Joint Chance Constraints in AC Optimal Power Flow: Improving Bounds through Learning
本文认为,配电系统的分布式,可再生能源发电的渗透率高,并解决了将相关的不确定性,这些网络的最优运行的问题。联合机会约束以给定的概率同时满足多个约束条件,是一种将不确定性纳入约束条件集的方法,从而得到机会约束最优潮流问题。本文从将联合约束转换为保守的确定性约束的基于计算量大的场景的方法或近似出发,开发了一种可扩展的、数据驱动的方法,该方法可以学习电网中的运行趋势,消除零概率事件(例如,无效约束),并且精确且有效地迭代地近似联合机会约束上的边界。特别是,所提出的框架改进了基于联合约束(或布尔不等式)的经典方法,通过生成一组保守得多的单一机会约束,也保证了原始联合约束的满足。建议的框架进行了评估,数值使用IEEE 37节点测试馈线,专注于配电网的电压调节问题。
2019-03-05 math.OC
Chance-Constrained AC Optimal Power Flow: Reformulations and Efficient Algorithms
更高水平的可再生能源发电增加了电力系统运行的不确定性。为了确保安全的系统操作,需要考虑这种不确定性的新工具。在本文中,我们制定了一个机会约束的交流最优潮流问题,它保证了发电量,潮流和电压保持在其范围内与预定义的概率。然后,我们提出了一个准确的,但易于处理的分析重新制定的机会约束。重新制定保持完整的,非线性的AC潮流方程的预测的操作点,并通过围绕这个点的线性化的不确定性的影响建模。我们讨论了不同的解决方案算法,包括有追索权和无追索权的一次性优化,以及支持可扩展实施的迭代算法。我们进一步讨论如何更一般的机会约束重新制定可以纳入迭代求解算法。在基于四个不同IEEE系统的案例研究中,我们比较了解决方案算法的性能,并证明了迭代方案的可扩展性。我们进一步表明,分析重新准确和有效地执行机会约束在两个样本内和样本外的测试,分析方法优于两种替代方案,基于样本的机会约束重新制定。
2019-05-03 math.OC
Chance Constrained Optimal Power Flow with Primary Frequency Response
主频率响应由同步发电机通过其速度下降调速器特性提供,以响应超过特定阈值的瞬时频率偏差,也称为调速器死区。该死区使得速度下降调节器特性非线性,并且使得通常用于对初级频率响应建模的仿射控制策略不准确。本文提出了一种最优潮流(OPF)公式,明确建模i)的主要频率响应的约束,使用非线性的速度下垂调速器特性和ii)机会约束的功率输出的常规发电机和线路流的不确定性的可再生能源。建议的机会约束OPF(CCOPF)制定与主频率响应约束进行评估,并与标准的CCOPF制定的118节点IEEE可靠性测试系统的修改。
2017-08-04 math.OC
A Robust Approach to Chance Constrained Optimal Power Flow with Renewable Generation
最优潮流(OPF)是在发电和输电资产运行约束条件下,以最小成本调度可控发电。间歇性可再生能源发电的不确定性和可变性对当前确定性OPF方法提出了挑战。最近的最优潮流公式使用机会约束来限制可再生能源发电不确定性的风险,然而,这些新方法通常假设表征不确定性和可变性的概率分布是准确已知的。我们制定了一个强大的机会约束(RCC)的OPF,占这些概率分布的参数的不确定性,允许他们在一个不确定性集。RCC最优潮流的求解采用了可扩展到大型电力系统的割平面算法。我们证明了RRC OPF的修改后的模型的Bonneville电力管理局网络,其中包括2209总线和176个可控发电机。确定性,机会约束(CC),和RCC的OPF配方进行比较,使用几个指标,包括成本的发电,面积控制误差,可控发电机的斜坡,输电线路过载的发生,以及各自的计算性能。
2015-08-07 math.OC
DC Optimal Power Flow with Joint Chance Constraints
由于连接到电网的波动性可再生能源的水平不断增加,管理功率注入的不确定性和可变性已成为电力系统运营商的主要关注点。这项工作解决了这种不确定性,通过联合机会约束制定的直流最优潮流(OPF)的问题,满足\emph{all}的约束\emph{jointly}与预先确定的概率。现有的几种解决联合机会约束最优潮流问题的方法通常要么是计算上难以处理的大规模问题,要么是过于保守的解决方案,满足的约束往往比所需的,导致过于昂贵的操作。提出了一种采用S $\ell_1$ QP型信赖域算法求解联合机会约束DC最优潮流问题的算法。该算法使用基于样本的方法,避免了对不确定性的分布做出强假设,有利于大问题的扩展,并且可以进行调整以获得不太保守的结果。我们说明了我们的方法使用几个IEEE测试用例的性能。结果表明,该算法的计算时间和有限的保守性相对于其他联合机会约束DC OPF算法的优势。
2020-05-02 math.OC
Security Constrained Optimal Power Flow with Distributionally Robust Chance Constraints
