ข้อมูลเชิงลึกของการคาดการณ์อุปสงค์จากการเรียนรู้เชิงลึกในสมาร์ทกริด(1)

เชิงนามธรรม: สมาร์ทกริดสามารถคาดการณ์รูปแบบการบริโภคของลูกค้า เช่น ความต้องการพลังงานของพวกเขา และผลที่ตามมาคือสามารถส่งไฟฟ้าได้หลังจากคำนึงถึงความต้องการที่คาดไว้ เพื่อเผชิญกับความท้าทายในการคาดการณ์อุปสงค์ในปัจจุบัน ซึ่งข้อมูลที่สร้างขึ้นโดยสมาร์ทกริดมีจำนวนมหาศาล จึงจำเป็นต้องใช้เทคนิคที่ทันสมัยซึ่งขับเคลื่อนด้วยข้อมูล ในสถานการณ์นี้ โมเดล Deep Learning เป็นทางเลือกที่ดีในการเรียนรู้รูปแบบจากข้อมูลลูกค้า แล้วคาดการณ์ความต้องการสำหรับขอบเขตการพยากรณ์ที่แตกต่างกัน ในบรรดาเครือข่ายประสาทเทียมที่ใช้กันทั่วไป เครือข่ายหน่วยความจำระยะสั้นระยะยาวซึ่งอิงตามโครงข่ายประสาทเทียมแบบวนซ้ำกำลังมีบทบาทสำคัญ บทความนี้ให้ข้อมูลเชิงลึกเกี่ยวกับความสำคัญของปัญหาการคาดการณ์ความต้องการและปัจจัยที่เกี่ยวข้องอื่นๆ ในบริบทของสมาร์ทกริด และรวบรวมประสบการณ์บางอย่างของการใช้เทคนิค Deep Learning เพื่อวัตถุประสงค์ในการคาดการณ์ความต้องการ เพื่อให้มีระบบไฟฟ้าที่มีประสิทธิภาพ จำเป็นต้องมีความสมดุลระหว่างอุปสงค์และอุปทาน ดังนั้น ผู้มีส่วนได้ส่วนเสียในอุตสาหกรรมและนักวิจัยควรใช้ความพยายามเป็นพิเศษในการคาดการณ์โหลด โดยเฉพาะอย่างยิ่งในระยะสั้น ซึ่งมีความสำคัญอย่างยิ่งต่อการตอบสนองความต้องการ

คำหลัก: การพยากรณ์ความต้องการ; การคาดการณ์โหลด การตอบสนองความต้องการ ขอบฟ้าพยากรณ์; สมาร์ทกริด; สภาพแวดล้อมที่ชาญฉลาด การเรียนรู้เชิงลึก เครือข่ายหน่วยความจำระยะสั้นแบบยาว Convolutional Neural Networks;Cistanche Deserticola

โสมทะเลทราย

1. บทนำ

ไม่สามารถเก็บไฟฟ้าไว้ใช้ในอนาคตได้ง่ายๆ ไม่เหมือนสินค้าอื่นๆ เช่น น้ำมัน ซึ่งหมายความว่าจะต้องจ่ายไฟฟ้าให้กับผู้บริโภคทันทีหลังจากการผลิต การจ่ายไฟฟ้าให้กับผู้ใช้ขั้นสุดท้ายได้ดำเนินการโดยใช้โครงข่ายไฟฟ้าแบบดั้งเดิม (ดูคำจำกัดความในตารางที่ 1) ซึ่งช่วยให้สามารถส่งไฟฟ้าจากผู้ผลิตไปยังผู้บริโภคได้ เพื่อให้บรรลุเป้าหมายดังกล่าว เครือข่ายดังกล่าวจะเชื่อมต่อสถานีผลิตไฟฟ้าและสายส่งไฟฟ้าที่ส่งไฟฟ้าไปยังผู้ใช้รายสุดท้าย โครงข่ายไฟฟ้าแบบดั้งเดิมมีขนาดแตกต่างกันไป เมื่อกริดเหล่านี้เริ่มขยายตัว การควบคุมกริดกลายเป็นงานที่ซับซ้อนและยากมาก นอกจากนี้ การคาดการณ์ความต้องการ (ดูคำจำกัดความในตารางที่ 1) ยังไม่ได้รับการพิจารณาแบบดั้งเดิม

ในบริบทนี้ แนวคิดของสมาร์ทกริด (ดูคำจำกัดความในตารางที่ 1) เกิดขึ้นและเริ่มมีบทบาทสำคัญ แนวคิดนี้ได้รับการทบทวนอย่างถี่ถ้วนในวรรณกรรม (เช่น [1–4]) สมาร์ทกริดให้การสื่อสารแบบสองทางระหว่างผู้บริโภคและซัพพลายเออร์ สมาร์ทกริดเพิ่มฮาร์ดแวร์และซอฟต์แวร์ให้กับกริดไฟฟ้าแบบดั้งเดิมเพื่อให้มีความสามารถในการตอบสนองอัตโนมัติต่อเหตุการณ์ต่างๆ ที่อาจส่งผลกระทบต่อกริดไฟฟ้า วัตถุประสงค์สุดท้ายคือการบรรลุประสิทธิภาพการดำเนินงานรายวันที่เหมาะสมที่สุดสำหรับการจ่ายพลังงานไฟฟ้า ใน [4] ผู้เขียนให้คำจำกัดความของ "โครงข่ายไฟฟ้าอัจฉริยะ" ว่าเป็นรูปแบบใหม่ของโครงข่ายไฟฟ้าที่นำเสนอการรักษาตัวเอง การควบคุมแบบเพื่อนส่งไฟฟ้า ความมั่นคงด้านพลังงาน และความเชื่อถือได้ด้านพลังงานโดยใช้เทคโนโลยีดิจิทัล ใน [2] ผู้เขียนเน้นว่าแนวคิดของสมาร์ทกริดกำลังเปลี่ยนกริดไฟฟ้าแบบดั้งเดิมโดยใช้เทคโนโลยีขั้นสูงประเภทต่างๆ ตามที่ผู้เขียนเหล่านี้ แนวคิดนี้รวมองค์ประกอบทั้งหมดที่จำเป็นในการสร้าง แจกจ่าย และใช้พลังงานอย่างมีประสิทธิภาพและประสิทธิผล ใน [5] ผู้เขียนเน้นย้ำว่าแนวคิดสมาร์ทกริดเกิดขึ้นเพื่อทำให้โครงข่ายไฟฟ้าแบบดั้งเดิมมีประสิทธิภาพ ปลอดภัย เชื่อถือได้ และมีเสถียรภาพมากขึ้น และเพื่อให้สามารถตอบสนองความต้องการได้ (ดูคำจำกัดความในตารางที่ 1)

ตารางที่ 1. คำหลักสำคัญในการอ่านบทความนี้

กระบวนทัศน์สมาร์ทกริดช่วยให้ผู้บริโภคสามารถค้นหารูปแบบการใช้พลังงานของตนได้ ส่งผลให้ผู้บริโภคสามารถควบคุมการบริโภคและใช้พลังงานได้อย่างมีประสิทธิภาพมากขึ้น ในการดำเนินการตามแนวคิดสมาร์ทกริด การตอบสนองความต้องการทั้งสำหรับครัวเรือนและอุตสาหกรรมมีบทบาทสำคัญ เครื่องมือที่มีประโยชน์อีกอย่างคือการคาดการณ์โหลด (ดูคำจำกัดความในตารางที่ 1) ใน [6] ผู้เขียนได้ให้ความสำคัญกับแนวคิดนี้ในบริบทของสมาร์ทกริด เนื่องจากการคาดการณ์กระแสไฟฟ้าที่จำเป็นเพื่อตอบสนองความต้องการช่วยให้บริษัทพลังงานสามารถสร้างสมดุลระหว่างอุปสงค์และอุปทานได้ดีขึ้น บริษัทผลิตไฟฟ้ามีความสนใจเป็นพิเศษในการบรรลุผลการคาดการณ์ที่แม่นยำสำหรับ 24 ชั่วโมงข้างหน้า ซึ่งเรียกว่าโหลดโปรไฟล์ (ดูคำจำกัดความในตารางที่ 1)

นอกจากนี้ ในช่วงไม่กี่ปีที่ผ่านมา ความต้องการไฟฟ้าที่เพิ่มขึ้นในบางช่วงเวลาของวันได้สร้างปัญหาหลายประการ การคาดการณ์โหลดมีความสำคัญอย่างยิ่งในช่วงชั่วโมงเร่งด่วน การตอบสนองความต้องการกระตุ้นให้ลูกค้าลดการใช้พลังงานที่ไม่จำเป็นในช่วงเวลาเร่งด่วนเหล่านี้

ในการเผชิญกับความท้าทายในการคาดการณ์โหลด จำเป็นต้องใช้เทคนิคที่ขับเคลื่อนด้วยข้อมูลที่ทันสมัย การรวมตัวกันของเทคโนโลยีใหม่ เช่น Big Data, Machine Learning, Deep Learning และ Internet of Things (IoT) ได้ยกระดับแนวคิดสมาร์ทกริดไปอีกระดับหนึ่ง เนื่องจากเทคโนโลยีเหล่านี้ช่วยให้สามารถคาดการณ์อุปสงค์ได้ดีขึ้นและตอบสนองความต้องการโดยอัตโนมัติ .

