Descubriendo proyecciones de energía solar: análisis del modelo bayesiano entre estaciones

Tabla de enlaces

Resumen e introducción

Datos

Modelo jerárquico bayesiano (BHM)

Ejemplo de radiación solar

Resultados

Conclusión

Apéndice A: Estudio de simulación

Apéndice B: Estimaciones del coeficiente de remallado

Referencias

4 Ejemplo de radiación solar

El modelo descrito en la Sección. 3 se ajustó una vez para cada ubicación en un subconjunto de áreas de California, como se muestra en el panel inferior derecho de la Figura 2, que incluye áreas costeras y del interior. Además, el modelo se ajustó para cuatro meses distintos (febrero, mayo, agosto y noviembre) en todos los años de datos superpuestos (1998-2009). Inicialmente, todas las covariables se incluyen en el modelo. Sin embargo, no todas las covariables resultaron significativas. En particular, se encontró que CanRCM4.ERA-Int no tenía importancia para los meses de febrero, mayo y noviembre para la mayoría de las ubicaciones y no tenía importancia para aproximadamente la mitad de las ubicaciones en el mes de agosto. La covariable estacional no tuvo importancia para ninguno de los meses, lo que era de esperar ya que los datos se subdividieron en un solo mes de cada temporada. Debido a esto, se eliminó la covariable estacional durante los cuatro meses.

4.1 Distribución posterior de los coeficientes del modelo

A menudo, el conjunto de datos revisados resultantes del kriging se utiliza como base para análisis posteriores. Esta sección describe el método para analizar la incertidumbre asociada con el paso de predicción del modelo lineal y de remallado y los efectos posteriores generando extracciones de las distribuciones posteriores de cada β en la ecuación. 1.

4.2 Cobertura de predicción

Este estudio también considera la cobertura de las predicciones posteriores, es decir, la fracción de días en los que el intervalo de predicción contiene el valor real observado. Esta parte del análisis contiene un solo año de datos como conjunto de prueba, utilizando los años restantes como conjunto de entrenamiento. Hay 12 años de datos superpuestos que dan como resultado 12 resultados de predicción fuera de la muestra. La cobertura final es la cobertura promedio de los 12 pliegues.