Cloud Shade by Dynamic Logistic Modeling
Identifikátory výsledku
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>
Alternativní jazyky
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
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BB - Aplikovaná statistika, operační výzkum
OECD FORD obor
—
Návaznosti výsledku
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
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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
—