波动的可再生能源馈入量的增加和市场自由化增加了电力系统运行的不确定性。为了捕捉波动的影响,在运行规划,我们建模的不确定性的输入作为随机变量的预测误差,并制定了一个安全约束的最优潮流使用机会约束。机会约束限制了违反技术约束(如发电和输电限制)的概率,但需要一个易于处理的重新表述。在本文中,我们讨论了不同的机会约束的分析重新制定的基础上,一组给定的假设有关的预测误差分布。特别是,我们讨论了不假设一个正态分布,并承认一个分析的重新制定只给一个均值向量和协方差阵。我们说明了我们的方法与IEEE 118总线系统的案例研究,从欧洲系统的实际数据的基础上。不同的重新制定方面取得的经验违规概率和运营成本进行了比较,这使我们能够提供一个建议,最合适的重新制定在一个最佳的潮流设置。对于大量的不确定性源,据观察,线流量和发电机输出的分布可以接近正常,即使功率注入不是正态分布。
2015-08-25 math.OC
Cloud-AC-OPF: Model Reduction Technique for Multi-Scenario Optimal Power Flow via Chance-Constrained Optimization
电力系统中的许多实际规划和运行应用需要同时考虑大量的运行条件或多场景交流最优潮流(MS-AC-OPF)解决方案。然而,当外部规定的条件的数量很大时,将问题作为单个AC-OPF的集合来解决可能是耗时的或者在计算上简单地难以处理。在本文中,我们提出了一种模型简化方法,创造云AC OPF,它取代了他们的紧凑表示的平均值和标准差的样本集合。而不是单独确定每个样本的最佳发电调度,我们参数化的发电调度作为仿射函数。云-AC-OPF在数学上类似于文献中最近讨论的广义机会约束AC-OPF(CC-AC-OPF)类型,但在概念上不同,因为它讨论了长期规划的应用。我们进一步提出了一个易于处理的制定和实施,并说明我们的建设的例子30节点IEEE模型。
2019-05-24 math.OC
Distributionally Robust Chance Constrained Optimal Power Flow Assuming Unimodal Distributions with Misspecified Modes
机会约束最优潮流(CC-OPF)公式已被提出,以最大限度地减少运营成本,同时控制风险所产生的不确定性,如可再生能源发电和负荷消耗。为了求解CC-OPF,我们通常需要获得所有不确定性的(真实)联合概率分布,这在实践中很少知道。基于分布的有偏估计的解决方案可能导致可靠性差。为了克服这一挑战,最近的工作已经探索了分布鲁棒的机会约束,其中机会约束在称为模糊集的分布族上得到满足。通常,模糊度集合仅基于矩信息(例如,均值和协方差);然而,指定随机变量的附加特征会降低保守性和成本。在这里,我们考虑的模糊集,另外纳入单峰信息。在实践中,很难从数据中估计模式位置,因此我们允许它可能被错误指定。我们制定的问题,并推导出一个基于分离的算法,以有效地解决它。最后,我们评估所提出的方法的性能修改后的IEEE-30总线网络风的不确定性,并与其他分布式鲁棒方法进行比较。我们发现,一个错误指定的模式显着影响解决方案的可靠性和所提出的模型表现出良好的成本和可靠性之间的权衡。
2018-09-19 math.OC
Unifying Chance-Constrained and Robust Optimal Power Flow for Resilient Network Operations
针对可再生能源不确定性下机会约束偏脆弱、鲁棒优化偏保守的问题,本文提出区分正常与不利运行状态的随机最优潮流统一模型,在IEEE-118和IEEE-300系统上验证了其兼顾安全性与经济性。
2024-05-07 math.OC
Deep-quantile-regression-based surrogate model for joint chance-constrained optimal power flow with renewable generation
联合机会约束最优潮流(JCC-OPF)是管理分布式可再生能源发电不确定性的有效工具。然而,大多数现有的工作是基于潮流方程,这需要准确的网络参数,可能是不可观测的,在许多配电系统。针对这一问题,提出了一种基于学习的可再生能源发电JCC-OPF代理模型。该模型等价地将联合机会约束转换为基于分位数的形式,并引入深度分位数回归来复制它们,其中多层感知器(MLP)用特殊的损失函数来训练以预测违反约束的分位数。另一个MLP被训练来预测预期的功率损耗。然后,通过将这两个MLP转化为混合整数线性约束,可以在不需要网络参数的情况下得到JCC-OPF。为了进一步提高其性能,两个预处理步骤,即,数据增强和校准。前者训练一个模拟器,以产生更多的训练样本,以提高预测精度的MLP。后者设计了一个正参数来校正MLP的预测,从而保证解的可行性。基于IEEE 33节点和123节点系统的数值实验表明,该模型可以同时实现理想的可行性和最优性,而不需要网络参数。
2022-04-11 math.OC
Distributionally Robust Chance-Constrained Optimal Transmission Switching for Renewable Integration
可再生能源发电的日益一体化对确保实时能源系统决策的稳健性提出了重大挑战。本研究旨在开发一种鲁棒的最优输电切换(OTS)框架,以有效缓解电网拥塞和可再生能源限电。我们制定了一个两阶段的分布鲁棒机会约束(DRCC)的问题,确保有限的约束违反任何不确定性分布在一个模糊集。在这里,第二阶段的追索变量表示为线性函数的不确定性,产生一个等价的重新涉及线性约束。我们利用矩为基础的(均值-均值绝对偏差)和距离为基础的(无限Wasserstein距离)模糊集,导致可扩展的混合整数线性规划(MILP)配方。IEEE 14节点和118节点系统的数值实验表明,所提出的DRCC-OTS方法在保证约束违反和减少可再生削减方面的性能改进。特别是,计算效率的矩为基础的MILP方法,这是无故障的固定问题的尺寸,已被确认,使其适合于实时网格操作。
2022-08-31 math.OC
Input Hard Constrained Optimal Covariance Steering
研究了带加性高斯噪声的随机离散线性系在状态机会约束和输入硬约束下的最优协方差控制问题。因为系统状态可能由于无界噪声而无界,所以状态约束被公式化为概率(机会)约束,即,约束违反的最大概率受到约束。相反,因为当控制命令违反约束时难以解释适当的控制动作,所以难以概率地制定控制约束,并且确定性硬约束是优选的。在这项工作中,我们介绍了一个接触网的方法,同时受到状态机会约束和输入硬约束,并验证了该方法使用数值模拟。
2019-09-29 math.OC
Convex Chance Constrained Model Predictive Control
本文研究受干扰多项式系统的机会约束模型预测控制问题。在这个问题中,我们的目标是找到最优控制输入给定的扰动动力系统,以最小化给定的费用函数受到概率约束,在有限的水平。所提供的控制律具有预定义的(低)未达到期望目标集的风险。基于测度和矩理论,给出了一系列有限半定规划,并证明了其解收敛于原问题的最优解。数值例子来说明所提出的方法的计算性能。
2016-05-03 math.OC
Corrective Control to Handle Forecast Uncertainty: A Chance Constrained Optimal Power Flow
可再生能源发电份额的增加和市场自由化增加了电力系统运行的不确定性。与此同时,随着控制系统的改进和诸如移相Transformers(PST)和高压直流连接(HVDC)等新技术的出现,操作变得更加灵活。以前的研究表明,使用纠正控制响应中断有助于降低运营成本,同时保持N-1安全。在这项工作中,我们提出了一种方法来扩展使用的PST和HVDC的校正控制,以应对不确定性。我们将不确定性描述为连续随机变量,并通过仿射控制策略定义校正控制动作。这使我们能够有效地模拟控制反应,大量的不确定性来源。控制策略,然后包括在一个机会约束的最优潮流配方,保证系统约束的强制执行所需的概率。通过对机会约束进行解析重构,得到了一个二阶锥问题,并给出了一个有效解算法。在IEEE 118总线系统的案例研究中,我们表明,校正控制的不确定性,导致降低运营成本,同时保持系统的安全性。此外,我们通过解决IEEE 300总线和波兰系统测试案例的问题,证明了该方法的可扩展性。
2016-09-07 math.OC
Chance Constrained Stochastic Optimal Control for Linear Systems with a Time Varying Random Control Matrix
针对控制矩阵随机的线性系统,本文提出一种基于单侧Vysochanskij-Petunin不等式的开环机会约束最优控制方法,将联合机会约束转化为双凸约束,并在航天器交会任务中验证其优于场景法和Cantelli矩方法。
2023-08-12 cs.SY eess.SY math.OC
Joint Chance Constrained Optimal Control via Linear Programming
本文提出有限时域联合机会约束最优控制的线性规划形式,可处理不变性、可达性和到达—规避规范,并在有限空间中给出精确且更高效的求解,在连续空间中支持基函数近似。
2024-05-18 cs.SY eess.SY math.OC
Computing Optimal Joint Chance Constrained Control Policies
本文针对有限时间范围内受联合机会约束的随机马尔可夫系统,通过引入二元状态增广动力学,提出基于动态规划的可证明最优且易于计算的策略求解方法。
2024-11-21 cs.SY eess.SY math.OC
Convergence and Bound Computation for Chance Constrained Distributionally Robust Models using Sample Approximation
本文针对带通用模糊集的分布鲁棒机会约束模型,证明其样本近似方法在充分条件下收敛,且可统计估计最优值的上下界,并以具体模糊集为例展开讨论。
2025-01-16 math.OC
Chance-constrained probability measure optimization
Tokyo University of Agriculture and Technology(东京农工大学);The University of Melbourne(墨尔本大学);Dalian University of Technology(大连理工大学);The Institute of Statistical Mathematics(统计数理研究所);Institute of Science Tokyo(东京科学大学)
本文提出CCPMO框架,证明其最优解可简化为两点概率测度,通过样本光滑近似法高效求解,经四旋翼控制示例验证,概率决策在满足安全约束时期望性能优于确定性方法。
2026-08-26 math.OC
Semidefinite Programming For Chance Constrained Optimization Over Semialgebraic Sets
