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  4 Ejemplo de radiación solar  El modelo descrito en la Sección. 3 se ajustó una vez para cada ubicación en un subconjunto de áreas de California, como se muestra en el panel inferior derecho de la Figura 2, que incluye áreas costeras y del interior. Además, el modelo se ajustó para cuatro meses distintos (febrero, mayo, agosto y noviembre) en todos los años de datos superpuestos (1998-2009). Inicialmente, todas las covariables se incluyen en el modelo. Sin embargo, no todas las covariables resultaron significativas. En particular, se encontró que CanRCM4.ERA-Int no tenía importancia para los meses de febrero, mayo y noviembre para la mayoría de las ubicaciones y no tenía importancia para aproximadamente la mitad de las ubicaciones en el mes de agosto. La covariable estacional no tuvo importancia para ninguno de los meses, lo que era de esperar ya que los datos se subdividieron en un solo mes de cada temporada. Debido a esto, se eliminó la covariable estacional durante los cuatro meses.  4.1 Distribución posterior de los coeficientes del modelo  A menudo, el conjunto de datos revisados resultantes del kriging se utiliza como base para análisis posteriores. Esta sección describe el método para analizar la incertidumbre asociada con el paso de predicción del modelo lineal y de remallado y los efectos posteriores generando extracciones de las distribuciones posteriores de cada β en la ecuación. 1.   4.2 Cobertura de predicción  Este estudio también considera la cobertura de las predicciones posteriores, es decir, la fracción de días en los que el intervalo de predicción contiene el valor real observado. Esta parte del análisis contiene un solo año de datos como conjunto de prueba, utilizando los años restantes como conjunto de entrenamiento. Hay 12 años de datos superpuestos que dan como resultado 12 resultados de predicción fuera de la muestra. La cobertura final es la cobertura promedio de los 12 pliegues.  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!

Descubriendo proyecciones de energía solar: análisis del modelo bayesiano entre estaciones

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Una breve introducción a la teoría del cerebro de Boltzmann

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Una breve introducción a la teoría del cerebro de Boltzmann

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps