大规模单元承诺模型的启发式求解技术发展
最优化与控制
2025-02-27 v1
摘要
向可再生能源转型和减少碳排放 necessitates 精细的能源系统规划、优化和扩张。能源系统优化模型（ESOM）常被形式化为线性规划（LP）和混合整数线性规划（MIP）。MIP允许连续变量和离散变量的共存，因而比LP更具表达力，但也更具求解挑战。不断增长的规模和复杂度对现代商业求解器的计算时间构成严峻挑战。事实上，对于大规模ESOM，求解LP松弛——现代MIP求解算法的基础——可能非常昂贵。这些时间要求可能使ESOM MIP在实际应用中难以实用。本文考虑一组基于REMix框架（最高达8300万变量和90万离散决策变量）的大规模脱碳导向单元承诺模型。针对这些具体问题，LP松弛解与MIP最优解接近。基于这一观察，我们研究了relaxation-enforced neighborhood search（RENS）、机器学习引导的取整和fix-and-propagate（FP）启发式方法作为独立求解方法的应用。我们的做法比GUROBI快20到100倍，实现了与 primal-dual gap最低可达1%至35%的可比解质量。这使我们能够在不降低模型质量的前提下求解大量情景。对于GUROBI在两天内无法求解的某些问题，我们的FP方法在不到一小时内即可提供可行解。
引用
@article{arxiv.2502.19012,
title = {Developing heuristic solution techniques for large-scale unit commitment models},
author = {Nils-Christian Kempke and Tim Kunt and Bassel Katamish and Charlie Vanaret and Shima Sasanpour and Jan-Patrick Clarner and Thorsten Koch},
journal= {arXiv preprint arXiv:2502.19012},
year = {2025}
}