Resumo Técnico: Modelagem Estocástica Sensível ao Contexto de Agregadores de Recursos Energéticos de Consumidores em Mercados de Eletricidade

1. Definição do Problema

Agregadores que gerenciam Recursos Energéticos de Consumidores (CERs), como sistemas fotovoltaicos (PV) em telhados e sistemas de armazenamento de energia por bateria (BES), enfrentam desafios significativos devido às incertezas inerentes nas previsões de geração e carga. Quando participam de mercados de eletricidade (especificamente o Mercado Nacional de Eletricidade australiano, NEM), essas incertezas podem levar a decisões de despacho inviáveis ou perdas substanciais de receita se não forem gerenciadas corretamente.

O problema central envolve a otimização das estratégias de lances para energia e serviços de controle de frequência de regulação (FCAS) para um agregador. O agregador deve comprometer-se com os lances em uma etapa de "aqui e agora" (dia anterior) antes que a incerteza seja realizada, garantindo que ajustes em tempo real ("esperar e ver") possam compensar erros de previsão sem violar os compromissos de mercado. Os principais desafios incluem:

• Escalabilidade: Resolver problemas de otimização estocástica com BES é computacionalmente difícil devido a restrições acopladas no tempo, restrições de complementaridade (exclusividade mútua de carga/descarga) e a necessidade de cootimização de múltiplos serviços.
• Sensibilidade ao Contexto: A literatura existente frequentemente aplica métodos estocásticos (neutros ao risco, robustos ou de restrição de chance) sem justificar a escolha com base em configurações operacionais específicas, características de incerteza ou preferências de tomada de decisão, o que pode levar a resultados subótimos.
• Adesão ao Despacho: O agregador deve manter a Conformidade de Despacho Agregado (ADC) para evitar penalidades financeiras e potencial rescisão de contrato, particularmente para compromissos de FCAS.

2. Metodologia

O artigo propõe uma estrutura de otimização estocástica de dois estágios para enfrentar esses desafios. O agregador atua tanto como varejista quanto como fornecedor, controlando ativos flexíveis (PV, BES e cargas) para participar dos mercados de energia e de FCAS de regulação (elevação/redução).

A. Formulações de Otimização

Três abordagens estocásticas distintas de dois estágios são modeladas como Programas Lineares Inteiros Mistos (MILPs) ou Programas Lineares (LPs):

1. Otimização Estocástica Neutra ao Risco: Maximiza o lucro esperado sobre uma distribuição de probabilidade de parâmetros incertos (erros de previsão de PV e carga). Inclui um termo de penalidade para violações de ADC em tempo real.
2. Otimização Robusta: Maximiza o lucro sob a pior realização dentro de um conjunto de incerteza predefinido (incerteza de caixa), sem exigir distribuições de probabilidade. Garante a viabilidade para todos os cenários dentro do conjunto.
3. Otimização Estocástica de Restrição de Chance: Otimiza o lucro sobre um conjunto de incerteza reduzido, permitindo uma pequena probabilidade predefinida ($\epsilon$) de violação de restrição. Isso equilibra lucratividade com risco.

B. Abordagens de Solução e Escalabilidade

Para lidar com a natureza de dimensão infinita da incerteza contínua e grandes conjuntos de cenários, os autores utilizam:

• Geração de Cenários: Erros de previsão são modelados usando Autorregressão (AR) e gerados via métodos de Cadeia de Markov Monte Carlo (MCMC) para capturar correlações temporais.
• Políticas de Recurso Afim: Para reduzir a complexidade computacional, as decisões de segundo estágio são aproximadas como funções lineares das decisões de primeiro estágio e dos parâmetros incertos ($y_\xi = y + d^\top \xi$).
• Tratamento de Restrições de Complementaridade: A condição não linear $P_{c} \cdot P_{d} = 0$ (carga e descarga não podem ocorrer simultaneamente) é abordada via:
  • Transformação de Fortuny-Amat: Reformulada como MILP usando variáveis binárias (exata, mas computacionalmente pesada para grandes conjuntos de cenários).
  • Relaxação LP: As variáveis binárias são removidas e um termo de penalidade é adicionado à função objetivo para desencorajar a carga e descarga simultâneas.
  • Envoltórias de McCormick: Uma abordagem de relaxação convexa usando variáveis auxiliares.
• Tratamento de Restrição de Chance: A abordagem "probabilisticamente robusta" é usada para reformular restrições de chance em restrições robustas sobre um conjunto de incerteza de volume mínimo derivado de um número reduzido de cenários amostrados.

