《IEEE Access》:QLID-Net: A Hybrid Quantum-Classical Neural Network for Robust and Data-Efficient Smart Grid Load Identification
编辑推荐:
非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)是现代智能电网系统的重要组成部分,能够将总能耗分解为设备级使用量。准确的设备分类对于优化潮流和不间断电网运行至关重要。在最新的NILM应用中,经典机器学习(Machine
非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)是现代智能电网系统的重要组成部分,能够将总能耗分解为设备级使用量。准确的设备分类对于优化潮流和不间断电网运行至关重要。在最新的NILM应用中,经典机器学习(Machine Learning, ML)模型需要大量的标记数据。然而,在实际场景中,有限的数据和测量噪声是常见的挑战。量子机器学习(Quantum Machine Learning, QML)利用量子力学特性,可能为NILM带来相较于经典ML的优势。在本研究中,研究人员提出了QLID-Net(Quantum Load IDentification Network),一种用于NILM中设备分类的混合量子-经典神经网络。所提出的架构由一个经典编码器、一个变分量子电路(Variational Quantum Circuit, VQC)和一个经典解码器组成。研究人员在一个智能电表数据集(五类设备)上通过四个实验评估了该模型:数据效率、经典/数据噪声鲁棒性、基线比较和量子硬件噪声鲁棒性,并将其与XGBoost、TabPFN、随机森林(Random Forest)和一个参数匹配的经典神经网络进行了比较。在数据效率实验中,所提出的模型在每类样本数≤10时优于两个经典模型,并显著优于参数匹配的经典神经网络(p<0.001,Cohen's d=1.80),交叉点大约在每类20个样本处。在加性噪声(高斯、均匀)下,所提出的模型表现出优越的鲁棒性,优于所有经典基线,相对于XGBoost提升高达17.9%,相对于TabPFN提升高达21.3%。在基线比较中,该模型实现了与XGBoost和TabPFN相当的性能(差距在5.1%以内),并且训练收敛率达到100%,而经典神经网络仅为70%。最后,在量子硬件噪声测试中,结果显示虽然QLID-Net可以与...
非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)是现代智能电网中的关键环节,它能够将总能耗分解为单个设备的使用情况,从而支持需求响应、能效反馈和异常检测。当前最先进的NILM系统大多依赖经典机器学习(Machine Learning, ML)模型,但这些模型通常需要大量标注数据才能达到高精度。在实际智能电表部署中,数据稀缺和测量噪声是普遍存在的挑战,严重制约了ML方法的性能。量子机器学习(Quantum Machine Learning, QML)利用叠加和纠缠等量子力学特性,理论上在有限数据学习和噪声鲁棒性方面具有优势,但QML在NILM领域几乎未被探索。为填补这一研究空白,研究人员提出了QLID-Net(Quantum Load IDentification Network),一种用于NILM设备分类的混合量子-经典神经网络。该研究系统地评估了QLID-Net在数据效率、经典数据噪声鲁棒性、基线性能以及量子硬件噪声影响四个维度的表现,并与XGBoost、随机森林(Random Forest, RF)、TabPFN以及一个参数匹配的经典神经网络进行对比。论文发表在《IEEE Access》上。
研究人员采用了一个公开的智能电表数据集(来自原始研究中的表格电气特征),包含5类设备(电热水壶、电磁炉、吹风机、风扇和冰箱),共15114个样本,每个样本具有电流(I)、有功功率(P)、无功功率(Q)、视在功率(S)和功率因数(PF)5个电气特征。数据预处理采用分层块分割(60/20/20训练/验证/测试比例),并对训练和验证集进行欠采样以消除类别不平衡,测试集保持原始不平衡分布。特征经MinMaxScaler归一化至[-1,1]。QLID-Net架构由三部分构成:经典编码器(两个全连接层将5维输入降至8维,使用修正线性单元(ReLU)和双曲正切(Tanh)激活函数)、变分量子电路(Variational Quantum Circuit, VQC)(3个量子比特,通过振幅嵌入将8维特征编码到量子态,采用PennyLane的StronglyEntanglingLayers作为参数化电路,包含2个变分层,每层应用Rx、Ry、Rz旋转门和受控非门(CNOT),共18个可训练参数)、以及经典解码器(单个全连接层将量子测量输出的3维映射到5类预测)。对比的经典基线包括:XGBoost(100个估计器)、RF(100个估计器)、TabPFN(基于预训练Transformer的表格数据模型)、以及一个参数数量与QLID-Net匹配的经典神经网络(结构5→32→8→3→5,用全连接层替代VQC)。实验设计包含四个独立实验,每个使用10个随机种子,并采用Wilcoxon符号秩检验和Cohen's d效应量进行统计显著性分析。
