Вникване в базирано на задълбочено обучение прогнозиране на търсенето в интелигентни мрежи (1)

Резюме: Интелигентните мрежи са в състояние да прогнозират моделите на потребление на клиентите, т.е. тяхното търсене на енергия, и следователно електроенергията може да се пренася след като се вземе предвид очакваното търсене. За да се справим с днешните предизвикателства за прогнозиране на търсенето, където данните, генерирани от интелигентните мрежи, са огромни, трябва да се използват съвременни техники, управлявани от данни. В този сценарий моделите на задълбочено обучение са добра алтернатива за изучаване на модели от клиентски данни и след това прогнозиране на търсенето за различни хоризонти на прогнозиране. Сред често използваните изкуствени невронни мрежи, мрежите за дълга краткосрочна памет, базирани на повтарящи се невронни мрежи, играят важна роля. Този документ дава представа за важността на проблема с прогнозирането на търсенето и други свързани фактори в контекста на интелигентните мрежи и събира някои преживявания от използването на техники за задълбочено обучение за целите на прогнозиране на търсенето. За да има ефективна енергийна система, е необходим баланс между търсене и предлагане. Следователно, заинтересованите страни и изследователите в индустрията трябва да положат специални усилия за прогнозиране на натоварването, особено в краткосрочен план, което е критично за отговор на търсенето.

Ключови думи: прогнозиране на търсенето; прогнозиране на натоварването; отговор на търсенето; прогнозен хоризонт; интелигентна мрежа; интелигентна среда; Дълбоко обучение; Мрежи с дълга краткосрочна памет; Конволюционни невронни мрежи; Cistanche deserticola

Пустинен женшен

1. Въведение

Електричеството не може лесно да се съхранява за бъдещи доставки, за разлика от други стоки като петрола. Това означава, че електроенергията трябва да бъде разпределена до потребителите веднага след нейното производство. Разпределението на електроенергия до крайните потребители се извършва с помощта на традиционната електрическа мрежа (виж дефиницията в таблица 1), която позволява доставката на електроенергия от производителите до потребителите. За да постигне тази цел, той свързва електроцентралите и преносните линии, които доставят електроенергия до крайните потребители. Традиционните електрически мрежи се различават по размер. Когато тези мрежи започнаха да се разширяват, контролирането им стана много сложна и трудна задача. Освен това прогнозирането на търсенето (вижте определението в таблица 1) традиционно не се взема предвид.

В този контекст възниква концепцията за интелигентната мрежа (виж дефиницията в таблица 1) и започва да играе важна роля. Тази концепция е изчерпателно прегледана в литературата (напр. [1–4]). Интелигентните мрежи осигуряват двупосочна комуникация между потребители и доставчици. Интелигентните мрежи добавят хардуер и софтуер към традиционната електрическа мрежа, за да й осигурят автономен капацитет за реагиране на различни събития, които могат да повлияят на електрическата мрежа. Крайната цел е да се постигне оптимална ежедневна оперативна ефективност за доставка на електрическа енергия. В [4] авторите определят „интелигентната мрежа“ като нова форма на електрическа мрежа, която предлага самовъзстановяване, контрол на мощността, енергийна сигурност и енергийна надеждност с помощта на цифрова технология. В [2] авторите подчертават, че концепцията за интелигентната мрежа трансформира традиционната електрическа мрежа чрез използване на различни видове модерни технологии. Според тези автори, тази концепция интегрира всички елементи, които са необходими за генериране, разпределение и потребление на енергия ефективно и ефективно. В [5] авторите подчертават, че концепцията за интелигентна мрежа се появява, за да направи традиционната електрическа мрежа по-ефективна, сигурна, надеждна и стабилна и да може да приложи отговор на търсенето (вижте дефиницията в таблица 1).

Таблица 1. Важни ключови думи за четене на тази статия.

Парадигмата на интелигентната мрежа позволява на потребителите да открият своите модели на потребление на енергия. Следователно потребителите могат да контролират потреблението си и да използват енергията по-ефективно. При внедряването на концепцията за интелигентна мрежа отговорът на потреблението – както за битови, така и за индустриални цели – играе важна роля. Друг полезен инструмент е прогнозирането на натоварването (вижте определението в таблица 1). В [6] авторите отбелязват важността на тази концепция в контекста на интелигентните мрежи, тъй като прогнозирането на електроенергията, необходима за задоволяване на търсенето, позволява на енергийните компании да балансират по-добре търсенето и предлагането. Енергийните компании са особено заинтересовани от постигането на точни прогнози за следващите 24 часа, което се нарича профил на натоварване (вижте определението в таблица 1).

Освен това през последните години увеличеното търсене на електроенергия в определени часове на деня създаде няколко проблема. Прогнозирането на натоварването е особено важно по време на пиковите часове. Реагирането на търсенето насърчава клиентите да разтоварят несъщественото потребление на енергия през тези пикови часове.

За да се справим с предизвикателствата при прогнозиране на натоварването, е необходимо да използваме съвременни техники, управлявани от данни. Наистина, включването на нови технологии, като големи данни, машинно обучение, задълбочено обучение и интернет на нещата (IoT), надгради концепцията за интелигентна мрежа на друго ниво, тъй като тези технологии позволяват подобрено прогнозиране на търсенето и автоматизирана реакция на търсенето .

Този документ дава представа за значението на прогнозирането на търсенето и важните свързани фактори в контекста на интелигентните мрежи, както и възможността за използване на техники, управлявани от данни, за тази цел. По-конкретно, авторите се фокусират върху техниките за задълбочено обучение, тъй като се очертават като добър вариант за прилагане на прогнозиране на търсенето в контекста на интелигентните мрежи. Документът събира опит от използването на различни техники за дълбоко обучение в енергийната област за целите на прогнозирането. Енергийната система effigy-клиент трябва да вземе предвид реакцията на търсенето. Освен това точното прогнозиране на натоварването, особено в краткосрочен план, е от съществено значение, поради което заинтересованите страни и изследователите в индустрията полагат специални усилия в това.

Експеримент Cistanche deserticola

Щракнете тук, за да видите продуктите на Cistanche

【Попитайте за повече】 Имейл:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Останалата част от този документ е организирана по следния начин. Раздел 2 представя причините, поради които прогнозирането на търсенето е важно в контекста на интелигентните мрежи. Раздел 3 описва най-важните фактори при прогнозирането на търсенето. Раздел 4 представя различните възможни класификации на техниките за прогнозиране на търсенето. Раздел 5 предоставя някои основи и концепции, полезни за разбиране на моделите на задълбочено обучение, които обикновено се използват в енергийната област. Раздел 6 събира различен опит от използването на тези модели в контекста на интелигентните мрежи за целите на прогнозирането. И накрая, Раздел 7 обобщава основните заключения от тази работа.

2. Значението на прогнозирането на търсенето

В [7] авторите обобщават основните изисквания на интелигентните мрежи, както следва: достатъчно гъвкави, за да отговорят на нуждите на потребителите, способни да управляват несигурни събития, достъпни за всички потребители, достатъчно надеждни, за да гарантират висококачествена доставка на енергия на потребителите, и достатъчно иновативни за ефективно управление на енергията.

Имайки предвид тези изисквания, интелигентните мрежи трябва да се стремят да разработят евтини, лесни за внедряване технически решения с разпределен интелект, за да работят ефективно в днешните все по-сложни сценарии. За надграждане на традиционна електрическа мрежа в интелигентна мрежа са необходими интелигентни и сигурни комуникационни инфраструктури [4].

Според изследването, представено в [8], прогнозирането може да се приложи в две основни области: управление на мрежата и реакция на потреблението. В [9] авторите подчертават, че моделите за прогнозиране са от съществено значение за осигуряване на оптимално качество на енергийните доставки при най-ниски разходи. Освен това информацията в реално време за моделите на потребление на енергия на потребителите ще позволи прилагането на по-сложни и ефективни модели за прогнозиране. Прогнозирането трябва също така да вземе предвид необходимостта от управление на постоянно променящата се информация. В [10] авторите подчертават, че с интелигентната мрежа програмите за отговор на търсенето могат да направят мрежата по-рентабилна и устойчива.

Авторите в [11] отбелязват, че има важни предизвикателства при прогнозирането на търсенето поради несигурността в профила на генериране на разпределени и възобновяеми енергийни ресурси. Обръща се все по-голямо внимание на моделите за прогнозиране на натоварването, особено при възобновяеми енергийни източници (слънчева радиация, вятър и др.) [9].

Какво прави cistanche- Подобрява паметта

Парадигмата на разпределеното генериране улеснява използването на възобновяеми енергийни източници, които могат да бъдат поставени в близост до точки на потребление. Когато използват тази парадигма, интелигентните мрежи имат множество малки инсталации, които доставят енергия на околната среда. Следователно зависимостта от разпределителната и преносната мрежа е по-малка [9]. Тази парадигма обаче прави контрола на мрежата още по-несигурен, особено когато разпределените източници на генериране са възобновяеми и следователно имат произволен характер. Въпреки тази трудност се очаква делът в производството на енергия от променливи възобновяеми енергийни източници да се увеличи през следващите години [12].

Друг ключов елемент са микромрежите (вижте дефиницията в таблица 1) [13,14]. Въз основа на тази концепция и като се има предвид интелигентността, използвана в сградите, се появиха нови концепции, включително интелигентни домове (вижте определението в таблица 1) и интелигентни сгради (вижте определение в таблица 1). Сградите днес са сложни комбинации от конструкции, системи и технологии. Технологията е чудесен съюзник в оптимизирането на ресурсите и подобряването на безопасността. Напредъкът в строителните технологии комбинира мрежови сензори и запис на данни по иновативни начини [15]. Модерните съоръжения могат да регулират отоплението, охлаждането и осветлението, за да увеличат максимално енергийната ефективност, като предоставят и подробни отчети за потреблението на енергия. В тези нови интелигентни среди (вижте дефиницията в таблица 1), сензорите и интелигентните устройства се разполагат, за да получат достатъчно информация за моделите на потребление на енергия на потребителите. Още веднъж, това изисква модели за прогнозиране, които трябва да бъдат приложени към специфичните променливи на сценария, който трябва да се контролира.

Моделите за прогнозиране ще позволят да се вземат предвид променливи (климатични, социални, икономически, свързани с навиците и т.н.), които могат да повлияят на точността на прогнозите [9]. Тези автори отбелязват, че оценките на търсенето на енергия в отделни сценарии, като например жилищни потребители в интелигентни сгради, са по-сложни в сравнение с оценките на търсенето на енергия за обобщен сценарий, като държава. Дезагрегирането на търсенето също улеснява прилагането на реакция на търсенето, тъй като могат да се предлагат различни цени въз основа на критериите, определени от енергийната компания.

Постепенното интегриране на интелигентността на нивата на пренос, разпределение и крайни потребители на електроенергийната система има за цел да оптимизира производството и разпределението на енергия, за да адаптира предлагането на производителите към търсенето на потребителите. Освен това интелигентните мрежи се стремят да подобрят алгоритмите за откриване на грешки [16]. Точните прогнози за търсенето са много полезни за доставчиците на енергия и други заинтересовани страни на енергийния пазар [17]. Прогнозирането на натоварването е един от основните проблеми, пред които е изправена енергийната индустрия след въвеждането на електроенергията [18].

3. Важни фактори при прогнозиране на търсенето

Търсенето на електроенергия се влияе от различни променливи или детерминанти. Тези променливи включват хоризонти за прогнозиране, ниво на агрегиране на товара, метеорологични условия (влажност, температура, скорост на вятъра и облачност), социално-икономически фактори (индустриално развитие, нарастване на населението, цена на електроенергия и т.н.), тип клиент (жилищен, търговски и промишлени) и клиентски фактори за потреблението на електроенергия (характеристики на електрическото оборудване на потребителя) (напр. [19–23]).

За да разберем напълно техниките и целите за прогнозиране на търсенето, е необходимо да проучим тези детерминанти. В този раздел авторите ще се съсредоточат върху (1) период, (2) икономически въпроси, (3) метеорологични условия и (4) фактори, свързани с клиента.

Ползи от cistanche tubulosa - Подобрява паметта

3.1. Период или прогнозен хоризонт

Периодът, който обикновено се нарича прогнозен хоризонт, вероятно е един от факторите, които оказват най-голямо влияние.

Според различни автори (напр. [17,24]) прогнозирането на търсенето може да се класифицира в три категории по отношение на хоризонта на прогнозиране:

• Краткосрочно (обикновено един час до една седмица).

• Средносрочен (обикновено една седмица до една година).

• Дългосрочни (обикновено повече от една година).

Факторите, влияещи върху краткосрочното прогнозиране на търсенето, обикновено не траят дълго, като внезапни промени във времето [22]. Качеството на краткосрочното прогнозиране на търсенето е от решаващо значение за участниците на пазара на електроенергия [20]. От друга страна, влияещите фактори на средносрочното прогнозиране на търсенето често имат определена продължителност, като например сезонни промени във времето. И накрая, факторите, влияещи върху дългосрочното прогнозиране на търсенето, продължават дълго време, обикновено няколко прогнозни периода, например промени в брутния вътрешен продукт (БВП) [22]. Икономическите фактори наистина имат важно влияние върху дългосрочното прогнозиране на търсенето, но също и върху средносрочното и краткосрочното прогнозиране [25].

Авторите на [26] идентифицират следните категории за прогнозния хоризонт:

• Много краткосрочно (обикновено секунди или минути до няколко часа).

• Краткосрочно (обикновено часове до седмици).

• Средносрочни и дългосрочни (обикновено месеци до години).

Според тези автори, много краткосрочните модели за прогнозиране на търсенето обикновено се използват за контрол на потока. Моделите за краткосрочно прогнозиране на търсенето обикновено се използват за съпоставяне на търсенето и предлагането. И накрая, средносрочните и дългосрочните модели за прогнозиране на търсенето обикновено се използват за планиране на комунални услуги за активи.

Авторите в [27] показват, че кривата на натоварване на мрежовите станции е периодична, не само в дневната крива на натоварване, но и в седмичната, месечната, сезонната и годишната крива на натоварване. Тази периодичност позволява да се прогнозира натоварването доста ефективно.

Търсенето също отразява ежедневния начин на живот на потребителя [28]. Ежедневните модели на търсене на потребителите се основават на техните ежедневни дейности, включително работа, свободно време и часове за сън. Освен това има и други модели на вариации на търсенето във времето. Например по време на празници и почивни дни търсенето в индустриите и офисите е значително по-ниско, отколкото през делничните дни поради драстично намаляване на активността. И накрая, потреблението на енергия също варира циклично в зависимост от времето на годината, деня от седмицата и времето от деня [22].

3.2. Социално-икономически фактори

Социално-икономическите фактори, включително индустриалното развитие, БВП и цената на електроенергията, също значително влияят върху развитието на търсенето. Наистина, както беше споменато в предишния раздел, икономическите фактори влияят значително върху дългосрочните прогнози за търсенето и също така оказват важно влияние върху средносрочните и краткосрочните прогнози.

Например индустриалното развитие несъмнено ще увеличи потреблението на енергия. Същото ще важи и за нарастването на населението. Това означава, че има положителна връзка между индустриалното развитие, нарастването на населението и потреблението на енергия.

БВП е показател, който отразява икономическото производство на страната. Страните с по-висок БВП генерират по-голямо количество стоки и услуги и следователно ще имат по-висок стандарт на живот и навици на живот, което ще стимулира търсенето на енергия.

Друг икономически фактор, който трябва да имате предвид, е цената, тъй като тя също влияе върху търсенето. Например, когато цената на електроенергията намалява, разточителното потребление на електроенергия има тенденция да се увеличава [22].

Цената на електроенергията зависи от различни фактори и се формира по различни начини. Например в някои страни като Испания има два пазара (регулиран и свободен) за електроенергия. На свободния пазар цената на електроенергията се определя в договора, подписан от потребителя. За разлика от тях на регулирания пазар цената на електроенергията зависи от търсенето и предлагането. Цената се актуализира всеки час и се променя. От страна на търсенето, колкото повече електроенергия се търси, толкова по-скъпа е тя. Когато се търси по-малко електроенергия, толкова по-евтина е тя. Обикновено е евтино да се използва електричество на зазоряване и е скъпо да се прави, когато всички останали го използват (напр. по време на вечеря).

Но не само търсенето оказва влияние върху цените, но и предлагането на енергия. Причината е, че колебанията в цената на електроенергията на регулирания пазар се дължат на разлики в търсенето и предлагането. Следователно доставката трябва да вземе предвид различните начини за генериране на електроенергия, които имат различни разходи. Най-евтината е електроенергията, генерирана от възобновяеми енергийни източници като слънчева, вятърна и водноелектрическа. Цената на ядрената енергия също е ниска; въпреки това в много страни (напр. Испания) ядрената енергия не покрива всички енергийни нужди. Топлинна (въглища), когенерация или комбиниран цикъл - чието основно гориво е газ - обикновено са по-скъпи. Също така е важно да запомните, че основните източници на възобновяема енергия, като водноелектрическа или вятърна, зависят от неконтролируеми външни фактори. Например достатъчно количество валежи е от съществено значение за производството на водноелектрическа енергия. Няма обаче начин да контролираме времето, за да го направим благоприятно за производство на електрическа енергия. Като се има предвид горното, цената се определя от цената на комбинация от различни източници на електроенергия, от най-евтините до най-скъпите, докато не бъде задоволено цялото търсене на енергия.

Добавка Cistanche близо до мен-Подобряване на паметта

3.3. Метеорологични условия

Има различни метеорологични променливи, подходящи за прогнозиране на търсенето, като температура, влажност и скорост на вятъра.

Влиянието на метеорологичните условия върху прогнозирането на търсенето привлече интереса на много изследователи. Като пример, авторите в [29] предлагат различни модели за прогнозиране на агрегираното натоварване за следващия ден с помощта на изкуствени невронни мрежи (ANN), като се вземат предвид най-подходящите метеорологични променливи - по-специално средна температура, относителна влажност и съвкупна слънчева радиация - за анализирайте влиянието на времето.

Някои автори са изследвали връзката между температурата и потреблението на електричество и твърдят, че връзката между температурата и кривата на електрическото натоварване е положителна, особено през лятото (напр. [25]).

В момента горещите вълни са станали по-чести по света, както и възможността за екстремни температури. Освен това горещите вълни са не само по-чести, но и по-интензивни и по-продължителни. Освен това нощите стават все по-топли, което е допълнителен проблем. Основният ефект от горещата вълна е увеличаване на консумацията на енергия, тъй като потребителят включва климатика повече и за по-дълги периоди. Освен това охладителните системи трябва да работят по-усилено, тъй като трябва да се справят с по-високи температури.

През лятото горещите вълни принуждават мрежата да бъде с максимален капацитет. Един от начините, по които горещата вълна влияе на потреблението, е чрез повишеното насищане на електрическата мрежа. Докато на студените вълни се противодейства с електричество, газ, дърва и т.н., срещу горещите вълни може да се бори само с електричество. С други думи, устройствата, които потребителите използват за охлаждане, се захранват предимно с електричество. Поради тази причина горещите вълни генерират повече напрежение върху електропроводите, както и по-голямо потребление.

Трябва да се отбележи, че в по-студените страни увеличението на консумацията по време на гореща вълна обикновено е по-малко. Това е така, защото инсталирането на климатични системи не е толкова разпространено, колкото в по-топлите страни. Тези по-студени страни обаче са изправени пред горещи вълни, които не са се случвали в предишни години (преди изменението на климата) и това им причинява всякакви проблеми, тъй като са по-малко подготвени. Тази ситуация принуждава тези страни да направят промени, като увеличаване на използването на охладителни системи.

От друга страна, усещането за суровостта на температурата се увеличава с влажността, особено през дъждовния сезон и лятото. Поради тази причина консумацията на електроенергия се увеличава през влажните летни дни. Също така е важно да се отбележи, че в крайбрежните райони, като средиземноморската зона в Испания, потреблението на електроенергия обикновено е по-високо. Това е както поради факта, че къщите имат повече електрическо оборудване, отколкото в други райони, така и поради високата степен на влажност поради близостта на морето.

Скоростта на вятъра също влияе върху консумацията на електроенергия. Когато е ветровито, човешкото тяло усеща, че температурата е много по-ниска и е необходимо повече отопление, което увеличава консумацията на електроенергия. Все пак трябва да се отбележи, че вятърната енергия е една от основните възобновяеми енергии. С други думи, когато има вятър, консумацията на електроенергия се увеличава, но в същото време цената й намалява. Това е така, защото, както беше обяснено в предишния раздел, цената на електроенергията обикновено се определя като комбинация от различни енергийни източници, от най-евтините енергии (възобновяеми енергийни източници, включително вятърна и ядрена енергия) до най-скъпите източници на енергия (топлинни, комбинирани цикъл).

Температурата, влажността и вятърът оказват влияние върху използването на електроенергия. Влажността и температурата също са основните метеорологични променливи, използвани в системите за прогнозиране на търсенето на електроенергия за минимизиране на оперативните разходи. Въпреки това, други фактори, като облаци, също играят роля. Например, през деня, когато облаците пречат на слънчевата светлина, обикновено има спад на температурата и, следователно, по-висока консумация на електроенергия.

3.4. Клиентски фактори

Типът клиент (жилищен, търговски и промишлен), както и други потребителски фактори, свързани с потреблението на електроенергия (характеристики на електрическото оборудване на потребителя), също могат да повлияят на търсенето. Това е важно, тъй като повечето енергийни компании имат различни типове клиенти (битови, търговски и промишлени потребители), които имат оборудване, което варира по тип и размер. Тези различни видове клиенти имат различни криви на натоварване, въпреки че има някои прилики между търговските и индустриалните клиенти.

Таблица 2 обобщава основните детерминанти, влияещи върху търсенето на електроенергия, описани в този раздел.

Таблица 2. Основни променливи, влияещи върху търсенето на електроенергия.

4. Класификация на техниките за прогнозиране на търсенето

Този раздел класифицира моделите за прогнозиране на търсенето според три различни критерия: (1) период, (2) цел на прогнозиране и (3) вид на използвания модел.

Първата класификация се фокусира върху гледната точка на прогнозирания период, т.е. прогнозния хоризонт. За да изберете този критерий, бяха взети под внимание детерминантите на търсенето на електроенергия, представени в предишния раздел. Втората класификация се фокусира върху гледната точка на целта на прогнозирането, като прави разлика между техниките за прогнозиране, които произвеждат една стойност, и тези, които произвеждат множество стойности. И накрая, третата класификация се фокусира върху гледната точка на използвания модел.

4.1. Класификация на техниките за прогнозиране на търсенето според хоризонта на прогнозиране

Както беше обяснено в предишния раздел, основните прогнозни хоризонти, които могат да бъдат идентифицирани, са следните:

• Много краткосрочно: обикновено от секунди или минути до няколко часа.

• Краткосрочно: обикновено от часове до седмици.

• Средносрочен: обикновено от седмица до година.

• Дългосрочни: обикновено повече от година.

Основната разлика е обхватът на променливите, използвани във всеки случай. Моделите за много краткосрочно прогнозиране използват скорошни входни данни (обикновено минути или часове), моделите за краткосрочно прогнозиране използват входни данни обикновено в диапазона от дни, а моделите за средносрочно и дългосрочно прогнозиране използват входни данни обикновено в диапазона от седмици или дори месеци.

Енергийните компании са особено заинтересовани от изготвянето на точни прогнози за профила на натоварване (напр. [9,30,31]). Това е така, защото може пряко да повлияе на оптималното планиране на блоковете за производство на електроенергия. Въпреки това, поради нелинейното и стохастично поведение на потребителите, профилът на натоварване е сложен и въпреки че са направени изследвания в тази област, все още са необходими точни модели за прогнозиране [32].

4.2. Класификация на техниките за прогнозиране на търсенето по цел на прогнозиране

Моделите за прогнозиране могат също да бъдат класифицирани според броя на стойностите, които трябва да бъдат прогнозирани. В този случай могат да се разгледат две основни категории.

Първата категория се отнася до техники за прогнозиране, които произвеждат само една стойност (напр. общото натоварване за следващия ден, пиковото натоварване за следващия ден, натоварването за следващия час и т.н.). Примери са намерени в [33,34].

Втората категория се отнася до техники за прогнозиране, които произвеждат множество стойности, напр. пиково натоварване за следващия час плюс друг параметър (напр. съвкупно натоварване) или профил на натоварване. Примери са намерени в [35–37].

Най-общо казано, прогнозите с една стойност са полезни за оптимизиране на производителността на помощните товари. От друга страна, прогнозите с множество стойности се използват главно за планиране на производството на енергия [9].

4.3. Класификация на техниките за прогнозиране на търсенето според използвания модел

Моделът, който ще се използва, обикновено се решава от практикуващия. По отношение на моделите основните групи са линейни и нелинейни подходи.

Линейните модели включват спектрално разлагане (SD), частично най-малко квадратно (PLS), автоматично регресивно интегрирано подвижно средно (ARIMA), автоматично регресивно условно хетероскедастичност (ARCH), автоматично регресивно (AR), автоматично регресивно и подвижно средно (ARMA) ), модел на подвижна средна (MAM), линейна регресия (LR) и пространство на състояния (SS).

Линейните техники прогресивно губят значение и интерес в полза на нелинейни техники, базирани на ANN. Моделите за дълбоко обучение използват ANN, вдъхновени от човешката нервна система. Тези модели могат да научат модели от генерираните данни и да прогнозират пиково търсене в контекста на днешните сложни интелигентни сценарии, където непрекъснато се генерира голямо количество данни от различни източници [7].

Таблица 3 обобщава критериите, които обикновено се използват за класифициране на моделите за прогнозиране на търсенето.

Таблица 3. Основни критерии, често използвани за класифициране на моделите за прогнозиране на търсенето.

5. Основи и концепции за машинно обучение и системи за задълбочено обучение

Изкуственият интелект е сложна концепция, която накратко се отнася до машинния интелект [38]. За разлика от хората, изкуственият интелект може да идентифицира модели в голямо количество данни, използвайки доста ограничено време и ресурси. Освен това, изчислителният капацитет на машините не намалява с времето и/или умората [39].

Системите с изкуствен интелект използват различни видове методи за обучение, като машинно обучение и дълбоко обучение.

5.1. Машинно обучение

Алгоритмите за машинно обучение са предварително обучени да произведат резултат, когато се сблъскат с невиждан досега набор от данни или ситуация [40]. Компютърът обаче се нуждае от повече примери, за да научи, отколкото хората [41]. Машинното обучение позволява въвеждането на интелигентно вземане на решения в много области и приложения, където разработването на алгоритми би било сложно и са необходими отлични резултати [42].

Има различни категории алгоритми за машинно обучение, включително контролирано, полуконтролирано, неконтролирано и обучение с подсилване. Тези различни категории алгоритми са описани накратко по-долу.

5.1.1. Контролирано обучение

След като бъдат обучени с набор от етикетирани примери за данни, тези алгоритми могат да предвидят стойности на етикети, когато входът има немаркирани данни. Проблемите, които обикновено се свързват с този тип обучение, са (1) регресия и (2) класификация [43].

При регресията алгоритъмът се фокусира върху разбирането на връзката между зависимите и независимите променливи. При класификацията алгоритъмът се използва за прогнозиране на етикета на класа на данните. Често срещаните проблеми с класификацията включват (1) двоична класификация между два етикета на клас; (2) многокласова класификация, между повече от два етикета на класа; и (3) класификация с множество етикети, където една част от данните е свързана с няколко класа или етикета, за разлика от традиционните проблеми с класификацията с взаимно изключващи се етикети на клас [44].

Методите, използвани за контролирано обучение, включват линеен дискриминантен анализ (LDA), Naive Bayes (NB), K-най-близки съседи (KNN), поддържаща векторна машина (SVM), дърво на решенията (DT), произволна гора (RF), адаптивно усилване (AdaBoost) ), екстремно усилване на градиента (XGBoost), стохастичен градиент на спускане (SGD), базирана на правила класификация (за класификация); и LR, нелинейна регресия (NLR) и обикновена регресия на най-малките квадрати (OLS) (за регресия) [44,45]. Най-широко цитираните и прилагани контролирани обучаеми в литературата са алгоритмите DT, NB и SVM [46].

Някои интересни практически приложения са класификация на текст, прогнозиране на настроението на текст (като туит или друга социална медия), оценка на екологичната устойчивост на продуктите за облекло [47], характеризиране, прогнозиране и лечение на психични разстройства [48] и оценка пиково търсене на енергия.

