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  5 результатов  Представленные здесь результаты суммируют показатели, изложенные в разд. 4. Поскольку истинные коэффициенты неизвестны, мы дополнили анализ моделированием. Дизайн и результаты данного исследования описаны в Приложении А.  5.1. Апостериорное распределение коэффициентов модели  Полученные оценки параметров из апостериорного распределения различаются в зависимости от местоположения и коэффициента. Здесь мы будем называть смещение параметра разницей между наивной оценкой и оценкой, основанной на байесовском анализе. В целом, оценки коэффициентов наивной модели перерешетки находятся в пределах 95% доверительных интервалов апостериорных распределений соответствующего коэффициента. Пример распределения по сравнению с наивной оценкой пересчета можно увидеть на рисунке 2 для местоположения вблизи береговой линии Калифорнии в течение четырех разных месяцев. Зеленые линии представляют наивный метод перерешетки, а фиолетовые — байесовский метод перерешетки. В целом, существует четкое согласие между двумя методами как в оценке точечного или медианного коэффициента, так и в доверительных или вероятных интервалах, что позволяет предположить, что учет неопределенности, связанной с шагом переразметки, мало влияет на оценки модели. Однако в августе (нижний левый график) мы видим случай для коэффициента WRF, когда методы не согласуются, и это смещение компенсируется оценкой пересечения. Такое смещение коэффициента WRF наблюдалось во многих местах в августе.  Для всей рассматриваемой территории среднее смещение по местоположению показано на рисунке 3. Смещение рассчитывается как оценка BHM, вычтенная из наивной оценки переопределения сетки. Значения, близкие к нулю, указывают на небольшую разницу между двумя методами. Отрицательные значения указывают на то, что BHM придает модели больший вес. Пространственные закономерности смещения наиболее выражены в ноябре, а также велики в августе. В ноябре средние отклонения между коэффициентами CRCM5-UQAM и WRF пространственно противоположны по своим знакам, но оба колеблются около нуля. Здесь мы видим, что наивный метод и BHM больше всего расходятся в отношении коэффициента WRF в августе, причем наивный метод приводит к гораздо более высокому весу WRF по сравнению с BHM. Для дополнительной справки расчетные оценки коэффициентов и стандартные ошибки представлены в Приложении B.  5.2 Покрытие прогноза и сравнение ошибок  Прогнозируемый охват наивной перерешетки рассчитывается как процент наблюдений, которые находятся в пределах прогнозируемых интервалов линейной модели. Это рассчитывается по местоположению для каждого из четырех рассматриваемых месяцев. Аналогичный метод применяется для расчета покрытия, полученного в результате BHM. Мы показываем результаты за четвертый месяц на рисунке 4. Обратите внимание, что на показанном рисунке указанный процент покрытия представляет собой среднее значение для каждого года и отображается как разница от номинального уровня 0,95. Мы видим аналогичные результаты для охвата вне выборки по сравнению с наивной перерешеткой.  Аналогичным образом, среднеквадратическое отклонение между прогнозируемым GHI и истинным GHI ниже во всей исследуемой области для августа, чем для ноября как в модели простой перерешетки, так и в BHM, что указывает на лучшие прогнозы для летнего месяца по сравнению с зимним месяцем. Это показано на рисунке 5. Этот результат может отражать характеристику сезонной солнечной радиации. Приходящая солнечная радиация в летние месяцы обычно имеет более низкое стандартное отклонение, если рассматривать ее на ежемесячной или сезонной основе, чем   зимой в Калифорнии, что указывает на меньшую изменчивость типов дней (т. е. облачный или солнечный) или количества поступающей солнечной радиации летом по сравнению с зимой. Следовательно, имеет смысл, что прогнозы имеют более низкое среднеквадратическое отклонение в летние месяцы, поскольку копеременные и реакция имеют меньшую изменчивость в течение этого сезона. Значения RMSE также ниже для простой пересчета координат, чем для BHM за показанные четыре месяца. Когда учитывается неопределенность пересчета, прогнозируемые значения GHI имеют более высокую ошибку, чем когда прогноз выполняется напрямую, без учета неопределенности пересчета. Это интересный вывод, поскольку он предполагает, что прогнозирование напрямую, без учета какой-либо неопределенности, может дать более точные точечные прогнозы, но переопределение неопределенности вносит дополнительную изменчивость в окончательные точечные оценки, как это видно в BHM.   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!

Понимание закономерностей систематических ошибок в прогнозах солнечной радиации по сезонам

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Создание криптопродуктов, ориентированных на пользователя: важность отзывов клиентов

Рост криптовалют: создание эффективных образов пользователей

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

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Создание криптопродуктов, ориентированных на пользователя: важность отзывов клиентов

Рост криптовалют: создание эффективных образов пользователей

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

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps