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

5.2.5. Uvjetno ograničena Boltzmann mašina

Ograničena Boltzmannova mašina (RBM) je stohastički RNN sa dva sloja, jedan sa vidljivim jedinicama i jedan sa binarnim skrivenim jedinicama. Ova vrsta mreže može naučiti distribuciju vjerovatnoće preko svog skupa ulaza. RBM su varijanta Boltzmannovih mašina (BM) i mogu biti u nadziranom ili nenadziranom načinu rada, ovisno o zadatku koji treba izvršiti.

Kineska biljka cistanche-Poboljšajte pamćenje

Kada su BM-ovi ograničeni, par čvorova iz svake od dvije grupe jedinica (vidljivih i skrivenih) može imati simetričnu vezu između njih, ali ne postoje veze između čvorova u istoj grupi, što omogućava efikasniju 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 zavisnosti između vidljivih varijabli, sa jedinice uslovnog 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 uslovnih 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 uslovnog sloja F; bi k je pristrasnost ocjene k sa jedinicom vidljivog sloja I; bj je pristrasnost karakteristike j; Wk ij je vezana težina između skrivenog sloja H i vidljivog sloja V; D je vezana težina između skrivenog sloja H i uslovnog sloja F; Dqj je vezana težina između skrivene karakteristike j i jedinice uslovnog sloja q.

Slika 5. Ograničena Boltzmannova mašina [73.

U [73], autori su predstavili faktorizovane uslovljene ograničene Boltzmannove mašine (FCRBM) dodavanjem koncepta faktorizovanih, multiplikativnih i trosmernih interakcija za predviđanje višestrukih stilova ljudskog kretanja.

Konačno, Deep Belief Networks (DBN) se formiraju od 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 izbalansirani u električnoj mreži. U ovom scenariju, pametne mreže mogu igrati važnu ulogu pružanjem dvosmjernog protoka energije između potrošača i komunalnih preduzeća. Za razliku od tradicionalnih električnih mreža, pametne mreže imaju sofisticirane senzorske uređaje koji generiraju podatke iz kojih se mogu izvesti energetski obrasci. Ovi obrasci su izuzetno korisni za predviđanje opterećenja, brijanje vrhova i upravljanje odgovorom na potražnju.

Zdravstvene prednosti Cistanche praha - Poboljšajte pamćenje

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

Tabela 5 sumira različite radove u kojima su praktičari uspješno koristili tehnike dubokog učenja u svrhe predviđanja. Ova iskustva su identifikovana nakon sistematskog pregleda objavljene literature. Pretraga referenci je vršena u različitim naučnim bazama podataka (npr. ScienceDirect, SpringerLink, IEEExplore, itd.). Recenzirani su i radovi iz različitih relevantnih naučnih časopisa kao što su Energy Informatics, IEEE Transactions on Smart Grid, Energies i Applied Energy. Ključne riječi koje se koriste uključuju: termine kao što su duboko učenje, ANN, neuronske mreže i nazive različitih modela dubokog učenja, i pune i akronime (npr. mreže dugotrajnog pamćenja i LSTM),

u kombinaciji (I) sa terminima koji se odnose na energetsko polje, preciznije, "prognoza potražnje za energijom", "prognoza potražnje za električnom energijom", "predviđanje opterećenja", "reakcija na potražnju", "reakcija na strani potražnje" i varijacije ovih izraza.

Tabela 5. Primjeri primjene tehnika dubokog učenja u energetskom domenu, s fokusom na predviđanje potražnje/opterećenja.

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

7. Zaključci

Povećana potražnja za energijom vrši pritisak na električnu mrežu da uravnoteži ponudu i potražnju. Pametne mreže mogu igrati važnu ulogu. U ovim sistemima redovno se prikupljaju i analiziraju podaci koji se odnose na upotrebu energije kako bi se dobila potrošnja energije. Dobijeni obrasci upotrebe mogu biti korisni za predviđanje potražnje i opterećenja. Ovo je izazovan zadatak u kontekstu pametnih okruženja, zbog čega istraživači ulažu posebne napore u to.

