Model Predictive Control and Moving Horizon Estimation using Statistically Weighted Data-Based Ensemble Models

Cet article propose un cadre novateur de commande prédictive de modèle qui utilise une pondération d'ensemble de modèles pilotés par les données basée sur la distance de Mahalanobis et un observateur d'estimation à horizon glissant pour contrôler efficacement des systèmes complexes dans diverses conditions de fonctionnement.

L'essentiel

Imaginez que vous êtes le capitaine d'un navire massif et complexe (un réseau de chauffage urbain) tentant de naviguer à travers des conditions météorologiques changeantes. Parfois, l'eau est calme et chaude (conditions d'été) ; d'autres fois, elle est orageuse et glaciale (conditions d'hiver). Pour piloter ce navire efficacement et en toute sécurité, vous avez besoin d'une équipe de navigation capable de prédire exactement où se trouvera le navire dans les prochaines heures.

Ce papier présente une nouvelle méthode pour constituer cette équipe de navigation et une nouvelle façon de piloter le navire. Voici le détail en termes simples :

Le Problème : Une seule carte ne suffit pas

Habituellement, les ingénieurs tentent de construire un seul modèle "boîte noire" (comme une IA ultra-intelligente) pour prédire le comportement du navire dans toutes les conditions. Mais tout comme une seule carte ne peut pas représenter parfaitement à la fois un désert et un iceberg, un modèle unique est souvent confus lorsque la météo change. Il pourrait prédire que le navire avancera vite dans une tempête alors qu'il ralentit en réalité, conduisant à de mauvaises décisions ou à des violations de sécurité.

La Solution : Une équipe de spécialistes (Modèles d'Ensemble)

Au lieu d'un généraliste, les auteurs suggèrent d'embaucher une équipe de spécialistes.

• Le Spécialiste A est un expert des "Conditions d'Été". Il a été entraîné uniquement sur des données d'été.
• Le Spécialiste B est un expert des "Conditions d'Hiver". Il a été entraîné uniquement sur des données d'hiver.

Lorsque vous avez besoin d'une prédiction, vous ne choisissez pas simplement l'un d'entre eux ; vous demandez l'avis des deux et combinez leurs réponses. Mais la partie délicate est la suivante : Dans quelle mesure faites-vous confiance à chaque spécialiste ?

L'Innovation 1 : La "Boussole Statistique" (Distance de Mahalanobis)

Dans le passé, les gens faisaient soit :

1. La moyenne des deux avis (50/50), ce qui est souvent faux.
2. Ils demandaient : "Qui avait raison dans le passé ?" et faisaient davantage confiance à celui-ci. Mais dans un système de contrôle, vous regardez vers le futur, et vous ne connaissez pas encore le futur.

Les auteurs proposent une nouvelle règle basée sur la Distance de Mahalanobis. Imaginez cela comme une boussole statistique.

• Le système examine la météo actuelle (les entrées, comme la température et la charge).
• Il se demande : "À quel point la météo d'aujourd'hui est-elle statistiquement similaire aux données sur lesquelles le Spécialiste A s'est entraîné ? À quel point est-elle similaire à celles du Spécialiste B ?"
• Si aujourd'hui ressemble beaucoup à une "Journée d'Été", la boussole donne au Spécialiste A un vote énorme (poids élevé) et au Spécialiste B un vote minuscule.
• Crucialement, cette boussole fonctionne uniquement sur les entrées (ce que vous prévoyez de faire ensuite), et non sur les sorties futures (que vous ne connaissez pas encore). Cela permet au système de déplacer en douceur la confiance entre les spécialistes à mesure que la météo change pendant la fenêtre de prédiction.

L'Innovation 2 : L'Observateur "Allée des Souvenirs" (Estimation à Horizon Glissant)

Il y a un deuxième problème. Ces spécialistes IA (spécifiquement des Unités Récurrentes à Portes, ou GRU) possèdent une "mémoire" ou un "état" interne qui les aide à faire des prédictions. Cependant, cette mémoire est invisible pour le capitaine ; vous ne pouvez voir que la température extérieure et le débit d'eau.

Si le capitaine devine mal la mémoire, la prédiction dérivera de sa trajectoire.

• Ancienne Méthode : Laisser simplement le modèle fonctionner seul (Boucle Ouverte). S'il fait une petite erreur, l'erreur grandit de plus en plus.
• Nouvelle Méthode (MHE) : Les auteurs ont construit un observateur "Allée des Souvenirs". Au lieu de regarder seulement la dernière seconde, il regarde en arrière les 50 dernières étapes de l'histoire. Il se demande : "Étant donné tout ce qui s'est passé au cours des 50 dernières minutes, ce que la mémoire interne a dû être pour produire ces résultats ?"
• Il ajuste ensuite la mémoire pour qu'elle corresponde parfaitement à l'histoire avant de faire la prochaine prédiction. C'est comme un détective reconstruisant une scène de crime pour mieux comprendre la situation actuelle.

Le Résultat : Une Trajet Plus Fluide et Moins Chère

Les auteurs ont testé cela sur un système de chauffage réel (le système AROMA) qui bascule entre les modes été et hiver. Ils ont comparé leur nouvelle méthode à :

• Basé sur des règles : Un ensemble simple et rigide de règles (comme un humain suivant un manuel).
• Moyenne : Faisant également confiance aux deux spécialistes.
• Moindres Carrés : Faisant confiance à celui qui avait raison le plus récemment.
• Mahalanobis Fixe : Utilisant la boussole, mais en regardant uniquement le moment actuel, et non le futur.
• Leur Méthode (MD-2) : Utilisant la boussole pour ajuster la confiance tout au long de la fenêtre complète de prédiction future.

Les Résultats :

1. Économies : Leur méthode a économisé le plus d'argent (performance économique) car elle pouvait anticiper les changements de météo mieux que les autres.
2. Sécurité : Elle a fait le moins d'erreurs concernant les limites de sécurité (comme l'eau devenant trop chaude ou trop froide).
3. Précision : L'observateur "Allée des Souvenirs" a considérablement réduit les erreurs dans les prédictions internes du modèle, rendant l'ensemble du système plus fiable.

En Bref

Ce papier nous apprend comment contrôler des systèmes complexes en utilisant une équipe de modèles IA spécialisés plutôt qu'un seul généraliste. Il utilise une boussole statistique pour décider de qui faire confiance en fonction des conditions actuelles, et un détective historique pour corriger la mémoire interne de l'IA. Le résultat est un système moins coûteux à exploiter et plus sûr à opérer lorsque les conditions changent.

Résumé technique

Résumé technique : Commande Prédictive Modèle et Estimation sur Horizon Glissant utilisant des Modèles d'Ensemble Basés sur des Données Pondérées Statistiquement

Énoncé du problème
La Commande Prédictive Modèle (MPC) est une stratégie dominante pour la gestion de systèmes complexes, mais ses performances dépendent fortement de la précision du modèle de prédiction sous-jacent. Bien que les modèles basés sur des données (par exemple, les réseaux de neurones) offrent des avantages en termes de développement et de disponibilité des données, un modèle boîte noire unique échoue souvent à maintenir la précision de la prédiction à travers des conditions de fonctionnement diverses. De plus, les approches standard d'apprentissage par ensemble, qui combinent plusieurs modèles spécialisés, reposent généralement sur un pondération statique ou sur une pondération basée sur les erreurs de sortie passées. Ces méthodes sont sous-optimales pour la MPC car elles ne peuvent pas ajuster dynamiquement les poids sur l'horizon de prédiction où les mesures futures d'état et de sortie sont indisponibles. En outre, l'estimation des états internes des modèles d'ensemble basés sur des données (qui manquent souvent de signification physique) tout en imposant des contraintes d'état reste un défi non résolu dans la littérature.

Méthodologie
L'article propose un cadre unifié intégrant la Commande Prédictive Modèle (MPC) et l'Estimation sur Horizon Glissant (MHE) pour des systèmes opérant sous plusieurs conditions. Le cœur de l'approche consiste en un ensemble de modèles basés sur des données (spécifiquement des Unités Récurrentes à Portes, ou GRU), où chaque expert est entraîné sur un jeu de données correspondant à un domaine opérationnel spécifique.

