Feasibility-guaranteed machine learning unit commitment: Fuzzy Optimization approaches
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.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».