Thesis:

Planificación de Largo Plazo de un sistema eléctrico de Potencia utilizando Descomposición Lagrangiana en Modelos de Programación Estocástica en dos etapas

En general, en el mundo de la ingeniería toda infraestructura se diseña para ser capaz de operar correctamente, aún bajo el peor de los escenarios posibles. Principalmente estos escenarios deben reflejar condiciones futuras, por lo que irremediablemente se debe trabajar con la incertidumbre de algo que no ha sucedido. Dentro de las muchas metodologías desarrolladas para abordar esta temática en los sistemas eléctricos de potencia la presente tesis se centrará en el uso de programación estocástica en dos etapas combinada con la técnica clásica de Relajación Lagrangiana para resolver problemas de inversiones tanto en generación como en transmisión. La metodología propuesta apunta a descomponer por escenarios un problema de optimización estocástica en dos etapas, obteniendo así un número de pequeños subproblemas de optimización asociados cada uno a un escenario. La ventaja de esta metodología es que que la estructura del proceso permitiría resolver estos subproblemas de forma independiente y en paralelo. Bajo ciertas condiciones los tiempos de resolución se reducirían bastante, lo que sería una ventaja frente a la resolución completa del problema original, especialmente cuando el número de escenarios es muy alto. La herramienta de optimización propuesta fue desarrollada en lenguaje de programación Python en conjunto a las librerías de Pyomo, el cual es un paquete de código abierto para modelar problemas de optimización utilizando un Lenguaje de Modelado Algebraico.

In general, in the field of engineering, all infrastructure is designed to be capable of operating correctly even under the worst possible scenarios. These scenarios should primarily reflect future conditions, which inevitably means working with the uncertainty of events that have not yet occurred. Among the many methodologies developed to address this issue in electrical power systems, this thesis will focus on the use of two-stage stochastic programming combined with the classical Lagrangian Relaxation technique to solve investment problems in both generation and transmission. The proposed methodology aims to decompose a two-stage stochastic optimization problem by scenarios, thus obtaining a number of small optimization subproblems, each associated with a scenario. The advantage of this methodology is that the structure of the process would allow these subproblems to be solved independently and in parallel. Under certain conditions, solution times would be significantly reduced, which would be an advantage over solving the complete original problem, especially when the number of scenarios is very large. The proposed optimization tool was developed in the Python programming language together with the Pyomo libraries, which is an open-source package for modeling optimization problems using an Algebraic Modeling Language.