用于包含插电式电动汽车和SSB蓄电池储能系统的可再生能源微电网最优能量管理的量子神经网络

2026-06-09 19:54:52

鉴于平衡动力供需的杂乱性日益增加、资源受限，以及在前进可持续性和功率的一起下降成本的紧迫需求，有用的能量办理（EM）已成为微电网（MG）研讨的要害焦点。可再生动力（RES）和储能体系（ESS）的集成带来了进一步的应战，凸显了对先进优化办法的需求[1,2]。此外，电动汽车（EV）的出现、其在未来不断增加的融合度，以及车辆到电网（V2G）体系的实施，进一步加剧了能量办理的杂乱性[[3], [4], [5]]。
微电网（MGs）中能量办理（EM）的传统办法一般分为两大类：在线办法和离线办法。在线办法，如神经网络（NN）和强化学习（RL），侧重于实时决议计划以及对动态条件的适应性[5,6]。例如，文献[7]提出了一种运用循环神经网络（RNNs）的在线EM战略，旨在下降成本并实现并网微电网的实时决议计划。该办法还引入了SustainaBoost，这是一种旨在增强体系可持续性并改善神经网络练习的技能。类似地，文献[8]采用了联邦多智能体深度RL办法，结合联邦学习，以优化多个微电网（MMGs）的EM。在此基础上，文献[9]经过在深度密集NN中运用带有注意力机制的集中式智能体练习来实现RL，处理了MMGs的最优和谐问题。在用于动力交易的电池办理领域，文献[10]使用Q-learning办法来最小化成本并延长电池寿数，而文献[11]为多能微电网（MEMGs）引入了一种改善的深度Q网络战略，该战略使用Kriging署理增强的门控循环单元-时刻卷积网络来简化RL奖赏函数。这些办法一般十分合适动态且不确认的环境，在这种环境下，实时决议计划和适应性至关重要。但是，它们往往需要很多的核算资源a
相比之下，离线办法一般涉及预先核算的优化模型，这些模型能为可预测场景提供稳健的处理方案，但缺乏在线办法的适应性。这些办法涵盖了一系列技能，包括元启发式算法（例如粒子群优化、遗传算法）、数学规划模型（例如线性规划、混合整数线性规划）以及用于处理不确认性的随机规划[12,13]。其中，量子启发式优化办法已成为一个极具远景的子类别。例如，根据量子教育学习的优化（QTLBO）算法是一种量子启发式办法，旨在优化具有各种分布式动力资源（DERs）的MG中的能量流，这在某些场景下可能会前进收敛性和EM功率[14]。虽然像QTLBO这样的量子启发式办法学习了量子力学的原理，但它们并未使用量子硬件才能（如量子并行性），因此被归类为经典办法。
另一方面，近年来，量子核算（QC）的出现以及量子算法的前进为包括电力体系在内的各个领域开辟了令人兴奋的可能性。虽然量子核算机的实践部署仍受限于有限的拜访权限和硬件才能，但研讨人员已使用量子模拟来探究其在处理电力体系中杂乱核算应战方面的潜力。这些应战包括AC和DC潮流优化、事故分析、状况估计、暂态稳定性评价、故障诊断、机组组合以及设施选址分配问题[15]。下文对这些发展进行了具体综述。
在[16]中，开发了一种快速解耦结构和增强型Harrow-Hassidim-Lloyd（HHL）算法来处理量子潮流问题。类似地，参考文献[17]探讨了运用量子和混合NNs进行潮流分析，这表明该混合模型优于量子和经典对应模型。关于机组组合（UC）问题，[18,19]提出了立异的量子办法。具体而言，参考文献[16]将量子近似优化算法与署理拉格朗日松懈法（SLR）相结合，并使用分布式量子SLR结构对其进行了增强。在[17]中，开发了一种替换方向乘子法的量子版本，其中使用量子算法求解子问题，并引入了量子分布式UC办法。在[20]中，为包括平衡节点的MGs开发了一种通用量子状况估计公式，以及一种用于处理病态问题的预条件量子线性求解器。还介绍了一种针对根据分层操控的MGs的增强型量子状况估核算法。电力体系故障诊断在[21]中的混合QC-based结构下取得了发展，该结构集成了QC辅助练习和深度网络，相比人工神经网络（ANN）和决议计划树等传统办法，前进了故障检测的速度和功率。此外，参考文献[22]提出了一种结合纳米甲虫优化和QNN的混合办法来优化办理...
虽然QC在电力体系中的效果不断扩大，但其在MGs中EM的应用仍很大程度上未被探究。QNNs为评价QC应对这些应战的才能提供了一条充溢远景的途径。经过使用叠加和羁绊等量子特性，QNNs可以以与CNNs底子不同的方法处理信息。这些特性使QNNs可以在量子层面履行并行核算，从而可能在特定使命上实现更快的求解速度和更高的功率。叠加答应一个拥有n个qubits的量子体系一起表明和处理2ⁿ个状况。这种量子并行性使QNNs可以并发地探究解空间的大部分区域，而不是像CNNs那样顺序评价不同的装备。这一特性在动力办理问题中尤为有利，因为由于存在多个决议计划变量和很多运转约束，其解空间呈指数级庞大。此外，量子羁绊使QNNs可以自然地编码变量之间杂乱且非线性的相关性。此类依靠关系频繁出现在微电网体系中，其中分布式动力、波动负载、电池动态以及电价之间的相互效果严密耦合。准确捕捉这些相互依靠关系关于取得高质量的优化结果至关重要。羁绊使得QNNs可以更高效、更紧凑地对这些相关性进行建模。
本文首次提出QNN以处理根据可再生动力的MG中的EM问题。所提办法在一个包括电池储能体系（BESS）、插电式EV和RESs的MG中进行了评价。EM分两个阶段进行：首先，练习一个QNN来办理BESS；然后，在不同场景下练习另一个QNN，以操控智能家居中采用V2G方法的EV充放电。其目标是下降MG的运转成本，并高效办理储能体系和EV电池的SOC。在相似条件和相同输入数据下，将QNN的性能与CNNs进行了对比。