Thesis:

Integración de pronósticos avanzados con políticas de despacho para apoyar metas de descarbonización: Un enfoque híbrido LSTM-programación lineal aplicado al sistema eléctrico chileno.

El despacho eficiente de energía a corto plazo es fundamental para garantizar la estabilidad del sistema eléctrico y el cumplimiento de las metas de descarbonización en escenarios con alta penetración de energías renovables. Este trabajo propone un marco de decisión basado en pronósticos que integra modelos de aprendizaje profundo para la predicción de demanda con una optimización multiobjetivo orientada a la operación confiable y el alineamiento regulatorio. En la etapa de pronóstico, se evalúan y comparan cuatro arquitecturas avanzadas de aprendizaje profundo: GRU, LSTM, Transformer y TCN. Los resultados demuestran que la red LSTM, optimizada mediante metaheurísticas, ofrece el mejor desempeño predictivo. Los pronósticos generados se incorporan a un modelo de programación lineal multiobjetivo, diseñado para minimizar simultáneamente los costos operativos, las emisiones de CO$_2$ y la dependencia de generación térmica, asegurando a su vez la suficiencia de reservas. El marco propuesto se aplica al sistema eléctrico chileno, considerando datos históricos del período 2016--2023. Los resultados evidencian reducciones significativas en comparación con un esquema de despacho ingenuo: 22% en costos operativos, 42% en emisiones de CO$_2$ y 22,9% en dependencia térmica. Además, se realiza un análisis de sensibilidad que revela que los errores de pronóstico afectan linealmente los costos, mientras que su impacto sobre las emisiones es no lineal y varía según la región, lo que subraya la necesidad de estándares de flexibilidad adaptativos. Los hallazgos de este estudio aportan evidencia relevante para la formulación de políticas energéticas, destacando la importancia de integrar esquemas de despacho basados en pronósticos en el diseño de mercado, con el fin de estabilizar señales de precio del carbono, fortalecer la seguridad energética y acelerar la transición hacia sistemas eléctricos más sostenibles bajo condiciones de alta incertidumbre renovable.

Effective short-term energy dispatch is essential for ensuring market stability and meeting decarbonization targets under high renewable penetration. This study introduces a forecast-driven decision framework that combines deep learning-based demand prediction with multi-objective optimization to enhance system reliability and regulatory compliance. Four architectures (GRU, LSTM, Transformer, TCN) are benchmarked, with LSTM optimized via metaheuristics delivering the most accurate forecasts. These forecasts feed a linear programming model minimizing operational costs, CO\textsubscript{2} emissions, and thermal reliance while preserving reserve adequacy. Applied to Chile’s national power system (2016–2023), the approach cuts operational costs by 22%, CO\textsubscript{2} emissions by 42%, and thermal dependence by 22.9% compared to naive scheduling. Sensitivity analysis reveals forecast errors exert a linear effect on costs but a non-linear, region-specific impact on emissions, stressing the need for adaptive flexibility standards. Findings provide policy-relevant insights for regulators on integrating forecast-based scheduling into market design, stabilizing carbon price signals, and reinforcing energy security under renewable uncertainty.