Авторы:  (1) Мэгги Д. Бэйли, Горная школа Колорадо и Национальная лаборатория возобновляемых источников энергии;  (2) Дуглас Ничка, Горная школа Колорадо;  (3) Манаджит Сенгупта, Национальная лаборатория возобновляемых источников энергии;  (4) Арон Хабте, Национальная лаборатория возобновляемых источников энергии;  (5) Юй Се, Национальная лаборатория возобновляемых источников энергии;  (6) Сутир Бандиопадьяй, Горная школа Колорадо.  Таблица ссылок   Аннотация и введение   Данные   Байесовская иерархическая модель (БХМ)   Пример солнечного излучения   Полученные результаты   Заключение   Приложение A: Моделирование   Приложение B: Оценки коэффициентов перераспределения   Рекомендации  4. Пример солнечного излучения  Модель, описанная в разд. 3 был подобран один раз для каждого местоположения в подгруппе территорий Калифорнии, показанной на крайней правой нижней панели рисунка 2, которая включает прибрежные и внутренние районы. Кроме того, модель была адаптирована для четырех отдельных месяцев (февраль, май, август и ноябрь) за все годы перекрывающихся данных (1998–2009 гг.). Первоначально в модель включаются все ковариаты. Однако не все ковариаты оказались значимыми. В частности, было обнаружено, что CanRCM4.ERA-Int не имеет значения для февраля, мая и ноября для большинства мест и не имеет значения примерно для половины мест в августе. Сезонная ковариата не имела значения ни для одного из месяцев, что и ожидалось, поскольку данные были разделены на один месяц каждого сезона. По этой причине сезонная ковариата была удалена для всех четырех месяцев.  4.1. Апостериорное распределение коэффициентов модели  Часто набор данных с измененной сеткой, полученный в результате кригинга, используется в качестве основы для дальнейшего анализа. В этом разделе описывается метод анализа неопределенности, связанной с шагом изменения сетки и прогнозирования линейной модели, а также последующими эффектами путем создания апостериорных распределений каждого β в уравнении. 1.   4.2 Покрытие прогнозов  В этом исследовании также учитывается охват апостериорных прогнозов, то есть доля дней, в течение которых интервал прогнозирования содержит фактическое наблюдаемое значение. В этой части анализа в качестве тестового набора используются данные за один год, а остальные годы используются в качестве обучающего набора. Имеются перекрывающиеся данные за 12 лет, в результате чего получено 12 результатов прогнозирования вне выборки. Итоговое покрытие — это среднее покрытие для 12 складок.  Этот документ   под лицензией CC 4.0. доступен на 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

Этот звук создан на языке оригинала истории!

Раскрытие прогнозов солнечной энергии: анализ байесовской модели по сезонам

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Утечка информации о системе Claude Sonnet 3.5: судебно-медицинский анализ

Руководство архитектора по созданию эталонной архитектуры для озера данных AI/ML

Создание криптопродуктов, ориентированных на пользователя: важность отзывов клиентов

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

Утечка информации о системе Claude Sonnet 3.5: судебно-медицинский анализ

Руководство архитектора по созданию эталонной архитектуры для озера данных AI/ML

Создание криптопродуктов, ориентированных на пользователя: важность отзывов клиентов

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps