Uvid u predviđanje potražnje temeljeno na dubokom učenju u pametnim mrežama (2)

5.2.5. Uvjetno ograničeni Boltzmannov stroj

Ograničeni Boltzmannov stroj (RBM) stohastički je RNN s dva sloja, jedan s vidljivim jedinicama i jedan s binarnim skrivenim jedinicama. Ova vrsta mreže može naučiti distribuciju vjerojatnosti preko skupa ulaza. RBM su varijanta Boltzmannovih strojeva (BM) i mogu biti u nadziranom ili nenadziranom načinu rada, ovisno o zadatku koji treba izvršiti.

Kineska biljka cistanche - poboljšava pamćenje

Kada su BM-ovi ograničeni, par čvorova iz svake od dvije grupe jedinica (vidljive i skrivene) može imati simetričnu vezu između sebe, ali ne postoje veze između čvorova u istoj grupi, što omogućuje učinkovitiju obuku. S druge strane, neograničeni BM-ovi mogu imati veze između skrivenih jedinica.

RBM se sastoji od m vidljivih jedinica V=(v1, . . . , vm) koje predstavljaju vidljive podatke i n skrivenih jedinica H=(h1, . . . , hn) koje hvataju ovisnosti između vidljivih varijabli, s jedinice uvjetnog sloja F=(f 1, . . . , fp), kao što je prikazano na slici 5 [72].

gdje m predstavlja broj stavki koje je korisnik ocijenio; H je broj skrivenih slojeva; F je broj uvjetnih slojeva; K je visoka ocjena; vki je binarna vrijednost jedinice vidljivog sloja I i ocjene k; hj je binarna vrijednost skrivene jedinice j; fq je binarna vrijednost uvjetnog sloja F; bi k je pristranost ocjene k s jedinicom vidljivog sloja I; bj je pristranost značajke j; Wk ij je vezana težina između skrivenog sloja H i vidljivog sloja V; D je vezana težina između skrivenog sloja H i uvjetnog sloja F; Dqj je povezana težina između skrivene značajke j i jedinice uvjetnog sloja q.

Slika 5. Ograničeni Boltzmannov stroj [73.

U [73], autori su predstavili faktorizirane uvjetovane ograničene Boltzmannove strojeve (FCRBM) dodavanjem koncepta faktoriziranih, multiplikativnih i trosmjernih interakcija za predviđanje višestrukih ljudskih stilova kretanja.

Konačno, mreže dubokih uvjerenja (DBN) formiraju nekoliko RBM-ova naslaganih jedan na drugi [74]

6. Modeli dubokog učenja i predviđanje potražnje u kontekstu pametnih mreža

Istraživači su predložili modele predviđanja u dva glavna područja u kojima se mogu primijeniti tehnike dubokog učenja [8]: (1) upravljanje potražnjom (npr. [75,76]) i (2) kontrola mreže (npr. [77-79]) .

Zbog rastuće potražnje za energijom iz različitih sektora, ponuda i potražnja moraju biti uravnoteženi u električnoj mreži. U ovom scenariju pametne mreže mogu igrati važnu ulogu osiguravajući dvosmjerni protok energije između potrošača i komunalnih poduzeća. Za razliku od tradicionalnih električnih mreža, pametne mreže imaju sofisticirane senzorske uređaje koji generiraju podatke iz kojih se mogu izvesti obrasci energije. Ovi obrasci su izuzetno korisni za predviđanje opterećenja, smanjenje vršne potrošnje i upravljanje odgovorom na potražnju.

Cistanche prašak za zdravlje - poboljšava pamćenje

Budući da je količina podataka koju generira pametna mreža ogromna i stalno raste, modeli temeljeni na dubokom učenju dobra su opcija za razumijevanje obrazaca potrošnje i izradu prognoza. Istraživači su proučavali mogućnosti korištenja modela dubokog učenja, pri čemu LSTM mreže igraju vodeću ulogu (npr. [32,57,80])

Tablica 5 sažima različite radove u kojima su praktičari uspješno koristili tehnike dubokog učenja u svrhe predviđanja. Ta su iskustva identificirana nakon sustavnog pregleda objavljene literature. Pretraga referenci provedena je u različitim znanstvenim bazama podataka (npr. ScienceDirect, SpringerLink, IEEExplore itd.). Također su pregledani radovi iz raznih relevantnih znanstvenih časopisa kao što su Energy Informatics, IEEE Transactions on Smart Grid, Energies i Applied Energy. Upotrijebljene ključne riječi uključuju: pojmove poput Deep Learning, ANN, neuronske mreže i nazive različitih modela Deep Learninga, pune i akronime (npr. mreže dugog kratkoročnog pamćenja i LSTM),

u kombinaciji (AND) s pojmovima koji se odnose na energetsko polje, točnije, "predviđanje potražnje za energijom", "predviđanje potražnje za električnom energijom", "predviđanje opterećenja", "odgovor na potražnju", "odgovor na strani potražnje" i varijacije ovih izraza.

Tablica 5. Primjeri primjene tehnika dubokog učenja u domeni energije, s fokusom na predviđanje potražnje/opterećenja.

Potraga je bila ograničena na zadnjih 6 godina. Odluku o tome koji su članci konačno uključeni u tablicu 5 donijeli su autori nakon što su pregledali rezultate pretraživanja i osigurali da rad uključuje upotrebu modela dubokog učenja u svrhu predviđanja potražnje ili opterećenja.

7. Zaključci

Sve veća potražnja za energijom vrši pritisak na električnu mrežu da uravnoteži ponudu i potražnju. Pametne mreže mogu igrati važnu ulogu. U tim se sustavima podaci koji se odnose na korištenje energije redovito prikupljaju i analiziraju kako bi se dobila potrošnja energije. Dobiveni obrasci korištenja mogu biti korisni za predviđanje potražnje i opterećenja. To je izazovan zadatak u kontekstu pametnih okruženja, zbog čega istraživači ulažu posebne napore u ovo.

Kako bi se odgovorilo na današnje izazove predviđanja potražnje, gdje pametne mreže generiraju velike količine podataka, potrebno je koristiti suvremene tehnike vođene podacima. Modeli temeljeni na dubokom učenju dobra su alternativa. Tradicionalno, istraživanja su bila usmjerena na predviđanje potrošnje energije korisnika koristeći male povijesne skupove dostupnih podataka o njihovom ponašanju. Međutim, trenutačno istraživanje koje primjenjuje metode dubokog učenja pokazalo je bolje rezultate od konvencionalnih metoda predviđanja. Korištenje modela dubokog učenja uključuje korištenje velikih količina podataka, poput onih koje pružaju različiti skupovi podataka koje koriste praktičari u radovima prikupljenim u tablici 5. Činjenica je da pametne mreže generiraju velike količine podataka, pa je i Big Data ključna tehnologija za prevladavanje izazova integracije obnovljivih izvora energije, fluktuacije opterećenja i održivog razvoja. Uvođenjem obnovljivih izvora energije u pametnu mrežu u sustav se unosi sve veći broj varijabli i potrebno je obraditi više podataka. Ovu situaciju pogoršava i postupno uvođenje električnih vozila, pa i ove Big Data tehnologije postaju sve potrebnije [124].

Suplement Cistanche blizu mene-Poboljšava pamćenje

Kliknite ovdje za pregled proizvoda Cistanche Improve Memory

【Tražite više】 E-pošta:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Provedena studija otkrila je da su najčešće korišteni modeli dubokog učenja u energetskoj domeni za potrebe predviđanja potražnje CNN-ovi, RNN-ovi, LSTM, DQN-ovi i CRBM, te varijacije bilo kojeg od njih, kombinacija dva ili više njih, ili kombinacija bilo koje od njih s drugim tehnikama. Značajni su CNN i njegove varijacije kao što je Pyramid-CNN [82,85,88,90,91,94,95,101,106,107,109,115,118,119,123], LSTM i njegove varijacije kao što je B-LSTM [80,82,86–88,91 ,93–95,99,100,103,104,106,107,109–113,118,119,122], te kombinacija oba [82,88,91,94,95,106,107,109,118,119]. Prave testne površine s visokokvalitetnim podacima nisu uobičajene, ali su neophodne za određivanje izvedbe modela dubokog učenja. Važno je nastaviti s testiranjem budućih modela dubokog učenja, uključujući potencijalne varijacije i/ili kombinacije dva ili više modela, za potrebe predviđanja u kontekstu pametnih mreža. Također je važno da se ti testovi provode za različite scenarije. Još uvijek su potrebni modeli dubokog učenja sposobni za automatsko predviđanje opterećenja za različite vrste kupaca, prostore/zgrade i različite vremenske uvjete. Važno je testirati performanse Deep Learninga, ali i odrediti koji je model najbolji za svaki scenarij.

Što se tiče skupova podataka, praktičari su koristili različite opcije, ističući tržište 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] i REDD [21]. Mnoge recenzije predviđanja na zahtjev/opterećenja u kontekstu pametnih mreža fokusiraju se na korištene modele dubokog učenja, ali zaboravljaju na podatke. Međutim, da bi implementacija dubokog učenja bila uspješna, algoritmi su jednako vrijedni kao i podaci. Zapravo, bilo bi poželjno da istraživači uključe više informacija o podacima korištenim u svojim radovima, baveći se, na primjer, podjelom podataka o obuci/validaciji/testiranju, intervalu uzorkovanja podataka, metodi za čišćenje podataka, itd. Jedan od ograničenja korištenja modela dubokog učenja nedostatak je visokokvalitetnih skupova podataka iz stvarnog svijeta. Budući trend vjerojatno bi bio prebacivanje naglaska s modela na podatke. Nadalje, autori predviđaju integraciju IoT-a u modele dubokog učenja koji se koriste za predviđanje potražnje/opterećenja. IoT omogućuje demokratizaciju smisla. Ovo otvara uzbudljive mogućnosti u smislu visokokvalitetnog prikupljanja podataka, što je ključno u kontekstu predviđanja potražnje/opterećenja. S tim u vezi, još jedan budući trend bio bi razvoj integriranih sustava koji uključuju potrebno prikupljanje i pretprocesiranje podataka.

Prednosti cistanche tubulosa-Poboljšava pamćenje

Konačno, također je značajno da su se istraživači u većini slučajeva usredotočili na kratkoročno predviđanje.

Predviđanje opterećenja je izazovan zadatak u kontekstu pametnih okruženja. Stoga istraživači ulažu posebne napore u to. Prave testne površine s visokokvalitetnim podacima nisu uobičajene, ali su neophodne za određivanje izvedbe modela dubokog učenja. Još uvijek su potrebni modeli dubokog učenja sposobni za automatsko predviđanje opterećenja za različite vrste kupaca, prostore/zgrade i različite vremenske uvjete.

Što čini cistanche- Poboljšava pamćenje

Reference

1. Butt, OM; Zulqarnain, M.; Butt, TM Nedavni napredak u tehnologiji pametne mreže: budući izgledi u mreži električne energije. Ain Shams eng. J. 2021, 12, 687–695. [CrossRef]

2. Cecati, C.; Mokrjani, G.; Piccolo, A.; Siano, P. Pregled koncepta pametne mreže. U zborniku IECON 2010—36. godišnje konferencije IEEE Industrial Electronics Society, Glendale, CA, SAD, 7.-10. studenog 2010.; str. 3322–3327. 3. Vakulenko, I.; Saher, L.; Lyulyov, O.; Pimonenko, T. Sustavni pregled literature o pametnim mrežama. U zborniku radova 1. konferencije o tradicionalnim i obnovljivim izvorima energije: Perspektive i paradigme za 21. stoljeće (TRESP 2021.), Prag, Češka, 22. – 23. siječnja 2021.; Svezak 250. [CrossRef]

4. Yan, Y.; Qian, Y.; Sharif, H.; Tipper, D. Anketa o kibernetičkoj sigurnosti za pametne mrežne komunikacije. IEEE Commun. Surv. Tutor. 2012, 14, 998–1010. [CrossRef]

5. Shawkat Ali, ABM; Azad, SA Predviđanje potražnje u pametnoj mreži. Green Energy Technol. 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 Duboko učenje za inteligentni odgovor na potražnju i pametne mreže: Sveobuhvatna anketa. arXiv 2021. [CrossRef]

7. Ferreira, HC; Lampe, L.; Newbury, J.; Swart, TG Power Line Communications. Teorija i primjena za uskopojasne i širokopojasne komunikacije preko dalekovoda; John Wiley i sinovi: Chichester, UK, 2010.

8. Vanting, NB; Ma, Z.; Jørgensen, BN Pregled opsega dubokih neuronskih mreža za predviđanje električnog opterećenja. Energy Inform. 2021, 4, 49. [CrossRef]

9. Hernández, L.; Baladrón, C.; Aguiar, JM; Carro, B.; Sánchez-Esguevillas, AJ; Lloret, J.; Massana, J. Anketa o predviđanju potražnje za električnom energijom: budući trendovi u pametnim mrežama, mikromrežama i pametnim zgradama. IEEE Commun. Surv. Tutor. 2014, 16, 1460–1495. [CrossRef]

10. Javed, F.; Arshad, N.; Wallin, F.; Vasileva, I.; Dahlquist, E. Predviđanje za odgovor na potražnju u pametnim mrežama: Analiza korištenja antropoloških i strukturnih podataka i kratkoročno višestruko predviđanje opterećenja. Appl. Energetika 2012, 96, 150–160. [CrossRef]

11. Khodayar, ME; Wu, H. Predviđanje potražnje u paradigmi pametne mreže: značajke i izazovi. Elektr. J. 2015, 28, 51–62. [CrossRef]

12. Boža, P.; Evgeniou, T. Umjetna inteligencija za podršku integracije varijabilnih obnovljivih izvora energije u elektroenergetski sustav. 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 distribuiranih izvora energije. CERTS Microgrid koncept. Bijeli papir. 2003. Dostupno na internetu: https://certs.lbl.gov/publications/integration-distributed-energy (pristupljeno 20. studenog 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, Španjolska, 2008.

15. Hoy, MB Pametne zgrade: Uvod u knjižnicu budućnosti. Med. Ref. Serv. Q. 2016, 35, 326–331. [CrossRef] [PubMed]

16. Očnjak, X.; Misra, S.; Xue, G.; Yang, D. Pametna mreža—Nova i poboljšana električna mreža: Anketa. IEEE Commun. Surv. Tutor. 2012, 14, 944–980. [CrossRef]

17. Singh, A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, DK Tehnike i metodologije predviđanja opterećenja: pregled. U zborniku 2. međunarodne konferencije o energiji, upravljanju i ugrađenim sustavima (ICPCES), Allahabad, Indija, 17. – 19. prosinca 2012. [CrossRef]

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

20. Ahmed Mir, A.; Alghassab Kafait, M.; Ullah, K.; Ali Khan, Z.; Lu, Y.; Imran, M. Pregled predviđanja potražnje za električnom energijom u zemljama s niskim i srednjim dohotkom: Odrednice i horizonti potražnje. Održivost 2020, 12, 5931. [CrossRef]

20. Clements, AE; Hurn, AS; Li, Z. Predviđanje opterećenja električnom energijom dan unaprijed korištenjem pristupa vremenskim nizovima višestrukih jednadžbi. Eur. J. Oper. Res. 2016, 251, 522–530. [CrossRef]

21. Hong, Y.; Zhou, Y.; Li, Q.; Xu, W.; Zheng, X. Metoda dubokog učenja za kratkoročno predviđanje stambenog opterećenja u pametnoj mreži. IEEE Access 2020, 8, 55785–55797. [CrossRef] 22. Phuangpornpitak, N.; Prommee, W. Studija modela predviđanja potražnje opterećenja u radu i planiranju elektroenergetskog sustava. GMSARN Int. J. 2016, 10, 19–24.

23. Xiao, L.; Shao, W.; Liang, T.; Wang, C. Kombinirani model temeljen na višestrukim sezonskim obrascima i modificiranom fifireflfly algoritmu za predviđanje električnog opterećenja. Appl. Energetika 2016, 167, 135–153. [CrossRef]

24. Xue, B.; Geng, J. Metoda dinamičke transverzalne korekcije srednjoročnog i dugoročnog energetskog predviđanja temeljena na statistici pogrešaka predviđanja. U Zborniku radova 10. konferencije o snazi ​​i energiji (IPEC), Ho Chi Minh, Vijetnam, 12. – 14. prosinca 2012.; str. 253–256. [CrossRef]

25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Učinci različitih čimbenika na predviđanje električnog opterećenja: pregled. U Zborniku radova Međunarodne konferencije IEEE Power India (PIICON), Delhi, Indija, 5. – 7. prosinca 2014.; str. 1–5.

26. Hippert, HS; Pedreira, CE; Souza, RC Neuralne mreže za kratkoročno predviđanje opterećenja: Pregled i ocjena. IEEE Trans. Sustav napajanja 2001, 16, 44–55. [CrossRef]

27. Fahad, MU; Arbab, N. Čimbenik koji utječe na kratkoročno predviđanje opterećenja. J. Clean Energy Technol. 2014, 2, 305–309. [CrossRef]

29. Novianto, D.; Gao, W.; Kuroki, S. Pregled načina života ljudi i potrošnje energije u azijskim zajednicama: studija slučaja Indonezije, Tajlanda i Kine. 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 važnosti ulaznih varijabli za predviđanje agregirane električne potražnje sljedećeg dana korištenjem neuronskih mreža. Energije 2013, 6, 2927–2948. [CrossRef]

30. Issi, F.; Kaplan, O. Određivanje profila opterećenja i potrošnje energije kućanskih aparata. Energije 2018, 11, 607. [CrossRef]

31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. Pristup analizi profila električnog opterećenja temeljen na rudarenju podataka vremenskih serija. IEEE Access 2020, 8, 209915–209925. [CrossRef] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Predviđanje električnog opterećenja temeljeno na dubokom učenju i optimizirano heurističkim algoritmom u pametnoj mreži. Appl. Energy 2020, 269, 114915. [CrossRef]

33. Gillies, DKA; Bernholtz, B.; Sandiford, PJ Novi pristup predviđanju dnevnih vršnih opterećenja. Trans. Am. Inst. Elektr. inž. Dio III Power Appar. Syst. 1956, 75, 382–387. [CrossRef]

34. Park, DC; El-Sharkawi, MA; Marks II, RJ; Atlas, LE; Damborg, MJ Predviđanje električnog opterećenja korištenjem umjetne neuronske mreže. IEEE Trans. Sustav napajanja 1991., 6, 442–449. [CrossRef]

35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Alexiadis, MC; Maissis, AH Model neuronske mreže za kratkoročno predviđanje opterećenja za grčki elektroenergetski sustav. IEEE Trans. Sustav napajanja 1995, 11, 858–863. [CrossRef]

36. Lu, C.-N.; Wu, H.-T.; Vemuri, S. Kratkoročno predviđanje opterećenja temeljeno na neuronskoj mreži. IEEE Trans. Sustav napajanja 1993, 8, 336–342. [CrossRef] 37. Papalexopoulos, AD; Hao, S.; Peng, T.-M. Implementacija modela predviđanja opterećenja temeljenog na neuronskoj mreži za EMS. IEEE Trans. Sustav napajanja 1994, 9, 1956–1962. [CrossRef]

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

39. Ongsulee, P. Umjetna inteligencija, strojno učenje i duboko učenje. U zborniku radova 15. međunarodne konferencije o ICT-u i inženjerstvu znanja (ICT&KE), Bangkok, Tajland, 22. – 24. studenog 2017.; str. 1–6. [CrossRef]

40. Raz, AR; Llinas, J.; Mittu, R.; Lawless, WF Inženjering za pojavu u sustavima fuzije informacija: pregled nekih izazova. U zajedničkim kontekstima čovjeka i stroja; Lawless, WF, Mittu, R., Sofge, DA, ur.; Academic Press: Cambridge, MA, SAD, 2020.; str. 241–255, ISBN 9780128205433. [CrossRef]

41. Cohen, S. Osnove strojnog učenja: strategije i tehnike. Umjetna inteligencija i duboko učenje u patologiji; Cohen, S., ur.; Elsevier: Amsterdam, Nizozemska, 2021.; str. 13–40, ISBN 9780323675383. [CrossRef]

43. Bonetto, R.; Latzko, V. Strojno učenje. U Računalstvo u komunikacijskim mrežama, od teorije do prakse; Fitzek, FHP, Granelli, F., Seeling, P., ur.; Academic Press: Cambridge, MA, SAD, 2020.; str. 135–167, ISBN 9780128204887. [CrossRef]

43. Delua, J. Učenje pod nadzorom u odnosu na učenje bez nadzora: u čemu je razlika? 2021. Dostupno na mreži: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (pristupljeno 15. studenog 2022.).

44. Sarker, IH Strojno učenje: Algoritmi, aplikacije u stvarnom svijetu i smjernice istraživanja. SN izračun. Sci. 2021, 2, 160. [CrossRef] [PubMed]

45. Choi, RY; Coyner, AS; Kalpathy-Cramer, J.; Chiang, MF; Campbell, JP Uvod u strojno učenje, neuronske mreže i duboko učenje. prev. Vis. Sci. Technol. 2020, 9, 14. [CrossRef]

46. ​​Alloghani, M.; Al-Jumeily, D.; Mustafifina, J.; Hussain, A.; Aljaaf, AJ Sustavni pregled nadziranih i nenadziranih algoritama strojnog učenja za znanost o podacima. U nadziranom i nenadziranom učenju za podatkovnu znanost; Berry, M., Mohamed, A., Yap, B., ur.; Springer: Cham, Švicarska, 2020.; str. 3–21. [CrossRef]

