Uma visão da previsão de demanda baseada em aprendizado profundo em redes inteligentes (2)

5.2.5. Máquina de Boltzmann Restrita Condicional

Uma Máquina Boltzmann Restrita (RBM) é uma RNN estocástica com duas camadas, uma com unidades visíveis e outra com unidades ocultas binárias. Esse tipo de rede pode aprender uma distribuição de probabilidade sobre seu conjunto de entradas. As RBMs são uma variante das Máquinas Boltzmann (BM) e podem estar em modo supervisionado ou não supervisionado, dependendo da tarefa a ser executada.

Erva chinesa cistanche-melhorar a memória

Quando os BMs são restritos, um par de nós de cada um dos dois grupos de unidades (visíveis e ocultos) pode ter uma conexão simétrica entre eles, mas não há conexões entre os nós do mesmo grupo, permitindo um treinamento mais eficiente. Por outro lado, BMs irrestritos podem ter conexões entre unidades ocultas.

RBM consiste em m unidades visíveis V=(v1, . . . , vm) representando dados observáveis ​​e n unidades ocultas H=(h1, . . . , hn) capturando dependências entre variáveis ​​observáveis, com as unidades da camada condicional F=(f 1, . . . , fp), conforme mostrado na Figura 5 [72].

onde m representa o número de itens que o usuário avaliou; H é o número de camadas ocultas; F é o número de camadas condicionais; K é a classificação alta; vki é o valor binário da unidade de camada visível I e ​​classificação k; hj é o valor binário da unidade oculta j; fq é o valor binário da camada condicional F; bi k é o viés da classificação k com unidade de camada visível I; bj é o viés do recurso j; Wk ij é o peso conectado entre a camada oculta H e a camada visível V; D é o peso conectado entre a camada oculta H e a camada condicional F; Dqj é o peso conectado entre o recurso oculto j e a unidade de camada condicional q.

Figura 5. Máquina de Boltzmann restrita [73.

Em [73], os autores introduziram as máquinas de Boltzmann restritas condicionadas e fatoradas (FCRBMs), adicionando o conceito de interações fatoradas, multiplicativas e tridirecionais para prever vários estilos de movimento humano.

Finalmente, Deep Belief Networks (DBNs) são formadas por vários RBMs empilhados uns sobre os outros [74]

6. Modelos de Deep Learning e Previsão de Demanda no Contexto de Smart Grids

Os pesquisadores propuseram modelos de previsão nas duas principais áreas onde as técnicas de Deep Learning podem ser aplicadas [8]: (1) gerenciamento de demanda (por exemplo, [75,76]) e (2) controle de grade (por exemplo, [77-79]) .

Devido à crescente demanda por energia de diversos setores, a oferta e a demanda devem estar equilibradas na rede elétrica. Nesse cenário, as redes inteligentes podem desempenhar um papel importante ao fornecer um fluxo bidirecional de energia entre consumidores e concessionárias. Ao contrário das redes elétricas tradicionais, as redes inteligentes possuem dispositivos de detecção sofisticados que geram dados dos quais os padrões de energia podem ser derivados. Esses padrões são extremamente úteis para previsão de carga, redução de pico e gerenciamento de resposta à demanda.

Benefícios para a saúde do pó Cistanche - Melhorar a memória

Como a quantidade de dados gerados por uma rede inteligente é enorme e aumenta constantemente, os modelos baseados em Deep Learning são uma boa opção para entender os padrões de consumo e fazer previsões. Os pesquisadores estudaram as possibilidades de usar modelos de Deep Learning, com redes LSTM desempenhando um papel de liderança (por exemplo, [32,57,80])

A Tabela 5 resume diferentes trabalhos em que os profissionais usaram com sucesso as técnicas de Deep Learning para fins de previsão. Essas experiências foram identificadas após uma revisão sistemática da literatura publicada. A busca de referências foi realizada em diferentes bases de dados científicas (por exemplo, ScienceDirect, SpringerLink, IEEExplore, etc.). Artigos de várias revistas científicas relevantes, como Energy Informatics, IEEE Transactions on Smart Grid, Energies e Applied Energy, também foram revisados. As palavras-chave usadas incluem: termos como Deep Learning, ANN, redes neurais e os nomes de diferentes modelos de Deep Learning, completos e acrônimos (por exemplo, redes de memória de longo prazo e LSTM),

combinado(AND) com termos relacionados ao campo da energia, mais especificamente, "previsão de demanda de energia", "previsão de demanda de eletricidade", "previsão de carga", "resposta de demanda", "resposta do lado da demanda" e variações dessas expressões.

Tabela 5. Exemplos de aplicação de técnicas de Deep Learning no domínio da energia, com foco na previsão de demanda/carga.

A busca foi limitada aos últimos 6 anos. A decisão sobre quais artigos foram finalmente incluídos na Tabela 5 foi tomada pelos autores após revisar os resultados da pesquisa e garantir que o trabalho envolvesse o uso de um modelo de Deep Learning para fins de previsão de demanda ou carga.

7. Conclusões

O aumento da demanda de energia pressiona a rede elétrica para equilibrar a oferta e a demanda. As redes inteligentes podem desempenhar um papel importante. Nesses sistemas, os dados relacionados ao uso de energia são coletados e analisados ​​regularmente para obter o consumo de energia. Os padrões de uso obtidos podem ser úteis para previsão de demanda e carga. Esta é uma tarefa desafiadora no contexto de ambientes inteligentes, e é por isso que os pesquisadores estão colocando esforços especiais nisso.

Para atender aos desafios atuais de previsão de demanda, onde redes inteligentes geram grandes quantidades de dados, é necessário usar técnicas modernas orientadas a dados. Modelos baseados em Deep Learning são uma boa alternativa. Tradicionalmente, a pesquisa se concentrou em prever o consumo de energia dos clientes usando os pequenos conjuntos de dados históricos disponíveis sobre seu comportamento. No entanto, pesquisas atuais que aplicam métodos de Deep Learning demonstraram melhor desempenho do que os métodos convencionais de previsão. O uso de modelos de Deep Learning envolve o uso de grandes quantidades de dados, como os fornecidos pelos diferentes datasets utilizados pelos praticantes nos trabalhos coletados na Tabela 5. É fato que as redes inteligentes geram grandes quantidades de dados, portanto, o Big Data também é uma tecnologia chave para superar os desafios da integração de energia renovável, flutuação de carga e desenvolvimento sustentável. Com a introdução de energias renováveis ​​na rede inteligente, um número crescente de variáveis ​​são trazidas para o sistema e mais dados precisam ser processados. Esta situação é também agravada pela introdução gradual de veículos elétricos, pelo que estas tecnologias de Big Data também se estão a tornar cada vez mais necessárias [124].

Suplemento Cistanche perto de mim - Melhore a Memória

Clique aqui para ver os produtos Cistanche Improve Memory

【Peça mais】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

O estudo realizado revelou que os modelos de Deep Learning mais utilizados no domínio da energia para fins de previsão de demanda são CNNs, RNNs, LSTM, DQNs e CRBM, e uma variação de qualquer um deles, uma combinação de dois ou mais deles, ou a combinação de qualquer um deles com outras técnicas. Notáveis ​​são a CNN e suas variações, como Pyramid-CNN [82,85,88,90,91,94,95,101,106,107,109,115,118,119,123], LSTM e suas variações, como B-LSTM [80,82,86–88,91 ,93–95,99,100,103,104,106,107,109–113,118,119,122] e uma combinação de ambos [82,88,91,94,95,106,107,109,118,119]. Testbeds reais com dados de alta qualidade não são comuns, mas são necessários para determinar o desempenho dos modelos de Deep Learning. É importante continuar testando futuros modelos de Deep Learning, incluindo possíveis variações e/ou combinações de dois ou mais modelos, para fins de previsão no contexto de redes inteligentes. Também é importante que esses testes sejam realizados para diferentes cenários. Ainda são necessários modelos de Deep Learning capazes de prever automaticamente a carga para diferentes tipos de clientes, instalações/prédios e diferentes condições climáticas. É importante testar o desempenho do Deep Learning, mas também determinar qual modelo é melhor para cada cenário.

Em termos de conjuntos de dados, os profissionais usaram diferentes opções, destacando o mercado de eletricidade 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] e REDD [21]. Muitas revisões sob demanda/previsão de carga no contexto de redes inteligentes focam nos modelos de Deep Learning usados, mas esquecem os dados. No entanto, para que uma implementação de Deep Learning seja bem-sucedida, os algoritmos são tão valiosos quanto os dados. De fato, seria desejável que os pesquisadores incorporassem mais informações sobre os dados utilizados em seus trabalhos, abordando, por exemplo, a separação dos dados de treinamento/validação/teste, o intervalo de amostragem dos dados, o método de limpeza dos dados, etc. as limitações do uso de modelos de Deep Learning é a falta de conjuntos de dados do mundo real de alta qualidade. Uma tendência futura provavelmente seria mudar a ênfase do modelo para os dados. Além disso, os autores prevêem uma integração da IoT em modelos de Deep Learning usados ​​para previsão de demanda/carga. A IoT está permitindo a democratização do sentido. Isso abre oportunidades empolgantes em termos de coleta de dados de alta qualidade, o que é crítico no contexto da previsão de demanda/carga. Relacionado a isso, outra tendência futura seria o desenvolvimento de sistemas integrados que contemplem a necessária aquisição e pré-processamento de dados.

Benefícios da cistanche tubulosa-Melhorar a memória

Finalmente, também é notável que, na maioria dos casos, os pesquisadores se concentraram em previsões de curto prazo.

A previsão de carga é uma tarefa desafiadora no contexto de ambientes inteligentes. Consequentemente, os pesquisadores estão colocando esforços especiais nisso. Testbeds reais com dados de alta qualidade não são comuns, mas necessários para determinar o desempenho dos modelos de Deep Learning. Ainda são necessários modelos de Deep Learning capazes de prever automaticamente a carga para diferentes tipos de clientes, instalações/prédios e diferentes condições climáticas.

O que cistanche faz - melhora a memória

Referências

1. Bumbum, OM; Zulqarnain, M.; Butt, TM Avanço recente na tecnologia de smart grid: Perspectivas futuras na rede de energia elétrica. Ain Shams Eng. J. 2021, 12, 687–695. [CruzRef]

2. Cecati, C.; Mokryani, G.; Piccolo, A.; Siano, P. Uma Visão Geral do Conceito de Rede Inteligente. Em Proceedings of the IECON 2010—36th Annual Conference on IEEE Industrial Electronics Society, Glendale, CA, EUA, 7–10 de novembro de 2010; pp. 3322–3327. 3. Vakulenko, I.; Saher, L.; Lyulyov, O.; Pimonenko, T. Uma Revisão Sistemática da Literatura sobre Redes Inteligentes. Nos Anais da 1ª Conferência sobre Fontes de Energia Tradicionais e Renováveis: Perspectivas e Paradigmas para o Século 21 (TRESP 2021), Praga, República Tcheca, 22–23 de janeiro de 2021; Volume 250. [CrossRef]

4. Yan, Y.; Qian, Y.; Sharif, H.; Tipper, D. Uma pesquisa sobre segurança cibernética para comunicações de redes inteligentes. IEEE Comun. Sobreviver Tutor. 2012, 14, 998–1010. [CruzRef]

5. Shawkat Ali, ABM; Azad, SA Previsão de demanda em smart grid. Tecnologia de Energia Verde. 2013, 132, 135–150. [CruzRef]

6. Prabadevi, B.; Pham, Q.-V.; Liyanage, M.; Deepa, N.; Vvss, M.; Reddy, S.; Madikunta, PKR; Khare, N.; Gadekallu, TR; Hwang, WH Aprendizado profundo para resposta inteligente à demanda e redes inteligentes: uma pesquisa abrangente. arXiv 2021. [CrossRef]

7. Ferreira, HC; Lampe, L.; Newbury, J.; Swart, TG Power Line Communications. Teoria e Aplicações para Comunicações de Banda Estreita e Banda Larga em Linhas Elétricas; John Wiley and Sons: Chichester, Reino Unido, 2010.

8. Vanting, NB; Ma, Z.; Jørgensen, BN Uma revisão de escopo de redes neurais profundas para previsão de carga elétrica. Informe Energético. 2021, 4, 49. [CrossRef]

9. Hernández, L.; Baladrón, C.; Aguiar, JM; Carro, B.; Sánchez-Esguevillas, AJ; Lloret, J.; Massana, J. Uma pesquisa sobre previsão de demanda de energia elétrica: tendências futuras em redes inteligentes, microrredes e edifícios inteligentes. IEEE Comun. Sobreviver Tutor. 2014, 16, 1460–1495. [CruzRef]

10. Javed, F.; Arshad, N.; Wallin, F.; Vassileva, I.; Dahlquist, E. Previsão para resposta de demanda em redes inteligentes: Uma análise sobre o uso de dados antropológicos e estruturais e previsão de cargas múltiplas de curto prazo. Appl. Energia 2012, 96, 150–160. [CruzRef]

11. Khodayar, ME; Wu, H. Previsão de demanda no paradigma smart grid: características e desafios. Eletr. J. 2015, 28, 51–62. [CruzRef]

12. Boza, P.; Evgeniou, T. Inteligência artificial para apoiar a integração de fontes de energia renováveis ​​variáveis ​​ao sistema de energia. Appl. Energy 2021, 290, 116754. [CrossRef]

13. Lasseter, R.; Akhil, A.; Mamy, C.; Stephens, J.; Dagle, J.; Guttromson, R.; Meliopoulous, AS; Yinger, R.; Eto, J. Integração de Recursos Energéticos Distribuídos. O Conceito de Microrrede CERTS. Papel branco. 2003. Disponível online: https://certs.lbl.gov/publications/integration-distributed-energy (acessado em 20 de novembro de 2022).

14. Anduaga, J.; Boyra, M.; Cobelo, I.; García, E.; Gil, A.; Jimeno, J.; Laresgoiti, I.; Oyarzabal, JM; Rodríguez, R.; Sánchez, E.; e outros La Microrred, Uma Alternativa de Futuro Para um Suministro Energético Integral; TECNALIA, Corporación Tecnológica: Derio, Espanha, 2008.

15. Hoy, MB Edifícios inteligentes: uma introdução à biblioteca do futuro. Med. Ref. Serv. Q. 2016, 35, 326–331. [CrossRef] [PubMed]

16. Fang, X.; Misra, S.; Xue, G.; Yang, D. Smart grid — A nova e melhorada rede elétrica: uma pesquisa. IEEE Comun. Sobreviver Tutor. 2012, 14, 944–980. [CruzRef]

17. Singh, A.; Nasiruddin, I.; Khatoon, S.; Muazzam, M.; Chaturvedi, DK Técnicas e Metodologias de Previsão de Carga: Uma Revisão. In Proceedings of the 2nd International Conference on Power, Control and Embedded Systems (ICPCES), Allahabad, Índia, 17–19 de dezembro de 2012. [CrossRef]

18. Nti, IK; Teimeh, M.; Nyarko-Boateng, O.; Adekoya, AF Previsão de carga elétrica: Uma revisão sistemática. J. Eletr. Sist. Inf. Tecnol. 2020, 7, 13. [CrossRef]

19. Ahmed Mir, A.; Alghassab Kafait, M.; Ullah, K.; Ali Khan, Z.; Lu, Y.; Imran, M. Uma revisão da previsão de demanda de eletricidade em países de baixa e média renda: os determinantes e horizontes da demanda. Sustentabilidade 2020, 12, 5931. [CrossRef]

20. Clements, AE; Hurn, AS; Li, Z. Previsão da carga de eletricidade do dia seguinte usando uma abordagem de séries temporais de equações múltiplas. EUR. J. Opera. Res. 2016, 251, 522–530. [CruzRef]

21. Hong, Y.; Zhou, Y.; Li, Q.; Xu, W.; Zheng, X. Um método de aprendizado profundo para previsão de carga residencial de curto prazo em smart grid. IEEE Access 2020, 8, 55785–55797. [CrossRef] 22. Phuangpornpitak, N.; Prommee, W. Um estudo de modelos de previsão de demanda de carga na operação e planejamento do sistema de energia elétrica. GMSARN Int. J. 2016, 10, 19–24.

23. Xiao, L.; Shao, W.; Liang, T.; Wang, C. Um modelo combinado baseado em múltiplos padrões sazonais e um algoritmo fifirefly modificado para previsão de carga elétrica. Appl. Energia 2016, 167, 135–153. [CruzRef]

24. Xue, B.; Geng, J. Método de Correção Transversal Dinâmica de Previsão de Energia de Médio e Longo Prazo com base na Estatística de Erros de Previsão. Nos Anais da 10ª Conferência sobre Energia e Energia (IPEC), Ho Chi Minh, Vietnã, 12–14 de dezembro de 2012; pp. 253–256. [CruzRef]

25. Khatoon, S.; Nasiruddin, I.; Singh, A.; Gupta, P. Efeitos de vários fatores na previsão de carga elétrica: uma visão geral. Nos Anais da Conferência Internacional IEEE Power India (PIICON), Delhi, Índia, 5–7 de dezembro de 2014; pp. 1–5.

26. Hippert, HS; Pedreira, CE; Souza, RC Redes neurais para previsão de carga de curto prazo: Uma revisão e avaliação. IEEE Trans. Sistema de energia 2001, 16, 44–55. [CruzRef]

27. Fahad, MU; Arbab, N. Fator que afeta a previsão de carga de curto prazo. J. Clean Energy Technol. 2014, 2, 305–309. [CruzRef]

28. Novianto, D.; Gao, W.; Kuroki, S. Revisão sobre o estilo de vida e o consumo de energia das comunidades asiáticas: um estudo de caso da Indonésia, Tailândia e China. Energia Energia Eng. 2015, 7, 465. [CrossRef]

29. Hernández, L.; Baladrón, C.; Aguiar, JM; Calávia, L.; Carro, B.; Sánchez-Esguevillas, A.; García, P.; Lloret, J. Análise experimental da relevância das variáveis ​​de entrada para prever a demanda elétrica agregada do dia seguinte usando redes neurais. Energias 2013, 6, 2927–2948. [CruzRef]

30. Issi, F.; Kaplan, O. A determinação de perfis de carga e consumo de energia de eletrodomésticos. Energias 2018, 11, 607. [CrossRef]

31. Shi, Y.; Yu, T.; Liu, Q.; Zhu, H.; Li, F.; Wu, Y. Uma abordagem de análise de perfil de carga elétrica baseada em mineração de dados de séries temporais. IEEE Access 2020, 8, 209915–209925. [CrossRef] 32. Hafeez, G.; Alimgeer, KS; Khan, I. Previsão de carga elétrica baseada em deep learning e otimizada pelo algoritmo heurístico em smart grid. Appl. Energy 2020, 269, 114915. [CrossRef]

33. Gillies, DKA; Bernholtz, B.; Sandiford, PJ Uma nova abordagem para prever cargas de pico diárias. Trans. Sou. Inst. Eletr. Eng. Parte III Appar. Sist. 1956, 75, 382-387. [CruzRef]

34. Parque, DC; El-Sharkawi, MA; Marcos II, RJ; Atlas, LE; Damborg, MJ Previsão de carga elétrica usando uma rede neural artificial. IEEE Trans. Sistema de energia 1991, 6, 442–449. [CruzRef]

35. Bakirtzis, AG; Petridis, V.; Kiartzis, SJ; Alexiadis, MC; Maissis, AH Um modelo de previsão de carga de curto prazo de rede neural para o sistema de energia grego. IEEE Trans. Sistema de energia 1995, 11, 858–863. [CruzRef]

36. Lu, C.-N.; Wu, H.-T.; Vemuri, S. Previsão de carga de curto prazo baseada em redes neurais. IEEE Trans. Sistema de energia 1993, 8, 336–342. [CrossRef] 37. Papalexopoulos, AD; Hao, S.; Peng, T.-M. Uma implementação de um modelo de previsão de carga baseado em rede neural para o EMS. IEEE Trans. Sistema de energia 1994, 9, 1956–1962. [CruzRef]

38. Wang, P. Sobre a definição de inteligência artificial. J. Artif. Gen. Intel. 2019, 10, 1–37. [CruzRef]

39. Ongsulee, P. Inteligência Artificial, Machine Learning e Deep Learning. Nos Anais da 15ª Conferência Internacional sobre TIC e Engenharia de Conhecimento (ICT&KE), Bangkok, Tailândia, 22–24 de novembro de 2017; pp. 1–6. [CruzRef]

40. Raz, AR; Llinas, J.; Mittu, R.; Lawless, WF Engenharia para emergência em sistemas de fusão de informação: Uma revisão de alguns desafios. Em Contextos Compartilhados Homem-Máquina; Lawless, WF, Mittu, R., Sofge, DA, Eds.; Academic Press: Cambridge, MA, EUA, 2020; pp. 241–255, ISBN 9780128205433. [CrossRef]

41. Cohen, S. Os fundamentos do aprendizado de máquina: estratégias e técnicas. Em Inteligência Artificial e Deep Learning em Patologia; Cohen, S., Ed.; Elsevier: Amsterdã, Holanda, 2021; pp. 13–40, ISBN 9780323675383. [CrossRef]

42. Bonetto, R.; Latzko, V. Aprendizado de máquina. Em Informática em Redes de Comunicação, Da Teoria à Prática; Fitzek, FHP, Granelli, F., Seeling, P., Eds.; Academic Press: Cambridge, MA, EUA, 2020; pp. 135–167, ISBN 9780128204887. [CrossRef]

43. Delua, J. Aprendizagem supervisionada versus não supervisionada: qual é a diferença? 2021. Disponível online: https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learning (acessado em 15 de novembro de 2022).

44. Sarker, IH Aprendizado de máquina: algoritmos, aplicações do mundo real e direções de pesquisa. SN Comput. ciência 2021, 2, 160. [CrossRef] [PubMed]

45. Choi, RY; Coyner, AS; Kalpathy-Cramer, J.; Chiang, MF; Campbell, JP Introdução ao aprendizado de máquina, redes neurais e aprendizado profundo. Trad. Vis. ciência Tecnol. 2020, 9, 14. [CrossRef]

46. ​​Alloghani, M.; Al-Jumeily, D.; Mustafifina, J.; Hussain, A.; Aljaaf, AJ Uma revisão sistemática sobre algoritmos de aprendizado de máquina supervisionados e não supervisionados para ciência de dados. Em aprendizado supervisionado e não supervisionado para ciência de dados; Berry, M., Mohamed, A., Yap, B., Eds.; Springer: Cham, Suíça, 2020; pp. 3–21. [CruzRef]

