[论文解读] Noise-Resilient Quantum Machine Learning for Stability Assessment of Power Systems

Yifan Zhou, Peng Zhang|arXiv (Cornell University)|Apr 10, 2021

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

该论文提出qTSA，一种低深度、高表达能力的量子神经网络，用于在电力系统中实现抗噪声的暂态稳定评估。通过利用量子叠加和纠缠，qTSA能够在近期的噪声量子硬件上实现可扩展、准确且鲁棒的稳定预测，在模拟器上实现超过99%的准确率，并在真实量子设备的真实噪声条件下仍保持高保真度。

ABSTRACT

Transient stability assessment (TSA) is a cornerstone for resilient operations of today's interconnected power grids. This paper is a confluence of quantum computing, data science and machine learning to potentially address the power system TSA challenge. We devise a quantum TSA (qTSA) method to enable scalable and efficient data-driven transient stability prediction for bulk power systems, which is the first attempt to tackle the TSA issue with quantum computing. Our contributions are three-fold: 1) A low-depth, high expressibility quantum neural network for accurate and noise-resilient TSA; 2) A quantum natural gradient descent algorithm for efficient qTSA training; 3) A systematical analysis on qTSA's performance under various quantum factors. qTSA underpins a foundation of quantum-enabled and data-driven power grid stability analytics. It renders the intractable TSA straightforward and effortless in the Hilbert space, and therefore provides stability information for power system operations. Extensive experiments on quantum simulators and real quantum computers verify the accuracy, noise-resilience, scalability and universality of qTSA.

研究动机与目标

• 解决由于高维性、非线性和可再生能源集成增加，导致大型非线性不确定电力系统中长期存在的暂态稳定评估（TSA）挑战。
• 克服依赖微分方程积分的经典TSA方法所面临的计算不可行性，尤其在N-k预想故障分析中表现困难。
• 开发一种量子机器学习框架，利用近期含噪声中等规模量子（NISQ）设备实现高效、可扩展且数据驱动的稳定预测。
• 通过设计低深度、高表达能力的量子神经网络架构，确保对当前量子硬件中噪声和退相干的鲁棒性。
• 在不同量子硬件配置和噪声水平下，证明所提方法的通用性和可扩展性。

提出的方法

• 设计一种名为qTSA的量子神经网络（QNN）架构，具有低电路深度和高表达能力，以确保在近期NISQ设备上的可行性。
• 利用量子特征映射，将高维电力系统稳定数据编码为量子态，使用量子比特实现对复杂非线性关系的高效表示。
• 实现具有纠缠量子比特的参数化量子电路（PQC），以利用叠加和纠缠等量子优势，增强数据表示和分类能力。
• 使用混合量子-经典优化循环训练qTSA模型，其中经典优化器调整量子电路参数，以最小化训练数据上的分类损失。
• 在无噪声量子模拟器（ibmq_qasm_simulator）和真实噪声量子计算机（ibmq_boeblingen）上评估模型，使用真实的电力系统预想故障数据。
• 系统分析噪声影响，通过改变门误差和热退火时间（T₁）来评估在真实硬件约束下的鲁棒性和保真度。

实验结果

研究问题

• RQ1 低深度、高表达能力的量子神经网络是否能在近期量子硬件上实现高精度的暂态稳定评估？
• RQ2 当前量子设备中的噪声如何影响用于电力系统稳定的量子机器学习模型的预测保真度和准确率？
• RQ3 在噪声条件下，qTSA在不同电路规模（如量子比特数量和电路深度）下能保持多大程度的高性能？
• RQ4 在真实的噪声参数（如门误差和T₁退火时间）下，量子模型的性能是否仍保持鲁棒？
• RQ5 该量子模型是否能在多样化的电力系统预想故障场景中泛化，并在稳定边界附近仍保持高置信度预测？

主要发现

• 在所有测试配置下，qTSA在无噪声的ibmq_qasm_simulator上均实现超过99%的准确率，表明在理想条件下模型性能强劲。
• 在真实噪声设备ibmq_boeblingen上，qTSA (2,6) 维持高准确率（98.12%），且输出概率分布偏差极小，表明具有强噪声鲁棒性。
• 对于qTSA (2,10)，准确率仍保持较高水平（97.89%），但概率峰值更明显地向中心偏移，表明在电路深度增加时预测保真度有所降低。
• qTSA (3,6) 因增加一个量子比特和更深的电路，在真实设备上准确率急剧下降至52.02%，输出概率集中在0.5附近，表明出现量子退相干和噪声诱导的随机性。
• 当门误差低于0.02或热退火时间（T₁）低于10 µs时，模型保持高准确率和高保真度——这些条件在当今量子硬件中是可行的。
• 靠近稳定边界（低保真度区域）的样本对噪声最敏感，但qTSA在大多数样本中仍能保持正确分类，即使在噪声环境中亦然。