⚡ electrical engineering

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

Dit artikel stelt het gebruik van Beperkte Bayesiaanse Optimalisatie voor om hyperparameters van Model Predictive Control automatisch af te stemmen voor vraagzijdemanagement van gebouwen, waarbij aanzienlijke elektriciteitskostenreducties worden aangetoond ten opzichte van zowel op regels gebaseerde als handmatig afgestemde regelaars, en waarbij de financiële voordelen van optimale programmakeuze worden benadrukt.

Oorspronkelijke auteurs: Jiarui Yu, Jicheng Shi, Wenjie Xu, Colin N. Jones

Gepubliceerd 2026-05-05

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jiarui Yu, Jicheng Shi, Wenjie Xu, Colin N. Jones

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat het verwarmingssysteem van je huis lijkt op een zeer slimme, maar lichtelijk koppige chef-kok die probeert een maaltijd te bereiden (je huis warm te houden) terwijl hij tegelijkertijd probeert zo min mogelijk geld uit te geven aan ingrediënten (elektriciteit).

Dit artikel gaat over het leren aan die chef hoe hij veel efficiënter kan boodschappen doen en koken, vooral wanneer de prijzen van de ingrediënten elk uur of elke dag veranderen.

Hier is de uiteenzetting van hun aanpak met behulp van eenvoudige analogieën:

1. Het Probleem: Het "Verwarrende Menu"

In veel plaatsen is elektriciteit niet gewoon een vaste prijs. Het is als een restaurantmenu waarbij:

Prijzen op basis van tijdsgebruik: Lunch is goedkoop, maar diner is duur.
Capaciteitstarieven: Als je te veel gerechten tegelijk bestelt (veel vermogen gebruikt binnen een venster van 15 minuten), krijg je een enorme "spitsurentoeslag".
Vaste kosten: Je betaalt een maandelijkse lidmaatschapskosten, ongeacht wat je eet.

De meeste mensen stellen hun thermostaat gewoon in op een vaste temperatuur (zoals een regelgebaseerde regelaar). Dit is alsof de chef elke dag evenveel eten op hetzelfde tijdstip bereidt, ongeacht of het "lunchtijd" of "dinnertijd" is. Ze betalen hierdoor te veel.

2. De Oplossing: De "Slimme Chef" (MPC)

De auteurs gebruiken een systeem genaamd Model Predictive Control (MPC). Denk hierbij aan een chef die kijkt naar de weersvoorspelling en het prijsmenu voor de komende dagen.

Als elektriciteit vanavond goedkoop is, voorverwarmt de chef de oven (verwarmt het huis) vroeg.
Als elektriciteit morgenmiddag duur is, laat de chef het huis iets afkoelen (maar niet te veel) zodat ze de oven dan niet hoeven aan te zetten.

De Haken en Ogen: Zelfs een slimme chef moet weten hoe te koken. Als de chef de temperatuurgrenzen te strak instelt, wordt het huis koud (oncomfortabel). Als ze ze te los instellen, verspillen ze geld. Dit heet hyperparameter-tuning. Meestal moeten mensen deze instellingen raden, wat traag is en vaak leidt tot een suboptimale maaltijd.

3. De Innovatie: De "Auto-Tuning Robot" (CONFIG)

De auteurs bouwden een robot (met behulp van een algoritme genaamd Constrained Bayesian Optimization, of CONFIG) die automatisch de perfecte instellingen voor de chef vindt.

De Digitale Tweeling: Voordat de robot het echte huis aanraakt, test hij miljoenen verschillende instellingen in een virtuele simulatie (een "Digitale Tweeling") van een Belgisch huis.
Het Doel: De robot probeert de instellingen te vinden die leiden tot de laagste rekening, maar hij heeft een strikte regel: Het huis mag nooit te oncomfortabel worden. Hij gebruikt een "comfortscore" (PMV) om ervoor te zorgen dat mensen niet bevriezen of oververhitten.
De Magie: In tegenstelling tot andere methoden die misschien de regels breken om geld te besparen, is deze robot zeer voorzichtig. Hij verkent veilig verschillende instellingen om de absolute beste balans te vinden tussen het besparen van geld en het huis gezellig houden.

4. De "Minimaal Vermogen" Hinderpaal

De onderzoekers stelden een lastig probleem vast bij warmtepompen (het verwarmingsapparaat). Zelfs als je de pomp vraagt om op "1% vermogen" te draaien, gebruikt hij toch veel elektriciteit alleen al om de ventilator aan te zetten (zoals een auto-motor in stationair toerental).

De Oude Manier: Proberen dit complexe "stationair"-gedrag te modelleren maakt de wiskunde zo zwaar dat het een supercomputer vereist om dit in real-time op te lossen.
De Nieuwe Manier: Ze creëerden een "Vereenvoudigde MPC". Het is alsof je een filter op de bestellingen van de chef legt. Als de chef probeert een klein beetje eten te bestellen (laag vermogen), zegt het filter: "Nee, dat is te inefficiënt. Bestel óf een volledige maaltijd óf helemaal niets." Dit houdt de wiskunde simpel genoeg om op een gewone thuiscomputer te draaien, terwijl er toch geld wordt bespaard.

