Capacity planning with uncertain endogenous technology learning
Capacity planning with uncertain endogenous technology learning
复制标题
不确定内生技术学习的能力规划
DOI：
10.1016/j.compchemeng.2022.107868
复制
发表时间：
2022
影响因子：
4.3
通讯作者：
Zhang, Qi
中科院分区：
文献类型：
--
作者：
Rathi, Tushar;Zhang, Qi
最佳的容量扩展需要复杂的决策，通常受到技术学习的影响，这代表了由于累积装机容量等因素而导致的扩展成本的降低。然而，对技术成本的降低有完美的预见是极不可能的。在这项工作中，我们开发了一个多阶段的随机规划框架模型的能力规划问题与内生的不确定性，在技术学习。为了评估所提出的框架相对于确定性优化的好处，我们应用收缩视野方法来计算随机解的值。此外，一个基于列生成的分解方案，以解决大型实例。从我们的计算实验结果表明，大量的潜在的成本节约和有效性的分解算法在解决大量的情况下。最后，电力容量规划的案例研究，突出了随机优化的能力，预测显着不同的扩展和生产决策，在低和高学习的情况下。
Optimal capacity expansion requires complex decision-making, often influenced by technology learning, which represents the reduction in expansion cost due to factors such as cumulative installed capacity. However, having perfect foresight over the technology cost reduction is highly unlikely. In this work, we develop a multistage stochastic programming framework to model capacity planning problems with endogenous uncertainty in technology learning. To assess the benefit of the proposed framework over deterministic optimization, we apply a shrinking-horizon approach to compute the value of stochastic solution. Further, a decomposition scheme based on column generation is developed to solve large instances. Results from our computational experiments indicate substantial potential cost savings and the effectiveness of the proposed decomposition algorithm in solving instances with large numbers of scenarios. Lastly, a power capacity planning case study is presented, highlighting the stochastic optimization’s ability to anticipate significantly different expansion and production decisions in low- and high-learning scenarios.
登录
查看更多内容
影响因子：
11.1
作者：
Aliabadi, Danial Esmaeili
通讯作者：
Aliabadi, Danial Esmaeili
管理式医疗的成本和质量趋势：行为健康剥离计划是否存在学习曲线？
DOI：
10.1016/s0167-6296(99)00011-9
发表时间：
1999
期刊：
Journal of health economics.
影响因子：
--
作者：
Sturm,R
通讯作者：
Sturm,R
影响因子：
3.9
作者：
E. Rubin
通讯作者：
E. Rubin
一类非凸混合整数非线性规划的分支与价格
影响因子：
1.8
作者：
A. Allman;Qi Zhang
通讯作者：
Qi Zhang
具有内生不确定性的多阶段随机规划问题的有效约束减少
DOI：
--
发表时间：
2016
期刊：
Optim. Methods Softw.
影响因子：
--
作者：
F. Hooshmand;S. A. MirHassani
通讯作者：
S. A. MirHassani