A machine-learning approach to predicting Africa’s electricity mix based on planned power plants and their chances of success

发电 管道(软件) 可再生能源 锁(火器) 发电站 项目调试 实现(概率) 环境经济学 化石燃料 功率(物理) 工程类 计算机科学 经济 机械工程 电气工程 数学 废物管理 统计 物理 出版 量子力学 法学 政治学
作者
Galina Alova,Philipp A. Trotter,Alex Money
出处
期刊:Nature Energy [Springer Nature]
卷期号:6 (2): 158-166 被引量:64
标识
DOI:10.1038/s41560-020-00755-9
摘要

Energy scenarios, relying on wide-ranging assumptions about the future, do not always adequately reflect the lock-in risks caused by planned power-generation projects and the uncertainty around their chances of realization. In this study we built a machine-learning model that demonstrates high accuracy in predicting power-generation project failure and success using the largest dataset on historic and planned power plants available for Africa, combined with country-level characteristics. We found that the most relevant factors for successful commissioning of past projects are at plant level: capacity, fuel, ownership and connection type. We applied the trained model to predict the realization of the current project pipeline. Contrary to rapid transition scenarios, our results show that the share of non-hydro renewables in electricity generation is likely to remain below 10% in 2030, despite total generation more than doubling. These findings point to high carbon lock-in risks for Africa, unless a rapid decarbonization shock occurs leading to large-scale cancellation of the fossil fuel plants currently in the pipeline. Energy scenarios can sometimes miss lock-in caused by planned power plant projects and uncertainty around their realization. Here, Alova et al. build a machine-learning model that predicts Africa’s electricity generation mix in 2030 based on the commissioning chances of planned projects.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Ava应助喜悦香薇采纳,获得60
1秒前
2秒前
4秒前
xuyang完成签到,获得积分10
5秒前
坤坤完成签到,获得积分10
5秒前
星空完成签到,获得积分10
6秒前
慕冰蝶发布了新的文献求助10
6秒前
li1完成签到,获得积分20
7秒前
太阳风暴剑完成签到,获得积分10
8秒前
薄荷味的猫完成签到,获得积分10
8秒前
9秒前
尧九完成签到,获得积分10
9秒前
白衣修身完成签到,获得积分10
9秒前
坦率傲玉完成签到 ,获得积分10
10秒前
漂泊的思绪完成签到,获得积分10
10秒前
东郭谷雪发布了新的文献求助20
10秒前
光亮妙之完成签到,获得积分10
11秒前
Sun_Chen完成签到,获得积分10
11秒前
小二郎应助科研通管家采纳,获得30
11秒前
赘婿应助科研通管家采纳,获得10
11秒前
明亮囧完成签到 ,获得积分10
11秒前
诚心闭月完成签到,获得积分10
12秒前
exosome完成签到,获得积分20
12秒前
BaooooooMao完成签到,获得积分10
12秒前
11完成签到,获得积分10
12秒前
清醒完成签到,获得积分10
13秒前
liniubi发布了新的文献求助10
13秒前
苹果平安完成签到,获得积分10
14秒前
无心完成签到,获得积分10
15秒前
SCI完成签到 ,获得积分10
15秒前
昏睡的笑南完成签到,获得积分10
16秒前
切奇莉亚完成签到,获得积分10
17秒前
yousing发布了新的文献求助10
17秒前
万万应助喜东采纳,获得10
17秒前
东鱼鱼鱼完成签到,获得积分10
17秒前
隐形曼青应助Xiancai采纳,获得10
17秒前
pp完成签到,获得积分10
18秒前
lime完成签到,获得积分10
18秒前
微笑梦旋发布了新的文献求助10
18秒前
徐一一完成签到,获得积分10
18秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3147003
求助须知:如何正确求助?哪些是违规求助? 2798336
关于积分的说明 7827807
捐赠科研通 2454956
什么是DOI,文献DOI怎么找? 1306492
科研通“疑难数据库(出版商)”最低求助积分说明 627808
版权声明 601565