A review of uncertainty representations and metaverification of uncertainty assessment techniques for renewable energies

ارزیابی عملکرد الگوریتم های پیش بینی یک الزام ضروری برای ارزیابی کیفیت و مقایسه مدل است. در سال های اخیر، الگوریتم هایی که توزیع پیش بینی را به جای پیش بینی های نقطه انتشار می دهند، تکامل یافته اند، زیرا آنها بهتر از طبیعت اتفاقی پیش بینی های عددی و فرآیند تبدیل قدرت هستند. معیارهای خطای استاندارد مورد استفاده برای ارزیابی پیش بینی های نقطه برای ارزیابی پیش بینی های احتمالی کافی نیست. در مقایسه با معیارهای خطای قطعی، بسیاری از قوانین به ثمر رساند احتمالاتی به دلیل عدم رعایت چندین الزامات از قبیل قابلیت اطمینان و تیزهدشی، فاقد شهود هستند، در حالی که پیش بینی های قطعی فقط باید نزدیک به مشاهدات واقعی باشد. این مقاله به منظور تقویت تمرینکنندگان و کاربران پیش بینی احتمالاتی، قادر است تا نمایه های نامطمئن مناسب و قوانین به ثمر برساند بسته به برنامه کاربردی مورد نظر و داده های موجود. دیدگاه جامع از محبوب ترین فرم های نمایندگی عدم قطعیت از پیش بینی ها و گروه های تک، داده می شود، و پس از آن ارائه محبوب ترین قوانین به ثمر رساند. ما می خواهیم درک برای اصول کار و ارتباط قوانین مختلف به ثمر رساند و تجزیه و تحلیل آنها برای پیش بینی احتمالات متغیرهای پیوسته با نشان دادن تفاوت های آنها گسترش دهیم. بنابراین، در تعدادی از مطالعات موردی، ما را به تجزیه و تحلیل رفتار قوانین به ثمر رساند، یک فرایند که اغلب به عنوان معیار اندازه گیری، به طور دقیق در پیش بینی گروه های چند مدل در دنیای واقعی واقع شده است.