Da bismo odgovorili na današnje izazove predviđanja potražnje, gdje pametne mreže generiraju velike količine podataka, potrebno je koristiti moderne tehnike vođene podacima. Modeli zasnovani na dubokom učenju su dobra alternativa. Tradicionalno, istraživanja su se fokusirala na predviđanje potrošnje energije potrošača koristeći male povijesne skupove podataka dostupnih o njihovom ponašanju. Međutim, trenutna istraživanja primjenom metoda dubokog učenja pokazala su bolje performanse od konvencionalnih metoda predviđanja. Upotreba modela dubokog učenja uključuje korištenje velikih količina podataka, poput onih koje pružaju različiti skupovi podataka koje koriste praktičari u radovima prikupljenim u Tabeli 5. Činjenica je da pametne mreže generiraju velike količine podataka, tako da su i Big Data također ključna tehnologija za prevazilaženje izazova integracije obnovljive energije, fluktuacije opterećenja i održivog razvoja. Sa uvođenjem obnovljivih izvora energije u pametnu mrežu, sve veći broj varijabli se unosi u sistem i potrebno je više podataka obraditi. Ovu situaciju pogoršava i postupno uvođenje električnih vozila, pa i ove Big Data tehnologije postaju sve potrebnije [124].

Cistanche dodatak blizu mene - Poboljšajte pamćenje

Kliknite ovdje da vidite Cistanche Improve Memory proizvode

【Zatražite više】 Email:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Provedena studija je otkrila da su najrasprostranjeniji modeli dubokog učenja u energetskoj domeni za potrebe predviđanja potražnje CNN, RNN, LSTM, DQN i CRBM, i varijacija bilo kojeg od njih, kombinacija dva ili više njih, ili kombinacija bilo koje od njih sa 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,–{81, ,93–95,99,100,103,104,106,107,109–113,118,119,122], i kombinacija oba [82,88,91,94,95,106,107,109,118,119]. Pravi testni stolovi sa visokokvalitetnim podacima nisu uobičajeni, ali su neophodni za određivanje performansi modela dubokog učenja. Važno je nastaviti s testiranjem budućih modela dubokog učenja, uključujući potencijalne varijacije i/ili kombinacije dva ili više modela, u svrhe predviđanja u kontekstu pametnih mreža. Također je važno da se ovi testovi provode za različite scenarije. I dalje su potrebni modeli dubokog učenja koji mogu automatski predvidjeti opterećenje za različite tipove kupaca, prostorije/zgrade i različite vremenske uslove. Važno je testirati performanse dubokog učenja, ali i odrediti koji je model najbolji za svaki scenarij.

Što se tiče skupova podataka, praktičari su koristili različite opcije, ističući PJM tržište električne energije [32,92,102,108,112], SGSC [85,90,98], CER [98,114,120], ISO-NE [105,109,115], Pecan Street7 [8] [8]. , UCI [106,107], UKDALE [113] i REDD [21]. Mnogi pregledi 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 vrijedni koliko i podaci. Zapravo, bilo bi poželjno da istraživači inkorporiraju više informacija o podacima koji se koriste u svojim radovima, baveći se, na primjer, podjelom podataka za obuku/validaciju/testiranje, intervalom uzorkovanja podataka, metodom čišćenja podataka, itd. Ograničenje korištenja modela dubokog učenja je nedostatak visokokvalitetnih skupova podataka iz stvarnog svijeta. Budući trend bi vjerovatno bio prebacivanje naglaska sa modela na podatke. Nadalje, autori predviđaju integraciju IoT-a u modele dubokog učenja koji se koriste za predviđanje potražnje/opterećenja. Internet stvari omogućava demokratizaciju smisla. Ovo otvara uzbudljive mogućnosti u smislu prikupljanja podataka visokog kvaliteta, što je ključno u kontekstu predviđanja potražnje/opterećenja. S tim u vezi, još jedan budući trend bio bi razvoj integrisanih sistema koji uključuju neophodnu akviziciju i prethodnu obradu podataka.

Prednosti cistanche tubulosa - Poboljšajte pamćenje

Konačno, takođe je značajno da su se istraživači u većini slučajeva fokusirali na kratkoročno predviđanje.

