دانلود ترجمه مقاله راهکار برنامه ریزی عدد صحیح مختلط برای شفاف سازی بازار

1. مقدمه 2. انگیزه توسعه MIP 3. مسئله به مدار آوری واحد RTO 4. فرمولاسیون مسئله 5. مسئله به مدار آوری واحد 6. پیشرفت های اخیر در برنامه ریزی عدد صحیح مختلط 7. روش ساده سازی لاگرانژی هیبرید 8. تغییر و تحول از LR به MIP 9. مقایسات LR با MIP 10. مدل سازی گام زمانی متغیر 11. بهبود مدل سازی با MIP 12. نتیجه گیری

چکیده – این مقاله، توضیحی در مورد راهکار «برنامه ریزی عدد صحیح مختلط» (MIP) برای حل مسئله به مدار آوردن واحد PJM ارائه می دهد. در این مقاله توضیحاتی در مورد مسئله تسویه بازار روز بعد و مسئله تحلیل قابلیت اطمینان، شامل می شود. این بوسیله یک مرور کلی از فرآیند توسعه MIP و تعدادی مقایسه انتخاب شده با الگوریتم سست سازی لاگرانژی (LR) از قبل موجود ما، می آید. این مقاله بسیاری از مسائل نهفته مرتبط با راهکارهای MIP را توصیف می کند و بیان می کند که چگونه این مسائل بررسی شدند تا یک راهکار سریع، دقیق و مقاوم، حاصل MIP حاصل کنند. مقدمه: بخش AREVA T&D ، یک راهکار برنامه ریزی عدد صحیح مختلط (MIP) برای مسئله به مدار آوری واحد جهت استفاده در تسویه بازار رو بعد و تحلیل قابلیت اطمینان در «سازمان های انتقال منطقه ای» (RTO های) بزرگ، ارائه داده است. این پیاده سازی، در طی یک سال ، تست و اصلاح شده است و در استفاده تولیدی در PJM در آگوست 2004، بکار گرفته شده است [1]. مزیت های فرمولاسیون MIP در مقایسه با سست سازی لاگرانژی (LR) از این قرارند: 1) بهینگی جهانی 2) یک معیار دقیقتر بهینگی، 3) بهبود مدل سازی قیدهای امنیتی و 4) بهبود قابلیت های مدل سازی و تطبیق پذیری. مزیت عمده دیگر، در استفاده از یک فرمولاسیون MIP این است که تاکید توسعه گر بر تعریف مسئله (یعنی کد سازی الزامات) است نه توسعه الگوریتمی می باشد. افزودن قیدها و متغیرهای جدید نیاز به بهبود پیوسته روش های برنامه ریزی پیچیده دارد (برای مثال، افزودن ضرایب LR جدید). حتی ایده های نسبتاً ساده مانند قیدهای رمپینگ واحد می تواند باعث پژوهش های گسترده و توسعه الگوریتمی در LR شود [2] درحالی که فرمولاسیون MIP متناظر، سرراست است. مسائل بسیاری مرتبط با MIP وجود دارد که اگر با دقت به آنها ننگریم، می تواند باعث پیاده سازی ضعیف شود. اینها شامل : افزایش نیاز به حافظه، تغییرات زیاد زمان اجرا و فرمولاسیون های پیچیده قیدها می باشند. این مقاله، توصیف می کند که چگونه با این مسائل سروکار داشته ایم تا یک جواب سریع، دقیق و مقاوم MIP حاصل شود.

This paper presents a description of a Mixed Integer Programming (MIP) solution for solving the PJM Unit Commitment problem. Included is a description of the Dayahead market clearing problem and the Reliability Analysis problem. This is followed by an overview of the MIP development process and some selected comparisons with our previously existing Lagrangian Relaxation (LR) algorithm. The paper describes many of the inherent problems associated with MIP solutions and illustrates how these issues were dealt with to provide a fast, accurate, and robust MIP solution. INTRODUCTION: AREVA’s T&D division has developed a Mixed Integer Programming (MIP) solution to the Unit Commitment problem for use in Day-ahead market clearing and Reliability Analysis studies at large Regional Transmission Organizations (RTOs). This implementation has been tested and refined for over a year and was put into production use at PJM in August, 2004 [1]. The benefits of the MIP formulation compared to the Lagrangian Relaxation (LR) include: 1) Global optimality. 2) a more accurate measure of optimality, 3) improved modeling of security constraints, and 4) enhanced modeling capabilities and adaptability. Another major benefit in using a MIP formulation is that the developer’s focus is on problem definition (i.e. codification of the requirements) rather than algorithmic development. Addition of new constraints and variables does not require continual enhancement of complex scheduling methods (e.g. addition of new LR multipliers). Even relatively simple ideas such as unit ramping constraints can result in extensive research and algorithmic development in case of the LR [2], while the corresponding MIP formulation is straightforward. There are many issues associated with the MIP that, if not dealt with carefully, can lead to a poor implementation. These include: increased memory requirements, large variations in run times, and complex constraint formulations. This paper describes how we have dealt with these issues to provide a fast, accurate, and robust MIP solution.