Conception et simulation d'un réseau d'énergie verte

Vous êtes-vous déjà demandé à quel point il serait difficile de passer à l'énergie verte ? 🌍

• Que devons-nous construire exactement ?
• Combien ça coûtera?
• Avons-nous besoin de piles ?
• Un réseau renouvelable sera-t-il fiable ?

L'énergie et le climat étant rarement hors du cycle de l'actualité, j'ai commencé à me poser ces questions. Au fur et à mesure que j'en apprenais davantage, j'ai commencé à réfléchir à la manière dont notre système énergétique et nos choix pourraient être modélisés dans un logiciel.

Le résultat de cette exploration est Grid Designer - un jeu simple qui vous permet de concevoir votre réseau d'énergie verte idéal et de le tester en utilisant la demande d'énergie et les données météorologiques réelles du Royaume-Uni. Cela fonctionne mieux sur mobile, et vous pouvez l'essayer ici .

Ce qui est amusant dans la création d'un logiciel pour résoudre un problème, c'est que cela nous oblige à comprendre le problème suffisamment en profondeur pour le décrire en code. Cet article explique comment la simulation a été construite et comment nous pourrions penser plus clairement aux sources d'énergie : leurs avantages, leurs inconvénients et leurs coûts.

L'objectif : Zéro carbone, 100 % de disponibilité

Énergie verte uniquement 🌱

Si nous voulons atteindre nos ambitions climatiques, nous avons besoin que notre système électrique soit zéro carbone . Pas principalement vert , pas presque zéro - zéro .

Par conséquent, le modèle se concentre exclusivement sur les sources d'énergie zéro carbone évolutives :

• Solaire ☀️ (Photovoltaïque)

• Vent 💨 (On-shore & Offshore),

• Nucléaire ⚛️ (Fission)

• Piles / Stockage 🔋

  
  

D'autres sources telles que l'hydroélectricité et la géothermie ne peuvent être déployées que dans des endroits très sélectionnés et sont donc exclues. Il en va de même pour les technologies théoriques comme Fusion - aussi passionnantes soient-elles, je me concentre sur les solutions les plus plausibles à la crise climatique.

La fiabilité est essentielle 💡

Nous avons également besoin d'une disponibilité de 100 % de notre réseau . La civilisation ne doit pas tolérer et ne tolérera pas un recul du niveau de vie. Si notre système d'énergie verte ne peut pas répondre à la demande, nous devons nous attendre à un retour aux combustibles fossiles et à un échec pour atteindre le zéro CO2. Les communautés ne toléreront pas les coupures de courant ou le rationnement. Nous devons optimiser l'abondance.

Résolution horaire 🕑

Compte tenu des fluctuations rapides de la demande et de l'intermittence de certaines sources renouvelables, j'ai voulu modéliser le système en haute résolution. Cela signifie toutes les heures pendant une année entière.

Royaume-Uni 🇬🇧

Le simulateur est axé sur le Royaume-Uni, mais le logiciel peut être appliqué à n'importe quel pays ou groupe de pays (puissance d'importation et d'exportation des nations).

Budget 💰

La simulation comprend un budget imaginaire de 400 milliards de livres sterling. Ce nombre est assez arbitraire, et son but est de s'assurer que les joueurs tiennent compte de la contrainte de capital. Le Royaume-Uni ne peut pas dépenser un billion sur son réseau ! Les sujets financiers complexes tels que l'amortissement, la durée de vie des unités et les coûts de recyclage dépassent son champ d'application.

Simplifications sensées et optimisme 🤞

Dans la mesure du possible, j'ai penché vers l'optimisme - que ce soit son coût ou sa production d'énergie. Cette simulation se concentre uniquement sur la production et la consommation d'énergie, ce qui signifie que des sujets avancés tels que la transmission efficace de l'électricité ne sont pas inclus.

Le but n'est pas de créer un modèle ultra-fidélité, mais quelque chose d'assez précis pour être stimulant et informatif !