Predviđanje opterećenja je izazovan zadatak u kontekstu pametnih okruženja. Shodno tome, istraživači ulažu posebne napore u to. Pravi testni stolovi sa visokokvalitetnim podacima nisu uobičajeni, ali su neophodni za određivanje performansi modela dubokog učenja. I dalje su potrebni modeli dubokog učenja koji mogu automatski predvidjeti opterećenje za različite tipove kupaca, prostorije/zgrade i različite vremenske uslove.

Šta radi cistanche - Poboljšava pamćenje

Reference

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

2. Cecati, C.; Mokryani, G.; Piccolo, A.; Siano, P. Pregled koncepta Smart Grid. U Proceedings of the IECON 2010—36th Annual Conference on IEEE Industrial Electronics Society, Glendale, CA, SAD, 7–10. novembar 2010; str. 3322–3327. 3. Vakulenko, I.; Saher, L.; Lyulyov, O.; Pimonenko, T. Sistematski pregled literature o pametnim mrežama. U Zborniku radova 1. konferencije o tradicionalnim i obnovljivim izvorima energije: perspektive i paradigme za 21. vek (TRESP 2021), Prag, Češka Republika, 22–23. januar 2021.; Volumen 250. [CrossRef]

4. Yan, Y.; Qian, Y.; Sharif, H.; Tipper, D. Anketa o sajber sigurnosti za komunikacije pametne mreže. IEEE Commun. Surv. Učitelj. 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 aplikacije za uskopojasne i širokopojasne komunikacije preko dalekovoda; John Wiley and Sons: Chichester, UK, 2010.

8. Vanting, NB; Ma, Z.; Jørgensen, BN Pregled 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 električne energije: budući trendovi u pametnim mrežama, mikromrežama i pametnim zgradama. IEEE Commun. Surv. Učitelj. 2014, 16, 1460–1495. [CrossRef]

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

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

12. Boža, P.; Evgeniou, T. Vještačka inteligencija za podršku integraciji varijabilnih obnovljivih izvora energije u 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 distribuiranih energetskih resursa. Koncept CERTS Microgrid. Bijeli papir. 2003. Dostupno na mreži: https://certs.lbl.gov/publications/integration-distributed-energy (pristupljeno 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 zgrade: Uvod u biblioteku budućnosti. Med. Ref. Serv. Q. 2016, 35, 326–331. [CrossRef] [PubMed]

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

17. Singh, A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, DK Tehnike i metodologije za predviđanje opterećenja: Pregled. U Proceedings of the 2nd International Conference on Power, Control and Embedded Systems (ICPCES), Allahabad, Indija, 17-19. decembar 2012. [CrossRef]

18. Nti, IK; Teimeh, M.; Nyarko-Boateng, O.; Adekoya, AF Predviđanje električnog opterećenja: sistematski 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 predviđanja potražnje za električnom energijom u zemljama sa niskim i srednjim dohotkom: determinante potražnje i horizonti. Održivost 2020, 12, 5931. [CrossRef]

20. Clements, AE; Hurn, AS; Li, Z. Predviđanje električnog opterećenja za dan unaprijed korištenjem pristupa vremenskim serijama više jednačina. 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 za opterećenjem u radu i planiranju elektroenergetskog sistema. GMSARN Int. J. 2016, 10, 19–24.

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

24. Xue, B.; Geng, J. Metoda dinamičke poprečne korekcije srednjoročnog i dugoročnog predviđanja energije na osnovu statistike grešaka u predviđanju. U Proceedings of the 10th Conference on Power and Energy (IPEC), Ho Chi Minh, Vijetnam, 12–14 decembar 2012; str. 253–256. [CrossRef]

25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Efekti različitih faktora na predviđanje električnog opterećenja: Pregled. U Proceedings of the IEEE Power India International Conference (PIICON), Delhi, Indija, 5–7 decembar 2014; str. 1–5.

26. Hippert, HS; Pedreira, CE; Souza, RC Neuralne mreže za kratkoročno predviđanje opterećenja: pregled i evaluacija. IEEE Trans. Power Syst. 2001, 16, 44–55. [CrossRef]

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

28. 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 relevantnosti ulaznih varijabli za predviđanje agregirane potražnje za električnom energijom sljedećeg dana korištenjem neuronskih mreža. Energies 2013, 6, 2927–2948. [CrossRef]

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

31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. Pristup analizi profila električnog opterećenja zasnovan na rudarenju podataka vremenskih serija. IEEE Access 2020, 8, 209915–209925. [CrossRef] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Predviđanje električnog opterećenja zasnovano 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. Electr. 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. Power Syst. 1991, 6, 442–449. [CrossRef]

35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Alexiadis, MC; Maissis, AH Model kratkoročnog predviđanja opterećenja neuronske mreže za grčki elektroenergetski sistem. IEEE Trans. Power Syst. 1995, 11, 858–863. [CrossRef]

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

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

39. Ongsulee, P. Vještačka inteligencija, mašinsko učenje i duboko učenje. U Proceedings of the 15th International Conference on ICT and Knowledge Engineering (ICT&KE), Bangkok, Tajland, 22–24. novembar 2017; str. 1–6. [CrossRef]

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

41. Cohen, S. Osnove mašinskog učenja: strategije i tehnike. U umjetnoj inteligenciji i dubokom učenju u patologiji; Cohen, S., Ed.; Elsevier: Amsterdam, Holandija, 2021; str. 13–40, ISBN 9780323675383 [CrossRef]

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

43. Delua, J. Nadzirano naspram nenadgledanog učenja: u čemu je razlika? 2021. Dostupno na mreži: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (pristupljeno 15. novembra 2022.).

44. Sarker, IH Mašinsko učenje: Algoritmi, primjene u stvarnom svijetu i pravci istraživanja. SN Comput. Sci. 2021, 2, 160. [CrossRef] [PubMed]

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

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

47. Satinet, C.; Fouss, F. Klasifikacioni okvir nadziranog mašinskog učenja za održivost odevnih proizvoda. Održivost 2022, 14, 1334. [CrossRef]

48. Jiang, T.; Gradus, JL; Rosellini, AJ Nadzirano mašinsko učenje: Kratak početnik. Behav. Ther. 2020, 51, 675–687. [CrossRef] [PubMed]

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

50. Uddamari, N.; Ubbana, J. Studija o analizi algoritama nenadgledanog učenja u mašinskom učenju. Turk. J. Comput. Math. Educ. 2021, 12, 6774–6782.

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

52. Avinash, K.; William, G.; Ryan, B. Otkrivanje mrežnih napada korištenjem algoritma za mašinsko učenje bez nadzora. U Proceedings of the Hawaii International Conference on System Sciences (HICSS), Maui, HI, SAD, 7–10. januara 2020. [CrossRef]

53. Chen, Y.; Kong, R.; Kong, L. Primjena umjetne inteligencije u astronomskim velikim podacima. In Big Data in Astronomy; Kong, L., Huang, T., Zhu, Y., Yu, S., ur.; Elsevier: Amsterdam, Holandija, 2020; str. 347–375, ISBN 9780128190845 [CrossRef]

54. Van Engelen, JE; Hoos, HH Anketa o polu-nadgledanom učenju. Mach. Naučite. 2020, 109, 373–440. [CrossRef]

55. ZhongKaizhu, G.; Huang, H. Polunadgledano učenje: pozadina, primjene i budući smjerovi; Izdavači Nova Science: Njujork, Njujork, SAD, 2018.

56. Huynh, T.; Nibali, A.; On, Z. Polunadgledano učenje za klasifikaciju medicinske slike koristeći neuravnotežene podatke o obuci. Račun. Metode Programi Biomed. 2022, 216, 106628. [CrossRef]

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

58. Mohammed, M.; Khan, MB; Bashier Mohammed, BE Mašinsko učenje: algoritmi i aplikacije; CRC Press: Boca Raton, FL, SAD, 2016.

59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. Pregled algoritama učenja s pojačavanjem za upravljanje primopredajem u 5G ultra gustim mrežama malih ćelija. Appl. Sci. 2022, 12, 426. [CrossRef]

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

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

62. Nichols, JA; Herbert Chan, HW; Baker, M. Mašinsko učenje: Primjena umjetne inteligencije na 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 Enciklopediji zdravlja životne sredine, 2. izd.; Nriagu, J., ur.; Elsevier: Amsterdam, Holandija, 2019; str. 324–338, ISBN 978-0-444-63952-3.

64. Teuwen, J.; Moriakov, N. Konvolucione neuronske mreže. In Handbook of Medical Image Computing and Computer Assisted Intervention; Zhou, SK, Rueckert, D., Fichtinger, G., Eds.; Elsevier: Amsterdam, Holandija, 2020; str. 481–501, ISBN 9780128161760 [CrossRef]

65. He, Z. Duboko učenje u klasifikaciji slika: Izvještaj o istraživanju. U Proceedings of the 2nd International Conference on Information Technology and Computer Application (ITCA), Guangzhou, Kina, 18-20 December 2020; str. 174–177. [CrossRef]

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

67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. 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 Recurrent Neural Network Modeling za TRMS. U Proceedings of the 7th IEEE International Conference on Cybernetic Intelligent Systems, London, UK, 9-10 September 2008; str. 1–6. [CrossRef]

70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Kratkoročno predviđanje željezničkog tranzitnog toka putnika na temelju neuronske mreže dugog kratkoročnog pamćenja. U Proceedings of the International Conference on Intelligent Rail Transportation (ICIRT), Singapur, 12–14 decembar 2018; str. 1–5. [CrossRef]

71. Zhao, Z.; Liang, Y.; Jin, X. Rukovanje velikim akcijskim prostorom u Deep Q mreži. U Proceedings of the International Conference on Artificial Intelligence and Big Data (ICAIBD), Chengdu, Kina, 26–28. maj 2018.; str. 93–96. [CrossRef]

72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Uslovno ograničena preporuka zasnovana na Boltzmann mašini svjestan zanimanja korisnika. U Proceedings of the IEEE International Conference on Internet of Things (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. 2016; str. 454–461. [CrossRef]

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

74. Hinton, GE; Osindero, S.; Teh, YW Algoritam za brzo učenje za duboke mreže vjerovanja. Neural Comput. 2006, 18, 1527–1554. [CrossRef]

75. Bedi, G.; Venayagamoorthy, GK; Singh, R. Razvoj građevinskog okruženja vođenog internetom stvari 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 statističkih tehnika i tehnika umjetne inteligencije za srednjoročno predviđanje električne energije: Studija slučaja za regionalnu bolnicu. J. Sustain. Dev. Energija Voda Okolina. Syst. 2020, 8, 520–536. [CrossRef]

77. Selvi, MV; Mishra, S. Istraživanje utjecaja vremenskih prilika u predviđanju električne energije za dan unaprijed sa novom arhitekturom realizovanom u tehnikama umjetne neuronske mreže s multivarijantnom linearnom regresijom. U Proceedings of the 8th IEEE India International Conference on Power Electronics (IICPE), Jaipur, Indija, 13–15. decembar 2018.

78. Selvi, MV; Mishra, S. Istraživanje performansi predviđanja snage električnog opterećenja u više vremenskih horizonta sa novom arhitekturom realizovanom u multivarijantnoj linearnoj regresiji i tehnikama neuronske mreže napred. IEEE Trans. Ind. Appl. 2020, 56, 5603–5612. [CrossRef]

79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Integrisani pristup odabira karakteristika zasnovan na mašinskom učenju za poboljšano predviđanje potražnje za električnom energijom u decentralizovanim energetskim sistemima. IEEE Access 2019, 7, 91463–91475. [CrossRef]

80. Wen, L.; Zhou, K.; Yang, S. Predviđanje potražnje opterećenja stambenih zgrada korištenjem modela dubokog učenja. Electr. Power Syst. Res. 2020, 179, 106073. [CrossRef]

82. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM Korištenje dubokog učenja i meteoroloških parametara za predviđanje intervala izlazne snage fotonaponskih generatora unutar sata 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. Energies 2022, 15, 3926. [CrossRef]

83. Xu, A.; Tian, ​​M.-W.; Firouzi, B.; Alattas, KA; Mohammadzadeh, A.; Ghaderpour, E. Nova Boltzmannova mašina s ograničenim dubokim učenjem 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 dubokog učenja baziran na piramidi na CNN-u za predviđanje energetskog opterećenja potrošača energije sličnog profila na osnovu grupisanja. IEEE Access 2021, 9, 14992–15003. [CrossRef]

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

87. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, VP Efikasno predviđanje stambenog opterećenja koristeći pristup dubokog učenja. Int. J. Comput. Appl. Technol. 2022, 68, 205–214. [CrossRef]

88. Rosato, A.; Araneo, R.; Andreotti, A.; Panella, M. 2-D Konvoluciona duboka neuronska mreža za multivarijantno predviđanje vremenskih serija energije. U Proceedings of the 2019 IEEE International Conference on Environment and Electrical Engineering and 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), Genova, Italy, 11–14 June 2019.

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

90. Aurangzeb, K.; Al-Hussein, M. Okvir dubokog učenja za kratkoročno predviđanje električnog opterećenja, studija slučaja pojedinačnog potrošača energije u domaćinstvu. U Proceedings of the 2019 International Conference on Advances in Emerging Computing Technologies (AECT), Al Madinah Al Munawwarah, Saudijska Arabija, 10. februar 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 Proceedings of the 2020 IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), Ixtapa, Meksiko, 4-6. novembar 2020. [CrossRef]

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

93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Predviđanje potražnje za električnom energijom za pametnu mrežu zasnovano na pristupu dubokog učenja. U Proceedings of the 2020 5th International Conference on Green Technology and Sustainable Development (GTSD), Ho Chi Minh City, Vijetnam, 27–28. novembar 2020.; str. 353–357. [CrossRef]

94. 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 radova 2020. IEEE/IAS 56. tehničke konferencije o industrijskim i komercijalnim energetskim sistemima (I&CPS), Las Vegas, NV, SAD, 29. jun–28. jul 2020.

95. Qi, X.; Zheng, X.; Chen, Q. Kratkoročno predviđanje opterećenja integrisanog energetskog sistema zasnovano na CNN-LSTM. U Proceedings of the 2020 International Conference on Energy, Environ, and Bioengineering (ICEEB 2020), Xi'an, Kina, 7–9 august 2020; Sveska 185, str. 01032. [CrossRef]

96. Wang, B.; Li, Y.; Ming, W.; Wang, S. Metoda učenja dubokog pojačanja za upravljanje odzivom na zahtjev prekidnog opterećenja. IEEE Trans. Smart Grid 2020, 11, 3146–3155. [CrossRef]

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

98. Yang, Y.; Li, W.; Gulliver, TA; Li, S. Bayesian probabilističko predviđanje opterećenja zasnovano na dubokom učenju u pametnim mrežama. IEEE Trans Inf. 2020, 16, 4703–4713. [CrossRef]

99. Amin, P.; Čerkasova, L.; Aitken, R.; Kache, V. Automatizacija modeliranja i predviđanja potrošnje energije pomoću podataka pametnog brojila. U Proceedings of 2019 IEEE International Congress on Internet of Things (ICIOT), Milano, Italija, 8–13. jul 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 Proceedings of the IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), Tokio, Japan, 12-15 April 2019; str. 603–607. [CrossRef]

101. Chan, S.; Oktavianti, I.; Puspita, V. CNN sa dubokim učenjem i SVM prilagođen AI za predviđanje potrošnje električne energije: podaci o viševarijantnim vremenskim serijama. U Proceedings of the 2019 IEEE 10th Godis Information Technology, Electronics and Mobile Communication Conference (IEMCON), Vancouver, BC, Canada, 17-19 October 2019.

103. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, QZ Predviđanje električnog opterećenja za dan unaprijed pomoću inteligentnog hibridnog modela zasnovanog na dubokom učenju za pametnu mrežu. U Zborniku radova 14. međunarodne konferencije o složenim, inteligentnim i softversko intenzivnim sistemima (CISIS-2020), Lođ, Poljska, 1.–3. jula 2020.

104. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Smart Grid Energy Management koristeći RNN-LSTM: Pristup zasnovan na dubokom učenju. U Proceedings of the IEEE Global Communications Conference (GLOBECOM), Big Island, HI, SAD, 9. – 13. decembar 2019.; str. 1–6. [CrossRef]

104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Primjena dugotrajnog kratkoročnog pamćenja dubokog učenja u predviđanju potrošnje energije. Commun. Račun. Inf. Sci. 2019, 1000, 31–42. 106. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Polasatno predviđanje električnog opterećenja korištenjem konvolucione neuronske mreže. Inovativne mobilne i internetske usluge u sveprisutnom računarstvu; Barolli, L., Xhafa, F., Hussain, O., Eds.; Springer: Cham, Švicarska; Volumen 994. [CrossRef]

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

107. Kim, T.; Cho, S. CNN-LSTM mreže za predviđanje potrošnje energije zasnovane na optimizaciji roja čestica. U Proceedings of 2019 IEEE Congress on Evolutionary Computation (CEC), Wellington, Novi Zeland, 10-13. juna 2019.

108. Lu, R.; Hong, SH Odgovor na potražnju zasnovan na poticajima za pametnom mrežom s učenjem pojačanja i dubokom neuronskom mrežom. Appl. Energy 2019, 236, 937–949. [CrossRef]

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

110. Rahman, S.; Alam, MGR; Rahman, MM Ansambl metoda zasnovana na dubokom učenju za predviđanje potrošnje energije u domaćinstvu pametnog doma. U Proceedings of the 2019 22nd International Conference on Computer and Information Technology (ICCIT), Daka, Bangladeš, 18.–20. decembra 2019.

111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Averageing Ensembles Model for Forecasting of Short-Term Load in Smart Grids. U Proceedings of the IEEE International Conference on Big Data (Big Data), Los Angeles, CA, SAD, 9-12 decembar 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 Proceedings of the 2019 IEEE Globecom Workshops (GC Wkshps), Waikoloa, HI, SAD, 9–13. decembar 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 skoro realnom vremenu u stambenim zgradama. U Proceedings of the 2019 IEEE 15th International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, Rumunija, 5–7 septembra 2019.

114. Yang, Y.; Hong, W.; Li, S. Deep ensemble Learning based probabilistic load forecasting in smart grids. Energy 2019, 189, 116324. [CrossRef]

116. Zahid, M.; Ahmed, F.; Javaid, N.; Abbasi, RA; Zainab Kazmi, HS; Javaid, A.; Bilal, M.; Akbar, M.; Ilahi, M. Predviđanje cijena električne energije i opterećenja korištenjem poboljšane konvolucione neuronske mreže poboljšane regresije vektora podrške u pametnim mrežama. Electronics 2019, 8, 122. [CrossRef]

116. Ouyang, T.; On, Y.; Li, H.; Sun, Z.; Baek, S. Modeliranje i predviđanje kratkoročnog opterećenja sa kopula modelom i dubokom mrežom vjerovanja. IEEE Trans. Emerg. Top. Račun. Intell. 2019, 3, 127–136. [CrossRef]

117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rehman, AU; Ullah, Z. Kratkoročno predviđanje opterećenja na osnovu dubokog učenja za aplikacije Smart Grid. U Proceedings of the 12th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS-2018), Matsue, Japan, 4-6 July 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Convolutional Neural Networks for Energy Time Series Forecasting. U Proceedings of the 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 8-13 July 2018.

120. Kuo, PH; Huang, CJ Model visoke preciznosti umjetnih neuronskih mreža za kratkoročno predviđanje energetskog opterećenja. Energije 2018, 11, 213. [CrossRef]

120. Shi, H.; Xu, M.; Li, R. Dubinsko učenje o predviđanju opterećenja domaćinstva—Nova duboka RNN udruživanja. IEEE Trans Smart Grid 2018, 9, 5271–5280. [CrossRef]

122. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Duboka prognoza: prostorno vremensko predviđanje zasnovano na dubokom učenju. arXiv 2017. [CrossRef]

122. Jarábek, T.; Laurinec, P.; Lucká, M. Prognoza energetskog opterećenja korištenjem S2S dubokih neuronskih mreža s klasterizacijom oblika K. U Proceedings of 2017 IEEE 14th International Scientific Conference on Informatics 2017, Poprad, Slovakia, 14–16 novembar 2017.

123. Li, L.; Ota, K.; Dong, M. Sve je slika: CNN-bazirano kratkoročno predviđanje električnog opterećenja za pametnu mrežu. U Zborniku radova 2017 14th International Sympozium 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. juna 2017.; str. 344–351. [CrossRef]

124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Studija ključnih tehnologija velikih podataka električne energije i mogućnosti njihove primjene u pametnoj mreži. U Proceedings of the IEEE PES Asia-Pacifific Power and Energy Engineering Conference (APPEEC), Hong Kong, Kina, 7–10 decembar 2014; str. 1–4. [CrossRef]