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
Method for Chance Constrained Optimal Control Using Biased Kernel Density Estimators
提出了一种数值求解机会约束最优控制问题的方法。机会约束被重新表述为保留原始约束的概率属性的非线性约束。该方法将机会约束最优控制问题转化为确定性的最优控制问题,并可通过数值求解。在本文中开发的新方法近似的机会约束,使用马尔可夫链蒙特卡罗(MCMC)抽样和核密度估计,其内核有整函数,限制的指示函数。核密度估计的应用所产生的非线性约束被设计为具有不违反原始机会约束的界限的界限。该方法进行了测试,一个非平凡的机会约束修改的月球软着陆最优控制问题和结果进行了比较,使用保守的确定性制定的最优控制问题。结果表明,这种新方法有效地解决了机会约束最优控制问题。
2020-05-28 math.OC
Approximate Methods for Solving Chance Constrained Linear Programs in Probability Measure Space
本文首次提出求解概率测度空间中机会约束线性规划的数值方法,通过两个可解近似问题并证明其一致收敛性,数值实验验证了方法的有效性。
2023-11-19 math.OC
On Solving Chance-Constrained Models with Gaussian Mixture Distribution
Northwestern University(西北大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种基于高斯混合分布的线性随机约束问题求解方法,通过混合二进制二次规划实现高精度近似,有效解决大规模问题并满足高概率约束条件。
2025-11-21 math.OC math.PR
Distributionally robust chance constrained Markov decision process with Kullback-Leibler divergence
本文研究具有随机回报和模糊分布的分布鲁棒机会约束马尔可夫决策过程,基于Kullback-Leibler散度模糊集推导了个体约束的易处理重构,并为联合约束设计了序列凸逼近与线搜索的混合算法,通过机器更换问题验证了有效性。
2023-07-29 math.OC
Chance constrained nonlinear fractional programming with random benchmark
本文研究具有随机基准的机会约束分式规划,在温和假设下推导凸重构,并应用分段线性和切线近似,通过经济应用问题的数值实验验证方法。
2023-12-23 math.OC
Chance constrained problems: a bilevel convex optimization perspective
机会约束是在不确定环境中设计安全决策的一个有价值的工具,它们被用来模拟目标概率满足约束。然而,由于可能的非凸性和非光滑性,优化的机会约束集是具有挑战性的。本文建立了机会约束问题的一个精确的转化形式,将其转化为具有凸下层的双层问题。然后,我们推导出一个易于处理的惩罚方法,惩罚的目标是一个不同的凸函数,我们用一个合适的聚束法最小化。我们发布了一个易于使用的开源python工具箱来实现该方法,特别强调快速计算子例程。
2021-03-19 math.OC
An analytical safe approximation to joint chance-constrained programming with additive Gaussian noises
我们提出了一个安全的近似联合机会约束规划的约束函数是添加依赖于一个正常分布的随机向量。近似是解析的,这意味着它既不需要数值积分,也不需要基于采样的概率近似。在温和的假设下,近似是一个标准的非线性规划。通过两个线性Gaussian-Markov模型约束控制的例子,我们将这个新的安全近似与基于Boole不等式的联合机会约束规划的另一个解析安全近似进行了比较.结果表明,我们提出的安全近似具有较低程度的保守性相比,基于布尔不等式。
2019-03-02 math.OC
Ambiguous Chance-Constrained Binary Programs under Mean-Covariance Information
我们考虑机会约束的二进制程序,其中涉及不确定性的每一行不等式需要满足概率。我们只需要知道均值和协方差阵的信息,就可以求解分布鲁棒机会约束二元规划问题。使用两个不同的模糊集,我们等价地重新制定的DCBPs为0-1二阶锥(SOC)计划。我们进一步利用特殊和一般协方差阵下0-1 SOC约束的次模性,并利用次模性和提升导出了扩展的多拟阵不等式,从而加强了0-1 SOC公式.我们将有效的不等式的分支和切割算法有效地解决DCBPs。我们证明了计算效率和解决方案的性能,使用不同的情况下的机会约束装箱问题。
2018-09-13 math.OC
Data-driven Decision Making with Probabilistic Guarantees (Part 2): Applications of Chance-constrained Optimization in Power Systems
