Формирование будущего распределения энергии
Даниэль Гарсия Гихо, Джанни дель Бимбо и Эсперанса Куэнка Гомес
Интеллектуальные сети стали одной из ключевых технологий, прокладывающих путь к достижению нулевых выбросов к 2050 году и играющих жизненно важную роль в адаптации к изменчивому характеру производства возобновляемой энергии¹.
Однако, хотя интеллектуальные сети являются многообещающими с точки зрения управления энергопотреблением и эффективности, они сталкиваются со значительными проблемами, когда речь идет о масштабируемости². Сложность интеграции различных компонентов и технологий в единую систему является постоянно растущей проблемой по мере увеличения размера этих сетей.
Интеллектуальные сети опираются на обширную сеть датчиков, коммуникационную инфраструктуру, системы управления данными и механизмы контроля, но координация и синхронизация этих элементов в больших масштабах может быть очень сложной и трудоемкой. Более того, сам по себе объем данных, генерируемых интеллектуальными сетями, сам по себе представляет серьезную проблему³.
По мере увеличения количества подключенных устройств и потребителей энергии объем обрабатываемых и анализируемых данных растет экспоненциально, что требует надежных вычислительных ресурсов и эффективных методов управления данными.
Неспособность решить проблемы масштабируемости в интеллектуальных сетях может иметь далеко идущие последствия, причем нагрузка на существующую инфраструктуру является одной из самых непосредственных. Если сеть не может эффективно справляться с растущим спросом и нагрузкой данных, это может привести к перегрузке сети, снижению производительности и даже к сбоям или простоям. Это может привести к перебоям в обслуживании, что повлияет не только на надежность энергоснабжения, но и на критически важные услуги, зависящие от электричества, такие как здравоохранение и транспорт.
Кроме того, проблемы масштабируемости могут препятствовать интеграции возобновляемых источников энергии, поскольку интеллектуальные сети играют жизненно важную роль в адаптации к изменчивому характеру производства возобновляемой энергии. Без масштабируемой инфраструктуры интеллектуальных сетей эффективная интеграция и управление возобновляемыми источниками энергии становится сложной задачей, что препятствует переходу к устойчивому энергетическому будущему. В конечном счете, последствия отказа от разработки масштабируемых интеллектуальных сетей могут подорвать потенциальные преимущества этой технологии и затруднить оптимизацию энергетических систем.
Квантовые вычисления обладают потенциалом для решения этих проблем масштабируемости, предлагая повышенную вычислительную мощность и возможности. Хотя эта технология все еще находится на ранних стадиях разработки, ее развитие предлагает многообещающие решения сложных задач, связанных с масштабированием инфраструктуры интеллектуальных сетей. Квантовые вычисления, начиная от управления сетью и заканчивая усилением безопасности, могут изменить правила игры в развитии технологий интеллектуальных сетей.
Случаи использования
Квантовые вычисления могут обеспечить более эффективные алгоритмы оптимизации, позволяющие оптимально планировать и распределять производство электроэнергии, балансировать нагрузку и распределять ресурсы. Такие приложения, как размещение PMU⁴, блокирование⁵ или размещение-распределение объекта⁶, являются одними из первых, которые, как ожидается, будут решаться квантовыми устройствами. По мере развития этой технологии она также сможет решать более сложные задачи в области потоков мощности⁷ и анализа переходных процессов⁸, сводя к минимуму потери энергии и повышая производительность системы.
В связи с растущим объемом данных, производимых датчиками в интеллектуальных сетях, крайне важно найти способ улучшить классические методы машинного обучения, чтобы иметь возможность делать прогнозы, близкие к реальному времени. Алгоритмы квантового машинного обучения могут обрабатывать и анализировать огромные объемы данных, генерируемых интеллектуальными сетями⁹, улучшая обработку данных, распознавание образов и обнаружение аномалий, что позволит принимать более быстрые и точные решения. Это может привести к более эффективному обнаружению неисправностей¹⁰, более точному прогнозированию нагрузки на электроэнергию¹¹ и цены¹², а также к повышению стабильности сети¹³, что в конечном итоге повысит масштабируемость и надежность сети.