5. De Resultaten: De Besparingen

Ze testten dit systeem in een real-world scenario met 12 verschillende elektriciteitscontracten (verschillende prijsmenu's).

Tegenover de "Domme" Thermostaat: Het automatisch afgestelde systeem bespaarde 26,9% op de elektriciteitsrekeningen.
Tegenover het "Door Mensen Afgestelde" Slimme Systeem: Zelfs vergeleken met een slim systeem dat door een menselijk expert handmatig was bijgesteld, bespaarde de automatisch afgestelde robot een extra 17,46%.
Contractselectie: Het systeem stelde ook vast welk elektriciteitscontract het beste was. Door het juiste "menu" te kiezen, bespaarden ze een extra 20,18% in vergelijking met de slechtst mogelijke contractkeuze.

Samenvatting

Het artikel laat zien dat je geen supercomputer of een PhD in engineering nodig hebt om geld te besparen op verwarming. Door gebruik te maken van een slimme, geautomatiseerde "tuning-robot" om de instellingen van een standaard verwarmingsregelaar aan te passen, en door het juiste elektriciteitscontract te kiezen, kan een huiseigenaar zijn rekeningen aanzienlijk verlagen zonder ooit koud te voelen. Het systeem doet de zware wiskunde op de achtergrond, zodat het huis comfortabel blijft terwijl de portemonnee vol blijft.

Technische Samenvatting: Auto-tuning van een Gebouw-MPC-Regelaar voor Optimale Economische Kosten

Probleemstelling
De gebouwensector is verantwoordelijk voor ongeveer 34% van het wereldwijde energieverbruik. Hoewel Demand-Side Management (DSM)-programma's, zoals tijd van gebruik-tarieven en realtime prijsbepaling, incentives bieden voor netstabiliteit, introduceren ze complexe, niet-lineaire prijsstructuren die traditionele op regels gebaseerde regelaars uitdagen. Hoewel Model Predictive Control (MPC) een toonaangevende oplossing is voor dergelijke dynamische omgevingen, is de prestatie in reële omstandigheden vaak suboptimaal door een gebrek aan systematische hyperparameter-tuning. Conventionele MPC-ontwerpprocessen slagen er vaak niet in om voorspellings- en controle-doelstellingen af te stemmen onder modelonnauwkeurigheden en omgevingsverstoringen. Bovendien ontbreekt het bestaande regelaartuningmethoden vaak aan de mogelijkheid om black-box-beperkingen (zoals langetermijneisen voor thermisch comfort) te hanteren, of ze vertrouwen op handmatige referentiemodellen, wat hun schaalbaarheid en effectiviteit beperkt bij het minimaliseren van elektriciteitskosten onder diverse afrekencontracten.

Methodologie
De auteurs stellen een op prestaties gerichte raamwerk voor dat de offline-tuning van MPC-hyperparameters automatiseert met behulp van Constrained Bayesian Optimization (CONFIG). De methodologie werkt als volgt:

Digital Twin & Modellering: De aanpak maakt gebruik van een digitale tweeling (specifiek het BOPTEST-platform met een BESTEST-hydronische warmtepomp-testcase) om gebouwoperaties te simuleren. Een lineair datagedreven ARX-model identificeert de thermische dynamiek van het gebouw op basis van historische data, met focus op dominante input-output-gedragingen in plaats van exacte fysieke replicatie.
MPC-Formulering & MOP-afhandeling: De studie adresseert het "Minimum Operating Power" (MOP)-probleem inherent aan warmtepompen, waarbij kleine niet-nul controle-inputs inefficiënte powerpieken veroorzaken. Om dit op te lossen zonder de rekenlast van Mixed-Integer Quadratic Programming (MIQP), introduceren de auteurs een Vereenvoudigde MPC. Deze aanpak past een "masker"-functie toe op het controlesignaal, waardoor kleine input die minimale powerbedrijfsvoering triggeren worden geëlimineerd, terwijl het probleem behouden blijft als een hanteerbaar Quadratisch Program (QP).
Optimalisatiekader (CONFIG): Het tuningprobleem wordt geformuleerd als een geconstrueerde black-box-optimalisatie.
- Doel: Minimaliseren van totale maandelijkse elektriciteitskosten, inclusief tijd van gebruik-energielasten, capaciteitstarieven (gebaseerd op 15-minuten piekvermogen) en vaste kosten.
- Beperkingen: Thermisch comfort wordt afgedwongen via een Predicted Mean Vote (PMV)-beperking. In plaats van deze niet-lineaire metriek direct in de MPC in te bouwen, gebruikt het kader een Cumulatieve Distributiefunctie (CDF) van PMW-waarden over de simulatieperiode. De beperking vereist dat 80% van de absolute PMV-waarden tijdens bezette uren onder de 0,5 blijft.
- Algoritme: Het CONFIG-algoritme maakt gebruik van Gaussian Process-surrogaten om de doel- en beperkingsfuncties te modelleren. Het optimaliseert ondergrenzen van het betrouwbaarheidsinterval om exploratie en exploitatie in evenwicht te brengen, waarbij wereldwijde optimaliteitsgaranties worden gewaarborgd terwijl black-box-beperkingen worden gehanteerd zonder handmatige penalty-tuning.
Tuningvariabelen: Het kader tuint automatisch vier sleutelhyperparameters voor de Vereenvoudigde MPC: de ondergrenzen voor de temperatuur tijdens bezette en onbezette periodes ( $T_{lb}^{occupy}$ , $T_{lb}^{unoccupy}$ ), de maximale controle-input ( $u_{max}$ ) en de ondergrens van het masker ( $u_{low}$ ).

