Desarrollo de un algoritmo de aprendizaje por refuerzo profundo para resolver el despacho hidrotérmico colombiano considerando escenarios hidrológicos y de demanda bajo incertidumbre
Fecha
2022
Autores
Ramírez Arango, Alejandro
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Economic dispatch is a widely analyzed optimization problem in the electricity sector, which seeks to make the best use of available resources to meet demand at minimum cost. This problem has a great complexity in its solution due to the uncertainty of multiple parameters, being of special interest the hydrological uncertainty for the Colombian case due to its high dependence on hydroelectric plants. In this paper, we view economic dispatch as a multistage decision making problem and propose a Reinforcement Learning to solve the Colombian economic dispatch problem considering hydrological scenarios, due to its ability to handle uncertainty and sequential decisions. The policy performance of our algorithm is compared with classic deterministic method. The main advantage of our method is it can learn from a robust policy to deal the inflow and load demand scenarios.
Descripción
El despacho económico es un problema de optimización ampliamente analizado en el sector eléctrico, que busca hacer el mejor uso de los recursos disponibles para satisfacer la demanda a mínimo costo. Este problema presenta un gran reto en su solución debido a la incertidumbre de múltiples parámetros, como la demanda de energía eléctrica, y para el caso colombiano es de especial interés la incertidumbre hidrológica por su alta dependencia en centrales hidroeléctricas. Dado que el despacho económico se asemeja a un problema de decisiones secuenciales, es posible modelar el problema como un proceso de decisión de Markov, lo que permite incorporar en la modelación la incertidumbre de los parámetros de interés. El presente proyecto propone una modelación del modelo de despacho económico colombiano como un proceso de decisión de Markov, considerando la incertidumbre en la demanda y la hidrología. Luego, a través de algoritmos de aprendizaje reforzado profundo se determina una política óptima y robusta para dar un mejor manejo a los recursos disponibles frente al manejo de la demanda energética.