Yazarlar:  (1) Maggie D. Bailey, Colorado Maden Okulu ve Ulusal Yenilenebilir Enerji Laboratuvarı;  (2) Douglas Nychka, Colorado Maden Okulu;  (3) Manajit Sengupta, Ulusal Yenilenebilir Enerji Laboratuvarı;  (4) Aron Habte, Ulusal Yenilenebilir Enerji Laboratuvarı;  (5) Yu Xie, Ulusal Yenilenebilir Enerji Laboratuvarı;  (6) Soutir Bandyopadhyay, Colorado Maden Okulu.  Bağlantı Tablosu   Özet ve Giriş   Veri   Bayes Hiyerarşik Modeli (BHM)   Güneş Radyasyonu Örneği   Sonuçlar   Çözüm   Ek A: Simülasyon Çalışması   Ek B: Yeniden Izgaralama Katsayısı Tahminleri   Referanslar  5 Sonuçlar  Burada sunulan sonuçlar Bölüm 1'de özetlenen ölçümleri özetlemektedir. 4. Gerçek katsayılar bilinmediğinden analizi bir simülasyon çalışmasıyla destekledik. Bu çalışmanın tasarımı ve sonuçları Ek A'da verilmiştir.  5.1 Model Katsayılarının Arka Dağılımı  Sonsal dağılımdan elde edilen parametre tahminleri konuma ve katsayıya göre değişir. Burada parametre yanlılığını, saf tahmin ile Bayes analizine dayanan tahmin arasındaki fark olarak adlandıracağız. Genel olarak, saf yeniden ızgaralama modeli katsayı tahminleri, ilgili katsayı için sonsal dağılımların %95 güvenilir aralıkları dahilindedir. Dört farklı ay boyunca Kaliforniya kıyı şeridine yakın bir konum için basit yeniden şebekelendirme tahminiyle karşılaştırıldığında dağılımların bir örneği Şekil 2'de görülebilir. Yeşil çizgiler saf yeniden ızgaralama yöntemini, mor çizgiler ise Bayesian yeniden ızgaralama yöntemini temsil eder. Genel olarak, hem nokta hem de medyan katsayı tahmininde ve ayrıca güven veya inandırıcı aralıklarda iki yöntem arasında güçlü bir uyum vardır; bu, yeniden ızgaralama adımıyla ilişkili belirsizliğin dahil edilmesinin model tahminleri üzerinde çok az etkiye sahip olduğunu gösterir. Ancak ağustos ayında (sol alttaki grafik) WRF katsayısı için yöntemlerin uyuşmadığı ve bu önyargının kesme tahminiyle dengelendiği bir durum görüyoruz. WRF katsayısındaki bu sapma, Ağustos ayı boyunca birçok yerde görüldü.  Dikkate alınan alanın tamamı için konuma göre ortalama sapma Şekil 3'te gösterilmektedir. Sapma, saf yeniden ızgaralama tahmininden BHM tahmininin çıkarılmasıyla hesaplanır. Sıfıra yakın değerler iki yöntem arasında çok az fark olduğunu gösterir. Negatif değerler BHM'nin modele daha güçlü bir ağırlık verdiğini göstermektedir. Eğilimin mekansal kalıpları en çok Kasım ayında belirgindir ve Ağustos ayı için de büyüktür. Kasım ayında, CRCM5-UQAM ve WRF katsayısı arasındaki ortalama sapma, işaretlerinde uzamsal olarak zıttır ancak her ikisi de sıfır civarındadır. Burada, ağustos ayındaki WRF katsayısı için saf yöntem ile BHM'nin en çok uyuşmadığını, saf yöntemin BHM'ye kıyasla WRF için çok daha yüksek bir ağırlığa yol açtığını görebiliriz. Ek referans olarak, tahmini katsayı tahminleri ve standart hatalar Ek B'de verilmiştir.  5.2 Tahmin Kapsamı ve Hata Karşılaştırması  Saf yeniden ızgaralamanın tahmin kapsamı, doğrusal modelin tahmin aralıkları içindeki gözlemlerin yüzdesi olarak hesaplanır. Bu, dikkate alınan dört ayın her biri için konuma göre hesaplanır. BHM'den kaynaklanan kapsamı hesaplamak için benzer bir yöntem uygulanır. Şekil 4'te dördüncü aya ait sonuçları gösteriyoruz. Gösterilen şekilde rapor edilen kapsam yüzdesinin, her yıl için ortalama bir ortalama olduğunu ve 0,95'lik nominal seviyeden fark olarak gösterildiğini unutmayın. Naif yeniden ızgaralamaya kıyasla numune kapsamı dışında benzer sonuçlar görüyoruz.  Benzer şekilde, tahmin edilen GHI ile gerçek GHI arasındaki RMSE, çalışma alanı genelinde ağustos ayı için hem saf yeniden şebekeleme modelinde hem de BHM'de kasım ayına göre daha düşüktür, bu da yaz ayı için kış ayına göre daha iyi tahminlerin olduğunu gösterir. Bu, Şekil 5'te gösterilmektedir. Bu bulgu, mevsimsel güneş ışınımının bir özelliğini yansıtabilir. Yaz aylarında gelen güneş radyasyonu, aylık veya mevsimsel olarak ele alındığında genellikle daha düşük standart sapmaya sahiptir.   Kaliforniya'da kışın, bu durum gün türlerinde (yani bulutlu ve güneşli) veya yaz aylarında gelen güneş ışınımı miktarında kışa kıyasla daha az değişkenlik olduğunu göstermektedir. Bu nedenle, yaz aylarında ortak değişkenler ve yanıtlar daha az değişkenliğe sahip olduğundan tahminlerin daha düşük bir RMSE'ye sahip olması mantıklıdır. RMSE değerleri de gösterilen dört ay boyunca saf yeniden ızgaralama için BHM'ye göre daha düşüktür. Yeniden gridleme belirsizliği hesaba katıldığında, tahmin edilen GHI değerleri, yeniden gridleme belirsizliği dikkate alınmadan tahminin doğrudan yapıldığı duruma göre daha yüksek bir hataya sahiptir. Bu ilginç bir bulgudur çünkü herhangi bir belirsizliği dikkate almadan doğrudan tahmin yapmanın daha doğru nokta tahminleri üretebileceğini, ancak belirsizliğin yeniden planlanmasının BHM'de görüldüğü gibi son nokta tahminlerine ek değişkenlik katacağını öne sürmektedir.   Bu makale   . arxiv'de CC 4.0 lisansı altında mevcuttur

Read My Stories

The publication about the quantity of something. The theory about why that quantity is what is. And research!

Quantification's blog

Bu ses hikayenin orijinal dilinde üretilmiştir!

Mevsimlere Göre Güneş Radyasyonu Tahminlerinde Önyargı Modellerini Anlamak

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

Dijital Göçebeler Dinleyin: Tayland'ın Yeni DTV Vizesi Hakkında Bilmeniz Gerekenler

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

Dijital Göçebeler Dinleyin: Tayland'ın Yeni DTV Vizesi Hakkında Bilmeniz Gerekenler

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps