十年期美国电力生产的水压力

接下来，我们将介绍用于计算预测水温的气候数据集。目前，从CMIP5气候模型获得的溪流温度数据无法直接获得。我们开发了非线性回归模型，结合气候和水文数据预测未来的水温。我们假设气流温度与地表空气温度、长波和短波辐射有关。我们从三个气候模型中提取这些变量的数据：CCSM4、MIROC5和GISS-E2R。前两个模型与表2.1相同，第三个模型（GISS-E2R）与模型GISS-E2H来自同一建模小组（NASA）。两个NASA模型使用不同的海洋模型：GISS-E2H使用HYCOM海洋模型，GISS-E2R使用罗素海洋模型。进行分析和解释结果时，不需要更多关于气候模型的细节。为了建立回归模型，我们使用了美国地质勘探局测量站观测到的水温。来自GCMs的数据的分辨率要高得多，并且不可靠，无法作为河流测量仪16的空间分辨率的预测值！地方标准程序是将感兴趣的变量从GCM缩小到较小的空间尺度。CMIP5全球气候监测系统套件中几个气候变量的缩减数据已经存在，并已在以下网站上存档：http://gdo-dcp.ucllnl.org/downscaled_cmip_projections.存档数据使用偏差校正统计降尺度（BCSD）方法进行降尺度。

我们获得了三个气候模型在0.125度（约9英里）空间分辨率下的平均气温数据：CCSM4的5个初始条件运行，每个MIROC5和GISS-E2R的一个初始条件运行。在我们的初始探索阶段，为了确定回归模型的一组预测因子，我们还使用长波和短波辐射作为潜在预测因子。这些变量的缩减数据没有存档，因此数据直接从CMIP5存档中获得。有关更多详细信息，请参阅方法部分。在下一节中，我们将介绍水文变量。2.1.2水文数据18个主要水文单元（含332个计量站）的历史溪流温度数据在月度时间尺度上可从美国地质调查局网站（来源：http://waterdata.usgs.gov/nwis)基于数据可用性。选择至少有7年记录的溪流温度数据进行历史趋势分析。由于季节性影响，少于7年的数据可能不足以估计趋势。1969年至2012年间，不同仪表的数据可用性各不相同。图2.2显示了其中水文单元和水位计位置的空间地图。表A3汇总了美国周边主要水资源区的名称。图2.2（左）美国中部的主要水资源区和（右）水资源区332个水位计（以蓝色实心圆圈显示）的空间位置。

（来源：http://www.ncdc.noaa.gov/)17!!                                                                                !2.1.3人口数据为了估计未来县级市政和生活用水需求，我们需要相应年份（2030年代和2040年代）的预测人口数据。预计的人口数据可从美国人口普查局国家一级获得，但不能从县一级获得。我们按照罗伊等人2012年所述的程序，在县一级进行2030年和2040年的人口预测。下面给出了计算未来人口的表达式。为了估算县级人口预测，使用美国人口普查局2000-2010年期间的县级数据计算每个县的年增长率，单位为每年的百分比。(https://www.census.gov/topics/population.html)图2.3显示了2010年县级人口的空间分布。2030年和2040年的预计人口计算如下（Roy等人，2012）：o根据历史人口数据（2000-2010年）估计每个县的年均人口增长率o2030年人口（县）=2010年人口×（1+年均增长率）^20o2040年人口（县）=2010年人口×（1+年均增长率）^30图2.3美国人口普查局县级人口数据的空间分布我们通过汇总全国县级预测人口，然后与美国人口普查局提供的预测数据进行比较，来评估未来人口估计的稳健性。

根据上述方法得出的全国总人口与根据给出的预测数据得出的总人口之间的百分比差异18！据美国人口普查局统计，2030年和2040年的失业率分别为2.6%和8.4%。图2.4显示了2030年和2040年县级的预计人口。东北部、佛罗里达州、太平洋西北部和西南沿海地区人口稠密。图2.4 2030年和2040年县级预测人口的空间分布——不同空间分辨率的网格化预测人口数据可从其他来源获得；其中最常用的是哥伦比亚大学国际地球科学信息网络中心（CIESEN）的全球网格人口（GPWv3）。由于以下原因，我们没有使用这些数据集：o从网格到县尺度的预测人口数据的聚合导致一些县的人口数量为零o以精细空间分辨率分布人口的分解方法导致人口数量分数。o在大多数网格人口数据库中，通过假设2000年为基准年2.1.4发电厂数据，计算了预计人口。热电厂的空间位置及其容量主要来自两个来源：电力研究所（EPRI，2011）和能源信息管理数据库（EIA，2013）。在这些数据源中，发电厂19！冷却系统分为4类：1。

直接或直流：这种冷却系统从附近的水源（如河流、湖泊、水库或海洋）取水，在一个循环中通过管道循环，吸收蒸汽中的多余热量，然后将较温暖的水排放到环境中。与其他冷却系统相比，这种类型的冷却系统会消耗大量的水，并且对当地生态系统的危害更大。2.湿循环或闭环：该系统只提取水，以补充蒸发造成的损失，主要用于水资源不丰富的地区。与直流系统相比，湿式循环系统的取水量要低得多；然而，它们的耗水量更高。3.干式冷却：此类系统使用空气而不是水来吸收从涡轮机排出的多余热能。与湿式循环系统相比，干式冷却系统可将耗水量减少90%以上。虽然冷却不需要水，但维护和清洁需要水。4.混合冷却：组合冷却系统既有湿式冷却组件，也有干式冷却组件。混合冷却使用空气和水进行冷却，比传统的闭环湿式冷却系统（Feeley et al.，2006）耗水量少50%。在本报告中，我们将直流和湿式循环冷却系统统称为湿式冷却系统（因此易受水的影响）。该术语已用于分析和图表中，以显示结果。图2.5显示了2010年按冷却系统和用于产生蒸汽的燃料类型划分的热电厂容量（千兆瓦）。

在美国，98%以煤炭、核能、天然气和其他能源为燃料的热电厂使用水进行冷却（美国能源部/EPSA-000220014；EIA，2013）。20！图2.5 2010年按冷却系统类型和燃料划分的热电厂产能。（来源：http://wwW环境影响评估。图2.6显示了采用冷却方式（湿式冷却与其他冷却方式）的发电厂的空间分布及其发电能力，单位为万亿英国热量单位（QBTU3；简称为Quad）。图2.6湿冷式和其他热电厂的位置及其发电能力（四年/年）！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！3万亿英热单位是描述所有能源使用情况的常用指标。英国热量单位等于1055焦耳。一个QBTU将提供纽约州大约三个月的所有能源需求。[S o u rc e：资源革命：满足世界能源、材料、食品和水需求，2011年11月，麦肯锡全球研究所]！21!!                                                                                !如上所述，我们还分析了预计蒸汽温度对风险能源生产量的影响。根据历史河流温度和其他气候变量，采用非线性回归模型预测未来水温。因此，在发电厂附近收集蒸汽温度数据非常重要。在本分析中，我们从靠近发电厂的美国地质勘探局位置获取了溪流温度记录。

图2.7湿冷式和其他热电厂的容量位置以及U SGS流ga es的位置。我们在图2.7中叠加了流量计的位置（蓝色圆圈的大小显示了可用数据的长度），以显示它们与发电厂的距离（不同大小和阴影的红色圆圈显示了发电厂的装机容量），如图2.6所示。湿式冷却发电厂在美国产生的能量最大。；我们随后将重点分析湿式冷却设备。在图2.8中，我们仅显示了湿式冷却电厂的位置（红色填充圆圈，大小表示其装机容量）和美国地质勘探局流量计的相应位置（蓝色填充圆圈）。22！图2.8湿冷发电厂和USGS测流仪位置的空间分布2.2方法2.2.1评估风险发电量的指标与ARPA-E协商，我们定义了两个指标——水资源利用率绝对变化指数（WAACI）和水温压力指数——来量化风险发电量。水有效性绝对变化指数（WAACI）水有效性的一阶估计值是通过计算降水量和蒸散量之间的差值来计算的。一阶估算中未考虑地下水和流域间转移的贡献。气候模型中的降水包括雨和雪的贡献。净水可用性是指所有部门的水供应和水需求之间的差异。

