用于风能预测的量子神经网络：与经典模型的性能和可扩展性比较研究
机器学习
2025-07-01 v1 人工智能
性能
摘要
量子神经网络作为量子机器学习（QML）中的一种重要方法，正成为经典机器学习方法的强大替代方案。近期研究关注 QNN 在各种任务中的适用性，如时间序列预测、预测和分类，应用领域涵盖网络安全和医学成像。随着可再生能源系统整合推动智能电网的日益普及，机器学习在预测电力需求和检测系统干扰方面发挥着重要作用。本研究对用于预测风力涡轮机功率输出的 QNN 进行了深入调查。我们评估了六种 QNN 配置的预测性能和仿真时间，这些配置基于 Z Feature Map 进行数据编码并具有不同的 ansatz 结构。通过详细的交叉验证实验和在未见过的留出数据集上的测试，我们通过实验证明，QNN 可以实现与基准经典方法相媲美、在某些情况下略优于它们的预测性能。我们的结果还揭示了数据集大小和电路复杂性对预测性能和仿真时间的影响。我们相信，我们的发现将为希望将量子机器学习纳入其工作的能源领域研究人员提供有价值的见解。
引用
@article{arxiv.2506.22845,
title = {Quantum Neural Networks for Wind Energy Forecasting: A Comparative Study of Performance and Scalability with Classical Models},
author = {Batuhan Hangun and Oguz Altun and Onder Eyecioglu},
journal= {arXiv preprint arXiv:2506.22845},
year = {2025}
}