Quantum Reservoir Computing for Short-Term Power Load Forecasting in Resource-Constrained Energy Systems

本文提出了一种用于短期电力负荷预测的硬件高效型量子储备池计算框架，该框架利用固定的量子储备池以及压缩、量化的经典读取层，以在资源受限的边缘设备上实现高精度，并显著降低内存需求及对硬件噪声的敏感性。

要点

以下是该论文的中文翻译，保留了原有的语言风格、类比和结构：

核心概览：用“冻结”的量子大脑进行预测

想象一下，你正在尝试预测一座城市明天会消耗多少电量。这对于在不浪费能源的情况下保持电力供应至关重要。通常，计算机通过运行复杂的、沉重的软件来完成这项工作，而这些软件需要大量的内存和功率。但如果你想把这个预测工具安装在一个小型、电池供电的设备（如智能电表）上，而这类设备的内存非常有限，该怎么办？

本论文提出了一种新的方法，即使用量子储备池计算（Quantum Reservoir Computing, QRC）。你可以把它想象成一个“智能且冻结的大脑”，它能帮助进行预测，而无需不断地重新训练或占用大量空间。

系统的三个主要部分

作者构建了一个包含三个不同阶段的系统，并在来自摩洛哥泰图安（Tetouan）和西班牙的真实电力数据上进行了测试。

1. 量子“回声室”（储备池）

想象你对着一个有着奇特岩石结构的巨大复杂洞穴大喊一声。声音会在洞内回荡、混合并扭曲，其变化方式难以预测，但回声的模式包含了关于你最初喊叫声的所有信息。

• 在论文中： 他们使用一个小型量子计算机（几个“量子比特”）作为这个洞穴。他们将电力数据输入其中。
• “冻结”技巧： 与通过调整内部旋钮来学习的普通人工智能不同，这个量子洞穴是冻结的。岩石（量子电路）被随机设定一次后就永远不再改变。它们不需要被训练。这节省了大量的训练时间和能量。
• 结果： 数据从洞穴中出来时，变成了一种复杂的、高维度的“回声”（一组数字），捕捉到了电力使用的隐藏模式。

2. 简单的翻译器（读取器）

洞穴传出的回声非常复杂。你需要一个简单的翻译器，将这些回声转化为特定的预测（例如：“需要 3,000 MW 的功率”）。

• 在论文中： 他们使用了一种标准的、简单的数学模型，称为弹性网络（Elastic Net）。它观察复杂的回声，并学习一个简单的公式来预测下一个电力负荷。
• 为什么重要： 因为“洞穴”已经完成了所有的繁重工作，所以这个翻译器只需要学习少量的数字（权重）。它就像是一个简单的计算器，而不是一台超级计算机。

3. “打包”技巧（量化）

这是本论文的主要创新点。尽管翻译器很简单，但它所使用的数字通常是以大型、沉重的文件（32 位浮点数）形式存储的。为了将这些内容装入微型设备，作者“缩小”了这些数字。

• 类比： 想象你有一张高分辨率的照片。你可以将其缩小为较低的分辨率（更少的比特数）以节省手机空间。如果缩得太厉害，图像就会变得模糊。
• 实验： 他们测试了将翻译器的数字从 32 位缩小到 8、6、4、3 甚至 2 位的过程。
• 发现： 他们找到了一个**6 位（6 bits）**的“甜点位（最佳平衡点）”。
  • 在 6 位时，预测的准确度与全尺寸版本几乎一致。
  • 但它节省了 81.2% 的内存。
  • 如果降得更低（比如 2 或 3 位），预测就会开始变得混乱，尤其是在较小的数据集（泰图安）上。

现实世界测试（模拟）

由于真实的量子计算机仍然存在噪声和不完美，作者通过三种方式测试了他们的系统：

1. 完美模拟： 一个没有任何误差的“上帝模式”计算机。
2. 有噪声模拟： 一台模仿真实量子测量中的“静电”或“散粒噪声”的计算机（就像试图在风声很大的房间里听清耳语）。
3. 伪硬件： 他们在模拟真实 IBM 量子芯片（FakeTorino 和 FakeMarrakesh）的系统上运行了该系统，这些芯片具有现实世界的误差。

结果： 系统表现得惊人地好。

• “冻结”的量子洞穴非常鲁棒，即使输入数据带有噪声（如在真实量子计算机中那样），简单的翻译器也不需要重新训练。它直接就能正常工作。
• 在某些情况下，“噪声”实际上对模型略有帮助（就像旧收音机里的些许杂音有时能让信号更清晰一样），但这取决于具体的数据。

总结

论文声称，你可以构建一个高度准确的电力预测器，它具备以下特点：

1. 使用固定且不变的量子电路（无需繁重的训练）。
2. 使用经过6 位压缩的简单数学翻译器（节省了 81% 的内存）。
3. 即使在量子硬件有噪声且不完美的情况下也能正常工作。

这表明在不久的将来，我们或许能直接将强大的量子预测工具部署到电网中的小型、低功耗设备上，而无需依赖庞大的服务器来运行。

该论文并未声称：

• 它并未声称这目前正运行在真实电网的物理量子计算机上（它是通过模拟进行的）。
• 它并未声称这适用于医疗诊断或其他领域（它严格限于能源负荷预测）。
• 它并未声称 2 位精度是好的（实验表明 2 位精度过低并导致了误差）。

