La complessità del design dei tappetini eolici

La sfida fondamentale è quella di organizzare turbine in modo da catturare la massima energia possibile dal vento, riducendo al minimo gli effetti negativi che le turbine hanno l'una sull'altra. Quando il vento passa attraverso una turbina, crea una scia turbolenta con una velocità del vento ridotta. Le turbine a valle producono meno potenza e sperimentano un maggiore stress meccanico.

Oltre alle interferenze, gli ingegneri del layout devono tenere conto della rosa del vento locale, della distribuzione delle velocità e delle direzioni del vento attraverso il sito. Le turbine poste in modo ottimale per una direzione del vento possono svolgere scarsamente quando il vento si sposta. Terrain aggiunge un altro strato di difficoltà: colline, problemi e valli canale e accelera il vento in modi complessi.

Per un parco eolico di medie dimensioni con 50 turbine e solo una manciata di posizioni candidate, il numero di possibili layout è astronomico, molto oltre a quello che può essere forzato bruto. Ogni layout deve essere simulato utilizzando fluidodinamica computazionale o software di modellazione della sveglia, che è computazionalmente costoso.

Perché metodi di ottimizzazione classica Struggle

Gli approcci classici all'ottimizzazione del layout dell'azienda eolica generalmente rientrano in due categorie: metodi basati su gradienti e algoritmi di ricerca euristica. I metodi basati su gradienti richiedono una funzione oggettiva liscia e differenziabile, ma il problema del layout dell'azienda eolica è altamente non-convesso e discontinuo.

I metodi euristici come gli algoritmi genetici e l'impastatura simulata sono più robusti per i problemi non convessi.Esaminano lo spazio della soluzione più in generale mantenendo una popolazione di layout candidati o accettando occasionalmente soluzioni peggiori per sfuggire alle trappole locali.

L'industria si sta muovendo anche verso turbine più grandi e grandi aziende agricole. Le fattorie eoliche offshore superano di routine 100 turbine e stanno spingendo verso diverse centinaia. La complessità del problema del layout cresce approssimativamente quadraticamente o peggio con dimensioni dell'azienda perché ogni turbina interagisce con ogni altra turbina attraverso le onde.

Come l'ottimizzazione dei livelli di calcolo quantistica si differenzia

Per l'ottimizzazione, sono emersi due principali paradigmi quantistici: l'impastamento quantistico e gli algoritmi variazionali basati su gate. Entrambi gli approcci hanno il potenziale di esplorare i paesaggi di soluzione più efficacemente dei metodi classici per alcune classi di problemi.

L'impastatura quantistica, implementata da aziende come D-Wave, è specificamente progettata per l'ottimizzazione. Mappeggia il problema su un sistema fisico che si evolve naturalmente verso configurazioni a basso consumo energetico. Il sistema inizia in una sovrapposizione di tutti gli stati possibili ed è lentamente "annealed" verso uno stato che codifica la soluzione migliore.

I computer quantistici basati su cancelli, come quelli sviluppati da IBM, Google e altri, offrono un calcolo più generale ma sono più impegnativi da applicare all'ottimizzazione. L'approccio più comune è il Variational Quantum Eigensolver (VQE), che utilizza un loop quantistico-classico ibrido. Un circuito quantistico prepara una soluzione di prova, misura la sua energia (o il costo), e alimenta quella misura a un ottimizzazione di convergenza classica che regola i parametri del circuito.

Quantum Annealing in dettaglio

Per il layout dell'azienda eolica, il problema è codificato come un problema di ottimizzazione binaria non frenata quadratica (QUBO) o un modello di Ising. Ogni possibile posizione della turbina è rappresentata da una variabile binaria che indica se una turbina è collocata lì. La funzione oggettiva comprende termini per la produzione di energia (costo negativo, costo minimo di esclusione).

Il lavoro precoce dei ricercatori di D-Wave e delle istituzioni accademiche ha dimostrato che l'impastazione quantistica può trovare layout con una maggiore cattura di energia rispetto alle euristica classiche su piccoli problemi di test. Ad esempio, uno studio 2021 dell'Università di Toronto ha confrontato l'impastamento quantistico ad un algoritmo genetico per 16-turbine layout su una griglia semplificata. L'approccio quantistico ha trovato costantemente soluzioni migliori e ha convergeto più velocemente.

Algoritmi quantistici variabili per layout continui

Per i layout continui più realistici in cui le turbine possono essere posizionate ovunque all'interno di un limite, i metodi variazionali a cancello possono essere più naturali. Invece di variabili binarie, le posizioni della turbina possono essere codificate come parametri continui in un circuito quantistico. Il circuito è progettato in modo che la misura della sua uscita produce posizioni di candidati disegnate da una distribuzione di probabilità. L'ottimizzatore classico regola i parametri del circuito per spostare quella distribuzione verso posizioni con maggiore potenza e perdite di ripresa e bassa.

Questo approccio è stato esplorato da ricercatori di IBM Quantum e da diverse università. Un 2023 prestampa ha dimostrato un ottimizzazione di layout basato su VQE per un'azienda agricola a 10 turbine e confrontato con un ottimizzazione dello swarm delle particelle classiche. Il metodo quantistico ha abbinato o superato i risultati classici su diversi scenari eolici. Gli autori hanno notato che il collo della bottiglia principale è il numero di valutazioni del circuito richiesto, che cresce con il numero di turbine di soluzione di scala.

Algoritmo e Pattern Search di Grover

Un'altra tecnica quantistica rilevante per l'ottimizzazione dell'eolico è l'algoritmo di Grover, che fornisce un speedup quadratico per la ricerca non strutturata. Mentre meno direttamente applicabile rispetto all'impastatura o al VQE, l'algoritmo di Grover potrebbe essere utilizzato per accelerare la valutazione dei layout dei candidati in un quadro di ricerca ibrido.

Progetti di ricerca e di pilota attuali

Nel 2022, il National Renewable Energy Laboratory (NREL) ha collaborato con D-Wave per esplorare l'impastatura quantistica per l'ottimizzazione dell'eolico offshore. Il loro primo algoritmo ha modellato un'azienda agricola di 25-turbine e ha scoperto che l'impastatrice quantistica ha prodotto layout con un valore di 5 milioni di dollari di maggiore capacità di cattura di energia rispetto a una genetica.

Il programma Quantum Flagship dell'Unione Europea ha finanziato un progetto chiamato QOPT che include un pacchetto di lavoro sull'ottimizzazione delle energie rinnovabili. I ricercatori dell'Università Tecnica di Danimarca e dell'Università di Oxford stanno sviluppando algoritmi di classe quantistica ibridi specificamente per il layout dell'azienda eolica. Il loro approccio utilizza un risolutore classico per gli aspetti continui del problema (coordinate delle turbine esatte) e un ricottore quantistico per gli aspetti combinari di qualità discreta (che (che prevedono i risultati delle turbine).

Nel settore privato, aziende come Windlab e Vestas hanno iniziato ad esplorare il calcolo quantistico attraverso partnership con fornitori di hardware quantistico. Vestas, uno dei maggiori produttori di turbine eoliche al mondo, ha annunciato una collaborazione con IBM nel 2023 per indagare gli algoritmi quantistici per l'ottimizzazione eolica e la progettazione di turbine.

Vantaggi e limitazioni degli approcci quantistici

I potenziali vantaggi del calcolo quantistico per il layout dell'azienda eolica sono convincenti. In primo luogo, gli algoritmi quantistici possono esplorare lo spazio della soluzione più accuratamente, riducendo il rischio di impostare un layout subottimo. In secondo luogo, per grandi problemi, i metodi quantistici possono richiedere meno valutazioni funzionali, che si traduce direttamente in tempi di ottimizzazione più brevi e costi computazionali inferiori.

L'hardware quantistico attuale ha un numero limitato di qubit e soffre di rumore e decoerenza. L'ultimo ricottore di D-Wave ha appena oltre 5.000 qubit, ma questi qubit non sono completamente collegati, il che significa che il problema deve essere mappato su un grafico rado (la topologia di Chimera o Pegasus). Questo processo di incorporazione può essere di per sé troppo costoso e può ridurre le dimensioni di errore basate sulla complessità.

Un'altra limitazione è la difficoltà di codificare variabili continue. Le posizioni della turbina reale sono continue, non discrete. Mentre è possibile codificare binaria su una griglia, introduce l'errore di approssimazione. Le griglie più sottili richiedono più qubit, superando rapidamente le capacità hardware attuali. La codifica continua variabile evita questo problema ma richiede più valutazioni dei circuiti ed è più sensibile al rumore.

  • vantaggi:[] Esplorazione più rapida dei paesaggi complessi, migliore fuga da optima locale, potenziale per una migliore scalabilità con dimensioni dell'azienda, naturale per problemi combinatori e constranei.
  • Limitations:[[] Limitato qubit conteggio e connettività, rumore e decoerenza nell'hardware corrente, difficoltà a codificare variabili continue, necessità di competenze quantistiche e accesso hardware specializzato.

Il futuro ibrido: Integrazione classica e quantistica

Data l'attuale stato dell'hardware quantistico, il percorso più pratico in avanti è l'ottimizzazione ibrida del quadrato classico. In questo quadro, un controller classico gestisce le parti del problema che sono facili per i computer classici, come la modellazione della sveglia, l'elaborazione dei dati del terreno e l'applicazione dei vincoli, mentre offloading i sottoproblemi combinatori più difficili per un processore quantistico.

Gli approcci ibridi sono già in fase di realizzazione di progetti dimostrativi, ad esempio il progetto QOPT citato in precedenza utilizza un risolutore classico per il modello di scia e un ricottore quantico per il problema della selezione della turbina.

Quando i qubit logici corretti agli errori diventano disponibili, o quando i calcoli di qubit raggiungono le decine di migliaia, diventerà possibile eseguire circuiti variazionali più grandi e codificare i problemi con una maggiore fedeltà. A quel punto, il calcolo quantistico potrebbe diventare il motore primario dell'ottimizzazione dell'impianto eolico, con computer classici che servono solo come processori di input e output.

Conclusioni

I primi studi su piccola scala mostrano costantemente che gli algoritmi quantistici possono superare i problemi classici euristici e che questi vantaggi diventano più pronunciati come aumenta la dimensione del problema. La combinazione della capacità di ricottura quantistica di sfuggire alla flessibilità di optima locale e metodi variazionali con parametri continui dà agli ingegneri una crescente toolbox per affrontare gli effetti complessi del terreno.

Un miglioramento del 5-10 per cento della cattura energetica da una migliore ottimizzazione del layout può tradurre direttamente in costi livellati inferiori di energia (LCOE), rendendo la potenza eolica più competitiva con combustibili fossili. Come l'industria costruisce aziende sempre più grandi, sia onshore che offshore, i limiti di ottimizzazione classica diventeranno più vincolanti.

Oggi, le principali aziende di energia eolica stanno esplorando il calcolo quantistico attraverso partnership di ricerca e studi di dimostrazione su piccola scala. Nei prossimi tre o cinque anni, ci si può aspettare di vedere i flussi di lavoro di classe quantistica ibridi utilizzati nella progettazione di nuove aziende agricole, in particolare le installazioni più grandi e complesse.