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  4 Exemplo de Radiação Solar  O modelo descrito na Seção. 3 foi ajustado uma vez para cada local em um subconjunto de área da Califórnia, mostrado no painel inferior direito da Figura 2, que inclui áreas costeiras e interiores. Além disso, o modelo foi ajustado para quatro meses distintos (fevereiro, maio, agosto e novembro) em todos os anos de dados sobrepostos (1998-2009). Inicialmente, todas as covariáveis são incluídas no modelo. No entanto, nem todas as covariáveis foram consideradas significativas. Em particular, descobriu-se que o CanRCM4.ERA-Int não tem significância para os meses de fevereiro, maio e novembro para a maioria dos locais e não tem significância para cerca de metade dos locais no mês de agosto. A covariável sazonal não teve significância para nenhum dos meses, o que é esperado, uma vez que os dados foram subconjuntos num único mês de cada estação. Por causa disso, a covariável sazonal foi removida para todos os quatro meses.  4.1 Distribuição Posterior dos Coeficientes do Modelo  Freqüentemente, o conjunto de dados reestruturados resultante da krigagem é usado como base para análises posteriores. Esta seção descreve o método para analisar a incerteza associada à etapa de reestruturação e previsão do modelo linear e aos efeitos a jusante, gerando sorteios a partir das distribuições posteriores de cada β na Eq. 1.   4.2 Cobertura de Predição  Este estudo também considera a cobertura das previsões posteriores, ou seja, a fração de dias em que o intervalo de previsão contém o valor real observado. Esta parte da análise apresenta um único ano de dados como conjunto de testes, usando os anos restantes como conjunto de treinamento. Existem 12 anos de dados sobrepostos, resultando em 12 resultados de previsão fora da amostra. A cobertura final é a cobertura média das 12 dobras.  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!

Descobrindo as projeções de energia solar: análise do modelo bayesiano entre as estações

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Modelo Bitcoin UTXO, alimentando um ecossistema único

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

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Modelo Bitcoin UTXO, alimentando um ecossistema único

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

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps