
-
生物通官微
陪你抓住生命科技
跳动的脉搏
通过连续变分模分解技术改进的量子长短期记忆模型,用于太阳辐射预测
《Scientific Reports》:Improved quantum long short-term memory with successive variational mode decomposition for solar irradiance prediction
【字体: 大 中 小 】 时间:2026年05月21日 来源:Scientific Reports 3.9
编辑推荐:
摘要短期太阳辐照度预测对于高效电力调度、太阳能集成能源管理系统的设计以及维持电网稳定性至关重要。然而,太阳能本身的不稳定性会导致电力输出的波动,从而给电网的可靠运行带来挑战。本文利用量子计算的最新进展,提出了一种基于量子驱动的神经网络模型用于太阳辐照度预测,该模型结合了连续变分模
短期太阳辐照度预测对于高效电力调度、太阳能集成能源管理系统的设计以及维持电网稳定性至关重要。然而,太阳能本身的不稳定性会导致电力输出的波动,从而给电网的可靠运行带来挑战。本文利用量子计算的最新进展,提出了一种基于量子驱动的神经网络模型用于太阳辐照度预测,该模型结合了连续变分模分解(SVMD)和改进的量子长短期记忆(IQLSTM)网络。为了提高电路的可表达性,在量子长短期记忆(QLSTM)架构中嵌入了包含受控X门(CRX门)的鲁棒变分量子电路(RVQC)。在RVQC中,采用了具有双向连接的环形拓扑结构来优化量子比特之间的互连并增强纠缠。该模型使用来自美国国家可再生能源实验室(NREL)的海得拉巴(2019年)和班加罗尔(2019年、2018年)的两个太阳辐照度数据集进行了评估。为了验证所提出电路的有效性,分别在不同的天气条件下以及多个预测时间范围内进行了测试,并将结果与传统的LSTM网络以及其他基于量子的网络(如量子门循环单元(QGRU)、量子支持向量机(QSVM)和QLSTM)进行了比较。此外,该模型还在噪声量子环境中进行了测试,以模拟实际的噪声中等规模量子(NISQ)硬件条件,从而评估其在实际量子计算约束下的鲁棒性。实验结果表明,与现有的经典和基于量子的方法相比,所提出的模型在预测准确性和鲁棒性方面具有显著优势。