Un nouveau modèle d’apprentissage automatique génératif open source simule les futurs impacts énergie-climat

Alors que les pays du monde entier se tournent vers davantage de production éolienne et solaire et électrifient les utilisations finales de l’énergie, les sociétés sont de plus en plus liées aux conditions météorologiques. Pendant ce temps, le climat change rapidement et fait des événements météorologiques extrêmes la « nouvelle normalité ».

Les planificateurs et les opérateurs de systèmes énergétiques ont besoin de données détaillées et à haute résolution projetées dans le futur pour comprendre l’impact du changement climatique sur la production éolienne et solaire, la demande d’électricité et d’autres variables énergétiques dépendantes des conditions météorologiques. Les données disponibles montrent que le changement climatique va probablement augmenter la demande énergétique, mais il existe très peu de ressources à haute résolution pour quantifier ces impacts.

« Nous envisageons un avenir dans lequel la totalité ou la quasi-totalité de la demande d'électricité sera satisfaite par des sources d'énergie renouvelables », a déclaré Grant Buster, data scientist au National Renewable Energy Laboratory (NREL) du ministère américain de l'Énergie. « Nous devons comprendre comment les ressources renouvelables comme l'énergie éolienne ou solaire pourraient être affectées par le changement climatique et comment ces ressources pourront répondre à nos besoins énergétiques à l'avenir. »

C'est exactement pourquoi Grant Buster, Brandon Benton, Andrew Glaws et Ryan King du NREL ont développé la super-résolution pour les données sur les ressources énergétiques renouvelables avec les impacts du changement climatique, ou Sup3rCC (prononcé « super-cc »), qui a été mise en évidence dans un rapport. Énergie naturelle article de revue.

Sup3rCC est un modèle open source qui utilise l'apprentissage automatique génératif pour produire des ensembles de données climatiques futures à échelle réduite et de pointe qui sont accessibles gratuitement au public. Des données climatiques à échelle réduite sont nécessaires pour comprendre les impacts du changement climatique sur les ressources éoliennes et solaires locales et sur la demande énergétique.

Il existe une multitude de méthodes de réduction d'échelle, mais elles comportent toutes des compromis en termes de résolution, de coûts de calcul et de contraintes physiques d'espace et de temps. Sup3rCC représente un nouveau domaine de méthodes d'apprentissage automatique génératif capables de produire des données haute résolution physiquement réalistes 40 fois plus rapidement que les méthodes traditionnelles de réduction d'échelle dynamique.

« Sup3rCC va changer la façon dont nous étudions et planifions les futurs systèmes énergétiques », a déclaré Dan Bilello, directeur du Centre d'analyse stratégique de l'énergie du NREL. « L'outil produit des données climatiques fondamentales qui peuvent être intégrées aux modèles de systèmes énergétiques et fournissent des informations indispensables aux décideurs chargés de maintenir l'éclairage allumé. »

Surmonter la déconnexion énergie-climat

La recherche sur les systèmes énergétiques et la recherche sur le climat ont traditionnellement été cloisonnées pour plusieurs raisons. La résolution des modèles climatiques mondiaux traditionnels est trop grossière dans le temps et dans l’espace pour la plupart des modèles de systèmes énergétiques, et l’amélioration de la résolution est coûteuse en termes de calcul.

Les modèles climatiques mondiaux ne génèrent ou n’enregistrent pas non plus toujours les résultats nécessaires à la modélisation de la production d’énergie renouvelable. De plus, les ensembles de données de modèles climatiques mondiaux existants et accessibles au public ne sont généralement pas connectés aux pipelines de données et aux logiciels utilisés dans la recherche sur les systèmes énergétiques.

En raison de ces défis persistants, la plupart des planificateurs de systèmes énergétiques se sont appuyés sur des données historiques à haute résolution sur l’énergie éolienne, solaire et la température pour modéliser la production et la demande d’électricité. Mais ignorer les conditions climatiques futures peut être risqué lorsqu’il s’agit de planifier un système énergétique fiable, comme l’ont souligné les récentes pannes d’électricité liées aux conditions météorologiques en Californie et au Texas.

Une communauté croissante de modélisateurs et d’analystes du NREL s’efforce de surmonter le décalage énergie-climat.

« La science du climat est un domaine complexe avec d'énormes quantités de données, d'énormes incertitudes et peu de ressources sur la manière dont les informations peuvent ou doivent être appliquées à d'autres domaines d'étude », a déclaré Buster. « Au NREL, notre objectif est de rassembler les communautés de modélisation énergétique et climatique afin d'utiliser efficacement et de manière appropriée les informations climatiques pour guider la conception et l'exploitation des systèmes énergétiques. »

Sup3rCC a été créé grâce à un partenariat entre des analystes énergétiques et des informaticiens du NREL pour mieux intégrer les changements multidécennaux de la variabilité climatique et météorologique dans la modélisation des systèmes énergétiques. « Ce travail comble le fossé entre les communautés de recherche sur les systèmes énergétiques et le climat pour faire progresser de manière significative le domaine en développement de la recherche énergie-climat », a déclaré Bilello.

Tirer parti de la puissance de l’intelligence artificielle

Sup3rCC surmonte les défis informatiques des techniques traditionnelles de réduction d'échelle dynamique en tirant parti de la puissance des progrès récents d'une technique d'apprentissage automatique génératif appelée réseaux contradictoires génératifs (GANS).

