https://doi.org/10.26089/NumMet.v27r438

Применение методов машинного обучения для ускорения решения задачи оптимального управления генерирующим оборудованием

Авторы

  • С. А. Романов

Ключевые слова:

задача оптимального управления генерирующим оборудованием
машинное обучение
целочисленное линейное программирование
классификация
ускорение решения

Аннотация

Задача оптимального управления генерирующим оборудованием (Unit Commitment) занимает центральное место в краткосрочном планировании энергосистем и обычно формулируется в виде задачи смешанного целочисленного линейного программирования большой размерности. В работе исследуется подход к ускорению её решения с помощью машинного обучения: обученные классификаторы предсказывают состояние каждого генератора в каждый период планирования, после чего уверенно классифицированные генераторы фиксируются, а оставшаяся задача меньшей размерности решается точным методом. Развивая существующий подход, основанный на логистической регрессии, в работе применяются и сравниваются шесть алгоритмов классификации (логистическая регрессия, случайный лес, градиентный бустинг, многослойный персептрон, метод опорных векторов и метод ближайших соседей) на полной модели с ограничениями минимального времени работы и простоя генераторов. Эксперименты проведены на трёх наборах данных библиотеки pglib-uc с перекрёстной проверкой по схеме “исключение одного”.


Загрузки

Опубликован

2026-10-21

Выпуск

Том 27 (2026): Выпуск 4.

Раздел

Методы и алгоритмы вычислительной математики и их приложения

Автор

С. А. Романов

Омский филиал Института математики им. С.Л. Соболева СО РАН (ОФ ИМ СО РАН)

• аспирант

Библиографические ссылки

  1. eliteme:knueven2020 B. Knueven, J. Ostrowski, and J.-P. Watson, “On Mixed-Integer Programming Formulations for the Unit Commitment Problem,” INFORMS J. Comput. 32 (4), 857–876 (2020).
    doi 10.1287/ijoc.2019.0944
  2. A. V. Ramesh and X. Li, “Machine Learning Assisted Model Reduction for Security-Constrained Unit Commitment,” in 2022 North American Power Symposium (NAPS), Salt Lake City, UT, USA, October 9–11, 2022 (IEEE Press, New York, 2022), pp. 1–6.
    doi 10.1109/NAPS56150.2022.10012236
  3. Y. Bengio, A. Lodi, and A. Prouvost, “Machine Learning for Combinatorial Optimization: A Methodological Tour d’Horizon,” Eur. J. Oper. Res. 290 (2), 405–421 (2021).
    doi 10.1016/j.ejor.2020.07.063
  4. A. S. Xavier, F. Qiu, and S. Ahmed, “Learning to Solve Large-Scale Security-Constrained Unit Commitment Problems,” INFORMS J. Comput. 33 (2), 739–756 (2020).
    doi 10.1287/ijoc.2020.0976
  5. S. Park, W. Chen, D. Han, et al., “Confidence-Aware Graph Neural Networks for Learning Reliability Assessment Commitments,” IEEE Trans. Power Syst. 39 (2), 3839–3850 (2024).
    doi 10.1109/TPWRS.2023.3298735
  6. F. Pourahmadi and J. Kazempour, “Unit Commitment Predictor with a Performance Guarantee: A Support Vector Machine Classifier,” IEEE Trans. Power Syst. 40 (1), 715–727 (2025).
    doi 10.1109/TPWRS.2024.3400405
  7. N. Sugishita, A. Grothey, and K. McKinnon, “Use of Machine Learning Models to Warmstart Column Generation for Unit Commitment,” INFORMS J. Comput. 36 (4), 1129–1146 (2024).
    doi 10.1287/ijoc.2022.0140
  8. S. Pineda and J. M. Morales, “Is learning for the unit commitment problem a low-hanging fruit?,” Electric Power Syst. Res. 207, Article Number 107851 (2022).
    doi 10.1016/j.epsr.2022.107851
  9. Y. Yang and L. Wu, “Machine Learning Approaches to the Unit Commitment Problem: Current Trends, Emerging Challenges, and New Strategies,” Electr. J. 34 (1), Article Number 106889 (2021).
    doi 10.1016/j.tej.2020.106889
  10. J. Milla and J. I. Pérez-D’iaz, “The Use of Artificial Intelligence for the Unit Commitment Problem: State of the Art,” in ELECTRIMACS 2024, Lecture Notes in Electrical Engineering (Springer, Cham, 2025), Vol. 1275, pp. 713–725.
    doi 10.1007/978-3-031-73921-7_54
  11. Power Grid Lib – Unit Commitment.
    https://github.com/power-grid-lib/pglib-uc Cited October 8, 2026.
  12. D. W. Hosmer, S. Lemeshow, and R. X. Sturdivant, Applied Logistic Regression , 3rd ed. (Wiley, Hoboken, 2013).
    doi 10.1002/9781118548387
  13. L. Breiman, “Random Forests,” Machine Learning 45 (1), 5–32 (2001).
    doi 10.1023/A:1010933404324
  14. J. H. Friedman, “Greedy Function Approximation: A Gradient Boosting Machine,” Ann. Statist. 29 (5), 1189–1232 (2001).
    doi 10.1214/aos/1013203451
  15. L. Prokhorenkova, G. Gusev, A. Vorobev, et al., “CatBoost: Unbiased Boosting with Categorical Features,” Advances in Neural Information Processing Systems 31, 6638–6648 (2018).
    https://arxiv.org/abs/1706.09516 Cited October 8, 2026.
  16. D. E. Rumelhart, G. E. Hinton, and R. J. Williams, “Learning representations by back-propagating errors,” Nature 323, 533–536 (1986).
    doi 10.1038/323533a0
  17. D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” arXiv:1412.6980 (2014).
    https://arxiv.org/abs/1412.6980 Cited October 8, 2026.
  18. C. Cortes and V. Vapnik, “Support-Vector Networks,” Machine Learning 20 (3), 273–297 (1995).
    doi 10.1007/BF00994018
  19. J. C. Platt, “Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods,” Advances in Large Margin Classifiers 61–74 (1999).
  20. T. Cover and P. Hart, “Nearest Neighbor Pattern Classification,” IEEE Trans. Inf. Theory 13 (1), 21–27 (1967).
    doi 10.1109/TIT.1967.1053964
  21. W. E. Hart, J.-P. Watson, and D. L. Woodruff, “Pyomo: modeling and solving mathematical programs in Python,” Math. Program. Comput. 3 (3), 219–260 (2011).
    doi 10.1007/s12532-011-0026-8
  22. F. Pedregosa, G. Varoquaux, A. Gramfort, et al., “Scikit-learn: Machine Learning in Python,” J. Mach. Learn. Res. 12, 2825–2830 (2011).
    https://jmlr.org/papers/v12/pedregosa11a.html Cited October 9, 2026.
  23. Q. Huangfu and J. A. J. Hall, “Parallelizing the Dual Revised Simplex Method,” Math. Program. Comput. 10 (1), 119–142 (2018).
    doi 10.1007/s12532-017-0130-5

Лицензия

Copyright (c) 2026 С. А. Романов

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.