
-
生物通官微
陪你抓住生命科技
跳动的脉搏
量子驱动虚拟电厂自动驾驶系统:融合量子增强不确定性建模与多阶段博弈论控制的层次化决策框架
《Scientific Reports》:Quantum driven virtual power plant optimization using stackelberg reinforcement learning for joint energy and frequency markets
【字体: 大 中 小 】 时间:2026年09月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要本文提出了一种新的层次化决策引擎——量子驱动虚拟电厂自动驾驶系统(Q-VPP-Autopilot),旨在应对在深度不确定性条件下运行的高可再生能源渗透率、电动汽车集成和分布式存储的下一代电力系统。该框架包含三个创新模块:(a) 一种量子增强的不确定性场生成器,使用经典硬件
本文提出了一种新的层次化决策引擎——量子驱动虚拟电厂自动驾驶系统(Q-VPP-Autopilot),旨在应对在深度不确定性条件下运行的高可再生能源渗透率、电动汽车集成和分布式存储的下一代电力系统。该框架包含三个创新模块:(a) 一种量子增强的不确定性场生成器,使用经典硬件模拟的变分量子电路(VQC)生成风能和光伏预测的高保真概率分布;(b) 一种用于层次化VPP-EV协调的多阶段Stackelberg-强化引擎;(c) 一种自适应频率响应合成器,为储能系统和电动汽车集群分配实时控制信号。一种混合设计集成了量子采样、通过创新的Q-CVaR-Flow机制进行条件风险塑造,以及多阶段博弈论控制,使Q-VPP-Autopilot能够同时提高收入和系统稳定性。模拟使用来自NREL、PJM和Pecan Street的公开数据集进行,配置为反映具有代表性的电网场景。Q-VPP-Autopilot相对于确定性优化(DO)实现了18.0%的总收入提高,相对于标准深度强化学习(DDPG)提高了11.8%;相对于非协调充电减少了38.5%的净电动汽车充电成本,相对于DDPG基线减少了35%;与传统方法相比,频率调节跟踪偏差减少了42%。需要注意的是,本研究存在一些局限性,其中包括使用Qiskit 0.39通过经典模拟评估VQC模块,且未考虑当前NISQ硬件的退相干、门错误或读出噪声。