Despacho económico basado en reglas

Abstract

Las redes off-grid son redes que se encuentran desconectadas de la red eléctrica, son sistemas eléctricos aislados con autonomía propia. Actualmente se han desarrollado modelos de gestión eficientes para ellas, pero demasiado complejos, como puede ser el despacho económico de optimización, que se encarga de encender y apagar de manera óptima las distintas centrales que forman, para obtener el menor precio. Este proyecto va a utilizar un algoritmo de aprendizaje supervisado de árboles de decisión, para, obtener mediante reglas sencillas una solución lo más similar a la óptima posible. Se van a entrenar dos árboles distintos, el primero de mayor simplicidad, pero más lejano de la solución óptima y el segundo de una ligera mayor complejidad que se adecua más a la mejor solución. Se va a crear un despacho económico de decisiones de arranque con un algoritmo de aprendizaje supervisado eficiente y útil que se pueda aplicar como unidad de apoyo al despacho económico de optimización. Se van a mostrar sus entradas y salidas, las soluciones de su entrenamiento, su validación y su comparación. Se va a demostrar que a medida que el árbol tiene más información y mayor número de entradas, tiene mayor capacidad para saber cómo actuar y mayor conocimiento de lo que está sucediendo. Las reglas no requieren una complejidad grande, son reglas sencillas que se explicarán con detalle en este proyecto, sí que es verdad que para el primer árbol son más sencillas que para el segundo. Pero, tienen mayor sencillez que el despacho óptimo. En la comparación se va a mostrar los días donde el primer árbol se aleja más de la solución óptima, se explicarán sus motivos y se explicará porque el segundo árbol tiene menor dificultad para acercarse a esta.

Off-grid networks are networks that are disconnected from the electrical network, they are isolated electrical systems with their own autonomy. Currently efficient management models have been developed for them, but they are too complex, such as the economic optimization dispatch, which is in charge of optimally turning on and off the different plants they form, to obtain the lowest price. This project will use a supervised learning algorithm for decision trees, to obtain, by means of simple rules, a solution that is as similar to the optimal one possible. Two different trees are going to be trained, the first one with greater simplicity, but farther from the optimal solution and the second with a slightly greater complexity that is more suited to the best solution. An economical startup decision dispatch will be created with an efficient and useful supervised learning algorithm that can be applied as a support unit to the economical optimization dispatch. Their inputs and outputs, their training solutions, their validation and their comparison will be shown. It will be shown that as the tree has more information and more entries, it has greater capacity to know how to act and greater knowledge of what is happening. The rules do not require great complexity, they are simple rules that will be explained in detail in this project, but it is true that for the first tree they are simpler than for the second. But, they have more simplicity than the optimal dispatch. The comparison will show the days when the first tree is farthest from the optimal solution, its reasons will be explained and it will be explained why the second tree has less difficulty approaching it.