« L'apprentissage automatique génératif est la technologie fondamentale au cœur de notre approche de super-résolution », a déclaré Ryan King, chercheur en informatique au NREL et co-développeur de Sup3rCC. « Il nous serait impossible de produire ces analyses sans apprentissage automatique. »

Sup3rCC apprend les caractéristiques physiques de la nature et de l'atmosphère en étudiant les ensembles de données historiques à haute résolution du NREL, notamment la base de données nationale sur le rayonnement solaire et la boîte à outils nationale d'intégration du vent. Le modèle injecte ensuite des informations physiquement réalistes à petite échelle, tirées des ensembles de données, dans les résultats grossiers futurs des modèles climatiques mondiaux.

En conséquence, Sup3rCC génère des données très détaillées sur la température, l’humidité, la vitesse du vent et l’irradiation solaire, basées sur les dernières projections climatiques futures de pointe. Les résultats de Sup3rCC peuvent ensuite être utilisés pour étudier la future production d’énergie renouvelable, les changements dans la demande d’énergie et les impacts sur le fonctionnement du système électrique. L'ensemble de données initial Sup3rCC comprend des données de 2015 à 2059 pour les États-Unis contigus, et des ensembles de données supplémentaires seront publiés dans les années à venir.

« Notre travail de super-résolution est unique dans le sens où nous améliorons simultanément la résolution spatiale et temporelle et injectons beaucoup plus d'informations que jamais auparavant », a déclaré King. « Sup3rCC préserve les trajectoires à grande échelle des simulations climatiques, tout en les dotant de caractéristiques réalistes à petite échelle qui sont cruciales pour des évaluations précises des ressources en énergies renouvelables et des prévisions de charge. »

Sup3rCC augmente la résolution spatiale des modèles climatiques mondiaux de 25 fois dans chaque direction horizontale et la résolution temporelle de 24 fois, ce qui représente une multiplication par 15 000 de la quantité totale de données. Le modèle peut effectuer ce processus 40 fois plus rapidement que les modèles de réduction d'échelle dynamique traditionnels, afin que les planificateurs et les opérateurs de systèmes énergétiques puissent passer directement à la planification à grande échelle.

Il permettra aux chercheurs du NREL et au-delà d'étudier les événements météorologiques tels que les futures vagues de chaleur et l'interaction entre le réseau électrique et la production d'énergie renouvelable.

« Notre approche réduit considérablement le coût de calcul lié à la génération de données à haute résolution spatiale et temporelle de plusieurs ordres de grandeur », a déclaré King. « Cela nous permet d'envisager les changements dans les ressources renouvelables et la demande d'électricité dans une multitude de scénarios climatiques futurs sur plusieurs décennies, ce qui est essentiel pour planifier les futurs systèmes énergétiques. »

Les superdonnées sous-tendent des études plus vastes et de meilleure qualité

Les ensembles de données Sup3rCC rejoignent une famille de données haute résolution du NREL qui ont permis une augmentation massive des études à grande échelle sur les énergies renouvelables. Les sorties de Sup3rCC sont compatibles avec le modèle de potentiel d'énergie renouvelable (reV) du NREL pour étudier la production éolienne et solaire et interopérer avec toute une suite d'outils de modélisation NREL. Les utilisateurs peuvent accéder aux données Sup3rCC sur Amazon Web Services et exécuter reV dans le cloud depuis leur propre bureau pour voir comment la production éolienne et solaire, la capacité et le coût du système évoluent selon différents scénarios climatiques.

Le succès de Sup3rCC et de nombreux autres projets NREL à fort impact et axés sur les données est rendu possible par la collaboration entre deux centres différents qui combinent les principaux atouts du NREL en matière d'analyse et de calcul.

Le centre d'analyse stratégique de l'énergie du NREL est à l'avant-garde du développement de l'architecture de données et des solutions logicielles nécessaires pour alimenter certaines des études les plus médiatisées et les plus gourmandes en données du laboratoire, comme l'étude sur les énergies renouvelables à 100 % de Los Angeles, la résilience du réseau de Porto Rico et les transitions vers Étude sur les énergies 100 % renouvelables et étude sur la planification nationale du transport. Les solutions de données avancées rendent les données énergétiques plus accessibles, utilisables et exploitables pour les chercheurs et ingénieurs du NREL et au-delà.

Ces solutions de données avancées ne seraient pas non plus possibles sans le Computational Science Center du NREL, qui utilise des méthodes informatiques pour développer une acquisition et une analyse de données révolutionnaires et interdisciplinaires.

Par exemple, dans l'étude LA100, une équipe multidisciplinaire composée de dizaines d'experts du NREL a utilisé le supercalculateur du NREL pour exécuter plus de 100 millions de simulations à une résolution spatiale et temporelle ultra-élevée afin d'évaluer une gamme de scénarios futurs sur la manière dont le système électrique du LADWP pourrait évoluer vers un rendement à 100 %. avenir renouvelable. Des collaborations significatives comme celle-ci entre l'analyse et la science informatique font progresser la recherche du NREL en matière d'efficacité énergétique, de transport durable, d'optimisation des systèmes énergétiques, etc.

« En travaillant avec d'autres centres et groupes du laboratoire, nous pouvons contribuer à élever les capacités globales de données du NREL », a déclaré Bilello. « Grâce à la collaboration, nous construisons un cadre pour nous préparer à relever de nouveaux défis de recherche innovants et axés sur les données. »