Паралельний метод оптимізації структури генеруючих потужностей з використанням метаевристичних алгоритмів та солвера SCIP

С.Є. Саух, чл.-кор. НАН України, Т.В. Пучко, аспірант
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Олега Мудрака, 15
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.; Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(4):73-89

https://doi.org/10.15407/emodel.47.04.073

АНОТАЦІЯ

Розроблено паралельний метод розв’язування задач змішаного цілочисельного лінійного програмування (MILP) великої розмірності, які виникають при оптимізації структури ге­неруючих потужностей електроенергетичних систем. Кожна така MILP-задача розді­ляєть­ся на головну задачу пошуку структури генеруючих потужностей та на множину незалежних MILP-підзадач значно меншої розмірності, що визначають оптимальні ре­жими навантаження енергетичного обладнання в різних умовах експлуатації електроенер­гетичної системи. Головна задача розв’язується за допомогою метаевристичних алгоритмів, а множина незалежних підзадач — паралельно солвером SCIP кожна, що радикально при­швидшує розв’язування задачі в цілому. Числові експерименти з алгоритмом еволю­ційних центрів показали 99 % знаходжень глобального оптимуму та прискорення до 13,38 на 64 потоках. При цьому і швидкодія обчислень, і витрати пам’яті зростають майже лінійно за­лежно від кількості потоків. Запропонований метод добре масштабується на HPC-платфор­мах та є ефективним інструментом стратегічного планування енергосистем.

КЛЮЧОВІ СЛОВА:

планування структури генеруючих потужностей, паралельна оп­ти­мізація, метаевристичний алгоритм, MILP, SCIP.

