tác giả:  (1) Maggie D. Bailey, Trường Mỏ Colorado và Phòng thí nghiệm Năng lượng Tái tạo Quốc gia;  (2) Douglas Nychka, Trường Mỏ Colorado;  (3) Manajit Sengupta, Phòng thí nghiệm năng lượng tái tạo quốc gia;  (4) Aron Habte, Phòng thí nghiệm năng lượng tái tạo quốc gia;  (5) Yu Xie, Phòng thí nghiệm năng lượng tái tạo quốc gia;  (6) Soutir Bandyopadhyay, Trường Mỏ Colorado.  Bảng liên kết   Tóm tắt và giới thiệu   Dữ liệu   Mô hình phân cấp Bayesian (BHM)   Ví dụ về bức xạ mặt trời   Kết quả   Phần kết luận   Phụ lục A: Nghiên cứu mô phỏng   Phụ lục B: Ước tính hệ số tính lại   Người giới thiệu  5 kết quả  Các kết quả được trình bày ở đây tóm tắt các số liệu được nêu trong Phần. 4. Vì các hệ số thực chưa được biết nên chúng tôi đã bổ sung cho phân tích bằng một nghiên cứu mô phỏng. Thiết kế và kết quả của nghiên cứu này được mô tả trong Phụ lục A.  5.1 Phân bố sau của các hệ số mô hình  Kết quả ước tính tham số từ phân bố sau thay đổi tùy theo vị trí và hệ số. Ở đây chúng ta sẽ coi độ lệch tham số là sự khác biệt giữa ước tính ban đầu và ước tính dựa trên phân tích Bayes. Nhìn chung, các ước tính hệ số mô hình lưới điện lại đơn giản nằm trong khoảng tin cậy 95% của phân bố sau đối với hệ số tương ứng. Có thể xem ví dụ về sự phân bổ so với ước tính nối lưới đơn giản trong Hình 2 cho một địa điểm gần bờ biển California trong bốn tháng khác nhau. Các đường màu xanh lá cây biểu thị phương pháp chia lưới lại đơn giản và các đường màu tím biểu thị phương pháp chia lưới lại Bayesian. Nhìn chung, có sự thống nhất chặt chẽ giữa hai phương pháp trong cả ước tính hệ số điểm hoặc hệ số trung bình cũng như khoảng tin cậy hoặc tin cậy cho thấy rằng việc kết hợp độ không đảm bảo liên quan đến bước chia lưới lại ít ảnh hưởng đến ước tính mô hình. Tuy nhiên, trong tháng 8 (biểu đồ phía dưới bên trái), chúng tôi thấy một trường hợp về hệ số WRF trong đó các phương pháp không phù hợp và độ lệch này được bù đắp bằng ước tính chặn. Sự thiên vị này trong hệ số WRF đã được nhìn thấy ở nhiều địa điểm trong tháng 8.  Đối với toàn bộ khu vực được xem xét, độ lệch trung bình theo vị trí được thể hiện trong Hình 3. Độ lệch được tính bằng cách lấy ước tính BHM trừ đi ước tính nối lưới đơn giản. Các giá trị gần bằng 0 cho thấy có rất ít sự khác biệt giữa hai phương pháp. Các giá trị âm cho thấy BHM đang mang lại trọng số mạnh hơn cho mô hình. Các mô hình không gian của sự thiên vị được thể hiện rõ nhất trong tháng 11 và cũng lớn trong tháng 8. Vào tháng 11, độ lệch trung bình giữa hệ số CRCM5-UQAM và WRF trái ngược nhau về mặt không gian nhưng cả hai đều dao động quanh mức 0. Ở đây, chúng ta có thể thấy rằng phương pháp ngây thơ và BHM không đồng tình nhất về hệ số WRF trong tháng 8, với phương pháp ngây thơ dẫn đến trọng số WRF cao hơn nhiều so với BHM. Để tham khảo thêm, hệ số ước lượng và sai số chuẩn được cung cấp tại Phụ lục B.  5.2 Phạm vi dự đoán và so sánh lỗi  Phạm vi dự đoán của việc chia lưới lại đơn giản được tính bằng tỷ lệ phần trăm của các quan sát nằm trong khoảng dự đoán của mô hình tuyến tính. Điều này được tính theo vị trí cho mỗi tháng trong số bốn tháng được xem xét. Một phương pháp tương tự được thực hiện để tính toán mức độ bao phủ từ BHM. Chúng tôi trình bày kết quả của tháng thứ tư trong Hình 4. Lưu ý rằng trong hình minh họa, tỷ lệ phần trăm được báo cáo là mức trung bình cho việc duy trì mỗi năm và được biểu thị dưới dạng chênh lệch so với mức danh nghĩa là 0,95. Chúng tôi thấy các kết quả tương tự đối với phạm vi phủ sóng ngoài mẫu so với việc chia lưới lại đơn giản.  Tương tự, RMSE giữa GHI dự đoán và GHI thực tế thấp hơn trên phạm vi nghiên cứu trong tháng 8 so với tháng 11 trong cả mô hình nối lưới đơn giản và BHM, cho thấy những dự đoán tốt hơn cho tháng hè so với tháng mùa đông. Điều này được thể hiện trong Hình 5. Phát hiện này có thể phản ánh đặc điểm của bức xạ mặt trời theo mùa. Bức xạ mặt trời tới trong những tháng mùa hè thường có độ lệch chuẩn thấp hơn khi được xem xét theo tháng hoặc theo mùa so với   vào mùa đông ở California, cho thấy rằng có ít sự thay đổi về loại ngày (tức là nhiều mây so với nắng) hoặc lượng bức xạ mặt trời tới trong mùa hè so với mùa đông. Do đó, điều hợp lý là các dự đoán có RMSE thấp hơn trong những tháng mùa hè vì các biến số và phản ứng có ít biến động hơn trong mùa đó. Các giá trị RMSE đối với việc nối lưới lại đơn giản cũng thấp hơn so với BHM trong bốn tháng được hiển thị. Khi tính đến độ không đảm bảo đo của việc nối lưới lại, các giá trị GHI dự đoán có sai số cao hơn so với khi dự đoán được thực hiện trực tiếp mà không xem xét độ không đảm bảo đo của việc nối lưới lại. Đây là một phát hiện thú vị ở chỗ nó gợi ý rằng việc thực hiện dự đoán trực tiếp mà không xem xét đến bất kỳ sự không chắc chắn nào có thể tạo ra các dự đoán điểm chính xác hơn nhưng việc lập lưới lại độ không chắc chắn sẽ góp phần làm tăng thêm sự biến thiên cho các ước tính điểm cuối cùng như đã thấy trong BHM.   Bài viết này   theo giấy phép CC 4.0. có sẵn trên 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

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

dài quá đọc không nổi

Make resilience your competitive advantage

Hiểu các mô hình sai lệch trong dự đoán bức xạ mặt trời qua các mùa

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

128 Stories To Learn About Charles Dickens

72 Stories To Learn About The Essays Of Adam Smith

223 Stories To Learn About Science

189 Stories To Learn About Reading Books

128 Stories To Learn About Charles Dickens

72 Stories To Learn About The Essays Of Adam Smith

223 Stories To Learn About Science

189 Stories To Learn About Reading Books

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps