Ülevaade süvaõppepõhisest nõudluse prognoosimisest nutikates võrkudes(2)

5.2.5. Tingimuslik piiratud Boltzmanni masin

Piiratud Boltzmanni masin (RBM) on stohhastiline RNN, millel on kaks kihti, millest üks on nähtavate üksustega ja teine ​​binaarsete peidetud ühikutega. Seda tüüpi võrk saab õppida tõenäosusjaotust oma sisendite kogumi vahel. spiraalköiteseadised on Boltzmanni masinate (BM) variant ja võivad olenevalt teostatavast ülesandest olla järelevalvega või järelevalveta režiimis.

Hiina ravimtaim - parandab mälu

Kui BM-id on piiratud, võib mõlema üksuse (nähtava ja peidetud) rühma sõlmede paaril olla sümmeetriline ühendus, kuid samas rühmas pole sõlmede vahel ühendusi, mis võimaldab tõhusamat koolitust. Teisest küljest võivad piiramata BM-idel olla ühendused peidetud üksuste vahel.

RBM koosneb m nähtavast ühikust V=(v1, ... tingimusliku kihi ühikud F=(f 1, . . . . , fp), nagu on näidatud joonisel 5 [72].

kus m tähistab kasutaja hinnatud üksuste arvu; H on peidetud kihtide arv; F on tingimuslike kihtide arv; K on kõrge reiting; vki on nähtava kihi ühiku I ja reitingu k kahendväärtus; hj on peidetud ühiku j kahendväärtus; fq on tingimusliku kihi F kahendväärtus; bi k on reitingu k nihe nähtava kihiühikuga I; bj on tunnuse j kallutatus; Wk ij on varjatud kihi H ja nähtava kihi V vaheline seos; D on ühendatud kaal peidetud kihi H ja tingimusliku kihi F vahel; Dqj on peidetud funktsiooni j ja tingimusliku kihi ühiku q vaheline seos.

Joonis 5. Piiratud Boltzmanni masin [73.

Aastal [73] tutvustasid autorid faktorite tingimisega piiratud Boltzmanni masinaid (FCRBM), lisades faktorite, mitmekordsete ja kolmesuunaliste interaktsioonide kontseptsiooni, et ennustada mitut inimese liikumisstiili.

Lõpuks moodustavad Deep Belief Networks (DBN-id) mitmed üksteise peale virnastatud spiraalköiteseadised [74]

6. Süvaõppe mudelid ja nõudluse prognoosimine nutikate võrkude kontekstis

Teadlased on välja pakkunud prognoosimudelid kahes peamises valdkonnas, kus süvaõppe tehnikaid saab rakendada [8]: (1) nõudluse juhtimine (nt [75,76]) ja (2) võrgu juhtimine (nt [77–79]) .

Seoses kasvava energianõudlusega erinevatest sektoritest tuleb elektrivõrgus pakkumine ja nõudlus olla tasakaalus. Selle stsenaariumi korral võivad arukad võrgud mängida olulist rolli, pakkudes kahesuunalist energiavoogu tarbijate ja kommunaalteenuste vahel. Erinevalt traditsioonilistest elektrivõrkudest on nutikatel võrkudel keerukad andurseadmed, mis genereerivad andmeid, millest saab tuletada energiamustreid. Need mustrid on äärmiselt kasulikud koormuse prognoosimiseks, tipptaseme raseerimiseks ja nõudlusele reageerimise haldamiseks.

Tistanche pulbri kasu tervisele – parandab mälu

Kuna nutivõrgu genereeritav andmemaht on tohutu ja kasvab pidevalt, on süvaõppepõhised mudelid hea võimalus tarbimismustrite mõistmiseks ja prognooside tegemiseks. Teadlased on uurinud süvaõppe mudelite kasutamise võimalusi, kus juhtivat rolli mängivad LSTM-i võrgud (nt [32,57,80])

Tabelis 5 on kokku võetud erinevad tööd, kus praktikud on edukalt kasutanud prognoosimise eesmärgil süvaõppe tehnikaid. Need kogemused on tuvastatud pärast avaldatud kirjanduse süstemaatilist läbivaatamist. Viiteid on otsitud erinevatest teadusandmebaasidest (nt ScienceDirect, SpringerLink, IEEExplore jne). Läbi on vaadatud ka erinevate asjakohaste teadusajakirjade, nagu Energy Informatics, IEEE Transactions on Smart Grid, Energies ja Applied Energy, artiklid. Kasutatud märksõnad on järgmised: terminid nagu süvaõpe, ANN, närvivõrgud ja erinevate süvaõppe mudelite nimed, nii täis- kui ka akronüümid (nt pika lühiajalise mälu võrgud ja LSTM),

kombineerituna (JA) energiavaldkonnaga seotud terminitega, täpsemalt "energianõudluse prognoosimine", "elektritarbimise prognoosimine", "koormuse prognoosimine", "nõudluse reaktsioon", "nõudlusepoolne reaktsioon" ja nende väljendite variatsioonid.

Tabel 5. Näited süvaõppe tehnikate rakendamisest energiavaldkonnas, keskendudes nõudluse/koormuse prognoosimisele.

Otsingud piirdusid viimase 6 aastaga. Otsuse selle kohta, millised artiklid lõpuks tabelisse 5 lisati, tegid autorid pärast otsingutulemuste ülevaatamist ja veendumist, et töö hõlmas süvaõppe mudeli kasutamist nõudluse või koormuse prognoosimise eesmärgil.

7. Järeldused

Kasvav energianõudlus avaldab elektrivõrgule survet pakkumise ja nõudluse tasakaalustamiseks. Nutikad võrgud võivad mängida olulist rolli. Nendes süsteemides kogutakse ja analüüsitakse regulaarselt energiakasutusega seotud andmeid, et saada energiatarbimist. Saadud kasutusmustrid võivad olla kasulikud nõudluse ja koormuse prognoosimisel. See on nutikate keskkondade kontekstis keeruline ülesanne, mistõttu teadlased panustavad sellesse eriliselt.

Et tulla toime tänapäeva nõudluse prognoosimise väljakutsetega, kus nutikad võrgud toodavad suuri andmemahtusid, on vaja kasutada kaasaegseid andmepõhiseid tehnikaid. Heaks alternatiiviks on süvaõppepõhised mudelid. Traditsiooniliselt on uuringud keskendunud klientide energiatarbimise prognoosimisele, kasutades nende käitumise kohta saadaolevaid väikeseid ajaloolisi andmekogumeid. Kuid praegused süvaõppe meetodeid rakendavad uuringud on näidanud paremaid tulemusi kui tavapärased prognoosimismeetodid. Süvaõppe mudelite kasutamine hõlmab suurte andmemahtude kasutamist, näiteks need, mida pakuvad erinevad andmestikud, mida praktikud kasutavad tabelis 5 kogutud töödes. On tõsiasi, et nutikad võrgud genereerivad suuri andmemahtusid, seega on ka suurandmed. võtmetehnoloogia taastuvenergia integreerimise, koormuse kõikumise ja säästva arengu väljakutsete ületamiseks. Taastuvenergia kasutuselevõtuga nutivõrku tuuakse süsteemi järjest rohkem muutujaid ja rohkem tuleb töödelda andmeid. Seda olukorda raskendab ka elektrisõidukite järkjärguline kasutuselevõtt, mistõttu on ka need suurandmete tehnoloogiad muutumas üha vajalikumaks [124].

Cistanche toidulisand minu lähedal - parandage mälu

Cistanche Improve Memory toodete vaatamiseks klõpsake siin

【Küsi lisa】 E-post:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Läbiviidud uuring näitas, et nõudluse prognoosimiseks energiavaldkonnas kõige laialdasemalt kasutatavad süvaõppe mudelid on CNN-id, RNN-id, LSTM, DQN-id ja CRBM ning mis tahes nende variatsioonid, kahe või enama kombinatsiooni, või nende kombinatsiooni teiste tehnikatega. Märkimisväärsed on CNN ja selle variatsioonid, nagu Pyramid-CNN [82,85,88,90,91,94,95,101,106,107,109,115,118,119,123], LSTM ja selle variatsioonid, nagu B-LSTM [80,82,{{19,1} ,93–95,99,100,103,104,106,107,109–113,118,119,122] ja mõlema kombinatsiooni [82,88,91,94,95,106,107,109,118,119]. Tõelised kvaliteetsete andmetega testimissüsteemid pole levinud, kuid on vajalikud süvaõppe mudelite toimivuse määramiseks. Oluline on jätkata tulevaste süvaõppe mudelite, sealhulgas kahe või enama mudeli võimalike variatsioonide ja/või kombinatsioonide testimist, et teha prognoose nutivõrkude kontekstis. Samuti on oluline, et need testid viiakse läbi erinevate stsenaariumide jaoks. Jätkuvalt on vaja süvaõppe mudeleid, mis suudavad automaatselt prognoosida koormust erinevat tüüpi klientide, ruumide/hoonete ja erinevate ilmastikutingimuste jaoks. Oluline on testida süvaõppe toimivust, aga ka määrata, milline mudel on iga stsenaariumi jaoks parim.

Andmekogumite osas kasutasid praktikud erinevaid võimalusi, tõstes esile PJM elektrituru [32,92,102,108,112], SGSC [85,90,98], CER-i [98,114,120], ISO-NE [105,109,115], Pecan Street Inc. [80,97]. , UCI [106 107], UKDALE [113] ja REDD [21]. Paljud arvustused nõudmisel/koormuse prognoosimisel nutikate võrkude kontekstis keskenduvad kasutatud süvaõppe mudelitele, kuid unustavad andmed. Kuid selleks, et süvaõppe rakendamine oleks edukas, on algoritmid sama väärtuslikud kui andmed. Tegelikult oleks soovitav, et teadlased lisaksid oma töödes kasutatud andmete kohta rohkem teavet, käsitledes näiteks andmete väljaõppe/valideerimise/testimise jaotust, andmete proovivõtu intervalli, andmete puhastamise meetodit jne. Süvaõppe mudelite kasutamise piirangud on kvaliteetsete reaalmaailma andmekogumite puudumine. Tulevikutrend oleks ilmselt nihutada rõhk mudelilt andmetele. Lisaks näevad autorid ette IoT integreerimise süvaõppe mudelitesse, mida kasutatakse nõudluse/koormuse prognoosimiseks. IoT võimaldab mõistuse demokratiseerimist. See avab põnevaid võimalusi kvaliteetseks andmete kogumiseks, mis on nõudluse/koormuse prognoosimise kontekstis kriitilise tähtsusega. Sellega seoses oleks teiseks tulevikutrendiks vajalike andmete kogumist ja eeltöötlust sisaldavate integreeritud süsteemide arendamine.

Cistanche tubulosa eelised - parandab mälu

Lõpuks on tähelepanuväärne ka see, et enamikul juhtudel keskendusid teadlased lühiajalisele prognoosimisele.

Koormuse prognoosimine on nutikate keskkondade kontekstis keeruline ülesanne. Sellest tulenevalt teevad teadlased selle nimel erilisi jõupingutusi. Tõelised kvaliteetsete andmetega testimissüsteemid ei ole levinud, kuid on vajalikud süvaõppe mudelite toimivuse määramiseks. Jätkuvalt on vaja süvaõppe mudeleid, mis suudavad automaatselt prognoosida koormust erinevat tüüpi klientide, ruumide/hoonete ja erinevate ilmastikutingimuste jaoks.

