COVID-19 impact on wind and solar energy sector and cost of energy prediction based on machine learning
Notice bibliographique
Résumé
This study examines the impact of the COVID-19 pandemic on renewable energy sectors across seven countries through techno-economic analysis and machine learning (ML). In China, the renewable fraction decreased in grid-connected systems due to 14.6 % higher diesel fuel prices. They reduced grid electricity prices, with Cost of Energy (COE) reductions driven by a 2.8 % inflation decrease and a 3 % discount rate cut. The increase in renewable energy adoption in the USA during the pandemic was driven by decreased initial and operational costs of renewable components, a significant rise in diesel fuel prices, and government policy changes, despite a reduction in renewable energy sell-back prices and rising capital and annual costs due to expanded renewable capacity. Canada noted a shift to standalone systems with 50 % lower PV sell-back prices, 2 % lower WT prices, and a 48 % fuel cost rise, reducing COE except in grid/WT scenarios. Germany managed rising electricity and fuel costs, decreasing COE despite inflation. India expanded standalone HRESs driven by a sevenfold PV capacity increase, lowering COE. Japan saw stable COE with minimal variation. Iran faced economic challenges with a 104 % inflation increase, impacting COE despite a grid-connected COE decrease. Machine learning forecasts suggest that COVID-19 may cause an increase in COE in China and India due to pandemic effects.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».