.png){kind=icon}
返回
Online prediction algorithm for power data deviation extremes based on time series mining algorithm
.png){kind=icon}
OA
AI
DOI：10.1007/s10791-026-10099-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模分布式电源的集成使电网拓扑复杂化，并加剧了电力数据在时空上的耦合。这增加了分析内在相关性的难度，使得预测偏差极值更加困难。传统模型依赖历史数据拟合，难以在实时运行条件下衡量高维空间中电力序列间的相似性，导致预测误差显著。为解决这一问题，提出了一种基于时间序列挖掘的在线预测算法。通过分段线性近似和多项式拟合处理实时运行数据以降低维度，然后应用闵可夫斯基距离在降维空间中衡量序列相似性，实现准确模式分析。随后，采用经遗传算法优化的长短期记忆（LSTM）网络捕捉数据中的细微波动和偏差极值。LSTM动态更新其内部状态，支持实时在线预测。实验结果表明，模型具有高精度，R²和相关性系数（CC）值高，表明模型拟合良好且能有效预测电力数据偏差极值。
Keyword:
Time series mining algorithms
Power data
Deviation extremes
Fitting polynomials
LSTM
Genetic algorithms
Crossover operations
期刊
D
IF:
0
论文数:
430
被引数:
8
机构
引用论文
分享收藏Analytical prediction method of power system frequency deviation under uncertain power fluctuations
PREAI
分享收藏A decomposition-based approximate entropy cooperation long short-term memory ensemble model for short-term load forecasting一种基于分解的近似熵合作长短时记忆集成模型用于短期负荷预测
PREAI
分享收藏Research on Power Grid Fault Diagnosis Based on a Quantitative Representation of Alarm Information
PREAI
分享收藏An interval decomposition-ensemble approach with data-characteristic-driven reconstruction for short-term load forecasting基于数据特征驱动重构的区间分解-集成短期负荷预测方法.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
查看更多内容