⚡ electrical engineering

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

Cet article propose d'utiliser l'optimisation bayésienne contrainte pour régler automatiquement les hyperparamètres du contrôle prédictif de modèle destinés à la gestion de la demande des bâtiments, démontrant des réductions significatives des coûts électriques par rapport aux contrôleurs basés sur des règles et à ceux réglés manuellement, tout en mettant en évidence les avantages financiers d'une sélection optimale des programmes.

Auteurs originaux : Jiarui Yu, Jicheng Shi, Wenjie Xu, Colin N. Jones

Publié 2026-05-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jiarui Yu, Jicheng Shi, Wenjie Xu, Colin N. Jones

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que le système de chauffage de votre maison soit comme un chef très intelligent, mais légèrement entêté, qui tente de préparer un repas (garder votre maison au chaud) tout en dépensant le moins d'argent possible pour les ingrédients (l'électricité).

Ce document traite de l'apprentissage à ce chef comment faire ses courses et cuisiner beaucoup plus efficacement, surtout lorsque les prix des ingrédients changent chaque heure ou chaque jour.

Voici la décomposition de leur approche à l'aide d'analogies simples :

1. Le Problème : Le « Menu Confus »

Dans de nombreux endroits, l'électricité n'a pas un prix fixe. C'est comme un menu de restaurant où :

Tarification selon l'heure d'utilisation : Le déjeuner est bon marché, mais le dîner est cher.
Tarifs de puissance souscrite : Si vous commandez trop de plats à la fois (utilisez beaucoup de puissance dans une fenêtre de 15 minutes), vous êtes frappé par une surcharge massive de « heure de pointe ».
Frais fixes : Vous payez des frais d'adhésion mensuels indépendamment de ce que vous mangez.

La plupart des gens se contentent de régler leur thermostat sur une température fixe (comme un contrôleur basé sur des règles). C'est comme si le chef cuisinait la même quantité de nourriture à la même heure chaque jour, peu importe s'il est « heure du déjeuner » ou « heure du dîner ». Ils finissent par payer trop cher.

2. La Solution : Le « Chef Intelligent » (MPC)

Les auteurs utilisent un système appelé Commande Prédictive par Modèle (MPC). Imaginez cela comme un chef qui consulte la météo et le menu des prix pour les prochains jours.

Si l'électricité est bon marché ce soir, le chef préchauffe le four (réchauffe la maison) tôt.
Si l'électricité est chère demain après-midi, le chef laisse la maison refroidir légèrement (mais pas trop) pour ne pas avoir à faire fonctionner le four à ce moment-là.

Le Problème : Même un chef intelligent doit savoir comment cuisiner. Si le chef fixe les limites de température trop strictes, la maison devient froide (inconfortable). S'il les fixe trop lâches, il gaspille de l'argent. C'est ce qu'on appelle le réglage des hyperparamètres. Habituellement, les humains doivent deviner ces paramètres, ce qui est lent et conduit souvent à un repas médiocre.

3. L'Innovation : Le « Robot de Réglage Automatique » (CONFIG)

Les auteurs ont construit un robot (utilisant un algorithme appelé Optimisation Bayésienne Contrainte, ou CONFIG) qui trouve automatiquement les paramètres parfaits pour le chef.

Le Jumeau Numérique : Avant de toucher la vraie maison, le robot teste des millions de paramètres différents dans une simulation virtuelle (un « Jumeau Numérique ») d'une maison belge.
L'Objectif : Le robot tente de trouver les paramètres qui entraînent la facture la plus basse, mais il a une règle stricte : La maison ne doit jamais devenir trop inconfortable. Il utilise un « score de confort » (PMV) pour s'assurer que les gens ne gèlent pas ni ne surchauffent.
La Magie : Contrairement à d'autres méthodes qui pourraient enfreindre les règles pour économiser de l'argent, ce robot est très prudent. Il explore différents paramètres en toute sécurité pour trouver l'équilibre absolu optimal entre l'économie d'argent et le maintien de la chaleur de la maison.

4. L'Obstacle du « Puissance Minimale »

Les chercheurs ont découvert un problème délicat avec les pompes à chaleur (l'appareil de chauffage). Même si vous demandez à la pompe de fonctionner à « 1 % de puissance », elle consomme beaucoup d'électricité juste pour allumer le ventilateur (comme un moteur de voiture au ralenti).