5.1.2. Учене без надзор

Този тип обучение използва немаркирани данни. В този случай системата изследва немаркираните данни, за да намери скрити структури, вместо да предсказва правилния изход. Този тип обучение не е пряко приложимо към проблеми с регресия или класификация, тъй като възможните стойности на изхода са неизвестни [49]. Вместо това често се използва за (1) групиране, (2) асоцииране и (3) намаляване на размерността [43].

Групирането позволява немаркираните данни да бъдат групирани въз основа на техните прилики или разлики [49,50]. Асоциацията използва различни правила за идентифициране на нови и подходящи прозрения между обектите на набор. И накрая, намаляването на размерите позволява намаляване на броя на характеристиките (или измеренията) на набор от данни, за да се елиминират неподходящи или по-малко важни характеристики и по този начин да се намали сложността на модела [44]. Това намаляване на броя на функциите може да бъде направено чрез запазване на подмножество от оригиналните функции (избор на функции) или чрез създаване на напълно нови функции (извличане на функции).

Най-популярният алгоритъм за клъстериране вероятно е клъстерирането с K-средства, където стойността k представлява размера на клъстера [44,45,51]. Алгоритмите за асоцииране включват алгоритми Apriori, Equivalence Class Transformation (ECLAT) и Frequent Pattern (FP). И накрая, намаляването на размерността обикновено използва теста Хи-квадрат, теста за анализ на дисперсията (ANOVA), коефициента на корелация на Pearson, елиминирането на рекурсивни характеристики (RFE) за избор на характеристики и Анализ на основните компоненти (PCA) за извличане на характеристики.

Според [46] най-често използваните неконтролирани обучаеми са K-средни стойности, йерархично групиране и PCA.

Тези обучаеми без надзор могат да имат много практически приложения, като разпознаване на лица, класификация на клиенти, класификация на пациенти, откриване на кибератаки или прониквания [52] и анализ на данни в астрономическата област [53].

5.1.3. Полуконтролирано обучение

Концептуално разположен между контролирано и неконтролирано обучение, този тип обучение позволява да се възползват от големите немаркирани набори от данни, които са налични в някои случаи, комбинирани с (обикновено по-малки) количества етикетирани данни [54,55]. Това отваря интересни възможности, тъй като етикетираните данни често са оскъдни, докато немаркираните данни са по-чести и полуконтролиран обучаем може да получи по-добри прогнози от тези, произведени само с етикетирани данни [44].

Кандидат-приложенията са тези, при които има само малък набор от етикетирани примери и много повече немаркирани, или когато усилието за етикетиране е твърде голямо. Пример е медицинското изобразяване, където малко количество данни от обучението може да осигури голямо подобрение на точността [43,56].

Таблица 4 сравнява контролирано и неконтролирано обучение, като се фокусира върху вида на входните данни, използвани във всеки случай (маркирани спрямо немаркирани данни), и основните задачи, за които се използват и двата типа обучение (класификация, регресия срещу групиране, асоцииране и намаляване на размерността ).

Таблица 4. Учене под надзор срещу неконтролирано обучение.

5.1.4. Обучение с подсилване

Тази техника на обучение зависи от връзката между агент, извършващ дейност, и неговата среда, която осигурява положителна или отрицателна обратна връзка [57,58]. Агентът трябва да избере действия, които максимизират възнаграждението в тази среда. Популярните методи включват Монте Карло, Q-learning и Deep Q-learning [44].

Традиционно често срещаните приложения включват стратегически игри като шах, автономно шофиране, логистика и производство на веригата за доставки, генетични алгоритми [57], управление на 5G мобилността [59] и предоставяне на персонализирани грижи [60].

5.2. Дълбоко обучение

Машинното обучение може да се класифицира на плитко и дълбоко, като се има предвид сложността и структурата на алгоритъма [41]. Дълбокото обучение използва множество слоеве от неврони, съставени от сложни структури, за да моделира абстракции на данни на високо ниво [61]. Типът изход и характеристиките на данните определят алгоритъма, който да се използва за конкретен случай на употреба [62].

Deep Learning използва ANN, вдъхновени от човешката нервна система [63]. Този тип мрежа обикновено има два слоя съответно входни и изходни възли, свързани помежду си чрез един или повече слоя скрити възли. Възможните дълбоки ANN архитектури включват многослоен персептрон (MLP), повтарящи се невронни мрежи с дълга краткосрочна памет (LSTMRNN), генериращи състезателни мрежи (GAN) и конволюционни невронни мрежи (CNN или ConvNet).

Според нашия преглед на литературата най-широко използваните модели в енергийната област са конволюционните невронни мрежи (CNN), повтарящите се невронни мрежи (RNN), дълготрайната краткосрочна памет (LSTM), дълбоките Q-мрежи (DQN) и условно ограничените Болцманови мрежи Машина (CRBM) и вариация на която и да е от тях, комбинация от две или повече от тях или комбинация от която и да е от тях с други техники. Тези модели са описани накратко по-долу.

5.2.1. Конволюционни невронни мрежи

Тези мрежи са биологично вдъхновени мрежи, като обикновените невронни мрежи. Въпреки това, в този тип мрежа се приема, че входовете имат специфична структура като изображения [64]. Като един от най-широко използваните и ефективни модели за задълбочено обучение, тези мрежи обикновено включват два типа слоеве (т.е. слоеве за обединяване и конволюция). Типичната архитектура на CNN обикновено се състои от входен слой, конволюционен слой, максимален обединяващ слой и крайния напълно свързан слой, както е показано на Фигура 1 [65].

Фигура 1. Стандартна конволюционна невронна мрежова архитектура [65]

Различни архитектурни проекти изследват ефекта от многостепенните трансформации върху способността за учене на такива мрежи. Един от тези възможни архитектурни проекти е пирамидата. Пирамидалната архитектура на конволюционните невронни мрежи е известна като Pyramid-CNN [66].

5.2.2. Повтарящи се невронни мрежи

В този тип мрежа връзките между възлите образуват насочена или ненасочена графика по времева последователност. Фигура 2 показва типична RNN структура [65].

Фигура 2. Рамката на повтаряща се невронна мрежа: входен слой (Xt); изходен слой (Ot); скрит слой (St); параметрични матрици и вектори (U, V, W); функция на активиране на изходния слой (σy); и функция на активиране на скрития слой (σh ) [65].

Тази мрежа може да използва стробиращ механизъм, наречен Gated Recurrent Units (GRUs) и въведен през 2014 г. от авторите [67]. GRU са като LSTM мрежите, но със забравящ гейт и по-малко параметри, тъй като им липсва изходен гейт.

Друга разновидност на този тип мрежа, предложена от Elman [68], е Elman RNN, която включва модифицируеми препращащи връзки и фиксирани повтарящи се връзки. Той използва набор от контекстни възли за съхраняване на вътрешни състояния, което му дава определени уникални динамични характеристики спрямо статичните [69].

5.2.3. Дълга краткосрочна памет

Тези мрежи са специален вид RNN. За разлика от стандартните предварителни невронни мрежи, тези мрежи имат връзки за обратна връзка и дори могат да обработват цели поредици от данни (като реч или видео), в допълнение към отделни точки от данни (като изображения). Този тип RNN съдържа входен слой, повтарящ се скрит слой и изходен слой със структура на блок памет, както е показано на Фигура 3 [70].

Фигура 3. LSTM блок памет [70].

Блокът памет LSTM може да бъде описан съгласно следните уравнения [70]:

където tx е входът на модела в момент t; Wi, Wf, Wc, W{{0}}, Ui, Uf, Uc, U0, V0 са тегловни матрици; bi, bf, bc, b0 са вектори на отклонение; it, ft, 0t са съответно активациите на трите порти в момент t; това е състоянието на клетката с памет в момент t; ht е изходът на блока памет в момент t; представлява скаларното произведение на два вектора; σ(x) е функцията на активиране на затвора; g(x) е функцията за активиране на входа на клетката; h(x) е функцията за активиране на изхода на клетката.

Възможно разширение на този модел е двупосочният LSTM (B-LSTM). Този тип LSTM мрежа има за цел да анализира последователности както отпред-назад, така и отзад-напред, т.е. информацията за последователността се събира в двете посоки назад и напред, за разлика от нормалния LSTM.

5.2.4. Deep Q Network и Dueling Deep-Q Network

Deep Q Networks (DQN) и Dueling Deep-Q Networks (DDQN) са вид ANN, използващ алгоритъма за дълбоко Q обучение, който е популярен в обучението с подсилване. В дуелна мрежа има два потока за отделна оценка на стойността на състоянието, както и предимствата на всяко действие. Основната цел на мрежата Deep-Q е да избере най-доброто действие в определено състояние. Като се има предвид, че π е политиката, следвана от агент в дадена среда, функцията Qπ може да се дефинира както следва [71]:

където s е състояние; а е действие; ri е потенциалната награда; ∈ [0, 1] е коефициент на отстъпка, който прави незабавната награда по-важна от бъдещите. Следователно целта на Q-обучението е да максимизира функцията на оптимизираната стойност Q* (s, a)=max πQ π(s, a). Фигура 4 показва схемата на типична DQN архитектура [71]. 5.2.5. Условно ограничена машина на Болцман Ограничената машина на Болцман (RBM) е стохастична RNN с два слоя, един с видими единици и един с двоични скрити единици. Този тип мрежа може да научи разпределение на вероятността върху своя набор от входове. RBM са вариант на архитектурата на Boltzmann Machines Deep Q-Network [71].

Фигура 4. Фигура 4 показва схемата на типична DQN архитектура [71].