【优化】sample average approximation (SAA) method——采样平均近似算法：处理机会约束

最新推荐文章于 2023-11-09 12:36:52 发布

金牛大王

最新推荐文章于 2023-11-09 12:36:52 发布

阅读量2.8k

点赞数 1

分类专栏：优化文章标签：算法

本文链接：https://blog.csdn.net/m0_43401436/article/details/108399135

版权

优化专栏收录该内容

9 篇文章 5 订阅

订阅专栏

参考文献

[1]Qiu F, Wang J. Chance-Constrained Transmission Switching With Guaranteed Wind Power Utilization[J]. IEEE Transactions on Power Systems, 2015, 30(3): 1270–1278.
DOI：10.1109/TPWRS.2014.2346987

原始机会约束

下面是一个典型的机会约束：风电消纳量大于指定比例以及小于可用风电的概率必须大于 $1-\in$ 。

在这里插入图片描述

利用SAA转化为MILP约束

上述机会约束可用如下约束代替：

在这里插入图片描述

$C_{wt}^m\ \ \ \forall m \in {\mathop{\rm A}\nolimits}$ 为随机向量 ${{{\tilde C}_{wt}}}$ 的采样样本， $z_m$ 取0或者1分别表示约束 $m$ 成立或者被松弛。

这种转换就是利用 $m$ 个样本中有 $k$ 个样本成立来等效代替概率（当 $m$ 足够大时，这种等效是合理的，对应的概率即为 $\ \approx \ \in$ ），这和SAA的名字也是相符的。

但是这种转换显然会导致得到的MILP问题求解效率较低，实际应用的话需要进一步采用某些算法。

Note that SAA does not guarantee a feasible solution and the feasibility of a solution is probabilistic (i.e., we can only claim that the solution is feasible with a certain probability). Obtaining a feasible solution with a high confidence level requires a sufficiently large number of Monte Carlo samples, which results in a MILP that is difficult to solve. Therefore, efficient solution approaches are necessary to apply SAA in a practical situation.