Vpogled v napovedovanje povpraševanja v pametnih omrežjih na podlagi poglobljenega učenja (2)

5.2.5. Pogojno omejen Boltzmannov stroj

Omejeni Boltzmannov stroj (RBM) je stohastični RNN z dvema slojema, eno z vidnimi enotami in eno z binarnimi skritimi enotami. Ta vrsta omrežja se lahko nauči porazdelitve verjetnosti nad svojim nizom vhodov. RBM so različica Boltzmannovih strojev (BM) in so lahko v nadzorovanem ali nenadzorovanem načinu, odvisno od naloge, ki jo je treba opraviti.

Kitajsko zelišče cistanche - izboljša spomin

Ko so BM-ji omejeni, ima lahko par vozlišč iz vsake od dveh skupin enot (vidnih in skritih) med seboj simetrično povezavo, vendar med vozlišči v isti skupini ni povezav, kar omogoča učinkovitejše usposabljanje. Po drugi strani pa imajo lahko neomejeni BM povezave med skritimi enotami.

RBM je sestavljen iz m vidnih enot V=(v1, . . . , vm), ki predstavljajo podatke, ki jih je mogoče opazovati, in n skritih enot H=(h1, . . . , hn), ki zajemajo odvisnosti med spremenljivkami, ki jih je mogoče opazovati, z pogojne enote sloja F=(f 1, . . . , fp), kot je prikazano na sliki 5 [72].

kjer m predstavlja število elementov, ki jih je ocenil uporabnik; H je število skritih plasti; F je število pogojnih plasti; K je visoka ocena; vki je binarna vrednost enote I vidne plasti in ocena k; hj je binarna vrednost skrite enote j; fq je binarna vrednost pogojne plasti F; bi k pristranskost ocene k z enoto vidne plasti I; bj je pristranskost funkcije j; Wk ij je povezana teža med skrito plastjo H in vidno plastjo V; D je povezana teža med skrito plastjo H in pogojno plastjo F; Dqj je povezana utež med skrito značilnostjo j in pogojno enoto plasti q.

Slika 5. Omejeni Boltzmannov stroj [73.

V [73] so avtorji predstavili faktorizirane pogojene omejene Boltzmannove stroje (FCRBM) z dodajanjem koncepta faktoriziranih, multiplikativnih in trismernih interakcij za napovedovanje več stilov človekovega gibanja.

Končno so mreže globokih prepričanj (DBN) sestavljene iz več RBM-jev, ki so zloženi drug na drugega [74]

6. Modeli globokega učenja in napovedovanje povpraševanja v kontekstu pametnih omrežij

Raziskovalci so predlagali modele napovedovanja na dveh glavnih področjih, kjer je mogoče uporabiti tehnike globokega učenja [8]: (1) upravljanje povpraševanja (npr. [75,76]) in (2) nadzor omrežja (npr. [77–79]). .

Zaradi naraščajočega povpraševanja po energiji iz različnih sektorjev je treba ponudbo in povpraševanje uravnotežiti v električnem omrežju. V tem scenariju imajo lahko pametna omrežja pomembno vlogo z zagotavljanjem dvosmernega pretoka energije med potrošniki in javnimi podjetji. Za razliko od tradicionalnih električnih omrežij imajo pametna omrežja sofisticirane senzorske naprave, ki ustvarjajo podatke, iz katerih je mogoče izpeljati energetske vzorce. Ti vzorci so izjemno uporabni za napovedovanje obremenitve, zmanjšanje konic in upravljanje odziva na povpraševanje.

Cistanche prašek koristi za zdravje-izboljša spomin

Ker je količina podatkov, ki jih ustvari pametno omrežje, ogromna in nenehno narašča, so modeli, ki temeljijo na poglobljenem učenju, dobra možnost za razumevanje vzorcev porabe in izdelavo napovedi. Raziskovalci so proučevali možnosti uporabe modelov globokega učenja, pri čemer imajo vodilno vlogo omrežja LSTM (npr. [32,57,80])

Tabela 5 povzema različna dela, kjer so izvajalci uspešno uporabili tehnike globokega učenja za namene napovedovanja. Te izkušnje so bile ugotovljene po sistematičnem pregledu objavljene literature. Iskanje referenc je potekalo v različnih znanstvenih bazah (npr. ScienceDirect, SpringerLink, IEEExplore itd.). Pregledani so bili tudi članki iz različnih relevantnih znanstvenih revij, kot so Energy Informatics, IEEE Transactions on Smart Grid, Energies in Applied Energy. Uporabljene ključne besede vključujejo: izraze, kot so Deep Learning, ANN, nevronske mreže, in imena različnih modelov Deep Learning, tako popolna kot kratice (npr. omrežja dolgega kratkoročnega spomina in LSTM),

v kombinaciji (AND) z izrazi, povezanimi z energetskim področjem, natančneje, "napovedovanje povpraševanja po energiji", "napovedovanje povpraševanja po električni energiji", "napovedovanje obremenitve", "odziv na povpraševanje", "odziv na strani povpraševanja" in različice teh izrazov.

Tabela 5. Primeri uporabe tehnik globokega učenja na energetskem področju, s poudarkom na napovedovanju povpraševanja/obremenitve.

Iskanje je bilo omejeno na zadnjih 6 let. Odločitev o tem, kateri članki so bili končno vključeni v tabelo 5, so avtorji sprejeli po pregledu rezultatov iskanja in zagotavljanju, da je delo vključevalo uporabo modela globokega učenja za namene napovedovanja povpraševanja ali obremenitve.

7. Sklepi

Naraščajoče povpraševanje po energiji pritiska na električno omrežje, da uravnoteži ponudbo in povpraševanje. Pametna omrežja imajo lahko pomembno vlogo. V teh sistemih se podatki v zvezi z porabo energije redno zbirajo in analizirajo za pridobitev porabe energije. Dobljeni vzorci uporabe so lahko uporabni za napovedovanje povpraševanja in obremenitve. V kontekstu pametnih okolij je to zahtevna naloga, zato raziskovalci vanj vlagajo posebne napore.

