد توجه قرار گرفت. به دلیل تقاضای کمتر، تلفات توزیع به صورت درصدی در چنین شرایطی افزایش می یابد.
کلید واژه ها: 

GIScience ; تجزیه و تحلیل شبکه ؛ انرژی تجدید پذیر

 

1. معرفی

یک شبکه گرمایش منطقه ای (DH) امکان توزیع گرما را از تولیدکنندگان انرژی به مصرف کنندگان می دهد. به طور سنتی یک نیروگاه ترکیبی حرارت و برق (CHP) به شبکه متصل می شود. با این حال، امروزه گرمای حاصل از منابع تولید انرژی تجدیدپذیر غیرمتمرکز مانند پمپ های حرارتی، زیست توده، نیروگاه های حرارتی زمین گرمایی و خورشیدی نیز می تواند به سیستم وارد شود [ 1 ]. علاوه بر این، گرمای اضافی حاصل از فرآیندهای صنعتی ممکن است به انرژی حرارتی کمک کند. با توجه به نرخ فزاینده تولید انرژی های تجدیدپذیر، سیستم های DH آینده باید به طور موثر انواع منابع انرژی را ادغام کنند [ 2 ، 3 ، 4 ].
هنگامی که شبکه های DH موجود گسترش می یابند و همچنین زمانی که شبکه های جدید در حال برنامه ریزی هستند، تجزیه و تحلیل فضایی جامع تقاضاهای حرارتی آینده بسیار مهم است [ 5 ، 6 ]. اکثر پروژه ها و برنامه ها فاقد اندازه گیری دقیق تقاضای گرما هستند. در عوض می توان تقاضا را بر اساس اطلاعات مربوط به آب و هوا، انواع ساختمان ها و ویژگی های ساختمان فردی، از جمله هندسه، سن، وضعیت و تعداد ساکنان ساختمان، شبیه سازی/تخمین زد [7 ، 8 ] . مرجع. [ 9] همچنین بر اهمیت گنجاندن ویژگی های اجتماعی یک منطقه برای بهبود دقت برآورد تقاضای انرژی تاکید می کند. خروجی مدل ها اغلب در اطلس های حرارتی دیجیتال مانند نقشه حرارتی اسکاتلند ( www.gov.scot/heatmap ) و نقشه حرارتی لندن ( www.londonheatmap.org.uk ) موجود است. اطلس ها ممکن است به عنوان منابع داده مهم برای هدف مدل سازی انرژی [ 7 ] و سیاست های برنامه ریزی [ 10 ] خدمت کنند. اگر داده‌های اندازه‌گیری گرما در دسترس باشد، نتایج شبیه‌سازی را می‌توان تایید کرد. مرجع. [ 11] نتایج خوبی را هنگام مقایسه مقادیر تقاضای حرارتی شبیه سازی شده با مقادیر اندازه گیری شده در آگسبورگ، آلمان به دست آورد. تنها در صورتی که تقاضای انرژی، و همچنین توزیع مکانی (و زمانی) آن مشخص/برآورد باشد، می‌توان سیستم انرژی را بهینه کرد و تحلیل‌های بیشتری انجام داد.
بهینه سازی یک سیستم انرژی مبتنی بر منابع تجدیدپذیر و پایدار نیازمند محاسبات دقیق است و باید بر چالش تعادل عرضه و تقاضا غلبه کند [ 12 ]. در [ 13 ]، پیکربندی بهینه شبکه های گرمایش منطقه ای بر اساس یک الگوریتم سیمپلکس با در نظر گرفتن تلفات فشار در هیدرولیک، سرمایه گذاری و هزینه های عملیاتی محاسبه شد. بهینه سازی ها اغلب به سری های زمانی داده ها متکی هستند. با این حال، نیاز به مطالعاتی با تمرکز بر مؤلفه فضایی در ارتباط با بعد زمانی وجود دارد [ 4 ]. برخی از مطالعات داده ها را مستقیماً در یک رویکرد فضایی ترکیب می کنند، به عنوان مثال، [ 14] بر تلفات توزیع و همچنین کارهای مربوط به سیستم اطلاعات جغرافیایی (GIS) ابزار STEFaN [ 15 ] و Wärmenetz-Analyst (تجزیه و تحلیل خالص حرارتی؛ [ 16 ]) تمرکز دارد. در دومی، Ref. [ 17] تقاضای گرما را از طریق یک سیستم DH بر اساس کوتاه ترین مسیر بین تامین کنندگان و کاربران هدایت می کند. اگرچه یک روش رایج در زمینه ناوبری است، اما این تکنیک معمولاً برای مسیریابی در شبکه های DH استفاده نمی شود، زیرا ویژگی های شبکه گرمایش خاص مانند نوسان تقاضا و عرضه، تولید غیرمتمرکز، نرخ جریان و توان عملیاتی و یا را در نظر نمی گیرد. تغییر سریع شرایط آب و هوایی با این وجود، این فرصت را برای تخمین ابعاد بهینه خطوط لوله DH و شناسایی گره‌ها و لبه‌های مهم در شبکه ارائه می‌دهد. همچنین شبیه سازی فضایی تلفات توزیع را امکان پذیر می کند.
تلفات توزیع گرما در شبکه های DH تحت تأثیر عوامل متعددی از جمله طول لوله، ابعاد، عایق، اختلاف دمای بین عرضه و برگشت [ 18 ، 19 ]، تفاوت دمای بین آب گرم و مواد اطراف لوله و همچنین تقاضای گرما است. چگالی (یعنی مقدار گرمای منتقل شده از طریق لوله). بسیاری از مطالعات بر روی طراحی لوله، ابعاد و عایق [ 20 ، 21 ] و همچنین دمای آب [ 22] تمرکز دارند.]. این مطالعات بر داده های بسیار دقیق تکیه دارند. اگر این داده ها در دسترس نباشند – که به ندرت در اختیار شرکت های خصوصی هستند – باید در عوض به معادلات ساده تری برای تخمین تلفات تکیه کرد، به عنوان مثال، تلفات به عنوان تابعی از تقاضای گرمای سالانه. با تقاضای کم، درصد ضرر به طور چشمگیری افزایش می یابد. با توجه به [ 23 ]، چگالی تقاضای انرژی باید حداقل 1.5 مگاوات ساعت در متر -1 سال -1 باشد تا انگیزه اتصال به یک شبکه DH باشد. توزیع مجدد فضایی (تمرکززدایی) تولید انرژی نیز ممکن است منجر به فواصل حمل و نقل کوتاهتر و تلفات توزیع کمتر شود. یکی دیگر از اقدامات برای بهبود کارایی سیستم، استفاده از گرمای اضافی از فرآیندهای صنعتی است [ 24]، که در غیر این صورت بلااستفاده می ماند. صرف نظر از اینکه چه اقداماتی انجام می شود، جزء فضایی باید در نظر گرفته شود تا درک و مدل سازی سیستم بهبود یابد. از این رو، تجزیه و تحلیل فضایی تقاضای انرژی به منظور افزایش کارایی شبکه DH و برآورد پتانسیل کاهش تلفات بسیار مهم است.
در این مطالعه، ما به کل تقاضای انرژی اولیه برای گرمایش و آب گرم خانگی در یک شبکه DH موجود در Sinsheim، جنوب غربی آلمان می‌پردازیم. هدف ما یک مدل‌سازی هیدرولیکی کاملاً دقیق از توزیع جریان نیست. در عوض، ما به توپولوژی جغرافیایی بین اشیا می پردازیم و توزیع فضایی تقاضای گرمای سالانه را در شبکه شبیه سازی می کنیم. پس از آن، جریان آب را از طریق شبکه به منظور استخراج جریان عبور سالانه و تقاضا در هر بخش خالص هدایت می کنیم. متعاقباً، تلفات توزیع سالانه را برآورد کرده و سناریویی با ساختمان‌های بازسازی‌شده، افزایش استفاده از انرژی خورشیدی حرارتی و تولید انرژی غیرمتمرکز جزئی ایجاد می‌کنیم. اهداف عبارتند از: (1) افزایش آگاهی از توپولوژی جغرافیایی بین تولید کنندگان و مصرف کنندگان انرژی و (2) تعیین تلفات توزیع در داخل شبکه گرمایش منطقه ای با در نظر گرفتن روند تولید انرژی غیرمتمرکز و بهبود بهره وری انرژی در ساختمان ها. نتایج به‌ویژه به مطالعات مربوط به تأثیر افزایش سهم تولید انرژی تجدیدپذیر بر شبکه‌های DH مرتبط است. روشی که ما استفاده می کنیم می تواند با داده های بیشتری در صورت وجود گسترش یابد. همچنین می‌توان آن را در مدل‌های دقیق توزیع جریان و تلفات حرارتی گنجاند. نتایج به‌ویژه به مطالعات مربوط به تأثیر افزایش سهم تولید انرژی تجدیدپذیر بر شبکه‌های DH مرتبط است. روشی که ما استفاده می کنیم می تواند با داده های بیشتری در صورت وجود گسترش یابد. همچنین می‌توان آن را در مدل‌های دقیق توزیع جریان و تلفات حرارتی گنجاند. نتایج به‌ویژه به مطالعات مربوط به تأثیر افزایش سهم تولید انرژی تجدیدپذیر بر شبکه‌های DH مرتبط است. روشی که ما استفاده می کنیم می تواند با داده های بیشتری در صورت وجود گسترش یابد. همچنین می‌توان آن را در مدل‌های دقیق توزیع جریان و تلفات حرارتی گنجاند.

