×
阿曼达·伦齐;马克·根顿（Marc G.Genton）。

沙特阿拉伯上空时空概率风矢量预报。 （英语） 兹比尔1475.62278

附录申请。斯达。 14，第3期，1359-1378（2020）.
基于沙特阿拉伯28个风力站的观测数据集，作者提出了风矢量概率预测的统计模型。在提出的单变量模型中，值（Y（s，t）表示站点和时间的平方变换风速。假设（Y（s，t）具有正态分布，（Y（s，t）\sim N（mu（s，t），σ^2），其中，σ2是高斯白噪声的方差，而（mu，t）是包含固定效应和随机效应的平均函数。它的形式\[Y（s，t）\mu（s，t）=\beta_0+\beta_1\mathrm{Temp}，\]其中，\（\beta_0\）是截距，\（\text{Temp}（s，t）\）是协方差温度，\（mathrm{Elev}（s\）是时间常数的高程，\（theta（s，t\）代表每个位置和时间的风向，\（f（H（t））是一个平滑函数，称为“一天中的时间”效应，\（W（s，t）\)是一个具有一阶自回归依赖性的时空模型\[ W（s，t）=aW（s、t-1）+Z（s、t），\，t=2，\点，t，\，|a|<1。\] 这里，（Z（s，t）是平均为零的高斯随机场（GRF）和协方差函数的实现\[ \mathrm{cov}\{Z（s，t），Z（s'，t'）\}=\frac{\sigma^2_Z}{\Gamma（v）2^{v-1}}（kh）^vK_v（kh，\] 其中，（K_v（\cdot））是第二类阶的修正贝塞尔函数，（delta{t}^{t'}）是克罗内克函数。
在所开发的双变量模型中，风矢量由西-东（水平）和南北（垂直）确定，分别用\（U（s，t）\表示，这些分量被假设为高斯\（U（s，t）\sim N（\mu_U（s，t），\sigma_U^2）\）和\（V（s，t）\sim N（\mu_V（s，t），\sigma_V^2）\），其中\（\sigma_U^2）和\（\sigma_V^2）是白噪声的方差，而（mu_u（s，t）和（mu_v（s，t））是形式为（Y，t）的随机过程与相应（不同）参数的平均值。作者在层次结构框架中建立了一个风矢量模型，其中在第一阶段，（U（s，t）和（V（s，t））被认为与它们自己的参数集有条件独立。在下一阶段，将二元时空过程建模为协变量的函数。
互协方差函数基于独立的单变量时空过程的线性组合，也称为共同区域化线性模型（LMC）。这种方法提供了比可分离结构更丰富、更灵活的协方差模型，因为不同的参数代表了双变量过程的每个分量。贝叶斯推理和预测是通过随机偏微分方程（SPDE）方法和集成嵌套拉普拉斯近似（INLA）进行的。除了联合考虑风分量的独创性外，这项工作的主要新颖之处在于，作为更通用模型的一部分，制定了一个共同区域化的时空线性模型，该模型利用最先进的INLA-SPDE技术构建高斯随机场，对相关结构进行编码。
有关更多结果和参考，请参阅[E.T.克林斯基等，使用R和INLA的随机偏微分方程高级空间建模。佛罗里达州博卡拉顿：CRC出版社（2019年；Zbl 1418.62011号)].
审核人：米哈伊尔·莫克利亚丘克（基辅）

MSC公司：

62页第12页 统计在环境和相关主题中的应用
62M20型 随机过程推断和预测
62立方米 空间过程推断
93E12号机组 随机控制理论中的辨识
86A10美元 气象学和大气物理学

关键词：

时空模型;时空点模式;高斯随机场;贝叶斯推断;区域化空间和时空模型;测量误差空间模型;取样;生存分析;时空回归;惩罚复杂性

引文：

Zbl 1418.62011号

软件：

spBayes公司;阀杆;INLA公司;R嵌体;R（右）;光栅
PDF格式BibTeX公司 XML格式引用
\textit｛A.Lenzi｝和\textit｛M.G.Genton｝，Ann.Appl。Stat.14，No.3，1359--1378（2020；Zbl 1475.62278）
全文： DOI程序 欧几里得

