Feasibility-guaranteed machine learning unit commitment: Fuzzy Optimization approaches
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
The unit commitment (UC) problem is solved several times daily in a limited amount of time and is commonly formulated using mixed-integer linear programs (MILP). However, solution time for MILP formulation increases exponentially with the number of binary variables required. To address this, machine learning (ML) models have been attempted with limited success as they cannot be trained for all scenarios, whereby they may contain false predictions leading to infeasibility, hindering their practical applicability. To overcome these issues, we first propose a hybrid deep learning model comprising a convolutional neural network (CNN) and bidirectional long-short-term memory (BiLSTM) to predict the UC decisions. Second, we incorporate these predictions as non-binding fuzzy constraints, enhancing the traditional UC model and creating an ML-fuzzy UC model. Two implementations of non-binding fuzzy constraints are studied. The first develops each ML decision variable as a separate fuzzy set, while the second creates one fuzzy set per hour, considering all decisions within. Introducing ML-UC decisions as non-binding fuzzy constraints ensures the ML-fuzzy UC model has a feasible solution if the basic MILP-UC problem does, while leveraging ML predictions. Moreover, the proposed model benefits from a reduced solution space, leading to substantial reductions in computing time. Results on IEEE 118-bus and Polish 2383-bus systems demonstrate 92 % and 89 % computation time reductions for both systems, respectively and achieve 100 % feasibility for both seen and unseen datasets when the basic MILP-UC problem has a feasible solution. • A hybrid CNN and BiLSTM model was created to provide the unit commitment schedules. • ML predictions modeled as non-binding fuzzy constraints enhancing MILP-UC formulation. • Fuzzy constraints improved ML decision utilization, ensuring 100 % feasibility.
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 | 0,000 | 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) | 0,000 | 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