.png){kind=icon}
返回
Adaptive cut generation via hypergraph neural networks for unit commitment problems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.132519.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机组组合（UC）问题需每日在电网中求解，以确定发电机的启停状态和功率输出水平。作为电力系统优化的基础挑战，UC问题即便在输入发生微小变化时也常需频繁求解。关键在于，发电机单元的运行行为常与先前案例相似，松弛优化解可作为寻找高质量结果的宝贵指导。本研究提出了一种基于图划分的新型自适应割平面框架。该框架融合历史运行数据和松弛解的洞察，以提升混合整数线性规划（MILP）求解器在未来处理相似UC实例时的计算效率。针对不同实际案例的实证测试表明，将自适应割生成方法作为启发式算法嵌入求解过程，可在保证可行性的同时，使计算效率提升1.57倍。
Keyword:
Unit commitment
Graph partition
Adaptive cut generation
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏
查看更多内容