Commençons…. ⚡️

0. Définir la demande

De quelle puissance avons-nous besoin ? J'ai pu obtenir un fichier csv contenant 10 ans de données de réseau national enregistrées à des intervalles de 5 m. Le fichier était trop volumineux pour Excel (> 1 million de lignes), j'ai donc utilisé Python pour isoler l'année 2021 et calculé la demande moyenne chaque heure. Converti en JS, cela ressemble à ceci :

 export const uk_grid_demand_2021 = [ // Jan 1st - each value is avg demand by hour, starting at 00:00. (MWs) [28956, 28183, 27092, 26254, 25416, 25050, 25632, 25740, 26609, 28927, 31482, 33423, 34821, 35424, 35540, 36051, 38430, 40352, 39044, 36578, 34266, 32093, 29887, 27168], // Jan 2... etc ]

La demande varie tout au long de l'année et tout au long de la journée :

Ensuite, nous verrons comment nous pouvons modéliser des sources d'énergie individuelles : énergie solaire, éolienne, nucléaire, stockage et combustibles fossiles….

1. Modélisation de l'énergie solaire

 solar: { name: 'Solar', unit: 'hectares', unitToMw: 1.2, // 1.2 hectares = 1 MWp capex_per_mw: 0.92, // Million USD per MWp opex_per_mw: 0.017, }

La surface est l'unité clé à prendre en compte lors de la mise à l'échelle de l'énergie solaire. Au fur et à mesure que nous concevons notre réseau, nous définirons la quantité de panneaux solaires que nous voulons en hectares .

Les panneaux solaires ont une « capacité nominale » définie par l'unité Megawatt peak (MWp) . Un générateur solaire d'une puissance nominale de 1 MWp peut générer une puissance électrique de 1 MW dans des conditions idéales . La sortie réelle dépendra de facteurs tels que la latitude, l'orientation et la météo. Parmi celles-ci, la latitude est la plus importante lors de la conception d'une grille : un panneau placé dans le sud de la France se rapprochera beaucoup plus de sa performance « nominale » que le même panneau placé en Ecosse.

Dans Grid Designer, j'ai supposé que nous placerions nos panneaux solaires exclusivement dans le sud de l'Angleterre, là où le plus d'énergie solaire est disponible. Sur la base des chiffres du gouvernement, nous supposons que 1,2 ha de terrain est nécessaire pour chaque 1 MWc de panneaux.

Solar Rated Capacity (MW) = Area in Hectares * 1.2

Pour calculer la production de chaque heure, nous utilisons les données du Global Solar Atlas

Vous remarquerez comment la puissance de sortie varie au cours de la journée et tout au long de l'année. Pendant les courtes journées de décembre, nos fermes solaires ne produiront qu'un dixième de l'énergie qu'elles fournissent en été. Au plus fort de l'été, nos panneaux solaires produiront environ la moitié de leur capacité nominale à midi.

Le simulateur utilise les données ci-dessus pour calculer la production horaire pour chaque jour de l'année : Output = solarOutput[month][hour] * MWp

Exemple de sortie :

NB : Vous pouvez consulter la production solaire britannique en temps réel sur le site Web solaire de l'Université de Sheffield .

Le coût du solaire

Le coût des panneaux solaires photovoltaïques a chuté de façon vertigineuse au cours des 20 dernières années et le solaire est célèbre pour ses coûts de fonctionnement très bas. Nos chiffres Capex et Opex sont tirés des prévisions du National Renewable Energy Lab pour 2025.

Notez que seules les installations solaires à grande échelle sont considérées comme viables. L'énergie solaire sur les toits est au moins deux fois plus chère par MWp que les fermes solaires à l'échelle des services publics, et il n'y a pas suffisamment d'espace sur le toit approprié disponible pour répondre à la demande à l'échelle nationale. De même, les panneaux placés à des latitudes plus élevées sont beaucoup moins rentables que ceux du sud.

