Desarrollo de un algoritmo de aprendizaje por refuerzo profundo para resolver el despacho hidrotérmico colombiano considerando escenarios hidrológicos y de demanda bajo incertidumbre

Vista sencilla de ítem
dc.contributor.advisorAguilar Castro, José Lisandrospa
dc.contributor.authorRamírez Arango, Alejandro
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.degreeMagíster en Ciencias de Datos y Analíticaspa
dc.creator.emailaramireza1@eafit.edu.cospa
dc.date.accessioned2022-11-11T16:37:34Z
dc.date.available2022-11-11T16:37:34Z
dc.date.issued2022
dc.descriptionEl 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.spa
dc.description.abstractEconomic 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.spa
dc.identifier.ddc519.233 R173
dc.identifier.urihttp://hdl.handle.net/10784/31919
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Administraciónspa
dc.publisher.placeMedellínspa
dc.publisher.programMaestría en Ciencias de los Datos y Analíticaspa
dc.rightsTodos los derechos reservadosspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.localAcceso abiertospa
dc.subjectAprendizaje por refuerzospa
dc.subjectDespacho hidrotérmicospa
dc.subjectProcesos de decisión markovianosspa
dc.subjectRedes neuronalesspa
dc.subjectProcesos de Markovspa
dc.subject.keywordReinforcement learningspa
dc.subject.keywordEconomic Dispatch Hydrothermalspa
dc.subject.keywordMarkov decision processspa
dc.subject.keywordneural networkspa
dc.subject.lembCIENCIA DE LA INFORMACIÓNspa
dc.subject.lembDATOS ESTADÍSTICOSspa
dc.subject.lembHIDROLOGÍAspa
dc.subject.lembALGORITMOSspa
dc.titleDesarrollo de un algoritmo de aprendizaje por refuerzo profundo para resolver el despacho hidrotérmico colombiano considerando escenarios hidrológicos y de demanda bajo incertidumbrespa
dc.typemasterThesiseng
dc.typeinfo:eu-repo/semantics/masterThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis de Maestríaspa
dc.type.spaMonografíaspa

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
Alejandro_RamirezArango_2022.pdf
Tamaño:
1.88 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf
Tamaño:
484.37 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario autorización publicación obras
Descargar
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
305.87 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta aprobación trabajo de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias de los Datos y Analítica (tesis)