Ein zusammenhängendes temporales Chebyshev-Faltungs-Optimierungsnetzwerk (CoC-TemNet) Modell zur Energievorhersage in IoT-fähigen Smart City Netzwerken

Smart Cities haben die Fähigkeit, ihre Umgebungen in Echtzeit zu überwachen und zu verwalten, dank des Aufkommens der Internet of Things-Technologie. Im Kontext des Energiemanagements kann die Energievorhersage durch die Überwachung und Bewertung dynamischer Umweltdaten von der Verbraucher Seite erfolgen. Der Entscheidungsprozess, der mit der Energieproduktion verbunden ist, kann dann durch diese Informationen unterstützt werden, um eine flexible Produktion zu erreichen und eine Über- oder Unterversorgung mit Energie zu vermeiden. Die Menge und Vielfalt der IoT-Daten macht es schwierig, ein effizientes Energieschätzsystem zu erstellen, das die sich ändernden Bedingungen der IoT-Umgebung effektiv erfasst. Diese Forschung zielt darauf ab, die Energie vorherzusagen, um ein effizientes Energiemanagement in Netzwerken von Smart Cities zu gewährleisten. Hier wird ein einzigartiges Framework, genannt Kontinuierliches Zeit-Chebyshev-Faltungs-Optimierungsnetzwerk (CoC-TemNet), für das Energiemanagement und die Lastvorhersage von IoT-fähigen Smart City-Anwendungen entwickelt. Zur Auswahl der entscheidenden Eigenschaften für die Berechnung der Energie-Funktion wird in diesem Fall das Chebyshev Non-Spiritual Network Model (CN2M) verwendet. Anschließend wird das Contiguous Temporal Convolution Network (CTCN) Modell verwendet, um die Energie mit Genauigkeit unter Verwendung der gewählten Merkmale vorherzusagen. Die Hybrid Leaping Lizard Immune Optimization (HLIO)-Technik wird verwendet, um die Zielfunktion für die Verbesserung des Vorhersageprozesses zu berechnen. Die vorgeschlagene Methode wurde an mehreren Datensätzen validiert: Südchina, IHEPC, AEP und ISO-NE. Übertrifft Basislinienmodelle mit niedrigen RMSE, MSE, MAE Werten und 28,1% MAPE. Deutlich kürzere Ausführungszeiten: 0,98 ms für IHEPC und 0,11 ms für den AEP-Datensatz.