在本文中,“机会优化”的问题,其中一个目的是最大化的概率由多项式不等式定义的集合。这些问题,在一般情况下,非凸和计算困难。与发展系统的数值程序来解决这些问题的目的,凸松弛序列的措施和矩的理论的基础上,其序列的最优值收敛到原问题的最优值。事实上,我们提供了一个序列的半定方案的增加的维度,可以任意近似的解决方案的原始问题。为了能够有效地解决由此产生的大规模半定松弛,一阶增广拉格朗日算法实现。数值例子来说明所提出的方法的计算性能。
2015-05-09 math.OC
Robust solutions for stochastic and distributionally robust chance-constrained binary knapsack problems
我们考虑机会约束二进制背包问题,其中项目的权重是独立的随机变量的均值和标准差已知。在对权值的概率分布作某些假设的情况下,机会约束可以重新表示为二阶锥约束。该问题转化为二阶锥约束二进制背包问题,等价于椭球不确定集的鲁棒二进制背包问题。我们证明了具有椭球不确定集的内、外多面体近似的鲁棒二进制背包问题的最优解可以提供二阶锥约束二进制背包问题的最优值的上、下界,并且可以通过重复求解普通二进制背包问题得到.此外,我们证明了解决方案提供的上界收敛到最优解的二阶锥约束二进制背包问题的近似的不确定性集变得更准确。在此基础上,在问题系数为整数值的假设下,得到了一个伪多项式时间算法。我们还提出了一个精确的算法,迭代地提高近似的精度,直到获得一个精确的最优解。精确算法也在伪多项式时间内运行。计算结果显示的质量的上限和下界和效率的精确算法相比,CPLEX和以前的研究。
2021-05-25 math.OC
Tight and Compact Sample Average Approximation for Joint Chance-constrained Problems with Applications to Optimal Power Flow
本文针对样本平均近似重构的机会约束问题,提出结合有效不等式、系数强化与约束筛选的精确求解方法,有效改善 Big-Ms 并缩减问题规模,在 DC Optimal Power Flow 中验证了其高效性。
2023-06-26 math.OC
Chance Constrained Stochastic Optimal Control Based on Sample Statistics With Almost Surely Probabilistic Guarantees
虽然技术已经开发的机会约束随机最优控制使用样本扰动数据,提供了一个概率的置信区间的机会约束满足,远不如知道如何使用样本数据的方式,可以提供几乎肯定的保证机会约束满足。本文提出了一种求解具有未知采样附加扰动的线性定常系统的机会约束随机最优控制问题的方法。我们提出了一个开环控制方案的多车辆规划,既有目标集和防撞约束。为此,我们推导了一个集中不等式,以约束基于样本统计量的随机变量的尾概率。使用导出的浓度不等式,我们重新制定每个机会约束的样本均值和样本标准差。虽然重新制定的界限是保守的,相对于原来的界限,他们有一个简单的和封闭的形式,保证机会约束满足几乎肯定,并服从凸优化技术的差异。我们证明了我们的方法对两个多卫星交会问题。
2023-03-29 cs.SY eess.SY math.OC
Explicit Ensemble Learning Surrogate for Joint Chance-Constrained Optimal Power Flow
Louisiana State University(路易斯安那州立大学)
本文提出一种用于联合机会约束最优潮流的集成支持向量机代理模型,通过Big-M重构将多个线性分类器嵌入为超平面约束,在IEEE 118节点系统上实现近最优成本且误差仅0.03%,为电力系统风险感知优化提供了高效透明的工具。
2025-11-05 cs.SY eess.SY math.OC
Chance Constrained Stochastic Optimal Control for Arbitrarily Disturbed LTI Systems Via the One-Sided Vysochanskij-Petunin Inequality
虽然已经开发了许多技术的机会约束随机最优控制与高斯扰动过程,远少于已知的计算有效的方法来处理非高斯过程。本文研究了具有有限矩和单峰机会约束的一般加性扰动线性定常系统的机会约束随机最优控制问题。我们提出了一个开环控制方案的多车辆规划,既有目标集和防撞约束。我们的方法依赖于单侧Vysochanskij-Petunin不等式,这是一种用于约束单峰随机变量尾概率的统计工具。使用单侧Vysochanskij-Petunin不等式,我们重新制定每个机会约束的期望和标准差。虽然重新制定的界限是保守的,相对于原来的界限,他们有一个简单的和封闭的形式,并服从凸优化技术的差异。我们证明了我们的方法上的多卫星交会问题。
2023-03-22 cs.SY eess.SY math.OC
Convergence Analysis of Fixed Point Chance Constrained Optimal Power Flow Problems
针对机会约束最优潮流中不动点迭代方法的先验收敛性不明问题,本文分析其收敛条件,并通过含大型IEEE网络的数值实验进行验证。
2022-01-17 cs.SY eess.SY math.OC
Covariance Steering with Optimal Risk Allocation
