På vej mod DGNB-certificering
Efter en lang række overvejelser i samråd med SEAS-NVE valgte Holbæk Kommune at renovere bygningen med så omfattende fokus på bæredygtighed, at den til slut kan certificeres efter den tyske standard DGNB.
Projektudvikler i Holbæk Kommune, Niels Thun-Rasmussen, forklarer:
I DGNB har "bæredygtighed" en meget bred betydning. Det handler både om, hvad du bygger og hvordan. For eksempel har vi valgt at dimensionere alle nye bygningselementer, så de kan være i bygningens eksisterende elevatorer og ikke skal løftes ind med kran eller via stillads.
Bæredygtighed er også at involvere brugerne og tilrettelægge projektet, så der ikke behøves genhusning undervejs. På kryds og tværs gentænker vi materialevalg og byggeprocesser for at mindske miljø- og klimapåvirkningen.
Vigtige valg for bygningens DGNB-certificering
- Byggematerialer af træ frem for stål
- Tætning og efterisolering af facade
- Omfattende brug af præfabrikerede byggeelementer
- Energivinduer med indbyggede persienner på alle sider af bygningen
- LED-belysning med styring af farvetemperatur
- Indregulering af ventilation
- Vandbåret radiatorvarme fra central varmepumpe
- Særlig belysning af indvendig bygningsudsmykning
- Tryghedsskabende belysning på sti til Holbæk Station
Poul Leth Lorentsen, projektleder og bygningsfysiker i SEAS-NVE supplerer:
Vi er gået meget helhedsorienteret til værks, og ovenstående er blot et udpluk af de ændringer, der gør certificeringen mulig. F.eks. kan det også være en fordel at isolere med glasuld frem for stenuld, fordi produktionen af glasuld har en lavere CO2-udledning.
Flere idéer: Grønt tag og proaktiv varmestyring
På sigt skal bygningen sandsynligvis også have grønt tag, der vil forsinke vandafledningen under kraftige regnskyl, så det nemmere kan ledes bort, og samtidig vil bidrage til køling om sommeren.
En anden overvejelse går på at installere en ny og unik varmestyring, der ikke kun reagerer på ændringer i vejret, men proaktivt analyserer data fra vejrprognoser flere døgn ud i fremtiden. Ved hjælp af machine learning kan systemet "lære" at flytte varmerelateret energiforbrug til perioder, hvor der er mere vedvarende energi i elnettet. Beregninger viser, at det kan sænke CO2-udledningen med helt op til 20%.