De complexiteit van Wind Farm Layout Design

Het ontwerpen van een windpark is veel complexer dan het eenvoudig plaatsen van turbines op een winderige locatie. De fundamentele uitdaging is om turbines te regelen zodat ze de maximaal mogelijke energie uit de wind vangen terwijl het minimaliseren van de negatieve effecten turbines hebben op elkaar. Wanneer wind door een turbine, het creëert een turbulente wake met een lagere windsnelheid. Downstream turbines in dat kielzog produceren minder stroom en ervaren hogere mechanische stress. Dit wakkereffect kan de totale energie-output van een boerderij met 10 tot 30 procent afhankelijk van de lay-out en windomstandigheden.

Naast wake interferentie, moeten de lay-out ingenieurs rekening houden met de lokale wind roos .De verdeling van windsnelheden en richtingen over de site . Turbines die optimaal voor de ene windrichting kan slecht presteren wanneer de wind schuift . Terrain voegt een andere laag van moeilijkheden: heuvels , heuvels , en valleien kanaal en versnellen de wind op complexe manieren . Milieubeperkingen , zoals geluidsbeperking , vogelmigratie corridors , en visuele impact beperkingen , verder beperken waar turbines kunnen worden geplaatst . Het resultaat is een multi-objectieve optimalisatie probleem met honderden of zelfs duizenden onderling afhankelijke variabelen .

Voor een middelgrote windmolenpark met 50 turbines en slechts een handvol kandidaatposities is het aantal mogelijke lay-outs astronomisch ver buiten wat brute-forced kan worden. Elke lay-out moet worden gesimuleerd met behulp van computervloeistofdynamica of wake modeling software, die computermatig duur is. Klassieke optimalisatie algoritmen zoals genetische algoritmen, deeltjeszwerm optimalisatie, en gradiënt gebaseerde methoden worden vaak gebruikt, maar ze vaak convergeren op lokale optima in plaats van de beste oplossing wereldwijd. Naarmate boerderijen groter worden en bewegen naar meer complexe offshore- of bergachtige omgevingen, worden deze beperkingen ernstiger.

Waarom klassieke optimalisatiemethoden worstelen

Klassieke benaderingen van windpark lay-out optimalisatie vallen meestal in twee categorieën: gradiënt-gebaseerde methoden en heuristische zoekalgoritmen. Geleidelijke methoden vereisen een soepele, differentieerbare objectieve functie, maar het windpark lay-out probleem is zeer non-convex en discontinu. Kleine veranderingen in turbine positie kan leiden tot abrupte veranderingen in wake interferentie, het creëren van een ruig fitness landschap met veel lokale pieken en valleien. Geleidelijke-gebaseerde oplossers gemakkelijk vast te komen te zitten in deze lokale optima.

Heuristische methoden zoals genetische algoritmen en gesimuleerde gloeien zijn robuuster voor niet-convexe problemen. Ze verkennen de oplossingsruimte breder door het handhaven van een populatie van kandidaat-lay-outs of door af en toe accepteren van slechtere oplossingen om lokale vallen te ontsnappen. Zelfs zo, deze methoden schaal slecht. Elke generatie of iteratie vereist het evalueren van elke kandidaat-lay-out door middel van een wake simulatie, die minuten per lay-out kan duren. Voor een boerderij met 100 turbines en een complexe wind roos, kan een enkele optimalisatie run dagen of weken op een krachtige cluster. En er is geen garantie dat het resultaat is echt optimale .Alleen dat het is de beste gevonden in de tijd toegestaan.

De industrie is ook in de richting van grotere turbines en grotere boerderijen. Offshore windparken nu routinematig meer dan 100 turbines en zijn duwen naar een paar honderd. De complexiteit van de indeling probleem groeit ongeveer vierkwartaal of erger met boerderijgrootte omdat elke turbine interageert met elke andere turbine door wakes. Klassieke algoritmes raken een muur: ze gewoon niet vinden hoogwaardige oplossingen voor grootschalige installaties binnen aanvaardbare termijnen. Dit is waar quantum computing komt het beeld.

Hoe Quantum Computing Approachs Optimalisatie verschillend

Quantum computing gebruikt qubits die kunnen bestaan in superposities van staten, waardoor ze vele kandidaat-oplossingen gelijktijdig kunnen vertegenwoordigen en verwerken. Voor optimalisatie zijn twee belangrijke quantumparadigma's ontstaan: quantum gloeien en gate-based variatie-algoritmen. Beide benaderingen hebben het potentieel om oplossing landschappen efficiënter te verkennen dan klassieke methoden voor bepaalde klassen van problemen.