Enfin, les estimations financières de Solar excluent les coûts fonciers , qui seront importants compte tenu des surfaces requises dans des endroits comme le Kent et les Cornouailles ! Le modèle ne prend pas non plus en compte les coûts écologiques et de biodiversité de la réaffectation des terres agricoles et des haies pour les panneaux.

Résumé:

• La quantité d'énergie solaire est définie en hectares
• La superficie est convertie en MWp
• Production horaire calculée à l'aide des données de référence mensuelles pour le sud de l'Angleterre Suppose une couverture nuageuse nulle ou des pertes dues à la température.
• Coûts fonciers et impact sur la biodiversité exclus

2. Modélisation de l'énergie éolienne

 wind_l: { name: 'Onshore Wind', unit: 'Turbines', unitToMw: 4, // ie 4MW Turbines capex: 1.7, // Million USD per MW opex: 0.02, } wind_os: { name: 'Offshore Wind', unit: 'Turbines', unitToMw: 15, // ie 15 MW Turbines capex_per_mw: 6.04, // Million USD per MW opex_per_mw: 0.12, }

Pour modéliser le vent, nous définirons le nombre d'éoliennes terrestres et offshore que nous souhaitons construire. Le simulateur les distribue sur des sites existants à travers le Royaume-Uni et utilise des données météorologiques historiques pour modéliser la production d'énergie. Cela se fait toutes les heures pendant une année entière.

Nos turbines onshore et offshore sont modélisées sur la base d'informations open source du National Renewable Energy Laboratory.

• Turbine terrestre : capacité nominale de 4 MW ; Hauteur du moyeu de 110 m.
• Turbine offshore : capacité nominale de 15 MW ; 150 m de hauteur de moyeu.

Les données horaires historiques sur la vitesse du vent ont été recueillies à l'aide de l'API météo de Visual Crossing. Ces données ont été traitées en python et sont mises à disposition du sim dans un fichier JSON séparé.

Vitesse du vent et hauteur de la turbine

Les données météorologiques indiquent la vitesse du vent enregistrée à une hauteur de 10 m. Cependant, la vitesse du vent augmente avec la distance du sol et sera plus élevée à l'altitude d'une éolienne. C'est pourquoi les turbines (et les voiliers) ont des mâts aussi hauts : plus le mât est haut, plus il y a d'énergie disponible . L'augmentation de la vitesse du vent dépend du frottement de la surface environnante, appelée « rugosité » ( voir ici pour une explication ).

Pour nos sites de turbines terrestres, nous avons supposé une rugosité de 0,055 m et une vitesse de vent ajustée pour une hauteur de moyeu de turbine de 110 m. Pour l'offshore, nous supposons une rugosité de 0,0002 m et ajustons la vitesse du vent pour une hauteur de moyeu de 150 m. Toutes les valeurs ont été converties en m/s.

Courbes de puissance des turbines

Les performances de fonctionnement d'une éolienne sont décrites par sa courbe de puissance.

En dessous de la vitesse du vent cut-in , les pales ne peuvent pas tourner et aucune puissance n'est générée. Au-dessus de ce seuil, la puissance délivrée suit une courbe jusqu'à la puissance maximale de la turbine. La valeur à laquelle une éolienne atteint sa puissance maximale est sa rated wind speed . Les éoliennes continueront de fonctionner à une puissance proche de leur puissance maximale jusqu'à ce qu'elles atteignent leur vitesse cut-out , c'est-à-dire la vitesse du vent à laquelle le rotor doit freiner pour éviter tout dommage.

Pour créer le simulateur, j'ai simplifié la courbe de la courbe de puissance en une droite :

Pour les vitesses de vent supérieures à la valeur cut-in , nous calculons la puissance de sortie en utilisant la formule pour une ligne droite : y = mx + c , où y est la sortie en MW, m est le gradient, x est la vitesse du vent et c est le y -intercepter.

Les données de la courbe de puissance de nos turbines onshore et offshore simulées ont été extraites du GitHub du NREL . Les valeurs sont définies dans le code comme suit :

 // Onshore Turbine 4MW, 110m const wl_power_curve = { cut_in: 3.25, // m/s rated: 9.75, cut_out: 25, } // Off-Shore Turbine 15MW, 150m const ws_power_curve = { cut_in: 4, rated: 11, cut_out: 25, }

Rafales de vent, entretien et sillage (non modélisé)

Une rafale de vent est une courte période d'augmentation de la vitesse du vent. Les données source de l'API incluent des valeurs pour les rafales qui ont duré au moins 25 secondes et, dans de nombreux cas, celles-ci sont supérieures à la vitesse du vent cut-out de la turbine. Cependant, je n'ai pas été en mesure de trouver des données cohérentes auprès des fabricants sur la façon exacte dont les turbines réagissent aux rafales et je les ai donc exclues de notre modèle. Les temps d'arrêt pour maintenance des turbines sont faibles (~ 24 heures par an) et ont également été exclus.

Les turbines modernes sont capables de tourner pour faire face au vent dans n'importe quelle direction, et nous supposons donc qu'elles le font immédiatement et parfaitement. Lorsque l'air traverse la surface d'une pale, il crée une turbulence ou un sillage , ce qui réduit l'énergie disponible pour toute turbine en aval. Les parcs éoliens sont conçus pour minimiser cela en positionnant les turbines de manière à optimiser la direction du vent dominant (la plus courante). Par conséquent, ces effets sont généralement faibles et je ne les ai pas inclus dans le modèle.

Résolution de la vitesse du vent

Au cours de ce travail, j'ai été surpris d'apprendre que les valeurs de vitesse du vent ne sont pas des moyennes . Au lieu de cela, il s'agit de la vitesse de vent soutenue la plus élevée au cours de cette période . Ainsi, si l'API indique que la vitesse du vent était de 15 m/s mardi, nous ne pouvons être sûrs que ce seuil a été enregistré une fois dans la journée. La vitesse moyenne du vent peut avoir été beaucoup plus faible.

Cela a des implications importantes pour toute modélisation, car l'utilisation des valeurs quotidiennes de vitesse du vent conduit à d'énormes surestimations de la puissance de sortie . Considérez l'exemple réel suivant :

Dans la ligne rouge, on peut voir la vitesse du vent "journalière" de 5,3 m/s. Si elle est utilisée à chaque heure de la journée, la turbine fonctionne à 30 % de sa puissance nominale (zone ombrée en rouge). Pourtant, si nous regardons les données horaires pour le même jour en bleu, nous pouvons voir que pendant la plupart des heures, la vitesse maximale du vent enregistrée n'a pas atteint le seuil de déclenchement des turbines, et l'énergie totale produite était bien inférieure (zone ombrée en bleu ).

Chaque heure, nous calculons la production de vent comme suit pour chaque site :

 // installed_mw = number of turbines * MW rating of turbine. const m = 1 / (power_curve.rated - power_curve.cut_in) const c = -1 * m * power_curve.cut_in let output; if (windData[d][h] < power_curve.cut_in) { output = 0 } else if (windData[d][h] > power_curve.cut_out) { output = 0 } else if (windData[d][h] >= power_curve.rated) { output = installed_mw } else { // y = mx + c; x=wind speed, y=power output, c = y-intercept let y = m * windData[d][h] + c // Fraction of rated output output = y * installed_mw } return output

Ce code trouve le gradient ( m ) et l'ordonnée à l'origine ( c ) de notre courbe de puissance simplifiée. Si la vitesse du vent est supérieure au seuil d'enclenchement et inférieure au seuil nominal, il calcule la fraction de sortie maximale ( y ) en fonction de la vitesse du vent et l'utilise pour renvoyer la sortie en MW.

