Et indblik i Deep Learning-baseret efterspørgselsprognose i Smart Grids(2)

5.2.5. Betinget begrænset Boltzmann-maskine

A Restricted Boltzmann Machine (RBM) er en stokastisk RNN ​​med to lag, et med synlige enheder og et med binære skjulte enheder. Denne type netværk kan lære en sandsynlighedsfordeling over sit sæt af input. RBM'er er en variant af Boltzmann Machines (BM) og kan være i overvåget eller uovervåget tilstand, afhængigt af den opgave, der skal udføres.

Kinesisk urt cistanche - Forbedre hukommelsen

Når BM'er er begrænset, kan et par noder fra hver af de to grupper af enheder (synlige og skjulte) have en symmetrisk forbindelse mellem dem, men der er ingen forbindelser mellem noder i samme gruppe, hvilket giver mulighed for mere effektiv træning. På den anden side kan ubegrænsede BM'er have forbindelser mellem skjulte enheder.

RBM består af m synlige enheder V=(v1, ... de betingede lag-enheder F=(f 1, . . . , fp), som det er vist i figur 5 [72].

hvor m repræsenterer antallet af elementer, brugeren har bedømt; H er antallet af skjulte lag; F er antallet af betingede lag; K er den høje vurdering; vki er den binære værdi af synligt lag enhed I og rating k; hj er den binære værdi af skjult enhed j; fq er den binære værdi af det betingede lag F; bi k er forspændingen af ​​klassificeringen k med synlig lag enhed I; bj er skævheden af ​​træk j; Wk ij er den forbundne vægt mellem skjult lag H og synligt lag V; D er den forbundne vægt mellem skjult lag H og betinget lag F; Dqj er den forbundne vægt mellem skjult funktion j og betinget lag enhed q.

Figur 5. Begrænset Boltzmann-maskine [73.

I [73] introducerede forfatterne Factored Conditioned Restricted Boltzmann Machines (FCRBMs) ved at tilføje begrebet faktoriserede, multiplikative og trevejsinteraktioner for at forudsige flere menneskelige bevægelsesstile.

Endelig er Deep Belief Networks (DBN'er) dannet af flere RBM'er stablet oven på hinanden [74]

6. Deep Learning-modeller og efterspørgselsprognoser i sammenhæng med Smart Grids

Forskere har foreslået prognosemodeller inden for de to hovedområder, hvor Deep Learning-teknikker kan anvendes [8]: (1) efterspørgselsstyring (f.eks. [75,76]) og (2) netkontrol (f.eks. [77-79]) .

På grund af den stigende efterspørgsel efter energi fra forskellige sektorer skal udbud og efterspørgsel balanceres i elnettet. I dette scenarie kan smarte net spille en vigtig rolle ved at give en tovejs strøm af energi mellem forbrugere og forsyningsselskaber. I modsætning til traditionelle elektriske net har smarte net sofistikerede sensorenheder, der genererer data, hvorfra energimønstre kan udledes. Disse mønstre er ekstremt nyttige til belastningsforudsigelse, peak barbering og styring af efterspørgselsrespons.

Cistanche pulver sundhedsfordele - Forbedre hukommelsen

Da mængden af ​​data genereret af et smart grid er enorm og konstant stigende, er Deep Learning-baserede modeller en god mulighed for at forstå forbrugsmønstre og lave prognoser. Forskere har undersøgt mulighederne for at bruge Deep Learning-modeller, hvor LSTM-netværk spiller en ledende rolle (f.eks. [32,57,80])

Tabel 5 opsummerer forskellige værker, hvor praktikere med succes har brugt Deep Learning-teknikker til prognoseformål. Disse erfaringer er blevet identificeret efter en systematisk gennemgang af den publicerede litteratur. Søgningen efter referencer er blevet udført i forskellige videnskabelige databaser (f.eks. ScienceDirect, SpringerLink, IEEExplore osv.). Papirer fra forskellige relevante videnskabelige tidsskrifter såsom Energy Informatics, IEEE Transactions on Smart Grid, Energies og Applied Energy er også blevet gennemgået. De anvendte søgeord omfatter: udtryk som Deep Learning, ANN, neurale netværk og navnene på forskellige Deep Learning-modeller, både fulde og akronymer (f.eks. Long Short-Term Memory-netværk og LSTM),

kombineret(AND) med termer relateret til energifeltet, mere specifikt "energiefterspørgselsprognose", "elektricitetsbehovsforecasting", "load forecasting", "demand response", "demand-side response" og variationer af disse udtryk.

Tabel 5. Eksempler på anvendelse af Deep Learning-teknikker i energidomænet med fokus på efterspørgsels-/belastningsforecasting.

Eftersøgningen var begrænset til de sidste 6 år. Beslutningen om, hvilke artikler der endelig blev inkluderet i tabel 5, blev truffet af forfatterne efter at have gennemgået søgeresultaterne og sikret, at arbejdet involverede brugen af ​​en Deep Learning-model til behovs- eller belastningsforudsigelsesformål.

7. Konklusioner

Stigende energiefterspørgsel lægger pres på elnettet for at balancere udbud og efterspørgsel. Smart grids kan spille en vigtig rolle. I disse systemer bliver data relateret til energiforbrug løbende indsamlet og analyseret for at opnå energiforbrug. De opnåede brugsmønstre kan være nyttige til forudsigelse af efterspørgsel og belastning. Det er en udfordrende opgave i forbindelse med smarte miljøer, og derfor sætter forskerne en særlig indsats i dette.

