Ứng dụng phân phối hỗn hợp Dirichlet phân cụm các dạng ngày bức xạ mặt trời

Abstract

The article investigates the applicability of a Dirichlet mixture distribution model combined with the Stochastic Approximation Expectation Maximization algorithm (mixD-SAEM) for clustering daily solar radiation patterns based on the distribution of the clearness index. The performance of the proposed approach is evaluated and compared with two widely used clustering methods, namely k-means and hierarchical clustering. Experiments are conducted on two datasets: a high-frequency solar radiation dataset previously used in the literature and solar radiation datasets collected from two meteorological stations in the Mekong Delta region of Vietnam, where only nine observations are available per day. For the sparse datasets, histograms used in the clustering process are constructed from probability density functions estimated by kernel density estimation. Clustering performance is assessed using the Silhouette and Davies–Bouldin indices. The results indicate that the mixD-SAEM approach is capable of effectively identifying distinct daily solar radiation patterns, particularly when the discriminative information is embedded in the distributional shape of the data.

Tóm tắt

Bài báo được thực hiện nhằm khảo sát khả năng áp dụng mô hình phân phối hỗn hợp Dirichlet kết hợp với thuật toán xấp xỉ ngẫu nhiên cực đại hóa kỳ vọng (mixD-SAEM) để phân loại các dạng ngày bức xạ mặt trời dựa trên phân phối của chỉ số sáng. Hiệu quả của phương pháp được đánh giá thông qua so sánh với hai phương pháp phân cụm phổ biến là k-means và phân cụm thứ bậc. Thực nghiệm được thực hiện trên hai nhóm dữ liệu gồm bộ dữ liệu bức xạ mặt trời có tần suất lấy mẫu cao được sử dụng trong nghiên cứu trước đây và các bộ dữ liệu bức xạ mặt trời ghi nhận tại hai trạm khí tượng ở Đồng bằng sông Cửu Long với chỉ 9 quan sát mỗi ngày. Đối với trường hợp dữ liệu thưa, các histogram phục vụ phân loại được xây dựng từ các hàm mật độ xác suất ước lượng bằng phương pháp hàm hạt nhân. Kết quả đánh giá thông qua các chỉ số Silhouette và Davies–Bouldin cho thấy phương pháp mixD-SAEM có khả năng nhận dạng tốt các dạng ngày bức xạ mặt trời, đặc biệt trên các dữ liệu mà đặc trưng phân biệt chủ yếu nằm ở hình dạng phân phối.