Q-Grid - Anwendung von Quantencomputern für die Optimierung zukünftiger Energienetze
Vorhabensbeschreibung
Das Forschungsprojekt Q-Grid verfolgte das Ziel, das Potenzial des Quantencomputings für die Optimierung zukünftiger dezentraler Energienetze zu erforschen. Im Fokus stand die Entwicklung neuartiger quantenbasierter und quanteninspirierter Optimierungsalgorithmen für komplexe, kombinatorisch schwierige Probleme im Energiesektor. Dazu wurden verschiedene Anwendungsfälle – etwa Microgrid-Bildung, dynamische Preisgestaltung und Kostenallokation in Peer-to-Peer-Märkten – in QUBO-Modelle überführt und auf realer sowie simulierter Quantenhardware getestet. Durch intelligente Vorverarbeitung, algorithmische Innovationen und hybride Lösungsansätze sollte die Praxistauglichkeit quantenbasierter Methoden bewertet werden. Ziel war eine belastbare Einschätzung, inwieweit Quantencomputing künftig zur Effizienz, Resilienz und Nachhaltigkeit von Energienetzen beitragen kann.
Das Konsortium
LMU München
E.ON Digital Technology GmbH
Aqarios GmbH
LMU München
Die LMU München tritt im Projekt als Konsortialführung auf die einen Großteil des Projektmanagements übernimmt. Als Forschungsinstitution mit langjähriger Expertise im Bereich Quantencomputing (die LMU ist u.a. Gründungspartner von PlanQK) unterstützt die LMU in allen forschungsintensiven Arbeitspaketen. Als universitäre Forschungsgruppe plant das QAR-Lab der LMU eine Verwertung der Projektergebnisse im Rahmen der Lehre, in wissenschaftlichen Publikationen und in auf Q-Grid aufbauenden Förder- und Forschungsprojekten.
E.ON Digital Technology GmbH
E.ON Digital Technology GmbH ist eines der größten europäischen Energieunternehmen mit Hauptsitz in Essen und konzentriert sich auf Energienetze, nachhaltige Stromversorgung und kundenorientierte Energielösungen. Die E.ON Digital Technology GmbH ist die zentrale IT- und Digitalgesellschaft des E.ON-Konzerns und verantwortet die Entwicklung, Integration und den Betrieb digitaler Systeme und Technologien innerhalb der Unternehmensgruppe.
Aqarios GmbH
Die Aqarios GmbH ist ein Technologieunternehmen aus München mit Fokus auf Quantencomputing, das Software-Werkzeuge und Algorithmen für quantenunterstützte Optimierung entwickelt.
Projektergebnisse
Das Projekt Q-Grid demonstrierte das Potenzial von Quantencomputing zur Optimierung zukünftiger, dezentraler Energienetze mit hoher Komplexität.
Im Mittelpunkt standen drei praxisnahe Anwendungsfälle: dynamische Preisgestaltung, Bildung autarker Energiegemeinschaften und Kostenallokation in Peer-to-Peer-Märkten. Die LMU entwickelte mit dem Semi-Symmetrie-Ansatz eine neuartige Vorverarbeitungsmethode für QUBO-Probleme, die Kopplungsdichte und Schaltkreistiefe deutlich reduziert. Dadurch konnten Quanten- und Hybridalgorithmen effizienter und fehlerresistenter eingesetzt werden.
Mit BOX-QUBO entstand ein universeller Optimierungsworkflow, der QUBO-Formulierungen automatisch anlernt und wiederverwendbar macht.
Darauf aufbauend wurde mit Learning QUBO Formulations from Data ein KI-basierter Ansatz geschaffen, der Optimierungsmodelle direkt aus Daten generiert.
Gemeinsam mit E.ON und Aqarios wurden dazu problemspezifische Zerlegungsmethoden entwickelt, die große Optimierungsaufgaben in quantenhardware-taugliche Teilprobleme aufspalten. Diese Zerlegung erlaubte erstmals realistische Simulationen mit mehreren Tausend Kunden und komplexen Netzstrukturen. Im Anwendungsfall Discount Scheduling übertraf der hybride LeapHybridCQM-Solver ab 200 Kunden klassische Solver sowohl bei Lösungsqualität als auch bei Fairness der Preisverteilung. Das Self-Reliant Community Detection-Problem ermöglichte die Identifikation autarker Energiegemeinschaften mit bis zu 1888 Knoten; hier zeigten hybride Quantenansätze die besten Ergebnisse. Für die Koalitionsbildung von Prosumern zeigte Quantum Annealing auf D-Wave-Hardware ein günstigeres Skalierungsverhalten als klassische Verfahren und QAOA auf IBM-Systemen. Das dritte Szenario – die Kostenverteilung in P2P-Märkten – belegte dagegen, dass konvexe Probleme weiterhin von klassischen Optimierern wie Gurobi dominiert werden. Ein erweitertes QAOA-Verfahren mit XY-Mixern und Indikatorfunktionen konnte komplexe Nebenbedingungen effizient in Quanten-Schaltkreise integrieren und zeigte in Simulationen deutliche Leistungsgewinne.