可再生能源的渗透率不断加深,对未来电网的安全可靠运行提出了严峻挑战。在不确定环境下的各种决策方法中,本文重点研究了机会约束优化,它为最优解的可行性提供了明确的概率保证。虽然已经提出了不少方法来解决机会约束最优化问题,但缺乏对所提出的方法进行全面的回顾和比较分析。本文的第一部分回顾了三种现有的机会约束优化方法:(1)情景方法;(2)样本平均近似;(3)基于鲁棒优化的方法。数据驱动的方法,不受任何特定的基本不确定性的分布,是特别感兴趣的。本文的第二部分对机会约束优化在电力系统中的应用进行了文献综述。第二部分还提供了一个关键的比较现有的方法的基础上数值模拟,这是进行标准的电力系统测试用例。
2019-04-14 math.OC
Solving Mission-Wide Chance-Constrained Optimal Control Using Dynamic Programming
提出了一种求解任务范围机会约束最优控制问题的动态规划方法。任务范围的机会约束保证整个状态轨迹位于约束/安全区域内的概率高于规定水平,并且不同于在各个时间步长处施加的逐阶段机会约束。控制的目标是找到一个最优的策略序列,实现(i)满足任务范围的机会约束,和(ii)最小化的费用函数。通过拉格朗日方法将逐阶段机会约束问题转化为无约束问题,然后可以部署标准DP。然而,对于MWCC-OCP,这种方法不适用,因为任务范围的机会约束不能很容易地使用逐阶段的机会约束,由于后者之间的时间相关性(单个状态通过系统动态耦合)制定。为了填补这一空白,首先,我们详细说明了一个经典的DP解决方案存在这种类型的问题所需的条件;其次,我们提出了一个DP解决方案的MWCC-OCP通过状态增强通过引入一个额外的功能状态变量。
2022-09-13 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 Optimal Power Flow Using the Inner-Outer Approximation Approach
近年来,有一个巨大的趋势,可再生能源渗透到能源网络。然而,这些来源根据环境条件引入不确定的发电量。因此,寻找“最优”和“可行”的运营策略对网络运营商来说仍然是一个很大的挑战,因此,适当的优化方法至关重要。本文将含不确定性的最优潮流问题转化为一个机会约束最优化问题。由于网络中的不确定性通常是“非高斯”分布的随机变量,因此机会约束不能直接转化为确定性约束。因此,在本文中,我们使用最近发展的内外近似的方法来近似求解机会约束最优潮流。该方法的有效性表明,使用直流最优潮流纳入不确定的非高斯分布的风力发电。
2018-05-02 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
A Warm Start Method for Solving Chance Constrained Optimal Control Problems
提出了一种有效求解复杂机会约束最优控制问题的热启动方法。热启动方法解决了机会约束最优控制问题的计算挑战,使用有偏的核密度估计和Legendre-Gauss-Radau配置与$hp$自适应网格细化方法。为了解决计算的挑战,热启动方法提高了机会约束最优控制问题的起点,以及通过网格细化迭代循环的效率。改进是通过调整核密度估计器的参数,以及实现作为解决方案过程的一部分的内核开关。此外,偏置核密度估计器的样本的样本个数被设置为通过一系列网格细化迭代而递增。因此,热启动方法是调整参数、内核切换和样本量增量增加的组合。这种热启动方法成功地应用于解决两个具有挑战性的机会约束最优控制问题的计算效率的方式,使用有偏核密度估计和Legendre-Gauss-Radau配置。
2020-07-20 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
Approximating Rockafellians Mitigate Distributional Perturbations: Discontinuous Integrands and Chance-Constrained Applications
本文提出用近似Rockafellian提升随机规划在分布扰动下的稳定性,突破以往对特殊分布和连续被积函数的限制,并在较弱假设下改进了机会约束规划的定性与定量稳定性结果。
2025-07-21 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 Two-Stage Unit Commitment under Uncertain Load and Wind Power Output Using Bilinear Benders Decomposition
本文研究了考虑负荷和风力发电量不确定性的机组组合问题。UC问题被表述为一个机会约束的两阶段随机规划问题,其中机会约束用于限制负载不平衡的概率。除了传统的混合整数线性规划公式使用Big-M,我们提出了机会约束的双线性混合整数公式,然后推导出其线性对应的McCormick线性化方法。然后,我们开发了一个双线性变形的Benders分解方法,这是一个易于实现的算法,以解决由此产生的大规模线性对应。对典型IEEE系统的仿真结果表明:(i)双线性混合整数规划公式比传统公式更强;(ii)Benders分解算法比直接使用专业求解器计算线性和双线性机会约束UC模型快数量级.
