The Next Generation of Electric Power Unit Commitment Models

در طول سال‌ها، صنعت برق از روش‌های بهینه‌سازی برای کمک به حل مشکل تعهد واحد استفاده کرده است. نتیجه صرفه جویی ده ها و شاید صدها میلیون دلار در هزینه سوخت بوده است. با این حال همه چیز در حال تغییر است. فناوری بهینه سازی در حال بهبود است و صنعت در حال تغییر ساختار اساسی است. در نتیجه، نقش مدل‌های تعهد در حال تغییر است و ارزش راه‌حل‌های بهبودیافته‌ای که الگوریتم‌های بهتر ممکن است به دست آورند، در حال افزایش است. هدف دوگانه این کتاب کشف فناوری و نیازهای نسل بعدی مدل‌های رایانه‌ای برای کمک به تصمیم‌گیری تعهد واحد است.
به دلیل اندازه و پیچیدگی مشکل تعهد واحد و به دلیل مزایای اقتصادی زیادی که می‌تواند از راه حل بهبود یافته آن، توجه قابل توجهی به توسعه الگوریتم در کتاب اختصاص داده شده است. رویه های سیستماتیک تری بر اساس انواع الگوریتم های تحقیقاتی گسترده پیشنهاد و آزمایش شده است. این تکنیک ها شامل برنامه نویسی پویا، برنامه نویسی اعداد صحیح مختلط شاخه و کران (MIP)، رویکردهای برنامه نویسی خطی و شبکه، و روش های تجزیه Benders و غیره است. اخیراً روش‌های فراابتکاری مانند برنامه‌ریزی ژنتیکی و بازپخت شبیه‌سازی شده به همراه سیستم‌های خبره و شبکه‌های عصبی آزمایش شده‌اند. از آنجایی که بازارهای الکتریکی به سرعت در حال تغییر هستند، نحوه حل مدل‌های UC و اهداف آنها نیاز به بازنگری دارد. از این رو، این کتاب افرادی را گرد هم می آورد که مشکل را درک می کنند و افرادی که می دانند چه پیشرفت هایی در الگوریتم ها واقعا امکان پذیر است. نتیجه دوگانه در نسل بعدیمدل‌های تعهد واحد برق ارزیابی نیازهای صنعت و فرمول‌بندی‌های جدید و رویکردهای محاسباتی است که نوید پاسخگویی بیشتر مدل‌های تعهد واحد را می‌دهد. به آن نیازها.

Over the years, the electric power industry has been using optimization methods to help them solve the unit commitment problem. The result has been savings of tens and perhaps hundreds of millions of dollars in fuel costs. Things are changing, however. Optimization technology is improving, and the industry is undergoing radical restructuring. Consequently, the role of commitment models is changing, and the value of the improved solutions that better algorithms might yield is increasing. The dual purpose of this book is to explore the technology and needs of the next generation of computer models for aiding unit commitment decisions.
Because of the unit commitment problem's size and complexity and because of the large economic benefits that could result from its improved solution, considerable attention has been devoted to algorithm development in the book. More systematic procedures based on a variety of widely researched algorithms have been proposed and tested. These techniques have included dynamic programming, branch-and-bound mixed integer programming (MIP), linear and network programming approaches, and Benders decomposition methods, among others. Recently, metaheuristic methods have been tested, such as genetic programming and simulated annealing, along with expert systems and neural networks. Because electric markets are changing rapidly, how UC models are solved and what purposes they serve need reconsideration. Hence, the book brings together people who understand the problem and people who know what improvements in algorithms are really possible. The two-fold result in The Next Generation ofElectric Power Unit Commitment Models is an assessment of industry needs and new formulations and computational approaches that promise to make unit commitment models more responsive to those needs.