Autores:  (1) Maggie D. Bailey, Escuela de Minas de Colorado y Laboratorio Nacional de Energía Renovable;  (2) Douglas Nychka, Escuela de Minas de Colorado;  (3) Manajit Sengupta, Laboratorio Nacional de Energías Renovables;  (4) Aron Habte, Laboratorio Nacional de Energías Renovables;  (5) Yu Xie, Laboratorio Nacional de Energías Renovables;  (6) Soutir Bandyopadhyay, Escuela de Minas de Colorado.  Tabla de enlaces   Resumen e introducción   Datos   Modelo jerárquico bayesiano (BHM)   Ejemplo de radiación solar   Resultados   Conclusión   Apéndice A: Estudio de simulación   Apéndice B: Estimaciones del coeficiente de remallado   Referencias  5 resultados  Los resultados presentados aquí resumen las métricas descritas en la Sección. 4. Como no se conocen los verdaderos coeficientes, hemos complementado el análisis con un estudio de simulación. El diseño y los resultados de este estudio se describen en el Apéndice A.  5.1 Distribución posterior de los coeficientes del modelo  Las estimaciones de parámetros resultantes de la distribución posterior varían según la ubicación y el coeficiente. Aquí nos referiremos al sesgo de parámetro como la diferencia entre la estimación ingenua y la basada en el análisis bayesiano. En general, las estimaciones de los coeficientes del modelo ingenuo de remallado se encuentran dentro de los intervalos de credibilidad del 95% de las distribuciones posteriores para el coeficiente respectivo. En la Figura 2 se puede ver un ejemplo de las distribuciones comparadas con la estimación ingenua de remallado para una ubicación cerca de la costa de California en cuatro meses diferentes. Las líneas verdes representan el método de remallado ingenuo y las líneas violetas, el método de remallado bayesiano. En general, existe un fuerte acuerdo entre los dos métodos tanto en la estimación del coeficiente puntual o mediano como en los intervalos de confianza o creíbles, lo que sugiere que incorporar la incertidumbre asociada con el paso de remallado tiene poco efecto en las estimaciones del modelo. Sin embargo, en el mes de agosto (gráfico inferior izquierdo) vemos un caso para el coeficiente WRF donde los métodos no concuerdan y este sesgo se compensa con la estimación del intercepto. Este sesgo en el coeficiente WRF se observó en muchos lugares durante el mes de agosto.  Para toda el área considerada, el sesgo promedio por ubicación se muestra en la Figura 3. El sesgo se calcula restando la estimación de BHM de la estimación simple de remallado. Los valores cercanos a cero indican poca diferencia entre los dos métodos. Los valores negativos indican que el BHM está dando un mayor peso al modelo. Los patrones espaciales del sesgo son más pronunciados para el mes de noviembre y también grandes para el mes de agosto. En noviembre, el sesgo promedio entre el coeficiente CRCM5-UQAM y el WRF tiene signos espacialmente opuestos, pero ambos oscilan alrededor de cero. Aquí, podemos ver que el método ingenuo y BHM son los que más discrepan para el coeficiente WRF en el mes de agosto, y el método ingenuo da como resultado una ponderación mucho mayor para WRF en comparación con el BHM. Como referencia adicional, las estimaciones de coeficientes estimados y los errores estándar se proporcionan en el Apéndice B.  5.2 Cobertura de predicción y comparación de errores  La cobertura de predicción del remallado ingenuo se calcula como el porcentaje de observaciones que están dentro de los intervalos de predicción del modelo lineal. Se calcula por ubicación para cada uno de los cuatro meses considerados. Se implementa un método similar para calcular la cobertura resultante del BHM. Mostramos los resultados para el cuarto mes en la Figura 4. Tenga en cuenta que en la figura que se muestra, el porcentaje de cobertura reportado es un promedio de retención cada año y se muestra como la diferencia con respecto al nivel nominal de 0,95. Vemos resultados similares para la cobertura fuera de la muestra en comparación con el reacondicionamiento ingenuo.  De manera similar, el RMSE entre el GHI pronosticado y el GHI verdadero es menor en todo el dominio de estudio para agosto que para noviembre tanto en el modelo ingenuo de remallado como en el BHM, lo que indica mejores predicciones para el mes de verano que para el mes de invierno. Esto se muestra en la Figura 5. Este hallazgo puede reflejar una característica de la radiación solar estacional. La radiación solar entrante durante los meses de verano suele tener una desviación estándar más baja cuando se considera mensual o estacionalmente que   en invierno en California, lo que indica que hay menos variabilidad en los tipos de días (es decir, nublados versus soleados) o en la cantidad de radiación solar entrante durante el verano en comparación con el invierno. Por lo tanto, tiene sentido que las predicciones tengan un RMSE más bajo en los meses de verano ya que las covariables y la respuesta tienen menos variabilidad durante esa temporada. Los valores de RMSE también son más bajos para el reamallado ingenuo que para el BHM durante los cuatro meses mostrados. Cuando se tiene en cuenta la incertidumbre del remallado, los valores de GHI pronosticados tienen un error mayor que cuando la predicción se realiza directamente sin considerar la incertidumbre del remallado. Este es un hallazgo interesante porque sugiere que hacer predicciones directamente sin considerar ninguna incertidumbre puede producir predicciones puntuales más precisas, pero volver a calcular la incertidumbre aporta variabilidad adicional a las estimaciones puntuales finales, como se ve en el BHM.   Este documento está   bajo licencia CC 4.0. disponible en arxiv

Read My Stories

The publication about the quantity of something. The theory about why that quantity is what is. And research!

Quantification's blog

Este audio es producido en el idioma original de la historia!

Comprensión de los patrones de sesgo en las predicciones de radiación solar a lo largo de las estaciones

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps