Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Incentivising Demand Side Response through Discount Scheduling using Hybrid Quantum Optimization

D. Bucher, Jonas Nüßlein|arXiv (Cornell University)|Sep 11, 2023
Smart Grid Energy ManagementEngineering参考文献 53被引用数 3
ひとこと要約

本稿では、需要家応答（DSR）における割引スケジューリング問題（DSP）を解くために、ハイブリッド量子最適化手法を提案する。顧客固有の価格インcentiveを用いて二酸化炭素排出量を削減し、電力系統の負荷をバランスさせる。大規模な組み合わせ最適化問題をより小さな部分問題に分解し、D-WaveのLeapハイブリッド量子アニーリングマシンと独自の分解アルゴリズムを活用することで、特にスケールが大きい場合に、Gurobiなどの古典的ソルバーと比較して優れた二酸化炭素削減効果と解の品質を達成した。

ABSTRACT

Demand Side Response (DSR) is a strategy that enables consumers to actively participate in managing electricity demand. It aims to alleviate strain on the grid during high demand and promote a more balanced and efficient use of (renewable) electricity resources. We implement DSR through discount scheduling, which involves offering discrete price incentives to consumers to adjust their electricity consumption patterns to times when their local energy mix consists of more renewable energy. Since we tailor the discounts to individual customers' consumption, the Discount Scheduling Problem (DSP) becomes a large combinatorial optimization task. Consequently, we adopt a hybrid quantum computing approach, using D-Wave's Leap Hybrid Cloud. We benchmark Leap against Gurobi, a classical Mixed Integer optimizer in terms of solution quality at fixed runtime and fairness in terms of discount allocation. Furthermore, we propose a large-scale decomposition algorithm/heuristic for the DSP, applied with either quantum or classical computers running the subroutines, which significantly reduces the problem size while maintaining solution quality. Using synthetic data generated from real-world data, we observe that the classical decomposition method obtains the best overall ewp{solution quality for problem sizes up to 3200 consumers, however, the hybrid quantum approach provides more evenly distributed discounts across consumers.

研究の動機と目的

  • 都市部の電力系統における大規模かつ組み合わせ的な割引スケジューリング問題（DSP）に取り組むこと。
  • 個別にカスタマイズされた離散的価格インセンティブを用いて、消費者が電力使用をシフトさせることで、二酸化炭素排出量を削減し、系統の安定性を向上させること。
  • D-WaveのLeapハイブリッド量子古典連携プラットフォームを用いて、実世界および合成データ上で量子強化最適化の実現可能性と性能を評価すること。
  • 現在のNISQ時代の量子ハードウェアで解の品質を保持しつつ、問題サイズを縮小する問題特有の分解アルゴリズムを開発すること。
  • 問題サイズの変化に応じて、古典的ソルバー（Gurobi）、汎用量子ハイブリッドソルバー（Leap）、およびカスタマイズされたハイブリッド量子古典連携分解手法をベンチマークすること。

提案手法

  • 二酸化炭素排出量を最小化しつつ、全顧客に等しい電力供給を保証する制約付き二次整数最適化問題としてDSPを定式化する。
  • 顧客中心の分解戦略を適用し、顧客グループに基づいて全問題をより小さな無制約部分問題に分割することで、実効的な問題サイズを低減する。
  • 各部分問題をD-Waveハードウェアにおける量子アニーリングに適した二次無制約バイナリ最適化（QUBO）問題に符号化する。
  • ハイブリッド量子古典パイプラインを採用：Gurobi やシミュレーテッドアニーリングなどの古典的ソルバー、またはD-Wave Leap量子プロセッサが部分問題を逐次解き、累積誤差を次のステップで補正する。
  • 初期最適化後に解の品質をさらに向上させるための後処理リファインメントアルゴリズムを用いる。
  • 問題サイズに応じてスケーリングされる動的タイムアウト戦略を採用し、60～1920人の顧客という異なる顧客数において公平な比較を実現する。
Figure 2: The relative approximation error for different values of $\zeta$ averaged over multiple timesteps.
Figure 2: The relative approximation error for different values of $\zeta$ averaged over multiple timesteps.

実験結果

リサーチクエスチョン

  • RQ1需要家応答における大規模な割引スケジューリング問題（DSP）を解く際、ハイブリッド量子最適化はGurobiなどの古典的ソルバーを上回る性能を示せるか？
  • RQ2問題特有の分解アルゴリズムは、現在のNISQ時代の量子ハードウェア上で解の品質を維持しつつ、DSPの計算負荷をどれほど軽減できるか？
  • RQ3D-WaveのLeapを介した量子アニーリングをハイブリッド分解フレームワークに組み込むことで、純粋に古典的または汎用量子ハイブリッド手法と比較して、二酸化炭素排出量削減とエネルギー効率の両面で優れた結果が得られるか？
  • RQ4Gurobi、シミュレーテッドアニーリング、D-Wave QPUといった異なる部分問題ソルバーは、問題サイズの増加に伴い、解の品質とスケーラビリティの観点でどの程度の性能を示すか？
  • RQ5問題分解のサイズとタイムアウトスケーリングが、実世界のDSRシナリオにおける量子強化ソルバーのパフォーマンスに与える影響は何か？

主な発見

  • 独自に開発した分解アルゴリズムにより、問題サイズを顕著に縮小しつつも高い解の品質を維持でき、現在の量子ハードウェアで実行可能な最適化を可能にした。
  • 顧客数が480人を超える問題サイズでは、Gurobiは時間制限内に満足できる結果を出せないが、D-WaveのLeapハイブリッドソルバーは依然として実行可能な解を提供した。
  • 古典的サブソルバー（Gurobi）を用いた分解法が、全テスト問題サイズにおいて二酸化炭素排出量削減とエネルギー指標の観点で最良の全体的パフォーマンスを示した。
  • 量子アニーリングをサブソルバーとして使用した（Decomp-QPU）場合、最適化目的（二酸化炭素排出量削減）においてLeapをわずかに上回った。これは、問題特有の量子統合による潜在的な利点を示唆している。
  • 小さな部分問題では、シミュレーテッドアニーリングがQPUよりも優れた性能を示した。これは、小規模な部分最適化においても古典的ヒューリスティクスが依然として競争力を持つことを示している。
  • 分解とLeapを組み合わせたハイブリッドアプローチは、大規模インスタンスにおいて有望である。特に、古典的ソルバーが限界に達するが、量子プロセッサで時間制約内に解ける十分な大きさの部分問題に対して有効である。
Figure 3: The discount matrices $z_{c,t}$ found by the investigated solvers for $N_{c}=100$ . Blue indicates a discount and red corresponds to a penalty. White means no discount given at all. Despite their effects on the overall consumption (see Fig. 4 ) being the same, the discount matrices differ
Figure 3: The discount matrices $z_{c,t}$ found by the investigated solvers for $N_{c}=100$ . Blue indicates a discount and red corresponds to a penalty. White means no discount given at all. Despite their effects on the overall consumption (see Fig. 4 ) being the same, the discount matrices differ

より良い研究を、今すぐ始めましょう

論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。