Coalition Formation with Limited Information Sharing for Local Energy Management

Título: Formación de Coaliciones con Intercambio de Información Limitada para la Gestión Local de Energía

1. Planteamiento del Problema

El sistema energético global está transitando de grandes plantas centralizadas a una red distribuida de "prosumidores" (agentes que consumen y producen energía). Para optimizar esta red, se propone el control coalicional, donde los agentes se agrupan para comerciar energía internamente y reducir costos.

Sin embargo, los métodos existentes de formación de coaliciones "bottom-up" (de abajo hacia arriba) presentan dos limitaciones críticas:

• Privacidad: Requieren el intercambio completo de información local (datos de demanda, generación, almacenamiento y restricciones) entre todos los agentes para evaluar fusiones potenciales. Esto expone datos sensibles de los hogares a vulnerabilidades de seguridad.
• Complejidad Computacional: Evaluar cada posible fusión requiere resolver un problema de optimización completo para cada par de agentes, lo que genera un cuello de botella computacional inmanejable a medida que crece el número de agentes.

El objetivo de este trabajo es desarrollar un algoritmo de formación de coaliciones que minimice el intercambio de información y la carga computacional, sin sacrificar la garantía de que el costo total no será mayor que el de una operación descentralizada.

2. Metodología

Los autores proponen un marco integrado que combina Control Predictivo de Modelo (MPC), optimización distribuida y un nuevo algoritmo de formación de coaliciones basado en cotas superiores.

• Modelo del Sistema:

  • Se considera un conjunto de edificios con demanda, generación, baterías y capacidad de comercio con la red.
  • Se utiliza una función de costo lineal basada en precios de compra y venta de la red.
  • Se aplica MPC con un horizonte de predicción para gestionar la incertidumbre en la generación y demanda.

• Algoritmo de Formación de Coaliciones con Información Limitada:

  • En lugar de resolver el problema de optimización completo para evaluar si dos coaliciones deben fusionarse, el algoritmo calcula una cota superior (upper bound) del valor de la coalición resultante.
  • Mecanismo de la Cota: Los agentes solo comparten sus planes netos de comercio con la red (calculados de forma descentralizada). Si un agente compra y otro vende en el mismo instante, se estima el ahorro potencial al intercambiar esa energía directamente entre ellos en lugar de con la red.
  • Criterio de Fusión: Una fusión se acepta solo si la cota superior indica una reducción estricta de costos ($\hat{V}(A \cup B) < \hat{V}(A) + \hat{V}(B)$). Esto evita la necesidad de conocer los modelos internos de los demás.

• Optimización Dentro de la Coalición (ADMM):

  • Una vez formadas las coaliciones, se optimiza la estrategia conjunta utilizando el Método de Direcciones Alternadas de Multiplicadores (ADMM).
  • Este enfoque distribuido permite a los agentes resolver subproblemas locales y coordinarse solo intercambiando variables de consenso (planes de comercio de la coalición), manteniendo los datos privados de consumo y generación ocultos.
  • Se utiliza una variable de consenso $z_i$ para asegurar el equilibrio de potencia dentro de la coalición ($\sum C_{tot} = 0$).

• Gestión en Tiempo Real (MPC):

  • Las coaliciones se reevalúan y reforman en cada paso de tiempo.
  • Se incluye una condición de seguridad: si una coalición formada resulta ser más costosa que operar individualmente en un momento dado (debido a errores de predicción), se disuelve inmediatamente, garantizando que el sistema nunca rinde peor que la operación descentralizada.

3. Contribuciones Clave

1. Algoritmo de Formación sin Optimización Completa: Se propone un método que evita resolver problemas de optimización completos para cada fusión candidata, utilizando en su lugar una cota superior computacionalmente eficiente.
2. Privacidad Preservada: El esquema requiere únicamente el intercambio de planes de comercio con la red (agregados), eliminando la necesidad de compartir datos sensibles de demanda, generación y restricciones de almacenamiento.
3. Garantía de Rendimiento: Se demuestra teóricamente que la estructura de coaliciones resultante garantiza un costo total no superior al de la operación totalmente descentralizada.
4. Integración con ADMM y MPC: Se combina la formación de coaliciones con optimización distribuida (ADMM) dentro de un marco de Control Predictivo de Modelo, actualizando dinámicamente las coaliciones ante cambios en las condiciones.
5. Validación Empírica: Resultados numéricos con datos reales demuestran mejoras económicas sobre el control descentralizado y costos computacionales significativamente menores que los métodos de información completa.

4. Resultados

Los experimentos se realizaron utilizando datos reales de consumo y generación (15 minutos de resolución) para escenarios de 8 y 70 edificios.

• Rendimiento Económico:

  • En optimización de lazo abierto (70 edificios), el método de información limitada redujo el costo de 239€ (descentralizado) a 232€, acercándose al óptimo centralizado (101€) pero con mucha menos complejidad.
  • En el escenario de 8 edificios, el método alcanzó el rendimiento óptimo (430€), igualando a la solución centralizada.
  • En el control predictivo (MPC), el método limitado logró un costo de 489€ frente a 496€ del descentralizado, superando a la solución descentralizada sin el costo computacional prohibitivo de la solución centralizada.

• Eficiencia Computacional:

  • El enfoque de "información completa" (fuerza bruta) no pudo encontrar una solución para 70 edificios en 24 horas (tiempo agotado).
  • El método propuesto completó las simulaciones en tiempos razonables (ej. ~4000 segundos para MPC con 10 edificios vs. ~50000 segundos para el método centralizado).
  • El número de iteraciones de ADMM necesarias para la convergencia se mantuvo bajo incluso al aumentar el número de edificios, demostrando buena escalabilidad.

• Análisis de Escalabilidad y Tamaño de Coalición:

  • Se observó un compromiso (trade-off): coaliciones más grandes reducen el costo promedio pero aumentan la carga computacional. Se identificó un tamaño máximo de coalición de 6 edificios como un punto de equilibrio razonable.

5. Significado e Impacto

Este trabajo es significativo porque resuelve la tensión fundamental entre la privacidad de los datos y la eficiencia económica en las redes eléctricas inteligentes.

• Viabilidad Práctica: Al eliminar la necesidad de compartir modelos completos, hace que la formación de coaliciones sea viable para mercados de energía reales donde la protección de datos es prioritaria.
• Escalabilidad: Al reducir la complejidad computacional de la formación de coaliciones de exponencial a manejable, permite aplicar estas técnicas a redes con cientos o miles de prosumidores.
• Marco General: Aunque se enfoca en la energía, la metodología es aplicable a cualquier juego de comercio donde los agentes deban colaborar sin revelar sus modelos internos completos, ofreciendo un mecanismo para ajustar el equilibrio entre optimalidad y privacidad.

En resumen, el paper demuestra que es posible lograr una gestión de energía colaborativa eficiente y segura, superando las limitaciones de los métodos actuales que exigen una transparencia total de datos.