Wawasan Peramalan Permintaan Berbasis Pembelajaran Jauh di Smart Grids(2)

5.2.5. Mesin Boltzmann Terbatas Bersyarat

Restricted Boltzmann Machine (RBM) adalah RNN stokastik dengan dua lapisan, satu dengan unit yang terlihat dan satu lagi dengan unit tersembunyi biner. Jenis jaringan ini dapat mempelajari distribusi probabilitas pada rangkaian inputnya. RBM adalah varian dari Mesin Boltzmann (BM) dan dapat dalam mode diawasi atau tidak diawasi, tergantung pada tugas yang akan dilakukan.

Ramuan Cina Cistanche-Meningkatkan Daya Ingat

Saat BM dibatasi, sepasang node dari masing-masing kelompok unit (terlihat dan tersembunyi) dapat memiliki koneksi simetris di antara keduanya, tetapi tidak ada koneksi antar node dalam grup yang sama, memungkinkan pelatihan yang lebih efisien. Di sisi lain, BM tak terbatas dapat memiliki koneksi antar unit tersembunyi.

RBM terdiri dari m unit yang terlihat V=(v1, . . . , vm) yang mewakili data yang dapat diamati dan n unit tersembunyi H=(h1, . . . , hn) menangkap ketergantungan antara variabel yang dapat diamati, dengan unit lapisan kondisional F=(f 1, . . , fp), seperti yang ditunjukkan pada Gambar 5 [72].

di mana m mewakili jumlah item yang diberi peringkat oleh pengguna; H adalah jumlah lapisan tersembunyi; F adalah jumlah lapisan kondisional; K adalah peringkat tinggi; vki adalah nilai biner dari unit lapisan tampak I dan peringkat k; hj adalah nilai biner dari unit tersembunyi j; fq adalah nilai biner dari conditional layer F; bi k adalah bias rating k dengan unit lapisan tampak I; bj adalah bias fitur j; Wk ij adalah bobot penghubung antara lapisan tersembunyi H dan lapisan tampak V; D adalah bobot terhubung antara lapisan tersembunyi H dan lapisan bersyarat F; Dqj adalah bobot yang terhubung antara fitur tersembunyi j dan unit conditional layer q.

Gambar 5. Mesin Boltzmann yang Dibatasi [73.

Pada [73], penulis memperkenalkan Factored Conditioned Restricted Boltzmann Machines (FCRBMs) dengan menambahkan konsep interaksi berfaktor, multiplikatif, dan tiga arah untuk memprediksi berbagai gaya pergerakan manusia.

Terakhir, Deep Belief Networks (DBNs) dibentuk oleh beberapa RBM yang ditumpuk satu sama lain [74]

6. Model Pembelajaran Mendalam dan Peramalan Permintaan dalam Konteks Smart Grids

Para peneliti telah mengusulkan model peramalan di dua area utama di mana teknik Deep Learning dapat diterapkan [8]: (1) manajemen permintaan (mis., [75,76]) dan (2) kontrol jaringan (mis., [77–79]) .

Karena meningkatnya permintaan energi dari berbagai sektor, pasokan, dan permintaan harus seimbang dalam jaringan listrik. Dalam skenario ini, smart grid dapat memainkan peran penting dengan menyediakan aliran energi dua arah antara konsumen dan utilitas. Tidak seperti jaringan listrik tradisional, jaringan pintar memiliki perangkat penginderaan canggih yang menghasilkan data dari mana pola energi dapat diturunkan. Pola ini sangat berguna untuk peramalan beban, pencukuran puncak, dan manajemen respons permintaan.

Manfaat kesehatan bubuk Cistanche - Meningkatkan Daya Ingat

Karena jumlah data yang dihasilkan oleh smart grid sangat besar dan terus meningkat, model berbasis Deep Learning adalah pilihan yang baik untuk memahami pola konsumsi dan membuat prakiraan. Para peneliti telah mempelajari kemungkinan menggunakan model Deep Learning, dengan jaringan LSTM memainkan peran utama (misalnya, [32,57,80])

Tabel 5 merangkum berbagai pekerjaan di mana praktisi telah berhasil menggunakan teknik Deep Learning untuk tujuan peramalan. Pengalaman-pengalaman ini telah diidentifikasi setelah tinjauan sistematis dari literatur yang diterbitkan. Pencarian referensi telah dilakukan di berbagai database ilmiah (misalnya, ScienceDirect, SpringerLink, IEEExplore, dll.). Makalah dari berbagai jurnal ilmiah terkait seperti Energy Informatics, IEEE Transactions on Smart Grid, Energies, dan Applied Energy juga telah direview. Kata kunci yang digunakan meliputi: istilah seperti Deep Learning, JST, jaringan saraf, dan nama-nama model Deep Learning yang berbeda, baik lengkap maupun akronim (misalnya, jaringan Memori Jangka Pendek Panjang dan LSTM),

digabungkan(DAN)dengan istilah yang terkait dengan bidang energi, lebih khusus lagi, "peramalan permintaan energi", "peramalan permintaan listrik", "peramalan beban", "respons permintaan", "respons sisi permintaan" dan variasi dari ungkapan-ungkapan ini.

Tabel 5. Contoh penerapan teknik Deep Learning dalam domain energi, dengan fokus pada peramalan permintaan/beban.

Pencarian terbatas pada 6 tahun terakhir. Keputusan tentang artikel mana yang akhirnya dimasukkan dalam Tabel 5 dibuat oleh penulis setelah meninjau hasil pencarian dan memastikan bahwa pekerjaan tersebut melibatkan penggunaan model Deep Learning untuk tujuan peramalan permintaan atau beban.

7. Kesimpulan

Meningkatnya permintaan energi memberi tekanan pada jaringan listrik untuk menyeimbangkan penawaran dan permintaan. Jaringan cerdas dapat memainkan peran penting. Dalam sistem ini, data terkait penggunaan energi dikumpulkan dan dianalisis secara berkala untuk mendapatkan konsumsi energi. Pola penggunaan yang diperoleh dapat berguna untuk peramalan permintaan dan beban. Ini adalah tugas yang menantang dalam konteks lingkungan cerdas, itulah sebabnya para peneliti melakukan upaya khusus untuk ini.

Untuk memenuhi tantangan peramalan permintaan saat ini, di mana smart grid menghasilkan data dalam jumlah besar, perlu menggunakan teknik berbasis data modern. Model berbasis Deep Learning adalah alternatif yang baik. Secara tradisional, penelitian berfokus pada peramalan konsumsi energi pelanggan dengan menggunakan kumpulan data historis kecil yang tersedia tentang perilaku mereka. Namun, penelitian saat ini yang menerapkan metode Deep Learning telah menunjukkan kinerja yang lebih baik daripada metode peramalan konvensional. Penggunaan model Deep Learning melibatkan penggunaan data dalam jumlah besar, seperti yang disediakan oleh kumpulan data berbeda yang digunakan oleh para praktisi dalam karya yang dikumpulkan di Tabel 5. Ini adalah fakta bahwa smart grid menghasilkan data dalam jumlah besar, jadi Big Data juga teknologi kunci untuk mengatasi tantangan integrasi energi terbarukan, fluktuasi beban, dan pembangunan berkelanjutan. Dengan diperkenalkannya energi terbarukan ke dalam smart grid, semakin banyak variabel yang dimasukkan ke dalam sistem dan semakin banyak data yang perlu diproses. Situasi ini juga diperparah dengan diperkenalkannya kendaraan listrik secara bertahap, sehingga teknologi Big Data ini juga semakin dibutuhkan [124].

Suplemen Cistanche dekat saya-Meningkatkan Memori

Klik di sini untuk melihat produk-produk Cistanche Improve Memory

【Minta lebih lanjut】 Email:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Studi yang dilakukan telah mengungkapkan bahwa model Deep Learning yang paling banyak digunakan dalam domain energi untuk tujuan peramalan permintaan adalah CNN, RNN, LSTM, DQN, dan CRBM, dan variasi dari salah satunya, kombinasi dari dua atau lebih di antaranya. atau kombinasi salah satunya dengan teknik lain. Terkemuka adalah CNN dan variasinya seperti Pyramid-CNN [82,85,88,90,91,94,95,101,106,107,109,115,118,119,123], LSTM dan variasinya seperti B-LSTM [80,82,86–88,91 ,93–95,99,100,103,104,106,107,109–113,118,119,122], dan kombinasi keduanya [82,88,91,94,95,106,107,109,118,119]. Testbed nyata dengan data berkualitas tinggi tidak umum tetapi diperlukan untuk menentukan kinerja model Deep Learning. Penting untuk terus menguji model Deep Learning di masa mendatang, termasuk potensi variasi dan/atau kombinasi dari dua model atau lebih, untuk tujuan peramalan dalam konteks smart grid. Penting juga bahwa pengujian ini dilakukan untuk skenario yang berbeda. Model Deep Learning yang mampu memperkirakan beban secara otomatis untuk berbagai jenis pelanggan, tempat/bangunan, dan kondisi cuaca yang berbeda masih diperlukan. Penting untuk menguji kinerja Deep Learning, tetapi juga untuk menentukan model mana yang terbaik untuk setiap skenario.

Dalam hal kumpulan data, praktisi menggunakan opsi yang berbeda, menyoroti pasar listrik 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] dan REDD [21]. Banyak ulasan peramalan sesuai permintaan/beban dalam konteks smart grid berfokus pada model Deep Learning yang digunakan tetapi melupakan datanya. Namun, agar implementasi Deep Learning berhasil, algoritme sama berharganya dengan data. Bahkan, akan diinginkan bagi peneliti untuk memasukkan lebih banyak informasi tentang data yang digunakan dalam pekerjaan mereka, menangani misalnya pemisahan data pelatihan/validasi/pengujian, interval pengambilan sampel data, metode pembersihan data, dll. Salah satunya keterbatasan penggunaan model Deep Learning adalah kurangnya kumpulan data dunia nyata berkualitas tinggi. Tren masa depan mungkin akan menggeser penekanan dari model ke data. Selanjutnya, penulis meramalkan integrasi IoT ke dalam model Deep Learning yang digunakan untuk peramalan permintaan/beban. IoT memungkinkan demokratisasi akal. Hal ini membuka peluang menarik dalam hal pengumpulan data berkualitas tinggi, yang sangat penting dalam konteks prakiraan permintaan/beban. Terkait dengan ini, tren masa depan lainnya adalah pengembangan sistem terintegrasi yang mencakup akuisisi dan pra-pemrosesan data yang diperlukan.

Manfaat cistanche tubulosa - Meningkatkan Daya Ingat

Akhirnya, juga luar biasa bahwa dalam banyak kasus para peneliti berfokus pada peramalan jangka pendek.

Peramalan beban adalah tugas yang menantang dalam konteks lingkungan cerdas. Akibatnya, para peneliti melakukan upaya khusus untuk itu. Testbed nyata dengan data berkualitas tinggi tidak umum tetapi diperlukan untuk menentukan kinerja model Deep Learning. Model Deep Learning yang mampu memperkirakan beban secara otomatis untuk berbagai jenis pelanggan, tempat/bangunan, dan kondisi cuaca yang berbeda masih diperlukan.

Apa yang dilakukan cistanche- Tingkatkan Memori

Referensi

1. Pantat, OM; Zulkarnain, M.; Butt, TM Kemajuan terkini dalam teknologi smart grid: Prospek masa depan dalam jaringan tenaga listrik. Ain Syams Eng. J. 2021, 12, 687–695. [Referensi Silang]

2. Cecati, C.; Mokryani, G.; Piccolo, A.; Siano, P. Tinjauan Konsep Smart Grid. Dalam Prosiding IECON 2010—Konferensi Tahunan ke-36 tentang IEEE Industrial Electronics Society, Glendale, CA, USA, 7–10 November 2010; hlm. 3322–3327. 3. Vakulenko, I.; Saher, L.; Lyulyov, O.; Pimonenko, T. Tinjauan Sastra Sistematis tentang Smart Grids. Dalam Prosiding Konferensi Pertama tentang Sumber Energi Tradisional dan Terbarukan: Perspektif dan Paradigma untuk Abad ke-21 (TRESP 2021), Praha, Republik Ceko, 22–23 Januari 2021; Volume 250. [Referensi Silang]

4. Yan, Y.; Qian, Y.; Syarif, H.; Tipper, D. Sebuah survei tentang keamanan dunia maya untuk komunikasi smart grid. Komunitas IEEE. Bertahan Tutor. 2012, 14, 998–1010. [Referensi Silang]

5. Shawkat Ali, ABM; Azad, SA Peramalan permintaan di smart grid. Teknologi Energi Hijau. 2013, 132, 135–150. [Referensi Silang]

6. Prabadevi, B.; Pham, Q.-V.; Liyanage, M.; Deepa, N.; Vvss, M.; Reddy, S.; Madikunta, PKR; Khare, N.; Gadekallu, TR; Hwang, WH Pembelajaran mendalam untuk respons permintaan cerdas dan jaringan cerdas: Survei komprehensif. arXiv 2021. [Ref Silang]

7. Ferreira, HC; Lampe, L.; Newbury, J.; Swart, Komunikasi Saluran Listrik TG. Teori dan Aplikasi untuk Komunikasi Narrowband dan Broadband Melalui Saluran Listrik; John Wiley and Sons: Chichester, Inggris, 2010.

8. Vanting, NB; Bu, Z.; Jørgensen, BN Tinjauan cakupan jaringan saraf dalam untuk peramalan beban listrik. Informasi Energi. 2021, 4, 49. [Ref Silang]

9. Hernández, L.; Baladron, C.; Aguiar, JM; Carro, B.; Sánchez-Esguevillas, AJ; Lloret, J.; Massana, J. Survei tentang peramalan permintaan tenaga listrik: Tren masa depan dalam smart grid, microgrid, dan smart building. Komunitas IEEE. Bertahan Tutor. 2014, 16, 1460–1495. [Referensi Silang]

10. Javed, F.; Arshad, N.; Wallin, F.; Vassileva, I.; Dahlquist, E. Peramalan untuk respon permintaan di smart grid: Analisis penggunaan data antropologi dan struktural dan peramalan beberapa beban jangka pendek. Aplikasi Energi 2012, 96, 150–160. [Referensi Silang]

11. Khodayar, ME; Wu, H. Peramalan permintaan dalam paradigma smart grid: Fitur dan tantangan. Listrik J.2015, 28, 51–62. [Referensi Silang]

12. Boza, P.; Evgeniou, T. Kecerdasan buatan untuk mendukung integrasi sumber energi terbarukan variabel ke sistem tenaga. Aplikasi Energi 2021, 290, 116754. [Ref Silang]

13. Lasseter, R.; Akhil, A.; Mamy, C.; Stephens, J.; Dagle, J.; Guttromson, R.; Meliopoulous, AS; Yinger, R.; Eto, J. Integrasi Sumber Daya Energi Terdistribusi. Konsep Microgrid CERTS. Kertas putih. 2003. Tersedia online: https://certs.lbl.gov/publications/integration-distributed-energy (diakses pada 20 November 2022).

14. Anduaga, J.; Boyra, M.; Cobelo, I.; Garcia, E.; Gil, A.; Jimeno, J.; Laresgoiti, I.; Oyarzabal, JM; Rodríguez, R.; Sánchez, E.; et al. La Microrred, Sebuah Alternatif Futuro Untuk Sebuah Suministro Energy Integral; TECNALIA, Corporación Tecnológica: Derio, Spanyol, 2008.

15. Hoy, MB Bangunan pintar: Pengantar perpustakaan masa depan. Kedokteran referensi Melayani. P. 2016, 35, 326–331. [Referensi Silang] [PubMed]

16. Fang, X.; Misra, S.; Xue, G.; Yang, D. Smart grid—Jaringan listrik baru dan lebih baik: Survei. Komunitas IEEE. Bertahan Tutor. 2012, 14, 944–980. [Referensi Silang]

17.Singh,A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, Teknik dan Metodologi Peramalan Beban DK: Tinjauan. Dalam Prosiding 2nd International Conference on Power, Control and Embedded Systems (ICPCES), Allahabad, India, 17–19 Desember 2012. [CrossRef]

18. Nti, IK; Teimeh, M.; Nyarko-Boateng, O.; Adekoya, AF Peramalan beban listrik: Tinjauan sistematis. J.Electr. Sistem. Inf. Technol. 2020, 7, 13. [Ref Silang]

19. Ahmad Mir, A.; Alghassab Kafait, M.; Ullah, K.; Ali Khan, Z.; Lu, Y.; Imran, M. Tinjauan peramalan permintaan listrik di negara berpenghasilan rendah dan menengah: Penentu dan cakrawala permintaan. Keberlanjutan 2020, 12, 5931. [Ref Silang]

20. Klemens, AE; Hurn, SEBAGAI; Li, Z. Peramalan beban listrik sehari-hari menggunakan pendekatan deret waktu persamaan berganda. eur. J.Oper. Res. 2016, 251, 522–530. [Referensi Silang]

21. Hong, Y.; Zhou, Y.; Li, Q.; Xu, W.; Zheng, X. Metode pembelajaran mendalam untuk peramalan beban perumahan jangka pendek di smart grid. Akses IEEE 2020, 8, 55785–55797. [Ref Silang] 22. Phuangpornpitak, N.; Prommee, W. Sebuah studi model peramalan permintaan beban dalam operasi dan perencanaan sistem tenaga listrik. GMSARN Int. J.2016, 10, 19–24.

23. Xiao, L.; Shao, W.; Liang, T.; Wang, C. Model gabungan berdasarkan beberapa pola musiman dan algoritma fifireffly yang dimodifikasi untuk peramalan beban listrik. Aplikasi Energi 2016, 167, 135–153. [Referensi Silang]

24. Xue, B.; Geng, J. Metode Koreksi Transversal Dinamis Peramalan Energi Jangka Menengah dan Jangka Panjang Berdasarkan Statistic of Forecasting Errors. Dalam Prosiding Konferensi ke-10 tentang Kekuasaan dan Energi (IPEC), Ho Chi Minh, Vietnam, 12–14 Desember 2012; hlm. 253–256. [Referensi Silang]

25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Pengaruh Berbagai Faktor pada Peramalan Beban Listrik: Suatu Tinjauan. Dalam Prosiding Konferensi Internasional IEEE Power India (PIICON), Delhi, India, 5–7 Desember 2014; hlm. 1–5.

26. Hippert, HS; Pedreira, CE; Souza, RC Neural network untuk peramalan beban jangka pendek: Tinjauan dan evaluasi. Trans IEEE. Sistem Daya. 2001, 16, 44–55. [Referensi Silang]

27. Fahad, MU; Arbab, N. Faktor yang mempengaruhi peramalan beban jangka pendek. J. Teknologi Energi Bersih. 2014, 2, 305–309. [Referensi Silang]

28. Novianto, D.; Gao, W.; Kuroki, S. Review gaya hidup masyarakat dan konsumsi energi masyarakat Asia: Studi kasus Indonesia, Thailand, dan China. Tenaga Energi Eng. 2015, 7, 465. [Referensi Silang]

29. Hernández, L.; Baladron, C.; Aguiar, JM; Calavia, L.; Carro, B.; Sánchez-Esguevillas, A.; Garcia, P.; Lloret, J. Analisis eksperimental dari relevansi variabel input untuk meramalkan permintaan listrik agregat hari berikutnya menggunakan jaringan saraf. Energi 2013, 6, 2927–2948. [Referensi Silang]

30. Issi, F.; Kaplan, O. Penentuan profil beban dan konsumsi daya peralatan rumah tangga. Energi 2018, 11, 607. [Ref Silang]

31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. Pendekatan analisis profil beban listrik berdasarkan data mining deret waktu. Akses IEEE 2020, 8, 209915–209925. [Ref Silang] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Peramalan beban listrik berdasarkan pembelajaran mendalam dan dioptimalkan oleh algoritma heuristik di smart grid. Aplikasi Energi 2020, 269, 114915. [Ref Silang]

33. Gillies, DKA; Bernholtz, B.; Sandiford, PJ Pendekatan baru untuk meramalkan beban puncak harian. Trans. Saya. Inst. Listrik Eng. Bagian III Penampilan Daya. Sistem. 1956, 75, 382–387. [Referensi Silang]

34. Taman, DC; El-Sharkawi, MA; Tanda II, RJ; Atlas, LE; Damborg, MJ Peramalan beban listrik menggunakan jaringan syaraf tiruan. Trans IEEE. Sistem Daya. 1991, 6, 442–449. [Referensi Silang]

35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Alexiadis, MC; Maissis, AH Model peramalan beban jangka pendek jaringan saraf untuk sistem tenaga Yunani. Trans IEEE. Sistem Daya. 1995, 11, 858–863. [Referensi Silang]

36. Lu, C.-N.; Wu, H.-T.; Vemuri, S. Peramalan beban jangka pendek berbasis jaringan saraf. Trans IEEE. Sistem Daya. 1993, 8, 336–342. [Ref Silang] 37. Papalexopoulos, AD; Hao, S.; Peng, T.-M. Implementasi model peramalan beban berbasis jaringan saraf untuk EMS. Trans IEEE. Sistem Daya. 1994, 9, 1956–1962. [Referensi Silang]

38. Wang, P. Tentang mendefinisikan kecerdasan buatan. J.Artif. Jenderal Intell. 2019, 10, 1–37. [Referensi Silang]

39. Ongsulee, P. Kecerdasan Buatan, Pembelajaran Mesin, dan Pembelajaran Mendalam. Dalam Prosiding 15th International Conference on ICT and Knowledge Engineering (ICT&KE), Bangkok, Thailand, 22–24 November 2017; hlm. 1–6. [Referensi Silang]

40.Raz, AR; Llinas, J.; Mittu, R.; Lawless, WF Engineering untuk munculnya sistem fusi informasi: Tinjauan beberapa tantangan. Dalam Konteks Bersama Manusia-Mesin; Lawless, WF, Mittu, R., Sofge, DA, Eds.; Pers Akademik: Cambridge, MA, AS, 2020; hlm. 241–255, ISBN 9780128205433. [Ref Silang]

41. Cohen, S. Dasar-dasar pembelajaran mesin: Strategi dan teknik. Dalam Kecerdasan Buatan dan Pembelajaran Mendalam dalam Patologi; Cohen, S., Ed.; Elsevier: Amsterdam, Belanda, 2021; hlm.13–40, ISBN 9780323675383 [Ref Silang]

42. Bonetto, R.; Latzko, V. Pembelajaran mesin. Dalam Komputasi di Jaringan Komunikasi, Dari Teori ke Praktek; Fitzek, FHP, Granelli, F., Seeling, P., Eds.; Pers Akademik: Cambridge, MA, AS, 2020; hlm. 135–167, ISBN 9780128204887. [Referensi Silang]

43. Delua, J. Pembelajaran dengan Pengawasan vs. Tanpa Pengawasan: Apa Bedanya? 2021. Tersedia online: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (diakses pada 15 November 2022).

44. Sarker, IH Machine learning: Algoritma, aplikasi dunia nyata, dan arah penelitian. SN Comput. Sains. 2021, 2, 160. [Referensi Silang] [PubMed]

45. Choi, RY; Coyner, AS; Kalpathy-Cramer, J.; Chiang, MF; Campbell, JP Pengantar pembelajaran mesin, jaringan saraf, dan pembelajaran mendalam. Terjemahan Vis. Sains. Technol. 2020, 9, 14. [Ref Silang]

46. ​​Alloghani, M.; Al-Jumeily, D.; Mustafifina, J.; Husain, A.; Aljaaf, AJ Tinjauan sistematis tentang algoritma pembelajaran mesin yang diawasi dan tidak diawasi untuk ilmu data. Dalam Pembelajaran yang Diawasi dan Tidak Diawasi untuk Ilmu Data; Berry, M., Mohamed, A., Yap, B., Eds.; Springer: Cham, Swiss, 2020; hlm. 3–21. [Referensi Silang]

47. Satinet, C.; Fouss, F. Kerangka kerja klasifikasi pembelajaran mesin yang diawasi untuk keberlanjutan produk pakaian. Keberlanjutan 2022, 14, 1334. [Ref Silang]

48. Jiang, T.; Gradus, JL; Rosellini, AJ Supervised machine learning: Primer singkat. Perilaku. Ada. 2020, 51, 675–687. [Referensi Silang] [PubMed]

49. El Bouchefry, K.; de Souza, RS Pembelajaran dalam data besar: Pengantar pembelajaran mesin. Dalam Penemuan Pengetahuan dalam Big Data dari Astronomi dan Observasi Bumi; Škoda, P., Adam, F., Eds.; Elsevier: Amsterdam, Belanda, 2020; hlm. 225–249, ISBN 9780128191545. [Referensi Silang]

50. Uddamari, N.; Ubbana, J. Sebuah studi tentang analisis algoritma pembelajaran tanpa pengawasan dalam pembelajaran mesin. Turki. J.Komput. Matematika. Pendidikan 2021, 12, 6774–6782.

51. Khanum, M.; Mahboob, T.; Imtiaz, W.; Ghafoor, H.; Sehar, R. Survei tentang algoritme pembelajaran mesin tanpa pengawasan untuk otomatisasi, klasifikasi, dan pemeliharaan. Int. J.Komput. Aplikasi 2015, 119, 34–39. [Referensi Silang]

52. Avinash, K.; William, G.; Ryan, B. Deteksi Serangan Jaringan Menggunakan Algoritma Pembelajaran Mesin Tanpa Pengawasan. Dalam Prosiding Konferensi Internasional Hawaii tentang Ilmu Sistem (HICSS), Maui, HI, AS, 7–10 Januari 2020. [CrossRef]

53. Chen, Y.; Kong, R.; Kong, L. Aplikasi kecerdasan buatan dalam data besar astronomi. Dalam Big Data di Astronomi; Kong, L., Huang, T., Zhu, Y., Yu, S., Eds.; Elsevier: Amsterdam, Belanda, 2020; hlm. 347–375, ISBN 9780128190845. [Ref Silang]

54. Van Engelen, JE; Hoos, HH Survei tentang pembelajaran semi-diawasi. Mesin Mempelajari. 2020, 109, 373–440. [Referensi Silang]

55. ZhongKaizhu, G.; Huang, H. Pembelajaran Semisupervised: Latar Belakang, Aplikasi dan Arah Masa Depan; Penerbit Nova Science: New York, NY, AS, 2018.

56. Huynh, T.; Nibali, A.; He, Z. Pembelajaran semisupervised untuk klasifikasi citra medis menggunakan data pelatihan yang tidak seimbang. Komputer. Metode Program Biomed. 2022, 216, 106628. [Ref Silang]

57. Kaur, A.; Gourav, K. Sebuah studi tentang aplikasi pembelajaran penguatan & algoritmanya. Int. J.Sci. Technol. Res. 2020, 9, 4223–4228.

58. Muhammad, M.; Khan, MB; Bashier Mohammed, Pembelajaran Mesin BE: Algoritma dan Aplikasi; CRC Press: Boca Raton, FL, AS, 2016.

59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. Tinjauan algoritme pembelajaran penguatan untuk manajemen serah terima dalam jaringan sel kecil ultra padat 5G. Aplikasi Sains. 2022, 12, 426. [Ref Silang]

60. Liu, S.; Lihat, KC; Ngiam, KY; Celi, LA; Matahari, X.; Feng, M. Pembelajaran penguatan untuk dukungan keputusan klinis dalam perawatan kritis: Tinjauan komprehensif. J.Med. Res Internet. 2020, 22, e18477. [Referensi Silang] [PubMed]

61. Hao, X.; Zhang, G.; Ma, S. Pembelajaran mendalam. Int. J. Semant. Komputer. 2016, 10, 417–439. [Referensi Silang]

62. Nichols, JA; Herbert Chan, HW; Baker, M. Pembelajaran mesin: Aplikasi kecerdasan buatan untuk pencitraan dan diagnosis. Biofisika. Wahyu 2019, 11, 111–118. [Referensi Silang]

63. Sadiq, R.; Rodríguez, MJ; Mian, Model Empiris SDM untuk memprediksi Produk Sampingan Disinfeksi (DBP) dalam air minum: Tinjauan yang diperbarui. Dalam Ensiklopedia Kesehatan Lingkungan, edisi ke-2; Nriagu, J., Ed.; Elsevier: Amsterdam, Belanda, 2019; hlm. 324–338, ISBN 978-0-444-63952-3.

64. Teuwen, J.; Moriakov, N. Jaringan saraf convolutional. Dalam Handbook of Medical Image Computing dan Computer Assisted Intervention; Zhou, SK, Rueckert, D., Fichtinger, G., Eds.; Elsevier: Amsterdam, Belanda, 2020; hlm. 481–501, ISBN 9780128161760 [Referensi Silang]

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, China, 18–20 Desember 2020; hlm. 174–177. [Referensi Silang]

66. Khan, A.; Sohail, A.; Zahoora, U.; Qureshi, AS Sebuah survei arsitektur baru-baru ini jaringan saraf convolutional mendalam. Artifisial Intell. Wahyu 2020, 53, 5455–5516. [Referensi Silang]

67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. Tentang Properti Terjemahan Mesin Neural: Pendekatan Encoder-Decoder. arXiv 2014, arXiv:1409.1259.

68. Elman, J. Menemukan struktur dalam waktu. Cogn. Sains. 1990, 14, 179–211. [Referensi Silang]

69. Toha, SF; Tokhi, MO MLP dan Elman Recurrent Neural Network Modeling untuk TRMS. Dalam Prosiding Konferensi Internasional IEEE ke-7 tentang Sistem Cerdas Sibernetik, London, Inggris, 9–10 September 2008; hlm. 1–6. [Referensi Silang]

70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Peramalan Jangka Pendek Arus Penumpang Transit Kereta Api Berdasarkan Jangka Pendek Memory Neural Network. Dalam Prosiding International Conference on Intelligent Rail Transportation (ICIRT), Singapura, 12–14 Desember 2018; hlm. 1–5. [Referensi Silang]

71. Zhao, Z.; Liang, Y.; Jin, X. Menangani Ruang Aksi Berskala Besar di Deep Q Network. Dalam Prosiding Konferensi Internasional Kecerdasan Buatan dan Data Besar (ICAIBD), Chengdu, Tiongkok, 26–28 Mei 2018; hlm. 93–96. [Referensi Silang]

72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Pengguna Occupation Aware Conditional Restricted Boltzmann Machine Based Recommendation. Dalam Prosiding Konferensi Internasional IEEE tentang Internet of Things (iThings) dan IEEE Green Computing and Communications (GreenCom) dan IEEE Cyber, Physical and Social Computing (CPSCom) dan IEEE Smart Data (SmartData), Chengdu, Tiongkok, 15–18 Desember 2016; hlm. 454–461. [Referensi Silang]

73. Taylor, GW; Hinton, GE; Roweis, ST Dua model keadaan terdistribusi untuk menghasilkan deret waktu berdimensi tinggi. J.Mach. Mempelajari. Res. 2011, 12, 1025–1068.

74. Hinton, GE; Osindero, S.; Teh, YW Algoritme pembelajaran cepat untuk jaring kepercayaan yang dalam. Komputasi saraf. 2006, 18, 1527–1554. [Referensi Silang]

75. Bedi, G.; Venayagamoorthy, GK; Singh, R. Pengembangan lingkungan bangunan berbasis IoT untuk prediksi konsumsi energi listrik. IEEE Internet Things J. 2020, 7, 4912–4921. [Referensi Silang]

76. Timur, O.; Zor, K.; Çelik, Ö.; Teke, A.; ˙Ibrikçi, T. Penerapan teknik kecerdasan statistik dan buatan untuk peramalan energi listrik jangka menengah: Studi kasus untuk rumah sakit daerah. J. Mempertahankan. Dev. Lingkungan Energi Air. Sistem. 2020, 8, 520–536. [Referensi Silang]

77. Selvi, MV; Mishra, S. Investigasi Pengaruh Cuaca pada Peramalan Daya Beban Listrik Per Jam Sehari-Kedepan dengan Arsitektur Baru yang Direalisasikan dalam Teknik Jaringan Syaraf Tiruan Regresi Linear Multivariat. Dalam Prosiding 8th IEEE India International Conference on Power Electronics (IICPE), Jaipur, India, 13–15 Desember 2018.

78. Selvi, MV; Mishra, S. Investigasi kinerja peramalan daya beban listrik dalam beberapa cakrawala waktu dengan arsitektur baru diwujudkan dalam regresi linier multivariat dan teknik jaringan saraf umpan-maju. Trans IEEE. Ind.Apl. 2020, 56, 5603–5612. [Referensi Silang]

79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Pendekatan pemilihan fitur terintegrasi berbasis pembelajaran mesin untuk meningkatkan peramalan permintaan listrik dalam sistem energi terdesentralisasi. Akses IEEE 2019, 7, 91463–91475. [Referensi Silang]

80. Wen, L.; Zhou, K.; Yang, S. Peramalan permintaan beban bangunan tempat tinggal menggunakan model deep learning. Listrik Sistem Daya. Res. 2020, 179, 106073. [Ref Silang]

81. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM Menggunakan pembelajaran mendalam dan parameter meteorologi untuk meramalkan generator fotovoltaik interval daya keluaran intra-jam untuk kontrol jaringan cerdas. Energi 2022, 239, 122116. [Ref Silang]

82. Taleb, I.; Guerard, G.; Fauberteau, F.; Nguyen, NA Metode pembelajaran mendalam yang fleksibel untuk peramalan energi. Energi 2022, 15, 3926. [Ref Silang]

83. Xu, A.; Tian, ​​M.-W.; Firouzi, B.; Alattas, KA; Mohammadzadeh, A.; Ghaderpour, E. Mesin Boltzmann Terbatas pembelajaran mendalam baru untuk peramalan konsumsi energi. Keberlanjutan 2022, 14, 10081. [Referensi Silang]

84. Yem Souhe, FG; Franklin Mbey, C.; Teplaira Boum, A.; Ele, P.; Foba Kakeu, VJ Model hybrid untuk meramalkan konsumsi energi listrik di smart grid. J.Eng. 2022, 6, 629–643. [Referensi Silang]

85. Aurangzeb, K.; Alhussein, M.; Javed, K.; Haider, SI Model pembelajaran mendalam berbasis Piramida-CNN untuk peramalan beban daya pelanggan energi profil serupa berdasarkan pengelompokan. Akses IEEE 2021, 9, 14992–15003. [Referensi Silang]

86. Jahangir, H.; Tayarani, H.; Gougheri, SS; Golkar, MA; Ahmadiyah, A.; Elkamel, A. Pendekatan peramalan berbasis pembelajaran mendalam di jaringan cerdas dengan pengelompokan mikro dan jaringan LSTM dua arah. Trans IEEE. Ind. Elektron. 2021, 68, 8298–8309. [Referensi Silang]

87. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, VP Peramalan beban perumahan yang efisien menggunakan pendekatan deep learning. Int. J.Komput. Aplikasi Technol. 2022, 68, 205–214. [Referensi Silang]

88. Rosato, A.; Araneo, R.; Andreotti, A.; Panella, M. 2-D Jaringan Saraf Dalam Konvolusional untuk Prediksi Deret Waktu Energi Multivariat. Dalam Prosiding 2019 IEEE International Conference on Environment and Electrical Engineering and 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), Genova, Italia, 11–14 Juni 2019.

89. Zhang, X.; Biagioni, D.; Cai, M.; Graf, P.; Rahman, S. Solusi terintegrasi edge-cloud untuk respons permintaan bangunan menggunakan pembelajaran penguatan. Trans IEEE. Smart Grid 2020, 12, 420–431. [Referensi Silang]

90. Aurangzeb, K.; Al-Hussein, M. Deep Learning Framework for Short-term Power Load Forecasting, Studi Kasus Pelanggan Energi Rumah Tangga Perorangan. In Proceedings of the 2019 International Conference on Advances in the Emerging Computing Technologies (AECT), Al Madinah Al Munawwarah, Arab Saudi, 10 Februari 2020.

91. Escobar, E.; Rodríguez Licea, MA; Rostro-Gonzalez, H.; Espinoza Calderon, A.; Barranco Gutiérrez, AI; Pérez-Pinal, Analisis Komparatif FJ Model Pembelajaran Jauh Multivariabel untuk Peramalan di Smart Grids. Dalam Prosiding IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC) 2020, Ixtapa, Meksiko, 4–6 November 2020. [CrossRef]

92. Hafeez, G.; Alimgeer, KS; Wadud, Z.; Syafifiq, Z.; Ali Khan, MU; Khan, saya.; Khan, FA; Derhab, A. Model berbasis deep learning baru yang akurat dan konvergen cepat untuk peramalan konsumsi energi listrik dalam jaringan cerdas. Energi 2020, 13, 2244. [Ref Silang]

93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Peramalan Kebutuhan Listrik untuk Smart Grid Berbasis Pendekatan Deep Learning. Dalam Prosiding Konferensi Internasional 2020 5th tentang Teknologi Hijau dan Pembangunan Berkelanjutan (GTSD), Kota Ho Chi Minh, Vietnam, 27–28 November 2020; hlm. 353–357. [Referensi Silang]

94. Rosato, A.; Sucetti, F.; Araneo, R.; Andreotti, A.; Mitolo, M.; Panella, M. Pendekatan Pembelajaran Mendalam Gabungan untuk Prediksi Deret Waktu di Lingkungan Energi. Dalam Prosiding Konferensi Teknis Sistem Tenaga Industri dan Komersial (I&CPS) ke-56 IEEE/IAS 2020, Las Vegas, NV, AS, 29 Juni–28 Juli 2020.

95. Qi, X.; Zheng, X.; Chen, T. Peramalan Beban Jangka Pendek dari Sistem Energi Terintegrasi berdasarkan CNN-LSTM. Dalam Prosiding Konferensi Internasional 2020 tentang Energi, Lingkungan, dan Bioengineering (ICEEB 2020), Xi'an, Tiongkok, 7–9 Agustus 2020; Volume 185, hal. 01032. [Ref Silang]

96. Wang, B.; Li, Y.; Ming, W.; Wang, S. metode pembelajaran penguatan mendalam untuk respon permintaan manajemen beban interruptible. Trans IEEE. Smart Grid 2020, 11, 3146–3155. [Referensi Silang]

97. Wen, L.; Zhou, K.; Li, J.; Wang, S. Memodifikasi pembelajaran mendalam dan pembelajaran penguatan untuk model respons permintaan berbasis insentif. Energi 2020, 205, 118019. [Ref Silang]

98. Yang, Y.; Li, W.; Guliver, TA; Li, S. Bayesian peramalan beban probabilistik berbasis pembelajaran mendalam di smart grid. IEEE Trans Ind.Inf. 2020, 16, 4703–4713. [Referensi Silang]

99. Amin, P.; Cherkasova, L.; Aitken, R.; Kache, V. Mengotomatiskan Pemodelan dan Peramalan Permintaan Energi Menggunakan Data Meter Cerdas. Dalam Prosiding Kongres Internasional IEEE 2019 tentang Internet of Things (ICIOT), Milan, Italia, 8–13 Juli 2019.

100. Atef, S.; Eltawil, AB Studi Banding Menggunakan Deep Learning dan Support Vector Regression untuk Peramalan Harga Listrik di Smart Grids. Dalam Prosiding IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), Tokyo, Jepang, 12–15 April 2019; hlm. 603–607. [Referensi Silang]

101. Chan, S.; Oktavianti, I.; Puspita, V. A Deep Learning CNN dan AI-Tuned SVM untuk Peramalan Konsumsi Listrik: Data Time Series Multivariat. In Proceedings of the 2019 IEEE 10th annual information technology, Electronics and Mobile Communication Conference (IEMCON), Vancouver, BC, Kanada, 17–19 Oktober 2019.

102. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, QZ Day Ahead Peramalan Beban Listrik dengan Model Hybrid Cerdas berdasarkan Deep Learning untuk Smart Grid. Dalam Prosiding Konferensi Internasional ke-14 tentang Sistem Intensif yang Kompleks, Cerdas, dan Perangkat Lunak (CISIS-2020), Lodz, Polandia, 1–3 Juli 2020.

103. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Smart Grid Energy Management menggunakan RNN-LSTM: A Deep Learning-Based Approach. Dalam Prosiding IEEE Global Communications Conference (GLOBECOM), Big Island, HI, USA, 9–13 Desember 2019; hlm. 1–6. [Referensi Silang]

104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Penerapan memori jangka pendek pembelajaran mendalam dalam peramalan permintaan energi. Komunal. Komputer. Inf. Sains. 2019, 1000, 31–42. 105. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Peramalan beban listrik setengah jam menggunakan convolutional neural network. Dalam Layanan Seluler dan Internet Inovatif dalam Komputasi Ubiquitous; Barolli, L., Xhafa, F., Hussain, O., Eds.; Springer: Cham, Swiss; Volume 994. [Referensi Silang]

106. Kim, TY; Cho, SB Memprediksi konsumsi energi perumahan menggunakan jaringan saraf CNN-LSTM. Energi 2019, 182, 72–81. [Referensi Silang]

107. Kim, T.; Cho, S. Particle Swarm Optimization berbasis Jaringan CNN-LSTM untuk Peramalan Konsumsi Energi. Dalam Prosiding Kongres IEEE 2019 tentang Komputasi Evolusioner (CEC), Wellington, Selandia Baru, 10–13 Juni 2019.

108. Lu, R.; Hong, SH Respons permintaan berbasis insentif untuk smart grid dengan pembelajaran penguatan dan jaringan saraf dalam. Aplikasi Energi 2019, 236, 937–949. [Referensi Silang]

109. Pramono, SH; Rohmatillah, M.; Maulana, E.; Hasanah, RN; Hario, F. Peramalan beban jangka pendek berbasis pembelajaran mendalam untuk mendukung program respons permintaan dalam sistem energi hibrida. Energi 2019, 12, 3359. [Ref Silang]

110. Rahman, S.; Alam, MGR; Rahman, MM Metode Ensemble Berbasis Deep Learning Untuk Peramalan Kebutuhan Energi Rumah Tangga Rumah Pintar. Dalam Prosiding Konferensi Internasional ke-2019 22 tentang Komputer dan Teknologi Informasi (ICCIT), Dhaka, Bangladesh, 18–20 Desember 2019.

111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Model Ansambel Rata-Rata untuk Peramalan Beban Jangka Pendek di Smart Grids. Dalam Prosiding Konferensi Internasional IEEE tentang Data Besar (Big Data), Los Angeles, CA, USA, 9–12 Desember 2019; hlm. 2931–2938. [Referensi Silang]

112. Ustundag Soykan, E.; Bilgin, Z.; Ersoy, MA; Tomur, E. Pembelajaran Jauh Pribadi Berbeda untuk Peramalan Beban di Smart Grid. Dalam Prosiding 2019 IEEE Globecom Workshops (GC Wkshps), Waikoloa, HI, USA, 9–13 Desember 2019; hlm. 1–6. [Referensi Silang]

113. Vesa, AV; Ghitescu, N.; Pop, C.; Antal, M.; Cioara, T.; Anghel, IA; Salomie, I. Stacking Model Ensemble Ulti-Learning untuk Memprediksi Permintaan Konsumsi Energi Near Real Time pada Bangunan Rumah Tinggal. Dalam Prosiding Konferensi Internasional ke-15 IEEE 2019 tentang Komunikasi dan Pemrosesan Komputer Cerdas (ICCP), Cluj-Napoca, Rumania, 5–7 September 2019.

114. Yang, Y.; Hong, W.; Li, S. Deep ensemble learning berdasarkan perkiraan beban probabilistik di smart grid. Energi 2019, 189, 116324. [Ref Silang]

115. Zahid, M.; Ahmad, F.; Javaid, N.; Abbasi, RA; Zainab Kazmi, HS; Javaid, A.; Bilal, M.; Akbar, M.; Ilahi, M. Harga listrik, dan peramalan beban menggunakan jaringan saraf convolutional yang disempurnakan meningkatkan regresi vektor dukungan dalam jaringan cerdas. Elektronik 2019, 8, 122. [Ref Silang]

116. Ouyang, T.; Hai.; Li, H.; Matahari, Z.; Baek, S. Pemodelan dan peramalan beban daya jangka pendek dengan model kopula dan jaringan kepercayaan mendalam. Trans IEEE. Muncul. Atas. Komputer. Intell. 2019, 3, 127–136. [Referensi Silang]

117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rahman, AU; Ullah, Z. Peramalan Beban Jangka Pendek berdasarkan Deep Learning untuk Aplikasi Smart Grid. In Proceedings of the 12th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS-2018), Matsue, Jepang, 4–6 Juli 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Jaringan Syaraf Konvolusional untuk Peramalan Rangkaian Waktu Energi. Dalam Prosiding 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brasil, 8–13 Juli 2018.

119. Kuo, PH; Huang, CJ Model jaringan saraf tiruan presisi tinggi untuk peramalan beban energi jangka pendek. Energi 2018, 11, 213. [Ref Silang]

120. Shi, H.; Xu, M.; Li, R. Pembelajaran mendalam tentang peramalan beban rumah tangga—Sebuah novel yang mengumpulkan RNN mendalam. IEEE Trans Smart Grid 2018, 9, 5271–5280. [Referensi Silang]

121. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Deep forecasting: Peramalan spatiotemporal berbasis pembelajaran mendalam. arXiv 2017. [Ref Silang]

122. Jarábek, T.; Laurinec, P.; Lucká, M. Prakiraan Beban Energi menggunakan S2S Deep Neural Networks dengan K-Shape Clustering. Dalam Prosiding IEEE 14th International Scientific Conference on Informatics 2017 2017, Poprad, Slovakia, 14–16 November 2017.

123. Li, L.; Ota, K.; Dong, M. Semuanya Gambar: Peramalan Beban Listrik Jangka Pendek Berbasis CNN untuk Smart Grid. Dalam Prosiding Simposium Internasional 2017 14th tentang 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, Inggris, 21–23 Juni 2017; hlm. 344–351. [Referensi Silang]

124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Studi Key Technologies Big Data Tenaga Listrik dan Prospek Penerapannya di Smart Grid. Dalam Prosiding IEEE PES Asia-Pacificic Power and Energy Engineering Conference (APPEEC), Hong Kong, Tiongkok, 7–10 Desember 2014; hlm. 1–4. [Referensi Silang]