Adversarially and Distributionally Robust Virtual Energy Storage Systems via the Scenario Approach

Título: Sistemas de Almacenamiento de Energía Virtual Adversarial y Robustez Distribucional mediante el Enfoque de Escenarios

1. Problema Abordado

El artículo aborda el desafío de gestionar Sistemas de Almacenamiento de Energía Virtual (VESS) mediante la agregación de baterías de vehículos eléctricos (VE) en aparcamientos. El objetivo es que un Gestor de Aparcamiento (PLM, por sus siglas en inglés) proporcione servicios de almacenamiento a una comunidad de "prosumidores" (consumidores que también producen energía) e interactúe con un minorista de energía.

Los principales retos identificados son:

• Incertidumbre Dinámica: Las llegadas, salidas y el estado de carga (SoC) de los VE son variables y difíciles de predecir con modelos deterministas tradicionales.
• Seguridad Operativa vs. Rentabilidad: El PLM debe tomar decisiones económicas (comprar/vender energía) sin comprometer la seguridad operativa (evitar que la batería virtual se vacíe o se sobrecargue).
• Fragilidad de los Datos: Los datos utilizados para el entrenamiento pueden ser ruidosos, estar sujetos a perturbaciones adversarias (ciberataques) o sufrir cambios distribucionales (desplazamiento de distribución) respecto a las condiciones operativas futuras, lo que hace que los métodos estocásticos estándar sean poco fiables tras su despliegue.

2. Metodología Propuesta

Los autores proponen un marco de programación convexa basado en datos y el Enfoque de Escenarios (Scenario Approach), extendido para incluir robustez adversarial y distribucional.

• Modelo Convexo Base: Se formula un problema de optimización donde el PLM decide las transacciones de energía ($r_k$) y el estado de carga virtual ($b_k$) para satisfacer la demanda de los prosumidores ($q_k$), respetando las pérdidas por salidas de VE ($\ell_k$) y los límites de capacidad ($\beta_k$).
• Optimización de Escenarios: En lugar de asumir una distribución de probabilidad conocida, el método utiliza muestras de datos históricos (escenarios) para aproximar las restricciones inciertas. Esto permite obtener garantías finitas sin asumir una distribución subyacente específica (libre de distribución).
• Compensación Rentabilidad-Riesgo (Relajación): Se introduce un parámetro de penalización ($\rho$) que permite al PLM relajar intencionadamente las restricciones de seguridad en los datos de entrenamiento a cambio de una mayor rentabilidad. Esto permite un ajuste explícito entre el costo económico y la probabilidad de violación de restricciones.
• Robustez Adversarial: Para manejar datos corruptos o ruidosos, se define una "región de confianza" adversarial alrededor de cada muestra de entrenamiento. El modelo se optimiza para ser robusto no solo contra los datos observados, sino contra cualquier perturbación dentro de un radio definido ($R$).
• Robustez Distribucional (Wasserstein): Para abordar el desplazamiento de la distribución (cuando los datos de prueba difieren estadísticamente de los de entrenamiento), se utiliza la distancia de Wasserstein. Se define un conjunto de ambigüedad basado en un radio $\mu$, asegurando que las garantías de seguridad se mantengan incluso si la distribución real de los datos futuros está dentro de este radio de la distribución empírica.

3. Contribuciones Clave

1. Modelo Convexo Unificado: Formulación de un modelo de VESS que integra la gestión de VE, la interacción con minoristas y prosumidores, y las incertidumbres de salidas y capacidad en un solo marco de optimización convexa.
2. Garantías Finitas y Ajustables: Desarrollo de un método basado en escenarios que proporciona certificados de violación de restricciones libres de distribución y con muestras finitas. Permite al PLM sintonizar explícitamente la compensación entre rendimiento económico y seguridad operativa.
3. Extensión Robusta: Generalización del modelo para incluir perturbaciones adversarias y desplazamientos distribucionales de Wasserstein. Esto otorga certificados de robustez contra datos corruptos y distribuciones fuera de la muestra (OOD), algo no cubierto por enfoques anteriores.
4. Algoritmo de Sintonización: Presentación de un algoritmo (Algoritmo 1) que permite al PLM seleccionar automáticamente los parámetros de confianza ($R$) y los niveles de riesgo ($\mu, \rho$) para cumplir con un objetivo de violación deseado, maximizando la seguridad sin sacrificar innecesariamente la rentabilidad.

4. Resultados Numéricos

Los estudios numéricos realizados validan la teoría propuesta:

• Compensación Rentabilidad-Riesgo: Se demuestra que al aumentar el radio de confianza adversarial ($R$) o el radio de Wasserstein ($\mu$), la probabilidad de violación disminuye, aunque a costa de un ligero aumento en los costos operativos.
• Consistencia Teórico-Práctica: Los niveles de violación observados empíricamente en datos de prueba coinciden con los límites teóricos superiores proporcionados por los certificados.
• Rendimiento Fuera de la Distribución (OOD): En comparación con una política nominal (entrenada sin robustez adversarial), la política robusta propuesta mantiene consistentemente sus violaciones por debajo del límite certificado, incluso cuando los datos de prueba provienen de distribuciones perturbadas. La política nominal, por el contrario, exhibe un rendimiento de seguridad significativamente peor y supera los niveles de riesgo aceptables bajo cambios distribucionales.
• Efecto del Tamaño de Muestra: Un mayor número de muestras ($N$) mejora significativamente la probabilidad de violación, aunque con un costo marginal.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la teoría de optimización robusta y la aplicación práctica en redes eléctricas inteligentes:

• Fiabilidad en Entornos Reales: Ofrece un marco matemático riguroso para operar VESS en condiciones de incertidumbre extrema y datos imperfectos, crucial para la integración masiva de VE.
• Gestión de Riesgos Cuantificable: Permite a los operadores de red y gestores de aparcamientos tomar decisiones informadas con garantías matemáticas sobre la seguridad, algo esencial para la viabilidad comercial de estos servicios.
• Resiliencia Cibernética y Estadística: Al abordar tanto ataques adversarios como cambios naturales en el comportamiento de los usuarios, el modelo es más resiliente que las soluciones actuales basadas en modelos deterministas o estocásticos simples.
• Escalabilidad Futura: El enfoque basado en datos y garantías finitas sienta las bases para futuras implementaciones a gran escala que involucren múltiples aparcamientos interconectados y participación en mercados de energía complejos.

En resumen, el paper propone una solución avanzada para transformar los aparcamientos de VE en activos de almacenamiento fiables, garantizando que las decisiones operativas sean seguras y rentables incluso en escenarios de datos adversos o cambiantes.