47. Satinet, C.; Fouss, F. Nadzirani klasifikacijski okvir strojnog učenja za održivost odjevnih proizvoda. Održivost 2022, 14, 1334. [CrossRef]

49. Jiang, T.; Gradus, JL; Rosellini, AJ Nadzirano strojno učenje: kratka početnica. ponašaj se Ther. 2020, 51, 675–687. [CrossRef] [PubMed]

49. El Bouchefry, K.; de Souza, RS Učenje u velikim podacima: Uvod u strojno učenje. U Otkrivanju znanja u velikim podacima iz astronomije i promatranja Zemlje; Škoda, P., Adam, F., ur.; Elsevier: Amsterdam, Nizozemska, 2020.; str. 225–249, ISBN 9780128191545. [CrossRef]

50. Uddamari, N.; Ubbana, J. Studija o analizi algoritama učenja bez nadzora u strojnom učenju. Turčin. J. Comput. matematika Educ. 2021, 12, 6774–6782.

52. Khanum, M.; Mahboob, T.; Imtiaz, W.; Ghafoor, H.; Sehar, R. Anketa o algoritmima strojnog učenja bez nadzora za automatizaciju, klasifikaciju i održavanje. Int. J. Comput. Appl. 2015, 119, 34–39. [CrossRef]

53. Avinash, K.; William, G.; Ryan, B. Detekcija mrežnog napada korištenjem nenadziranog algoritma strojnog učenja. U zborniku Hawaii International Conference on System Sciences (HICSS), Maui, HI, SAD, 7. – 10. siječnja 2020. [CrossRef]

53. Chen, Y.; Kong, R.; Kong, L. Primjena umjetne inteligencije u astronomskim velikim podacima. U Veliki podaci u 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 polunadziranom učenju. Mach. Naučiti. 2020., 109, 373–440. [CrossRef]

55. ZhongKaizhu, G.; Huang, H. Polunadzirano učenje: pozadina, primjene i buduće smjernice; Nova Science Publishers: New York, NY, SAD, 2018.

56. Huynh, T.; Nibali, A.; He, Z. Polunadzirano učenje za klasifikaciju medicinskih slika korištenjem neuravnoteženih podataka obuke. Računanje. Metode Programi Biomed. 2022, 216, 106628. [CrossRef]

58. Kaur, A.; Gourav, K. Studija o aplikacijama učenja s potkrepljenjem i njihovim algoritmima. Int. J. Sci. Technol. Res. 2020, 9, 4223–4228.

59. Mohammed, M.; Khan, MB; Bashier Mohammed, BE Strojno učenje: Algoritmi i aplikacije; CRC Press: Boca Raton, FL, SAD, 2016.

59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. Pregled algoritama učenja pojačanja za upravljanje primopredajom u 5G ultra-gustim mrežama malih stanica. Appl. Sci. 2022, 12, 426. [CrossRef]

60. Liu, S.; Vidi, KC; Ngiam, KY; Celi, LA; Sunce, X.; Feng, M. Učenje s potporom za podršku kliničkom odlučivanju u kritičnoj njezi: Opsežan pregled. J. Med. Internet Res. 2020, 22, e18477. [CrossRef] [PubMed]

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

62. Nichols, JA; Herbert Chan, HW; Baker, M. Strojno učenje: Primjena umjetne inteligencije za snimanje i dijagnozu. Biophys. Rev. 2019, 11, 111–118. [CrossRef]

63. Sadiq, R.; Rodríguez, MJ; Mian, HR Empirijski modeli za predviđanje nusproizvoda dezinfekcije (DBP) u vodi za piće: ažurirani pregled. U Encyclopedia of Environmental Health, 2. izdanje; Nriagu, J., ur.; Elsevier: Amsterdam, Nizozemska, 2019.; str. 324–338, ISBN 978-0-444-63952-3.

64. Teuwen, J.; Moriakov, N. Konvolucijske neuronske mreže. U 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. Duboko učenje u klasifikaciji slika: Izvješće o anketi. U zborniku radova 2. međunarodne konferencije o informacijskoj tehnologiji i primjeni računala (ITCA), Guangzhou, Kina, 18. – 20. prosinca 2020.; str 174–177. [CrossRef]

67. Khan, A.; Sohail, A.; Zahoora, U.; Qureshi, AS Pregled novijih arhitektura dubokih konvolucijskih neuronskih mreža. Artif. Intell. Rev. 2020, 53, 5455–5516. [CrossRef]

67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. O svojstvima neuronskog strojnog prevođenja: pristupi koder-dekoder. arXiv 2014, arXiv:1409.1259.

68. Elman, J. Pronalaženje strukture u vremenu. Cogn. Sci. 1990., 14, 179–211. [CrossRef]

69. Toha, SF; Tokhi, MO MLP i Elman Rekurentno modeliranje neuronske mreže za TRMS. U Zborniku radova 7. IEEE međunarodne konferencije o kibernetičkim inteligentnim sustavima, London, UK, 9. – 10. rujna 2008.; str. 1–6. [CrossRef]

70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Kratkoročno predviđanje protoka putnika u željezničkom tranzitu na temelju neuronske mreže dugog kratkoročnog pamćenja. U zborniku radova Međunarodne konferencije o inteligentnom željezničkom prijevozu (ICIRT), Singapur, 12. – 14. prosinca 2018.; str. 1–5. [CrossRef]

