Les systèmes électriques équipés de panneaux solaires et d'éoliennes ressemblent à une partie d'échecs : la couverture nuageuse et les variations de charge sont les coups de l'adversaire, impossibles à prévoir. Pour maintenir l'équilibre, les opérateurs devaient auparavant évaluer des dizaines de scénarios (incertitude) — cela demandait trop de temps et de calculs.
Le nouvel algorithme agit comme un grand maître : il ne se contente pas de calculer les options, il divise le plateau en zones indépendantes et les analyse simultanément. L'assistant ADMM décompose le problème en parties, afin que chaque « joueur » résolve sa portion, puis les coups sont coordonnés. De plus, l'algorithme mémorise les stratégies gagnantes des parties précédentes (entropie), évitant les branches sans issue.
Lors des essais, il a piloté un micro-réseau avec des panneaux solaires et des éoliennes cinq fois plus vite que les solveurs industriels standard — et aucune coupure. Et pourtant, les premiers systèmes de ce type dans les années 1970 occupaient des salles entières de machines ; aujourd'hui, ils tiennent dans une puce d'onduleur. Grâce à cette vitesse et à cette mémoire, les micro-réseaux deviennent véritablement autonomes : ils n'ont plus besoin du soutien de serveurs cloud.
tel que rédigé par les auteurs, en anglais 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.
La méthode ADMM, utilisée dans l'algorithme, a été initialement conçue pour l'analyse distribuée de grandes données, et maintenant elle gère de vrais flux d'énergie.