paint-brush
Khám phá các dự báo về năng lượng mặt trời: Phân tích mô hình Bayes qua các mùatừ tác giả@quantification

Khám phá các dự báo về năng lượng mặt trời: Phân tích mô hình Bayes qua các mùa

dài quá đọc không nổi

Bắt đầu cuộc hành trình qua mô hình Bayes ở California, làm sáng tỏ sự phức tạp của các dự đoán về bức xạ mặt trời. Khám phá tầm quan trọng của hiệp phương sai và biến đổi theo mùa, cũng như sự phân bố sau của các hệ số mô hình. Đi sâu vào sự không chắc chắn liên quan đến việc nối lại lưới và dự đoán mô hình tuyến tính, thu được những hiểu biết có giá trị. Khám phá phạm vi dự đoán, đánh giá độ chính xác của các khoảng dự đoán. Nghiên cứu này cung cấp sự hiểu biết sâu sắc về các dự đoán về năng lượng mặt trời, đặc biệt là ở khí hậu đa dạng của California.
featured image - Khám phá các dự báo về năng lượng mặt trời: Phân tích mô hình Bayes qua các mùa
Quantification Theory Research Publication HackerNoon profile picture

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

4 Ví dụ về bức xạ mặt trời

Mô hình được mô tả trong Mục. 3 phù hợp một lần cho mỗi địa điểm trong một khu vực nhỏ của California, được hiển thị ở bảng dưới cùng bên phải của Hình 2, bao gồm các khu vực ven biển và nội địa. Ngoài ra, mô hình này phù hợp cho bốn tháng riêng biệt (tháng 2, tháng 5, tháng 8 và tháng 11) trong tất cả các năm có dữ liệu chồng chéo (1998-2009). Ban đầu, tất cả các biến số đều được đưa vào mô hình. Tuy nhiên, không phải tất cả các đồng biến đều có ý nghĩa. Đặc biệt, CanRCM4.ERA-Int được phát hiện là không có ý nghĩa gì trong các tháng 2, 5 và 11 đối với hầu hết các địa điểm và không có ý nghĩa gì đối với khoảng một nửa số địa điểm trong tháng 8. Hiệp phương sai theo mùa không có ý nghĩa quan trọng đối với bất kỳ tháng nào, điều này được mong đợi vì dữ liệu được tập hợp thành một tháng duy nhất từ mỗi mùa. Vì lý do này, hiệp phương sai theo mùa đã bị loại bỏ trong cả 4 tháng.

4.1 Phân phối sau của các hệ số mô hình

Thông thường, tập dữ liệu được ghi lại từ quá trình giết chết được sử dụng làm cơ sở để phân tích thêm. Phần này phác thảo phương pháp phân tích độ không đảm bảo liên quan đến bước dự đoán mô hình tuyến tính và nối lưới lại cũng như các hiệu ứng xuôi dòng bằng cách tạo ra các kết quả rút ra từ phân bố sau của từng β trong biểu thức. 1.


4.2 Phạm vi dự đoán

Nghiên cứu này cũng xem xét mức độ bao phủ của các dự đoán sau, tức là phần số ngày trong đó khoảng dự đoán chứa giá trị thực tế được quan sát. Phần phân tích này đưa ra dữ liệu của một năm duy nhất dưới dạng tập thử nghiệm, sử dụng các năm còn lại làm tập huấn luyện. Có 12 năm dữ liệu chồng chéo dẫn đến 12 kết quả dự đoán ngoài mẫu. Độ che phủ cuối cùng là độ che phủ trung bình cho 12 nếp gấp.


Bài viết này có sẵn trên arxiv theo giấy phép CC 4.0.