72. Zhao, Z.; Liang, Y.; Jin, X. Rukovanje akcijskim prostorom velikih razmjera u Deep Q mreži. U zborniku radova Međunarodne konferencije o umjetnoj inteligenciji i velikim podacima (ICAIBD), Chengdu, Kina, 26. – 28. svibnja 2018.; str. 93–96. [CrossRef]

72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Preporuka temeljena na Boltzmannovom stroju svjesnom zanimanja korisnika. U zborniku IEEE međunarodne konferencije o Internetu stvari (iThings) i IEEE Green Computing and Communications (GreenCom) i IEEE Cyber, Physical and Social Computing (CPSCom) i IEEE Smart Data (SmartData), Chengdu, Kina, 15. – 18. prosinca 2016.; str. 454–461. [CrossRef]

73. Taylor, GW; Hinton, GE; Roweis, ST Dva modela raspodijeljenog stanja za generiranje visokodimenzionalnih vremenskih serija. J. Mach. Naučiti. Res. 2011, 12, 1025–1068.

74. Hinton, GE; Osindero, S.; Teh, YW Algoritam za brzo učenje za mreže dubokih uvjerenja. Neuralno računalo. 2006, 18, 1527–1554. [CrossRef]

76. Bedi, G.; Venayagamoorthy, GK; Singh, R. Razvoj građevinske okoline vođene IoT-om za predviđanje potrošnje električne energije. IEEE Internet Things J. 2020, 7, 4912–4921. [CrossRef]

77. Timur, O.; Zor, K.; Çelik, Ö.; Teke, A.; ˙Ibrikçi, T. Primjena tehnika statistike i umjetne inteligencije za srednjoročno predviđanje električne energije: studija slučaja za regionalnu bolnicu. J. Sustain. Dev. Energija Voda Okolina. Syst. 2020, 8, 520–536. [CrossRef]

78. Selvi, MV; Mishra, S. Istraživanje utjecaja vremena u predviđanju snage električnog opterećenja dan unaprijed po satu s novom arhitekturom realiziranom u tehnikama umjetne neuronske mreže multivarijatne linearne regresije. U zborniku 8. IEEE Indije Međunarodne konferencije o energetskoj elektronici (IICPE), Jaipur, Indija, 13. – 15. prosinca 2018.

79. Selvi, MV; Mishra, S. Istraživanje učinkovitosti predviđanja snage električnog opterećenja u više vremenskih horizonata s novom arhitekturom realiziranom u multivarijatnoj linearnoj regresiji i tehnikama neuronske mreže s povratnim informacijama. IEEE Trans. Ind. Appl. 2020, 56, 5603–5612. [CrossRef]

79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Integrirani pristup odabiru značajki temeljen na strojnom učenju za poboljšano predviđanje potražnje za električnom energijom u decentraliziranim energetskim sustavima. IEEE Access 2019, 7, 91463–91475. [CrossRef]

80. Wen, L.; Zhou, K.; Yang, S. Predviđanje potražnje opterećenja stambenih zgrada pomoću modela dubokog učenja. Elektr. Sustav napajanja Res. 2020, 179, 106073. [CrossRef]

82. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM Korištenje dubinskog učenja i meteoroloških parametara za predviđanje unutarsatnog intervala izlazne snage fotonaponskih generatora za kontrolu pametne mreže. Energy 2022, 239, 122116. [CrossRef]

83. Taleb, I.; Guerard, G.; Fauberteau, F.; Nguyen, NA Fleksibilna metoda dubokog učenja za predviđanje energije. Energije 2022, 15, 3926. [CrossRef]

83. Xu, A.; Tian, ​​M.-W.; Firouzi, B.; Alattas, KA; Mohammadzadeh, A.; Ghaderpour, E. Novi ograničeni Boltzmannov stroj dubokog učenja za predviđanje potrošnje energije. Održivost 2022, 14, 10081. [CrossRef]

84. Yem Souhe, FG; Franklin Mbey, C.; Teplaira Boum, A.; Ele, P.; Foba Kakeu, VJ Hibridni model za predviđanje potrošnje električne energije u pametnoj mreži. J. Eng. 2022, 6, 629–643. [CrossRef]

85. Aurangzeb, K.; Alhussein, M.; Javed, K.; Haider, SI Model dubinskog učenja temeljen na Pyramid-CNN-u za predviđanje opterećenja električne energije potrošača energije sličnog profila na temelju klasteriranja. IEEE Access 2021, 9, 14992–15003. [CrossRef]

86. Jahangir, H.; Tayarani, H.; Gougheri, SS; Golkar, MA; Ahmadian, A.; Elkamel, A. Pristup predviđanja temeljen na dubokom učenju u pametnim mrežama s mikro klasteriranjem i dvosmjernom LSTM mrežom. IEEE Trans. Ind. Electron. 2021, 68, 8298–8309. [CrossRef]

88. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, potpredsjednik Učinkovito predviđanje stambenog opterećenja korištenjem pristupa dubokog učenja. Int. J. Comput. Appl. Technol. 2022., 68, 205–214. [CrossRef]

89. Rosato, A.; Araneo, R.; Andreotti, A.; Panella, M. 2-D Konvolucijska duboka neuronska mreža za predviđanje vremenskih serija multivarijatne energije. U zborniku 2019 IEEE International Conference on Environment and Electrical Engineering i 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), Genova, Italija, 11. – 14. lipnja 2019.