参考文献：

[1] Ackermann和Thomas（2005年）。电力系统中的风力发电。纽约威利。
[2] Alexiadis，M.、Dokopoulos，P.和Sahsamanoglou，H.（1999）。基于空间相关模型的风速和功率预测。IEEE传输。能量转换。14 836-842.
[3] Bakka，H.、Rue，H.，Fuglstad，G.-A.、Riebler，A.、Bolin，D.、Illian，J.、Krainski，E.、Simpson，D.和Lindgren，F.（2018年）。R-INLA空间建模：综述。威利公司（Wiley Interdiscip）。版本：计算。统计数据10 e1443，24。
[4] Banerjee，S.、Carlin，B.P.和Gelfand，A.E.（2014）。《空间数据的层次建模与分析》，第二版，统计学和应用概率专著135。佛罗里达州博卡拉顿CRC出版社·Zbl 1358.62009号
[5] Bremnes，J.B.（2004）。使用局部分位数回归进行概率风电预测。风能7 47-54。
[6] Cameletti，M.、Lindgren，F.、Simpson，D.和Rue，H.（2013）。通过SPDE方法对颗粒物浓度进行时空建模。AStA高级统计分析。97 109-131. ·Zbl 1443.62401号 ·doi:10.1007/s10182-012-0196-3
[7] Chen，W.、Castruccio，S.、Genton，M.G.和Crippa，P.（2018年）。沙特阿拉伯风能潜力的当前和未来估计。地球物理杂志。Res.，大气。123 6443-6459.
[8] Cressie，N.（1992年）。空间数据统计。新Terra Nova 4 613-617。
[9] Cressie，N.和Wikle，C.K.（2015）。时空数据统计。概率统计威利级数。新泽西州霍博肯威利·Zbl 1273.62017年
[10] Dawid，A.P.（1984）。现状和潜在发展：一些个人观点统计理论的优先方法。《美国法律总汇》第147卷第278-290页·Zbl 0557.62080号
[11] Diebold，F.X.、Gunther，T.A.和Tay，A.S.（1998年）。评估密度预测及其在金融风险管理中的应用。国际。经济。版本39 863-883。
[12] Dowell，J.和Pinson，P.（2016）。基于稀疏向量自回归的短期概率风电预测。IEEE传输。智能电网7 763-770。
[13] Dowell，J.、Weiss，S.、Hill，D.和Infield，D.（2014）。风速和风向的短期时空预测。风能17 1945-1955。
[14] Eide，S.S.、Bremnes，J.B.和Steinsland，I.（2017年）。使用风速和风向进行风速集合预测的贝叶斯模型平均。天气预报。32 2217-2227。
[15] Ezzat，A.A.、Jun，M.和Ding，Y.（2018）。局部风场的时空不对称及其对短期风预测的影响。IEEE传输。维持。能源9 1437-1447。
[16] Fuglstad，G.-A.、Simpson，D.、Lindgren，F.和Rue，H.（2015）。非平稳空间数据总是需要非平稳随机域吗？小争吵。《美国联邦法律大全》第14卷第505-531页。
[17] Fuglstad，G.-A.、Simpson，D.、Lindgren，F.和Rue，H.（2019年）。构造惩罚高斯随机场复杂性的先验函数。J.Amer。统计师。协会114 445-452·Zbl 1478.62279号 ·网址：10.1080/01621459.2017.1415907
[18] Gelfand，A.E.、Schmidt，A.M.、Banerjee，S.和Sirmans，C.F.（2004）。通过空间变化的共区域化进行非平稳多变量过程建模。测试13 263-312·Zbl 1069.62074号 ·doi:10.1007/BF02595775
[19] Genton，M.G.（2007）。时空协方差矩阵的可分离近似。环境计量18 681-695。
[20] Genton，M.G.和Kleiber，W.（2015）。多元地质统计学的交叉方差函数。统计师。科学。30 147-163. ·Zbl 1332.86010号 ·doi:10.1214/14-STS487
[21] Gneiting，T.、Balabdaoui，F.和Raftery，A.E.（2007年）。概率预测、校准和清晰度。J.R.Stat.Soc.系列。B.统计方法。69 243-268. ·Zbl 1120.62074号 ·文件编号：10.1111/j.1467-9868.2007.00587.x
