Application of machine learning methods to accelerate the solution of the unit commitment problem
Numerical Methods and Programming (Vychislitel'nye Metody i Programmirovanie) · 01.10.2026 · 27 (4) · 623-638
DOI: 10.26089/nummet.v27r438 ↗Kurz gefasst
Fachartikel in der Zeitschrift Numerical Methods and Programming (Vychislitel'nye Metody i Programmirovanie), online erschienen am 01.10.2026. Verfasst von Sergey A. Romanov. Die Arbeit nennt 23 Literaturangaben.
Abstract (Originalsprache)
The unit commitment problem is central to short-term power system planning and is usually formulated as a large-scale mixed-integer linear programming problem. The paper investigates an approach to accelerating its solution using machine learning methods. Trained classifiers predict the state of each generator in every planning period, after which confidently classified generators are fixed, and the remaining lower-dimensional problem is solved by an exact method. The existing approach based on logistic regression is extended: six classification algorithms (logistic regression, random forest, gradient boosting, multilayer perceptron, support vector machine, and k-nearest neighbors) are compared and applied to the full model including minimum up-time and minimum down-time constraints. Experiments are carried out on three datasets from the pglib-uc library using leave-one-out cross-validation. Tree-based methods accelerate the exact solution by a factor of 2.2–3.4 with a median objective deviation below 0.05% on the largest FERC dataset (up to 1028 generators), whereas logistic regression, support vector machine, and multilayer perceptron lose reliability at this scale. Задача выбора состава включенного генерирующего оборудования (unit commitment problem) занимает центральное место в краткосрочном планировании энергосистем и обычно формулируется в виде задачи смешанного целочисленного линейного программирования большой размерности. В работе исследуется подход к ускорению ее решения с помощью методов машинного обучения. Обученные классификаторы предсказывают состояние каждого генератора в каждый период планирования, после чего уверенно классифицированные генераторы фиксируются, а оставшаяся задача меньшей размерности решается точным методом. В настоящей работе, в дополнение к существующему подходу на основе логистической регрессии, сравниваются и применяются шесть алгоритмов классификации (логистическая регрессия, случайный лес, градиентный бустинг, многослойный персептрон, метод опорных векторов и метод ближайших соседей) к полной модели с ограничениями минимального времени работы и простоя генераторов. Эксперименты проведены на трех наборах данных библиотеки pglib-uc с перекрестной проверкой по схеме “исключение одного”. Методы на основе деревьев решений обеспечивают ускорение точного решения в 2.2–3.4 раза при медианном отклонении целевой функции менее 0.05% на наиболее крупном наборе FERC (до 1028 генераторов), тогда как логистическая регрессия, метод опорных векторов и многослойный персептрон при таком масштабе теряют надежность.
Zitieren
APA
Romanov, S. A. (2026). Application of machine learning methods to accelerate the solution of the unit commitment problem. Numerical Methods and Programming (Vychislitel'nye Metody i Programmirovanie), 27(4), 623-638. https://doi.org/10.26089/nummet.v27r438
Vancouver
Romanov SA. Application of machine learning methods to accelerate the solution of the unit commitment problem. Numerical Methods and Programming (Vychislitel'nye Metody i Programmirovanie). 2026;27(4):623-638. doi:10.26089/nummet.v27r438
BibTeX
@article{Romanov2026,
author = {Romanov, Sergey A.},
title = {Application of machine learning methods to accelerate the solution of the unit commitment problem},
journal = {Numerical Methods and Programming (Vychislitel'nye Metody i Programmirovanie)},
year = {2026},
volume = {27},
number = {4},
pages = {623--638},
doi = {10.26089/nummet.v27r438}
}
EUVIMED