[論文レビュー] Towards optimization under uncertainty for fundamental models in energy markets using quantum computers

M. C. Braun, T. Decker+3 more|arXiv (Cornell University)|Jan 3, 2023

Quantum Computing Algorithms and Architecture被引用数 7

ひとこと要約

この論文は、ユニットコミットメント問題（UCP）をQUBOとして定式化し、古典的および量子的方法での解法（シミュレーションおよびハードウェアベースの量子アニーリングを含む）を可能にし、再生可能エネルギーと需要の不確実性を考慮して拡張している。

ABSTRACT

We present a method to formulate the unit commitment problem in energy production as quadratic unconstrained binary optimization (QUBO) problem, which can be solved by classical algorithms and quantum computers. We suggest a first approach to consider uncertainties in the renewable energy supply, power demand and machine failures. We show how to find cost-saving solutions of the UCP under these uncertainties on quantum computers. We also conduct a study with different problem sizes and we compare results of simulated annealing with results from quantum annealing machines.

研究の動機と目的

• ユニットコミットメント問題（UCP）を2次的制約なしの二値最適化（QUBO）として定式化する。
• 再エネ発電、需要、部品故障からの不確実性をUCPフレームワークに組み込む。
• コスト、需要整合性、および発電機制約を課すペナルティベースのQUBO構築を提供する。
• 例題問題におけるシミュレーテッドアニーリングと量子アニーリングハードウェアからの解法品質を示し、比較する。

提案手法

• 各発電機、タイムステップ、および離散化ビット（B）ごとに二値変数を用いて発電機の出力を離散化して表現する。
• コスト（varcostとstartcost）、需要整合性、最小稼働/アイドル時間、発電機間の依存関係のペナルティ項を組み合わせてQUBO目的関数を構築する。
• 再エネ供給と需要のシナリオを導入して不確実性を組み込み、期待需要からの偏差を最小化する多シナリオQUBO項を追加する。
• ペナルティ重み（P_cost, P_demand, P_minup, P_mindown, P_inter1, P_inter2, P_var）を定義し、制約の優先度を維持する関係を導出する。
• N=2ユニット、T=3タイムステップ、再エネを含む例として、72×72のQUBO行列と最適コストc_min=139,775を得る具体例を提供する。
• シミュレーテッドアニーリング（neal）とD-Wave量子アニーリングハードウェアからの結果をベンチマークし、解法品質の同等性と実行時間の差異を指摘する。
• QUBOを拡張して不確実性を緩和するため、需要/再エネを離散値として取らせるようにし、期待値近傍の解を促す分散関連項を追加する。

実験結果

リサーチクエスチョン

• RQ1 量子アニーリングと古典解法に適した形で、不確実性下のユニットコミットメント問題を効率的に捉えるQUBO定式化は可能か。
• RQ2 ペナルティ重みはQUBO定式化においてコスト、需要整合、発電機制約の優先順位にどのように影響するか。
• RQ3 UCPサイズの問題に対するシミュレーテッドアニーリングと量子アニーリングハードウェアの比較的性能（解法品質と実行時間）はどうか。
• RQ4 多シナリオ不確実性の導入はQUBOの構造とスケール、そして得られる解にどう影響するか。

主な発見

• UCPは、コスト、需要整合、発電機制約を課す構造化されたペナルティベースの目的関数を持つQUBOとして定式化可能である。
• 小規模な例（N=2, T=3, B=10）では、QUBOは72×72となり、最適コストc_min=139775を生む。
• シミュレーテッドアニーリングと量子アニーリング（D-Wave Advantage）は、最適解に近い高品質な解を見つけ、同様のスケジュールながらコスト差が小さい。
• 小規模問題では両方のソルバーが最適電力ユニットスケジュールを再現するが、大規模問題では解品質は類似しているものの実行時間が著しく異なる（SA約3.6s対QPU約0.25sと報告された実行）。
• フレームワークは、多シナリオのQUBO項と再エネ段階および需要値を選択する補助変数を追加することで不確実性に対応し、コスト効率的な逸脱を許容しつつ期待動作を最適化する。
• 問題サイズを横断したベンチマークではXXS、XS、Sセットに対する現状のハードウェア制約内で両アプローチの実現可能性を示している。