Eine neue, in Engineering veröffentlichte Studie präsentiert einen innovativen Ansatz für das Energiemanagement von Gebäuden, der Quantencomputing mit modellprädiktiver Regelung (MPC) kombiniert, um die Energieeffizienz zu steigern und die Dekarbonisierung von Gebäuden voranzutreiben.
Gebäude sind große Energieverbraucher und tragen maßgeblich zum globalen Energieverbrauch und den Treibhausgasemissionen bei. Um diese Probleme zu lösen, entwickelten die Forscher Akshay Ajagekar und Fengqi You von der Cornell University eine adaptive, auf quantenoptischer Optimierung basierende MPC-Strategie. Diese Strategie ist für Gebäude konzipiert, die mit Batteriespeichern und Systemen zur Erzeugung erneuerbarer Energien wie Photovoltaikanlagen ausgestattet sind.
Credits:
Akshay Ajagekar, Fengqi You
Kernstück der Strategie ist ein lernbasiertes Parametertransferschema für den Quanten-Approximationsoptimierungsalgorithmus (QAOA). Es nutzt Bayes-Optimierung und Gauß-Prozesse zur Vorhersage initialer Quantenschaltungsparameter. Dies reduziert nicht nur den Rechenaufwand von QAOA, sondern ermöglicht dem System auch die Anpassung an wechselnde Gebäudezustände und externe Störungen. Durch die Behandlung des MPC-Problems als quadratisches, uneingeschränktes binäres Optimierungsproblem (QUBO) kann der Ansatz optimale Steuerungen berechnen, um den Nettoenergieverbrauch eines Gebäudes zu minimieren.
Die Forscher führten Computerexperimente mit Daten aus zwei Gebäuden auf dem Campus der Cornell University durch. Sie verglichen die Leistung ihrer auf Quantencomputern basierenden MPC-Strategie mit deterministischer MPC und Quanten-Annealing. Die Ergebnisse zeigten bemerkenswerte Verbesserungen. Die Quanten-MPC-Strategie erreichte eine Verbesserung der Energieeffizienz um 6,8 % im Vergleich zur deterministischen MPC. Darüber hinaus führte sie durch effektives Management der Batteriespeicherung und erneuerbarer Energiequellen zu einer signifikanten jährlichen Reduzierung der CO2-Emissionen um 41,2 %.
Darüber hinaus zeigte die vorgeschlagene Strategie eine gute Anpassungsfähigkeit. Sie konnte die Heiz- und Kühllasten an Änderungen der Umgebungstemperatur anpassen, wodurch der Komfort im Raum erhalten blieb und gleichzeitig der Energieverbrauch optimiert wurde. Hinsichtlich der Rechenleistung benötigte die lernbasierte QAOA zwar in der anfänglichen Explorationsphase mehr Iterationen, doch verringerte sich die Anzahl der Iterationen mit zunehmender Systementwicklung rapide und übertraf in dieser Hinsicht das Quanten-Annealing.
Die Studie wies jedoch auch auf einige Einschränkungen hin. Das verwendete Gebäudeenergiesystemmodell war relativ einfach, und bei komplexeren Systemen könnte die erhöhte Anzahl an Variablen die aktuellen Fähigkeiten von QAOA überfordern. Während der lernbasierte Ansatz Unsicherheiten implizit berücksichtigt, könnte die Einbeziehung von Methoden zur Unsicherheitsquantifizierung die Zuverlässigkeit des Systems weiter verbessern.