Za soočanje z današnjimi izzivi napovedovanja povpraševanja, kjer pametna omrežja ustvarjajo velike količine podatkov, je treba uporabiti sodobne tehnike, ki temeljijo na podatkih. Modeli, ki temeljijo na globokem učenju, so dobra alternativa. Tradicionalno so se raziskave osredotočale na napovedovanje porabe energije odjemalcev z uporabo majhnih naborov preteklih podatkov, ki so na voljo o njihovem obnašanju. Vendar pa so trenutne raziskave, ki uporabljajo metode globokega učenja, pokazale boljšo učinkovitost kot običajne metode napovedovanja. Uporaba modelov globokega učenja vključuje uporabo velikih količin podatkov, kot so tisti, ki jih zagotavljajo različni nabori podatkov, ki jih izvajalci uporabljajo v delih, zbranih v tabeli 5. Dejstvo je, da pametna omrežja ustvarjajo velike količine podatkov, zato so tudi veliki podatki ključna tehnologija za premagovanje izzivov integracije obnovljivih virov energije, nihanja obremenitve in trajnostnega razvoja. Z uvajanjem obnovljivih virov v pametno omrežje se v sistem vnaša vse več spremenljivk in je potrebno obdelati več podatkov. To situacijo poslabšuje tudi postopno uvajanje električnih vozil, zato postajajo tudi te tehnologije Big Data vse bolj potrebne [124].

Dodatek Cistanche blizu mene - izboljšanje spomina

Kliknite tukaj za ogled izdelkov Cistanche Improve Memory

【Vprašajte za več】 E-pošta:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Izvedena študija je razkrila, da so najpogosteje uporabljeni modeli globokega učenja na področju energije za namene napovedovanja povpraševanja CNN, RNN, LSTM, DQN in CRBM ter različica katerega koli od njih, kombinacija dveh ali več njih, ali kombinacija katere koli od njih z drugimi tehnikami. Pomembni so CNN in njegove različice, kot je Pyramid-CNN [82,85,88,90,91,94,95,101,106,107,109,115,118,119,123], LSTM in njegove različice, kot je B-LSTM [80,82,86–88,91 ,93–95,99,100,103,104,106,107,109–113,118,119,122], in kombinacija obeh [82,88,91,94,95,106,107,109,118,119]. Resnične preskusne površine z visokokakovostnimi podatki niso običajne, vendar so potrebne za določitev učinkovitosti modelov globokega učenja. Pomembno je nadaljevati s testiranjem prihodnjih modelov globokega učenja, vključno z morebitnimi različicami in/ali kombinacijami dveh ali več modelov, za namene napovedovanja v kontekstu pametnih omrežij. Pomembno je tudi, da se ti testi izvajajo za različne scenarije. Še vedno so potrebni modeli globokega učenja, ki so sposobni avtomatskega napovedovanja obremenitev za različne vrste strank, prostore/zgradbe in različne vremenske razmere. Pomembno je preizkusiti delovanje globokega učenja, pa tudi ugotoviti, kateri model je najboljši za vsak scenarij.

Kar zadeva nabore podatkov, so izvajalci uporabili različne možnosti, pri čemer so izpostavili trg električne energije PJM [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] in REDD [21]. Številni pregledi napovedovanja na zahtevo/obremenitve v kontekstu pametnih omrežij se osredotočajo na uporabljene modele globokega učenja, vendar pozabijo na podatke. Da pa bi bila implementacija globokega učenja uspešna, so algoritmi enako dragoceni kot podatki. Pravzaprav bi bilo zaželeno, da bi raziskovalci vključili več informacij o podatkih, uporabljenih v svojih delih, pri čemer bi na primer obravnavali razdelitev podatkov o usposabljanju/validaciji/testiranju, interval vzorčenja podatkov, metodo za čiščenje podatkov itd. Omejitve uporabe modelov globokega učenja so pomanjkanje visokokakovostnih naborov podatkov iz resničnega sveta. Prihodnji trend bi bil verjetno premik poudarka z modela na podatke. Poleg tega avtorji predvidevajo integracijo interneta stvari v modele globokega učenja, ki se uporabljajo za napovedovanje povpraševanja/obremenitve. IoT omogoča demokratizacijo smisla. To odpira vznemirljive priložnosti v smislu visokokakovostnega zbiranja podatkov, kar je ključnega pomena v kontekstu napovedi povpraševanja/obremenitve. V zvezi s tem bi bil še en prihodnji trend razvoj integriranih sistemov, ki bi vključevali potrebno pridobivanje in predobdelavo podatkov.

Prednosti cistanche tubulosa - izboljšanje spomina

Nenazadnje je tudi izjemno, da so se raziskovalci v večini primerov osredotočili na kratkoročno napovedovanje.

Napovedovanje obremenitve je v kontekstu pametnih okolij zahtevna naloga. Zato raziskovalci vanj vlagajo posebne napore. Prave preskusne naprave z visokokakovostnimi podatki niso običajne, vendar so potrebne za določitev učinkovitosti modelov globokega učenja. Še vedno so potrebni modeli globokega učenja, ki so sposobni avtomatskega napovedovanja obremenitev za različne vrste strank, prostore/zgradbe in različne vremenske razmere.

