特点

本源量子近期正式研发了光伏发电功率预测应用，该应用基于光伏发电功率预测的任务特性，结合量子计算在模拟、优化及机器学习领域的技术优势，以经典时序预测模型为基础，构建量子时序预测模型，以适配不同业务规模需求。

性能高效

研究表明，相较于相近参数规模的经典模型，引入量子神经网络可将光伏功率预测的误差相对降低30%以上，预测准确率亦能达到90%左右，表现出显著的性能优势。

操作便捷

同时支持：

•  可视化交互操作（普通用户也能直接体验）；
•  标准化 API 接口调用（面向智能电网领域开发者与研究人员）。

---

应用的研究背景

光伏发电虽然清洁可持续，但其功率输出受太阳辐照度、温度等多种气象因素影响，呈现非线性与非平稳性特征。传统物理建模因参数限制和海量数据处理困难，导致预测精度难以满足并网调度需求。

相比传统机器学习，量子神经网络（QNN）融合量子计算与机器学习优势，在处理光伏预测中高维、非线性、易变的气象数据时，具有更高的准确率、数据效率和模型韧性。

研究表明，QNN能在高维希尔伯特空间中构建特征映射，高效挖掘光伏功率与气象因子间的深层非线性耦合关系，为电力调度、储能优化等并网挑战提供了新思路。

当前，我国已形成多层次政策体系系统推动量子计算在新能源领域的应用，量子科技与新能源具备广阔的市场前景：

• 国家顶层设计层面，《2026年政府工作报告》将两者并列发展；

• 工信部“揭榜挂帅”任务明确要求“量子技术赋能新能源”；

• 安徽、苏州等地方省市则积极探索具体融合场景，政策推动力度持续增强。

---

技术路线

本源量子针对经典计算在光伏发电预测中的瓶颈，提出并实现了一种融合容错抗噪变分量子线路架构与量子长短期记忆网络的光伏功率预测方法。

基于容错抗噪变分量子线路构建技术架构

• 在数据编码层，采用带容错编码机制的独立量子位编码，将误差约束在局部特征映射区域内；

• 在变分层，设计可调非线性的参数化双量子位门电路，灵活模拟多种非线性映射以降低学习难度、提升寻优效率；

• 在网络优化层，融合容错输入嵌入、丰富非线性变换与增强型双量子位纠缠门，从而在含噪中等规模量子硬件上高效实现量子机器学习任务。

基于量子长短期记忆网络构建光伏功率预测算法

QLSTM 模型将输入数据编码到量子态，并利用多个变分量子线路（VQC）分别模拟遗忘门、输入门和输出门的功能。以此分别实现历史信息筛选，细胞状态更新、计算最终隐藏状态等服务。

步骤如下：

① 通过皮尔逊相关系数筛选与光伏出力高度相关的气象特征，并确定输入序列长度；

② 对原始光伏功率数据进行归一化并构建数据矩阵，采用奇异谱分析（SSA）将其分解为多个子序列；

③ 利用深度分割QLSTM模型，对气象数据、原始光伏功率及SSA分解后的子序列进行特征提取；

④ 引入双重注意力机制，增强模型对不同时刻与不同特征重要性的自适应学习能力。

---

核心优势

本源量子通过融合容错编码、非线性变分层、网络优化以及QLSTM的多门控机制与双重注意力等构建的算法模型，相较于经典算法有以下三点优势：

更少参数，更优训练

与传统LSTM相比，QLSTM参数规模更加轻量化，有助于降低光伏功率预测模型的构建成本。同时，得益于更均匀的费希尔信息谱分布，QLSTM能够有效缓解训练过程中的梯度消失问题。

（损失函数曲线）

增强复杂模式表征

通过联合学习时序与特征维度的重要性权重，动态捕捉关键时间步与核心特征，从而显著增强对复杂时序模式的表征能力。

（双重注意力机制）

表达能力与抗噪声性能双重提升

为克服原始量子LSTM在真实量子设备上抗噪声能力不足的问题，提出一种结构优化的抗噪声含参双比特量子线路。该线路在模拟器和真实量子计算机上均显著优于基线模型，实现了表达能力与抗噪性能的双重提升。

（光伏发电功率预测变化曲线）

---

上云体验

当前，【光伏发电功率预测】面向用户提供两种体验方案， 首先进入量子计算应用云，选择以下方式的其中一种：

方式一：更适合普通用户的可视化操作

选择平台内置数据进行体验，点击【开始计算】即可提交任务。

计算完成后，将给出量子模型与经典模型的预测结果，通过预测指标对比，用户可以更直观的了解量子算法在光伏发电功率预测中的优势。

方式二：更适合智能电网领域研究员或开发者的API调用接口

提供光伏发电功率类型的API及其参数说明，用户无需了解其内部结构即可轻松调用服务。

本次建设的光伏发电功率预测应用，既为相关机构积累了量子技术在光伏能源领域的建设经验，也推动了量子计算技术向真实光伏发电功率预测场景的进一步落地探索。