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

Resumo Técnico: Ajuste Automático de um Controlador MPC de Edifício para Custo Econômico Ótimo

Declaração do Problema
O setor de edificações representa aproximadamente 34% do consumo global de energia. Embora programas de Gestão do Lado da Demanda (DSM), como tarifas de uso no tempo e preços em tempo real, ofereçam incentivos para a estabilidade da rede, eles introduzem estruturas de preços complexas e não lineares que desafiam os controladores baseados em regras tradicionais. Embora o Controle Preditivo por Modelo (MPC) seja uma solução líder para tais ambientes dinâmicos, seu desempenho em condições do mundo real é frequentemente subótimo devido à falta de ajuste sistemático de hiperparâmetros. Processos convencionais de projeto de MPC frequentemente falham em alinhar objetivos de previsão e controle sob imprecisões do modelo e perturbações ambientais. Além disso, os métodos existentes de ajuste de controladores muitas vezes carecem da capacidade de lidar com restrições de caixa preta (como métricas de conforto térmico de longo prazo) ou dependem de modelos de referência manuais, limitando sua escalabilidade e eficácia na minimização de custos de eletricidade sob diversos contratos de faturamento.

Metodologia
Os autores propõem um framework orientado ao desempenho que automatiza o ajuste offline dos hiperparâmetros do MPC usando Otimização Bayesiana Constrained (CONFIG). A metodologia opera da seguinte forma:

1. Gêmeo Digital e Modelagem: A abordagem utiliza um gêmeo digital (especificamente a plataforma BOPTEST com um caso de teste de bomba de calor hidrônica BESTEST) para simular as operações do edifício. Um modelo ARX linear baseado em dados identifica a dinâmica térmica do edifício a partir de dados históricos, focando em comportamentos dominantes de entrada-saída em vez de replicação física exata.
2. Formulação do MPC e Tratamento do MOP: O estudo aborda o problema de "Potência Operacional Mínima" (MOP) inerente às bombas de calor, onde pequenos inputs de controle não nulos desencadeiam picos de potência ineficientes. Para resolver isso sem a carga computacional da Programação Quadrática Inteira Mista (MIQP), os autores introduzem um MPC Simplificado. Esta abordagem aplica uma função de "máscara" ao sinal de controle, eliminando pequenos inputs que desencadeiam a operação de potência mínima, mantendo o problema como um Programa Quadrático (QP) tratável.
3. Framework de Otimização (CONFIG): O problema de ajuste é formulado como uma otimização de caixa preta com restrições.
   • Objetivo: Minimizar os custos totais mensais de eletricidade, que incluem encargos energéticos de tarifa de uso no tempo, tarifas de capacidade (baseadas na potência de pico de 15 minutos) e taxas fixas.
   • Restrições: O conforto térmico é imposto via uma restrição de Voto Médio Previsto (PMV). Em vez de incorporar diretamente essa métrica não linear no MPC, o framework utiliza uma Função de Distribuição Cumulativa (CDF) de valores de PMV sobre o período de simulação. A restrição exige que 80% dos valores absolutos de PMV durante as horas ocupadas permaneçam abaixo de 0,5.
   • Algoritmo: O algoritmo CONFIG emprega substitutos de Processo Gaussiano para modelar as funções objetivo e de restrição. Ele otimiza os limites inferiores de confiança para equilibrar exploração e exploração, garantindo garantias de otimalidade global enquanto lida com restrições de caixa preta sem ajuste manual de penalidades.
4. Variáveis de Ajuste: O framework ajusta automaticamente quatro hiperparâmetros chave para o MPC Simplificado: limites inferiores de temperatura ocupada e desocupada ($T_{lb}^{occupy}$, $T_{lb}^{unoccupy}$), o input de controle máximo ($u_{max}$) e o limite inferior da máscara ($u_{low}$).

Principais Contribuições

• Ajuste Automatizado via CONFIG: O artigo introduz a aplicação do algoritmo CONFIG para ajustar hiperparâmetros de MPC para controle de edifícios baseado em DSM, abordando a lacuna no tratamento simultâneo de preços complexos e não lineares e restrições de conforto de longo horizonte.
• MPC Simplificado para Implantação Residencial: Os autores propõem um "MPC Simplificado" que aproxima o problema MOP usando uma função de mascaramento. Isso permite que o controlador seja resolvido usando solucionadores gratuitos e de código aberto (por exemplo, SCIP) em hardware padrão, evitando a inviabilidade computacional de formulações MIQP que frequentemente esgotam a RAM em computadores pessoais.
• Orientação para Seleção de Contratos: O framework é aplicado para avaliar 12 contratos distintos de eletricidade na Bélgica, demonstrando que a seleção ótima de contrato combinada com estratégias de controle ajustadas gera economias significativas.

Resultados
Um estudo de caso envolvendo um edifício residencial de zona única em Bruxelas, Bélgica, foi conduzido ao longo de quatro meses (novembro a fevereiro) em 12 cenários de preços.

• Redução de Custos: O MPC Simplificado otimizado reduziu os custos de eletricidade em 26,90% em comparação com um controlador de base baseado em regras e em 17,46% em comparação com um MPC QP ajustado manualmente.
• Desempenho vs. Complexidade: O MPC Simplificado ajustado alcançou desempenho comparável, e em alguns meses superior, a um controlador MPC MIQP computacionalmente intensivo, mas com tempos de resolução significativamente menores (por exemplo, 0,15s vs. 0,80s por passo em um cluster para QP vs. MIQP com SCIP).
• Conformidade de Conforto: Todos os controladores, incluindo o MPC ajustado, satisfizeram a restrição de conforto (80% dos valores de PMV < 0,5). O MPC ajustado alcançou isso através do ajuste preciso dos limites de temperatura e da função de mascaramento, sem relaxar os requisitos de conforto.
• Economias de Contrato: A análise dos 12 contratos revelou que selecionar o contrato ótimo poderia reduzir as faturas mensais em até 20,18% em comparação com o contrato do pior caso. O estudo constatou que contratos dinâmicos com tarifas de capacidade (por exemplo, 'ddd') geralmente performaram melhor, embora contratos com taxa fixa e baixas taxas fixas (por exemplo, 'sdd') fossem competitivos dependendo do mês.

Significado e Alegações
O artigo afirma que o framework proposto oferece um caminho baseado em dados para economias significativas para o consumidor, preenchendo a lacuna entre preços complexos de DSM e a implementação prática de controladores. Os autores enfatizam que:

1. O Ajuste de Hiperparâmetros é Crítico: Os ganhos de desempenho do ajuste automatizado (17,46% sobre o ajuste manual) são comparáveis aos ganhos fornecidos pela capacidade preditiva do próprio MPC, destacando a necessidade de ajuste sistemático.
2. Escalabilidade: Ao substituir formulações MIQP complexas por um MPC Simplificado mascarado, o método permite a implantação de estratégias de controle avançadas em hardware residencial de baixo custo, sem exigir solucionadores comerciais caros.
3. Otimização Holística: O framework integra com sucesso restrições de conforto de longo horizonte e estruturas de faturamento complexas (incluindo tarifas de capacidade) em um único loop de otimização, fornecendo insights acionáveis tanto para a estratégia de controle quanto para a seleção de contratos.

Os autores concluem que, embora a otimização offline aborde efetivamente os desafios atuais de implementação, trabalhos futuros devem focar em estender o framework para adaptação online com mecanismos de segurança para permitir melhoria contínua em tempo real.