Thesis: Robust solution scheme for the unit commitment: An adaptive data–driven learning–based approach
| datacite.subject.fos | Engineering and technology::Electrical engineering, Electronic engineering, Information engineering | |
| datacite.subject.fos | Engineering and technology::Electrical engineering, Electronic engineering, Information engineering::Robotics and automatic control | |
| datacite.subject.fos | Engineering and technology::Environmental engineering | |
| dc.contributor.department | Departamento de Ingeniería Eléctrica | |
| dc.contributor.guia | Angulo Cardenas, Alejandro Alberto | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Jimenez Bustamante, Diego Nicolás | |
| dc.date.accessioned | 2025-01-21T14:01:41Z | |
| dc.date.available | 2025-01-21T14:01:41Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Los modelos de optimización robusta del problema de compromiso de unidades (RUC, por sus siglas en inglés) se han utilizado ampliamente para el cálculo del despacho de energía y la programación de reservas en el día siguiente bajo una alta penetración de generación renovable. Los conjuntos de incertidumbre típicamente propuestos, como los conjuntos basados en presupuesto, controlan el nivel de robustez de las soluciones mediante la selección de un conjunto determinado de parámetros. Sin embargo, los procedimientos para su cálculo a menudo se consideran parte de un preprocesamiento, ignorando los posibles beneficios de la determinación dinámica de los mismos. En este trabajo, se propone un esquema de solución para el problema RUC, utilizando conjuntos de incertidumbre basados en datos, donde los parámetros de control de robustez se calculan dinámicamente como función de los resultados operativos previos. La determinación del nivel de robustez adaptativa se realiza utilizando un enfoque de aprendizaje por refuerzo, lo que da lugar a un marco de trabajo cerrado y basado en datos. Además, se propone un marco experimental que simula la operación en tiempo real y se utiliza para probar la propuesta. Los experimentos fuera de muestra demostraron la efectividad del esquema propuesto frente a formulaciones robustas bien conocidas con niveles de robustez fijos, mejorando indicadores sistemáticos como los costos operacionales, la energía no servida y la reducción de energía renovable. Se analizaron dos sistemas de diferentes escalas, mostrando la efectividad del concepto y la escalabilidad de la propuesta. | es |
| dc.description.abstract | Robust optimization models of the unit commitment problem (RUC) have been widely used for the day–ahead calculation of power dispatches and reserves schedules under high penetration of renewable generation. Typically proposed uncertainty sets, as budget–based sets, control the level of robustness of the solutions by the selection of a certain set of parameters. However, the procedures for its calculation are often considered part of a preprocess, ignoring the possible benefits of the dynamic determination of it. In this work, a solution scheme for the RUC problem is proposed, using data–driven–based uncertainty sets, where robustness control parameters are dynamically calculated as a function of previous operation results. The determination of the adaptive robustness level is made using a reinforcement learning approach, resulting in a closed–loop data–driven framework. Besides, an experimental framework that simulates real–time operation is proposed and used to test the proposal. Out–of–sample experiments shown the effectiveness of the proposed scheme against well–known robust formulations with fixed robustness levels, by improving systematic indicators as operational costs, non–served energy, and renewable energy curtailment. Two systems of different scales are analyzed, showing the concept effectiveness and the scalability of the present proposal. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Eléctrica | |
| dc.description.sponsorship | Proyecto Basal FB0008 (AC3E) | |
| dc.description.sponsorship | Fondecyt Regular 1210625 | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 77 páginas | |
| dc.identifier.doi | 10.71959/qdp9-x634 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/2309 | |
| dc.identifier.uri | https://doi.org/10.71959/qdp9-x634 | |
| dc.language.iso | en | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | Optimización robusta | |
| dc.subject | compromiso de unidades | |
| dc.subject | generación renovable | |
| dc.subject | incertidumbre | |
| dc.subject | aprendizaje por refuerzo | |
| dc.subject | Robust optimization | |
| dc.subject | unit commitment problem | |
| dc.subject | renewable generation | |
| dc.subject | uncertainty | |
| dc.subject | reinforcement learning | |
| dc.subject | Scalability | |
| dc.subject.ods | 7 Energía asequible y no contaminante | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.subject.ods | 13 Acción por el clima | |
| dc.title | Robust solution scheme for the unit commitment: An adaptive data–driven learning–based approach | |
| dspace.entity.type | Tesis |
Política de Privacidad 
