Découvrir les projections de l'énergie solaire : analyse du modèle bayésien au fil des saisons

Tableau des liens

Résumé et introduction

Données

Modèle hiérarchique bayésien (BHM)

Exemple de rayonnement solaire

Résultats

Conclusion

Annexe A : Étude de simulation

Annexe B : Estimations des coefficients de remaillage

Les références

4 Exemple de rayonnement solaire

Le modèle décrit dans la Sect. 3 a été ajusté une fois pour chaque emplacement dans un sous-ensemble de la Californie, illustré dans le panneau inférieur le plus à droite de la figure 2, qui comprend les zones côtières et intérieures. De plus, le modèle a été ajusté pour quatre mois distincts (février, mai, août et novembre) sur toutes les années de données chevauchantes (1998-2009). Initialement, toutes les covariables sont incluses dans le modèle. Cependant, toutes les covariables ne se sont pas révélées significatives. En particulier, le CanRCM4.ERA-Int s'est avéré sans signification pour les mois de février, mai et novembre pour la plupart des emplacements et sans signification pour environ la moitié des emplacements au mois d'août. La covariable saisonnière n'était significative pour aucun des mois, ce qui est attendu puisque les données ont été regroupées en un seul mois à partir de chaque saison. Pour cette raison, la covariable saisonnière a été supprimée pour les quatre mois.

4.1 Distribution a posteriori des coefficients du modèle

Souvent, l’ensemble de données regrillées résultant du krigeage est utilisé comme vérité terrain pour une analyse plus approfondie. Cette section décrit la méthode d'analyse de l'incertitude associée à l'étape de prédiction du remaillage et du modèle linéaire et aux effets en aval en générant des tirages à partir des distributions a posteriori de chaque β dans l'équation. 1.

4.2 Couverture des prévisions

Cette étude considère également la couverture des prédictions a posteriori, c'est-à-dire la fraction de jours où l'intervalle de prédiction contient la valeur réelle observée. Cette partie de l'analyse contient une seule année de données comme ensemble de test, en utilisant les années restantes comme ensemble de formation. Il y a 12 années de données qui se chevauchent, ce qui donne lieu à 12 résultats de prédiction hors échantillon. La couverture finale est la couverture moyenne des 12 plis.