.png){kind=icon}
返回
QAOA-Driven PMU placement optimization with graph learning-based parameter initialization refinement
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-026-00354-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着可再生能源并网规模的显著扩大，电网的规模也迅速增加。为了有效监测大电网的运行状态，优化相量测量单元（PMU）的配置是一个关键的研究重点。PMU配置优化（OPP）是一个典型的组合优化问题，具有NP难复杂性，这对经典计算机带来了巨大挑战。现代电网的巨大规模迫使经典求解器进入不可接受的运行时间和次优局部极小值，降低了执行速度和解决方案质量。量子计算领域的最新进展为解决组合优化问题提供了新的机会，特别是通过量子近似优化算法（QAOA）。然而，QAOA作为一个混合量子-经典框架运行，确定最优参数依赖于一个经典的优化过程，该过程在计算上仍然具有挑战性且固有地属于NP难问题。另一方面，在噪声中等规模量子（NISQ）时代，获得最优优化结果通常需要大量的量子测量次数。在本工作中，我们提出了一种基于图学习的策略，为QAOA提供引导参数初始化，使其在有限的量子资源下有效运行，特别是在可用测量次数受限时。我们研究了OPP问题和通道限制任务，其中提出的基于图学习的参数预测器在这两项任务中均增强了QAOA的性能，提高了近似比和计算效率。此外，由于通道限制任务的复杂性及其预训练数据的稀缺性，我们采用了一种迁移学习策略，利用原始OPP任务的知识，其中QAOA参数数据集更容易获取，用于训练QAOA参数预测器的图学习框架。迁移学习的方法在近似比和时间效率方面均优于随机初始化以及仅使用通道限制数据集训练的图学习方法。总体而言，本研究旨在为当前NISQ时代解决复杂的实际电力系统优化问题提供一个新基准。
Keyword:
Quantum Approximate Optimization Algorithm (QAOA)
Power system optimization
Phasor Measurement Unit (PMU)
期刊
Q
IF:
4.4
论文数:
451
被引数:
796
机构
查看更多机构
引用论文
.png){kind=icon}
Graph representation learning for parameter transferability in quantum approximate optimization algorithm量子近似优化算法中参数可传递性的图表示学习OAAI
OAAI分享收藏PMU Placement for Measurement Redundancy Distribution Considering Zero Injection Bus and Contingencies考虑零注入总线和突发事件的测量冗余分配的PMU放置
PREAI
分享收藏A Novel Bus-Ranking-Algorithm-Based Heuristic Optimization Scheme for PMU Placement一种新的基于总线排序算法的PMU布局启发式优化方案
PREAI
分享收藏 没有更多内容