Exemple de sortie :

À l'heure actuelle, le simulateur fournit des données pour seulement 1 site de parc éolien onshore et 1 offshore ( Scout Moor & Hornsea ), et c'est certainement une limitation ! En ajoutant plus de sites, nous pourrions atténuer le risque de jours de vent faible sur la grille simulée : si le vent ne souffle pas à Hornsea, il peut souffler au large des côtes du Kent ou de l'Aberdeenshire. Cette stratégie est valable mais nous oblige à « sur-construire » sur chaque site pour compenser les autres, ce qui augmente les coûts et n'aiderait pas les jours où la vitesse du vent est faible sur un grand nombre de sites .

Le coût de l'énergie éolienne

Les hypothèses de coûts sont tirées de l' Energy Information Agency des États-Unis .

Résumé

• Nous fixons le nombre de turbines que nous souhaitons construire onshore et offshore.

• Nous localisons nos turbines sur des sites de parcs éoliens existants à travers le Royaume-Uni et utilisons des données météorologiques réelles de 2022 pour calculer la production.

• À l'heure actuelle, seuls 2 sites sont disponibles pour la simulation.

• La vitesse du vent est ajustée en fonction de la hauteur de chaque éolienne et de la "rugosité" de la terre/mer environnante.

• Nous utilisons une courbe de puissance simplifiée pour calculer les performances de la turbine.

• La production est modélisée sur une base horaire, 365 jours de l'année.

• Les effets des rafales et du sillage des turbines sont ignorés.

  
  

3. Modélisation de l'énergie nucléaire

 nuclear: { capacity_factor: 0.9, capex_per_mw: 7.0, opex_per_mw: 0.13, }

L'énergie nucléaire est un sujet qui divise et, malheureusement, toutes les critiques qui lui sont adressées ne sont pas étayées par des preuves. J'entrerai dans les détails dans un autre article, mais je pense qu'un bon résumé de la technologie serait d'observer ce qui suit :

Le nucléaire est généralement plus coûteux et prend plus de temps à construire par rapport aux autres sources. Cependant, il produit d'énormes quantités d'énergie sans carbone, avec une disponibilité extrêmement élevée, à de faibles coûts marginaux par MW.

Grid Designer modélise le nucléaire en termes de « centrales électriques », en utilisant le Sizewell C récemment mis en service comme référence. Utilisant une conception PWR bien établie, ses deux réacteurs fourniront un total de 3200 MW d'énergie sur sa durée de vie de 60 ans.

Il existe d'autres conceptions de réacteurs nucléaires avec des profils de coûts et de rendement différents. Ceux-ci incluent les petits réacteurs modulaires (SMR) et les réacteurs à sels fondus (MSR), cependant, aucun d'entre eux n'est aussi bien établi que les REP et ne sont donc pas inclus en option dans notre simulateur.

Facteur de capacité et modélisation

L'énergie nucléaire a un facteur de capacité extrêmement élevé. Le seul moment où un réacteur ne produit pas d'énergie, c'est lorsqu'il est arrêté pour un entretien programmé ou un ravitaillement. Étant donné que ces arrêts sont des événements planifiés, nous adopterons une approche simpliste de la modélisation : en supposant un facteur de capacité de 90 % et en appliquant cette remise à la production tout au long de l'année.

Hourly output = 3200 * Number of Stations * 0.9

Exemple de sortie

Les centrales nucléaires fournissent une énergie de base prévisible :

Un modèle stable similaire est observé dans les données réelles de la grille du Royaume-Uni.

Le coût du nucléaire

Le coût de la construction et de l'exploitation d'une centrale nucléaire fait l'objet de vifs débats, avec des dépassements de projet infâmes. Les détracteurs soutiennent que cela prouve l'infaisabilité de la technologie, tandis que les défenseurs soulignent l'importance d'un investissement cohérent. La Corée du Sud est souvent citée en exemple d'un pays qui a été capable de construire son parc nucléaire avec une rapidité croissante et des coûts décroissants . Les estimations de coûts de Grid Designer proviennent à nouveau de l' Energy Information Agency des États-Unis , et il faut comprendre que les coûts d'exploitation incluent le carburant et l' élimination sûre des déchets .