研究结果如下:
A. 数据效率实验:通过系统减少每类训练样本数(从5到160个),研究人员发现QLID-Net在每类样本数≤10时取得最佳性能。具体而言,在5个样本/类时,QLID-Net的宏F1分数(Macro F1-Score)为0.695,分别比XGBoost(0.555)高14%,比RF(0.394)高76%。在10个样本/类时,QLID-Net(0.754)比XGBoost(0.666)高8.8%。与参数匹配的经典神经网络相比,QLID-Net在所有样本规模下均显著优异(p<0.001,Cohen's d=1.80),改进幅度达18%至69%。交叉点出现在约20个样本/类处:低于此阈值时QLID-Net具有优势,高于此阈值时XGBoost略优。
B. 噪声鲁棒性实验:在测试集上分别添加高斯噪声(不同标准差σ)和均匀噪声(不同宽度w),所有模型在干净数据上训练。结果显示,QLID-Net在所有加性噪声水平下均显著优于所有经典基线(p<0.001)。例如,在σ=0.10时,QLID-Net比XGBoost高15.7%,比TabPFN高19.1%;在w=0.15时,比XGBoost高17.9%;在w=0.3时,比TabPFN高21.3%。采用面积下退化曲线(AUDC)作为综合指标,QLID-Net在高斯噪声下的AUDC比XGBoost高19%,比TabPFN高32%;在均匀噪声下分别高25%和30%。在丢弃噪声下,树模型表现出更强的鲁棒性,表明振幅嵌入对结构性数据损坏敏感。
C. 基线比较实验:在完整训练数据(每类1605样本)和干净测试数据上,XGBoost取得最高宏F1分数(0.867),TabPFN紧随其后(0.858)。QLID-Net以0.816的F1分数排名第三,与XGBoost和TabPFN的差距在5.1%以内。QLID-Net显著优于RF(p<0.002,Cohen's d=1.47),并比参数匹配的经典神经网络高18.4%(Cohen's d=0.69,中等效应)。此外,QLID-Net在10个随机种子中实现100%训练收敛,而经典神经网络仅70%的种子成功收敛。
D. 量子硬件噪声实验:通过模拟振幅阻尼信道和退极化信道,研究人员评估了量子硬件噪声的影响。在8个噪声水平下,振幅阻尼噪声导致性能下降最高28.15%,退极化噪声导致下降最高26.68%。即便如此,QLID-Net在硬件噪声下的性能仍能与参数匹配的经典神经网络相竞争。
E. 总结:综合四项实验,QLID-Net在数据稀缺和加性测量噪声环境下展现了显著优势,同时保持了与先进经典模型可比的基线性能,并提供更可靠的训练收敛性。
讨论部分指出,数据效率实验结果与理论预测一致,即量子模型在有限数据下具有更好的泛化能力。噪声鲁棒性实验表明,量子层通过振幅嵌入可能构建了抗噪的特征表示,但对特征丢失(丢弃噪声)较敏感。基线比较中XGBoost的优势主要体现在完整表格数据上,而在数据有限和噪声条件下QLID-Net的反超凸显了其实际部署价值。量子硬件噪声导致的性能下降强调了误差缓解技术对于真实NISQ设备的重要性。该研究存在局限性:所有实验均在模拟环境中进行,未在真实量子硬件上验证;仅使用单一5类数据集;3量子比特架构限制了可扩展性。未来工作建议在真实量子硬件上测试、扩展到更多数据集和类别、探索不同量子电路结构和嵌入策略、以及研究误差缓解方法。
研究结论部分翻译如下:本研究提出并评估了QLID-Net,一种用于非侵入式负荷监测(NILM)中设备分类的混合量子-经典神经网络。研究人员通过四个实验场景评估了该混合模型:数据效率、噪声鲁棒性、基线性能和量子硬件噪声性能。第一个关键发现是,所提出的混合模型在每类样本数≤10时优于所有模型,并显著优于参数匹配的经典神经网络(p<0.001,Cohen's d=1.80),交叉点大约在每类20个样本处。第二个关键发现是,该混合模型在加性噪声(高斯、均匀)下显著优于所有经典基线,相对于XGBoost提升高达17.9%,相对于TabPFN提升高达21.3%,表明在测量不确定性场景中量子优势显著。第三个关键发现是,在基线比较中,该混合模型表现出与XGBoost和TabPFN竞争的性能(差距在5.1%以内),并提供更好的训练稳定性(100%收敛率 vs 经典神经网络的70%)。最后一个关键发现是,在量子硬件模拟下,尽管QLID-Net能与参数匹配的经典神经网络竞争,但性能下降,因此必须研究量子误差缓解技术以评估其在真实NISQ设备上的适用性。这项工作是首个提出用于表格NILM的混合量子-经典模型并全面评估其在不同场景下表现的研究。研究人员确定了量子方法提供优势的实际场景(数据效率、噪声鲁棒性、训练稳定性),为未来将量子方法融入NILM研究提供了指导,表明所提出的模型适用于数据有限和测量噪声的部署。最后,这项研究为现实应用中量子优势的日益增长的证据做出了贡献。