90. Zhang, X.; Biagioni, D.; Cai, M.; Graf, P.; Rahman, S. Integrirano rješenje rubnog oblaka za odgovor na zahtjeve zgrada korištenjem učenja pojačanja. IEEE Trans. Smart Grid 2020, 12, 420–431. [CrossRef]

91. Aurangzeb, K.; Al-Hussein, M. Okvir dubokog učenja za kratkoročno predviđanje opterećenja električne energije, studija slučaja pojedinačnog potrošača energije u kućanstvu. U zborniku radova s ​​Međunarodne konferencije o napretku u novim računalnim tehnologijama (AECT) 2019., Al Madinah Al Munawwarah, Saudijska Arabija, 10. veljače 2020.

91. Escobar, E.; Rodríguez Licea, MA; Rostro-Gonzalez, H.; Espinoza Calderon, A.; Barranco Gutiérrez, AI; Pérez-Pinal, FJ Komparativna analiza multivarijabilnih modela dubokog učenja za predviđanje u pametnim mrežama. U zborniku 2020. IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), Ixtapa, Meksiko, 4. – 6. studenog 2020. [CrossRef]

92. Hafeez, G.; Alimgeer, KS; Wadud, Z.; Shafifiq, Z.; Ali Khan, MU; Khan, I.; Khan, FA; Derhab, A. Novi precizan i brzo konvergentni model temeljen na učenju za predviđanje potrošnje električne energije u pametnoj mreži. Energije 2020, 13, 2244. [CrossRef]

93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Predviđanje potražnje za električnom energijom za pametnu mrežu temeljeno na pristupu dubokog učenja. U zborniku 2020 5. međunarodne konferencije o zelenoj tehnologiji i održivom razvoju (GTSD), Ho Chi Minh City, Vijetnam, 27. – 28. studenog 2020.; str. 353–357. [CrossRef]

95. Rosato, A.; Succetti, F.; Araneo, R.; Andreotti, A.; Mitolo, M.; Panella, M. Kombinirani pristup dubokog učenja za predviđanje vremenskih serija u energetskim okruženjima. U zborniku 2020. IEEE/IAS 56. tehničke konferencije o industrijskim i komercijalnim energetskim sustavima (I&CPS), Las Vegas, NV, SAD, 29. lipnja – 28. srpnja 2020.

95. Qi, X.; Zheng, X.; Chen, Q. Kratkoročno predviđanje opterećenja integriranog energetskog sustava temeljeno na CNN-LSTM. U zborniku radova Međunarodne konferencije o energiji, okolišu i bioinženjeringu 2020. (ICEEB 2020), Xi'an, Kina, 7. – 9. kolovoza 2020.; svezak 185, str. 01032. [CrossRef]

96. Wang, B.; Li, Y.; Ming, W.; Wang, S. Metoda dubokog učenja pojačanja za upravljanje odzivom na potražnju prekidivog opterećenja. IEEE Trans. Pametna mreža 2020, 11, 3146–3155. [CrossRef]

98. Wen, L.; Zhou, K.; Li, J.; Wang, S. Modificirano duboko učenje i učenje s pojačanjem za model odgovora na potražnju temeljen na poticajima. Energy 2020, 205, 118019. [CrossRef]

98. Yang, Y.; Li, W.; Gulliver, TA; Li, S. Bayesovo duboko učenje temeljeno na vjerojatnosnom predviđanju opterećenja u pametnim mrežama. IEEE Trans Ind. Inf. 2020, 16, 4703–4713. [CrossRef]

99. Amin, P.; Čerkasova, L.; Aitken, R.; Kache, V. Automatizirano modeliranje energetske potražnje i predviđanje korištenjem podataka pametnih mjerača. U zborniku 2019. IEEE International Congress on Internet of Things (ICIOT), Milano, Italija, 8. – 13. srpnja 2019.

100. Atef, S.; Eltawil, AB Komparativna studija koja koristi duboko učenje i vektorsku regresiju podrške za predviđanje cijena električne energije u pametnim mrežama. U zborniku IEEE 6. međunarodne konferencije o industrijskom inženjerstvu i primjeni (ICIEA), Tokio, Japan, 12. – 15. travnja 2019.; str. 603–607. [CrossRef]

101. Chan, S.; Oktavianti, I.; Puspita, V. CNN za duboko učenje i SVM prilagođen AI za predviđanje potrošnje električne energije: Multivarijantni vremenski niz podataka. U zborniku 2019. IEEE 10. godišnje konferencije o informacijskoj tehnologiji, elektronici i mobilnim komunikacijama (IEMCON), Vancouver, BC, Kanada, 17. – 19. listopada 2019.

102. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, QZ Dan unaprijed. Predviđanje električnog opterećenja pomoću inteligentnog hibridnog modela temeljenog na dubokom učenju za pametnu mrežu. U zborniku radova 14. međunarodne konferencije o složenim, inteligentnim i softverski intenzivnim sustavima (CISIS-2020), Lodz, Poljska, 1. – 3. srpnja 2020.

103. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Upravljanje energijom pametne mreže korištenjem RNN-LSTM: pristup temeljen na dubokom učenju. U zborniku radova IEEE Global Communications Conference (GLOBECOM), Big Island, HI, SAD, 9. – 13. prosinca 2019.; str. 1–6. [CrossRef]

104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Primjena dubokog učenja dugog kratkoročnog pamćenja u predviđanju potražnje za energijom. Komun. Računanje. Inf. Sci. 2019, 1000, 31–42. 105. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Polusatno predviđanje opterećenja električnom energijom korištenjem konvolucijske neuronske mreže. Inovativne mobilne i internetske usluge u sveprisutnom računalstvu; Barolli, L., Xhafa, F., Hussain, O., ur.; Springer: Cham, Švicarska; Svezak 994. [CrossRef]

106. Kim, TY; Cho, SB Predviđanje stambene potrošnje energije pomoću CNN-LSTM neuronskih mreža. Energetika 2019, 182, 72–81. [CrossRef]

108. Kim, T.; Cho, S. CNN-LSTM mreže temeljene na optimizaciji roja čestica za predviđanje potrošnje energije. U zborniku 2019. IEEE Kongresa o evolucijskom računanju (CEC), Wellington, Novi Zeland, 10. – 13. lipnja 2019.

