Los sistemas energéticos con paneles solares y aerogeneradores se asemejan a una partida de ajedrez: la nubosidad y los cambios de carga son movimientos del oponente imposibles de prever. Para mantener el equilibrio, los operadores antes repasaban decenas de escenarios (incertidumbre), lo que requería demasiado tiempo y cálculo.
El nuevo algoritmo actúa como un gran maestro: no solo calcula opciones, sino que divide el tablero en zonas independientes y las analiza simultáneamente. El asistente ADMM descompone el problema para que cada "jugador" resuelva su fragmento y luego se coordinen los movimientos. Además, el algoritmo recuerda estrategias exitosas de partidas anteriores (entropía), evitando ramas sin esperanza.
En las pruebas, gestionó una microrred con paneles solares y aerogeneradores cinco veces más rápido que los solucionadores industriales estándar, sin un solo apagón. Y pensar que los primeros sistemas de este tipo en los años 70 ocupaban salas enteras de máquinas; hoy caben en un chip inversor. Gracias a esa velocidad y memoria, las microrredes se vuelven verdaderamente autónomas: no necesitan el soporte de servidores en la nube.
tal como lo escribieron los autores, en inglés 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.
El método ADMM, usado en el algoritmo, se creó originalmente para el análisis distribuido de grandes datos, y ahora gestiona flujos reales de energía.