Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Trường nhiệt độ độ phân giải cao để đánh giá phản ứng của nhu cầu điện năng Ý đối với các biến số khí tượng: một ví dụ về dịch vụ khí hậu cho ngành năng lượng
Tóm tắt
Nghiên cứu này điều tra sự phụ thuộc của nhu cầu điện hàng ngày tại Ý vào độ ngày làm mát, độ ngày sưởi ấm và bức xạ mặt trời thông qua một mô hình hồi quy áp dụng cho 12 khoảng thời gian 2 năm liên tiếp trong giai đoạn 1990–2013. Các hồ sơ về độ ngày làm mát và độ ngày sưởi ấm được sử dụng trong mô hình được thu thập bằng (i) ước lượng, thông qua một mạng lưới 92 trạm khí tượng và các bản đồ nhiệt độ độ phân giải cao, một hồ sơ nhiệt độ hiệu quả hàng ngày cho tất cả các điểm lưới đã đô thị hóa trong một lưới độ phân giải cao bao phủ Ý; (ii) sử dụng các hồ sơ này để tính toán các hồ sơ độ ngày tương ứng tại các điểm lưới; và (iii) trung bình hóa chúng để có được các hồ sơ độ ngày quốc gia đại diện cho các khu vực đô thị. Hồ sơ bức xạ mặt trời được thu thập bằng cách tiếp cận trung bình tương tự, với bức xạ mặt trời tại các điểm lưới được ước lượng từ biên độ nhiệt độ hàng ngày tương ứng. Mô hình dựa trên các thành phần xác định liên quan đến mô hình chu kỳ hàng tuần của nhu cầu và các thay đổi nhu cầu dài hạn, và các thành phần nhạy cảm với thời tiết liên quan đến độ ngày làm mát, độ ngày sưởi ấm và bức xạ mặt trời. Nó thiết lập đóng góp mạnh mẽ của độ ngày làm mát vào nhu cầu điện năng của Ý, với các giá trị đạt đỉnh vào mùa hè trong những năm gần đây lên đến 211 GWh/ngày (tức là khoảng 23% của nhu cầu điện năng trung bình tương ứng của Ý). Đóng góp này cho thấy một xu hướng tích cực mạnh mẽ trong giai đoạn được xem xét tại đây: hệ số của thành phần độ ngày làm mát trong các mô hình hồi quy tăng từ khoảng thời gian 2 năm đầu tiên (1990–1991) đến khoảng thời gian cuối cùng (2012–2013) với hệ số 3.5, cao hơn rất nhiều so với sự gia tăng của tổng nhu cầu điện năng tại Ý.
Từ khóa
#năng lượng #nhu cầu điện #khí tượng #độ ngày làm mát #độ ngày sưởi ấm #bức xạ mặt trời #mô hình hồi quyTài liệu tham khảo
Abraha MG, Savage MJ (2008) Comparison of estimates of daily solar radiation from air temperature range for application in crop simulations. Agric For Meteorol 148:401–416
Apadula F, Bassini A, Elli A, Scapin S (2012) Relationships between meteorological variables and monthly electricity demand. Appl Energy 98:346–356
Bessec M, Fouquau J (2008) The non-linear link between electricity consumption and temperature in Europe: a threshold panel approach. Energy Econ 30:2705–2721
Brunetti M, Maugeri M, Monti F, Nanni T (2006) Temperature and precipitation variability in Italy in the last two centuries from homogenised instrumental time series. Int J Climatol 26:345–381
Brunetti M, Lentini G, Maugeri M, Nanni T, Simolo C, Spinoni J (2009) Estimating local records for Northern and Central Italy from a sparse secular temperature network and from 1961–1990 climatologies. Adv Sci Res 3:63–71
Brunetti M, Lentini G, Maugeri M, Nanni T, Simolo C, Spinoni J (2012) Projecting North Eastern Italy temperature and precipitation secular records onto a high resolution grid. Phys Chem Earth 40–41:9–22
Brunetti M, Maugeri M, Nanni T, Simolo C, Spinoni J (2014) High-resolution temperature climatology for Italy: interpolation method intercomparison. Int J Climatol 34:1278–1296
Daly C, Gibson WP, Taylor GH, Johnson GL, Pasteris PA (2002) A knowledge-based approach to the statistical mapping of climate. Clim Res 22:99–113
Daly C (2006) Guidelines for assessing the suitability of spatial climate data sets. Int J Climatol 26:707–721
