نظرة ثاقبة للتعلم العميق للتنبؤ بالطلب في الشبكات الذكية (2)

5.2.5. آلة Boltzmann المقيدة المشروطة

آلة Boltzmann المقيدة (RBM) هي RNN عشوائية مع طبقتين ، واحدة مع وحدات مرئية والأخرى مع وحدات مخفية ثنائية. يمكن لهذا النوع من الشبكات معرفة توزيع الاحتمالات على مجموعة المدخلات الخاصة به. تعد RBMs نوعًا مختلفًا من آلات Boltzmann (BM) ويمكن أن تكون في وضع خاضع للإشراف أو غير خاضع للإشراف ، اعتمادًا على المهمة التي يتعين القيام بها.

الأعشاب الصينية cistanche- تحسين الذاكرة

عندما يتم تقييد BMs ، يمكن أن يكون لزوج من العقد من كل مجموعة من مجموعتي الوحدات (المرئية والمخفية) اتصال متماثل بينهما ، ولكن لا توجد اتصالات بين العقد في نفس المجموعة ، مما يسمح بتدريب أكثر كفاءة. من ناحية أخرى ، يمكن أن يكون لـ BMs غير المقيدة صلات بين الوحدات المخفية.

يتكون RBM من م الوحدات المرئية V=(v1،..، vm) تمثل البيانات القابلة للرصد و n من الوحدات المخفية H=(h1،..، hn) تلتقط التبعيات بين المتغيرات التي يمكن ملاحظتها ، مع وحدات الطبقة الشرطية F=(f 1،..، fp) ، كما هو موضح في الشكل 5 [72].

حيث يمثل m عدد العناصر التي قام المستخدم بتصنيفها ؛ H هو عدد الطبقات المخفية ؛ F هو عدد الطبقات الشرطية ؛ K هو التصنيف العالي ؛ vki هي القيمة الثنائية لوحدة الطبقة المرئية I والتصنيف k ؛ hj هي القيمة الثنائية للوحدة المخفية j ؛ fq هي القيمة الثنائية للطبقة الشرطية F ؛ bi k هو انحياز التصنيف k مع وحدة الطبقة المرئية I ؛ bj هو تحيز الميزة j ؛ Wk ij هو الوزن المتصل بين الطبقة المخفية H والطبقة المرئية V ؛ D هو الوزن المرتبط بين الطبقة المخفية H والطبقة الشرطية F ؛ Dqj هو الوزن المتصل بين الميزة المخفية j ووحدة الطبقة الشرطية q.

الشكل 5. آلة بولتزمان المقيدة [73.

في [73] ، قدم المؤلفون آلات بولتزمان المقيدة المشروطة (FCRBM) من خلال إضافة مفهوم العوامل والتفاعلات متعددة الاتجاهات والتفاعلات ثلاثية الاتجاه للتنبؤ بأنماط الحركة البشرية المتعددة.

أخيرًا ، تتكون شبكات الإيمان العميق (DBNs) من عدة آليات قائمة على النتائج مكدسة فوق بعضها البعض [74]

6. نماذج التعلم العميق والتنبؤ بالطلب في سياق الشبكات الذكية

اقترح الباحثون نماذج التنبؤ في المجالين الرئيسيين حيث يمكن تطبيق تقنيات التعلم العميق [8]: (1) إدارة الطلب (على سبيل المثال ، [75،76]) و (2) التحكم في الشبكة (على سبيل المثال ، [77-79]) .

نظرًا للطلب المتزايد على الطاقة من مختلف القطاعات ، يجب موازنة العرض والطلب في الشبكة الكهربائية. في هذا السيناريو ، يمكن للشبكات الذكية أن تلعب دورًا مهمًا من خلال توفير تدفق ثنائي الاتجاه للطاقة بين المستهلكين والمرافق. على عكس الشبكات الكهربائية التقليدية ، تحتوي الشبكات الذكية على أجهزة استشعار متطورة تولد بيانات يمكن من خلالها اشتقاق أنماط الطاقة. هذه الأنماط مفيدة للغاية للتنبؤ بالحمل ، وحلاقة الذروة ، وإدارة الاستجابة للطلب.

الفوائد الصحية لمسحوق الكستانش - تحسين الذاكرة

نظرًا لأن كمية البيانات التي يتم إنشاؤها بواسطة الشبكة الذكية ضخمة وتتزايد باستمرار ، تعد النماذج القائمة على التعلم العميق خيارًا جيدًا لفهم أنماط الاستهلاك وإجراء التنبؤات. درس الباحثون إمكانيات استخدام نماذج التعلم العميق ، حيث تلعب شبكات LSTM دورًا رائدًا (على سبيل المثال ، [32،57،80])

يلخص الجدول 5 الأعمال المختلفة التي استخدم فيها الممارسون تقنيات التعلم العميق بنجاح لأغراض التنبؤ. تم تحديد هذه التجارب بعد مراجعة منهجية للأدبيات المنشورة. تم إجراء البحث عن المراجع في قواعد بيانات علمية مختلفة (على سبيل المثال ، ScienceDirect ، SpringerLink ، IEEExplore ، إلخ). كما تمت مراجعة الأوراق من مختلف المجلات العلمية ذات الصلة مثل معلوماتية الطاقة ومعاملات IEEE على الشبكة الذكية والطاقات والطاقة التطبيقية. تشمل الكلمات الرئيسية المستخدمة: مصطلحات مثل التعلم العميق ، و ANN ، والشبكات العصبية ، وأسماء نماذج التعلم العميق المختلفة ، الكاملة والمختصرة (على سبيل المثال ، شبكات الذاكرة طويلة المدى و LSTM) ،

مجتمعة (و) مع المصطلحات المتعلقة بمجال الطاقة ، وبشكل أكثر تحديدًا ، "التنبؤ بالطلب على الطاقة" ، "التنبؤ بالطلب على الكهرباء" ، "التنبؤ بالحمل" ، "الاستجابة للطلب" ، "الاستجابة من جانب الطلب" والاختلافات في هذه التعبيرات.

الجدول 5. أمثلة لتطبيق تقنيات التعلم العميق في مجال الطاقة ، مع التركيز على التنبؤ بالطلب / الحمل.

اقتصر البحث على آخر 6 سنوات. تم اتخاذ القرار بشأن المقالات التي تم تضمينها أخيرًا في الجدول 5 من قبل المؤلفين بعد مراجعة نتائج البحث والتأكد من أن العمل تضمن استخدام نموذج التعلم العميق لأغراض التنبؤ بالطلب أو الحمل.

7. استنتاجات

تؤدي زيادة الطلب على الطاقة إلى الضغط على شبكة الطاقة لتحقيق التوازن بين العرض والطلب. يمكن أن تلعب الشبكات الذكية دورًا مهمًا. في هذه الأنظمة ، يتم جمع البيانات المتعلقة باستخدام الطاقة وتحليلها بانتظام للحصول على استهلاك الطاقة. يمكن أن تكون أنماط الاستخدام التي تم الحصول عليها مفيدة للتنبؤ بالطلب والأحمال. هذه مهمة صعبة في سياق البيئات الذكية ، ولهذا السبب يبذل الباحثون جهودًا خاصة في ذلك.

لمواجهة تحديات التنبؤ بالطلب الحالية ، حيث تولد الشبكات الذكية كميات كبيرة من البيانات ، من الضروري استخدام تقنيات حديثة تعتمد على البيانات. تعد النماذج القائمة على التعلم العميق بديلاً جيدًا. تقليديا ، ركزت الأبحاث على التنبؤ باستهلاك الطاقة للعملاء باستخدام مجموعات البيانات التاريخية الصغيرة المتاحة عن سلوكهم. ومع ذلك ، فقد أظهر البحث الحالي الذي يطبق أساليب التعلم العميق أداءً أفضل من طرق التنبؤ التقليدية. يتضمن استخدام نماذج التعلم العميق استخدام كميات كبيرة من البيانات ، مثل تلك التي توفرها مجموعات البيانات المختلفة المستخدمة من قبل الممارسين في الأعمال التي تم جمعها في الجدول 5. إنها حقيقة أن الشبكات الذكية تولد كميات كبيرة من البيانات ، لذا فإن البيانات الضخمة هي أيضًا تقنية أساسية للتغلب على تحديات تكامل الطاقة المتجددة ، وتقلب الأحمال ، والتنمية المستدامة. مع إدخال مصادر الطاقة المتجددة في الشبكة الذكية ، يتم إدخال عدد متزايد من المتغيرات إلى النظام وتحتاج إلى معالجة المزيد من البيانات. يتفاقم هذا الوضع أيضًا بسبب الإدخال التدريجي للسيارات الكهربائية ، لذلك أصبحت تقنيات البيانات الضخمة ضرورية بشكل متزايد [124].

ملحق Cistanche بالقرب مني - تحسين الذاكرة

انقر هنا لعرض منتجات Cistanche Improvement Memory

【اطلب المزيد】 البريد الإلكتروني: cindy.xue@wecistanche.com / تطبيق Whats: 0086 18599088692 / Wechat: 18599088692

كشفت الدراسة التي أجريت أن أكثر نماذج التعلم العميق استخدامًا في مجال الطاقة لأغراض التنبؤ بالطلب هي CNNs و RNNs و LSTM و DQNs و CRBM ، وتنوعًا في أي منها ، مزيج من اثنين أو أكثر منها ، أو الجمع بين أي منها وتقنيات أخرى. جدير بالذكر أن CNN وتنوعاته مثل Pyramid-CNN [82،85،88،90،91،94،95،101،106،107،109،115،118،119،123] ، LSTM وأشكاله المختلفة مثل B-LSTM [80،82، 86 - 88،91 ، 93–95،99،100،103،104،106،107،109–113،118،119،122] ، ومزيج من [82،88،91،94،95،106،107،109،118،119]. إن قواعد الاختبار الحقيقية التي تحتوي على بيانات عالية الجودة ليست شائعة ولكنها ضرورية لتحديد أداء نماذج التعلم العميق. من المهم مواصلة اختبار نماذج التعلم العميق المستقبلية ، بما في ذلك الاختلافات المحتملة و / أو مجموعات من نموذجين أو أكثر ، لأغراض التنبؤ في سياق الشبكات الذكية. من المهم أيضًا إجراء هذه الاختبارات لسيناريوهات مختلفة. لا تزال هناك حاجة إلى نماذج التعلم العميق القادرة على التنبؤ تلقائيًا بالحمل لأنواع مختلفة من العملاء والمباني / المباني وظروف الطقس المختلفة. من المهم اختبار أداء التعلم العميق ، ولكن أيضًا لتحديد النموذج الأفضل لكل سيناريو.

فيما يتعلق بمجموعات البيانات ، استخدم الممارسون خيارات مختلفة ، لتسليط الضوء على سوق الكهرباء PJM [32،92،102،108،112] ، SGSC [85،90،98] ، CER [98،114،120] ، ISO-NE [105،109،115] ، Pecan Street Inc. [80،97] و UCI [106107] و UKDALE [113] و REDD [21]. تركز العديد من المراجعات عند الطلب / التنبؤ بالحمل في سياق الشبكات الذكية على نماذج التعلم العميق المستخدمة ولكن تنسى البيانات. ومع ذلك ، لكي ينجح تطبيق التعلم العميق ، فإن الخوارزميات لها نفس قيمة البيانات. في الواقع ، سيكون من المرغوب فيه للباحثين دمج المزيد من المعلومات حول البيانات المستخدمة في أعمالهم ، مع معالجة على سبيل المثال تقسيم بيانات التدريب / التحقق من الصحة / الاختبار ، والفاصل الزمني لأخذ العينات من البيانات ، وطريقة تنظيف البيانات ، وما إلى ذلك. قيود استخدام نماذج التعلم العميق هي عدم وجود مجموعات بيانات عالية الجودة في العالم الحقيقي. من المحتمل أن يكون الاتجاه المستقبلي هو تحويل التركيز من النموذج إلى البيانات. علاوة على ذلك ، يتوقع المؤلفون تكامل إنترنت الأشياء في نماذج التعلم العميق المستخدمة للتنبؤ بالطلب / الحمل. تمكّن إنترنت الأشياء من إضفاء الطابع الديمقراطي على المعنى. هذا يفتح فرصًا مثيرة من حيث جمع البيانات عالية الجودة ، وهو أمر بالغ الأهمية في سياق التنبؤ بالطلب / الحمل. فيما يتعلق بهذا ، هناك اتجاه مستقبلي آخر يتمثل في تطوير أنظمة متكاملة تتضمن الحصول على البيانات اللازمة والمعالجة المسبقة.

فوائد cistanche tubulosa - تحسين الذاكرة

أخيرًا ، من اللافت للنظر أيضًا أن الباحثين ركزوا في معظم الحالات على التنبؤ قصير المدى.

يعد التنبؤ بالحمل مهمة صعبة في سياق البيئات الذكية. وبالتالي ، يبذل الباحثون جهودًا خاصة في ذلك. إن قواعد الاختبار الحقيقية التي تحتوي على بيانات عالية الجودة ليست شائعة ولكنها ضرورية لتحديد أداء نماذج التعلم العميق. لا تزال هناك حاجة إلى نماذج التعلم العميق القادرة على التنبؤ تلقائيًا بالحمل لأنواع مختلفة من العملاء والمباني / المباني وظروف الطقس المختلفة.

ماذا يفعل cistanche- تحسين الذاكرة

مراجع

1. بعقب ، OM ؛ زولقرنين ، م. بات ، TM التطورات الحديثة في تقنية الشبكة الذكية: الآفاق المستقبلية في شبكة الطاقة الكهربائية. عين شمس م. 2021، 12، 687-695. [CrossRef]

2. Cecati، C .؛ Mokryani، G.؛ بيكولو ، أ. Siano، P. نظرة عامة على مفهوم الشبكة الذكية. في وقائع المؤتمر السنوي IECON 2010–36th حول جمعية الإلكترونيات الصناعية IEEE ، غلينديل ، كاليفورنيا ، الولايات المتحدة الأمريكية ، 7-10 نوفمبر 2010 ؛ ص 3322 - 3327. 3 - فاكولينكو ، أنا ؛ ساهر ، إل. ليوليوف ، أو. بيمونينكو ، ت. مراجعة منهجية للأدب للشبكات الذكية. في وقائع المؤتمر الأول حول مصادر الطاقة التقليدية والمتجددة: وجهات نظر ونماذج للقرن الحادي والعشرين (TRESP 2021) ، براغ ، جمهورية التشيك ، 22-23 يناير 2021 ؛ المجلد 250. [CrossRef]

4. يان ، واي. تشيان ، واي. شريف ، ح. تيبر ، د. مسح حول الأمن السيبراني لاتصالات الشبكة الذكية. IEEE Commun. البقاء على قيد الحياة. مدرس خاص. 2012 ، 14 ، 998-1010. [CrossRef]

5 - شوكت علي ، ABM ؛ Azad، SA توقع الطلب في الشبكة الذكية. تقنية الطاقة الخضراء. 2013 ، 132 ، 135-150. [CrossRef]

6. براباديفي ، ب. ؛ فام ، Q.-V. ؛ لياناج ، م. ديبا ، إن. Vvss ، M. ؛ ريدي ، إس. ماديكونتا ، PKR ؛ خير ، ن. Gadekallu ، TR ؛ Hwang، WH التعلم العميق للاستجابة الذكية للطلب والشبكات الذكية: مسح شامل. arXiv 2021. [CrossRef]

7 - فيريرا ، HC ؛ لامبي ، إل. نيوبري ، ياء ؛ Swart ، TG Power Line Communications. نظرية وتطبيقات اتصالات النطاق الضيق والعريض عبر خطوط الطاقة ؛ جون وايلي وأولاده: تشيتشيستر ، المملكة المتحدة ، 2010.

8. فانتينج ، ملحوظة ؛ أماه ، ض. Jørgensen ، BN مراجعة نطاق الشبكات العصبية العميقة للتنبؤ بالحمل الكهربائي. إعلام الطاقة. 2021 ، 4 ، 49. [CrossRef]

9. هيرنانديز ، إل. Baladrón، C.؛ Aguiar ، JM ؛ كارو ، ب. Sánchez-Esguevillas ، AJ ؛ لوريت ، ياء ؛ Massana، J. مسح حول التنبؤ بالطلب على الطاقة الكهربائية: الاتجاهات المستقبلية في الشبكات الذكية والشبكات الصغيرة والمباني الذكية. IEEE Commun. البقاء على قيد الحياة. مدرس خاص. 2014 ، 16 ، 1460-1495. [CrossRef]

10- جافيد ، ف. أرشد ، ن. والين ، ف. فاسيليفا ، أنا ؛ Dahlquist، E. التنبؤ لاستجابة الطلب في الشبكات الذكية: تحليل لاستخدام البيانات الأنثروبولوجية والهيكلية والتنبؤ بالأحمال المتعددة على المدى القصير. تطبيق الطاقة 2012، 96، 150–160. [CrossRef]

11. Khodayar، ME؛ Wu، H. توقع الطلب في نموذج الشبكة الذكية: الميزات والتحديات. اليكتر. ياء 2015، 28، 51-62. [CrossRef]

12. بوزا ، ب. Evgeniou، T. الذكاء الاصطناعي لدعم تكامل مصادر الطاقة المتجددة المتغيرة في نظام الطاقة. تطبيق الطاقة 2021، 290، 116754. [CrossRef]

13. لاسيتر ، ر. أخيل أ. مامي ، سي. ستيفنس ، ياء ؛ داجل ، ياء ؛ جوترومسون ، ر. ميليوبولوس ، أ. ينغر ، ر. Eto ، J. تكامل موارد الطاقة الموزعة. مفهوم CERTS Microgrid. ورق ابيض. 2003. متاح على الإنترنت: https://certs.lbl.gov/publications / Integration-Distributed-energy (تم الوصول إليه في 20 تشرين الثاني (نوفمبر) 2022).

14. Anduaga، J .؛ بويرا ، م. كوبيلو ، أنا ؛ غارسيا ، إي. جيل ، أ. جيمينو ، ياء ؛ Laresgoiti ، أنا ؛ Oyarzabal ، JM ؛ رودريغيز ، ر. سانشيز ، إي. وآخرون. La Microrred، Una Alternativa de Futuro Para un Suministro Energético Integral؛ TECNALIA، Corporación Tecnológica: Derio، Spain، 2008.

15. Hoy، MB Smart Buildings: مقدمة لمكتبة المستقبل. ميد. المرجع. سيرف. Q. 2016، 35، 326–331. [CrossRef] [PubMed]

16- فانغ ، إكس. Misra، S. Xue ، G. ؛ يانغ ، د. الشبكة الذكية - شبكة الطاقة الجديدة والمحسّنة: مسح. IEEE Commun. البقاء على قيد الحياة. مدرس خاص. 2012 ، 14 ، 944-980. [CrossRef]

17. سينغ ، أ. ناصر الدين ، أنا. خاتون ، س. معظم ، م. Chaturvedi ، تقنيات ومنهجيات التنبؤ بالأحمال DK: مراجعة. في وقائع المؤتمر الدولي الثاني للطاقة والتحكم والأنظمة المدمجة (ICPCES) ، الله أباد ، الهند ، 17-19 ديسمبر 2012. [CrossRef]

18. Nti، IK ؛ طعيمة ، م. Nyarko-Boateng ، O. ؛ Adekoya ، AF التنبؤ بحمل الكهرباء: مراجعة منهجية. J. Electr. النظام. المشاة. تكنول. 2020، 7، 13. [CrossRef]

19. أحمد مير ، أ. الغصب كفيت ، م. الله ، ك. علي خان ، ز. لو ، واي. عمران م. مراجعة لتوقعات الطلب على الكهرباء في البلدان المنخفضة والمتوسطة الدخل: محددات الطلب وآفاقه. الاستدامة 2020، 12، 5931. [CrossRef]

20. Clements، AE؛ هيرن ، أ. Li، Z. توقع حمل الكهرباء في اليوم السابق باستخدام نهج السلاسل الزمنية للمعادلة المتعددة. يورو. J. أوبر. الدقة. 2016 ، 251 ، 522-530. [CrossRef]

21. هونغ ، واي. تشو ، واي. لي ، س. شو ، دبليو. Zheng، X. طريقة التعلم العميق للتنبؤ بالأحمال السكنية قصيرة المدى في الشبكة الذكية. IEEE Access 2020، 8، 55785–55797. 22. Phuangpornpitak، N .؛ Prommee، W. دراسة لنماذج التنبؤ بالطلب على الحمل في تشغيل وتخطيط نظام الطاقة الكهربائية. GMSARN Int. 2016 ، 10 ، 19-24.

23. Xiao، L .؛ شاو ، دبليو. ليانغ ، تي. Wang، C. نموذج مدمج يعتمد على أنماط موسمية متعددة وخوارزمية fifireflfly معدلة للتنبؤ بالحمل الكهربائي. تطبيق الطاقة 2016 ، 167 ، 135-153. [CrossRef]

24. Xue، B .؛ Geng، J. طريقة التصحيح الديناميكي المستعرض للتنبؤ بالطاقة على المدى المتوسط ​​والطويل على أساس إحصائية أخطاء التنبؤ. في وقائع المؤتمر العاشر حول الطاقة والطاقة (IPEC) ، هوشي منه ، فيتنام ، 12-14 ديسمبر 2012 ؛ ص 253 - 256. [CrossRef]

25. خاتون س. ناصر الدين ، أنا. سينغ ، أ. جوبتا ، ب. تأثيرات العوامل المختلفة على التنبؤ بالحمل الكهربائي: نظرة عامة. في وقائع المؤتمر الدولي IEEE Power India (PIICON) ، دلهي ، الهند ، 5-7 ديسمبر 2014 ؛ ص 1 - 5.

26. Hippert، HS؛ بيدريرا ، م ؛ سوزا ، RC الشبكات العصبية للتنبؤ بالأحمال على المدى القصير: مراجعة وتقييم. IEEE Trans. نظام الطاقة. 2001 ، 16 ، 44-55. [CrossRef]

27. فهد، MU؛ Arbab، N. العامل الذي يؤثر على التنبؤ بالأحمال على المدى القصير. J. Clean Energy Technol. 2014 ، 2 ، 305-309. [CrossRef]

28. Novianto، D .؛ جاو ، دبليو. كوروكي ، س. مراجعة حول أسلوب حياة الناس واستهلاك الطاقة في المجتمعات الآسيوية: دراسة حالة لإندونيسيا وتايلاند والصين. هندسة الطاقة والطاقة. 2015 ، 7 ، 465. [CrossRef]

29. هيرنانديز ، إل. Baladrón، C.؛ Aguiar ، JM ؛ كالافيا ، إل. كارو ، ب. Sánchez-Esguevillas ، A. ؛ García، P.؛ Lloret ، J. التحليل التجريبي لمدى صلة متغيرات الإدخال بالتنبؤ بالطلب الكلي على الكهرباء في اليوم التالي باستخدام الشبكات العصبية. الطاقات 2013، 6، 2927–2948. [CrossRef]

30. إيسي ، ف. كابلان ، أو. تحديد ملامح الحمل واستهلاك الطاقة للأجهزة المنزلية. طاقات 2018، 11، 607. [CrossRef]

31. شي ، واي. يو ، تي ؛ ليو ، س. Zhu، H. لي ، ف. Wu ، Y. نهج لتحليل ملف تعريف الحمل الكهربائي بناءً على التنقيب في بيانات السلاسل الزمنية. IEEE Access 2020، 8، 209915-209925. 32. حفيظ ج. أليمغير ، كانساس ؛ خان ، الأول ، التنبؤ بالحمل الكهربائي على أساس التعلم العميق والمحسّن من خلال الخوارزمية التجريبية في الشبكة الذكية. تطبيق الطاقة 2020، 269، 114915. [CrossRef]

33. Gillies، DKA؛ برنهولتز ، ب. Sandiford، PJ نهج جديد للتنبؤ بأحمال الذروة اليومية. عبر. أكون. إنست. اليكتر. م. الجزء الثالث قوة الظهور. النظام. 1956 ، 75 ، 382-387. [CrossRef]

34. Park، DC؛ الشرقاوي، ماجستير؛ ماركس الثاني ، آر جيه ؛ أطلس ، جنيه مصري ؛ دامبورج ، إم جي للتنبؤ بالحمل الكهربائي باستخدام شبكة عصبية اصطناعية. IEEE Trans. نظام الطاقة. 1991، 6، 442–449. [CrossRef]

35. Bakirtzis، AG؛ بيتريديس ، ف. Kiartzis ، SJ ؛ Alexiadis ، MC ؛ Maissis ، AH نموذج التنبؤ بالحمل قصير المدى للشبكة العصبية لنظام الطاقة اليوناني. IEEE Trans. نظام الطاقة. 1995 ، 11 ، 858 - 863. [CrossRef]

36. Lu، C.-N .؛ وو ، H.-T. ؛ Vemuri، S. التنبؤ بالحمل على المدى القصير القائم على الشبكة العصبية. IEEE Trans. نظام الطاقة. 1993 ، 8 ، 336–342. [CrossRef] 37. باباليكسوبولوس ، ميلادي ؛ هاو ، س. بينغ ، ت. تنفيذ نموذج التنبؤ بالحمل القائم على الشبكة العصبية لنظام الإدارة البيئية. IEEE Trans. نظام الطاقة. 1994 ، 9 ، 1956-1962. [CrossRef]

38. وانج ، ب. حول تعريف الذكاء الاصطناعي. جى أرتيف. الجنرال انتل. 2019 ، 10 ، 1–37. [CrossRef]

39. Ongsulee، P. الذكاء الاصطناعي والتعلم الآلي والتعلم العميق. في وقائع المؤتمر الدولي الخامس عشر لتكنولوجيا المعلومات والاتصالات وهندسة المعرفة (ICT & KE) ، بانكوك ، تايلاند ، 22-24 نوفمبر 2017 ؛ ص 1 - 6. [CrossRef]

40. Raz، AR؛ ليناس ، ياء ؛ ميتو ، ر. Lawless، WF Engineering للظهور في أنظمة دمج المعلومات: مراجعة لبعض التحديات. في السياقات المشتركة بين الإنسان والآلة ؛ Lawless، WF، Mittu، R.، Sofge، DA، Eds .؛ المطبعة الأكاديمية: كامبريدج ، ماساتشوستس ، الولايات المتحدة الأمريكية ، 2020 ؛ ص 241-255 ، ISBN 9780128205433. [CrossRef]

41. كوهين ، س. أساسيات التعلم الآلي: الإستراتيجيات والتقنيات. في الذكاء الاصطناعي والتعلم العميق في علم الأمراض. كوهين ، س ، إد. إلسفير: أمستردام ، هولندا ، 2021 ؛ ص 13-40 ، ISBN 9780323675383. [CrossRef]

42. Bonetto، R .؛ لاتزكو ، ف. التعلم الآلي. في الحوسبة في شبكات الاتصالات ، من النظرية إلى الممارسة ؛ Fitzek، FHP، Granelli، F.، Seeling، P.، Eds .؛ المطبعة الأكاديمية: كامبريدج ، ماساتشوستس ، الولايات المتحدة الأمريكية ، 2020 ؛ ص 135 - 167 ، ISBN 9780128204887. [CrossRef]

43. ديلوا ، ج. التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: ما هو الفرق؟ 2021. متاح على الإنترنت: https://www.ibm.com/cloud/ blog / supervised-vs-unupervised-learning (تم الوصول إليه في 15 تشرين الثاني (نوفمبر) 2022).

44. Sarker، IH Machine Learning: الخوارزميات والتطبيقات الواقعية واتجاهات البحث. SN Comput. علوم. 2021، 2، 160. [CrossRef] [PubMed]

45. Choi، RY؛ كوينر ، أ. كالباثي كرامر ، ياء ؛ شيانغ ، إم إف ؛ كامبل ، جي بي مقدمة في التعلم الآلي والشبكات العصبية والتعلم العميق. ترجمة. فيس. علوم. تكنول. 2020 ، 9 ، 14. [CrossRef]

46. ​​اللوغني ، م. ؛ الجميلي د. Mustafifina ، J. ؛ حسين أ. الجعف ، AJ مراجعة منهجية لخوارزميات التعلم الآلي الخاضعة للإشراف وغير الخاضعة للإشراف لعلوم البيانات. في التعلم الخاضع للإشراف وغير الخاضع للإشراف لعلوم البيانات ؛ بيري ، محمد ، أ. ، ياب ، ب. ، محرران ؛ سبرينغر: شام ، سويسرا ، 2020 ؛ ص 3 - 21. [CrossRef]

47. Satinet، C.؛ Fouss، F. إطار تصنيف التعلم الآلي الخاضع للإشراف لاستدامة منتجات الملابس. الاستدامة 2022 ، 14 ، 1334. [CrossRef]

48. Jiang، T .؛ جرادوس ، جيه إل ؛ Rosellini ، AJ التعلم الآلي المُشرف: كتاب تمهيدي موجز. Behav. هناك. 2020 ، 51 ، 675-687. [CrossRef] [PubMed]

49. El Bouchefry، K.؛ دي سوزا ، RS التعلم في البيانات الضخمة: مقدمة في التعلم الآلي. في اكتشاف المعرفة في البيانات الضخمة من علم الفلك ورصد الأرض ؛ شكودا ، ب ، آدم ، ف ، محرران ؛ إلسفير: أمستردام ، هولندا ، 2020 ؛ ص 225 - 249، ISBN 9780128191545. [CrossRef]

50- أوداماري ، ن. ؛ أوبانا ، ج. دراسة حول تحليل خوارزميات التعلم غير الخاضعة للإشراف في التعلم الآلي. ترك. J. كومبوت. رياضيات. تعليم. 2021 ، 12 ، 6774–6782.

51. Khanum، M.؛ محبوب ، ت. امتياز ، دبليو. غفور ، ح. Sehar، R. مسح حول خوارزميات التعلم الآلي غير الخاضعة للإشراف للأتمتة والتصنيف والصيانة. كثافة العمليات J. كومبوت. تطبيق 2015 ، 119 ، 34-39. [CrossRef]

52. Avinash، K. وليام ، ج. ريان ، ب. اكتشاف هجوم الشبكة باستخدام خوارزمية تعلم الآلة غير الخاضعة للإشراف. في وقائع مؤتمر هاواي الدولي لعلوم النظام (HICSS) ، ماوي ، هاي ، الولايات المتحدة الأمريكية ، 7-10 يناير 2020. [CrossRef]

53. Chen، Y .؛ كونغ ، ر. كونغ ، إل تطبيقات الذكاء الاصطناعي في البيانات الفلكية الضخمة. في البيانات الضخمة في علم الفلك ؛ Kong، L.، Huang، T.، Zhu، Y.، Yu، S.، Eds .؛ إلسفير: أمستردام ، هولندا ، 2020 ؛ ص 347–375 ، ISBN 9780128190845. [CrossRef]

54. Van Engelen، JE؛ Hoos، HH دراسة استقصائية عن التعلم شبه الخاضع للإشراف. ماخ. يتعلم. 2020 ، 109 ، 373-440. [CrossRef]

55- ZhongKaizhu، G.؛ هوانغ ، هـ. التعلم شبه المشرف: الخلفية والتطبيقات والتوجيهات المستقبلية ؛ ناشرو نوفا ساينس: نيويورك ، نيويورك ، الولايات المتحدة الأمريكية ، 2018.

56. Huynh، T .؛ نبالي ، أ. هو ، ز. التعلم شبه المشرف لتصنيف الصور الطبية باستخدام بيانات التدريب غير المتوازنة. حاسوب. طرق برامج بيوميد. 2022 ، 216 ، 106628. [CrossRef]

57. Kaur، A. غوراف ، ك.دراسة تطبيقات التعلم المعزز وخوارزمياته. كثافة العمليات J. Sci. تكنول. الدقة. 2020 ، 9 ، 4223-4228.

58. محمد ، م. خان ، ميغابايت ؛ بشير محمد ، BE التعلم الآلي: الخوارزميات والتطبيقات ؛ مطبعة CRC: بوكا راتون ، فلوريدا ، الولايات المتحدة الأمريكية ، 2016.

59. Tanveer، J.؛ حيدر ، أ. علي ، ر. Kim، A. نظرة عامة على خوارزميات التعلم المعزز لإدارة التسليم في شبكات الخلايا الصغيرة فائقة الكثافة 5G. تطبيق علوم. 2022، 12، 426. [CrossRef]

60. Liu، S. انظر ، KC ؛ نجيام ، كنتاكي ؛ سيلي ، لوس أنجلوس ؛ الشمس ، العاشر ؛ فينج ، م. التعلم المعزز لدعم القرار السريري في الرعاية الحرجة: مراجعة شاملة. جيه ميد. الدقة على الإنترنت. 2020 ، 22 ، e18477. [CrossRef] [PubMed]

61. Hao، X.؛ تشانغ ، جي ؛ ما ، س التعلم العميق. كثافة العمليات J. سيمان. حاسوب. 2016 ، 10 ، 417-439. [CrossRef]

62. Nichols، JA؛ هربرت تشان ، HW ؛ Baker، M. Machine Learning: تطبيقات الذكاء الاصطناعي للتصوير والتشخيص. بيوفيز. القس 2019 ، 11 ، 111-118. [CrossRef]

63. صادق ر. Rodríguez، MJ؛ النماذج التجريبية للموارد البشرية من ميان للتنبؤ بمنتجات التطهير الثانوية (DBPs) في مياه الشرب: مراجعة محدثة. في موسوعة الصحة البيئية ، الطبعة الثانية ؛ Nriagu، J.، Ed.؛ إلسفير: أمستردام ، هولندا ، 2019 ؛ ص 324–338 ، ISBN 978-0-444-63952-3.

64. Teuwen، J.؛ مورياكوف ، ن. الشبكات العصبية التلافيفية. في كتيب حوسبة الصور الطبية والتدخل بمساعدة الكمبيوتر ؛ Zhou، SK، Rueckert، D.، Fichtinger، G.، Eds.؛ إلسفير: أمستردام ، هولندا ، 2020 ؛ ص 481-501 ، ISBN 9780128161760. [CrossRef]

65. هو ، Z. التعلم العميق في تصنيف الصور: تقرير مسح. في وقائع المؤتمر الدولي الثاني لتكنولوجيا المعلومات وتطبيقات الكمبيوتر (ITCA) ، قوانغتشو ، الصين ، 18-20 ديسمبر 2020 ؛ ص.174 - 177. [CrossRef]

66. خان ، أ. سهيل ، أ. Zahoora، U.؛ Qureshi، AS مسح للبنيات الحديثة للشبكات العصبية التلافيفية العميقة. ارتيف. انتل. القس .2020، 53، 5455–5516. [CrossRef]

67. Cho، K.؛ van Merrienboer، B.؛ باهدانو ، د. بنجيو ، واي. حول خصائص الترجمة الآلية العصبية: مناهج التشفير وفك الشفرة. arXiv 2014 ، نظام arXiv: 1409.1259.

68. Elman، J. إيجاد الهيكل في الوقت المناسب. كوغن. علوم. 1990 ، 14 ، 179-211. [CrossRef]

69. Toha، SF؛ توخي ، MO MLP و Elman لنمذجة الشبكة العصبية المتكررة لـ TRMS. في وقائع المؤتمر الدولي السابع IEEE حول الأنظمة الذكية الإلكترونية ، لندن ، المملكة المتحدة ، 9-10 سبتمبر 2008 ؛ ص 1 - 6. [CrossRef]

70. Liu، Y .؛ قوه ، ياء ؛ كاي ، سي ؛ وانغ ، واي. جيا ، ل. التنبؤ قصير المدى لتدفق ركاب النقل بالسكك الحديدية على أساس شبكة الذاكرة العصبية طويلة المدى قصيرة المدى. في وقائع المؤتمر الدولي للنقل الذكي بالسكك الحديدية (ICIRT) ، سنغافورة ، 12-14 ديسمبر 2018 ؛ ص 1 - 5. [CrossRef]

71. Zhao، Z .؛ ليانغ ، واي. جين ، إكس. التعامل مع مساحة عمل واسعة النطاق في شبكة Deep Q. في وقائع المؤتمر الدولي حول الذكاء الاصطناعي والبيانات الضخمة (ICAIBD) ، تشنغدو ، الصين ، 26-28 مايو 2018 ؛ ص 93-96. [CrossRef]

72. Xie، W. اويانغ ، واي. اويانغ ، ياء ؛ رونغ ، دبليو. Xiong، Z. في وقائع مؤتمر IEEE الدولي حول إنترنت الأشياء (iThings) و IEEE Green Computing and Communications (GreenCom) و IEEE Cyber، Physical and Social Computing (CPSCom) و IEEE Smart Data (SmartData) ، تشنغدو ، الصين ، 15-18 ديسمبر 2016 ؛ ص 454-461. [CrossRef]

73. Taylor، GW؛ هينتون ، جنرال إلكتريك ؛ Roweis، ST اثنان من نماذج الحالة الموزعة لتوليد سلاسل زمنية عالية الأبعاد. J. ماخ. يتعلم. الدقة. 2011 ، 12 ، 1025-1068.

74. Hinton، GE؛ Osindero ، S. Teh، YW خوارزمية التعلم السريع لشبكات المعتقدات العميقة. الحوسبة العصبية. 2006 ، 18 ، 1527-1554. [CrossRef]

75- بيدي ج. فيناياغامورثي ، حارس مرمى ؛ سينغ ، ر. تطوير بيئة بناء مدفوعة بإنترنت الأشياء للتنبؤ باستهلاك الطاقة الكهربائية. IEEE Internet Things J. 2020، 7، 4912–4921. [CrossRef]

76. Timur، O .؛ زور ، ك. Çelik، Ö .؛ تيكي ، أ. ˙Ibrikçi، T. تطبيق تقنيات الذكاء الإحصائي والاصطناعي للتنبؤ بالطاقة الكهربائية على المدى المتوسط: دراسة حالة لمستشفى إقليمي. J. استدامة. ديف. بيئة مياه الطاقة. النظام. 2020 ، 8 ، 520-536. [CrossRef]

77. Selvi، MV؛ ميشرا ، س. التحقيق في تأثير الطقس في التنبؤ بقدرة الحمل الكهربائي لكل ساعة في اليوم السابق مع الهندسة المعمارية الجديدة التي تم تحقيقها في تقنيات الشبكة العصبية الاصطناعية للانحدار الخطي متعدد المتغيرات. في وقائع مؤتمر IEEE الهند الدولي الثامن حول إلكترونيات الطاقة (IICPE) ، جايبور ، الهند ، 13-15 ديسمبر 2018.

78. Selvi، MV؛ ميشرا ، س. التحقيق في أداء التنبؤ بقدرة الحمل الكهربائي في آفاق زمنية متعددة مع بنية جديدة تم تحقيقها في تقنيات الانحدار الخطي متعدد المتغيرات والشبكات العصبية الأمامية. IEEE Trans. تطبيق Ind. 2020 ، 56 ، 5603-5612. [CrossRef]

79- Eseye، AT؛ Lehtonen ، M. ؛ توكيا ، ت. إيمونين ، إس. نهج اختيار الميزات المتكاملة القائم على التعلم الآلي Millar ، RJ لتحسين التنبؤ بالطلب على الكهرباء في أنظمة الطاقة اللامركزية. IEEE Access 2019، 7، 91463–91475. [CrossRef]

80. وين ، إل. تشو ، ك. يانغ ، س. التنبؤ بتحميل الطلب على المباني السكنية باستخدام نموذج التعلم العميق. اليكتر. نظام الطاقة. الدقة. 2020، 179، 106073. [CrossRef]

81- Rodríguez، F.؛ جالارزا ، أ. فاسكيز ، جي سي ؛ Guerrero، JM استخدام التعلم العميق ومعلمات الأرصاد الجوية للتنبؤ بمولدات الطاقة الكهروضوئية داخل الفاصل الزمني لطاقة الخرج للتحكم في الشبكة الذكية. الطاقة 2022 ، 239 ، 122116. [CrossRef]

82. طالب أنا. جيرارد ، ج. فوبيرتو ، ف. نجوين ، NA طريقة التعلم العميق المرنة للتنبؤ بالطاقة. طاقات 2022 ، 15 ، 3926. [CrossRef]

83. Xu، A .؛ تيان ، م. فيروزي ، ب. العطاس ، كا. محمد زاده ، أ. غديربور ، إي. آلة بولتزمان المقيدة الجديدة للتعلم العميق للتنبؤ باستهلاك الطاقة. الاستدامة 2022 ، 14 ، 10081. [CrossRef]

84. يم سوهه، FG؛ فرانكلين امبي ، سي ؛ تيبلايرا بوم ، أ. إيلي ، ص ؛ Foba Kakeu ، VJ نموذج هجين للتنبؤ باستهلاك الطاقة الكهربائية في شبكة ذكية. J. Eng. 2022 ، 6 ، 629-643. [CrossRef]

85- أورنجزيب ك. الحسين ، م. جافيد ، ك. Haider ، SI نموذج التعلم العميق المستند إلى Pyramid-CNN للتنبؤ بحمل الطاقة لعملاء الطاقة المشابهين على أساس التجميع. IEEE Access 2021، 9، 14992–15003. [CrossRef]

86. جهانجير ، ح. الطياراني ، ح. Gougheri ، SS ؛ جولكار ، ماساتشوستس ؛ الأحمدي ، أ. El الكامل ، أ. نهج التنبؤ العميق القائم على التعلم في الشبكات الذكية مع التجميع الصغير وشبكة LSTM ثنائية الاتجاه. IEEE Trans. إنديانا إلكترون. 2021 ، 68 ، 8298-8309. [CrossRef]

87. مبشر ر. أوان ، إم جي ؛ أحسان ، م. ياسين أ. سينغ ، نائب الرئيس للتنبؤ الفعال بالحمل السكني باستخدام نهج التعلم العميق. كثافة العمليات J. كومبوت. تطبيق تكنول. 2022 ، 68 ، 205-214. [CrossRef]

88. روساتو ، أ. أرانيو ، ر. أندريوتي ، أ. Panella، M. 2- شبكة عصبية عميقة تلافيفية للتنبؤ بالسلسلة الزمنية للطاقة متعددة المتغيرات. في وقائع مؤتمر IEEE الدولي لعام 2019 حول البيئة والهندسة الكهربائية و 2019 IEEE لأنظمة الطاقة الصناعية والتجارية في أوروبا (EEEIC / I & CPS Europe) ، جينوفا ، إيطاليا ، 11-14 يونيو 2019.

89. Zhang، X.؛ بياجيوني ، د. كاي ، م. جراف ، ص. Rahman، S. هو حل متكامل لسحابة الحافة لاستجابة طلب المباني باستخدام التعلم المعزز. IEEE Trans. الشبكة الذكية 2020 ، 12 ، 420-431. [CrossRef]

90- أورنجزيب ك. الحسين ، م. إطار التعلم العميق للتنبؤ بأحمال الطاقة على المدى القصير ، دراسة حالة لعميل طاقة منزلي فردي. في وقائع المؤتمر الدولي 2019 حول التقدم في تقنيات الحوسبة الناشئة (AECT) ، المدينة المنورة ، المملكة العربية السعودية ، 10 فبراير 2020.

91. إسكوبار ، إي. Rodríguez Licea، MA؛ Rostro-Gonzalez، H.؛ إسبينوزا كالديرون ، أ. بارانكو جوتيريز ، منظمة العفو الدولية ؛ Pérez-Pinal ، FJ التحليل المقارن لنماذج التعلم العميق متعددة المتغيرات للتنبؤ في الشبكات الذكية. في وقائع اجتماع الخريف الدولي IEEE لعام 2020 حول الطاقة والإلكترونيات والحوسبة (ROPEC) ، إكستابا ، المكسيك ، 4-6 نوفمبر 2020. [CrossRef]

92 ـ حفيظ ج. أليمغير ، كانساس ؛ ودود ، ز. شفيق ، ز. علي خان ، MU ؛ خان ، أنا. خان ، FA ؛ Derhab ، A. نموذج جديد دقيق وسريع قائم على التعلم العميق للتنبؤ باستهلاك الطاقة الكهربائية في شبكة ذكية. طاقات 2020، 13، 2244. [CrossRef]

93. Nguyen، V.-B .؛ Duong ، M.-T. ؛ لي ، م. التنبؤ بالطلب على الكهرباء للشبكة الذكية بناءً على نهج التعلم العميق. في وقائع 2020 5 المؤتمر الدولي حول التكنولوجيا الخضراء والتنمية المستدامة (GTSD) ، مدينة هو تشي منه ، فيتنام ، 27-28 تشرين الثاني (نوفمبر) 2020 ؛ ص 353 - 357. [CrossRef]

94. روساتو ، أ. سوتشيتي ، ف. أرانيو ، ر. أندريوتي ، أ. ميتولو ، م. Panella ، M. نهج التعلم العميق المشترك للتنبؤ بالسلاسل الزمنية في بيئات الطاقة. في وقائع المؤتمر التقني السادس والخمسين IEEE / IAS لعام 2020 لأنظمة الطاقة الصناعية والتجارية (I & CPS) ، لاس فيجاس ، نيفادا ، الولايات المتحدة الأمريكية ، 29 يونيو - 28 يوليو 2020.

95. Qi، X .؛ زينج ، إكس ؛ تشين ، س. تنبؤ قصير المدى بالحمل لنظام الطاقة المتكامل استنادًا إلى CNN-LSTM. في وقائع المؤتمر الدولي لعام 2020 حول الطاقة والبيئة والهندسة الحيوية (ICEEB 2020) ، شيان ، الصين ، 7-9 أغسطس 2020 ؛ المجلد 185 ، ص. 01032. [CrossRef]

96. Wang، B .؛ لي ، واي. مينغ ، دبليو. وانج ، س.طريقة التعلم المعززة العميقة لإدارة استجابة الطلب للحمل المتقطع. IEEE Trans. الشبكة الذكية 2020 ، 11 ، 3146-3155. [CrossRef]

97. وين ، إل. ؛ تشو ، ك. لي ، ياء ؛ س وانج ، التعلم العميق والتعلم المعزز المعدل لنموذج استجابة الطلب القائم على الحوافز. الطاقة 2020، 205، 118019. [CrossRef]

98. Yang، Y .؛ لي ، دبليو. جاليفر ، تا. Li، S. Bayesian تنبؤ بالحمل الاحتمالي القائم على التعلم العميق في الشبكات الذكية. IEEE Trans Ind. Inf. 2020 ، 16 ، 4703–4713. [CrossRef]

99. أمين ، ص. تشيركاسوفا ، إل. آيتكن ، ر. Kache، V. أتمتة نمذجة الطلب على الطاقة والتنبؤ بها باستخدام بيانات العداد الذكي. في وقائع مؤتمر IEEE الدولي لعام 2019 حول إنترنت الأشياء (ICIOT) ، ميلان ، إيطاليا ، 8-13 يوليو 2019.

100. عاطف س. الطويل ، AB دراسة مقارنة باستخدام التعلم العميق ودعم الانحدار المتجه للتنبؤ بأسعار الكهرباء في الشبكات الذكية. في وقائع المؤتمر الدولي السادس IEEE للهندسة الصناعية والتطبيقات (ICIEA) ، طوكيو ، اليابان ، 12-15 أبريل 2019 ؛ ص 603-607. [CrossRef]

101. Chan، S. Oktavianti، I.؛ Puspita ، V. A Deep Learning CNN و AI-Tuned SVM للتنبؤ باستهلاك الكهرباء: بيانات السلاسل الزمنية متعددة المتغيرات. في وقائع المؤتمر السنوي العاشر لتكنولوجيا المعلومات والإلكترونيات والاتصالات المتنقلة (IEMCON) لعام 2019 IEEE ، فانكوفر ، كولومبيا البريطانية ، كندا ، 17-19 أكتوبر 2019.

102- حفيظ ج. جافيد ، ن. رياض ، م. علياء.؛ عمر ، ك. Iqbal ، QZ Day Ahead التنبؤ بالحمل الكهربائي بواسطة نموذج هجين ذكي يعتمد على التعلم العميق للشبكة الذكية. في وقائع المؤتمر الدولي الرابع عشر حول الأنظمة المعقدة والذكية والمكثفة للبرامج (CISIS -2020) ، لودز ، بولندا ، 1–3 يوليو 2020.

103- كور ، د. كومار ، ر. كومار ، ن. Guizani ، M. إدارة طاقة الشبكة الذكية باستخدام RNN-LSTM: نهج قائم على التعلم العميق. في وقائع مؤتمر الاتصالات العالمية IEEE (GLOBECOM) ، بيج آيلاند ، هاي ، الولايات المتحدة الأمريكية ، 9-13 ديسمبر 2019 ؛ ص 1 - 6. [CrossRef]

104. الخفاف ن.. جليلي ، م. Sokolowski ، P. تطبيق التعلم العميق للذاكرة طويلة المدى في التنبؤ بالطلب على الطاقة. كومون. حاسوب. المشاة. علوم. 2019 ، 1000 ، 31-42. 105. Khan، ABM؛ خان ، س. أيمال ، إس. خان ، م. رقية ب. جافيد ، ن. التنبؤ بالحمل الكهربائي لمدة نصف ساعة باستخدام الشبكة العصبية التلافيفية. في خدمات الهاتف المحمول والإنترنت المبتكرة في الحوسبة في كل مكان ؛ Barolli، L.، Xhafa، F.، Hussain، O.، Eds .؛ سبرينغر: شام ، سويسرا ؛ المجلد 994. [CrossRef]

106. Kim، TY؛ Cho ، SB توقع استهلاك الطاقة السكنية باستخدام شبكات CNN-LSTM العصبية. الطاقة 2019 ، 182 ، 72-81. [CrossRef]

107. Kim، T .؛ تشو ، س. شبكات CNN-LSTM القائمة على تحسين سرب الجسيمات للتنبؤ باستهلاك الطاقة. في وقائع مؤتمر IEEE لعام 2019 حول الحساب التطوري (CEC) ، ويلينجتون ، نيوزيلندا ، 10-13 يونيو 2019.

108- لو ر. Hong، SH استجابة الطلب القائمة على الحوافز للشبكة الذكية مع التعلم المعزز والشبكة العصبية العميقة. تطبيق الطاقة 2019 ، 236 ، 937-949. [CrossRef]

109- Pramono، SH؛ Rohmatillah، M.؛ مولانا ، إي. حسنه ، RN ؛ Hario، F. التنبؤ بالحمل قصير الأجل المستند إلى التعلم العميق لدعم برنامج الاستجابة للطلب في نظام الطاقة الهجين. طاقات 2019 ، 12 ، 3359. [CrossRef]

110. الرحمن س. علم ، MGR ؛ Rahman ، MM طريقة المجموعة القائمة على التعلم العميق للتنبؤ بالطلب على الطاقة المنزلية في المنزل الذكي. في وقائع 2019 22 المؤتمر الدولي الثاني للكمبيوتر وتكنولوجيا المعلومات (ICCIT) ، دكا ، بنغلاديش ، 18-20 ديسمبر 2019.

111. سيد ، د. ؛ رفعت ، س. أبو الرب ، هـ. Bouhali، O .؛ زينب أ. Xie، L. نموذج مجموعات حساب المتوسط ​​للتنبؤ بالحمل قصير الأجل في الشبكات الذكية. في وقائع المؤتمر الدولي IEEE حول البيانات الضخمة (البيانات الضخمة) ، لوس أنجلوس ، كاليفورنيا ، الولايات المتحدة الأمريكية ، 9-12 ديسمبر 2019 ؛ ص 2931 - 2938. [CrossRef]

112- Ustundag Soykan، E.؛ بيلجين ، زي. إرسوي ، ماجستير ؛ Tomur ، E. التعلم العميق التفاضلي الخاص للتنبؤ بالأحمال على الشبكة الذكية. في وقائع ورش عمل IEEE Globecom لعام 2019 (GC Wkshps) ، وايكولوا ، هاي ، الولايات المتحدة الأمريكية ، 9-13 ديسمبر 2019 ؛ ص 1 - 6. [CrossRef]

113- Vesa، AV؛ غيتيسكو ، ن. بوب ، سي ؛ أنتال ، م. سيوارا ، تي. Anghel، IA؛ Salomie، I. Stacking Ulti-Learning Group Model للتنبؤ بالطلب القريب من استهلاك الطاقة في الوقت الحقيقي للمباني السكنية. في وقائع المؤتمر الدولي الخامس عشر IEEE لعام 2019 حول الاتصالات والمعالجة الذكية للحاسوب (ICCP) ، كلوج نابوكا ، رومانيا ، 5-7 سبتمبر 2019.

114- يانغ ، واي. هونغ ، دبليو. لي ، س. مجموعة عميقة تعتمد على التعلم القائم على التنبؤ بالحمل الاحتمالي في الشبكات الذكية. الطاقة 2019 ، 189 ، 116324. [CrossRef]

115- زاهد م. أحمد ، ف. جافيد ، ن. عباسي ، ر. زينب كاظمي ، HS ؛ جافيد ، أ. بلال ، م. أكبر ، م. Ilahi، M. أسعار الكهرباء والتنبؤ بالأحمال باستخدام شبكة عصبية تلافيفية معززة دعم الانحدار المتجه في الشبكات الذكية. إلكترونيات 2019 ، 8 ، 122. [CrossRef]

116- أويانغ ، ت. يا.؛ لي ، ح. الشمس ، Z. بايك ، س. النمذجة والتنبؤ بحمل الطاقة قصير المدى باستخدام نموذج الكوبولا وشبكة الاعتقاد العميق. IEEE Trans. ايمرج. قمة. حاسوب. انتل. 2019 ، 3 ، 127-136. [CrossRef]

117- حفيظ ج. جافيد ، ن. الله ، س. إقبال ، QZ ؛ خان ، م. رحمن ، AU ؛ Ullah، Z. التنبؤ بالحمل على المدى القصير بناءً على التعلم العميق لتطبيقات الشبكة الذكية. في وقائع المؤتمر الدولي الثاني عشر للخدمات المبتكرة للهاتف المحمول والإنترنت في الحوسبة في كل مكان (IMIS -2018) ، ماتسو ، اليابان ، 4-6 يوليو 2018. [CrossRef] 118. Koprinska، I .؛ وو ، د. وانج ، Z. الشبكات العصبية التلافيفية للتنبؤ بالسلسلة الزمنية للطاقة. في وقائع المؤتمر الدولي المشترك للشبكات العصبية (IJCNN) لعام 2018 ، ريو دي جانيرو ، البرازيل ، 8-13 يوليو 2018.

119- كو ، PH ؛ Huang ، CJ نموذج شبكات عصبية اصطناعية عالية الدقة للتنبؤ بحمل الطاقة على المدى القصير. طاقات 2018، 11، 213. [CrossRef]

120. شي ، ح. شو ، م. لي ، ر. التعلم العميق للتنبؤ بالأحمال المنزلية - رواية تجمع RNN العميق. IEEE Trans Smart Grid 2018 ، 9 ، 5271-5280. [CrossRef]

121 ـ غديري ، أ. سنندجي ، BM ؛ غادري ، ف. التنبؤ العميق: التنبؤ الزماني المكاني القائم على التعلم العميق. arXiv 2017. [CrossRef]

122 ـ جاربيك ، ت. Laurinec ، P. ؛ Lucká، M. توقع حمل الطاقة باستخدام شبكات S2S العصبية العميقة مع التجميع على شكل K. في وقائع المؤتمر العلمي الدولي الرابع عشر IEEE 2017 حول المعلوماتية 2017 ، بوبراد ، سلوفاكيا ، 14-16 نوفمبر 2017.

123. Li، L .؛ أوتا ، ك. Dong، M. كل شيء هو صورة: التنبؤ بالحمل الكهربائي قصير المدى المستند إلى CNN للشبكة الذكية. في وقائع 2017 14 الندوة الدولية حول الأنظمة والخوارزميات والشبكات المنتشرة و 2017 11 المؤتمر الدولي لحدود علوم وتكنولوجيا الكمبيوتر والندوة الدولية الثالثة للحوسبة الإبداعية لعام 2017 (ISPAN-FCST-ISCC ) ، إكستر ، المملكة المتحدة ، 21-23 يونيو 2017 ؛ ص 344 - 351. [CrossRef]

124- زان ج. هوانغ ، ياء ؛ نيو ، إل. بينغ ، إكس. دينق ، د. Cheng، S. دراسة التقنيات الرئيسية للبيانات الضخمة للطاقة الكهربائية وآفاق تطبيقها في الشبكة الذكية. في وقائع مؤتمر IEEE PES Asia-Pacific Power and Energy Engineering (APPEEC) ، هونغ كونغ ، الصين ، 7-10 ديسمبر 2014 ؛ ص 1 - 4. [CrossRef]