บทความนี้ให้ข้อมูลเชิงลึกเกี่ยวกับความสำคัญของการพยากรณ์ความต้องการและปัจจัยที่เกี่ยวข้องที่สำคัญในบริบทของสมาร์ทกริด ตลอดจนความเป็นไปได้ของการใช้เทคนิคที่ขับเคลื่อนด้วยข้อมูลเพื่อจุดประสงค์นี้ โดยเฉพาะอย่างยิ่ง ผู้เขียนมุ่งเน้นไปที่เทคนิค Deep Learning เนื่องจากกลายเป็นตัวเลือกที่ดีสำหรับการใช้งานการคาดการณ์ความต้องการในบริบทของสมาร์ทกริด บทความนี้รวบรวมประสบการณ์การใช้เทคนิค Deep Learning ที่แตกต่างกันในโดเมนพลังงานเพื่อวัตถุประสงค์ในการพยากรณ์ ระบบไฟฟ้าไคลเอ็นต์จำลองต้องคำนึงถึงการตอบสนองความต้องการ นอกจากนี้ การคาดการณ์โหลดที่แม่นยำ โดยเฉพาะอย่างยิ่งในระยะสั้น เป็นสิ่งจำเป็น ซึ่งเป็นสาเหตุที่ผู้มีส่วนได้ส่วนเสียในอุตสาหกรรมและนักวิจัยต่างทุ่มเทความพยายามเป็นพิเศษ

การทดลอง Cistanche Deserticola

คลิกที่นี่เพื่อดูผลิตภัณฑ์ Cistanche

【สอบถามเพิ่มเติม】 อีเมล:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

ที่เหลือของบทความนี้มีการจัดระเบียบดังต่อไปนี้. ส่วนที่ 2 นำเสนอเหตุผลที่การคาดการณ์ความต้องการมีความสำคัญในบริบทของสมาร์ทกริด ส่วนที่ 3 อธิบายถึงปัจจัยที่สำคัญที่สุดในการคาดการณ์อุปสงค์ ส่วนที่ 4 นำเสนอการจำแนกประเภทต่างๆ ที่เป็นไปได้ของเทคนิคการพยากรณ์ความต้องการ ส่วนที่ 5 ให้พื้นฐานและแนวคิดที่เป็นประโยชน์ในการทำความเข้าใจโมเดล Deep Learning ที่ใช้กันทั่วไปในโดเมนพลังงาน ส่วนที่ 6 รวบรวมประสบการณ์ต่างๆ ของการใช้แบบจำลองเหล่านี้ในบริบทของสมาร์ทกริดเพื่อวัตถุประสงค์ในการพยากรณ์ ในที่สุด ส่วนที่ 7 สรุปข้อสรุปหลักของงานนี้

2. ความสำคัญของการพยากรณ์ความต้องการ

ใน [7] ผู้เขียนสรุปข้อกำหนดหลักของสมาร์ทกริดดังนี้: ยืดหยุ่นเพียงพอต่อความต้องการของผู้ใช้ สามารถจัดการเหตุการณ์ที่ไม่แน่นอน เข้าถึงได้สำหรับผู้ใช้ทุกคน เชื่อถือได้เพียงพอที่จะรับประกันการส่งพลังงานคุณภาพสูงไปยังผู้บริโภค และนวัตกรรมที่เพียงพอ เพื่อจัดการพลังงานอย่างมีประสิทธิภาพ

เมื่อคำนึงถึงข้อกำหนดเหล่านี้แล้ว สมาร์ทกริดควรมุ่งพัฒนาโซลูชันทางเทคนิคที่มีต้นทุนต่ำและง่ายต่อการปรับใช้ พร้อมด้วยระบบอัจฉริยะแบบกระจาย เพื่อให้ทำงานได้อย่างมีประสิทธิภาพในสถานการณ์ที่ซับซ้อนมากขึ้นในปัจจุบัน ในการอัพเกรดกริดไฟฟ้าแบบดั้งเดิมให้เป็นสมาร์ทกริด โครงสร้างพื้นฐานด้านการสื่อสารที่ชาญฉลาดและปลอดภัยเป็นสิ่งจำเป็น [4]

จากการศึกษาที่นำเสนอใน [8] การพยากรณ์สามารถนำไปใช้ในสองส่วนหลัก: การควบคุมกริดและการตอบสนองความต้องการ ใน [9] ผู้เขียนเน้นย้ำว่าแบบจำลองการคาดการณ์มีความสำคัญต่อการจัดหาพลังงานที่มีคุณภาพดีที่สุดด้วยต้นทุนที่ต่ำที่สุด นอกจากนี้ ข้อมูลตามเวลาจริงเกี่ยวกับรูปแบบการใช้พลังงานของผู้ใช้จะช่วยให้สามารถใช้แบบจำลองการคาดการณ์ที่ซับซ้อนและมีประสิทธิภาพมากขึ้นได้ การพยากรณ์ยังต้องคำนึงถึงความจำเป็นในการจัดการข้อมูลที่เปลี่ยนแปลงอยู่เสมอ ใน [10] ผู้เขียนเน้นว่าด้วยสมาร์ทกริด โปรแกรมตอบสนองความต้องการสามารถทำให้กริดประหยัดต้นทุนและยืดหยุ่นได้มากขึ้น

ผู้เขียนใน [11] สังเกตว่ามีความท้าทายที่สำคัญในการคาดการณ์อุปสงค์เนื่องจากความไม่แน่นอนในโปรไฟล์การสร้างของแหล่งผลิตพลังงานหมุนเวียนและแบบกระจาย มีการให้ความสนใจเพิ่มขึ้นในการโหลดแบบจำลองการคาดการณ์ โดยเฉพาะอย่างยิ่งการจัดการกับแหล่งพลังงานหมุนเวียน (รังสีดวงอาทิตย์ ลม ฯลฯ) [9]

cistanche ทำอะไร - ปรับปรุงหน่วยความจำ

กระบวนทัศน์การผลิตแบบกระจายอำนวยความสะดวกในการใช้แหล่งพลังงานหมุนเวียนที่สามารถวางไว้ใกล้กับจุดบริโภค เมื่อใช้กระบวนทัศน์นี้ สมาร์ทกริดจะมีโรงงานขนาดเล็กหลายแห่งที่จ่ายพลังงานให้กับสภาพแวดล้อม ดังนั้น การพึ่งพาการกระจายและตารางการส่งสัญญาณจึงน้อยลง [9] อย่างไรก็ตาม กระบวนทัศน์นี้ทำให้การควบคุมกริดมีความไม่แน่นอนมากขึ้น โดยเฉพาะอย่างยิ่งเมื่อแหล่งที่มาของการสร้างแบบกระจายสามารถหมุนเวียนได้ และเป็นผลให้มีลักษณะสุ่ม แม้จะมีความยากลำบากนี้ ส่วนแบ่งในการผลิตพลังงานของแหล่งพลังงานหมุนเวียนแบบผันแปรคาดว่าจะเพิ่มขึ้นในอีกไม่กี่ปีข้างหน้า [12]

องค์ประกอบสำคัญอีกอย่างคือไมโครกริด (ดูคำจำกัดความในตารางที่ 1) [13,14] จากแนวคิดนี้และคำนึงถึงระบบอัจฉริยะที่ใช้ในอาคาร แนวคิดใหม่ได้เกิดขึ้นรวมถึงบ้านอัจฉริยะ (ดูคำจำกัดความในตารางที่ 1) และอาคารอัจฉริยะ (ดูคำจำกัดความในตารางที่ 1) อาคารในปัจจุบันเป็นการผสมผสานที่ซับซ้อนของโครงสร้าง ระบบ และเทคโนโลยี เทคโนโลยีเป็นพันธมิตรที่ดีในการเพิ่มประสิทธิภาพทรัพยากรและปรับปรุงความปลอดภัย ความก้าวหน้าในเทคโนโลยีอาคารกำลังรวมเซ็นเซอร์เครือข่ายและการบันทึกข้อมูลในรูปแบบที่เป็นนวัตกรรมใหม่ [15] สิ่งอำนวยความสะดวกสมัยใหม่สามารถปรับความร้อน ความเย็น และแสงสว่างเพื่อเพิ่มประสิทธิภาพการใช้พลังงานสูงสุด พร้อมทั้งจัดทำรายงานโดยละเอียดเกี่ยวกับการใช้พลังงาน ในสภาพแวดล้อมอัจฉริยะใหม่เหล่านี้ (ดูคำจำกัดความในตารางที่ 1) เซ็นเซอร์และอุปกรณ์อัจฉริยะจะถูกปรับใช้เพื่อรับข้อมูลที่เพียงพอเกี่ยวกับรูปแบบการใช้พลังงานของผู้ใช้ เป็นอีกครั้งที่สิ่งนี้ต้องการแบบจำลองการคาดการณ์ที่ต้องนำไปใช้กับตัวแปรเฉพาะของสถานการณ์ที่จะควบคุม

แบบจำลองการพยากรณ์จะช่วยให้สามารถพิจารณาตัวแปร (ภูมิอากาศ สังคม เศรษฐกิจ พฤติกรรมที่เกี่ยวข้อง ฯลฯ) ที่สามารถมีอิทธิพลต่อความแม่นยำของการพยากรณ์ [9] ผู้เขียนเหล่านี้ตั้งข้อสังเกตว่าการประมาณการความต้องการพลังงานในสถานการณ์ที่แยกส่วน เช่น ผู้ใช้ที่อยู่อาศัยในอาคารอัจฉริยะ มีความซับซ้อนมากกว่าการประมาณความต้องการพลังงานสำหรับสถานการณ์โดยรวม เช่น ประเทศ การแยกอุปสงค์ยังช่วยอำนวยความสะดวกในการดำเนินการตอบสนองอุปสงค์ เนื่องจากสามารถเสนอราคาที่แตกต่างกันตามเกณฑ์ที่กำหนดโดยบริษัทผลิตไฟฟ้า

การบูรณาการอย่างค่อยเป็นค่อยไปของข่าวกรองที่ระดับการส่ง การจำหน่าย และผู้ใช้ปลายทางของระบบไฟฟ้ามีเป้าหมายเพื่อเพิ่มประสิทธิภาพการผลิตและการจ่ายพลังงานเพื่อปรับการจัดหาของผู้ผลิตให้สอดคล้องกับความต้องการของผู้บริโภค นอกจากนี้ สมาร์ทกริดพยายามปรับปรุงอัลกอริธึมการตรวจจับข้อบกพร่อง [16] การคาดการณ์อุปสงค์ที่แม่นยำมีประโยชน์มากสำหรับผู้จัดหาพลังงานและผู้มีส่วนได้ส่วนเสียอื่น ๆ ในตลาดพลังงาน [17] การคาดการณ์โหลดเป็นหนึ่งในปัญหาหลักที่อุตสาหกรรมพลังงานต้องเผชิญนับตั้งแต่มีการเปิดตัวพลังงานไฟฟ้า [18]

3. ปัจจัยสำคัญในการพยากรณ์ความต้องการ

ความต้องการไฟฟ้าได้รับผลกระทบจากตัวแปรหรือตัวกำหนดที่แตกต่างกัน ตัวแปรเหล่านี้รวมถึงขอบเขตการคาดการณ์ ระดับการรวมโหลด สภาพอากาศ (ความชื้น อุณหภูมิ ความเร็วลม และความขุ่นมัว) ปัจจัยทางเศรษฐกิจและสังคม (การพัฒนาอุตสาหกรรม การเติบโตของประชากร ค่าไฟฟ้า ฯลฯ) ประเภทลูกค้า (ที่อยู่อาศัย เชิงพาณิชย์และอุตสาหกรรม) และปัจจัยด้านลูกค้าเกี่ยวกับการใช้ไฟฟ้า (คุณลักษณะของอุปกรณ์ไฟฟ้าของผู้ใช้) (เช่น [19–23])

เพื่อให้เข้าใจเทคนิคและวัตถุประสงค์ในการคาดการณ์อุปสงค์อย่างถ่องแท้ จำเป็นต้องตรวจสอบปัจจัยเหล่านี้ ในหัวข้อนี้ ผู้เขียนจะเน้นไปที่ (1) ช่วงเวลา (2) ประเด็นทางเศรษฐกิจ (3) สภาพอากาศ และ (4) ปัจจัยที่เกี่ยวข้องกับลูกค้า

ประโยชน์ของ cistanche tubulosa-ปรับปรุงหน่วยความจำ

3.1. ช่วงเวลาหรือการพยากรณ์ขอบฟ้า

ช่วงเวลาที่เรียกกันทั่วไปว่าขอบฟ้าคาดการณ์อาจเป็นหนึ่งในปัจจัยที่มีผลกระทบมากที่สุด

ตามผู้เขียนที่แตกต่างกัน (เช่น [17,24]) การพยากรณ์ความต้องการสามารถแบ่งออกเป็นสามประเภทที่เกี่ยวข้องกับขอบเขตการพยากรณ์:

• ระยะสั้น (โดยทั่วไปคือหนึ่งชั่วโมงถึงหนึ่งสัปดาห์)

• ระยะกลาง (โดยทั่วไปคือหนึ่งสัปดาห์ถึงหนึ่งปี)

• ระยะยาว (โดยทั่วไปมากกว่าหนึ่งปี)

ปัจจัยที่ส่งผลต่อการพยากรณ์อุปสงค์ในระยะสั้นมักเกิดขึ้นไม่นาน เช่น การเปลี่ยนแปลงอย่างกะทันหันของสภาพอากาศ [22] คุณภาพของการคาดการณ์ความต้องการในระยะสั้นเป็นสิ่งสำคัญสำหรับผู้เล่นในตลาดไฟฟ้า [20] ในทางกลับกัน ปัจจัยที่มีอิทธิพลของการพยากรณ์อุปสงค์ระยะกลางมักมีระยะเวลาที่แน่นอน เช่น การเปลี่ยนแปลงของสภาพอากาศตามฤดูกาล ประการสุดท้าย ปัจจัยที่มีอิทธิพลต่อการคาดการณ์อุปสงค์ในระยะยาวจะกินเวลานาน โดยปกติจะเป็นช่วงคาดการณ์หลายช่วง เช่น การเปลี่ยนแปลงของผลิตภัณฑ์มวลรวมภายในประเทศ (GDP) [22] แท้จริงแล้ว ปัจจัยทางเศรษฐกิจมีผลกระทบที่สำคัญต่อการพยากรณ์อุปสงค์ในระยะยาว แต่ยังรวมถึงการพยากรณ์ระยะกลางและระยะสั้นด้วย [25]

ผู้เขียน [26] ระบุหมวดหมู่ต่อไปนี้เกี่ยวกับขอบเขตการพยากรณ์:

• ระยะสั้นมาก (โดยทั่วไปคือวินาทีหรือนาทีถึงหลายชั่วโมง)

• ระยะสั้น (โดยปกติจะเป็นชั่วโมงถึงสัปดาห์)

• ระยะกลางและระยะยาว (โดยปกติจะเป็นเดือนถึงปี)

ตามที่ผู้เขียนเหล่านี้ แบบจำลองการคาดการณ์ความต้องการในระยะสั้นมักจะใช้เพื่อควบคุมโฟลว์ แบบจำลองการคาดการณ์อุปสงค์ระยะสั้นมักใช้เพื่อจับคู่อุปสงค์และอุปทาน และสุดท้าย แบบจำลองการคาดการณ์อุปสงค์ระยะกลางและระยะยาวมักจะใช้ในการวางแผนสาธารณูปโภคของสินทรัพย์

ผู้เขียนใน [27] แสดงให้เห็นว่าเส้นโค้งการบรรทุกของสถานีกริดเป็นระยะ ไม่เพียงแต่ในเส้นโค้งการบรรทุกรายวันเท่านั้น แต่ยังอยู่ในเส้นโค้งการบรรทุกรายสัปดาห์ รายเดือน ตามฤดูกาล และรายปีด้วย ช่วงเวลานี้ทำให้สามารถคาดการณ์โหลดได้อย่างมีประสิทธิภาพ

อุปสงค์ยังสะท้อนถึงวิถีชีวิตประจำวันของผู้บริโภคด้วย [28] รูปแบบความต้องการในแต่ละวันของผู้บริโภคขึ้นอยู่กับกิจกรรมประจำวันของพวกเขา รวมถึงการทำงาน การพักผ่อน และชั่วโมงการนอนหลับ นอกจากนี้ ยังมีรูปแบบความต้องการอื่นๆ ที่ผันแปรไปตามกาลเวลาอีกด้วย ตัวอย่างเช่น ในช่วงวันหยุดและวันหยุดสุดสัปดาห์ ความต้องการในภาคอุตสาหกรรมและสำนักงานจะต่ำกว่าช่วงวันธรรมดาอย่างมาก เนื่องจากกิจกรรมที่ลดลงอย่างมาก ประการสุดท้าย ความต้องการพลังงานยังแปรผันตามวัฏจักรขึ้นอยู่กับช่วงเวลาของปี วันในสัปดาห์ และช่วงเวลาของวัน [22]

3.2. ปัจจัยทางเศรษฐกิจและสังคม

ปัจจัยทางเศรษฐกิจและสังคม ได้แก่ การพัฒนาอุตสาหกรรม GDP และค่าไฟฟ้า ส่งผลต่อวิวัฒนาการของอุปสงค์อย่างมีนัยสำคัญ ตามที่กล่าวไว้ในส่วนก่อนหน้า ปัจจัยทางเศรษฐกิจมีผลอย่างมากต่อการคาดการณ์อุปสงค์ในระยะยาว และยังมีผลกระทบที่สำคัญต่อการคาดการณ์ระยะกลางและระยะสั้น

ตัวอย่างเช่น การพัฒนาอุตสาหกรรมจะเพิ่มการใช้พลังงานอย่างไม่ต้องสงสัย เช่นเดียวกับการเติบโตของประชากร ซึ่งหมายความว่ามีความสัมพันธ์เชิงบวกระหว่างการพัฒนาอุตสาหกรรม การเติบโตของประชากร และการใช้พลังงาน

GDP เป็นตัวบ่งชี้ที่รวบรวมผลผลิตทางเศรษฐกิจของประเทศ ประเทศที่มี GDP สูงกว่าจะสร้างสินค้าและบริการในปริมาณที่มากขึ้น และส่งผลให้มีมาตรฐานการครองชีพและพฤติกรรมการใช้ชีวิตที่สูงขึ้น ซึ่งจะกระตุ้นความต้องการพลังงาน

ปัจจัยทางเศรษฐกิจอีกประการหนึ่งที่ต้องพิจารณาคือต้นทุน เนื่องจากมีผลต่ออุปสงค์ด้วย ตัวอย่างเช่น เมื่อราคาไฟฟ้าลดลง ปริมาณการใช้ไฟฟ้าที่สิ้นเปลืองมีแนวโน้มที่จะเพิ่มขึ้น [22]

ค่าไฟฟ้าขึ้นอยู่กับปัจจัยต่างๆ และมีรูปร่างที่แตกต่างกัน ตัวอย่างเช่น ในบางประเทศ เช่น สเปน มีตลาดไฟฟ้าสองแห่ง (ควบคุมและฟรี) สำหรับไฟฟ้า ในตลาดเสรี ค่าไฟฟ้าถูกกำหนดไว้ในสัญญาที่ลงนามโดยผู้บริโภค ในทางตรงกันข้าม ในตลาดที่มีการควบคุม ราคาไฟฟ้าขึ้นอยู่กับอุปสงค์และอุปทาน ราคาอัพเดททุกชั่วโมงและผันผวน ในด้านอุปสงค์ ยิ่งต้องการไฟฟ้ามาก ก็ยิ่งแพงขึ้น เมื่อมีความต้องการใช้ไฟฟ้าน้อยลง ราคาก็ถูกลง โดยปกติแล้ว การมีไฟฟ้าใช้ในตอนเช้านั้นถูกและแพงหากใช้ในเวลาที่คนอื่นใช้ (เช่น เวลาอาหารเย็น)

แต่ไม่เพียงอุปสงค์เท่านั้นที่มีอิทธิพลต่อราคา แต่ยังรวมถึงการจัดหาพลังงานด้วย เหตุผลคือความผันแปรของราคาไฟฟ้าในตลาดที่มีการควบคุมนั้นเกิดจากความแตกต่างระหว่างอุปสงค์และอุปทาน อุปทานจึงต้องพิจารณาวิธีการผลิตไฟฟ้าซึ่งมีต้นทุนต่างกัน ไฟฟ้าที่ถูกที่สุดคือการผลิตไฟฟ้าจากพลังงานหมุนเวียน เช่น แสงอาทิตย์ ลม และพลังน้ำ ราคาพลังงานนิวเคลียร์ก็ต่ำเช่นกัน อย่างไรก็ตาม ในหลายประเทศ (เช่น สเปน) พลังงานนิวเคลียร์ไม่ครอบคลุมความต้องการด้านพลังงานทั้งหมด ความร้อน (ถ่านหิน) โคเจเนอเรชั่น หรือวงจรรวม ซึ่งมีเชื้อเพลิงหลักคือก๊าซ มีแนวโน้มที่จะมีราคาแพงกว่า สิ่งสำคัญคือต้องจำไว้ว่าแหล่งพลังงานหมุนเวียนหลัก เช่น ไฟฟ้าพลังน้ำหรือลม ขึ้นอยู่กับปัจจัยภายนอกที่ไม่สามารถควบคุมได้ ตัวอย่างเช่น ปริมาณน้ำฝนที่เพียงพอเป็นสิ่งจำเป็นสำหรับการผลิตไฟฟ้าพลังน้ำ อย่างไรก็ตาม ไม่มีวิธีใดที่จะควบคุมสภาพอากาศให้เอื้ออำนวยต่อการผลิตพลังงานไฟฟ้าได้ จากราคาข้างต้น ราคาจะถูกกำหนดโดยราคาของแหล่งผลิตไฟฟ้าที่แตกต่างกัน ตั้งแต่ราคาถูกที่สุดไปจนถึงแพงที่สุด จนกว่าจะตอบสนองความต้องการพลังงานทั้งหมด

Cistanche อาหารเสริมใกล้ฉัน-ปรับปรุงหน่วยความจำ

3.3. สภาวะอากาศ

มีตัวแปรสภาพอากาศที่แตกต่างกันที่เกี่ยวข้องกับการพยากรณ์ความต้องการ เช่น อุณหภูมิ ความชื้น และความเร็วลม

อิทธิพลของสภาพอากาศต่อการพยากรณ์ความต้องการได้ดึงดูดความสนใจของนักวิจัยจำนวนมาก ตัวอย่างเช่น ผู้เขียนใน [29] ได้เสนอแบบจำลองต่างๆ เพื่อพยากรณ์ภาระรวมของวันถัดไปโดยใช้โครงข่ายประสาทเทียม (ANNs) โดยพิจารณาจากตัวแปรสภาพอากาศที่เกี่ยวข้องมากที่สุด โดยเฉพาะอุณหภูมิเฉลี่ย ความชื้นสัมพัทธ์ และการแผ่รังสีของดวงอาทิตย์โดยรวม วิเคราะห์อิทธิพลของสภาพอากาศ

ผู้เขียนบางคนได้ศึกษาความสัมพันธ์ระหว่างอุณหภูมิและปริมาณการใช้ไฟฟ้า และอ้างว่าความสัมพันธ์ระหว่างอุณหภูมิและเส้นโค้งภาระไฟฟ้าเป็นบวก โดยเฉพาะอย่างยิ่งในฤดูร้อน (เช่น [25])

ปัจจุบัน คลื่นความร้อนกลายเป็นเรื่องปกติมากขึ้นทั่วโลก รวมถึงความเป็นไปได้ที่จะเกิดอุณหภูมิสูงขึ้น นอกจากนี้ คลื่นความร้อนไม่เพียงถี่ขึ้น แต่ยังรุนแรงขึ้นและยาวนานขึ้นด้วย ยิ่งไปกว่านั้น ตอนกลางคืนอากาศอุ่นขึ้นซึ่งเป็นปัญหาเพิ่มเติม ผลกระทบหลักของคลื่นความร้อนคือการใช้พลังงานที่เพิ่มขึ้นเนื่องจากผู้บริโภคเปิดเครื่องปรับอากาศมากขึ้นและเป็นเวลานานขึ้น นอกจากนี้ ระบบทำความเย็นต้องทำงานหนักขึ้นเนื่องจากต้องรับมือกับอุณหภูมิที่สูงขึ้น

ในช่วงฤดูร้อน คลื่นความร้อนจะบังคับให้ตะแกรงมีความจุสูงสุด หนึ่งในวิธีที่คลื่นความร้อนส่งผลต่อการบริโภคคือการเพิ่มความอิ่มตัวของตารางไฟฟ้า ในขณะที่คลื่นความเย็นตอบโต้ด้วยไฟฟ้า ก๊าซ ไม้ ฯลฯ คลื่นความร้อนสามารถต่อสู้กับไฟฟ้าได้เท่านั้น กล่าวอีกนัยหนึ่งอุปกรณ์ที่ผู้บริโภคใช้ในการทำความเย็นนั้นใช้พลังงานไฟฟ้าเป็นหลัก ด้วยเหตุนี้ คลื่นความร้อนจึงสร้างความเครียดให้กับสายไฟฟ้ามากขึ้น รวมทั้งสิ้นเปลืองพลังงานมากขึ้นด้วย

ควรสังเกตว่าในประเทศที่หนาวกว่า การบริโภคที่เพิ่มขึ้นในช่วงคลื่นความร้อนมักจะต่ำกว่า ทั้งนี้เนื่องจากการติดตั้งระบบปรับอากาศไม่ทั่วถึงเหมือนในประเทศที่มีอากาศร้อน อย่างไรก็ตาม ประเทศที่หนาวเย็นกว่าเหล่านี้กำลังเผชิญกับคลื่นความร้อนที่ไม่เคยเกิดขึ้นในปีก่อนๆ (ก่อนการเปลี่ยนแปลงของสภาพอากาศ) และสิ่งนี้ทำให้เกิดปัญหาทุกประเภท เนื่องจากประเทศเหล่านี้ไม่ได้เตรียมตัวให้พร้อม สถานการณ์นี้บังคับให้ประเทศเหล่านี้ต้องเปลี่ยนแปลง เช่น เพิ่มการใช้ระบบระบายความร้อน

ในอีกด้านหนึ่ง ประสบการณ์ความรุนแรงของอุณหภูมิจะเพิ่มขึ้นตามความชื้น โดยเฉพาะในช่วงฤดูฝนและฤดูร้อน ด้วยเหตุนี้ปริมาณการใช้ไฟฟ้าจึงเพิ่มขึ้นในช่วงฤดูร้อนที่อากาศชื้น สิ่งสำคัญคือต้องสังเกตว่าในพื้นที่ชายฝั่งทะเล เช่น พื้นที่เมดิเตอร์เรเนียนในสเปน ปริมาณการใช้ไฟฟ้ามีแนวโน้มสูงขึ้น นี่เป็นทั้งเพราะบ้านมักจะมีอุปกรณ์ไฟฟ้ามากกว่าพื้นที่อื่น และเนื่องจากระดับความชื้นสูงเนื่องจากอยู่ใกล้ทะเล

ความเร็วลมก็ส่งผลต่อการใช้ไฟฟ้าเช่นกัน เมื่อมีลมแรง ร่างกายมนุษย์รู้สึกว่าอุณหภูมิลดต่ำลงมากและต้องการความร้อนมากขึ้น ซึ่งจะเพิ่มการใช้ไฟฟ้า อย่างไรก็ตาม ควรสังเกตว่าพลังงานลมเป็นหนึ่งในพลังงานหมุนเวียนหลัก กล่าวอีกนัยหนึ่ง เมื่อมีลม ปริมาณการใช้ไฟฟ้าจะเพิ่มขึ้น แต่ในขณะเดียวกันราคาก็ลดลง ทั้งนี้เนื่องจากตามที่ได้อธิบายไว้ในส่วนที่แล้ว ราคาไฟฟ้ามักจะถูกกำหนดเป็นส่วนผสมของแหล่งพลังงานต่างๆ ตั้งแต่พลังงานที่ถูกที่สุด (พลังงานหมุนเวียน รวมถึงลม และนิวเคลียร์) ไปจนถึงแหล่งผลิตที่แพงที่สุด (ความร้อน พลังงานรวม รอบ).

อุณหภูมิ ความชื้น และลม มีผลต่อการใช้ไฟฟ้า ความชื้นและอุณหภูมิยังเป็นตัวแปรสภาพอากาศหลักที่ใช้ในระบบคาดการณ์ความต้องการใช้ไฟฟ้าเพื่อลดต้นทุนการดำเนินงาน อย่างไรก็ตาม ปัจจัยอื่นๆ เช่น เมฆ ก็มีบทบาทเช่นกัน ตัวอย่างเช่น ในระหว่างวัน เมื่อเมฆบดบังแสงแดด โดยปกติอุณหภูมิจะลดลงและส่งผลให้มีการใช้ไฟฟ้าสูงขึ้น

3.4. ปัจจัยด้านลูกค้า

ประเภทของลูกค้า (ที่อยู่อาศัย พาณิชยกรรม และอุตสาหกรรม) รวมถึงปัจจัยอื่นๆ ของลูกค้าที่เกี่ยวข้องกับการใช้ไฟฟ้า (ลักษณะของอุปกรณ์ไฟฟ้าของผู้บริโภค) ก็สามารถส่งผลต่อความต้องการได้เช่นกัน สิ่งนี้มีความสำคัญเนื่องจากบริษัทด้านพลังงานส่วนใหญ่มีลูกค้าประเภทต่างๆ กัน (ผู้บริโภคในที่อยู่อาศัย เชิงพาณิชย์ และอุตสาหกรรม) ซึ่งมีอุปกรณ์ประเภทและขนาดที่แตกต่างกันไป ลูกค้าประเภทต่างๆ เหล่านี้มีกราฟการรับน้ำหนักที่แตกต่างกัน แม้ว่าจะมีความคล้ายคลึงกันบางประการระหว่างลูกค้าเชิงพาณิชย์และอุตสาหกรรม

ตารางที่ 2 สรุปปัจจัยหลักที่ส่งผลต่อความต้องการไฟฟ้าที่อธิบายไว้ในส่วนนี้

ตารางที่ 2 ตัวแปรหลักที่มีผลต่อความต้องการใช้ไฟฟ้า

4. การจำแนกประเภทของเทคนิคการพยากรณ์ความต้องการ

ส่วนนี้จัดประเภทแบบจำลองการคาดการณ์ความต้องการตามเกณฑ์ที่แตกต่างกันสามเกณฑ์: (1) รอบระยะเวลา (2) วัตถุประสงค์การคาดการณ์ และ (3) ประเภทของแบบจำลองที่ใช้

การจำแนกประเภทแรกมุ่งเน้นไปที่มุมมองของช่วงเวลาที่จะคาดการณ์ กล่าวคือ ขอบเขตการพยากรณ์ ในการเลือกเกณฑ์นี้ มีการพิจารณาปัจจัยกำหนดความต้องการไฟฟ้าที่แสดงในส่วนก่อนหน้า การจำแนกประเภทที่สองมุ่งเน้นไปที่มุมมองของวัตถุประสงค์การพยากรณ์ โดยแยกความแตกต่างระหว่างเทคนิคการพยากรณ์ที่สร้างค่าเดียวและเทคนิคที่สร้างค่าหลายค่า ประการสุดท้าย การจำแนกประเภทที่สามมุ่งเน้นไปที่มุมมองของแบบจำลองที่ใช้

4.1. การจำแนกประเภทของเทคนิคการพยากรณ์อุปสงค์ตามขอบเขตการพยากรณ์

ตามที่ได้อธิบายไว้ในส่วนก่อนหน้า ขอบเขตการคาดการณ์หลักที่สามารถระบุได้มีดังนี้:

• ระยะสั้นมาก: โดยปกติจะเป็นวินาทีหรือนาทีถึงหลายชั่วโมง

• ระยะสั้น: โดยทั่วไปจากชั่วโมงเป็นสัปดาห์

• ระยะกลาง: โดยทั่วไปจากหนึ่งสัปดาห์ถึงหนึ่งปี

• ระยะยาว: โดยทั่วไปนานกว่าหนึ่งปี

ความแตกต่างที่สำคัญคือขอบเขตของตัวแปรที่ใช้ในแต่ละกรณี แบบจำลองการคาดการณ์ในระยะสั้นมากใช้อินพุตล่าสุด (โดยทั่วไปคือนาทีหรือชั่วโมง) แบบจำลองการคาดการณ์ในระยะสั้นจะใช้อินพุตโดยทั่วไปในช่วงวัน และแบบจำลองการคาดการณ์ระยะกลางและระยะยาวจะใช้อินพุตโดยทั่วไปในช่วงสัปดาห์หรือแม้แต่เดือน

