深度学习方法在负荷预测中的应用综述（论文阅读）

红太狼 2023-01-08 05:24 176阅读 0赞

前言  
  本篇论文主要介绍了当下用于智能电网电力负荷预测的多种DL方法，并对它们的效果进行了比较。对于RMSE的降低效果上，集成DBN和SVM的方法RMSE降低显著，达到了21.2%。此外，PDRNN方法与ARIMA方法相比有很大的降低，达到了19.2%。而使用带有k-means的CNN相比于只使用CNN，下降百分比也达到了12.3%。

### 目录 ###

*  Abstract
 *  Keywords
 *  I. INTRODUCTION
 *  II. Different Deep Learning Methods
 *   *  A. Autoencoder
     *  B. Recurrent Neural Network
     *  C. LSTM
     *  D. CNN
     *  E. Restricted Boltzman Machine (RBM)
     *  F. Deep Belief Network (DBN)
     *  G. Deep Boltzman Machine (DBM)
 *  III. REVIEW ON LOAD FORECASTING
 *  IV . CONCLUSION

# Abstract #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center]  
  简单来说，近十年来，深度学习在电力系统负荷预测方面应用已经十分广泛，本文主要探索了DL在电力系统和智能电网负荷预测中的不同应用，并且比较了众多方法的RMSE以及MAE，并最终发现，卷积神经网络CNN与k-means算法结合可以大大降低RMSE。

# Keywords #

人工神经网络（ANN）, 预测，学习(人工智能)，机器学习，智能电网。

引申：

1.  [DL入门(1)：卷积神经网络(CNN)][DL_1_CNN]
2.  [机器学习之K\_means（附简单手写代码）][K_means]

# I. INTRODUCTION #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 1]  
  深度学习也是机器学习的一种，它拥有很深的内部隐藏层，用于模仿人类内部的神经网络，使得其能像人脑一样思考。机器学习算法分为有监督学习和无监督学习，区别在于有监督学习作用于有特征的数据集，且每个特征都与标签相关联，而无监督学习作用于无标签的数据集，以便从数据集中学习到有用的属性。  
  简单来说，所谓**监督学习（Supervised learning）**，是指利用一组已知类别的样本调整分类 or 回归的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。  
  监督学习可以理解为学生从老师那里获取知识、信息，**老师提供对错指示、告知最终答案。** 学生在学习过程中借助老师的提示获得经验、技能，最后对没有学习过的问题也可以做出正确解答。“老师提供对错指示”这句话很关键，它告诉我们：我们的训练样本，都是有“标准答案的”，比如分类，你在训练的时候就已经知道了它的正确类别，比如回归，你在训练的时候同样也提前知道了真实值。  
  监督学习要实现的目标是“**对于输入数据X能预测变量Y**”。这个预测可以是分类，也可以是具体的一个数值。  
  无监督学习的样本是**没有标记**的，无监督学习的最典型代表就是聚类。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 2]  
![在这里插入图片描述][20210119202541795.png_pic_center]  
  机器学习的局限性在于**高维数据学习能力**的不足，而表征学习（representation learning）的目的是对复杂的原始数据化繁为简，把原始数据的无效的或者冗余的信息剔除，把有效信息进行提炼，形成特征（feature），所以这算是针对ML的一种改进。  
  此外，**SVM**在负荷预测中也有较为广泛的应用。相比于ML，DL更加复杂，在负荷预测中应用更加广泛，表1是2014 - 2016年发表的负荷预测论文中使用的DL方法的综述论文集合：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 3]  
   可以看到，机器学习方向有SVM和k-means参与到了预测之中，DL仍是主流。

# II. Different Deep Learning Methods #

这部分主要介绍了用于智能电网负荷预测的常用DL方法及其计算图，我们一个一个来看。

## A. Autoencoder ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 4]

自动编码器是一种无监督的数据维度压缩和数据特征表达方法。在大部分提到自动编码器的场合，压缩和解压缩的函数是通过神经网络实现的。  
  一个简单的自编码器结构如图1所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 5]  
它通过编码器函数 h = f ( x ) h=f(x) h=f(x)以及解码器函数 x ~ = g ( h ) \\tilde\{x\}=g(h) x~=g(h)来实现，自编码器算法通常用于降维、特征学习或损坏数据重建，用于这三种目的的自编码器分别被称为不完全自编码器、稀疏自编码器和去噪自编码器。  
  有关自编码器的详细介绍请看：[DL入门(2)：自编码器(AutoEncoder)][DL_2_AutoEncoder]

## B. Recurrent Neural Network ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 7]  
  RNN（循环神经网络）基本用于处理时序数据，因为它有内部存储器，可以用之前的输入更新网络中每个神经元的状态。然而由于U、W、b三组**权值共享**，往往在处理大型时序数据时会有**梯度消失**的问题，造成模型失效。  
  有关RNN的详细介绍请看：[DL入门(3)：循环神经网络（RNN）][DL_3_RNN]

