Quantifying the impact of climate change on power demand and associated CO2 emissions with machine learning methods - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Quantifying the impact of climate change on power demand and associated CO2 emissions with machine learning methods

Quantifier l'impact du changement climatique sur la demande en électricité et les émissions de CO2 associées par des méthodes de machine learning

Résumé

Human activities are the main driver of anthropogenic global warming through the emission of greenhouse gases (GHGs), in particular carbon dioxide (CO2). The global warming has significant impacts on human activities, particularly in the energy and power generation sectors. Rising temperatures, already +1°C compared to the pre-industrial era and locally higher, have a direct impact on energy demand. It encourages the use of air conditioning while reducing the need for heating. Understanding these impacts is essential for policymakers and energy system planners to prepare for challenges related to distribution and production capacity. In addition, power generation from fossil fuels contributes to CO2 emissions, creating a feedback loop: human activities --> global warming --> human activities.To address these issues, this thesis aims to develop national simulation models of daily power demand using machine learning methods trained on climatic (ERA5 reanalyses) and socioeconomic data. Two case studies, Qatar and Japan, were used to develop the methodology, which was then applied globally. A demand simulation model based on second-order polynomial regression was developed in Qatar. In Japan, several models using different machine learning regressors, including Random Forest, Gradient Boosting, and Multivariate Adaptive Regression Spline, were tested to simulate daily demand and carbon intensity. From these models, the key variables influencing demand were identified using interpretation methods (Partial Dependence, Local Accumulated Effect, Shapley Values, and Feature Importance). These models were then used to project power demand over the course of the century, using daily climate (CMIP6, ISIMIP3b) and socioeconomic projections for different future scenarios. CO2 emissions from power generation were calculated by assuming fixed energy mixes.This methodology was then applied to more than ten countries (Australia, Brazil, the European Union, India, China, South Africa, Russia, Chile, Mexico, Norway, and the USA) for which power demand data are available through the Carbon Monitor project. Generalized Additive Models were added to the list of machine learning models tested. For the other countries, a reference country was selected from the above countries using the k-means method based on climatic and socioeconomic similarities. For these countries, the reference model was applied with their own climatic and socioeconomic projections to estimate the evolution of their power demand in response to climate change. CO2 emissions from global power generation were calculated using regionally available carbon intensity projections from the IMAGE3.2 integrated assessment model.Finally, these CO2 emissions were added to a simple climate model ACC2 to assess their impact on global temperature. The results show that in high latitudes, the decrease in power demand due to global warming can sometimes outweigh the increase due to air conditioning, while in the tropics, the increase in air conditioning demand is more pronounced. Overall, these additional CO2 emissions have very little impact on global temperatures, although locally and temporarily significant increases in power demand are observed.
Les activités humaines, à travers l'émission de gaz à effet de serre (GES), en particulier le dioxyde de carbone (CO2), sont la principale cause du réchauffement climatique. Ce réchauffement a des répercussions significatives sur les activités humaines, notamment dans le secteur de l'énergie et de la production d'électricité. L'augmentation des températures, dépassant déjà 1°C et atteignant localement des valeurs plus élevées, influence directement la demande énergétique. Elle favorise le recours à la climatisation tout en réduisant le besoin de chauffage. Comprendre ces impacts est essentiel pour les décideurs politiques et les acteurs de l'énergie afin d'anticiper les défis liés à la distribution et à la capacité de production. De plus, la production d'électricité à partir de sources fossiles contribue aux émissions de CO2, créant ainsi une boucle de rétroaction entre production d'énergie et réchauffement climatique.Pour répondre à ces enjeux, cette thèse vise à développer des modèles de simulation de la demande journalière en électricité à l'échelle nationale en utilisant des modèles de Machine Learning (ML) entraînés sur des données climatiques (réanalyses ERA5) et socio-économiques. Deux cas d'études, le Qatar et le Japon, ont permis de développer la méthode ensuite appliquée à l'ensemble du globe. Au Qatar, un modèle simulant la demande basée sur une régression polynomiale du second ordre de la température journalière a été développé. Au Japon plusieurs modèles utilisant différents régresseurs d'apprentissage automatique, Random Forest, Gradient Boosting et Multivariate Adaptive Regression Spline, ont été testés pour simuler la demande (et l'intensité carbone) journalière, avec un plus grand nombre de variables climatiques. À partir de ces modèles, les variables clés influençant la demande ont été identifiées grâce à des méthodes d'interprétation (Partial Dependence, Local Accumulated Effect, Shapley Values). Ces modèles ont ensuite été utilisés pour projeter la demande en électricité jusqu'en 2100, en utilisant des projections de variables climatiques (CMIP6, ISIMIP3b) et socio-économiques pour différents scénarios futurs. Les émissions de CO2 associées ont été calculées en faisant des hypothèses sur l'évolution des mix énergétiques des pays.Cette méthodologie a ensuite été appliquée à une dizaine de pays (Australie, Brésil, Union Européenne, Inde, Chine, Afrique du Sud, Russie, Chili, Mexique, Norvège et Etat Unis) pour lesquels des données de demande en électricité sont disponibles grâce au projet Carbon Monitor, en ajoutant les Modèle Additif Généralisé à la liste des modèles de ML testés. Pour les pays sans données énergétiques, un pays (et modèle) de référence parmi ceux précédemment cités leur a été attribué en se basant sur leurs similitudes climatiques et socio-économiques. Pour ces pays, le modèle de référence a été appliqué avec leur propre projections climatiques et socio-économiques pour estimer l'évolution de leur demande en électricité en réponse au changement climatique. Les émissions de CO2 issue de la production d'électricité globale ont été calculées en utilisant des projections d'intensité carbone disponibles à l'échelle de grandes régions issues du modèle d'évaluation intégré IMAGE3.2. Enfin, ces émissions de CO2 ont été ajoutées à un modèle climatique simplifié pour évaluer leur impact sur la température globale.Les résultats indiquent que dans les hautes latitudes, la baisse de la demande en chauffage peut parfois surpasser l'augmentation liée à la climatisation, tandis que sous les tropiques, l'augmentation de la demande en climatisation est plus marquée. Globalement, les émissions supplémentaires de CO2 ont un impact faible sur la température globale, bien que localement et ponctuellement pendant certains mois de l'année, des augmentations significatives de la demande en électricité aient été observées.
Fichier principal
Vignette du fichier
127009_GURRIARAN_2023_archivage.pdf (124.7 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04503227 , version 1 (13-03-2024)

Identifiants

  • HAL Id : tel-04503227 , version 1

Citer

Léna Gurriaran. Quantifying the impact of climate change on power demand and associated CO2 emissions with machine learning methods. Environment and Society. Université Paris-Saclay, 2023. English. ⟨NNT : 2023UPASJ031⟩. ⟨tel-04503227⟩
84 Consultations
2 Téléchargements

Partager

Gmail Facebook X LinkedIn More