บริษัทด้านพลังงานมีความสนใจเป็นพิเศษในการสร้างการคาดการณ์ที่แม่นยำสำหรับโปรไฟล์โหลด (เช่น [9,30,31]) เนื่องจากอาจส่งผลโดยตรงต่อการจัดตารางเวลาที่เหมาะสมของหน่วยผลิตไฟฟ้า อย่างไรก็ตาม เนื่องจากพฤติกรรมที่ไม่เป็นเชิงเส้นและสุ่มของผู้บริโภค โปรไฟล์ภาระงานจึงซับซ้อน และแม้ว่าการวิจัยจะได้รับการดำเนินการในพื้นที่นี้แล้ว แต่ก็ยังต้องการแบบจำลองการคาดการณ์ที่แม่นยำ [32]

4.2. การจำแนกประเภทของเทคนิคการพยากรณ์ความต้องการตามวัตถุประสงค์การพยากรณ์

แบบจำลองการคาดการณ์ยังสามารถจำแนกตามจำนวนของค่าที่จะคาดการณ์ ในกรณีนี้สามารถพิจารณาได้สองประเภทหลัก

ประเภทแรกหมายถึงเทคนิคการพยากรณ์ที่สร้างเพียงค่าเดียว (เช่น การโหลดรวมของวันถัดไป การโหลดสูงสุดของวันถัดไป การโหลดของชั่วโมงถัดไป เป็นต้น) ตัวอย่างอยู่ใน [33,34]

ประเภทที่สองหมายถึงเทคนิคการพยากรณ์ที่สร้างค่าหลายค่า เช่น โหลดสูงสุดของชั่วโมงถัดไปบวกกับพารามิเตอร์อื่น (เช่น โหลดรวม) หรือโปรไฟล์โหลด ตัวอย่างอยู่ใน [35–37]

โดยทั่วไปแล้ว การคาดการณ์ค่าเดียวมีประโยชน์สำหรับการปรับประสิทธิภาพของโหลดเฟลเวอร์ให้เหมาะสมที่สุด ในทางกลับกัน การคาดการณ์แบบหลายค่าส่วนใหญ่จะใช้สำหรับการจัดตารางการผลิตพลังงาน [9]

4.3. การจำแนกเทคนิคการพยากรณ์ความต้องการตามรูปแบบที่ใช้

รูปแบบที่จะใช้มักจะตัดสินใจโดยผู้ประกอบวิชาชีพ ในแง่ของแบบจำลอง กลุ่มหลักคือแนวทางเชิงเส้นและไม่ใช่เชิงเส้น

แบบจำลองเชิงเส้นประกอบด้วยการสลายตัวทางสเปกตรัม (SD), กำลังสองน้อยที่สุดบางส่วน (PLS), ค่าเฉลี่ยเคลื่อนที่แบบรวมถดถอยอัตโนมัติ (ARIMA), อัตราส่วนถอยกลับอัตโนมัติแบบมีเงื่อนไข (ARCH), ถอยหลังอัตโนมัติ (AR), ถอยหลังอัตโนมัติและค่าเฉลี่ยเคลื่อนที่ (ARMA) ), แบบจำลองค่าเฉลี่ยเคลื่อนที่ (MAM), การถดถอยเชิงเส้น (LR) และสถานะ-อวกาศ (SS)

เทคนิคเชิงเส้นได้สูญเสียความสำคัญและความสนใจไปอย่างต่อเนื่องเพื่อสนับสนุนเทคนิคแบบไม่เชิงเส้นตาม ANN โมเดล Deep Learning ใช้ ANN ซึ่งได้รับแรงบันดาลใจจากระบบประสาทของมนุษย์ โมเดลเหล่านี้สามารถเรียนรู้รูปแบบจากข้อมูลที่สร้างขึ้นและคาดการณ์ความต้องการสูงสุดในบริบทของสถานการณ์อัจฉริยะที่ซับซ้อนในปัจจุบัน ซึ่งข้อมูลจำนวนมากถูกสร้างขึ้นอย่างต่อเนื่องจากแหล่งต่างๆ [7]

ตารางที่ 3 สรุปเกณฑ์ที่ใช้โดยทั่วไปในการจำแนกแบบจำลองการคาดการณ์ความต้องการ

ตารางที่ 3 เกณฑ์หลักที่ใช้กันทั่วไปในการจำแนกแบบจำลองการคาดการณ์ความต้องการ

5. ความรู้พื้นฐานและแนวคิดของการเรียนรู้ของเครื่องและระบบการเรียนรู้เชิงลึก

ปัญญาประดิษฐ์เป็นแนวคิดที่ซับซ้อน โดยสรุปแล้วหมายถึงปัญญาของเครื่องจักร [38] ปัญญาประดิษฐ์สามารถระบุรูปแบบภายในข้อมูลจำนวนมากได้ ซึ่งแตกต่างจากมนุษย์ โดยใช้เวลาและทรัพยากรค่อนข้างจำกัด นอกจากนี้ ความสามารถในการคำนวณของเครื่องจักรไม่ลดลงตามเวลาและ/หรือความเหนื่อยล้า [39]

ระบบปัญญาประดิษฐ์ใช้วิธีการเรียนรู้ประเภทต่างๆ เช่น การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก

5.1. การเรียนรู้ของเครื่อง

อัลกอริทึมการเรียนรู้ของเครื่องได้รับการฝึกฝนล่วงหน้าเพื่อสร้างผลลัพธ์เมื่อเผชิญกับชุดข้อมูลหรือสถานการณ์ที่ไม่เคยเห็นมาก่อน [40] อย่างไรก็ตาม คอมพิวเตอร์ต้องการตัวอย่างเพื่อเรียนรู้มากกว่ามนุษย์ [41] แมชชีนเลิร์นนิงช่วยให้เกิดการตัดสินใจอย่างชาญฉลาดในหลายพื้นที่และแอปพลิเคชัน ซึ่งการพัฒนาอัลกอริทึมจะซับซ้อนและต้องการผลลัพธ์ที่ยอดเยี่ยม [42]

อัลกอริทึมการเรียนรู้ของเครื่องมีหลายประเภท ได้แก่ การเรียนรู้ภายใต้การดูแล กึ่งดูแล ไม่ได้รับการดูแล และการเรียนรู้เสริม อัลกอริทึมประเภทต่าง ๆ เหล่านี้มีคำอธิบายสั้น ๆ ด้านล่าง

5.1.1. การเรียนรู้ภายใต้การนิเทศ

หลังจากได้รับการฝึกอบรมด้วยชุดตัวอย่างข้อมูลที่มีป้ายกำกับแล้ว อัลกอริทึมเหล่านี้สามารถคาดการณ์ค่าป้ายกำกับได้เมื่ออินพุตมีข้อมูลที่ไม่มีป้ายกำกับ ปัญหาที่เกี่ยวข้องกับการเรียนรู้ประเภทนี้โดยทั่วไปคือ (1) การถดถอย และ (2) การจำแนกประเภท [43]

ในการถดถอย อัลกอริทึมมุ่งเน้นไปที่การทำความเข้าใจความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระ ในการจำแนกประเภท อัลกอริทึมใช้เพื่อทำนายป้ายกำกับคลาสของข้อมูล ปัญหาการจำแนกประเภททั่วไป ได้แก่ (1) การจำแนกประเภทไบนารีระหว่างสองป้ายชื่อชั้น; (2) การจำแนกประเภทหลายชั้น ระหว่างป้ายชื่อชั้นมากกว่าสองป้าย และ (3) การจำแนกประเภทแบบหลายฉลาก โดยที่ข้อมูลชิ้นเดียวเชื่อมโยงกับหลายคลาสหรือหลายฉลาก ตรงข้ามกับปัญหาการจำแนกแบบดั้งเดิมที่มีป้ายกำกับคลาสที่แยกจากกันไม่ได้ [44]

วิธีการที่ใช้สำหรับการเรียนรู้แบบมีผู้สอน ได้แก่ การวิเคราะห์จำแนกเชิงเส้น (LDA), Naive Bayes (NB), K-nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Adaptive Boosting (AdaBoost) ), Extreme Gradient Boosting (XGBoost), Stochastic Gradient Descent (SGD), การจำแนกตามกฎ (สำหรับการจำแนกประเภท); และ LR, Non-Linear Regression (NLR) และ Ordinary Least Squares Regression (OLS) (สำหรับการถดถอย) [44,45] ผู้เรียนภายใต้การดูแลที่ถูกอ้างถึงและใช้งานอย่างกว้างขวางที่สุดในเอกสารคืออัลกอริทึม DT, NB และ SVM [46]

