not logged in | [Login]
Inden for rammerne af Hotmaps-projektet er data indsamlet på forskellige niveauer (nationalt, regionalt og lokalt niveau). Disse data er genereret for fire forskellige sektorer: boliger (enfamiliehuse, flerfamiliehuse og flerfamiliehuse), service (kontorer, handel, uddannelse, sundhed, hoteller og restauranter og andre ikke-beboelsesejendomme), industri (jern og stål, ikke-jernholdige metaller, papir og trykning, ikke-metalliske mineraler, kemisk industri, mad, drikke og tobak, ingeniørarbejde og andre ikke klassificerede) og transport (passagertransport - offentlig, privat, jernbane- og godstransport - tunge varer og lette erhvervskøretøjer).
Alle de ovennævnte datasæt er gemt i Hotmaps-datalagre på GitLab og kan tilgås og downloades derfra. Hotmaps-datalagre er omfattende og består af mere end 70 lagre. For at give et bedre overblik over alle Hotmaps-arkiver klyngede vi dem her i forskellige klasser og leverede den direkte link til dem. For detaljerede forklaringer om dataindsamling, metoder, referencer, antagelser og begrænsninger for Hotmaps-datasæt henvises til denne rapport [1].
Andel af bruttoareal i anlægsperioder:
Opret din egen profil:
Generiske filer skal gøre det muligt for brugeren at fremstille egne belastningsprofiler ved hjælp af sine egne data og et strukturår efter eget valg. For de industrielle belastningsprofiler leverede vi en årslang profil for året 2018 (hvor typedagene er angivet i rækkefølgen af dette år). For tertiære og boligbelastningsprofiler leverede vi en årslang profil for året 2010. Vi ønsker dog at give brugeren mulighed for at bruge et strukturår efter eget valg (Strukturår betyder i denne sammenhæng rækkefølgen af dage i i løbet af året).
De her viste profiler er enhedsløse, da de skaleres under genereringen af årslange profiler.
Der henvises til de enkelte profiler i denne wiki eller til de respektive datasætopbevaringssteder for mere information om generering af profiler fra de generiske profiler.
Til opvarmning, køling og varmt vand leverede vi en årslang profil for året 2010. Men hvis brugerne har adgang til stedsspecifikke timeprofiler i timen eller til temperaturprofiler i andre år end 2010, vil vi give brugeren mulighed for at Brug disse data til at generere belastningsprofiler med et andet strukturår eller højere præcision. Derfor skal de generiske profiler gøre det muligt for brugeren at producere egne belastningsprofiler ved hjælp af sine egne data og et strukturår efter eget valg.
Ved levering af varmt vand antager vi, at efterspørgsel og dermed den tilsvarende belastningsprofil afhænger af sæsonbestemt, ugentlig og daglig påvirkning.
Kolonnerne "dagtype" henviser til typen af dag i ugen:
For at integrere en sæsonbestemt indflydelse i efterspørgselsprofilen bruges kolonnen "sæson".
Årslange profiler for varmt vand kan genereres ud fra de generiske profiler, der er angivet her ved hjælp af følgende trin:
Ved opvarmning og afkøling antager vi, at efterspørgslen ikke afhænger af dagtypen, men kun af selve timen på dagen og udetemperaturen i den respektive time (af denne grund er kolonnerne "type dag" og "sæson" ikke relevant for varme- og køleprofiler).
Årslange profiler kan genereres ud fra de generiske profiler, der findes i dette arkiv ved at følge følgende trin:
Den tertiære sektorprofil består af efterspørgsel fra flere undersektorer. Konfigurationen er forskellig for hvert land. For de respektive delsektoraktier pr. Land henviser vi til hotmaps WP2-rapporten, afsnit 2.7.3 (https://www.hotmaps-project.eu/wp-content/uploads/2018/03/D2.3-Hotmaps_for-upload_revised -final_.pdf).
Ved varmt vandbehov antager vi, at efterspørgslen er uafhængig af udetemperaturen, men afhænger af dagtypen i en uge og timen på dagen. Kolonnen "dagtype" henviser til typen af dag i ugen:
Årslange profiler kan genereres ud fra de generiske profiler, der er angivet her ved hjælp af følgende trin:
Til opvarmning og køling i tertiærsektoren leverede vi en årslang profil for året 2010. Vi ønsker dog at give brugeren mulighed for at bruge et år efter eget valg. Derudover, hvis brugere har adgang til stedsspecifikke timeprofiler i timen, vil vi give brugeren mulighed for at bruge disse data til at generere belastningsprofiler med højere præcision. Derfor skal de generiske profiler gøre det muligt for brugeren at producere egne belastningsprofiler ved hjælp af sine egne data og et strukturår efter eget valg.
Vi antager, at efterspørgslen efter opvarmning og køling i den tertiære sektor afhænger af dagtypen, selve timen på dagen og udetemperaturen i den respektive time.
Profilerne, der er angivet her, er enhedsløse, da de skal skaleres under genereringen af årslange profiler. For de generiske profiler til opvarmning og køling er de drevet af forskellene mellem timer og temperaturniveauer. Da den tertiære sektor er drevet af en ugentlig rytme, afhænger profilerne til opvarmning og afkøling i den tertiære sektor desuden også af dagtypen. Kolonnen "dagtype" henviser til typen af dag i ugen:
Årslange profiler kan genereres ud fra de generiske profiler til tertiær opvarmning og køling, der findes i dette lager ved at følge følgende trin:
For de industrielle belastningsprofiler leverede vi en årslang profil for året 2018 (hvor typen af dage er indstillet i rækkefølgen af dette år). Vi ønsker dog at give brugeren mulighed for at bruge et strukturår efter eget valg. Strukturår betyder i denne sammenhæng rækkefølgen af dage i løbet af året. Kolonnerne "dagstype" henviser til typen af dag i ugen:
Kolonnen "måned" refererer til året i året. 1 = januar, 2 = februar osv. Årslange profiler kan genereres ud fra de generiske profiler, der er angivet her ved hjælp af følgende trin:
De årspecifikke (årslange) profiler, der er angivet her, genereres på basis af syntetiske timeprofiler i typiske dage. I denne sammenhæng understreger vi, at profiler ikke måles, men modelleres under hensyntagen til forskellige faktorer afhængigt af profiltypen:
Ved hjælp af strukturen af dagene i et år samles profilerne til en årslang efterspørgselsprofil.
Alle profiler, der er angivet her, er enhedsløse og normaliserede til 1 000 000. For at kunne profilere skal den skaleres i henhold til den årlige efterspørgsel i den respektive region (dvs. således at profilintegralet svarer til det årlige behov pr. Region).
For detaljerede forklaringer og en grafisk illustration af datasættet se Hotmaps WP2-rapporten (afsnit 2.7).
[1] Simon Pezzutto, Stefano Zambotti, Silvia Croce, Pietro Zambelli, Giulia Garegnani, Chiara Scaramuzzino, Ramón Pascual Pascuas, Alyona Zubaryeva, Franziska Haas, Dagmar Exner (EURAC), Andreas Müller (e-think), Michael Hartner (TUW) , Tobias Fleiter, Anna ‐ Lena Klingler, Matthias Kühnbach, Pia Manz, Simon Marwitz, Matthias Rehfeldt, Jan Steinbach, Eftim Popovski (Fraunhofer ISI) Bedømt af Lukas Kranzl, Sara Fritz (TUW); Online adgang
Mostafa Fallahnejad, i Hotmaps-Wiki, Hotmaps-data-repository-structure (Maj 2019)
Denne side blev skrevet af Mostafa Fallahnejad ( EEG - TU Wien ).
☑ Denne side blev gennemgået af Marcus Hummel ( e-think )
Ophavsret © 2016-2019: Mostafa Fallahnejad
Creative Commons Attribution 4.0 International licens
Dette arbejde er licenseret under en Creative Commons CC BY 4.0 International licens.
SPDX-licensidentifikator: CC-BY-4.0
Licens-tekst: https://spdx.org/licenses/CC-BY-4.0.html
Vi vil gerne formidle vores dybeste påskønnelse til Horizon 2020 Hotmaps-projektet (tilskudsaftale nummer 723677), som gav finansieringen til at gennemføre den nuværende undersøgelse.
This page was automatically translated. View in another language:
English (original) Bulgarian* Czech* German* Greek* Spanish* Estonian* Finnish* French* Irish* Croatian* Hungarian* Italian* Lithuanian* Latvian* Maltese* Dutch* Polish* Portuguese (Portugal, Brazil)* Romanian* Slovak* Slovenian* Swedish*
* machine translated