paint-brush
揭示太阳能预测:跨季节的贝叶斯模型分析经过@quantification

揭示太阳能预测:跨季节的贝叶斯模型分析

太長; 讀書

踏上加利福尼亚州贝叶斯建模之旅,揭开太阳辐射预测的复杂性。发现协变量和季节变化的显着性,以及模型系数的后验分布。深入研究与重新网格化和线性模型预测相关的不确定性,获得有价值的见解。探索预测覆盖范围,评估预测区间的准确性。这项研究提供了对太阳能预测的细致入微的了解,特别是在加利福尼亚州多样化的气候下。
featured image - 揭示太阳能预测:跨季节的贝叶斯模型分析
Quantification Theory Research Publication HackerNoon profile picture

作者:

(1) Maggie D. Bailey,科罗拉多矿业学院和国家可再生能源实验室;

(2) Douglas Nychka,科罗拉多矿业学院;

(3) Manajit Sengupta,国家可再生能源实验室;

(4) Aron Habte,国家可再生能源实验室;

(5) 谢宇,国家可再生能源实验室;

(6) Soutir Bandyopadhyay,科罗拉多矿业学院。

链接表

摘要和简介

数据

贝叶斯分层模型 (BHM)

太阳辐射示例

结果

结论

附录 A:模拟研究

附录 B:重新网格化系数估计

参考

4 太阳辐射示例

第节中描述的模型。 3 对加利福尼亚州子区域的每个位置进行了一次拟合,如图 2 的最右下图所示,其中包括沿海和内陆地区。此外,该模型适用于所有年份(1998-2009)重叠数据的四个独立月份(二月、五月、八月和十一月)。最初,所有协变量都包含在模型中。然而,并非所有协变量都具有显着性。特别是,发现 CanRCM4.ERA-Int 对于大多数地点的 2 月、5 月和 11 月没有意义,对于 8 月份的大约一半地点没有意义。季节性协变量对任何月份都没有显着性,这是预期的,因为数据是每个季节的单个月份的子集。因此,所有四个月的季节性协变量都被删除。

4.1 模型系数的后验分布

通常,克里金法产生的重新网格化数据集被用作进一步分析的基本事实。本节概述了通过从方程 1 中每个 β 的后验分布生成绘图来分析与重新网格化和线性模型预测步骤以及下游效应相关的不确定性的方法。 1.


4.2 预测覆盖率

这项研究还考虑了后验预测的覆盖范围,即预测间隔包含观测到的实际值的天数。分析的这部分将一年的数据作为测试集,使用剩余年份作为训练集。 12年的数据重叠导致了12个样本外预测结果。最终的覆盖率是12次折叠的平均覆盖率。


本文可在 CC 4.0 许可下在 arxiv 上获取