Bayesian Inference for Estimating Generation Costs in Electricity Markets

Título: Inferência Bayesiana para Estimativa de Custos de Geração em Mercados de Eletricidade

1. Problema e Motivação

A estimativa precisa dos custos de geração (custos marginais e custos de partida) a partir de dados observados do mercado de eletricidade (especificamente, os cronogramas de produção) é fundamental para simulações de mercado, licitações estratégicas e planejamento de sistemas.

• Desafio: Os agentes do mercado operam com informações imperfeitas. Em mercados competitivos, os participantes tendem a licitar próximos aos seus custos marginais. No entanto, recuperar esses custos a partir dos cronogramas de despacho é um problema inverso complexo.
• Limitações das Abordagens Atuais: Métodos tradicionais de otimização inversa fornecem apenas estimativas pontuais (valores únicos) e frequentemente ignoram a incerteza inerente aos dados e ao modelo. Além disso, eles muitas vezes assumem modelos determinísticos, falhando em capturar a natureza estocástica das ofertas e falhas de equipamentos.
• Objetivo: Desenvolver um método que não apenas estime os parâmetros de custo, mas também quantifique a incerteza associada a essas estimativas, tratando o problema como uma inferência bayesiana.

2. Metodologia

Os autores propõem uma abordagem baseada em um modelo de variável latente e utilizam duas técnicas principais para resolver o problema de inferência:

A. Modelagem Probabilística (Modelo de Variável Latente)
O processo de formação do mercado é modelado como um grafo onde:

• Parâmetros Latentes ($\theta$): Custos marginais ($c$) e custos de partida ($s$) são tratados como variáveis aleatórias com distribuições a priori uniformes.
• Variáveis Latentes Adicionais ($z$): Incluem custos de oferta estocásticos (desvios estratégicos dos custos marginais), disponibilidade de geradores e linhas (falhas aleatórias) e a demanda do sistema.
• Modelo Direto: O cronograma de geração ($g$) é a solução de um problema de Comprometimento de Unidade (UC) ou Unit Commitment, que minimiza o custo total sujeito a restrições físicas (limites de capacidade, rampas, limites de transmissão) e operacionais.
• Formulação Bayesiana: O objetivo é calcular a distribuição a posteriori $p(\theta | x_{obs})$, onde $x_{obs}$ é o cronograma observado e a demanda. Isso é feito atualizando a crença inicial (prior) com os dados observados.

B. Algoritmos de Inferência
O artigo compara duas abordagens para resolver a inferência:

1. Estimação de Posterior Neural Balanceada (BNPE - Balanced Neural Posterior Estimation):

   • É um método de inferência baseada em simulação (SBI).
   • Utiliza uma rede neural (um fluxo de splines neural) para aproximar a distribuição posterior diretamente, sem calcular a verossimilhança explicitamente (que é intratável devido à complexidade do problema de UC).
   • Treinamento: A rede é treinada gerando milhares de pares $(\theta, x)$ simulando o modelo direto (amostrando custos, resolvendo o UC e gerando cronogramas).
   • Vantagem: Uma vez treinada, a rede fornece a distribuição completa de probabilidade (incerteza) para qualquer novo cronograma observado quase instantaneamente.

2. Otimização Inversa (Método do Cone Polar):

   • Serve como baseline (linha de base).
   • Assume um modelo determinístico (ignora estocasticidade de ofertas e falhas).
   • Busca os parâmetros de custo para os quais o cronograma observado é a solução ótima.
   • Limitação: Fornece apenas uma estimativa pontual e não quantifica a incerteza.

3. Resultados e Validação

O método foi validado no sistema de teste IEEE RTS-96 (atualizado em 2016), que possui 24 barras, 12 geradores e 38 linhas de transmissão, cobrindo um horizonte de 24 horas.

• Estimativa de Custos Marginais:
  • O BNPE recuperou com sucesso os custos marginais, produzindo distribuições posteriores concentradas e estreitas em torno dos valores reais (nominais).
  • Os intervalos de credibilidade foram precisos, demonstrando que o modelo aprendeu a relação entre o cronograma e os custos.
• Estimativa de Custos de Partida:
  • As distribuições posteriores para os custos de partida permaneceram difusas (próximas à distribuição a priori).
  • Interpretação: Isso não é uma falha do modelo, mas uma representação correta da realidade física: os cronogramas de geração são pouco sensíveis aos custos de partida uma vez que a unidade já foi comprometida (ligada). O modelo bayesiano identificou corretamente que esses parâmetros são não identificáveis apenas com os dados observados.
• Comparação com Otimização Inversa:
  • A solução de otimização inversa apresentou maiores desvios em relação aos parâmetros reais e frequentemente caiu em regiões de baixa densidade da distribuição posterior.
  • A otimização inversa falhou em capturar a incerteza, interpretando erroneamente o ruído estocástico como mudanças nos parâmetros de custo.
• Calibração e Verificação:
  • Testes de cobertura empírica mostraram que o BNPE está levemente superconfiante (intervalos um pouco mais estreitos que o ideal), mas ainda útil para análise de mercado.
  • Posterior Predictive Checks confirmaram que amostrar parâmetros da posterior aprendida e rodá-los no modelo direto reproduz cronogramas consistentes com a observação original.

4. Contribuições Principais

1. Formulação Bayesiana para Mercados de Eletricidade: Transformou a estimativa de custos de geração em um problema de inferência bayesiana, permitindo a incorporação de conhecimento prévio e a atualização sistemática com dados.
2. Aplicação de BNPE em UC: Demonstrou a viabilidade de usar Estimação de Posterior Neural Balanceada para problemas de Comprometimento de Unidade complexos e estocásticos, superando a intratabilidade do cálculo de verossimilhança.
3. Quantificação de Incerteza: Oferece uma visão realista sobre quais parâmetros podem ser estimados (custos marginais) e quais não podem (custos de partida) com base apenas nos dados de cronograma, evitando conclusões errôneas comuns em métodos determinísticos.
4. Eficiência Computacional: O método BNPE, após o treinamento, permite inferência quase instantânea, tornando-o viável para monitoramento de mercado em tempo real, ao contrário de métodos como MCMC que são computacionalmente proibitivos para este cenário.

5. Significado e Conclusão

O trabalho estabelece uma nova base para a análise de dados em mercados de eletricidade. Ao combinar a flexibilidade de modelos de variáveis latentes com a eficiência da inferência baseada em simulação, os autores oferecem uma ferramenta robusta para reguladores e operadores de sistema.

• Impacto Prático: Permite monitorar o comportamento do mercado e avaliar a retenção de capacidade com uma compreensão clara dos riscos e incertezas.
• Futuro: O artigo sugere extensões para a inferência conjunta de parâmetros físicos (como limites de rampa) e a incorporação de dados de múltiplos dias para melhorar a identificação de custos de partida, aproveitando a variação de preços de combustíveis.

Em resumo, o artigo demonstra que a abordagem bayesiana com BNPE supera os métodos tradicionais de otimização inversa ao fornecer estimativas precisas de custos marginais com quantificação de incerteza, enquanto identifica honestamente a impossibilidade de estimar custos de partida apenas a partir de cronogramas de despacho.