Раскрытие прогнозов солнечной энергии: анализ байесовской модели по сезонам

к Quantification Theory Research Publication2m2024/02/02

Слишком долго; Читать

Отправьтесь в путешествие по байесовскому моделированию в Калифорнии, разгадывая сложности прогнозов солнечной радиации. Узнайте значение ковариат и сезонных вариаций, а также апостериорное распределение коэффициентов модели. Погрузитесь в неопределенность, связанную с перераспределением сетки и прогнозированием линейной модели, и получите ценную информацию. Изучите охват прогнозирования, оценивая точность интервалов прогнозирования. Это исследование дает детальное понимание прогнозов солнечной энергии, особенно в разнообразном климате Калифорнии.

featured image - Раскрытие прогнозов солнечной энергии: анализ байесовской модели по сезонам

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.