not logged in | [Login]
Inom ramen för Hotmaps-projektet har data samlats in på olika nivåer (nationell, regional och lokal nivå). Dessa data har genererats för fyra olika sektorer: bostäder (enfamiljshus, flerfamiljshus och flerfamiljshus), service (kontor, handel, utbildning, hälsa, hotell och restauranger och andra icke-bostadshus), industri (järn och stål, icke-järnmetaller, papper och tryck, icke-metalliska mineraler, kemisk industri, mat, dryck och tobak, teknik och andra ej klassificerade) och transporter (persontransporter - offentlig, privat, järnväg och godstransport - tunga varor och lätta nyttofordon).
Alla ovan nämnda datamängder lagras i Hotmaps-datalagrar på GitLab och kan nås och laddas ner därifrån. Hotmaps-datalagren är omfattande och består av mer än 70 arkiv. För att ge en bättre överblick över alla Hotmaps-förråd, här grupperade vi dem i olika klasser och gav den direkta länken till dem. För detaljerade förklaringar om datainsamling, metoder, referenser, antaganden och begränsningar för Hotmaps-datauppsättningar hänvisas till denna rapport [1].
Andel av bruttoytan under byggnadsperioder:
Skapa din egen profil:
Generiska filer är tänkta att göra det möjligt för användaren att producera egna lastprofiler med hjälp av sina egna data och ett strukturår efter eget val. För industrilastprofilerna tillhandahöll vi en årslång profil för år 2018 (där typdagarna anges i ordningen i år). För tertiär- och bostadsbelastningsprofiler tillhandahöll vi en årslång profil för år 2010. Vi vill dock ge användaren möjlighet att använda ett strukturår efter eget val (Strukturår betyder i detta sammanhang ordningen dagar i året).
Profilerna som tillhandahålls här är enhetlösa eftersom de måste skalas under genereringen av årslånga profiler.
Se de enskilda profilerna i denna wiki eller respektive datauppgifter för mer information om generering av profiler från generiska profiler.
För uppvärmning, kylning och varmvatten tillhandahöll vi en årslång profil för året 2010. Om användarna har tillgång till platsspecifika temperaturprofiler per timme eller till temperaturprofiler under andra år än 2010 vill vi ge användaren möjlighet att använda dessa data för att generera lastprofiler med ett annat strukturår eller högre precision. Därför ska de generiska profilerna göra det möjligt för användaren att producera egna lastprofiler med hjälp av sina egna data och ett strukturår efter eget val.
För varmvattenförsörjning antar vi att efterfrågan och därmed motsvarande belastningsprofil beror på säsongens, veckovisa och dagliga påverkan.
Kolumnerna "dagstyp" avser typen av dag i veckan:
För att integrera ett säsongsmässigt inflytande i efterfrågeprofilen används kolumnen "säsong".
Årslånga profiler för varmvatten kan genereras från de generiska profilerna som tillhandahålls här enligt följande steg:
För uppvärmning och kylning antar vi att efterfrågan inte beror på dagstypen utan bara på timmen på dagen och utetemperaturen under respektive timme (av denna anledning är kolumnerna "typ dag" och "säsong" inte relevant för värme- och kylprofiler).
Årslånga profiler kan genereras från de generiska profilerna som finns i detta arkiv genom att följa följande steg:
Tertiär sektorprofil består av efterfrågan från flera undersektorer. Konfigurationen är olika för varje land. För respektive delsektorer per land hänvisar vi till hotmaps WP2-rapporten, avsnitt 2.7.3 (https://www.hotmaps-project.eu/wp-content/uploads/2018/03/D2.3-Hotmaps_for-upload_revised -final_.pdf).
För efterfrågan på varmvatten antar vi att efterfrågan är oberoende av utomhustemperaturen, men beror på typen av dag i en vecka och timmen på dagen. Kolumnen "dagstyp" hänvisar till typen av dag i veckan:
Årslånga profiler kan genereras från de generiska profilerna som tillhandahålls här enligt följande steg:
För uppvärmning och kylning i tertiärsektorn tillhandahöll vi en årslång profil för året 2010. Vi vill dock ge användaren möjlighet att använda ett år efter eget val. Dessutom, om användare har tillgång till platsspecifika timprofiler per timme, vill vi ge användaren möjlighet att använda dessa data för att generera belastningsprofiler med högre precision. Därför ska de generiska profilerna göra det möjligt för användaren att producera egna lastprofiler med hjälp av sina egna data och ett strukturår efter eget val.
Vi antar att efterfrågan på uppvärmning och kylning i den tertiära sektorn beror på typ av dag, timmen på dagen och utetemperaturen under respektive timme.
Profilerna som tillhandahålls här är enhetlösa eftersom de måste skalas under genereringen av årslånga profiler. För de generiska profilerna för uppvärmning och kylning drivs de av skillnaderna mellan timmar och temperaturnivåer. Eftersom tertiärsektorn drivs av en veckorytm beror dessutom profilerna för uppvärmning och kylning i tertiärsektorn också på dagstyp. Kolumnen "dagstyp" hänvisar till typen av dag i veckan:
Årslånga profiler kan genereras från de generiska profilerna för tertiär uppvärmning och kylning som tillhandahålls i detta arkiv enligt följande steg:
För industrilastprofilerna tillhandahöll vi en årslång profil för år 2018 (där typ av dagar ställs in i ordning i år). Vi vill dock ge användaren möjlighet att använda ett strukturår efter eget val. Med strukturår avses i detta sammanhang dagordningen under året. Kolumnerna "dagstyp" avser typen av dag i veckan:
Kolumnen ”månad” hänvisar till årets månad. 1 = januari, 2 = februari etc. Årslånga profiler kan genereras från de generiska profilerna som tillhandahålls här enligt följande steg:
De årsspecifika (årslånga) profilerna som tillhandahålls här genereras på basis av syntetiska timprofiler för typiska dagar. I detta sammanhang betonar vi att profiler inte mäts utan modelleras med beaktande av olika faktorer beroende på profiltyp:
Med hjälp av dagarnas struktur per år samlas profilerna till en årslång efterfrågan.
Alla profiler som tillhandahålls här är enhetslösa och normaliserade till 1 000 000. För att en profil ska den skalas enligt den årliga efterfrågan i respektive region (dvs. så att profilen integreras lika med den årliga efterfrågan per region).
För detaljerade förklaringar och en grafisk illustration av datasetet, se Hotmaps WP2-rapporten (avsnitt 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) Recenserad av Lukas Kranzl, Sara Fritz (TUW); Online-åtkomst
Mostafa Fallahnejad, i Hotmaps-Wiki, Hotmaps-data-repository-structure (maj 2019)
Denna sida skrevs av Mostafa Fallahnejad ( EEG - TU Wien ).
☑ Den här sidan granskades av Marcus Hummel ( e-think )
Copyright © 2016-2019: Mostafa Fallahnejad
Creative Commons Attribution 4.0 internationell licens
Detta arbete är licensierat under en Creative Commons CC BY 4.0 International License.
SPDX-licensidentifierare: CC-BY-4.0
Licenstext: https://spdx.org/licenses/CC-BY-4.0.html
Vi vill förmedla vår djupaste uppskattning till Horizon 2020 Hotmaps-projektet (bidragsavtal nummer 723677), som gav finansieringen för att genomföra den nuvarande utredningen.
This page was automatically translated. View in another language:
English (original) Bulgarian* Czech* Danish* German* Greek* Spanish* Estonian* Finnish* French* Irish* Croatian* Hungarian* Italian* Lithuanian* Latvian* Maltese* Dutch* Polish* Portuguese (Portugal, Brazil)* Romanian* Slovak* Slovenian*
* machine translated