Het is specifiek ontworpen voor optimalisatie. Het brengt het probleem in kaart op een fysiek systeem dat zich van nature ontwikkelt naar een laag energieniveau. Het systeem begint in een superpositie van alle mogelijke staten en wordt langzaam "vernederd" naar een staat die de beste oplossing codeert. Omdat het kwantumsysteem door energiebarrières kan tunnelen in plaats van er klassiek overheen te klimmen, kan het ontsnappen aan lokale optima en diepere minima vinden. Dit maakt kwantumgloeien bijzonder veelbelovend voor het ruige energielandschap van windpark lay-out.

Gate-gebaseerde quantumcomputers, zoals die ontwikkeld worden door IBM, Google en anderen, bieden meer algemene berekeningen maar zijn meer uitdagend om te passen op optimalisatie. De meest voorkomende aanpak is de Variational Quantum Eigensolver (VQE), die gebruik maakt van een hybride quantum-klassieke lus. Een quantumcircuit bereidt een trialoplossing voor, meet zijn energie (of kosten), en voedt die meting aan een klassieke optimalisatie die de circuitparameters aanpast. Deze lus herhaalt zich tot convergentie. Hoewel VQE flexibeler en theoretisch krachtiger is dan quantumgloeien, is het ook gevoeliger voor ruis en beperkt door de diepte van circuits die de huidige hardware kan draaien.

Kwantum Annealing in detail

Quantum gloeien is toegepast op een groeiend aantal reële optimalisatie problemen, waaronder portfolio optimalisatie, verkeersroutering en drug ontdekking. Voor windpark lay-out, het probleem is gecodeerd als een kwadratisch ongestrainde binaire optimalisatie (QUBO) probleem of een Ising model. Elke mogelijke turbine locatie wordt vertegenwoordigd door een binaire variabele die aangeeft of een turbine er wordt geplaatst. De objectieve functie omvat termen voor energieproductie (negatieve kosten, te maximaliseren), wakkerstraffen (positieve kosten, te minimaliseren), en beperkingen zoals minimale afstand of uitsluiting zones.

Vroege werkzaamheden van onderzoekers aan D-Wave en academische instellingen hebben aangetoond dat kwantumgloeien lay-outs met een hogere energieopname dan klassieke heuristieken op kleine testproblemen kan vinden. Bijvoorbeeld, een 2021 studie van de Universiteit van Toronto vergeleek kwantumgloeien met een genetisch algoritme voor 16-turbine-lay-outs op een vereenvoudigd raster. De kwantumbenadering consistent betere oplossingen en convergeerde sneller. Uitdagingen blijven in schaalvergroting tot grotere aantallen qubits en in het in kaart brengen van de continue turbineposities tot discrete qubits zonder trouw te verliezen.

Variatieve kwantumalgoritmen voor continue indeling

Voor meer realistische continue lay-outs waar turbines overal binnen een grens kunnen worden geplaatst, kunnen gate-based variatiemethoden natuurlijker zijn. In plaats van binaire variabelen, kunnen de turbineposities worden gecodeerd als continue parameters in een quantumcircuit. Het circuit is zo ontworpen dat het meten van de output kandidaatposities oplevert die uit een kansverdeling worden getrokken. De klassieke optimalisatie-opzetter past de circuitparameters aan om die verdeling te verschuiven naar posities met een hogere energie-output en lagere wakeverliezen.

Deze aanpak is onderzocht door onderzoekers van IBM Quantum en verschillende universiteiten. Een preprint van 2023 toonde een VQE-gebaseerde layout optimalizer voor een 10-turbine boerderij en vergeleken met een klassieke deeltjeszwerm optimalisatie. De quantum methode paste of overschreed de klassieke resultaten op verschillende wind scenario's. De auteurs merkten op dat de belangrijkste bottleneck was het aantal circuit evaluaties nodig, die groeit met het aantal turbines. Ze betoogden dat als quantum hardware verbetert, de VQE aanpak zal schalen beter dan klassieke methoden omdat de quantum circuit kan verkennen de oplossing ruimte op een fundamenteel efficiëntere manier.

Grover's algoritme en patroon zoeken

Een andere kwantumtechniek die relevant is voor windparkoptimalisatie is Grover's algoritme, dat een kwadratische snelheid biedt voor ongestructureerde zoekopdracht. Hoewel minder direct toepasbaar dan gloeien of VQE, Grover's algoritme kan worden gebruikt om de evaluatie van kandidaat-lay-outs in een hybride zoekkader te versnellen. Bijvoorbeeld, in plaats van het simuleren van elke kandidaat-lay-out klassiek, een Grover-verbeterde zoekopdracht kon de meest veelbelovende lay-outs sneller identificeren. Dit is nog steeds een meer speculatieve richting, maar het wijst op de breedte van de quantum tools die uiteindelijk kan worden gebracht om het probleem te dragen.

Huidige onderzoek- en proefprojecten

De toepassing van quantum computing op windpark lay-out is nog in de onderzoeksfase, maar verschillende opmerkelijke projecten produceren al concrete resultaten. In 2022, het National Renewable Energy Laboratory (NEL) werkte samen met D-Wave om quantum gloeien voor offshore windpark optimalisatie te verkennen. Hun eerste studie modelleerde een 25-turbine boerderij en vond dat de quantum gloeier lay-outs met maximaal 5 procent hogere energie-opname in vergelijking met een genetisch algoritme basislijn. Terwijl 5 procent kan klinken bescheiden, voor een grote offshore boerderij ter waarde van honderden miljoenen dollar, dat verbetering vertaalt naar aanzienlijke extra inkomsten gedurende de levensduur van de boerderij.

Het Quantum Flagship-programma van de Europese Unie heeft apart een project gefinancierd, genaamd QOPT, dat een werkpakket over optimalisatie van hernieuwbare energie bevat. Onderzoekers van de Technische Universiteit van Denemarken en de Universiteit van Oxford ontwikkelen hybride quantumklassieke algoritmen specifiek voor windpark lay-out. Hun aanpak gebruikt een klassieke oplossing voor de continue aspecten van het probleem (exacte turbinecoördinaten) en een quantum gloeier voor de discrete combinatorische aspecten (welke turbines om wakkere interacties te optimaliseren en in welke vorm te integreren). Vroege resultaten suggereren dat deze hybride aanpak boerderijen met maximaal 50 turbines kan behandelen met behoud van de oplossingskwaliteit.

In de particuliere sector zijn bedrijven als Windlab en Vestas begonnen met het verkennen van quantum computing via partnerschappen met quantum hardware providers. Vestas, een van 's werelds grootste windturbinefabrikanten, kondigde in 2023 een samenwerking aan met IBM om quantumalgoritmen voor windparkoptimalisatie en turbineontwerp te onderzoeken. Hoewel details eigendom blijven, heeft het bedrijf aangegeven dat het quantum computing beschouwt als een belangrijke enabler voor de volgende generatie ultra-grote windparken.

Voordelen en beperkingen van de kwantitatieve benaderingen

De potentiële voordelen van quantum computing voor windpark lay-out zijn overtuigend. Ten eerste kunnen quantumalgoritmen de oplossingsruimte grondiger verkennen, waardoor het risico van een suboptimale lay-out wordt verminderd. Ten tweede, voor grote problemen, kunnen quantummethoden minder functieevaluaties vereisen, wat rechtstreeks vertaalt naar kortere optimalisatie runtimes en lagere rekenkosten. Ten derde, quantum gloeiers en variatie circuits van nature omgaan met de complexe, niet-convexe objectieve functies waarmee klassieke gradiëntmethoden worstelen.

Er blijven echter aanzienlijke beperkingen. De huidige quantum hardware heeft een beperkt aantal qubits en heeft last van lawaai en decoherentie. D-Wave's nieuwste annaler heeft iets meer dan 5.000 qubits, maar deze qubits zijn niet volledig verbonden, wat betekent dat het probleem moet worden in kaart gebracht op een schaarse grafiek (de Chimera of Pegasus topologie). Dit inbeddingsproces kan zelf berekenend duur zijn en kan de effectieve probleemgrootte verminderen. Voor gate-based systemen, foutenpercentages zijn nog steeds te hoog voor diepe circuits, waardoor de complexiteit van de trial oplossingen die kunnen worden voorbereid en gemeten beperken.

Een andere beperking is de moeilijkheid om continue variabelen te coderen. Real turbine posities zijn continu, niet discreet. Terwijl binaire codering op een raster mogelijk is, introduceert het benaderingsfout. Finner grids vereisen meer qubits, snel boven de huidige hardware mogelijkheden. Variatieve continue codering vermijdt dit probleem, maar vereist meer circuit evaluaties en is gevoeliger voor lawaai.

  • Voordelen: Snellere exploratie van complexe landschappen, beter ontsnappen aan lokale optima, potentieel voor een betere schaalbaarheid met boerderijgrootte, natuurlijke pasvorm voor combinatorische en beperkte problemen.
  • Limitaties: Beperkt aantal qubits en connectiviteit, lawaai en decoherentie in de huidige hardware, moeilijkheden met het coderen van continue variabelen, behoefte aan quantumexpertise en gespecialiseerde hardwaretoegang.

De hybride toekomst: klassieke en kwantumintegratie

Gezien de huidige stand van de quantum hardware, is de meest praktische weg voorwaarts hybride klassieke-quantum optimalisatie. In dit kader, een klassieke controller behandelt de delen van het probleem die gemakkelijk zijn voor klassieke computers . Zoals wake modeling , terrein data processing , en click handhaving . Tijdens het loslaten van de moeilijkste combinatorische subproblemen aan een quantum processor . De klassieke en quantum oplossers communiceren in een gesloten lus , met het quantum apparaat die kandidaat oplossingen of gradiënt informatie die de klassieke oplosser gebruikt om zijn zoekopdracht te begeleiden .

Hybride benaderingen worden al gebruikt in demonstratieprojecten. Zo gebruikt het eerder genoemde QOPT-project een klassieke oplossing voor het wakemodel en een quantum gloeier voor het turbineselectieprobleem. Door het totale lay-outprobleem te breken in kleinere, meer bereikbare subproblemen, houdt de hybride aanpak de quantum resource-eisen beheersbaar en leveren ze nog steeds betere oplossingen dan puur klassieke methoden.

Als quantum hardware vordert, kan de balans verschuiven naar meer directe quantum betrokkenheid. Wanneer fout gecorrigeerde logische qubits beschikbaar komen, of wanneer qubit tellingen de tienduizenden bereiken, zal het mogelijk worden om grotere variatie circuits te draaien en problemen met hogere trouw te coderen. Op dat moment, zou quantum computing de primaire motor van wind boerderij optimalisatie kunnen worden, met klassieke computers alleen dienen als input en output processors.

Conclusie

Kwantum computing is nog geen volwassen hulpmiddel voor windpark layout optimalisatie, maar het traject is duidelijk. Vroege kleinschalige studies consistent tonen dat kwantumalgoritmen kunnen overtreffen klassieke heuristiek op vereenvoudigde problemen en dat deze voordelen meer uitgesproken naarmate probleemgrootte toeneemt. De combinatie van quantum gloeiende vermogen om lokale optima en variatie methoden 'flexibiliteit met continue parameters te ontsnappen geeft ingenieurs een groeiende toolbox voor het aanpakken van de complexe wake interacties, terreineffecten, en milieubeperkingen die de real-world wind boerderij ontwerp definiëren.

De economische inzet is hoog. Een 5 tot 10 procent verbetering in energie capture van betere lay-out optimalisatie kan zich rechtstreeks vertalen in lagere ge leveliseerde kosten van energie (LCOE), waardoor windenergie concurrerender met fossiele brandstoffen. Als de industrie bouwt steeds grotere boerderijen, zowel onshore als offshore, de beperkingen van klassieke optimalisatie zal meer bindend worden. Quantum computing biedt een pad om te breken door die grenzen.

Praktische adoptie zal waarschijnlijk een geleidelijke curve volgen. Vandaag de dag onderzoeken toonaangevende windenergiebedrijven quantum computing via onderzoekspartnerschappen en kleinschalige proof-of-concept studies. In de komende drie tot vijf jaar kunnen we verwachten dat hybride quantumklassieke workflows worden gebruikt bij het ontwerpen van nieuwe boerderijen, vooral de grootste en meest complexe installaties. Binnen een decennium, als quantum hardware blijft verbeteren in zijn huidige tempo, zou quantumoptimalisatie een standaard stap in de ontwikkeling van windparken kunnen worden, wat de wereldwijde overgang naar hernieuwbare energie helpt versnellen.