Mixed-Integer Programming Approaches for Hydropower Generator Maintenance Scheduling
Bibliographic record
Abstract
Dans les systèmes de production d'électricité, la maintenance régulière des unités de production est essentielle pour éviter des pannes imprévues et coûteuses, pour maintenir l'efficacité du système et pour prolonger la durée de vie de l'équipement.Cependant, l'arrêt des générateurs pour maintenance préventive réduit temporairement la capacité, l'efficacité et la fiabilité du système.Etant donnée une liste des activités de maintenance à réaliser dans un horizon de planification, le problème de planification de maintenance des générateurs (GMSP, pour Generator Maintenance Scheduling Problem) consiste à déterminer un calendrier d'arrêts pour maintenance qui maximise une métrique de performance du système.Le calendrier optimal qui en résulte doit répondre aux exigences opérationnelles de la production d'électricité ainsi qu'aux contraintes de maintenance, telles que les fenêtres de temps des activités de maintenance.Dans les systèmes hydroélectriques, l'ordonnancement de la maintenance des unités de production comporte des défis uniques en raison de la non-linéarité de la production d'hydroélectricité, de l'incertitude des débits d'eau et de l'interdépendance des décisions opérationnelles dans l'espace et le temps.Le GMSP est particulièrement pertinent pour les producteurs d'hydroélectricité parce que l'avancement ou le report des activités de maintenance peut générer des économies significatives en réduisant les déversements d'eau et en améliorant l'efficacité de la production d'hydroélectricité.Nous développons un programme linéaire mixte en nombres entiers (MILP, pour Mixed-Integer Linear Program) pour le GSMP dans les systèmes hydroélectriques, avec hyperplans pour approximer l'effet non-linéaire des rejets d'eau, les niveaux d'eau stockés et le nombre de générateurs actifs sur la production d'hydroélectricité.Nous affinons notre formulation en utilisant des inégalités valides, la désagrégation de variables et de contraintes, et une technique de réduction de modèle basée sur des informations de fenêtres temporelles.Nos tests numériques montrent que la meilleure combinaison de ces techniques peut réduire jusqu'à dix fois le temps de calcul pour obtenir une solution.Pour incorporer l'effet des afflux d'eau incertains, nous étendons notre modèle en un programme linéaire stochastique en deux étapes, et nous implémentons une méthode de décomposition de Benders parallélisée pour sa solution.Nous proposons sept techniques d'accélération, et lors de nos expériences numériques, nous observons qu'une combinaison de cinq de ces techniques permet d'obtenir les meilleures performances, avec une accélération de l'algorithme de Benders quadruplée par rapport à la méthode Benders de base.Nos tests sur une vi grille de calcul avec 200 cœurs pour résoudre le problème avec un grand nombre de scénarios, confirment la supériorité de la méthode Benders parallélisée par rapport à la solution directe avec un solveur général pour MILP.Enfin, nous proposons des extensions de notre formulation, en incluant d'autres contraintes de maintenance pertinentes, des décisions sur la durée des activités et des réserves de production pour anticiper l'incertitude de la charge d'électricité.En outre, nous présentons d'autres stratégies de décomposition pour les GMSP dans les systèmes hydroélectriques et nous discutons des perspectives de recherche, telles que des améliorations à la méthode de décomposition et les applications de notre formulation MILP à des problèmes d'ordonnancement similaires.vii
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".