Auteurs:  (1) Maggie D. Bailey, École des mines du Colorado et National Renewable Energy Lab ;  (2) Douglas Nychka, École des mines du Colorado ;  (3) Manajit Sengupta, Laboratoire national des énergies renouvelables ;  (4) Aron Habte, Laboratoire national des énergies renouvelables ;  (5) Yu Xie, Laboratoire national des énergies renouvelables ;  (6) Soutir Bandyopadhyay, École des Mines du Colorado.  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.  Cet article est   sous licence CC 4.0. disponible sur 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

Cet audio est produit dans la langue originale de l'histoire !

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

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps