Wawasan Peramalan Permintaan Berdasarkan Pembelajaran Mendalam dalam Grid Pintar(2)
Jun 05, 2023
5.2.5. Mesin Boltzmann Terhad Bersyarat
Mesin Boltzmann Terhad (RBM) ialah RNN stokastik dengan dua lapisan, satu dengan unit yang boleh dilihat dan satu dengan unit tersembunyi binari. Rangkaian jenis ini boleh mempelajari taburan kebarangkalian ke atas set inputnya. RBM ialah varian Mesin Boltzmann (BM) dan boleh berada dalam mod diselia atau tidak diselia, bergantung pada tugas yang perlu dilakukan.
Herba Cina cistanche-Meningkatkan Ingatan
Apabila BM dihadkan, sepasang nod daripada setiap dua kumpulan unit (kelihatan dan tersembunyi) boleh mempunyai sambungan simetri antara mereka, tetapi tiada sambungan antara nod dalam kumpulan yang sama, membenarkan latihan yang lebih cekap. Sebaliknya, BM tanpa had boleh mempunyai sambungan antara unit tersembunyi.
RBM terdiri daripada m unit kelihatan V=(v1, . . . , vm) mewakili data boleh diperhatikan dan n unit tersembunyi H=(h1, . . . , hn) menangkap kebergantungan antara pembolehubah boleh diperhatikan, dengan unit lapisan bersyarat F=(f 1, . . . , fp), seperti yang ditunjukkan dalam Rajah 5 [72].
di mana m mewakili bilangan item yang dinilai pengguna; H ialah bilangan lapisan tersembunyi; F ialah bilangan lapisan bersyarat; K ialah penarafan tinggi; vki ialah nilai binari unit lapisan kelihatan I dan rating k; hj ialah nilai binari unit tersembunyi j; fq ialah nilai binari lapisan bersyarat F; bi k ialah bias penarafan k dengan unit lapisan kelihatan I; bj ialah bias ciri j; Wk ij ialah berat bersambung antara lapisan tersembunyi H dan lapisan kelihatan V; D ialah berat bersambung antara lapisan tersembunyi H dan lapisan bersyarat F; Dqj ialah berat bersambung antara ciri tersembunyi j dan unit lapisan bersyarat q.
Rajah 5. Mesin Boltzmann terhad [73.
Dalam [73], penulis memperkenalkan Mesin Boltzmann Terhad Berfaktor Bersyarat (FCRBM) dengan menambahkan konsep interaksi berfaktor, darab dan tiga arah untuk meramalkan pelbagai gaya pergerakan manusia.
Akhirnya, Rangkaian Kepercayaan Dalam (DBN) dibentuk oleh beberapa RBM yang disusun di atas satu sama lain [74]
6. Model Pembelajaran Mendalam dan Ramalan Permintaan dalam Konteks Grid Pintar
Penyelidik telah mencadangkan model ramalan dalam dua bidang utama di mana teknik Pembelajaran Dalam boleh digunakan [8]: (1) pengurusan permintaan (cth, [75,76]) dan (2) kawalan grid (cth, [77-79]) .
Oleh kerana permintaan yang semakin meningkat untuk tenaga daripada sektor yang berbeza, bekalan dan permintaan mesti seimbang dalam grid elektrik. Dalam senario ini, grid pintar boleh memainkan peranan penting dengan menyediakan aliran tenaga dua arah antara pengguna dan utiliti. Tidak seperti grid elektrik tradisional, grid pintar mempunyai peranti penderiaan canggih yang menjana data daripada mana corak tenaga boleh diperolehi. Corak ini amat berguna untuk ramalan beban, pencukuran puncak dan pengurusan tindak balas permintaan.
Faedah kesihatan serbuk cistanche-Meningkatkan Ingatan
Memandangkan jumlah data yang dijana oleh grid pintar adalah besar dan sentiasa meningkat, model berasaskan Pembelajaran Dalam merupakan pilihan yang baik untuk memahami corak penggunaan dan membuat ramalan. Penyelidik telah mengkaji kemungkinan menggunakan model Pembelajaran Dalam, dengan rangkaian LSTM memainkan peranan utama (cth, [32,57,80])
Jadual 5 meringkaskan kerja yang berbeza di mana pengamal telah berjaya menggunakan teknik Pembelajaran Dalam untuk tujuan peramalan. Pengalaman ini telah dikenal pasti selepas semakan sistematik terhadap literatur yang diterbitkan. Pencarian rujukan telah dijalankan dalam pangkalan data saintifik yang berbeza (cth, ScienceDirect, SpringerLink, IEEExplore, dll.). Kertas kerja daripada pelbagai jurnal saintifik yang berkaitan seperti Informatik Tenaga, Transaksi IEEE mengenai Grid Pintar, Tenaga, dan Tenaga Gunaan juga telah disemak. Kata kunci yang digunakan termasuk: istilah seperti Pembelajaran Dalam, ANN, rangkaian saraf dan nama model Pembelajaran Dalam yang berbeza, kedua-dua penuh dan akronim (cth, rangkaian Memori Jangka Pendek Panjang dan LSTM),
digabungkan(DAN)dengan istilah yang berkaitan dengan medan tenaga, lebih khusus lagi, "ramalan permintaan tenaga", "ramalan permintaan elektrik", "ramalan beban", "tindak balas permintaan", "tindak balas sebelah permintaan" dan variasi ungkapan ini.
Jadual 5. Contoh aplikasi teknik Pembelajaran Dalam dalam domain tenaga, memfokuskan kepada ramalan permintaan/beban.
Pencarian terhad kepada 6 tahun yang lalu. Keputusan mengenai artikel mana yang akhirnya dimasukkan dalam Jadual 5 dibuat oleh pengarang selepas menyemak hasil carian dan memastikan kerja itu melibatkan penggunaan model Pembelajaran Dalam untuk tujuan ramalan permintaan atau beban.