3. Principais Contribuições

O artigo apresenta duas contribuições primárias:

1. Seleção de Método Sensível ao Contexto: Fornece uma comparação abrangente de métodos neutros ao risco, robustos e de restrição de chance para agregadores de CER no NEM. Ele vincula a seleção do método ideal a contextos específicos, incluindo configurações operacionais (capacidade de BES, preços de mercado), características de incertitude (níveis de erro de previsão) e preferências de tomada de decisão (tolerância ao risco).
2. Estratégias de Modelagem Escaláveis: Melhora a escalabilidade das formulações estocásticas através de:
   • Captura da flexibilidade do BES através de uma dinâmica precisa de Estado de Carga (SoC) e restrições de complementaridade.
   • Redução da dimensionalidade do problema para grandes agregações de CER.
   • Demonstração de que as relaxações LP e políticas de recurso afim oferecem trocas práticas entre precisão e tempo computacional.

4. Resultados Experimentais e Validação

Os métodos foram validados usando dados reais da rede Ausgrid (300 casas com PV, carga e BES) e dados de mercado do NEM de 1º de julho de 2012. Os experimentos foram conduzidos em três contextos:

• Configurações Operacionais e de Mercado:

  • Quando a incerteza é capturada corretamente e a capacidade de BES é suficiente, o método neutro ao risco supera consistentemente os outros ao otimizar realizações esperadas.
  • Sob capacidade limitada de BES, métodos conservadores (robusto e de restrição de chance) sofrem com lucros reduzidos (às vezes negativos) porque retêm flexibilidade para cenários extremos. O método neutro ao risco permanece mais lucrativo nesses cenários.
  • A participação conjunta nos mercados de energia e FCAS aumenta significativamente a receita em todos os métodos.

• Características da Incerteza:

  • Quando os descompassos de potência reais são pequenos (incerteza capturada com precisão), o método neutro ao risco apresenta melhor desempenho.
  • Quando a incerteza é capturada de forma imprecisa ou os descompassos são grandes (ex: carga real significativamente maior que a prevista), os métodos robusto e de restrição de chance superam a abordagem neutra ao risco devido à sua capacidade de lidar com desvios extremos e evitar penalidades severas.
  • O método robusto oferece a proteção mais forte contra altas violações, enquanto o método de restrição de chance oferece um equilíbrio, muitas vezes superando os métodos robustos quando os custos de penalidade são menores.

• Preferências de Tomada de Decisão:

  • O uso de políticas de recurso afim reduz significativamente o tempo computacional tanto na fase de treinamento quanto na de teste, com impactos marginais no lucro, tornando-os adequados para cenários que exigem tempos de solução mais rápidos.

• Descobertas de Escalabilidade:

  • A relaxação LP baseada em penalidade para as restrições de complementaridade do BES fornece o troco mais prático, alcançando lucros quase idênticos à formulação MILP exata, mas com tempo computacional significativamente menor e violações negligíveis de exclusividade mútua.

5. Significância e Alegações

O artigo afirma que a seleção de um método de otimização estocástica para agregadores de CER deve ser sensível ao contexto. Não existe um único "melhor" método; em vez disso, a escolha ideal depende do ambiente operacional e do perfil de risco:

• Métodos Neutros ao Risco são recomendados quando a incerteza é modelada com precisão sob condições típicas de mercado, pois maximizam o lucro esperado.
• Métodos Robustos são mais adequados quando a incerteza é alta ou modelada de forma imprecisa, particularmente quando descompassos de potência elevados são prováveis, oferecendo forte proteção contra penalidades.
• Métodos de Restrição de Chance são preferidos quando se deseja um equilíbrio entre lucratividade e um risco controlado de violação de restrição.

O estudo enfatiza que ignorar o contexto do caso de uso pode levar a problemas inviáveis ou perdas de receita. Além disso, as estratégias de modelagem escaláveis propostas (relaxação LP e recurso afim) permitem a aplicação prática desses modelos estocásticos complexos em mercados de tempo real de grande escala.