For at imødekomme nutidens udfordringer med efterspørgselsprognoser, hvor smart grids genererer store mængder data, er det nødvendigt at bruge moderne datadrevne teknikker. Deep Learning-baserede modeller er et godt alternativ. Traditionelt har forskning fokuseret på at forudsige kundernes energiforbrug ved hjælp af de små historiske datasæt, der er tilgængelige om deres adfærd. Nuværende forskning med anvendelse af Deep Learning-metoder har dog vist bedre ydeevne end konventionelle prognosemetoder. Brugen af ​​Deep Learning-modeller involverer brug af store mængder data, såsom dem, der leveres af de forskellige datasæt, der bruges af praktikere i værkerne samlet i tabel 5. Det er en kendsgerning, at smart grids genererer store mængder data, så Big Data er også en nøgleteknologi til at overvinde udfordringerne med integration af vedvarende energi, belastningsudsving og bæredygtig udvikling. Med introduktionen af ​​vedvarende energi i det smarte net bringes et stigende antal variabler ind i systemet, og flere data skal behandles. Denne situation forværres også af den gradvise introduktion af elektriske køretøjer, så disse Big Data-teknologier bliver også mere og mere nødvendige [124].

Cistanche supplement i nærheden af ​​mig - Forbedre hukommelsen

Klik her for at se produkter fra Cistanche Improve Memory

【Spørg om mere】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Den udførte undersøgelse har afsløret, at de mest udbredte Deep Learning-modeller i energidomænet til efterspørgselsprognoseformål er CNN'er, RNN'er, LSTM'er, DQN'er og CRBM'er, og en variation af enhver af dem, en kombination af to eller flere af dem, eller kombinationen af ​​nogen af ​​dem med andre teknikker. Bemærkelsesværdige er CNN og dets variationer såsom Pyramid-CNN [82,85,88,90,91,94,95,101,106,107,109,115,118,119,123], LSTM og dets variationer såsom B-LSTM [80,82,{8,91} ,93–95,99,100,103,104,106,107,109–113,118,119,122], og en kombination af begge [82,88,91,94,95,106,107,109,118,119]. Ægte testbeds med data af høj kvalitet er ikke almindelige, men er nødvendige for at bestemme ydeevnen af ​​Deep Learning-modeller. Det er vigtigt at fortsætte med at teste fremtidige Deep Learning-modeller, herunder potentielle variationer og/eller kombinationer af to eller flere modeller, til prognoseformål i forbindelse med intelligente net. Det er også vigtigt, at disse tests udføres for forskellige scenarier. Der er stadig behov for Deep Learning-modeller, der er i stand til automatisk at forudsige belastning for forskellige typer kunder, lokaler/bygninger og forskellige vejrforhold. Det er vigtigt at teste ydeevnen af ​​Deep Learning, men også at afgøre, hvilken model der er bedst til hvert scenarie.

Med hensyn til datasæt brugte praktikere forskellige muligheder, idet de fremhævede PJM-elektricitetsmarkedet [32,92,102,108,112], SGSC [85,90,98], CER [98,114,120], ISO-NE [105,109,115], Pecan Street Inc. [80,97] , UCI [106.107], UKDALE [113] og REDD [21]. Mange anmeldelser on-demand/load prognoser i forbindelse med smart grids fokuserer på de anvendte Deep Learning-modeller, men glemmer dataene. For at en Deep Learning-implementering skal lykkes, er algoritmerne dog lige så værdifulde som dataene. Faktisk ville det være ønskværdigt, at forskerne indarbejdede flere oplysninger om de data, der anvendes i deres værker, som f.eks. adresserer opdelingen af ​​trænings-/validerings-/testdata, samplingsintervallet for dataene, metoden til datarensning osv. En af begrænsningerne ved at bruge Deep Learning-modeller er manglen på datasæt af høj kvalitet fra den virkelige verden. En fremtidig tendens vil sandsynligvis være at flytte vægten fra modellen til dataene. Desuden forudser forfatterne en integration af IoT i Deep Learning-modeller, der bruges til forudsigelse af efterspørgsel/belastning. IoT muliggør demokratisering af fornuft. Dette åbner spændende muligheder i form af dataindsamling af høj kvalitet, hvilket er kritisk i forbindelse med efterspørgsels-/belastningsforecasting. Relateret til dette vil en anden fremtidig tendens være udviklingen af ​​integrerede systemer, der inkluderer den nødvendige dataindsamling og forbehandling.

Fordele ved cistanche tubulosa - Forbedre hukommelsen

Endelig er det også bemærkelsesværdigt, at forskere i de fleste tilfælde fokuserede på kortsigtede prognoser.

Belastningsprognose er en udfordrende opgave i sammenhæng med smarte miljøer. Derfor sætter forskerne en særlig indsats i det. Ægte testsenge med data af høj kvalitet er ikke almindelige, men nødvendige for at bestemme ydeevnen af ​​Deep Learning-modellerne. Der er stadig behov for Deep Learning-modeller, der er i stand til automatisk at forudsige belastning for forskellige typer kunder, lokaler/bygninger og forskellige vejrforhold.

