저자:  (1) Maggie D. Bailey, 콜로라도 광산 학교 및 국립 재생 에너지 연구소;  (2) 콜로라도 광산 학교의 Douglas Nychka;  (3) Manajit Sengupta, 국립 재생 에너지 연구소;  (4) Aron Habte, 국립 재생 에너지 연구소;  (5) 국립 재생 에너지 연구소 Yu Xie;  (6) 콜로라도 광산 학교의 Soutir Bandyopadhyay.  링크 표   초록 및 소개   데이터   베이지안 계층적 모델(BHM)   태양 복사의 예   결과   결론   부록 A: 시뮬레이션 연구   부록 B: 재그리딩 계수 추정   참고자료  5개 결과  여기에 제시된 결과는 섹션에 설명된 측정항목을 요약합니다. 4. 실제 계수를 알 수 없으므로 시뮬레이션 연구를 통해 분석을 보완했습니다. 본 연구의 설계 및 결과는 부록 A에 설명되어 있습니다.  5.1 모델 계수의 사후 분포  사후 분포의 결과 모수 추정치는 위치와 계수에 따라 다릅니다. 여기서는 순진한 추정치와 베이지안 분석을 기반으로 한 추정치 간의 차이를 매개변수 편향이라고 합니다. 일반적으로 단순 재그리딩 모델 계수 추정치는 각 계수에 대한 사후 분포의 95% 신뢰 구간 내에 있습니다. 순진한 재그리딩 추정치와 비교한 분포의 예는 4개월에 걸쳐 캘리포니아 해안선 근처 위치에 대한 그림 2에서 볼 수 있습니다. 녹색 선은 순진한 재그리딩 방법을 나타내고 보라색 선은 베이지안 재그리딩 방법을 나타냅니다. 일반적으로 점 또는 중앙 계수 추정치와 신뢰도 또는 신뢰 구간 모두에서 두 가지 방법 사이에 강한 일치가 있으며 이는 재그리딩 단계와 관련된 불확실성을 통합하는 것이 모델 추정치에 거의 영향을 미치지 않음을 시사합니다. 그러나 8월(왼쪽 아래 그림)에는 방법이 일치하지 않고 이 편향이 절편 추정에 의해 상쇄되는 WRF 계수에 대한 사례가 있습니다. WRF 계수의 이러한 편향은 8월 한 달 동안 여러 위치에서 나타났습니다.  고려된 전체 영역에 대해 위치별 평균 바이어스는 그림 3에 표시됩니다. 바이어스는 순진한 재그리딩 추정치에서 BHM 추정치를 뺀 값으로 계산됩니다. 0에 가까운 값은 두 방법 간의 차이가 거의 없음을 나타냅니다. 음수 값은 BHM이 모델에 더 강한 가중치를 부여하고 있음을 나타냅니다. 편향의 공간 패턴은 11월에 가장 두드러지고 8월에도 크게 나타납니다. 11월에는 CRCM5-UQAM과 WRF 계수 사이의 평균 편향이 공간적으로 부호가 반대이지만 둘 다 0 주위를 맴돌고 있습니다. 여기서 우리는 8월의 WRF 계수에 대해 Naive 방법과 BHM이 가장 일치하지 않으며, BHM에 비해 Naive 방법이 WRF에 훨씬 더 높은 가중치를 부여한다는 것을 알 수 있습니다. 추가 참조를 위해 추정된 계수 추정치와 표준 오차가 부록 B에 제공되어 있습니다.  5.2 예측 범위와 오류 비교  단순 재격자의 예측 범위는 선형 모델의 예측 구간 내에 있는 관측치의 백분율로 계산됩니다. 이는 고려된 4개월마다 위치별로 계산됩니다. BHM으로 인한 적용 범위를 계산하기 위해 유사한 방법이 구현됩니다. 그림 4에는 네 번째 달에 대한 결과가 나와 있습니다. 표시된 그림에서 보고된 적용 범위 비율은 매년 유지에 대한 평균이며 명목 수준 0.95와의 차이로 표시됩니다. 순진한 재그리딩과 비교하여 샘플 범위 외에서도 유사한 결과를 볼 수 있습니다.  마찬가지로 예측된 GHI와 실제 GHI 사이의 RMSE는 단순 재그리딩 모델과 BHM 모두에서 11월보다 8월의 연구 영역에서 더 낮으며 이는 겨울철에 비해 여름철에 대한 더 나은 예측을 나타냅니다. 이는 그림 5에 나와 있습니다. 이 결과는 계절별 태양 복사 특성을 반영할 수 있습니다. 여름철에 들어오는 태양 복사열은 일반적으로 월간 또는 계절 기준으로 고려할 때 표준 편차가 표준 편차보다 낮습니다.   캘리포니아의 겨울에는 겨울에 비해 낮 유형(흐림과 맑음) 또는 여름 동안 들어오는 태양 복사량의 변동성이 적다는 것을 나타냅니다. 따라서 여름철에 공변수와 반응의 변동성이 적기 때문에 여름철에 예측의 RMSE가 더 낮다는 것이 합리적입니다. RMSE 값은 표시된 4개월 동안 BHM에 대한 값보다 순수 재그리딩에 대해 더 낮습니다. 재그리딩 불확실성을 고려하면 예측된 GHI 값은 재그리딩 불확실성을 고려하지 않고 직접 예측하는 경우보다 더 높은 오차를 갖습니다. 이는 불확실성을 고려하지 않고 직접 예측을 수행하면 보다 정확한 점 예측을 생성할 수 있지만 불확실성을 재그리딩하면 BHM에서 볼 수 있듯이 최종 점 추정치에 추가 변동성을 제공한다는 점에서 흥미로운 발견입니다.   이 문서는 CC 4.0 라이선스에 따라   . arxiv에서 볼 수 있습니다

Read My Stories

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

Quantification's blog

이 오디오는 이야기의 원래 언어로 제작되었습니다!

계절에 따른 태양 복사 예측의 편향 패턴 이해

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

Crypto Growth: 효과적인 사용자 페르소나 만들기

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

볼츠만 뇌 이론에 대한 간략한 소개

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Crypto Growth: 효과적인 사용자 페르소나 만들기

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

볼츠만 뇌 이론에 대한 간략한 소개

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps