Cloud Shade by Dynamic Logistic Modeling

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F14%3A00420888" target="_blank" >RIV/67985807:_____/14:00420888 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1080/02664763.2013.862221" target="_blank" >http://dx.doi.org/10.1080/02664763.2013.862221</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1080/02664763.2013.862221" target="_blank" >10.1080/02664763.2013.862221</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Cloud Shade by Dynamic Logistic Modeling

Popis výsledku v původním jazyce

During the daytime, the sun is shining or not at ground level depending on clouds motion. Two binary variables may be used to quantify this process: the sunshine number (SSN) and the sunshine stability number (SSSN). The sequential features of SSN are treated in this paper by using Markovian Logistic Regression models, which avoid usual weaknesses of autoregressive integrated moving average modeling. The theory is illustrated with results obtained by using measurements performed in 2010 at Timisoara (southern Europe). Simple modeling taking into account internal dynamics with one lag history brings substantial reduction of misclassification compared with the persistence approach (to less than 57%). When longer history is considered, all the lags up toat least 8 are important. The seasonal changes are rather concentrated to low lags. Better performance is associated with a more stable radiative regime. More involved models add external influences (such as sun elevation angle or astrono

Název v anglickém jazyce

Cloud Shade by Dynamic Logistic Modeling

Popis výsledku anglicky

During the daytime, the sun is shining or not at ground level depending on clouds motion. Two binary variables may be used to quantify this process: the sunshine number (SSN) and the sunshine stability number (SSSN). The sequential features of SSN are treated in this paper by using Markovian Logistic Regression models, which avoid usual weaknesses of autoregressive integrated moving average modeling. The theory is illustrated with results obtained by using measurements performed in 2010 at Timisoara (southern Europe). Simple modeling taking into account internal dynamics with one lag history brings substantial reduction of misclassification compared with the persistence approach (to less than 57%). When longer history is considered, all the lags up toat least 8 are important. The seasonal changes are rather concentrated to low lags. Better performance is associated with a more stable radiative regime. More involved models add external influences (such as sun elevation angle or astrono

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/LD12009" target="_blank" >LD12009: Pokročilé metody pro predikci výroby elektrické energie z fotovoltaických systémů s využitím numerických modelů počasí s vysokým prostorovým i časovým rozlišením</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Journal of Applied Statistics

ISSN

0266-4763

e-ISSN

—

Svazek periodika

41

Číslo periodika v rámci svazku

6

Stát vydavatele periodika

GB - Spojené království Velké Británie a Severního Irska

Počet stran výsledku

15

Strana od-do

1174-1188

Kód UT WoS článku

000334073100002

EID výsledku v databázi Scopus

—