La complexité de la conception de la structure des parcs éoliens

La conception d'un parc éolien est beaucoup plus complexe que la simple mise en place d'éoliennes dans un endroit venteux. Le défi fondamental est d'organiser des éoliennes de sorte qu'elles captent le maximum d'énergie possible du vent tout en minimisant les effets négatifs que les éoliennes ont sur l'autre. Lorsque le vent traverse une turbine, il crée un réveil turbulent avec une vitesse du vent réduite.

Au-delà des interférences de sillage, les ingénieurs de la disposition doivent tenir compte de la montée du vent local, c'est-à-dire de la répartition des vitesses et des directions du vent à travers le site. Les turbines placées de façon optimale pour une direction du vent peuvent se révéler inefficaces lorsque le vent se déplace. Le terrain ajoute une autre couche de difficulté : les collines, les crêtes et les vallées canalisent et accélèrent le vent de façon complexe.

Pour un parc éolien de taille moyenne avec 50 turbines et une poignée de positions candidates, le nombre de mises en page possibles est astronomique, bien au-delà de ce qui peut être forcé par des chocs. Chaque mise en page doit être simulée à l'aide d'un logiciel de modélisation de la dynamique des fluides ou de sillages, qui est coûteux sur le plan informatique.

Pourquoi les méthodes d'optimisation classique luttent

Les approches classiques de l'optimisation de la disposition des parcs éoliens se divisent généralement en deux catégories : les méthodes basées sur les gradients et les algorithmes de recherche heuristique. Les méthodes basées sur les gradients nécessitent une fonction objective lisse et différente, mais le problème de la disposition des parcs éoliens est très non convexe et discontinu.

Les méthodes heuristiques comme les algorithmes génétiques et les simulations de recuit sont plus robustes pour les problèmes non convexes. Elles explorent l'espace de solution plus largement en maintenant une population de disposition de candidats ou en acceptant occasionnellement des solutions pires pour échapper aux pièges locaux. Pourtant, ces méthodes s'échellent mal. Chaque génération ou itération nécessite d'évaluer chaque disposition de candidats à travers une simulation de sillage, qui peut prendre des minutes par disposition.

Les parcs éoliens offshore dépassent maintenant régulièrement 100 turbines et poussent vers plusieurs centaines. La complexité du problème de la disposition augmente à peu près quadratiquement ou de pire avec la taille de la ferme parce que chaque turbine interagit avec toutes les autres turbines par des sillages. Les algorithmes classiques frappent un mur : ils ne trouvent tout simplement pas de solutions de haute qualité pour les installations à grande échelle dans des délais acceptables.

Comment les approches de calcul quantique Optimisation différemment

Quantum computing utilise des qubits qui peuvent exister dans les superpositions d'états, leur permettant de représenter et de traiter simultanément de nombreuses solutions candidates. Pour l'optimisation, deux paradigmes quantiques principaux sont apparus : le recuit quantique et les algorithmes variationnels basés sur la porte. Les deux approches ont le potentiel d'explorer les paysages de solution plus efficacement que les méthodes classiques pour certaines classes de problèmes.

Le recuit quantique, mis en œuvre par des entreprises comme D-Wave, est spécialement conçu pour l'optimisation. Il cartographie le problème sur un système physique qui évolue naturellement vers des configurations à basse énergie. Le système commence par une superposition de tous les états possibles et est lentement « annélalisé » vers un état qui code la meilleure solution. Parce que le système quantique peut tunneler à travers des barrières énergétiques plutôt que de les escalader classiquement, il peut échapper à l'optima local et trouver des minima plus profonds.

Les ordinateurs quantiques basés sur les portails, tels que ceux développés par IBM, Google, et d'autres, offrent un calcul plus général mais sont plus difficiles à appliquer à l'optimisation. L'approche la plus courante est la Variation Quantum Eigensolver (VQE), qui utilise une boucle quantique-classique hybride. Un circuit quantique prépare une solution d'essai, mesure son énergie (ou son coût), et alimente cette mesure à un optimisateur classique qui ajuste les paramètres du circuit. Cette boucle se répète jusqu'à la convergence.

Quantum Annealing en détail

Pour la mise en page du parc éolien, le problème est codé comme un problème quadratique non-constrainé d'optimisation binaire (QUBO) ou un modèle d'Ising. Chaque emplacement possible de turbine est représenté par une variable binaire indiquant si une turbine est placée là. La fonction objective comprend les termes de production d'énergie (coût négatif, à maximiser), les pénalités de sillage (coût positif, à minimiser) et des contraintes comme les zones d'espacement minimum ou d'exclusion.

Les premiers travaux de chercheurs de D-Wave et d'établissements universitaires ont montré que le recuit quantique peut trouver des aménagements plus puissants en matière de capture d'énergie que l'heuristique classique sur de petits problèmes de test. Par exemple, une étude de 2021 de l'Université de Toronto a comparé le recuit quantique à un algorithme génétique pour 16-turbines sur une grille simplifiée.

Algorithmes quantiques variables pour la mise en oeuvre continue

Pour des configurations continues plus réalistes où les turbines peuvent être placées n'importe où dans une limite, les méthodes de variation basées sur la grille peuvent être plus naturelles. Au lieu de variables binaires, les positions de turbine peuvent être codées comme paramètres continus dans un circuit quantique. Le circuit est conçu de façon à ce que la mesure de sa sortie produise des positions candidates tirées d'une distribution de probabilité.

Cette approche a été explorée par des chercheurs d'IBM Quantum et de plusieurs universités. Un pré-print de 2023 a démontré un optimisation de la disposition basé sur le VQE pour une ferme de 10 turbines et l'a comparé à un optimisation classique des essaims de particules. La méthode quantique a été adaptée ou a dépassé les résultats classiques sur plusieurs scénarios de vent. Les auteurs ont noté que le goulot d'étranglement principal était le nombre d'évaluations de circuits requis, qui augmente avec le nombre de turbines.

Algorithme de Grover et recherche de motifs

Une autre technique quantique pertinente à l'optimisation du parc éolien est l'algorithme de Grover, qui fournit une accélération quadratique pour une recherche non structurée. Bien que moins directement applicable que le recuit ou le VQE, l'algorithme de Grover pourrait être utilisé pour accélérer l'évaluation des mises en page des candidats dans un cadre de recherche hybride. Par exemple, au lieu de simuler chaque mise en page des candidats classiquement, une recherche améliorée par Grover pourrait identifier les mises en page les plus prometteuses plus rapidement.

Projets de recherche et projets pilotes en cours

En 2022, le Laboratoire national des énergies renouvelables (NREL) s'est associé à D-Wave pour explorer le recuit quantique pour optimiser le parc éolien en mer. Leur étude initiale a modélisé une ferme de 25 turbines et a constaté que le recuit quantique produisait des aménagements avec jusqu'à 5 % de plus de saisie d'énergie qu'un algorithme génétique de référence. Bien que 5 % puisse sembler modeste, pour une grande ferme en mer d'une valeur de centaines de millions de dollars, cette amélioration se traduit par des revenus supplémentaires importants sur la durée de vie de la ferme.

Les chercheurs de l'Université technique du Danemark et de l'Université d'Oxford développent des algorithmes quantiques-classiques hybrides spécifiquement pour la mise en place des parcs éoliens. Leur approche utilise un résolveur classique pour les aspects continus du problème (coordonnées exactes de turbine) et un recaleur quantique pour les aspects combinatoires discrets (que les turbines à inclure et dans quel ordre optimiser les interactions de sillage). Les premiers résultats suggèrent que cette approche hybride peut gérer des fermes avec jusqu'à 50 turbines tout en maintenant la qualité de la solution.

Dans le secteur privé, des entreprises comme Windlab et Vestas ont commencé à explorer le calcul quantique par le biais de partenariats avec des fournisseurs de matériel quantique. Vestas, l'un des plus grands fabricants d'éoliennes au monde, a annoncé une collaboration avec IBM en 2023 pour étudier les algorithmes quantiques pour l'optimisation des parcs éoliens et la conception des éoliennes.

Avantages et limites des approches quantiques

Les avantages potentiels du calcul quantique pour la disposition des parcs éoliens sont convaincants. Premièrement, les algorithmes quantiques peuvent explorer plus en profondeur l'espace de solution, réduisant le risque de se régler pour une disposition sous-optimale. Deuxièmement, pour les grands problèmes, les méthodes quantiques peuvent nécessiter moins d'évaluations de fonctions, ce qui se traduit directement par des temps d'optimisation plus courts et des coûts de calcul plus faibles.

Le matériel quantique actuel a un nombre limité de qubits et souffre de bruit et de décohérence. Le dernier recuit de D-Wave a un peu plus de 5 000 qubits, mais ces qubits ne sont pas entièrement connectés, ce qui signifie que le problème doit être cartographié sur un graphe épars (la topologie Chimera ou Pegasus). Ce processus d'intégration peut être lui-même coûteux par calcul et peut réduire la taille du problème.

Une autre limite est la difficulté d'encoder des variables continues. Les vraies positions de turbine sont continues, pas discrètes. Bien que l'encodage binaire sur une grille soit possible, il introduit une erreur d'approximation. Les grilles plus fines nécessitent plus de qubits, dépassant rapidement les capacités matérielles actuelles.

  • Avantages:[ Exploration plus rapide de paysages complexes, meilleure évasion de l'optima local, potentiel d'évolutivité avec la taille de la ferme, naturel adapté aux problèmes combinatoires et limités.
  • Limitations:[ Nombre et connectivité qubit limités, bruit et décohérence dans le matériel actuel, difficulté à encoder des variables continues, besoin d'expertise quantique et d'accès matériel spécialisé.

L'avenir hybride : intégration classique et quantitative

Dans ce cadre, un contrôleur classique s'occupe des parties du problème qui sont faciles pour les ordinateurs classiques – comme la modélisation de sillage, le traitement des données de terrain et l'application des contraintes – tout en déchargeant les sous-problèmes combinatoires les plus difficiles vers un processeur quantique. Les résolveurs classiques et quantiques communiquent en boucle fermée, avec l'appareil quantique fournissant des solutions candidates ou des informations de gradient que le résolveur classique utilise pour guider sa recherche.

Par exemple, le projet QOPT mentionné précédemment utilise un solveur classique pour le modèle de sillage et un recuit quantique pour le problème de sélection de turbine. En casant le problème de la disposition globale en sous-problèmes plus petits et plus traitables, l'approche hybride maintient les besoins quantiques en ressources gérables tout en offrant de meilleures solutions que les méthodes purement classiques.

Lorsque les qubits logiques corrigés par erreur deviennent disponibles, ou lorsque les nombres de qubits atteignent des dizaines de milliers, il sera possible de faire fonctionner des circuits de variation plus grands et d'encoder des problèmes avec une plus grande fidélité. À ce moment, le calcul quantique pourrait devenir le moteur principal de l'optimisation de la ferme éolienne, avec des ordinateurs classiques servant uniquement de processeurs d'entrée et de sortie.

Conclusion

Les premières études à petite échelle montrent systématiquement que les algorithmes quantiques peuvent surpasser l'heuristique classique sur des problèmes simplifiés et que ces avantages deviennent plus prononcés à mesure que la taille du problème augmente. La combinaison de la capacité de recuit quantique d'échapper à l'optima locale et de la flexibilité des méthodes de variation avec des paramètres continus donne aux ingénieurs une boîte à outils croissante pour s'attaquer aux interactions complexes de sillage, aux effets du terrain et aux contraintes environnementales qui définissent la conception d'un parc éolien dans le monde réel.

Les enjeux économiques sont élevés. Une amélioration de 5 à 10 pour cent de la capture d'énergie grâce à une meilleure optimisation de la disposition peut se traduire directement par un coût de l'énergie moins élevé (LCOE), ce qui rend l'énergie éolienne plus compétitive par rapport aux combustibles fossiles.

Aujourd'hui, les grandes entreprises éoliennes explorent le calcul quantique par le biais de partenariats de recherche et d'études de démonstration à petite échelle. Au cours des trois à cinq prochaines années, on peut s'attendre à ce que des flux de travail quantiques-classiques hybrides soient utilisés dans la conception de nouvelles fermes, en particulier les installations les plus importantes et les plus complexes.