Jan 01, 1970
Descobrindo as projeções de energia solar: análise do modelo bayesiano entre as estações por@quantification
Descobrindo as projeções de energia solar: análise do modelo bayesiano entre as estações
Muito longo; Para ler
Embarque em uma jornada pela modelagem bayesiana na Califórnia, desvendando as complexidades das previsões da radiação solar. Descubra a significância das covariáveis e variações sazonais, bem como a distribuição posterior dos coeficientes do modelo. Mergulhe na incerteza associada à reestruturação e à previsão de modelos lineares, obtendo insights valiosos. Explore a cobertura de previsão, avaliando a precisão dos intervalos de previsão. Este estudo fornece uma compreensão diferenciada das previsões da energia solar, particularmente no clima diversificado da Califórnia.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
Modelo Hierárquico Bayesiano (BHM)
Apêndice A: Estudo de Simulação
Apêndice B: Estimativas de Coeficientes de Regridagem
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 disponível no arxiv sob licença CC 4.0.
L O A D I N G
. . . comments & more!
. . . comments & more!
