CN116187548A - 一种光伏发电功率预测方法、装置、存储介质及电子装置 - Google Patents
一种光伏发电功率预测方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN116187548A CN116187548A CN202310105297.7A CN202310105297A CN116187548A CN 116187548 A CN116187548 A CN 116187548A CN 202310105297 A CN202310105297 A CN 202310105297A CN 116187548 A CN116187548 A CN 116187548A
- Authority
- CN
- China
- Prior art keywords
- quantum
- feature vector
- qlstm
- network
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010248 power generation Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 284
- 239000002096 quantum dot Substances 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Neurology (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种光伏发电功率预测方法、装置、存储介质及电子装置,涉及量子计算领域,该方法包括:获取待预测日前多个时刻的历史光伏数据;将历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量,量子卷积模型包括第一变分量子线路,第一变分量子线路用于将历史光伏数据编码至第一量子态,并将第一量子态演化至第二量子态,根据第二量子态确定第一特征向量;将第一特征向量输入量子编码器‑解码器Encoder‑Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,量子Encoder‑Decoder模型被训练用于根据第一特征向量预测第二特征向量;根据第二特征向量确定待预测日的光伏发电功率,可以提高光伏发电功率的预测精度。
Description
技术领域
本发明属于量子计算技术领域,特别是涉及一种光伏发电功率预测方法、装置、存储介质及电子装置。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息,运行的是量子算法时,它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力,例如,能将破解RSA密钥的时间从数百年加速到数小时,故成为一种正在研究中的关键技术。
目前,光伏电站的光伏发电功率受到气象波动因素影响,天气不稳定会导致光伏发电功率的剧烈波动,当光伏电站接入电网时,光伏电站的光伏发电功率不稳定不利于电网电力的调度管理。
可见,光伏发电功率的准确预测对于电力的调度管理至关重要,当前对于光伏发电功率的预测主要是建立经典神经网络模型,利用历史发电功率对未来一段时间内的光伏发电功率进行预测,而经典神经网络难以对历史发电功率数据特征之间的非线性关系建模,因此现有方案对光伏发电功率的预测精度有待提高。
发明内容
本发明的目的是提供一种光伏发电功率预测方法、装置、存储介质及电子装置,旨在提高对光伏发电功率的预测精度。
为了实现上述目的,本发明实施例的第一方面,提供一种光伏发电功率预测方法,该方法包括:
获取待预测日前多个时刻的历史光伏数据;
将所述历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量,所述量子卷积模型包括第一变分量子线路,所述第一变分量子线路用于将所述历史光伏数据编码至第一量子态,并将所述第一量子态演化至第二量子态,根据所述第二量子态确定所述第一特征向量;
将所述第一特征向量输入量子编码器-解码器Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,所述量子Encoder-Decoder模型被训练用于根据所述第一特征向量预测所述第二特征向量;
根据所述第二特征向量确定所述待预测日的光伏发电功率。
可选的,所述量子Encoder-Decoder模型包括量子编码器和量子解码器,所述将所述第一特征向量输入量子Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,包括:
将每一时刻的所述第一特征向量输入包括多层第一量子长短时记忆QLSTM网络的所述量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量;
将每一时刻的所述编码特征向量输入包括多层第二QLSTM网络和量子注意力网络QAN的所述量子解码器进行序列特征解码,得到量子解码器输出的所述每一时刻历史光伏数据的第二特征向量。
可选的,所述多层第一QLSTM网络依次连接,所述将每一时刻的所述第一特征向量输入包括多层第一量子长短时记忆QLSTM网络的所述量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量,包括:
将每一时刻的所述第一特征向量依次输入对应的第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量。
可选的,所述多层第一QLSTM网络与所述多层第二QLSTM网络一一对应,每一层第二QLSTM网络连接一个QAN,所述将每一时刻的所述编码特征向量输入包括多层第二QLSTM网络和量子注意力网络的所述量子解码器进行序列特征解码,得到量子解码器输出的所述每一时刻历史光伏数据的第二特征向量,包括:
将每一时刻的所述编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,将每一QAN的输出与上一层第二QLSTM网络的输出拼接得到的第三特征向量,将第三特征向量输入与该QAN连接的第二QLSTM网络,并将所述量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量。
可选的,所述第一QLSTM网络包括第二变分量子线路,所述第二变分量子线路的编码层不同于所述第一变分量子线路的编码层,所述将多个时刻的所述第一特征向量依次输入一层第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量,包括:
利用所述第二变分量子线路将上一层第一QLSTM网络输出的隐藏状态向量和所述第一特征向量编码到第三量子态,并将所述第三量子态编码演化至第四量子态,根据所述第四量子态确定第四特征向量,基于第一QLSTM网络的激活函数对所述第四特征向量进行计算,得到每一时刻的编码特征向量。
可选的,所述第二QLSTM网络包括所述第二变分量子线路,所述将第三特征向量输入与该QAN连接的第二QLSTM网络,并将所述量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量,包括:
利用所述第二变分量子线路将量子编码器中对应的第一QLSTM网络的隐藏状态向量和第三特征向量编码到第五量子态,并将第五量子态演化至第六量子态,根据所述第六量子态确定第五特征向量,基于第二QLSTM网络的激活函数对所述第五特征向量进行计算,得到每一时刻的第二特征向量。
可选的,所述QAN包括第三变分量子线路,所述第三变分量子线路的含参变分层不同于所述第二变分量子线路的含参变分层,所述将每一时刻的所述编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,包括:
利用所述第三变分量子线路将每一时刻的编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量编码至第七量子态,并演化至第八量子态,根据所述第八量子态确定QAN的输出。
可选的,所述第一变分量子线路的编码层包括作用于每一量子比特的RX门、RZ门、RY门,含参变分层包括作用于每一量子比特的RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
可选的,所述第二变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
可选的,所述第三变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、RZ门、RX门、RY门和作用于相邻量子比特的RXX门以及第一个和最后一个量子比特的RXX门。
本发明实施例的第二方面,提供了一种光伏发电功率预测装置,该装置包括:
获取模块,用于获取待预测日前多个时刻的历史光伏数据;
输入模块,用于将所述历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量,所述量子卷积模型包括第一变分量子线路,所述第一变分量子线路用于将所述历史光伏数据编码至第一量子态,并将所述第一量子态演化至第二量子态,根据所述第二量子态确定所述第一特征向量;
所述输入模块,还用于将所述第一特征向量输入量子编码器-解码器Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,所述量子Encoder-Decoder模型被训练用于根据所述第一特征向量预测所述第二特征向量;
确定模块,用于根据所述第二特征向量确定所述待预测日的光伏发电功率。
可选的,所述量子Encoder-Decoder模型包括量子编码器和量子解码器,所述输入模块,具体用于:
将每一时刻的所述第一特征向量输入包括多层第一量子长短时记忆QLSTM网络的所述量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量;
将每一时刻的所述编码特征向量输入包括多层第二QLSTM网络和量子注意力网络QAN的所述量子解码器进行序列特征解码,得到量子解码器输出的所述每一时刻历史光伏数据的第二特征向量。
可选的,所述多层第一QLSTM网络依次连接,所述输入模块,具体用于:
将每一时刻的所述第一特征向量依次输入对应的第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量。
可选的,所述多层第一QLSTM网络与所述多层第二QLSTM网络一一对应,每一层第二QLSTM网络连接一个QAN,所述输入模块,具体用于:
将每一时刻的所述编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,将每一QAN的输出与上一层第二QLSTM网络的输出拼接得到的第三特征向量,将第三特征向量输入与该QAN连接的第二QLSTM网络,并将所述量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量。
可选的,所述第一QLSTM网络包括第二变分量子线路,所述第二变分量子线路的编码层不同于所述第一变分量子线路的编码层,所述输入模块,具体用于:
利用所述第二变分量子线路将上一层第一QLSTM网络输出的隐藏状态向量和所述第一特征向量编码到第三量子态,并将所述第三量子态编码演化至第四量子态,根据所述第四量子态确定第四特征向量,基于第一QLSTM网络的激活函数对所述第四特征向量进行计算,得到每一时刻的编码特征向量。
可选的,所述第二QLSTM网络包括所述第二变分量子线路,所述输入模块,具体用于:
利用所述第二变分量子线路将量子编码器中对应的第一QLSTM网络的隐藏状态向量和第三特征向量编码到第五量子态,并将第五量子态演化至第六量子态,根据所述第六量子态确定第五特征向量,基于第二QLSTM网络的激活函数对所述第五特征向量进行计算,得到每一时刻的第二特征向量。
可选的,所述QAN包括第三变分量子线路,所述第三变分量子线路的含参变分层不同于所述第二变分量子线路的含参变分层,所述输入模块,具体用于:
利用所述第三变分量子线路将每一时刻的编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量编码至第七量子态,并演化至第八量子态,根据所述第八量子态确定QAN的输出。
可选的,所述第一变分量子线路的编码层包括作用于每一量子比特的RX门、RZ门、RY门,含参变分层包括作用于每一量子比特的RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
可选的,所述第二变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
可选的,所述第三变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、RZ门、RX门、RY门和作用于相邻量子比特的RXX门以及第一个和最后一个量子比特的RXX门。
