面向跨区域太阳能和风能预测的量子启发变分核与可解释人工智能框架

arXiv cs.CL 论文
quantum-inspired renewable-energy forecasting explainable-ai variational-kernel arxiv

摘要

一篇研究论文，提出了一种用于太阳能和风能预测的四阶段混合框架，利用量子启发变分核进行残差修正，并利用生成式人工智能层实现可解释性。

arXiv:2605.09032v1 公告类型：新论文 摘要：可靠地短期预测太阳能和风能的发电量是任何现代电力系统的结构性前提，然而大多数已发布的预测模型均在单一气候体制下进行调整和评估，且大多数算法创新要么集中在经典的循环网络上，要么集中在结合预测与解释的一体化基础模型中。我们开发了一种四阶段混合框架，将这些关注点分离开来。第一阶段通过公共应用程序编程接口获取每小时的发电量、辐照度和地表天气记录。第二阶段训练三个经典基线模型——自回归积分滑动平均（ARIMA）、梯度提升回归树（GBRT）和双层长短期记忆网络（LSTM），并生成强大的点预测以及残差误差序列。第三阶段通过一个基于六量子比特硬件高效 Ansatz 的量子启发变分核来校正残差，该核包含三个重复的纠缠层。第四阶段使用生成式人工智能严格作为可解释性层，读取测量的基准数据并生成结构化的自然语言解释。在来自开放公共档案的三个区域（伊比利亚太阳能、北海风能以及混合的得克萨斯州数据）中，所提出的配置在域内预测任务上比最强的经典基线模型误差保持在1个百分点以内，并且量子启发核通过费舍尔判别比将平静天气和暴风雨天气体制分离开来，其效果比调优的高斯径向基核高出约15倍。
查看原文
查看缓存全文

缓存时间: 2026/05/12 07:09 

# 用于跨区域太阳能和风能预测的量子启发变分核与可解释人工智能框架

来源: https://arxiv.org/abs/2605.09032
查看 PDF (https://arxiv.org/pdf/2605.09032)

> 摘要: 可靠的短期太阳能和风能发电量预测是现代电力系统的结构性先决条件，然而大多数已发表的预测器仅在单一气候条件下进行调整和评估，且大多数算法创新要么集中于经典循环神经网络，要么集中于将预测与解释功能结合的单体基础模型。我们开发了一个四阶段混合框架，将这些问题分离开来。第一阶段通过公共应用程序编程接口获取小时级发电量、辐照度和地表天气记录。第二阶段训练三个经典基线模型：自回归积分滑动平均模型、梯度提升回归树以及两层长短期记忆网络，并生成稳健的点预测及残差误差序列。第三阶段利用基于六量子比特硬件高效 ansatz 且包含三层重复纠缠层的量子启发变分核来修正残差。第四阶段将生成式人工智能严格用作可解释性层，读取测量的基准数据并生成结构化的自然语言解释。在从公开公共档案中提取的三个区域（伊比利亚半岛太阳能、北海风能以及混合的得克萨斯州数据）中，该配置在域内预测任务上的误差始终保持在最强经典基线模型的一个百分点以内，且量子启发核通过 Fisher 判别比率区分平静与恶劣天气状况的效果，比调优后的径向基核高出约 15 倍。

## 提交历史

提交人: Pavan Manjunath Dr \[查看电子邮件 (https://arxiv.org/show-email/4f34cee8/2605.09032)\] **\[v1\]** 2026年5月9日，星期六 16:16:14 UTC \(984 KB\)

相似文章

用于神经主题建模的混合经典-量子变分自编码器

arXiv cs.CL

本文提出了一种用于神经主题建模的混合经典-量子变分自编码器，在推理网络中嵌入了参数化量子电路。在AgNews数据集上的实验表明，与最先进的经典模型相比，主题连贯性和多样性有所提高，显示了在NISQ时代量子设备上的可行性。