Autores:  (1) Maggie D. Bailey, Escola de Minas do Colorado e Laboratório Nacional de Energia Renovável;  (2) Douglas Nychka, Escola de Minas do Colorado;  (3) Manajit Sengupta, Laboratório Nacional de Energia Renovável;  (4) Aron Habte, Laboratório Nacional de Energia Renovável;  (5) Yu Xie, Laboratório Nacional de Energia Renovável;  (6) Soutir Bandyopadhyay, Escola de Minas do Colorado.  Tabela de links   Resumo e introdução   Dados   Modelo Hierárquico Bayesiano (BHM)   Exemplo de radiação solar   Resultados   Conclusão   Apêndice A: Estudo de Simulação   Apêndice B: Estimativas de Coeficientes de Regridagem   Referências  5 resultados  Os resultados apresentados aqui resumem as métricas descritas na Seção. 4. Como os verdadeiros coeficientes não são conhecidos, complementamos a análise com um estudo de simulação. O desenho e os resultados deste estudo estão descritos no Apêndice A.  5.1 Distribuição Posterior dos Coeficientes do Modelo  As estimativas dos parâmetros resultantes da distribuição posterior variam de acordo com a localização e o coeficiente. Aqui nos referiremos ao viés de parâmetro como a diferença entre a estimativa ingênua e aquela baseada na análise Bayesiana. Em geral, as estimativas ingênuas dos coeficientes do modelo de regridding estão dentro dos intervalos de credibilidade de 95% das distribuições posteriores para o respectivo coeficiente. Um exemplo das distribuições comparadas com a estimativa ingênua de reestruturação pode ser visto na Figura 2 para um local próximo à costa da Califórnia em quatro meses diferentes. As linhas verdes representam o método de regridagem ingênuo e as roxas o método de regridagem Bayesiano. Em geral, existe uma forte concordância entre os dois métodos, tanto na estimativa do coeficiente pontual ou mediano, bem como na confiança ou nos intervalos credíveis, sugerindo que a incorporação da incerteza associada à etapa de reclassificação tem pouco efeito nas estimativas do modelo. Contudo, no mês de agosto (gráfico inferior esquerdo) vemos um caso para o coeficiente WRF onde os métodos não concordam e este viés é compensado pela estimativa de interceptação. Este viés no coeficiente WRF foi observado em muitos locais no mês de agosto.  Para toda a área considerada, o viés médio por localização é mostrado na Figura 3. O viés é calculado como a estimativa BHM subtraída da estimativa ingênua de reestruturação. Valores próximos de zero indicam pouca diferença entre os dois métodos. Valores negativos indicam que o BHM está dando um peso maior ao modelo. Os padrões espaciais do enviesamento são mais pronunciados no mês de Novembro e também grandes no mês de Agosto. Em Novembro, o viés médio entre o coeficiente CRCM5-UQAM e o coeficiente WRF são espacialmente opostos nos seus sinais, mas ambos oscilam em torno de zero. Aqui podemos perceber que o método ingênuo e o BHM são os que mais discordam para o coeficiente do WRF no mês de agosto, com o método ingênuo resultando em um peso muito maior para o WRF em comparação ao BHM. Para referência adicional, as estimativas dos coeficientes estimados e os erros padrão são fornecidos no Apêndice B.  5.2 Cobertura de previsão e comparação de erros  A cobertura de previsão da reclassificação ingênua é calculada como a porcentagem de observações que estão dentro dos intervalos de previsão do modelo linear. Isto é calculado por localização para cada um dos quatro meses considerados. Método semelhante é implementado para calcular a cobertura resultante do BHM. Apresentamos os resultados para o quarto mês na Figura 4. Note-se que na figura apresentada, a percentagem de cobertura reportada é uma média para cada ano e apresentada como a diferença do nível nominal de 0,95. Vemos resultados semelhantes para a cobertura fora da amostra em comparação com a reclassificação ingênua.  Da mesma forma, o RMSE entre o IGF previsto e o IGF verdadeiro é menor em todo o domínio de estudo para agosto do que para novembro, tanto no modelo de regridding ingênuo quanto no BHM, indicando melhores previsões para o mês de verão em relação ao mês de inverno. Isto é mostrado na Figura 5. Esta descoberta pode refletir uma característica da radiação solar sazonal. A radiação solar recebida durante os meses de verão normalmente tem um desvio padrão mais baixo quando considerada mensalmente ou sazonalmente do que   no inverno na Califórnia, indicando que há menos variabilidade nos tipos de dias (ou seja, nublados versus ensolarados) ou quantidade de radiação solar recebida durante o verão em comparação com o inverno. Portanto, faz sentido que as previsões tenham um RMSE mais baixo nos meses de verão, uma vez que as covariáveis e a resposta têm menos variabilidade durante essa estação. Os valores de RMSE também são mais baixos para a reclassificação ingênua do que para o BHM ao longo dos quatro meses mostrados. Quando a incerteza da reestruturação é levada em consideração, os valores previstos do GHI apresentam um erro maior do que quando a previsão é feita diretamente, sem considerar a incerteza da reestruturação. Esta é uma descoberta interessante, pois sugere que fazer previsões diretamente, sem considerar qualquer incerteza, pode produzir previsões pontuais mais precisas, mas a incerteza da reclassificação contribui com variabilidade adicional para as estimativas pontuais finais, como visto no BHM.   Este artigo está   sob licença CC 4.0. disponível no 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 áudio é produzido no idioma original da história!

Compreendendo os padrões de polarização nas previsões de radiação solar ao longo das estações

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Aumente sua produtividade com estas 18 ferramentas para desenvolvedores 🚀🔥

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Aumente sua produtividade com estas 18 ferramentas para desenvolvedores 🚀🔥

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps