[论文解读] Quantum Computing for Power Flow Algorithms: Testing on real Quantum Computers

Brynjar Sævarsson, Spyros Chatzivasileiadis+2 more|arXiv (Cornell University)|Apr 29, 2022

Quantum Computing Algorithms and Architecture被引用 27

一句话总结

该论文在真实嘈杂量子计算机上实现并测试了使用 HHL 算法的交流功率流算法，评估了 3-母线和 5-母线系统以研究硬件影响和可扩展性。它展示了在有噪声的情况下收敛到正确解，且噪声导致迭代次数增多，并讨论了量子功率流的挑战和未来机会。

ABSTRACT

Quantum computing has the potential to solve many computational problems exponentially faster than classical computers. The high shares of renewables and the wide deployment of converter-interfaced resources require new tools that shall drastically accelerate power system computations, including optimization and security assessment, which can benefit from quantum computing. To the best of our knowledge, this is the first paper that goes beyond quantum computing simulations and performs an experimental application of Quantum Computing for power systems on a real quantum computer. We use five different quantum computers, apply the HHL quantum algorithm, and examine the impact of current noisy quantum hardware on the accuracy and speed of an AC power flow algorithm. We perform the same studies on a 3-bus and a 5-bus system with real quantum computers to identify challenges and open research questions related with the scalability of these algorithms.

研究动机与目标

• 在高可再生能源渗透的电力系统中，推动更快的安全评估和优化的需求。
• 提出一种基于快速解耦潮流（FDLF）和 HHL 的量子功率流（QPF）方法来求解线性方程组。
• 在真实量子硬件上演示 QPF，以评估硬件引起的误差和可扩展性极限。

提出的方法

• 通过用 HHL 算法替代线性求解器，将经典的 FDLF 适配到量子环境。
• 对 B' 和 B'' 厄米矩阵进行编码，并通过 HHL 电路求解 B' Δθ = ΔP 和 B'' ΔVm = ΔQ。
• 在 HHL 电路内使用量子相位估计和条件旋转来获得 Δθ 和 ΔVm。
• 在软件中实现迭代循环，更新电压并重新计算不匹配项，采样测量以提取 ΔP 和 ΔQ。
• 在小型系统（3-母线和5-母线）上进行测试，并采用受控特征值表示（3 位 NL）以适应硬件约束。
• 讨论硬件要求、量子比特数、电路深度，以及噪声对收敛的影响。

实验结果

研究问题

• RQ1 在真实硬件噪声下，量子计算机能否通过 HHL 实现交流功率流并收敛到经典 FDLPF 解？
• RQ2 当前的 NISQ 硬件噪声如何影响小型电力系统的收敛速度和迭代次数？
• RQ3 阻碍功率流计算获得实际量子优势的可扩展性和硬件挑战有哪些？
• RQ4 需要哪些硬件和算法改进以接近 QPF 的量子优势？

主要发现

• 在无噪声的仿真和无噪声量子仿真中，QPF 收敛到与经典 FDLF 相同的解。
• 在真实量子计算机上，由于硬件噪声，QPF 需要显著更多的迭代（大致 32–38 次 vs 经典的 5 次）。
• 对于 5-母线系统，噪声和更大的电路深度显著放慢收敛，且在没有更多量子比特的情况下可能无法收敛。
• 一个模拟的无噪声量子计算机与经典结果非常接近，而真实的嘈杂设备在四个测试的量子计算机上表现出相似的性能下降。
• 特征值的条件数 κ 随系统规模增长，给在不进行预处理的情况下维持 HHL 指数级加速带来挑战。
• 该研究证明了小型系统的可行性，并强调了对于更大规模的 QPF 来说关键瓶颈（噪声、内存、循环能力）。