Modelling the Effect of Temperature on Power Generation at a Nigerian Agricultural Institute
Notice bibliographique
Résumé
The energy sector is considered one of the most sensitive sectors to climate change. Climate change has a considerable impact on environmental weather parameters such as temperature, humidity, radiation from the sun, precipitation, sunshine hours, wind direction, etc. These meteorological considerations have an impact on the electricity consumption rate. As a result, knowing the influence of weather conditions on energy demand and consumption is critical for adapting, planning, and forecasting the impact of changing climate on an organization's energy needs. Several factors influencing electricity consumption can be classified as economic, seasonal, and meteorological factors. This research aims to look at the influence of climate change on energy supply in a typical agricultural institute and utilize Artificial Neural Network (ANN) and Multivariate Linear Regression (MLR) models to predict the impact of changes in temperature on electricity generated. The approach used in this study includes: Creating a database of weather variables and energy demand or consumption parameters; analyzing and correlating electrical energy demand to weather variables, developing models - Multivariate Linear Regression (MLR) and Artificial Neural Networks (ANN) to forecast the impact of change in the weather variables on the electrical energy. “Average temperature” was seen to have the most influence on electrical energy with the highest correlation (r = 0.92 for 2015 and r = 0.86 for 2011 - 2018), while “Wind speed” had the least influence with the lowest correlation (r = 0.033 for 2011 - 2018). The ANN model was the best of the two models considered in this study. The mean squared error was reduced by 39% and 42% on test data and train data, respectively, indicating that ANNs outperformed the MLR model. Other measures, such as Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE), showed that the ANN performed substantially better than the MLR. The results suggest that ANN models perform relatively well since the algorithm learns independently and develops a reasonably accurate representation of the dataset.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».