7. Kesimpulan
Permintaan tenaga yang semakin meningkat memberi tekanan pada grid kuasa untuk mengimbangi bekalan dan permintaan. Grid pintar boleh memainkan peranan penting. Dalam sistem ini, data yang berkaitan dengan penggunaan tenaga kerap dikumpul dan dianalisis untuk mendapatkan penggunaan tenaga. Corak penggunaan yang diperoleh boleh berguna untuk ramalan permintaan dan beban. Ini adalah tugas yang mencabar dalam konteks persekitaran pintar, itulah sebabnya penyelidik meletakkan usaha khas dalam hal ini.
Untuk memenuhi cabaran ramalan permintaan hari ini, di mana grid pintar menjana sejumlah besar data, adalah perlu untuk menggunakan teknik dipacu data moden. Model berasaskan Pembelajaran Dalam adalah alternatif yang baik. Secara tradisinya, penyelidikan memfokuskan pada meramalkan penggunaan tenaga pelanggan menggunakan set data sejarah kecil yang tersedia pada tingkah laku mereka. Walau bagaimanapun, penyelidikan semasa yang menggunakan kaedah Pembelajaran Dalam telah menunjukkan prestasi yang lebih baik daripada kaedah ramalan konvensional. Penggunaan model Pembelajaran Dalam melibatkan penggunaan sejumlah besar data, seperti yang disediakan oleh set data berbeza yang digunakan oleh pengamal dalam kerja-kerja yang dikumpul dalam Jadual 5. Adalah fakta bahawa grid pintar menjana sejumlah besar data, jadi Data Besar juga teknologi utama untuk mengatasi cabaran penyepaduan tenaga boleh diperbaharui, turun naik beban dan pembangunan mampan. Dengan pengenalan yang boleh diperbaharui ke dalam grid pintar, semakin banyak pembolehubah dibawa ke dalam sistem dan lebih banyak data perlu diproses. Keadaan ini juga diburukkan dengan pengenalan kenderaan elektrik secara beransur-ansur, jadi teknologi Data Besar ini juga menjadi semakin diperlukan [124].
Suplemen cistanche berhampiran saya-Tingkatkan Ingatan
Klik di sini untuk melihat produk Cistanche Improve Memory
【Minta lebih lanjut】 E-mel:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692
Kajian yang dijalankan telah mendedahkan bahawa model Pembelajaran Dalam yang paling banyak digunakan dalam domain tenaga untuk tujuan ramalan permintaan ialah CNN, RNN, LSTM, DQN dan CRBM, dan variasi mana-mana daripadanya, gabungan dua atau lebih daripadanya, atau gabungan mana-mana daripada mereka dengan teknik lain. Yang terkenal ialah 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 ,93–95,99,100,103,104,106,107,109–113,118,119,122] dan gabungan kedua-duanya [82,88,91,94,95,106,107,109,118,119]. Katil ujian sebenar dengan data berkualiti tinggi bukanlah perkara biasa tetapi diperlukan untuk menentukan prestasi model Pembelajaran Dalam. Adalah penting untuk terus menguji model Pembelajaran Dalam pada masa hadapan, termasuk kemungkinan variasi dan/atau gabungan dua atau lebih model, untuk tujuan ramalan dalam konteks grid pintar. Ia juga penting bahawa ujian ini dijalankan untuk senario yang berbeza. Model Pembelajaran Dalam yang mampu meramalkan beban secara automatik untuk pelbagai jenis pelanggan, premis/bangunan dan keadaan cuaca yang berbeza masih diperlukan. Adalah penting untuk menguji prestasi Pembelajaran Dalam, tetapi juga untuk menentukan model yang terbaik untuk setiap senario.
Dari segi set data, pengamal menggunakan pilihan yang berbeza, menonjolkan pasaran elektrik 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 ramalan atas permintaan/beban dalam konteks grid pintar memfokuskan pada model Pembelajaran Dalam yang digunakan tetapi melupakan data. Walau bagaimanapun, untuk pelaksanaan Pembelajaran Dalam berjaya, algoritma adalah sama berharganya dengan data. Malah, adalah wajar bagi penyelidik untuk memasukkan lebih banyak maklumat tentang data yang digunakan dalam kerja mereka, menangani contohnya pembahagian data latihan/pengesahan/pengujian, selang pensampelan data, kaedah untuk pembersihan data, dsb. had penggunaan model Pembelajaran Dalam ialah kekurangan set data dunia sebenar berkualiti tinggi. Trend masa depan mungkin akan mengalihkan penekanan daripada model kepada data. Tambahan pula, pengarang meramalkan penyepaduan IoT ke dalam model Pembelajaran Dalam yang digunakan untuk ramalan permintaan/beban. IoT membolehkan pendemokrasian deria. Ini membuka peluang menarik dari segi pengumpulan data berkualiti tinggi, yang penting dalam konteks ramalan permintaan/beban. Berkaitan dengan ini, satu lagi trend masa depan ialah pembangunan sistem bersepadu yang merangkumi pemerolehan data dan pra-pemprosesan yang diperlukan.
Kebaikan cistanche tubulosa-Meningkatkan Ingatan
Akhirnya, ia juga luar biasa bahawa dalam kebanyakan kes penyelidik menumpukan pada ramalan jangka pendek.
Ramalan beban ialah tugas yang mencabar dalam konteks persekitaran pintar. Akibatnya, penyelidik meletakkan usaha khas ke dalamnya. Katil ujian sebenar dengan data berkualiti tinggi bukanlah perkara biasa tetapi perlu untuk menentukan prestasi model Pembelajaran Dalam. Model Pembelajaran Dalam yang mampu meramalkan beban secara automatik untuk pelbagai jenis pelanggan, premis/bangunan dan keadaan cuaca yang berbeza masih diperlukan.
Apakah yang dilakukan oleh cistanche- Meningkatkan Memori
Rujukan
1. Punggung, OM; Zulqarnain, M.; Butt, TM Kemajuan terkini dalam teknologi grid pintar: Prospek masa depan dalam rangkaian kuasa elektrik. Ain Shams Eng. J. 2021, 12, 687–695. [CrossRef]
2. Cecati, C.; Mokryani, G.; Piccolo, A.; Siano, P. Gambaran Keseluruhan Konsep Grid Pintar. Dalam Prosiding IECON 2010—Persidangan Tahunan ke-36 mengenai Persatuan Elektronik Perindustrian IEEE, Glendale, CA, Amerika Syarikat, 7–10 November 2010; ms 3322–3327. 3. Vakulenko, I.; Saher, L.; Lyulyov, O.; Pimonenko, T. Kajian Literatur Sistematik Grid Pintar. Dalam Prosiding Persidangan Pertama Mengenai Sumber Tenaga Tradisional dan Boleh Diperbaharui: Perspektif dan Paradigma untuk Abad Ke-21 (TRESP 2021), Prague, Republik Czech, 22–23 Januari 2021; Jilid 250. [CrossRef]
4. Yan, Y.; Qian, Y.; Sharif, H.; Tipper, D. Tinjauan tentang keselamatan siber untuk komunikasi grid pintar. Komuniti IEEE. Surv. Tutor. 2012, 14, 998–1010. [CrossRef]
5. Shawkat Ali, ABM; Azad, SA Ramalan permintaan dalam grid pintar. Teknologi Tenaga Hijau. 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 Pembelajaran mendalam untuk respons permintaan pintar dan grid pintar: Tinjauan komprehensif. arXiv 2021. [CrossRef]
7. Ferreira, HC; Lampe, L.; Newbury, J.; Swart, TG Power Line Communications. Teori dan Aplikasi untuk Komunikasi Jalur Sempit dan Jalur Lebar Melalui Talian Kuasa; John Wiley and Sons: Chichester, UK, 2010.
8. Vanting, NB; Ma, Z.; Jørgensen, BN Kajian skop rangkaian neural dalam untuk ramalan beban elektrik. Maklumat Tenaga. 2021, 4, 49. [CrossRef]
9. Hernández, L.; Baladrón, C.; Aguiar, JM; Carro, B.; Sánchez-Esguevillas, AJ; Lloret, J.; Massana, J. Tinjauan tentang ramalan permintaan kuasa elektrik: Aliran masa depan dalam grid pintar, mikrogrid dan bangunan pintar. Komuniti IEEE. Surv. Tutor. 2014, 16, 1460–1495. [CrossRef]
10. Javed, F.; Arshad, N.; Wallin, F.; Vassileva, I.; Dahlquist, E. Ramalan untuk tindak balas permintaan dalam grid pintar: Analisis tentang penggunaan data antropologi dan struktur dan ramalan beban berbilang jangka pendek. Appl. Tenaga 2012, 96, 150–160. [CrossRef]
11. Khodayar, SAYA; Wu, H. Ramalan permintaan dalam paradigma grid pintar: Ciri dan cabaran. Elektrik. J. 2015, 28, 51–62. [CrossRef]
12. Boza, P.; Evgeniou, T. Kecerdasan buatan untuk menyokong penyepaduan sumber tenaga boleh diperbaharui boleh ubah kepada sistem kuasa. Appl. Tenaga 2021, 290, 116754. [CrossRef]
13. Lasseter, R.; Akhil, A.; Mamy, C.; Stephens, J.; Dagle, J.; Gutromson, R.; Meliopoulus, AS; Yinger, R.; Eto, J. Integrasi Sumber Tenaga Teragih. Konsep Microgrid CERTS. Kertas putih. 2003. Tersedia dalam talian: 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, Satu Alternativa de Futuro Para un Suministro Energético Integral; TECNALIA, Corporación Tecnológica: Derio, Sepanyol, 2008.
15. Hoy, MB Bangunan pintar: Pengenalan kepada perpustakaan masa depan. Med. Ruj. Serv. S. 2016, 35, 326–331. [CrossRef] [PubMed]
16. Fang, X.; Misra, S.; Xue, G.; Yang, D. Grid pintar—Grid kuasa baharu dan dipertingkatkan: Satu Tinjauan. Komuniti IEEE. Surv. Tutor. 2012, 14, 944–980. [CrossRef]
17. Singh, A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, Teknik dan Metodologi Peramalan Beban DK: Satu Tinjauan. Dalam Prosiding Persidangan Antarabangsa Ke-2 mengenai Kuasa, Kawalan dan Sistem Terbenam (ICPCES), Allahabad, India, 17–19 Disember 2012. [CrossRef]
18. Nti, IK; Teimeh, M.; Nyarko-Boateng, O.; Adekoya, AF Ramalan beban elektrik: Kajian sistematik. J. Elektrik. Syst. Inf. Technol. 2020, 7, 13. [CrossRef]
19. Ahmed Mir, A.; Alghassab Kafait, M.; Ullah, K.; Ali Khan, Z.; Lu, Y.; Imran, M. Kajian semula ramalan permintaan elektrik di negara berpendapatan rendah dan sederhana: Penentu dan horizon permintaan. Kemampanan 2020, 12, 5931. [CrossRef]
20. Clements, AE; Hurn, AS; Li, Z. Meramalkan beban elektrik hari hadapan menggunakan pendekatan siri masa persamaan berbilang. Eur. J. Oper. Res. 2016, 251, 522–530. [CrossRef]
21. Hong, Y.; Zhou, Y.; Li, Q.; Xu, W.; Zheng, X. Kaedah pembelajaran mendalam untuk ramalan beban kediaman jangka pendek dalam grid pintar. Akses IEEE 2020, 8, 55785–55797. [CrossRef] 22. Phuangpornpitak, N.; Prommee, W. Kajian model ramalan permintaan beban dalam operasi dan perancangan sistem kuasa elektrik. GMSARN Int. J. 2016, 10, 19–24.
23. Xiao, L.; Shao, W.; Liang, T.; Wang, C. Model gabungan berdasarkan pelbagai corak bermusim dan algoritma fifireflfly yang diubah suai untuk ramalan beban elektrik. Appl. Tenaga 2016, 167, 135–153. [CrossRef]
24. Xue, B.; Geng, J. Kaedah Pembetulan Melintang Dinamik Ramalan Tenaga Pertengahan dan Jangka Panjang berdasarkan Statistik Ralat Ramalan. Dalam Prosiding Persidangan Ke-10 mengenai Kuasa dan Tenaga (IPEC), Ho Chi Minh, Vietnam, 12–14 Disember 2012; ms 253–256. [CrossRef]
25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Kesan Pelbagai Faktor terhadap Ramalan Beban Elektrik: Satu Tinjauan. Dalam Prosiding Persidangan Antarabangsa IEEE Power India (PIICON), Delhi, India, 5–7 Disember 2014; ms 1–5.