Daly C, Halbleib M, Smith JI, Gibson WP, Doggett MK, Taylor GH, Curtis J, Pasteris PA (2008) Physiographically-sensitive mapping of temperature and precipitation across the conterminous United States. Int J Climatol 28:2031–2064. doi:10.1002/joc.1688
De Felice M, Alessandri A, Ruti PM (2013) Electricity demand forecasting over Italy: potential benefits using numerical weather prediction models. Electr Power Syst Res 104:71–79
European Commission, Joint Research Centre. 2003. Global Land Cover 2000 database. Available at https://ec.europa.eu/jrc/en/scientific-tool/global-land-cover
Feinberg EA, Genethliou D (2005) Load forecasting. In: Chow JH, Wu FF, Momoh JJ, et al. (eds) Applied mathematics for restructured electric power systems: optimization, control, and computational intelligence. Springer, New York, pp. 269–285
Hekkenberg M, Benders RMJ, Moll HC, Schoot Uiterkamp AJM (2009) Indications for a changing electricity demand pattern: the temperature dependence of electricity demand in the Netherlands. Energ Policy 37:1542–1551
Hor C, Watson SJ, Majithia S (2005) Analyzing the impact of weather variables on monthly electricity demand. IEEE Trans Power Syst 20:2078–2085
Hunt LA, Kuchar L, Swanton CJ (1998) Estimation of solar radiation for use in crop modelling. Agric For Meteorol 91(3–4):293–300
Iqbal M (1983) An introduction to solar radiation. Academic Press, New York
Lee CC, Chiu YB (2011) Electricity demand elasticities and temperature: evidence from panel smooth transition regression with instrumental variable approach. Energy Econ 33:896–902
Manera M, Marzullo A (2005) Modelling the load curve of aggregate electricity consumption using principal components. Environ Model Softw 20:1389–1400
Marvuglia A, Messineo A (2012) Using recurrent artificial neural networks to forecast household electricity consumption. Energy Procedia 14:45–55
Masterton JM, Richardson FA (1979) Humidex, a method of quantifying human discomfort due to excessive heat and humidity, CLI 1-79. Environment Canada, Atmospheric Environment Service, Downsview
Mitchell TD, Jones PD (2005) An improved method of constructing a database of monthly climate observations and associated high-resolution grids. Int J Climatol 25:693–712
Moral-Carcedo J, Vicéns-Otero J (2005) Modelling the non-linear response of Spanish electricity demand to temperature variations. Energy Econ 27:477–494
New M, Hulme M, Jones PD (2000) Representing twentieth century space-time variability. Part 2: development of 1901–96 monthly grids of surface climate. J Clim 13:2217–2238
Pardo A, Meneu V, Valor E (2002) Temperature and seasonality influences on Spanish electricity load. Energy Econ 24:55–60
Picard RR, Cook RD (1984) Cross validation of regression models. J Am Stat Assoc 79(387):575–583
Psiloglou BE, Giannakopoulos C, Majithia S, Petrakis M (2009) Factors affecting electricity demand in Athens, Greece and London, UK: a comparative assessment. Energy 34:1855–1863
Radhi H, Sharples S (2013) Quantifying the domestic electricity consumption for air-conditioning due to urban heat islands in hot arid regions. Appl Energy 112:371–380
Simolo C, Brunetti M, Maugeri M, Nanni T, Speranza A (2010) Understanding climate change-induced variations in daily temperature distributions over Italy. J Geophys Res Atmos 115:D22110. doi:10.1029/2010JD014088
Taylor JW, Buizza R (2003) Using weather ensemble predictions in electricity demand forecasting. Int J Forecast 19:57–70
USGS (United States Geological Survey). 1996. GTOPO30 Documentation. Available at http://eros.usgs.gov/#/Find_Data/Products_and_Data_Available/gtopo30_info