Bayesian Inference for Estimating Generation Costs in Electricity Markets

Titolo: Inferenza Bayesiana per la Stima dei Costi di Generazione nei Mercati Elettrici

1. Problema e Contesto

La stima accurata dei costi di generazione (costi marginali e costi di avvio) dai dati osservati nei mercati elettrici è fondamentale per la simulazione di mercato, le strategie di offerta (bidding) e la pianificazione del sistema.

• Sfida principale: I partecipanti al mercato (produttori) massimizzano il profitto offrendo energia in base ai costi marginali, ma le offerte reali includono strategie di trading e incertezze operative.
• Limiti degli approcci esistenti: I metodi tradizionali di ottimizzazione inversa tendono a fornire stime puntuali (point estimates) senza quantificare l'incertezza e spesso falliscono quando il modello è deterministico ma i dati reali sono generati da processi stocastici. Inoltre, la stima dei costi di avvio (start-up costs) è particolarmente difficile perché i programmi di produzione (schedules) sono poco sensibili a questi parametri una volta che l'unità è impegnata.
• Obiettivo: Formulare il problema di stima dei costi come un problema di inferenza bayesiana, permettendo di aggiornare le credenze sui parametri in base ai dati osservati e quantificare l'incertezza risultante.

2. Metodologia

Gli autori propongono un approccio basato su un modello a variabili latenti e confrontano due metodi di risoluzione:

A. Modello a Variabili Latenti

Il mercato è modellato come un processo generativo:

1. Parametri latenti: Costi marginali ($c$) e costi di avvio ($s$) sono distribuiti secondo prior uniformi.
2. Variabili latenti stocastiche:
   • Costi di offerta ($\tilde{c}$): Derivati dai costi marginali con un rumore gaussiano per simulare le strategie di trading.
   • Disponibilità: Indicatori Bernoulliani per la disponibilità dei generatori ($\alpha$) e delle linee di trasmissione ($\beta$).
   • Domanda ($\delta$): Modellata con profili stagionali e diurni perturbati da rumore.
3. Processo di osservazione: I programmi di produzione ($g$) sono la soluzione deterministica del problema di Unit Commitment (UC) (o SCUC - Security Constrained UC) che minimizza i costi totali dati i parametri sopra e i vincoli fisici (capacità, rampa, limiti di trasmissione).
4. Inferenza: L'obiettivo è calcolare la distribuzione a posteriori $p(\theta | x_{obs})$ dei parametri di costo $\theta = (c, s)$ dato l'osservazione del mercato $x_{obs} = (g_{obs}, \delta_{obs})$.

B. Algoritmi di Inferenza

1. Stima Bilanciata del Posterior Neurale (BNPE - Balanced Neural Posterior Estimation):

   • È un metodo di inference basata sulla simulazione (SBI).
   • Utilizza una rete neurale (Neural Spline Flow) per approssimare direttamente la distribuzione a posteriori.
   • La rete viene addestrata minimizzando la divergenza KL tra la vera posterior e l'approssimazione neurale, utilizzando un vasto numero di coppie $(\theta, x)$ generate simulando il modello forward.
   • Vantaggio: Fornisce una distribuzione completa (non solo un punto) e permette inferenze rapide una volta addestrata.

2. Ottimizzazione Inversa (Baseline):

   • Utilizza un metodo basato sul cono polare per trovare i parametri costanti che rendono il programma osservato ottimale in un modello deterministico.
   • Svantaggio: Ignora la stocasticità del processo generativo, portando a errori di specificazione del modello e mancata quantificazione dell'incertezza.

3. Risultati Sperimentali

Gli esperimenti sono stati condotti sul sistema di test IEEE RTS-96 (aggiornato al 2016) con un orizzonte temporale di 24 ore e 12 generatori.

• Stima dei Costi Marginali:

  • Il metodo BNPE riesce a recuperare i costi marginali con intervalli credibili stretti e distribuzioni posteriori concentrate attorno ai valori nominali reali.
  • Le distribuzioni marginali mostrano una chiara riduzione dell'incertezza rispetto al prior uniforme, dimostrando che il modello ha appreso informazioni dai dati.
  • L'ottimizzazione inversa mostra deviazioni maggiori e spesso cade in regioni a bassa densità della posterior vera, poiché non tiene conto del rumore stocastico.

• Stima dei Costi di Avvio (Start-up Costs):

  • Le distribuzioni posteriori per i costi di avvio rimangono diffuse e vicine al prior.
  • Questo risultato è corretto: i programmi di produzione sono poco sensibili ai costi di avvio una volta che l'unità è stata avviata, rendendo questi parametri "non identificabili" dai soli dati di schedule. Il fatto che BNPE non collassi su un punto arbitrario ma mantenga l'incertezza è un segno di robustezza del metodo.

• Diagnostica e Calibrazione:

  • Copertura Empirica: La posterior appresa mostra una leggera sovracconfidenza (overconfidence), ma rimane utile per l'analisi di mercato.
  • Posterior Predictive Checks: Campionando parametri dalla posterior appresa e ri-eseguendo il modello forward, i programmi di produzione generati sono coerenti con i dati osservati, validando la coerenza del ciclo inverso-forward.

4. Contributi Chiave

1. Formulazione Bayesiana: Trasformazione del problema di stima dei costi di generazione in un problema di inferenza bayesiana con variabili latenti, permettendo di gestire esplicitamente l'incertezza operativa e strategica.
2. Applicazione di BNPE: Introduzione dell'uso della Balanced Neural Posterior Estimation per problemi di Unit Commitment su reti realistiche, superando le limitazioni dei metodi precedenti (che erano su sistemi semplificati senza vincoli di rete).
3. Quantificazione dell'Incertezza: Dimostrazione che è possibile ottenere stime probabilistiche affidabili per i costi marginali, mentre si riconosce correttamente l'impossibilità di stimare i costi di avvio senza dati aggiuntivi.
4. Confronto con Ottimizzazione Inversa: Analisi comparativa che evidenzia come i metodi deterministici falliscano nel catturare la variabilità intrinseca dei mercati reali.

5. Significato e Implicazioni

• Monitoraggio del Mercato: Il metodo BNPE offre uno strumento pratico per gli operatori di sistema (TSO) e i regolatori per monitorare il comportamento del mercato e valutare la ritenzione della capacità, fornendo non solo una stima ma anche un intervallo di confidenza.
• Efficienza Computazionale: Una volta addestrato, il modello neurale permette inferenze quasi istantanee per nuovi dati, rendendolo adatto a scenari operativi quotidiani, a differenza dei metodi MCMC (Markov Chain Monte Carlo) che sono computazionalmente proibitivi per spazi ad alta dimensionalità.
• Decisioni Consapevoli del Rischio: La capacità di quantificare l'incertezza permette di evitare ragionamenti errati basati su stime puntuali, supportando decisioni di pianificazione e gestione del rischio più robuste.

In sintesi, il paper dimostra che l'inferenza bayesiana basata su simulazione è un approccio superiore per l'estrazione di parametri economici dai dati di mercato elettrico, bilanciando accuratezza, efficienza e gestione dell'incertezza.