Ziqing Zhu · Shuyang Zhu · Siqi Bu · IEEE Transactions on Power Systems · 2025年9月

针对高比例可再生能源接入下大规模电力系统潮流计算面临的计算效率与泛化能力挑战，本文提出一种基于贝叶斯量子神经网络（BayesianQNN）的新型潮流计算模型。该模型利用量子计算提升训练效率，并通过贝叶斯方法动态更新对可再生能源不确定性的认知，显著增强对未见场景的泛化能力。为评估模型性能，引入有效维度和泛化误差界两项指标。结果表明，所提方法在训练效率与泛化性能方面均优于现有数据驱动方法，适用于未来稳态电力系统分析。

解读: 该贝叶斯量子神经网络潮流计算技术对阳光电源iSolarCloud智能运维平台及PowerTitan储能系统具有重要应用价值。在大规模新能源电站集群管理中，该算法可显著提升实时潮流计算效率，为ST系列储能变流器的功率调度提供快速决策支持。其对可再生能源不确定性的动态认知能力，可优化SG光伏逆变器与储能...