本发明实施例的第三方面,提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述第一方面中任一项所述方法的步骤。
本发明实施例的第四方面,提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述第一方面中任一项所述方法的步骤。
基于上述技术方案,本发明通过量子卷积模型提取多个时刻的历史光伏数据的第一特征向量,将每一时刻的第一特征向量输入量子Encoder-Decoder模型,可以得到第二特征向量,根据第二特征向量可以确定出待预测日的光伏发电功率,由于量子卷积模型包括第一变分量子线路,第一变分量子线路可以将多个时刻的历史光伏数据编码到第一量子态,并将第一量子态演化至第二量子态,进而根据第二量子态确定每一时刻的第一特征向量,而第一变分量子线路可以使得相邻量子比特纠缠,也就可以使得每一时刻的第一特征向量交互纠缠,得到了多个时刻的历史光伏数据的非线性关系,进而提高了对光伏发电功率的预测精度。
附图说明
图1是根据一示例性实施例示出的一种光伏发电功率预测方法的计算机终端的硬件结构框图;
图2是根据一示例性实施例示出的一种光伏发电功率预测方法的流程图;
图3是根据一示例性实施例示出的一种第一量子线路的示意图;
图4是根据一示例性实施例示出的另一种光伏发电功率预测方法的流程图;
图5是根据一示例性实施例示出的一种第二量子线路的示意图;
图6是根据一示例性实施例示出的一种第三量子线路的示意图;
图7是根据一示例性实施例示出的一种量子长短时记忆网络的结构示意图;
图8是根据一示例性实施例示出的一种量子卷积模型和量子Encoder-Decoder模型的结构示意图;
图9是根据一示例性实施例示出的一种光伏发电功率预测装置的框图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种光伏发电功率预测方法,该方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1是根据一示例性实施例示出的一种光伏发电功率预测方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储基于量子线路的光伏发电功率预测方法的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的光伏发电功率预测方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
需要说明的是,真正的量子计算机是混合结构的,它包含两大部分:一部分是经典计算机,负责执行经典计算与控制;另一部分是量子设备,负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列,实现了对量子逻辑门操作的支持,并最终实现量子计算。具体的说,量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中,因受限于量子设备硬件的发展,通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常,需要构建特定问题对应的量子程序。本发明实施例所指量子程序,即是经典语言编写的表征量子比特及其演化的程序,其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式,也称量子逻辑电路,是最常用的通用量子计算模型,表示在抽象概念下对于量子比特进行操作的线路,其组成包括量子比特、线路(时间线)、以及各种量子逻辑门,最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号,在量子线路中,线路可看成是由时间所连接,亦即量子比特的状态随着时间自然演化,在这过程中按照哈密顿运算符的指示,一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路,本发明所述量子程序即指该条总的量子线路,其中,该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为:一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成,一条量子线路可以包含几十上百个甚至成千上万个量子逻辑门操作。量子程序的执行过程,就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是,时序即单个量子逻辑门被执行的时间顺序。
需要说明的是,经典计算中,最基本的单元是比特,而最基本的控制模式是逻辑门,可以通过逻辑门的组合来达到控制电路的目的。类似地,处理量子比特的方式就是量子逻辑门。使用量子逻辑门,能够使量子态发生演化,量子逻辑门是构成量子线路的基础,量子逻辑门包括单比特量子逻辑门,如Hadamard门(H门,阿达马门)、泡利-X门(X门,泡利X门)、泡利-Y门(Y门,泡利Y门)、泡利-Z门(Z门,泡利Z门)、RX门(RX旋转门)、RY门(RY旋转门)、RZ门(RZ旋转门)等等;多比特量子逻辑门,如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示,而酉矩阵不仅是矩阵形式,也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的向量进行计算。例如,量子态右矢|0>对应的向量可以为量子态右矢|1>对应的向量可以为/>
参见图2,图2是根据一示例性实施例示出的一种光伏发电功率预测方法的流程图,该方法包括:
S201、获取待预测日前多个时刻的历史光伏数据。
本发明实施例中,历史光伏数据包括数值天气预测值和历史光伏发电功率,多个时刻的历史光伏数据可以是待预测日前几日的历史光伏数据,也可以是待预测日前更早的历史光伏数据,可以根据实际应用情况选取多个时刻的历史光伏数据,其中,数值天气预测值和历史光伏发电功率的采样频率相同。
例如,待预测日为2022.12.12,则多个时刻的历史光伏数据可以为该待预测日前的2022.12.9的9时、11时、13时、15时和17时五个时刻的历史光伏数据。
S202、将历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量。
其中,量子卷积模型包括第一变分量子线路,第一变分量子线路用于将多个时刻的历史光伏数据编码至第一量子态,并将第一量子态演化至第二量子态,根据第二量子态确定第一特征向量。
本发明实施例中,第一变分量子线路包括作用于相邻量子比特以及作用于第一个和最后一个量子比特的量子逻辑门,该量子逻辑门可以对相邻量子比特进行纠缠。
具体的,第一变分量子线路的编码层包括作用于每一量子比特的RX门、RZ门和RY门,含参变分层包括作用于每一量子比特的RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
如图3所示,图3为本申请实施例提供的第一变分量子线路的示意图,图中示出了q0至q7八个量子比特,第一变分量子线路包括编码层、含参变分层和测量层,其中,编码层包括依次作用于每一量子比特的RX门、RZ门和RY门,含参变分层包括作用于每一量子比特RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门,编码层用于将历史光伏数据编码至第一量子态,含参变分层用于将第一量子态演化至第二量子态,测量层用于测量对每一量子比特进行测量。
第一变分量子线路可以通过旋转角度编码的方式,将多个时刻的历史光伏数据编码至第一量子态。
例如,可以先通过计算t时刻的历史光伏数据Xt的每一元素的反三角函数值arctan(xt)确定旋转角度,然后通过RY(arctan(xt))、RZ(arctan(xt))和RY(arctan(xt))依次对每一量子比特作用得到第一量子态。
含参变分层中的CNOT门用于对相邻量子比特以及第一个和最后一个量子比特进行量子纠缠。
在一种具体的实现方式中,可以通过测量处于第二量子态的量子比特的泡利算符Z的期望值,得到每一时刻的历史光伏数据的第一特征向量。
S203、将第一特征向量输入量子编码器-解码器Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量。
其中,量子Encoder-Decoder模型被训练用于根据第一特征向量预测第二特征向量。
需要说明的是,本发明实施例中多个时刻的历史光伏数据经过量子卷积模型的特征提取,可以得到多个时刻的第一特征向量,多个时刻的第一特征向量输入量子Encoder-Decoder模型,可以得到多个时刻的第二特征向量。量子Encoder-Decoder模型的具体结构将下文进行详细介绍。
S204、根据第二特征向量确定待预测日的光伏发电功率。
延续S201中的例子,假设待预测日为2022.12.12,多个时刻的历史光伏数据为该待预测日前的2022.12.9的9时、11时、13时、15时和17时五个时刻的历史光伏数据,则可以根据9时、11时、13时、15时和17时五个时刻的历史光伏数据的第二特征向量,确定待预测日在9时、11时、13时、15时和17时的光伏发电功率。
本发明通过量子卷积模型提取多个时刻的历史光伏数据的第一特征向量,将每一时刻的第一特征向量输入量子Encoder-Decoder模型,可以得到第二特征向量,根据第二特征向量可以确定出待预测日的光伏发电功率,由于量子卷积模型包括第一变分量子线路,第一变分量子线路可以将多个时刻的历史光伏数据编码到第一量子态,并将第一量子态演化至第二量子态,进而根据第二量子态确定每一时刻的第一特征向量,而第一变分量子线路可以使得相邻量子比特纠缠,也就可以使得每一时刻的第一特征向量交互纠缠,得到了多个时刻的历史光伏数据的非线性关系,进而提高了对光伏发电功率的预测精度。
在本发明另一实施例中,如图4所示,图4为本发明实施例提供的另一种光伏发电功率预测方法的流程示意图,上述量子Encoder-Decoder模型包括量子编码器和量子解码器,上述S203、将第一特征向量输入量子Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,具体可以实现为:
S2031、将每一时刻的第一特征向量输入包括多层第一量子长短时记忆(QuantumLong Short-Tterm Memory,QLSTM)网络的量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量。
S2032、将每一时刻的编码特征向量输入包括多层第二QLSTM网络和量子注意力网络(Quantum Attention Networks,QAN)的量子解码器进行序列特征解码,得到量子解码器输出的每一时刻历史光伏数据的第二特征向量。
本发明实施例中,将多个时刻的第一特征向量输入量子Encoder-Decoder模型,量子编码器包括多层第一QLSTM网络,量子解码器包括多层第二QLSTM网络和QAN,可以得到多个时刻历史光伏数据的第二特征向量,即本发明实施例提供的量子Encoder-Decoder模型可以实现多步预测,每一时刻都可以输出一个第二特征向量,量子Encoder-Decoder模型还可以在解耦输入和输出频率的同时,保持循环单元的自回归偏差。
在本发明另一实施例中,上述多层第一QLSTM网络依次连接,上述S2031、将每一时刻的第一特征向量输入包括多层第一QLSTM网络的量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量,具体可以实现为:将每一时刻的第一特征向量依次输入对应的第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量。
本发明实施例中,多层第一QLSTM网络和多个时刻的第一特征向量一一对应,每一时刻的第一特征向量对应一个第一QLSTM网络,假设有5个时刻的第一特征向量,则第一时刻的第一特征向量对应第一个第一QLSTM网络,第二时刻的第一特征向量对应第二个第一QLSTM网络,第三时刻的第一特征向量对应第三个第一QLSTM网络,第四时刻的第一特征向量对应第四个第一QLSTM网络,第五时刻的第一特征向量对应第五个第一QLSTM网络。
其中,第一QLSTM网络包括第二变分量子线路;将每一时刻的第一特征向量依次输入对应的第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量,具体可以实现为:
利用第二变分量子线路将上一层第一QLSTM网络输出的隐藏状态向量和第一特征向量编码到第三量子态,并将第三量子态编码演化至第四量子态,根据第四量子态确定第四特征向量,基于第一QLSTM网络的激活函数对第四特征向量进行计算,得到每一时刻的编码特征向量。
需要说明的是,每一时刻的编码特征向量为每一第一QLSTM网络的输出的隐藏状态向量。
本发明实施例中,第二变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
如图5所示,图5为本发明实施例提供的第二变分量子线路的示意图,图5示出了q0至q7八个量子比特,第二变分量子线路包括编码层、含参变分层和测量层,其中,编码层包括依次作用于每一量子比特RX门,含参变分层包括依次作用于每一量子比特RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门,编码层用于将第一特征向量编码至第三量子态,含参变分层用于将第三量子态演化至第四量子态,测量层用于对演化至第四量子态的每一量子比特进行测量。
在本发明另一实施例中,多层第一QLSTM网络和多层第二QLSTM网络一一对应,每一层第二QLSTM网络连接一个QAN;上述S2032、将每一时刻的编码特征向量输入包括多层第二QLSTM网络和QAN的量子解码器进行序列特征解码,得到量子解码器输出的每一时刻历史光伏数据的第二特征向量,具体可以实现为:
将每一时刻的编码特征向量和与量子注意力网络QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,将每一QAN的输出与上一层第二QLSTM网络的输出拼接得到的第三特征向量,将第三特征向量输入与该QAN连接的第二QLSTM网络,并将量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量。
其中,第二QLSTM网络包括第二变分量子线路,QAN包括第三变分量子线路,第二变分量子线路的编码层不同于第一变分量子线路的编码层,第三变分量子线路的含参变分层不同于第二变分量子线路的含参变分层。
上述,将第三特征向量输入与该QAN连接的第二QLSTM网络,并将量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量,具体可以实现为:
利用第二变分量子线路将量子编码器中对应的第一QLSTM网络的隐藏状态向量和第三特征向量编码到第五量子态,并将第五量子态演化至第六量子态,根据第六量子态确定第五特征向量,基于第二QLSTM网络的激活函数对第五特征向量进行计算,得到每一时刻的第二特征向量。
上述,将每一时刻的编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,具体可以实现为:
利用第三变分量子线路将每一时刻的编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量编码至第七量子态,并演化至第八量子态,根据第八量子态确定QAN的输出。
本发明实施例中,每一时刻的编码特征向量作为QAN的键K(Key)和值V(Value),与QAN连接的第二QLSTM网络的隐藏状态向量为该量子注意力网络的查询Q(Query)。
第三变分量子线路将QAN的输入Q、K和V编码至第七量子态,并演化至第八量子态,对第八量子态进行测量,通过高斯函数计算Q和K的测量输出,并通过以下公式计算V:
其中,QAN表示量子注意力网络,<Zq>s表示泡利Z期望,S表示输入序列长度,s、j和m表示求和索引,α表示权重值。
本发明实施例提供的QAN可以计算第二QLSTM网络的隐藏状态向量和编码特征向量之间的注意力权重,无需将多个编码特征向量合并到同一个中间上下文向量,避免了编码特征向量的压缩损失,可以提升解码器的解码质量。
其中,第三变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、RZ门、RX门、RY门和作用于相邻量子比特的RXX门以及作用于第一个和最后一个量子比特的RXX门。
如图6所示,图6为本申请实施例提供的第三变分量子线路的示意图,图6中示出了q0至q7八个量子比特,第三变分量子线路包括编码层、含参变分层和测量层,其中,编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、RZ门、RX门、RY门和作用于相邻量子比特的RXX门以及作用于第一个和最后一个量子比特的RXX门,编码层用于将编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量编码至第七量子态,含参变分层用于将第七量子态演化至第八量子态,测量层用于对演化至第八量子态的每一量子比特进行测量。
其中,RXX为含参双量子比特逻辑门,可以对相邻的量子比特以及第一个和最后一个量子比特进行纠缠编码,可以将记忆信息由一组量子比特传递到另一组量子比特,使得模型具有更好的非线性表达能力,RXX门具体结构为:
本发明实施例提供的QAN可以学习到特征向量的权重值,通过权重值计算量子编码器输出的隐藏状态向量和量子解码器输出的隐藏状态向量之间的相关性,即QAN可以有效地挖掘高维量子特征空间中历史光伏数据的特征之间的相关性。
下面对本发明实施例中量子编码器包括的第一QLSTM网络的具体结构进行说明,如图7所示,图7所示的第一QLSTM网络包括四个第二变分量子线路(Variational quantumcircuits,VQC),图7中sigmoid和tanh均为激活函数,和⊕分别表示向量的数据元素的乘法和加法,每一第二VQC的输出连接均连接一个激活函数,第一QLSTM网络的当前时刻输入为量子卷积模型输出的当前时刻的第一特征向量X(t),H(t-1)为上一层第一QLSTM网络输出的隐藏状态向量,C(t-1)为上一层第一QLSTM网络的单元状态向量,第二VQC将输入的H(t-1)和X(t)转成第三量子态,并演化成第四量子态,根据第四量子态确定第四特征向量,第一QLSTM网络的激活函数分别对第四特征向量进行计算,向量子编码器中的下一第一QLSTM网络输出计算得到的单元状态向量C(t)和隐藏状态向量H(t)。/>
需要说明的是,量子解码器包括的第二QLSTM网络与量子编码器包括的第一QLSTM网络结构相同,量子解码器中的第二QLSTM网络和量子编码器中包括的第二QLSTM网络一一对应,量子编码器中的第一QLSTM网络会将自身的隐藏状态向量和单元状态向量传递给对应的第二QLSTM网络,作为该第二QLSTM网络的单元状态向量输入和隐藏状态向量输入。
本发明实施例提供的第一QLSTM网络和第二QLSTM网络中的输入单元和记忆单元的激活函数前均连接有一个第二变分量子线路,增加了模型的纵横度,在一定程度上可以降低对量子比特数和电路深度的要求。
图8为本发明实施例提供的量子卷积模型和量子Encoder-Decoder模型的结构图,下面结合图8,对本发明实施例提供的一种光伏发电功率预测方法进行说明。
