Computation of Ultra-Short-Term Prediction Intervals of the Power Prosumption in Active Distribution Networks
主动配电网电力产消的超短期预测区间计算AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究原始及差分时间序列的预测区间，分类依据是时间序列方法，应用对象为电力系统。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
主动配电网电力产消的超短期预测区间计算
- 研究问题
- 针对主动配电网亚秒级控制需求，如何利用历史观测构造电力产消的超短期预测区间，并比较不同时间序列处理方式？
- 方法与思路
- 作者按影响变量对历史观测聚类，将原序列或差分序列的簇作为未来实现的样本池，再通过经验密度与分位数构造预测区间。
- 材料陈述的贡献
- 摘要称提出非参数超短期区间预测方法，并利用不同建筑类型的实测电力产消数据开展事后性能比较，以选择表现较好的模型。
- 阅读关注点
- 应核对聚类变量与样本池选择、差分预测还原方式、区间覆盖率及宽度指标，以及历史样本代表未来状态的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未报告覆盖率或比较数值，名义置信水平不等于实际覆盖保证。
原文摘要
Microgrids and, in general, active distribution networks require ultra-short-term prediction, i.e., for sub-second time scales, for specific control decisions. Conventional forecasting methodologies are not effective at such time scales. To address this issue, we propose a non-parametric method for computing ultra short-term prediction intervals (PIs) of the power prosumption of generic electrical-distribution networks. The method groups historical observations into clusters according to the values of influential variables. It is applied either to the original or to the differentiated power-prosumption time series. The clusters are considered statistically representative pools of future realizations of power prosumption (or its derivative). They are used to determine empirical PDFs and, by extracting the quantiles, to deliver PIs for respective arbitrary confidence levels. The models are validated a posteriori by carrying out a performance analysis that uses experimentally observed power-prosumption for different building types, thus allowing the identification of the dominant model.