2. مواد و روشها

2.1. داده ها: منابع و پیش پردازش

جدول 1 یک نمای کلی از داده های مورد استفاده در این مطالعه ارائه می دهد. داده های ساختمانی دقیق برای تخمین توزیع فضایی تقاضای گرما در یک شبکه DH ضروری است. در این مطالعه، ما از یک مدل ساختمان سه بعدی، ارائه شده توسط اداره ایالتی بادن-وورتمبرگ برای اطلاعات جغرافیایی و توسعه ایالتی (LGL-Landesamt für Geoinformation und Landentwicklung Baden-Württemberg) استفاده کردیم. مجموعه داده [ 25] شامل ردپای ساختمان، تعداد طبقات و همچنین نوع ساختمان و غیره است. قبل از استفاده، مجموعه داده باید از قبل پردازش می شد. ابتدا، تمام ساختمان‌های گرم نشده را بر اساس ویژگی‌های نوع ساختمان تعیین کردیم و سپس آنها را حذف کردیم. ساختمان‌های بدون گرمایش شامل گاراژ، خانه‌های باغ، خانه‌های سبز و انبارها و غیره هستند. سایر انواع ساختمان های موجود در مجموعه داده ها عبارتند از: ساختمان های مسکونی، ساختمان های مسکونی و اداری مختلط، اداری، رستوران، کارخانه و غیره. با این حال، منبع داده اطلاعاتی در مورد قدمت ساختمان ارائه نمی دهد و همچنین شامل زیرگروه های خاص مسکونی نمی شود. ساختمان ها این دو ویژگی در عوض از یک مجموعه داده تجاری (NEXIGA) که در آن ساختمان‌های جداگانه به عنوان آدرس (نقاط) نشان داده می‌شوند، به‌دست آمدند. کدگذاری جغرافیایی داده های آدرس NEXIGA بر اساس نقاط آدرس از اینجا انجام شد. متعاقبا، ساختمان‌های NEXIGA با ژئوکدگذاری بر اساس نوع‌شناسی نوع‌شناسی ارزیابی انرژی موجودی ساختمان (TABULA) مجدداً طبقه‌بندی شدند [26 ]. نوع شناسی ساختمان TABULA با همکاری 13 کشور اروپایی توسعه یافته است و داده ها به صورت آنلاین در http://www.building-typology.eu در دسترس هستند . از آنجایی که یک نوع شناسی ملی خاص برای هر کشور وجود دارد، ما از نوع شناسی آلمانی استفاده کردیم [ 27 ]. گونه‌شناسی ساختمان‌های مسکونی را بر اساس نوع و سن طبقه‌بندی می‌کند، در میان پارامترهای دیگر. این نوع شناسی مقادیری را برای کل تقاضای انرژی اولیه برای گرمایش و آب گرم خانگی برای هر نوع ساختمان ارائه می دهد. مقادیر برای سطوح مختلف بازسازی در دسترس هستند. با این حال، آنها هیچ نشانه ای از رفتار کاربر یا تقاضای حرارت واقعی ارائه نمی دهند.
ما همچنین داده‌های مربوط به شبکه DH و کاربری زمین را در منطقه پروژه گنجاندیم. شبکه DH از نقشه های ارائه شده توسط AVR Energie GmbH دیجیتالی شد (پایه 22.12.2014، در دسترس آنلاین). نقشه های کلی شبکه DH و همچنین منطقه تامین را نشان می دهد. علاوه بر این، از همان منبع، ساختمان‌های متصل به شبکه DH را شناسایی کرده و آنها را برای تجزیه و تحلیل بیشتر انتخاب کردیم. برخی از بخش‌های خالص گمشده نیز بر اساس داده‌های خیابان اضافه شدند. اطلاعات مربوط به کاربری زمین از LGL در دسترس بود. مجموعه داده دارای وضوح 1:25000 است و بر اساس [ 28 ] آماده و طبقه بندی مجدد شد. در طول پیش پردازش، میزان کاربری اراضی و طبقات پوشش زمین از 46 به 14 کاهش یافت و خطاهای توپولوژی در مجموعه داده ها تصحیح شد.
برای ذخیره سازی و مدیریت داده های مکانی، ما یک پایگاه داده PostgreSQL/PostGIS ایجاد کردیم. در پایگاه داده، ساختمان‌ها و انواع ساختمان‌ها و همچنین ویژگی‌های آن‌ها در جداول جداگانه ذخیره می‌شوند و می‌توان آنها را روی یک کلید اولیه منحصر به فرد برای هر نوع ساختمان به هم متصل کرد. پس از آن، ArcMap 10.3 را به پایگاه داده متصل کردیم. با این حال، تجزیه و تحلیل به این نرم افزار محدود نمی شود. تقاضای گرمای ساختمان، و همچنین مسیریابی در شبکه DH، طبق بخش 2.2 ، بخش 2.3 و بخش 2.4 انجام شد .

2.2. تقاضای گرمای ساختمان

به منظور تهیه مجموعه داده های ساختمان، چند ضلعی های رسمی ساختمان را با مجموعه داده نقطه ای ایجاد شده حاوی اطلاعات مربوط به نوع TABULA ملحق کردیم. اتصال (1) در درجه اول بر اساس همپوشانی های فضایی بود ( شکل 1 a). بر اساس این روش می توان بیش از 90 درصد ساختمان ها را به هم متصل کرد. اگر هیچ همپوشانی وجود نداشت، در عوض همان نوع ساختمان را به (2) ساختمان مجاور (در صورت وجود) اختصاص دادیم. این کار ابتدا با انحلال تمام ساختمان های مجاور انجام شد (ابزار ArcMap: ابزارهای مدیریت داده / تعمیم / انحلال). با انجام این کار، یک نوع ساختمان برای هر چند ضلعی حل شده به دست آمد. پس از آن، یک اتصال فضایی بین ردپای ساختمان اصلی و چند ضلعی های حل شده انجام شد. با این رویکرد، هر ردپای ساختمانی که در ابتدا به یک نوع ساختمان اختصاص داده نشده بود، اطلاعات نوع ساختمان را از هر ساختمان مجاور بازیابی می‌کرد. این رویکرد همچنین تضمین می کند که قطعات ساختمانی مجزا تعداد طبقات بالقوه متفاوت خود را حفظ می کنند. اگر هیچ ساختمان مجاور وجود نداشت و ردپاها طبقه بندی نشده باقی می ماندند، آنها به همان نوع ساختمان (3) نزدیک ترین ساختمان (نقطه NEXIGA ژئوکد شده) اختصاص داده می شدند. این کار ابتدا با شناسایی نزدیکترین نقطه ( ابزار تجزیه و تحلیل / نزدیکی / نزدیک) انجام شد) بر اساس شناسه یکتا (FID) ساختمان ها. متعاقباً، یک پیوستن اسنادی بر اساس FID انجام شد. پس از آن، ساختمان ها را می توان به نوع ساختمان ساختمان متصل (نزدیک ترین) اختصاص داد. چند ضلعی های ساختمانی که در اصل به عنوان یک ساختمان غیر مسکونی در منبع اطلاعات رسمی طبقه بندی می شدند، به یک نوع ساختمان جداگانه به نام ساختمان تجاری اختصاص داده شدند. این نوع ساختمان بیشتر در مطالعه مورد توجه قرار نگرفت.
طرح TABULA ساختمان های مسکونی را بر اساس منطقه جغرافیایی، سال ساخت و نوع ساختمان طبقه بندی می کند، به عنوان مثال، خانه تک خانواده، خانه تراس، خانه چند خانواده یا بلوک آپارتمان. اطلاعات بیشتر در مورد بازسازی ساختمان می تواند برای طبقه بندی دقیق تر مفید باشد. هر نوع ساختمان TABULA با مقداری برای کل تقاضای انرژی اولیه برای گرمایش و آب گرم خانگی (کیلووات ساعت متر -2 سال -1) مرتبط است.). داده‌ها برای سه نوع ساختمان موجود است: وضعیت موجود (به هیچ وجه بازسازی نمی‌شود)، نوسازی معمولی و نوسازی پیشرفته. هنگامی که همه ساختمان ها را بر اساس نوع شناسی TABULA طبقه بندی کردیم، کل نیاز انرژی اولیه برای گرمایش و آب گرم خانگی (BuildingDemand) را به صورت جداگانه برای هر ساختمان با توجه به:

BuildingDemand = مساحت × داستان شماره × تقاضای انرژی،

که در آن Area مساحت ردپای ساختمان بر حسب متر مربع است که از هندسه چند ضلعی ساختمان به دست می آید، Stories Nr تعداد طبقات ساختمانی است که در داده های LGL آورده شده است و EnergyDemand کل نیاز انرژی اولیه خاص نوع ساختمان برای گرمایش و آب گرم خانگی است. kWh m -2 year -1 همانطور که توسط طرح طبقه بندی TABULA ارائه شده است ( شکل 1 ب). برای ساختمان های غیر مسکونی، طرح طبقه بندی TABULA هیچ اطلاعاتی در مورد تقاضای گرما ارائه نمی دهد. بنابراین، ساختمان‌های غیرمسکونی را در تحلیل لحاظ نکردیم.

