بینشی از پیش‌بینی تقاضا مبتنی بر یادگیری عمیق در شبکه‌های هوشمند (2)

5.2.5. ماشین بولتزمن محدود مشروط

ماشین بولتزمن محدود (RBM) یک RNN تصادفی با دو لایه است، یکی با واحدهای قابل مشاهده و دیگری با واحدهای پنهان باینری. این نوع شبکه می تواند توزیع احتمال را بر روی مجموعه ورودی های خود بیاموزد. RBM ها گونه ای از ماشین های بولتزمن (BM) هستند و بسته به وظیفه ای که باید انجام شود، می توانند در حالت نظارت یا بدون نظارت باشند.

گیاه چینی سیستانچ - حافظه را بهبود می بخشد

هنگامی که BMها محدود می شوند، یک جفت گره از هر یک از دو گروه واحد (مشاهده و پنهان) می توانند یک ارتباط متقارن بین آنها داشته باشند، اما هیچ ارتباطی بین گره های همان گروه وجود ندارد که امکان آموزش کارآمدتر را فراهم می کند. از طرف دیگر، BM های نامحدود می توانند ارتباط بین واحدهای پنهان داشته باشند.

RBM متشکل از m واحد قابل مشاهده V=(v1, . . . , vm) است که داده‌های قابل مشاهده را نشان می‌دهد و n واحد پنهان H=(h1, . . . . , hn) که وابستگی‌های بین متغیرهای قابل مشاهده را نشان می‌دهد، با واحدهای لایه شرطی F=(f 1, . . . . , fp) همانطور که در شکل 5 نشان داده شده است [72].

که در آن m نشان دهنده تعداد مواردی است که کاربر رتبه بندی کرده است. H تعداد لایه های پنهان است. F تعداد لایه های شرطی است. K امتیاز بالا است. vki مقدار باینری لایه قابل مشاهده واحد I و رتبه بندی k است. hj مقدار باینری واحد پنهان j است. fq مقدار باینری لایه شرطی F است. bi k بایاس رتبه بندی k با واحد لایه قابل مشاهده I است. bj سوگیری ویژگی j است. Wk ij وزن متصل بین لایه پنهان H و لایه قابل مشاهده V است. D وزن متصل بین لایه پنهان H و لایه شرطی F است. Dqj وزن متصل بین ویژگی پنهان j و واحد لایه شرطی q است.

شکل 5. ماشین بولتزمن محدود [73.

در [73]، نویسندگان ماشین های بولتزمن محدود شرطی شده (FCRBMs) را با اضافه کردن مفهوم تعاملات فاکتوری، ضربی و سه جهتی برای پیش بینی سبک های حرکتی چندگانه انسان معرفی کردند.

در نهایت، شبکه‌های اعتقاد عمیق (DBN) توسط چندین RBM که روی هم چیده شده‌اند، تشکیل می‌شوند [74]

6. مدل های یادگیری عمیق و پیش بینی تقاضا در زمینه شبکه های هوشمند

محققان مدل‌های پیش‌بینی را در دو حوزه اصلی پیشنهاد کرده‌اند که تکنیک‌های یادگیری عمیق را می‌توان به کار برد [8]: (1) مدیریت تقاضا (به عنوان مثال، [75،76]) و (2) کنترل شبکه (به عنوان مثال، [77-79]). .

با توجه به افزایش تقاضا برای انرژی از بخش های مختلف، عرضه و تقاضا باید در شبکه برق متعادل شود. در این سناریو، شبکه‌های هوشمند می‌توانند نقش مهمی را با ارائه یک جریان دو طرفه انرژی بین مصرف‌کنندگان و شرکت‌ها ایفا کنند. برخلاف شبکه‌های الکتریکی سنتی، شبکه‌های هوشمند دارای دستگاه‌های حسگر پیچیده‌ای هستند که داده‌هایی را تولید می‌کنند که می‌توان الگوهای انرژی را از آن استخراج کرد. این الگوها برای پیش بینی بار، تراشیدن پیک و مدیریت پاسخ تقاضا بسیار مفید هستند.

فواید سلامت پودر سیستانچ - بهبود حافظه

از آنجایی که میزان داده های تولید شده توسط یک شبکه هوشمند بسیار زیاد است و به طور مداوم در حال افزایش است، مدل های مبتنی بر یادگیری عمیق گزینه خوبی برای درک الگوهای مصرف و انجام پیش بینی هستند. محققان احتمالات استفاده از مدل‌های یادگیری عمیق را بررسی کرده‌اند که شبکه‌های LSTM نقش اصلی را ایفا می‌کنند (به عنوان مثال، [32،57،80]).

جدول 5 کارهای مختلفی را خلاصه می کند که در آن پزشکان با موفقیت از تکنیک های یادگیری عمیق برای اهداف پیش بینی استفاده کرده اند. این تجربیات پس از بررسی سیستماتیک ادبیات منتشر شده شناسایی شده اند. جستجوی منابع در پایگاه‌های اطلاعاتی مختلف علمی (مانند ScienceDirect، SpringerLink، IEEExplore و غیره) انجام شده است. مقالاتی از مجلات علمی مرتبط مختلف مانند Energy Informatics، IEEE Transactions on Smart Grid، Energies و Applied Energy نیز بررسی شده است. کلمات کلیدی مورد استفاده عبارتند از: اصطلاحاتی مانند یادگیری عمیق، ANN، شبکه های عصبی، و نام مدل های مختلف یادگیری عمیق، هر دو کامل و مخفف (مانند شبکه های حافظه کوتاه مدت بلند مدت و LSTM)،

ترکیب (AND) با اصطلاحات مربوط به حوزه انرژی، به طور خاص تر، "پیش بینی تقاضای انرژی"، "پیش بینی تقاضای برق"، "پیش بینی بار"، "پاسخ تقاضا"، "پاسخ سمت تقاضا" و تغییرات این عبارات.

جدول 5. نمونه هایی از کاربرد تکنیک های یادگیری عمیق در حوزه انرژی، با تمرکز بر پیش بینی تقاضا/بار.

جستجو به 6 سال گذشته محدود شد. تصمیم گیری در مورد اینکه کدام مقاله در نهایت در جدول 5 گنجانده شده است توسط نویسندگان پس از بررسی نتایج جستجو و اطمینان از اینکه کار شامل استفاده از یک مدل یادگیری عمیق برای اهداف پیش بینی تقاضا یا بار است، گرفته شد.

7. نتیجه گیری

افزایش تقاضای انرژی بر شبکه برق فشار وارد می کند تا عرضه و تقاضا متعادل شود. شبکه های هوشمند می توانند نقش مهمی ایفا کنند. در این سیستم ها، داده های مربوط به مصرف انرژی به طور مرتب جمع آوری و تجزیه و تحلیل می شود تا مصرف انرژی به دست آید. الگوهای استفاده به دست آمده می تواند برای پیش بینی تقاضا و بار مفید باشد. این یک کار چالش برانگیز در زمینه محیط‌های هوشمند است، به همین دلیل است که محققان تلاش‌های ویژه‌ای در این زمینه انجام می‌دهند.

برای مواجهه با چالش‌های پیش‌بینی تقاضای امروزی، که در آن شبکه‌های هوشمند مقادیر زیادی داده تولید می‌کنند، استفاده از تکنیک‌های مبتنی بر داده‌های مدرن ضروری است. مدل های مبتنی بر یادگیری عمیق جایگزین خوبی هستند. به طور سنتی، تحقیقات بر پیش‌بینی مصرف انرژی مشتریان با استفاده از مجموعه داده‌های تاریخی کوچک موجود در رفتار آنها متمرکز شده است. با این حال، تحقیقات فعلی با استفاده از روش‌های یادگیری عمیق، عملکرد بهتری را نسبت به روش‌های پیش‌بینی مرسوم نشان داده‌اند. استفاده از مدل‌های یادگیری عمیق شامل استفاده از مقادیر زیادی از داده‌ها است، مانند داده‌هایی که توسط مجموعه داده‌های مختلف استفاده شده توسط پزشکان در کارهای جمع‌آوری‌شده در جدول 5 ارائه می‌شود. این یک واقعیت است که شبکه‌های هوشمند مقادیر زیادی داده تولید می‌کنند، بنابراین داده‌های بزرگ نیز یک فناوری کلیدی برای غلبه بر چالش‌های یکپارچه‌سازی انرژی‌های تجدیدپذیر، نوسانات بار و توسعه پایدار. با ورود انرژی های تجدیدپذیر به شبکه هوشمند، تعداد فزاینده ای از متغیرها وارد سیستم می شوند و داده های بیشتری باید پردازش شوند. این وضعیت همچنین با معرفی تدریجی وسایل نقلیه الکتریکی تشدید می‌شود، بنابراین این فناوری‌های Big Data نیز به طور فزاینده‌ای ضروری می‌شوند [124].

مکمل سیستانچ نزدیک من-بهبود حافظه

برای مشاهده محصولات Cistanche Improve Memory اینجا را کلیک کنید

【بیشتر بخواهید】 ایمیل:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

مطالعه انجام شده نشان داده است که پرکاربردترین مدل‌های یادگیری عمیق در حوزه انرژی برای اهداف پیش‌بینی تقاضا عبارتند از CNN، RNN، LSTM، DQN و CRBM، و تنوعی از هر یک از آنها، ترکیبی از دو یا چند مورد از آنها. یا ترکیب هر یک از آنها با تکنیک های دیگر. قابل توجه CNN و تغییرات آن مانند Pyramid-CNN [82,85,88,90,91,94,95,101,106,107,109,115,118,119,123], LSTM و تغییرات آن مانند B-LSTM [80,82,8,19} ,93–95,99,100,103,104,106,107,109–113,118,119,122] و ترکیبی از هر دو [82,88,91,94,95,106,107,109,118,119]. بسترهای آزمایش واقعی با داده های با کیفیت بالا رایج نیستند اما برای تعیین عملکرد مدل های یادگیری عمیق ضروری هستند. ادامه آزمایش مدل‌های یادگیری عمیق آینده، از جمله تغییرات بالقوه و/یا ترکیب دو یا چند مدل، برای اهداف پیش‌بینی در زمینه شبکه‌های هوشمند بسیار مهم است. همچنین مهم است که این آزمایش ها برای سناریوهای مختلف انجام شود. مدل‌های یادگیری عمیق با قابلیت پیش‌بینی خودکار بار برای انواع مختلف مشتریان، محل‌ها/ساختمان‌ها و شرایط آب و هوایی مختلف هنوز مورد نیاز هستند. مهم است که عملکرد یادگیری عمیق را آزمایش کنید، اما همچنین تعیین کنید که کدام مدل برای هر سناریو بهترین است.

از نظر مجموعه داده‌ها، پزشکان از گزینه‌های مختلفی استفاده کردند که بازار برق PJM [32,92,102,108,112]، SGSC [85,90,98]، CER [98,114,120]، ISO-NE [105,109,115]، Pecan Street, Inc. ، UCI [106,107]، UKDALE [113] و REDD [21]. بسیاری از بررسی‌های پیش‌بینی بر اساس تقاضا/بار در زمینه شبکه‌های هوشمند بر روی مدل‌های یادگیری عمیق مورد استفاده تمرکز دارند، اما داده‌ها را فراموش می‌کنند. با این حال، برای موفقیت آمیز بودن پیاده سازی Deep Learning، الگوریتم ها به اندازه داده ها ارزشمند هستند. در واقع، برای محققین مطلوب است که اطلاعات بیشتری در مورد داده های مورد استفاده در آثار خود بگنجانند، به عنوان مثال به تقسیم داده های آموزش/اعتبار/آزمایش، فاصله زمانی نمونه برداری از داده ها، روش پاکسازی داده ها و غیره. محدودیت های استفاده از مدل های یادگیری عمیق فقدان مجموعه داده های دنیای واقعی با کیفیت بالا است. روند آینده احتمالاً تغییر تأکید از مدل به داده ها خواهد بود. علاوه بر این، نویسندگان ادغام IoT در مدل‌های یادگیری عمیق را پیش‌بینی می‌کنند که برای پیش‌بینی تقاضا/بار استفاده می‌شوند. اینترنت اشیا دموکراتیک کردن حس را ممکن می کند. این فرصت های هیجان انگیزی را از نظر جمع آوری داده های با کیفیت بالا باز می کند، که در زمینه پیش بینی تقاضا/بار بسیار مهم است. در ارتباط با این، یکی دیگر از روندهای آینده توسعه سیستم های یکپارچه است که شامل جمع آوری و پیش پردازش داده های لازم است.

فواید سیستانچ توبولوزا-بهبود حافظه

در نهایت، همچنین قابل توجه است که در بیشتر موارد محققان بر پیش‌بینی کوتاه‌مدت تمرکز کرده‌اند.

پیش بینی بار یک کار چالش برانگیز در زمینه محیط های هوشمند است. در نتیجه، محققان تلاش ویژه ای برای آن انجام می دهند. بسترهای آزمایش واقعی با داده‌های با کیفیت بالا رایج نیستند، اما برای تعیین عملکرد مدل‌های یادگیری عمیق ضروری هستند. مدل‌های یادگیری عمیق با قابلیت پیش‌بینی خودکار بار برای انواع مختلف مشتریان، محل‌ها/ساختمان‌ها و شرایط آب و هوایی مختلف هنوز مورد نیاز هستند.

cistanche چه می کند - بهبود حافظه

منابع

1. Butt, OM; ذوالقرنین، م. Butt, TM پیشرفت اخیر در فناوری شبکه هوشمند: چشم اندازهای آینده در شبکه برق. مهندس عین شمس J. 2021, 12, 687-695. [CrossRef]

2. سکتی، سی. مکریانی، گ. پیکولو، ا. Siano, P. مروری بر مفهوم شبکه هوشمند. در مجموعه مقالات IECON 2010 — سی و ششمین کنفرانس سالانه انجمن الکترونیک صنعتی IEEE، گلندیل، کالیفرنیا، ایالات متحده آمریکا، 7 تا 10 نوامبر 2010. صص 3322–3327. 3. واکولنکو، آی. ساهر، ال. لیولیوف، او. پیموننکو، تی. مروری بر ادبیات سیستماتیک شبکه های هوشمند. در مجموعه مقالات اولین کنفرانس منابع انرژی سنتی و تجدیدپذیر: دیدگاه ها و پارادایم ها برای قرن بیست و یکم (TRESP 2021)، پراگ، جمهوری چک، 22 تا 23 ژانویه 2021؛ جلد 250. [CrossRef]

4. یان، ی. کیان، ی. شریف، ح. Tipper, D. نظرسنجی در مورد امنیت سایبری برای ارتباطات شبکه هوشمند. IEEE Commun. Surv. معلم خصوصی 2012، 14، 998-1010. [CrossRef]

5. شوکت علی، ABM; آزاد، SA پیش بینی تقاضا در شبکه هوشمند. فناوری انرژی سبز 2013، 132، 135-150. [CrossRef]

6. پرابادوی، بی. فام، Q.-V. لیاناژ، ام. دیپا، ن. ووسس، م. ردی، اس. مادیکونتا، PKR؛ خاره، ن. Gadekallu، TR; Hwang، WH یادگیری عمیق برای پاسخگویی به تقاضای هوشمند و شبکه های هوشمند: یک نظرسنجی جامع. arXiv 2021. [CrossRef]

7. فریرا، اچ سی; لامپ، ال. نیوبوری، جی. Swart، TG Power Line Communications. تئوری و کاربردها برای ارتباطات باند باریک و پهنای باند از طریق خطوط برق. جان وایلی و پسران: چیچستر، بریتانیا، 2010.

8. Vanting، NB; ما، ز. Jørgensen، BN بررسی محدوده شبکه های عصبی عمیق برای پیش بینی بار الکتریکی. انرژی اطلاع دهید. 2021، 4، 49. [CrossRef]

9. هرناندز، ال. بالادرون، سی. Aguiar، JM; کارو، بی. سانچز-اسگوویلاس، ای جی; لورت، جی. ماسانا، جی. نظرسنجی در مورد پیش‌بینی تقاضای برق: روندهای آینده در شبکه‌های هوشمند، ریزشبکه‌ها و ساختمان‌های هوشمند. IEEE Commun. Surv. معلم خصوصی 2014، 16، 1460-1495. [CrossRef]

10. جاوید، ف. ارشد، ن. والین، اف. واسیلوا، آی. Dahlquist، E. پیش بینی پاسخ تقاضا در شبکه های هوشمند: تجزیه و تحلیل استفاده از داده های انسان شناسی و ساختاری و پیش بینی بارهای چندگانه کوتاه مدت. Appl. انرژی 2012، 96، 150-160. [CrossRef]

11. خدایار، من; وو، اچ. پیش‌بینی تقاضا در پارادایم شبکه هوشمند: ویژگی‌ها و چالش‌ها. برق J. 2015, 28, 51-62. [CrossRef]

12. بوزا، ص. Evgeniou، T. هوش مصنوعی برای پشتیبانی از ادغام منابع انرژی تجدیدپذیر متغیر در سیستم قدرت. Appl. Energy 2021, 290, 116754. [CrossRef]

13. Lasseter، R. آخیل، ع. مامی، سی. استفنز، جی. داگل، جی. گاترومسون، آر. ملیوپولوس، ع. ینگر، آر. Eto, J. ادغام منابع انرژی توزیع شده. مفهوم ریزشبکه CERTS. کاغذ سفید. 2003. در دسترس آنلاین: https://certs.lbl.gov/ publications/integration-distributed-energy (در 20 نوامبر 2022 قابل دسترسی است).

14. آندوگا، ج. بویرا، م. کوبلو، آی. گارسیا، ای. گیل، ا. جیمنو، جی. لارسگویتی، آی. اویارزابال، ج.م. رودریگز، آر. سانچز، ای. و همکاران La Microrred، Una Alternativa de Futuro Para un Suministro Energético Integral; TECNALIA، Corporación Tecnológica: Derio، اسپانیا، 2008.

15. Hoy, MB Smart buildings: مقدمه ای بر کتابخانه آینده. پزشکی مرجع. خدمت Q. 2016, 35, 326-331. [CrossRef] [PubMed]

16. نیش، ایکس. میسره، س. ژو، جی. یانگ، دی. شبکه هوشمند - شبکه برق جدید و بهبود یافته: یک نظرسنجی. IEEE Commun. Surv. معلم خصوصی 2012، 14، 944-980. [CrossRef]

17. سینگ، ا. نصیرالدین، ط. خاتون، س. معظم، م. Chaturvedi، DK Load Forecasting Techniques and Methodology: A Review. در مجموعه مقالات دومین کنفرانس بین المللی قدرت، کنترل و سیستم های جاسازی شده (ICPCES)، الله آباد، هند، 17-19 دسامبر 2012. [CrossRef]

18. Nti، IK; تیمه، م. Nyarko-Boateng، O.; Adekoya، AF پیش بینی بار الکتریکی: یک بررسی سیستماتیک. جی الکتر. سیستم Inf. تکنولوژی 2020، 7، 13. [CrossRef]

19. احمد میر، ع. الغصاب کفایت، م. الله، ک. علی خان، ز. لو، ی. عمران، م. مروری بر پیش‌بینی تقاضای برق در کشورهای با درآمد کم و متوسط: تعیین‌کننده‌ها و افق‌های تقاضا. پایداری 2020، 12، 5931. [CrossRef]

20. کلمنتز، AE; هورن، ع. لی، زی. پیش بینی بار برق روز آینده با استفاده از رویکرد سری زمانی معادله چندگانه. یورو جی. اوپر. Res. 2016، 251، 522-530. [CrossRef]

21. هونگ، ی. ژو، ی. لی، کیو. خو، دبلیو. ژنگ، ایکس. یک روش یادگیری عمیق برای پیش‌بینی بار مسکونی کوتاه‌مدت در شبکه هوشمند. دسترسی IEEE 2020، 8، 55785–55797. [CrossRef] 22. Phuangpornpitak، N.; Prommee, W. مطالعه مدل های پیش بینی تقاضای بار در عملیات و برنامه ریزی سیستم قدرت الکتریکی. GMSARN Int. J. 2016، 10، 19-24.

23. شیائو، ال. شائو، دبلیو. لیانگ، تی. وانگ، سی. یک مدل ترکیبی بر اساس الگوهای فصلی متعدد و یک الگوریتم کرم شب تاب اصلاح شده برای پیش بینی بار الکتریکی. Appl. انرژی 2016، 167، 135-153. [CrossRef]

24. ژو، بی. Geng, J. روش تصحیح عرضی پویا پیش بینی انرژی میان مدت و بلندمدت بر اساس آمار خطاهای پیش بینی. در مجموعه مقالات دهمین کنفرانس انرژی و انرژی (IPEC)، هوشی مین، ویتنام، 12 تا 14 دسامبر 2012. صص 253-256. [CrossRef]

25. خاتون، س. نصیرالدین، ط. سینگ، آ. گوپتا، پی. اثرات عوامل مختلف بر پیش‌بینی بار الکتریکی: مروری. در مجموعه مقالات کنفرانس بین المللی IEEE Power India (PIICON)، دهلی، هند، 5 تا 7 دسامبر 2014. صص 1-5.

26. Hippert، HS; پدریرا، م. سوزا، شبکه های عصبی RC برای پیش بینی بار کوتاه مدت: بررسی و ارزیابی IEEE Trans. سیستم پاور 2001، 16، 44-55. [CrossRef]

27. فهد، MU; ارباب، ن. عامل مؤثر بر پیش بینی بار کوتاه مدت. فناوری انرژی پاک J. 2014، 2، 305-309. [CrossRef]

28. نویانتو، دی. گائو، دبلیو. کوروکی، اس. بررسی سبک زندگی مردم و مصرف انرژی جوامع آسیایی: مطالعه موردی اندونزی، تایلند و چین. مهندسی برق انرژی 2015، 7، 465. [CrossRef]

29. هرناندز، ال. بالادرون، سی. Aguiar، JM; کالاویا، ال. کارو، بی. سانچز-اسگوویلاس، آ. گارسیا، پی. Lloret, J. تجزیه و تحلیل تجربی مربوط به متغیرهای ورودی با پیش‌بینی تقاضای برق انباشته روز بعد با استفاده از شبکه‌های عصبی. انرژی ها 2013، 6، 2927-2948. [CrossRef]

30. ایسی، ف. Kaplan, O. تعیین پروفیل بار و مصرف برق لوازم خانگی. Energies 2018, 11, 607. [CrossRef]

31. شی، ی. یو، تی. لیو، کیو. زو، اچ. لی، اف. Wu, Y. یک رویکرد تحلیل مشخصات بار الکتریکی بر اساس داده کاوی سری زمانی. دسترسی IEEE 2020، 8، 209915–209925. [CrossRef] 32. حافظ، ج. Alimgeer، KS; Khan, I. پیش‌بینی بار الکتریکی بر اساس یادگیری عمیق و بهینه‌سازی شده توسط الگوریتم اکتشافی در شبکه هوشمند. Appl. Energy 2020, 269, 114915. [CrossRef]

33. Gillies، DKA; برنهولتز، بی. سندیفورد، PJ رویکردی جدید برای پیش‌بینی بارهای اوج روزانه. ترانس. صبح. Inst. برق مهندس قسمت سوم Power Appar. سیستم 1956، 75، 382-387. [CrossRef]

34. پارک، دی سی; الشرکاوی، م. Marks II, RJ; اطلس، LE; دامبورگ، ام جی پیش بینی بار الکتریکی با استفاده از شبکه عصبی مصنوعی. IEEE Trans. سیستم پاور 1991، 6، 442-449. [CrossRef]

35. Bakirtzis، AG; پتریدیس، وی. کیارتزیس، اس جی. الکسیادیس، MC; Maissis، AH یک مدل پیش بینی بار کوتاه مدت شبکه عصبی برای سیستم قدرت یونان. IEEE Trans. سیستم پاور 1995، 11، 858-863. [CrossRef]

36. Lu, C.-N.; وو، اچ.-تی. وموری، اس. پیش بینی بار کوتاه مدت مبتنی بر شبکه عصبی. IEEE Trans. سیستم پاور 1993، 8، 336-342. [CrossRef] 37. Papalexopoulos، AD; هائو، اس. پنگ، تی.-ام. اجرای یک مدل پیش‌بینی بار مبتنی بر شبکه عصبی برای EMS IEEE Trans. سیستم پاور 1994، 9، 1956-1962. [CrossRef]

38. Wang, P. در تعریف هوش مصنوعی. جی آرتیف. ژنرال اینتل 2019، 10، 1-37. [CrossRef]

39. Ongsulee, P. Artificial Intelligence, Machine Learning و Deep Learning. در مجموعه مقالات پانزدهمین کنفرانس بین المللی فناوری اطلاعات و ارتباطات و مهندسی دانش (ICT&KE)، بانکوک، تایلند، 22 تا 24 نوامبر 2017؛ صص 1-6. [CrossRef]

40. راز، ع. لیناس، جی. میتو، آر. Lawless، مهندسی WF برای ظهور در سیستم‌های همجوشی اطلاعات: مروری بر برخی چالش‌ها. در زمینه های مشترک انسان و ماشین؛ Lawless, WF, Mittu, R., Sofge, DA, Eds.; مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2020؛ صفحات 241–255، ISBN 9780128205433. [CrossRef]

41. کوهن، اس. مبانی یادگیری ماشین: استراتژی ها و تکنیک ها. در هوش مصنوعی و یادگیری عمیق در آسیب شناسی; کوهن، اس.، اد. الزویر: آمستردام، هلند، 2021؛ صفحات 13–40، ISBN 9780323675383. [CrossRef]

42. بونتو، آر. لاتزکو، وی. یادگیری ماشینی. در محاسبات در شبکه های ارتباطی، از تئوری تا عمل. Fitzek, FHP, Granelli, F., Seeling, P., Eds. مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2020؛ صفحات 135–167، ISBN 9780128204887. [CrossRef]

43. دلوا، جی. یادگیری تحت نظارت در مقابل یادگیری بدون نظارت: تفاوت چیست؟ 2021. در دسترس آنلاین: https://www.ibm.com/cloud/ blog/supervised-vs-unsupervised-learning (در 15 نوامبر 2022 قابل دسترسی است).

44. Sarker، IH یادگیری ماشینی: الگوریتم‌ها، برنامه‌های کاربردی دنیای واقعی، و جهت‌های تحقیق. SN Comput. علمی 2021، 2، 160. [CrossRef] [PubMed]

45. چوی، RY; کوینر، ع. کالپاتی-کرامر، جی. چیانگ، ام.اف. کمپبل، جی پی مقدمه ای بر یادگیری ماشین، شبکه های عصبی و یادگیری عمیق. ترجمه Vis. علمی تکنولوژی 2020، 9، 14. [CrossRef]

46. ​​علقانی، م. الجمیلی، د. مصطفیفینا، ج. حسین، ع. Aljaaf, AJ مروری سیستماتیک در مورد الگوریتم های یادگیری ماشینی تحت نظارت و بدون نظارت برای علم داده. در یادگیری تحت نظارت و بدون نظارت برای علم داده. Berry, M., Mohamed, A., Yap, B., Eds.; Springer: Cham، سوئیس، 2020؛ صص 3-21. [CrossRef]

47. ساتینت، سی. Fouss, F. چارچوب طبقه بندی یادگیری ماشینی نظارت شده برای پایداری محصولات پوشاک. پایداری 2022، 14، 1334. [CrossRef]

48. جیانگ، تی. Gradus، JL; Rosellini، AJ تحت نظارت یادگیری ماشینی: آغازگر مختصر. رفتار آنجا 2020، 51، 675-687. [CrossRef] [PubMed]

49. ال بوشفری، ک. د سوزا، یادگیری RS در داده های بزرگ: مقدمه ای بر یادگیری ماشین. در کشف دانش در داده های بزرگ از ستاره شناسی و رصد زمین؛ Škoda, P., Adam, F., Eds. الزویر: آمستردام، هلند، 2020؛ صفحات 225–249، ISBN 9780128191545. [CrossRef]

50. اوداماری، ن. Ubbana، J. مطالعه ای در مورد تجزیه و تحلیل الگوریتم های یادگیری بدون نظارت در یادگیری ماشین. ترک. جی. کامپیوتر. ریاضی. آموزش. 2021، 12، 6774-6782.

51. خانم، م. محبوب، ت. امتیاز، دبلیو. غفور، ح. Sehar, R. نظرسنجی در مورد الگوریتم های یادگیری ماشین بدون نظارت برای اتوماسیون، طبقه بندی و نگهداری. بین المللی جی. کامپیوتر. Appl. 2015، 119، 34-39. [CrossRef]

52. آوینش، ک. ویلیام، جی. رایان، بی. تشخیص حمله شبکه با استفاده از الگوریتم یادگیری ماشینی بدون نظارت. در مجموعه مقالات کنفرانس بین المللی هاوایی در علوم سیستم (HICSS)، مائوئی، HI، ایالات متحده آمریکا، 7 تا 10 ژانویه 2020. [CrossRef]

53. چن، ی. کنگ، آر. Kong, L. کاربردهای هوش مصنوعی در داده های بزرگ نجومی. در داده های بزرگ در نجوم؛ Kong, L., Huang, T., Zhu, Y., Yu, S., Eds.; الزویر: آمستردام، هلند، 2020؛ صفحات 347–375، ISBN 9780128190845. [CrossRef]

54. Van Engelen، JE; Hoos, HH نظرسنجی در مورد یادگیری نیمه نظارتی. ماخ فرا گرفتن. 2020، 109، 373-440. [CrossRef]

55. ژونگ کایژو، جی. هوانگ، اچ. یادگیری نیمه نظارتی: پیشینه، کاربردها و مسیرهای آینده. ناشران Nova Science: نیویورک، نیویورک، ایالات متحده آمریکا، 2018.

56. Huynh، T. نیبالی، ع. او، Z. یادگیری نیمه نظارتی برای طبقه بندی تصاویر پزشکی با استفاده از داده های آموزشی نامتعادل. محاسبه کنید. روش ها برنامه های Biomed. 2022, 216, 106628. [CrossRef]

57. کائور، ع. گوراو، ک. مطالعه کاربردهای یادگیری تقویتی و الگوریتم های آن. بین المللی J. Sci. تکنولوژی Res. 2020، 9، 4223-4228.

58. محمد، م. خان، MB; بشیر محمد، یادگیری ماشینی BE: الگوریتم ها و کاربردها. مطبوعات CRC: بوکا راتون، فلوریدا، ایالات متحده آمریکا، 2016.

59. تنویر، ج. حیدر، ع. علی، ر. Kim, A. مروری بر الگوریتم‌های یادگیری تقویتی برای مدیریت انتقال در شبکه‌های سلولی بسیار متراکم 5G. Appl. علمی 2022، 12، 426. [CrossRef]

60. لیو، اس. ببینید، KC; Ngiam، KY؛ سلی، لس آنجلس; سان، ایکس. فنگ، ام. یادگیری تقویتی برای حمایت از تصمیم گیری بالینی در مراقبت های ویژه: بررسی جامع. جی. مد. Internet Res. 2020, 22, e18477. [CrossRef] [PubMed]

61. هائو، ایکس. ژانگ، جی. ما، اس. یادگیری عمیق. بین المللی ج. سمنت. محاسبه کنید. 2016، 10، 417-439. [CrossRef]

62. نیکولز، ج.ا. هربرت چان، HW; بیکر، ام. یادگیری ماشینی: کاربردهای هوش مصنوعی در تصویربرداری و تشخیص. بیوفیز. Rev. 2019, 11, 111–118. [CrossRef]

63. صادق، ر. رودریگز، ام جی; مدل های تجربی Mian، HR برای پیش بینی محصولات جانبی ضد عفونی (DBPs) در آب آشامیدنی: یک بررسی به روز شده. در دایره المعارف بهداشت محیط، ویرایش دوم؛ Nriagu, J., Ed. الزویر: آمستردام، هلند، 2019؛ صص 324–338، ISBN 978-0-444-63952-3.

64. تیوون، ج. موریاکوف، N. شبکه های عصبی کانولوشنال. در کتابچه راهنمای محاسبات تصویر پزشکی و مداخله به کمک رایانه؛ Zhou, SK, Rueckert, D., Fichtinger, G., Eds. الزویر: آمستردام، هلند، 2020؛ pp. 481–501, ISBN 9780128161760. [CrossRef]

65. او، ز. یادگیری عمیق در طبقه بندی تصویر: گزارش نظرسنجی. در مجموعه مقالات دومین کنفرانس بین المللی فناوری اطلاعات و کاربرد رایانه (ITCA)، گوانگژو، چین، 18 تا 20 دسامبر 2020؛ صص 174-177. [CrossRef]

66. خان، ع. سهیل، ع. زهورا، U. قریشی، ع، بررسی معماری های اخیر شبکه های عصبی کانولوشنال عمیق. آرتیف. هوشمند Rev. 2020, 53, 5455–5516. [CrossRef]

67. چو، ک. ون مرینبور، بی. بهداناو، د. Bengio, Y. On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. arXiv 2014, arXiv:1409.1259.

68. المان، ج. یافتن ساختار در زمان. شناخت. علمی 1990، 14، 179-211. [CrossRef]

69. توها، SF; مدلسازی شبکه عصبی بازگشتی توخی، MO MLP و المان برای TRMS. در مجموعه مقالات هفتمین کنفرانس بین المللی IEEE در مورد سیستم های هوشمند سایبرنتیک، لندن، بریتانیا، 9 تا 10 سپتامبر 2008. صص 1-6. [CrossRef]

70. لیو، ی. گوا، جی. کای، سی. وانگ، ی. جیا، L. پیش بینی کوتاه مدت جریان مسافر ترانزیت ریلی بر اساس شبکه عصبی حافظه کوتاه مدت بلند مدت. در مجموعه مقالات کنفرانس بین المللی حمل و نقل ریلی هوشمند (ICIRT)، سنگاپور، 12 تا 14 دسامبر 2018؛ صص 1-5. [CrossRef]

71. ژائو، ز. لیانگ، ی. جین، ایکس. مدیریت فضای عمل در مقیاس بزرگ در شبکه دیپ کیو. در مجموعه مقالات کنفرانس بین المللی هوش مصنوعی و داده های بزرگ (ICAIBD)، چنگدو، چین، 26-28 مه 2018؛ ص 93-96. [CrossRef]

72. زی، دبلیو. اویانگ، ی. اویانگ، جی. رانگ، دبلیو. Xiong, Z. توصیه مبتنی بر ماشین بولتزمن مشروط با آگاهی از شغل کاربر. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد اینترنت اشیا (iThings) و محاسبات سبز و ارتباطات IEEE (GreenCom) و IEEE Cyber, Physical and Social Computing (CPSCom) و IEEE Smart Data (SmartData)، چنگدو، چین، 15 تا 18 دسامبر 2016; ص 454-461. [CrossRef]

73. تیلور، GW; هینتون، جنرال الکتریک؛ Roweis، ST دو مدل حالت توزیع شده برای تولید سری های زمانی با ابعاد بالا. جی. ماخ. فرا گرفتن. Res. 2011، 12، 1025-1068.

74. هینتون، جنرال الکتریک; اوسیندرو، اس. Teh, YW یک الگوریتم یادگیری سریع برای شبکه های باور عمیق. محاسبات عصبی 2006، 18، 1527-1554. [CrossRef]

75. بدی، ج. Venayagamoorthy، GK; سینگ، آر. توسعه یک محیط ساختمان مبتنی بر اینترنت اشیا برای پیش‌بینی مصرف انرژی الکتریکی. IEEE Internet Things J. 2020, 7, 4912–4921. [CrossRef]

76. تیمور، ا. زور، ک. چلیک، او. تکه، ع. ˙Ibrikçi، T. کاربرد تکنیک های آماری و هوش مصنوعی برای پیش بینی انرژی الکتریکی میان مدت: مطالعه موردی برای یک بیمارستان منطقه ای. J. Sustain. توسعه دهنده محیط زیست آب انرژی. سیستم 2020، 8، 520–536. [CrossRef]

77. سلوی، ام وی; Mishra, S. بررسی تأثیر آب و هوا در پیش‌بینی توان بار الکتریکی ساعتی روز آینده با معماری جدید در تکنیک‌های شبکه عصبی مصنوعی رگرسیون خطی چند متغیره. در مجموعه مقالات هشتمین کنفرانس بین المللی IEEE هند در زمینه الکترونیک قدرت (IICPE)، جیپور، هند، 13 تا 15 دسامبر 2018.

78. سلوی، ام وی; Mishra, S. بررسی عملکرد پیش‌بینی توان بار الکتریکی در افق‌های زمانی چندگانه با معماری جدید تحقق‌یافته در تکنیک‌های رگرسیون خطی چند متغیره و شبکه عصبی پیش‌خور. IEEE Trans. Ind. Appl. 2020، 56، 5603–5612. [CrossRef]

79. Eseye, AT; لهتونن، ام. توکیا، تی. اویمونن، اس. رویکرد انتخاب ویژگی یکپارچه مبتنی بر یادگیری ماشین Millar، RJ برای پیش‌بینی بهبود تقاضای برق در سیستم‌های انرژی غیرمتمرکز. دسترسی IEEE 2019، 7، 91463–91475. [CrossRef]

80. ون، ال. ژو، ک. یانگ، اس. پیش‌بینی تقاضای بار ساختمان‌های مسکونی با استفاده از یک مدل یادگیری عمیق. برق سیستم پاور Res. 2020, 179, 106073. [CrossRef]

81. رودریگز، اف. گالارزا، ع. واسکز، جی سی. Guerrero، JM استفاده از یادگیری عمیق و پارامترهای هواشناسی برای پیش‌بینی فاصله توان خروجی درون ساعتی ژنراتورهای فتوولتائیک برای کنترل شبکه هوشمند. Energy 2022, 239, 122116. [CrossRef]

82. طالب، ط. گارارد، جی. فوبرتو، اف. نگوین، NA روش یادگیری عمیق انعطاف پذیر برای پیش بینی انرژی. Energies 2022, 15, 3926. [CrossRef]

83. خو، ا. تیان، M.-W. فیروزی، ب. آلاتاس، کالیفرنیا؛ محمدزاده، ع. قادرپور، ای. یادگیری عمیق جدید ماشین بولتزمن محدود شده برای پیش بینی مصرف انرژی. پایداری 2022، 14، 10081. [CrossRef]

84. Yem Souhe, FG; فرانکلین امبی، سی. تپلیرا بوم، ا. الیه، پ. Foba Kakeu، VJ یک مدل ترکیبی برای پیش‌بینی مصرف انرژی الکتریکی در یک شبکه هوشمند. J. Eng. 2022، 6، 629-643. [CrossRef]

85. اورنگ زیب، ک. الحسین، م. جاوید، ک. Haider، SI یک مدل یادگیری عمیق مبتنی بر هرمی CNN برای پیش‌بینی بار قدرت مشتریان انرژی با مشخصات مشابه بر اساس خوشه‌بندی. دسترسی IEEE 2021، 9، 14992-15003. [CrossRef]

86. جهانگیر، ح. طیارانی، ح. گوگری، اس.اس. گلکار، م. احمدیان، ع. Elkamel، A. رویکرد پیش‌بینی مبتنی بر یادگیری عمیق در شبکه‌های هوشمند با خوشه‌بندی میکرو و شبکه دو طرفه LSTM. IEEE Trans. الکترون صنعتی 2021، 68، 8298-8309. [CrossRef]

87. مبشر، ر. Awan، MJ; احسن، م. یاسین، ع. سینگ، VP پیش بینی بار مسکونی کارآمد با استفاده از رویکرد یادگیری عمیق. بین المللی جی. کامپیوتر. Appl. تکنولوژی 2022، 68، 205-214. [CrossRef]

88. روزیاتو، ا. آرانئو، آر. آندرئوتی، آ. Panella, M. 2-شبکه عصبی عمیق پیچیده برای پیش‌بینی سری زمانی انرژی چند متغیره. در مجموعه مقالات کنفرانس بین المللی IEEE 2019 در مورد محیط زیست و مهندسی برق و سیستم های قدرت صنعتی و تجاری IEEE 2019 اروپا (EEIC/I&CPS Europe)، جنوا، ایتالیا، 11 تا 14 ژوئن 2019.

89. ژانگ، ایکس. بیاجیونی، دی. کای، م. گراف، پی. Rahman, S. یک راه حل یکپارچه ابر لبه برای پاسخگویی ساختمان ها با استفاده از یادگیری تقویتی. IEEE Trans. Smart Grid 2020, 12, 420–431. [CrossRef]

90. اورنگ زیب، ک. الحسین، م. چارچوب یادگیری عمیق برای پیش بینی بار توان کوتاه مدت، مطالعه موردی مشتری انرژی خانگی فردی. در مجموعه مقالات کنفرانس بین‌المللی 2019 در مورد پیشرفت‌ها در فناوری‌های محاسباتی نوظهور (AECT)، المدینه المنواره، عربستان سعودی، 10 فوریه 2020.

91. اسکوبار، ای. رودریگز لیسه آ، MA; روسترو-گونزالس، اچ. اسپینوزا کالدرون، ای. Barranco Gutiérrez، AI; Pérez-Pinal، FJ تجزیه و تحلیل مقایسه ای مدل های یادگیری عمیق چند متغیره برای پیش بینی در شبکه های هوشمند. در مجموعه مقالات نشست پاییز بین‌المللی IEEE 2020 در مورد نیرو، الکترونیک و محاسبات (ROPEC)، ایکستاپا، مکزیک، 4 تا 6 نوامبر 2020. [CrossRef]

92. حافظ، ج. Alimgeer، KS; ودود، ز. شفیق، ز. علی خان، MU; خان، آی. خان، FA; Derhab، A. یک مدل جدید مبتنی بر یادگیری عمیق دقیق و سریع برای پیش‌بینی مصرف انرژی الکتریکی در یک شبکه هوشمند. Energies 2020, 13, 2244. [CrossRef]

93. نگوین، وی.-بی. دوونگ، ام.-تی. Le، M.-H. پیش بینی تقاضای برق برای شبکه هوشمند بر اساس رویکرد یادگیری عمیق در مجموعه مقالات 2020 5مین کنفرانس بین المللی فناوری سبز و توسعه پایدار (GTSD)، شهر هوشی مین، ویتنام، 27-28 نوامبر 2020؛ صص 353-357. [CrossRef]

94. روزاتو، ا. سوکتی، اف. آرانئو، آر. آندرئوتی، آ. میتولو، م. پانلا، ام. یک رویکرد یادگیری عمیق ترکیبی برای پیش‌بینی سری‌های زمانی در محیط‌های انرژی. در مجموعه مقالات پنجاه و ششمین کنفرانس فنی سیستم های قدرت صنعتی و تجاری (I&CPS) IEEE/IAS 2020، لاس وگاس، NV، ایالات متحده، 29 ژوئن تا 28 ژوئیه 2020.

95. چی، X. ژنگ، ایکس. چن، Q. پیش بینی بار کوتاه مدت سیستم انرژی یکپارچه بر اساس CNN-LSTM. در مجموعه مقالات کنفرانس بین المللی انرژی، محیط زیست و مهندسی زیستی 2020 (ICEEB 2020)، شیان، چین، 7 تا 9 اوت 2020؛ جلد 185، ص. 01032. [CrossRef]

96. وانگ، بی. لی، ی. مینگ، دبلیو. وانگ، اس. روش یادگیری تقویت عمیق برای مدیریت پاسخ تقاضای بار وقفه‌ای. IEEE Trans. Smart Grid 2020, 11, 3146–3155. [CrossRef]

97. ون، ال. ژو، ک. لی، جی. وانگ، اس. یادگیری عمیق و یادگیری تقویتی را برای یک مدل پاسخ تقاضای مبتنی بر انگیزه اصلاح کردند. انرژی 2020، 205، 118019. [CrossRef]

98. یانگ، ی. لی، دبلیو. گالیور، TA; پیش‌بینی بار احتمالی مبتنی بر یادگیری عمیق لی، اس بیزی در شبکه‌های هوشمند. IEEE Trans Ind. Inf. 2020، 16، 4703–4713. [CrossRef]

99. امین، ص. چرکاسوا، ال. آیتکن، آر. Kache, V. مدلسازی و پیش بینی خودکار تقاضای انرژی با استفاده از داده های کنتور هوشمند. در مجموعه مقالات کنگره بین المللی IEEE 2019 در اینترنت اشیا (ICIOT)، میلان، ایتالیا، 8 تا 13 ژوئیه 2019.

100. عاطف، س. Eltawil، AB یک مطالعه تطبیقی ​​با استفاده از یادگیری عمیق و رگرسیون برداری پشتیبانی برای پیش‌بینی قیمت برق در شبکه‌های هوشمند. در مجموعه مقالات ششمین کنفرانس بین المللی IEEE در زمینه مهندسی صنایع و کاربردها (ICIEA)، توکیو، ژاپن، 12 تا 15 آوریل 2019؛ ص 603-607. [CrossRef]

101. چان، اس. اکتاویانتی، آی. Puspita، V. A Deep Learning CNN و AI-Tuned SVM for Electricity Consumption Forecasting: Multivariate Series Time Data. در مجموعه مقالات دهمین کنفرانس سالانه فناوری اطلاعات، الکترونیک و ارتباطات سیار (IEMCON) IEEE 2019، ونکوور، BC، کانادا، 17 تا 19 اکتبر 2019.

102. حافظ، ج. جواد، ن. ریاض، م. علی، ع. عمر، ک. اقبال، پیش بینی بار الکتریکی روز آینده QZ توسط یک مدل هیبریدی هوشمند مبتنی بر یادگیری عمیق برای شبکه هوشمند. در مجموعه مقالات چهاردهمین کنفرانس بین المللی سیستم های پیچیده، هوشمند و نرم افزار فشرده (CISIS-2020)، لودز، لهستان، 1 تا 3 ژوئیه 2020.

103. کائور، د. کومار، آر. کومار، ن. Guizani، M. مدیریت انرژی شبکه هوشمند با استفاده از RNN-LSTM: یک رویکرد مبتنی بر یادگیری عمیق. در مجموعه مقالات کنفرانس ارتباطات جهانی IEEE (GLOBECOM)، جزیره بزرگ، HI، ایالات متحده آمریکا، 9 تا 13 دسامبر 2019؛ صص 1-6. [CrossRef]

104. الخفاف، ن. جلیلی، م. Sokolowski, P. کاربرد حافظه کوتاه مدت یادگیری عمیق در پیش بینی تقاضای انرژی. اشتراک. محاسبه کنید. Inf. علمی 2019، 1000، 31–42. 105. خان، ABM; خان، س. ایمال، اس. خان، م. رقیه، ب. جاوید، ن. پیش بینی بار الکتریکی نیم ساعتی با استفاده از شبکه عصبی کانولوشن. در خدمات نوآورانه موبایل و اینترنت در محاسبات همه جا حاضر. Baroli, L., Xhafa, F., Hussain, O., Eds.; اسپرینگر: چم، سوئیس؛ جلد 994. [CrossRef]

106. کیم، تی. Cho, SB پیش بینی مصرف انرژی مسکونی با استفاده از شبکه های عصبی CNN-LSTM. انرژی 2019، 182، 72–81. [CrossRef]

107. کیم، تی. Cho, S. شبکه های CNN-LSTM مبتنی بر بهینه سازی ازدحام ذرات برای پیش بینی مصرف انرژی. در مجموعه مقالات کنگره IEEE 2019 در محاسبات تکاملی (CEC)، ولینگتون، نیوزیلند، 10 تا 13 ژوئن 2019.

