.png){kind=icon}
返回
A Multi-Timescale Learn-to-Optimize Method for Unit Commitment With Renewable Power
.png){kind=icon}
PRE
AI
DOI：10.1109/tpwrs.2026.3687255.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高渗透率的波动性可再生能源为求解大规模安全约束机组组合（SCUC）问题创造了迫切需求。本文提出了一种多时间尺度学习优化（MT-L2O）方法，以高效求解大规模随机SCUC问题。粗时间尺度作为基于学习的预处理阶段。在此尺度下，我们提出了一种基于组的多种分辨率建模方法，其中机器学习技术用于预测整数变量，并将置信度高的变量固定，以供更精细的时间尺度使用。因此，更精细时间尺度的问题规模得以缩减，能够更高效地求解。与现有工作相比，在粗尺度学习时，跨多个时间段的二进制状态约束变为非活跃状态。这不仅显著降低了数据维度，还消除了针对这些约束的可行性恢复措施的需求。在更精细的时间尺度下，我们基于粗时间尺度确定的开关状态，开发了针对两种类型约束的约束缩减方法。在IEEE 118节点系统、IEEE 300节点系统以及基于中国实际省级电网的3266节点系统上的数值实验表明，我们的方法能够获得平均性能间隙不超过0.4%的近最优解，并且相比商业求解器Gurobi实现了3.03至34.46倍的速度提升。
Keyword:
Multi-timescale
learn-to-optimize
model reduction
security-constrained unit commitment
renewable power
期刊
IF:
7.2
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Power systems optimization under uncertainty: A review of methods and applications不确定条件下的电力系统优化: 方法与应用综述
OAAI
OAAI分享收藏A Two-Stage Stochastic Unit Commitment With Mixed-Integer Recourses for Nuclear Power Plants to Accommodate Renewable Energy具有混合整数资源的两阶段随机机组承诺，用于核电厂以容纳可再生能源
PREAI
分享收藏
查看更多内容