Integration of machine learning with economic energy scheduling
Notice bibliographique
Résumé
The aim of economic load dispatch (ELD) is to deliver required electrical power for a specified period at the lowest possible generation cost using available generating units (GUs). It is imperative to lower the generation costs in order to reduce the consumer costs and to generate adequate revenue from large capital investments in the power sector. There are several optimization algorithms (OAs) to solve this issue. In this study, a new method that combines machine learning (ML) with an OA is used to come up with a high-precision, best solution for ELD issues in the quickest time possible. The ’Lagrange Multiplier’ (LM) method is used as the OA, while the ’Decision Tree’ (DT) algorithm is used as the ML algorithm . ML algorithms require data to train themselves. A data generation algorithm (DGA) is used to generate data considering constraints such as the power balance constraint, transmission loss (TL), generating capacity, and prohibited operating zones (POZs). The DGA is based on the LM method with constraint handling techniques. Without considering ramp rate limits (RRLs), the optimal load sharing data is generated over the whole power capacity range of the committed GUs. The power capacity ranges from the sum of the minimum power capacity to the maximum power capacity of the committed GUs. This range is divided into several discrete data points with a step size of 0.01. Optimal load sharing among the GUs has been calculated for each of the data points using DGA. Then the DT model was trained with the generated data that could have been used further to predict the load sharing among the GUs. To impose RRLs, we have developed a search method using the trained DT model. We have validated our proposed method through three case studies: Case 1: 6 GUs with a 1263 MW power demand; Case 2: 15 GUs with a 2630 MW power demand; and Case 3: 140 GUs with a 49342 MW power demand. Finally, the optimal solution for all the case studies using the proposed method was compared with the existing methods. The proposed method was found to be better than the existing methods in terms of time, precision, and cost. This opens up a new way to help with the ELD issue by combining ML with OA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».