108. لو، ر. پاسخ تقاضای مبتنی بر انگیزه هنگ، SH برای شبکه هوشمند با یادگیری تقویتی و شبکه عصبی عمیق. Appl. انرژی 2019، 236، 937–949. [CrossRef]

109. پرامونو، SH; رحمت الله، م. مولانا، ای. حسنه، RN; هاریو، اف. پیش‌بینی بار کوتاه‌مدت مبتنی بر یادگیری عمیق برای پشتیبانی از برنامه پاسخگویی به تقاضا در سیستم انرژی هیبریدی. Energies 2019, 12, 3359. [CrossRef]

110. رحمان، س. علم، MGR; رحمان، MM روش گروهی مبتنی بر یادگیری عمیق برای پیش‌بینی تقاضای انرژی خانگی در خانه هوشمند. در مجموعه مقالات 2019 22مین کنفرانس بین المللی رایانه و فناوری اطلاعات (ICCIT)، داکا، بنگلادش، 18 تا 20 دسامبر 2019.

111. سید، د. Refaat, SS; ابوروب، ح. بوهالی، ا. زینب، ع. Xie, L. میانگین‌گیری مدل گروه‌ها برای پیش‌بینی بار کوتاه‌مدت در شبکه‌های هوشمند. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد داده های بزرگ (داده های بزرگ)، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 9 تا 12 دسامبر 2019؛ صص 2931-2938. [CrossRef]

112. اوستونداغ سویکان، ای. بیلگین، ز. ارسوی، MA; Tomur، E. یادگیری عمیق خصوصی متفاوت برای پیش بینی بار در شبکه هوشمند. در مجموعه مقالات کارگاه های آموزشی IEEE Globecom 2019 (GC Wkshps)، Waikoloa، HI، ایالات متحده آمریکا، 9 تا 13 دسامبر 2019؛ صص 1-6. [CrossRef]

113. Vesa, AV; گیتسکو، ن. پاپ، سی. آنتال، م. سیوآرا، تی. آنگل، IA; Salomie, I. مدل گروه آموزشی فراگیر برای پیش‌بینی تقاضای مصرف انرژی در زمان واقعی ساختمان‌های مسکونی. در مجموعه مقالات پانزدهمین کنفرانس بین المللی IEEE 2019 در زمینه ارتباطات و پردازش کامپیوتری هوشمند (ICCP)، کلوژ-ناپوکا، رومانی، 5 تا 7 سپتامبر 2019.

114. یانگ، ی. هانگ، دبلیو. لی، اس. پیش‌بینی بار احتمالی مبتنی بر یادگیری گروه عمیق در شبکه‌های هوشمند. Energy 2019, 189, 116324. [CrossRef]

115. زاهد، م. احمد، ف. جواد، ن. عباسی، ره. زینب کاظمی، HS; جواد، ع. بلال، م. اکبر، م. الهي، م. پيش بيني قيمت برق و بار با استفاده از شبکه عصبي کانولوشنال بهبود يافته رگرسيون بردار پشتيباني در شبکه هاي هوشمند. Electronics 2019, 8, 122. [CrossRef]

116. اویانگ، تی. سلام.؛ لی، اچ. سان، ز. باک، اس. مدل‌سازی و پیش‌بینی بار قدرت کوتاه‌مدت با مدل کوپلا و شبکه باور عمیق. IEEE Trans. ظهور. بالا. محاسبه کنید. هوشمند 2019، 3، 127–136. [CrossRef]

117. حافظ، ج. جواد، ن. الله، س. اقبال، قز; خان، م. رحمان، AU; Ullah, Z. پیش بینی بار کوتاه مدت بر اساس یادگیری عمیق برای برنامه های کاربردی شبکه هوشمند. در مجموعه مقالات دوازدهمین کنفرانس بین المللی خدمات نوآورانه موبایل و اینترنت در محاسبات همه جا حاضر (IMIS{3}})، ماتسوه، ژاپن، 4 تا 6 ژوئیه 2018. [CrossRef] 118. Koprinska, I.; وو، دی. Wang, Z. شبکه‌های عصبی کانولوشنال برای پیش‌بینی سری‌های زمانی انرژی. در مجموعه مقالات کنفرانس مشترک بین المللی 2018 در مورد شبکه های عصبی (IJCNN)، ریودوژانیرو، برزیل، 8 تا 13 ژوئیه 2018.

119. Kuo, PH; Huang, CJ یک مدل شبکه های عصبی مصنوعی با دقت بالا برای پیش بینی بار انرژی کوتاه مدت. Energies 2018, 11, 213. [CrossRef]

120. شی، ح. خو، ام. لی، آر. یادگیری عمیق پیش بینی بار خانگی - رمانی که RNN عمیق را جمع آوری می کند. IEEE Trans Smart Grid 2018، 9، 5271–5280. [CrossRef]

121. قادری، ع. سنندجی، BM; قادری، ف. پیش بینی عمیق: پیش بینی مکانی-زمانی مبتنی بر یادگیری عمیق. arXiv 2017. [CrossRef]

122. Jarábek، T. Laurinec، P. Lucká، M. پیش‌بینی بار انرژی با استفاده از شبکه‌های عصبی عمیق S2S با خوشه‌بندی K-Shape. در مجموعه مقالات چهاردهمین کنفرانس علمی بین المللی 2017 IEEE در انفورماتیک 2017، پوپراد، اسلواکی، 14 تا 16 نوامبر 2017.

123. لی، ال. اوتا، ک. دونگ، ام. همه چیز تصویر است: پیش‌بینی بار الکتریکی کوتاه‌مدت مبتنی بر CNN برای شبکه هوشمند. در مجموعه مقالات 2017 14مین سمپوزیوم بین‌المللی سیستم‌ها، الگوریتم‌ها و شبکه‌های فراگیر و 2017 11مین کنفرانس بین‌المللی مرزهای علوم و فناوری رایانه و سومین سمپوزیوم بین‌المللی محاسبات خلاق 2017 (ISAN-FCST-ISCC) )، اکستر، بریتانیا، 21–23 ژوئن 2017؛ صص 344-351. [CrossRef]

124. ژان، ج. هوانگ، جی. نیو، ال. پنگ، ایکس. دنگ، دی. چنگ، اس. مطالعه فن‌آوری‌های کلیدی داده‌های بزرگ انرژی الکتریکی و چشم‌اندازهای کاربرد آن در شبکه هوشمند. در مجموعه مقالات کنفرانس مهندسی نیرو و انرژی IEEE PES آسیا و اقیانوسیه (APPEEC)، هنگ کنگ، چین، 7 تا 10 دسامبر 2014. صص 1-4. [CrossRef]