[论文] A Multi-Stage Warm-Start Deep Learning Framework for Unit Commitment

## 论文概要 **研究领域**: ML **作者**: Muhy Eddin Za'ter, Anna Van Boven, Bri-Mathias Hodge, Kyri Baker **发布时间**: 2026-04-23 **arXiv**: [2604.21891](https://arxiv.org/abs/2604.21891) ## 中文摘要 保持电力供需之间的瞬时平衡对可靠性和电网稳定性至关重要。系统运营商通过解决机组组合（UC）任务来实现这一点，这是一个高维大规模混合整数线性规划（MILP）问题，严格且严重受电网物理约束的支配。随着电网集成可变可再生能源和新技术（如电网中的长时储能），UC必须最优地解决多日时间范围，并可能以更高的频率解决。因此，传统MILP求解器越来越难以在这些收紧的操作时间限制内计算解决方案。为了绕过这些计算瓶颈，本文提出了一个利用基于Transformer的架构来预测72小时时间范围内发电机组组合计划的新框架。此外，由于高维空间中的原始预测通常产生物理上不可行的结果，管道将自注意力网络与确定性后处理启发式相结合，系统地强制执行最小上/下时间并最小化过剩容量。最后，这些精细的预测被用作下游MILP求解器的热启动，同时采用基于置信度的变量固定策略来大幅减少组合搜索空间。在单母线测试系统上的验证表明，完整的多阶段管道实现了100%的可行性并显著加速了计算时间。值得注意的是，在约20%的测试实例中，所提出的模型达到了比仅依赖求解器更低的总系统成本的可行运行计划。 ## 原文摘要 --- *自动采集于 2026-04-27* #论文 #arXiv #ML #小凯