在本文中，我们提出了一种基于短期内存网络的长期方法，以根据过去的测量值预测公共建筑物的能源消耗。我们的方法包括三个主要步骤：数据处理步骤，培训和验证步骤，最后是预测步骤。我们在一个数据集上测试了我们的方法，该数据集由英国国家档案馆的主要建筑物的主要建筑物，在KEW中，作为评估指标，我们使用了平均绝对错误（MAE）和平均绝对百分比错误（Mape）。

本文比较分析随机森林的性能和基于历史数据预测能源消耗的领域的梯度增强算法的性能。应用两种算法以单独预测能源消耗，然后使用加权平均合奏方法合并在一起。所达到的实验结果之间的比较证明，加权平均合奏方法比单独应用的两种算法中的每种都提供了更准确的结果。

电力是一种波动的电源，需要短期和长期的精力计划和资源管理。更具体地说，在短期，准确的即时能源消耗中，预测极大地提高了建筑物的效率，为采用可再生能源提供了新的途径。在这方面，数据驱动的方法，即基于机器学习的方法，开始优先于更传统的方法，因为它们不仅提供了更简化的部署方式，而且还提供了最新的结果。从这个意义上讲，这项工作应用和比较了几种深度学习算法，LSTM，CNN，CNN-LSTM和TCN的性能，在制造业内的一个真实测试中。实验结果表明，TCN是预测短期即时能源消耗的最可靠方法。

With the evolution of power systems as it is becoming more intelligent and interactive system while increasing in flexibility with a larger penetration of renewable energy sources, demand prediction on a short-term resolution will inevitably become more and more crucial in designing and managing the future grid, especially when it comes to an individual household level. Projecting the demand for electricity for a single energy user, as opposed to the aggregated power consumption of residential load on a wide scale, is difficult because of a considerable number of volatile and uncertain factors. This paper proposes a customized GRU (Gated Recurrent Unit) and Long Short-Term Memory (LSTM) architecture to address this challenging problem. LSTM and GRU are comparatively newer and among the most well-adopted deep learning approaches. The electricity consumption datasets were obtained from individual household smart meters. The comparison shows that the LSTM model performs better for home-level forecasting than alternative prediction techniques-GRU in this case. To compare the NN-based models with contrast to the conventional statistical technique-based model, ARIMA based model was also developed and benchmarked with LSTM and GRU model outcomes in this study to show the performance of the proposed model on the collected time series data.

随着高级数字技术的蓬勃发展，用户以及能源分销商有可能获得有关家庭用电的详细信息。这些技术也可以用来预测家庭用电量（又称负载）。在本文中，我们研究了变分模式分解和深度学习技术的使用，以提高负载预测问题的准确性。尽管在文献中已经研究了这个问题，但选择适当的分解水平和提供更好预测性能的深度学习技术的关注较少。这项研究通过研究六个分解水平和五个不同的深度学习网络的影响来弥合这一差距。首先，使用变分模式分解将原始负载轮廓分解为固有模式函数，以减轻其非平稳方面。然后，白天，小时和过去的电力消耗数据作为三维输入序列馈送到四级小波分解网络模型。最后，将与不同固有模式函数相关的预测序列组合在一起以形成聚合预测序列。使用摩洛哥建筑物的电力消耗数据集（MORED）的五个摩洛哥家庭的负载曲线评估了该方法，并根据最新的时间序列模型和基线持久性模型进行了基准测试。

电价是影响所有市场参与者决策的关键因素。准确的电价预测非常重要，并且由于各种因素，电价高度挥发性，电价也非常具有挑战性。本文提出了一项综合的长期经常性卷积网络（ILRCN）模型，以预测考虑到市场价格的大多数贡献属性的电力价格。所提出的ILRCN模型将卷积神经网络和长短期记忆（LSTM）算法的功能与所提出的新颖的条件纠错项相结合。组合的ILRCN模型可以识别输入数据内的线性和非线性行为。我们使用鄂尔顿批发市场价格数据以及负载型材，温度和其他因素来说明所提出的模型。使用平均绝对误差和准确性等性能/评估度量来验证所提出的ILRCN电价预测模型的性能。案例研究表明，与支持向量机（SVM）模型，完全连接的神经网络模型，LSTM模型和LRCN模型，所提出的ILRCN模型在电价预测中是准确和有效的电力价格预测。