就目前的工作而言，我们假设未来除市政公共和生活供水以及热电制冷以外的用水需求不会发生变化。以上已经讨论了假设的基础。未来的供水量是通过地表径流（降水量减去蒸散量）的气候平均值来估算的，包括气候变化和变异性的影响。未来的市政和生活用水需求是使用预计人口和人均用水量估算的，我们认为这是1700 m3/人/年（Parish等人，2012年；Falkenmark，1986年）。因此，未来的需水量变化计算为人口变化和人均需水量（1700 m3/人/年）的乘积。WAACI值在每个网格点计算为供水和供水之间的差值23！要求如下：（）111。。。，NTTwaci P E人均需水量人口t nn=！\"= ×-- × =%&\'(∑（1） 式中，t和n表示第i个时间步（以月为单位）在n个持续时间（年）内的平均可用淡水（即P–e）变化。WAACI的网格估计值在ArcGIS中进行空间插值，以获得县级的值。水温应力指数当最高水流温度超过EPA允许极限时，我们认为水位计附近的发电厂处于应力状态，其定义为：，TWTSI=1×{Tstream>TEPA}（2），其中1{Φ}是setΦ的逻辑指示符函数，取值为0（如果Φ为假）或1（如果Φ为真）。TWTSI的值为0或1。表A4概述了根据不同州的EPA法规，蒸汽温度的允许限值。

2.2.2历史溪流温度趋势分析如上所述，预测水温无法直接从CMIP5气候模型获得。我们开发了非线性回归模型来预测未来的水温，使用气候和水文变量的组合作为预测因子。我们的第一个目标是找到一组预测因子，为我们提供可靠的预测，预测20世纪30年代和20世纪40年代的河流温度。为此，我们还研究了是否应该将滞后变量纳入预测因素集中，以包括季节性效应。我们对记录数据长度至少为7年的所有台站的观测溪流温度数据进行趋势分析。使用基于稀疏线性代数和PDE离散化的时间序列插值技术对观测记录中的缺失数据进行插补（D’Errico，2004）。图2.9显示了美国地质勘探局（USGS）在亚利桑那州科罗拉多河（Colorado River）Lees Ferry测流仪上估算缺失值的方法。连续完成24！趋势分析需要无任何缺失数据的流温时间序列。我们使用Mann-Kendall检验进行非参数趋势分析，并对关系和自相关进行校正（Hamed和Ramachandra Rao，1998；Helsel和Hirsch，1992）。我们在趋势分析中考虑了自相关，因为水温时间序列具有很强的季节性。

图2.9历史溪流温度数据的时间序列在亚利桑那州科罗拉多河上的Lees Ferry站填充缺失值后，为了说明季节性，我们在图2.10中显示了佐治亚州一个测流器位置处水温的自相关函数。该图表明，回归模型中包含了滞后变量。我们开发了具有多组预测因子的支持向量回归（SVR）模型，并确定了一组预测因子，这些预测因子将在每月的时间尺度上对河流温度进行可靠的预测。该计算是在商用软件MATLAB中使用StatLSSVM包进行的（De Brabanter等人，2013年）。我们从以下一组从气候模型中获得的预测因子开始：25！！！o将平均气温（tair）降低三倍：t，t-1，和t-2o两次时的地表下涌晴空长波辐射（rldscs）：t和t-1o两次时的地表下涌晴空短波辐射（rsdscs）：t和t-1图2.10乔治亚州美国地质勘探局测流仪位置02335350的历史河流温度的样本自相关函数。蓝线表示流温的自相关，显著性限为5%。这些lim上方（下方）的峰值表明其自相关显著。我们从多个气候模型和多个初始条件中获取了预测因子。每一种组合都代表了一个合理的未来气候，严格的分析应该包括对所有组合的水温分别进行预测。