دانلود ترجمه مقاله مدل های پیش بینی روند رشد انرژی های تجدیدپذیر

1. مقدمه 2. مروری بر مقالات 3. روش تحقیق 4. نتایج و بحث و بررسی 5. نتیجه گیری

مزیت های انرژی تجدیدپذیر، آلودگی کم و پایداری زیاد می باشند. کمبود انرژی در انرژی تجدیدپذیر صدق نمی کند. در این مطالعه، ما عمدتاً گرایش های رشد در مصرف انرژی تجدیدپذیر در چین را پیش بینی می کنیم. انرژی تجدیدپذیر، یک فنآوری نوظهور است و بنابراین، این مطالعه تنها از 22 قسمت از داده های نمونه، تشکیل شده است. بخاطر اینکه این داده های تاریخی یک نمونه کوچک را در بر می گیرند و در یک توزیع نرمال جای نمی گیرند (برازش نمی کنند)، تحلیل بیگ دیتا، روش پیش بینی مناسبی نبود. بنابراین، از سه مدل پیش بینی خاکستری، مدل GM(1,1)، مدل NGBM(1,1) و مدل خاکستری Verhulst برای استخراج تئوری و تایید علمی، استفاده کردیم. دقت و برازش مدل های پیش بینی با استفاده از تحلیل رگرسیون مقایسه شد. با توجه به سه شاخص خطای مطق میانگین، مربع خطای میانگین، خطای درصد مطلق میانگین، مقایسه دقت پیش بینی سه مدل پیش بینی خاکستری در این مطالعه و تحلیل رگرسیون نشان داد که NGMB(1,1)، بیشترین دقت پیش بینی را داشته است و بعد از آن مدل خاکستری Verhulst و مدل GM(1,1) در رده های بعدی قرار دارند. تحلیل رگرسیون، کمترین نتایج را نشان داد. علاوه بر آن، این مطالعه تایید کرد که برای پیش بینی هایی که از نمونه های داده های اندک استفاده می کنند، مدل خاکستری NGBM(1,1) اصلاح شده و مدل Verhults خاکستری، بالاترین دقت پیش بینی نسبت به مدل GM(1,1) اصلی داشت. مدل های استفاده شده در این مطالعه برای پیش بینی انرژی تجدیدپذیر را می توان در پیش بینی مصرف انرژی در کشورهای دیگر که توانایی بررسی گرایش جهانی توسعه انرژی می باشند، بکار گرفت.

The advantages of renewable energy are that it is low in pollution and sustainable. Energy shortages do not apply to renewable energy. In this study, we primarily forecast growth trends in renewable energy consumption in China. Renewable energy is an emerging technology, and thus this study comprises only 22 pieces of sample data. Because the historical data comprised a small sample and did not fit a normal distribution, big data analysis was not an appropriate prediction method. Therefore, we used three grey prediction models, the GM(1,1) model, the NGBM(1,1) model, and the grey Verhulst model, for theoretical derivation and scientific verification. The accuracy and fitness of the prediction models were compared using regression analysis. Regarding the three indicators of mean absolute error, mean squared error, mean absolute percentage error, this study's comparison of the forecast accuracy of the three grey prediction models and regression analysis indicated that NGMB(1,1) had the highest forecast accuracy, followed by the grey Verhulst model and the GM(1,1) model. Regression analysis exhibited the lowest results. In addition, this study confirmed that, for predictions that use small data samples, the modified grey NGBM(1,1) model and the grey Verhulst model had higher forecast accuracy than the original GM(1,1) model did. The models used in this study for forecasting renewable energy can be applied to predicting energy consumption in other countries, which affords insight into the global trend of energy development.