arXiv cs.AI· Milad Kazemi, Behzad Kazemtabrizi·· 1 天前AI 评分31
学习式约束选择何时在安全约束优化中真正有效？从 SCOPF 到机组组合的边界图
When Does Learned Constraint Selection Pay in Security-Constrained Optimisation? A Boundary Map from SCOPF to Unit Commitment
AI 导读
研究提出以“备用代价”（price of a spare）判断学习式约束选择是否优于固定伞集：在 PGLib-OPF 至 10,000 节点的 43 个网络上，SCOPF 场景中固定伞集中位仅 5 条约束且从未被超越，学习选择器虽在 case500 复现约 x80,000 加速，但仅比伞集快 0.25 ms 且在 4-5% 实例上违反约束。
正文 · AI 翻译
摘要：针对安全约束最优潮流（SCOPF）的学习优化方法会预测每个实例上起作用的安全约束，并仅求解缩减后的问题，据报道相比完整问题可实现两到四个数量级的加速。我们探究学习式选择是否优于最强的无学习替代方案：一个固定的伞形集合，强制实施训练中观察到的所有起作用的约束。我们的判据——备用代价——可提前回答这一问题：强制实施但未起作用的约束是免费的，因此伞形集合在可行处恰好最优，而学习只有在备用决策付出代价时才能带来收益。我们系统地测试了这一点，包括所有不超过 10,000 个节点的 PGLib-OPF 网络。对于固定网络上的 SCOPF，伞形集合从未被超越：在 43 个网络中，其中位规模为五个约束，且没有规模趋势；而我们的选择器虽然重现了已发表量级的加速（在 case500 上约为 x80,000），但相比伞形集合最多仅快 0.25 ms，并在 4-5% 的实例上违反约束。配置多样性可以在一个小型、密集网状网络上打破伞形集合的覆盖，但在 2,000 个节点时不能，并且我们通过保形风险控制来认证覆盖。在机组组合中，备用需要付出代价，静态组合在样本外损失 4-12%，而预测-修复-缩减流水线可将其挽回（成本差距 0.2-2.9%，完全可行，比 MILP 快 16-161 倍）。在我们的实验中，学习是否能带来收益不取决于问题规模，而取决于备用是否付出代价。
| 评论： | 10 页，6 幅图，4 张表 |
| 主题： | 系统与控制（eess.SY）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15142 [eess.SY] |
| （或 arXiv:2611.15142v1 [eess.SY] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15142 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Milad Kazemi [查看电子邮件]
[v1]
2026 年 11 月 11 日星期三 07:31:18 UTC（28 KB）
来源：arXiv cs.AI · arxiv.org