基于GRU的短期负荷功率预测 基于LSTM的短期负荷功率预测 基于PSO-GRU的短期负荷功率预测 基于PSO-LSTM的短期负荷功率预测 基于QPSO-GRU的短期负荷功率预测 基于QPSO-LSTM的短期负荷功率预测
量子粒子群QPSO优化算法可以参考中文EI顶级期刊《中国电机工程学报》中的《基于 RFID 传感标签及 QPSO-RVM 的 变压器绕组故障在线诊断技术》和《高电压技术》中的《基于 QPSO-SVR 算法的SF6断路器触头烧蚀 状态评估》，程序注释清晰，干货满满，下面对程序做简要介绍。
粒子群优化PSO和量子粒子群QPSO的原理：
粒子群优化算法PSO：
创新点①：不再考虑粒子的移动速度，而根据量子粒子群的平均最优位置更新粒子的位置，因此粒子位置的更新与该粒子之前的运动没有任何关系，增加了粒子运动的随机性，避免了 PSO 算法容易陷入局部最优的问题，使得粒子可以更高效地搜索到全局最优解。
创新点②：采用压缩扩张因子控制粒子位置的更新，增强了全局收敛能力。QPSO 算法的寻优能力优于PSO 算法。
长短期记忆网络 LSTM：长短期记忆网络是一种循环神经网络（RNN）的变体，专门用于处理序列数据的建模。LSTM通过门控机制（输入门、遗忘门和输出门）来控制对过去信息的遗忘和记忆，从而有效地处理长序列依赖关系。在时序预测中，LSTM可以用于学习序列数据中的长期依赖关系，捕捉到序列中的时间演化模式。
门控循环单元网络GRU：结构上GRU简化了LSTM的结构，它只有两个门：重置门和更新门。运作方式：重置门帮助模型决定过去的信息有多少需要忘记，更新门用于决定要从过去的隐藏状态保留多少信息。特点：GRU在参数数量上比LSTM少，通常计算上也更高效。回归预测上，GRU可以与LSTM达到相似的性能。相较于结构复杂的LSTM，GRU通过简化结构提供了一种更高效的预测方案。
PSO-GRU和GRU：
QPSO-GRU：
%% 利用优化得到的参数重新训练GRUtrain = 0; % 是否重新训练if train == 1rng(0) % 设置随机数种子numFeatures = size(XTrain, 1); % 输入特征数量numResponses = size(YTrain, 1); % 输出特征数量miniBatchSize = 16; % 批处理大小numHiddenUnits1 = x(1); % 第一个GRU层的隐藏单元数量numHiddenUnits2 = x(2); % 第二个GRU层的隐藏单元数量maxEpochs = x(3); % 最大迭代次数learning_rate = x(4); % 学习率%% QPSO优化后，构建新的GRU模型，组成QPSO-GRUlayers = [ ...sequenceInputLayer(numFeatures) % 序列输入层bilstmLayer(numHiddenUnits1) % 第一个GRU层bilstmLayer(numHiddenUnits2) % 第二个GRU层selfAttentionLayer(1,32); % 多头自注意力机制层AttentionfullyConnectedLayer(numResponses) % 全连接层regressionLayer]; % 回归层%% 训练选项options = trainingOptions('adam', ... % 训练选项配置'MaxEpochs', maxEpochs, ... % 最大迭代次数'MiniBatchSize', miniBatchSize, ... % 小批量大小'InitialLearnRate', learning_rate, ... % 初始学习率'GradientThreshold', 1, ... % 梯度阈值'miniBatchSize',16,... % 批处理大小'Shuffle', 'every-epoch', ... % 每轮迭代时数据洗牌'Verbose', true, ... % 显示详细信息'Plots', 'training-progress'); % 显示训练进度图net = trainNetwork(XTrain, YTrain, layers, options); % 训练BiLSTM网络save 结果保存/net_qpso_gru net % 保存训练好的网络elseload 结果保存/net_qpso_gru % 加载已训练好的网络end
欢迎感兴趣的小伙伴点击“阅读原文”或上方链接获得完整版代码哦~，关注小编会继续推送更有质量的学习资料、文章程序代码~
