基于量子启发变分核与可解释AI框架的跨区域太阳能和风能发电预测
计算与语言
2026-05-12 v1 人工智能
机器学习
摘要
可靠的短期预测是现代电力系统的结构性前提，但大多数已发表的预测方法都在单一气候背景下进行调优和评估，且算法新颖性主要集中在经典循环网络或单一的基础模型上，这些模型将预测与解释功能性地结合。我们开发了一个四阶段混合框架，将这些关注点分离。第一阶段通过公共应用编程接口获取小时级发电、辐射和地表天气记录。第二阶段训练三个经典基线：自回归积分移动平均、梯度提升回归树和两个层长短期记忆网络，产生强有力的点预测及残差误差序列。第三阶段通过基于六量子比特硬件高效态式构建的量子启发变分核来校正残差。第四阶段严格将生成式人工智能用作解释层，读取测量的基准数字，生成结构化的自然语言解释。在从公开档案中抽取的三个区域（伊比利亚日照、北海风力和德克萨斯混合轨迹）上，所提出的配置在领域内预测任务上与最强经典基线相差不到一个百分点；量子启发核将平静和暴风天气气候 regime 分离开来，其Fisher判别比约为调优径向基核的约15倍。
引用
@article{arxiv.2605.09032,
title = {A Quantum Inspired Variational Kernel and Explainable AI Framework for Cross Region Solar and Wind Energy Forecasting},
author = {Pavan Manjunath and Thomas Prufer},
journal= {arXiv preprint arXiv:2605.09032},
year = {2026}
}