Ensemble modeling of the climate-energy nexus for renewable energy generation across multiple US states
Notice bibliographique
Résumé
Abstract The effects of climate change on renewable energy generation are of growing concern, as shifts in weather patterns and extreme events can significantly impact energy production. This study aims to leverage machine learning models to predict renewable energy generation based on the surrounding climate. We analyze data from four key states: California, New York, Florida, and Georgia, and focus on three critical renewable energy sources: hydroelectric, solar, and wind power. To determine the optimal model, we test six primary machine learning techniques, as well as an ensemble and a mean-only baseline. The results indicate that the ensemble approach improves the predictive accuracy of the model. Using this ensemble, we projected the changes to climate-sensitive portion of the renewable energy generation under climate change. Our results indicated that there was a wide variation of possible futures, depending on the state, source, and season. For example, the model projected a reduction in California’s monthly total renewable energy generation in the summer by 0.5%, or about 30 000 MWh, under SSP5-8.5, the worst-case scenario, but an increase of 0.5%, or about 25 000 MWh, in New York’s monthly total summer renewable energy generation under the same scenario. The modeling techniques detailed in this study can be applied across new regions, sources, or time periods. Ultimately, by understanding the influence of climate on renewable energy generation, we can improve the long-term planning process for the electricity grid, while building resilience and ensuring sustainable climate change mitigation and adaptation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».