Framework basato su Transformer per la previsione dell'Unit Commitment a 72 ore
Un nuovo framework di deep learning basato su un'architettura transformer mira a risolvere l'Unit Commitment (UC), un problema di programmazione lineare mista intera (MILP) ad alta dimensionalità cruciale per bilanciare domanda e offerta di elettricità. Con l'integrazione di fonti rinnovabili variabili e sistemi di accumulo a lunga durata, l'UC deve essere risolto su orizzonti plurigiornalieri con maggiore frequenza, mettendo a dura prova i risolutori MILP tradizionali. Il framework proposto prevede i programmi di attivazione dei generatori su un orizzonte di 72 ore, affrontando i colli di bottiglia computazionali. L'articolo è pubblicato su arXiv con ID 2604.21891.
Fatti principali
- L'Unit Commitment è un problema MILP ad alta dimensionalità
- I risolutori MILP tradizionali faticano con i tempi operativi sempre più stretti
- Il framework utilizza un'architettura basata su transformer
- Le previsioni coprono un orizzonte di 72 ore
- Le previsioni grezze in spazi ad alta dimensionalità possono generare infattibilità fisiche
- L'articolo è su arXiv con ID 2604.21891
- L'integrazione di rinnovabili variabili e accumulo a lunga durata aumenta la complessità dell'UC
- Il framework mira a bypassare i colli di bottiglia computazionali
Entità
Istituzioni
- arXiv