Mida teeb cistanche - parandab mälu

Viited

1. tagumik, OM; Zulqarnain, M.; Butt, TM Viimased edusammud nutivõrgu tehnoloogias: tulevikuväljavaated elektrivõrgus. Ain Shams Eng. J. 2021, 12, 687–695. [CrossRef]

2. Cecati, C.; Mokryani, G.; Piccolo, A.; Siano, P. Nutivõrgu kontseptsiooni ülevaade. In Proceedings of the IECON 2010 – 36th Annual Conference on IEEE Industrial Electronics Society, Glendale, CA, USA, 7.–10. november 2010; lk 3322–3327. 3. Vakulenko, I.; Saher, L.; Ljuljov, O.; Pimonenko, T. A Systematic Literature Review of Smart Grids. In Proceedings of the 1st Conference on Traditional and Renewable Energy Sources: Perspectives and Paradigms for the 21st Century (TRESP 2021), Praha, Tšehhi Vabariik, 22.–23. jaanuar 2021; Köide 250. [CrossRef]

4. Yan, Y.; Qian, Y.; Sharif, H.; Tipper, D. Küberturvalisuse küsitlus nutivõrgu kommunikatsiooni jaoks. IEEE Commun. Surv. Juhendaja. 2012, 14, 998–1010. [CrossRef]

5. Shawkat Ali, ABM; Azad, SA Nõudluse prognoosimine nutikas võrgus. Rohelise energia tehnoloogia. 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 Süvaõpe intelligentse nõudlusele reageerimise ja nutikate võrkude jaoks: põhjalik uuring. arXiv 2021. [CrossRef]

7. Ferreira, HC; Lampe, L.; Newbury, J.; Swart, TG elektriliini side. Kitsas- ja lairibaühenduse teooria ja rakendused üle elektriliinide; John Wiley ja pojad: Chichester, Ühendkuningriik, 2010.

8. Vanting, NB; Ma, Z.; Jørgensen, BN Sügavate närvivõrkude ulatuse ülevaade elektrikoormuse prognoosimiseks. Energiateave. 2021, 4, 49. [CrossRef]

9. Hernández, L.; Baladrón, C.; Aguiar, JM; Carro, B.; Sánchez-Esguevillas, AJ; Lloret, J.; Massana, J. Uuring elektrienergia nõudluse prognoosimise kohta: arukate võrkude, mikrovõrkude ja nutikate hoonete tulevikusuundumused. IEEE Commun. Surv. Juhendaja. 2014, 16, 1460–1495. [CrossRef]

10. Javed, F.; Arshad, N.; Wallin, F.; Vassileva, I.; Dahlquist, E. Nõudlusele reageerimise prognoosimine arukates võrkudes: antropoloogiliste ja struktuuriliste andmete kasutamise analüüs ning lühiajalise mitme koormuse prognoosimine. Rakendus Energia 2012, 96, 150–160. [CrossRef]

11. Khodayar, ME; Wu, H. Nõudluse prognoosimine nutika võrgu paradigmas: funktsioonid ja väljakutsed. Elekter. J. 2015, 28, 51–62. [CrossRef]

12. Boza, P.; Evgeniou, T. Tehisintellekt toetamaks muutuvate taastuvate energiaallikate integreerimist elektrisüsteemi. Rakendus Energy 2021, 290, 116754. [CrossRef]

13. Lasseter, R.; Akhil, A.; Mamy, C.; Stephens, J.; Dagle, J.; Guttromson, R.; Meliopoulous, AS; Yinger, R.; Eto, J. Hajutatud energiaressursside integreerimine. CERTSi mikrovõrgu kontseptsioon. Valge paber. 2003. Internetis saadaval: https://certs.lbl.gov/publications/integration-distributed-energy (juurdepääs 20. novembril 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, Hispaania, 2008.

15. Hoy, MB Nutikad hooned: Sissejuhatus tuleviku raamatukogusse. Med. Ref. Serv. K. 2016, 35, 326–331. [CrossRef] [PubMed]

16. Fang, X.; Misra, S.; Xue, G.; Yang, D. Nutikas võrk – uus ja täiustatud elektrivõrk: uuring. IEEE Commun. Surv. Juhendaja. 2012, 14, 944–980. [CrossRef]

17. Singh, A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, DK Koormuse prognoosimise tehnikad ja metoodikad: ülevaade. 17.–19. detsembril 2012 Indias Allahabadis toimunud 2. rahvusvahelise elektri-, juhtimis- ja manustatud süsteemide konverentsi (ICPCES) toimetistes. [CrossRef]

18. Nti, IK; Teimeh, M.; Nyarko-Boateng, O.; Adekoya, AF Elektrikoormuse prognoosimine: süstemaatiline ülevaade. J. Electr. Syst. Info Technol. 2020, 7, 13. [CrossRef]

19. Ahmed Mir, A.; Alghassab Kafait, M.; Ullah, K.; Ali Khan, Z.; Lu, Y.; Imran, M. Ülevaade elektrinõudluse prognoosimisest madala ja keskmise sissetulekuga riikides: nõudluse määrajad ja horisondid. Jätkusuutlikkus 2020, 12, 5931. [CrossRef]

20. Clements, AE; Hurn, AS; Li, Z. Päeva-ette elektrikoormuse prognoosimine mitme võrrandi aegridade lähenemisviisi abil. Eur. J. Oper. Res. 2016, 251, 522–530. [CrossRef]

21. Hong, Y.; Zhou, Y.; Li, Q.; Xu, W.; Zheng, X. Süvaõppe meetod lühiajaliseks elamukoormuse prognoosimiseks nutikas võrgus. IEEE Access 2020, 8, 55785–55797. [CrossRef] 22. Phuangpornpitak, N.; Prommee, W. Koormusnõudluse prognoosimudelite uuring elektrisüsteemi töös ja planeerimises. GMSARN Int. J. 2016, 10, 19–24.

