Thesis:

Modelo de Reliability Unit Commitment estocástico de dos etapas para mercados eléctricos con generación eólica y demanda incierta

La creciente incorporación de energías renovables en los sistemas eléctricos ha introducido nuevos desafíos para la planificación y operación del sistema. La variabilidad e incertidumbre asociadas a recursos como la energía eólica, junto con posibles desviaciones en la demanda eléctrica, dificultan la programación eficiente y confiable de las unidades generadoras. En este contexto, el modelo de optimización de Unit Commitment (UC), ampliamente utilizado por los Operadores Independientes del Sistema (ISO), ha evolucionado para abordar distintas fuentes de incertidumbre y garantizar la seguridad operativa del sistema. Una de estas extensiones es el Reliability Unit Commitment (RUC), que considera la asignación preventiva de capacidad para cubrir posibles desviaciones entre la demanda ofertada en el mercado eléctrico y el pronóstico realizado por el ISO. El presente trabajo tiene como propósito desarrollar la formulación matemática de un modelo de optimización estocástico de dos etapas que integre, las decisiones del mercado diario y las decisiones asociadas al RUC, incorporando simultáneamente la incertidumbre de la demanda eléctrica y de la generación eólica, con el objetivo de maximizar el bienestar social. En la primera etapa se determinan las decisiones de encendido y apagado de unidades, energía comprometida, asignación de reservas y capacidad destinada a RUC; mientras que en la segunda etapa, el modelo evalúa el desempeño de estas decisiones frente a diferentes realizaciones de la incertidumbre, representadas mediante un conjunto de escenarios. A diferencia de propuestas anteriores basadas en formulaciones deterministas o con representaciones limitadas de la variabilidad, esta formulación permite analizar el comportamiento del sistema bajo distintas condiciones de operación y evaluar el impacto del RUC desde múltiples perspectivas, incluyendo aspectos económicos, operacionales y medioambientales. El modelo se implementa en el sistema de prueba IEEE-39 modificado, donde se desarrollan dos análisis comparativos principales. El primero evalúa el impacto de la inclusión de RUC en el modelo y el segundo analiza el efecto de representar la incertidumbre variando el número de escenarios considerados. Los resultados muestran que la incorporación de RUC mejora la preparación del sistema frente a la variabilidad, permitiendo una mayor utilización de tecnologías limpias y de menor costo, reduciendo la energía no suministrada, optimizando el uso de reservas y disminuyendo la congestión en las líneas de transmisión. Asimismo, considerar un mayor número de escenarios permite capturar de mejor manera el comportamiento del sistema, lo que se traduce en decisiones de programación más robustas y en un mejor desempeño operativo frente a escenarios adversos no previstos por el modelo. Se concluye que el modelo propuesto y su análisis entregan información relevante respecto al valor de incorporar restricciones de confiabilidad mediante RUC y de representar adecuadamente la incertidumbre en sistemas eléctricos con alta penetración de energías renovables y participación de demanda elástica, abriendo oportunidades para el desarrollo de investigaciones futuras en esta línea.

The increasing integration of renewable energy into electrical systems has introduced new challenges for system planning and operation. The variability and uncertainty associated with resources such as wind power, along with potential deviations in electricity demand, hinder the efficient and reliable scheduling of generating units. In this context, the Unit Commitment (UC) optimization model, widely used by Independent System Operators (ISOs), has evolved to address different sources of uncertainty and ensure the operational security of the system. One such extension is the Reliability Unit Commitment (RUC), which considers the proactive allocation of capacity to cover potential deviations between the demand offered in the electricity market and the forecast made by the ISO. This paper aims to develop the mathematical formulation of a two-stage stochastic optimization model that integrates day-ahead market decisions and decisions associated with the RUC, simultaneously incorporating the uncertainty of electricity demand and wind power generation, with the objective of maximizing social welfare. In the first stage, decisions regarding unit startup and shutdown, committed energy, reserve allocation, and capacity designated for RUC (Reserve Unit Control) are determined. In the second stage, the model evaluates the performance of these decisions under different realizations of uncertainty, represented by a set of scenarios. Unlike previous proposals based on deterministic formulations or with limited representations of variability, this formulation allows for the analysis of system behavior under different operating conditions and the evaluation of RUC's impact from multiple perspectives, including economic, operational, and environmental aspects. The model is implemented on the modified IEEE-39 test system, where two main comparative analyses are performed. The first evaluates the impact of including RUC in the model, and the second analyzes the effect of representing uncertainty by varying the number of scenarios considered. The results show that incorporating RUC improves the system's preparedness for variability, allowing for greater use of cleaner and lower-cost technologies, reducing unsupplied energy, optimizing reserve use, and decreasing congestion on transmission lines. Furthermore, considering a greater number of scenarios allows for a better capture of system behavior, resulting in more robust scheduling decisions and improved operational performance in the face of adverse scenarios not anticipated by the model. It is concluded that the proposed model and its analysis provide relevant information regarding the value of incorporating reliability constraints through RUC and of adequately representing uncertainty in electrical systems with high renewable energy penetration and elastic demand, opening opportunities for future research in this area.