أنظمة الطاقة المزودة بألواح شمسية وتوربينات الرياح تُشبه مباراة شطرنج: الغيوم وتغيّر الأحمال هي تحركات الخصم التي لا يمكن توقعها. للحفاظ على التوازن، كان المُشغّلون سابقاً يستعرضون عشرات السيناريوهات (عدم اليقين)، مما كان يتطلب وقتاً وحسابات كثيرة جداً.
الخوارزمية الجديدة تعمل مثل أستاذ كبير في الشطرنج: فهي لا تكتفي بحساب الخيارات، بل تُقسّم رقعة الشطرنج إلى أجزاء مستقلة وتحلّلها في آنٍ معاً. المساعد ADMM يُقسّم المهمة إلى أجزاء، بحيث يقوم كل 'لاعب' بحل الجزء الخاص به، ثم تُنسّق التحركات. والأكثر من ذلك، تتذكّر الخوارزمية الاستراتيجيات الناجحة من المباريات السابقة (الإنتروبيا)، متجنّبةً الفروع اليائسة.
في الاختبارات، قامت بإدارة شبكة صغيرة مزودة بـشمسية ألواح وتوربينات رياح أسرع بخمس مرات من الحلّالات الصناعية القياسية — ودون أي انقطاع. مع العلم أن أولى الأنظمة من هذا النوع في السبعينيات كانت تشغل قاعات آلات كاملة؛ أما اليوم فهي تتسع في شريحة عاكس واحد. بفضل هذه السرعة والذاكرة، تُصبح الشبكات الصغيرة مستقلة حقاً: فهي لا تحتاج إلى دعم من الخوادم السحابية.
كما كتبه المؤلفون، بالإنجليزية arXiv:2607.12775
Scenario-based model predictive control (SBMPC) is a variant of model predictive control (MPC) that explicitly accounts for uncertainty by optimizing control actions over multiple predicted scenarios. However, its computational complexity increases rapidly with the number of scenarios and prediction horizon, limiting is applicability to real-time planning and control. This paper presents a learning-accelerated Alternating Direction Method of Multipliers (ADMM) algorithm for efficiently solving SBMPC problems by leveraging parallel computing and Moreau envelope learning, while maintaining high solution accuracy. We reformulate the SBMPC problems into consensus forms that can be decomposed via ADMM, separating the scenario-dependent dynamics from non-anticipativity constraints and enabling parallel updates across scenarios and time steps. Building on this decomposition, we utilize existing learning-to-optimize schemes, which leverages Moreau envelope learning of the cost function to accelerate the primal update in ADMM, thereby reducing computation time. The proposed framework is evaluated on a microgrid energy management problem subject to load and renewable generation uncertainties. Comparisons with IPOPT and MadNLP, popular and modern nonlinear programming solvers, demonstrate substantial computational speedups while maintaining reliable closed-loop control performance.
طريقة ADMM المستخدمة في الخوارزمية صُمّمت أصلاً لتحليل البيانات الكبيرة الموزّعة، وهي الآن تدير تدفقات طاقة حقيقية.