<div class="csl-bib-body">
<div class="csl-entry">Rast, L. (2026). <i>ArcheTypE: Archetypal building structures as a basis for data-driven energy analyses</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2026.136904</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2026.136904
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/231941
-
dc.description
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
Die kommunale Energie- und Raumplanung benötigt räumliche Informationen, um gezielte Maßnahmen für die Energiewende und nachhaltige Quartiersentwicklung planen zu können. Wesentliche Energiekennzahlen sind häufig weder auf Gebäudeebene noch flächendeckend öffentlich verfügbar; gleichzeitig stellen Behörden umfangreiche Geodaten zur Verfügung, deren Potenzial für Energieanalysen nur begrenzt ausgeschöpft wird. Diese Arbeit untersucht am Beispiel der Gemeinde Bruck an der Leitha, inwiefern sich diese Datenlücke mithilfe dieser Geodaten schließen lässt. Dafür werden simulationsbasierte Energiekennwerte als Zielgrößen verwendet. Der methodische Ansatz kombiniert die Aufbereitung morphologischer, funktionaler und räumlich-struktureller Merkmale mit einem zweistufigen hierarchischen Clustering auf Basis von partitionierten Gower-Distanzen. Die so erzeugten Gruppen werden zu fachlich interpretierbaren Gebäude-Archetypen zusammengeführt und durch Expertenannotationen sowie funktionalen Plausibilitätscheck und Stabilitätsanalysen validiert. Anschließend werden CatBoost-Regressionsmodelle für die gebäudebezogene Prognose von Stromverbrauch, Heizenergie, Primärenergie und CO$_2$-Emissionen trainiert. Anhand eines Vergleichs zwischen Modellvarianten mit und ohne Archetypeninformationen wird deren prädikativer Nutzen unter räumlicher und zufälliger Cross-Validation bestimmt.Im Zuge des Clusterings wurden insgesamt 22 Cluster identifiziert, die in einen Katalog aus 14 Gebäude-Archetypen überführt wurden. Die Zuordnungen erreichten eine Übereinstimmung von $84,6-87,2\%$ mit den Expertenannotationen und wurden zu $99,5\%$ als funktional plausibel eingestuft. Die Stabilitätsprüfungen bestätigten mit einer Zuordnungsübereinstimmung von über $90\%$ eine robuste Struktur. Die Ergänzung der Modell-Eingangsmerkmale um die Archetypen senkte den mittleren absoluten Fehler der Prognosen der vier Energiekennwerte um $1,66-5,75\%$. Sie führten für beide Validierungsverfahren in 17 von 20 Folds zu einer Verbesserung, die sich breit über die Gemeinde verteilte. Abschließend wurden die gebäudespezifischen Vorhersagen auf einem 250-Meter-Raster zu Indikatoren für Energieintensität, Lastdichte, Sanierungsspotenzial und Gebäudestruktur verdichtet. Die Arbeit liefert damit eine räumlich explizite Informationsgrundlage zur Unterstützung kommunaler Planungsprozesse.
de
dc.description.abstract
The communal energy and spatial planning require spatial information to plan targeted measures for the energy transition and sustainable neighborhood and quarter development. Significant energy metrics are often neither publicly available at the building level nor with comprehensive spatial coverage; at the same time, authorities make extensive geodata available, whose potential for energy analyses is only limitedly used. This thesis examines, with the example of the municipality Bruck an der Leitha, how this data gap can be closed with the help of this geodata. As target values, simulation-based energy parameters are used. The methodical approach combines the processing of morphological, functional and spatial-structural features with a two-step hierarchical clustering based on partitioned Gower distances. The so-created groups are combined into building archetypes, which are interpretable from a technical perspective and validated through expert annotations as well as functional plausibility checks and stability analyses. Subsequently, CatBoost-regression models are trained for the building-level prognosis of electricity consumption, heating energy, primary energy and CO$_2$ emissions. Based on a comparison between model variants with and without archetype information, their predictive use under spatial and random cross-validation is assessed. In the course of the cluster, a total of 22 clusters were identified, which were transformed into a catalog of 14 building archetypes. The assignments reached a consistency of $84.6-87.3\%$ with the expert annotations and were classified as functionally plausible to a degree of $99.5\%$. The stability checks confirm a robust structure with an over $90\%$ agreement rate. The addition of the model-input features of the archetypes reduced the mean absolute error of the predictions of the four energy indicators by $1.66-5.75\%$. For both validation processes, they improved in 17 out of 20 folds, which stretch far across the municipality. Finally, the building-specific predictions were aggregated on a 250-meter grid into indicators for energy density, load density, renovation potential and building structure. This work thus provides a spatially explicit information basis to support communal planning processes.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
data-driven energy analyses
en
dc.subject
urban planning
en
dc.title
ArcheTypE: Archetypal building structures as a basis for data-driven energy analyses
en
dc.title.alternative
ArcheTypE: Archetypische Gebäudestrukturen als Grundlage für datengestützte Energieanalysen
de
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2026.136904
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Lukas Rast
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
dc.contributor.assistant
Forster, Julia
-
tuw.publication.orgunit
E194 - Institut für Information Systems Engineering