paint-brush
태양 에너지 예측 파악: 계절에 따른 베이지안 모델 분석~에 의해@quantification

태양 에너지 예측 파악: 계절에 따른 베이지안 모델 분석

너무 오래; 읽다

캘리포니아의 베이지안 모델링을 통해 태양 복사 예측의 복잡성을 해결하는 여정을 시작하세요. 공변량과 계절 변동의 중요성뿐만 아니라 모델 계수의 사후 분포도 알아보세요. 재그리딩 및 선형 모델 예측과 관련된 불확실성을 조사하여 귀중한 통찰력을 얻으십시오. 예측 범위를 탐색하고 예측 구간의 정확성을 평가합니다. 이 연구는 특히 캘리포니아의 다양한 기후에서 태양 에너지 예측에 대한 미묘한 이해를 제공합니다.
featured image - 태양 에너지 예측 파악: 계절에 따른 베이지안 모델 분석
Quantification Theory Research Publication HackerNoon profile picture

저자:

(1) Maggie D. Bailey, 콜로라도 광산 학교 및 국립 재생 에너지 연구소;

(2) 콜로라도 광산 학교의 Douglas Nychka;

(3) Manajit Sengupta, 국립 재생 에너지 연구소;

(4) Aron Habte, 국립 재생 에너지 연구소;

(5) 국립 재생 에너지 연구소 Yu Xie;

(6) 콜로라도 광산 학교의 Soutir Bandyopadhyay.

링크 표

초록 및 소개

데이터

베이지안 계층적 모델(BHM)

태양 복사의 예

결과

결론

부록 A: 시뮬레이션 연구

부록 B: 재그리딩 계수 추정

참고자료

4 태양 복사의 예

섹션에 설명된 모델. 3은 해안 및 내륙 지역을 포함하는 그림 2의 맨 오른쪽 하단 패널에 표시된 캘리포니아의 하위 집합 지역의 각 위치에 대해 한 번씩 적합했습니다. 또한 이 모델은 모든 연도의 중복 데이터(1998~2009)에 걸쳐 별도의 4개월(2월, 5월, 8월, 11월)에 적합했습니다. 처음에는 모든 공변량이 모델에 포함됩니다. 그러나 모든 공변량이 유의미한 것으로 밝혀진 것은 아닙니다. 특히 CanRCM4.ERA-Int는 대부분의 위치에서 2월, 5월, 11월에는 의미가 없는 것으로 나타났으며, 8월에는 약 절반의 위치에서 의미가 없는 것으로 나타났습니다. 계절 공변량은 어떤 달에도 유의미하지 않았는데, 이는 데이터가 각 계절의 한 달로 부분집합되었기 때문에 예상되는 현상입니다. 이로 인해 계절 공변량이 4개월 모두 제거되었습니다.

4.1 모델 계수의 사후 분포

크리깅으로 인해 생성된 재그리드된 데이터 세트는 추가 분석을 위한 근거 자료로 사용되는 경우가 많습니다. 이 섹션에서는 Eq.의 각 β의 사후 분포에서 도출을 생성하여 리그리딩 및 선형 모델 예측 단계와 다운스트림 효과와 관련된 불확실성을 분석하는 방법을 간략하게 설명합니다. 1.


4.2 예측 범위

이 연구는 또한 사후 예측의 적용 범위, 즉 예측 간격에 관찰된 실제 값이 포함된 일수의 비율도 고려합니다. 분석의 이 부분에서는 1년의 데이터를 테스트 세트로 유지하고 나머지 연도를 훈련 세트로 사용합니다. 12년간의 데이터가 중복되어 12개의 표본 외 예측 결과가 나왔습니다. 최종 적용 범위는 12겹의 평균 적용 범위입니다.


이 문서는 CC 4.0 라이선스에 따라 arxiv에서 볼 수 있습니다 .