WISER та E.ON просувають прогнозування попиту на енергію за допомогою квантового машинного навчання

Співпраця у сфері квантового прогнозування енергії

Організації WISER та E.ON успішно завершили дослідницьку співпрацю, зосереджену на вивченні гібридних квантових підходів машинного навчання для прогнозування попиту на електроенергію. Результати спільного проєкту були опубліковані на arXiv.

Дослідження оцінювало квантові моделі, використовуючи анонімізований набір даних 103 побутових споживачів. Оцінка проводилася як на симуляторах, так і на реальному квантовому обладнанні. Дослідники виявили, що проєктовані квантові кернельні моделі покращили точність прогнозування порівняно з обраними класичними базовими показниками в умовах сучасних квантових обчислень.

Використані підходи та результати

Проєкт досліджував два гібридні квантово-класичні підходи для прогнозування часових рядів корельованого споживання електроенергії: Kernelized Quantum Reservoir Computing with Repeated Measurement (KQRC-RM) та Projected Quantum Kernel Gaussian Process (QGP).

Ці підходи були розроблені для вирішення центральної проблеми в плануванні енергетичних систем: як точно прогнозувати попит для кількох корельованих споживачів, працюючи в умовах реальних обмежень сучасного квантового обладнання. Моделі були оцінені на практичних завданнях прогнозування у значному масштабі, що є важливим для надійної роботи сучасних енергетичних систем, включаючи балансування навантаження та інтеграцію відновлюваних джерел енергії.

Вардаан Сахгал з WISER зазначив, що стало можливим запускати складні багатовивідні прогнози часових рядів на реальних квантових комп'ютерах з понад 100 кубітами. Він додав, що гібридні квантові моделі можуть перевершувати певні класичні базові показники у структурованих завданнях прогнозування енергії в умовах NISQ (Noisy Intermediate-Scale Quantum) обмежень, що є значним кроком до практичного квантового прогнозування.

Модель KQRC-RM використовувала рекурентну квантову динаміку та повторні вимірювання для моделювання часової структури та міжпотокових кореляцій у менших підмножинах споживачів. Модель QGP, у свою чергу, застосовувала більш апаратноефективне проєктоване квантове ядро для підтримки багатовивідного прогнозування для більших груп споживачів.

У меншому масштабі бенчмаркінгового дослідження модель QGP зменшила середню абсолютну похибку (MAE) відносно класичної багатовивідної базової моделі Гауссового процесу на 62.01% на симуляторі та на 40.37% на обладнанні. У тому ж дослідженні KQRC-RM зменшила середню MAE відносно Echo State Network з кернельною регресією на 36.92% на симуляторі, хоча апаратна реалізація залишалася більш чутливою до шуму.

Доктор Корі О'Міра, головний квантовий науковець E.ON Digital Technology GmbH, підкреслив, що квантові моделі машинного навчання, здатні прогнозувати кілька значень часових рядів, були дещо невловимими в цій галузі, але класично існують скрізь у промисловості. Він висловив задоволення від просування меж розробки гібридних квантових алгоритмів для реального випадку використання та проведення бенчмарків з використанням понад 100 кубітів на IBM Quantum Computers.

Практична значущість для енергетичних систем

Прогнозування попиту на електроенергію є складним завданням через нелінійну динаміку, багатомасштабну сезонність та сильні залежності між корельованими рядами. Класичні статистичні моделі часто мають труднощі з цими нелінійності, тоді як гнучкі підходи машинного навчання зазвичай вимагають значних обсягів даних та обчислювальних ресурсів.

Дослідження показує, що квантове машинне навчання може стати корисним для структурованого багатовивідного прогнозування, де важливі взаємозв'язки між часовими рядами, особливо з покращенням квантового обладнання. Робота також демонструє важливість апаратно-орієнтованого дизайну. Модель QGP масштабувалася до експерименту утилітарного масштабу на 100 кубітах, де 80% споживачів потрапили в категорії низької або середньої похибки, що підкреслює як перспективність підходу, так і вплив шуму пристрою на продуктивність.

Ці висновки особливо актуальні для комунальних підприємств та операторів енергетичних систем, які мають справу з нестабільними схемами навантаження, розподіленим споживанням та зростаючим попитом на прогнозну аналітику.

Що це означає для розробників

Ця новина демонструє, що гібридні квантово-класичні моделі, такі як QGP та KQRC-RM, вже можуть бути застосовані для складного багатовивідного прогнозування часових рядів на реальному квантовому обладнанні з понад 100 кубітами. Розробники, що працюють з прогнозуванням енергії, можуть розглядати ці підходи для покращення точності, враховуючи при цьому вплив шуму пристроїв (NISQ обмеження) та важливість апаратно-орієнтованого дизайну.

Ключові факти

• WISER та E.ON завершили дослідження гібридних квантових моделей машинного навчання для прогнозування попиту на електроенергію.

• Проєкт оцінював квантові моделі на анонімізованому наборі даних 103 побутових споживачів, використовуючи симулятори та реальне квантове обладнання.

• Проєктовані квантові кернельні моделі покращили точність прогнозування порівняно з класичними базовими показниками.

• Дослідження використовувало два підходи: Kernelized Quantum Reservoir Computing with Repeated Measurement (KQRC-RM) та Projected Quantum Kernel Gaussian Process (QGP).

• Модель QGP зменшила середню абсолютну похибку (MAE) на 62.01% на симуляторі та на 40.37% на обладнанні порівняно з класичною базовою моделлю.

Джерела

• WISER and E.ON Advance Energy Demand Forecasting with Quantum Machine Learning