Machine Learning-Additional Decision Constraints for Improved MILP Day-Ahead Unit Commitment Method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper introduces a two-stage (offline and online) artificial neural network (ANN) driven constraint creator model to improve the computational quality of day-ahead unit commitment (DAUC) in power systems. The DAUC is crucial for planning 24-hour operations and complex bid clearing through mixed-integer linear programs (MILP). However, slow convergence is common due to system complexity. Machine learning (ML) based methods have been used to enhance MILP-DAUC. Nonetheless, they can lead to sub-optimality and infeasibility. To overcome these challenges, (1) this paper proposes in the offline stage the ANN-generators subset (AGS) that can predict part of the optimal MILP-DAUC decisions using an ANN model. Online, only ML-generated decisions of AGS are used to form the ANN-driven constraints to enhance the main MILP-DAUC, forming the proposed ANN-MILP-DAUC method. (2)A feasibility handling process is proposed to retain the infeasible ML states to be optimized by the main MILP-DAUC formulation. (3)The proposed model issues an artificial factor that provides the percentage of generators accurately predicted and used as an ML training performance metric. The ANN model was trained using optimal MILP-DAUC solutions. Test results on IEEE 14-bus and 118-bus systems reported solution time reductions of 61.43% and 70.1%, respectively. Larger Polish 2383-bus, 3012-bus, and Ontario systems reported time reductions in the range of 33% compared with the main MILP-DAUC method using MOSEK™, a commercial solver. No degradation in the optimal solution was observed for all test systems, and the proposed method provides a lower-objective solution for the same running time, leading to better solutions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle