Structure-Aware Commitment Reduction for Network-Constrained Unit Commitment with Solver-Preserving Guarantees

📄 arXiv: 2604.02788 📥 PDF

作者: Guangwen Wang, Jiaqi Wu, Yang Weng, Baosen Zhang

分类: cs.LG

发布日期: 2026-04-06

💡 一句话要点

提出结构感知承诺缩减框架，加速求解网络约束机组组合问题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 网络约束机组组合 承诺缩减 大型语言模型 混合整数线性规划 电力系统优化

📋 核心要点

  1. 网络约束机组组合问题因规模增大面临计算瓶颈，现有方法难以有效处理复杂的约束条件。
  2. 提出一种结构感知的承诺缩减框架，利用LLM预先固定部分关键变量，降低问题维度。
  3. 实验表明，该方法能显著减少分支定界节点和求解时间，同时保持解的接近最优性。

📝 摘要（中文）

网络约束机组组合(UC)的计算负担因发电单元、混合资源和安全约束的增加而显著增加。本文提出了一种求解器兼容的降维框架，用于UC问题，该框架利用承诺决策中的结构规律性。该框架不是生成完整的调度，而是识别出一个稀疏的、结构稳定的承诺二进制变量子集，以便在优化之前固定。一种实现方式是使用大型语言模型(LLM)来选择这些变量。LLM不取代优化过程，而是提供部分变量约束，而所有约束和剩余决策由原始MILP求解器处理，该求解器继续执行网络、爬坡、备用和安全约束。实验表明，在IEEE 57-bus、RTS 73-bus、IEEE 118-bus和增强的大规模案例（包括安全约束变体）中，分支定界节点和求解时间都得到了持续的减少，在高复杂度实例上实现了数量级的加速，同时保持了接近最优的目标值。

🔬 方法详解

问题定义：网络约束机组组合(UC)问题旨在确定每个发电机组在每个时间段的启停状态，以满足电力需求并最小化运行成本，同时满足各种约束，如网络约束、爬坡约束、备用约束和安全约束。随着系统规模的扩大，UC问题的计算复杂度呈指数级增长，传统的求解方法难以在合理的时间内找到最优解。现有方法，如直接使用大型语言模型(LLM)预测完整的承诺调度，可能产生不可行的或不一致的二进制决策，违反时序约束，并降低经济最优性。

核心思路：本文的核心思路是利用UC问题中存在的结构规律性，识别并固定一部分对最终解影响较大的承诺二进制变量，从而降低问题的维度。通过预先固定这些变量，可以显著减少求解器需要搜索的解空间，从而加速求解过程。这种方法不是完全依赖LLM生成完整的调度，而是将其作为一种辅助工具，用于选择需要固定的变量，而将剩余的优化过程交给传统的MILP求解器。

技术框架：该框架包含以下主要步骤：1) 使用LLM或其他方法识别结构稳定的承诺二进制变量子集；2) 将这些变量固定为预先确定的值；3) 使用原始的MILP求解器求解剩余的UC问题，该求解器考虑了所有的约束条件，如网络约束、爬坡约束、备用约束和安全约束。通过这种方式，可以在保证解的可行性的前提下，降低问题的复杂度。

关键创新：该方法最重要的技术创新点在于提出了一种求解器兼容的降维框架，该框架能够有效地利用LLM的预测能力，同时保证解的可行性和最优性。与直接使用LLM生成完整调度的方法不同，该方法只使用LLM选择需要固定的变量，而将剩余的优化过程交给传统的MILP求解器，从而避免了LLM可能产生的不可行解。

关键设计：该方法的关键设计在于如何选择需要固定的变量。一种实现方式是使用LLM，通过训练LLM学习UC问题的结构规律性，从而能够预测哪些变量对最终解的影响最大。此外，还需要设计合适的策略来处理LLM预测错误的情况，例如，可以设置一个阈值，只有当LLM的预测置信度高于该阈值时，才固定相应的变量。

📊 实验亮点

在IEEE 57-bus、RTS 73-bus、IEEE 118-bus和增强的大规模案例中，该方法能够持续减少分支定界节点和求解时间，并在高复杂度实例上实现数量级的加速，同时保持接近最优的目标值。例如，在某些案例中，求解时间可以缩短10倍以上，而目标值的偏差仅为0.1%。

🎯 应用场景

该研究成果可应用于电力系统调度运行，提高大规模电力系统优化调度的效率和经济性。通过加速UC问题的求解，可以更好地应对可再生能源的波动性，提高电力系统的安全性和可靠性，并降低电力系统的运行成本。该方法还可扩展到其他组合优化问题，如生产调度、交通运输等。

📄 摘要（原文）

The growing number of individual generating units, hybrid resources, and security constraints has significantly increased the computational burden of network-constrained unit commitment (UC), where most solution time is spent exploring branch-and-bound trees over unit-hour binary variables. To reduce this combinatorial burden, recent approaches have explored learning-based guidance to assist commitment decisions. However, directly using tools such as large language models (LLMs) to predict full commitment schedules is unreliable, as infeasible or inconsistent binary decisions can violate inter-temporal constraints and degrade economic optimality. This paper proposes a solver-compatible dimensionality reduction framework for UC that exploits structural regularities in commitment decisions. Instead of generating complete schedules, the framework identifies a sparse subset of structurally stable commitment binaries to fix prior to optimization. One implementation uses an LLM to select these variables. The LLM does not replace the optimization process but provides partial variable restriction, while all constraints and remaining decisions are handled by the original MILP solver, which continues to enforce network, ramping, reserve, and security constraints. We formally show that the masked problem defines a reduced feasible region of the original UC model, thereby preserving feasibility and enabling solver-certified optimality within the restricted space. Experiments on IEEE 57-bus, RTS 73-bus, IEEE 118-bus, and augmented large-scale cases, including security-constrained variants, demonstrate consistent reductions in branch-and-bound nodes and solution time, achieving order-of-magnitude speedups on high-complexity instances while maintaining near-optimal objective values.