Resumen Técnico: Modelado Estocástico Sensible al Contexto de Agregadores de Recursos Energéticos de Consumidores en Mercados Eléctricos

1. Declaración del Problema

Los agregadores que gestionan Recursos Energéticos de Consumidores (CER, por sus siglas en inglés), tales como sistemas fotovoltaicos (PV) de tejado y sistemas de almacenamiento de energía mediante baterías (BES), enfrentan desafíos significos debido a la incertidumbre inherente en los pronósticos de generación y carga. Cuando participan en los mercados eléctricos (específicamente en el Mercado Nacional de Electricidad de Australia, NEM), estas incertidumbres pueden derivar en decisiones de despacho infactibles o pérdidas sustanciales de ingresos si no se gestionan correctamente.

El problema central involucra la optimización de las estrategias de oferta para la energía y los servicios de control de frecuencia ancilar (FCAS) de regulación. El agregador debe comprometerse con las ofertas en una etapa de "aquí y ahora" (día anterior) antes de que se manifieste la incertidumbre, asegurando al mismo tiempo que los ajustes en tiempo real ("etapa de espera y observación") puedan compensar los errores de pronóstico sin violar los compromisos de mercado. Los desafíos clave incluyen:

• Escalabilidad: Resolver problemas de optimización estocástica con BES es computacionalmente difícil debido a las restricciones acopladas en el tiempo, las restricciones de complementariedad (exclusividad mutua de carga y descarga) y la necesidad de co-optimizar múltiples servicios.
• Sensibilidad al Contexto: La literatura existente a menudo aplica métodos estocásticos (neutrales al riesgo, robustos o de restricciones de probabilidad) sin justificar la elección basándose en configuraciones operativas específicas, características de la incertidumbre o preferencias de toma de decisiones, lo que potencialmente conduce a resultados subóptimos.
• Cumplimiento del Despacho: El agregador debe mantener la Conformidad de Despacho Agregado (ADC) para evitar penalizaciones financieras y la posible terminación de contratos, particularmente para los compromisos de FCAS.

2. Metodología

El artículo propone un marco de optimización estocástica de dos etapas para abordar estos desafíos. El agregador actúa tanto como minorista como proveedor, controlando activos flexibles (PV, BES y cargas) para participar en los mercados de energía y de regulación FCAS (subida/bajada).

A. Formulaciones de Optimización

Se modelan tres enfoques estocásticos distintos de dos etapas como Programas Lineales Enteros Mixtos (MILP) o Programas Lineales (LP):

1. Optimización Estocástica Neutral al Riesgo: Maximiza el beneficio esperado sobre una distribución de probabilidad de los parámetros inciertos (errores de pronóstico de PV y de carga). Incluye un término de penalización por violaciones de ADC en tiempo real.
2. Optimización Robusta: Maximiza el beneficio bajo la realización del peor escenario dentro de un conjunto de incertidumbre predefinido (incertidumbre de caja), sin requerir distribuciones de probabilidad. Garantiza la factibilidad para todos los escenarios dentro del conjunto.
3. Optimización Estocástica de Restricciones de Probabilidad: Optimiza el beneficio sobre un conjunto de incertidumbre reducido, permitiendo una pequeña probabilidad predefinida ($\epsilon$) de violación de restricciones. Esto equilibra la rentabilidad con el riesgo.

B. Enfoques de Solución y Escalabilidad

Para manejar la naturaleza de dimensión infinita de la incertidumbre continua y los grandes conjuntos de escenarios, los autores emplean:

• Generación de Escenarios: Los errores de pronóstico se modelan mediante Autorregresión (AR) y se generan mediante métodos de Monte Carlo de Calla de Markov (MCMC) para capturar correlaciones temporales.
• Políticas de Recurso Afín: Para reducir la complejidad computacional, las decisiones de la segunda etapa se aproximan como funciones lineales de las decisiones de la primera etapa y los parámetros inciertos ($y_\xi = y + d^\top \xi$).
• Manejo de Restricciones de Complementariedad: La condición no lineal $P_{c} \cdot P_{d} = 0$ (la carga y la descarga no pueden ocurrir simultáneamente) se aborda mediante:
  • Transformación de Fortuny-Amat: Reformulada como MILP usando variables binarias (exacta pero computacionalmente pesada para grandes conjuntos de escenarios).
  • Relajación LP: Se eliminan las variables binarias y se añade un término de penalización a la función objetivo para desincentivar la carga y descarga simultáneas.
  • Envolventes de McCormick: Un enfoque de relajación convexa utilizando variables auxiliares.
• Manejo de Restricciones de Probabilidad: Se utiliza el enfoque "probabilísticamente robusto" para reformular las restricciones de probabilidad en restricciones robustas sobre un conjunto de incertidumbre de volumen mínimo derivado de un número reducido de escenarios muestreados.

3. Contribuciones Principales

El artículo realiza dos contribuciones primarias:

1. Selección de Método Sensible al Contexto: Proporciona una comparación exhaustiva de los métodos neutrales al riesgo, robustos y de restricciones de probabilidad para los agregadores de CER en el NEM. Vincula la selección del método óptimo a contextos específicos, incluyendo configuraciones operativas (capacidad de BES, precios de mercado), características de la incertidumbre (niveles de error de pronóstico) y preferencias de toma de decisiones (tolerancia al riesgo).
2. Estrategias de Modelado Escalables: Mejora la escalabilidad de las formulaciones estocásticas mediante:
   • La captura de la flexibilidad del BES a través de la dinámica precisa del Estado de Carga (SoC) y las restricciones de complementariedad.
   • La reducción de la dimensionalidad del problema para grandes agregaciones de CER.
   • La demostración de que las políticas de recurso afín y las relajaciones LP ofrecen compromisos prácticos entre precisión y tiempo de cómputo.

4. Resultados Experimentales y Validación

Los métodos fueron validados utilizando datos reales de la red Ausgrid (300 casas con PV, carga y BES) y datos de mercado del NEM del 1 de julio de 2012. Los experimentos se realizaron en tres contextos:

• Configuraciones Operativas y de Mercado:

  • Cuando la incertidumbre se captura correctamente y la capacidad de BES es suficiente, el método neutral al riesgo supera consistentemente a los demás al optimizar las realizaciones esperadas.
  • Bajo una capacidad limitada de BES, los métodos conservadores (robusto y de restricciones de probabilidad) sufren de reducción de beneficios (a veces negativos) porque retienen flexibilidad para escenarios extremos. El método neutral al riesgo sigue siendo más rentable en estos escenarios.
  • La participación conjunta en los mercados de energía y FCAS aumenta significamente los ingresos en todos los métodos.

• Características de la Incertidumbre:

  • Cuando los desajustes de potencia reales son pequeños (incertidumbre capturada con precisión), el método neutral al riesgo funciona mejor.
  • Cuando la incertidumbre se captura de forma inexacta o los desajustes son grandes (por ejemplo, la carga real es significativamente mayor que el pronóstico), los métodos robusto y de restricciones de probabilidad superan al enfoque neutral al riesgo debido a su capacidad para manejar desviaciones extremas y evitar penalizaciones severas.
  • El método robusto ofrece la mayor protección contra altas violaciones, mientras que el de restricciones de probabilidad ofrece un equilibrio, superando a menudo a los métodos robustos cuando los costos de penalización son menores.

• Preferencias de Toma de Decisiones:

  • El uso de políticas de recurso afín reduce significamente el tiempo de cómputo tanto en la fase de entrenamiento como en la de prueba, con impactos marginales en el beneficio, lo que los hace adecuados para escenarios que requieren tiempos de solución más rápidos.

• Hallazgos de Escalabilidad:

  • La relajación LP basada en penalizaciones para las restricciones de complementariedad de BES proporciona el compromiso más práctico, logrando beneficios casi idénticos a la formulación MILP exacta pero con un tiempo de cómputo significativamente menor y violaciones insignificantes de la exclusividad mutua.

5. Significado y Reivindicaciones

El artículo sostiene que la selección de un método de optimización estocástica para los agregadores de CER debe ser sensible al contexto. No existe un único método "mejor"; más bien, la elección óptima depende del entorno operativo y el perfil de riesgo específico:

• Los métodos neutrales al riesgo se recomiendan cuando la incertidumbre se modela con precisión bajo condiciones de mercado típicas, ya que maximizan el beneficio esperado.
• Los métodos robustos son más adecuados cuando la incertidumbre es alta o se modela de forma inexacta, particularmente cuando es probable que ocurran grandes desajustes de potencia, ofreciendo una fuerte protección contra penalizaciones.
• Los métodos de restricciones de probabilidad son preferibles cuando se desea un equilibrio entre la rentabilidad y un riesgo controlado de violación de restricciones.

El estudio enfatiza que ignorar el contexto del caso de uso puede conducir a problemas infactibles o pérdidas de ingresos. Además, las estrategias de modelado escalables propuestas (relajación LP y recurso afín) permiten la aplicación práctica de estos complejos modelos estocásticos en mercados en tiempo real.