Машинное обучение и глубокое обучение в энергетических системах: обзор
Machine Learning and Deep Learning in Energy Systems: A Review
2022-04-18
SCID: 54.1/nht22p56
Discuss with AI
Глубокое обучениеПрогнозирование энергопотребленияЭнергетические системыОбнаружение неисправностейМашинное обучение
Figures from the paper
Abstract (AI)
В условиях роста численности населения и жизненно важной потребности в энергии энергетические системы играют важную и определяющую роль во всех сферах общества. Для ускорения этого процесса и совершенствования методов реагирования на рост спроса на энергию применение моделей и алгоритмов на основе искусственного интеллекта стало распространённым и необходимым. В настоящем исследовании представлен всесторонний и подробный анализ методов и приложений машинного обучения (ML) и глубокого обучения (DL) — новейших и наиболее практичных моделей на основе искусственного интеллекта (AI), предназначенных для использования в энергетических системах. Следует отметить, что благодаря развитию алгоритмов глубокого обучения, которые, как правило, отличаются более высокой точностью и меньшей погрешностью, применение этих алгоритмов расширяет способность моделей решать сложные задачи в данной области. В статье рассматриваются алгоритмы глубокого обучения, обладающие высокой эффективностью при решении задач, но получившие меньше внимания в других исследованиях, включая рекуррентные нейронные сети (RNN), адаптивные нейро-нечёткие системы вывода (ANFIS), сети на радиально-базисных функциях (RBN), глубокие сетевые структуры убеждений (DBN), вейвлет-нейронные сети (WNN) и другие. В исследовании используется анализ знаний, извлечённых из научных баз данных, для оценки современного состояния и перспектив применения машинного и глубокого обучения в энергетических системах. Далее определяются критически важные направления и пробелы в исследованиях. Кроме того, рассматриваются наиболее распространённые и эффективные приложения, используемые в данной области; исследуются оптимизация, прогнозирование, обнаружение неисправностей и другие применения в энергетических системах. Также предпринята попытка охватить большинство алгоритмов и метрик их оценки, включая не только наиболее значимые алгоритмы, но и более новые, которым уделялось меньше внимания.
Key Findings
1
Алгоритмы глубокого обучения характеризуются как обычно более точные и обеспечивающие меньшую ошибку при решении сложных задач энергетических систем.
2
Рассмотрены ключевые применения в энергетических системах, включая оптимизацию, прогнозирование и обнаружение неисправностей, а также соответствующие метрики оценки.
3
Для оценки текущего состояния области и выявления критических исследовательских пробелов и перспективных направлений используется анализ научных баз данных.
4
В обзоре всесторонне рассматриваются методы машинного и глубокого обучения, применяемые к различным задачам и приложениям энергетических систем.
5
В обзоре анализируются сравнительно малоизученные алгоритмы, включая RNN, ANFIS, RBN, DBN и WNN, наряду с широко используемыми методами.
Research Object
энергетические системы
Research Subject
применение, эффективность и пробелы в исследованиях алгоритмов машинного и глубокого обучения для оптимизации, прогнозирования и обнаружения неисправностей в энергетических системах
Publication Details
Publication Date
2022-04-18
Journal
Publisher
ISSN
Cited by
393
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest