विभिन्न मौसमों में सौर विकिरण पूर्वानुमानों में पूर्वाग्रह पैटर्न को समझना

लिंक की तालिका

सार और परिचय

डेटा

बायेसियन पदानुक्रमित मॉडल (बीएचएम)

सौर विकिरण उदाहरण

परिणाम

निष्कर्ष

परिशिष्ट ए: सिमुलेशन अध्ययन

परिशिष्ट बी: पुन: ग्रिडिंग गुणांक अनुमान

संदर्भ

5 परिणाम

यहां प्रस्तुत परिणाम अनुभाग में उल्लिखित मैट्रिक्स का सारांश प्रस्तुत करते हैं। 4. चूंकि वास्तविक गुणांक ज्ञात नहीं हैं, इसलिए हमने विश्लेषण को एक सिमुलेशन अध्ययन के साथ पूरक किया है। इस अध्ययन के लिए डिज़ाइन और परिणाम परिशिष्ट ए में दिए गए हैं।

5.1 मॉडल गुणांकों का पश्च वितरण

पश्च वितरण से परिणामी पैरामीटर अनुमान स्थान और गुणांक के अनुसार भिन्न होते हैं। यहां हम पैरामीटर पूर्वाग्रह को अनुभवहीन अनुमान और बायेसियन विश्लेषण के आधार पर अंतर के रूप में संदर्भित करेंगे। सामान्य तौर पर, अनुभवहीन रीग्रिडिंग मॉडल गुणांक अनुमान संबंधित गुणांक के लिए पश्च वितरण के 95% विश्वसनीय अंतराल के भीतर होते हैं। चार अलग-अलग महीनों में कैलिफोर्निया के समुद्र तट के पास एक स्थान के लिए भोले-भाले रिग्रिडिंग अनुमान की तुलना में वितरण का एक उदाहरण चित्र 2 में देखा जा सकता है। हरे रंग की रेखाएं अनुभवहीन रीग्रिडिंग विधि का प्रतिनिधित्व करती हैं और बैंगनी रेखाएं बायेसियन रीग्रिडिंग विधि का प्रतिनिधित्व करती हैं। सामान्य तौर पर, बिंदु या माध्य गुणांक अनुमान के साथ-साथ आत्मविश्वास या विश्वसनीय अंतराल दोनों में दो तरीकों के बीच मजबूत सहमति है जो यह सुझाव देती है कि रिग्रिडिंग चरण से जुड़ी अनिश्चितता को शामिल करने से मॉडल अनुमान पर बहुत कम प्रभाव पड़ता है। हालाँकि, अगस्त के महीने में (नीचे बाएँ प्लॉट) हम WRF गुणांक के लिए एक मामला देखते हैं जहाँ विधियाँ सहमत नहीं हैं और यह पूर्वाग्रह इंटरसेप्ट अनुमान से ऑफ-सेट है। डब्ल्यूआरएफ गुणांक में यह पूर्वाग्रह अगस्त माह में कई स्थानों पर देखा गया।

पूरे विचारित क्षेत्र के लिए, स्थान के अनुसार औसत पूर्वाग्रह चित्र 3 में दिखाया गया है। पूर्वाग्रह की गणना भोले रिग्रिडिंग अनुमान से घटाकर बीएचएम अनुमान के रूप में की जाती है। शून्य के करीब मान दोनों विधियों के बीच थोड़ा अंतर दर्शाते हैं। नकारात्मक मान दर्शाते हैं कि बीएचएम मॉडल को अधिक महत्व दे रहा है। पूर्वाग्रह के स्थानिक पैटर्न नवंबर के महीने में सबसे अधिक स्पष्ट होते हैं और अगस्त के महीने में भी बड़े होते हैं। नवंबर में, CRCM5-UQAM और WRF गुणांक के बीच औसत पूर्वाग्रह उनके संकेतों में स्थानिक रूप से विपरीत है लेकिन दोनों शून्य के आसपास मंडराते हैं। यहां, हम देख सकते हैं कि अगस्त के महीने में डब्लूआरएफ गुणांक के लिए अनुभवहीन विधि और बीएचएम सबसे अधिक असहमत हैं, अनुभवहीन विधि के परिणामस्वरूप बीएचएम की तुलना में डब्लूआरएफ के लिए बहुत अधिक वजन होता है। अतिरिक्त संदर्भ के लिए, अनुमानित गुणांक अनुमान और मानक त्रुटियां परिशिष्ट बी में प्रदान की गई हैं।