26. Hippert, HS; Pedreira, CE; Souza, Rangkaian Neural RC untuk ramalan beban jangka pendek: Kajian dan penilaian. IEEE Trans. Sistem Kuasa. 2001, 16, 44–55. [CrossRef]
27. Fahad, MU; Arbab, N. Faktor yang mempengaruhi ramalan beban jangka pendek. J. Teknologi Tenaga Bersih. 2014, 2, 305–309. [CrossRef]
28. Novianto, D.; Gao, W.; Kuroki, S. Tinjauan tentang gaya hidup dan penggunaan tenaga masyarakat Asia: Kajian kes Indonesia, Thailand, dan China. Tenaga Kuasa Eng. 2015, 7, 465. [CrossRef]
29. Hernández, L.; Baladrón, C.; Aguiar, JM; Calavia, L.; Carro, B.; Sánchez-Esguevillas, A.; Garcia, P.; Lloret, J. Analisis eksperimen tentang perkaitan pembolehubah input untuk meramalkan permintaan elektrik agregat hari berikutnya menggunakan rangkaian saraf. Tenaga 2013, 6, 2927–2948. [CrossRef]
30. Issi, F.; Kaplan, O. Penentuan profil beban dan penggunaan kuasa peralatan rumah. Tenaga 2018, 11, 607. [CrossRef]
31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. Pendekatan analisis profil beban elektrik berdasarkan perlombongan data siri masa. Akses IEEE 2020, 8, 209915–209925. [CrossRef] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Ramalan beban elektrik berdasarkan pembelajaran mendalam dan dioptimumkan oleh algoritma heuristik dalam grid pintar. Appl. Tenaga 2020, 269, 114915. [CrossRef]
33. Gillies, DKA; Bernholtz, B.; Sandiford, PJ Pendekatan baharu untuk meramalkan beban puncak harian. Trans. Am. Inst. Elektrik. En. Bahagian III Penampilan Kuasa. Syst. 1956, 75, 382–387. [CrossRef]
34. Park, DC; El-Sharkawi, MA; Markah II, RJ; Atlas, LE; Damborg, MJ Peramalan beban elektrik menggunakan rangkaian saraf tiruan. IEEE Trans. Sistem Kuasa. 1991, 6, 442–449. [CrossRef]
35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Alexiadis, MC; Maissis, AH Model ramalan beban jangka pendek rangkaian saraf untuk sistem kuasa Greek. IEEE Trans. Sistem Kuasa. 1995, 11, 858–863. [CrossRef]
36. Lu, C.-N.; Wu, H.-T.; Vemuri, S. Ramalan beban jangka pendek berasaskan rangkaian saraf. IEEE Trans. Sistem Kuasa. 1993, 8, 336–342. [CrossRef] 37. Papalexopoulos, AD; Hao, S.; Peng, T.-M. Pelaksanaan model ramalan beban berasaskan rangkaian saraf untuk EMS. IEEE Trans. Sistem Kuasa. 1994, 9, 1956–1962. [CrossRef]
38. Wang, P. Mengenai mentakrifkan kecerdasan buatan. J. Artif. Jeneral Intel. 2019, 10, 1–37. [CrossRef]
39. Ongsulee, P. Kecerdasan Buatan, Pembelajaran Mesin dan Pembelajaran Mendalam. Dalam Prosiding Persidangan Antarabangsa ICT dan Kejuruteraan Pengetahuan (ICT&KE) Ke-15, Bangkok, Thailand, 22–24 November 2017; ms 1–6. [CrossRef]
40. Raz, AR; Llinas, J.; Mittu, R.; Lawless, WF Kejuruteraan untuk kemunculan dalam sistem gabungan maklumat: Kajian semula beberapa cabaran. Dalam Konteks Dikongsi Manusia-Mesin; Lawless, WF, Mittu, R., Sofge, DA, Eds.; Akhbar Akademik: Cambridge, MA, Amerika Syarikat, 2020; ms 241–255, ISBN 9780128205433. [Rujuk Silang]
41. Cohen, S. Asas pembelajaran mesin: Strategi dan teknik. Dalam Kecerdasan Buatan dan Pembelajaran Mendalam dalam Patologi; Cohen, S., Ed.; Elsevier: Amsterdam, Belanda, 2021; ms 13–40, ISBN 9780323675383. [Rujuk Silang]
42. Bonetto, R.; Latzko, V. Pembelajaran mesin. Dalam Pengkomputeran dalam Rangkaian Komunikasi, Dari Teori kepada Amalan; Fitzek, FHP, Granelli, F., Seeling, P., Eds.; Akhbar Akademik: Cambridge, MA, Amerika Syarikat, 2020; ms 135–167, ISBN 9780128204887. [Rujuk Silang]
43. Delua, J. Penyeliaan vs. Pembelajaran Tanpa Penyeliaan: Apakah Perbezaannya? 2021. Tersedia dalam talian: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (diakses pada 15 November 2022).
44. Sarker, IH Pembelajaran mesin: Algoritma, aplikasi dunia sebenar dan arahan penyelidikan. SN Comput. Sci. 2021, 2, 160. [CrossRef] [PubMed]
45. Choi, RY; Coyner, AS; Kalpathy-Cramer, J.; Chiang, MF; Campbell, JP Pengenalan kepada pembelajaran mesin, rangkaian saraf dan pembelajaran mendalam. Terjemahan Vis. Sci. Technol. 2020, 9, 14. [CrossRef]
46. Alloghani, M.; Al-Jumeily, D.; Mustafifina, J.; Hussain, A.; Aljaaf, AJ Kajian sistematik tentang algoritma pembelajaran mesin yang diselia dan tidak diselia untuk sains data. Dalam Pembelajaran Diselia dan Tanpa Penyeliaan untuk Sains Data; Berry, M., Mohamed, A., Yap, B., Eds.; Springer: Cham, Switzerland, 2020; ms 3–21. [CrossRef]
47. Satinet, C.; Fouss, F. Rangka kerja klasifikasi pembelajaran mesin yang diselia untuk kemampanan produk pakaian. Kemampanan 2022, 14, 1334. [CrossRef]
48. Jiang, T.; Gradus, JL; Rosellini, AJ Pembelajaran mesin yang diselia: Buku asas ringkas. perangai. Di sana. 2020, 51, 675–687. [CrossRef] [PubMed]
49. El Bouchefry, K.; de Souza, RS Pembelajaran dalam data besar: Pengenalan kepada pembelajaran mesin. Dalam Penemuan Pengetahuan dalam Data Besar daripada Astronomi dan Pemerhatian Bumi; Škoda, P., Adam, F., Eds.; Elsevier: Amsterdam, Belanda, 2020; ms 225–249, ISBN 9780128191545. [Rujuk Silang]
50. Uddamari, N.; Ubbana, J. Kajian tentang analisis algoritma pembelajaran tanpa pengawasan dalam pembelajaran mesin. orang Turki. J. Pengiraan. Matematik. Educ. 2021, 12, 6774–6782.
51. Khanum, M.; Mahboob, T.; Imtiaz, W.; Ghafoor, H.; Sehar, R. Tinjauan tentang algoritma pembelajaran mesin tanpa pengawasan untuk automasi, klasifikasi dan penyelenggaraan. Int. J. Pengiraan. Appl. 2015, 119, 34–39. [CrossRef]
52. Avinash, K.; William, G.; Ryan, B. Pengesanan Serangan Rangkaian Menggunakan Algoritma Pembelajaran Mesin Tanpa Diawasi. Dalam Prosiding Persidangan Antarabangsa Hawaii mengenai Sains Sistem (HICSS), Maui, HI, Amerika Syarikat, 7–10 Januari 2020. [CrossRef]
53. Chen, Y.; Kong, R.; Kong, L. Aplikasi kecerdasan buatan dalam data besar astronomi. Dalam Data Besar dalam Astronomi; Kong, L., Huang, T., Zhu, Y., Yu, S., Eds.; Elsevier: Amsterdam, Belanda, 2020; ms 347–375, ISBN 9780128190845. [Rujuk Silang]
54. Van Engelen, JE; Hoos, HH Satu tinjauan tentang pembelajaran separa penyeliaan. Mach. Belajar. 2020, 109, 373–440. [CrossRef]
55. ZhongKaizhu, G.; Huang, H. Pembelajaran Separa Seliaan: Latar Belakang, Aplikasi dan Hala Tuju Masa Depan; Nova Science Publishers: New York, NY, USA, 2018.
56. Huynh, T.; Nibali, A.; He, Z. Pembelajaran separuh seliaan untuk klasifikasi imej perubatan menggunakan data latihan yang tidak seimbang. Pengiraan. Kaedah Program Biomed. 2022, 216, 106628. [CrossRef]
57. Kaur, A.; Gourav, K. Kajian tentang aplikasi pembelajaran pengukuhan & algoritmanya. Int. J. Sci. Technol. Res. 2020, 9, 4223–4228.
58. Mohammed, M.; Khan, MB; Bashier Mohammed, BE Pembelajaran Mesin: Algoritma dan Aplikasi; Akhbar CRC: Boca Raton, FL, Amerika Syarikat, 2016.
59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. Gambaran keseluruhan algoritma pembelajaran pengukuhan untuk pengurusan penyerahan dalam rangkaian sel kecil ultra-padat 5G. Appl. Sci. 2022, 12, 426. [CrossRef]
60. Liu, S.; Lihat, KC; Ngiam, KY; Celi, LA; Matahari, X.; Feng, M. Pembelajaran pengukuhan untuk sokongan keputusan klinikal dalam penjagaan kritikal: Kajian komprehensif. J. Med. Internet Res. 2020, 22, e18477. [CrossRef] [PubMed]
61. Hao, X.; Zhang, G.; Ma, S. Pembelajaran mendalam. Int. J. Semant. Pengiraan. 2016, 10, 417–439. [CrossRef]
62. Nichols, JA; Herbert Chan, HW; Baker, M. Pembelajaran mesin: Aplikasi kecerdasan buatan untuk pengimejan dan diagnosis. Biophys. Wahyu 2019, 11, 111–118. [CrossRef]
63. Sadiq, R.; Rodríguez, MJ; Mian, HR Model empirikal untuk meramalkan Produk Sampingan Pembasmian Kuman (DBP) dalam air minuman: Kajian yang dikemas kini. Dalam Ensiklopedia Kesihatan Persekitaran, ed. ke-2; Nriagu, J., Ed.; Elsevier: Amsterdam, Belanda, 2019; ms 324–338, ISBN 978-0-444-63952-3.
64. Teuwen, J.; Moriakov, N. Rangkaian saraf konvolusi. Dalam Buku Panduan Pengkomputeran Imej Perubatan dan Intervensi Berbantukan Komputer; Zhou, SK, Rueckert, D., Fichtinger, G., Eds.; Elsevier: Amsterdam, Belanda, 2020; ms 481–501, ISBN 9780128161760. [Rujuk Silang]
65. He, Z. Pembelajaran Mendalam dalam Klasifikasi Imej: Laporan Tinjauan. Dalam Prosiding Persidangan Antarabangsa ke-2 mengenai Teknologi Maklumat dan Aplikasi Komputer (ITCA), Guangzhou, China, 18–20 Disember 2020; ms 174–177. [CrossRef]
66. Khan, A.; Sohail, A.; Zahoora, U.; Qureshi, AS Satu tinjauan tentang seni bina baru-baru ini bagi rangkaian saraf konvolusi yang mendalam. Artif. Intell. Wahyu 2020, 53, 5455–5516. [CrossRef]
67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. Mengenai Sifat Terjemahan Mesin Neural: Pendekatan Pengekod-Penyahkod. arXiv 2014, arXiv:1409.1259.
68. Elman, J. Mencari struktur dalam masa. Cogn. Sci. 1990, 14, 179–211. [CrossRef]
69. Toha, SF; Tokhi, MO MLP dan Pemodelan Rangkaian Neural Berulang Elman untuk TRMS. Dalam Prosiding Persidangan Antarabangsa IEEE ke-7 mengenai Sistem Pintar Cybernetic, London, UK, 9–10 September 2008; ms 1–6. [CrossRef]
70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Ramalan Jangka Pendek Aliran Penumpang Transit Rel Berdasarkan Rangkaian Neural Memori Jangka Pendek Panjang. Dalam Prosiding Persidangan Antarabangsa mengenai Pengangkutan Rel Pintar (ICIRT), Singapura, 12–14 Disember 2018; ms 1–5. [CrossRef]
71. Zhao, Z.; Liang, Y.; Jin, X. Mengendalikan Ruang Tindakan Berskala Besar dalam Rangkaian Deep Q. Dalam Prosiding Persidangan Antarabangsa mengenai Kepintaran Buatan dan Data Besar (ICAIBD), Chengdu, China, 26–28 Mei 2018; ms 93–96. [CrossRef]
72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Pengesyoran Berasaskan Mesin Boltzmann Terhad Bersyarat Pekerjaan Pengguna. Dalam Prosiding Persidangan Antarabangsa IEEE mengenai Internet Perkara (iThings) dan IEEE Green Computing and Communications (GreenCom) dan IEEE Cyber, Physical and Social Computing (CPSCom) dan Data Pintar IEEE (SmartData), Chengdu, China, 15–18 Disember 2016; ms 454–461. [CrossRef]
73. Taylor, GW; Hinton, GE; Roweis, ST Dua model keadaan teragih untuk menjana siri masa dimensi tinggi. J. Mach. Belajar. Res. 2011, 12, 1025–1068.
74. Hinton, GE; Osindero, S.; Teh, YW Algoritma pembelajaran pantas untuk jaring kepercayaan yang mendalam. Komputer Neural. 2006, 18, 1527–1554. [CrossRef]
75. Bedi, G.; Venayagamoorthy, GK; Singh, R. Pembangunan persekitaran bangunan dipacu IoT untuk ramalan penggunaan tenaga elektrik. Perkara Internet IEEE J. 2020, 7, 4912–4921. [CrossRef]
76. Timur, O.; Zor, K.; Çelik, Ö.; Teke, A.; ˙Ibrikçi, T. Aplikasi teknik statistik dan kecerdasan buatan untuk ramalan tenaga elektrik jangka sederhana: Kajian kes untuk hospital serantau. J. Sustain. Dev. Persekitaran Air Tenaga. Syst. 2020, 8, 520–536. [CrossRef]
77. Selvi, MV; Mishra, S. Penyiasatan pengaruh Cuaca dalam Ramalan Kuasa Beban Elektrik Setiap Jam Harian dengan Seni Bina Baharu Direalisasikan dalam Teknik Rangkaian Neural Tiruan Regresi Linear Berbilang. Dalam Prosiding Persidangan Antarabangsa IEEE India ke-8 mengenai Power Electronics (IICPE), Jaipur, India, 13–15 Disember 2018.
78. Selvi, MV; Mishra, S. Penyiasatan prestasi ramalan kuasa beban elektrik dalam pelbagai ufuk masa dengan seni bina baharu yang direalisasikan dalam regresi linear multivariate dan teknik rangkaian neural suapan ke hadapan. IEEE Trans. Ind. Appl. 2020, 56, 5603–5612. [CrossRef]
79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Pembelajaran mesin berasaskan pendekatan pemilihan ciri bersepadu untuk ramalan permintaan elektrik yang lebih baik dalam sistem tenaga terdesentralisasi. Akses IEEE 2019, 7, 91463–91475. [CrossRef]
80. Wen, L.; Zhou, K.; Yang, S. Ramalan permintaan beban bangunan kediaman menggunakan model pembelajaran mendalam. Elektrik. Sistem Kuasa. Res. 2020, 179, 106073. [CrossRef]
81. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM Menggunakan pembelajaran mendalam dan parameter meteorologi untuk meramalkan selang kuasa output intra-jam penjana fotovolta untuk kawalan grid pintar. Tenaga 2022, 239, 122116. [CrossRef]
82. Taleb, I.; Guerard, G.; Fauberteau, F.; Nguyen, NA Kaedah pembelajaran mendalam yang fleksibel untuk ramalan tenaga. Tenaga 2022, 15, 3926. [CrossRef]
83. Xu, A.; Tian, M.-W.; Firouzi, B.; Alattas, KA; Mohammadzadeh, A.; Ghaderpour, E. Mesin Boltzmann Terhad pembelajaran mendalam baharu untuk ramalan penggunaan tenaga. Kelestarian 2022, 14, 10081. [CrossRef]
84. Yem Souhe, FG; Franklin Mbey, C.; Teplaira Boum, A.; Ele, P.; Foba Kakeu, VJ Model hibrid untuk meramalkan penggunaan tenaga elektrik dalam grid pintar. J. Eng. 2022, 6, 629–643. [CrossRef]
85. Aurangzeb, K.; Alhussein, M.; Javed, K.; Haider, SI Model pembelajaran mendalam berasaskan Pyramid-CNN untuk ramalan beban kuasa pelanggan tenaga profil serupa berdasarkan pengelompokan. Akses IEEE 2021, 9, 14992–15003. [CrossRef]
86. Jahangir, H.; Tayarani, H.; Gougheri, SS; Golkar, MA; Ahmadian, A.; Elkamel, A. Pendekatan peramalan berasaskan pembelajaran mendalam dalam grid pintar dengan pengelompokan mikro dan rangkaian LSTM dwiarah. IEEE Trans. Ind. Elektron. 2021, 68, 8298–8309. [CrossRef]
87. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, VP Ramalan beban kediaman yang cekap menggunakan pendekatan pembelajaran mendalam. Int. J. Pengiraan. Appl. Technol. 2022, 68, 205–214. [CrossRef]
88. Rosato, A.; Araneo, R.; Andreotti, A.; Panella, M. 2-D Rangkaian Neural Dalam Konvolusi untuk Ramalan Siri Masa Tenaga Pelbagai Variasi. Dalam Prosiding Persidangan Antarabangsa IEEE 2019 mengenai Alam Sekitar dan Kejuruteraan Elektrik dan 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), Genova, Itali, 11–14 Jun 2019.
89. Zhang, X.; Biagioni, D.; Cai, M.; Graf, P.; Rahman, S. Penyelesaian bersepadu awan tepi untuk tindak balas permintaan bangunan menggunakan pembelajaran pengukuhan. IEEE Trans. Grid Pintar 2020, 12, 420–431. [CrossRef]
90. Aurangzeb, K.; Al-Hussein, M. Rangka Kerja Pembelajaran Mendalam untuk Ramalan Beban Kuasa Jangka Pendek, Kajian Kes Pelanggan Tenaga Isi Rumah Individu. Dalam Prosiding 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, FJ Analisis Perbandingan Model Pembelajaran Dalam Pelbagai Pembolehubah untuk Peramalan dalam Grid Pintar. Dalam Prosiding Mesyuarat Musim Luruh Antarabangsa IEEE 2020 mengenai Kuasa, Elektronik dan Pengkomputeran (ROPEC), Ixtapa, Mexico, 4–6 November 2020. [CrossRef]
92. Hafeez, G.; Alimgeer, KS; Wadud, Z.; Shafiqah, Z.; Ali Khan, MU; Khan, I.; Khan, FA; Derhab, A. Model berasaskan pembelajaran mendalam yang tepat dan cepat menumpu untuk ramalan penggunaan tenaga elektrik dalam grid pintar. Tenaga 2020, 13, 2244. [CrossRef]
93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Ramalan Permintaan Elektrik untuk Grid Pintar Berdasarkan Pendekatan Pembelajaran Mendalam. Dalam Prosiding 2020 5Persidangan Antarabangsa Teknologi Hijau dan Pembangunan Lestari (GTSD), Ho Chi Minh City, Vietnam, 27–28 November 2020; ms 353–357. [CrossRef]
94. Rosato, A.; Succetti, F.; Araneo, R.; Andreotti, A.; Mitolo, M.; Panella, M. Pendekatan Pembelajaran Mendalam Gabungan untuk Ramalan Siri Masa dalam Persekitaran Tenaga. Dalam Prosiding Persidangan Teknikal Sistem Tenaga Perindustrian dan Komersial (I&CPS) ke-56 IEEE/IAS 2020, Las Vegas, NV, Amerika Syarikat, 29 Jun–28 Julai 2020.
95. Qi, X.; Zheng, X.; Chen, Q. Ramalan Beban Jangka Pendek Sistem Tenaga Bersepadu berdasarkan CNN-LSTM. Dalam Prosiding Persidangan Antarabangsa 2020 mengenai Tenaga, Alam Sekitar dan Kejuruteraan Bio (ICEEB 2020), Xi'an, China, 7–9 Ogos 2020; Jilid 185, hlm. 01032. [CrossRef]
96. Wang, B.; Li, Y.; Ming, W.; Wang, S. Kaedah pembelajaran tetulang mendalam untuk pengurusan tindak balas permintaan beban terganggu. IEEE Trans. Grid Pintar 2020, 11, 3146–3155. [CrossRef]
97. Wen, L.; Zhou, K.; Li, J.; Wang, S. Pembelajaran mendalam dan pembelajaran pengukuhan yang diubah suai untuk model tindak balas permintaan berasaskan insentif. Tenaga 2020, 205, 118019. [CrossRef]
98. Yang, Y.; Li, W.; Gulliver, TA; Li, S. Bayesian dalam peramalan beban probabilistik berasaskan pembelajaran dalam grid pintar. IEEE Trans Ind. Inf. 2020, 16, 4703–4713. [CrossRef]
99. Amin, P.; Cherkasova, L.; Aitken, R.; Kache, V. Mengautomasikan Permodelan Permintaan Tenaga dan Ramalan Menggunakan Data Meter Pintar. Dalam Prosiding Kongres Antarabangsa IEEE 2019 mengenai Internet Perkara (ICIOT), Milan, Itali, 8–13 Julai 2019.
100. Atef, S.; Eltawil, AB Kajian Perbandingan Menggunakan Pembelajaran Mendalam dan Regresi Vektor Sokongan untuk Ramalan Harga Elektrik dalam Grid Pintar. Dalam Prosiding IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), Tokyo, Jepun, 12–15 April 2019; ms 603–607. [CrossRef]
101. Chan, S.; Oktavianti, I.; Puspita, V. Pembelajaran Mendalam CNN dan SVM Ditala AI untuk Ramalan Penggunaan Elektrik: Data Siri Masa Berbilang variasi. Dalam Prosiding Teknologi maklumat tahunan ke-10 IEEE 2019, Persidangan Elektronik dan Komunikasi Mudah Alih (IEMCON), Vancouver, BC, Kanada, 17–19 Oktober 2019.
102. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, Ramalan Beban Elektrik Hari Hadapan QZ oleh Model Hibrid Pintar berdasarkan Pembelajaran Mendalam untuk Grid Pintar. Dalam Prosiding Persidangan Antarabangsa ke-14 mengenai Sistem Kompleks, Pintar dan Intensif Perisian (CISIS-2020), Lodz, Poland, 1–3 Julai 2020.
103. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Pengurusan Tenaga Grid Pintar menggunakan RNN-LSTM: Pendekatan Berasaskan Pembelajaran Mendalam. Dalam Prosiding Persidangan Komunikasi Global IEEE (GLOBECOM), Big Island, HI, Amerika Syarikat, 9–13 Disember 2019; ms 1–6. [CrossRef]
104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Aplikasi pembelajaran mendalam ingatan jangka pendek panjang dalam ramalan permintaan tenaga. Commun. Pengiraan. Inf. Sci. 2019, 1000, 31–42. 105. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Ramalan beban elektrik setengah jam menggunakan rangkaian saraf konvolusi. Dalam Perkhidmatan Mudah Alih dan Internet Inovatif dalam Pengkomputeran Ubiquitous; Barolli, L., Xhafa, F., Hussain, O., Eds.; Springer: Cham, Switzerland; Jilid 994. [CrossRef]
106. Kim, TY; Cho, SB Meramalkan penggunaan tenaga kediaman menggunakan rangkaian saraf CNN-LSTM. Tenaga 2019, 182, 72–81. [CrossRef]
107. Kim, T.; Cho, S. Rangkaian CNN-LSTM berasaskan Pengoptimuman Particle Swarm untuk Ramalan Penggunaan Tenaga. Dalam Prosiding Kongres IEEE 2019 mengenai Pengiraan Evolusi (CEC), Wellington, New Zealand, 10–13 Jun 2019.
108. Lu, R.; Hong, SH Tindak balas permintaan berasaskan insentif untuk grid pintar dengan pembelajaran pengukuhan dan rangkaian saraf dalam. Appl. Tenaga 2019, 236, 937–949. [CrossRef]
109. Pramono, SH; Rohmatillah, M.; Maulana, E.; Hasanah, RN; Hario, F. Ramalan beban jangka pendek berasaskan pembelajaran mendalam untuk menyokong program tindak balas permintaan dalam sistem tenaga hibrid. Tenaga 2019, 12, 3359. [CrossRef]
110. Rahman, S.; Alam, MGR; Rahman, MM Kaedah Ensemble berasaskan Pembelajaran Dalam untuk Ramalan Permintaan Tenaga Isi Rumah Rumah Pintar. Dalam Prosiding 2019 22nd International Conference on Computer and Information Technology (ICCIT), Dhaka, Bangladesh, 18–20 Disember 2019.
111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Model Ensembles Purata untuk Ramalan Beban Jangka Pendek dalam Grid Pintar. Dalam Prosiding Persidangan Antarabangsa IEEE mengenai Data Besar (Data Besar), Los Angeles, CA, Amerika Syarikat, 9–12 Disember 2019; ms 2931–2938. [CrossRef]
112. Ustundag Soykan, E.; Bilgin, Z.; Ersoy, MA; Tomur, E. Pembelajaran Mendalam Persendirian Berbeza untuk Ramalan Beban pada Grid Pintar. Dalam Prosiding Bengkel Globecom IEEE 2019 (GC Wkshps), Waikoloa, HI, Amerika Syarikat, 9–13 Disember 2019; ms 1–6. [CrossRef]
113. Vesa, AV; Ghitescu, N.; Pop, C.; Antal, M.; Cioara, T.; Angel, IA; Salomie, I. Menyusun Model Ensembel Ulti-Pembelajaran untuk Meramalkan Permintaan Penggunaan Tenaga Hampir Masa Nyata Bangunan Kediaman. Dalam Prosiding Persidangan Antarabangsa IEEE ke-15 mengenai Komunikasi dan Pemprosesan Komputer Pintar (ICCP) 2019, Cluj-Napoca, Romania, 5–7 September 2019.
114. Yang, Y.; Hong, W.; Li, S. Pembelajaran ensemble mendalam berdasarkan ramalan beban kemungkinan dalam grid pintar. Tenaga 2019, 189, 116324. [CrossRef]
115. Zahid, M.; Ahmed, F.; Javaid, N.; Abbasi, RA; Zainab Kazmi, HS; Javaid, A.; Bilal, M.; Akbar, M.; Ilahi, M. Harga elektrik dan ramalan beban menggunakan rangkaian saraf konvolusi yang dipertingkatkan meningkatkan regresi vektor sokongan dalam grid pintar. Elektronik 2019, 8, 122. [CrossRef]
116. Ouyang, T.; Hey.; Li, H.; Matahari, Z.; Baek, S. Memodelkan dan meramalkan beban kuasa jangka pendek dengan model kopula dan rangkaian kepercayaan mendalam. IEEE Trans. Muncul. Atas. Pengiraan. Intell. 2019, 3, 127–136. [CrossRef]
117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rahman, AU; Ullah, Z. Ramalan Beban Jangka Pendek berdasarkan Pembelajaran Mendalam untuk Aplikasi Grid Pintar. Dalam Prosiding Persidangan Antarabangsa Ke-12 mengenai Perkhidmatan Mudah Alih dan Internet Inovatif dalam Pengkomputeran Ubiquitous (IMIS-2018), Matsue, Jepun, 4–6 Julai 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Rangkaian Neural Konvolusi untuk Ramalan Siri Masa Tenaga. Dalam Prosiding Persidangan Bersama Antarabangsa 2018 mengenai Rangkaian Neural (IJCNN), Rio de Janeiro, Brazil, 8–13 Julai 2018.
119. Kuo, PH; Huang, CJ Model rangkaian saraf tiruan berketepatan tinggi untuk ramalan beban tenaga jangka pendek. Tenaga 2018, 11, 213. [CrossRef]
120. Shi, H.; Xu, M.; Li, R. Pembelajaran mendalam tentang ramalan beban isi rumah—Sebuah novel yang menggabungkan RNN mendalam. Grid Pintar Trans IEEE 2018, 9, 5271–5280. [CrossRef]
121. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Ramalan mendalam: Ramalan spatiotemporal berasaskan pembelajaran mendalam. arXiv 2017. [CrossRef]
122. Jarábek, T.; Laurinec, P.; Lucká, M. Ramalan Beban Tenaga menggunakan Rangkaian Neural Dalam S2S dengan K-Shape Clustering. Dalam Prosiding Persidangan Saintifik Antarabangsa ke-14 IEEE 2017 mengenai Informatik 2017, Poprad, Slovakia, 14–16 November 2017.
123. Li, L.; Ota, K.; Dong, M. Semuanya Imej: Ramalan Beban Elektrik Jangka Pendek Berasaskan CNN untuk Grid Pintar. Dalam Prosiding 2017 14Simposium Antarabangsa mengenai Sistem, Algoritma dan Rangkaian Pervasive & 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 Jun 2017; ms 344–351. [CrossRef]
124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Kajian Teknologi Utama Data Besar Kuasa Elektrik dan Prospek Aplikasinya dalam Grid Pintar. Dalam Prosiding Persidangan Kejuruteraan Tenaga dan Kuasa Asia-Pasifik IEEE (APPEEC), Hong Kong, China, 7–10 Disember 2014; ms 1–4. [CrossRef]
