自适应预测校正Benders分解

收敛更快

该算法将松弛子问题与信任域稳定策略耦合，在求解高维混合整数优化时消除了对偶提取障碍并抑制振荡，可在少量迭代内逼近最优解。

Xiao-Yan, Zhang · 肖江文 · Wang Y.-W.

Applied Energy 2026

参数信息

成本削减

13.46%–18.19% %

成本削减（高增长场景）

40.6% %

鲁棒性时域提升

17.3% %

成本改善

0.30%–4.18% %

最优性间隙

0.5% %

技术优势

适应能力可量化

框架以最大化鲁棒性时域α为目标，α表示预算Λ0下可承受的最大需求增长，将投资适应能力显式量化为优化目标。

不确定类型解耦

CCP处理短期随机波动，IGDT处理长期结构性需求转变，无需分布假设，避免将两类不确定性混为一谈。

求解器稳又快

通过统一松弛子问题与成本加权信任域稳定，消除对偶提取障碍与SOCP引起的振荡收敛。

应用场景

• 氢能系统规划：用多维不确定性规划氢能系统，量化适应能力并稳健投资。
• 微电网规划：在微电网规划中提升长期投资收益并降低规划风险。
• 能源系统优化：求解大规模MISOCP问题，加速优化收敛并改善解质量。
• 多微电网规划：协同规划多个微电网，平衡跨区域资源并优化整体投资。