一种优化方法辅助的集成深度强化学习算法求解机组组合问题
系统与控制
2022-06-10 v1 机器学习
系统与控制
摘要
机组组合(UC)是日前电力市场中的基本问题,高效求解UC问题至关重要。动态规划、拉格朗日松弛和混合整数二次规划(MIQP)等数学优化技术通常用于UC问题。然而,这些方法的计算时间随发电机和能源资源数量呈指数增长,这仍是工业中的主要瓶颈。人工智能的最新进展已证明强化学习(RL)求解UC问题的能力。遗憾的是,现有关于用RL求解UC问题的研究在UC问题规模增大时受维数灾难困扰。为应对这些问题,我们提出一种优化方法辅助的集成深度强化学习算法,其中UC问题被建模为马尔可夫决策过程(MDP)并在集成框架中由多步深度Q学习求解。所提算法通过求解定制优化问题建立候选动作集,以确保相对较高性能并满足运行约束。在IEEE 118和300总线系统上的数值研究表明,我们的算法优于基线RL算法和MIQP。此外,所提算法在未见运行条件下展现出强泛化能力。
引用
@article{arxiv.2206.04249,
title = {An Optimization Method-Assisted Ensemble Deep Reinforcement Learning Algorithm to Solve Unit Commitment Problems},
author = {Jingtao Qin and Yuanqi Gao and Mikhail Bragin and Nanpeng Yu},
journal= {arXiv preprint arXiv:2206.04249},
year = {2022}
}