Optimization models and algorithms for the Unit Commitment problem
Carnegie Mellon University（卡内基梅隆大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Hitachi Energy Research（日立能源研究）
研究机组组合问题，提出利用分解方法结合EGRET库替代模型的解决方案，经针对四个基准系统测试，实现显著计算加速，为解决该问题提供了有效途径。
2026-07-23 cs.SY eess.SY math.OC
Deep Learning based Security-Constrained Unit Commitment Considering Locational Frequency Stability in Low-Inertia Power Systems
随着电力系统脱碳的目标，传统的同步发电机逐渐被转换器接口的可再生发电所取代。由于系统惯性的显著降低，这种转变引起了对系统频率和频率变化率（RoCoF）安全性的关注。现有的研究成果大多来自统一的系统频率响应模型，这可能无法捕捉系统的所有特性。为保证位置频率安全，提出了一种基于深度神经网络（DNN）的RoCoF约束机组组合（DNN-RCUC）模型。RoCoF预测器被训练为基于高保真仿真数据集预测最高位置RoCoF。训练样本是从各种场景下的模型中生成的，这可以避免仿真发散和系统不稳定。然后将训练好的网络转化为一组混合整数线性约束，表示机组组合中的位置RoCoF限制约束。在IEEE 24节点系统上对所提出的DNN-RCUC模型进行了研究。PSS/E上的时域仿真结果验证了该算法的有效性。
2022-08-17 cs.SY eess.SY
Reconfiguration of District Heating Network for Operational Flexibility Enhancement in Power System Unit Commitment
热电联产机组的大量采用要求电力系统与区域供热系统协调运行。利用区域供热网的可重构特性，通过对供热网中的热负荷进行重新分配来提高电力系统的灵活性，是一种经济有效的解决方案。提出了一种考虑热电联产和可重构供热网络的机组组合方法（UC-CERHN），用于协调电力系统和DHS的日前调度。考虑到DHN的可重构性，DHS被表示为一个非线性的混合整数模型。此外，一个辅助的能量流变量被引入到所形成的DHS模型，使承诺问题易处理，其中的计算负担显着减少。广泛的案例研究，以验证近似模型的有效性，并说明所提出的方法的拥塞管理和风力发电住宿的潜在好处。（通讯作者：孙宏斌）
2020-06-02 cs.SY eess.SY
Integrating Conductor Health into Dynamic Line Rating and Unit Commitment under Wind Uncertainty
KENTECH（韩国科学技术研究院）
本文研究在风不确定性下，通过量化风险相关的折旧成本和导体健康风险，提出考虑导体健康的单元调度方法，以提高线路利用率并减少可再生能源弃风。
2026-04-14 cs.SY eess.SY
Toward Using Surrogates to Accelerate Solution of Stochastic Electricity Grid Operations Problems
Sandia National Laboratories（桑迪亚国家实验室）
本文提出利用多项式混沌展开构建替代模型，以减少求解随机电力网络运营问题的计算成本，相比蒙特卡洛方法可降低数个数量级的计算开销。
2014-06-01 cs.SY eess.SY
Electricity and Reserve Pricing in Chance-Constrained Electricity Markets with Asymmetric Balancing Reserve Policies
最近，机会约束随机电力市场设计已被提出来解决的缺点，基于随机电力市场设计。特别是，使用机会约束的市场出清避免了在预期和每个场景的特点，并产生独特的能源和储备价格。然而，目前的配方依赖于对称的控制策略的基础上，聚合系统的不平衡，这限制了平衡储备供应商在他们的能量和储备的承诺。本文扩展了现有的机会约束的市场出清配方，利用节点到节点和非对称平衡储备政策，并得出由此产生的能源和储备价格。所提出的节点到节点的政策允许使用基于边际成本的方法将平衡储备提供者的报酬与不确定资源的支付相关联。此外，我们引入不对称的平衡储备政策的机会约束的电力市场设计，并显示如何这种额外的自由度影响市场的结果。
2021-06-10 cs.SY eess.SY math.OC
Fast Constraint Screening for Multi-Interval Unit Commitment
