用于能量负荷预测的深度神经网络
本文介绍的工作研究使用卷积神经网络的有效性
用于执行能量负荷预测的网络（CNN）个人建筑水平。所提出的方法使用关于历史载荷的卷积。输出来自
卷积操作被馈送到完全连接的层与其他相关信息。提出的方法是
在电力消耗的基准数据集上实施对于单个住宅客户。
从CNN获得的结果与长期短期获得的结果进行了比较记忆LSTM序列到序列（LSTM S2S），因子限制玻尔兹曼机器（FCRBM），“浅”人工神经网络（ANN）和支持向量机（SVM）相同的数据集。实验结果显示CNN表现优于SVR
负荷预测分为三类：1）短期负荷预测（一小时至一周）2）中 - 期限负荷预测（一周到一年）和3）长期负荷预测（超过一年
前人贡献：
之前工作在个人建筑水平的负荷预测：条件限制玻尔兹曼机器（CRBM）[22]和
因子条件限制玻尔兹曼机器，作者将这两种方法比较为几种传统方法包括支持向量机和传统的或“浅的”人工神经网络（ANN）。
他们的实验结果显示了FCRBM方法表现优于其他测试方法。
作者使用深信仰网络每小时对马其顿人进行短期负荷预测电力消耗数据集[24]。他们比较结果
到人工神经网络并得出结论，DBN明显优于关于测试数据集的ANN
在[25]中，作者提出了一个结合深信仰网络和支持的集合方法矢量机器和当前负荷预测作为一个测试案例
提出的基于深度学习的回归方法。
在我们以前的工作中，我们调查了有效性使用基于长短期记忆（LSTM）的算法建筑物水平负荷预测[26]。 LSTM的两种变体
研究架构：1）标准LSTM架构2）基于LSTM的序列到序列架构，
有人表明了序列到序列结构表现良好并产生与[2]中的FCRBM算法具有可比性。
因此，CNN的表现是与ANN，SVM，LSTM，LSTM-S2S和FCRBM。 除了与其他算法进行比较外，测试了几种CNN架构。
例如，图像可以被视为2D网格和时间序列数据，如能耗数据，可视为一维网格
卷积定义为对两个函数的操作真实有价值的论点[28]。 卷积操作是用星号表示。
二维卷积
