.png){kind=icon}
返回
Predict-and-Optimize Robust Unit Commitment With Statistical Guarantees via Weight Combination
.png){kind=icon}
PRE
AI
DOI：10.1109/TPWRS.2025.3613360.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可再生能源与电力需求的不确定性日益增长，给机组组合（UC）带来了显著挑战。尽管已开发出多种先进的预测和优化方法以更好地预测和应对这种不确定性，但大多数先前研究将预测与优化视为独立任务。这种分离可能导致由于两项任务目标不一致而出现次优结果。为克服此挑战，我们提出了一种鲁棒UC框架，该框架在确保统计保证的同时整合了预测与优化过程。在预测阶段，我们结合来自不同数据源和方法的多重预测以改进预测，旨在优化UC性能。在优化阶段，利用组合预测构建具有统计保证的不确定性集合，并在此基础上建立鲁棒UC模型。最优鲁棒UC解反馈以细化用于组合多重预测的权重。为高效有效地求解所提出的集成预测-优化框架，我们开发了一种基于神经网络的代理模型以加速计算，并引入了一种基于优化结果的不确定性集合重塑方法以降低保守性。在修改后的IEEE 30节点和118节点系统上的案例研究表明了所提出方法的优势。
Keyword:
Unit commitment
data-driven robust optimization
statistical guarantee
predict-and-optimize
surrogate model
期刊
IF:
7.2
论文数:
1.1W
被引数:
5.0W
机构
引用论文
Using bias-corrected reanalysis to simulate current and future wind power output使用偏差校正的再分析来模拟当前和未来的风电输出.png)
ENERGY
OAAI
ENERGYIF9.4
OAAI分享收藏Two-Stage Robust Unit Commitment for Co-Optimized Electricity Markets: An Adaptive Data-Driven Approach for Scenario-Based Uncertainty Sets协同优化电力市场的两阶段稳健机组承诺: 基于情景不确定性集的自适应数据驱动方法OAAI
OAAI分享收藏
分享收藏Risk-Averse Optimal Combining Forecasts for Renewable Energy Trading Under CVaR Assessment of Forecast Errors预测误差CVaR评估下可再生能源交易的风险规避最优组合预测
PREAI
分享收藏
查看更多内容