2016-11-27 math.OC
Chance Constrained Optimization for Targeted Internet Advertising
我们引入了一个机会约束优化模型,保证显示互联网广告活动的履行。分配展示器材的拟议公式已考虑到互联网观众供应的不确定性。我们讨论和提出的理论和计算功能的模型,通过蒙特卡罗抽样和凸近似。理论上的上限和下限,提出了随着数值证实。
2014-07-30 cs.CE math.OC
Machine learning approach to chance-constrained problems: An algorithm based on the stochastic gradient descent
考虑离散广义过程的机会约束问题。我们的目标是解决大量场景的问题。我们提出了一种新的方法,基于随机梯度下降法,执行更新的决策变量的基础上,只考虑少数情况。我们修改它来处理不可分离的目标。复杂性分析和标准(批量)梯度下降法的比较。我们给出了三个非凸数据的例子,并表明我们的方法提供了一个很好的解决方案,即使在场景的数量很大。
2019-05-27 math.OC
Exploiting structure of chance constrained programs via submodularity
我们引入了一种新的方法,以减少计算工作量的混合整数凸机会约束规划通过场景的方法。我们没有减少所需场景的数量,而是直接最小化场景程序的计算成本。我们利用问题的结构,有效地划分的约束函数,并考虑多个机会约束的程序,提供相同的概率保证,原来的单机会约束问题。我们制定的问题,找到最佳的分区,分区实现最低的计算成本,作为一个最优化问题的非线性目标和组合约束。通过使用子模块的支持秩的一组约束,我们提出了一个多项式时间算法,找到次优的解决方案,这个划分问题,我们给近似保证特殊类的成本度量。我们说明,由此产生的计算成本节省可以是任意大的,并证明我们的方法从生产和多代理规划的两个案例研究。
2018-09-18 math.OC
Nonconvex and Nonsmooth Approaches for Affine Chance-Constrained Stochastic Programs
机会约束规划是一类困难的随机规划,即使是简单的线性随机泛函也可能是不可微和非凸的。现有的求解CCP的方法主要处理概率函数中的凸随机泛函。在本文中,我们考虑两个推广的类机会约束在文献中普遍研究;一个推广涉及的概率析取非凸函数事件和其他推广涉及混合符号仿射组合的概率;一起,我们硬币术语仿射机会约束(ACC)系统这些广义机会约束。我们提出的这种ACC系统的处理涉及几个单独已知的想法的融合:(a)概率的期望公式中的指示函数的参数化上下近似;(b)外部(即,固定的)与内部的(即,顺序)基于采样的期望算子近似;(c)作为可行性松弛的约束惩罚;以及(d)通过替代的非凸性和不可微性的凸化。集成这些技术解决仿射机会约束随机规划(ACC-SP)与不同程度的实用性和计算工作是本文的主要贡献。
2022-03-01 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
A dynamical neural network approach for distributionally robust chance constrained Markov decision process
针对分布鲁棒联合机会约束马尔可夫决策过程,本文利用对数变换推导确定性重构,并提出动态神经网络方法求解非凸优化问题,相比序列凸近似方法展现出更高效率。
2024-01-02 math.OC
Tight Bound for Sum of Heterogeneous Random Variables: Application to Chance Constrained Programming
研究了一类非齐次变量与自变量之和的紧Bennett型集中不等式,定义为一维极小化。我们表明,这种改进,它优于标准的已知界限,仍然计算上易于处理:我们开发了一个多项式时间算法计算置信区间,证明终止与ε-解决方案。从所提出的不等式,我们推导出严格的分布鲁棒界的机会约束规划问题。为了说明我们的方法的效率,我们考虑两个用例。首先,我们研究了机会约束二元背包问题,并通过获得比经典不等式(例如Chebyshev-Cantelli或Hoeffding)更强的解来强调我们的切割平面方法的效率。其次,我们处理的支持向量机问题,我们得到的凸保守近似提高了分离超平面的鲁棒性,同时保持计算易处理。
2022-11-22 math.OC
Chance-Constrained Gaussian Mixture Steering to a Terminal Gaussian Distribution
针对初始状态为高斯混合、终端须为指定高斯且含机会约束的有限时域线性系统控制,本文证明状态与控制分布保持高斯混合,并将路径规划转化为单个凸优化问题。
2024-09-06 math.OC
On Approximations of Data-Driven Chance Constrained Programs over Wasserstein Balls
分布鲁棒机会约束规划是在满足一个或多个高概率安全条件的条件下,在已知影响安全条件的不确定问题参数的概率分布属于某个模糊集的情况下,最小化确定性费用函数的一类规划.我们研究了Wasserstein球上分布鲁棒机会约束规划的三种流行的近似方案,其中模糊集包含到参考分布的一定Wasserstein距离内的所有概率分布。第一个近似用条件风险值的边界代替机会约束,第二个近似通过Bonferroni不等式来简化不同的安全条件,第三个近似限制安全条件的预期违反,从而满足机会约束。我们表明,条件风险值近似可以被描述为一个紧密的凸近似,这补充了经典(非鲁棒)机会约束的早期研究结果,我们提供了一个新的解释,在运输节省。我们还表明,这三个近似值可以任意执行数据驱动的设置不佳,而且它们通常是彼此不可比较的。
2022-11-20 math.OC
Robust approximation of chance constrained optimization with polynomial perturbation
本文提出一种多项式机会约束优化的鲁棒近似方法,通过不确定性集替代机会约束,将其转化为线性锥优化,并提出半定松弛算法和启发式方法求解,数值实验验证了其有效性。
2024-08-24 math.OC
Stochastic and Chance-Constrained Conic Distribution System Expansion Planning Using Bilinear Benders Decomposition
二阶圆锥规划(SOCP)已被用于电力系统的各种应用,如运行和扩展规划建模。在本文中,我们提出了一个两阶段的随机混合整数SOCP(MISOCP)模型的配电系统扩展规划问题,考虑不确定性,也捕捉非线性交流潮流。为了避免由于一些极端情况而导致的昂贵的投资计划,我们进一步提出了一个可能导致成本效益解决方案的机会约束变体。为了解决计算的挑战,我们扩展了基本的Benders分解方法,并开发了一个双线性变量来计算随机和机会约束的MISOCP公式。一组数值实验来说明我们的模型和计算方法的性能。特别是,结果表明,我们的Benders分解算法在处理随机场景的数量级上大大优于专业的MISOCP求解器。
2017-04-01 math.OC
Chance Constrained Mixed Integer Program: Bilinear and Linear Formulations, and Benders Decomposition
本文研究了有限离散情景集上的机会约束混合整数规划问题。通过研究一个非传统的双线性混合整数公式,我们得到了它的线性对应公式,并表明它们可能比现有的线性公式更强。我们还开发了一个变种的詹森不等式,扩展了随机规划。为了解决这个具有挑战性的问题,我们提出了一个变种的Benders分解方法的双线性型,这实际上提供了一个易于使用的算法框架,进一步改进,以及一些增强策略的基础上的结构特性或詹森不等式。计算结果表明,Benders分解方法与相应的增强技术相结合,在求解机会约束规划或检测其不可行性方面的性能比商业求解器提高了数量级.
2014-05-31 math.OC
Parallel Randomized Algorithm for Chance Constrained Program
由于存在随机扰动的机会约束,机会约束规划是一个计算困难的问题。提出了一种求解机会约束规划问题的双层随机算法。在并行算法的框架下,采用随机优化算法搜索满足机会约束的优化器。该方法首先在决策域中不考虑机会约束,统一抽取多个决策样本;然后,在第二采样层中,通过提取扰动样本并计算相应的违规概率来检查所有提取的决策样本的违规概率。具有高于所需水平的违规概率的决策样本被丢弃。利用剩余可行决策样本中费用函数的最小值迭代更新优化器。通过数值模拟,与情景法进行了比较,验证了该方法在非凸问题上的有效性。该方法在寻找概率可行优化器时具有较好的鲁棒性。
2019-11-07 math.OC stat.CO
Solving Chance-Constrained Problems via a Smooth Sample-Based Nonlinear Approximation
本文提出了一种求解具有机会约束的非线性连续最优化问题的新方法。我们的方法是基于重新制定的概率约束作为分位数函数。分位数函数通过可微样本平均近似来近似。我们提供了理论上的近似统计保证,并说明经验,可以直接使用标准的非线性最优化求解器的情况下,单机会约束的重新制定。此外,我们提出了一个S $\ell_1$ QP型信赖域方法来解决联合机会约束的情况下。我们证明了几个问题的方法的性能,并表明,它的规模以及与样本量和平滑可以用来抵消偏差的机会约束近似引起的样本近似。
2020-03-14 math.OC
Chance-constrained optimization with tight confidence bounds
考虑了机会约束最优化问题的凸样本逼近,其中机会约束被样本约束集所代替。我们提出了一个随机化的样本选择策略,允许严格的边界上的概率,样本近似的解决方案是可行的原始机会约束时,被丢弃的采样约束的子集。这些置信界限被证明是更严格的界限,如果约束被丢弃,根据最佳或贪婪丢弃策略。我们进一步表明,相同的置信区间适用于解决方案,从两个阶段的过程中,其中一个样本近似的机会约束问题得到解决,然后通过计数的数量的额外的一组采样约束的违规行为的解决方案的违规概率的经验措施。我们使用这个结果来设计一个重复的情况下的方法,满足所需的公差的违规概率给定任何指定的先验和后验概率。这些界限比以前提出的重复场景方法的置信界限更紧,我们表明后界对于特定的问题子类是精确的。通过数值例子说明了这种方法,并扩展到涉及多个机会约束的问题进行了讨论。
2018-05-19 math.OC
Data-driven Decision Making with Probabilistic Guarantees (Part 1): A Schematic Overview of Chance-constrained Optimization
可再生能源的渗透率不断加深,对未来电网的安全可靠运行提出了严峻挑战。在不确定环境下的各种决策方法中,本文重点研究了机会约束优化,它为最优解的可行性提供了明确的概率保证。虽然已经提出了不少方法来解决机会约束最优化问题,但缺乏对所提出的方法进行全面的回顾和比较分析。本文的第一部分回顾了三种现有的机会约束优化方法:(1)情景方法;(2)样本平均近似;(3)基于鲁棒优化的方法。数据驱动的方法,不受任何特定的基本不确定性的分布,是特别感兴趣的。本文的第二部分对机会约束优化在电力系统中的应用进行了文献综述。第二部分还提供了一个关键的比较现有的方法的基础上数值模拟,这是进行标准的电力系统测试用例。
2019-04-12 math.OC
A Chance Constrained Information-Gap Decision Model for Multi-Period Microgrid Planning
提出了一种多周期微网扩展规划的机会约束信息差决策模型,该模型考虑了随机和非随机两类不确定性。MMEP的主要任务是确定微电网中分布式能源(DER)的最佳规模,类型选择和安装时间。在所提出的配方,信息差距决策论(IGDT)被应用到对冲非随机的不确定性的长期需求增长。然后,机会约束施加在操作阶段,以解决每小时的可再生能源发电量和负荷变化的随机不确定性。机会约束信息差决策模型的目标是在满足一组高概率操作约束的同时,最大化DER投资的稳健性水平。然而,IGDT和机会约束规划的结合使得计算变得非常具有挑战性。为了解决这一挑战,我们提出并实现了一个加强的双线性Benders分解方法。最后,通过简单和实际复杂微电网的算例研究,验证了所提规划模型的有效性。此外,我们的新的计算方法表现出优越的解决方案的能力和可扩展性。与直接使用专业的混合整数规划求解器相比,可以将计算时间减少几个数量级。
2017-08-24 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
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
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
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
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
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
Chance-Constrained Optimization under Limited Distributional Information: A Review of Reformulations Based on Sampling and Distributional Robustness
机会约束规划(CCP)是最优化问题中最困难的一类,自20世纪50年代以来一直受到研究者的关注。在本调查中,我们关注的是只有有限的分布信息可用的情况,例如分布的样本或分布的时刻。我们首先回顾了最近的发展,在混合整数线性配方的机会约束规划,产生有限的离散分布(或样本平均近似)。我们强调成功的重构和分解技术,使解决方案的大规模的实例。然后,我们回顾了分布鲁棒CCP的积极研究,这是一个框架,以解决随机数据分布中的模糊性。我们审查的重点是可扩展的配方,可以很容易地实现与国家的最先进的优化软件。此外,我们强调CCP的流行与跨多个领域的应用程序的审查。
2022-02-13 math.OC
Distributionally Robust Joint Chance-Constrained Programming with Wasserstein Metric
在本文中,我们开发了一个精确的重新制定和一个确定性近似的分布鲁棒联合机会约束规划(DRCCP)与一般类的凸不确定性约束下的数据驱动Wasserstein模糊集。已知鲁棒机会约束可以保守地近似为最坏情况条件风险价值(CVaR)约束。结果表明,所提出的最坏情况CVaR近似模型可以转化为一个联合DRCCP的双凸约束最优化问题.然后,我们推导出一个凸松弛的近似模型,通过构造新的决策变量,使我们能够消除双凸项。具体地说,当约束函数是仿射的决策变量和不确定性,然后得到的近似模型是相当于一个易于处理的混合整数凸联合二进制DRCCP重新制定。数值结果表明了所提出的公式的计算有效性和优越性。
2022-09-05 math.OC
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
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
Risk Trading in a Chance-Constrained Stochastic Electricity Market
现有的电力市场设计假设风险中性,缺乏风险对冲工具,这导致了次优的市场结果,降低了整体市场效率。本文通过引入Arrow-Debreu证券(ADS),使风险交易在具有机会约束的随机电力市场中得以实现,并推导出一个具有风险交易的风险规避市场出清模型。为了实现风险交易,潜在不确定性的概率空间被离散化为有限数量的结果,这使得设计实用的风险合约和产生能量,平衡储备和风险价格成为可能。值得注意的是,虽然风险契约是离散的,但该模型保留了机会约束的连续性。案例研究说明了建议的风险厌恶的机会约束电力市场与风险交易的实用性。
2020-05-01 cs.SY eess.SY math.OC
Building Load Control using Distributionally Robust Chance-Constrained Programs with Right-Hand Side Uncertainty and the Risk-Adjustable Variants
供暖、通风和空调(HVAC)负荷的聚集可以提供储备以吸收挥发性的可再生能源,特别是太阳能光伏(PV)发电。在本文中,我们决定在不确定的光伏发电暖通空调控制计划,使用分布鲁棒机会约束(DRCC)建筑负荷控制模型下的两个典型的模糊集:基于矩和Wasserstein模糊集。我们推导出混合整数线性规划(MILP)下的DRCC问题的重新制定。特别是,对于Wasserstein模糊集,我们利用右手边(RHS)的不确定性,推导出一个更紧凑的MILP重新比通常已知的MILP重新与大M常数。所有的结果也适用于一般的个人机会约束与RHS的不确定性。此外,我们提出了一个可调整的机会约束的变体,以实现操作风险和成本之间的权衡。我们推导出Wasserstein模糊集下的MILP重构和基于矩集下的二阶锥规划(SOCP)重构。使用真实世界的数据,我们进行计算研究,以证明解决方案的方法和解决方案的有效性的效率。
2022-01-24 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
Uncertain standard quadratic optimization under distributional assumptions: a chance-constrained epigraphic approach
本文研究数据矩阵分布已知但问题不定的不确定标准二次优化,提出机会约束的外图StQP方法并验证其性能。
2025-04-09 math.OC
Chance-Constrained Set Covering with Wasserstein Ambiguity
本文研究了具有Wasserstein模糊集的广义分布鲁棒机会约束集覆盖问题,其中决策和不确定性都是二值的。我们建立了DRC的NP-困难,并将其转换为两阶段随机规划,这有利于分解算法。此外,我们得到了两个家庭的有效不等式。第一个家庭的目标是一个“转移”的次模函数,这是与每个场景的两阶段重新制定的hypograph。我们证明了有效的不等式给出了一个完整的描述的凸包的hypograph。第二个家庭混合了多个场景中的不平等,并通过提升获得进一步的力量。我们的数值实验证明了DRC模型的可靠性和我们提出的重新表述和有效的不等式的有效性。
2022-04-09 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
Data-Driven Moment-Based Distributionally Robust Chance-Constrained Optimization
许多随机最优化问题包括机会约束,这些机会约束以特定概率强制约束满足;然而,求解具有机会约束的最优化问题假设求解器可以访问确切的底层概率分布,这通常是不合理的。在数据驱动的应用程序中,通常使用历史数据样本作为分布的替代品;然而,这会增加处理数据所花费的时间,或者更糟的是,向最优化问题添加额外的变量和约束,从而产生显著的计算成本。另一方面,样本均值和协方差阵的计算是轻量级的,并且可以将机会约束重新构建为分布鲁棒的机会约束。这里的挑战在于样本均值和协方差阵本身是随机变量,因此它们的不确定性应计入机会约束。这项工作通过修改标准的分布鲁棒机会约束方法来保证其满意度,从而弥补了这一差距。所提出的数据驱动的方法进行了测试,一个特别有问题的例子。结果表明,计算速度快的方法是不是显着更保守的比其他方法。
2021-09-17 math.OC
Analytic Non-Gaussian Confidence Boundary Method for Chance-Constrained Trajectory Control
University of Texas at Austin(德克萨斯大学奥斯汀分校);ISAE SUPAERO(法国国立高等航空航天学院)
本文提出非高斯置信边界参数化技术,用于处理非高斯分布的轨迹控制问题,通过高阶统计矩改进置信边界几何形状,应用于航天器机动控制,优于传统线性协方差方法。
2026-04-05 math.OC