Model Predictive Control of Thermo-Hydraulic Systems Using Primal Decomposition

Resumen Técnico: Control Predictivo de Modelos de Sistemas Termo-Hidráulicos Mediante Descomposición Primal

Planteamiento del Problema
La descarbonización del suministro energético global, particularmente en sistemas de calefacción y refrigeración, exige una mayor eficiencia operativa. El Control Predictivo de Modelos (MPC) ofrece una vía para optimizar estos sistemas, pero depende en gran medida de modelos precisos del sistema. Los sistemas termo-hidráulicos, como las redes de calor urbana (DHN), se modelan típicamente utilizando Volúmenes de Control (CV), lo que da lugar a sistemas descritos por ecuaciones diferenciales-algebraicas (DAE) continuas en el tiempo. Aunque existen marcos automatizados para generar MPCs para tales sistemas, escalar estos enfoques a redes grandes sigue siendo un desafío computacional. Los métodos de optimización estándar a menudo luchan con la complejidad introducida por la discretización temporal de sistemas no lineales, particularmente cuando los métodos de discretización de orden superior alteran la estructura del sistema o eliminan las propiedades bilineales requeridas para una descomposición eficiente.

Metodología
Los autores proponen un marco automatizado para generar MPCs para sistemas termo-hidráulicos modelados mediante CVs. La metodología consta de tres componentes principales:

1. Modelado del Sistema: El sistema se representa mediante un modelo dinámico general donde las temperaturas y los caudales másicos están gobernados por ecuaciones diferenciales, mientras que las restricciones hidráulicas y otras relaciones algebraicas se tratan por separado. El modelo asume propiedades de fluido constantes y cambios de entalpía despreciables debido a variaciones de presión.
2. Discretización Temporal: Para garantizar la eficiencia computacional y preservar las propiedades estructurales del sistema, los autores emplean diferenciación hacia atrás de segundo orden para la discretización temporal. A diferencia de los métodos de Taylor o Runge-Kutta, que pueden introducir términos no lineales complejos que oscurecen la estructura del sistema, la diferenciación hacia atrás mantiene una forma apta para la descomposición. Esto resulta en una representación discreta en el tiempo donde, asumiendo un caudal másico constante, la dinámica térmica se vuelve lineal.
3. Descomposición Primal (PD): La innovación central es la aplicación de la descomposición primal para resolver el problema de optimización resultante. El enfoque explota la estructura específica del modelo separando el problema en un subproblema hidráulico y un subproblema térmico.
   • El algoritmo actualiza iterativamente las variables primales (caudales másicos).
   • En cada iteración, resuelve un problema de optimización hidráulica para determinar los estados e inputs hidráulicos óptimos.
   • Posteriormente, resuelve un problema de optimización térmica utilizando los caudales másicos actualizados.
   • Las variables primales se actualizan utilizando subgradientes derivados del Lagrangiano del problema global, empleando una regla de tamaño de paso decreciente para garantizar la convergencia. Si surge inviabilidad durante las actualizaciones, se utiliza un procedimiento de retroceso (backtracking).

Contribuciones Clave

• Flujo de Trabajo Automatizado: El artículo presenta un flujo de trabajo completo para la generación de MPCs, integrando un modelo dinámico general para sistemas termo-hidráulicos, un procedimiento específico de discretización temporal basado en diferenciación hacia atrás y una estrategia de optimización escalable.
• Escalabilidad mediante Descomposición: La contribución principal es la demostración de que la descomposición primal puede aplicarse eficazmente a modelos termo-hidráulicos basados en CVs. Al desacoplar las restricciones hidráulicas y térmicas, el método busca reducir la complejidad computacional en sistemas a gran escala.
• Validación: El enfoque se valida en un sistema de calefacción subterránea (representativo de calefacción por suelo radiante o superficies libres de nieve) con diferentes números de tuberías y volúmenes de control.

Resultados
El PD-MPC propuesto se comparó con un MPC estándar de Método de Punto Interior (IPM) utilizando una simulación de referencia en Dymola y una implementación personalizada en Matlab.

• Precisión: El modelo discretizado en Matlab mostró una alta precisión frente a la referencia Dymola, con errores máximos de 0.473 K para CVs de suelo y 0.936 K para CVs de tubería (reducibles a 0.23 K con pasos de tiempo más pequeños).
• Rendimiento Computacional:
  • Para sistemas pequeños (1 tubería), el IPM fue más rápido (1.18 s vs. 6.03 s por paso de tiempo).
  • Para sistemas medianos (2 tuberías), el PD-MPC mostró una ventaja significativa (7.81 s vs. 12.51 s).
  • Para sistemas grandes (7 tuberías), el PD-MPC demostró una escalabilidad superior, reduciendo el tiempo de cálculo de 3706 segundos (IPM) a 124.29 segundos (PD), una reducción a aproximadamente el 3.35% del tiempo del IPM.
• Valor de la Función Objetivo: Aunque el IPM generalmente logró valores de función objetivo (costos) ligeramente inferiores, la diferencia fue marginal para sistemas más pequeños (casi iguales para 1 y 2 tuberías) y aproximadamente un 17.2% más alta para el sistema de 7 tuberías. Los autores señalan que el PD-MPC controló exitosamente el sistema para aprovechar las fluctuaciones en los precios de la electricidad y minimizar los costos operativos.

Importancia y Afirmaciones
El artículo afirma que el enfoque propuesto mejora significativamente la escalabilidad del MPC para sistemas termo-hidráulicos en comparación con los métodos de optimización monolíticos estándar. Los autores afirman que, al explotar la estructura del modelo mediante la descomposición primal, se vuelve factible controlar redes a gran escala que de otro modo serían computacionalmente prohibitivas.

Los autores mantienen una postura modesta respecto al alcance actual de su trabajo. Reconocen que la suposición de propiedades de fluido constantes es una simplificación y que incorporar propiedades dependientes de la temperatura mejoraría la precisión. Además, declaran que una evaluación completa de los beneficios requiere configuraciones de sistema más avanzadas que tengan en cuenta las incertidumbres de predicción. El artículo concluye que, si bien el enfoque PD ofrece un camino prometedor para la escalabilidad, es necesario un trabajo futuro para proporcionar una evaluación robusta mediante comparaciones con otros marcos automatizados de MPC y análisis de sistemas más sofisticados.