[22] Grimit，E.P.、Gneiting，T.、Berrocal，V.和Johnson，N.A.（2006年）。循环变量的连续排序概率分数及其在中尺度预报集合验证中的应用。Q.J.R.Meteorol公司。Soc.132 2925-2942。
[23] Haslett，J.和Raftery，A.E.（1989）。具有长记忆依赖性的时空建模：评估爱尔兰的风力资源。J.R.Stat.Soc.系列。C.申请。统计数据38 1-21。
[24] Hering，A.S.和Genton，M.G.（2010年）。通过时空风力预测为您提供动力。J.Amer。统计师。协会105 92-104·Zbl 1397.62484号 ·doi:10.1198/jasa.2009.ap08117
[25] Hering，A.S.和Genton，M.G.（2011年）。比较空间预测。技术计量53 414-425。
[26] Hijmans，R.J.（2017）。光栅：地理数据分析和建模。R软件包版本2.6-7。
[27] Ingebrigtsen，R.、Lindgren，F.和Steinsland，I.（2014）。依赖结构中具有解释变量的空间模型。小争吵。统计数据8 20-38。
[28] Jones，R.H.和Zhang，Y.（1997）。连续平稳时空过程模型。在建模纵向和空间相关数据289-298中。柏林施普林格·Zbl 0897.62103号
[29] Kourounis，D.、Fuchs，A.和Schenk，O.（2018年）。面向下一代多周期最优潮流求解器。IEEE传输。电力系统。33 4005-4014.
[30] Krainski，E.T.（2018）。时空数据的统计分析：新模型和应用。挪威科技大学博士论文。
[31] Krainski，E.T.、Gómez-Rubio，V.、Bakka，H.、Lenzi，A.、Castro-Camilo，D.、Simpson，D.、Lindgren，F.和Rue，H.（2019年）。使用R和INLA的随机偏微分方程高级空间建模。CRC出版社，博卡拉顿。Github版本www.r-inla.org/spde-book·Zbl 1418.62011号
[32] Lau，A.和McSharry，P.（2010年）。多步骤密度预测方法及其在聚合风力发电中的应用。附录申请。统计数据4 1311-1341·Zbl 1202.62129号 ·doi:10.1214/09-AOAS320
[33] Lenzi，A.和Genton，M.G.（2020年）。补充“沙特阿拉伯上空时空概率风矢量预测”https://doi.org/10.1214/20-AOAS1347SUPP网站
[34] Lindgren，F.、Rue，H.和Lindström，J.（2011）。高斯场和高斯-马尔可夫随机场之间的明确联系：随机偏微分方程方法。J.R.Stat.Soc.系列。B.统计方法。73 423-498. 经过讨论和作者的回复·Zbl 1274.62360号 ·文件编号：10.1111/j.1467-9868.2011.00777.x
[35] Mandic，D.P.、Goh，S.L.和Aihara，K.（2005）。基于向量空间的序列数据融合：复杂模块神经网络方法。《信号处理的机器学习》，2005 IEEE研讨会，147-151。
[36] Matheron，G.（1982年）。对克里根特·德·多内斯·雷吉纳利斯进行分析。报告N-732，Fontainebleau，Centre de Géstatistique。
[37] Mohandes，M.A.、Rehman，S.和Halawani，T.O.（1998年）。风速预测的神经网络方法。更新。能源13 345-354。
[38] Mohandes，M.A.、Halawani，T.O.、Rehman，S.和Hussain，A.A.（2004年）。用于风速预测的支持向量机。更新。能源29 939-947。
[39] Möller，J.K.、Nielsen，H.A.和Madsen，H.（2008）。时间自适应分位数回归。计算。统计师。数据分析。52 1292-1303. ·Zbl 1452.62288号 ·doi:10.1016/j.csda.2007.06.027
[40] Munoz，F.、Pennino，M.G.、Conesa，D.、López-Quílez，A.和Bellido，J.M.（2013）。使用贝叶斯潜在高斯模型估计和预测鱼类物种的空间分布。斯托克。环境。Res.风险评估。27 1171-1180.
