Desarrollo y aplicación de técnicas para la interpretabilidad de la programación estocástica

Abstract

Este trabajo de fin de grado aborda el reto de ofrecer una herramienta que posibilite la interpretabilidad de las soluciones de la programación estocástica en redes de transporte de energía, particularmente ante la incertidumbre en la generación de energías renovables. Aunque la programación estocástica ha demostrado ser eficaz para modelar y resolver problemas de optimización en condiciones de incertidumbre, su adopción por parte de los responsables de la toma de decisiones se ve limitada por la complejidad y falta de transparencia de sus resultados. Este estudio propone una metodología que incorpora teoría de la decisión multicriterio para detectar y comprender los conflictos entre soluciones semi-estocásticas y escenarios individuales. Se desarrollan dos herramientas en Python: una que que automatiza la extracción, evaluación y detección de conflictos a partir de datos generados mediante rutinas de optimización basados en el algoritmo TEPTOY desarrollado por la directora del trabajo en GAMS; otra para mostrar gráficamente la información obtenida con el propósito de hacerla asequible a los no especialistas en estadística. Se presentan dos casos experimentales que muestran la utilidad de la herramienta para identificar combinaciones de escenarios que reducen conflictos, mejoran la eficiencia de costes y guían el diseño de redes energéticas en entornos inciertos. Los resultados muestran el potencial de combinar técnicas de investigación operativa con herramientas visuales para cerrar la brecha entre el modelado matemático y la toma de decisiones práctica.

This Bachelor’s Thesis addresses the challenge of providing a powerful tool that enhances the interpretability of solutions of stochastic programming in energy transport networks, particularly under the uncertainty of renewable energy generation. While stochastic programming has proven to be a powerful tool in modeling and solving optimization problems under uncertainty, its adoption by decision-makers is hindered by the complexity and opacity of its internal methods and processes. This study pursues a methodology that incorporates multicriteria decision theory to point and understand conflicts of semi-stochastic solutions when applied to single scenarios. Two Python-based tools have been developed for this purpose: one to automate the extraction, evaluation, and detection of conflicts, leveraging data generated by a code through optimization routines inspired in the algorithm designed by the supervisor of this work in GAMS; Another one to visualize the results in a way that non-specialized people can graphically understand it. Two experimental cases demonstrate the tool's utility in identifying scenario combinations that reduce conflict, improve cost-effectiveness, and guide energy network design under uncertainty. The results highlight the potential of combining operational research with visualization techniques to bridge the gap between mathematical modeling and practical decision-making for designers and engineers who not necessarily understand the complexity of stochastic modeling.