Использование квантовых вычислений для оптимизации прокладки ветровой электростанции и выработки энергии

Сложность дизайна ветровой фермы

Проектирование ветропарка гораздо сложнее, чем просто размещение турбин в ветреном месте. Основная задача состоит в том, чтобы расположить турбины так, чтобы они захватывали максимально возможную энергию ветра, минимизируя при этом негативные последствия, которые турбины оказывают друг на друга. Когда ветер проходит через турбину, он создает турбулентное пробуждение с пониженной скоростью ветра. Ветрогенераторы нисходящего потока в этом пробуждении производят меньше энергии и испытывают более высокое механическое напряжение. Этот эффект пробуждения может уменьшить общую выработку энергии фермы на 10-30% в зависимости от компоновки и условий ветра.

Помимо помех будильника, инженеры по компоновке должны учитывать местную розу ветра - распределение скоростей и направлений ветра по всему участку. Турбины, расположенные оптимально для одного направления ветра, могут работать плохо, когда ветер смещается. Терренс добавляет еще один слой сложности: холмы, хребты и долины канала и ускоряют ветер сложными способами. Ограничения окружающей среды, такие как шумовые ограничения, коридоры миграции птиц и ограничения визуального воздействия, дополнительно ограничивают, где могут быть размещены турбины. Результатом является многообъективная проблема оптимизации с сотнями или даже тысячами взаимозависимых переменных.

Для ветропарка среднего размера с 50 турбинами и всего несколькими кандидатскими позициями количество возможных макетов астрономическое — далеко за пределами того, что может быть грубым. Каждая макетная схема должна моделироваться с использованием вычислительной динамики жидкости или программного обеспечения для моделирования пробуждения, что является вычислительно дорогостоящим. Обычно используются классические алгоритмы оптимизации, такие как генетические алгоритмы, оптимизация роя частиц и методы на основе градиента, но они часто сходятся на локальном оптимуме, а не на глобальном лучшем решении. По мере того, как фермы становятся больше и перемещаются в более сложные оффшорные или горные среды, эти ограничения становятся более серьезными.

Почему классические методы оптимизации не работают

Классические подходы к оптимизации компоновки ветропарка обычно делятся на две категории: градиентные методы и эвристические алгоритмы поиска. Методы на основе градиента требуют гладкой, дифференцируемой объективной функции, но проблема компоновки ветропарка сильно невыпуклая и прерывистая. Небольшие изменения положения турбины могут привести к резким изменениям помех пробуждения, создавая прочный фитнес-ландшафт со многими местными пиками и долинами. Решители на основе градиента легко застревают в этих локальных оптимах.

Эвристические методы, такие как генетические алгоритмы и смоделированный отжиг, более надежны для невыпуклых проблем. Они исследуют пространство решения более широко, поддерживая популяцию вариантов-кандидатов или иногда принимая худшие решения, чтобы избежать локальных ловушек. Тем не менее, эти методы плохо масштабируются. Каждое поколение или итерация требует оценки каждого варианта-кандидата с помощью симуляции будки, которая может занять минуты на макет. Для фермы со 100 турбинами и сложной ветровой розой один оптимизационный запуск может занять дни или недели на мощном кластере. И нет никакой гарантии, что результат действительно оптимален - только то, что он лучше всего найден в течение разрешенного времени.

Промышленность также движется в сторону более крупных турбин и более крупных ферм. Оффшорные ветропарки сейчас обычно превышают 100 турбин и продвигаются в направлении нескольких сотен. Сложность проблемы компоновки растет примерно квадратично или хуже с размером фермы, потому что каждая турбина взаимодействует с каждой другой турбиной через бодрствования. Классические алгоритмы ударяются о стену: они просто не могут найти высококачественные решения для крупномасштабных установок в приемлемые сроки. Именно здесь квантовые вычисления входят в картину.

