Currently, Switzerland is facing fundamental changes in its energy markets due to economic and technological
developments as well as political decisions at home and abroad. Of the approximately 60 terawatt hours of
electricity consumed annually in Switzerland, around 18 terawatt hours are consumed by private households (status
as of 2011) [1]. Thus, there is a widespread interest in the electrical consumption of buildings. For example, it
is of great interest to understand what purposes electricity is used for in order to set priorities for reducing its
consumption.
The total yearly electrical energy demand of buildings is currently predominately used for accounting purposes.
Thus, big data sets are potentially available. Within this thesis, two data sets for residential buildings in two
Swiss municipalities were analysed. The age-related segmentations of the buildings in the data sets were discovered
and visualized with bar graphs. In addition, the electrical energy demands were analysed and visualized with box
plots.
Additionally, the specific electrical energy demands with respect to energy reference areas were calculated and
visualized with empirical cumulative distribution functions. Furthermore, a new approach was used to divide
the distributions of the overall specific electrical energy demands into shares for appliances, space heating and
domestic hot water production. The outcomes obtained by using this method were compared with values from
existing surveys concerning the electricity consumption in typical households as well as with standard values for
domestic hot water demand. The comparison showed that the extracted heat demands tend to be too low. However,
the new approach seems promising in terms to extract different shares from the total yearly specific electrical energy
demand for buildings from big data sets. Further developments, based on this work, in terms of a comprehensive
analytical methods are required.
It is important to note that an improvement of the reliability of the method or an extension of the methods requires
additional data sources.
Die Schweiz steht derzeit aufgrund der wirtschaftlichen und technologischen Entwicklung sowie der politischen
Entscheidungen im In- und Ausland vor grundlegenden Veränderungen in den Energiemärkten. Von den rund
60 Terawattstunden Strom, die in der Schweiz jährlich verbraucht werden, entfallen ca. 18 Terawattstunden auf
private Haushalte (Stand 2011) [1]. Daher steht der Stromverbrauch der Privathaushalte im Zentrum des Interesses.
Eine zentrale Frage ist, für welche Zwecke der Strom verwendet wird, um Prioritäten für die Reduzierung des
Stromverbrauchs zu setzen.
Für die Elektrizitätsrechnung wird der jährliche elektrische Energiebedarf von Gebäuden berechnet. Daher existieren
sehr grosse Datensätze des elektrischen Energiebedarfs. Im Rahmen dieser Arbeit wurden zwei Datensätze
von zwei Schweizer Gemeinden analysiert. Die Altersstruktur der darin enthaltenen Gebäude wurde mit Balkendiagrammen
visualisiert. Zudem wurden die elektrische Energiebedarfe analysiert und mit Boxplots visualisiert.
Zusätzlich wurde der spezifische elektrische Energiebedarf in Bezug auf die Energiebezugsfläche berechnet und mit
empirischen kumulativen Verteilungsfunktionen visualisiert. Darüber hinaus wurde ein neuer Ansatz zur Aufteilung
der Verteilung des gesamten spezifischen elektrischen Energiebedarfs in Anteile für Geräte, Raumheizung und
Warmwasser angewendet. Die Ergebnisse der Methode wurden mit Werten aus bestehenden Erhebungen zum
Stromverbrauch in typischen Haushalten sowie mit Richtwerten für den Warmwasserbedarf verglichen. Der Vergleich
zeigte, dass die erhalten Wärmebedarfe tendenziell zu niedrig sind. Der neue Ansatz scheint jedoch vielversprechend
zu sein, um aus Datensätzen des jährlichen elektrischen Energiebedarfs von Gebäuden unterschiedliche
Anteile nach Nutzungszweck zu erhalten. Es sind weitere Entwicklungen erforderlich, um auf der Grundlage dieser
Arbeit eine umfassende Analysemethode zu entwickeln.
Es ist jedoch zu berücksichtigen, dass für zuverlässigere Ergebnisse und für eine Weiterentwicklung der Methode
mehr Daten benötigt werden.