Hvad gør cistanche - Forbedre hukommelsen

Referencer

1. Butt, OM; Zulqarnain, M.; Butt, TM Seneste fremskridt inden for smart grid-teknologi: Fremtidsudsigter i det elektriske elnetværk. Ain Shams Eng. J. 2021, 12, 687-695. [CrossRef]

2. Ccati, C.; Mokryani, G.; Piccolo, A.; Siano, P. En oversigt over Smart Grid-konceptet. I Proceedings of the IECON 2010—36th Annual Conference on IEEE Industrial Electronics Society, Glendale, CA, USA, 7.-10. november 2010; s. 3322-3327. 3. Vakulenko, I.; Saher, L.; Lyulyov, O.; Pimonenko, T. En systematisk litteraturgennemgang af smarte net. I Proceedings of the 1st Conference on Traditional and Renewable Energy Sources: Perspectives and Paradigms for the 21st Century (TRESP 2021), Prag, Tjekkiet, 22.-23. januar 2021; Bind 250. [CrossRef]

4. Yan, Y.; Qian, Y.; Sharif, H.; Tipper, D. En undersøgelse om cybersikkerhed for smart grid-kommunikation. IEEE Commun. Surv. Underviser. 2012, 14, 998-1010. [CrossRef]

5. Shawkat Ali, ABM; Azad, SA Efterspørgselsprognoser i smart grid. Grøn Energi Teknol. 2013, 132, 135-150. [CrossRef]

6. Prabadevi, B.; Pham, Q.-V.; Liyanage, M.; Deepa, N.; Vvss, M.; Reddy, S.; Madikunta, PKR; Khare, N.; Gadekallu, TR; Hwang, WH Dyb læring for intelligent efterspørgselsrespons og smarte net: En omfattende undersøgelse. arXiv 2021. [CrossRef]

7. Ferreira, HC; Lampe, L.; Newbury, J.; Swart, TG Power Line Communications. Teori og applikationer til smalbånds- og bredbåndskommunikation over elledninger; John Wiley og sønner: Chichester, Storbritannien, 2010.

8. Vanting, NB; Ma, Z.; Jørgensen, BN En scoping review af dybe neurale netværk til elektrisk belastningsforudsigelse. Energi informere. 2021, 4, 49. [CrossRef]

9. Hernández, L.; Baladrón, C.; Aguiar, JM; Carro, B.; Sánchez-Esguevillas, AJ; Lloret, J.; Massana, J. En undersøgelse om forudsigelse af efterspørgsel efter elektrisk energi: Fremtidige tendenser i smarte net, mikronet og smarte bygninger. IEEE Commun. Surv. Underviser. 2014, 16, 1460-1495. [CrossRef]

10. Javed, F.; Arshad, N.; Wallin, F.; Vassileva, I.; Dahlquist, E. Forecasting for demand response in smart grids: En analyse af brugen af ​​antropologiske og strukturelle data og kortsigtede multiple belastningsprognoser. Appl. Energi 2012, 96, 150–160. [CrossRef]

11. Khodayar, ME; Wu, H. Efterspørgselsprognoser i smart grid-paradigmet: funktioner og udfordringer. Elektr. J. 2015, 28, 51-62. [CrossRef]

12. Boza, P.; Evgeniou, T. Kunstig intelligens til at understøtte integrationen af ​​variable vedvarende energikilder til elsystemet. Appl. Energy 2021, 290, 116754. [CrossRef]

13. Lasseter, R.; Akhil, A.; Mamy, C.; Stephens, J.; Dagle, J.; Guttromson, R.; Meliopoulous, AS; Yinger, R.; Eto, J. Integration af distribuerede energiressourcer. CERTS Microgrid-konceptet. Hvidt papir. 2003. Tilgængelig online: https://certs.lbl.gov/ publications/integration-distributed-energy (tilgængelig den 20. november 2022).

14. Anduaga, J.; Boyra, M.; Cobelo, I.; García, E.; Gil, A.; Jimeno, J.; Laresgoiti, I.; Oyarzabal, JM; Rodríguez, R.; Sánchez, E.; et al. La Microrred, Una Alternativa de Futuro Para un Suministro Energético Integral; TECNALIA, Corporación Tecnológica: Derio, Spanien, 2008.

15. Hoy, MB Smarte bygninger: En introduktion til fremtidens bibliotek. Med. Ref. Serv. Q. 2016, 35, 326-331. [CrossRef] [PubMed]

16. Fang, X.; Misra, S.; Xue, G.; Yang, D. Smart grid – Det nye og forbedrede elnet: En undersøgelse. IEEE Commun. Surv. Underviser. 2012, 14, 944-980. [CrossRef]

17. Singh, A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, DK Load Forecasting-teknikker og -metoder: En gennemgang. I Proceedings of the 2nd International Conference on Power, Control and Embedded Systems (ICPCES), Allahabad, Indien, 17.-19. december 2012. [CrossRef]

18. Nti, IK; Teimeh, M.; Nyarko-Boateng, O.; Adekoya, AF Forudsigelse af elbelastning: En systematisk gennemgang. J. Elektr. Syst. Inf. Teknol. 2020, 7, 13. [CrossRef]

19. Ahmed Mir, A.; Alghassab Kafait, M.; Ullah, K.; Ali Khan, Z.; Lu, Y.; Imran, M. En gennemgang af elefterspørgselsprognoser i lav- og mellemindkomstlande: efterspørgselsdeterminanter og horisonter. Bæredygtighed 2020, 12, 5931. [CrossRef]

20. Clements, AE; Hurn, AS; Li, Z. Forudsigelse af elektricitetsbelastning for dagen i forvejen ved hjælp af en tidsserietilgang med flere ligninger. Eur. J. Oper. Res. 2016, 251, 522-530. [CrossRef]

21. Hong, Y.; Zhou, Y.; Li, Q.; Xu, W.; Zheng, X. En deep learning-metode til kortsigtet boligbelastningsforudsigelse i smart grid. IEEE Access 2020, 8, 55785–55797. [CrossRef] 22. Phuangpornpitak, N.; Prommee, W. En undersøgelse af modeller for prognose for belastningsefterspørgsel i drift og planlægning af elektriske kraftsystemer. GMSARN Int. J. 2016, 10, 19-24.

