解读合肥工业大学 杨贺钧：量子计算在电力系统可靠性评估中的应用探索

为什么可靠性评估需要新算力

材料开篇列举了多起大停电事件：2021年美国德州风机冻结导致362万人停电，2006年欧洲调整输电线路引发连锁反应影响1000万人，2019年委内瑞拉电站遭电磁攻击停电持续数周，2025年西班牙葡萄牙新能源脱网、主网解列致5000万人受影响。这些事件说明极端天气、设备老化、人为因素与电磁攻击叠加，会让电网脆弱性集中暴露。

开展电力系统可靠性评估，核心作用是辨识电网薄弱环节，为运行规划与风险防控提供支撑。但材料同时指出，随着系统规模扩大，状态数量呈指数级增长，传统遍历方法无法处理如此巨大的状态空间。传统可靠性评估方法在计算效率和计算精度之间面临根本性的性能瓶颈，而传统并行计算又需要增加处理器等物理设备，这构成了探索量子计算的现实起点。

量子计算凭什么能加速

材料用通俗方式解释了量子计算的原理：它以量子比特为基本单元，通过量子态的制备、演化与测量完成信息处理，主要利用叠加态特性实现并行计算。经典比特只能处于0或1状态，一次表示一个系统状态；而3个量子比特均处于叠加态时，可同时表示000到111共8个状态。

这一特性与可靠性评估的需求高度契合——评估本质上要遍历大量元件正常/故障组合。材料回顾了量子计算发展史：1980年曼宁提出构想，1981年费曼倡导用量子计算机模拟量子现象，1985年多伊奇提出首个量子算法证明其普适性；此后Shor算法实现大整数质因数分解、Grover算法实现搜索的平方根加速，HHL、QAOA、VQE等算法相继出现。

，而量子比特的叠加态让“同时加载”多个状态成为可能。材料正是基于这一特征，提出用量子态表征发电机0-1工作状态、用概率振幅表示元件和系统状态概率的思路。

发电系统：四模块量子建模框架

研究探索1针对发电系统可靠性评估，把计算拆成“系统状态抽样+系统状态评估”两步，并设计了四个模块：系统状态制备模块用量子比特表示元件、用概率振幅平方表示元件正常和故障概率；系统状态量子计算模块分别计算各状态的发电量与切负荷量；可靠性指标量子计算模块将LOLP、EENS转化为辅助量子比特的概率振幅；可靠性指标观测模块构建基于IQAE算法的量子测量模型。

材料特别处理了一个细节：制备的系统状态概率初始全部相等，与实际不符，需要通过旋转使每个比特状态概率幅与发电机可用率、不可用率一致，从而一步生成全部系统状态。以RBTS测试系统为例，11台机组对应2的11次方共2048个状态，各机组不可用率从0.0101695到0.0299003不等。

在指标模型上，材料用加法器线路计算发电量、用量子比较器判定失负荷状态，并将失负荷状态概率累积得到LOLP；EENS模型则通过受控操作完成失负荷状态概率与切负荷量的乘积。验证结果显示，PQM方法与解析法高度吻合，LOLP误差为3.75×10的负13次方量级，EENS误差约4×10的负5次方量级。

发输电系统：混合架构破解搜索与潮流

研究探索2把对象扩展到发输电系统，评估链条更长：系统状态抽样、系统状态评估、网络解列搜索、潮流计算。材料指出，经典计算机模拟器实现纯量子线路的可靠性评估非常困难，受计算效率与计算资源制约，因此转向量子-经典混合方法，发挥各自优势。

第一个难点是网络解列搜索。量子叠加态的测量会塌缩到单一态，无法得知量子线路中间状态，无法逐步遍历搜索所有节点，需要构造量子算法实现拓扑搜索。材料提出考虑路径连通性的量子深度优先搜索算法，选定首节点搭建量子模型，再根据路径连通性建立路径量子模型，测量后获得与首节点相连的系统节点，一定程度上提高搜索效率。