2.3. شبکه گرمایش منطقه ای: مسیریابی و تلفات

هنگامی که ساختمان ها را بر اساس نوع شناسی TABULA طبقه بندی کردیم و کل نیاز انرژی اولیه آنها را برای گرمایش و آب گرم خانگی استخراج کردیم، تغییرات فضایی را در شبکه DH تجزیه و تحلیل کردیم. ابتدا شبکه را دیجیتالی کردیم و تحلیل را تنها با ساختمان های متصل به آن ادامه دادیم. به دنبال آن، شبکه را به بخش های خالص کوتاه تری در هر تقاطع (گره) تقسیم کردیم. پس از آن، بخش های خالص بیش از 100 متر پس از 100 متر برای به دست آوردن قطعات خالص با طول مشابه تقسیم شدند. فقط بخش‌های انتهایی اجازه داشتند طولانی‌تر باشند تا از قطعات نسبتاً کوتاه (<50 متر) جلوگیری شود. در مرحله بعد، ساختمان های مجاور را ادغام کردیم و فاصله هر ساختمان ادغام شده تا نزدیکترین بخش شبکه DH را استخراج کردیم.شکل 1 ج). علاوه بر این، فاصله بین ساختمان و بخش خالص ذخیره می شود. با ادغام ساختمان ها، فرض کردیم که ساختمان های مجاور تنها یک اتصال به شبکه DH دارند. پس از آن، ما تقاضای گرمای ساختمان را با توجه به بخش های خالص ( ابزارهای تحلیل/آمار/آمار خلاصه ) جمع آوری کردیم. سپس، خروجی را با لایه شبکه DH وصل کردیم و تقاضای گرمای سالانه را برای هر بخش خالص به دست آوردیم. در مرحله بعد تقاضای گرما از طریق شبکه هدایت شد.
به منظور مسیریابی جریان آب گرم از طریق شبکه DH، ما یک توپولوژی خالص در PostgreSQL/PostGIS ساختیم. توپولوژی این امکان را فراهم می کند که کوتاه ترین مسیر را بین دو نقطه در شبکه DH بدست آوریم، به عنوان مثال، بین تامین کنندگان انرژی و مصرف کنندگان. در طول تجزیه و تحلیل، ما کوتاه‌ترین مسیر را بین هر بخش خالص و نیروگاه مرکزی CHP استخراج کردیم. این کار با رویکردی مشابه روشی که [ 17] استفاده می‌کرد، انجام شد]. در این مطالعه، ما مسیریابی را در PostgreSQL/PostGIS با استفاده از الگوریتم pgrouting Dijkstra انجام دادیم. از آنجایی که ما قبلاً تقاضای گرمای سالانه را برای هر بخش شبکه DH به دست آورده‌ایم، این تقاضا می‌تواند از طریق شبکه هدایت شود و بعلاوه (اسکریپت R جداگانه) در هر بخش خالصی که از آن عبور می‌شود انباشته شود. با این رویکرد، مقدار انرژی عبوری (از طریق جریان) یا مصرف شده در این مکان در سال را به دست آوردیم ( شکل 1 د). از آنجایی که هیچ اطلاعاتی در مورد دمای عرضه و برگشت، سن لوله، وضعیت لوله یا ضخامت عایق حرارتی در دسترس نبود، تلفات توزیع 25 وات بر متر در نظر گرفته شد. این مقدار را می توان برای DHN جدید با دمای عرضه و برگشت متوسط ​​استفاده کرد [ 23]. ما از همین مقدار در هنگام محاسبه تلفات توزیع در لوله های اتصال ساختمان ها به شبکه اصلی DH استفاده کردیم. این کار پس از استخراج نزدیکترین فاصله بین ویژگی ها (طول لوله فرضی) انجام شد. همانطور که قبلا ذکر شد، برای ساختمان های مجاور، فرض بر این بود که تنها یک لوله به شبکه اصلی متصل می شود.

2.4. سناریو

ما سناریویی را به منظور شبیه‌سازی چگونگی تأثیر نوسازی درصد کمی از ساختمان‌ها و افزایش سهم تولید انرژی غیرمتمرکز بر تقاضای گرما و تلفات در شبکه DH ایجاد کردیم. برای اهداف نمایشی، ما فرض کردیم که 5 درصد از ساختمان ها بازسازی شده اند. این ساختمان‌ها به‌طور تصادفی انتخاب شدند و شرایط آن‌ها از نوسازی معمولی به نوسازی پیشرفته با توجه به گونه‌شناسی TABULA تغییر یافت . بر اساس این مشخصات، ساختمان‌ها به یک سیستم گرمایی خورشیدی (شامل ذخیره انرژی حرارتی روزانه) و یک سیستم تهویه با بازیابی 80٪ گرما “مجهز” شدند. در نتیجه، کل تقاضای انرژی اولیه کاهش یافت.
علاوه بر این، در سناریو، ما فرض کردیم که 0.5 مگاوات از انرژی عرضه شده به سیستم دیگر در شاخه شمالی شبکه تولید نمی شود. ما در عوض فرض کردیم که این مقدار انرژی در یک منطقه صنعتی واقع در شاخه جنوبی شبکه تولید شده است. این انرژی می‌تواند از طریق سیستم‌های گرمایش زیست توده تامین شود یا از گرمای اضافی حاصل از فرآیندهای صنعتی منشأ بگیرد.

3. نتایج و بحث

3.1. آمار ساختمان

آمار انواع ساختمان ها نشان می دهد که بیشتر ساختمان ها خانه های تک خانواده (SFH) هستند که بین سال های 1949 و 1968 ساخته شده اند ( شکل 2 ). خانه های تراس دار (TH) ساخته شده بین سال های 1919 و 1957 نیز رایج هستند. تعداد خانه های چند خانواری (MFH)، بلوک های آپارتمانی (AB) و ساختمان های تجاری (CB) بسیار کمتر است. شکل 3 کل تقاضای انرژی اولیه برای گرمایش و آب گرم خانگی را بر حسب کیلووات ساعت متر -2 سال -1 نشان می دهد . مقادیر نشان دهنده بازسازی معمولی و همچنین پیشرفته هستندو منعکس کننده ارتباط قوی بین بازسازی پیشرفته و تقاضای انرژی کمتر است. لازم به ذکر است که برای ساختمان هایی که پس از سال 2002 ساخته شده اند، تنها مقادیر ارائه شده وضعیت موجود ساختمان ها را توصیف می کند، زیرا فرض بر این است که آن ساختمان ها هنوز بازسازی نشده اند. نیازهای انرژی به طور قابل توجهی بین ساختمان ها متفاوت است. کمترین تقاضا 13 مگاوات ساعت در سال -1 است ، در حالی که بیشترین تقاضا 1202 مگاوات ساعت در سال -1 شبیه سازی شده است . تقاضای گرما برای ساختمان متوسط ​​99 مگاوات ساعت در سال -1 شبیه سازی شده است. علاوه بر این، تقاضا بین انواع ساختمان ها متفاوت است و سال ساخت نیز بر ارزش آن تأثیر زیادی دارد. به طور کلی، خانه های تک خانواده بیشترین تقاضای انرژی را دارند. ساختمان های تجاری نشان داده نمی شوند زیرا هیچ اطلاعاتی در مورد تقاضای گرما در دسترس نبود.
ما همچنین کل تقاضای انرژی اولیه برای گرمایش و آب گرم خانگی برای ساختمان‌های جداگانه را با در نظر گرفتن اندازه ساختمان و تعداد طبقات به دست آوردیم (معادله (1)). نتایج غیرمکانی نشان می دهد که پراکندگی در طبقات ساختمان زیاد است ( شکل 3 ). این نتیجه مستقیم تنوع زیاد اندازه‌های ساختمان در هر دسته است.

