通过使用机器学习和高维数据,研究社会生态驱动因素对中国城市太阳能发展的非线性影响

科学领域:

• 可再生能源系统可再生能源系统
• 地理空间大数据分析
• 机器学习应用 机器学习应用

背景情况:

• 可再生能源对于实现碳中和目标至关重要,从补充能源向主要能源过渡.
• 了解可再生能源扩张的空间模式和驱动因素对于优化清洁电力布局和防止削减至关重要.
• 太阳能光伏 (PV) 产能扩张是中国绿色能源转型的关键组成部分.

研究的目的:

• 分析地理,资源和社会经济因素对中国城市规模的太阳能光伏发电容量的非线性影响.
• 确定城市太阳能光伏发电扩张的关键影响因素和驱动机制.
• 开发和验证用于模拟太阳能光伏容量的机器学习模型.

主要方法:

• 集体学习模型包含递归特征消除 (SVM-REF) 来进行特征选择.
• 开发和比较随机森林,决策树和极端梯度增强 (XGBoost) 模型.
• 利用了295个中国县级城市的多源地理空间大数据,包括175个解释变量.

主要成果:

• 中国的太阳能光伏安装能力集中在北方和西北地区 (2019年超过70%).
• XGBoost 模型显示出更高的预测准确性 (R2 = 0.97).
• 影响光伏容量的关键因素是城市水资源 (35.6%),平均太阳辐射 (17.7%) 和人口密度 (13.3%).

结论:

• 中国的太阳能光伏布局应该从以资源为导向向全面的"资源-环境-需求"方向发展.
• 机器学习模型提供了一个可扩展的方法来模拟太阳能光伏容量和告知政策.
• 调查结果支持优化宏观定位和中国绿色电力行业的可持续发展.