Résumé

• L'énergie nucléaire est définie à l'aide du "nombre de centrales électriques"
• Chaque centrale est modélisée sur une référence de 3200MW.
• Le nucléaire fournit une puissance constante avec une petite réduction du facteur de capacité calculée par 3200*0.9

4. Modélisation du stockage d'énergie

 storage: { name: 'Battery Storage (Li-Ion)', unit: 'MWh', capex_per_mw: 0.2, // Million USD per MWh opex_per_mw: 0.025 }

Le stockage de l'électricité est essentiel pour les réseaux qui dépendent des énergies renouvelables - les coupures de courant ne sont pas acceptables, des batteries sont donc nécessaires pour combler tout manque causé par l'intermittence éolienne et solaire.

Simplifications

Les systèmes de batterie ont une puissance nominale - la quantité maximale d'énergie qu'ils peuvent fournir à tout moment ( Mégawatts ) et une valeur de capacité distincte ( Mégawattheures ). Un système de batterie 60MW/240MWH complètement chargé peut donc délivrer 60MW pendant 4 heures, ou 30MW pendant 8 heures, etc.

Pour plus de simplicité, j'ai décidé d'ignorer la puissance nominale et de me concentrer uniquement sur la capacité. Cela signifie que nous supposons que nos batteries peuvent toujours répondre à la demande de sortie et ne sont limitées que par leur capacité (en MHW) . Nous ignorons également des facteurs tels que le temps de cycle et la surchauffe.

Étant donné que notre réseau nécessite environ 30 GW d'énergie par heure, cela signifie que nous aurions besoin d'une installation de 30 000 MWH pour répondre à 1 heure de demande avec le stockage seul - c'est beaucoup !

Charge et décharge

Nos batteries sont chargées ou déchargées selon qu'il y a ou non un déficit ou un surplus d'énergie disponible pour cette heure. Le code du simulateur horaire ressemble à ceci :

 let d = demand[day][hour]; let s = solar_output + wind_l_output + wind_os_output + nuclear_output; let balance; //demand exceeds supply if (d >= s) { const deficit = ds // ...code to drain batteries } //supply exceeds demand else if (d < s) { const surplus = s - d // ...code to charge batteries with the surplus } return balance

Combien coûtent les piles ?

Le coût des batteries et leur coût futur prévu sont débattus. Le modèle utilise les prévisions du National Renewable Energy Laboratory et suppose un prix très optimiste de 200 $ par KWH pour le lithium-ion. En réalité, il est peu probable qu'un tel prix puisse être maintenu si l'on achète et déploie des batteries à l'échelle du réseau. Par exemple, alimenter le Royaume-Uni pendant seulement 12 heures (à notre niveau de demande actuel) nécessiterait une solution de stockage d'environ 420 GWH, soit plus que la production mondiale annuelle de batteries lithium-ion ! Enfin, il convient également de noter qu'une telle batterie devrait probablement être remplacée tous les 5 ans.

Les technologies alternatives de stockage à l'échelle du réseau telles que les batteries Vanadium Redox Flow (VRBF) ont des prix projetés similaires, et notre modèle est suffisamment simple pour qu'elles puissent être considérées comme interchangeables. Les batteries Iron Air sont une technologie qui devrait être nettement moins chère, mais qui n'est pas encore entrée en production à grande échelle.

Coûts d'opportunité 💸

Il convient de rappeler que chaque centime dépensé pour le stockage est un centime qui aurait pu être dépensé pour la production d'énergie.

Résumé

• Nous adoptons une approche très simple du stockage des batteries, en nous concentrant uniquement sur la capacité en MHW.
• Le simulateur videra ou chargera les batteries selon qu'il y a un surplus ou un déficit de puissance disponible.
• La simulation fait des hypothèses généreuses sur le prix du stockage de l'électricité.