Belangrijkste Bijdragen

Geautomatiseerde Tuning via CONFIG: Het artikel introduceert de toepassing van het CONFIG-algoritme om MPC-hyperparameters te tunen voor DSM-gebaseerde gebouwregeling, waarmee de kloof wordt gedicht in het gelijktijdig hanteren van complexe, niet-lineaire prijsbepaling en langetermijncomfortbeperkingen.
Vereenvoudigde MPC voor Residentiële Implementatie: De auteurs stellen een "Vereenvoudigde MPC" voor die het MOP-probleem benadert met een maskerfunctie. Dit maakt het mogelijk om de regelaar op te lossen met gratis, open-source oplosprogramma's (bijv. SCIP) op standaardhardware, waardoor de rekenonhaalbaarheid van MIQP-formuleringen wordt vermeden, die vaak het RAM op persoonlijke computers uitputten.
Richting voor Contractselectie: Het kader wordt toegepast om 12 verschillende Belgische elektriciteitscontracten te evalueren, waarbij wordt aangetoond dat optimale contractselectie gecombineerd met getunte controlestrategieën aanzienlijke besparingen oplevert.

Resultaten
Een casestudie met een een-zone residentiële woning in Brussel, België, werd uitgevoerd over een periode van vier maanden (november tot februari) in 12 prijsbepalingsscenario's.

Kostendaling: De geoptimaliseerde Vereenvoudigde MPC verlaagde de elektriciteitskosten met 26,90% ten opzichte van een op regels gebaseerde basisregelaar en met 17,46% ten opzichte van een handmatig getunte QP-MPC.
Prestatie versus Complexiteit: De getunte Vereenvoudigde MPC bereikte prestaties die vergelijkbaar waren met, en in sommige maanden superieur waren aan, een rekenintensieve MIQP-MPC-regelaar, maar met aanzienlijk kortere oplostijden (bijv. 0,15s versus 0,80s per stap op een cluster voor QP versus MIQP met SCIP).
Comfortnaleving: Alle regelaars, inclusief de getunte MPC, voldeden aan de comfortbeperking (80% van de PMV-waarden < 0,5). De getunte MPC bereikte dit door nauwkeurige aanpassing van temperatuurgrenzen en de maskerfunctie, zonder comforteisen te versoepelen.
Contractbesparingen: Analyse van de 12 contracten toonde aan dat het selecteren van het optimale contract de maandelijkse rekeningen met maximaal 20,18% kan verlagen ten opzichte van het worst-case-contract. De studie vond dat dynamische contracten met capaciteitstarieven (bijv. 'ddd') over het algemeen het beste presteerden, hoewel contracten met vast tarief en lage vaste kosten (bijv. 'sdd') afhankelijk van de maand concurrerend waren.

Betekenis en Claims
Het artikel stelt dat het voorgestelde kader een datagedreven weg biedt naar aanzienlijke consumentenbesparingen door de kloof te overbruggen tussen complexe DSM-prijsbepaling en praktische regelaaimplementatie. De auteurs benadrukken dat:

Hyperparameter-tuning cruciaal is: De prestatiewinsten door geautomatiseerde tuning (17,46% boven handmatige tuning) zijn vergelijkbaar met de winsten die worden geleverd door de voorspellende capaciteit van MPC zelf, wat de noodzaak van systematische tuning onderstreept.
Schaalbaarheid: Door complexe MIQP-formuleringen te vervangen door een gemaskerde Vereenvoudigde MPC, maakt de methode de implementatie van geavanceerde controlestrategieën op low-cost residentiële hardware mogelijk zonder dure commerciële oplosprogramma's te vereisen.
Holistische optimalisatie: Het kader integreert succesvol langetermijncomfortbeperkingen en complexe afrekenstructuren (inclusief capaciteitstarieven) in één optimalisatielus, waardoor bruikbare inzichten worden geboden voor zowel controlestrategie als contractselectie.

De auteurs concluderen dat, hoewel offline-optimalisatie effectief bestaande implementatieuitdagingen aanpakt, toekomstig werk zich moet richten op het uitbreiden van het kader naar online aanpassing met veiligheidsmechanismen om continue realtime verbetering mogelijk te maken.