Thesis:

Machine Learning Aided Column Generation for Solving Transmission Network Expansion Planning

La transición energética hacia economías bajas en carbono ha posicionado al sector eléctrico como un actor clave para reducir emisiones y combatir el cambio climático, principalmente mediante la incorporación masiva de energías renovables. En Chile, esta transformación está respaldada por una política energética que busca alcanzar la carbono neutralidad en 2040 y una matriz eléctrica 100% renovable al 2050. Sin embargo, uno de los principales desafíos de este proceso es el desarrollo oportuno de la infraestructura de transmisión, necesaria para integrar eficientemente las energías renovables variables (ERV). La dificultad de construir nuevas líneas de transmisión debido a restricciones sociales, ambientales y regulatorias ha impulsado el interés por soluciones tecnológicas flexibles como reconductorización, FACTS, sistemas de almacenamiento en baterías y reconversión HVAC-HVDC. Este trabajo aborda el problema de la planificación de expansión de la red de transmisión (TNEP) bajo un enfoque de optimización, incorporando estas tecnologías y considerando las crecientes incertidumbres asociadas a la expansión renovable. Se analiza la evolución desde modelos deterministas hacia formulaciones estocásticas y robustas, destacando la creciente complejidad computacional de TNEP en sistemas a gran escala, especialmente al considerar nuevas tecnologías que requieren acoplamientos temporales y alta resolución temporal. Este análisis busca contribuir al desarrollo de metodologías eficientes que apoyen decisiones costo-efectivas para una transición energética segura y sostenible.

The global energy transition towards low-carbon economies has placed the power sector at the forefront of efforts to reduce emissions and address climate change, primarily through the large-scale integration of renewable energy. In Chile, this transition is guided by an energy policy targeting carbon neutrality by 2040 and a 100% renewable electricity supply by 2050. However, one of the major challenges lies in the timely development of transmission infrastructure, which is critical to integrate variable renewable energy (VRE) efficiently. The increasing difficulty of building new transmission lines due to environmental, social, and regulatory barriers has highlighted the potential of flexible technologies such as line reconductoring, FACTS, battery energy storage systems (BESS), and HVAC-HVDC conversion. This study addresses the transmission network expansion planning (TNEP) problem using an optimization-based framework that incorporates such technologies and accounts for the growing uncertainty in renewable expansion. It explores the shift from deterministic to stochastic and robust formulations, emphasizing the increasing computational complexity of TNEP in large-scale systems. This is especially true when emerging technologies are included, requiring time-coupling constraints and higher temporal resolution to properly model their impact. This work aims to support the development of efficient methodologies that guide cost-effective and secure decisions for a sustainable energy transition.