将5个时刻的历史光伏数据输入量子卷积模型(Quantum convolution,Qconv)中,Qconv对5个历史时刻的数据进行特征提取,得到5个时刻的第一特征向量,将5个时刻的第一特征向量输入量子Encoder-Decoder模型中量子编码器包括的多层第一QLSTM网络中,量子编码器中的多层第一QLSTM网络对5个时刻的第一特征向量进行序列特征编码,并将得到的编码特征向量输入到量子解码器中的QAN中,作为QAN的值(Value)和键(key),同时量子编码器中的每一第一QLSTM网络会将自身的隐藏状态向量和单元状态向量传递到量子解码器中的对应第二QLSTM网络,作为量子解码器中第二QLSTM网络的隐藏状态输入和单元状态输入。
量子解码器中的每一第二QLSTM网络均会与一个QAN连接,每一第二QLSTM网络输出的隐藏状态向量作为对应的QAN的查询(Query),每一第二QLSTM网络当前时刻的输入为上一层第二QLSTM网络的输出和QAN的输出拼接得到的第三特征向量。
量子解码器还包括投影层(Projection Layer),投影层可以将多层第二QLSTM网络输出的第一个时刻的第二特征向量返回,第一个时刻的第二特征向量会与第一层第二QLSTM网络连接的QAN的输出拼接,作为下一层QLSTM网络的输入。
本发明实施例中,量子卷积模型、量子Encoder-Decoder模型的第一QLSTM网络、第二QLSTM网络和QAN均包括变分量子线路,可以将输入的经典数据向量转换为量子态进行演化,量子叠加态的性质使得数据特征以多种形态同时存在,量子纠缠使得复杂的非线性特征可以交互,通过优化量子线路的含参变分层的参数,计算出最优量子态,可以提高最终的预测精度。
基于相同的发明构思,本发明实施例还提供了一种光伏发电功率预测装置,如图9所示,该装置包括:
获取模块901,用于获取待预测日前多个时刻的历史光伏数据;
输入模块902,用于将历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量,量子卷积模型包括第一变分量子线路,第一变分量子线路用于将历史光伏数据编码至第一量子态,并将第一量子态演化至第二量子态,根据第二量子态确定第一特征向量;
输入模块902,还用于将第一特征向量输入量子编码器-解码器Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,量子Encoder-Decoder模型被训练用于根据第一特征向量预测第二特征向量;
确定模块903,用于根据第二特征向量确定待预测日的光伏发电功率。
可选的,量子Encoder-Decoder模型包括量子编码器和量子解码器,输入模块902,具体用于:
将每一时刻的第一特征向量输入包括多层第一量子长短时记忆QLSTM网络的量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量;
将每一时刻的编码特征向量输入包括多层第二QLSTM网络和量子注意力网络QAN的量子解码器进行序列特征解码,得到量子解码器输出的每一时刻历史光伏数据的第二特征向量。
可选的,多层第一QLSTM网络依次连接,输入模块902,具体用于:
将每一时刻的第一特征向量依次输入对应的第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量。
可选的,多层第一QLSTM网络与多层第二QLSTM网络一一对应,每一层第二QLSTM网络连接一个QAN,输入模块902,具体用于:
将每一时刻的编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,将每一QAN的输出与上一层第二QLSTM网络的输出拼接得到的第三特征向量,将第三特征向量输入与该QAN连接的第二QLSTM网络,并将量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量。
可选的,第一QLSTM网络包括第二变分量子线路,第二变分量子线路的编码层不同于第一变分量子线路的编码层,输入模块902,具体用于:
利用第二变分量子线路将上一层第一QLSTM网络输出的隐藏状态向量和第一特征向量编码到第三量子态,并将第三量子态编码演化至第四量子态,根据第四量子态确定第四特征向量,基于第一QLSTM网络的激活函数对第四特征向量进行计算,得到每一时刻的编码特征向量。
可选的,第二QLSTM网络包括第二变分量子线路,输入模块902,具体用于:
利用第二变分量子线路将量子编码器中对应的第一QLSTM网络的隐藏状态向量和第三特征向量编码到第五量子态,并将第五量子态演化至第六量子态,根据第六量子态确定第五特征向量,基于第二QLSTM网络的激活函数对第五特征向量进行计算,得到每一时刻的第二特征向量。
可选的,QAN包括第三变分量子线路,第三变分量子线路的含参变分层不同于第二变分量子线路的含参变分层,输入模块902,具体用于:
利用第三变分量子线路将每一时刻的编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量编码至第七量子态,并演化至第八量子态,根据第八量子态确定QAN的输出。
可选的,第一变分量子线路的编码层包括作用于每一量子比特的RX门、RZ门、RY门,含参变分层包括作用于每一量子比特的RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
可选的,第二变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
可选的,第三变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、RZ门、RX门、RY门和作用于相邻量子比特的RXX门以及第一个和最后一个量子比特的RXX门。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明的再一实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述光伏发电功率预测方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的再一实施例还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述光伏发电功率预测方法实施例中的步骤。
具体的,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
获取待预测日前多个时刻的历史光伏数据;
