本文转自：人民网-安徽频道
中电信量子集团联合省级电网企业在能源电力领域开展量子计算应用探索，并合作建设了国内首个电力行业专用量子计算云平台。目前，已基于量子-经典混合模型在集中式光伏场站功率预测场景中取得显著成效——相较传统神经网络模型，全新量子优化模型实现轻量化升级，模型参数量减少80%，预测误差下降10%以上，有效提升新能源出力预判精度，助力电网新能源高效消纳与调度统筹。
“天衍”量子计算云平台—光伏功率预测，一键体验光伏功率优化
元股证券:ygzq.hk当前光伏装机规模快速增长，光伏正在成为许多城市和电站的重要电源。但其发电受太阳辐射、气象等多因素影响，呈现强间歇性与随机性，给电网调度、储能规划等带来严峻挑战，而传统神经网络模型存在参数量大、高维特征处理效率低、极端天气预测精度不足等问题，难以在复杂环境下保持稳定、准确的预测能力，也让功率预测成为新能源规模化应用过程中愈发突出的挑战。
光伏功率预测存在哪些挑战？
不确定性与复杂性交织
光伏系统的输出功率并非由单一因素决定，而是辐射强度、温度、气压、风速、云层遮挡等多种环境变量“合力”作用的结果。这些因素相互耦合、动态变化，使得光伏功率呈现出明显的非线性、多峰和强间歇性特征——晴天与阴天、清晨与正午的出力曲线差异巨大，局部云层遮挡甚至会导致功率在数秒内骤降。
更棘手的是，当光伏板出现局部阴影时，功率-电压（P-V）曲线会形成多个局部峰值。传统神经网络模型在训练过程中很容易被某个局部峰“吸引”而停滞，无法抵达全局最优解。这种“局部最优陷阱”正是传统方法在复杂气象条件下预测精度下降、表现不稳定的核心原因。
随着光伏装机占比不断提高，预测偏差带来的连锁反应也被放大——不仅影响电站自身收益，更会直接冲击电网调度、储能策略和新能源消纳能力。因此，找到一种能有效处理高维非线性、跳出局部最优的预测方法，已成为行业刚需。
量子计算的加入有什么优势？
更高维、更灵活、更善于“找规律”
量子计算之所以能破解这一难题，核心在于其具备传统模型缺乏的两大关键能力：
一方面，量子态天生能够承载高维度信息，因此非常适合表达“多变量之间到底怎么影响功率”这种复杂关系。
另一方面，量子叠加与干涉让算法在搜索最优解时更接近“从多条路径同时探索”。换句话说，它更容易跳出局部最优，发现更合理的全局结构。
其中的一个关键痛点是钇——其被用于防止发动机和涡轮机在高温下熔化的涂层。如果没有定期涂抹这些涂层，发动机便无法运行。
存储上行周期中，强如苹果公司也无法“独善其身”，国内手机厂商更是将集体调价。有观点认为，存储芯片价格持续走高，国产存储企业在消费电子、AI服务器领域的替代空间持续打开，设计、设备、材料环节均有望受益。
在已有的能源研究中，比如使用Grover思路帮助寻找光伏最大功率点，或使用变分量子算法（VQA）进行电力调度，都已经展示出量子技术在复杂系统建模方面的潜力。
光伏功率优化是怎么用上量子算法的？
从数据到模型的完整路径
中电信量子集团根据量子-经典混合建模思路，采用电力量子云平台Cqlib量子计算开源编程框架，将变分量子线路（VQC）的量子态空间非线性表达能力与经典网络的训练稳健性相结合构建了量子-经典混合模型。模型采用分段训练策略，首先在天衍量子计算仿真机上完成初步参数调优，随后迁移至天衍系列量子计算机完成真机适配验证。整个流程通常包括三个步骤：
1. 理解数据：找出真正影响功率的因素
首先，对辐射、风速、温度、散射辐射、气压等因素进行分析，看看哪些变量与功率关系最密切。
这就像是先“看清问题面貌”，为后续建模打好基础。
2. 让量子电路负责“表达”复杂关系
如果把光伏预测任务类比成时间序列建模，那么它与LSTM（长短期记忆网络）的思路是类似的：都需要在动态、连续变化的特征中“捕捉规律”。在确定关键特征后，我们并不是直接使用传统LSTM的门控结构，而是将这些门控替换为对应的变分量子线路（VQC），构建出量子化的LSTM模块，也就是常说的QLSTM。
在这一结构中，原本由输入门、遗忘门、输出门所承担的“特征过滤与状态更新”，被一条条由RY/RZ/RX旋转门与CX纠缠门组成的参数化量子电路替代。量子电路能够将特征编码成量子态，通过叠加与纠缠形成更复杂的表示方式，用以刻画光伏功率的变化趋势。
与QAOA、VQE等变分算法中常用的参数化量子线路（PQC）类似，这些PQC结构在训练中会随着优化器不断迭代更新，使量子门控单元逐步逼近真实功率的变化分布。最终构成的量子LSTM网络属于典型的混合量子神经网络：既能保留LSTM对时间序列的建模优势，又能引入量子态空间带来的更强非线性表达能力。
3. 量子与经典协同“跑”模型
量子电路的输出会被送入经典神经网络，共同进行训练。
最终可以得到功率预测曲线、Pred vs True的散点图以及RMSE（均方根误差）、MAE（平均绝对误差）、R²（决定系数）等指标，用来评价模型效果。
这种混合方式既保留了经典网络的稳健性，又引入了量子态表达的优势。
为了进一步优化预测效果，项目使用某地20MW光伏场站历史数据训练模型，实现了未来24小时内15分钟间隔的光伏功率预测，同等条件下量子算法模型参数量减少80%，预测误差下降10%以上。
光伏功率预测的核心，是在纷繁复杂的环境变化中找到稳定、可泛化的规律。量子计算的引入，为这一问题提供了全新的建模方式和优化路径。未来，双方将依托联合建设的国内首个电力行业专用量子计算云平台，持续深化量子计算在能源电力领域的应用探索，为行业客户提供更丰富的量子计算解决方案。
作为量子科技和产业发展国家队，中电信量子集团系统布局量子通信、量子计算和量子精密测量三大核心领域。在量子计算领域，建成搭载“祖冲之三号”同款芯片的超导量子计算机——“天衍-287”，在全球范围内首次推出具备“量子优越性”的云服务。该成果依托中科院量子信息与量子科技创新研究院的超导量子计算前沿技术，由中电信量子集团与国盾量子共同完成建设部署，已成功接入中国电信“天衍”量子计算云平台，构建覆盖硬件部署、资源调度到云端量子编译、开发服务的全栈式、自主可控量子计算服务体系。
“天衍-287”采用超导比特架构配资新手，集成105个数据比特与182个耦合比特，单比特门保真度超过99.9%，双比特门保真度达99.6%，读取保真度超过98.7%，可提供74比特24层随机线路采样“量子优越性”云服务，在特定任务上的计算效率较当前国际最强超级计算机Frontier快4.5亿倍，全球首次将“量子优越性”云服务能力面向全球用户开放。截至目前，平台累计访问量突破4900万次，实验任务数超400万，有力推动量子计算走出实验室，走向科研、教育和产业研发等真实应用场景。（钟新亮）
证配网提示：本文来自互联网，不代表本网站观点。