Global sensitivity analysis to enhance the transparency and rigour of energy system optimisation modelling
Notice bibliographique
Résumé
Background: Energy system optimisation models (ESOMs) are commonly used to support long-term planning at national, regional, or continental scales. The importance of recognising uncertainty in energy system modelling is regularly commented on but there is little practical guidance on how to best incorporate existing techniques, such as global sensitivity analysis, despite some good applications in the literature. Methods: In this paper, we provide comprehensive guidelines for conducting a global sensitivity analysis of an ESOM, aiming to remove barriers to adopting this approach. With a pedagogical intent, we begin by exploring why you should conduct a global sensitivity analysis. We then describe how to implement a global sensitivity analysis using the Morris method in an ESOM using a sequence of simple illustrative models built using the Open Source energy Modelling System (OSeMOSYS) framework, followed by a realistic example. Results: Results show that the global sensitivity analysis identifies influential parameters that drive results in the simple and realistic models, and identifies uninfluential parameters which can be ignored or fixed. We show that global sensitivity analysis can be applied to ESOMs with relative ease using freely available open-source tools. The results replicate the findings of best-practice studies from the field demonstrating the importance of including all parameters in the analysis and avoiding a narrow focus on particular parameters such as technology costs. Conclusions: The results highlight the benefits of performing a global sensitivity analysis for the design of energy system optimisation scenarios. We discuss how the results can be interpreted and used to enhance the transparency and rigour of energy system modelling studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».