⚡ electrical engineering

Power Reserve Procurement Considering Dependent Random Variables with PCE

Este artículo presenta un método basado en caos polinomial generalizado y cópulas gaussianas para modelar variables aleatorias dependientes en problemas de optimización con restricciones de probabilidad, demostrando su eficacia en la contratación probabilística de reservas de potencia mediante la comparación con enfoques que asumen independencia.

Autores originales: Nicola Ramseyer, Matthieu Jacobs, Mario Paolone

Publicado 2026-02-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Nicola Ramseyer, Matthieu Jacobs, Mario Paolone

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que la red eléctrica es como una gran orquesta que toca música 24 horas al día. Para que la música no se detenga ni se desafine (es decir, para que la frecuencia sea estable), los directores de orquesta (los operadores del sistema eléctrico) necesitan tener siempre a mano algunos músicos de reserva listos para entrar en acción si alguien se equivoca o si una sección de la orquesta se queda sin energía.

Estos "músicos de reserva" son los servicios auxiliares.

El problema es que hoy en día, muchos de estos músicos no son máquinas fiables al 100%. Son cosas como paneles solares (que dependen del sol), coches eléctricos (que dependen de si la gente los usa o no) o bombas de calor. Su capacidad para ayudar es incierta y, lo más importante, están conectados entre sí.

El Problema: El "Efecto Dominó"

Imagina que tienes 8 músicos de reserva. Si el día está nublado, es probable que todos los paneles solares de la zona fallen al mismo tiempo. Si llueve, todos los coches eléctricos podrían estar cargándose a la vez y no poder ayudar.

Los métodos antiguos de planificación trataban a cada músico como si fuera un extraño que no conoce a los demás. Decían: "Hay un 10% de probabilidad de que el panel A falle, y un 10% de que el panel B falle". Pero no se daban cuenta de que si el panel A falla, el B casi seguro también fallará. Esto es como pensar que si un jugador de fútbol se lesiona, el resto del equipo sigue jugando al 100% de forma independiente.

Si ignoras esta conexión (la dependencia), subestimas el riesgo. Podrías contratar a muy pocos músicos de reserva porque crees que es "improbable" que fallen todos a la vez. Pero cuando llega la tormenta y todos fallan juntos, la orquesta se queda sin música y la red se cae.

La Solución Propuesta: El "Mapa de Conexiones"

Este artículo presenta una nueva herramienta matemática llamada Caos Polinomial Generalizado (gPC) combinada con algo llamado Copulas Gaussianas.

Para explicarlo de forma sencilla:

El Mapa de Conexiones (Copulas): Imagina que en lugar de mirar a cada músico por separado, dibujas un mapa que muestra exactamente cómo se relacionan entre ellos. Si el sol se esconde, el mapa te dice: "Oye, si el panel 1 baja su energía, el panel 2, 3 y 4 también bajarán". Esta herramienta (la Copula) captura esa "danza conjunta" de las variables.
La Traducción Mágica (gPC): Una vez que tienes ese mapa de conexiones, es muy difícil hacer los cálculos matemáticos para saber cuántos músicos necesitas contratar. Es como intentar resolver un rompecabezas de 1000 piezas con los ojos cerrados.
- Los autores usan una técnica llamada gPC que actúa como una traductora. Convierte ese problema complejo y "conectado" en un lenguaje matemático más simple y ordenado (usando polinomios, que son como bloques de construcción matemática).
- Esto les permite hacer los cálculos de forma rápida y precisa, sin tener que simular millones de escenarios al azar (lo cual sería muy lento).

¿Cómo funciona en la práctica?

Los autores probaron su método en un escenario donde dos zonas (como dos países vecinos) necesitan comprar energía de reserva.

El método viejo (Independencia): Trataba a los paneles solares como si no supieran lo que hacía el vecino. Calculaba que necesitaban contratar a 50 músicos de reserva. Pero cuando llegó la mala suerte, fallaron 40 a la vez y no fue suficiente.
El método nuevo (Dependencia): Usó el "Mapa de Conexiones". Se dio cuenta de que si uno falla, todos fallan. Por lo tanto, calculó que necesitaban contratar a 80 músicos para estar seguros.
El resultado: El nuevo método es más seguro y, paradójicamente, puede ser más eficiente. Al entender mejor los riesgos, los operadores no tienen que contratar "demasiado" por miedo a lo desconocido, ni "poco" por ignorar el peligro. Encuentran el punto justo.

En Resumen

Este papel es como enseñarle a un director de orquesta a escuchar no solo a cada músico individualmente, sino a cómo se influyen entre sí.

Antes: "Cada músico tiene un pequeño riesgo de fallar".
Ahora: "Si el clima cambia, todo el grupo de músicos de la zona norte fallará juntos".

Gracias a esta nueva herramienta matemática, los operadores de la red eléctrica pueden tomar decisiones más inteligentes, asegurando que la luz no se apague incluso cuando el clima se pone malo y todos los recursos renovables fallan al mismo tiempo. Es una forma de predecir el caos para mantener el orden.

Título: Caos Polinómico Generalizado con Variables Aleatorias Dependientes para la Contratación de Servicios Auxiliares

1. Planteamiento del Problema

La participación de Recursos de Energía Distribuida (DERs), como bombas de calor, vehículos eléctricos y plantas fotovoltaicas, en los mercados de servicios auxiliares (SA) introduce incertidumbre significativa en la disponibilidad de potencia. Los Operadores del Sistema de Transmisión (OST) permiten ofertas con disponibilidad garantizada solo con cierta probabilidad, lo que genera desafíos en la contratación óptima de reservas.

El problema central abordado es la optimización estocástica de la contratación de reservas bajo incertidumbre. La limitación crítica de los enfoques existentes es que suelen tratar las variables aleatorias (disponibilidad de las ofertas) como independientes. Ignorar las dependencias estadísticas entre estas variables (por ejemplo, la correlación entre la generación solar de diferentes ubicaciones debido a condiciones meteorológicas similares) puede llevar a una subestimación de la probabilidad de violar umbrales críticos, resultando en un riesgo de seguridad operativa mayor al previsto. Además, los métodos actuales para manejar dependencias en el Caos Polinómico Generalizado (gPC) suelen sufrir de problemas numéricos (mala condición en procedimientos de Gram-Schmidt) o alta complejidad computacional.

2. Metodología

El artículo propone un marco de trabajo que combina el Caos Polinómico Generalizado (gPC) con Cópulas Gaussianas para modelar dependencias arbitrarias de manera tratable.

Modelado de Dependencias (Cópulas):
- Se utiliza el Teorema de Sklar para separar las distribuciones marginales de la estructura de dependencia.
- Se selecciona la Cópula Gaussiana, definida por una matriz de correlación $\Sigma$ , que permite capturar dependencias lineales de manera eficiente y escalable a altas dimensiones.
- La densidad de probabilidad conjunta $p(\xi)$ se construye combinando las densidades marginales con la densidad de la cópula.
Construcción de la Base Polinómica y Cuadratura:
- Para evitar la mala condición numérica de la ortogonalización directa (Gram-Schmidt) sobre distribuciones conjuntas complejas, se propone un esquema de integración por cuadratura con reducción de dimensionalidad.
- Transformación de Variables: Se mapean las variables dependientes a un espacio de variables latentes gaussianas independientes mediante la transformación inversa de Rosenblatt (simplificada para cópulas gaussianas).
- Integración Eficiente: Se utiliza la cuadratura de Gauss-Hermite en el espacio latente. Para manejar la dimensionalidad, se explota la estructura de las cópulas elípticas: los productos internos de polinomios se descomponen en sumas de valores esperados de monomios. Estos valores esperados dependen solo de las dimensiones involucradas en el monomio, permitiendo calcularlos en paralelo y reduciendo la dimensión efectiva de la integración ( $d_I$ ) lejos de la dimensión total del vector aleatorio ( $d$ ).
Reformulación Convexa de Restricciones de Probabilidad:
- Las restricciones de probabilidad (Chance Constraints) sobre sumas ponderadas de funciones aleatorias se reformulan utilizando las propiedades del gPC.
- La media ( $\mu$ ) y la varianza ( $\sigma$ ) de la suma se expresan en función de los coeficientes de expansión polinómica.
- Se aproxima la restricción de probabilidad (ej. 99%) mediante una aproximación de cuantiles: $\mu + \lambda \sigma \geq R$ , donde $\lambda$ es un factor de cuantil (ej. 2.326 para distribuciones normales). Esto convierte el problema estocástico en un problema de optimización convexa tratable.

3. Contribuciones Clave

Modelado de Dependencias Arbitrarias: Un enfoque para modelar dependencias entre variables aleatorias utilizando Cópulas Gaussianas dentro del marco gPC.
Esquema de Cálculo Tractable: Un algoritmo eficiente para la construcción de la base gPC y el cálculo de coeficientes, que utiliza integración por cuadratura y explota la estructura de la Cópula para reducir la carga computacional y permitir la paralelización.
Reformulación Convexa: Una reformulación de las restricciones de probabilidad para la contratación de servicios auxiliares que considera variables dependientes, manteniendo la convexidad del problema de optimización.

4. Resultados

El método se validó mediante un caso de uso de contratación conjunta transfronteriza (simulando zonas de Austria, República Checa y Alemania) con 8 variables aleatorias y 8 ofertas.

Caso 1 (Marginales Normales y Funciones Lineales):
- Se validó que la expansión gPC aproxima las funciones de oferta con un error numérico máximo del orden de $10^{-7}\%$ .
- La optimización satisfizo estrictamente las restricciones de probabilidad (99%) solo cuando se consideró la dependencia. El enfoque que asume independencia falló en garantizar el nivel de seguridad requerido, subestimando el riesgo.
Caso 2 (Marginales Arbitrarias y Funciones No Lineales):
- Se utilizaron distribuciones Beta (típicas para irradiación solar) y funciones polinómicas para las ofertas.
- La base polinómica (21 monomios) y los coeficientes se calcularon en aproximadamente 2 minutos en una implementación no paralelizada.
- El error de expansión fue del orden de $10^{-6}\%$ .
- Aunque la aproximación de cuantiles gaussianos no fue tan "ajustada" debido a la no normalidad de las distribuciones, el marco demostró ser capaz de manejar distribuciones complejas y no linealidades manteniendo la viabilidad del problema de optimización.

5. Significado e Impacto

Seguridad Operativa: El método permite a los Operadores del Sistema (TSOs y DSOs) contratar servicios auxiliares de manera más segura y económica al capturar correctamente las correlaciones entre recursos distribuidos, evitando tanto la sobre-contratación (costos innecesarios) como la sub-contratación (riesgo de fallo).
Viabilidad Computacional: Supera las barreras numéricas y de tiempo de cómputo de métodos anteriores para manejar variables dependientes en gPC, haciendo posible la aplicación en problemas de optimización de tamaño real.
Escalabilidad: La estrategia de reducción de dimensionalidad y el uso de Cópulas Gaussianas permiten escalar el método a sistemas con múltiples recursos interconectados.
Futuras Direcciones: El trabajo sienta las bases para extender el marco a problemas acoplados en el tiempo (correlaciones temporales) y restricciones de probabilidad conjunta, áreas críticas para la gestión de redes con alta penetración de renovables.