Assessing Distributed Solar Power Generation Potential under Multi-GCMs: A Factorial-Analysis-Based Random Forest Method
Notice bibliographique
Résumé
The development of renewable energy is important for climate change mitigation and socioeconomic sustainability, and the prediction of renewable energy potential (e.g., solar) under the consideration of climate change impact is challenged. In this study, a factorial-analysis-based random forest (FARF) method is developed for the distributed solar power generation (DSPG) predication under multiple global climate models (GCMs). FARF has advantages in (i) downscaling large-scale climate variables to local scales, (ii) avoiding the problem of overfitting in traditional models; and (iii) reflecting the main and interactive effects of climate variables on solar radiation intensity (SRI). Then, the FARF method is applied to the Jing-Jin-Ji region of China to predict the DSPG potential under three GCMs and two emission scenarios (RCP4.5 and 8.5). Multiple validation coefficients prove that the FARF method is effective and feasible. Major findings are as follows: (i) during 2021–2100, the regional SRI would increase under all GCMs and RCPs, and the southern region is obviously higher than the northern region; (ii) the main impact factors are temperature (contribution >51%) and humidity (contribution >28%), and the interactive effects of multiple factors are insignificant; (iii) the regional DSGP would continuously rise and its contribution to electricity consumption would continue to increase; and (iv) under all GCMs, SRI and DSPG under RCP8.5 would be higher than those under RCP4.5. The findings can help decision makers to use the desired strategies for promoting renewable energy utilization and energy system sustainable development.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».