论文Learning to Solve Large-Scale Security-Constrained Unit Commitment Problems阅读笔记
论文Learning to Solve Large-Scale Security-Constrained Unit Commitment Problems阅读笔记
论文arxiv链接:Learning to Solve Large-Scale Security-Constrained Unit Commitment Problems
问题描述
Security-Constrained Unit Commitment (SCUC,电力系统安全约束机组组合)问题
- 优化目标:最小化机组组合的成本
- 约束条件分为系统约束和机组约束,本文主要考虑的是系统约束
- 功率平衡(等式约束)
- 正常运行条件下的线路潮流约束(不等式约束1)
- 某条线路异常下的线路潮流约束(不等式约束2)
现有方法
- 混合整数优化(MIP)
- 拉格朗日松弛法
现有方法的主要问题是计算时间复杂度高,时间开销大。
有基于上一日进行微调的方法,但是提升有限。
本文方法
用机器学习手段辅助MIP的求解而非替代MIP的结果。主要分为3个方面:
- 预测哪些约束起作用、哪些约束不起作用
- 在历史结果中寻找可能的初始解
- 寻找问题最优解所在的子空间
预测起作用的约束
大系统中线路繁多,因此不等式约束1和不等式约束2的数量极多,如果能够预测哪些约束不起作用,则可以简化计算。预测起作用的约束的核心思想类似决策树。对每一个不等式约束定义一个0/1状态变量。首先初始化在整个决策空间的状态变量分布,其中仅有状态为1的约束起作用,求解优化问题,将解回代到约束条件中,将不满足的约束的状态变量置1,然后重复上述过程,直到某次求解之后所有约束条件都满足,迭代结束,求解完成。论文作者报告这种方式可以降低单次迭代的复杂度,且经验显示可以减少迭代次数。
问题:为何减少约束条件可以降低MIP(混合整数规划)的计算复杂度?
寻找初始解
寻找初始解的方法比较简单,类似机器学习中k近邻方法,对于问题给定的参数向量p,寻找数据集的参数空间中与之在某种度量意义下最近的k个参数向量对应的解作为初始解。
论文中提到预测起作用的约束和寻找初始解的方法都是“惰性学习”的方法,模型不必事先学习一系列参数,因此没有模型冷启动问题,是”在线学习“方法。
学习子空间
学习子空间在物理上表现为固定某些机组停机(文中将这些机组称为peak units)、某些机组开机(文中将这些机组称为base units)。为此,对每个时刻的机组定义0/1状态,表示机组的开合。问题转化为二分类问题,输入是机组的历史参数(人工选取了一些特征),输出是当前时刻的机组状态。在本文中,二分类的具体实现是SVM(支持向量机)。根据作者的实验,在这个二分类任务上,SVM要优于线性回归器和随机森林。
由于需要学习SVM模型的参数,子空间学习算法不是一种在线学习算法,启动时需要历史数据支持。
实验
数据
- 网络采用了8个MATPOWER模型
- 机组的启动和运行成本函数通过分析PJM市场公开报价得到
- 历史的peak units & base units数据通过PJM数据统计量用高斯分布生成
结果
印证了上面提出的使用了机器学习算法后,在不损失精度的前提下,迭代次数变少,速度加快。
心得
- 论文思路新颖,方法很简明。不过其实感觉预测约束和预测初始解的方法其实优化算法的一点小改动,说是机器学习的应用有“蹭热点”之嫌
- 核心代码很简单,但是数据预处理和历史数据生成工作量看起来很大
论文Learning to Solve Large-Scale Security-Constrained Unit Commitment Problems阅读笔记相关推荐
- 文献 Application of deep learning tothe diagnosis of cervical lymph node metastasis from thyroid阅读笔记
文献 2019.02-Application ofdeeplearning tothe diagnosis of cervical lymph node metastasis from thyroid ...
- 论文《Learning both Weights and Connections for Efficient Neural Network》阅读笔记
因为对深度压缩中的剪枝不太理解遂读了原文作者更早的这篇详细讲网络剪枝的文章点击打开链接 剪枝的过程为: 1.首先剪枝的前提是对已完成训练的网络 2.进行剪枝 要点:根据一个阈值去裁剪参数 a.阈值 ...
- Learning salient boundary feature for anchor-free temporal action localization AFSD阅读笔记及代码复现
论文地址:Lin_Learning_Salient_Boundary_Feature_for_Anchor-free_Temporal_Action_Localization_CVPR_2021_pa ...
- 压缩视频增强论文Recursive Fusion and Deformable Spatiotemporal Attention forVideo Compression Artifact R阅读笔记
论文链接:https://arxiv.org/pdf/2108.02110.pdf 论文来源:ACM MM2021 作者团队:bilibili ABSTRACT 为了从低质量的压缩视频中恢复高质量的视 ...
- 【ORB-SLAM3】sim3求解-论文Closed-form solution of absolute orientation using unit quaternions 的阅读笔记
1.前言 聊sim3之前需要聊聊单目视觉slam的尺度漂移问题: 单目尺度漂移问题: 单目视觉里程计前端主要涉及以下内容: 单目初始化:选择满足条件的前后帧图像,进行特征点提取与匹配,借助对极几何求取 ...
- 【论文阅读 NeurIPS 2022】A Large Scale Search Dataset for Unbiased Learning to Rank
文章目录 前言 Abs Intro 2.Preliminary 2.1.Ubiased Learning to Rank 2.2.Existion ULTR Datasets 3.Dataset De ...
- 【读书笔记】NeurIPS2018的两篇文章:The Tradeoffs of Large Scale Learning和Neural Ordinary Differential Equations
今天看了 NeurIPS 2018 上的两篇文章,一篇是获得 best paper 的 Neural Ordinary Differential Equations (陈天奇的文章),一篇是获经典论文 ...
- 论文笔记(十七):Brax - A Differentiable Physics Engine for Large Scale Rigid Body Simulation
Brax - A Differentiable Physics Engine for Large Scale Rigid Body Simulation 文章概括 摘要 1 捐款摘要 2 动机 3 使 ...
- 论文笔记(十七):Brax — A Differentiable Physics Engine for Large Scale Rigid Body Simulation
Brax - A Differentiable Physics Engine for Large Scale Rigid Body Simulation 文章概括 摘要 1 捐款摘要 2 动机 3 使 ...
最新文章
- autojs开启悬浮窗权限_微信悬浮窗功能普及?甚至更胜一筹
- 在 .NET Core 中使用 ViewConfig 调试配置
- 工作流 activity 视频教程 + redis 视频教程 百度网盘分享地址
- virtual box 针对Unable to load R3 module 解决方案
- (三)Qt语言国际化
- 原生javascript添加和删除class
- 07.Thymeleaf使用与语法最全详解(精)
- vos3000下载java_昆石VOS3000_2.1.4.0完整安装包及安装脚本
- java篇-数据库MySQL
- 数据结构与算法-第三章 链表
- 读书寄语:安忍的智慧
- iPhone开发入门(一)
- Problem B 1076 素数
- 基于ThinkPHP的校园网上订餐系统设计与实现
- 深度学习能力非常重要!
- 高速的二舍八入三七作五_详解青银高速市区段计费方法人工车道比ETC贵3元
- 最短哈密顿环 退火_【CH0103】最短哈密顿路径
- 项目管理-1-忆往昔
- spry提示信息设置html,CSS教程:12.4 借助于Spry实现折叠面板
- wacom linux 驱动下载,Drivers