| Titre | Comparing machine learning and linear regression methods for estimating marginal greenhouse gas emission factors of electricity generation with renewables |
| Télécharger | Téléchargements |
| |
| Licence | Veuillez noter que la Licence du gouvernement
ouvert - Canada remplace toutes les licences antérieures. |
| Auteur | Pied, M; Pelland, S; Wong, S ; Turcotte, D; Raissi Dehkordi, V |
| Source | 2021, 33p., https://doi.org/10.4095/329257  Accès ouvert |
| Image |  |
| Année | 2021 |
| Document | livre |
| Lang. | anglais |
| DOI | https://doi.org/10.4095/329257 |
| Media | en ligne; numérique |
| Formats | pdf |
| Sujets | Intelligence artificielle; Gaz à effet de serre; Énergie renouvelable; Ressources renouvelables; Technologie antipollution; Nature et environnement; Sciences et technologie |
| Illustrations | tableaux; graphiques; histogrammes |
| Programme | CanmetÉNERGIE - Varennes Bâtiment solaire net zéro |
| Programme | Le Programme de recherche et de développement énergétiques (PRDE) |
| Diffusé | 2021 07 07; 2021 12 01 |
| Sommaire | (Résumé en langage clair et simple, non publié)
Le secteur de l'électricité joue un rôle essentiel dans la réduction des émissions de gaz à effet de serre. L'approvisionnement énergétique dans
l'ensemble des secteurs s'oriente vers l'électricité, et la production d'électricité s'oriente à son tour vers les sources à faibles émissions de carbone. Des facteurs d'émissions de gaz à effet de serre marginaux (FEM) sont requis pour quantifier
correctement les répercussions sur les émissions de gaz à effet de serre qu'ont les politiques et les programmes qui modifient la demande en électricité. Nous avons comparé différentes méthodes d'estimation des FEM appliquées aux provinces
canadiennes de l'Ontario et de l'Alberta : une nouvelle méthode utilisant des réseaux de neurones artificiels et des méthodes existantes utilisant des régressions linéaires simples et multiples. Des modèles ont été développés à l'aide des données
horaires des sociétés indépendantes d'exploitation du réseau électrique de chaque province pour 2017, 2018 et 2019. Ces modèles ont été entraînés avec les données d'une année et testés pour l'année suivante en ce qui concerne le biais et la racine
carrée de l'erreur quadratique moyenne. Dans l'ensemble, la régression linéaire multiple pour une année complète s'est avérée être le modèle le plus fiable, offrant un biais faible de façon constante et pouvant être utilisée pour calculer les FEM par
heure ou par mois. Bien que l'Alberta et l'Ontario ne fournissent pas de FEM historiques, des comparaisons indirectes suggèrent que nos FEM se situaient à environ 4 % et 13 % des FEM réels de l'Ontario et de l'Alberta, respectivement. Enfin, nous
avons utilisé le cas de l'Ontario pour explorer une règle permettant de déterminer à quel moment les éoliennes peuvent fournir la production marginale. Cette question a été négligée jusqu'à présent et devient importante en raison de la croissance des
énergies renouvelables dans le monde. |
| GEOSCAN ID | 329257 |
|
|