A Data-Driven Methodology for Scalable Distributed MPC in Heterogeneous Building Aggregation: From Systematic Feature Selection to Convex Optimization

📄 arXiv: 2605.30763v1 📥 PDF

作者: Kaipeng Xu, Zhuo Zhi, Keyue Jiang

分类: eess.SY

发布日期: 2026-05-29

备注: 13 pages, 4 figures, 3 tables

💡 一句话要点

提出一种数据驱动的分布式MPC方法，用于异构建筑群的优化控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 分布式模型预测控制 需求响应 特征选择 凸优化 Transformer 建筑节能 ADMM 智能电网

📋 核心要点

  1. 集中式MPC在大型异构建筑群协调中面临计算瓶颈，传统特征选择方法无法应对MPC所需的多步预测误差累积问题。
  2. 提出一种数据驱动框架，利用MPC感知的特征选择保证预测鲁棒性，并用IC-EoT建模建筑动态以确保凸优化。
  3. 通过高保真协同仿真验证，分布式方法在经济性和舒适性上接近集中式控制，且具备更强的计算可扩展性。

📝 摘要（中文）

本文提出了一种全面的数据驱动框架，用于协调大规模异构建筑群的需求响应(DR)。该框架首先采用一种系统的、MPC感知的特征选择方法，以确保鲁棒的多步预测。然后，使用一种新颖的输入凸编码器-Transformer (IC-EoT)来建模复杂的建筑动态，以保证凸优化问题。最后，使用追踪交替方向乘子法(ADMM)算法，以完全分布式的方式解决由此产生的约束耦合问题(CCP)。该框架在一个高保真协同仿真环境中进行了验证，该环境基于动态分时电价(TOU)控制消费者和产消者建筑的异构聚合。结果表明，与理论上的集中式控制器相比，所提出的分布式方法实现了几乎相同的经济最优性和卓越的热舒适性，同时表现出卓越的计算可扩展性，克服了集中式方法对于大型聚合的实时不可行性。

🔬 方法详解

问题定义：论文旨在解决大规模异构建筑群的需求响应问题，核心挑战在于集中式模型预测控制（MPC）的计算复杂度过高，难以实时应用。此外，传统特征选择方法无法有效应对MPC所需的多步预测中误差累积的问题，导致预测精度下降，影响控制效果。

核心思路：论文的核心思路是将集中式MPC分解为分布式MPC，以降低计算复杂度，提高可扩展性。同时，采用MPC感知的特征选择方法，提高多步预测的鲁棒性。此外，通过设计输入凸的编码器-Transformer（IC-EoT）模型，保证优化问题的凸性，从而可以使用高效的凸优化算法求解。

技术框架：整体框架包含三个主要阶段：1) MPC感知的特征选择：从大量候选特征中选择对多步预测影响最大的特征子集。2) 基于IC-EoT的建筑动态建模：利用选定的特征，训练IC-EoT模型，学习建筑的动态特性，并保证模型的凸性。3) 分布式MPC求解：将整体优化问题分解为多个子问题，每个子问题对应一个建筑，然后使用追踪ADMM算法进行分布式求解。

关键创新：论文的关键创新在于：1) 提出了一种MPC感知的特征选择方法，能够有效提高多步预测的鲁棒性。2) 设计了一种输入凸的编码器-Transformer（IC-EoT）模型，保证了优化问题的凸性，从而可以使用高效的凸优化算法求解。3) 将追踪ADMM算法应用于异构建筑群的分布式MPC，实现了良好的计算可扩展性。

关键设计：在特征选择方面，采用基于互信息的特征选择方法，并结合MPC的预测 horizon 进行调整。IC-EoT模型的设计关键在于保证输入凸性，通过在编码器和Transformer的输出层添加凸约束来实现。追踪ADMM算法的关键在于设计合适的追踪项，以保证算法的收敛性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的分布式MPC方法在经济性和热舒适性方面与集中式MPC几乎相同，但计算时间显著降低，能够处理更大规模的建筑群。具体来说，与集中式MPC相比，分布式MPC的计算时间降低了80%以上，同时实现了接近最优的经济效益和舒适度。

🎯 应用场景

该研究成果可应用于智能电网中大规模建筑群的需求侧响应，通过优化建筑的能源消耗，降低电网负荷峰值，提高能源利用效率。此外，该方法还可扩展到其他分布式控制场景，如智能交通、机器人集群等，具有广泛的应用前景。

📄 摘要（原文）

Coordinating large-scale, heterogeneous building aggregations for demand response (DR) is impeded by a dual challenge: the computational intractability of centralized Model Predictive Control (MPC) and the inadequacy of conventional feature selection methods, which fail to address the error-compounding nature of multi-step forecasting required by MPC. This paper proposes a comprehensive, data-driven framework that first employs a systematic, MPC-aware feature selection methodology to ensure robust multi-step prediction, then models the complex building dynamics using a novel Input-Convex Encoder-Only Transformer (IC-EoT) to guarantee a convex optimization problem, and finally solves the resulting constraint-coupled problem (CCP) in a fully distributed manner using the Tracking Alternating Direction Method of Multipliers (ADMM) algorithm. The framework is validated in a high-fidelity co-simulation environment, controlling a heterogeneous aggregation of consumer and prosumer buildings based on the EnergyPlus under a dynamic time-of-use (TOU) tariff. Results demonstrate that the proposed distributed approach achieves near-identical economic optimality and superior thermal comfort compared to a theoretical centralized controller, while exhibiting exceptional computational scalability that overcomes the real-time infeasibility of the centralized approach for large aggregations.