การใช้งานจริงที่น่าสนใจบางอย่าง ได้แก่ การจัดหมวดหมู่ข้อความ การทำนายความรู้สึกของข้อความ (เช่น ทวีตหรือโซเชียลมีเดียอื่นๆ) การประเมินความยั่งยืนทางสิ่งแวดล้อมของผลิตภัณฑ์เสื้อผ้า [47] การกำหนดลักษณะ การทำนาย และการรักษาความผิดปกติทางจิต [48] และการประมาณค่า ความต้องการพลังงานสูงสุด

5.1.2. การเรียนรู้ที่ไม่มีผู้ควบคุม

การเรียนรู้ประเภทนี้ใช้ข้อมูลที่ไม่มีป้ายกำกับ ในกรณีนี้ ระบบจะสำรวจข้อมูลที่ไม่มีป้ายกำกับเพื่อค้นหาโครงสร้างที่ซ่อนอยู่ แทนที่จะคาดการณ์ผลลัพธ์ที่ถูกต้อง การเรียนรู้ประเภทนี้ไม่สามารถใช้โดยตรงกับปัญหาการถดถอยหรือการจำแนกประเภท เนื่องจากไม่ทราบค่าที่เป็นไปได้ของผลลัพธ์ [49] แต่มักใช้สำหรับ (1) การจัดกลุ่ม (2) การเชื่อมโยง และ (3) การลดขนาด [43]

การทำคลัสเตอร์ช่วยให้สามารถจัดกลุ่มข้อมูลที่ไม่มีป้ายกำกับตามความเหมือนหรือความแตกต่างได้ [49,50] การเชื่อมโยงใช้กฎที่แตกต่างกันเพื่อระบุข้อมูลเชิงลึกใหม่และที่เกี่ยวข้องระหว่างวัตถุของชุด ประการสุดท้าย การลดมิติช่วยให้จำนวนคุณลักษณะ (หรือมิติ) ของชุดข้อมูลลดลง เพื่อขจัดคุณลักษณะที่ไม่เกี่ยวข้องหรือมีความสำคัญน้อยกว่า และลดความซับซ้อนของแบบจำลอง [44] การลดจำนวนคุณลักษณะนี้สามารถทำได้โดยเก็บส่วนย่อยของคุณลักษณะเดิมไว้ (การเลือกคุณลักษณะ) หรือโดยการสร้างคุณลักษณะใหม่ทั้งหมด (การแยกคุณลักษณะ)

อัลกอริทึมการจัดกลุ่มที่ได้รับความนิยมมากที่สุดน่าจะเป็นการจัดกลุ่มแบบ K-mean โดยที่ค่า k แสดงถึงขนาดของคลัสเตอร์ [44,45,51] อัลกอริธึมการเชื่อมโยงรวมถึง Apriori, Equivalence Class Transformation (ECLAT) และอัลกอริทึมการเติบโตแบบบ่อยครั้ง (FP) สุดท้าย การลดขนาดโดยปกติจะใช้การทดสอบไคสแควร์ การทดสอบการวิเคราะห์ความแปรปรวน (ANOVA) ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน การกำจัดคุณลักษณะแบบเรียกซ้ำ (RFE) สำหรับการเลือกคุณลักษณะ และการวิเคราะห์ส่วนประกอบหลัก (PCA) สำหรับการแยกคุณลักษณะ

จากข้อมูลของ [46] ผู้เรียนที่ไม่มีผู้ดูแลที่ใช้บ่อยที่สุดคือ K-means การจัดกลุ่มตามลำดับชั้น และ PCA

ผู้เรียนที่ไม่มีผู้ดูแลเหล่านี้สามารถใช้งานจริงได้หลายอย่าง เช่น การจดจำใบหน้า การจำแนกประเภทลูกค้า การจำแนกประเภทผู้ป่วย การตรวจจับการโจมตีทางไซเบอร์หรือการบุกรุก [52] และการวิเคราะห์ข้อมูลในด้านดาราศาสตร์ [53]

5.1.3. การเรียนรู้กึ่งนิเทศ

การเรียนรู้ประเภทนี้ตั้งอยู่ตามแนวคิดระหว่างการเรียนรู้แบบมีผู้สอนและแบบไม่ดูแล การเรียนรู้ประเภทนี้ช่วยให้สามารถใช้ประโยชน์จากชุดข้อมูลขนาดใหญ่ที่ไม่มีป้ายกำกับซึ่งมีให้ในบางกรณีรวมกับข้อมูลที่มีป้ายกำกับจำนวน (โดยปกติจะน้อยกว่า) [54,55] สิ่งนี้เปิดโอกาสที่น่าสนใจเนื่องจากข้อมูลที่มีป้ายกำกับมักจะหายาก ในขณะที่ข้อมูลที่ไม่มีป้ายกำกับนั้นพบได้บ่อยกว่า และผู้เรียนกึ่งผู้สอนจะได้รับการคาดการณ์ที่ดีกว่าข้อมูลที่สร้างขึ้นโดยใช้ข้อมูลที่มีป้ายกำกับเท่านั้น [44]

ใบสมัครของผู้สมัครคือใบสมัครที่มีตัวอย่างที่มีป้ายกำกับเพียงชุดเล็กๆ และอีกมากมายที่ไม่มีป้ายกำกับ หรือเมื่อมีความพยายามในการติดฉลากสูงเกินไป ตัวอย่างคือการถ่ายภาพทางการแพทย์ ซึ่งข้อมูลการฝึกอบรมเพียงเล็กน้อยสามารถปรับปรุงความแม่นยำได้มาก [43,56]

ตารางที่ 4 เปรียบเทียบการเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้สอน โดยเน้นที่ประเภทของข้อมูลอินพุตที่ใช้ในแต่ละกรณี (ข้อมูลที่มีป้ายกำกับกับข้อมูลที่ไม่มีป้ายกำกับ) และงานหลักที่ใช้การเรียนรู้ทั้งสองประเภท (การจัดประเภท การถดถอยเทียบกับการจัดกลุ่ม การเชื่อมโยง และการลดมิติข้อมูล ).

ตารางที่ 4 การเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้สอน

5.1.4. การเรียนรู้การเสริมแรง

เทคนิคการเรียนรู้นี้ขึ้นอยู่กับความสัมพันธ์ระหว่างตัวแทนที่ดำเนินกิจกรรมและสภาพแวดล้อมซึ่งให้ข้อเสนอแนะในเชิงบวกหรือเชิงลบ [57,58] ตัวแทนต้องเลือกการดำเนินการที่ให้รางวัลสูงสุดในสภาพแวดล้อมนั้น วิธีการที่นิยม ได้แก่ Monte Carlo, Q-learning และ Deep Q-learning [44]

แอปพลิเคชันทั่วไปทั่วไป ได้แก่ เกมกลยุทธ์ เช่น หมากรุก การขับรถอัตโนมัติ โลจิสติกส์และการผลิตของซัพพลายเชน อัลกอริธึมทางพันธุกรรม [57] การจัดการการเคลื่อนที่ 5G [59] และการดูแลส่วนบุคคล [60]

5.2. การเรียนรู้อย่างลึกซึ้ง

แมชชีนเลิร์นนิงสามารถจำแนกได้เป็นระดับตื้นและระดับลึก โดยพิจารณาจากความซับซ้อนและโครงสร้างของอัลกอริทึม [41] การเรียนรู้เชิงลึกใช้เซลล์ประสาทหลายชั้นที่ประกอบด้วยโครงสร้างที่ซับซ้อนเพื่อสร้างแบบจำลองนามธรรมของข้อมูลระดับสูง [61] ประเภทของเอาต์พุตและคุณลักษณะของข้อมูลจะเป็นตัวกำหนดอัลกอริทึมที่จะใช้สำหรับกรณีการใช้งานเฉพาะ [62]

การเรียนรู้เชิงลึกใช้ ANN ที่ได้รับแรงบันดาลใจจากระบบประสาทของมนุษย์ [63] เครือข่ายประเภทนี้โดยทั่วไปจะมีโหนดอินพุตและเอาต์พุตสองชั้นตามลำดับ เชื่อมต่อกันด้วยโหนดที่ซ่อนอยู่อย่างน้อยหนึ่งชั้น สถาปัตยกรรม ANN เชิงลึกที่เป็นไปได้ ได้แก่ Multilayer Perceptron (MLP), Long Short-Term Memory Recurrent Neural Networks (LSTMRNN), Generative Adversarial Networks (GAN) และ Convolutional Neural Networks (CNN หรือ ConvNet)

จากการทบทวนวรรณกรรมของเรา แบบจำลองที่ใช้กันอย่างแพร่หลายในโดเมนพลังงาน ได้แก่ Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM), Deep Q-Networks (DQNs) และ Boltzmann แบบจำกัดเงื่อนไข เครื่อง (CRBM) และการเปลี่ยนแปลงของรายการใดรายการหนึ่ง การรวมกันของสองรายการขึ้นไป หรือการรวมกันของรายการใดรายการหนึ่งกับเทคนิคอื่น ๆ แบบจำลองเหล่านี้มีคำอธิบายสั้น ๆ ด้านล่าง

5.2.1. เครือข่ายประสาท Convolutional

เครือข่ายเหล่านี้เป็นเครือข่ายที่ได้รับแรงบันดาลใจทางชีวภาพ เช่นเดียวกับเครือข่ายประสาททั่วไป อย่างไรก็ตาม ในเครือข่ายประเภทนี้ อินพุตจะถือว่ามีโครงสร้างเฉพาะ เช่น รูปภาพ [64] เป็นหนึ่งในโมเดลที่ใช้กันอย่างแพร่หลายและมีประสิทธิภาพสำหรับการเรียนรู้เชิงลึก เครือข่ายเหล่านี้มักจะมีเลเยอร์สองประเภท (เช่น เลเยอร์การรวมและเลเยอร์การบิดเบี้ยว) สถาปัตยกรรม CNN ทั่วไปมักจะประกอบด้วยชั้นอินพุต ชั้น Convolutional ชั้น Max pooling และชั้นสุดท้ายที่เชื่อมต่ออย่างสมบูรณ์ ดังแสดงในรูปที่ 1 [65]

รูปที่ 1 สถาปัตยกรรมเครือข่ายประสาทเทียมแบบมาตรฐาน [65]

การออกแบบสถาปัตยกรรมที่แตกต่างกันสำรวจผลกระทบของการเปลี่ยนแปลงหลายระดับต่อความสามารถในการเรียนรู้ของเครือข่ายดังกล่าว หนึ่งในการออกแบบสถาปัตยกรรมที่เป็นไปได้เหล่านี้คือพีระมิด สถาปัตยกรรมพีระมิดของ Convolutional Neural Networks เป็นที่รู้จักกันทั่วไปในชื่อว่า Pyramid-CNN [66]

5.2.2. เครือข่ายประสาทกำเริบ

ในเครือข่ายประเภทนี้ การเชื่อมต่อระหว่างโหนดจะสร้างกราฟที่มีทิศทางหรือไม่มีทิศทางตามลำดับเวลา รูปที่ 2 แสดงโครงสร้าง RNN ทั่วไป [65]

รูปที่ 2 กรอบการทำงานของ Recurrent Neural Network: Input layer (Xt); ชั้นเอาท์พุท (Ot); ชั้นที่ซ่อนอยู่ (เซนต์); เมทริกซ์พารามิเตอร์และเวกเตอร์ (U, V, W); ฟังก์ชั่นการเปิดใช้งานของเลเยอร์เอาต์พุต (σy); และฟังก์ชั่นการเปิดใช้งานของเลเยอร์ที่ซ่อนอยู่ (σh ) [65]

เครือข่ายนี้สามารถใช้กลไก gating ที่เรียกว่า Gated Recurrent Units (GRUs) และเปิดตัวในปี 2014 โดยผู้เขียน [67] GRU นั้นเหมือนกับเครือข่าย LSTM แต่มีเกตที่ลืมและพารามิเตอร์น้อยกว่าเนื่องจากไม่มีเกตเอาต์พุต

รูปแบบอื่นของเครือข่ายประเภทนี้ที่เสนอโดย Elman [68] คือ Elman RNN ซึ่งรวมถึงการเชื่อมต่อแบบฟีดฟอร์เวิร์ดที่แก้ไขได้และการเชื่อมต่อที่เกิดซ้ำแบบคงที่ ใช้ชุดของโหนดบริบทเพื่อจัดเก็บสถานะภายใน ซึ่งทำให้มีลักษณะไดนามิกเฉพาะบางอย่างเหนือสถานะคงที่ [69]

5.2.3. หน่วยความจำระยะสั้นระยะยาว

เครือข่ายเหล่านี้เป็น RNN ชนิดพิเศษ ซึ่งแตกต่างจากเครือข่ายนิวรัล feedforward มาตรฐาน เครือข่ายเหล่านี้มีการเชื่อมต่อแบบป้อนกลับ และยังสามารถประมวลผลลำดับข้อมูลทั้งหมด (เช่น เสียงพูดหรือวิดีโอ) นอกเหนือจากจุดข้อมูลแต่ละจุด (เช่น รูปภาพ) RNN ประเภทนี้ประกอบด้วยเลเยอร์อินพุต เลเยอร์ซ่อนที่เกิดซ้ำ และเลเยอร์เอาต์พุต โดยมีโครงสร้างบล็อกหน่วยความจำดังแสดงในรูปที่ 3 [70]

รูปที่ 3 บล็อกหน่วยความจำ LSTM [70]

บล็อกหน่วยความจำ LSTM สามารถอธิบายได้ตามสมการต่อไปนี้ [70]:

โดยที่ tx คืออินพุตโมเดล ณ เวลา t; Wi, Wf, Wc, W{{0}}, Ui, Uf, Uc, U0, V0 เป็นเมทริกซ์น้ำหนัก bi, bf , bc, b0 เป็นเวกเตอร์ที่มีอคติ; it, ft, 0t ตามลำดับการเปิดใช้งานของสามประตูในเวลา t; เป็นสถานะของเซลล์หน่วยความจำ ณ เวลา t; ht คือเอาต์พุตของบล็อกหน่วยความจำ ณ เวลา t; แทนผลคูณสเกลาร์ของเวกเตอร์สองตัว σ(x) คือฟังก์ชันเปิดใช้งานเกท g(x) คือฟังก์ชันเปิดใช้งานการป้อนข้อมูลของเซลล์ h(x) คือฟังก์ชันการเปิดใช้งานเอาต์พุตของเซลล์

ส่วนขยายที่เป็นไปได้ของโมเดลนี้คือ Bidirectional LSTM (B-LSTM) เครือข่าย LSTM ประเภทนี้มีจุดประสงค์เพื่อวิเคราะห์ลำดับจากทั้งด้านหน้าไปด้านหลังและด้านหลัง นั่นคือ ข้อมูลลำดับที่เชื่อมโยงกันในทิศทางย้อนกลับและไปข้างหน้า ซึ่งแตกต่างจาก LSTM ปกติ

5.2.4. Deep Q Network และ Dueling Deep-Q Network

Deep Q Networks (DQN) และ Dueling Deep-Q Networks (DDQN) เป็น ANN ประเภทหนึ่งที่ใช้อัลกอริธึมการเรียนรู้ Deep Q ซึ่งเป็นที่นิยมในการเรียนรู้แบบเสริมกำลัง ในเครือข่ายการดวล มีสองกระแสเพื่อประเมินค่าสถานะและข้อดีของแต่ละการกระทำแยกกัน วัตถุประสงค์หลักของ Deep-Q Network คือการเลือกการดำเนินการที่ดีที่สุดในสถานะหนึ่งๆ เมื่อพิจารณาว่า π เป็นนโยบายที่ตามด้วยเอเจนต์ในสภาพแวดล้อมที่กำหนด ฟังก์ชัน Qπ สามารถกำหนดได้ดังต่อไปนี้ [71]:

โดยที่ s คือสถานะ a คือการกระทำ ri คือรางวัลที่เป็นไปได้ ∈ [0, 1] เป็นปัจจัยส่วนลดสำหรับการทำให้รางวัลทันทีมีความสำคัญมากกว่ารางวัลในอนาคต ดังนั้น วัตถุประสงค์ของ Q-learning คือการเพิ่มฟังก์ชันค่าที่ปรับให้เหมาะสมที่สุด Q* (s, a)=max πQ π(s, a) รูปที่ 4 แสดงแผนผังของสถาปัตยกรรม DQN ทั่วไป [71] 5.2.5. เครื่อง Boltzmann ที่จำกัดแบบมีเงื่อนไข เครื่อง Boltzmann ที่จำกัด (RBM) เป็น RNN สุ่มที่มีสองชั้น ชั้นหนึ่งมีหน่วยที่มองเห็นได้ และอีกชั้นหนึ่งมีหน่วยซ่อนไบนารี เครือข่ายประเภทนี้สามารถเรียนรู้การแจกแจงความน่าจะเป็นผ่านชุดอินพุต RBM เป็นรูปแบบหนึ่งของสถาปัตยกรรม Boltzmann Machines Deep Q-Network [71]

รูปที่ 4 รูปที่ 4 แสดงโครงร่างของสถาปัตยกรรม DQN ทั่วไป [71]