An artificial neural networks (ANN)

An artificial neural networks (ANN) approach can provide the basis of an important tool for forecasting energy consumption. In addition, this approach can be applied to forecast the amounts of energy demand likely to be satisfied by different energy sources. Although many investigations involving the ANN approach have been reported, limited studies are available in the open literature on predicting energy consumption for different applications. For example, Anstett and Kreider (1993) applied different neural networking models to predict energy use. Mihalakakou et al. (2002) used feed-forward back-propagation neural networks for modeling and estimating the energy consumption for residential buildings. Kermanshahi and Iwamiya (2002) investigated the prediction
of peak electric loads in Japan to year 2020 using ANN approach. Using ANN, Aydinalp et al. (2002, 2003) modeled appliance, lighting and space cooling energy consumption in the residential sector, as well as residential energy consumption at the national level. Nasret al. (2003) studied back-propagation neural networks for modeling gasoline consumption. However, studies on ANN modeling of primary energy, fossil fuel and green energy consumption have not been reported in the literature.

Kết quả (Việt) 1:

Một cách tiếp cận mạng nơ-ron (ANN) artificial có thể cung cấp cơ sở của một công cụ quan trọng cho dự báo tiêu thụ năng lượng. Ngoài ra, cách tiếp cận này có thể được áp dụng để dự báo một lượng nhu cầu năng lượng có khả năng là satisfied bởi nguồn năng lượng khác nhau. Mặc dù nhiều điều tra liên quan đến phương pháp tiếp cận ANN đã được báo cáo, giới hạn nghiên cứu có sẵn trong các tài liệu mở ngày dự đoán năng lượng tiêu thụ cho các ứng dụng khác nhau. Ví dụ, Anstett và Kreider (1993) áp dụng mô hình mạng nơ-ron khác nhau để dự đoán sử dụng năng lượng. Mihalakakou et al. (2002) sử dụng mạng nơ-ron nuôi tiến trở lại-tuyên truyền cho mô hình và ước tính mức tiêu thụ năng lượng cho tòa nhà dân cư. Kermanshahi và Iwamiya (2002) điều tra dự đoáncao điểm tải điện tại Nhật bản vào năm 2020 bằng cách sử dụng phương pháp tiếp cận ANN. Bằng cách sử dụng ANN, Aydinalp et al. (2002, 2003) mô hình thiết bị, ánh sáng và không gian làm mát tiêu thụ năng lượng trong các khu vực dân cư, cũng như dân cư năng lượng tiêu thụ ở cấp quốc gia. Nasret và những người khác (2003) đã nghiên cứu mạng nơ-ron tuyên truyền trở lại cho mô hình tiêu thụ xăng. Tuy nhiên, nghiên cứu trên ANN mô hình chính năng lượng, nhiên liệu hóa thạch và tiêu thụ năng lượng xanh đã không được báo cáo trong các tài liệu.

Kết quả (Việt) 2:

An fi arti mạng thần kinh tài (ANN) cách tiếp cận có thể cung cấp cho các cơ sở của một công cụ quan trọng để tiêu thụ năng lượng dự báo. Ngoài ra, phương pháp này có thể được áp dụng để dự báo số lượng nhu cầu năng lượng có khả năng được satis fi ed bởi các nguồn năng lượng khác nhau. Mặc dù nhiều cuộc điều tra liên quan đến các phương pháp tiếp cận ANN đã được báo cáo, nghiên cứu hạn chế có sẵn trong các tài liệu mở về sự dự đoán mức tiêu thụ năng lượng cho các ứng dụng khác nhau. Ví dụ, Anstett và Kreider (1993) áp dụng mô hình mạng thần kinh khác nhau để dự đoán sử dụng năng lượng. Mihalakakou et al. (2002) sử dụng mạng thần kinh lan truyền ngược feed-forward cho mô hình và ước tính mức tiêu thụ năng lượng cho các tòa nhà dân cư. Kermanshahi và Iwamiya (2002) đã nghiên cứu dự đoán
của các phụ tải điện cao điểm ở Nhật Bản đến năm 2020 bằng cách sử dụng phương pháp tiếp cận ANN. Sử dụng ANN, Aydinalp et al. (2002, 2003) mô hình thiết bị, ánh sáng và không gian làm mát tiêu thụ năng lượng trong các khu vực dân cư, cũng như tiêu thụ năng lượng trong nhà ở cấp quốc gia. Nasret al. (2003) đã nghiên cứu lan truyền ngược các mạng thần kinh để tiêu thụ mẫu xăng. Tuy nhiên, các nghiên cứu về mô hình ANN năng lượng sơ cấp, nhiên liệu hóa thạch và tiêu thụ năng lượng xanh chưa được báo cáo trong y văn.