Thèse soutenue

Quantifier l'impact du changement climatique sur la demande en électricité et les émissions de CO2 associées par des méthodes de machine learning
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Léna Gurriaran
Direction : Philippe Ciais
Type : Thèse de doctorat
Discipline(s) : Géosciences
Date : Soutenance le 21/12/2023
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale des sciences de l'environnement d'Île-de-France
Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences du climat et de l'environnement (Gif-sur-Yvette, Essonne ; 1998-....)
référent : Université de Versailles-Saint-Quentin-en-Yvelines
graduate school : Université Paris-Saclay. Graduate School Géosciences, climat, environnement et planètes (2020-....)
Entreprise : Commissariat à l'énergie atomique et aux énergies alternatives (France)
Jury : Président / Présidente : Masa Kageyama
Examinateurs / Examinatrices : Italia De Feis, Jairo Cugliari, Mathilde Mougeot, Philippe Drobinski
Rapporteurs / Rapporteuses : Italia De Feis, Jairo Cugliari

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

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.