Kaj počne cistanche - izboljša spomin

Reference

1. Butt, OM; Zulqarnain, M.; Butt, TM Nedavni napredek v tehnologiji pametnih omrežij: Prihodnji obeti v elektroenergetskem omrežju. Ain Shams inž. J. 2021, 12, 687–695. [CrossRef]

2. Cecati, C.; Mokrjani, G.; Piccolo, A.; Siano, P. Pregled koncepta pametnega omrežja. V zborniku IECON 2010—36th Annual Conference on IEEE Industrial Electronics Society, Glendale, CA, ZDA, 7.–10. november 2010; str. 3322–3327. 3. Vakulenko, I.; Saher, L.; Ljuljov, O.; Pimonenko, T. Sistematični pregled literature o pametnih omrežjih. V zborniku 1. konference o tradicionalnih in obnovljivih virih energije: Perspektive in paradigme za 21. stoletje (TRESP 2021), Praga, Češka, 22.–23. januar 2021; Zvezek 250. [CrossRef]

4. Yan, Y.; Qian, Y.; Sharif, H.; Tipper, D. Anketa o kibernetski varnosti za komunikacije pametnih omrežij. IEEE Commun. Surv. Tutor. 2012, 14, 998–1010. [CrossRef]

5. Shawkat Ali, ABM; Azad, SA Napovedovanje povpraševanja v pametnem omrežju. Tehnologija zelene energije. 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 Globoko učenje za inteligenten odziv na povpraševanje in pametna omrežja: obsežna raziskava. arXiv 2021. [CrossRef]

7. Ferreira, HC; Lampe, L.; Newbury, J.; Swart, TG Power Line Communications. Teorija in aplikacije za ozkopasovne in širokopasovne komunikacije prek daljnovodov; John Wiley in sinovi: Chichester, Združeno kraljestvo, 2010.

8. Vanting, NB; Ma, Z.; Jørgensen, BN Pregled obsega globokih nevronskih mrež za napovedovanje električne obremenitve. Energetika Inform. 2021, 4, 49. [CrossRef]

9. Hernández, L.; Baladrón, C.; Aguiar, JM; Carro, B.; Sánchez-Esguevillas, AJ; Lloret, J.; Massana, J. Anketa o napovedovanju povpraševanja po električni energiji: Prihodnji trendi v pametnih omrežjih, mikroomrežjih in pametnih zgradbah. IEEE Commun. Surv. Tutor. 2014, 16, 1460–1495. [CrossRef]

10. Javed, F.; Aršad, N.; Wallin, F.; Vasileva, I.; Dahlquist, E. Napovedovanje odziva na povpraševanje v pametnih omrežjih: analiza uporabe antropoloških in strukturnih podatkov ter kratkoročno napovedovanje večkratnih obremenitev. Appl. Energetika 2012, 96, 150–160. [CrossRef]

11. Khodayar, ME; Wu, H. Napovedovanje povpraševanja v paradigmi pametnega omrežja: značilnosti in izzivi. Elektr. J. 2015, 28, 51–62. [CrossRef]

12. Boža, P.; Evgeniou, T. Umetna inteligenca za podporo integracije spremenljivih obnovljivih virov energije v elektroenergetski sistem. 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. Integracija porazdeljenih energetskih virov. Koncept CERTS Microgrid. Bel papir. 2003. Dostopno na spletu: https://certs.lbl.gov/publications/integration-distributed-energy (dostopano 20. novembra 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, Španija, 2008.

15. Hoy, MB Pametne zgradbe: Uvod v knjižnico prihodnosti. med. Ref. Serv. Q. 2016, 35, 326–331. [CrossRef] [PubMed]

16. Fang, X.; Misra, S.; Xue, G.; Yang, D. Pametno omrežje – Novo in izboljšano električno omrežje: Anketa. IEEE Commun. Surv. Tutor. 2012, 14, 944–980. [CrossRef]

17. Singh, A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, DK Tehnike in metodologije napovedovanja obremenitve: pregled. V zborniku 2. mednarodne konference o napajanju, krmiljenju in vgrajenih sistemih (ICPCES), Allahabad, Indija, 17.–19. december 2012. [CrossRef]

18. Nti, IK; Teimeh, M.; Nyarko-Boateng, O.; Adekoya, AF Napovedovanje električne obremenitve: Sistematični pregled. J. Electr. Syst. Inf. Technol. 2020, 7, 13. [CrossRef]

19. Ahmed Mir, A.; Alghassab Kafait, M.; Ullah, K.; Ali Khan, Z.; Lu, Y.; Imran, M. Pregled napovedi povpraševanja po električni energiji v državah z nizkim in srednjim dohodkom: dejavniki povpraševanja in obzorja. Trajnost 2020, 12, 5931. [CrossRef]

20. Clements, AE; Hurn, AS; Li, Z. Napovedovanje obremenitve z električno energijo za dan vnaprej z uporabo pristopa časovnih vrst več enačb. EUR. J. Oper. Res. 2016, 251, 522–530. [CrossRef]

21. Hong, Y.; Zhou, Y.; Li, Q.; Xu, W.; Zheng, X. Metoda globokega učenja za kratkoročno napovedovanje stanovanjske obremenitve v pametnem omrežju. IEEE Access 2020, 8, 55785–55797. [CrossRef] 22. Phuangpornpitak, N.; Prommee, W. Študija modelov napovedovanja povpraševanja po obremenitvah pri obratovanju in načrtovanju elektroenergetskega sistema. GMSARN Int. J. 2016, 10, 19–24.

23. Xiao, L.; Shao, W.; Liang, T.; Wang, C. Kombinirani model, ki temelji na več sezonskih vzorcih in spremenjenem algoritmu fifireflfly za napovedovanje električne obremenitve. Appl. Energetika 2016, 167, 135–153. [CrossRef]

24. Xue, B.; Geng, J. Metoda dinamične prečne korekcije srednje- in dolgoročne energetske napovedi na podlagi statistike napak pri napovedovanju. V zborniku 10. konference o energiji in energiji (IPEC), Ho Chi Minh, Vietnam, 12.–14. december 2012; strani 253–256. [CrossRef]

25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Učinki različnih dejavnikov na napovedovanje električne obremenitve: Pregled. V zborniku mednarodnih konferenc IEEE Power India (PIICON), Delhi, Indija, 5.–7. december 2014; str. 1–5.

26. Hippert, HS; Pedreira, CE; Souza, RC Nevronske mreže za kratkoročno napovedovanje obremenitev: pregled in ocena. IEEE Trans. Power System 2001, 16, 44–55. [CrossRef]

27. Fahad, MU; Arbab, N. Dejavnik, ki vpliva na kratkoročno napovedovanje obremenitev. J. Tehnologija čiste energije. 2014, 2, 305–309. [CrossRef]

28. Novianto, D.; Gao, W.; Kuroki, S. Pregled življenjskega sloga ljudi in porabe energije v azijskih skupnostih: študija primera Indonezije, Tajske in Kitajske. Energy Power Eng. 2015, 7, 465. [CrossRef]

29. Hernández, L.; Baladrón, C.; Aguiar, JM; Calavia, L.; Carro, B.; Sánchez-Esguevillas, A.; García, P.; Lloret, J. Eksperimentalna analiza pomembnosti vhodnih spremenljivk za napovedovanje skupnega povpraševanja po električni energiji za naslednji dan z uporabo nevronskih mrež. Energije 2013, 6, 2927–2948. [CrossRef]

30. Issi, F.; Kaplan, O. Določanje profilov obremenitve in porabe energije gospodinjskih aparatov. Energije 2018, 11, 607. [CrossRef]

31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. Pristop analize profila električne obremenitve, ki temelji na podatkovnem rudarjenju časovnih vrst. IEEE Access 2020, 8, 209915–209925. [CrossRef] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Napovedovanje električne obremenitve na podlagi globokega učenja in optimizirano s hevrističnim algoritmom v pametnem omrežju. Appl. Energy 2020, 269, 114915. [CrossRef]

33. Gillies, DKA; Bernholtz, B.; Sandiford, PJ Nov pristop k napovedovanju dnevnih koničnih obremenitev. Trans. Am. Inst. Elektr. inž. Del III Power Appar. Syst. 1956, 75, 382–387. [CrossRef]

34. Park, DC; El-Sharkawi, MA; Marks II, RJ; Atlas, LE; Damborg, MJ Napovedovanje električne obremenitve z uporabo umetne nevronske mreže. IEEE Trans. Power System 1991, 6, 442–449. [CrossRef]

35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Aleksiadis, MC; Maissis, AH Model kratkoročne napovedi obremenitve nevronske mreže za grški elektroenergetski sistem. IEEE Trans. Power System 1995, 11, 858–863. [CrossRef]

36. Lu, C.-N.; Wu, H.-T.; Vemuri, S. Kratkoročno napovedovanje obremenitve na podlagi nevronske mreže. IEEE Trans. Power System 1993, 8, 336–342. [CrossRef] 37. Papalexopoulos, AD; Hao, S.; Peng, T.-M. Izvedba modela napovedovanja obremenitve, ki temelji na nevronski mreži, za EMS. IEEE Trans. Power System 1994, 9, 1956–1962. [CrossRef]

38. Wang, P. O definiranju umetne inteligence. J. Artif. Gen. Intell. 2019, 10, 1–37. [CrossRef]

39. Ongsulee, P. Umetna inteligenca, strojno učenje in globoko učenje. V zborniku 15. mednarodne konference o IKT in inženiringu znanja (ICT&KE), Bangkok, Tajska, 22.–24. november 2017; str. 1–6. [CrossRef]

40. Raz, AR; Llinas, J.; Mittu, R.; Lawless, WF Inženiring za nastanek informacijskih fuzijskih sistemov: pregled nekaterih izzivov. V skupnih kontekstih človek-stroj; Lawless, WF, Mittu, R., Sofge, DA, ur.; Academic Press: Cambridge, MA, ZDA, 2020; str. 241–255, ISBN 9780128205433. [CrossRef]

41. Cohen, S. Osnove strojnega učenja: strategije in tehnike. Umetna inteligenca in poglobljeno učenje v patologiji; Cohen, S., ur.; Elsevier: Amsterdam, Nizozemska, 2021; str. 13–40, ISBN 9780323675383. [CrossRef]

42. Bonetto, R.; Latzko, V. Strojno učenje. V Računalništvo v komunikacijskih omrežjih, od teorije do prakse; Fitzek, FHP, Granelli, F., Seeling, P., ur.; Academic Press: Cambridge, MA, ZDA, 2020; str. 135–167, ISBN 9780128204887. [CrossRef]

43. Delua, J. Nadzorovano proti nenadzorovanemu učenju: Kakšna je razlika? 2021. Dostopno na spletu: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (dostopano 15. novembra 2022).

44. Sarker, IH Strojno učenje: Algoritmi, aplikacije v resničnem svetu in raziskovalne smeri. SN Comput. Sci. 2021, 2, 160. [CrossRef] [PubMed]

45. Choi, RY; Coyner, AS; Kalpathy-Cramer, J.; Chiang, MF; Campbell, JP Uvod v strojno učenje, nevronske mreže in globoko učenje. prevod Vis. Sci. Technol. 2020, 9, 14. [CrossRef]

46. ​​Alloghani, M.; Al-Jumeily, D.; Mustafifina, J.; Hussain, A.; Aljaaf, AJ Sistematični pregled nadziranih in nenadzorovanih algoritmov strojnega učenja za podatkovno znanost. V nadzorovanem in nenadzorovanem učenju za podatkovno znanost; Berry, M., Mohamed, A., Yap, B., ur.; Springer: Cham, Švica, 2020; str. 3–21. [CrossRef]

47. Satinet, C.; Fouss, F. Nadzorovani klasifikacijski okvir strojnega učenja za trajnost oblačilnih izdelkov. Trajnost 2022, 14, 1334. [CrossRef]

48. Jiang, T.; Gradus, JL; Rosellini, AJ Nadzorovano strojno učenje: Kratek uvod. Obnašaj se. Ther. 2020, 51, 675–687. [CrossRef] [PubMed]

49. El Bouchefry, K.; de Souza, RS Učenje v velikih podatkih: Uvod v strojno učenje. Pri odkrivanju znanja v velikih podatkih iz astronomije in opazovanja Zemlje; Škoda, P., Adam, F., ur.; Elsevier: Amsterdam, Nizozemska, 2020; str. 225–249, ISBN 9780128191545. [CrossRef]

50. Uddamari, N.; Ubbana, J. Študija o analizi algoritmov nenadzorovanega učenja v strojnem učenju. Turk. J. Računalništvo. matematika Izobraževanje 2021, 12, 6774–6782.

51. Khanum, M.; Mahboob, T.; Imtiaz, W.; Ghafoor, H.; Sehar, R. Raziskava o algoritmih nenadzorovanega strojnega učenja za avtomatizacijo, klasifikacijo in vzdrževanje. Int. J. Računalništvo. Appl. 2015, 119, 34–39. [CrossRef]

52. Avinaš, K.; William, G.; Ryan, B. Odkrivanje omrežnih napadov z uporabo nenadzorovanega algoritma strojnega učenja. V zborniku havajske mednarodne konference o sistemskih znanostih (HICSS), Maui, HI, ZDA, 7.–10. januar 2020. [CrossRef]

53. Chen, Y.; Kong, R.; Kong, L. Uporaba umetne inteligence v astronomskih velikih podatkih. V Veliki podatki v astronomiji; Kong, L., Huang, T., Zhu, Y., Yu, S., ur.; Elsevier: Amsterdam, Nizozemska, 2020; str. 347–375, ISBN 9780128190845. [CrossRef]

54. Van Engelen, JE; Hoos, HH Anketa o delno nadzorovanem učenju. Mach. Naučite se. 2020, 109, 373–440. [CrossRef]

55. ZhongKaizhu, G.; Huang, H. Polnadzorovano učenje: ozadje, aplikacije in prihodnje smeri; Nova Science Publishers: New York, NY, ZDA, 2018.

56. Huynh, T.; Nibali, A.; He, Z. Polnadzorovano učenje za klasifikacijo medicinskih slik z uporabo neuravnoteženih podatkov o usposabljanju. Računalništvo. Metode Programi Biomed. 2022, 216, 106628. [CrossRef]

58. Kaur, A.; Gourav, K. Študija aplikacij za krepitev učenja in njenih algoritmov. Int. J. Sci. Technol. Res. 2020, 9, 4223–4228.

58. Mohammed, M.; Khan, MB; Bashier Mohammed, BE Strojno učenje: Algoritmi in aplikacije; CRC Press: Boca Raton, FL, ZDA, 2016.

59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. Pregled algoritmov učenja okrepitve za upravljanje predaje v ultra-gostih malih celičnih omrežjih 5G. Appl. Sci. 2022, 12, 426. [CrossRef]

60. Liu, S.; Glej KC; Ngiam, KY; Celi, LA; Sonce, X.; Feng, M. Okrepitveno učenje za podporo pri kliničnem odločanju v intenzivni negi: Celovit pregled. J. Med. Internet Res. 2020, 22, e18477. [CrossRef] [PubMed]

61. Hao, X.; Zhang, G.; Ma, S. Globoko učenje. Int. J. Semant. Računalništvo. 2016, 10, 417–439. [CrossRef]

62. Nichols, JA; Herbert Chan, HW; Baker, M. Strojno učenje: aplikacije umetne inteligence za slikanje in diagnozo. Biophys. Rev. 2019, 11, 111–118. [CrossRef]

63. Sadiq, R.; Rodríguez, MJ; Mian, HR Empirični modeli za napovedovanje stranskih produktov dezinfekcije (DBP) v pitni vodi: posodobljen pregled. V Encyclopedia of Environmental Health, 2. izdaja; Nriagu, J., ur.; Elsevier: Amsterdam, Nizozemska, 2019; str. 324–338, ISBN 978-0-444-63952-3.

64. Teuwen, J.; Moriakov, N. Konvolucijske nevronske mreže. V Handbook of Medical Image Computing and Computer Assisted Intervention; Zhou, SK, Rueckert, D., Fichtinger, G., ur.; Elsevier: Amsterdam, Nizozemska, 2020; str. 481–501, ISBN 9780128161760. [CrossRef]

65. He, Z. Globoko učenje pri klasifikaciji slik: poročilo o raziskavi. V zborniku 2. mednarodne konference o informacijski tehnologiji in računalniških aplikacijah (ITCA), Guangzhou, Kitajska, 18.–20. december 2020; strani 174–177. [CrossRef]

66. Khan, A.; Sohail, A.; Zahoora, U.; Qureshi, AS Pregled novejših arhitektur globokih konvolucijskih nevronskih mrež. Artif. Intell. Rev. 2020, 53, 5455–5516. [CrossRef]

67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. O lastnostih nevronskega strojnega prevajanja: pristopi kodirnik-dekoder. arXiv 2014, arXiv:1409.1259.