23. Xiao, L.; Shao, W.; Liang, T.; Wang, C. Mitmel hooajalisel mustril ja modifitseeritud fifireflfly algoritmil põhinev kombineeritud mudel elektrikoormuse prognoosimiseks. Rakendus Energeetika 2016, 167, 135–153. [CrossRef]

24. Xue, B.; Geng, J. Keskmise ja pikaajalise energia prognoosimise dünaamiline põikkorrektsiooni meetod prognoosivigade statistika põhjal. In Proceedings of the 10th Conference on Power and Energy (IPEC), Ho Chi Minh, Vietnam, 12.–14. detsember 2012; lk 253–256. [CrossRef]

25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Erinevate tegurite mõju elektrikoormuse prognoosimisele: ülevaade. In Proceedings of the IEEE Power India International Conference (PIICON), Delhi, India, 5.–7. detsember 2014; lk 1–5.

26. Hippert, HS; Pedreira, CE; Souza, RC Neuraalvõrgud lühiajaliseks koormuse prognoosimiseks: ülevaade ja hindamine. IEEE Trans. Toitesüsteem. 2001, 16, 44–55. [CrossRef]

27. Fahad, MU; Arbab, N. Lühiajalise koormuse prognoosimist mõjutav tegur. J. Clean Energy Technol. 2014, 2, 305–309. [CrossRef]

28. Novianto, D.; Gao, W.; Kuroki, S. Aasia kogukondade inimeste elustiili ja energiatarbimise ülevaade: Indoneesia, Tai ja Hiina juhtumiuuring. Energia Võimsus Ing. 2015, 7, 465. [CrossRef]

29. Hernández, L.; Baladrón, C.; Aguiar, JM; Calavia, L.; Carro, B.; Sánchez-Esguevillas, A.; García, P.; Lloret, J. Sisendmuutujate asjakohasuse eksperimentaalne analüüs järgmise päeva elektrienergia agregeeritud nõudluse prognoosimisel närvivõrkude abil. Energiad 2013, 6, 2927–2948. [CrossRef]

30. Issi, F.; Kaplan, O. Kodumasinate koormusprofiilide ja energiatarbimise määramine. Energiad 2018, 11, 607. [CrossRef]

31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. Aegridade andmekaevandamisel põhinev elektrilise koormuse profiili analüüsi lähenemisviis. IEEE Access 2020, 8, 209915–209925. [CrossRef] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Elektrilise koormuse prognoosimine, mis põhineb sügaval õppimisel ja on optimeeritud nutika võrgu heuristilise algoritmi abil. Rakendus Energy 2020, 269, 114915. [CrossRef]

33. Gillies, DKA; Bernholtz, B.; Sandiford, PJ Uus lähenemine igapäevaste tippkoormuste prognoosimisele. Trans. Olen. Inst. Elekter. Eng. III osa Võimsusseade. Syst. 1956, 75, 382–387. [CrossRef]

34. Park, DC; El-Sharkawi, MA; Marks II, RJ; Atlas, LE; Damborg, MJ Elektrikoormuse prognoosimine tehisnärvivõrgu abil. IEEE Trans. Toitesüsteem. 1991, 6, 442–449. [CrossRef]

35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Alexiadis, MC; Maissis, AH Närvivõrgu lühiajalise koormuse prognoosimise mudel Kreeka elektrisüsteemi jaoks. IEEE Trans. Toitesüsteem. 1995, 11, 858–863. [CrossRef]

36. Lu, C.-N.; Wu, H.-T.; Vemuri, S. Neuraalvõrgupõhine lühiajalise koormuse prognoosimine. IEEE Trans. Toitesüsteem. 1993, 8, 336–342. [CrossRef] 37. Papalexopoulos, AD; Hao, S.; Peng, T.-M. EMS-i närvivõrgupõhise koormuse prognoosimise mudeli rakendamine. IEEE Trans. Toitesüsteem. 1994, 9, 1956–1962. [CrossRef]

38. Wang, P. Tehisintellekti määratlemisest. J. Artif. Kindral Intell. 2019, 10, 1–37. [CrossRef]

39. Ongsulee, P. Tehisintellekt, masinõpe ja süvaõpe. In Proceedings of the 15th International Conference on ICT and Knowledge Engineering (ICT&KE), Bangkok, Tai, 22.–24.11.2017; lk 1–6. [CrossRef]

40. Raz, AR; Llinas, J.; Mittu, R.; Lawless, WF Engineering infosünteesisüsteemides: ülevaade mõningatest väljakutsetest. Inimese ja masina vahel jagatud kontekstides; Lawless, WF, Mittu, R., Sofge, DA, toim.; Academic Press: Cambridge, MA, USA, 2020; lk 241–255, ISBN 9780128205433. [CrossRef]

41. Cohen, S. Masinõppe alused: strateegiad ja tehnikad. Tehisintellektis ja Süvaõppes Patoloogias; Cohen, S., toim.; Elsevier: Amsterdam, Holland, 2021; lk 13–40, ISBN 9780323675383. [CrossRef]

42. Bonetto, R.; Latzko, V. Masinõpe. Arvutitöös sidevõrkudes teooriast praktikani; Fitzek, FHP, Granelli, F., Seeling, P., toim.; Academic Press: Cambridge, MA, USA, 2020; lk 135–167, ISBN 9780128204887. [CrossRef]

43. Delua, J. Juhendatud vs. juhendamata õppimine: mis vahe on? 2021. Veebis saadaval: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (juurdepääs 15. novembril 2022).

