Explainable LP-MPC: Shadow Price Contributions Reveal MV-CV Pairings

Résumé technique : MPC-LP explicable via les contributions des prix ombres

Énoncé du problème
Dans les industries de transformation, la commande prédictive de modèle (MPC) est fréquemment mise en œuvre sous forme d'une architecture à deux étapes : un optimiseur de régime permanent par programmation linéaire (LP) générant des cibles économiquement optimales, suivi d'une étape de commande à horizon glissant (RHC) qui conduit l'installation vers ces cibles. Bien que largement utilisée dans le raffinage et la pétrochimie, la nature « boîte noire » des solutions industrielles LP-MPC pose un défi majeur pour les opérateurs et les ingénieurs. Lorsque la solution LP présente un comportement anormal — tel que des réductions inattendues des débits d'alimentation ou l'activation de contraintes non intuitives — il est difficile de rationaliser le processus de prise de décision, en particulier dans les systèmes à grande échelle comportant des dizaines à des centaines de variables manipulées (MV) et de variables contrôlées (CV).

Les outils de diagnostic actuels exigent souvent que le personnel examine de grandes tables statiques pour comprendre les ensembles de contraintes actives. Sans une explication claire de la raison pour laquelle une MV spécifique impose une contrainte sur une CV, les opérateurs peuvent perdre confiance dans le système, conduisant à la désactivation du contrôleur ou au « verrouillage » manuel des limites. Il existe une lacune critique dans les outils d'explication a posteriori capables de relier intuitivement les objectifs économiques du LP aux interactions physiques MV-CV qui sous-tendent la solution.

Méthodologie
Les auteurs proposent un cadre analytique novateur et a posteriori qui réinterprète le rôle des prix ombres dans la solution LP comme un mécanisme d'attribution pour les relations MV-CV. La méthodologie suit les étapes suivantes :

1. Analyse de l'ensemble des contraintes actives : Les auteurs analysent les conditions d'optimalité de Karush-Kuhn-Tucker (KKT) pour le LP. Ils démontrent qu'à l'optimum, le nombre de MV non contraintes est égal au nombre de CV contraintes, formant une sous-matrice active carrée ($G_A$).
2. Décomposition des prix ombres : En inversant la sous-matrice de gain active ($G_A^{-1}$), les auteurs dérivent une expression analytique pour les prix ombres des CV ($\lambda$) en fonction des coûts économiques sur les MV non contraintes ($c_u$) et de la matrice de gain inverse : $\lambda^T = c_u^T G_A^{-1}$.
3. Construction de la matrice de contribution : Cette relation permet d'exprimer le prix ombre d'une CV contrainte comme une somme pondérée des contributions de MV individuelles non contraintes. Une Matrice de Contribution des Prix Ombres ($W$) est définie, où chaque élément $w_{ij}$ représente la contribution de la MV $i$ au prix ombre de la CV $j$.
4. Correction de signe et normalisation : Pour assurer l'interprétabilité physique, la matrice est corrigée en signe afin de s'aligner sur la direction de réduction des coûts de l'objectif LP. Par la suite, pour gérer des unités et des échelles d'ingénierie disparates, la matrice est normalisée colonne par colonne par la valeur absolue de l'entrée la plus négative de chaque colonne, aboutissant à une matrice sans dimension ($\Pi$).
5. Appariement global par affectation linéaire de somme : Pour résoudre les conflits où plusieurs CV se disputent la même MV « localement la plus efficace », les auteurs appliquent un algorithme d'affectation linéaire de somme. Cet algorithme minimise l'écart total normalisé par rapport à la MV préférée de chaque CV, produisant une affectation d'appariement MV-CV unique et un à un qui représente l'optimum global de la stratégie de contrôle implicite.

Contributions clés

• Mécanisme d'attribution novateur : L'article introduit une méthode pour décomposer les prix ombres des CV en contributions individuelles de MV, transformant un signal économique agrégé en appariements physiques interprétables.
• Formulation mathématique : Les auteurs fournissent une expression mathématique explicite, jamais rapportée auparavant, reliant les prix ombres, les coûts économiques et la matrice de gain active inverse ($\lambda^T = c_u^T G_A^{-1}$).
• Cadre d'appariement : Le développement d'un cadre systématique pour convertir ces contributions en appariements MV-CV un à un à l'aide de l'affectation linéaire de somme, permettant l'identification des appariements « globalement les plus efficaces » même dans des contrôleurs non carrés et de haute dimension.
• Visualisation diagnostique : La proposition d'un outil de visualisation tabulaire (historique et en ligne) affichant la fréquence et la nature des appariements MV-CV, permettant aux praticiens de comparer le comportement actuel par rapport aux intentions de conception « idéales ».

Résultats et discussion
La méthodologie a été validée par un exemple théorique 2x2 et appliquée à un contrôleur industriel réel (30 MV, 63 CV) sur une fenêtre de 200 jours.

• Validation théorique : Dans le cas 2x2, le cadre a identifié avec succès l'appariement optimal (MV1 $\to$ CV1, MV2 $\to$ CV2) en minimisant la pénalité d'affectation. L'analyse de sensibilité a révélé que les appariements ne sont pas uniquement déterminés par l'optimum LP, mais sont également influencés par les motifs de signe des coûts et les ratios, soulignant la complexité de la stratégie de contrôle.
• Application industrielle : La visualisation des données historiques a démontré une distribution « à queue lourde » des appariements, où un petit nombre d'appariements se produit fréquemment (couvrant >99 % du temps). Le format tabulaire a permis aux ingénieurs d'identifier rapidement :
  • Appariements idéaux : MV constamment appariées à leurs CV prévues.
  • Appariements non idéaux : MV contraintes aux limites ou appariées à des CV inattendues (par exemple, une MV atteignant une limite basse 55 % du temps).
  • Inadmissibilités : Cas où le LP ne pouvait pas trouver un appariement valide, indiqués par des drapeaux « Hors service » (OOS) ou d'inadmissibilité.
• Diagnostics en ligne : Le cadre permet une surveillance en temps réel où des points « verts » indiquent l'alignement avec l'intention de conception, des points « jaunes » signalent les appariements non idéaux à examiner, et des points « rouges » mettent en évidence les CV de rang inférieur sacrifiées en raison d'inadmissibilités. Cela permet aux opérateurs de comprendre immédiatement pourquoi le contrôleur prend des actions spécifiques (par exemple, réduire la vapeur) basées sur les réaffectations de contraintes actuelles.

Importance et revendications
L'article affirme que ce cadre offre un outil d'explicabilité pratique pour les systèmes LP-MPC en ligne. Il comble le fossé entre les développements académiques de la MPC et les besoins pratiques des ingénieurs industriels en fournissant une manière cohérente et systématique d'interroger les solutions LP.

Les auteurs soulignent que s'il n'existe pas de « vérité terrain » universellement acceptée pour les appariements dérivés de LP implicites, la méthode proposée offre une perspective physiquement interprétable et alignée économiquement. En révélant les appariements MV-CV qui déterminent le comportement du contrôleur, l'outil permet aux praticiens de :

1. Diagnostiquer des contraintes sous-optimales et des actions de contrôleur inattendues.
2. Vérifier l'alignement du comportement réel du contrôleur avec son intention de conception originale.
3. Identifier des opportunités de soulagement des contraintes et d'améliorations opérationnelles.

Ce travail représente un saut conceptuel dans la mise en transparence de la « boîte noire » du LP-MPC industriel, permettant aux opérateurs de passer d'un dépannage réactif à un support d'optimisation proactif et basé sur les données.