СПИСОК ЛІТЕРАТУРИ

1. Саух C.Є., Борисенко А.В. Моделювання електроенергетичної системи України та оцінювання її резильєнтності в умовах систематичних терористичних атак. Технічна електродинаміка. 2025. Т. 2025, № 2. С. 57—70. URL: https://doi.org/10.15407/techned 2025.02.057 (дата звернення: 29.05.2025).
2. Burying problems? Imaginaries of carbon capture and storage in Scandinavia / L. Lefstad et al. Energy research & social science. 2024. Vol. 113. P. 103564. URL: https://doi.org/10.1016/j.erss.2024.103564 (date of access: 22.11.2024).
3. Morales Pedraza J. China toward a green economy: current situation and perspective in the use of different energy sources for electricity generation. Academia green energy. 2024. Vol. 1, no. 1. URL: https://doi.org/10.20935/AcadEnergy6236 (date of access: 22.11.2024).
4. Hong Y.-Y., Apolinario G. Uncertainty in unit commitment in power systems: a review of models, methods, and applications. Energies. 2021. Vol. 14, no. 20. P. 6658. URL: https://doi.org/10.3390/en14206658 (date of access: 22.11.2024).
5. Morales-España G., Ramírez-Elizondo L., Hobbs B.F. Hidden power system inflexibilities imposed by traditional unit commitment formulations. Applied energy. 2017. Vol. 191. P. 223—238. URL: https://doi.org/10.1016/j.apenergy.2017.01.089 (date of access: 29.05.2025).
6. Knueven B., Ostrowski J., Watson J.-P. On mixed-integer programming formulations for the unit commitment problem. INFORMS journal on computing. 2020. P. ijoc.2019.0944. URL: https://doi.org/10.1287/ijoc.2019.0944 (date of access: 29.05.2025).
7. Long-term energy system planning considering short-term operational constraints / A. S. Gaur et al. Energy strategy reviews. 2019. Vol. 26. P. 100383. URL: https://doi.org/10.1016/j.esr.2019.100383 (date of access: 29.05.2025).
8. Saukh S., Borysenko А. Cluster and representative models for generation units of flexible grids with small modular reactors. Nuclear and radiation safety. 2024. No. 1. P. 49–58. URL: https://doi.org/10.32918/nrs.2024.1(101).05 (date of access: 22.11.2024).
9. Vojvodic G., Novoa L.J., Jarrah A.I. Experimentation with Benders decomposition for solving the two-timescale stochastic generation capacity expansion problem. EURO journal on computational optimization. 2023. Vol. 11. P. 100059. URL: https://doi.org/10.1016/ j.ejco.2023.100059 (date of access: 29.05.2025).
10. Yagi K., Sioshansi R. Nested Benders’s decomposition of capacity-planning problems for electricity systems with hydroelectric and renewable generation. Computational management science. 2024. Vol. 21, no. 1. P. 16. URL: https://doi.org/10.1007/s10287-023-00469-9 (date of access: 29.05.2025).
11. The Benders decomposition algorithm: a literature review / R. Rahmaniani et al. European journal of operational research. 2017. Vol. 259, no. 3. P. 801—817. URL: https://doi.org/ 10.1016/j.ejor.2016.12.005 (date of access: 22.11.2024).
12. An integrated binary metaheuristic approach in dynamic unit commitment and economic emission dispatch for hybrid energy systems / S. Syama et al. Scientific reports. 2024. Vol. 14, no. 1. P. 23964. URL: https://doi.org/10.1038/s41598-024-75743-0 (date of access: 29.05.2025).
13. Ploskas N., Sahinidis N.V. Review and comparison of algorithms and software for mixed-integer derivative-free optimization. Journal of global optimization. 2022. Vol. 82, no. 3. P. 433—462. URL: https://doi.org/10.1007/s10898-021-01085-0 (date of access: 22.11.2024).
14. LB+IC-CMA-ES: two simple modifications of CMA-ES to handle mixed-integer problems / T. Marty et al. Parallel Problem Solving from Nature – PPSN XVIII / ed. by M. Affenzeller et al. Cham, 2024. Vol. 15149. P. 284—299. URL: https://doi.org/10.1007/978-3-031-70068-2_18 (date of access: 29.05.2025).
15. A hyper-matheuristic approach for solving mixed integer linear optimization models in the context of data envelopment analysis / M. Gonzalez et al. PeerJ computer science. 2022. Vol. 8. P. e828. URL: https://doi.org/10.7717/peerj-cs.828 (date of access: 25.05.2025).
16. Schlüter M., Egea J.A., Banga J.R. Extended ant colony optimization for non-convex mixed integer nonlinear programming. Computers & operations research. 2009. Vol. 36, no. 7. P. 2217—2229. URL: https://doi.org/10.1016/j.cor.2008.08.015 (date of access: 07.05.2025).
17. Mejía-de-Dios J.-A., Mezura-Montes E. A new evolutionary optimization method based on center of mass. Decision science in action / ed. by K. Deep, M. Jain, S. Salhi. Singapore, 2019. P. 65—74. URL: https://doi.org/10.1007/978-981-13-0860-4_6 (date of access: 22.11.2024).
18. The SCIP optimization suite 9.0 / S. Bolusani et al. URL: https://doi.org/10.48550/ARXIV.2402.17702 (date of access: 22.12.2024).
19. Batch System PBSPro (vulcan) — HLRS Platforms. URL: https://kb.hlrs.de/platforms/ index.php/Batch_System_PBSPro_(vulcan) (date of access: 29.05.2025).
20. Julia: a fresh approach to numerical computing / J. Bezanson et al. SIAM review. 2017. Vol. 59, no. 1. P. 65—98. URL: https://doi.org/10.1137/141000671 (date of access: 22.11.2024).
21. JuMP 1.0: recent improvements to a modeling language for mathematical optimization / M. Lubin et al. Mathematical programming computation. 2023. Vol. 15, no. 3. P. 581—589. URL: https://doi.org/10.1007/s12532-023-00239-3 (date of access: 29.05.2025).
22. Schlueter M., Munetomo M. MIDACO parallelization scalability on 200 MINLP benchmarks. Journal of artificial intelligence and soft computing research. 2017. Vol. 7, no. 3. P. 171—181. URL: https://doi.org/10.1515/jaiscr-2017-0012 (date of access: 22.11.2024).
23. CMA-ES/pycma: r4.0.0 / Nikolaus Hansen et al. URL: https://doi.org/10.5281/ZENODO.2559634 (date of access: 02.05.2025).
24. Mejía-de-Dios J.-A., Mezura-Montes E. Metaheuristics: a Julia package for single- and multi-objective optimization. Journal of open source software. 2022. Vol. 7, no. 78. P. 4723. URL: https://doi.org/10.21105/joss.04723 (date of access: 22.11.2024).

Повний текст: PDF