1. Pondération basée sur la distance de Mahalanobis :
   Au lieu d'une moyenne statique ou d'une pondération dépendante de la sortie, les auteurs proposent une règle de combinaison novatrice où les poids de l'ensemble sont des fonctions de l'entrée du système. Le poids attribué à chaque modèle expert $M^{[i]}$ à un pas de temps spécifique est inversement proportionnel à la distance statistique de Mahalanobis entre le vecteur d'entrée (actuel ou futur) et les données d'entrée d'entraînement de cet expert spécifique.
   $$\lambda^{[i]}_{MD}(u(h)) = \frac{1 / T^2(u(h), u^{[i]})}{\sum_{i=1}^{n} 1 / T^2(u(h), u^{[i]})}$$
   Cela permet aux poids de varier dynamiquement sur la fenêtre de prédiction uniquement sur la base de la séquence connue des entrées futures, permettant à la MPC d'anticiper les changements de conditions de fonctionnement.

2. Observateur d'état basé sur la MHE :
   Pour répondre au défi de l'estimation d'état des modèles basés sur des données, un observateur d'Estimation sur Horizon Glissant (MHE) est développé pour chaque expert de l'ensemble. Le problème MHE minimise l'erreur entre les sorties prédites par le modèle et les sorties réelles mesurées de la plante sur un horizon passé fini. Crucialement, cette formulation intègre explicitement des contraintes d'état (par exemple, des bornes d'amplitude sur les états cachés), garantissant que les états estimés utilisés pour initialiser la MPC sont physiquement cohérents avec les limitations internes du modèle.

Contributions clés
L'article apporte deux contributions principales :

• Une nouvelle formulation MPC : Elle introduit un régulateur MPC qui utilise un ensemble basé sur des données où les poids de combinaison sont déterminés par la proximité statistique (distance de Mahalanobis) entre les entrées optimisées et les données d'entraînement de chaque expert. Cela permet des poids dépendants de l'entrée et variant sur l'horizon sans nécessiter de mesures de sortie futures.
• Un observateur d'état contraint : Il propose une nouvelle conception d'observateur pour les modèles d'ensemble basée sur la MHE. Cette méthode permet l'estimation précise des états pour tous les experts de l'ensemble tout en imposant strictement des contraintes d'état, une capacité précédemment non abordée pour les modèles d'ensemble dans la littérature.

Résultats numériques
Le cadre a été validé sur un système de chauffage urbain (DHS) de référence présentant plusieurs conditions de fonctionnement (simulant des profils de charge d'été et d'hiver). Le système a été contrôlé à l'aide d'une MPC avec un horizon de 72 pas, comparant quatre stratégies de pondération :

• AV : Moyenne arithmétique simple.
• LS : Optimisation par moindres carrés basée sur les 100 pas de temps précédents.
• MD-1 : Poids basés sur Mahalanobis fixés à la valeur du pas de temps précédent.
• MD-2 : Poids basés sur Mahalanobis optimisés en fonction des entrées sur tout l'horizon de prédiction.

Les résultats ont démontré que la stratégie MD-2 proposée a atteint les meilleures performances économiques (coût le plus bas) et le moins de violations de contraintes par rapport aux autres stratégies MPC et à une base de référence fondée sur des règles. Plus précisément, tandis que les stratégies AV et LS ont présenté des violations de contraintes, les approches basées sur Mahalanobis ont maintenu la faisabilité. L'approche MD-2 a surpassé MD-1 en réagissant plus tôt aux changements de conditions futures, soulignant l'avantage des poids variant sur l'horizon. De plus, l'observateur basé sur la MHE a considérablement réduit l'erreur de prédiction de sortie à un pas pour les modèles individuels par rapport à la propagation d'état en boucle ouverte.

Importance et affirmations
Les auteurs affirment que leur méthodologie surpasse significativement les méthodes standard de sélection de poids par moyenne et par optimisation en termes de performances économiques et de satisfaction des contraintes. Ils affirment que la règle de combinaison basée sur Mahalanobis proposée est une solution robuste pour gérer les conditions de fonctionnement variables dans un cadre MPC, car elle repose uniquement sur les données d'entrée disponibles plutôt que sur les sorties futures indisponibles. De plus, l'article souligne que l'observateur basé sur la MHE résout efficacement le problème critique de l'estimation d'état pour les modèles basés sur des données sous contraintes, conduisant à une amélioration des performances en boucle fermée. La charge de calcul de la méthode proposée est notée comme restant raisonnable malgré la complexité ajoutée. Les travaux futurs sont identifiés comme l'intégration de ce cadre dans des contextes d'apprentissage actif pour l'acquisition de données informatives.