## C. LSTM ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 9]

如上所说，RNN会由于梯度消失而失效，LSTM（长短期记忆网络）的提出正好解决这个问题。LSTM相比于RNN，引入了输入门i、遗忘门f、输出门o以及内部记忆单元c，图2展示了LSTM的一般结构：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 10]  
  遗忘门f用于控制输入x和上一层隐藏层输出h被遗忘的程度大小，输入门i用于控制输入x和当前计算的状态更新到记忆单元的程度大小，而隐藏层输出是由输出门和内部记忆单元决定的。  
  有关LSTM的详细介绍请看：[DL入门(4)：长短期记忆网络（LSTM）][DL_4_LSTM]

## D. CNN ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 11]  
  CNN（卷积神经网络）在视觉和音频处理、视频识别和自然语言处理中得到了广泛的应用。与RNN处理时序数据不同，CNN通常用于处理网格数据拓扑，时间序列数据的构建是一个时间间隔的一维网格，图像数据的构建是像素的二维网格。  
  有关卷积的详细介绍请看：[DL入门(1)：卷积神经网络(CNN)][DL_1_CNN]

## E. Restricted Boltzman Machine (RBM) ##

![在这里插入图片描述][20210119124928423.png_pic_center]  
![在这里插入图片描述][20210119124949436.png_pic_center]  
  受限玻尔兹曼机(RBM)是一种无向概率图模型，RBM有两层：可见的输入层v+隐藏层h，通常RBM是堆叠的，通过增加多层隐藏层可以形成深度玻尔兹曼机（DBM），如下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 12]

## F. Deep Belief Network (DBN) ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 13]  
  深度信仰网络（DBN）相比于RBM多了几层隐藏结构，这些层使用反向传播算法进行训练，图3b显示了三层配置的DBN，两个隐藏层和一个可见层，其中**最上面的两层是无定向的，但是，所有其它层之间的连接应该指向数据层。**

## G. Deep Boltzman Machine (DBM) ##

![在这里插入图片描述][20210119125747490.png_pic_center]  
  与DBN类似，DBM和RBM相比有了更多的隐藏层，但是和DBN不同的是，**DBM体系结构在所有层的变量之间都有完全无定向的连接**，如图3c所示。

# III. REVIEW ON LOAD FORECASTING #

这一节将简要概述SG中最新负荷预测问题的相关DL架构。  
![在这里插入图片描述][20210119130144962.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 14]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 15]  
  DL被应用于**短期预测(STLF)、中期预测(MTLF)和长期预测(LTLF)**。 电力负荷预测受到多方面因素影响，比如时间，天气以及客户类型等，**特别**是对于短期预测来说更是如此。一般文献中对LTLF的研究时间间隔多为一个小时到几周，MTLF为一个月到五年，LTLF的平均使用周期为5~20年。  
  使用期限不同，相应地被应用到不同方面，STLF应用于实时控制、能量转移调度、经济调度和需求响应；MTLF用于规划近期的发电plan，并显示电力系统在时间间隔内的动态；LTLF用来根据规模和类型来规划发电plan，以满足未来的需求和成本效益。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 16]

自动编码器被用于电价的STLF，该作者提出用于短期预测的**堆叠去噪自编码器**，预测方法针对两种模型进行了在线预测和提前一天预测。结果发现，去噪自编码器有着较好的预测效果，特别是针对前一天的预测。同时，该论文将结果与经典神经网络(NN)、支持向量机(SVM)、多元自适应回归样条(MARS)和最小绝对收缩与选择算子(Lasso)等最新预测方法进行了比较。  
  另有一项研究将自动编码器和LSTM结合起来进行预测，并将结果与人工神经网络、LSTM和DBN等最先进的方法进行比较。将该方法应用于21个太阳能电站，其训练和测试结果的均方根误差均值(RMSE)均有所下降。  
  对自编码器+LSTM的方法的研究表明，该方法的RMSE为0.0713，其次是DBN的0.0714。

总结：去噪自编码器被用于短期的电价预测，针对前一天的预测有着很好的效果；另外，自编码器与LSTM结合比之一般的DL方法，RMSE也有所下降。

在大多数论文中，我们使用RMSE和平均绝对误差(MAE)来评价所提方法的性能，并将其与其他文献中的方法进行比较。其表达式如下：  
![在这里插入图片描述][20210119132336671.png_pic_center]  
其中x是测量的输入时间序列，y是预测的输出时间序列，N是时间序列的样本个数。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 17]  
  研究者将**汇集深度循环神经网络(PDRNN)** 用于家庭负荷预测，该研究表明，向神经网络添加更多层次可以提高的预测性能。研究数据来自爱尔兰的920名智能电表用户，结果与已有的负荷预测方法如ARIMA、SVR和DRNN进行了比较。与其他方法相比，该方法在均方根误差方面得到了改善，ARIMA是19.5%，SVR是13.1%，而DRNN是6.5%。  
  总结：往nn中添加更多层次可以提高预测性能，DRNN在对于智能电表用户的负荷预测中，相比于ARIMA以及SVR，其RMSE有了很大的提高。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 18]

在电力负荷预测中，**LSTM**使用也比较广泛，通常使用的有标准的LSTM算法以及基于LSTM的Seq2Seq算法。一项研究表明，标准LSTM在1小时的分辨率下成功，1分钟下却失败了；相比之下基于LSTM的Seq2Seq在两种情况下表现均不错。此外另有一项针对居民电力负荷短期预测的研究中，对于单个负荷的预测，研究人员表示LSTM优于最新的居民用电负荷预测方法。  
  总结：与标准LSTM相比，基于LSTM的Seq2Seq算法在更短期的预测中有着更好的预测性能。  
![在这里插入图片描述][2021011919214027.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 19]

**CNN与k均值聚类的结合**算是一个很好的尝试，研究人员将其用于短期预测上。K-means算法用于在一个大型的数据集上创建用于训练CNN的聚类。此研究选取的是2014年8月的夏季数据和2014年12月的冬季数据。本研究的对比结果表明，在夏季实验k-means为0.2194，冬季实验k-means为0.2399时，CNN的RMSE有很大的提高，其夏冬季的RMSE分别为**0.2379和0.2839**；若仅仅只是简单使用CNN，夏冬季的RMSE分别为**0.2502和0.2614**。此项研究表明：在聚类技术的帮助下，CNN优于其他方法。  
  总结：CNN和k-means结合可以显著改善预测性能。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 20]

在一项研究中，**RBM**在**用户电力负荷预测**中也有较好的表现。通过使用**启发式**方法来确定隐藏神经元的数量，有4个隐藏层和150个隐藏神经元。预测结果与文献中已知的黄化神经网络(SNN)、DSHW和自回归综合移动平均(ARIMA)等预测方法进行比较。与SSN相比，该方法减少了(MAPE)和(RRMS) 17%和22%，与DSHW相比，减少了9%和29%。  
  总结：通过启发式策略确定RBM的隐藏神经元数量，在4个隐藏层150个隐藏神经元的条件下，其预测性能相比SSN和DSHW均有所提高。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 21]  
  深度信念网络**DBN**在**STLF**中也有一些应用，研究人员希望利用**和SVR集成**的方法来提高DBN的负荷预测性能。研究人员在3个电力负荷需求数据集和3个回归数据集上应用了该方法，结果表明：SVR和DBN集成效果优于单独使用SVR、前馈NN、DBN和集成神经网络。对南澳大利亚的负荷需求预测结果显示，集成方法的RMSE为30.598，SVR为44.674，前馈NN为38.8585。  
  总结：与单独使用SVR、前馈NN、DBN和集成神经网络相比，DBN和SVR集成可以显著改善预测性能。  
![在这里插入图片描述][20210119210709562.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 22]  
  研究者提出一种**用于风速预测的深度玻尔兹曼机**，作者使用原始风速数据来预测短期以及长期风速。该算法被用来预测提前一小时和一天的风速，与自回归(AR)、自适应神经模糊推理系统(ANFIS)和SVR、SVM相比，该方法的性能有所提高。该方法提前10分钟的均方误差(MSE)为0.2951，对应于SVR的MSE为0.6340。提前一天预测的MSE为1.2926，相比之下SVR的MSE为1.3678，有所改善。  
  总结：DBM在短期以及长期风速预测方面较之SVR有显著提高。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 23]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 24]  
  表2比较了每篇论文中提出的方法和目前最先进的通用基准方法，显示了后一种方法相比于前一种方法RMSE的下降百分比。观察上表可以发现，与模糊神经网络相比，集成DBN和支持向量机方法的RMSE降低最显著，达到了21.2%。此外，PDRNN方法与ARIMA方法相比也有很大的降低，达到了19.2%。而使用带有k-means的CNN相比于只使用CNN，下降百分比也达到了12.3%。

# IV . CONCLUSION #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 25]

本文综述了应用于SG负荷预测的著名深度学习方法。这些学习算法中的大多数已经成功地进行了预测分析。**但同时也有一些问题有待解决，比如预测很受负载类型、时间、天气、季节、客户行为和假期的影响。**  
![在这里插入图片描述][2021011921194135.png_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 26]  
  神经网络技术广泛应用于负荷预测问题，本文重点综述了目前应用于SG负荷预测的各种DL方法的研究现状，可以总结如下：

1.  堆叠降噪自编码器算法用于电价的STLF，其对于前一天的预测效果很好。
2.  自动编码器和LSTM算法相结合，为可再生能源发电厂的预测提供了良好的RMSE结果。
3.  爱尔兰智能电表的负荷预测方面，深度RNN显示出优于其他预测方法(如ARIMA、SVR)的性能。
4.  基于LSTM的Seq2Seq在1小时分辨率下表现良好。
5.  采用k-means的CNN对冬夏STLF有着较好的预测性能。
6.  RBM用于客户的负荷预测，与ARIMA、DSHW和SSN相比，RBM的性能较好。
7.  DBN和支持向量机相结合，获得了最佳的负荷预测性能。
8.  预测DBM应用于智能电网的风速预测，在RMSE方面，与AR和SVR相比表现出了良好的性能。

原文链接：[A Review of Deep Learning Methods Applied on Load Forecasting][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center]: /images/20221119/be62a0c34cbe418086bd35b4a549b64a.png
[DL_1_CNN]: https://blog.csdn.net/Cyril_KI/article/details/112723818
[K_means]: https://blog.csdn.net/Cyril_KI/article/details/107144785
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221119/314e6da3bfbb46f0998cee41b9c79514.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221119/aba950d8e4714aae94c4c9f7bf4bb06b.png
[20210119202541795.png_pic_center]: /images/20221119/80f51311db3c4b7e81475fec00979c94.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221119/afaf1944f6644763b568c8094d06217e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221119/13f8e79d53364a38959d8ad8b409e323.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221119/241b26f2b9b4494aa97af5bf6a7627c0.png
[DL_2_AutoEncoder]: https://blog.csdn.net/Cyril_KI/article/details/112729924
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221119/50ec05426e514e0589613190335542c1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221119/4b21f2fa7dbd4107aa8f37d98347f8cb.png
[DL_3_RNN]: https://blog.csdn.net/Cyril_KI/article/details/112739170
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20221119/6ddbc748b61745588c70f7aee7a3aa4d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20221119/4e4f90b1e7e842acb74a4e716da57618.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 10]: /images/20221119/7f3e0a1ef89247b5b29d39ad0581902e.png
[DL_4_LSTM]: https://blog.csdn.net/Cyril_KI/article/details/112758157
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 11]: /images/20221119/9148ffedff424889bcea7608852717bb.png
[20210119124928423.png_pic_center]: /images/20221119/de32a1a0248e4ac98a2d503e7636778c.png
[20210119124949436.png_pic_center]: /images/20221119/c7da9415c82d47688689569eeb9b798c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 12]: /images/20221119/59cb66277cbe4d749aabce63e10551bc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 13]: /images/20221119/314c282629504bc79168192717a18c6f.png
[20210119125747490.png_pic_center]: /images/20221119/6ea00256b70c47c6adbd3cd43bf55b2a.png
[20210119130144962.png_pic_center]: /images/20221119/345d5bab0f274be187db6aa9f2cb4be4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 14]: /images/20221119/5858d57cdffe49b0a84fb414eaadf046.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 15]: /images/20221119/659bf12ab4e441ec91a09a36a1e7623d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 16]: /images/20221119/0e8673ed91934f31970e21e4ed5376cf.png
[20210119132336671.png_pic_center]: /images/20221119/4b63208001a34756b985cdb11538a68e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 17]: /images/20221119/a091f6e04d334d30b130498ef77d2a4d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 18]: /images/20221119/70cfe5fcc58e425ab2b74737cc8a4878.png
[2021011919214027.png_pic_center]: /images/20221119/896f1e33651648cbb63d825028683636.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 19]: /images/20221119/496fba2cba7944889fdf65adef97fa28.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 20]: /images/20221119/3991154c47a140a88f9382f8a5840e4d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 21]: /images/20221119/ae038c6a851f4097b11fc5c86fc65a36.png
[20210119210709562.png_pic_center]: /images/20221119/e5103cc01e184547a371fe8e8656b744.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 22]: /images/20221119/2182db57c12d4ed0aa40dec3b0016f9d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 23]: /images/20221119/4984d3d7f284478989be86218d496a8e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 24]: /images/20221119/ef807cb93f4b423c9223044334469072.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 25]: /images/20221119/ee21d69a13d145e2985f3e1f9ffaec6b.png
[2021011921194135.png_pic_center]: /images/20221119/d6cce4735b984388916b1c2d0d89fa29.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70_pic_center 26]: /images/20221119/9c6ba0ae2581452abad5c8b472343282.png
[A Review of Deep Learning Methods Applied on Load Forecasting]: https://ieeexplore.ieee.org/document/8260682