Probabilistic Forecasting of Solar Radiation in Norway Using Spatial Varying Coefficients for NWP Forecasts

Abstract

Denne masteroppgaven introduserer og evaluerer en modell for etterbehandling av solinnstråling-prognoser. Modellen er trent ved å bruke et dataset som omfatter to og et halvt år med NWP data og målte observasjoner fra 15 steder i Norge. Den foreslåtte modellen er en romlig varierende koeffisientmodell med en Beta-distribuert sannsynlighetsfordeling, skalert av de fysiske grensene til solinnstråling. Vi bruker et Bayesiansk hierarkisk rammeverk og benytter et skyvevindu på 20 dager for å estimere parameterene til modellen. For å evaluere modellens probabilistiske kalibrering brukte vi PIT-histogram og for prediktiv nøyaktighet brukte vi den kontinuerlig rangerte sannsynlighetspoengsummen (CRPS). I tillegg ble den deterministiske nøyaktigheten til de etterbehandlede prognosene evaluert ved hjelp av den kvadratiske gjennomsnittsfeilen (RMSE).

Våre funn viser at modellen forbedrer prediksjoner på valideringslokasjonene utenfor treningslokasjonene, noe som indikerer modellens generaliserbarhet til usette steder innenfor området. Spesifikt, i forhold til de opprinnelige NWP-prognosene, forbedres CRPS med 35,6% på treningslokasjonene og 20,9% på valideringslokasjonene. Disse forbedringene fremhever potensialet til SVCM basert på den skalerte Beta-fordelingen for å forbedre prognoser for solinnstråling i Norge, og bidra til feltet for solstrålingsprediksjon.

This thesis introduces and evaluates a model for post-processing of solar radiation forecasts, utilizing a dataset comprising 2.5 years of NWP data and in situ ground observations from 15 locations in Norway. The proposed model is a Spatially varying coefficient model (SVCM) with a Beta distributed likelihood scaled by the physical constraints of solar radiation. We use a Bayesian hierarchical framework and employ a sliding window training period of 20 days to estimate the model parameters. To evaluate the model's probabilistic calibration, we utilized the probability integral transform (PIT) histogram, and for predictive accuracy, the continuously ranked probability score (CRPS). Additionally, the deterministic accuracy of the post-processed forecasts was evaluated using the root-mean-squared error (RMSE).

Our findings demonstrate that the SVCM effectively enhances predictive performance on validation locations beyond the training sample, indicating the model's generalizability to unseen locations within the domain. Specifically, when compared to the original NWP forecasts, the CRPS increase is 35.6% on the training locations and 20.9% on the validation locations. These improvements highlight the potential of the SVCM based on the scaled Beta distribution for improving solar radiation forecasts in Norway and contributing to the field of solar radiation prediction.