Climate data, climate change and building energy simulation based on multiple actual years

The use of building energy models is becoming progressively widespread for evaluating the suitability of building strategies in building environments. Weather data is a fundamental input in building energy modelling, since the effective microclimate around a building has a significant influence in its performances and it is the base of any passive design approach. Today, dynamic building energy simulations are based on what is called Typical Meteorological Year [TMY], a hourly sequence of the main variables used to describe the surroundings of a building, based on historical data recorded by a weather station. Although the number of these data sets is growing, their number is often limited to few locations, mostly an airport far from the main city, and they fail to represent the local microclimates. But even more important, they are based on surveys older than 20 years and in some cases than 50 years and don’t take into account short-term climate change, while the calculation is made for the future 20 years at least. If there is a clear need for more data, closer to the real condition, for estimating building energy performances closer to the actual and future ones, there is also a growth in the data available: it is true that in the actual IoT, the huge amount of sensors doesn’t provide all the data needed and the available data is far from being reliable, but there is also a growth of reliable weather stations, in the cities and outside them, to monitor environmental conditions, that could be used to generate new, more, updated data sets also for Building Performance Simulation [BPS]. Our work starts from an attempt to create Actual Weather Years [AWYs] using real-time weather data recorded at meteorological stations located within Milano. The main problem we had to face was that, in any case, it may happen that records may be incomplete: this posed a significant challenge bringing a need to evaluate suitable methods to impute them and the best approach among various statistical, empirical, and functional methods was searched, to fill missing hourly data for air temperature, relative humidity, global solar irradiance, precipitation, wind velocity and direction. As we could have expected, the developed AWYs showed that weather data significantly vary from year to year. The results of this work are as follows: • A methodology to complete datasets that could be used to realize a huge number of AWY datasets and transform them in a EPW format, compatible with every BPS software • Few basic steps in the analysis of the weather changes in a big Italian city and its surroundings • The assessment of these changes on the operational building energy consumption of a reference residential building located in this climate, performed using IES-Virtual Environment software. • To perceive the difference in building energy performance analysis that can be estimated if using a TMY or AWYs In synthesis, on one side, we were able to set a methodology that could be applied to hundreds of incomplete datasets and to make a huge number of new datasets available for BPS: around Milano and in the whole Italy. On the other side, we were able to see and measure a change trend in the climate and to measure its impact on the energy needs and peak power needs for heating and cooling of a standard building; slightly lower operational heating needs, considerably higher cooling needs.

L'uso dei modelli energetici degli edifici è progressivamente cresciuto e si è diffuso con varie applicazioni, tutte finalizzate alla valutazione dell'adeguatezza delle scelte progettuali relative agli edifici, con finalità varie: per prevedere le condizioni igrotermiche e di illuminazione che si realizzano negli ambienti interni e limitrofi, per comprendere la complessa interazione tra comportamento dell'utente, involucro edilizio e impianti, per determinare le prestazioni di efficienza energetica dell'insieme e poterne valutare la sostenibilità, sia dal punto di vista ambientale, sia dal punto di vista sociale, per esempio per i livelli di comfort che si realizzano, sia dal punto di vista economico. A tale scopo, i dati meteorologici rappresentano un input fondamentale, ma, tuttora, la migliore pratica professionale, basata su una modellazione dinamica, è costretta a utilizzare serie di dati vecchi, che non tengono conto né delle più recenti evoluzioni del clima, né delle specificità locali: l'anno meteorologico tipico [TMY] usato per le simulazioni energetiche dinamiche degli edifici, infatti, si basa su dati registrati in un numero limitato di stazioni meteorologiche, situate principalmente fuori città, per esempio in prossimità di aeroporti, lontani nello spazio e spesso lontani nel tempo, anche una cinquantina d'anni. Se, da un lato, c'è un evidente bisogno di più dati, maggiormente rappresentativi della reale condizione in cui si sarebbe recentemente trovato, ma soprattutto si troverà un edificio (nel suo futuro prossimo e remoto), dall'altro anche la disponibilità di questi è cresciuta. E' vero che la grande diffusione pervasiva di sensori, dell'Internet delle Cose, anche a basissimo costo, non è necessariamente compatibile con tale esigenza, sia in termini di tipologia di dati, sia in termini di loro qualità e affidabilità; ma è anche vero che sono cresciute notevolmente le stazioni meteorologiche e la loro distribuzione sul territorio, per esempio a monitorare l'evoluzione delle condizioni di inquinamento o altri rischi ambientali. Questi dati - che si trovano sempre più facilmente come open-data, possono essere utilizzati per generare insiemi di dati utili a svolgere analisi di tipo Building Performance Simulation. il nostro lavoro parte da qui, dal tentativo di creare degli Actual Weather Years [AWYs] usando i dati meteorologici registrati da alcune delle tante stazioni meteorologiche milanesi. Come prima cosa abbiamo dovuto affrontare il problema dell'incompletezza di queste registrazioni, una sfida che ci ha portato a dover individuare un metodo adeguato per compensare le loro lacune. A tale scopo abbiamo cercato di capire quale fosse l'approccio migliore, tra i vari metodi statistici, empirici e funzionali, per riempire le lacune di dati orari di temperatura, umidità relativa, irradianza solare, precipitazioni, velocità del vento e direzione. Come si poteva immaginare, gli AWY così realizzati sono diversi, da anno ad anno (basta confrontare i gradi giorno di riscaldamento e di raffrescamento relativi) e da stazione di rilievo a stazione. I risultati raggiunti a partire da questa esplorazione sono quattro: • una proposta di metodo per completare le lacune presenti in un singolo dataset (a partire da più dataset disponibili), che potrebbe essere utilizzato per rendere utilizzabili molti dei dati raccolti e magari aggiornare i (TMY) esistenti, aggiornando e incrementando il numero degli EPW disponibili per la simulazione energetica. • una prima analisi della variabilità del clima e del trend di cambiamento climatico che interessa una delle principali città del nord-Italia • una valutazione degli effetti del surriscaldamento del clima, in termini di variazione del fabbisogno di energia in fase d'uso di un edificio tipico in Milano • la comparazione dei risultati ottenibili a partire da una simulazione basata su 20 anni di AWY con quelli ottenibili con il tradizionale EPW, per la stessa città.