第二个难点是潮流计算。材料探索混合量子-经典算法：用量子相位估计与逆量子相位估计处理状态制备，经典计算机执行牛顿法迭代步骤——给定初始值、计算偏差量向量、计算雅克比矩阵、求解修正量、修正近似解、判断收敛。算例显示节点电压幅值与相角在两种口径下结果一致。在设计的测试系统与RBTS系统验证中，QM与CM方法在发电系统故障场景下LOLP完全一致，均为0.0309634，EENS分别为17626.56与17473.21。

量子卷积：让等效负荷持续曲线算得更快

研究探索3提出基于量子卷积的可靠性评估模型，用于计算失负荷概率和期望缺供电量。材料解释了经典方法的痛点：等效负荷持续曲线需要逐台机组卷积递推，每增加一台机组就要更新一次曲线，计算量随机组数量和时间尺度增多而显著上升。

量子卷积电路模型包含机组状态量子线路、负荷数据量子线路与加法器线路。机组状态模型编码所有机组运行状态及概率，负荷数据模型编码离散化的负荷持续曲线，量子加法器则基于QFT实现受控加法——机组停运时控制负荷增加停运机组容量，最终测量提取等效负荷持续曲线数据。

验证结果给出了具体精度：设计系统中EENS为52.2096 MWh、经典递推卷积法为52.2100 MWh，相对误差0.00077%；LOLP为0.14421对0.14425，相对误差0.02773%。RBTS案例中EENS相对误差0.0125%，LOLP相对误差0.721%。这些数字表明量子卷积方法在保持精度的同时具备替代经典递推的潜力。

结论与下一步：从可行走向工程可用

材料在结论部分给出三层判断。应用探索层面，初步探索了量子计算在电力系统量子可靠性评估中的应用，设计了评估的量子计算方法，验证了该交叉领域的可行性与潜力。当前拓展层面，正围绕量子优化方法、量子神经网络、量子网络流计算等方向，探索其在可靠性评估中的应用。

后续设想分三条线：算法设计上持续研究可靠性评估场景下的量子算法，提升在电力系统中的适用性；仿真验证上基于现有环境开展算法仿真，逐步验证并量化量子计算在工程中的潜在应用；软硬适配上针对现阶段量子硬件的物理特性，探索抗噪、轻量化的量子-经典混合计算架构。

软硬适配是量子计算从论文走向工程的关键一步，材料没有回避当前硬件限制，而是明确将混合架构作为过渡路径。对能源从业者而言，这意味着短期内更现实的落点是量子-经典混合工具链，而非等待通用量子计算机成熟。

材料以RBTS测试系统为算例，列出11台机组的故障率、修复时间、装机容量与可用率。机组1至2为5 MW、故障率2%、修复时间45小时，不可用率0.0101695；机组7为40 MW、故障率3%、修复时间60小时，不可用率0.0201342；机组10至11为40 MW、故障率6%，不可用率最高达0.0299003。 这些参数直接决定量子态制备时旋转角度的设定。11台机组对应2的11次方共2048个系统状态，材料正是用这组参数验证“一步生成全部系统状态”的可行性，并据此计算LOLP与EENS。

研究探索2在设计测试系统与RBTS系统上验证量子-经典混合方法。设计系统中发电系统故障场景下，QM与CM的LOLP完全一致，均为0.0309634，EENS分别为17626.56与17473.21 MWh；总故障指标QM的LOLP为0.0383435、EENS为19146.21 MWh。 RBTS系统中输电系统故障场景QM的LOLP为0.0009279、EENS为164.11 MWh，总故障指标QM的LOLP为0.0096885、EENS为1048.79 MWh。QM与经典方法在LOLP上高度一致，差异主要体现在EENS的少量偏差，材料将其归因于混合架构中量子搜索与经典潮流的衔接误差。

量子卷积方法的验证结果以相对误差呈现：设计系统中EENS为52.2096 MWh、经典递推法为52.2100 MWh，相对误差0.00077%；LOLP为0.14421对0.14425，相对误差0.02773%。RBTS案例中EENS相对误差0.0125%，LOLP相对误差0.721%。 从绝对量看，EENS的偏差不足0.001 MWh，LOLP偏差在10的负5次方量级。LOLP在RBTS案例中0.721%的误差是三项探索中相对偏高的一项，材料未回避这一差异，而是将其作为后续算法优化与仿真验证的改进方向。