Квантовые вычисления также могут способствовать укреплению безопасности интеллектуальных сетей. Методы квантового шифрования, такие как квантовое распределение ключей¹⁴ или квантовая прямая связь¹⁵, обеспечивают высоконадежный метод передачи конфиденциальных данных по сетям связи. Поскольку интеллектуальные сети полагаются на безопасную и надежную передачу данных, квантовое шифрование может помочь смягчить угрозы кибербезопасности и защитить критически важную инфраструктуру сети.
Выводы и экономический эффект
2022 г. стал свидетелем беспрецедентных экономических усилий в области технологий перехода к энергетике, когда было инвестировано рекордное количество долларов США — 1,3 трлн, в том числе 0,5 трлн долларов США — в возобновляемые источники энергии¹⁶. Несмотря на то, что годовой объем инвестиций, необходимый для достижения нулевого уровня выбросов к 2050 году, все еще далек, текущие тенденции указывают на устойчивую мобилизацию капитала для достижения целей в области устойчивого развития¹⁷.
Тем не менее, масштабирование инфраструктуры интеллектуальных сетей является ключом к новым разработкам в этой области. Хотя количественная оценка точной экономической стоимости проблем масштабируемости в интеллектуальных сетях может быть сложной, в основном из-за динамичного характера энергетического сектора и конкретных обстоятельств каждой ситуации, их потенциальное финансовое влияние неоспоримо. Неадекватная масштабируемость интеллектуальных сетей может привести к неэффективности распределения и управления энергией, что может привести к более высоким эксплуатационным расходам для коммунальных предприятий. Этим компаниям, возможно, потребуется инвестировать в дополнительную инфраструктуру или рабочую силу, чтобы удовлетворить растущий спрос и нагрузку данных, в конечном итоге перекладывая эти дополнительные расходы на потребителей в виде более высоких цен на электроэнергию.
Более того, эти проблемы могут препятствовать интеграции возобновляемых источников энергии, которые имеют решающее значение для достижения целей устойчивого развития. Если интеллектуальные сети не могут эффективно справляться с изменчивостью производства возобновляемой энергии, это может привести к сокращению избыточной энергии или необходимости в резервных электростанциях, работающих на ископаемом топливе. Эта неэффективность может увеличить общую стоимость производства электроэнергии и затруднить переход на более чистые источники энергии.
Проблемы масштабируемости также могут повлиять на надежность энергоснабжения, а перебои в обслуживании и простои, вызванные нагрузкой на сеть, могут иметь серьезные экономические последствия. Предприятия, зависящие от бесперебойного питания, такие как производственные предприятия, центры обработки данных и медицинские учреждения, могут понести финансовые потери из-за перебоев в производстве, потери данных или нарушения ухода за пациентами соответственно.
Кроме того, отсутствие масштабируемости в интеллектуальных сетях может препятствовать разработке и внедрению инновационных энергетических технологий и услуг. Стартапы и предприятия энергетического сектора могут столкнуться с препятствиями при расширении масштабов своей деятельности, что ограничивает их потенциал роста и экономического воздействия.
Хотя предоставить точные данные об экономических затратах сложно, решение проблем масштабируемости в интеллектуальных сетях необходимо для сведения к минимуму этих потенциальных экономических последствий, повышения эффективности и содействия интеграции возобновляемых источников энергии. Внедрение квантовых технологий в области интеллектуальных сетей может стать огромным стимулом для этой технологии, что в конечном итоге приведет к созданию более устойчивой и рентабельной энергетической системы.
Об авторах
Даниэль Гарсия Гихо — технический руководитель проекта в Multiverse Computing. Даниэль имеет степень бакалавра физики в Университете Овьедо, финальный проект по моделированию жидкости с использованием глубоких сверточных нейронных сетей. Дэниел участвовал в ключевых проектах Multiverse в области энергетики, биологических наук и производства, специализируясь на квантовом и квантовом машинном обучении, и вносит решающий вклад в усилия Multiverse по обеспечению устойчивого развития.
Текущая роль Джанни Дель Бимбо в Multiverse — главный операционный директор. Джанни — квантовый физик, имеет степень магистра физики конденсированных сред Мюнхенского университета Людвига-Максимилиана (LMU) и степень бакалавра физики и астрофизики Флорентийского университета. По словам самого Джанни: «В Multiverse я начинал как специалист по квантовому машинному обучению, а затем работал главой отдела квантовой инженерии, руководил командами и руководил клиентскими проектами в области финансов, энергетики, производства и химии. В качестве главного операционного директора я теперь отвечаю за разработку, внедрение и надзор за повседневными операциями по реализации стратегии компании. Я также отвечаю за разработку и реализацию плана ESG компании».