由于人口和全球化的增加，对能源的需求大大增加。因此，准确的能源消耗预测已成为政府规划，减少能源浪费和能源管理系统稳定运行的基本先决条件。在这项工作中，我们介绍了对家庭能耗的时间序列预测的主要机器学习模型的比较分析。具体来说，我们使用WEKA（一种数据挖掘工具）首先将模型应用于Kaggle数据科学界可获得的小时和每日家庭能源消耗数据集。应用的模型是：多层感知器，K最近的邻居回归，支持向量回归，线性回归和高斯过程。其次，我们还在Python实施了时间序列预测模型Arima和Var，以预测有或没有天气数据的韩国家庭能源消耗。我们的结果表明，预测能源消耗预测的最佳方法是支持向量回归，然后是多层感知器和高斯过程回归。

可持续性需要提高能源效率，而最小的废物则需要提高能源效率。因此，未来的电力系统应提供高水平的灵活性IIN控制能源消耗。对于能源行业的决策者和专业人员而言，对未来能源需求/负载的精确预测非常重要。预测能源负载对能源提供者和客户变得更有优势，使他们能够建立有效的生产策略以满足需求。这项研究介绍了两个混合级联模型，以预测不同分辨率中的多步户家庭功耗。第一个模型将固定小波变换（SWT）集成为有效的信号预处理技术，卷积神经网络和长期短期记忆（LSTM）。第二种混合模型将SWT与名为Transformer的基于自我注意的神经网络结构相结合。使用时频分析方法（例如多步预测问题中的SWT）的主要限制是，它们需要顺序信号，在多步骤预测应用程序中有问题的信号重建问题。级联模型可以通过使用回收输出有效地解决此问题。实验结果表明，与现有的多步电消耗预测方法相比，提出的混合模型实现了出色的预测性能。结果将为更准确和可靠的家庭用电量预测铺平道路。

建筑物的电力消耗构成了该市能源消耗的主要部分。电力消耗预测可以开发房屋能源管理系统，从而导致未来的可持续性房屋设计和总能源消耗的减少。建筑物中的能源性能受环境温度，湿度和各种电气设备等许多因素的影响。因此，多元预测方法是首选而不是单变量。选择了本田智能家庭数据集，以比较三种方法，以最大程度地减少预测错误，MAE和RMSE：人工神经网络，支持向量回归以及基于模糊规则的基于模糊规则的系统，以通过在多变量数据集上为每种方法构造许多模型在不同的时间范围内。比较表明，SVR比替代方案是一种优越的方法。

现代物联网（IoT）环境通过大量IoT启用的传感设备进行监视，并根据计算能力和能源的数据采集和处理基础架构设置限制。为了减轻此问题，通常将传感器配置为以相对较低的采样频率运行，从而减少了一组观测值。然而，这可能会妨碍随后的决策，例如预测。为了解决这一问题，在这项工作中，我们评估了在高度不确定的情况下的短期预测，即，传感器流的数量远高于观测值的数量。相对于五个不同的现实世界数据集的最终预测准确性，对几种统计，机器学习和基于神经网络的模型进行了彻底检查。将重点放在统一的实验协议上，专门针对物联网边缘的多个时间序列的短期预测设计。所提出的框架可以被视为在资源约束的物联网应用程序中建立可靠的预测策略的重要步骤。

预测住宅功率使用对于辅助智能电网来管理和保护能量以确保有效使用的必不可少。客户级别的准确能量预测将直接反映电网系统的效率，但由于许多影响因素，例如气象和占用模式，预测建筑能源使用是复杂的任务。在成瘾中，鉴于多传感器环境的出现以及能量消费者和智能电网之间的两种方式通信，在能量互联网（IOE）中，高维时间序列越来越多地出现。因此，能够计算高维时间序列的方法在智能建筑和IOE应用中具有很大的价值。模糊时间序列（FTS）模型作为数据驱动的非参数模型的易于实现和高精度。不幸的是，如果所有功能用于训练模型，现有的FTS模型可能是不可行的。我们通过将原始高维数据投入低维嵌入空间并在该低维表示中使用多变量FTS方法来提出一种用于处理高维时间序列的新方法。组合这些技术使得能够更好地表示多变量时间序列的复杂内容和更准确的预测。

准确预测未来股票价格的预测模型设计一直被认为是一个有趣和具有挑战性的研究问题。由于现实世界中的股价波动和随机性质，这项任务变得复杂，这是受许多可控和无法控制的变量的影响。本文介绍了一个优化的预测模型，内置于长期内存（LSTM）架构，用于自动从网上从网站上提取过去的时间间隔，并预测其未来的指定预测地平线的价格，并预测未来股票价格。该模型部署以根据其在印度国家证券交易所（NSE）中列出的70个不同部门的70个重要股票的预测结果，以便根据其预测结果。每个部门的盈利能力基于该部门的股票在2010年1月1日至8月26日2021年8月26日的股票所产生的总利润来源。该部门基于其盈利价值。还针对每个扇区评估模型的预测精度。结果表明，该模型在预测未来股票价格方面非常准确。

A well-performing prediction model is vital for a recommendation system suggesting actions for energy-efficient consumer behavior. However, reliable and accurate predictions depend on informative features and a suitable model design to perform well and robustly across different households and appliances. Moreover, customers' unjustifiably high expectations of accurate predictions may discourage them from using the system in the long term. In this paper, we design a three-step forecasting framework to assess predictability, engineering features, and deep learning architectures to forecast 24 hourly load values. First, our predictability analysis provides a tool for expectation management to cushion customers' anticipations. Second, we design several new weather-, time- and appliance-related parameters for the modeling procedure and test their contribution to the model's prediction performance. Third, we examine six deep learning techniques and compare them to tree- and support vector regression benchmarks. We develop a robust and accurate model for the appliance-level load prediction based on four datasets from four different regions (US, UK, Austria, and Canada) with an equal set of appliances. The empirical results show that cyclical encoding of time features and weather indicators alongside a long-short term memory (LSTM) model offer the optimal performance.

负载预测在电力系统的分析和网格计划中至关重要。因此，我们首先提出一种基于联邦深度学习和非侵入性负载监测（NILM）的家庭负载预测方法。就我们所知，这是基于尼尔姆的家庭负载预测中有关联合学习（FL）的首次研究。在这种方法中，通过非侵入性负载监控将集成功率分解为单个设备功率，并且使用联合深度学习模型分别预测单个设备的功率。最后，将单个设备的预测功率值聚合以形成总功率预测。具体而言，通过单独预测电气设备以获得预测的功率，它可以避免由于单个设备的功率信号的强烈依赖性而造成的误差。在联邦深度学习预测模型中，具有权力数据的家主共享本地模型的参数，而不是本地电源数据，从而保证了家庭用户数据的隐私。案例结果表明，所提出的方法比直接预测整个汇总信号的传统方法提供了更好的预测效果。此外，设计和实施了各种联合学习环境中的实验，以验证该方法的有效性。

变压器已成为自然语言处理（NLP）字段中的De-Facto标准。他们也在计算机视觉和其他域中获得了势头。变形金刚可以使人工智能（AI）模型能够动态地关注其输入的某些部分，因此更有效地关注某些部分。灵感来自变形金刚的成功，我们采用了这种技术来预测在多个视野中的战略飞行偏离需求。这项工作是为了支持斜切式的移动应用程序，PAIR，将预测的偏离需求显示为通用航空（GA）飞行运营商，因此他们可以更好地了解繁忙时期离开延误潜力的意识。涉及Pacer以前设计的基于规则的预测方法的现场示范表明，离职需求的预测准确性仍然具有改进的空间。本研究致力于提高来自两个关键方面的预测精度：更好的数据源和鲁棒预测算法。我们利用了两个数据来源，航空系统性能指标（ASPM）和系统广播信息管理（游泳）作为我们的输入。然后，我们用时间融合变压器（TFT）接受了预测的预测模型，用于五个不同的机场。案例研究表明，TFT通过大幅度的传统预测方法可以更好地表现优于传统的预测方法，它们可以在各种机场和更好的解释性方面导致更好的预测。

在称为RNN（p）的几个时间滞后的复发神经网络是自然回归ARX（P）模型的自然概括。当不同的时间尺度会影响给定现象时，它是一种强大的预测工具，因为它发生在能源领域，每小时，每日，每周和每年的互动并存。具有成本效益的BPTT是RNN的学习算法的行业标准。我们证明，当训练RNN（P）模型时，其他学习算法在时间和空间复杂性方面都更加有效。我们还介绍了一种新的学习算法，即树木重组的重组学习，该算法利用了展开网络的树表示，并且似乎更有效。我们提出了RNN（P）模型的应用，以在每小时规模上进行功耗预测：实验结果证明了所提出的算法的效率以及所选模型在点和能源消耗的概率预测中实现的出色预测准确性。

准确的负载预测对于电力系统的电力市场运营以及电力系统中的其他实时决策任务至关重要。本文认为社区内的住宅客户的短期负荷预测（STLF）问题。现有的STLF工作主要侧重于预测馈线系统或单一客户的汇总负荷，但是在预测单个设备水平的负荷上，已经努力。在这项工作中，我们介绍了一种用于有效预测各个电器的功耗的STLF算法。所提出的方法在深度学习中强大的经常性神经网络（RNN）架构，称为长短短期记忆（LSTM）。当每个设备具有唯一重复的消耗模式时，将跟踪预测误差的模式，使得过去的预测误差可用于提高最终预测性能。实际负载数据集的数值测试证明了在现有的基于LSTM的方法和其他基准方法上提高了所提出的方法。

深度神经网络能够解决许多具有较少工程努力和更好的性能的复杂任务。但是，这些网络通常使用数据进行培训和评估，而无需调查其表示，即〜使用数据的形式。在本文中，我们通过能量时间序列预测分析了数据表示对深神经网络性能的影响。基于示例性数据表示的概述，我们选择四个示例性数据表示，并使用两个不同的深神经网络架构和真实的能量时间序列上的三个预测视野进行评估。结果表明，根据预测地平线，相同的数据表示可以对深神经网络的准确性产生正面或负面影响。

提出了一种使用天气数据实时太阳生成预测的新方法，同时提出了既有空间结构依赖性的依赖。随着时间的推移，观察到的网络被预测到较低维度的表示，在该表示的情况下，在推理阶段使用天气预报时，使用各种天气测量来训练结构化回归模型。从国家太阳辐射数据库获得的德克萨斯州圣安东尼奥地区的288个地点进行了实验。该模型预测具有良好精度的太阳辐照度（夏季R2 0.91，冬季为0.85，全球模型为0.89）。随机森林回归者获得了最佳准确性。进行了多个实验来表征缺失数据的影响和不同的时间范围的影响，这些范围提供了证据表明，新算法不仅在随机的情况下，而且在机制是空间和时间上都丢失的数据是可靠的。

负载预测是能源行业中执行的一项重要任务，以帮助平衡供应并保持电网的稳定负载。随着供应过渡向不太可靠的可再生能源产生，智能电表将证明是促进这些预测任务的重要组成部分。但是，在隐私意识的消费者中，智能电表的采用率很低，这些消费者害怕侵犯其细粒度的消费数据。在这项工作中，我们建议并探索一种基于联合学习的方法（FL）方法，以分布式协作方式培训预测模型，同时保留基础数据的隐私。我们比较了两种方法：FL和聚集的变体FL+HC与非私有的，集中的学习方法和完全私人的本地化学习方法。在这些方法中，我们使用RMSE和计算效率测量模型性能。此外，我们建议FL策略之后是个性化步骤，并表明可以通过这样做可以提高模型性能。我们表明，FL+HC紧随其后的是个性化可以实现$ \ sim $ 5 \％的模型性能提高，而与本地化学习相比，计算$ \ sim $ 10倍。最后，我们提供有关私人汇总预测的建议，以构建私人端到端负载预测应用程序。