An Integrated Framework for the Representation and Solution of Stochastic Energy Optimization Problems

Abstract

La importancia de la optimización de sistemas energéticos es creciente debido a la liberalización del sector energético, así como del establecimiento de objetivos como el 20-20-20 de la Unión Europea, que a su vez desembocan en nuevas regulaciones. Esta situación lleva a nuevos modelos estocásticos dinámicos incluyendo decisiones estratégicas (en el largo plazo) que deben ser tomadas teniendo en cuenta el desempeño de los sistemas y las decisiones operacionales (en el corto plazo). Estas decisiones incluyen tanto inversión en tecnologías como opciones de mercado y financieras. Así, los propietarios y gestores de edificios tienen el reto de tomar decisiones para obtener el conjunto óptimo de tecnologías y contratos, y adoptar un papel activo en los mercados energéticos. Además, estas decisiones se tienen que tomar bajo condiciones inherentes de incertidumbre. Los procesos de toma de decisiones como el abordado en esta tesis, a menudo se realizan bajo condiciones de incertidumbre. En estos procesos de decisión, se buscará lógicamente la mejor decisión posible, es decir, se tratará de optimizar un valor determinado, por ejemplo minimizar el coste total para un determinado sistema. Estos problemas de optimización se pueden formular mediante modelos de programación matemática, donde una serie de parámetros son fijos, y ciertas variables de decisión son desconocidas. Dichos parámetros fijos suelen estar sujetos a incertidumbre, es decir, no se conoce su valor exacto. Una forma de tratar esta incertidumbre es estimar los parámetros y resolver el problema para los valores medios. Esta forma de resolver el problema resulta en la mejor solución para el escenario promedio. Pero la mayoría de las veces, esta solución no es óptima para el valor real de los parámetros una vez se desvela la incertidumbre, especialmente en modelos estratégicos a largo plazo. Incluso esa solución óptima para los valores promedio puede ser realmente mala para el escenario real, o peor aún, la solución puede ser no factible para el escenario que finalmente tiene lugar, incurriendo así en determinados riesgos. Téngase en cuenta además que el escenario promedio normalmente nunca ocurre. Una forma más efectiva de tratar la incertidumbre en problemas de optimización es la Programación Estocástica. Mediante Programación Estocástica se obtiene la solución óptima para el problema de optimización teniendo en cuenta la distribución de probabilidad de los parámetros estocásticos, es decir, sujetos a incertidumbre, y no sólo sus valores medios sino también su variabilidad. De hecho, la solución no es óptima para ningún escenario en particular, sino una solución robusta frente a todos los escenarios posibles. Esto es especialmente importante en modelos estratégicos a largo plazo en general, y en planificación energética en particular. En esta tesis se desarrollan modelos novedosos de optimización estocástica capaces de tratar la incertidumbre a largo plazo. Para abordar el proceso de toma de decisiones descrito, el uso de Sistemas de Ayuda a la Decisión (SAD) es inevitable. Esta tesis presenta una visión de los SAD más allá del puro programa informático, dando especial relevancia al modelo. El modelo es la base para la toma de decisiones basada en el Análisis, y por tanto en la evidencia científica. Otro aspecto importante del marco de trabajo propuesto es la importancia del diálogo entre stakeholders (actores involucrados), en el que el modelo vuelve a tener un papel importante, pero también otros aspectos que facilitan este diálogo, como la investigación reproducible. Así, dentro del marco de trabajo se integran el modelo mediante el llamado SMS (Symbolic Model Specification, especificación del modelo simbólico); los datos, mediante la definición de clases y estructuras lógicas; y el diálogo entre stakeholders mediante interfaces adecuados. En esta tesis se propone un marco de trabajo integrado capaz de tratar el problema de decisión abordado, y se realiza una implementación del mismo con los modelos desarrollados y con datos de edificios reales. La figura 2.5 resume el marco de trabajo propuesto.