技术摘要

技术摘要：用于短期电力负荷预测的量子储备池计算

问题陈述
短期负荷预测（STLF）对于能源管理至关重要，然而，由于像 LSTM 和 Transformer 这样最先进的深度学习模型具有高内存和计算成本，将其部署在资源受限的边缘设备（如智能电表）上受到了阻碍。虽然储备池计算（RC）通过仅训练线性读取层提供了一种计算高效的替代方案，但经典 RC 受限于其物理节点的维度。量子储备池计算（QRC）通过利用具有固定参数化电路的量子系统的高维希尔伯特空间解决了这一问题。然而，一个显著的障碍仍然存在：即使使用固定的量子储备池，经典的读取层也需要以全 32 位浮点精度存储权重向量，这可能会超过嵌入式控制器的片上内存预算。此外，将这些读取权重压缩至低位定点精度所带来的影响，结合有限采样（finite-shot sampling）以及现实硬件噪声的影响，尚未在能源预测领域得到系统的研究。

方法论
作者提出了一种旨在用于边缘部署的高效硬件 QRC 框架。该流水线由四个主要阶段组成：

1. 数据准备： 系统将多变量时间序列数据（功率负荷、天气和外生变量）处理为 24 小时的滑动窗口。特征包括循环时间编码（正弦/余弦）和自回归滞后项。
2. 固定量子储备池： 一个权重冻结的参数化量子电路作为特征提取器。架构通过遗传算法（GA）进行离线优化，以选择量子比特数 ($N$)、纠缠层数 ($L$)、编码策略和耦合强度。
   • 编码： 特征通过切比雪夫编码或双旋转方案 ($R_Z \cdot R_Y$) 映射到量子比特。
   • 动力学： 电路采用砖块状纠缠拓扑结构（brickwork entanglement topology）和 Haar 随机冻结旋转门。
   • 测量： 在每个时间步，测量 $5N$ 个观测值，包括单量子比特泡利期望值（$\langle Z \rangle, \langle X \rangle, \langle Y \rangle$）和最近邻相关器。
3. 时间聚合与读取： 原始储备池状态使用五个指数衰减核、一个终止状态和一个漂移项进行压缩，以形成紧凑的特征向量。随后使用弹性网络（结合 $L_1$ 和 $L_2$ 正则化）线性读取层，将这些特征映射到负荷预测值。
4. 训练后量化（PTQ）： 为了实现边缘部署，训练好的 32 位浮点读取权重被压缩为位宽 $k \in \{8, 6, 4, 3, 2\}$ 的定点精度。该过程包括：
   • 最优裁剪： 寻找一个阈值 $c^*$ 以最小化量化失真。
   • 迭代残差细化： 应用三轮岭回归（Ridge regression）作用于预测残差，以修正由低位舍入引入的系统偏差。

实验设置
该框架在两个不同的数据集上进行了评估：

• Tetouan： 来自摩洛哥三个配电区的 10 分钟间隔数据（聚合为每小时），重点关注区域 1。
• Spain： 四年间的国家电网负荷数据（MW）。
  评估在三种条件下进行：

1. 精确态矢量模拟： 无噪声基准。
2. 有限采样模拟： 每个电路 512 次采样（shots），以模拟统计采样噪声。
3. 硬件噪声验证： 在 IBM FakeTorino (Heron r1) 和 FakeMarrakesh (Herner r2) 噪声模型下进行推理，使用 1024 次采样，且不重新训练读取层。

关键结果

• 量化韧性： 最显著的发现是，6 位定点精度可以在保持全精度预测性能的同时，减少 81.2% 的读取内存。
  • 在 Tetouan 数据集上，6 位量化保持了与 FP32 相当的 RMSE（例如，在 512 次采样模拟下，分别为 3286 kWh 和 3352 kWh）。
  • 在 Spain 数据集上，6 位量化表现出微乎其微的退化（RMSE 为 3080 MW 对比 3083 MW）。
  • 在 6 位以下，性能退化具有数据集依赖性。Tetouan 对激进压缩表现出更高的敏感性（在 2 位时 RMSE 上升至 5535 kWh），而 Spain 的退化则较为平缓。
• 硬件噪声迁移： 在理想（无噪声）储备池状态上训练的模型成功迁移到了噪声硬件后端，且无需重新训练。
  • 在 Tetouan 数据集上，FakeMarrakesh 上的硬件噪声实际上使 RMSE 比模拟基准提升了 6.9%，这表明存在轻微的噪声正则化效应。
  • 在 Spain 数据集上，硬件噪声导致了有限的退化（RMSE 增加 3.2% 至 8.4%）。
  • 模拟与硬件储备池状态之间的相关性保持在高水平（0.97–0.99），表明硬件噪声扰动了特征，但并未破坏读取层所需的底层几何结构。
• 峰值负荷性能： 该框架在需求高峰期间保持了准确性，尽管在尖锐峰值处的误差略大，这可能是由于线性读取层的平滑特性而非量化或噪声导致的。

意义与主张
本文声称确立了量化 QRC 作为近即时量子时间序列应用的一种可行且具备资源感知能力的路径。其主要贡献在于：

1. 证明可行性： 证明了固定量子储备池结合压缩后的经典读取层，可以在严格的内存约束下有效运行，从而满足边缘设备的部署需求。
2. 定义准确性-紧凑性前沿： 确定了 6 位精度为最优操作点，在此处可实现最大化内存节省（81.2%）且不牺牲预测准确性。
3. 对噪声的鲁棒性： 展示了“一次训练，随处部署”的范式即使在从理想模拟转向真实的、有噪声的量子硬件时依然成立，前提是不重新训练读取层。

作者总结道，虽然该框架具有鲁棒性，但未来的工作应侧重于峰值感知损失函数和自适应读取器校准，以进一步应对电力系统中需求剧烈变化的特定挑战。这项工作并非旨在直接与经过充分训练的深度学习模型进行准确性基准对比，而是作为解决资源受限能源系统中部署差距的一种结构性解决方案。