47. Satinet, C.; Fouss, F. Uma estrutura de classificação de aprendizado de máquina supervisionada para a sustentabilidade de produtos de vestuário. Sustentabilidade 2022, 14, 1334. [CrossRef]

48. Jiang, T.; Graduado, JL; Rosellini, AJ Aprendizado de máquina supervisionado: uma breve cartilha. Behav. Lá. 2020, 51, 675–687. [CrossRef] [PubMed]

49. El Bouchefry, K.; de Souza, RS Learning in big data: Introdução ao machine learning. Em Descoberta de Conhecimento em Big Data de Astronomia e Observação da Terra; Škoda, P., Adam, F., Eds.; Elsevier: Amsterdã, Holanda, 2020; pp. 225–249, ISBN 9780128191545. [CrossRef]

50. Uddamari, N.; Ubbana, J. Um estudo sobre análise de algoritmos de aprendizado não supervisionado em aprendizado de máquina. Turco. J. Comput. Matemática. Educ. 2021, 12, 6774–6782.

51. Khanum, M.; Mahboob, T.; Imtiaz, W.; Ghafoor, H.; Sehar, R. Uma pesquisa sobre algoritmos de aprendizado de máquina não supervisionados para automação, classificação e manutenção. Int. J. Comput. Appl. 2015, 119, 34–39. [CruzRef]

52. Avinash, K.; Guilherme, G.; Ryan, B. Detecção de ataque de rede usando um algoritmo de aprendizado de máquina não supervisionado. In Proceedings of the Hawaii International Conference on System Sciences (HICSS), Maui, HI, EUA, 7–10 de janeiro de 2020. [CrossRef]

53. Chen, Y.; Kong, R.; Kong, L. Aplicações de inteligência artificial em big data astronômico. Em Big Data em Astronomia; Kong, L., Huang, T., Zhu, Y., Yu, S., Eds.; Elsevier: Amsterdã, Holanda, 2020; pp. 347–375, ISBN 9780128190845. [CrossRef]

54. Van Engelen, JE; Hoos, HH Uma pesquisa sobre aprendizado semi-supervisionado. Mach. Aprender. 2020, 109, 373–440. [CruzRef]

55. ZhongKaizhu, G.; Huang, H. Aprendizagem Semisupervisionada: Contexto, Aplicações e Direções Futuras; Nova Science Publishers: Nova York, NY, EUA, 2018.

56. Huynh, T.; Nibali, A.; He, Z. Aprendizado semi-supervisionado para classificação de imagens médicas usando dados de treinamento desbalanceados. Comput. Métodos Programas Biomed. 2022, 216, 106628. [CrossRef]

57. Kaur, A.; Gourav, K. Um estudo de aplicações de aprendizagem por reforço e seus algoritmos. Int. J. Sci. Tecnol. Res. 2020, 9, 4223–4228.

58. Mohammed, M.; Khan, MB; Bashier Mohammed, BE Aprendizado de Máquina: Algoritmos e Aplicações; CRC Press: Boca Raton, FL, EUA, 2016.

59. Tanveer, J.; Haider, A.; Ali, R.; Kim, A. Uma visão geral dos algoritmos de aprendizado por reforço para gerenciamento de handover em redes de células pequenas ultradensas 5G. Appl. ciência 2022, 12, 426. [CrossRef]

60. Liu, S.; Veja, KC; Ngiam, KY; Celi, LA; Sol, X.; Feng, M. Aprendizagem por reforço para suporte à decisão clínica em terapia intensiva: Revisão abrangente. J. Med. Internet Res. 2020, 22, e18477. [CrossRef] [PubMed]

61. Hao, X.; Zhang, G.; Ma, S. Aprendizagem profunda. Int. J. Semant. Comput. 2016, 10, 417–439. [CruzRef]

62. Nichols, JA; Herbert Chan, HW; Baker, M. Aprendizado de máquina: aplicações de inteligência artificial para geração de imagens e diagnóstico. Biophys. Rev. 2019, 11, 111–118. [CruzRef]

63. Sadiq, R.; Rodríguez, MJ; Mian, HR Modelos empíricos para prever subprodutos de desinfecção (DBPs) em água potável: uma revisão atualizada. Na Enciclopédia de Saúde Ambiental, 2ª ed.; Nriagu, J., Ed.; Elsevier: Amsterdã, Holanda, 2019; pp. 324–338, ISBN 978-0-444-63952-3.

64. Teuwen, J.; Moriakov, N. Redes neurais convolucionais. No Manual de Computação de Imagens Médicas e Intervenção Assistida por Computador; Zhou, SK, Rueckert, D., Fichtinger, G., Eds.; Elsevier: Amsterdã, Holanda, 2020; pp. 481–501, ISBN 9780128161760. [CrossRef]

65. Ele, Z. Aprendizagem Profunda na Classificação de Imagens: Um Relatório de Pesquisa. Nos Anais da 2ª Conferência Internacional sobre Tecnologia da Informação e Aplicativos de Computador (ITCA), Guangzhou, China, 18–20 de dezembro de 2020; pp. 174–177. [CruzRef]

66. Khan, A.; Sohail, A.; Zahoora, U.; Qureshi, AS Uma pesquisa das arquiteturas recentes de redes neurais convolucionais profundas. artif. Intel. Rev. 2020, 53, 5455–5516. [CruzRef]

67. Cho, K.; van Merrienboer, B.; Bahdanau, D.; Bengio, Y. Sobre as propriedades da tradução automática neural: abordagens de codificador-decodificador. arXiv 2014, arXiv:1409.1259.

68. Elman, J. Encontrando estrutura no tempo. cogn. ciência 1990, 14, 179–211. [CruzRef]

69. Toha, SF; Tokhi, MO MLP e Elman Modelagem de Rede Neural Recorrente para o TRMS. Em Proceedings of the 7th IEEE International Conference on Cybernetic Intelligent Systems, Londres, Reino Unido, 9–10 de setembro de 2008; pp. 1–6. [CruzRef]

70. Liu, Y.; Guo, J.; Cai, C.; Wang, Y.; Jia, L. Previsão de Curto Prazo do Fluxo de Passageiros em Trânsito Ferroviário Baseada em Rede Neural de Memória de Curto Prazo Longa. Nos Anais da Conferência Internacional sobre Transporte Ferroviário Inteligente (ICIRT), Cingapura, 12–14 de dezembro de 2018; pp. 1–5. [CruzRef]

71. Zhao, Z.; Liang, Y.; Jin, X. Lidando com o Espaço de Ação em Grande Escala na Deep Q Network. Nos Anais da Conferência Internacional sobre Inteligência Artificial e Big Data (ICAIBD), Chengdu, China, 26–28 de maio de 2018; pp. 93–96. [CruzRef]

72. Xie, W.; Ouyang, Y.; Ouyang, J.; Rong, W.; Xiong, Z. Recomendação baseada na máquina Boltzmann condicional restrita consciente da ocupação do usuário. In Proceedings of the IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData), Chengdu, China, 15–18 de dezembro 2016; pp. 454–461. [CruzRef]

73.Taylor, GW; Hinton, GE; Roweis, ST Dois modelos de estado distribuído para gerar séries temporais de alta dimensão. J. Mach. Aprender. Res. 2011, 12, 1025–1068.

74. Hinton, GE; Osindero, S.; Teh, YW Um algoritmo de aprendizado rápido para redes de crenças profundas. Computação Neural. 2006, 18, 1527–1554. [CruzRef]

75. Bedi, G.; Venayagamoorthy, GK; Singh, R. Desenvolvimento de um ambiente predial baseado em IoT para previsão do consumo de energia elétrica. IEEE Internet Things J. 2020, 7, 4912–4921. [CruzRef]

76. Timur, O.; Zor, K.; Çelik, Ö.; Teke, A.; ˙Ibrikçi, T. Aplicação de técnicas estatísticas e de inteligência artificial para previsão de energia elétrica a médio prazo: Um estudo de caso para um hospital regional. J. Sustentar. Dev. Energia Água Ambiente. Sist. 2020, 8, 520–536. [CruzRef]

77. Selvi, MV; Mishra, S. Investigação da influência do clima na previsão de energia elétrica de carga horária diária com nova arquitetura realizada em técnicas de redes neurais artificiais de regressão linear multivariada. In Proceedings of the 8th IEEE India International Conference on Power Electronics (IICPE), Jaipur, Índia, 13–15 de dezembro de 2018.

78. Selvi, MV; Mishra, S. Investigação do desempenho da previsão de potência de carga elétrica em múltiplos horizontes de tempo com nova arquitetura realizada em regressão linear multivariada e técnicas de rede neural feed-forward. IEEE Trans. Ind. Appl. 2020, 56, 5603–5612. [CruzRef]

79. Eseye, AT; Lehtonen, M.; Tukia, T.; Uimonen, S.; Millar, RJ Abordagem de seleção de recursos integrados baseada em aprendizado de máquina para melhorar a previsão de demanda de eletricidade em sistemas de energia descentralizados. Acesso IEEE 2019, 7, 91463–91475. [CruzRef]

80. Wen, L.; Zhou, K.; Yang, S. Previsão de demanda de carga de edifícios residenciais usando um modelo de aprendizado profundo. Eletr. Sistema de energia Res. 2020, 179, 106073. [CrossRef]

81. Rodríguez, F.; Galarza, A.; Vasquez, JC; Guerrero, JM Usando aprendizado profundo e parâmetros meteorológicos para prever o intervalo de potência de saída intra-hora de geradores fotovoltaicos para controle de rede inteligente. Energy 2022, 239, 122116. [CrossRef]

82. Taleb, I.; Guerard, G.; Fauberteau, F.; Nguyen, NA Método de aprendizado profundo flexível para previsão de energia. Energias 2022, 15, 3926. [CrossRef]

83. Xu, A.; Tian, ​​M.-W.; Firouzi, B.; Alattas, KA; Mohammadzadeh, A.; Ghaderpour, E. Uma nova máquina de Boltzmann restrita de aprendizado profundo para previsão de consumo de energia. Sustentabilidade 2022, 14, 10081. [CrossRef]

84. Yem Souhe, FG; Franklin Mbey, C.; Teplaira Boum, A.; Ele, P.; Foba Kakeu, VJ Um modelo híbrido para previsão do consumo de energia elétrica em uma rede inteligente. J. Eng. 2022, 6, 629–643. [CruzRef]

85. Aurangzeb, K.; Alhussein, M.; Javed, K.; Haider, SI Um modelo de aprendizado profundo baseado em Pyramid-CNN para previsão de carga de energia de clientes de energia de perfil semelhante com base em clustering. IEEE Access 2021, 9, 14992–15003. [CruzRef]

86. Jahangir, H.; Tayarani, H.; Gougheri, SS; Golkar, MA; Ahmadian, A.; Elkamel, A. Abordagem de previsão baseada em aprendizado profundo em redes inteligentes com micro clustering e rede LSTM bidirecional. IEEE Trans. Ind. Elétron. 2021, 68, 8298–8309. [CruzRef]

87. Mubashar, R.; Awan, MJ; Ahsan, M.; Yasin, A.; Singh, VP Previsão de carga residencial eficiente usando abordagem de aprendizado profundo. Int. J. Comput. Appl. Tecnol. 2022, 68, 205–214. [CruzRef]

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

89. Zhang, X.; Biagioni, D.; Cai, M.; Graf, P.; Rahman, S. Uma solução integrada de nuvem de borda para resposta de demanda de edifícios usando aprendizado por reforço. IEEE Trans. Smart Grid 2020, 12, 420–431. [CruzRef]

90. Aurangzeb, K.; Al-Hussein, M. Estrutura de Aprendizado Profundo para Previsão de Carga de Energia de Curto Prazo, um Estudo de Caso de Cliente de Energia Doméstica Individual. In Proceedings of the 2019 International Conference on Advances in the Emerging Computing Technologies (AECT), Al Madinah Al Munawwarah, Arábia Saudita, 10 de fevereiro de 2020.

91. Escobar, E.; Rodríguez Licea, MA; Rostro-González, H.; Espinoza Calderón, A.; Barranco Gutiérrez, AI; Pérez-Pinal, FJ Análise Comparativa de Modelos Multivariáveis ​​de Deep Learning para Previsão em Smart Grids. Nos Anais da Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC), Ixtapa, México, 4 a 6 de novembro de 2020. [CrossRef]

92. Hafeez, G.; Alimgeer, KS; Wadud, Z.; Shafifiq, Z.; Ali Khan, UM; Khan, I.; Khan, FA; Derhab, A. Um novo modelo baseado em deep learning preciso e rápido para previsão de consumo de energia elétrica em uma rede inteligente. Energias 2020, 13, 2244. [CrossRef]

93. Nguyen, V.-B.; Duong, M.-T.; Le, M.-H. Previsão de demanda de eletricidade para redes inteligentes com base na abordagem de aprendizagem profunda. Nos Anais da 2020 5ª Conferência Internacional sobre Tecnologia Verde e Desenvolvimento Sustentável (GTSD), Cidade de Ho Chi Minh, Vietnã, 27–28 de novembro de 2020; pp. 353–357. [CruzRef]

94. Rosato, A.; Succetti, F.; Araneo, R.; Andreotti, A.; Mitolo, M.; Panella, M. Uma Abordagem de Aprendizagem Profunda Combinada para Previsão de Séries Temporais em Ambientes de Energia. Nos Anais da 56ª Conferência Técnica de Sistemas de Energia Industrial e Comercial IEEE/IAS 2020 (I&CPS), Las Vegas, NV, EUA, 29 de junho a 28 de julho de 2020.

95. Qi, X.; Zheng, X.; Chen, Q. Uma previsão de carga de curto prazo do sistema integrado de energia baseado em CNN-LSTM. Nos Anais da Conferência Internacional sobre Energia, Meio Ambiente e Bioengenharia de 2020 (ICEEB 2020), Xi'an, China, 7–9 de agosto de 2020; Volume 185, pág. 01032. [CrossRef]

96. Wang, B.; Li, Y.; Ming, W.; Wang, S. Método de aprendizado por reforço profundo para gerenciamento de resposta à demanda de carga interrompível. IEEE Trans. Smart Grid 2020, 11, 3146–3155. [CruzRef]

97. Wen, L.; Zhou, K.; Li, J.; Wang, S. Aprendizado profundo modificado e aprendizado por reforço para um modelo de resposta à demanda baseado em incentivos. Energy 2020, 205, 118019. [CrossRef]

98. Yang, Y.; Li, W.; Gulliver, TA; Li, S. Previsão de carga probabilística baseada em aprendizagem profunda bayesiana em redes inteligentes. IEEE Trans Ind. Inf. 2020, 16, 4703–4713. [CruzRef]

99. Amin, P.; Cherkasova, L.; Aitken, R.; Kache, V. Automatizando a modelagem e previsão de demanda de energia usando dados de medidores inteligentes. In Proceedings of the 2019 IEEE International Congress on Internet of Things (ICIOT), Milão, Itália, 8–13 de julho de 2019.

100. Atef, S.; Eltawil, AB Um estudo comparativo usando aprendizado profundo e regressão de vetores de suporte para previsão de preços de eletricidade em redes inteligentes. Nos Anais da 6ª Conferência Internacional IEEE sobre Engenharia Industrial e Aplicações (ICIEA), Tóquio, Japão, 12–15 de abril de 2019; pp. 603–607. [CruzRef]

101. Chan, S.; Oktavianti, I.; Puspita, V. A Deep Learning CNN e AI-Tuned SVM para Previsão de Consumo de Eletricidade: Dados Multivariados de Séries Temporais. Em Proceedings of the 2019 IEEE 10th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON), Vancouver, BC, Canadá, 17–19 de outubro de 2019.

102. Hafeez, G.; Javaid, N.; Riaz, M.; Ali, A.; Umar, K.; Iqbal, QZ Day Ahead Electric Load Forecast por um Modelo Híbrido Inteligente baseado em Deep Learning para Smart Grid. In Proceedings of the 14th International Conference on Complex, Intelligent and Software Intensive Systems (CISIS-2020), Lodz, Polônia, 1 a 3 de julho de 2020.

103. Kaur, D.; Kumar, R.; Kumar, N.; Guizani, M. Gerenciamento de Energia de Rede Inteligente usando RNN-LSTM: Uma Abordagem Baseada em Deep Learning. Nos Anais da Conferência de Comunicações Globais do IEEE (GLOBECOM), Big Island, HI, EUA, 9 a 13 de dezembro de 2019; pp. 1–6. [CruzRef]

104. Al Khafaf, N.; Jalili, M.; Sokolowski, P. Aplicação da memória de longo prazo de aprendizado profundo na previsão de demanda de energia. Comum. Comput. Inf. ciência 2019, 1000, 31–42. 105. Khan, ABM; Khan, S.; Aimal, S.; Khan, M.; Ruqia, B.; Javaid, N. Previsão de carga de eletricidade por meia hora usando rede neural convolucional. Em Serviços Inovadores de Internet e Móveis em Computação Ubíqua; Barolli, L., Xhafa, F., Hussain, O., Eds.; Springer: Cham, Suíça; Volume 994. [CrossRef]

106. Kim, TY; Cho, SB Prevendo o consumo de energia residencial usando redes neurais CNN-LSTM. Energia 2019, 182, 72–81. [CruzRef]

107. Kim, T.; Cho, S. Redes CNN-LSTM baseadas em otimização de enxame de partículas para previsão de consumo de energia. In Proceedings of the 2019 IEEE Congress on Evolutionary Computation (CEC), Wellington, Nova Zelândia, 10–13 de junho de 2019.

108. Lu, R.; Hong, SH Resposta à demanda baseada em incentivos para rede inteligente com aprendizado por reforço e rede neural profunda. Appl. Energia 2019, 236, 937–949. [CruzRef]

109. Pramono, SH; Rohmatillah, M.; Maulana, E.; Hasanah, RN; Hario, F. Previsão de carga de curto prazo baseada em aprendizado profundo para apoiar o programa de resposta à demanda no sistema de energia híbrida. Energias 2019, 12, 3359. [CrossRef]

110. Rahman, S.; Alam, MGR; Rahman, MM Método de Ensemble baseado em Aprendizagem Profunda para Previsão de Demanda de Energia Doméstica de Casa Inteligente. In Proceedings of the 2019 22nd International Conference on Computer and Information Technology (ICCIT), Dhaka, Bangladesh, 18–20 de dezembro de 2019.

111. Syed, D.; Refaat, SS; Abu-Rub, H.; Bouhali, O.; Zainab, A.; Xie, L. Averaging Ensembles Model for Forecasting of Short-Term Load in Smart Grids. Em Proceedings of the IEEE International Conference on Big Data (Big Data), Los Angeles, CA, EUA, 9–12 de dezembro de 2019; pp. 2931–2938. [CruzRef]

112. Ustundag Soykan, E.; Bilgin, Z.; Ersoy, MA; Tomur, E. Deep Learning Privado Diferencial para Previsão de Carga em Smart Grid. Em Proceedings of the 2019 IEEE Globecom Workshops (GC Wkshps), Waikoloa, HI, EUA, 9–13 de dezembro de 2019; pp. 1–6. [CruzRef]

113. Vesa, AV; Ghitescu, N.; Pop, C.; Antal, M.; Ciara, T.; Angel, IA; Salomie, I. Stacking Ulti-Learning Ensemble Model para prever a demanda de consumo de energia quase em tempo real de edifícios residenciais. In Proceedings of the 2019 IEEE 15th International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, Romênia, 5–7 de setembro de 2019.

114. Yang, Y.; Hong, W.; Li, S. Previsão probabilística de carga baseada em deep ensemble learning em smart grids. Energy 2019, 189, 116324. [CrossRef]

115. Zahid, M.; Ahmed, F.; Javaid, N.; Abbasi, RA; Zainab Kazmi, HS; Javaid, A.; Bilal, M.; Akbar, M.; Ilahi, M. Preço da eletricidade e previsão de carga usando rede neural convolucional aprimorada regressão vetorial de suporte aprimorada em redes inteligentes. Eletrônica 2019, 8, 122. [CrossRef]

116. Ouyang, T.; Ei.; Li, H.; Sol, Z.; Baek, S. Modelagem e previsão de carga de energia de curto prazo com modelo de cópula e rede de crença profunda. IEEE Trans. Emerg. Principal. Comput. Intel. 2019, 3, 127–136. [CruzRef]

117. Hafeez, G.; Javaid, N.; Ullah, S.; Iqbal, QZ; Khan, M.; Rehman, Austrália; Ullah, Z. Previsão de Carga de Curto Prazo baseada em Aprendizado Profundo para Aplicações de Smart Grid. In Proceedings of the 12th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS-2018), Matsue, Japão, 4–6 de julho de 2018. [CrossRef] 118. Koprinska, I.; Wu, D.; Wang, Z. Redes neurais convolucionais para previsão de séries temporais de energia. In Proceedings of the 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brasil, 8–13 de julho de 2018.

119. Kuo, PH; Huang, CJ Um modelo de redes neurais artificiais de alta precisão para previsão de carga de energia de curto prazo. Energias 2018, 11, 213. [CrossRef]

120. Shi, H.; Xu, M.; Li, R. Aprendizagem profunda da previsão de carga doméstica - um romance RNN profundo. IEEE Trans Smart Grid 2018, 9, 5271–5280. [CruzRef]

121. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Previsão profunda: Previsão espaço-temporal baseada em aprendizagem profunda. arXiv 2017. [CrossRef]

122. Jarábek, T.; Laurinec, P.; Lucká, M. Previsão de Carga de Energia usando Redes Neurais Profundas S2S com Clustering K-Shape. In Proceedings of the 2017 IEEE 14th International Scientific Conference on Informatics 2017, Poprad, Eslováquia, 14–16 de novembro de 2017.

123. Li, L.; Ota, K.; Dong, M. Everything is Image: Previsão de Carga Elétrica de Curto Prazo Baseada em CNN para Smart Grid. In Proceedings of the 2017 14th International Symposium on Pervasive Systems, Algorithms, and Networks & 2017 11th International Conference on Frontier of Computer Science and Technology & 2017 Third International Symposium of Creative Computing (ISPAN-FCST-ISCC ), Exeter, Reino Unido, 21–23 de junho de 2017; pp. 344–351. [CruzRef]

124. Zhan, J.; Huang, J.; Niu, L.; Peng, X.; Deng, D.; Cheng, S. Estudo das Principais Tecnologias de Big Data de Energia Elétrica e Suas Perspectivas de Aplicação em Smart Grid. Nos Anais da Conferência de Engenharia de Energia e Energia IEEE PES Ásia-Pacífico (APPEEC), Hong Kong, China, 7–10 de dezembro de 2014; pp. 1–4. [CruzRef]