Die Komplexität des Windpark-Layout-Designs

Die grundlegende Herausforderung besteht darin, Turbinen so anzuordnen, dass sie die maximal mögliche Energie des Windes einfangen und gleichzeitig die negativen Auswirkungen minimieren, die Turbinen aufeinander haben. Wenn Wind eine Turbine passiert, erzeugt er einen turbulenten Nachlauf mit reduzierter Windgeschwindigkeit. Nachgelagerte Turbinen in diesem Nachlauf erzeugen weniger Leistung und erfahren höhere mechanische Belastung. Dieser Nachlaufeffekt kann die Gesamtenergieleistung eines Parks um 10 bis 30 Prozent reduzieren, abhängig von der Anordnung und den Windbedingungen.

Neben der Wirbelschleppeninterferenz müssen Layout-Ingenieure die lokale Windrose berücksichtigen - die Verteilung der Windgeschwindigkeiten und -richtungen auf dem Gelände. Turbinen, die optimal für eine Windrichtung platziert sind, können bei Windverschiebungen schlecht funktionieren. Terrain fügt eine weitere Schwierigkeitsschicht hinzu: Hügel, Kämme und Täler kanalisieren und beschleunigen den Wind auf komplexe Weise. Umweltbeschränkungen wie Lärmgrenzen, Vogelwanderungskorridore und visuelle Aufprallbeschränkungen beschränken weiter, wo Turbinen platziert werden können. Das Ergebnis ist ein Multi-Ziel-Optimierungsproblem mit Hunderten oder sogar Tausenden von voneinander abhängigen Variablen.

Für einen mittelgroßen Windpark mit 50 Turbinen und nur einer Handvoll Kandidatenpositionen ist die Anzahl der möglichen Layouts astronomisch – weit über das hinaus, was brutal durchgesetzt werden kann. Jedes Layout muss mit Hilfe von Computerströmungsdynamik oder Wake-Modellierungssoftware simuliert werden, was rechentechnisch teuer ist. Klassische Optimierungsalgorithmen wie genetische Algorithmen, Partikelschwarmoptimierung und Gradienten-basierte Methoden werden häufig verwendet, aber sie konvergieren oft auf lokalen Optima und nicht auf der globalen besten Lösung. Wenn Farmen größer werden und sich in komplexere Offshore- oder Bergumgebungen bewegen, werden diese Einschränkungen schwerwiegender.

Warum klassische Optimierungsmethoden kämpfen

Klassische Ansätze zur Optimierung des Windparklayouts lassen sich in der Regel in zwei Kategorien einteilen: Gradientenbasierte Methoden und heuristische Suchalgorithmen. Gradientenbasierte Methoden erfordern eine glatte, differenzierbare Objektivfunktion, aber das Problem des Windparklayouts ist in hohem Maße nicht konvex und diskontinuierlich. Kleine Änderungen der Turbinenposition können zu abrupten Änderungen der Wirbelschleppeninterferenz führen, wodurch eine robuste Fitnesslandschaft mit vielen lokalen Spitzen und Tälern entsteht. Gradientenbasierte Solver bleiben leicht in diesen lokalen Optima stecken.

Heuristische Methoden wie genetische Algorithmen und simuliertes Glühen sind robuster für nicht konvexe Probleme. Sie erkunden den Lösungsraum breiter, indem sie eine Population von Kandidatenlayouts beibehalten oder gelegentlich schlechtere Lösungen akzeptieren, um lokalen Fallen zu entkommen. Trotzdem skalieren diese Methoden schlecht. Jede Generation oder Iteration erfordert die Bewertung jedes Kandidatenlayouts durch eine Wake-Simulation, die Minuten pro Layout dauern kann. Für eine Farm mit 100 Turbinen und einer komplexen Windrose kann ein einziger Optimierungslauf Tage oder Wochen dauern ein leistungsfähiger Cluster. Und es gibt keine Garantie, dass das Ergebnis wirklich optimal ist - nur dass es innerhalb der erlaubten Zeit am besten gefunden wird.

Die Industrie bewegt sich auch in Richtung größerer Turbinen und größerer Farmen. Offshore-Windparks überschreiten jetzt routinemäßig 100 Turbinen und drängen auf mehrere hundert. Die Komplexität des Layoutproblems wächst mit der Größe des Farms ungefähr quadratisch oder schlimmer, weil jede Turbine mit jeder anderen Turbine durch Nachläufe interagiert. Klassische Algorithmen treffen auf eine Wand: Sie können einfach keine qualitativ hochwertigen Lösungen für Großanlagen innerhalb akzeptabler Zeiträume finden. Hier tritt Quantencomputer ins Spiel.

Wie Quantum Computing die Optimierung unterschiedlich angehen kann

Quanten-Computing verwendet Qubits, die in Überlagerungen von Zuständen existieren können, so dass sie viele Kandidatenlösungen gleichzeitig darstellen und verarbeiten können. Für die Optimierung sind zwei wichtige Quantenparadigmen entstanden: Quanten-Annealing und gatebasierte Variationsalgorithmen. Beide Ansätze haben das Potenzial, Lösungslandschaften effizienter zu erforschen als klassische Methoden für bestimmte Klassen von Problemen.

Das Quantenglühen, das von Unternehmen wie D-Wave implementiert wurde, ist speziell für Optimierungen konzipiert. Es bildet das Problem auf ein physikalisches System ab, das sich natürlich zu Niedrigenergiekonfigurationen entwickelt. Das System beginnt in einer Überlagerung aller möglichen Zustände und wird langsam "geglüht" in Richtung eines Zustands, der die beste Lösung kodiert. Da das Quantensystem Energiebarrieren durchtunneln kann, anstatt sie klassisch zu übersteigen, kann es lokalen Optima entkommen und tiefere Minima finden. Dies macht Quantenglühen besonders vielversprechend für die raue Energielandschaft des Windparklayouts.

Gate-basierte Quantencomputer, wie sie von IBM, Google und anderen entwickelt werden, bieten allgemeinere Berechnungen, sind aber schwieriger auf Optimierungen anzuwenden. Der häufigste Ansatz ist der Variational Quantum Eigensolver (VQE), der eine hybride quantenklassische Schleife verwendet. Eine Quantenschaltung bereitet eine Testlösung vor, misst ihre Energie (oder Kosten) und speist diese Messung einem klassischen Optimierer zu, der die Schaltungsparameter anpasst. Diese Schleife wiederholt sich bis zur Konvergenz. Während VQE flexibler und theoretisch leistungsfähiger ist als Quantenglühen, ist es auch empfindlicher auf Rauschen und begrenzt durch die Tiefe der Schaltungen, die aktuelle Hardware ausführen kann.

Quantum Annealing im Detail

Die Zielfunktion umfasst Begriffe für die Energieerzeugung (negative Kosten, die maximiert werden sollen), Wake-Strafe (positive Kosten, die minimiert werden sollen) und Einschränkungen wie Mindestabstands- oder Ausschlusszonen. Für die Anordnung von Windparks wird das Problem als quadratisches, uneingeschränktes Problem der binären Optimierung (QUBO) oder als Ising-Modell codiert. Jeder mögliche Turbinenstandort wird durch eine binäre Variable dargestellt, die anzeigt, ob eine Turbine dort platziert ist.

Frühe Arbeiten von Forschern an D-Wave und akademischen Institutionen haben gezeigt, dass Quantenglühen bei kleinen Testproblemen Layouts mit höherer Energieeinfangung finden kann als klassische Heuristiken. Zum Beispiel verglich eine Studie der Universität Toronto im Jahr 2021 Quantenglühen mit einem genetischen Algorithmus für 16-Turbinen-Layouts auf einem vereinfachten Gitter. Der Quantenansatz fand konsequent bessere Lösungen und konvergierte schneller. Herausforderungen bestehen weiterhin in der Skalierung auf eine größere Anzahl von Qubits und in der Abbildung der kontinuierlichen Turbinenpositionen zu diskreten Qubits, ohne die Treue zu verlieren.

Variationale Quantenalgorithmen für Continuous Layout

Für realistischere kontinuierliche Layouts, bei denen Turbinen an einem beliebigen Ort innerhalb einer Grenze platziert werden können, können Gate-basierte Variationsverfahren natürlicher sein. Anstelle von binären Variablen können die Turbinenpositionen als kontinuierliche Parameter in einer Quantenschaltung codiert werden. Die Schaltung ist so ausgelegt, dass die Messung ihrer Leistung Kandidatenpositionen ergibt, die aus einer Wahrscheinlichkeitsverteilung gezogen werden. Der klassische Optimierer passt die Schaltungsparameter an, um diese Verteilung zu Positionen mit höherer Energieleistung und geringeren Nachlaufverlusten zu verschieben.

Dieser Ansatz wurde von Forschern von IBM Quantum und mehreren Universitäten erforscht. Ein Vordruck von 2023 demonstrierte einen VQE-basierten Layout-Optimierer für eine 10-Turbinen-Farm und verglich ihn mit einem klassischen Teilchenschwarm-Optimierer. Die Quantenmethode passte oder übertraf die klassischen Ergebnisse in mehreren Windszenarien. Die Autoren stellten fest, dass der Hauptengpass die Anzahl der erforderlichen Schaltungsauswertungen war, die mit der Anzahl der Turbinen wächst. Sie argumentierten, dass der VQE-Ansatz mit zunehmender Quantenhardware besser skalieren wird als klassische Methoden, weil die Quantenschaltung den Lösungsraum auf grundlegend effizientere Weise erkunden kann.

Grover Algorithmus und Mustersuche

Eine weitere Quantentechnik, die für die Optimierung von Windparks relevant ist, ist der Grover-Algorithmus, der eine quadratische Beschleunigung für unstrukturierte Suche bietet. Obwohl er weniger direkt anwendbar ist als Annealing oder VQE, könnte Grovers Algorithmus verwendet werden, um die Bewertung von Kandidatenlayouts in einem hybriden Suchrahmen zu beschleunigen. Zum Beispiel könnte eine von Grover erweiterte Suche, anstatt jedes Kandidatenlayout klassisch zu simulieren, die vielversprechendsten Layouts schneller identifizieren. Dies ist immer noch eine spekulativere Richtung, aber es weist auf die Breite der Quantenwerkzeuge hin, die möglicherweise auf das Problem angewendet werden.

Aktuelle Forschungs- und Pilotprojekte

Die Anwendung von Quanten-Computing auf Windpark-Layout ist noch in der Forschungsphase, aber mehrere bemerkenswerte Projekte produzieren bereits konkrete Ergebnisse. Im Jahr 2022 ging das National Renewable Energy Laboratory (NREL) eine Partnerschaft mit D-Wave ein, um Quantenglühen für die Offshore-Windpark-Optimierung zu erforschen. Ihre erste Studie modellierte eine 25-Turbinen-Farm und fand heraus, dass der Quantenglüher Layouts mit bis zu 5 Prozent höherer Energieeinfang im Vergleich zu einer genetischen Algorithmus-Basislinie produzierte. Während 5 Prozent für eine große Offshore-Farm im Wert von Hunderten von Millionen Dollar bescheiden klingen mag, bedeutet diese Verbesserung erhebliche zusätzliche Einnahmen über die Lebensdauer der Farm.

Unabhängig davon hat das Quantum Flagship-Programm der Europäischen Union ein Projekt mit dem Namen QOPT finanziert, das ein Arbeitspaket zur Optimierung erneuerbarer Energien enthält. Forscher der Technischen Universität Dänemark und der Universität Oxford entwickeln hybride quantenklassische Algorithmen speziell für das Layout von Windparks. Ihr Ansatz verwendet einen klassischen Löser für die kontinuierlichen Aspekte des Problems (genaue Turbinenkoordinaten) und einen Quantenglüher für die diskreten kombinatorischen Aspekte (welche Turbinen sollen und in welcher Reihenfolge die Wake-Wechselwirkungen optimiert werden). Erste Ergebnisse deuten darauf hin, dass dieser Hybridansatz Farmen mit bis zu 50 Turbinen unter Beibehaltung der Lösungsqualität handhaben kann.

Im privaten Sektor haben Unternehmen wie Windlab und Vestas begonnen, Quantencomputing durch Partnerschaften mit Quantenhardwareanbietern zu erforschen. Vestas, einer der weltweit größten Windkraftanlagenhersteller, kündigte 2023 eine Zusammenarbeit mit IBM an, um Quantenalgorithmen für die Windparkoptimierung und das Turbinendesign zu untersuchen. Während Details proprietär bleiben, hat das Unternehmen angedeutet, dass es Quantencomputing als einen Schlüsselfaktor für die nächste Generation von ultragroßen Windparks sieht.

Vorteile und Grenzen von Quantenansätzen

Die potenziellen Vorteile des Quanten-Computing für das Windpark-Layout sind überzeugend. Erstens können Quantenalgorithmen den Lösungsraum gründlicher erkunden und das Risiko verringern, sich für ein suboptimales Layout zu entscheiden. Zweitens können Quantenmethoden bei großen Problemen weniger Funktionsauswertungen erfordern, was sich direkt in kürzere Optimierungslaufzeiten und geringere Rechenkosten überträgt. Drittens behandeln Quantenglüher und Variationsschaltungen natürlich die komplexen, nicht konvexen Objektivfunktionen, mit denen klassische Gradientenmethoden zu kämpfen haben.

Allerdings bestehen noch erhebliche Einschränkungen. Die derzeitige Quantenhardware hat begrenzte Qubitzahlen und leidet unter Rauschen und Dekohärenz. Der neueste Glüher von D-Wave hat etwas mehr als 5.000 Qubits, aber diese Qubits sind nicht vollständig miteinander verbunden, was bedeutet, dass das Problem auf einen spärlichen Graphen (die Chimera- oder Pegasus-Topologie) abgebildet werden muss. Dieser Einbettungsprozess kann selbst rechnerisch teuer sein und die effektive Problemgröße verringern. Für Gate-basierte Systeme sind die Fehlerraten immer noch zu hoch für tiefe Schaltungen, was die Komplexität der Testlösungen, die vorbereitet und gemessen werden können, einschränkt.

Eine weitere Einschränkung ist die Schwierigkeit, kontinuierliche Variablen zu kodieren. Reale Turbinenpositionen sind kontinuierlich, nicht diskret. Während binäre Kodierung auf einem Gitter möglich ist, führt sie einen Näherungsfehler ein. Feinere Gitter erfordern mehr Qubits, was die aktuellen Hardwarefähigkeiten schnell übersteigt. Variationale kontinuierliche Kodierung vermeidet dieses Problem, erfordert jedoch mehr Schaltungsauswertungen und ist empfindlicher gegenüber Rauschen.

  • Vorteile: Schnellere Erkundung komplexer Landschaften, bessere Flucht vor lokalen Optima, Potenzial für eine bessere Skalierbarkeit mit der Größe des Betriebs, natürliche Passform für kombinatorische und eingeschränkte Probleme.
  • Begrenzte Qubit-Anzahl und Konnektivität, Rauschen und Dekohärenz in der aktuellen Hardware, Schwierigkeit beim Codieren kontinuierlicher Variablen, Bedarf an Quanten-Know-how und spezialisiertem Hardware-Zugriff.

Die hybride Zukunft: Klassische und Quantenintegration

Angesichts des aktuellen Stands der Quantenhardware ist die hybride Optimierung klassischer Quanten der praktischste Weg vorwärts. In diesem Rahmen behandelt ein klassischer Controller die für klassische Computer leicht zu bewältigenden Teile des Problems - wie Wake-Modellierung, Geländedatenverarbeitung und Einschränkungsdurchsetzung - und lädt gleichzeitig die schwierigsten kombinatorischen Teilprobleme an einen Quantenprozessor ab. Die klassischen und Quantenlöser kommunizieren in einem geschlossenen Kreislauf, wobei das Quantengerät Kandidatenlösungen oder Gradienteninformationen liefert, die der klassische Solver verwendet, um seine Suche zu leiten.

Hybridansätze werden bereits in Demonstrationsprojekten eingesetzt. So verwendet das bereits erwähnte QOPT-Projekt einen klassischen Solver für das Wake-Modell und einen Quantenglüher für das Turbinenauswahlproblem. Indem das Gesamtlayoutproblem in kleinere, besser handelbare Teilprobleme zerlegt wird, hält der Hybridansatz den Quantenressourcenbedarf überschaubar und liefert dennoch bessere Lösungen als rein klassische Methoden.

Wenn die Quanten-Hardware voranschreitet, kann sich das Gleichgewicht in Richtung einer direkteren Quantenbeteiligung verschieben. Wenn fehlerkorrigierte logische Qubits verfügbar werden oder wenn Qubit-Zahlen Zehntausende erreichen, wird es möglich sein, größere Variationsschaltungen auszuführen und Probleme mit höherer Genauigkeit zu codieren. An diesem Punkt könnte Quantencomputing der primäre Motor der Windparkoptimierung werden, wobei klassische Computer nur als Eingangs- und Ausgangsprozessoren dienen.

Schlussfolgerung

Quanten-Computing ist noch kein ausgereiftes Werkzeug für die Optimierung des Windpark-Layouts, aber die Flugbahn ist klar. Frühe kleinmaßstäbliche Studien zeigen durchweg, dass Quantenalgorithmen die klassische Heuristik bei vereinfachten Problemen übertreffen können und dass diese Vorteile mit zunehmender Problemgröße ausgeprägter werden. Die Kombination der Fähigkeit des Quantenglühens, lokalen Optima zu entkommen, und der Flexibilität der Variationsmethoden mit kontinuierlichen Parametern gibt Ingenieuren eine wachsende Toolbox, um die komplexen Wake-Wechselwirkungen, Geländeeffekte und Umwelteinschränkungen zu bewältigen, die das Design von realen Windparks definieren.

Die wirtschaftlichen Herausforderungen sind groß. Eine Verbesserung der Energiegewinnung um 5 bis 10 Prozent durch bessere Layout-Optimierung kann sich direkt in niedrigere Energiekosten (LCOE) übersetzen, was die Windenergie wettbewerbsfähiger gegenüber fossilen Brennstoffen macht. Da die Industrie immer größere Farmen an Land und vor Ort baut, werden die Grenzen der klassischen Optimierung verbindlicher. Quantencomputer bieten einen Weg, um diese Grenzen zu durchbrechen.

Die praktische Einführung wird wahrscheinlich einer allmählichen Kurve folgen. Heute erforschen führende Windenergieunternehmen Quantencomputer durch Forschungspartnerschaften und kleine Proof-of-Concept-Studien. In den nächsten drei bis fünf Jahren können wir mit hybriden quantenklassischen Workflows rechnen, die bei der Gestaltung neuer Farmen verwendet werden, insbesondere bei den größten und komplexesten Anlagen. Innerhalb eines Jahrzehnts, wenn sich die Quantenhardware weiterhin in ihrem derzeitigen Tempo verbessert, könnte Quantenoptimierung ein Standardschritt in der Entwicklung von Windparks werden und dazu beitragen, den globalen Übergang zu erneuerbaren Energien zu beschleunigen.