[发明专利]基于量子粒子群算法的GRU网络的能耗预测方法、装置

权利要求书

1.一种基于量子粒子群算法的GRU网络的能耗预测方法，其特征在于，所述方法包括：

获取历史能耗数据，对历史数据进行预处理，得到按照时间段划分的分段能耗数据；

对所述分段能耗数据进行预处理，并划分训练集和测试集；

采用量子粒子群算法的GRU网络进行网络训练，其中量子粒子群算法用于对GRU网络的参数进行寻优；

根据所述寻优的结果，更新所述GRU网络的参数；

将训练完成的GRU网络用于能耗预测。

2.根据权利要求1所述的能耗预测方法，其特征在于，所述对能耗数据进行预处理，包括：

对所述能耗数据进行归一化处理，得到归一化的网络训练数据。

3.根据权利要求1所述的能耗预测方法，其特征在于，所述归一化处理采用Z-score标准化方法。

4.根据权利要求1所述的能耗预测方法，其特征在于，还包括：

利用所述量子粒子群算法对GRU网络的参数进行寻优，所述参数包括GRU网络的训练轮数和GRU层的隐含单元个数。

5.根据权利要求4所述的能耗预测方法，其特征在于，所述利用量子粒子群算法对GRU网络的参数进行寻优，包括：

初始化粒子群，设定粒子数；

根据所述GRU网络的寻优参数个数，设定待优化变量数；

根据所述GRU网络训练得到的损失函数值，评价每个粒子的适应度；

确定每个粒子当前时刻的位置极值和全局位置极值；

根据粒子群平均最优位置和当前全局最优粒子位置，更新粒子群的位置；

判断迭代次数达到第一设定值或粒子的适应度满足第二设定值的结束条件是否达到，达到则结束循环。

6.根据权利要求1所述的能耗预测方法，其特征在于，还包括：

将所述测试集数据输入训练后的GRU网络，得到预测数据；

将所述预测数据进行反归一化，得到对应的预测能耗数据。

7.根据权利要求1所述的能耗预测方法，其特征在于，还包括：

根据所述预测能耗数据计算预测数据的均方根误差和平均绝对百分比误差，验证对于能耗预测的精度。

8.一种基于量子粒子群算法的GRU网络的能耗预测的装置，其特征在于，包括：

获取模块，用于获取历史能耗数据，对历史数据进行预处理，得到按照时间段划分的分段能耗数据；

预处理模块，用于对能耗数据进行预处理，并划分训练集和测试集；

训练模块，用于采用量子粒子群算法的GRU网络进行网络训练，其中量子粒子群算法用于对GRU网络的参数进行寻优，根据所述寻优的结果，更新所述GRU网络的参数；

预测模块，用于将训练完成的GRU网络用于能耗预测。

9.一种电子设备，其特征在于，包括：

存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7中任一项所述的方法。

10.一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现如权利要求1-7中任一项所述的方法。