针对高维多区间混合整数UC问题求解效率低的问题，提出一种基于负荷分布预筛选与多步爬坡关系的快速约束筛选方案，能可靠消除80%以上冗余约束且保持启停决策等价性与可行性。
2023-09-12 cs.SY eess.SY
A Distributionally Robust Optimization Approach for Unit Commitment in Microgrids
提出了一种在电力市场价格不确定性和净负荷不确定性下的分布式鲁棒微电网机组组合方法。所提出的方法的关键推力是利用Kullback-Leibler散度来构造一个模糊度集的概率分布和制定一个最优化问题，最小化所带来的最坏情况下的分布在模糊度集中的预期成本。所提出的方法有效地利用历史数据和资本化的k-means聚类算法，结合软动态时间弯曲得分，形成名义概率分布及其相关的支持。一个两级分解方法，使设计的问题的有效解。我们进行了有代表性的研究，并量化了所提出的方法相对于随机最优化为基础的模型在不同的发散容差值的相对优点。
2020-12-13 cs.SY eess.SY math.OC
Sample Robust Scheduling of Electricity-Gas Systems Under Wind Power Uncertainty
本文提出两阶段样本鲁棒优化模型，结合线性决策规则与结构特征简化，高效求解风电不确定性下电气系统的机组组合最优能量流问题。
2023-12-30 cs.SY eess.SY math.OC
Fairness in Robust Unit Commitment Problem Considering Suppression of Renewable Energy
Toshiba Energy Systems & Solutions Corporation（东芝能源系统与解决方案公司）
本文提出了一种考虑可再生能源抑制的鲁棒单元调度问题中的公平性模型，通过基尼指数衡量公平性并验证其有效性。
2026-03-10 cs.SY eess.SY math.OC
Data-Driven Stochastic Optimization for Power Grids Scheduling under High Wind Penetration
为了解决环境问题和提高经济效益，风力发电被迅速纳入智能电网。然而，风能固有的不确定性带来了运营挑战。为了确保具有成本效益、可靠和稳健的运营，至关重要的是找到能够正确和严格对冲所有不确定性来源的最佳决策。本文提出了一种基于数据驱动的随机机组组合方法来指导电网调度。具体而言，给定有限的历史数据，后验预测分布的开发，以量化的风功率预测的不确定性，既考虑到固有的随机不确定性的风力发电和输入模型估计误差。对于复杂的电网系统，有限数量的场景被用来估计在规划范围内的预期成本。为了进一步控制有限采样误差的影响，提出了一种基于并行计算的优化求解方法，该方法可以快速找到可靠的最优机组组合决策，从而避免了各种不确定性。对6节点和118节点系统的实证研究表明，该方法可以提供更有效和更强大的性能比现有的确定性和随机机组组合方法。
2020-11-09 cs.SY eess.SY
Enhancing System Flexibility through Corrective Demand Response in Security-Constrained Unit Commitment
目前，系统运营商通过在日前调度中出于经济原因调度可控负荷来实现需求响应。特别地，需求从电力成本较高的高峰时间转移到非高峰时间，以通过平坦化负载分布来保持系统可靠性。然而，在短期业务中，没有明确考虑到在发生意外后的情况下采取这种行动的系统灵活性和经济效益。因此，本文强调了需求响应的好处，作为一个纠正行动，潜在的突发事件后，提前一天调度。提出了一种安全约束的机组组合（SCUC）模型，该模型考虑了当线路或发电机停运时，通过修正需求响应（CDR）提供的灵活性来维持系统的系统可靠性。该模型在IEEE 24节点系统上进行了测试，仿真结果表明，在日常运营中，总成本节省显着。此外，结果表明，发电机具有更好的长期可靠性，并且能够使用现有系统的灵活性，并在实施CDR时满足基本情况下更高的关键需求。
2020-06-20 cs.SY eess.SY math.OC
Novel Quality Measure and Efficient Resolution of Convex Hull Pricing for Unit Commitment
本文针对含固定成本的机组组合凸包定价问题，提出基于代理拉格朗日松弛和最优对偶值上界的新型质量度量方法，在 IEEE 118 节点系统上验证其比可行成本度量更准确且求解更高效。
2023-04-17 cs.SY eess.SY
A Fast Solution Method for Large-scale Unit Commitment Based on Lagrangian Relaxation and Dynamic Programming
机组组合问题是电力系统运行和市场机制的关键问题。随着现代电力的发展，电力系统的规模不断扩大，解决UC问题的难度也越来越大。为此，本文提出了一种新的基于拉格朗日松弛和动态规划的快速求解方法。首先，通过基于拉格朗日松弛的快速方法估计UC解是初始试探UC解。该初步试验UC解决方案充分考虑了系统范围的约束。其次，引入动态规划模块，调整UC解，使其满足单元约束。第三，提出了一种基于调整后的试验UC解构造可行UC解的方法。具体来说，建立了UC方案的可行性检验模型和升级策略。在IEEE 24节点、IEEE 118节点、波兰2383节点和法国6468节点系统上进行了数值试验，验证了所提方法的有效性。
2022-11-03 cs.SY eess.SY math.OC
A Survey on Applications of Quantum Computing for Unit Commitment
Louisiana State University（路易斯安那州立大学）
本文综述了量子计算在机组调度问题中的应用，探讨了不同量子范式下的建模策略和计算权衡，为大规模量子增强的UC问题提供了未来研究方向。
2026-08-04 cs.SY eess.SY quant-ph
Distributionally Robust Frequency Constrained Scheduling for an Integrated Electricity-Gas System
电力系统从传统的大容量发电转向可再生能源发电。这一趋势导致了系统惯性下降带来的频率安全问题。另一方面，天然气发电机组由于其快速调整能力而经常被安排以提供操作灵活性。因此，电力和天然气系统之间的相互依赖性得到加强。本文从电力燃气一体化系统的角度研究了风电功率变化下的频率约束调度问题。提出了一种分布式鲁棒机会约束最优化模型，对风电场系统的机组组合和虚拟惯量供应进行协同优化。该模型综合考虑了频率约束和天然气系统运行约束，通过设计DR联合机会约束来解决风电功率的不确定性。证明了该模型是一个混合整数二阶锥规划。案例研究表明，所提出的方法可以提供一个高度可靠和计算有效解，并显示将NGS操作约束的频率约束调度问题的重要性。
2021-09-29 cs.SY eess.SY math.OC
An Optimization Method-Assisted Ensemble Deep Reinforcement Learning Algorithm to Solve Unit Commitment Problems
机组组合问题是日前电力市场中的一个基本问题，有效解决机组组合问题至关重要。数学优化技术，如动态规划，拉格朗日松弛，和混合整数二次规划（MIQP）通常采用UC问题。然而，这些方法的计算时间随着发电机和能源资源的数量以指数速度增加，这仍然是工业中的主要瓶颈。人工智能的最新进展已经证明了强化学习（RL）解决UC问题的能力。不幸的是，现有的研究与强化学习解决UC问题的规模增长时，遭受的维数灾难。为了解决这些问题，我们提出了一种优化方法辅助的集成深度强化学习算法，其中UC问题被表示为马尔可夫决策过程（MDP），并通过集成框架中的多步深度Q学习来解决。该算法通过求解量身定制的优化问题来建立候选动作集，以确保较高的性能和满足操作约束。IEEE 118和300节点系统的数值研究表明，我们的算法优于基线RL算法和MIQP。此外，该算法在不可预见的操作条件下表现出较强的泛化能力。
2022-06-09 cs.LG cs.SY eess.SY
Data Center Spatio-Temporal Load Flexibility in Security-Constrained Unit Commitment for Enhanced Grid Efficiency and Reliability
University of Houston（休斯顿大学）
本文提出了一种模块化的安全约束机组调度框架，协调灵活的数据中心工作负载与系统级调度，以减少可再生能源弃风弃光、缓解电网拥堵并降低运行成本。通过三种混合整数线性规划模型：数据中心空间模型（DC-S）、数据中心时间模型（DC-T）和数据中心时空模型（DC-ST），实现了跨地理分布站点的即时工作负载重新分配、时间可延迟负载的转移以及两者联合激活，从而扩大可行的操作区域。
2026-05-18 cs.SY eess.SY
An optimal hierarchical control scheme for smart generation units: an application to combined steam and electricity generation
针对热网和能源电网的波动需求，提出一种分层控制方案，高层混合优化定义机组组合与生产曲线，低层MPC安全控制系统，并引入线性参数变化MPC实现发电单元的最优启动，仿真验证了其有效性。
2023-06-28 cs.SY eess.SY math.OC
