Análisis de soluciones quasi-óptimas con Machine Learning

Abstract

El presente estudio aborda la optimización de costes en la expansión de la red de transmisión eléctrica mediante la evaluación de un conjunto de inversiones, distintas tanto en tipología como en horizonte temporal (2030, 2040 y 2050). Tras un análisis inicial de los datos, se aplican técnicas de aprendizaje no supervisado con el fin de identificar patrones y sinergias entre las distintas alternativas. El propósito final consiste en delimitar un conjunto de soluciones quasi-óptimas que garantice la cobertura de la demanda futura de la red buscando la máxima eficiencia económica.

This study addresses cost optimization in the expansion of the electrical transmission network by evaluating a set of investment options that vary in both type and time horizon (2030, 2040, and 2050). Following an initial data analysis, unsupervised learning techniques are applied to identify patterns and synergies among the different alternatives. The ultimate goal is to define a set of quasi-optimal solutions that ensures the future demand of the network is met while maximizing economic efficiency