新的开源生成机器学习模型模拟未来的能源气候影响

随着世界各国转向更多的风能和太阳能发电以及能源最终用途的电气化，社会与天气条件的关系变得越来越紧密。与此同时，气候正在迅速变化，极端天气事件成为“新常态”。

能源系统规划者和运营商需要预测未来的详细、高分辨率数据，以了解气候变化将如何影响风能和太阳能发电、电力需求和其他与天气相关的能源变量。现有数据显示，气候变化可能会增加能源需求，但很少有高分辨率资源来量化这些影响。

美国能源部国家可再生能源实验室(NREL)的数据科学家格兰特·巴斯特(Grant Buster)表示：“我们设想未来所有或几乎所有电力需求都由可再生能源满足。” “我们需要了解风能或太阳能等可再生资源可能会受到气候变化的影响，以及这些资源将如何满足我们未来的能源需求。”

这正是 NREL 的 Grant Buster、Brandon Benton、Andrew Glaws 和 Ryan King 开发具有气候变化影响的可再生能源资源数据超分辨率 (Super-Resolution for Renewable Energy Resource Data with Climate Change Impacts) 或 Sup3rCC(发音为“super-cc”)的原因，该技术在《自然·能源》杂志上得到了强调杂志文章。

Sup3rCC 是一个开源模型，它使用生成机器学习来生成最先进的缩小规模的未来气候数据集，并向公众免费提供。为了了解气候变化对当地风能和太阳能资源以及能源需求的影响，需要缩小规模的气候数据。

现有的降尺度方法有很多种，但它们都在分辨率、计算成本以及空间和时间的物理限制方面进行权衡。 Sup3rCC 代表了生成机器学习方法的一个新领域，它可以比传统动态缩小方法快 40 倍地生成物理真实的高分辨率数据。

NREL 战略能源分析中心主任 Dan Bilello 表示：“Sup3rCC 将改变我们研究和规划未来能源系统的方式。” “该工具生成的基础气候数据可以插入能源系统模型中，并为负责保持电力供应的决策者提供急需的见解。”

克服能源与气候脱节

由于多种原因，能源系统研究和气候研究传统上是孤立的。对于大多数能源系统模型来说，传统全球气候模型在时间和空间上的分辨率都过于粗糙，并且提高分辨率的计算成本很高。

全球气候模型也并不总是生成或保存可再生能源发电模型所需的输出。此外，现有的公开全球气候模型数据集通常不与能源系统研究中使用的数据管道和软件连接。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！