109. Lu, R.; Hong, SH Odgovor na potražnju temeljen na poticajima za pametnu mrežu s učenjem s pojačanjem i dubokom neuronskom mrežom. Appl. Energetika 2019, 236, 937–949. [CrossRef]

110. Pramono, SH; Rohmatillah, M.; Maulana, E.; Hasanah, RN; Hario, F. Kratkoročno predviđanje opterećenja temeljeno na dubokom učenju za podržavanje programa odgovora na potražnju u hibridnom energetskom sustavu. Energije 2019, 12, 3359. [CrossRef]

110. Rahman, S.; Alam, MGR; Rahman, MM Metoda ansambla temeljena na dubokom učenju za predviđanje energetske potražnje u kućanstvu pametne kuće. U zborniku 2019 22nd međunarodne konferencije o računalnoj i informacijskoj tehnologiji (ICCIT), Dhaka, Bangladeš, 18. – 20. prosinca 2019.

111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Model usrednjavanja ansambala za predviđanje kratkoročnog opterećenja u pametnim mrežama. U zborniku radova IEEE međunarodne konferencije o velikim podacima (Big Data), Los Angeles, CA, SAD, 9. – 12. prosinca 2019.; str. 2931–2938. [CrossRef]

112. Ustundag Soykan, E.; Bilgin, Z.; Ersoy, MA; Tomur, E. Diferencijalno privatno duboko učenje za predviđanje opterećenja na pametnoj mreži. U zborniku radova 2019. IEEE Globecom radionica (GC Wkshps), Waikoloa, HI, SAD, 9. – 13. prosinca 2019.; str. 1–6. [CrossRef]

114. Vesa, AV; Ghitescu, N.; Pop, C.; Antal, M.; Cioara, T.; Anghel, IA; Salomie, I. Stacking Ulti-Learning Ensemble Model za predviđanje potrošnje energije u gotovo stvarnom vremenu stambenih zgrada. U zborniku 2019. IEEE 15. međunarodne konferencije o inteligentnoj računalnoj komunikaciji i obradi (ICCP), Cluj-Napoca, Rumunjska, 5. – 7. rujna 2019.

114. Yang, Y.; Hong, W.; Li, S. Duboko ansamblsko učenje temeljeno na vjerojatnosnom predviđanju opterećenja u pametnim mrežama. 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. Cijene električne energije i predviđanje opterećenja korištenjem poboljšane regresije vektora podrške konvolucijske neuronske mreže u pametnim mrežama. Elektronika 2019, 8, 122. [CrossRef]

116. Ouyang, T.; On, Y.; Li, H.; Sunce, Z.; Baek, S. Modeliranje i predviđanje kratkoročnog opterećenja snage s modelom kopule i mrežom dubokih uvjerenja. IEEE Trans. Emerg. Vrh. Računanje. Intell. 2019, 3, 127–136. [CrossRef]

117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rehman, AU; Ullah, Z. Kratkoročno predviđanje opterećenja temeljeno na dubokom učenju za aplikacije pametnih mreža. U zborniku radova 12. međunarodne konferencije o inovativnim mobilnim i internetskim uslugama u sveprisutnom računalstvu (IMIS-2018), Matsue, Japan, 4. – 6. srpnja 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Konvolucijske neuronske mreže za predviđanje energetskih vremenskih serija. U zborniku radova s ​​Međunarodne zajedničke konferencije o neuronskim mrežama (IJCNN) 2018., Rio de Janeiro, Brazil, 8. – 13. srpnja 2018.

119. Kuo, PH; Huang, CJ Model umjetne neuronske mreže visoke preciznosti za kratkoročno predviđanje energetskog opterećenja. Energije 2018, 11, 213. [CrossRef]

120. Shi, H.; Xu, M.; Li, R. Duboko učenje predviđanja opterećenja kućanstva—Novalni duboki RNN za udruživanje. IEEE Trans Smart Grid 2018, 9, 5271–5280. [CrossRef]

121. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Duboka prognoza: Prostorno-vremenska prognoza temeljena na dubokom učenju. arXiv 2017. [CrossRef]

123. Jarábek, T.; Laurinec, P.; Lucká, M. Prognoza energetskog opterećenja korištenjem S2S dubokih neuronskih mreža s klasteriranjem u obliku slova K. U Zborniku radova 2017 IEEE 14th International Scientific Conference on Informatics 2017, Poprad, Slovačka, 14. – 16. studenog 2017.

123. Li, L.; Ota, K.; Dong, M. Sve je slika: CNN-bazirano kratkoročno predviđanje električnog opterećenja za pametnu mrežu. U 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, UK, 21. – 23. lipnja 2017.; str 344–351. [CrossRef]

124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Studija ključnih tehnologija velikih podataka o električnoj energiji i mogućnosti njihove primjene u pametnoj mreži. U Zborniku radova IEEE PES Azijsko-pacifičke konferencije o energiji i energetskom inženjerstvu (APPEEC), Hong Kong, Kina, 7. – 10. prosinca 2014.; str. 1–4. [CrossRef]