2.2. Revue empirique
Des études existantes menées dans
différentes parties du monde ont montré que les fluctuations
météorologiques ont un effet sur la demande
d'électricité. Deux approches principales ont été
utilisées pour étudier la relation entre les variables
climatiques (en particulier la température ambiante) et la demande
d'électricité. Le premier s'appuie sur des progiciels de
simulation
25
énergétique du bâtiment (comme le logiciel
de simulation de bâtiment DOE-2.1E développé par Lawrence
Berkeley National Laboratory) dans lesquels un modèle
détaillé d'un bâtiment représentatif peut être
mis en place. À l'aide de ces programmes de simulation, l'effet de la
modification de l'une des variables d'entrée (y compris la
température) sur la demande d'énergie du bâtiment
représentatif peut être calculé avec précision. Une
étude utilisant cette approche a révélé que pour la
Suisse, qu'une augmentation de 4 degrés Celsius de la température
par rapport au scénario de référence entraînerait
une diminution de 33 à 44% de la demande annuelle d'énergie de
chauffage des bâtiments résidentiels suisses. L'étude
d'Ahmed s'est concentrée sur la demande totale d'énergie en
Nouvelle-Galles du Sud uniquement, mais l'étude actuelle a l'intention
d'améliorer et d'étendre les études
précédentes en examinant la relation à court et à
long terme entre la demande d'énergie résidentielle, les facteurs
climatiques et socio-économiques à l'aide d'un décalage
distribué autorégressif à échantillon
fractionné avec le modèle (ARDL).
Dans la première étape, trois types de
données ont été récupérés et il
s'agit de données énergétiques, qui ont été
transformées en consommation d'énergie par habitant. Les
données socio-économiques qui incluent les dépenses, les
revenus, la population et le prix de l'énergie. Le jeu de données
météorologiques récupéré était
maximal et les données de température minimale converties en
degré de refroidissement Jours (CDD) et degrés-jours de chauffage
(HDD) . Le test de racine unitaire a ensuite été effectué
pour vérifier la stationnarité des ensembles de données et
les résultats ont montré que les ensembles de données
comprennent des variables à la fois dans I (0) et I (1). Le
modèle de décalage distribué autorégressif (ARDL) a
été utilisé pour estimer la relation à long terme
entre les variables. Les ensembles de données ont été
divisés en quatre saisons qui sont les saisons d'été,
d'automne, d'hiver et de printemps. Les résultats indiquent que pendant
les mois d'été à court terme, une augmentation d'une
unité de l'avance CDD a une variation de la demande d'énergie
résidentielle par habitant de 0,14% en Nouvelle-Galles du Sud (NSW).
Dans le Queensland (QLD), le CDD pendant les mois d'été à
court terme conduit à une augmentation de 0,41% du QLD, tandis que le
HDD diminue la demande d'énergie par habitant de -2,8%.
La demande de refroidissement pendant la saison d'automne
était plus élevée que l'été en
Nouvelle-Galles du Sud (1,1%) à long terme et 0,32% à court
terme, tandis que QLD a montré
26
une sensibilité négative aux changements de
température pendant la saison d'automne. En passant de
l'été à l'automne, les résidents de NSW augmentent
leur demande d'énergie par habitant en raison de l'augmentation des
besoins en refroidissement. Les coefficients des mois d'hiver indiquent que le
temps froid conduit les résidents de la QLD à augmenter leur
consommation d'énergie par habitant en raison des besoins de chauffage.
Sailor (2001) a appliqué plusieurs modèles de régression
pour plusieurs États américains et a souligné que la
sensibilité de la demande d'électricité par rapport
à la température est positive dans certains états alors
qu'elle est négative dans d'autres états. Les études
réalisées par Ahmed et Muttaqui, (2012) pour le Maryland et pour
la Grèce ont montré que le changement climatique entraîne
une augmentation de la demande d'électricité significativement
dans les deux régions. Parkpoom et Harrison (2012), utilisent un
modèle de régression pour capturer le modèle de charge
quotidienne en Thaïlande. Ils ont utilisé le tempérament
stratégique de projection de température développée
par le UK Hadley Center pour évaluer une sensibilité
électrique horaire à la température.
En utilisant les futurs scénarios
socio-économiques, les auteurs dans GIEC ont prédit que la
demande d'électricité de pointe en Thaïlande augmentera de
1,5 à 3,1% dans les années 2020, de 3,7 à 8,3% dans les
années 2050 et 6,6 à 15,3% dans les années 2080. Ils ont
appliqué un modèle de régression pour capturer le
modèle de charge quotidienne en Thaïlande. Ils ont utilisé
le tempérament stratégique de projection développée
par le UK Hadley Center pour évaluer une sensibilité
électrique horaire à la température. Les auteurs Ruth et
Lin ont implémenté les modèles de régression
multiples tenant compte du changement climatique et activités
économiques et ont trouvé une relation significative entre la
demande d'électricité et changement climatique. Ils ont
rapporté que les activités socio-économiques
associées au prix et à la population sont les facteurs
déterminants de la demande future d'électricité, un outil
d'analyse est nécessaire pour quantifier l'effet du changement
climatique sur la demande d'électricité.
L'analyse basée sur la régression multiple est
utilisée pour examiner la sensibilité de la demande pour
différentes variables. L'analyse des séries chronologiques est
également effectuée pour prédire l'effet de futurs
scénarios climatiques sur la demande d'électricité. La
relation linéaire
27
entre la température et demande de l'énergie
peut être représenté en utilisant des degrés-jours
de température.
Dans une étude proposée, l'effet du SPG, des
prix, de la population et de la température sur la diminution par
habitant a été étudié à l'aide d'une
régression et analyse de série chronologique. Avant l'analyse de
régression, il est essentiel d'identifier les variables qui ont un
impact significatif sur la demande d'électricité. Puisque
l'analyse de régression basée sur la météo traite
de grands ensembles de données, le cardage de variables non
significatives nécessitera moins de traitement de données. Parmi
toutes les variables météorologiques, la température
contrôle principalement la demande d'électricité. Une
étude en Australie a décrit le changement climatique en termes
d'élévation du niveau de la mer et de changement en
température. Cet article met l'accent sur la température comme
une représentation de la variable sensible pour déterminer le
changement climatique. La température est incluse en termes de deux
variables dérivées à savoir, degré de
refroidissement Jours (CDD) et degrés-jours de chauffage (HDD) dans le
modèle de régression. Une température de point
équilibrée, requise pour le calcul du CDD et du disque dur, est
également identifiée pour analyser la dépendance à
la température de la demande dans l'État de Nouvelle-Galles du
Sud. Les variables socio-économiques telles que la population, les prix
et le SPG sont également incluses dans le modèle de
régression. Comme indiqué précédemment, les
variables socio-économiques telles que la population, l'inflation, SPG
et prix de l'électricité, et variables climatiques liées
à la température, c'est-à-dire CDD et HDD , sont incluses
dans le modèle de régression.
L'analyse des séries chronologiques en Australie montre
que la température d'un jour change notamment en raison des variations
météorologiques. Les jours d'été sont
généralement chauds (température élevé) et
les jours d'hiver sont froids (basse température). Cependant, le
changement climatique s'altère annuellement avec un modèle de
température. Les variations de température peuvent être
analysées en appliquant un ajustement de courbe techniques aux
données d'anomalies saisonnières de température au cours
des années passées. L'algorithme de l'outil d'analyse
proposé est en premier de calculer les valeurs saisonnières de
CDD et HDD à partir de l'historique des données de
température au cours des n dernières années. En second
lieu, il faudra tenir compte des données sur la population, le SPG (Le
produit brut de l'État) et les prix base pour les n dernières
années. A l'étape trois, il faudra utiliser l'analyse de
régression
28
pour trouver les coefficients de régression des
variables climatiques et non climatiques. En étape 4 : effectuer une
analyse des séries chronologiques pour estimer l'avenir de la
température. En cinquième étape : estimer les valeurs
futures du CDD et du disque dur à partir de la température
dictée. A l'étape 6 : estimation de la demande future par
habitant à partir de la régression des coefficients et des
valeurs estimées du CDD et du HDD à l'avenir.
Ce modèle de données peut être
représenté à l'aide d'une courbe quadratique. Les minimas
de la courbe peuvent être décidés en différenciant
l'équation. Ce minimum représente l'équilibre de la
température ponctuelle pour l'État de la Nouvelle-Galles du Sud,
qui est de 14,3 O C. Il est à noter que la déviation de la
température du point d'équilibre à partir de 14,3 O C a un
impact négatif important provenant de l'analyse de régression.
Dans l'analyse de la régression, la sensibilité de la demande
d'électricité aux conditions climatiques et les non variables
climatiques sont examinées à l'aide de l'outil statistique SPSS.
Les données associées à chaque variable est
regroupée en quatre saisons qui sont l'été, l'automne,
l'hiver et le printemps. Par la suite, le coefficient de l'équation de
régression sont déterminés. De plus la valeur critique est
fixée à 0,05 et toute valeur inférieure à 0,05
implique un effet de cette variable sur la demande d'électricité.
L'outil SPSS fournit les valeurs R et R2. La valeur de R
représente la corrélation simple tandis que la valeur du
R2 indique dans quelle mesure la dépendance de la variable
dépendent est expliquée par les variables indépendantes.
La valeur de R2 obtenues à partir de quatre analyses de
régression pour quatre saisons différentes indiquent que le
modèle s'adapte très bien avec les données
correspondantes.
Les résultats de la régression indiquent que la
demande d'électricité en été est sensible aux
variations. Cependant, la demande de charge en hiver n'est pas aussi sensible
que d'autres saisons. Les résultats indiquent que la demande
d'électricité en été dépend du SPG, de la
population et du CDD, tandis que la demande en automne dépend SPG, de la
population et disque dur. La demande d'électricité en hiver
dépend de GSP, tandis que la demande au printemps dépend à
la fois du CDD et du disque dur. Les résultats des analyses de
régression sont incorporés avec les futures valeurs des variables
indépendantes, en particulier le CDD et HDD pour calculer la demande
future. Les CDD et HDD à l'avenir sont estimés à partir de
la tendance des changements de température à l'aide de l'analyse
de séries chronologiques. Les taux du changement des températures
moyennes à différentes saisons peuvent être
accouplé. Il
29
a été constaté que si les tendances
linéaires sont maintenues à l'avenir, les températures
moyennes d'été, d'automne, d'hiver et le printemps devraient
changer à des taux de 0,22 ° C / décennie,0,11 ° C /
décennie, 0,11 ° C / décennie et 0,21 ° C /
décennie respectivement. Cette étude, un scénario pour la
demande future d'une zone régionale de la Nouvelle-Galles du Sud est
modélisée, où la température seule est
considérée comme un paramètre évolutif parmi toutes
les variables. Après avoir examiné l'impact du changement
climatique sur l'avenir de la demande d'électricité dans
l'État de Nouvelle-Galles du Sud, en Australie, un outil analytique a
été développé pour quantifier l'impact des
variables du changement climatiques et socio-économiques sur la demande
d'électricité en utilisant une analyse de régression
linéaire.
Les coefficients de régression des variables
liées à la température ont été
utilisées en conjonction avec la température future,
estimée à l'aide d'une analyse de séries chronologiques
pour prédire l'évolution future de la demande uniquement due au
changement climatique. Il a été constaté que les demandes
futures en été et au printemps sont plus sensible au changement
climatique. L'élévation de la température entraînera
plus degrés-jours de chauffage dans le futur entraînant une
augmentation des besoins en refroidissement et donc plus de production
d'électricité sera nécessaire. Bien que la population et
les autres conditions socio-économiques soient aussi censé
être stationnaire à l'avenir, l'augmentation de la
température moyenne elle-même aura un effet sur la croissance
future de la demande d'électricité par habitant, surtout en
été et au printemps. Sur la base des résultats, il a
été estimé que la demande par habitant en
été et au printemps pour l'année 2100 pourrait augmenter
respectivement de 6,14% et 11,3%. Cependant, la demande
d'électricité en hiver et en automne pour la même
année peut diminuent respectivement de 4,11% et 0,45%. L'étude
proposée met en lumière la façon dont la demande
saisonnière d'électricité dans l'État de la
Nouvelle-Galles du Sud, l'Australie sera affectée en raison des
conditions du changement climatique.
| 