44. Sarker, IH Masinõpe: algoritmid, reaalmaailma rakendused ja uurimissuunad. SN Comput. Sci. 2021, 2, 160. [CrossRef] [PubMed]

45. Choi, RY; Coyner, AS; Kalpathy-Cramer, J.; Chiang, MF; Campbell, JP Sissejuhatus masinõppesse, närvivõrkudesse ja süvaõppesse. Tõlk. Vis. Sci. Technol. 2020, 9, 14. [CrossRef]

46. ​​Alloghani, M.; Al-Jumeily, D.; Mustafifina, J.; Hussain, A.; Aljaaf, AJ Andmeteaduse juhendatud ja järelevalveta masinõppe algoritmide süstemaatiline ülevaade. In Supervised and Unsupervised Learning for Data Science; Berry, M., Mohamed, A., Yap, B., toim.; Springer: Cham, Šveits, 2020; lk 3–21. [CrossRef]

47. Satinet, C.; Fouss, F. Juhendatud masinõppe klassifikatsiooniraamistik rõivatoodete jätkusuutlikkuse jaoks. Jätkusuutlikkus 2022, 14, 1334. [CrossRef]

48. Jiang, T.; Gradus, JL; Rosellini, AJ Juhendatud masinõpe: lühike aabits. Behav. Seal. 2020, 51, 675–687. [CrossRef] [PubMed]

49. El Bouchefry, K.; de Souza, RS Õppimine suurandmetes: sissejuhatus masinõppesse. In Knowledge Discovery in Big Data from Astronomy and Earth Observation; Škoda, P., Adam, F., toim.; Elsevier: Amsterdam, Holland, 2020; lk 225–249, ISBN 9780128191545. [CrossRef]

50. Uddamari, N.; Ubbana, J. Uuring järelevalveta õppealgoritmide analüüsi kohta masinõppes. türklane. J. Comput. matemaatika. Education. 2021, 12, 6774–6782.

51. Khanum, M.; Mahboob, T.; Imtiaz, W.; Ghafoor, H.; Sehar, R. Uuring automatiseerimise, klassifitseerimise ja hoolduse järelevalveta masinõppe algoritmide kohta. Int. J. Comput. Rakendus 2015, 119, 34–39. [CrossRef]

52. Avinash, K.; William, G.; Ryan, B. Võrgurünnaku tuvastamine järelevalveta masinõppe algoritmi abil. Hawaii rahvusvahelise süsteemiteaduste konverentsi (HICSS) kogumikus, Maui, HI, USA, 7.–10. jaanuar 2020. [CrossRef]

53. Chen, Y.; Kong, R.; Kong, L. Tehisintellekti rakendused astronoomilistes suurandmetes. In Big Data in Astronomy; Kong, L., Huang, T., Zhu, Y., Yu, S., toim.; Elsevier: Amsterdam, Holland, 2020; lk 347–375, ISBN 9780128190845. [CrossRef]

54. Van Engelen, JE; Hoos, HH Küsitlus pooljuhitud õppimise kohta. Mach. Õppige. 2020, 109, 373–440. [CrossRef]

55. ZhongKaizhu, G.; Huang, H. Pooljuhitud õpe: taust, rakendused ja tulevikusuunad; Nova Science Publishers: New York, NY, USA, 2018.

56. Huynh, T.; Nibali, A.; Tema, Z. juhendas pooleldi õppimist meditsiinilise kujutise klassifitseerimiseks, kasutades tasakaalustamata koolitusandmeid. Arvuta. Meetodid Programmid Biomed. 2022, 216, 106628. [CrossRef]

57. Kaur, A.; Gourav, K. Uuring tugevdavate õpperakenduste ja selle algoritmide kohta. Int. J. Sci. Technol. Res. 2020, 9, 4223–4228.

58. Mohammed, M.; Khan, MB; Bashier Mohammed, BE masinõpe: algoritmid ja rakendused; CRC Press: Boca Raton, FL, USA, 2016.

59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. Ülevaade tugevdamise õppimise algoritmidest üleandmise haldamiseks 5G ülitihedates väikerakuvõrkudes. Rakendus Sci. 2022, 12, 426. [CrossRef]

60. Liu, S.; Vaata, KC; Ngiam, KY; Celi, LA; Päike, X.; Feng, M. Tugevdamine õpe kliiniliste otsuste toetamiseks intensiivravis: põhjalik ülevaade. J. Med. Internet Res. 2020, 22, e18477. [CrossRef] [PubMed]

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

62. Nichols, JA; Herbert Chan, HW; Baker, M. Masinõpe: tehisintellekti rakendused pildistamisel ja diagnoosimisel. Biophys. Rev 2019, 11, 111–118. [CrossRef]

63. Sadiq, R.; Rodríguez, MJ; Mian, HR Empiirilised mudelid joogivee desinfitseerimise kõrvalsaaduste (DBP) ennustamiseks: ajakohastatud ülevaade. In Encyclopedia of Environmental Health, 2. väljaanne; Nriagu, J., toim.; Elsevier: Amsterdam, Holland, 2019; lk 324–338, ISBN 978-0-444-63952-3.

64. Teuwen, J.; Moriakov, N. Konvolutsioonilised närvivõrgud. In Handbook of Medical Image Computing and Computer Assisted Intervention; Zhou, SK, Rueckert, D., Fichtinger, G., toim.; Elsevier: Amsterdam, Holland, 2020; lk 481–501, ISBN 9780128161760. [CrossRef]

65. He, Z. Deep Learning in Image Classification: A Survey Report. In Proceedings of the 2nd International Conference on Information Technology and Computer Application (ITCA), Guangzhou, Hiina, 18.–20.12.2020; lk 174–177. [CrossRef]

66. Khan, A.; Sohail, A.; Zahoora, U.; Qureshi, AS Uuring sügavate konvolutsiooniliste närvivõrkude hiljutiste arhitektuuride kohta. Artif. Intell. Rev. 2020, 53, 5455–5516. [CrossRef]

67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. Neuraalse masintõlke omadustest: kodeerija-dekoodri lähenemisviisid. arXiv 2014, arXiv:1409.1259.

68. Elman, J. Struktuuri leidmine ajas. Cogn. Sci. 1990, 14, 179–211. [CrossRef]

69. Toha, SF; Tokhi, MO MLP ja Elmani korduva närvivõrgu modelleerimine TRMS-i jaoks. IEEE 7. rahvusvahelise küberneetiliste intelligentsete süsteemide konverentsi kogumikus Londonis, Ühendkuningriigis, 9.–10. september 2008; lk 1–6. [CrossRef]

70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Raudteetransiidi reisijatevoo lühiajaline prognoosimine pika lühiajalise mälu närvivõrgu põhjal. In Proceedings of the International Conference on Intelligent Rail Transportation (ICIRT), Singapur, 12.–14. detsember 2018; lk 1–5. [CrossRef]

71. Zhao, Z.; Liang, Y.; Jin, X. Suuremahulise tegevusruumi käsitlemine sügavas Q võrgus. In Proceedings of the International Conference on Artificial Intelligence and Big Data (ICAIBD), Chengdu, Hiina, 26.–28. mai 2018; lk 93–96. [CrossRef]

72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Kasutaja ametiteadlik tingimuslikult piiratud Boltzmanni masinapõhine soovitus. IEEE rahvusvahelise asjade Interneti (iThings) ja IEEE rohelise andmetöötluse ja kommunikatsiooni (GreenCom) ning IEEE küber-, füüsilise ja sotsiaalse andmetöötluse (CPSCom) ja IEEE nutikate andmete (SmartData) konverents, Chengdu, Hiina, 15.–18. detsember 2016; lk 454–461. [CrossRef]

73. Taylor, GW; Hinton, GE; Roweis, ST Kaks hajutatud oleku mudelit kõrgmõõtmeliste aegridade genereerimiseks. J. Mach. Õppige. Res. 2011, 12, 1025–1068.

74. Hinton, GE; Osindero, S.; Teh, YW Kiire õppimisalgoritm sügavate uskumuste võrkude jaoks. Neuraalne arvuti. 2006, 18, 1527–1554. [CrossRef]

75. Bedi, G.; Venayagamoorthy, GK; Singh, R. IoT-põhise hoonekeskkonna arendamine elektrienergia tarbimise prognoosimiseks. IEEE Internet Things J. 2020, 7, 4912–4921. [CrossRef]

76. Timur, O.; Zor, K.; Çelik, Ö.; Teke, A.; ˙Ibrikçi, T. Statistiliste ja tehisintellekti tehnikate rakendamine keskmise tähtajaga elektrienergia prognoosimiseks: Juhtumiuuring regionaalhaigla jaoks. J. Sustain. Dev. Energia Veekeskkond. Syst. 2020, 8, 520–536. [CrossRef]

77. Selvi, MV; Mishra, S. Ilmastikumõju uurimine päeva-eelses tunnis elektrilise koormuse võimsuse prognoosimisel uue arhitektuuriga, mis on realiseeritud mitme muutujaga lineaarse regressiooni tehisnärvivõrgu tehnikates. In Proceedings of the 8th IEEE India International Conference on Power Electronics (IICPE), Jaipur, India, 13.–15. detsember 2018.

78. Selvi, MV; Mishra, S. Elektrilise koormuse võimsuse prognoosimise toimivuse uurimine mitmel ajahorisondil uue arhitektuuriga, mis on realiseeritud mitme muutujaga lineaarse regressiooni ja edasisuunas närvivõrgu tehnikates. IEEE Trans. Ind. Appl. 2020, 56, 5603–5612. [CrossRef]

79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Masinõppel põhinev integreeritud funktsioonide valiku lähenemisviis elektrinõudluse paremaks prognoosimiseks detsentraliseeritud energiasüsteemides. IEEE Access 2019, 7, 91463–91475. [CrossRef]

80. Wen, L.; Zhou, K.; Yang, S. Elamute koormuse nõudluse prognoosimine süvaõppe mudeli abil. Elekter. Toitesüsteem. Res. 2020, 179, 106073. [CrossRef]

81. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM Süvaõppe ja meteoroloogiliste parameetrite kasutamine fotogalvaaniliste generaatorite tunnisisese väljundvõimsuse intervalli prognoosimiseks nutika võrgu juhtimiseks. Energy 2022, 239, 122116. [CrossRef]

82. Taleb, I.; Guerard, G.; Fauberteau, F.; Nguyen, NA Paindlik süvaõppe meetod energia prognoosimiseks. Energiad 2022, 15, 3926. [CrossRef]

83. Xu, A.; Tian, ​​M.-W.; Firouzi, B.; Alatas, KA; Mohammadzadeh, A.; Ghaderpour, E. Uus süvaõppega piiratud Boltzmanni masin energiatarbimise prognoosimiseks. Jätkusuutlikkus 2022, 14, 10081. [CrossRef]

84. Yem Souhe, FG; Franklin Mbey, C.; Teplaira Boum, A.; Ele, P.; Foba Kakeu, VJ Hübriidmudel elektrienergia tarbimise prognoosimiseks nutikas võrgus. J. Eng. 2022, 6, 629–643. [CrossRef]

85. Aurangzeb, K.; Alhussein, M.; Javed, K.; Haider, SI Püramiidi-CNN-il põhinev süvaõppemudel sarnase profiiliga energiatarbijate võimsuskoormuse prognoosimiseks klastrite loomisel. IEEE Access 2021, 9, 14992–15003. [CrossRef]

86. Jahangir, H.; Tayarani, H.; Gougheri, SS; Golkar, MA; Ahmadian, A.; Elkamel, A. Süvaõppepõhine prognoosimisviis mikroklastri ja kahesuunalise LSTM-võrguga nutikates võrkudes. IEEE Trans. Ind elektron. 2021, 68, 8298–8309. [CrossRef]

87. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, asepresident Tõhus elamukoormuse prognoosimine, kasutades süvaõppe lähenemisviisi. Int. J. Comput. Rakendus Technol. 2022, 68, 205–214. [CrossRef]

88. Rosato, A.; Araneo, R.; Andreotti, A.; Panella, M. 2-D Convolution Deep Neural Network for Multivariate Energy Time Series Prediction. In Proceedings of the 2019 International Conference on Environment and Electrical Engineering and IEEE Industrial and Commercial Power Systems Europe 2019 (EEEIC/I&CPS Europe), Genova, Itaalia, 11.–14. juuni 2019.

89. Zhang, X.; Biagioni, D.; Cai, M.; Graf, P.; Rahman, S. Äärepilvega integreeritud lahendus hoonete nõudlusele reageerimiseks, kasutades tugevdusõpet. IEEE Trans. Nutikas võrk 2020, 12, 420–431. [CrossRef]

90. Aurangzeb, K.; Al-Hussein, M. Lühiajalise võimsuse koormuse prognoosimise süvaõppe raamistik, üksiku majapidamise energiakliendi juhtumiuuring. 2019. aasta rahvusvahelise arenevate arvutustehnoloogiate edusammude konverentsi (AECT) toimetuses Al Madinah Al Munawwarah, Saudi Araabia, 10. veebruar 2020.

91. Escobar, E.; Rodríguez Licea, MA; Rostro-Gonzalez, H.; Espinoza Calderon, A.; Barranco Gutiérrez, AI; Pérez-Pinal, FJ Nutivõrkude prognoosimise mitme muutujaga süvaõppe mudelite võrdlev analüüs. IEEE 2020. aasta jõu-, elektroonika- ja andmetöötluse rahvusvahelise sügiskohtumise (ROPEC) toimingutes, Ixtapa, Mehhiko, 4.–6. november 2020. [CrossRef]

92. Hafeez, G.; Alimgeer, KS; Wadud, Z.; Shafifiq, Z.; Ali Khan, MU; Khan, I.; Khan, FA; Derhab, A. Uudne täpne ja kiiresti lähenev süvaõppepõhine mudel elektrienergia tarbimise prognoosimiseks nutikas võrgus. Energiad 2020, 13, 2244. [CrossRef]

93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Nutivõrgu elektrinõudluse prognoosimine, mis põhineb süvaõppel. 27.–28. novembril 2020 Ho Chi Minhis, Vietnamis toimuva 2020 5nda rahvusvahelise rohelise tehnoloogia ja säästva arengu konverentsi (GTSD) toimetistes; lk 353–357. [CrossRef]

94. Rosato, A.; Succetti, F.; Araneo, R.; Andreotti, A.; Mitolo, M.; Panella, M. Kombineeritud süvaõppe lähenemine aegridade ennustamiseks energiakeskkondades. IEEE/IAS 2020. aasta 56. tööstuslike ja kaubanduslike elektrisüsteemide tehnilise konverentsi (I&CPS) materjal, Las Vegas, NV, USA, 29. juuni–28. juuli 2020.

95. Qi, X.; Zheng, X.; Chen, Q. Integreeritud energiasüsteemi lühiajaline koormuse prognoosimine, mis põhineb CNN-LSTM-il. In Proceedings of the 2020 International Conference on Energy, Environment ja Bioengineering (ICEEB 2020), Xi'an, Hiina, 7.–9. august 2020; 185. köide, lk. 01032. [CrossRef]

96. Wang, B.; Li, Y.; Ming, W.; Wang, S. Sügava tugevdamise õppemeetod katkestatava koormuse nõudlusele reageerimiseks. IEEE Trans. Nutikas võrk 2020, 11, 3146–3155. [CrossRef]

97. Wen, L.; Zhou, K.; Li, J.; Wang, S. Modifitseeritud süvaõpe ja tugevdav õpe stiimulipõhise nõudluse reageerimise mudeli jaoks. Energy 2020, 205, 118019. [CrossRef]

98. Yang, Y.; Li, W.; Gulliver, TA; Li, S. Bayesi süvaõppel põhinev tõenäosusliku koormuse prognoosimine nutikates võrkudes. IEEE Trans Ind. 2020, 16, 4703–4713. [CrossRef]

99. Amin, P.; Tšerkasova, L.; Aitken, R.; Kache, V. Energianõudluse modelleerimise ja prognoosimise automatiseerimine nutikate arvestite andmete abil. In Proceedings of the 2019 International Congress on Internet of Things (ICIOT), Milano, Itaalia, 8.–13. juuli 2019.

100. Atef, S.; Eltawil, AB Võrdlev uuring süvaõppe ja tugivektori regressiooni abil elektrihinna prognoosimiseks nutikates võrkudes. In Proceedings of the IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), Tokyo, Jaapan, 12.–15. aprill 2019; lk 603–607. [CrossRef]

101. Chan, S.; Oktavianti, I.; Puspita, V. Süvaõppe CNN ja AI-häälestatud SVM elektritarbimise prognoosimiseks: mitme muutujaga aegridade andmed. 2019. aasta IEEE 10. aasta infotehnoloogia, elektroonika- ja mobiilsidekonverentsi (IEMCON) toimetised, Vancouver, BC, Kanada, 17.–19. oktoober 2019.

102. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, QZ päev ette elektrilise koormuse prognoosimine intelligentse hübriidmudeli abil, mis põhineb nutika võrgu süvaõppel. 14. rahvusvahelise keerukate, intelligentsete ja tarkvaramahukate süsteemide konverentsi (CISIS-2020) kogumikus Lodzis, Poolas, 1.–3. juulil 2020.

103. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Nutika võrgu energiajuhtimine RNN-LSTM-i abil: süvaõppepõhine lähenemine. IEEE ülemaailmse kommunikatsioonikonverentsi (GLOBECOM) toimetistes, Big Island, HI, USA, 9.–13. detsember 2019; lk 1–6. [CrossRef]

104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Süvaõppe pika lühiajalise mälu rakendamine energiavajaduse prognoosimisel. Commun. Arvuta. Info Sci. 2019, 1000, 31–42. 105. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Pooltunnine elektrikoormuse prognoosimine konvolutsioonilise närvivõrgu abil. Innovatiivsed mobiil- ja Internetiteenused kõikjal kasutatavas andmetöötluses; Barolli, L., Xhafa, F., Hussain, O., toim.; Springer: Cham, Šveits; Köide 994. [CrossRef]

106. Kim, TY; Cho, SB Elamu energiatarbimise prognoosimine CNN-LSTM närvivõrkude abil. Energia 2019, 182, 72–81. [CrossRef]

107. Kim, T.; Cho, S. Osakeste sülemi optimeerimisel põhinevad CNN-LSTM võrgud energiatarbimise prognoosimiseks. IEEE 2019. aasta evolutsioonilise arvutuse kongressi (CEC) toimetistes Wellingtonis Uus-Meremaal 10.–13. juunil 2019.

108. Lu, R.; Hong, SH Stiimulipõhine nõudlusreageering nutikale võrgule koos tugevdava õppe ja sügava närvivõrguga. Rakendus Energia 2019, 236, 937–949. [CrossRef]

109. Pramono, SH; Rohmatillah, M.; Maulana, E.; Hasanah, RN; Hario, F. Süvaõppepõhine lühiajalise koormuse prognoosimine nõudlusele reageerimise programmi toetamiseks hübriidenergiasüsteemis. Energiad 2019, 12, 3359. [CrossRef]

110. Rahman, S.; Alam, MGR; Rahman, MM süvaõppel põhinev ansamblimeetod nutika kodu majapidamiste energianõudluse prognoosimiseks. 18.–20. detsembril 2019 Dhakas, Bangladeshis toimuva 2019 22nd International Conference on Computer and Information Technology (ICCIT) toimetistes.

111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Averaging Ensembles Model for Procecasting of Short-Term Load in Smart Grids. In Proceedings of the IEEE International Conference on Big Data (Big Data), Los Angeles, CA, USA, 9.–12.12.2019; lk 2931–2938. [CrossRef]

112. Ustundag Soykan, E.; Bilgin, Z.; Ersoy, MA; Tomur, E. Erinevalt privaatne süvaõpe koormuse prognoosimiseks nutikas võrgus. In Proceedings of the 2019 IEEE Globecom Workshops (GC Wkshps), Waikoloa, HI, USA, 9.–13. detsember 2019; lk 1–6. [CrossRef]

113. Vesa, AV; Ghitescu, N.; Pop, C.; Antal, M.; Cioara, T.; Anghel, IA; Salomie, I. Ulti-Learning Ensemble Model for Predicting Near Real Time Energy Consumption Demand of Elamute virnastamine. 2019. aasta IEEE 15. rahvusvahelise intelligentse arvutisuhtluse ja -töötluse konverentsi (ICCP) kogumikus, Cluj-Napoca, Rumeenia, 5.–7. september 2019.

114. Yang, Y.; Hong, W.; Li, S. Süvaansambliõppel põhinev tõenäosusliku koormuse prognoosimine nutikates võrkudes. 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. Elektrihinna ja koormuse prognoosimine, kasutades täiustatud konvolutsioonilise närvivõrgu täiustatud tugivektori regressiooni nutikates võrkudes. Elektroonika 2019, 8, 122. [CrossRef]

116. Ouyang, T.; Tema, Y.; Li, H.; Sun, Z.; Baek, S. Lühiajalise võimsuskoormuse modelleerimine ja prognoosimine kopulamudeli ja sügavate uskumuste võrgustikuga. IEEE Trans. Tekkima. Üles. Arvuta. Intell. 2019, 3, 127–136. [CrossRef]

117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rehman, AU; Ullah, Z. Lühiajaline koormuse prognoosimine, mis põhineb süvaõppel nutikate võrgurakenduste jaoks. In Proceedings of the 12th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS-2018), Matsue, Jaapan, 4.–6. juuli 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Konvolutsioonilised närvivõrgud energia aegridade prognoosimiseks. In Proceedings of the 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brasiilia, 8.–13. juuli 2018.

119. Kuo, PH; Huang, CJ Kõrge täpsusega tehisnärvivõrkude mudel lühiajalise energiakoormuse prognoosimiseks. Energiad 2018, 11, 213. [CrossRef]

120. Shi, H.; Xu, M.; Li, R. Leibkonna koormuse prognoosimise sügav õppimine – uudne, mis koondab sügava RNN-i. IEEE Trans Smart Grid 2018, 9, 5271–5280. [CrossRef]

121. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Deep prognoos: Deep learning-based spatiotemporal prognoosimine. arXiv 2017. [CrossRef]

122. Jarábek, T.; Laurinec, P.; Lucká, M. Energiakoormuse prognoos, kasutades S2S-i süvanärvivõrke koos K-kujulise rühmitusega. In Proceedings of the 2017 IEEE 14th International Scientific Conference on Informatics 2017, Poprad, Slovakkia, 14.–16.11.2017.

123. Li, L.; Ota, K.; Dong, M. Kõik on pilt: CNN-põhine lühiajaline elektrilise koormuse prognoos nutika võrgu jaoks. 2017 14th International Symposium on Pervasive Systems, Algorithms ja Networks & 2017 11th International Conference on Frontier of Computer Science and Technology & 2017 Third International Symposium of Creative Computing (ISPAN-FCST-ISCC) ), Exeter, Ühendkuningriik, 21.–23. juuni 2017; lk 344–351. [CrossRef]

124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Elektrienergia suurandmete võtmetehnoloogiate ja nende rakendusvõimaluste uuring nutikas võrgus. In Proceedings of the IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), Hongkong, Hiina, 7.–10. detsember 2014; lk 1–4. [CrossRef]