On the Design of Stochastic Electricity Auctions
Department of Information Technology and Electrical Engineering, ETH Zürich（苏黎世联邦理工学院信息与电气工程学院）；Department of Economics and Nuffield College, University of Oxford（牛津大学经济学系与纳菲尔德学院）
本文探讨了如何通过微观经济学中的不确定性均衡概念解决电力拍卖中可再生能源不确定性导致的效率问题，提出基于世界状态的电力合同设计方法。
2026-04-15 cs.SY econ.GN econ.TH
Co-optimisation and Settlement of Power-Gas Coupled System in Day-ahead Market under Multiple Uncertainties
电力系统和天然气系统的相互依赖性正在通过新兴的电力到天然气设施（PtG）和现有的燃气发电机得到加强。为了在可再生能源资源和负荷需求的各种不确定性下共同提高效率和安全性，必须共同优化这两个能源系统，以便提前一天进行市场清算。提出了一种数据驱动的集成电-气系统随机协优化模型。该模型是准确的近似顺序混合整数二阶锥规划，然后可以解决并行和分散的方式，利用广义Benders分解。由于价格的形成和结算问题很少被调查的综合电力天然气系统在不确定性设置，提出了一个新的概念，预期的位置边际价值信贷的PtGs，有助于对冲不确定性的灵活性。通过与确定性模型和分布鲁棒模型的比较，验证了所提出的随机模型的优越性和所提出的求解方法的有效性。详细的定价和结算的PtGs的结果显示，预期的位置边际值可以公平信用的PtGs的贡献，并反映了系统的缺陷，捕捉不确定性。
2020-11-14 cs.SY eess.SY
Value of Fleet Vehicle Grid in Providing Transmission System Operator Services
本文提出了一种新的电动汽车（EV）车队的聚合模型，考虑他们的日常和每周的使用模式。采用频率约束随机机组组合模型优化调度电动汽车充电和放电以及电力系统中的频率响应（FR）的提供，同时尊重车辆的能量需求和驾驶时间表。通过案例研究，我们证明了具有车辆到电网（V2G）能力的电动汽车每年可以将未来GB电网的系统成本降低高达12，000英镑，每年减少60吨二氧化碳排放量，主要是由于减少了风力发电的削减。该论文还量化了由于FR交付时间的变化，风力的渗透或替代灵活性供应商的吸收而导致的车队V2G效益的变化。最后，提出了一个依赖于电动汽车的充电状态的电池退化模型，并在随机调度问题中实现。它可以显著降低16%的降级成本，而电动汽车的系统价值仅降低0.4%。
2022-01-14 cs.SY eess.SY
Virtual Trading in Multi-Settlement Electricity Markets
本文构建供给函数均衡模型，研究虚拟交易对日前与实时电力市场价格和数量对齐的影响，发现虚拟交易可缩小甚至消除价差但无法纠正日前需求数量扭曲，并用加州和纽约市场数据验证了模型含义。
2025-08-16 cs.SY econ.GN eess.SY
Application of Volterra Equations to Solve Unit Commitment Problem of Optimised Energy Storage and Generation
Energy Systems Institute Russian Academy of Sciences（俄罗斯科学院能源系统研究所）；Queen’s University Belfast（贝尔法斯特女王大学）；Hunan University（湖南大学）；Penza State University（奔萨国立大学）
本文提出基于第一类Volterra积分方程的自适应方法，用于解决负载平衡问题，通过考虑时间依赖效率和各储能技术的可用性，实现优化能源存储与发电的低成本调度。
2016-09-28 cs.NA cs.SY eess.SY
Essential System Services in Grids Dominated by Renewable Energy
