Энергосистемы с солнечными панелями и ветряками напоминают шахматную партию: облачность и изменение нагрузки — ходы соперника, которые невозможно предвидеть. Чтобы поддерживать баланс, диспетчеры раньше перебирали десятки сценариев (неопределённость) — это требовало слишком много времени и вычислений.
Новый алгоритм действует как гроссмейстер: он не просто просчитывает варианты, а разбивает доску на независимые участки и анализирует их одновременно. Помощник ADMM делит задачу на части, чтобы каждый «игрок» решал свой фрагмент, а затем ходы согласуются. Более того, алгоритм запоминает успешные стратегии из прошлых партий (энтропия), избегая безнадёжных веток.
В испытаниях он управлял микросетью с солнечными батареями и ветрогенераторами в пять раз быстрее стандартных промышленных решателей — и ни одного отключения. А ведь первые системы такого класса в 1970-х занимали целые машинные залы; сегодня они умещаются в чипе инвертора. Благодаря такой скорости и памяти микросети становятся по-настоящему автономными: им не нужна поддержка облачных серверов.
как её написали авторы, на английском 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.
Метод ADMM, использованный в алгоритме, изначально создавался для распределённого анализа больших данных, а теперь управляет реальными энергопотоками.