23. Xiao, L.; Shao, W.; Liang, T.; Wang, C. En kombineret model baseret på flere sæsonbestemte mønstre og en modificeret fifireflfly-algoritme til forudsigelse af elektrisk belastning. Appl. Energi 2016, 167, 135–153. [CrossRef]

24. Xue, B.; Geng, J. Dynamisk tværgående korrektionsmetode for mellem- og langtidsenergiprognoser baseret på statistik over prognosefejl. I Proceedings of the 10th Conference on Power and Energy (IPEC), Ho Chi Minh, Vietnam, 12.-14. december 2012; s. 253-256. [CrossRef]

25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Effekter af forskellige faktorer på elektrisk belastningsforudsigelse: en oversigt. I Proceedings of the IEEE Power India International Conference (PIICON), Delhi, Indien, 5.-7. december 2014; s. 1-5.

26. Hippert, HS; Pedreira, CE; Souza, RC Neurale netværk til kortsigtet belastningsforudsigelse: En gennemgang og evaluering. IEEE Trans. Power Syst. 2001, 16, 44-55. [CrossRef]

27. Fahad, MU; Arbab, N. Faktor, der påvirker kortsigtet belastningsprognose. J. Clean Energy Technol. 2014, 2, 305-309. [CrossRef]

28. Novianto, D.; Gao, W.; Kuroki, S. Gennemgang af folks livsstil og energiforbrug i asiatiske samfund: Et casestudie af Indonesien, Thailand og Kina. Energi Power Eng. 2015, 7, 465. [CrossRef]

29. Hernández, L.; Baladrón, C.; Aguiar, JM; Calavia, L.; Carro, B.; Sánchez-Esguevillas, A.; García, P.; Lloret, J. Eksperimentel analyse af inputvariablernes relevans for at forudsige næste dags aggregerede elektriske efterspørgsel ved hjælp af neurale netværk. Energies 2013, 6, 2927-2948. [CrossRef]

30. Issi, F.; Kaplan, O. Bestemmelsen af ​​belastningsprofiler og strømforbrug for husholdningsapparater. Energies 2018, 11, 607. [CrossRef]

31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. En tilgang til elektrisk belastningsprofilanalyse baseret på tidsseriedata mining. IEEE Access 2020, 8, 209915–209925. [CrossRef] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Forudsigelse af elektrisk belastning baseret på deep learning og optimeret af den heuristiske algoritme i smart grid. Appl. Energi 2020, 269, 114915. [CrossRef]

33. Gillies, DKA; Bernholtz, B.; Sandiford, PJ En ny tilgang til forudsigelse af daglige spidsbelastninger. Trans. Er. Inst. Elektr. Eng. Del III Power Appar. Syst. 1956, 75, 382-387. [CrossRef]

34. Park, DC; El-Sharkawi, MA; Marks II, RJ; Atlas, LE; Damborg, MJ Elektrisk belastningsforudsigelse ved hjælp af et kunstigt neuralt netværk. IEEE Trans. Power Syst. 1991, 6, 442-449. [CrossRef]

35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Alexiadis, MC; Maissis, AH En neuralt netværk kortsigtet belastningsprognosemodel for det græske elsystem. IEEE Trans. Power Syst. 1995, 11, 858–863. [CrossRef]

36. Lu, C.-N.; Wu, H.-T.; Vemuri, S. Neural netværksbaseret kortsigtet belastningsprognose. IEEE Trans. Power Syst. 1993, 8, 336-342. [CrossRef] 37. Papalexopoulos, AD; Hao, S.; Peng, T.-M. En implementering af en neural netværksbaseret belastningsforudsigelsesmodel for EMS. IEEE Trans. Power Syst. 1994, 9, 1956-1962. [CrossRef]

38. Wang, P. Om at definere kunstig intelligens. J. Artif. Gen. Intell. 2019, 10, 1-37. [CrossRef]

39. Ongsulee, P. Kunstig Intelligens, Machine Learning og Deep Learning. I Proceedings of the 15th International Conference on ICT and Knowledge Engineering (ICT&KE), Bangkok, Thailand, 22.-24. november 2017; s. 1-6. [CrossRef]

40. Raz, AR; Llinas, J.; Mittu, R.; Lawless, WF Engineering for emergence in information fusion systems: En gennemgang af nogle udfordringer. I menneske-maskine delte sammenhænge; Lawless, WF, Mittu, R., Sofge, DA, red.; Academic Press: Cambridge, MA, USA, 2020; s. 241–255, ISBN 9780128205433. [CrossRef]

41. Cohen, S. Det grundlæggende i maskinlæring: Strategier og teknikker. I kunstig intelligens og dyb læring i patologi; Cohen, S., red.; Elsevier: Amsterdam, Holland, 2021; s. 13–40, ISBN 9780323675383. [CrossRef]

42. Bonetto, R.; Latzko, V. Maskinlæring. I computing i kommunikationsnetværk, fra teori til praksis; Fitzek, FHP, Granelli, F., Seeling, P., Eds.; Academic Press: Cambridge, MA, USA, 2020; s. 135–167, ISBN 9780128204887. [CrossRef]

43. Delua, J. Overvåget vs. Ikke-overvåget læring: Hvad er forskellen? 2021. Tilgængelig online: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (tilgængelig den 15. november 2022).

44. Sarker, IH Maskinlæring: Algoritmer, applikationer i den virkelige verden og forskningsvejledninger. SN Comput. Sci. 2021, 2, 160. [CrossRef] [PubMed]

45. Choi, RY; Coyner, AS; Kalpathy-Cramer, J.; Chiang, MF; Campbell, JP Introduktion til maskinlæring, neurale netværk og dyb læring. Overs. Vis. Sci. Teknol. 2020, 9, 14. [CrossRef]

46. ​​Alloghani, M.; Al-Jumeily, D.; Mustafifina, J.; Hussain, A.; Aljaaf, AJ En systematisk gennemgang af overvågede og ikke-overvågede maskinlæringsalgoritmer til datavidenskab. I Supervised and Unsupervised Learning for Data Science; Berry, M., Mohamed, A., Yap, B., Eds.; Springer: Cham, Schweiz, 2020; s. 3–21. [CrossRef]

47. Satinet, C.; Fouss, F. En overvåget maskinlæringsklassificeringsramme for tøjprodukters bæredygtighed. Bæredygtighed 2022, 14, 1334. [CrossRef]

48. Jiang, T.; Gradus, JL; Rosellini, AJ Overvåget maskinlæring: En kort primer. Opfør dig. Ther. 2020, 51, 675-687. [CrossRef] [PubMed]

49. El Bouchefry, K.; de Souza, RS Læring i big data: Introduktion til maskinlæring. In Knowledge Discovery in Big Data fra Astronomi og Jordobservation; Skoda, P., Adam, F., red.; Elsevier: Amsterdam, Holland, 2020; s. 225–249, ISBN 9780128191545. [CrossRef]

50. Uddamari, N.; Ubbana, J. En undersøgelse af analyse af uovervågede læringsalgoritmer i maskinlæring. Turk. J. Comput. Matematik. Educ. 2021, 12, 6774-6782.

51. Khanum, M.; Mahboob, T.; Imtiaz, W.; Ghafoor, H.; Sehar, R. En undersøgelse om uovervågede maskinlæringsalgoritmer til automatisering, klassificering og vedligeholdelse. Int. J. Comput. Appl. 2015, 119, 34-39. [CrossRef]

52. Avinash, K.; William, G.; Ryan, B. Netværksangrebsdetektion ved hjælp af en uovervåget maskinindlæringsalgoritme. I Proceedings of the Hawaii International Conference on System Sciences (HICSS), Maui, HI, USA, 7.-10. januar 2020. [CrossRef]

53. Chen, Y.; Kong, R.; Kong, L. Anvendelser af kunstig intelligens i astronomiske big data. I Big Data i Astronomi; Kong, L., Huang, T., Zhu, Y., Yu, S., red.; Elsevier: Amsterdam, Holland, 2020; s. 347–375, ISBN 9780128190845. [CrossRef]

54. Van Engelen, JE; Hoos, HH En undersøgelse om semi-superviseret læring. Mach. Lære. 2020, 109, 373-440. [CrossRef]

55. ZhongKaizhu, G.; Huang, H. Semisupervised Learning: Baggrund, applikationer og fremtidige retninger; Nova Science Publishers: New York, NY, USA, 2018.

56. Huynh, T.; Nibali, A.; He, Z. Semisupervised læring til medicinsk billedklassificering ved hjælp af ubalancerede træningsdata. Comput. Metoder Programmer Biomed. 2022, 216, 106628. [CrossRef]

57. Kaur, A.; Gourav, K. En undersøgelse af forstærkningslæringsapplikationer og dets algoritmer. Int. J. Sci. Teknol. Res. 2020, 9, 4223-4228.

58. Mohammed, M.; Khan, MB; Bashier Mohammed, BE Machine Learning: Algoritmer og applikationer; CRC Press: Boca Raton, FL, USA, 2016.

59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. En oversigt over forstærkningslæringsalgoritmer til overdragelsesstyring i 5G ultra-tætte små celle netværk. Appl. Sci. 2022, 12, 426. [CrossRef]

60. Liu, S.; Se KC; Ngiam, KY; Celi, LA; Sun, X.; Feng, M. Forstærkende læring til klinisk beslutningsstøtte i kritisk pleje: Omfattende gennemgang. J. Med. Internet Res. 2020, 22, e18477. [CrossRef] [PubMed]

61. Hao, X.; Zhang, G.; Ma, S. Dyb læring. Int. J. Semant. Comput. 2016, 10, 417-439. [CrossRef]

62. Nichols, JA; Herbert Chan, HW; Baker, M. Machine learning: Anvendelser af kunstig intelligens til billeddannelse og diagnose. Biofys. Rev. 2019, 11, 111-118. [CrossRef]

63. Sadiq, R.; Rodríguez, MJ; Mian, HR Empiriske modeller til at forudsige desinfektionsbiprodukter (DBP'er) i drikkevand: En opdateret gennemgang. I Encyclopedia of Environmental Health, 2. udg.; Nriagu, J., red.; Elsevier: Amsterdam, Holland, 2019; s. 324–338, ISBN 978-0-444-63952-3.

64. Teuwen, J.; Moriakov, N. Konvolutionelle neurale netværk. I håndbog i medicinsk billedberegning og computerassisteret intervention; Zhou, SK, Rueckert, D., Fichtinger, G., red.; Elsevier: Amsterdam, Holland, 2020; s. 481–501, ISBN 9780128161760. [CrossRef]

65. He, Z. Deep Learning in Image Classification: A Survey Report. I Proceedings of the 2nd International Conference on Information Technology and Computer Application (ITCA), Guangzhou, Kina, 18.-20. december 2020; s. 174–177. [CrossRef]

66. Khan, A.; Sohail, A.; Zahoora, U.; Qureshi, AS En undersøgelse af de seneste arkitekturer af dybe foldede neurale netværk. Artif. Intell. Rev. 2020, 53, 5455-5516. [CrossRef]

67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. Om egenskaberne ved neural maskinoversættelse: Encoder-Decoder-tilgange. arXiv 2014, arXiv:1409.1259.

68. Elman, J. At finde struktur i tid. Cogn. Sci. 1990, 14, 179-211. [CrossRef]

69. Toha, SF; Tokhi, MO MLP og Elman Recurrent Neural Network Modeling for TRMS. I Proceedings of the 7th IEEE International Conference on Cybernetic Intelligent Systems, London, Storbritannien, 9.-10. september 2008; s. 1-6. [CrossRef]

70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Kortsigtede prognoser for jernbanepassagerflow baseret på langtidshukommelsesneuralt netværk. I Proceedings of the International Conference on Intelligent Rail Transportation (ICIRT), Singapore, 12.-14. december 2018; s. 1-5. [CrossRef]

71. Zhao, Z.; Liang, Y.; Jin, X. Håndtering af handlingsrum i stor skala i Deep Q Network. I Proceedings of the International Conference on Artificial Intelligence and Big Data (ICAIBD), Chengdu, Kina, 26.-28. maj 2018; s. 93–96. [CrossRef]

72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Brugerbeskæftigelse Aware Betinget begrænset Boltzmann-maskinebaseret anbefaling. I Proceedings of the IEEE International Conference on Internet of Things (iThings) og IEEE Green Computing and Communications (GreenCom) og IEEE Cyber, Physical and Social Computing (CPSCom) og IEEE Smart Data (SmartData), Chengdu, Kina, 15.-18. december 2016; s. 454–461. [CrossRef]

73. Taylor, GW; Hinton, GE; Roweis, ST To distribuerede tilstandsmodeller til generering af højdimensionelle tidsserier. J. Mach. Lære. Res. 2011, 12, 1025-1068.

74. Hinton, GE; Osindero, S.; Teh, YW En hurtig indlæringsalgoritme til dybe trosnet. Neural Comput. 2006, 18, 1527-1554. [CrossRef]

75. Bedi, G.; Venayagamoorthy, GK; Singh, R. Udvikling af et IoT-drevet bygningsmiljø til forudsigelse af elektrisk energiforbrug. IEEE Internet Things J. 2020, 7, 4912–4921. [CrossRef]

76. Timur, O.; Zor, K.; Çelik, Ö.; Teke, A.; ˙Ibrikçi, T. Anvendelse af statistiske og kunstige intelligensteknikker til el-energiprognoser på mellemlang sigt: Et casestudie for et regionalt hospital. J. Sustain. Dev. Energi Vandmiljø. Syst. 2020, 8, 520-536. [CrossRef]

77. Selvi, MV; Mishra, S. Undersøgelse af vejrpåvirkning i time-forudsigelse af elektrisk belastningseffektforudsigelse med ny arkitektur realiseret i multivariat lineær regression kunstige neurale netværksteknikker. I forløbet af den 8. IEEE India International Conference on Power Electronics (IICPE), Jaipur, Indien, 13.-15. december 2018.

78. Selvi, MV; Mishra, S. Undersøgelse af ydeevnen af ​​elektrisk belastningseffektprognose i flere tidshorisonter med ny arkitektur realiseret i multivariat lineær regression og feed-forward neurale netværksteknikker. IEEE Trans. Ind. Appl. 2020, 56, 5603-5612. [CrossRef]

79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Maskinlæringsbaseret integreret funktionsvalgstilgang til forbedret elefterspørgselsprognose i decentraliserede energisystemer. IEEE Access 2019, 7, 91463–91475. [CrossRef]

80. Wen, L.; Zhou, K.; Yang, S. Indlæs efterspørgselsprognose for boligbyggerier ved hjælp af en dyb læringsmodel. Elektr. Power Syst. Res. 2020, 179, 106073. [CrossRef]

81. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM Brug af dyb læring og meteorologiske parametre til at forudsige fotovoltaiske generatorers intra-time udgangseffektinterval til smart grid kontrol. Energy 2022, 239, 122116. [CrossRef]

82. Taleb, I.; Guerard, G.; Fauberteau, F.; Nguyen, NA Fleksibel dyb læringsmetode til energiforudsigelse. Energies 2022, 15, 3926. [CrossRef]

83. Xu, A.; Tian, ​​M.-W.; Firouzi, B.; Alattas, KA; Mohammadzadeh, A.; Ghaderpour, E. En ny dyb læring begrænset Boltzmann-maskine til energiforbrugsprognose. Bæredygtighed 2022, 14, 10081. [CrossRef]

84. Yem Souhe, FG; Franklin Mbey, C.; Teplaira Boum, A.; Ele, P.; Foba Kakeu, VJ En hybridmodel til forudsigelse af forbruget af elektrisk energi i et smart grid. J. Eng. 2022, 6, 629-643. [CrossRef]

85. Aurangzeb, K.; Alhussein, M.; Javed, K.; Haider, SI En Pyramid-CNN-baseret deep learning-model til forudsigelse af strømbelastning af energikunder med lignende profil baseret på klyngedannelse. IEEE Access 2021, 9, 14992–15003. [CrossRef]

86. Jahangir, H.; Tayarani, H.; Gougheri, SS; Golkar, MA; Ahmadian, A.; Elkamel, A. Deep learning-baseret prognosetilgang i smarte net med mikroklynger og tovejs LSTM-netværk. IEEE Trans. Ind. Electron. 2021, 68, 8298-8309. [CrossRef]

87. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, VP Effektiv prognose for boligbelastning ved hjælp af dyb læringstilgang. Int. J. Comput. Appl. Teknol. 2022, 68, 205-214. [CrossRef]

88. Rosato, A.; Araneo, R.; Andreotti, A.; Panella, M. 2-D Convolutional Deep Neural Network for Multivariate Energy Time Series Prediction. I forbindelse med 2019 IEEE International Conference on Environment and Electrical Engineering og 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), Genova, Italien, 11.-14. juni 2019.

89. Zhang, X.; Biagioni, D.; Cai, M.; Graf, P.; Rahman, S. En edge-cloud integreret løsning til bygninger kræver respons ved hjælp af forstærkningslæring. IEEE Trans. Smart Grid 2020, 12, 420–431. [CrossRef]

90. Aurangzeb, K.; Al-Hussein, M. Deep Learning Framework for Kortsigtet Power Load Forecasting, et casestudie af individuelle husholdningsenergikunder. I forbindelse med 2019 International Conference on Advances in the Emerging Computing Technologies (AECT), Al Madinah Al Munawwarah, Saudi-Arabien, 10. februar 2020.

91. Escobar, E.; Rodríguez Licea, MA; Rostro-Gonzalez, H.; Espinoza Calderon, A.; Barranco Gutiérrez, AI; Pérez-Pinal, FJ Sammenlignende analyse af multivariable dybe læringsmodeller til prognoser i smarte net. I forbindelse med 2020 IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), Ixtapa, Mexico, 4.-6. november 2020. [CrossRef]

92. Hafeez, G.; Alimgeer, KS; Wadud, Z.; Shafiq, Z.; Ali Khan, MU; Khan, I.; Khan, FA; Derhab, A. En ny præcis og hurtigt konvergerende dyb læringsbaseret model til forudsigelse af elektrisk energiforbrug i et smart grid. Energies 2020, 13, 2244. [CrossRef]

93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Elektricitetsefterspørgselsprognose for Smart Grid baseret på Deep Learning-tilgang. I Proceedings of the 2020 5th International Conference on Green Technology and Sustainable Development (GTSD), Ho Chi Minh City, Vietnam, 27.-28. november 2020; s. 353-357. [CrossRef]

94. Rosato, A.; Succetti, F.; Araneo, R.; Andreotti, A.; Mitolo, M.; Panella, M. En kombineret dyb læringstilgang til forudsigelse af tidsserier i energimiljøer. I forbindelse med 2020 IEEE/IAS 56. Industrial and Commercial Power Systems Technical Conference (I&CPS), Las Vegas, NV, USA, 29. juni-28. juli 2020.

95. Qi, X.; Zheng, X.; Chen, Q. En kortsigtet belastningsprognose for integreret energisystem baseret på CNN-LSTM. I Proceedings of the 2020 International Conference on Energy, Environment, and Bioengineering (ICEEB 2020), Xi'an, Kina, 7.-9. august 2020; Bind 185, s. 01032. [CrossRef]

96. Wang, B.; Li, Y.; Ming, W.; Wang, S. Dyb forstærkningslæringsmetode til efterspørgselsresponsstyring af afbrydelig belastning. IEEE Trans. Smart Grid 2020, 11, 3146–3155. [CrossRef]

97. Wen, L.; Zhou, K.; Li, J.; Wang, S. Modificeret dyb læring og forstærkende læring til en incitamentsbaseret model for efterspørgselsrespons. Energi 2020, 205, 118019. [CrossRef]

98. Yang, Y.; Li, W.; Gulliver, TA; Li, S. Bayesiansk deep learning-baseret probabilistisk belastningsforudsigelse i smart grids. IEEE Trans Ind. Inf. 2020, 16, 4703-4713. [CrossRef]

99. Amin, P.; Cherkasova, L.; Aitken, R.; Kache, V. Automatisering af energibehovsmodellering og prognose ved hjælp af intelligente målerdata. I Proceedings of the 2019 IEEE International Congress on Internet of Things (ICIOT), Milano, Italien, 8.-13. juli 2019.

100. Atef, S.; Eltawil, AB En sammenlignende undersøgelse, der bruger dyb læring og støttevektorregression til elprisforudsigelser i smarte net. I Proceedings of the IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), Tokyo, Japan, 12.-15. april 2019; s. 603-607. [CrossRef]

101. Chan, S.; Oktavianti, I.; Puspita, V. A Deep Learning CNN og AI-tunet SVM til elforbrugsprognose: Multivariate tidsseriedata. I forbindelse med 2019 IEEE 10. årlige informationsteknologi, elektronik og mobil kommunikationskonference (IEMCON), Vancouver, BC, Canada, 17.-19. oktober 2019.

102. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, QZ Day Ahead Electric Load Forecasting af en intelligent hybridmodel baseret på Deep Learning for Smart Grid. I forløbet af den 14. internationale konference om komplekse, intelligente og softwareintensive systemer (CISIS-2020), Lodz, Polen, 1.-3. juli 2020.

103. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Smart Grid Energy Management ved hjælp af RNN-LSTM: A Deep Learning-Based Approach. I Proceedings of the IEEE Global Communications Conference (GLOBECOM), Big Island, HI, USA, 9.-13. december 2019; s. 1-6. [CrossRef]

104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Anvendelse af dyb læring lang korttidshukommelse i energiefterspørgselsprognose. Commun. Comput. Inf. Sci. 2019, 1000, 31-42. 105. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Forudsigelse af elektricitetsbelastning på en halv time ved hjælp af konvolutionelt neuralt netværk. I innovative mobil- og internettjenester i allestedsnærværende computing; Barolli, L., Xhafa, F., Hussain, O., red.; Springer: Cham, Schweiz; Bind 994. [CrossRef]

106. Kim, TY; Cho, SB Forudsigelse af energiforbrug i boliger ved hjælp af CNN-LSTM neurale netværk. Energi 2019, 182, 72–81. [CrossRef]

107. Kim, T.; Cho, S. Partikelsværmoptimeringsbaserede CNN-LSTM-netværk til forudsigelse af energiforbrug. I Proceedings of the 2019 IEEE Congress on Evolutionary Computation (CEC), Wellington, New Zealand, 10-13 juni 2019.

108. Lu, R.; Hong, SH Incitament-baseret efterspørgselsrespons for smart grid med forstærkende læring og dybt neuralt netværk. Appl. Energi 2019, 236, 937–949. [CrossRef]

109. Pramono, SH; Rohmatillah, M.; Maulana, E.; Hasanah, RN; Hario, F. Deep learning-baseret kortsigtet belastningsprognose til understøttelse af efterspørgselsresponsprogram i hybridenergisystemet. Energies 2019, 12, 3359. [CrossRef]

110. Rahman, S.; Alam, MGR; Rahman, MM Deep Learning baseret ensemblemetode til husholdningsenergibehovsprognoser for smarte hjem. I Proceedings of the 2019 22nd International Conference on Computer and Information Technology (ICCIT), Dhaka, Bangladesh, 18.-20. december 2019.

111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Averaging Ensembles Model for Forecasting of Short-Term Load in Smart Grids. I Proceedings of the IEEE International Conference on Big Data (Big Data), Los Angeles, CA, USA, 9.-12. december 2019; s. 2931-2938. [CrossRef]

112. Ustundag Soykan, E.; Bilgin, Z.; Ersoy, MA; Tomur, E. Differentiel privat dyb læring til belastningsforudsigelse på Smart Grid. I Proceedings of the 2019 IEEE Globecom Workshops (GC Wkshps), Waikoloa, HI, USA, 9.-13. december 2019; s. 1-6. [CrossRef]

113. Vesa, AV; Ghitescu, N.; Pop, C.; Antal, M.; Cioara, T.; Anghel, IA; Salomie, I. Stacking Ulti-Learning Ensemble Model for Predicting near Real Time Energy Consumption Efterspørgsel af boligbygninger. I forbindelse med 2019 IEEE 15. internationale konference om intelligent computerkommunikation og -behandling (ICCP), Cluj-Napoca, Rumænien, 5.-7. september 2019.

114. Yang, Y.; Hong, W.; Li, S. Dyb ensemble-læringsbaseret probabilistisk belastningsforudsigelse i smarte net. Energi 2019, 189, 116324. [CrossRef]

115. Zahid, M.; Ahmed, F.; Javaid, N.; Abbasi, RA; Zainab Kazmi, HS; Javaid, A.; Bilal, M.; Akbar, M.; Ilahi, M. Elektricitetspris og belastningsprognose ved hjælp af forbedret konvolutionelt neuralt netværk forbedret understøttelse af vektorregression i smarte net. Electronics 2019, 8, 122. [CrossRef]

116. Ouyang, T.; Hej.; Li, H.; Sun, Z.; Baek, S. Modellering og forudsigelse af kortsigtet strømbelastning med copula-model og dybt trosnetværk. IEEE Trans. Emerg. Top. Comput. Intell. 2019, 3, 127-136. [CrossRef]

117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rehman, AU; Ullah, Z. Kortsigtet belastningsprognose baseret på Deep Learning for Smart Grid-applikationer. I Proceedings of the 12th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS-2018), Matsue, Japan, 4.-6. juli 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Konvolutionelle neurale netværk til energi-tidsserieprognoser. I Proceedings of the 2018 International Joint Conference on Neurale Networks (IJCNN), Rio de Janeiro, Brasilien, 8.-13. juli 2018.

119. Kuo, PH; Huang, CJ En højpræcision kunstige neurale netværksmodel til kortsigtet energibelastningsprognose. Energies 2018, 11, 213. [CrossRef]

120. Shi, H.; Xu, M.; Li, R. Dyb indlæring af husholdningsbelastningsforudsigelse – En roman, der samler dyb RNN. IEEE Trans Smart Grid 2018, 9, 5271–5280. [CrossRef]

121. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Deep forecast: Deep learning-baseret spatiotemporal forecasting. arXiv 2017. [CrossRef]

122. Jarábek, T.; Laurinec, P.; Lucká, M. Energibelastningsprognose ved hjælp af S2S Deep Neural Networks med K-Shape Clustering. I Proceedings of the 2017 IEEE 14th International Scientific Conference on Informatics 2017, Poprad, Slovakiet, 14-16 November 2017.

123. Li, L.; Ota, K.; Dong, M. Everything is Image: CNN-baseret kortsigtet elektrisk belastningsforudsigelse for Smart Grid. I forbindelse med det 2017 14th International Symposium on Pervasive Systems, Algorithms and Networks og 2017 11th International Conference on Frontier of Computer Science and Technology & 2017 Third International Symposium of Creative Computing (ISPAN-FCST-ISCC ), Exeter, Storbritannien, 21.-23. juni 2017; s. 344–351. [CrossRef]

124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Undersøgelse af nøgleteknologierne for elektrisk kraft Big Data og dets anvendelsesmuligheder i Smart Grid. I Proceedings of the IEEE PES Asia-Pacifific Power and Energy Engineering Conference (APPEEC), Hong Kong, Kina, 7.-10. december 2014; s. 1-4. [CrossRef]