[논문 리뷰] Model Predictive Control of Thermo-Hydraulic Systems Using Primal Decomposition

Jonathan Vieth, Annika Eichler외 1명|arXiv (Cornell University)|2026. 01. 15.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

본 논문은 프라이멀 분해를 이용하여 확장성을 높인 열-수력 제어 부피 모델용 MPC를 생성하기 위한 자동 워크플로를 제시하고, 다양한 규모의 Underground Heating System에서 검증한다.

ABSTRACT

Decarbonizing the global energy supply requires more efficient heating and cooling systems. Model predictive control enhances the operation of cooling and heating systems but depends on accurate system models, often based on control volumes. We present an automated framework including time discretization to generate model predictive controllers for such models. To ensure scalability, a primal decomposition exploiting the model structure is applied. The approach is validated on an underground heating system with varying numbers of states, demonstrating the primal decomposition's advantage regarding scalability.

연구 동기 및 목표

• Heating/cooling의 탈탄소화를 촉진하기 위한 district heating 및 관련 열-수력 네트워크의 MPC 기반 운전을 개선한다.
• CV 기반 비선형 DAEs로부터 시계열 이산 MPC를 직접 생성하기 위한 자동 워크플로를 개발한다.
• 대규모 열-수력 시스템의 확장성을 강화하기 위해 문제 구조를 프라이멀 분해를 통해 활용한다.
• 다양한 수의 CV를 갖는 지하 난방 설비에서 접근법을 검증하고 확장성 향상을 정량화한다.

제안 방법

• 二차 역미분법(second-order backward differentiation)을 사용하여 CV 기반 열-수력 동역학의 시계열 이산 표현을 도출하여 분해를 위한 이차 비선형 구조를 보존한다.
• 수력 해 및 열 구성요소로 분할된 수력 관련 AE/불평등 및 비수력 AE/불평등에 직면하는 공동 수력-열 MPC 목적함수를 제시한다.
• 프라이멀 분해를 적용하여 수력 및 열 하위 문제를 반복적으로 해결하고, 감소하는 보폭의 하위경사 기반 스킴으로 프라이마 변수(primal variables)를 업데이트한다.
• 수렴 기준을 사용하여 분해 반복을 종료하고feasibility가 상실되면 백트래킹 유사 조정(식(16))을 수행한다.
• 다양한 시스템 크기에서 표준 내부점 방법(IPM)과 프라이멀 분해 MPC(PD-MPC)를 비교하여 확장성과 성능을 입증한다.

실험 결과

연구 질문

• RQ1 CV 기반 열-수력 시스템에 대해 분해를 활용할 수 있는 구조를 보존하면서 시계열 이산 MPC를 자동 워크플로로 생성할 수 있는가?
• RQ2 프라이멀 분해가 대규모 열-수력 네트워크의 MPC 확장성을 개선하되 정확성을 희생하지 않는가?
• RQ3 시스템 크기에 따라 PD-MPC와 IPM-MPC의 계산 시간 및 달성 비용은 어떻게 비교되는가?
• RQ4 이 맥락에서 이차 역미분법으로 이산화(discretization) 시 정확도와 계산 시간 간의 트레이드오프는 어떤가?

주요 결과

Number of pipes	Number of variables	average jh+jt per time step in e (IPM MPC)	average jh+jt per time step in e (PD MPC)	average calc. time per time step in s (IPM MPC)	average calc. time per time step in s (PD MPC)
1	19	116.01	117.91	1.18	6.03
2	43	271.53	274.4	12.51	7.81
7	202	1074.7	1298.5	3706	124.29

• PD-MPC는 IPM-MPC에 비해 훨씬 큰 시스템에서 계산 시간이 크게 감소하는 등 확장성이 더 뛰어나다.
• 파이프 2개에서 PD-MPC의 계산 시간은 IPM-MPC의 62.4%이고, 파이프 7개에서 PD-MPC는 IPM-MPC의 3.35%이다.
• 두 개의 가장 작은 시스템에서 Jh+Jt의 평균 총 비용은 두 방법 모두 비슷한 반면, 가장 큰 테스트 시스템에서 IPM-MPC가 PD-MPC보다 17.2% 우수한 성능을 보였다.
• 모든 테스트 케이스에서 IPM-MPC가 약간 더 낮은 목적값을 산출하지만, 시스템 크기가 커질수록 계산 시간이 훨씬 증가한다.