Cześć, analizuję dane dotyczące wiatru w celu oszacowania energii z turbiny wiatrowej.
Wziąłem 10 lat danych wiatrowych i wykreśliłem histogram;
moim drugim etapem było dopasowanie rozkładu Weibulla do danych.
Użyłem R z pakietem lmomdo obliczenia kształtu i skali Weibula. Użyłem tego kodu:
>library(lmom)
wind.moments<-samlmu(as.numeric(pp$WS))
moments<-pelwei(wind.moments)
x.wei<-rweibull(n=length(pp$WS), shape=moments["delta"], scale=moments["beta"])
hist(as.numeric(pp$WS), freq=FALSE)
lines(density(x.wei), col="red", lwd=4)
Wydaje się, że istnieje pewne opóźnienie między danymi a funkcją gęstości; czy możesz mi z tym pomóc? Innym pytaniem jest, czy możesz mi pomóc w obliczeniu rocznej energii z funkcji gęstości?
Dziękuję Ci
O zdjęciu, opublikuj na jakimś hostingu obrazów i umieść link - przekonwernę go na wklejone zdjęcie.
+1, ciekawe pytanie, może się okazać, że wkrótce będziesz miał wystarczającą reputację :)
—
mpiktas
sądząc z wykresu, problemem nie jest opóźnienie. To, co nakreśliłeś, to w przybliżeniu dobroć dopasowania. Wygląda więc na to, że dystrybucja Weibulla nie jest odpowiednia dla twoich danych. Widzę, że jest pęczek w pobliżu zera, czy masz zerowe wartości w swoich danych? W takim przypadku musisz osobno modelować wartości zerowe. Tak więc pierwszą sugestią byłoby wypróbowanie Weibulla dla niezerowych wartości. Także dlaczego Weibull, czy istnieje jakiś szczególny powód, może jakieś odniesienia do podobnej pracy?
—
mpiktas,
należy zauważyć, że „opóźnienie” jest terminem używanym głównie do analizy danych w czasie, odnoszącym się do jednej rzeczy występującej po drugiej. To nie jest opóźnienie - to może być bardziej dokładnie nazywane przesunięciem - a może przesunięciem - ale przesunięcie jest prawdopodobnie bardziej powszechne dla rozkładów, zmieniają się i skalują.
—
Spacedman,
bądź ostrożny, używając as.numeric (x) z czynnikami; faktycznie chcesz użyć as.numeric (as.character (x)), aby upewnić się, że otrzymałeś poprawną wartość liczbową dla współczynnika.
—
Andy Clifton