Beispiel für ein Stromnetz mit Erzeugern und Verbrauchern. Negative Werte beziehen sich auf die Erzeugung, positive Werte auf den Verbrauch. Die Linienstärke gibt die absolute Leistung an, die durch diese Leitung fließt. Die Gemeinschaft jedes Knotens wird durch die One-Hot-Kodierung von K binären Variablen beschrieben. Der Nettoverbrauch innerhalb einer Gemeinschaft soll minimiert werden, um die Selbstversorgung zu gewährleisten. (Abbildung aus Bucher et. al 2024)
Die erarbeiteten Methoden sind breit anwendbar und lassen sich auf andere Bereiche wie Logistik, Finanzen und Energiespeicher-Management übertragen.
Insgesamt bestätigte Q-Grid, dass hybride und quanteninspirierte Optimierungsansätze bereits heute praktische Vorteile bieten und mit fortschreitender Hardwareentwicklung eine Schlüsselrolle für die Energiewende einnehmen können.
Publikationen
Nüßlein, J., Roch, C., Gabor, T., Stein, J., Linnhoff-Popien, C., & Feld, S. (2023, July). Black Box Optimization Using QUBO and the Cross Entropy Method. In International Conference on Computational Science (pp. 48-55).
Nüßlein, J., Sünkel, L., Stein, J., Rohe, T., Schuman, D., Feld, S., O’meara, C., Cortiana, G., & Linnhoff-Popien, C. (2025). Reducing QUBO Density by Factoring out Semi-Symmetries. In A. P. Rocha, L. Steels, & H. J. van den Herik (Eds.), Proceedings of the 17th International Conference on Agents and Artificial Intelligence (Vol. 1, pp. 783-792). (International Conference on Agents and Artificial Intelligence). SciTePress. https://doi.org/10.5220/0013395900003890
Nüßlein, J., Schuman, D., Bucher, D., Mohseni, N., Ghosh, K., O’Meara, C., … & Linnhoff-Popien, C. (2024, September). Towards Less Greedy Quantum Coalition Structure Generation in Induced Subgraph Games. In 2024 IEEE International Conference on Quantum Computing and Engineering (QCE) (Vol. 2, pp. 28-33). IEEE Computer Society.
Nüßlein, J., Zielinski, S., & Linnhoff-Popien, C. (2025, June). Learning QUBO Formulations from Data. In International Conference on Innovations for Community Services (pp. 209-227). Cham: Springer Nature Switzerland.
J. Nüßlein, M. Zorn, F. Ritz, J. Stein, G. Stenzel, J. Schönberger, T. Gabor, and C. Linnhoff-Popien, „Optimizing Sensor Redundancy in Sequential Decision-Making Problems“, in Proceedings of the 17th International Conference on Agents and Artificial Intelligence (ICAART ‘25), pp. 245-252, 2025.
Kölle, M., Topp, F., Phan, T., Altmann, P., Nüßlein, J. and Linnhoff-Popien, C. (2024). Multi-Agent Quantum Reinforcement Learning Using Evolutionary Optimization. In Proceedings of the 16th International Conference on Agents and Artificial Intelligence – Volume 1: ICAART; ISBN 978-989-758-680-4; ISSN 2184-433X, SciTePress, pages 71-82. DOI: 10.5220/0012382800003636
Blenninger, J., Bucher, D., Cortiana, G., Ghosh, K., Mohseni, N., Nüßlein, J., … & Wimmer, B. (2024). Q-grid: quantum optimization for the future energy grid. KI-Künstliche Intelligenz, 38(4), 339-349.
Bucher, D., Porawski, D., Wimmer, B., Nüßlein, J., O’Meara, C., Mohseni, N., … & Linnhoff-Popien, C. (2024). Evaluating quantum optimization for dynamic self-reliant community detection. IEEE Transactions on Smart Grid.
Bucher, D., Kraus, N., Blenninger, J., Lachner, M., Stein, J., & Linnhoff-Popien, C. (2024, September). Towards Robust Benchmarking of Quantum Optimization Algorithms. In 2024 IEEE International Conference on Quantum Computing and Engineering (QCE) (Vol. 3, pp. 159-170). IEEE Computer Society.
Mohseni, N., Morstyn, T., O’Meara, C., Bucher, D., Nüßlein, J., & Cortiana, G. (2025). Demonstrating Quantum Scaling Advantage in Approximate Optimization for Energy Coalition Formation with 100+ Agents. Quantum Science and Technology.
Kontakt
Anfragen an das Konsortium bitte an:
E-Mail: qar-lab@mobile.ifi.lmu.de
Telefon: +49 89 2180-9153
QAR-Lab – Quantum Applications and Research Laboratory
Ludwig-Maximilians-Universität München
Oettingenstraße 67
80538 München
Website des Projektträgers
Copyright © Q-Grid | 2022 – 2025