本文将线性随机系统在机会约束下的最优协方差控制问题推广到最优风险分配问题。以往的工作都假设一个统一的风险分配铸造的最优控制问题作为一个半定规划(SDP),它可以有效地解决使用标准的SDP求解器。我们采用迭代风险分配(IRA)的形式主义,它使用两个阶段的方法来解决最优的风险分配问题的协方差导向。IRA的上层优化风险,这被证明是一个凸问题,而下层优化控制器与新的约束。这是迭代完成的,以便找到实现最低总成本的最佳风险分配。所提出的框架的解决方案,往往最大限度地提高终端协方差,同时仍然满足机会约束,从而导致保守的解决方案比以前的方法。我们还引入了两种新的凸松弛法来近似二次机会约束的二阶锥约束。最后,我们展示了航天器交会问题的方法,并比较结果。
2021-04-12 math.OC
Chance Constrained Stochastic Optimal Control for Linear Systems with Time Varying Random Plant Parameters
本文针对状态矩阵含时变随机参数的线性系统,利用单侧Vysochanskij-Petunin不等式将联合机会约束转化为可处理形式,提出一种开环控制方案,并在双母线电力系统中验证其求解时间优于情景方法。
2023-03-22 cs.SY eess.SY math.OC
An Efficient Primal-Dual Approach to Chance-Constrained Economic Dispatch
为了有效地提高分布式和可再生能源在未来智能微电网中的集成,经济的能源管理是不可或缺的,具有重要意义。研究了孤岛模式下考虑需求侧管理的微网日前发电经济调度问题。针对多风电场多时段能量优化调度问题,以限制风电场失电概率风险为目标,建立了一个联合机会约束最优化问题。针对风力发电量时空联合分布问题,采用原对偶方法有效地获得了次优解。该方法是基于一阶最优性条件和逐步逼近的概率约束生成的p-有效点。数值结果证实了这种方法的优点。
2014-10-17 math.OC
On the Optimality of Markovian Policies for Chance-Constrained Covariance Steering
School of Aeronautics and Astronautics, Purdue University(普渡大学航空航天学院)
本文证明机会约束协方差转向问题中,依赖历史的最优策略可无损转化为马尔可夫策略,拓展分析至输出反馈与风险价值代价代理问题。
2026-08-25 math.OC
On convex problems in chance-constrained stochastic model predictive control
研究离散时间演化线性随机动力系统的约束最优控制问题。我们考虑有限时间内的期望值成本最小化问题。硬约束的介绍,然后重新制定的概率约束。结果表明,对于一个合适的参数化的控制策略,广泛的一类由此产生的最优化问题是凸的,或承认合理的凸近似。
2009-05-21 math.OC
Chance-constrained optimal inflow control in hyperbolic supply systems with uncertain demand
在本文中,我们解决的任务,建立一个最优的生产计划,考虑到不确定的需求。能量系统由双曲型偏微分方程(PDE)系统表示,不确定的需求流由Ornstein-Uhlenbeck过程捕获。我们根据生产者的风险偏好确定最优流入。由此产生的输出旨在最佳匹配给定风险标准的随机需求。我们使用不确定性量化的适应不同程度的风险规避。更准确地说,我们使用两种类型的机会约束,制定在规定的概率水平的需求满足的要求。在数值分析中,我们分析了电报员方程和现实世界的耦合天然气发电网络的机会约束最优化问题。
2020-01-10 cs.NA math.NA math.OC
Adaptive Partitioning for Chance-Constrained Problems with Finite Support
本文针对有限支撑机会约束优化问题,提出一种基于场景集划分的自适应迭代方法,通过细化与合并操作在保持缩减模型小规模的同时逐步改进最优值界,并在有限次迭代内获得原问题最优解,数值实验验证了其高效性。
2024-11-25 math.OC
Integer Programming Approaches for Distributionally Robust Chance Constraints with Adjustable Risks
本文研究Wasserstein模糊性下具有可调风险容差的分布鲁棒机会约束规划,针对由此产生的NP-hard问题,为左右侧不确定性推导了混合整数规划重构及有效不等式,并通过多规模实例验证了方法有效性。
2024-07-24 math.OC
Chance-constrained DC Optimal Power Flow with Non-Gaussian Distributed Uncertainties
机会约束规划(CCP)是处理最优潮流(OPF)中不确定性问题的一种有效方法。然而,传统的CCP通常假设不确定性服从高斯分布,这可能与现实不符。少数文献采用高斯混合模型(GMM)将CCP扩展到非高斯不确定性的情况,但它们只适用于右侧不确定性的情况,而不适用于包含左侧不确定性的直流最优潮流。为了解决这个问题,我们开发了一个易于处理的基于GMM的机会约束直流最优潮流模型。在这个模型中,我们不仅利用GMM捕捉非高斯分布的不确定性的概率特性,但也开发了一种线性化技术,以重新制定的机会约束与非高斯分布的不确定性的左手边到易于处理的形式。通过数学证明,证明了相应的重构是原问题的安全近似,保证了解的可行性。
2022-01-25 cs.SY eess.SY math.OC
Distributionally Robust Chance Constrained Data-enabled Predictive Control
我们研究了未知随机线性定常系统的有限时间约束最优控制问题,这是预测控制算法的关键组成部分--尽管通常可以访问模型。我们提出了一种新的分布式鲁棒数据使能预测控制(DeePC)算法,该算法使用噪声损坏的输入/输出数据来预测未来轨迹并计算最优控制输入,同时满足输出机会约束。该算法是基于(i)一个非参数表示的子空间跨越系统的行为,其中过去的轨迹被排序在页面或汉克尔矩阵;和(ii)一个分布式的鲁棒优化配方,从而产生了强大的概率性能保证。我们表明,对于某些目标函数,DeePC表现出很强的样本外性能,同时尊重具有高概率的约束。该算法为未知随机线性定常系统的控制设计提供了一种端到端的方法。我们在一个航空机器人案例研究中说明了DeePC的闭环性能。
2021-07-21 math.OC
Chance-Constrained Combinatorial Optimization with a Probability Oracle and Its Application to Probabilistic Partial Set Covering
研究了一类机会约束组合最优化问题。给定一个预先指定的风险水平$ε\in [0,1]$,机会约束程序的目的是找到二元决策$x$的向量的最小成本选择,使得期望事件$\mathcal{B}(x)$以至少$ 1-ε$的概率发生。在本文中,我们假设我们有一个可以精确计算$\mathbb P( \mathcal{B}(x))$的oracle。利用这个预言,我们提出了一个一般的精确方法来解决机会约束问题。此外,我们表明,如果机会约束的程序是解决近似的抽样为基础的方法,那么甲骨文可以作为一种工具,用于检查和固定的可行性,这种方法给出的最优解。我们证明了我们所提出的方法的有效性的概率集覆盖问题(PSC),它承认一个有效的概率预言的变体。我们给出了一个紧凑的混合整数规划,解决PSC最佳(无采样)的特殊情况。对于大规模的情况下,确切的方法表现出缓慢的收敛,我们提出了一个基于采样的方法,利用PSC的特殊结构。特别是,我们引入了一类新的方面定义的PSC的子模块子结构的不等式,并表明,基于抽样的算法加上概率预言有效地解决了大规模的测试实例。
2018-06-28 math.OC
Computationally Efficient Covariance Steering for Systems Subject to Parametric Disturbances and Chance Constraints
本文研究了同时具有加性和乘性不确定性以及状态和输入机会约束的离散线性系的有限时域最优协方差操纵问题。特别是,一个易于处理的凸近似的最佳协方差转向问题的机会约束收紧,并通过引入一个合适的变量变量变换。凸近似的解决方案被证明是一个有效的(虽然潜在的次优)解决方案,原来的机会约束的协方差转向问题。
2023-01-18 cs.SY eess.SY math.OC
PoBO: A Polynomial Bounding Method for Chance-Constrained Yield-Aware Optimization of Photonic ICs
传统的成品率优化算法试图在工艺变化下最大化电路的成功率。这些方法通常获得高成品率,但达到的设计性能远离最优值。本文研究了另一种光子集成电路的成品率感知优化:我们将优化电路设计性能,同时确保高成品率要求。该问题最近被表述为一个机会约束优化问题,并利用统计矩将机会约束转化为更强的约束。这种转换减少了可行集,有时会导致过度保守的设计。为了解决这一根本性的挑战,本文提出了一个精心设计的多项式函数,称为最佳多项式亲属关系函数,以更准确地界定机会约束。我们通过放松独立性和凸性要求来修改现有的亲属关系函数,这适合于我们更一般的不确定性模型,并收紧了边界函数。所提出的方法,使一个全局最优值搜索的设计变量,通过多项式优化。我们用一个合成函数和两个光子集成电路设计基准验证了这种方法,表明我们的方法可以获得更好的设计性能,同时满足预定的成品率要求。许多其他先进的问题,产量感知优化和更一般的安全关键设计/控制可以解决基于这项工作在未来。
2021-12-18 math.OC
Optimal operation of microgrids with risk-constrained state of charge
在本文中,我们提出了一种基于随机场景的模型预测控制(MPC)方法,用于具有高比例可再生能源的孤岛微电网的运行。我们要求存储的能量保持在给定的范围内,以一定的概率使用基于风险的约束作为机会约束的凸近似。我们表明,风险约束一般可以被铸造成圆锥约束,不像机会约束,可以控制违反约束的数量和平均幅度。最后,我们证明了风险约束的随机MPC的数值案例研究。
2021-04-16 math.OC
Robust optimization-based heuristic algorithm for the chance-constrained knapsack problem using submodularity
