.png){kind=icon}
返回
Machine learning-enhanced vector ordinal optimization for multi-objective stochastic unit commitment
.png){kind=icon}
OA
AI
DOI：10.1007/s10626-026-00427-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可再生能源发电的高渗透率给电力系统的经济稳定运行带来了新的挑战。安全约束机组组合（SCUC）问题是一个重要的混合整数规划（MIP）问题，由独立系统运营商在有限时间内每天求解。为应对可再生能源的不确定性，对随机多目标SCUC（MO-SCUC）的快速求解方法需求日益增长，该问题同时考虑了运行成本和旋转备用容量。本文提出了一种基于向量序优化的快速求解方法，以有效获得MO-SCUC的足够好解。首先，我们提出了一种高效生成整数变量高质量初始解的方法，包括基于机器学习的概率引导采样方法和从问题结构推导的分析可行性条件。然后，应用向量序优化快速选择足够好解。我们的方法能快速确定MO-SCUC中整数变量的取值，将大规模MIP问题的计算负担转化为可并行求解的少数小规模线性规划问题。此外，为增强向量序优化的性能，我们提出了一种混合方法，将向量序优化与现有的多目标进化方法相结合，以高效获得近似帕累托最优解。IEEE 30节点和118节点系统的实验结果表明，所提出的VOO-M方法相比使用商业求解器Gurobi的传统方法实现了35至210倍的加速，解质量下降不超过15%。VOO+NSGA-II混合方法进一步提升了性能，实现了4至31倍的加速，同时在解质量上比加权和方法提高了0.53%至3.05%。此外，我们的方法表现出高计算效率，并能有效扩展到更大规模的问题。
Keyword:
Vector ordinal optimization
Security-constrained unit commitment
Multi-objective optimization
Machine learning
Analytical feasibility conditions
期刊
D
IF:
1.6
论文数:
26
被引数:
611
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Enhanced Multiobjective Evolutionary Algorithm Based on Decomposition for Solving the Unit Commitment Problem基于分解的改进多目标进化算法求解机组组合问题OAAI
OAAI分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏分享收藏
查看更多内容