3.2. تحلیل فضایی تقاضای گرما و تلفات توزیع

کل تقاضای انرژی اولیه سالانه برای گرمایش و آب گرم خانگی 54049 مگاوات ساعت در سال -1 شبیه سازی شده است . این مربوط به تولید متوسط ​​6.2 مگاواتی در CHP مرکزی به منظور حفظ تقاضای گرما برای ساختمان های مسکونی است. با این حال، باید توجه داشت که ساختمان های تجاری در نظر گرفته نمی شوند. بنابراین، تولید واقعی در CHP باید بیشتر باشد. تجزیه و تحلیل فضایی انواع ساختمان ها و تقاضای انرژی مرتبط با آنها نشان دهنده توزیع ناهمگون تقاضا در منطقه مورد مطالعه است ( شکل 4)). نتایج همچنین نشان می‌دهد که ساختمان‌های داخل مناطق مسکونی از نظر اندازه همگن‌تر هستند، در حالی که ساختمان‌های داخل مناطق شهری و صنعتی هر دو دارای تغییرات بزرگ‌تری هستند و تمایل به اندازه‌های بزرگ‌تر را نشان می‌دهند.
ما تقاضای انرژی را بر اساس بخش‌های منفرد شبکه DH جمع‌آوری کردیم ( شکل 5 a). نتایج نشان می دهد که چگونه تقاضای انرژی به شدت در شبکه تغییر می کند. در رابطه با تراکم ساختمان، تقاضا در مناطق مسکونی کمترین و در بخش‌های خالصی که مناطق شهری را به هم متصل می‌کنند، بیشتر است. با این وجود، همچنین به دلیل مخلوطی از انواع ساختمان، تغییرات مقیاس کوچکتر نیز زیاد است. پس از تجمیع، تقاضای انرژی شبیه‌سازی شده را از طریق DHN از CHP به هر بخش خالص هدایت کردیم. پس از آن، ما مقادیر را در هر بخش مسیریابی جمع آوری کردیم و همچنین تقاضای گرمای خود بخش خالص را در نظر گرفتیم. در مقایسه با الگوی ناهمگن مشاهده شده در شکل 5مقادیر انباشته شده الگوی واضح تری را نشان می دهد که بخش های خالص را برای توزیع آب گرم در سیستم مهم نشان می دهد ( شکل 5 ب). همانطور که انتظار می رود، مقادیر بالاترین (54049 مگاوات ساعت سال -1 ) در بخش های متصل به CHP و کمترین (<1000 مگاوات ساعت سال -1) است.) در قسمت های انتهایی. همچنین بخش های شبکه DH مرکزی با تقاضای انباشته کم وجود دارد. این بخش‌ها به گونه‌ای شبیه‌سازی شدند که جریان عبوری پایینی داشته باشند. این یک نتیجه مستقیم از فرض مدل است. با این حال، در واقعیت، ممکن است مسیریابی آب گرم متفاوت باشد و صرفاً بر اساس کوتاه ترین فاصله نباشد. به عنوان مثال، ممکن است بهتر باشد که جریان عبوری آب گرم را به طور مساوی تقسیم کنیم تا ابعاد لوله کوچک‌تری داشته باشیم و تلفات را به حداقل برسانیم. با این حال، بدون اطلاعات بیشتر در دسترس، فرض مسیریابی از طریق کوتاه ترین فاصله هنوز هم واقع بینانه به نظر می رسد.
در مرحله بعد تلفات توزیع را ارزیابی کردیم. شکل 5c زیان های شبیه سازی شده را به عنوان درصدی از تقاضای انباشته (جریان عبوری سالانه و تقاضای سالانه) برای خالص اصلی (164 بخش) نشان می دهد. تلفات مربوط به لوله های اتصال ساختمان ها با شبکه اصلی نیز نشان داده شده است. در خالص اصلی، میانگین تلفات 2٪ شبیه سازی شده است، با مقادیر از زیر 1٪ در بخش های با جریان بالا تا بالای 10٪ در بخش های با تقاضای کم و بدون جریان عبوری. این نشان می دهد که بخش های پایانی شبیه سازی شده به طور کلی بیشترین ضرر را دارند. همچنین باید توجه داشت که اگر آب از طریق این لوله‌ها عبور نکند، بخش‌های واقع در مرکز نیز می‌توانند با تلفات زیادی همراه باشند. برای لوله‌هایی که ساختمان‌ها را به شبکه اصلی DH متصل می‌کنند، میانگین درصد تلفات 4% با مقادیر زیر 1% تا 40% شبیه‌سازی شده است. حداکثر مقدار نتیجه یک ساختمان مستقل با فاصله طولانی تا شبکه اصلی است. در مجموع تلفات 3057 مگاوات ساعت در سال شبیه سازی شده است-1 در شبکه اصلی DH (همانطور که در شکل 5 ج نشان داده شده است) و 1370 مگاوات ساعت سال -1 در لوله های اتصال ساختمان ها به شبکه اصلی DH. این به 4427 مگاوات ساعت در سال اضافه می کند که برابر با 8 درصد از کل نیاز انرژی اولیه برای گرمایش و آب گرم خانگی است. با این حال، باید تأکید کرد که این مقادیر صرفاً شبیه‌سازی شده‌اند و هیچ داده‌ای برای اعتبارسنجی در مطالعه موجود نیست.
با این مقاله، نگرانی ما این است که اهمیت جنبه های فضایی را هنگام شبیه سازی تقاضای گرمایش منطقه ای برجسته کنیم. علاوه بر این، جنبه های زمانی نقش عمده ای دارند. تلفات در طول روز و همچنین بین فصول متفاوت است. در طول دوره ها و فصول با تقاضای حرارت کم، درصد تلفات افزایش می یابد. بنابراین یک مدل DH بهینه باید شامل یک جزء مکانی و زمانی و ترجیحاً یک فرمول پیشرفته‌تر برای محاسبه تلفات باشد. ما همچنین از مسائل دیگری که می‌تواند مدل‌سازی را بهبود بخشد، آگاه هستیم، به عنوان مثال، گنجاندن ساختمان‌های تجاری. از آنجایی که داده‌ها فقط برای ساختمان‌های مسکونی در دسترس بود، ما هیچ ساختمان دیگری را لحاظ نکردیم. این منجر به دست کم گرفتن تقاضای گرما می شود. داده‌های مربوط به سن ساختمان و استفاده برای ساختمان‌های غیرمسکونی به منظور بهبود برآورد تقاضای گرما در شبکه DH ارزشمند خواهد بود. علاوه بر این، اطلاعات مربوط به ابعاد و عایق لوله DH و غیره شبیه سازی دقیق تری از تلفات را امکان پذیر می کند. در سیستم‌های واقعی، اندازه‌گیری نقطه‌ای تلفات نیز به اطلاعات ارزشمندی برای مدل‌سازی تلفات برای کل سیستم کمک می‌کند. با این وجود، حتی بدون این داده‌های موجود، می‌توان اهمیت جنبه‌های فضایی را هنگام مدل‌سازی شبکه‌های DH نشان داد. اندازه‌گیری نقطه‌ای تلفات نیز به اطلاعات ارزشمندی برای مدل‌سازی تلفات برای کل سیستم کمک می‌کند. با این وجود، حتی بدون این داده‌های موجود، می‌توان اهمیت جنبه‌های فضایی را هنگام مدل‌سازی شبکه‌های DH نشان داد. اندازه‌گیری نقطه‌ای تلفات نیز به اطلاعات ارزشمندی برای مدل‌سازی تلفات برای کل سیستم کمک می‌کند. با این وجود، حتی بدون این داده‌های موجود، می‌توان اهمیت جنبه‌های فضایی را هنگام مدل‌سازی شبکه‌های DH نشان داد.

