基于机器学习代理的机遇约束停运调度
计算工程、金融与科学
2018-01-03 v1
摘要
停运调度旨在数月到数年的范围内，确定需要维护的不同部件应何时退出运行。其目标是在满足可靠性相关约束的同时最小化运行成本期望。我们针对该问题提出了一种分布式基于场景的机遇约束优化公式。为处理大型网络中出现的可解性问题，我们使用机器学习构建代理模型，以预测该背景下电力系统运行过程的结果。在 IEEE-RTS79 与 IEEE-RTS96 网络上，我们的解比其他候选方案获得了更便宜且更可靠的计划。
引用
@article{arxiv.1801.00500,
title = {Chance-Constrained Outage Scheduling using a Machine Learning Proxy},
author = {Gal Dalal and Elad Gilboa and Shie Mannor and Louis Wehenkel},
journal= {arXiv preprint arXiv:1801.00500},
year = {2018}
}