针对机会约束二进制背包问题(CKP),提出了一种基于鲁棒优化的启发式算法。我们假设项目的权重是独立的正态分布。该方法利用次模函数的性质,将CKP问题近似为具有基数约束的不确定性集的鲁棒背包问题,该不确定性集由不确定性预算参数表示.该方法通过求解近似的鲁棒背包问题得到启发式解,而鲁棒背包问题的最优解可以通过迭代求解普通的二进制背包问题得到。计算结果表明了该方法的有效性和效率。
2018-11-05 math.OC
Importance sampling approach to chance-constrained DC optimal power flow
尽管有显著的经济和生态影响,但更高水平的可再生能源发电导致电力注入的不确定性和可变性增加,从而影响电网的可靠性。为了提高电网安全性,研究了联合机会约束直流最优潮流问题。该问题的目的是找到经济上最佳的发电,同时保证所有的发电,线路流量和电压同时保持在其范围内与预定义的概率。不幸的是,即使可再生能源波动的分布是指定的,这个问题在计算上是棘手的。此外,现有的联合CC最优潮流问题的近似解过于保守,因此对实际操作的价值不大。本文提出了一种重要性采样的CC DC最优潮流问题的方法,它产生更好的复杂性和准确性比目前的最先进的方法。该算法有效地减少了场景的数量,只生成和使用其中最重要的,从而使实时解决方案的测试用例多达几百个总线。
2021-11-23 math.OC stat.CO
Inverse Chance Constrained Optimal Power Flow
本文提出逆机会约束最优潮流,将安全水平从参数转为决策变量,以求解系统可支持的最高可行安全水平,并设计牛顿-拉夫逊型迭代算法高效求解,数值实验验证了方法有效性。
2025-06-22 cs.SY eess.SY math.OC
Chance constraints transcription and failure risk estimation for stochastic trajectory optimisation
ISAE-SUPAERO(法国国立高等航空航天学院);University of Auckland(奥克兰大学)
本文提出两种通用机会约束转录方法,用于不确定环境下多维高斯机会约束的轨迹优化问题,通过改进的首次级方法和谱半径方法提升约束满足的紧度和鲁棒性,同时在高维情况下提供更准确的风险估计。
2026-04-30 math.OC
A Generalized Framework for Chance-constrained Optimal Power Flow
Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院自动化与应用信息研究所)
针对电力系统最优潮流中的不确定性处理问题,本文提出不依赖特定不确定性分布假设的机会约束OPF通用框架,结合多项式混沌展开给出构造性求解方法,并通过算例验证了方法有效性。
2018-08-23 cs.SY eess.SY math.OC
Chance-Constrained Covariance Steering for Discrete-Time Markov Jump Linear Systems
School of Aeronautics & Astronautics, Purdue University(普渡大学航空航天学院)
针对离散时间马尔可夫跳变线性系统,提出一种基于凸优化的两步框架,通过顺序优化均值和协方差子问题,并引入机会约束,利用KKT条件证明凸松弛在最优性下无损失,实现目标协方差跟踪。
2026-05-26 math.OC
Chance-Constrained Optimization for Non-Linear Network Flow Problems
许多工程系统,如能源和交通基础设施,是由非线性物理定律支配的网络。这些网络运营商面临的主要挑战是在保持安全性和可行性的同时实现最佳利用率,特别是在系统模型存在不确定性的情况下。为了解决这个问题,我们制定了一个机会约束最优物理网络流(CC-OPNF)的问题,试图优化系统,同时满足安全限制的高概率。然而,代表网络物理的非线性等式约束引入了建模和优化挑战,这使得机会约束在其原始形式下在数值上难以处理。本文的主要贡献是提出了一种利用半定规划(SDP)获得对机会约束的易处理的多项式逼近的方法。该方法使用现有的半代数技术的组合,结合新的集操作的投影和体积计算提供保守的内部近似的机会约束。此外,我们开发了一个新的两步程序,以提高计算速度。虽然该方法适用于一般的物理网络流问题的多项式约束,我们使用的交流电网最优潮流问题作为一个例子来证明该方法的数值。
2018-03-07 math.OC math.PR
Distributionally Robust Joint Chance-Constrained Optimal Power Flow using Relative Entropy
针对机会约束最优潮流问题,提出基于分布式鲁棒优化的精确重构算法,证明其样本外鲁棒性最优,并在IEEE基准系统上验证有效性。
2025-01-21 cs.SY eess.SY math.OC
The Value of Including Unimodality Information in Distributionally Robust Optimal Power Flow
为了管理可再生能源发电和负荷消耗的不确定性,机会约束最优潮流(OPF)公式和各种解决方案的方法已经被提出。然而,传统的解决方案往往依赖于不确定性分布的准确估计,这可能不存在。当分布是未知的,但可以被限制到一组似然分布,称为模糊集,分布鲁棒(DR)优化可以用来确保机会约束在该集合中的所有分布。然而,DR OPF产生保守的解决方案,如果模糊度设置太大。在本文中,我们评估的价值,使用矩和单峰信息,缩小了模糊集,减少保守性,在DR的最优潮流问题。电力系统中大多数实际的不确定性分布是单峰的。精确的重新制定,近似和有效的解决技术在以前的文件。本文提出了一种最优参数选择方法,寻找最优逼近,显着提高计算效率和解决方案的质量。我们评估现有的机会约束的OPF方法使用修改后的IEEE 118总线和300总线系统的可再生能源发电的高渗透率的方法的性能。结果表明,包括单峰信息降低解决方案的保守性和成本,而不会显着降低可靠性。
2019-08-04 math.OC
ALSO-X#: Better Convex Approximations for Distributionally Robust Chance Constrained Programs
本文研究了分布鲁棒机会约束规划(DRCCP),其中不确定性约束必须满足Wasserstein模糊度集上所有概率分布的至少一个预先给定阈值的概率.由于DRCCP通常是非凸的,并且很难最优求解,研究人员一直在开发各种凸内近似。最近,ALSO-X已被证明优于条件风险值(CVaR)的近似的规则的机会约束规划时,确定性集是凸的。在这项工作中,我们放松了这个假设,通过引入一个新的ALSO-X方法来解决DRCCP。也就是说,在ALSO-X和CVaR近似的双层重构中,我们观察到,低层ALSO-X是低层CVaR近似的特殊情况,而高层CVaR近似比ALSO-X中的更受限制。这一观察促使我们提出ALSO-X,它仍然类似于一个双层公式-在较低级别的问题,我们采用更一般的CVaR近似,并为上层,我们选择较少限制ALSO-X。我们证明了ALSO-X总是优于CVaR近似,并且在规则机会约束规划和$\infty-$ Wasserstein型模糊集下优于ALSO-X。我们还提供了新的充分条件下,ALSO-X\#输出的最优解的DRCCP。我们提出的ALSO-X\#无线通信问题,并数值证明,解决方案的质量甚至可以比精确的方法。
2023-02-03 math.OC
Wasserstein Two-Sided Chance Constraints with An Application to Optimal Power Flow
机会约束(CC)作为一种自然的方法来建模系统的安全条件,寻求满足一组不确定的不等式单独或联合的高概率。虽然联合CC提供更强的可靠性证书,但它通常比单个CC更具挑战性。受最优潮流应用的启发,我们研究了一种特殊的联合CC,称为双边CC。我们通过一个Wasserstein球模型的不确定参数集中在一个高斯分布,并推导出一个层次的保守近似的基础上二阶圆锥约束,这可以有效地计算现成的商业求解器。此外,我们证明了这些近似的渐近一致性,并推导出它们的近似保证时,只有一个有限的层次。我们证明了所提出的模型和近似的情况下,基于IEEE 118总线和3120总线系统的样本外的性能和可扩展性。
2022-04-01 cs.SY eess.SY math.OC
Optimization under rare events: scaling laws for linear chance-constrained programs
Stanford University(斯坦福大学);University of Oxford(牛津大学);Eindhoven University of Technology(埃因霍温理工大学)
本文研究稀有事件约束下线性机会规划的最优值标度律,利用大偏差与极值理论证明轻尾下CVaR和样本近似最优、重尾下次优,并揭示极限凸规划结构。
2025-11-11 math.OC math.PR
Chance Constrained Program with Quadratic Randomness: A Unified Approach Based on Gaussian Mixture Distribution
研究了多元混合高斯分布(GMD)下随机变量二次型上带机会约束的随机规划问题。在适当的条件下,证明了这种二次型随机性的渐近分布是一个单变量GMD。这一发现有助于将机会约束规划转化为更易处理的问题,并在此基础上引入一种有效的分枝定界算法,利用问题的特殊结构搜索全局最优解.此外,它表明,由近似的二次随机性及其相关的渐近分布所产生的误差可以通过限制的条件数的多元GMD的组件的协方差阵。此外,还进行了一些数值模拟,以验证这种灵活统一的方法的有效性。
2023-03-01 math.OC
Efficient Solution Strategy for Chance-Constrained Optimal Power Flow based on FAST and Data-driven Convexification
电力系统中多负荷和可再生能源发电的不确定性增加了决策者潮流分析的复杂性。机会约束法可用于不确定性下的潮流最优化问题建模。提出了一种基于数据驱动的潮流凸化方法和快速情景算法的机会约束交流最优潮流(CCACOPF)求解方法。这种方法在计算上是有效的,主要有两个原因。首先,原来的非凸交流潮流(ACPF)的约束近似的一组学习为基础的二次凸的。第二,FAST是一种基于神经网络的高级求解方法(SSM),它不依赖于预先假设的概率分布,使用的场景比传统的SSM少得多。最后,CCACOPF转换成一个计算易处理的凸优化问题。IEEE算例的仿真结果表明:1)该方法在计算效率上优于传统的SSM方法; 2)数据驱动的凸化潮流方法能够有效地逼近原始复杂交流潮流。
2021-11-11 cs.SY eess.SY math.OC