基于物理信息图学习求解大规模机组组合问题
系统与控制
2023-11-28 v1 机器学习
系统与控制
摘要
机组组合（UC）问题通常被建模为混合整数规划（MIP）并通过分支定界（B&B）框架求解。图神经网络（GNN）的最新进展使其能够通过学习 dive 与 branch 来增强现代 MIP 求解器中的 B&B 算法。现有处理 MIP 问题的 GNN 模型多从数学建模构造，在处理大规模 UC 问题时计算代价高昂。本文提出一种物理信息分层图卷积网络（PI-GCN）用于神经 diving，其利用电力系统各组件的底层特征寻找高质量变量赋值。此外，我们采用基于 MIP 模型的图卷积网络（MB-GCN）进行神经 branching，在 B&B 树的每个节点选择最优分支变量。最后，我们将神经 diving 与神经 branching 集成到现代 MIP 求解器中，构建一种面向大规模 UC 问题的新型神经 MIP 求解器。数值研究表明，PI-GCN 在神经 diving 上比基线 MB-GCN 具有更优性能与可扩展性。并且，该神经 MIP 求解器在结合我们所提神经 diving 模型与基线神经 branching 模型后，对所有测试日均产生最低运行成本，优于现代 MIP 求解器。
引用
@article{arxiv.2311.15216,
title = {Solve Large-scale Unit Commitment Problems by Physics-informed Graph Learning},
author = {Jingtao Qin and Nanpeng Yu},
journal= {arXiv preprint arXiv:2311.15216},
year = {2023}
}