Distributed Nonlinear Model Predictive Control for District Heating Networks

📄 arXiv: 2605.29841v1 📥 PDF

作者: Alessandro Bettoni, Giacomo Mastroddi, Marco Muttoni

分类: eess.SY, math.OC

发布日期: 2026-05-28

备注: 9 pages, 9 figures

💡 一句话要点

提出基于交替方向乘子法的分布式非线性模型预测控制，用于区域供热网络优化。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 区域供热网络 分布式控制 模型预测控制 交替方向乘子法 非线性优化

📋 核心要点

  1. 区域供热网络优化面临集中式控制性能好但隐私差，分散式控制保护隐私但性能差的挑战。
  2. 论文提出一种基于ADMM的分布式非线性模型预测控制，在性能和隐私之间寻求平衡。
  3. 通过三建筑网络仿真，验证了所提方法优于分散式模型预测控制方案。

📝 摘要（中文）

本文提出了一种用于区域供热网络的分布式非线性模型预测控制方法，该方法利用交替方向乘子法（ADMM）。通过对热力学动态进行基于图的建模，我们的控制器优化了建筑物对质量流量的吸收，采用分布式协作方案，从而在集中式控制的卓越性能和分散式方案的隐私保护之间进行权衡。通过一个包含三个建筑物的基准网络仿真，将所提出的解决方案与分散式模型预测控制方案的性能进行了比较。

🔬 方法详解

问题定义：区域供热网络需要高效的控制策略来优化能源分配，同时考虑到各个建筑物的需求和隐私。传统的集中式模型预测控制（MPC）虽然性能优越，但需要共享所有建筑物的信息，侵犯了隐私。分散式MPC虽然保护了隐私，但性能往往不如集中式方法。因此，如何在性能和隐私之间取得平衡是一个关键问题。

核心思路：论文的核心思路是利用分布式优化方法，特别是交替方向乘子法（ADMM），将集中式MPC问题分解为多个子问题，每个子问题对应一个建筑物。建筑物之间通过交换局部信息（例如拉格朗日乘子）来协调优化，从而在不共享全部信息的情况下实现接近集中式控制的性能。

技术框架：整体框架包括以下几个主要模块：1) 热力学模型：使用基于图的建模方法描述区域供热网络的热力学动态。2) 局部MPC控制器：每个建筑物配备一个非线性MPC控制器，负责优化其质量流量吸收。3) ADMM协调器：使用ADMM算法协调各个局部MPC控制器，通过迭代更新拉格朗日乘子来实现全局优化。流程如下：初始化拉格朗日乘子 -> 各建筑物并行求解局部MPC问题 -> ADMM协调器更新拉格朗日乘子 -> 重复迭代直至收敛。

关键创新：关键创新在于将ADMM算法与非线性MPC相结合，实现了一种分布式、协作式的控制方案。与传统的分散式MPC相比，该方法能够更好地协调各个建筑物之间的能源分配，从而提高整体性能。与集中式MPC相比，该方法保护了建筑物的隐私，因为不需要共享全部信息。

关键设计：论文中关键的设计包括：1) 非线性模型：使用非线性模型来更准确地描述热力学动态。2) 目标函数：目标函数通常包括能源成本、用户舒适度等因素。3) 约束条件：约束条件包括质量流量的上下限、温度范围等。4) ADMM参数：ADMM算法中的惩罚参数需要仔细调整，以保证算法的收敛性和性能。

📊 实验亮点

在包含三个建筑物的基准网络仿真中，所提出的分布式非线性模型预测控制方法优于分散式模型预测控制方案。具体性能提升数据未知，但摘要中明确指出该方法在性能上更接近集中式控制，验证了其有效性。

🎯 应用场景

该研究成果可应用于实际的区域供热网络，提高能源利用效率，降低能源成本，并提升用户舒适度。通过分布式控制，可以更好地保护用户的隐私，促进智能建筑和智慧城市的发展。未来，该方法可以扩展到其他类型的能源网络，例如电力网络和天然气网络，实现多能源系统的协同优化。

📄 摘要（原文）

This paper presents a distributed nonlinear model predictive control that uses alternating direction method of mul tipliers for district heating networks. Exploiting a graph-based modeling of the thermal dynamics, our controller optimizes the mass flow absorption of buildings in a distributed cooperative scheme that mediates between the superior performance of the centralized control and the privacy preservation of the decentralized schemes. A benchmark three-building network simulation is used to compare the performance of the proposed solution with a decentralized model predictive control scheme.