基于随机规划与噪声驱动 RNN 的最优日前指令
最优化与控制
2021-11-04 v2
摘要
本文提出了一种结合深度学习与优化的战略性日前规划方法。我们提出了一种噪声驱动的循环神经网络结构，用于预测电价与水库本地入流。所得预测器无需依赖长输入序列即可生成具有季节变化的预测。该预测方法被用于日前问题的随机规划表述中。这给出了参与北欧日前市场的价格接受型水电生产商的最优指令策略。利用开源随机规划软件框架，该模型被实现并分布到多个核心上。随后使用基于采样的算法并行求解该模型。我们给出了随机解周围的紧致置信区间，表明采用随机方法所带来的增益在统计上显著。
引用
@article{arxiv.1910.04510,
title = {Optimal day-ahead orders using stochastic programming and noise-driven RNNs},
author = {Martin Biel},
journal= {arXiv preprint arXiv:1910.04510},
year = {2021}
}