[논문 리뷰] Incentivising Demand Side Response through Discount Scheduling using Hybrid Quantum Optimization

D. Bucher, Jonas Nüßlein외 6명|arXiv (Cornell University)|2023. 09. 11.

Smart Grid Energy ManagementEngineering참고 문헌 53인용 수 3

한 줄 요약

이 논문은 도시 전력망의 수요측 자원 조절(DSR)에서 탄소 배출을 줄이고 전력망 부하를 균형 있게 유지하기 위해 고객별 가격 인cent리브를 활용한 할인 스케줄링 문제(DSP)를 해결하기 위해 하이브리드 양자 최적화 접근법을 제안한다. 대규모 조합 최적화 문제를 더 작은 부분 문제들로 분해하고, D-Wave의 Leap 하이브리드 양자 앤날러와 맞춤형 분해 알고리즘을 활용함으로써, 특히 대규모 문제에서 고전적 솔버(Gurobi)에 비해 탄소 배출 감소와 해의 품질 측면에서 뛰어난 성능을 달성한다.

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.

연구 동기 및 목표

• 도시 전력망에서 대규모 조합 최적화 할인 스케줄링 문제(DSP)를 해결하기 위한 과제를 다루는 것.
• 고객들이 전기 소비를 이동하도록 맞춤형 이산 가격 할인을 제공하여 탄소 배출을 줄이고 전력망 안정성을 향상시키는 것.
• 실제 데이터 및 합성 데이터를 바탕으로 D-Wave의 Leap 하이브리드 양자-고전 하이브리드 플랫폼을 사용한 양자 강화 최적화의 타당성과 성능을 평가하는 것.
• 현재 NISQ 시대의 양자 하드웨어에서 해의 품질을 유지하면서 문제 크기를 줄이는 문제 특화 분해 알고리즘을 개발하는 것.
• 다양한 문제 크기에서 고전적 솔버(Gurobi), 일반 목적의 양자 하이브리드 솔버(Leap), 맞춤형 하이브리드 양자-고전 하이브리드 분해 방법을 비교 평가하는 것.

제안 방법

• 모든 고객이 동일한 전력 공급을 보장하면서 탄소 배출량을 최소화하기 위해 DSP를 제약 조건이 있는 정수 이차 최적화 문제로 수식화한다.
• 고객 그룹 기반으로 전체 문제를 더 작은 비제약 부분 문제들로 나누는 고객 중심의 분해 전략을 적용하여 실질 문제 크기를 감소시킨다.
• 각 부분 문제를 D-Wave 하드웨어에서 양자 앤날링에 적합한 무제약 이진 최적화 문제(QUBO)로 인코딩한다.
• 양자-고전 하이브리드 파이프라인을 활용: 고전적 솔버(Gurobi, 시뮬레이티드 어닐링) 또는 D-Wave Leap 양자 처리 장치가 부분 문제를 순차적으로 해결하며, 이후 단계에서 누적 오차를 고려한다.
• 초기 최적화 이후 해의 품질을 향상시키기 위해 후처리 정밀 조정 알고리즘을 적용한다.
• 문제 크기에 따라 동적으로 타임아웃을 조절하는 전략을 사용하여, 고객 수(60명에서 1920명)가 다른 경우에도 공정한 비교를 보장한다.

Figure 2: The relative approximation error for different values of $\zeta$ averaged over multiple timesteps.

실험 결과

연구 질문

• RQ1 수요측 자원 조절을 위한 대규모 할인 스케줄링 문제(DSP)를 해결할 때, 하이브리드 양자 최적화가 Gurobi와 같은 고전적 솔버를 능가할 수 있는가?
• RQ2 문제 특화 분해 알고리즘이 현재 NISQ 시대의 양자 하드웨어에서 해의 품질을 유지하면서도 계산 부담을 얼마나 효과적으로 줄일 수 있는가?
• RQ3 D-Wave의 Leap을 통해 양자 앤날링을 하이브리드 분해 프레임워크에 통합할 경우, 순수 고전적 또는 일반 목적의 양자 하이브리드 접근 방식에 비해 더 나은 탄소 배출 감소와 에너지 효율성 성능을 낼 수 있는가?
• RQ4 Gurobi, 시뮬레이티드 어닐링, D-Wave QPU 등 다양한 부분 문제 솔버가 증가하는 문제 크기에서 해의 품질과 확장성 측면에서 어떻게 성능을 내는가?
• RQ5 문제 분해 크기와 타임아웃 스케일링이 실제 DSR 시나리오에서 양자 강화 솔버의 성능에 어떤 영향을 미치는가?

주요 결과

• 맞춤형 분해 알고리즘이 문제 크기를 크게 줄이면서도 높은 해의 품질을 유지하여 현재의 양자 하드웨어에서 실행 가능한 최적화를 가능하게 한다.
• 고객 수가 480명을 초과하는 문제 크기에서는 Gurobi가 시간 제한 내에 만족스러운 결과를 내지 못하는 반면, D-Wave의 Leap 하이브리드 솔버는 계속해서 실용적인 해를 제공한다.
• 고전적 부분 솔버(Gurobi)를 사용한 분해 방법이 모든 테스트 문제 크기에서 탄소 배출 감소 및 에너지 지표 측면에서 가장 뛰어난 종합 성능을 보였다.
• 양자 앤날링을 부분 솔버로 사용한 경우(Decomp-QPU), 최적화 목표(탄소 배출 감소)에서 Leap을 略로 초월하여 문제 특화 양자 통합의 잠재적 이점이 확인되었다.
• 작은 부분 문제에서는 시뮬레이티드 어닐링이 QPU보다 더 뛰어난 성능을 보여, 작은 규모의 부분 최적화에서는 고전 휘도가 여전히 경쟁력이 있음을 시사한다.
• 분해 기반 Leap 하이브리드 접근 방식은 대규모 인스턴스에서 잠재력을 보이며, 특히 고전적 솔버가 도전적이지만 양자 처리 장치에서 시간 제약 내로 해결 가능한 크기의 부분 문제에서 뛰어난 성능을 발휘한다.

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