Как квантовые вычисления по-разному подходят к оптимизации

Квантовые вычисления используют кубиты, которые могут существовать в суперпозициях состояний, позволяя им представлять и обрабатывать множество решений-кандидатов одновременно. Для оптимизации появились две основные квантовые парадигмы: квантовое отжигание и варьирующие алгоритмы на основе затворов. Оба подхода имеют потенциал для более эффективного исследования ландшафтов решений, чем классические методы для определенных классов задач.

Квантовое отжигание, реализованное такими компаниями, как D-Wave, специально разработано для оптимизации. Он отображает проблему на физическую систему, которая естественным образом развивается в сторону конфигураций с низким энергопотреблением. Система начинается в суперпозиции всех возможных состояний и медленно «отжигается» в сторону состояния, которое кодирует лучшее решение. Поскольку квантовая система может туннелировать через энергетические барьеры, а не подниматься по ним классически, она может избежать локального оптимизма и найти более глубокие минимумы. Это делает квантовое отжига особенно перспективным для прочного энергетического ландшафта ветровой электростанции.

Квантовые компьютеры на базе шлюзов, такие как те, которые разрабатываются IBM, Google и другими, предлагают более общие вычисления, но их сложнее применять к оптимизации. Наиболее распространенным подходом является Variational Quantum Eigensolver (VQE), который использует гибридный квантово-классический цикл. Квантовая схема готовит пробное решение, измеряет его энергию (или стоимость) и передает это измерение классическому оптимизатору, который регулирует параметры схемы. Этот цикл повторяется до конвергенции. Хотя VQE более гибкий и теоретически более мощный, чем квантовое отжиг, он также более чувствителен к шуму и ограничен глубиной схем, которые может запускать текущее оборудование.

Квантовое отжиг в деталях

Квантовое отжига применяется к растущему числу реальных проблем оптимизации, включая оптимизацию портфеля, маршрутизацию трафика и открытие лекарств. Для компоновки ветропарка проблема кодируется как квадратичная проблема неограниченной бинарной оптимизации (QUBO) или модель Изинга. Каждое возможное местоположение турбины представлено бинарной переменной, указывающей, размещена ли турбина там. Объективная функция включает в себя условия для производства энергии (отрицательная стоимость, которая должна быть максимизирована), штрафы за пробуждение (положительная стоимость, которая должна быть минимизирована) и ограничения, такие как минимальный интервал или зоны отчуждения.

Ранние работы исследователей из D-Wave и академических институтов показали, что квантовое отжигание может находить макеты с более высоким захватом энергии, чем классическая эвристика, при небольших тестовых задачах. Например, исследование 2021 года из Университета Торонто сравнило квантовое отжига с генетическим алгоритмом для 16-турбинных макетов на упрощенной сетке. Квантовый подход последовательно находил лучшие решения и конвергентизировался быстрее. Проблемы остаются в масштабировании до большего числа кубитов и в отображении непрерывных позиций турбины на дискретные кубиты без потери точности.

Вариационные квантовые алгоритмы для непрерывного сложения

Для более реалистичных непрерывных компоновок, где турбины могут быть размещены в любом месте в пределах границы, затворные вариационные методы могут быть более естественными. Вместо двоичных переменных положения турбины могут быть закодированы как непрерывные параметры в квантовой цепи. Схема спроектирована так, что измерение ее выхода производит позиции кандидата, взятые из распределения вероятностей. Классический оптимизатор регулирует параметры схемы, чтобы сместить это распределение в сторону позиций с более высокой выходной энергией и более низкими потерями будки.

Этот подход был исследован исследователями IBM Quantum и нескольких университетов. Препринт 2023 года продемонстрировал оптимизатор компоновки на основе VQE для 10-турбинной фермы и сравнил его с классическим оптимизатором роя частиц. Квантовый метод соответствовал или превышал классические результаты по нескольким сценариям ветра. Авторы отметили, что основным узким местом было количество требуемых оценок схем, которое растет с количеством турбин. Они утверждали, что по мере совершенствования квантового оборудования подход VQE будет масштабироваться лучше, чем классические методы, потому что квантовая схема может исследовать пространство решения фундаментально более эффективным способом.

Алгоритм Гровера и поиск шаблонов

Другой квантовый метод, относящийся к оптимизации ветряных электростанций, — алгоритм Гровера, который обеспечивает квадратичное ускорение для неструктурированного поиска. Хотя он менее непосредственно применим, чем отжига или VQE, алгоритм Гровера может быть использован для ускорения оценки макетов кандидатов в гибридной поисковой системе. Например, вместо того, чтобы моделировать каждый макет кандидата классически, расширенный поиск Гровера может быстрее идентифицировать наиболее перспективные макеты. Это все еще более спекулятивное направление, но оно указывает на широту квантовых инструментов, которые в конечном итоге могут быть использованы для решения проблемы.

Текущие исследования и пилотные проекты

Применение квантовых вычислений для ветровых электростанций все еще находится на стадии исследований, но несколько заметных проектов уже дают конкретные результаты. В 2022 году Национальная лаборатория возобновляемых источников энергии (NREL) в партнерстве с D-Wave исследовала квантовое отжига для оптимизации оффшорных ветровых электростанций. Их первоначальное исследование смоделировало 25-турбинную ферму и показало, что квантовый отжигатель производил макеты с до 5 процентов более высоким захватом энергии по сравнению с исходным уровнем генетического алгоритма. В то время как 5 процентов могут показаться скромными для крупной оффшорной фермы стоимостью в сотни миллионов долларов, это улучшение приводит к значительному дополнительному доходу в течение срока службы фермы.

Отдельно программа Quantum Flagship Европейского союза профинансировала проект под названием QOPT, который включает в себя рабочий пакет по оптимизации возобновляемых источников энергии. Исследователи из Технического университета Дании и Оксфордского университета разрабатывают гибридные квантово-классические алгоритмы специально для компоновки ветропарков. Их подход использует классический решатель для непрерывных аспектов проблемы (точные координаты турбин) и квантовый отжигатель для дискретных комбинаторных аспектов (какие турбины включать и в каком порядке оптимизировать бодрствующие взаимодействия). Ранние результаты показывают, что этот гибридный подход может обрабатывать фермы с до 50 турбинами при сохранении качества решения.

В частном секторе такие компании, как Windlab и Vestas, начали изучать квантовые вычисления через партнерские отношения с поставщиками квантового оборудования. Vestas, один из крупнейших в мире производителей ветряных турбин, объявил о сотрудничестве с IBM в 2023 году для изучения квантовых алгоритмов оптимизации ветровых электростанций и проектирования турбин. Хотя детали остаются собственностью, компания указала, что рассматривает квантовые вычисления как ключевой фактор для следующего поколения сверхбольших ветровых электростанций.

Преимущества и ограничения квантовых подходов

Потенциальные преимущества квантовых вычислений для компоновки ветряных электростанций убедительны. Во-первых, квантовые алгоритмы могут более тщательно исследовать пространство решения, снижая риск довольствия для субоптимальной компоновки. Во-вторых, для больших проблем квантовые методы могут потребовать меньше оценок функций, что напрямую приводит к более коротким срокам выполнения оптимизации и более низким вычислительным затратам. В-третьих, квантовые отжигатели и вариационные схемы естественным образом обрабатывают сложные, невыпуклые объективные функции, с которыми борются классические градиентные методы.

Однако существенные ограничения остаются. Текущее квантовое оборудование имеет ограниченное количество кубитов и страдает от шума и декогеренции. Последний отжигатель D-Wave имеет чуть более 5000 кубитов, но эти кубиты не полностью связаны, что означает, что проблема должна быть отображена на разреженном графике (топология Химеры или Пегаса). Этот процесс встраивания сам по себе может быть вычислительно дорогостоящим и может уменьшить эффективный размер проблемы. Для систем на основе ворот частота ошибок все еще слишком высока для глубоких схем, ограничивая сложность пробных решений, которые могут быть подготовлены и измерены.

Еще одним ограничением является сложность кодирования непрерывных переменных. Реальные положения турбины непрерывны, а не дискретны. В то время как двоичное кодирование на сетке возможно, оно вводит ошибку приближения. Более тонкие сетки требуют больше кубитов, быстро превосходя текущие аппаратные возможности. Вариационное непрерывное кодирование избегает этой проблемы, но требует больше оценок схемы и более чувствительно к шуму.

Гибридное будущее: классическая и квантовая интеграция

Учитывая текущее состояние квантового оборудования, наиболее практичным путем вперед является гибридная классическая квантовая оптимизация. В этой структуре классический контроллер обрабатывает части задачи, которые просты для классических компьютеров, такие как моделирование будки, обработка данных о местности и принудительное исполнение, при одновременной загрузке самых сложных комбинаторных подзадач в квантовый процессор. Классические и квантовые решатели взаимодействуют в замкнутом цикле, с квантовым устройством, предоставляющим решения-кандидаты или градиентную информацию, которую классический решатель использует для руководства своим поиском.

Гибридные подходы уже используются в демонстрационных проектах. Например, в проекте QOPT, упомянутом ранее, используется классический решатель для модели будки и квантовый отжигатель для задачи выбора турбины. Разбивая общую проблему компоновки на более мелкие, более тяговые подзадачи, гибридный подход сохраняет требования к квантовым ресурсам управляемыми, при этом обеспечивая лучшие решения, чем чисто классические методы.

По мере развития квантового оборудования баланс может смещаться в сторону более прямого квантового участия. Когда станут доступны логические кубиты, исправленные ошибками, или когда количество кубитов достигнет десятков тысяч, станет возможным запускать более крупные вариационные схемы и кодировать проблемы с более высокой точностью. В этот момент квантовые вычисления могут стать основным двигателем оптимизации ветряной электростанции, причем классические компьютеры служат только в качестве процессоров ввода и вывода.

Заключение

Квантовые вычисления пока не являются зрелым инструментом оптимизации компоновки ветровых электростанций, но траектория ясна. Ранние небольшие исследования последовательно показывают, что квантовые алгоритмы могут превзойти классические эвристики по упрощенным задачам и что эти преимущества становятся более выраженными по мере увеличения размера проблемы. Сочетание способности квантового отжига ускользать от локальной оптимизации и гибкости вариационных методов с непрерывными параметрами дает инженерам растущий набор инструментов для решения сложных взаимодействий бодрствования, эффектов рельефа и экологических ограничений, которые определяют реальный дизайн ветровых электростанций.

Экономические ставки высоки. Улучшение захвата энергии на 5-10 процентов от лучшей оптимизации компоновки может напрямую привести к снижению уравновешенной стоимости энергии (LCOE), что сделает энергию ветра более конкурентоспособной с ископаемым топливом. Поскольку отрасль строит все более крупные фермы, как на суше, так и на море, ограничения классической оптимизации станут более обязательными. Квантовые вычисления предлагают путь к прорыву этих ограничений.

Практическое внедрение, вероятно, будет следовать постепенной кривой. Сегодня ведущие ветроэнергетические компании изучают квантовые вычисления посредством исследовательских партнерств и небольших исследований, подтверждающих концепцию. В ближайшие три-пять лет мы можем ожидать увидеть гибридные квантово-классические рабочие процессы, используемые при проектировании новых ферм, особенно крупнейших и наиболее сложных установок. В течение десятилетия, если квантовое оборудование продолжит улучшаться с нынешними темпами, квантовая оптимизация может стать стандартным шагом в развитии ветропарков, помогая ускорить глобальный переход к возобновляемой энергии.