Assessing Heating Electrification Trade-Offs Using Data-Driven Modelling for Future Grid Planning
Notice bibliographique
Résumé
Heating electrification with heat pumps is a key decarbonization strategy; however, its implementation in cold climates presents challenges to grid capacity. This paper presents a machine learning-driven framework to model neighbourhoodlevel heating demand using synthetic residential energy datasets, enabling scenario-based analysis for 2035 and 2050. We tested six machine learning models to estimate heating demand: linear regression, Decision Tree, Random Forest, Gradient Boosting, Support Vector Regression, and k -Nearest Neighbours. The Random Forest model, trained on a comprehensive feature set including temperature differential, building attributes, and HVAC characteristics, delivered the best predictive performance in terms of MAE and MSE. This model was used to simulate household-level demand and scale results to the neighbourhood level. Results indicate that replacing fuel-based heating with heat pumps reduces CO2emissions by $25 \%$ to $73 \%$, although peak demand constraints remain critical, particularly in scenarios with electric backup heating. Cold-climate heat pumps reduce peak backup heating demand by only $5 \%$, while fuel-based backup heating peaks at $43 \%$ of the electric backup scenario, highlighting a trade-off between emissions reductions and peak demand. These findings underscore the importance of aligning electrification policies with grid decarbonization trajectories and implementing demand-side strategies, such as thermostat preheating, to mitigate peak loads. The proposed work provides a configuration-driven approach for potentially integrating detailed household-level heating models into broader planning efforts.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».