5.2 भविष्यवाणी कवरेज और त्रुटि तुलना

अनुभवहीन रिग्रिडिंग की भविष्यवाणी कवरेज की गणना उन टिप्पणियों के प्रतिशत के रूप में की जाती है जो रैखिक मॉडल के भविष्यवाणी अंतराल के भीतर हैं। इसकी गणना विचार किए गए चार महीनों में से प्रत्येक के लिए स्थान के आधार पर की जाती है। बीएचएम से उत्पन्न कवरेज की गणना करने के लिए एक समान विधि लागू की जाती है। हम चित्र 4 में चौथे महीने के परिणाम दिखाते हैं। ध्यान दें कि दिखाए गए आंकड़े में, रिपोर्ट किया गया प्रतिशत कवरेज प्रत्येक वर्ष के लिए औसत है और 0.95 के नाममात्र स्तर से अंतर के रूप में दिखाया गया है। हम अनुभवहीन रीग्रिडिंग की तुलना में नमूना कवरेज से बाहर के लिए समान परिणाम देखते हैं।

इसी तरह, अनुमानित जीएचआई और वास्तविक जीएचआई के बीच आरएमएसई अगस्त के लिए अध्ययन क्षेत्र में नवंबर की तुलना में कम है, जो कि अनुभवहीन रिग्रिडिंग मॉडल और बीएचएम दोनों में है, जो सर्दियों के महीने की तुलना में गर्मी के महीने के लिए बेहतर भविष्यवाणियों का संकेत देता है। यह चित्र 5 में दिखाया गया है। यह खोज मौसमी सौर विकिरण की एक विशेषता को दर्शा सकती है। गर्मी के महीनों के दौरान आने वाले सौर विकिरण में मासिक या मौसमी आधार पर विचार करने पर आम तौर पर कम मानक विचलन होता है

कैलिफ़ोर्निया में सर्दियों में, यह दर्शाता है कि सर्दियों की तुलना में गर्मियों के दौरान दिन के प्रकार (यानी बादल बनाम धूप) या आने वाले सौर विकिरण की मात्रा में कम परिवर्तनशीलता होती है। इसलिए, यह समझ में आता है कि गर्मियों के महीनों में भविष्यवाणियों का आरएमएसई कम होता है क्योंकि उस मौसम के दौरान सहवर्ती और प्रतिक्रिया में कम परिवर्तनशीलता होती है। दिखाए गए चार महीनों में बीएचएम की तुलना में अनुभवहीन रीग्रिडिंग के लिए आरएमएसई मूल्य भी कम हैं। जब रीग्रिडिंग अनिश्चितता को ध्यान में रखा जाता है, तो पूर्वानुमानित GHI मानों में उस स्थिति की तुलना में अधिक त्रुटि होती है जब रीग्रिडिंग अनिश्चितता पर विचार किए बिना सीधे भविष्यवाणी की जाती है। यह एक दिलचस्प खोज है क्योंकि यह सुझाव देता है कि किसी भी अनिश्चितता पर विचार किए बिना सीधे भविष्यवाणी करने से अधिक सटीक बिंदु भविष्यवाणियां हो सकती हैं, लेकिन अनिश्चितता को फिर से दर्ज करने से अंतिम बिंदु अनुमानों में अतिरिक्त परिवर्तनशीलता का योगदान होता है जैसा कि बीएचएम में देखा गया है।