What price to pay? Auto-tuning a building MPC controller for optimal economic cost

Resumen Técnico: Ajuste Automático de un Controlador MPC para Edificios para Costo Económico Óptimo

Enunciado del Problema
El sector de la edificación representa aproximadamente el 34% del consumo energético global. Si bien los programas de Gestión de la Demanda (DSM), como las tarifas de uso en tiempo y la fijación de precios en tiempo real, ofrecen incentivos para la estabilidad de la red, introducen estructuras de precios complejas y no lineales que desafían a los controladores basados en reglas tradicionales. Aunque el Control Predictivo Basado en Modelos (MPC) es una solución líder para entornos dinámicos de este tipo, su rendimiento en condiciones del mundo real suele ser subóptimo debido a la falta de un ajuste sistemático de hiperparámetros. Los procesos convencionales de diseño de MPC a menudo fallan en alinear los objetivos de predicción y control bajo imprecisiones del modelo y perturbaciones ambientales. Además, los métodos existentes de ajuste de controladores a menudo carecen de la capacidad para manejar restricciones de caja negra (como métricas de confort térmico a largo plazo) o dependen de modelos de referencia manuales, lo que limita su escalabilidad y efectividad para minimizar los costos de electricidad bajo diversos contratos de facturación.

Metodología
Los autores proponen un marco orientado al rendimiento que automatiza el ajuste fuera de línea de los hiperparámetros del MPC utilizando Optimización Bayesiana Constrained (CONFIG). La metodología opera de la siguiente manera:

1. Gemelo Digital y Modelado: El enfoque utiliza un gemelo digital (específicamente la plataforma BOPTEST con un caso de prueba de bomba de calor hidráulica BESTEST) para simular las operaciones del edificio. Un modelo ARX lineal basado en datos identifica la dinámica térmica del edificio a partir de datos históricos, centrándose en comportamientos dominantes de entrada-salida en lugar de una replicación física exacta.
2. Formulación del MPC y Manejo de MOP: El estudio aborda el problema de "Potencia Mínima de Operación" (MOP) inherente a las bombas de calor, donde pequeñas entradas de control no nulas desencadenan picos de potencia ineficientes. Para resolver esto sin la carga computacional de la Programación Cuadrática Mixta Entera (MIQP), los autores introducen un MPC Simplificado. Este enfoque aplica una función de "máscara" a la señal de control, eliminando las entradas pequeñas que desencadenan la operación de potencia mínima mientras mantiene el problema como un Programa Cuadrático (QP) tratable.
3. Marco de Optimización (CONFIG): El problema de ajuste se formula como una optimización de caja negra con restricciones.
   • Objetivo: Minimizar los costos totales mensuales de electricidad, que incluyen cargos por energía de uso en tiempo, tarifas de capacidad (basadas en la potencia pico de 15 minutos) y cargos fijos.
   • Restricciones: El confort térmico se hace cumplir mediante una restricción de la Votación Media Predicha (PMV). En lugar de incrustar esta métrica no lineal directamente en el MPC, el marco utiliza una Función de Distribución Acumulada (CDF) de los valores de PMV durante el período de simulación. La restricción exige que el 80% de los valores absolutos de PMV durante las horas ocupadas permanezcan por debajo de 0.5.
   • Algoritmo: El algoritmo CONFIG emplea sustitutos de Procesos Gaussianos para modelar las funciones objetivo y de restricción. Optimiza los límites inferiores de confianza para equilibrar la exploración y la explotación, garantizando optimalidad global mientras maneja restricciones de caja negra sin ajuste manual de penalizaciones.
4. Variables de Ajuste: El marco ajusta automáticamente cuatro hiperparámetros clave para el MPC Simplificado: los límites inferiores de temperatura ocupada y no ocupada ($T_{lb}^{occupy}$, $T_{lb}^{unoccupy}$), la entrada de control máxima ($u_{max}$) y el límite inferior de la máscara ($u_{low}$).

Contribuciones Clave

• Ajuste Automatizado mediante CONFIG: El artículo introduce la aplicación del algoritmo CONFIG para ajustar hiperparámetros del MPC para el control de edificios basado en DSM, abordando la brecha en el manejo simultáneo de precios complejos y no lineales y restricciones de confort a largo plazo.
• MPC Simplificado para Despliegue Residencial: Los autores proponen un "MPC Simplificado" que aproxima el problema MOP utilizando una función de enmascaramiento. Esto permite que el controlador se resuelva utilizando solucionadores gratuitos y de código abierto (por ejemplo, SCIP) en hardware estándar, evitando la inviabilidad computacional de las formulaciones MIQP que a menudo agotan la memoria RAM en computadoras personales.
• Orientación para la Selección de Contratos: El marco se aplica para evaluar 12 contratos eléctricos belgas distintos, demostrando que la selección óptima del contrato combinada con estrategias de control ajustadas genera ahorros significativos.

Resultados
Se realizó un estudio de caso que involucra un edificio residencial de una sola zona en Bruselas, Bélgica, durante cuatro meses (de noviembre a febrero) en 12 escenarios de precios.

• Reducción de Costos: El MPC Simplificado optimizado redujo los costos de electricidad en un 26.90% en comparación con un controlador base basado en reglas y en un 17.46% en comparación con un MPC QP ajustado manualmente.
• Rendimiento vs. Complejidad: El MPC Simplificado ajustado logró un rendimiento comparable, y en algunos meses superior, a un controlador MPC MIQP computacionalmente intensivo, pero con tiempos de resolución significativamente menores (por ejemplo, 0.15s vs. 0.80s por paso en un clúster para QP vs. MIQP con SCIP).
• Cumplimiento del Confort: Todos los controladores, incluido el MPC ajustado, satisficieron la restricción de confort (80% de valores de PMV < 0.5). El MPC ajustado logró esto mediante un ajuste preciso de los límites de temperatura y la función de máscara, sin relajar los requisitos de confort.
• Ahorros por Contrato: El análisis de los 12 contratos reveló que seleccionar el contrato óptimo podría reducir las facturas mensuales hasta en un 20.18% en comparación con el contrato del peor caso. El estudio encontró que los contratos dinámicos con tarifas de capacidad (por ejemplo, 'ddd') generalmente funcionaron mejor, aunque los contratos con tarifa fija con cargos fijos bajos (por ejemplo, 'sdd') fueron competitivos dependiendo del mes.

Significado y Afirmaciones
El artículo afirma que el marco propuesto ofrece una vía basada en datos para ahorros significativos para el consumidor al cerrar la brecha entre precios DSM complejos y la implementación práctica de controladores. Los autores enfatizan que:

1. El Ajuste de Hiperparámetros es Crítico: Las ganancias de rendimiento del ajuste automatizado (17.46% sobre el ajuste manual) son comparables a las ganancias proporcionadas por la capacidad predictiva del MPC en sí mismo, destacando la necesidad de un ajuste sistemático.
2. Escalabilidad: Al reemplazar formulaciones MIQP complejas con un MPC Simplificado enmascarado, el método permite el despliegue de estrategias de control avanzadas en hardware residencial de bajo costo sin requerir solucionadores comerciales costosos.
3. Optimización Holística: El marco integra con éxito restricciones de confort a largo plazo y estructuras de facturación complejas (incluidas las tarifas de capacidad) en un solo bucle de optimización, proporcionando información procesable tanto para la estrategia de control como para la selección de contratos.

Los autores concluyen que, si bien la optimización fuera de línea aborda eficazmente los desafíos actuales de implementación, el trabajo futuro debería centrarse en extender el marco a la adaptación en línea con mecanismos de seguridad para permitir una mejora continua en tiempo real.