学习辅助的随机容量扩展规划:一种贝叶斯优化方法
本文介绍了 2021 年 IEEE-CIS 关于可再生能源调度的技术挑战赛的七个排名最高解决方案,比较和评估了这些解决方案,并提供了一个基准问题,以便在这个领域促进和便利研究。这场比赛使用了 Monash 微电网的数据、天气数据和能源市场数据,并专注于两个主要挑战:预测可再生能源的生产和需求,并获得活动(讲座)和现场电池的最低成本的最佳方案。最准确的预测由梯度提升树和随机森林模型得出,而优化大多使用混合整数线性和二次规划。
Dec, 2022
提出了一个实时的、具有不确定性感知的能源调度框架,由深度学习预测和随机优化等关键要素组成,旨在解决分布式能源资源聚合对电力系统带来的不确定性问题,实现最优和鲁棒的调度解决方案,并在智能建筑能源管理领域进行了全面实验证明。
Sep, 2023
本文提出了一种基于机器学习的优化代理方法,可以在毫秒内预测 Transmission System Operators 的 Security-Constrained Economic Dispatch 的最优解,并适用于具有可再生能源的时实电网运营。
Dec, 2021
本文将储能系统的竞标问题建模为马尔可夫决策过程,并利用深度强化学习算法 Proximal Policy Optimization 在澳大利亚国家电力市场历史数据上学习优化竞标策略,实现储能系统在现货和 FCAS 市场上的联合竞标并取得显著利润。
Dec, 2022
本文采用基于学习的方法来解决超密集、异构蜂窝,大规模节点的无线网络能源效率管理问题。其中,操作实时性以及基站切换成本等问题也被考虑。本文提出了 Batched Randomization with Exponential Weighting (BREW) 策略和 Ranking Expert (RE) 策略,并针对其复杂度的问题做了进一步的优化和证明。经过实验和对各种情况的演示,以上两种策略不仅可以极大地降低系统能耗,还具备了较强的实用性和鲁棒性。
Aug, 2016
本文提出了一种基于 “随机模型预测控制器” 的方法来针对电力和热需求的不确定性,应用高斯过程构建历史数据的需求预测模型,采用情景法从产生的预测模型中进行多步需求轨迹抽样,并在模拟能源中心模型和真实建筑需求数据上验证了所提出的预测器和随机控制器的性能优势。
Apr, 2023
本文提出了一个新的框架,使用长短期记忆(LSTM)时间序列预测和深度确定性策略梯度 (DDPG) 多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战,旨在同时考虑两个目标,从而实现对批发和零售市场的高效能源管理,并证明建议的解决方案显着提高了载荷服务实体(LSE)的利润,同时使用 DDPG 代理实现人工智能电池充电 / 放电,以最大化分布式 PV 和电池安装用户的利润。
Feb, 2023
本文提出了一种端到端的方法来学习概率机器学习模型,以便在随机编程的上下文中直接捕获它们将要使用的最终基于任务的目标,我们在经典库存问题,实际电力调度任务和实际能源存储套利任务中验证了该方法的有效性。
Mar, 2017
提出一种基于 C-VSNs 的集成模型,用于预测比利时的高不平衡度,该模型在连续排名概率得分上优于现有技术 23.4%,并且在整体连续排名概率得分上有 6.5% 的改进。
Apr, 2024
在现代炼油厂中,随着原油调度规模的扩大,涉及数千个二进制变量和非线性约束的大规模原油调度问题(LSCOSPs)变得越来越具有挑战性,难以通过传统的优化方法进行优化。为了解决 LSCOSPs,我们以一个海上进出口炼油厂的实际原油调度为例,从原油卸载、运输、原油蒸馏装置加工和中间产品库存管理方面对 LSCOSPs 进行建模。基于所提出的模型,我们开发了一个由启发式规则驱动的双阶段进化算法(DSEA/HR),其双阶段搜索机制包括全局搜索和局部优化。在全局搜索阶段,我们设计了几个基于经验操作知识的启发式规则,以在混合变量空间中生成良好性能的初始种群并加速收敛。在局部优化阶段,我们提出了一种修复策略,通过进一步优化局部连续变量,将不可行解移动到可行区域。在整个进化过程中,所提出的双阶段框架在探索和开发之间起着关键的平衡作用。实验结果表明,DSEA/HR 在合理的时间内优于现有的数学规划方法和元启发式算法,在 LSCOSP 实例上表现出色。
Jan, 2024