Application of hidden Markov models and trend regression for classification and monthly average solar irradiance forecasting
and
Article Sidebar
Full Text: 
PDF
Abstract
This paper proposes the application of the Hidden Markov Model (HMM) and Trend Regression Models with Seasonal Dummy Variables (TRM-SDVs) to investigate clustering and forecasting for a series of average monthly clearness index data. The data distribution across the months of the year is grouped according to the standard groups obtained from the HMM setup process; this clustering result is consistent with the clustering observations in the TRM-SDVs equation. For forecasting, because the TRM-SDVs is suitable for the seasonality of the data series, its application provides better error metrics compared to HMM forecasts. Applications using these two modeling methods allow for reliable comparison of results and the selection of the optimal forecasting model. Experiments were conducted on solar radiation datasets measured from January 1, 2020 to December 31, 2025 at the meteorological station located at Can Tho International Airport (10.0851° N, 105.7120° E).
Tóm tắt
Bài báo được thực hiện nhằm đề xuất ứng dụng mô hình Markov ẩn (Hidden Markov Model, HMM) và mô hình hồi quy xu thế với các biến giả mùa (Trend Regression Model with Seasonal Dummy Variables, TRM-SDVs) để khảo sát sự phân nhóm và dự báo cho dãy dữ liệu chỉ số sáng trung bình tháng. Phân bố dữ liệu ở các tháng trong năm được xếp theo các nhóm chuẩn nhận được từ quá trình thiết lập HMM. Kết quả phân nhóm này phù hợp với quan sát tách nhóm ở phương trình của TRM-SDVs. Đối với việc dự báo, do TRM-SDVs phù hợp với tính mùa vụ của dãy dữ liệu nên ứng dụng dự báo từ mô hình này có các đánh giá sai số tốt hơn so với các dự báo từ HMM. Các ứng dụng được tiếp cận với hai dạng mô hình hóa này giúp có những đối sánh kết quả tin cậy và có sự chọn lựa mô hình dự báo tối ưu. Các thực nghiệm được thực hiện trên bộ dữ liệu bức xạ mặt trời được ghi từ ngày 01/01/2020 đến ngày 31/12/2025 tại trạm khí tượng đặt ở Cảng hàng không quốc tế Cần Thơ (10.0851° B, 105.7120° Đ).
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
Dembo, A., & Zeitouni, O. (1986). Parameter estimation of partially observed continuous time stochastic processes via the EM algorithm. Stochastic Processes and Their Applications, 23(1), 91–113.
https://doi.org/10.1016/0304-4149(86)90018-9
Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society, Series B (Methodological), 39(1), 1–38.
https://doi.org/10.1111/j.2517-6161.1977.tb01600.x
DePaolo, C. A., & Robinson, D. F. (2011). Café data. Journal of Statistics Education, 19(1), 1–20. https://doi.org/10.1080/10691898.2011.11889608
Elliott, J. R., Aggoun, L., & Moore, J. B. (2010). Hidden Markov Models: Estimation and control. Springer.
https://doi.org/10.1007/978-0-387-84854-9
Liddle, A. R. (2007). Information criteria for astrophysical model selection. Monthly Notices of the Royal Astronomical Society: Letters, 377(1), 74–78.
https://doi.org/10.1111/j.1745-3933.2007.00306.x
Liu, B. Y. H., & Jordan, R. C. (1960). The interrelationship and characteristic distribution of direct, diffuse and total solar radiation. Solar Energy, 4(3), 1–19.
https://doi.org/10.1016/0038-092X(60)90062-1
Sahin, A. D., & Sen, Z. (2008). Solar Irradiation Estimation Methods from Sunshine and Cloud Cover Data. In: Badescu, V. (Ed.). Modeling Solar Radiation at the Earth’s Surface: Recent advances (pp. 246–279). Springer.
Soubdhan, T., Emilion, R., & Calif, R. (2009). Classification of daily solar radiation distributions using a mixture of Dirichlet distributions. Solar Energy, 83(7), 1056–1063.
https://doi.org/10.1016/j.solener.2009.01.010
Tran, V. L. (2016). Stochastic modeling for daily clearness index sequence in Can Tho city. Can Tho University Journal of Science, (02), 90-99
https://doi.org/10.22144/ctu.jen.2016.005