随着电力系统中基于可变逆变器的可再生能源发电的比例从总供应的少数增加到大多数，提供辅助系统服务的复杂性和成本也同时增加。澳大利亚现在正在经历这种转变-从2010年的世界第三大碳密集型电力行业，到现在在某些地区可变可再生能源（VRE）的渗透率经常达到100%，以及世界领先的分布式能源（DER）吸收率。本文介绍了开拓性的工作，探索新的技术，经济和监管框架，提供基本系统服务（ESS），也被称为辅助服务，在电力系统占主导地位的可变逆变器为基础的可再生能源资源。我们探讨了最近应用的需求曲线和列线图的概念，以采购ESS，和新兴的设计原则框架，以促进从默认提供系统服务的同步发电的演变，共同优化的服务，通过单位的承诺，独立提供服务，通过逆变器为基础的资源。本文还分析了世界上最大的电池，南澳大利亚州的Hornsdale电力储备最近在技术和财务上的成功，以及它能够告知未来的电力市场框架如何激励和适应新的技术能力，无论是第一个还是第N个系统。最后，本文回顾了新兴的能源系统技术能力，包括提供合成惯性和RoCoF控制，电网形成逆变器，以及先进的DER聚合，为安全，弹性和孤岛电网提供ESS和系统重启能力。
2021-05-28 cs.SY eess.SY
Storage or No Storage: Duopoly Competition Between Renewable Energy Suppliers in a Local Energy Market
本文研究了在一个地方能源市场上，可再生能源供应商之间的双寡头竞争，有或没有储能。储能投资带来了稳定可再生能源供应商产量的好处，但也导致了巨大的投资成本以及市场结果的一些令人惊讶的变化。为研究可再生能源供应商竞争中储能投资的均衡决策问题，采用三阶段博弈模型对供应商和消费者之间的互动关系进行建模。在第一阶段，在投资期开始时，供应商决定是否投资于存储。一旦做出这样的决定，在每天的日前市场中，供应商决定第二阶段的投标价格和数量，消费者根据第二阶段的投标价格和数量决定第三阶段从每个供应商购买的电量。在实时市场中，如果供应商的实际发电量低于其承诺，则供应商将受到惩罚。我们刻画了第二阶段的价格-数量竞争均衡，并进一步刻画了第一阶段的存储投资均衡，其中包括售电收入和存储成本。与直觉相反，我们表明，与稳定的发电相比，由于随机发电下的市场竞争减少，没有储能投资的可再生能源的不确定性可以导致更高的供应商利润。仿真结果进一步说明了由于市场竞争的结果。例如，对不履行承诺的更高惩罚，更高的存储成本或更低的消费者需求有时可以增加供应商的利润。我们还表明，虽然存储投资可以增加供应商的利润，先发供应商谁投资于存储可能会受益小于搭便车的竞争对手谁选择不投资。
2019-10-13 cs.GT cs.SY eess.SY
Real-time enforcement of local energy market transactions respecting distribution grid constraints
Telecom Paristech（巴黎电信学院）；INRIA Sophia-Antipolis（索菲亚-安提波利斯国家信息与自动化研究所）；EDF R&D（法国电力集团研发中心）
本文提出了一种基于博弈论的方法，用于实时控制电力流，通过半分布式方式达成聚合均衡，使家庭和运营商都能受益，同时确保本地市场承诺的执行和配电网络约束的遵守。
2019-04-12 cs.GT cs.SY eess.SY
Risk-aware stochastic scheduling of multi-market energy storage systems
Imperial College London（帝国理工学院）；BP International Ltd（英国石油国际有限公司）
本文研究了在电力市场中考虑价格不确定性的储能系统调度，采用两阶段随机风险约束方法，通过条件风险价值量化风险，验证了在氢气系统和电池储能系统中，增加风险厌恶程度可显著提高收益，尽管预期收益降低。
2026-05-07 cs.SY eess.SY math.OC
A deep generative model for probabilistic energy forecasting in power systems: normalizing flows
Liège University（列日大学）；Mines ParisTech（巴黎高等矿业学院）
最终用途部门的直接电气化以及可再生能源的更高份额是到2050年实现碳中和社会的支柱之一。然而，与传统发电厂相比，可再生能源受到不确定性的影响，这对它们与电力系统的相互作用提出了挑战。基于情景的概率预测模型已成为装备决策者的重要工具。本文向电力系统预测从业者介绍了一种最新的深度学习技术，即归一化流，以产生准确的基于马尔可夫链的概率预测，这对于面对电力系统应用中的新挑战至关重要。该技术的优势在于通过最大化可能性来直接学习底层过程的随机多变量分布。通过使用2014年全球能源预测竞赛的开放数据进行全面的实证评估，我们证明了这种方法与其他最先进的深度学习生成模型具有竞争力：生成对抗网络和变分自编码器。通过考虑使用几个补充指标的能源零售商和质量的案例研究，在预测值方面适当地比较了基于天气的风能，太阳能和负荷情景的模型。数值实验简单，易于重现。因此，我们希望它将鼓励其他预测从业者在电力系统应用中测试和使用归一化流，例如电力市场上的投标，调度具有高可再生能源渗透率的电力系统，虚拟电力计划或微电网的能源管理，以及机组承诺。
2021-09-21 cs.LG cs.SY eess.SY