68. Elman, J. Iskanje strukture v času. Cogn. Sci. 1990, 14, 179–211. [CrossRef]

69. Toha, SF; Tokhi, MO MLP in Elman Modeliranje ponavljajoče se nevronske mreže za TRMS. V zborniku 7. mednarodne konference IEEE o kibernetskih inteligentnih sistemih, London, Združeno kraljestvo, 9.–10. september 2008; str. 1–6. [CrossRef]

70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Kratkoročno napovedovanje pretoka potnikov v železniškem tranzitu na podlagi nevronske mreže dolgega kratkoročnega spomina. V zborniku Mednarodne konference o inteligentnem železniškem prometu (ICIRT), Singapur, 12.–14. december 2018; str. 1–5. [CrossRef]

71. Zhao, Z.; Liang, Y.; Jin, X. Ravnanje z obsežnim akcijskim prostorom v omrežju Deep Q. V zborniku Mednarodne konference o umetni inteligenci in velikih podatkih (ICAIBD), Chengdu, Kitajska, 26.–28. maj 2018; strani 93–96. [CrossRef]

72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Priporočilo, ki temelji na Boltzmannovem stroju, ki se zaveda poklica uporabnika. V zborniku mednarodnih konferenc IEEE o internetu stvari (iThings) in IEEE Green Computing and Communications (GreenCom) ter IEEE Cyber, Physical and Social Computing (CPSCom) in IEEE Smart Data (SmartData), Chengdu, Kitajska, 15.–18. december 2016; str. 454–461. [CrossRef]

73. Taylor, GW; Hinton, GE; Roweis, ST Dva modela porazdeljenih stanj za generiranje visokodimenzionalnih časovnih vrst. J. Mach. Naučite se. Res. 2011, 12, 1025–1068.

74. Hinton, GE; Osindero, S.; Teh, YW Algoritem za hitro učenje za mreže globokih prepričanj. Nevronsko računalništvo. 2006, 18, 1527–1554. [CrossRef]

75. Bedi, G.; Venayagamoorthy, GK; Singh, R. Razvoj gradbenega okolja, ki temelji na IoT, za napovedovanje porabe električne energije. IEEE Internet Things J. 2020, 7, 4912–4921. [CrossRef]

76. Timur, O.; Zor, K.; Çelik, Ö.; Teke, A.; ˙Ibrikçi, T. Uporaba statističnih tehnik in tehnik umetne inteligence za srednjeročno napovedovanje električne energije: študija primera za regionalno bolnišnico. J. Sustain. Dev. Energija Voda Okolje. Syst. 2020, 8, 520–536. [CrossRef]

78. Selvi, MV; Mishra, S. Preiskava vpliva vremena pri napovedovanju električne energije za dan vnaprej na uro z novo arhitekturo, realizirano v tehnikah umetne nevronske mreže multivariatne linearne regresije. V zborniku 8. indijske mednarodne konference o močnostni elektroniki (IICPE) IEEE, Jaipur, Indija, 13.–15. december 2018.

79. Selvi, MV; Mishra, S. Raziskava učinkovitosti napovedovanja moči električne obremenitve v več časovnih obdobjih z novo arhitekturo, realizirano v multivariatni linearni regresiji in tehnikah nevronske mreže s posredovanjem podatkov. IEEE Trans. Ind. Appl. 2020, 56, 5603–5612. [CrossRef]

79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Integrirani pristop k izbiri funkcij, ki temelji na strojnem učenju, za izboljšano napovedovanje povpraševanja po električni energiji v decentraliziranih energetskih sistemih. IEEE Access 2019, 7, 91463–91475. [CrossRef]

80. Wen, L.; Zhou, K.; Yang, S. Napovedovanje povpraševanja po obremenitvah stanovanjskih stavb z uporabo modela globokega učenja. Elektr. Power System Res. 2020, 179, 106073. [CrossRef]

81. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM. Uporaba poglobljenega učenja in meteoroloških parametrov za napoved intervala izhodne moči fotonapetostnih generatorjev znotraj ure za nadzor pametnega omrežja. Energy 2022, 239, 122116. [CrossRef]

82. Taleb, I.; Guerard, G.; Fauberteau, F.; Nguyen, NA Prilagodljiva metoda globokega učenja za napovedovanje energije. Energije 2022, 15, 3926. [CrossRef]

83. Xu, A.; Tian, ​​M.-W.; Firouzi, B.; Alattas, KA; Mohammadzadeh, A.; Ghaderpour, E. Nov omejen Boltzmannov stroj za globoko učenje za napovedovanje porabe energije. Trajnost 2022, 14, 10081. [CrossRef]

84. Yem Souhe, FG; Franklin Mbey, C.; Teplaira Boum, A.; Ele, P.; Foba Kakeu, VJ Hibridni model za napovedovanje porabe električne energije v pametnem omrežju. J. inž. 2022, 6, 629–643. [CrossRef]

85. Aurangzeb, K.; Alhussein, M.; Javed, K.; Haider, SI Model poglobljenega učenja, ki temelji na piramidi CNN, za napovedovanje obremenitve električne energije odjemalcev energije s podobnim profilom na podlagi združevanja v gruče. IEEE Access 2021, 9, 14992–15003. [CrossRef]

86. Jahangir, H.; Tayarani, H.; Gougheri, SS; Golkar, mag.; Ahmadian, A.; Elkamel, A. Pristop napovedovanja, ki temelji na globokem učenju, v pametnih omrežjih z mikro grozdenjem in dvosmernim omrežjem LSTM. IEEE Trans. Ind. Electron. 2021, 68, 8298–8309. [CrossRef]

87. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, podpredsednik Učinkovito napovedovanje stanovanjske obremenitve z uporabo pristopa globokega učenja. Int. J. Računalništvo. Appl. Technol. 2022, 68, 205–214. [CrossRef]

88. Rosato, A.; Araneo, R.; Andreotti, A.; Panella, M. 2-D Konvolucijska globoka nevronska mreža za večvariatno napovedovanje časovnih vrst energije. V zborniku 2019 IEEE International Conference on Environment and Electrical Engineering in 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), Genova, Italija, 11.–14. junij 2019.

89. Zhang, X.; Biagioni, D.; Cai, M.; Graf, P.; Rahman, S. Integrirana rešitev v robnem oblaku za odziv na povpraševanje zgradb z uporabo okrepljenega učenja. IEEE Trans. Pametno omrežje 2020, 12, 420–431. [CrossRef]

90. Aurangzeb, K.; Al-Hussein, M. Ogrodje globokega učenja za kratkoročno napovedovanje obremenitve električne energije, študija primera posameznega gospodinjskega odjemalca energije. V zborniku Mednarodne konference o napredku nastajajočih računalniških tehnologij (AECT) leta 2019, Al Madinah Al Munawwarah, Savdska Arabija, 10. februar 2020.

91. Escobar, E.; Rodríguez Licea, MA; Rostro-Gonzalez, H.; Espinoza Calderon, A.; Barranco Gutiérrez, AI; Pérez-Pinal, FJ Primerjalna analiza večvariabilnih modelov poglobljenega učenja za napovedovanje v pametnih omrežjih. V zborniku 2020 mednarodnega jesenskega srečanja IEEE o energiji, elektroniki in računalništvu (ROPEC), Ixtapa, Mehika, 4.–6. november 2020. [CrossRef]

92. Hafeez, G.; Alimgeer, KS; Wadud, Z.; Shafifiq, Z.; Ali Khan, MU; Khan, I.; Khan, FA; Derhab, A. Nov natančen in hitro konvergenten model, ki temelji na globokem učenju, za napovedovanje porabe električne energije v pametnem omrežju. Energije 2020, 13, 2244. [CrossRef]

93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Napovedovanje povpraševanja po električni energiji za pametna omrežja na podlagi pristopa globokega učenja. V zborniku 2020 5. mednarodne konference o zeleni tehnologiji in trajnostnem razvoju (GTSD), Ho Chi Minh City, Vietnam, 27.–28. november 2020; strani 353–357. [CrossRef]

94. Rosato, A.; Succetti, F.; Araneo, R.; Andreotti, A.; Mitolo, M.; Panella, M. Kombinirani pristop poglobljenega učenja za napovedovanje časovnih vrst v energetskih okoljih. V zborniku 2020 IEEE/IAS 56th Industrial and Commercial Power Systems Technical Conference (I&CPS), Las Vegas, NV, ZDA, 29. junij–28. julij 2020.

95. Qi, X.; Zheng, X.; Chen, Q. Kratkoročno napovedovanje obremenitve integriranega energetskega sistema na podlagi CNN-LSTM. V zborniku Mednarodne konference o energiji, okolju in bioinženiringu 2020 (ICEEB 2020), Xi'an, Kitajska, 7.–9. avgust 2020; Letnik 185, str. 01032. [CrossRef]

96. Wang, B.; Li, Y.; Ming, W.; Wang, S. Metoda učenja z globoko okrepitvijo za upravljanje odziva na povpraševanje prekinljive obremenitve. IEEE Trans. Pametno omrežje 2020, 11, 3146–3155. [CrossRef]

97. Wen, L.; Zhou, K.; Li, J.; Wang, S. Spremenjeno globoko učenje in učenje s krepitvijo za model odziva na povpraševanje, ki temelji na spodbudah. Energy 2020, 205, 118019. [CrossRef]

98. Yang, Y.; Li, W.; Gulliver, TA; Li, S. Bayesovo verjetnostno napovedovanje obremenitve v pametnih omrežjih na podlagi globokega učenja. IEEE Trans Ind. Inf. 2020, 16, 4703–4713. [CrossRef]

99. Amin, P.; Čerkasova, L.; Aitken, R.; Kache, V. Avtomatizacija modeliranja in napovedovanja povpraševanja po energiji z uporabo podatkov pametnega števca. V zborniku 2019 mednarodnega kongresa IEEE o internetu stvari (ICIOT), Milano, Italija, 8.–13. julij 2019.

100. Atef, S.; Eltawil, AB Primerjalna študija z uporabo globokega učenja in podporne vektorske regresije za napovedovanje cen električne energije v pametnih omrežjih. V zborniku 6. mednarodne konference IEEE o industrijskem inženirstvu in aplikacijah (ICIEA), Tokio, Japonska, 12.–15. april 2019; strani 603–607. [CrossRef]

101. Chan, S.; Oktavianti, I.; Puspita, V. CNN za globoko učenje in SVM, prilagojen z AI za napovedovanje porabe električne energije: podatki o večvariantnih časovnih serijah. V zborniku 10. letne konference IEEE o informacijski tehnologiji, elektroniki in mobilnih komunikacijah (IEMCON) 2019, Vancouver, BC, Kanada, 17.–19. oktober 2019.

102. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, QZ Napovedovanje električne obremenitve za dan naprej z inteligentnim hibridnim modelom, ki temelji na poglobljenem učenju za pametno omrežje. V zborniku 14. mednarodne konference o kompleksnih, inteligentnih in programsko intenzivnih sistemih (CISIS-2020), Lodž, Poljska, 1.–3. julij 2020.

103. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Pametno upravljanje energije v omrežju z uporabo RNN-LSTM: pristop, ki temelji na poglobljenem učenju. V zborniku konference IEEE Global Communications Conference (GLOBECOM), Big Island, HI, ZDA, 9.–13. december 2019; str. 1–6. [CrossRef]

104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Uporaba dolgotrajnega kratkoročnega spomina globokega učenja pri napovedovanju povpraševanja po energiji. Komun. Računalništvo. Inf. Sci. 2019, 1000, 31–42. 105. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Polurno napovedovanje električne obremenitve z uporabo konvolucijske nevronske mreže. Inovativne mobilne in internetne storitve v vseprisotnem računalništvu; Barolli, L., Xhafa, F., Hussain, O., ur.; Springer: Cham, Švica; Zvezek 994. [CrossRef]

106. Kim, TY; Cho, SB Napovedovanje stanovanjske porabe energije z uporabo nevronskih mrež CNN-LSTM. Energetika 2019, 182, 72–81. [CrossRef]

107. Kim, T.; Cho, S. Omrežja CNN-LSTM za napovedovanje porabe energije, ki temeljijo na optimizaciji roja delcev. V zborniku 2019 IEEE Congress on Evolutionary Computation (CEC), Wellington, Nova Zelandija, 10.–13. junij 2019.

108. Lu, R.; Hong, SH Na podlagi spodbud odziv na povpraševanje po pametnem omrežju z učenjem okrepitve in globoko nevronsko mrežo. Appl. Energija 2019, 236, 937–949. [CrossRef]

109. Pramono, SH; Rohmatillah, M.; Maulana, E.; Hasanah, RN; Hario, F. Na poglobljenem učenju temelječe kratkoročno napovedovanje obremenitve za podporo programa odzivanja na povpraševanje v hibridnem energetskem sistemu. Energije 2019, 12, 3359. [CrossRef]

110. Rahman, S.; Alam, MGR; Rahman, MM Metoda ansambla, ki temelji na poglobljenem učenju, za napovedovanje povpraševanja po energiji v gospodinjstvu pametnega doma. V zborniku 2019 22nd mednarodne konference o računalniški in informacijski tehnologiji (ICCIT), Daka, Bangladeš, 18.–20. december 2019.

111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Model povprečnih ansamblov za napovedovanje kratkoročne obremenitve v pametnih omrežjih. V zborniku mednarodnih konferenc IEEE o velikih podatkih (Big Data), Los Angeles, CA, ZDA, 9.–12. december 2019; str. 2931–2938. [CrossRef]

112. Ustundag Soykan, E.; Bilgin, Z.; Ersoy, MA; Tomur, E. Diferencialno zasebno globoko učenje za napovedovanje obremenitve v pametnem omrežju. V zborniku 2019 delavnic IEEE Globecom (GC Wkshps), Waikoloa, HI, ZDA, 9.–13. december 2019; str. 1–6. [CrossRef]

113. Vesa, AV; Ghitescu, N.; Pop, C.; Antal, M.; Cioara, T.; Angel, IA; Salomie, I. Stacking Ulti-Learning Ensemble Model za napovedovanje povpraševanja po porabi energije v skoraj realnem času stanovanjskih stavb. V zborniku 2019 15. mednarodne konference IEEE o inteligentni računalniški komunikaciji in obdelavi (ICCP), Cluj-Napoca, Romunija, 5.–7. september 2019.

114. Yang, Y.; Hong, W.; Li, S. Verjetnostno napovedovanje obremenitve v pametnih omrežjih, ki temelji na globokem ansambelskem učenju. Energy 2019, 189, 116324. [CrossRef]

115. Zahid, M.; Ahmed, F.; Javaid, N.; Abbasi, RA; Zainab Kazmi, HS; Javaid, A.; Bilal, M.; Akbar, M.; Ilahi, M. Cena električne energije in napovedovanje obremenitve z uporabo izboljšane regresije podpornih vektorjev z izboljšano konvolucijsko nevronsko mrežo v pametnih omrežjih. Elektronika 2019, 8, 122. [CrossRef]

116. Ouyang, T.; Zdravo.; Li, H.; Sonce, Z.; Baek, S. Modeliranje in napovedovanje kratkoročne obremenitve moči z modelom kopule in mrežo globokih prepričanj. IEEE Trans. Emerg. Vrh. Računalništvo. Intell. 2019, 3, 127–136. [CrossRef]

117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rehman, AU; Ullah, Z. Kratkoročno napovedovanje obremenitve na podlagi poglobljenega učenja za aplikacije pametnih omrežij. V zborniku 12. mednarodne konference o inovativnih mobilnih in internetnih storitvah v vseprisotnem računalništvu (IMIS-2018), Matsue, Japonska, 4.–6. julij 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Konvolucijske nevronske mreže za napovedovanje energetskih časovnih vrst. V zborniku Mednarodne skupne konference o nevronskih mrežah (IJCNN) 2018, Rio de Janeiro, Brazilija, 8.–13. julij 2018.

119. Kuo, PH; Huang, CJ Visoko natančen model umetnih nevronskih mrež za napovedovanje kratkoročne energetske obremenitve. Energije 2018, 11, 213. [CrossRef]

120. Shi, H.; Xu, M.; Li, R. Poglobljeno učenje o napovedovanju obremenitve gospodinjstev – nova združevanje globokih RNN. IEEE Trans Smart Grid 2018, 9, 5271–5280. [CrossRef]

121. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Globoka napoved: Globoko prostorsko-časovno napovedovanje na osnovi učenja. arXiv 2017. [CrossRef]

122. Jarábek, T.; Laurinec, P.; Lucká, M. Napoved energetske obremenitve z uporabo globokih nevronskih mrež S2S z združevanjem v gruče v obliki črke K. V zborniku 2017 IEEE 14th International Scientific Conference on Informatics 2017, Poprad, Slovaška, 14.–16. november 2017.

123. Li, L.; Ota, K.; Dong, M. Vse je Slika: Kratkoročno napovedovanje električne obremenitve za pametno omrežje na podlagi CNN. V zborniku 2017 14th International Symposium on Pervasive Systems, Algorithms, and Networks & 2017 11th International Conference on Frontier of Computer Science and Technology & 2017 Third International Symposium of Creative Computing (ISPAN-FCST-ISCC ), Exeter, Združeno kraljestvo, 21.–23. junij 2017; strani 344–351. [CrossRef]

124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Študija ključnih tehnologij velikih podatkov o električni energiji in možnosti njihove uporabe v pametnem omrežju. V zborniku IEEE PES azijsko-pacifiške konference o energiji in energetskem inženirstvu (APPEEC), Hong Kong, Kitajska, 7.–10. december 2014; str. 1–4. [CrossRef]