Bayesian Inference for Estimating Generation Costs in Electricity Markets

Título: Inferencia Bayesiana para la Estimación de Costos de Generación en Mercados Eléctricos

1. Planteamiento del Problema

La estimación precisa de los costos de generación (costos marginales y costos de arranque) a partir de datos observados del mercado eléctrico es fundamental para la simulación de mercados, la oferta estratégica y la planificación del sistema. Sin embargo, estos costos no son directamente observables; solo se conocen los horarios de producción (despacho) resultantes de la interacción de múltiples agentes.

El desafío principal radica en que el proceso de formación de precios y despacho es complejo, involucrando incertidumbre operativa (fallos de líneas/generadores, demanda estocástica) y estrategias de oferta que no siempre reflejan los costos reales. Los métodos tradicionales de optimización inversa suelen tratar los parámetros como deterministas, proporcionando estimaciones puntuales sin cuantificar la incertidumbre, lo que puede llevar a errores significativos cuando el modelo no captura la naturaleza estocástica del mercado.

2. Metodología

Los autores proponen un enfoque basado en un modelo de variables latentes formulado como un problema de inferencia bayesiana.

• Modelo de Variables Latentes:

  • Se define un modelo generativo donde los costos de generación ($\theta = [c, s]$) son parámetros latentes con distribuciones a priori (uniformes).
  • Estos costos se transforman en costos de oferta ($\tilde{c}$) mediante un modelo estocástico (ruido gaussiano) para simular estrategias de trading.
  • Se incluyen variables latentes para la disponibilidad de generadores y líneas (distribuciones Bernoulli) y la demanda del sistema.
  • El "motor" del modelo es un problema de Compromiso de Unidades (UC) que, dados los costos de oferta, la disponibilidad y la demanda, resuelve el despacho óptimo ($g$) minimizando el costo total sujeto a restricciones físicas y de red.
  • La relación se expresa como: $g = UC(\tilde{c}, s, \alpha, \beta, \delta)$.

• Inferencia Bayesiana:

  • El objetivo es calcular la distribución posterior $p(\theta | x_{obs})$, donde $x_{obs}$ es el horario observado y la demanda.
  • Dado que la verosimilitud es intratable (requiere integrar sobre variables latentes de alta dimensión), se utiliza Estimación de la Posterior Neuronal Equilibrada (BNPE - Balanced Neural Posterior Estimation).
  • BNPE: Se entrena una red neuronal (un flujo de splines neuronales) para aproximar la distribución posterior. La red se entrena minimizando la divergencia KL entre la verdadera posterior y la aproximación neuronal, utilizando pares de datos simulados $(\theta, x)$ generados a partir del modelo forward.
  • Línea Base (Optimización Inversa): Se compara con un algoritmo de optimización inversa basado en el método del cono polar, que busca los parámetros para los cuales el horario observado es óptimo en un modelo determinista, ignorando la estocasticidad.

3. Contribuciones Clave

• Formulación Bayesiana para UC: Extiende la formulación de UC para modelar explícitamente la demanda estocástica, fallos de componentes y ofertas estratégicas, tratando la estimación de costos como un problema de inferencia probabilística.
• Aplicación de BNPE en Mercados Eléctricos: Demuestra la viabilidad de usar estimación de posterior neuronal (SBI - Simulation-Based Inference) para estimar parámetros de costos en un sistema de red realista (IEEE RTS-96) con 24 barras y 12 generadores.
• Cuantificación de Incertidumbre: A diferencia de los métodos de optimización inversa tradicionales, el enfoque propuesto proporciona intervalos creíbles completos, permitiendo distinguir entre parámetros bien identificados y aquellos que son inherentemente no observables.
• Comparativa Rigurosa: Establece una comparación directa entre un método de inferencia amortizada (BNPE) y un método de optimización inversa, evaluando precisión, eficiencia computacional y caracterización de la incertidumbre.

4. Resultados

Los experimentos se realizaron en el sistema de prueba IEEE RTS-96 (actualizado 2016) con un horizonte de 24 horas.

• Costos Marginales ($c$):
  • El método BNPE recupera con alta precisión los costos marginales.
  • Las distribuciones posteriores son estrechas y picudas, concentrándose alrededor de los valores nominales reales, lo que indica un aprendizaje exitoso más allá de la priori plana.
  • Se observan correlaciones entre los costos de diferentes generadores, reflejando cómo el despacho acopla la inferencia de sus parámetros.
• Costos de Arranque ($s$):
  • Las distribuciones posteriores para los costos de arranque permanecen difusas y cercanas a la distribución a priori.
  • Esto es un hallazgo positivo: indica que el modelo reconoce correctamente que los costos de arranque son no identificables a partir de los horarios de producción observados por sí solos (una vez que una unidad está comprometida, el horario es poco sensible a $s$).
  • El método de optimización inversa, por el contrario, produce estimaciones puntuales con grandes desviaciones y sin advertencia sobre la falta de información.
• Calibración y Validación:
  • Cobertura Empírica: La posterior aprendida muestra una ligera sobreconfianza (la cobertura empírica es ligeramente inferior al nivel nominal), probablemente debido a la alta dimensionalidad y la complejidad del modelo estocástico, pero sigue siendo útil para el análisis.
  • Chequeo Predictivo Posterior: Al muestrear parámetros de la posterior aprendida y pasarlos por el modelo forward, los horarios generados son consistentes con el horario observado, validando la coherencia del ciclo inverso-forward.
• Eficiencia: Una vez entrenado, el BNPE permite una evaluación de la posterior casi instantánea para nuevas observaciones, ideal para monitoreo en tiempo real, mientras que la optimización inversa requiere resolver problemas de optimización complejos para cada consulta.

5. Significado e Impacto

• Toma de Decisiones Informada por Riesgo: La capacidad de cuantificar la incertidumbre es crucial para reguladores y operadores del sistema (TSO). Permite evaluar la fiabilidad de las estimaciones de costos y evitar decisiones erróneas basadas en estimaciones puntuales que ignoran la variabilidad del mercado.
• Superioridad sobre Métodos Deterministas: El estudio demuestra que ignorar la estocasticidad (como hace la optimización inversa tradicional) lleva a interpretaciones incorrectas del ruido como cambios en los parámetros del modelo, resultando en estimaciones sesgadas.
• Aplicabilidad Operativa: El enfoque BNPE ofrece un equilibrio práctico entre la precisión estadística y la eficiencia computacional, permitiendo la implementación de monitoreo de costos en tiempo real en mercados eléctricos complejos.
• Futuro: El trabajo abre la puerta a la inferencia conjunta de parámetros físicos (límites de rampa, capacidades) y costos, así como a la extensión de la inferencia a horizontes temporales más largos para mejorar la identificación de costos de arranque mediante patrones temporales.

En conclusión, el artículo presenta un marco robusto para desentrañar los costos ocultos en los mercados eléctricos, utilizando la inferencia bayesiana moderna para transformar datos observados en conocimiento probabilístico fiable, superando las limitaciones de los métodos de inversión deterministas tradicionales.