L'Ancienne Méthode : Tenter de modéliser ce comportement complexe de « ralenti » rend les mathématiques si lourdes qu'il faut un supercalculateur pour les résoudre en temps réel.
La Nouvelle Méthode : Ils ont créé une « MPC Simplifiée ». C'est comme mettre un filtre sur les commandes du chef. Si le chef essaie de commander une petite quantité de nourriture (faible puissance), le filtre dit : « Non, c'est trop inefficace. Commandez soit un repas complet, soit rien du tout. » Cela maintient les mathématiques suffisamment simples pour être exécutées sur un ordinateur domestique ordinaire tout en économisant de l'argent.

5. Les Résultats : Les Économies

Ils ont testé ce système sur un scénario réel avec 12 contrats d'électricité différents (différents menus de prix).

Vs. Le Thermostat « Bête » : Le système à réglage automatique a économisé 26,9 % sur les factures d'électricité.
Vs. Le Système Intelligent « Réglé par un Humain » : Même comparé à un système intelligent qu'un expert humain avait manuellement ajusté, le robot à réglage automatique a économisé un supplément de 17,46 %.
Sélection du Contrat : Le système a également déterminé quel contrat d'électricité était le meilleur. En choisissant le bon « menu », ils ont économisé un supplément de 20,18 % par rapport au choix de contrat le pire possible.

Résumé

L'article montre que vous n'avez pas besoin d'un supercalculateur ou d'un doctorat en ingénierie pour économiser de l'argent sur le chauffage. En utilisant un « robot de réglage » intelligent et automatisé pour ajuster les paramètres d'un contrôleur de chauffage standard, et en choisissant le bon contrat d'électricité, un propriétaire peut réduire considérablement ses factures sans jamais avoir froid. Le système effectue les calculs complexes en arrière-plan, garantissant que la maison reste confortable tandis que le portefeuille reste plein.

Résumé technique : Réglage automatique d'un contrôleur MPC de bâtiment pour un coût économique optimal

Énoncé du problème
Le secteur du bâtiment représente environ 34 % de la consommation mondiale d'énergie. Bien que les programmes de gestion de la demande (DSM), tels que les tarifs horaires et la tarification en temps réel, offrent des incitations à la stabilité du réseau, ils introduisent des structures de prix complexes et non linéaires qui défient les contrôleurs traditionnels basés sur des règles. Bien que le contrôle prédictif de modèle (MPC) soit une solution de premier plan pour de tels environnements dynamiques, ses performances dans des conditions réelles sont souvent sous-optimales en raison d'un manque de réglage systématique des hyperparamètres. Les processus de conception MPC conventionnels échouent fréquemment à aligner les objectifs de prédiction et de contrôle en présence d'imprécisions du modèle et de perturbations environnementales. De plus, les méthodes existantes de réglage des contrôleurs manquent souvent de la capacité à gérer des contraintes boîte noire (telles que les métriques de confort thermique à long terme) ou reposent sur des modèles de référence manuels, limitant ainsi leur évolutivité et leur efficacité pour minimiser les coûts électriques dans le cadre de contrats de facturation diversifiés.

Méthodologie
Les auteurs proposent un cadre orienté performance qui automatise le réglage hors ligne des hyperparamètres MPC à l'aide de l'optimisation bayésienne contrainte (CONFIG). La méthodologie fonctionne comme suit :

Jumeau numérique et modélisation : L'approche utilise un jumeau numérique (spécifiquement la plateforme BOPTEST avec un cas de test de pompe à chaleur hydraulique BESTEST) pour simuler les opérations du bâtiment. Un modèle ARX linéaire piloté par les données identifie la dynamique thermique du bâtiment à partir de données historiques, en se concentrant sur les comportements dominants entrée-sortie plutôt que sur une réplication physique exacte.
Formulation MPC et gestion du MOP : L'étude aborde le problème de la « puissance de fonctionnement minimale » (MOP) inhérent aux pompes à chaleur, où de faibles signaux de commande non nuls déclenchent des pics de puissance inefficaces. Pour résoudre cela sans la charge computationnelle de la programmation quadratique mixte en nombres entiers (MIQP), les auteurs introduisent un MPC simplifié. Cette approche applique une fonction de « masque » au signal de commande, éliminant les petites entrées qui déclenchent le fonctionnement à puissance minimale tout en maintenant le problème sous la forme d'un programme quadratique (QP) traitable.
Cadre d'optimisation (CONFIG) : Le problème de réglage est formulé comme une optimisation boîte noire contrainte.
- Objectif : Minimiser les coûts totaux mensuels d'électricité, incluant les frais énergétiques horaires, les tarifs de capacité (basés sur la puissance de pointe de 15 minutes) et les frais fixes.
- Contraintes : Le confort thermique est imposé via une contrainte de Vote Moyen Prédictif (PMV). Plutôt que d'intégrer directement cette métrique non linéaire dans le MPC, le cadre utilise une fonction de distribution cumulative (CDF) des valeurs de PMV sur la période de simulation. La contrainte exige que 80 % des valeurs absolues de PMV pendant les heures d'occupation restent inférieures à 0,5.
- Algorithme : L'algorithme CONFIG utilise des substituts de processus gaussiens pour modéliser les fonctions objectif et contrainte. Il optimise les bornes inférieures de confiance pour équilibrer l'exploration et l'exploitation, garantissant l'optimalité globale tout en gérant les contraintes boîte noire sans réglage manuel des pénalités.
Variables de réglage : Le cadre règle automatiquement quatre hyperparamètres clés pour le MPC simplifié : les bornes inférieures de température occupée et inoccupée ( $T_{lb}^{occupy}$ , $T_{lb}^{unoccupy}$ ), l'entrée de commande maximale ( $u_{max}$ ) et la borne inférieure du masque ( $u_{low}$ ).

Contributions clés

Réglage automatisé via CONFIG : L'article présente l'application de l'algorithme CONFIG pour régler les hyperparamètres MPC pour le contrôle de bâtiment basé sur le DSM, comblant le vide dans la gestion simultanée de prix complexes non linéaires et de contraintes de confort à long horizon.
MPC simplifié pour le déploiement résidentiel : Les auteurs proposent un « MPC simplifié » qui approxime le problème MOP à l'aide d'une fonction de masquage. Cela permet de résoudre le contrôleur à l'aide de solveurs gratuits et open source (par exemple SCIP) sur du matériel standard, évitant l'impossibilité computationnelle des formulations MIQP qui épuisent souvent la RAM sur les ordinateurs personnels.
Orientation pour la sélection de contrats : Le cadre est appliqué pour évaluer 12 contrats électriques belges distincts, démontrant que la sélection optimale du contrat combinée à des stratégies de contrôle réglées génère des économies significatives.

Résultats
Une étude de cas impliquant un bâtiment résidentiel monozone à Bruxelles, en Belgique, a été menée sur quatre mois (novembre à février) à travers 12 scénarios de tarification.

Réduction des coûts : Le MPC simplifié optimisé a réduit les coûts d'électricité de 26,90 % par rapport à un contrôleur de base basé sur des règles et de 17,46 % par rapport à un MPC QP réglé manuellement.
Performance vs Complexité : Le MPC simplifié réglé a atteint des performances comparables, et dans certains mois supérieures, à un contrôleur MPC MIQP intensif en calcul, mais avec des temps de résolution nettement inférieurs (par exemple, 0,15 s contre 0,80 s par étape sur un cluster pour QP contre MIQP avec SCIP).
Conformité au confort : Tous les contrôleurs, y compris le MPC réglé, ont satisfait la contrainte de confort (80 % des valeurs de PMV < 0,5). Le MPC réglé a atteint cela grâce à un ajustement précis des bornes de température et de la fonction de masquage, sans relâcher les exigences de confort.
Économies de contrats : L'analyse des 12 contrats a révélé que la sélection du contrat optimal pouvait réduire les factures mensuelles jusqu'à 20,18 % par rapport au contrat le plus défavorable. L'étude a montré que les contrats dynamiques avec tarifs de capacité (par exemple, 'ddd') fonctionnaient généralement mieux, bien que les contrats à taux fixe avec des frais fixes faibles (par exemple, 'sdd') soient compétitifs selon le mois.

Signification et affirmations
L'article affirme que le cadre proposé offre une voie axée sur les données vers des économies significatives pour les consommateurs en comblant le fossé entre la tarification DSM complexe et la mise en œuvre pratique du contrôleur. Les auteurs soulignent que :

Le réglage des hyperparamètres est critique : Les gains de performance issus du réglage automatisé (17,46 % par rapport au réglage manuel) sont comparables aux gains fournis par la capacité prédictive du MPC lui-même, soulignant la nécessité d'un réglage systématique.
Évolutivité : En remplaçant les formulations MIQP complexes par un MPC simplifié masqué, la méthode permet le déploiement de stratégies de contrôle avancées sur du matériel résidentiel peu coûteux sans nécessiter de solveurs commerciaux coûteux.
Optimisation holistique : Le cadre intègre avec succès les contraintes de confort à long horizon et les structures de facturation complexes (y compris les tarifs de capacité) dans une seule boucle d'optimisation, fournissant des informations exploitables tant pour la stratégie de contrôle que pour la sélection de contrat.

Les auteurs concluent que si l'optimisation hors ligne traite efficacement les défis actuels de mise en œuvre, les travaux futurs devraient se concentrer sur l'extension du cadre à l'adaptation en ligne avec des mécanismes de sécurité pour permettre une amélioration continue en temps réel.