QDRFormer:量子启发密度表示学习与随机森林引导Transformer的锁相环失稳及混沌早期预测

《IEEE Access》:QDRFormer: Quantum-Inspired Density Representation Learning With Random Forest-Guided Transformers for Early Prediction of PLL Instability and Chaos

【字体: 大 中 小 】 时间:2026年09月23日 来源:IEEE Access 4.2

编辑推荐:

  锁相环(phase-locked loop,PLL)中的非线性失稳早期预测对于确保现代电力电子和通信系统的可靠性至关重要。本文提出QDRFormer,一种量子启发的密度表示学习框架,该框架整合了基于密度矩阵的特征、局部失稳描述符、随机森林(Random For

  
锁相环(phase-locked loop,PLL)中的非线性失稳早期预测对于确保现代电力电子和通信系统的可靠性至关重要。本文提出QDRFormer,一种量子启发的密度表示学习框架,该框架整合了基于密度矩阵的特征、局部失稳描述符、随机森林(Random Forest,RF)教师引导增强以及基于注意力的双分支Transformer。研究人员利用最大李雅普诺夫指数(largest Lyapunov exponent,LLE)将不同运行条件和初始状态下生成的PLL轨迹标记为稳定(Stable)、近临界(Near-Critical)或混沌(Chaotic)。滑动窗口片段被变换为量子启发密度表示,并与原始状态变量和工程化时间特征相融合。在固定的独立轨迹级测试集上,QDRFormer实现了91.56%的准确率和0.972的宏平均AUC(macro-AUC),而轨迹级五折分组K折交叉验证(Group K-Fold Cross-Validation)得到的平均准确率为84.67 ± 0.81%,为跨保留轨道的泛化提供了更保守的估计。部分轨迹评估表明,在指定的累积概率聚合程序下,最终运行状态可在10%观测视界处以78.21%的准确率和92.0%的混沌召回率被识别,且在排除失谐参数Δω时仍具有可比的判别能力。在未见过的Δω工作点上的评估进一步检验了工作点泛化性能。在PLL参数不确定性、测量噪声、降低的采样密度和瞬态扰动下的鲁棒性实验表明,模型对降低的采样密度和轻微瞬态扰动具有耐受性,同时对测量噪声和较强扰动表现出更高的敏感性。利用主成分分析(principal component analysis,PCA)、特征重要性和Transformer注意力的可解释性分析进一步提供了对学习表示的洞察。总体而言,QDRFormer为早期运行状态识别提供了一个可解释的框架。
锁相环(PLL)是通信、控制与电力电子系统中实现同步与频率锁定的关键部件。实际运行中,参数不确定、负载变化、测量噪声和外部扰动可能诱发假锁、分岔乃至混沌,导致同步失效和系统故障。传统解析方法虽能揭示失稳机理,但依赖精确模型,难以实时预警;现有机器学习方法多直接在原始时间序列上建模,缺乏对非线性状态轨迹几何与统计结构的显式刻画,且常采用随机样本划分,造成信息泄漏,高估泛化能力。为此,研究人员提出QDRFormer,将量子启发密度表示学习、随机森林教师引导与注意力Transformer相结合,用于PLL失稳与混沌的早期预测。

研究人员以归一化三阶PLL为对象,在不同失谐参数Δω和初始条件下数值生成轨迹,利用最大李雅普诺夫指数(LLE)将轨迹标记为稳定、近临界、混沌三类;经滑动窗口分割、密度矩阵构造与多类特征融合,输入双分支Transformer。在独立轨迹级测试集上,QDRFormer准确率达91.56%、宏AUC为0.972;五折Group K-Fold交叉验证平均准确率为84.67±0.81%。仅观察10%轨迹即可识别最终运行状态,准确率78.21%、混沌召回率92.0%,排除Δω后判别力仍可比,说明模型学习了轨迹动态结构而非仅依赖操作参数。鲁棒性与可解释性实验进一步验证了其应用潜力。

主要技术方法方面,本研究的样本全部来自数值模拟:对三阶PLL方程进行自适应Runge–Kutta积分,生成14,200条轨迹,剔除边界模糊的2,278条后保留11,922条;按LLE阈值标注类别,滑动窗口(长度50)共产生30,000个窗口,平衡后每类2,000个窗口、总计6,000个窗口,并采用轨迹级划分避免信息泄漏。关键技术包括:将状态向量归一化后构造外积密度矩阵,窗口平均并迹归一化,提取纯度、冯·诺依曼熵等谱与信息论描述符;计算均值、标准差、能量、导数能量、对数能量增长率、曲率等统计与局部失稳特征;随机森林教师经轨迹级交叉验证生成out-of-fold类别概率并拼接至输入;双分支Transformer分别处理原始状态与密度特征,经位置编码、多头自注意力、注意力池化与分类头输出三分类。

研究结果部分按原文小标题概述如下。数据集特征:数值模拟产生14,200条轨迹,剔除后保留11,922条,原始类别严重不平衡(稳定类仅137条),平衡后使用6,000个窗口。独立测试结果
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号