基于逆优化的工业负荷建模数据驱动降维方法
Data-Driven Dimension Reduction for Industrial Load Modeling Using Inverse Optimization
AI总结：
针对工业负荷模型混合整数约束导致降维方法失效的问题，提出基于逆优化的数据驱动降维方法，经可调负荷集群模型在三个工业负荷数据集上验证，性能优于分析方法。
AI中文摘要：
工业负荷模型中复杂的混合整数约束不仅难以直接集成到经济调度或市场出清流程中，还导致现有分析降维方法失效。我们提出一种用于工业负荷建模的新型数据驱动降维方法，该方法利用工业负荷的最优能源使用数据训练能最佳拟合原始约束的降维模型。通过可调负荷集群模型实现的该方法，在三个工业负荷数据集上的表现优于分析方法。
英文摘要：
The intricate mixed-integer constraints in industrial load models not only pose challenges for their direct integration into economic dispatch or market clearing processes but also render current analytical dimension-reduction methods ineffective. We propose a novel data-driven dimension-reduction approach for industrial load modeling, which uses the optimal energy usage data from industrial loads to train a dimension-reduced model that best fits the original constraints. Our approach, implemented by the adjustable load fleet model, outperformed analytical methods across three industrial load datasets.