3.3. نتیجه سناریو

ما به طور تصادفی 27 ساختمان (5٪ از ساختمان ها) را به عنوان هدف برای نوسازی انتخاب کردیم. علاوه بر این، در این سناریو، ما فرض کردیم 0.5 مگاوات در شاخه جنوبی شبکه به جای شمال تولید شود. برای ساختمان های بازسازی شده، تقاضای گرما به طور متوسط ​​45 مگاوات ساعت در سال -1 در هر ساختمان با مقادیر 13-144 مگاوات ساعت در سال -1 در هر ساختمان کاهش یافت. در بخش‌های شبکه DH که ساختمان‌ها بازسازی شدند، تقاضا تا بیش از 2 مگاوات ساعت متر -1 سال -1 در هر بخش کاهش یافت ( شکل 6 a). با 5٪ ساختمان های بازسازی شده، کل نیاز انرژی اولیه برای گرمایش و آب گرم خانگی 52819 مگاوات ساعت در سال -1 شبیه سازی شده است.برای کل سیستم این مربوط به کاهش 1229 مگاوات ساعت در سال -1 (کاهش 2.3٪ از کل تقاضای گرما) در مقایسه با شرایط فعلی شبیه‌سازی شده است. با این حال، اگرچه هدف ما برآورد کردن تقاضای انرژی تا حد امکان دقیق است، بدیهی است که روش ها با چندین عدم قطعیت از جمله این واقعیت که وضعیت فعلی نوسازی ناشناخته باقی مانده است، همراه است. علاوه بر این، توزیع فضایی ساختمان‌های بازسازی‌شده بر نتیجه تأثیر می‌گذارد. برای مطالعات آینده، تمایز بین تأثیرات بازسازی های مختلف، به عنوان مثال، عایق، سیستم گرمایش به روز و غیره نیز جالب خواهد بود.
با کاهش تقاضا، مقدار آب هدایت شده از طریق شبکه کاهش می یابد. با توجه به روشی که برای محاسبه زیان استفاده می شود، این نیز به معنای افزایش درصدی زیان است. شکل 6b نشان می دهد که چگونه جریان عبوری و تقاضا در اکثر بخش های شبکه کاهش می یابد. تنها در بخش‌هایی که تأمین‌کننده انرژی غیرمتمرکز جنوبی را به هم متصل می‌کنند، جریان عبوری افزایش می‌یابد. این رویکرد تأثیر فضایی بهبود بهره‌وری انرژی ساختمان‌ها و توزیع مجدد انرژی عرضه‌شده را نشان می‌دهد. با این وجود، با یک روش پیشرفته تر برای استخراج تلفات، می توان به این ویژگی های فضایی با جزئیات بیشتری پرداخت. علاوه بر این، وضعیت بازسازی فعلی و ویژگی‌های شبکه DH عواملی هستند که به عدم قطعیت در نتایج کمک می‌کنند. با داده های دقیق تر، قابلیت اطمینان نتایج افزایش می یابد.

4. نتیجه گیری

در بسیاری از کشورهای اروپایی، نوع شناسی TABULA هنگام برآورد کل تقاضای انرژی اولیه سالانه برای گرمایش و آب گرم خانگی برای ساختمان های مسکونی مفید است. در منطقه مورد مطالعه ما، ساختمان ها بر اساس نوع شناسی پس از ترکیب داده ها (ردپای ساختمان، نوع ساختمان و تعداد طبقات) از چندین منبع طبقه بندی شدند. متعاقباً، تقاضای انرژی را از طریق شبکه DH با توجه به کوتاه‌ترین فاصله بین ارائه‌دهنده انرژی و مصرف‌کنندگان مسیریابی کردیم. سناریویی شامل ساختمان‌های بازسازی‌شده و تولید انرژی تا حدی غیرمتمرکز نشان می‌دهد که چگونه کاهش تقاضا بر بخش بزرگی از شبکه گرمایش منطقه‌ای تأثیر می‌گذارد.
اگرچه وضعیت فعلی نوسازی ساختمان ها ناشناخته باقی مانده است، رویکرد کاربردی امکان شبیه سازی فضایی تقاضای انرژی ساختمان را ارائه می دهد. علاوه بر این، حتی اگر اطلاعات دقیق‌تر (بعد لوله، تابش نور، و غیره) مدل‌سازی تلفات توزیع DH را بهبود بخشد، رویکرد اعمال شده هنگام پرداختن به اثرات افزایش تولید انرژی تجدیدپذیر در شبکه‌های DH بسیار مفید است.

منابع

  1. لوند، اچ. مولر، بی. Mathisen, BV; Dyrelund، A. نقش گرمایش منطقه ای در سیستم های انرژی تجدیدپذیر آینده. انرژی 2010 ، 35 ، 1381–1390. [ Google Scholar ] [ CrossRef ]
  2. لوندستروم، ال. والین، اف. پروفایل های تقاضای گرمایی اقدامات حفاظت از انرژی در ساختمان ها و تأثیر آنها بر سیستم گرمایش منطقه ای. Appl. انرژی 2016 ، 161 ، 290-299. [ Google Scholar ] [ CrossRef ]
  3. مونستر، ام. مورتورست، PE; لارسن، HV; برگنبک، ال. ورلینگ، جی. لیندبو، اچ. Ravn, H. نقش گرمایش منطقه ای در سیستم انرژی آینده دانمارک. انرژی 2012 ، 48 ، 47-55. [ Google Scholar ] [ CrossRef ]
  4. رسچ، بی. ساگل، جی. تورنروس، تی. باخمایر، آ. ایگرز، جی بی. هرکل، اس. نرمسرا، س. Gündra، H. برنامه ریزی و مدل سازی مبتنی بر GIS برای انرژی های تجدید پذیر: چالش ها و راه های تحقیقات آینده. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 662-692. [ Google Scholar ] [ CrossRef ]
  5. نیلسن، اس. Möller، B. تجزیه و تحلیل مبتنی بر GIS پتانسیل گرمایش منطقه ای آینده در دانمارک. انرژی 2013 ، 57 ، 458-468. [ Google Scholar ] [ CrossRef ]
  6. Gils، HC; کوفالا، جی. واگنر، اف. Schöpp، W. ارزیابی مبتنی بر GIS از پتانسیل گرمایش منطقه ای در ایالات متحده. انرژی 2013 ، 58 ، 318-329. [ Google Scholar ] [ CrossRef ]
  7. فینی، KN; شریفی، وی. سویتن بانک، جی. نولان، آ. وایت، اس. Ogden, S. توسعه یک شبکه انرژی موجود در سطح شهر – بخش اول: شناسایی گسترش های بالقوه با استفاده از نقشه برداری حرارتی. انرژی تبدیل مدیریت 2012 ، 62 ، 165-175. [ Google Scholar ] [ CrossRef ]
  8. کادن، آر. کلبه، تی. برآورد کل تقاضای انرژی کل شهر ساختمانها با استفاده از مدلهای معنایی شهر سه بعدی و داده های آماری. در مجموعه مقالات ISPRS هشتمین کنفرانس 3DGeoInfo و کارگاه WG II/2، استانبول، ترکیه، 27-29 نوامبر 2013.
  9. بیل، CSE؛ بوش، RE; Taylor, P. ابزارهای نقشه برداری فضایی برای گرمایش منطقه ای (DH): کمک به مقامات محلی برای مقابله با فقر سوخت . گزارش پروژه؛ مرکز تحقیقات انرژی ترکیبی، دانشگاه لیدز: لیدز، انگلستان، 2014. [ Google Scholar ]
  10. مقامات لندن بزرگ کتابچه راهنمای گرمایش منطقه برای لندن . مرجع لندن بزرگ: لندن، بریتانیا، 2013. [ Google Scholar ]
  11. Herrmann، J. Optimierung der Städtischen Energieversorgung am Beispiel der Stadt Augsburg unter Besonderer Berücksichtigung von Wärmetransportmechanismen. دکتری پایان نامه، دانشگاه آگزبورگ، آگسبورگ، آلمان، 2013. [ Google Scholar ]
  12. بانوس، آر. مانزانو آگوگلیارو، اف. مونتویا، FG; گیل، سی. آلکاید، ا. گومز، جی. روش‌های بهینه‌سازی اعمال شده برای انرژی‌های تجدیدپذیر و پایدار: یک بررسی. تمدید کنید. حفظ کنید. انرژی Rev. 2011 ، 15 ، 1753-1766. [ Google Scholar ] [ CrossRef ]
  13. جامسک، م. دوبرسک، دی. گوریکانک، دی. Krope, J. تعیین پیکربندی شبکه لوله گرمایش منطقه ای بهینه. WSEAS Trans. مکانیک سیالات 2010 ، 5 ، 165-174. [ Google Scholar ]
  14. وسترلوند، ام. سندبرگ، جی. لیندبلوم، بی. Dahl, J. ارزیابی تلفات در سیستم گرمایش منطقه ای، مطالعه موردی. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی کارایی، هزینه، بهینه سازی، شبیه سازی و تاثیرات زیست محیطی سیستم های انرژی، گویلین، چین، 16-19 ژوئیه 2013.
  15. Gnüchtel, S. Netz-Optimierung für die Ausbauplanung (STEFaN—Software zur Trassen-Erschließung Fernwärme für Allgemeine Freie Nutzung) نرم افزار کامپیوتر. در دسترس به صورت آنلاین: https://tu-dresden.de/ing/maschinenwesen/iet/gewv/forschung/forschungsprojekte/mldh/download_mldh (در 15 نوامبر 2016 قابل دسترسی است).
  16. KEA (آژانس انرژی ایالت بادن-وورتمبرگ، آلمان). Wärmenetz-Analyst (WNA) (Heat Net Analyzer). در دسترس آنلاین: http://www.kea-bw.de/shop/startseite/ (دسترسی در 15 نوامبر 2016).
  17. Miksche، M. Prototypische Umsetzung einer GIS-gestützten Nahwärmenetzkonzeption mit Netzwerkerstellung und—Analyse. دکتری پایان نامه، دانشگاه علوم کاربردی کارلسروهه، کارلسروهه، آلمان، 2011. [ Google Scholar ]
  18. بنونیسون، ا. بوهم، بی. Ravn, H. بهینه سازی عملیاتی در یک سیستم گرمایش منطقه ای. انرژی تبدیل می شود. مدیریت 2011 ، 36 ، 297-314. [ Google Scholar ] [ CrossRef ]
  19. دالا روزا، ا. لی، اچ. روش Svendsen, S. برای طراحی بهینه لوله ها برای گرمایش منطقه ای کم انرژی، با تمرکز بر تلفات حرارتی. انرژی 2011 ، 36 ، 2407-2418. [ Google Scholar ] [ CrossRef ]