将历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量,其中,量子卷积模型包括第一变分量子线路,第一变分量子线路用于将历史光伏数据编码至第一量子态,并将第一量子态演化至第二量子态,根据第二量子态确定所述第一特征向量;
将第一特征向量输入量子编码器-解码器Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,其中,量子Encoder-Decoder模型被训练用于根据第一特征向量预测第二特征向量;
根据第二特征向量确定待预测日的光伏发电功率。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (13)
1.一种光伏发电功率预测方法,其特征在于,所述方法包括:
获取待预测日前多个时刻的历史光伏数据;
将所述历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量,所述量子卷积模型包括第一变分量子线路,所述第一变分量子线路用于将所述历史光伏数据编码至第一量子态,并将所述第一量子态演化至第二量子态,根据所述第二量子态确定所述第一特征向量;
将所述第一特征向量输入量子编码器-解码器Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,所述量子Encoder-Decoder模型被训练用于根据所述第一特征向量预测所述第二特征向量;
根据所述第二特征向量确定所述待预测日的光伏发电功率。
2.根据权利要求1所述的方法,其特征在于,所述量子Encoder-Decoder模型包括量子编码器和量子解码器,所述将所述第一特征向量输入量子Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,包括:
将每一时刻的所述第一特征向量输入包括多层第一量子长短时记忆QLSTM网络的所述量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量;
将每一时刻的所述编码特征向量输入包括多层第二QLSTM网络和量子注意力网络QAN的所述量子解码器进行序列特征解码,得到量子解码器输出的所述每一时刻历史光伏数据的第二特征向量。
3.根据权利要求2所述的方法,其特征在于,所述多层第一QLSTM网络依次连接,所述将每一时刻的所述第一特征向量输入包括多层第一量子长短时记忆QLSTM网络的所述量子编码器进行序列特征编码,得到量子编码器输出的每一时刻的编码特征向量,包括:
将每一时刻的所述第一特征向量依次输入对应的第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量。
4.根据权利要求3所述的方法,其特征在于,所述多层第一QLSTM网络与所述多层第二QLSTM网络一一对应,每一层第二QLSTM网络连接一个QAN,所述将每一时刻的所述编码特征向量输入包括多层第二QLSTM网络和量子注意力网络的所述量子解码器进行序列特征解码,得到量子解码器输出的所述每一时刻历史光伏数据的第二特征向量,包括:
将每一时刻的所述编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,将每一QAN的输出与上一层第二QLSTM网络的输出拼接得到的第三特征向量,将第三特征向量输入与该QAN连接的第二QLSTM网络,并将所述量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量。
5.根据权利要求3所述的方法,其特征在于,所述第一QLSTM网络包括第二变分量子线路,所述第二变分量子线路的编码层不同于所述第一变分量子线路的编码层,所述将多个时刻的所述第一特征向量依次输入一层第一QLSTM网络进行序列特征编码,获取每一层第一QLSTM网络输出的每一时刻的编码特征向量,包括:
利用所述第二变分量子线路将上一层第一QLSTM网络输出的隐藏状态向量和所述第一特征向量编码到第三量子态,并将所述第三量子态编码演化至第四量子态,根据所述第四量子态确定第四特征向量,基于第一QLSTM网络的激活函数对所述第四特征向量进行计算,得到每一时刻的编码特征向量。
6.根据权利要求4所述的方法,其特征在于,所述第二QLSTM网络包括所述第二变分量子线路,所述将第三特征向量输入与该QAN连接的第二QLSTM网络,并将所述量子编码器中对应的第一QLSTM网络的隐藏状态向量和单元状态向量输入第二QLSTM网络,得到每一时刻历史光伏数据的第二特征向量,包括:
利用所述第二变分量子线路将量子编码器中对应的第一QLSTM网络的隐藏状态向量和第三特征向量编码到第五量子态,并将第五量子态演化至第六量子态,根据所述第六量子态确定第五特征向量,基于第二QLSTM网络的激活函数对所述第五特征向量进行计算,得到每一时刻的第二特征向量。
7.根据权利要求4所述的方法,其特征在于,所述QAN包括第三变分量子线路,所述第三变分量子线路的含参变分层不同于所述第二变分量子线路的含参变分层,所述将每一时刻的所述编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量输入QAN,得到QAN的输出,包括:
利用所述第三变分量子线路将每一时刻的编码特征向量和与QAN连接的第二QLSTM网络的隐藏状态向量编码至第七量子态,并演化至第八量子态,根据所述第八量子态确定QAN的输出。
8.根据权利要求1所述的方法,其特征在于,所述第一变分量子线路的编码层包括作用于每一量子比特的RX门、RZ门、RY门,含参变分层包括作用于每一量子比特的RX门和作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
9.根据权利要求4或5所述的方法,其特征在于,所述第二变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、作用于相邻量子比特的CNOT门以及作用于第一个和最后一个量子比特的CNOT门。
10.根据权要求7所述的方法,其特征在于,所述第三变分量子线路的编码层包括作用于每一量子比特的RX门,含参变分层包括作用于每一量子比特的RX门、RZ门、RX门、RY门和作用于相邻量子比特的RXX门以及第一个和最后一个量子比特的RXX门。
11.一种光伏发电功率预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测日前多个时刻的历史光伏数据;
输入模块,用于将所述历史光伏数据输入量子卷积模型,得到每一时刻的历史光伏数据的第一特征向量,所述量子卷积模型包括第一变分量子线路,所述第一变分量子线路用于将所述历史光伏数据编码至第一量子态,并将所述第一量子态演化至第二量子态,根据所述第二量子态确定所述第一特征向量;
所述输入模块,还用于将所述第一特征向量输入量子编码器-解码器Encoder-Decoder模型,得到每一时刻的历史光伏数据的第二特征向量,所述量子Encoder-Decoder模型被训练用于根据所述第一特征向量预测所述第二特征向量;
确定模块,用于根据所述第二特征向量确定所述待预测日的光伏发电功率。
12.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至10任一项中所述的方法。
13.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310105297.7A CN116187548A (zh) | 2023-01-30 | 2023-01-30 | 一种光伏发电功率预测方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310105297.7A CN116187548A (zh) | 2023-01-30 | 2023-01-30 | 一种光伏发电功率预测方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187548A true CN116187548A (zh) | 2023-05-30 |
Family
ID=86443912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310105297.7A Pending CN116187548A (zh) | 2023-01-30 | 2023-01-30 | 一种光伏发电功率预测方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187548A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384593A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN116611458A (zh) * | 2023-05-31 | 2023-08-18 | 本源量子计算科技(合肥)股份有限公司 | 一种文本翻译方法、装置、介质及电子装置 |
CN117315377A (zh) * | 2023-11-29 | 2023-12-29 | 山东理工职业学院 | 基于机器视觉的图像处理方法、装置及电子设备 |
-
2023
- 2023-01-30 CN CN202310105297.7A patent/CN116187548A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611458A (zh) * | 2023-05-31 | 2023-08-18 | 本源量子计算科技(合肥)股份有限公司 | 一种文本翻译方法、装置、介质及电子装置 |
CN116384593A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN116384593B (zh) * | 2023-06-01 | 2023-08-18 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN117315377A (zh) * | 2023-11-29 | 2023-12-29 | 山东理工职业学院 | 基于机器视觉的图像处理方法、装置及电子设备 |
CN117315377B (zh) * | 2023-11-29 | 2024-02-27 | 山东理工职业学院 | 基于机器视觉的图像处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116187548A (zh) | 一种光伏发电功率预测方法、装置、存储介质及电子装置 | |
Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
CN112633508B (zh) | 一种量子线路的生成方法、装置、存储介质及电子装置 | |
CN112068798B (zh) | 一种实现网络节点重要性排序的方法及装置 | |
CN112232513A (zh) | 一种量子态的制备方法及装置 | |
CN113222150A (zh) | 一种量子态的变换方法及装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN113222159A (zh) | 一种量子态的确定方法及装置 | |
CN113222153B (zh) | 一种量子态的模拟方法、装置、存储介质和电子装置 | |
CN116403657A (zh) | 一种药物反应预测方法、装置、存储介质及电子装置 | |
CN113222156B (zh) | 一种待执行操作的量子模拟方法、装置 | |
CN116011681A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN113222151A (zh) | 一种量子态的变换方法及装置 | |
CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN115809707A (zh) | 量子比较运算方法、装置、电子装置及基础算术组件 | |
CN114764619A (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN115271076A (zh) | 一种贝叶斯网络对应量子线路的构造方法及装置 | |
CN113158134A (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN117350394A (zh) | 业务数据预测方法及相关设备 | |
CN114372582B (zh) | 基于机器学习框架的量子自动编码方法及相关装置 | |
CN117035105A (zh) | 数据预测方法及相关设备 | |
CN116167407A (zh) | 一种基于量子循环神经网络的数据预测方法及相关设备 | |
CN116499466A (zh) | 一种智能体导航方法、装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |