A Neural Column-and-Constraint Generation Method for Solving Two-Stage Stochastic Unit Commitment

📄 arXiv: 2508.11071v1 📥 PDF

作者: Zhentong Shao, Jingtao Qin, Nanpeng Yu

分类: eess.SY

发布日期: 2025-08-14

💡 一句话要点

提出神经列与约束生成方法，加速求解含可再生能源的两阶段随机机组组合问题。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 随机机组组合 列与约束生成 神经网络 电力系统优化 可再生能源 两阶段优化 分解算法

📋 核心要点

  1. 大规模随机机组组合问题计算量大，传统分解算法难以满足实时性要求。
  2. 利用神经网络学习第二阶段追索问题的近似解，替代耗时的子问题求解过程。
  3. 在IEEE 118节点系统上验证，速度提升高达130.1倍，最优性差距小于0.096%。

📝 摘要（中文）

两阶段随机机组组合(2S-SUC)问题已被广泛用于管理间歇性可再生能源高渗透带来的不确定性。虽然诸如列与约束生成等基于分解的算法已被提出用于解决这些问题，但对于大规模实时应用而言，它们的计算成本仍然过高。本文提出了一种神经列与约束生成(Neural CCG)方法，以显著加速2S-SUC问题的求解。该方法集成了一个神经网络，通过学习运行场景的高级特征和第一阶段的机组组合决策来近似第二阶段追索问题。该神经估计器嵌入在CCG框架中，用快速神经评估代替了重复的子问题求解。我们在IEEE 118节点系统上验证了该方法的有效性。与原始CCG和最先进的商业求解器相比，Neural CCG实现了高达130.1倍的加速，同时保持平均最优性差距低于0.096%，证明了其在电力系统中可扩展随机优化的强大潜力。

🔬 方法详解

问题定义：论文旨在解决两阶段随机机组组合(2S-SUC)问题，该问题考虑了可再生能源发电的不确定性。现有基于分解的算法，如列与约束生成(CCG)，在求解大规模2S-SUC问题时计算负担过重，难以满足实时应用的需求。传统CCG方法需要反复求解第二阶段的子问题，计算成本高昂。

核心思路：论文的核心思路是利用神经网络学习第二阶段追索问题的近似解，从而避免重复求解子问题。通过学习历史数据中运行场景的特征和第一阶段机组组合决策与第二阶段成本之间的关系，神经网络可以快速预测第二阶段的成本，从而加速整个CCG算法的收敛。

技术框架：Neural CCG方法将神经网络嵌入到传统的CCG框架中。整体流程如下：1) 初始化主问题；2) 求解主问题得到第一阶段的机组组合决策；3) 使用神经网络估计第二阶段的成本，替代求解子问题；4) 根据神经网络的输出更新主问题；5) 重复步骤2-4，直到满足收敛条件。

关键创新：最重要的技术创新点是使用神经网络近似第二阶段追索问题。与传统的CCG方法相比，Neural CCG避免了重复求解子问题，从而显著降低了计算复杂度。神经网络能够学习运行场景和第一阶段决策与第二阶段成本之间的复杂关系，从而实现快速且准确的估计。

关键设计：论文中神经网络的具体结构未知，但关键在于如何提取运行场景的高级特征，并将其与第一阶段的机组组合决策相结合，作为神经网络的输入。损失函数的设计目标是最小化神经网络预测的第二阶段成本与实际成本之间的差距。此外，还需要考虑如何平衡神经网络的训练时间和预测精度，以获得最佳的性能。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，Neural CCG方法在IEEE 118节点系统上实现了显著的加速效果，与原始CCG和商业求解器相比，速度提升高达130.1倍，同时保持平均最优性差距低于0.096%。这表明该方法在保证解的质量的同时，显著降低了计算时间，具有很强的实用价值。

🎯 应用场景

该研究成果可应用于电力系统调度和运行，特别是在可再生能源渗透率较高的场景下。通过加速随机机组组合问题的求解，可以提高电力系统的运行效率和可靠性，降低运行成本，并促进可再生能源的消纳。该方法还可推广到其他具有相似结构的随机优化问题。

📄 摘要（原文）

Two-stage stochastic unit commitment (2S-SUC) problems have been widely adopted to manage the uncertainties introduced by high penetrations of intermittent renewable energy resources. While decomposition-based algorithms such as column-and-constraint generation has been proposed to solve these problems, they remain computationally prohibitive for large-scale, real-time applications. In this paper, we introduce a Neural Column-and-Constraint Generation (Neural CCG) method to significantly accelerate the solution of 2S-SUC problems. The proposed approach integrates a neural network that approximates the second-stage recourse problem by learning from high-level features of operational scenarios and the first-stage commitment decisions. This neural estimator is embedded within the CCG framework, replacing repeated subproblem solving with rapid neural evaluations. We validate the effectiveness of the proposed method on the IEEE 118-bus system. Compared to the original CCG and a state-of-the-art commercial solver, Neural CCG achieves up to 130.1$\times$ speedup while maintaining a mean optimality gap below 0.096\%, demonstrating its strong potential for scalable stochastic optimization in power system.