  20. چوماکلی، ک. یوکسل، بی. Çomaklı، Ö. ارزیابی تلفات انرژی و اگزرژی در شبکه گرمایش شهری Appl. حرارت مهندس 2004 ، 24 ، 1009-1017. [ Google Scholar ] [ CrossRef ]
  21. ییلدیریم، ن. توکسوی، م. Gokcen، G. طراحی شبکه لوله‌کشی سیستم‌های گرمایش منطقه‌ای زمین گرمایی: مطالعه موردی برای پردیس دانشگاه. انرژی 2010 ، 35 ، 3256-3262. [ Google Scholar ] [ CrossRef ]
  22. Tol, H.İ.; Svendsen, S. اثرات افزایش دمای عرضه بر ابعاد لوله شبکه‌های گرمایش منطقه‌ای کم انرژی: مطالعه موردی در Gladsaxe، دانمارک. انرژی ساخت. 2015 ، 88 ، 324-334. [ Google Scholar ] [ CrossRef ]
  23. Nahwärmenetze und Bioenergieanlagen: Ein Beitrag zur effizienten Wärmenutzung und zum Klimaschutz. در دسترس آنلاین: https://www.carmen-ev.de/files/festbrennstoffe/merkblatt_Nahwaermenetz_carmen_ev.pdf (دسترسی در 18 اوت 2016).
  24. ایونر، جی. بروبرگ ویکلوند، اس. اثر استفاده از گرمای اضافی صنعتی در گرمایش منطقه ای بر انتشار گازهای گلخانه ای: دیدگاه سیستمی. منبع. باهم رسی. 2015 ، 100 ، 81-87. [ Google Scholar ] [ CrossRef ]
  25. AdV (کمیته کاری مقامات نقشه برداری ایالت های جمهوری فدرال آلمان). مستندسازی مدل‌سازی اطلاعات جغرافیایی نقشه‌برداری و نقشه‌برداری رسمی (GeoInfoDok). در دسترس آنلاین: www.adv-online.de/Publications/AFIS-ALKIS-ATKIS-Project/ (دسترسی در 15 نوامبر 2016).
  26. لوگا، تی. دیفن باخ، ن. استین، ب. رویکرد گونه‌شناسی برای ارزیابی انرژی سهام ساختمان. نتایج اصلی پروژه TABULA. گزارش نهایی پروژه موسسه مسکن و محیط زیست: دارمشتات، آلمان، 2012. [ Google Scholar ]
  27. لوگا، تی. دیفن باخ، ن. متولد، R. Deutsche Gebäudetypologie. Beispielhafte Maßnahmen zur Verbesserung der Energieeffizienz von typischen Wohngebäuden ; موسسه Wohnen und Umwelt: دارمشتات، آلمان، 2011. [ Google Scholar ]
  28. دورن، اچ. تورنروس، تی. Zipf، A. ارزیابی کیفیت VGI با استفاده از داده‌های معتبر – مقایسه با داده‌های کاربری زمین در جنوب آلمان. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1657-1671. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00219 g001 550
شکل 1. ( الف ) هر چند ضلعی ساختمان بر اساس اطلاعات یک لایه نقطه به یک نوع ساختمان اختصاص داده شد. پیوستن بر اساس (1) همپوشانی فضایی بود. اگر هیچ تطابقی قابل شناسایی نبود، چند ضلعی همان نوع ساختمان به عنوان (2) ساختمان مجاور یا (3) نزدیکترین ساختمان اختصاص داده می شود. ( ب ) در مرحله بعد، تقاضای حرارت ساختمان بر اساس اندازه ساختمان و نوع ساختمان استخراج شد. ( ج ) نزدیک‌ترین فاصله از هر ساختمان تا بخش شبکه گرمایش منطقه‌ای (DHN) پس از آن استخراج شد و تقاضای انرژی بر اساس بخش خالص جمع‌آوری شد. و ( د) جریان عبوری و تقاضا برای هر بخش خالص بر اساس مسیریابی جریان آب از طریق DHN به دست آمد. تلفات توزیع هم در شبکه اصلی و هم در لوله‌های اتصال ساختمان‌ها به شبکه DH محاسبه شد.
Ijgi 05 00219 g002 550
شکل 2. تعداد ساختمان ها از انواع بلوک آپارتمانی (AB)، خانه چند خانواری (MFH)، خانه تک خانواده (SFH) و خانه تراس دار (TH). انواع ساختمان ها بر اساس سال ساخت طبقه بندی می شوند. کل تقاضای انرژی اولیه برای گرمایش و آب گرم خانگی نیز برای شرایط معمول و همچنین بازسازی پیشرفته ساختمان ها بر حسب kWh m -2 year -1 نشان داده شده است.
Ijgi 05 00219 g003 550
شکل 3. کل تقاضای انرژی اولیه برای گرمایش و آب گرم خانگی (MWh سال −1 ) برای ساختمان‌های جداگانه (نوسازی معمول). کادرها صدک های 25 تا 75 را نشان می دهند. وسط و سبیل های بالا و پایین نیز و همچنین نقاط پرت نشان داده شده اند (با دایره ها مشخص می شوند).
Ijgi 05 00219 g004 550
شکل 4. منطقه مورد مطالعه شامل کاربری زمین، ردپای ساختمان و شبکه گرمایش منطقه ای.
Ijgi 05 00219 g005 550
شکل 5. ( الف ) کل تقاضای سالانه انرژی اولیه برای گرمایش و آب گرم خانگی شبیه سازی شده است. ( ب ) جریان عبور سالانه (تقاضای انباشته) و تقاضای سالانه حاصل از کوتاهترین مسیر بین نیروگاه ترکیبی حرارت و برق (CHP) و مصرف کنندگان. و ( ج ، د ) تلفات خالص سالانه به عنوان درصد تقاضای انرژی اولیه.
Ijgi 05 00219 g006 550
شکل 6. ( الف ) تفاوت در تقاضای انرژی بین شرایط فعلی شبیه سازی شده (همانطور که در شکل 5 الف نشان داده شده است) و شبیه سازی های سناریو. و ( ب ) تفاوت در جریان عبوری و تقاضا.
جدول
جدول 1. داده های مورد نظر.

;کاربردهای GISمقالات

الهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370