Data Center Chiller Plant Optimization via Mixed-Integer Nonlinear Differentiable Predictive Control

📄 arXiv: 2603.28323v1 📥 PDF

作者: Ján Boldocký, Cary Faulkner, Elad Michael, Martin Gulan, Aaron Tuor, Ján Drgoňa

分类: eess.SY

发布日期: 2026-03-30

备注: 9 pages, 6 figures, 2 tables [Under review for Control Engineering Practice]

💡 一句话要点

提出基于可微预测控制的混合整数非线性数据中心冷水机组优化方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 数据中心 冷水机组优化 可微预测控制 混合整数控制 非线性控制 模型预测控制 能源效率

📋 核心要点

  1. 数据中心冷水机组优化面临混合整数非线性控制难题，传统方法计算复杂度高，难以实时应用。
  2. 论文扩展了可微预测控制（DPC），使其能够处理混合整数控制策略，实现高效的冷水机组控制。
  3. 实验表明，该方法在节能方面优于规则控制器，且计算速度远超模型预测控制，具有实际应用潜力。

📝 摘要（中文）

本文提出了一种计算上可行的框架，用于多冷水机组的实时预测控制，该框架涉及通过非线性动力学耦合的离散和连续控制决策，从而产生混合整数最优控制问题。为了解决这个挑战，我们扩展了可微预测控制（DPC）——一种自监督、基于模型的学习方法，用于近似求解参数化最优控制问题——以适应混合整数控制策略。我们将提出的框架与最先进的模型预测控制（MPC）求解器和快速启发式规则控制器（RBC）进行基准测试。仿真结果表明，我们的方法比RBC实现了显著的节能效果，同时计算速度比MPC快几个数量级，为传统的组合混合整数控制公式提供了一种可扩展且实用的替代方案。

🔬 方法详解

问题定义：论文旨在解决数据中心冷水机组的能耗优化问题。传统方法，如模型预测控制（MPC），在处理包含离散变量（例如，冷水机组的启停）的混合整数非线性优化问题时，计算复杂度极高，难以满足实时控制的需求。而简单的规则控制器（RBC）虽然计算速度快，但优化效果差，导致能源浪费。

核心思路：论文的核心思路是利用可微预测控制（DPC）来近似求解混合整数最优控制问题。DPC通过学习一个可微的控制策略，避免了直接求解复杂的混合整数优化问题，从而显著降低了计算复杂度。通过将离散控制变量嵌入到DPC框架中，使其能够处理冷水机组的启停等离散决策。

技术框架：整体框架包括以下几个主要部分：1) 冷水机组的非线性动态模型，用于描述冷水机组的运行状态；2) 可微预测控制（DPC）模块，用于学习控制策略；3) 混合整数控制策略嵌入模块，用于处理离散控制变量。DPC模块通过自监督学习的方式，利用历史数据训练一个神经网络，该网络能够根据当前状态预测未来的控制动作和系统状态。

关键创新：最重要的技术创新点在于将可微预测控制（DPC）扩展到混合整数控制问题。传统的DPC主要用于连续控制问题，而本文通过引入混合整数控制策略，使其能够处理包含离散变量的控制问题。这种方法避免了直接求解复杂的混合整数优化问题，从而显著降低了计算复杂度，提高了控制系统的实时性。

关键设计：论文中关键的设计包括：1) 使用神经网络来表示可微的控制策略；2) 设计合适的损失函数，用于训练神经网络，损失函数通常包括控制成本和状态偏差；3) 采用合适的优化算法，例如梯度下降法，来训练神经网络；4) 针对混合整数控制问题，设计合适的离散变量处理方法，例如使用Gumbel-Softmax技巧来近似离散变量的梯度。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，所提出的方法在节能方面优于规则控制器（RBC），同时计算速度比模型预测控制（MPC）快几个数量级。具体而言，与RBC相比，该方法实现了显著的能源节省，同时保持了远低于MPC的计算时间，使其更适合实时控制应用。这表明该方法在实际应用中具有很强的竞争力。

🎯 应用场景

该研究成果可应用于数据中心、大型商业建筑等场景的冷水机组优化控制，降低能源消耗，提高能源利用效率。通过实时预测控制，可以根据环境变化和负荷需求动态调整冷水机组的运行状态，实现节能降耗的目标。未来，该方法有望推广到其他包含混合整数控制决策的复杂工业控制系统中。

📄 摘要（原文）

We present a computationally tractable framework for real-time predictive control of multi-chiller plants that involve both discrete and continuous control decisions coupled through nonlinear dynamics, resulting in a mixed-integer optimal control problem. To address this challenge, we extend Differentiable Predictive Control (DPC) -- a self-supervised, model-based learning methodology for approximately solving parametric optimal control problems -- to accommodate mixed-integer control policies. We benchmark the proposed framework against a state-of-the-art Model Predictive Control (MPC) solver and a fast heuristic Rule-Based Controller (RBC). Simulation results demonstrate that our approach achieves significant energy savings over the RBC while maintaining orders-of-magnitude faster computation times than MPC, offering a scalable and practical alternative to conventional combinatorial mixed-integer control formulations.