用于交流最优潮流的高级混合量子神经网络
系统与控制
2025-03-03 v4 系统与控制
摘要
交流最优潮流（AC-OPF）对于电力系统的高效规划和实时运行至关重要，但它仍然是一个 NP 难的非凸优化问题，计算挑战巨大。本文提出了一种新颖的用于 AC-OPF 问题的混合经典-量子深度学习框架，该框架集成了用于特征提取的参数化量子电路（PQC）和用于数据编码与解码的经典深度学习。所提出的框架集成了两种残差连接结构，以缓解量子电路中的“贫瘠高原”问题，从而提高训练稳定性和收敛性。此外，还引入了一个物理信息神经网络（PINN）模块，以确保可容忍的约束违反，提高 AC-OPF 解的物理一致性和可靠性。在多个 IEEE 测试系统上的实验评估表明，所提出的方法在量子噪声下实现了更高的准确性、泛化性和鲁棒性，同时所需的量子资源最少。
关键词
引用
@article{arxiv.2410.20275,
title = {Advancing Hybrid Quantum Neural Network for Alternative Current Optimal Power Flow},
author = {Ze Hu and Ziqing Zhu and Linghua Zhu and Xiang Wei and Siqi Bu and Ka Wing Chan},
journal= {arXiv preprint arXiv:2410.20275},
year = {2025}
}