5. Ajouter des combustibles fossiles

 fossil_co2_mwh = 233 // Kg CO2

Chaque fois que notre réseau d'énergie verte ne pourra pas répondre à la demande, nous nous rabattrons sur les combustibles fossiles . Nous supposons un optimisme de 233 kg de CO2 par MWH d'électricité fossile en utilisant du gaz naturel ( source ). NB : La moyenne actuelle du Royaume-Uni est > 500 kg.

Grid Designer considère toute libération de CO2 comme un échec - en d'autres termes, nous voulons démanteler complètement l'infrastructure des combustibles fossiles du Royaume-Uni. Bien que la mission primordiale soit le zéro net , le coût de l'élimination du CO2 de l'atmosphère, une fois émis, est très élevé (100 à 300 millions de dollars par Mt), il vaut donc mieux ne pas le brûler en premier lieu.

6. Sorties du simulateur

Disponibilité verte

Le simulateur génère un graphique de "temps de disponibilité vert" (inspiré de github !). Il montre chaque jour de l'année et donne une référence visuelle pour montrer le nombre d'heures pendant lesquelles le réseau a fonctionné avec de l'énergie sans carbone :

Analyse du réseau

La simulation fournit également un résumé des performances de votre réseau, y compris une option d'analyse quotidienne.

Lors de l'évaluation des performances, le sim évalue la production d'énergie effective .

• Efficace = énergie utilisée pour répondre à la demande ou charger les batteries - c'est-à-dire qu'aucun crédit n'est accordé pour le surplus.
• Les sources vertes fiables sont privilégiées pour répondre à la demande. Dans notre simulation, cela signifie nucléaire, mais pourrait également inclure la géothermie et l'hydroélectricité dans d'autres pays.
• Lorsqu'il y a un excédent de production renouvelable, la composante « effective » est répartie entre les renouvelables au prorata de leur coût de construction : plus le coût est faible, plus la fraction allouée est importante.
• Lorsque la production dépasse la ligne de demande, cela représente l'énergie utilisée pour recharger le stockage
• Les combustibles fossiles sont ajoutés automatiquement chaque fois que le réseau conçu n'a pas réussi à répondre à la demande, comme décrit ci-dessus.

Quelques plats à emporter

Cela a été une plongée profonde dans la réflexion technique derrière le simulateur. Je vais enregistrer mes conclusions politiques pour un autre article. Pour l'instant, après avoir longuement étudié le sujet, je vais simplement observer ce qui suit :

C'est difficile et cela ne fera que s'aggraver.

• La simulation est basée sur les données de demande de 2021, mais la demande du Royaume-Uni devrait augmenter considérablement à mesure que nous adoptons des systèmes de chauffage électrique et des véhicules électriques pour mettre fin à notre utilisation de combustibles fossiles.

Il est très difficile d'atteindre 100 % de disponibilité avec les énergies renouvelables, et nous n'en parlons pas assez !

• Une disponibilité à 100 % est une exigence essentielle pour tout réseau, mais elle est profondément négligée dans la littérature et la recherche sur les sources d'énergie et leurs coûts.

L'intégration de l'éolien et du solaire terrestres nécessite BEAUCOUP de batteries

• Le solaire et l'éolien terrestre sont étonnamment bon marché à construire en termes de coût unitaire, mais il est très difficile de les intégrer dans un réseau sans un énorme investissement dans le stockage.

Les piles coûtent cher !

• Bien que le coût des batteries ait baissé, elles sont extrêmement chères à l'échelle des services publics.

Le solaire a d'excellentes statistiques, mais nous sous-estimons les compromis, notamment les coûts du terrain, les très mauvaises performances en hiver, la recyclabilité et l'impact sur la biodiversité .

Le nucléaire présente d'énormes avantages - si les coûts peuvent être contrôlés