[41] Pinson，P.（2012年）。风集合预报的自适应校准。Q.J.R.Meteorol公司。Soc.138 1273-1284年。
[42] Pinson，P.和Kariniotakis，G.（2010年）。风力发电的条件预测间隔。IEEE传输。电力系统。25 1845-1856.
[43] Pinson，P.和Madsen，H.（2009年）。Horns Rev.Wind Energy 12 137-155基于集合的概率预测。
[44] Pinson，P.和Madsen，H.（2012年）。利用Markov开关自回归模型对海上风力发电波动进行自适应建模和预测。J.预测。31 281-313. ·Zbl 1397.62567号 ·doi:10.1002/适用于1194
[45] Pinson，P.、McSharry，P.和Madsen，H.（2010年）。连续变量非参数密度预测的可靠性图：考虑序列相关性。Q.J.R.Meteorol公司。Soc.136 77-90。
[46] Rehman，S.和Ahmad，A.（2004年）。沙特阿拉伯王国沿海地区风能潜力评估。能源29 1105-1115。
[47] Rehman，S.、El-Amin，I.、Ahmad，F.、Shaahid，S.，Al-Shehri，A.和Bakhashwain，J.（2007年）。沙特阿拉伯拉夫哈风力资源评估。更新。维持。能源评论11 937-950。
[48] Rienecker，M.M.、Suarez，M.J.、Gelaro，R.、Todling，R.，Bacmeister，J.、Liu，E.、Bosilovich，M.G.、Schubert，S.D.、Takacs，L.等人（2011年）。MERRA：美国国家航空航天局（NASA）对研究和应用的现代回顾性分析。J.气候24 3624-3648。
[49] Rue，H.、Martino，S.和Chopin，N.（2009年）。利用集成嵌套拉普拉斯近似对潜在高斯模型进行近似贝叶斯推断。J.R.Stat.Soc.系列。B.统计方法。71 319-392. ·Zbl 1248.62156号 ·doi:10.1111/j.1467-9868.2008.00700.x
[50] Schmidt，A.M.和Gelfand，A.E.（2003）。多元污染物数据的贝叶斯协同区域化方法。地球物理学杂志。大气研究。108
[51] Schuhen，N.、Thorarinsdottir，T.L.和Gneiting，T.（2012）。风矢量的集合模型输出统计。周一。天气评论140 3204-3219。
[52] Shaahid，S.、Al-Hadhrami，L.M.和Rahman，M.（2014）。沙特阿拉伯西部省份建立风电场的潜力。能源程序。52 497-505.
[53] Simpson，D.、Rue，H.、Riebler，A.、Martins，T.G.和Sörbye，S.H.（2017年）。惩罚模型组件的复杂性：一种原则性的、实用的构建先验的方法。统计师。科学。32 1-28. ·Zbl 1442.62060号 ·doi:10.1214/16-STS576
[54] Sloughter，J.、Gneiting，T.和Raftery，A.E.（2013）。使用集合和贝叶斯模型平均的概率风矢量预测。周一。天气评论141 2107-2119。
[55] Tagle，F.、Castruccio，S.和Genton，M.G.（2020年）。分层双分辨率空间倾斜（t）模型。小争吵。统计数字35 100398。
[56] van Niekerk，J.、Bakka，H.、Rue，H.和Schenk，L.（2019年）。使用R.Preprint中的INLA包进行贝叶斯建模的新前沿。可从arXiv:1907.10426获得。
[57] 愿景2030（2018）。可在http://vision2030.gov.sa/en/node/87。访问时间：2018-07-23。
[58] Weisser，D.和Foxon，T.（2003）。风速季节和日变化对涡轮机功率输出估算的影响：格林纳达案例研究。国际能源研究杂志27 1165-1179。
[59] Yip，C.M.A.（2018年）。中东近地表和高架风资源的统计特征和制图。阿卜杜拉国王科技大学博士论文。
[60] 叶，C。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。