Эсперанса Куэнка Гомес — руководитель отдела стратегии и информационно-разъяснительной работы в Multiverse Computing. Она энтузиаст цифровой трансформации с более чем 12-летним опытом работы в области потребительского кредитования и банковского дела и более 5 лет в области стратегического и операционного консалтинга. Квантовая механика всегда очаровывала Эсперансу, поэтому она решила изучать и исследовать квантовые вычисления и коммуникации. Как инженер, Эсперанса рассматривает прикладную науку и инженерию как способы создания новых технологий, решения проблем и внесения вклада в общество. Эсперанса является членом Bankinter Foundation for Innovation FIBK Voices, экосистемы экспертов, которые являются международными референтами и делятся с Фондом своим видением того, как инновации революционизируют такие области, как наука, технологии, предпринимательство или образование. Эсперанса также является главой отдела навигации по изменениям в Институте квантовой стратегии.
Ссылки
[1] https://www.iea.org/reports/smart-grids
[2] Ма С. и др. Масштабируемость системы интеллектуальной инфраструктуры в интеллектуальной сети: обзор. Беспроводное личное общение: международный журнал, том 99, выпуск 1, 1 марта 2018 г. https://doi.org/10.1007/s11277-017-5045-y
[3] Tu, C., et al. Проблемы больших данных в интеллектуальных сетях — обзор. Renewable and Sustainable Energy Reviews 79:1099–1107, DOI:10.1016/j.rser.2017.05.134
[4] Джонс, Э.Б., и др. О вычислительной жизнеспособности квантовой оптимизации для размещения PMU. Общее собрание IEEE Power & Energy Society (PESGM), стр. 1–5. IEEE, Пискатауэй (2020 г.)
[5] Никмер Н. и др. Обязательство Quantum Distributed Unit. IEEE транс. Система питания 37(5), 3592–3603 (2022)
[6] Аджагекар, А., Ю, Ф. Квантовые вычисления для оптимизации энергетических систем: проблемы и возможности. Энергия 179, 76–89 (2019)
[7] Фэн Ф., Чжоу Ю., Чжан П. IEEE. Квантовый энергетический поток. IEEE транс. Система питания 36 (4), 3810–3812 (2021)
[8] Zhou, Y., Feng, F., Zhang, P. Программа квантовых электромагнитных переходных процессов. IEEE транс. Система питания (2021)
[9] https://isg-one.com/articles/quantum-computing-and-the-future-of-big-data
[10] Уэхара Г. и др. Оценка параметров квантовой нейронной сети для обнаружения неисправностей фотогальванических элементов. 12-я Международная конференция по информации, интеллекту, системам и приложениям (IISA), стр. 1–7. IEEE, Пискатауэй (2021 г.)
[11] Чжан, З., Хун, В.К. Прогнозирование электрической нагрузки с помощью полной ансамблевой декомпозиции эмпирических мод, адаптивного шума и регрессии опорных векторов с помощью квантового алгоритма стрекозы. Нелинейная динам. 98(2), 1107–1136 (2019)
[12] Zhang, X., et al. Метод прогнозирования цен на электроэнергию, основанный на алгоритме квантовой иммунной оптимизации bp нейронной сети. 6-я Азиатская конференция по энергетике и электротехнике (ACPEE), стр. 310–314. IEEE, Пискатауэй (2021 г.)
[13] Чжоу Ю., Чжан П. Квантовое машинное обучение для оценки устойчивости энергосистемы., arXiv:210404855 (2021)
[14] Li, Y., Zhang, P., Huang, R. Легкое квантовое шифрование для безопасной передачи данных об электроснабжении в интеллектуальной сети. Доступ IEEE 7, 36285–36293 (2019 г.)
[15] Jiang, Z., et al. Квантовый интернет для отказоустойчивых электрических сетей. Междунар. Транс. электр. Энергетическая система 31(6), e12911 (2021)
[16] IRENA (2023 г.), Перспективы перехода к мировой энергетике в 2023 г.: путь 1,5°C, Международное агентство по возобновляемым источникам энергии, Абу-Даби.
[17] https://www.irena.org/Energy-Transition/Finance-and-investment/Investment
