UNA REVISIÓN DEL COMPROMISO DE LA UNIDAD EN LOS MERCADOS DE ELECTRICIDAD

DESREGULADOS

Resumen— A medida que los mercados de electricidad se desregulan en todo el mundo, el enfoque del
problema de compromiso de la unidad (UCP) cambia significativamente. El operador de sistemas
independientes (ISO) se basa en los precios de oferta de las diversas compañías de generación (GENCO)
para tomar decisiones de compromiso, una situación que es significativamente diferente del entorno
regulado tradicional. Cada GENCO establece sus propias estrategias de compromiso de unidad
independiente con el objetivo de maximizar el beneficio en función de las características de costo
de sus generadores y los ingresos de los precios de energía y reserva previstos en lo que se conoce
como el Compromiso de unidad basado en ganancias (PBUC). Este artículo revisa el estado del arte
en la solución del problema de PBUC en entornos no regulados. Se discuten varias metodologías de
solución disponibles en la literatura y se resaltan algunas de las necesidades de investigación sobre el
tema.

Palabras clave— Mercados de electricidad desregulados, independientes Operador de Sistemas,

Empresas de Generación, Unidad Basada en Ganancias Compromiso.

. INTRODUCCIÓN

A lo largo de las últimas dos décadas, ha habido cambios significativos en la operación de los sistemas
de energía eléctrica. Uno de los cambios principales ha sido la reestructuración o desregulación de
muchos sistemas de energía, especialmente en el mundo desarrollado; aunque los aspectos de la
desregulación también están comenzando a enraizarse en las naciones en desarrollo. La desregulación
es la desagregación de los sistemas de energía integrados verticalmente en empresas de generación
(GENCO), transmisión (TRANSCO) y distribución (DISCO) [1]. El principal objetivo de la
desregulación es crear competencia entre los GENCO y, por lo tanto, proporcionar diferentes opciones
de generación a precios más bajos para los consumidores [2]. Con la desregulación, una de las principales
diferencias es el enfoque de lo que se conoce como la Unidad
Problema de Compromiso (UCP).
Tradicionalmente, el UCP se define como un problema de optimización restringido en el que los
programas de encendido y apagado óptimos para un grupo de unidades de generación de energía bajo
ciertas restricciones operativas se determinan en un horizonte de tiempo dado [3], [4]. El objetivo es
minimizar los costos de generación de energía al mismo tiempo que se cumple con la energía pronosticada
por hora demandas. Los costos de generación incluyen los costos de combustible, arranque, apagado
y sin carga. Las restricciones incluyen la reserva de capacidad, el tiempo máximo de subida /
bajada, el flujo máximo de potencia en las líneas de transmisión y los límites de operación, etc.
En términos simples, la solución de la UCP es el proceso de decidir cuándo y qué unidades generadoras
en cada central eléctrica arrancarán. y apagado.
En el entorno desregulado, las unidades de generación no son propiedad de una sola empresa. Hay una
serie de GENCO que ofrecen una oferta del mercado a través de un Operador de Sistema
Independiente (ISO). La ISO se basa en los precios de oferta para determinar qué unidades usar a qué
hora. Los GENCOS individuales, por lo tanto, tienen que determinar un cronograma para sus generadores
con el objetivo principal de maximizar sus ganancias en el competitivo mercado eléctrico. En este
sentido, la UCP se ha acuñado de manera ligeramente diferente al problema de Compromiso basado en
la ganancia de ganancias (PBUC) [2]. Durante los últimos quince años, más o menos, se ha realizado una
amplia investigación sobre el tema del problema de PBUC, y la mayoría de los documentos se enfocaron
en la metodología de la solución, ya que este es el principal desafío para lo que se puede describir como
un problema de optimización muy complejo.

Este documento resume el trabajo reciente sobre el problema de compromiso de la unidad basada
en la ganancia con un enfoque principal en las metodologías de solución propuestas para los mercados
de electricidad no regulados. También destaca las principales necesidades de investigación en esta área
a medida que el subsector de la energía eléctrica avanza hacia el futuro prometedor de la competencia
en la prestación de servicios.

II. FONDO

Desde el punto de vista de GENCO, una solución óptima al problema PBUC es muy importante debido a
las posibles consecuencias económicas. Reducir el costo del combustible en tan solo un 0,5 por ciento
puede generar ahorros de millones de dólares por año para grandes GENCO, lo que se traduciría en
ganancias significativas en las ganancias [5]. Sin embargo, la UCP es un problema de optimización
combinatoria y continua mixta, que es muy complejo de resolver debido a su enorme dimensión, una
función objetivo no lineal y un gran número de restricciones [6]. Las metodologías de solución para el
problema tradicional de UC se pueden encontrar en [3] - [10].

En el entorno desregulado, una metodología de solución eficiente es clave para el éxito de las
operaciones de un GENCO individual. Numerosas metodologías para resolver el problema PBUC han sido
propuestas en la literatura. Estas metodologías se pueden clasificar como métodos clásicos y Métodos
no clásicos. Los métodos clásicos incluyen Lista de prioridades (PL), Programación dinámica (DP), Rama
y límite, Programación de enteros mixtos (MIP) y Relajación lagrangiana (LR) [10] - [15]. Los métodos
no clásicos incluyen Algoritmo genético (GA), Algoritmo memético, Optimización de colonias de hormigas
(ACO), Optimización de enjambres de partículas (PSO), Colonia de abejas artificiales (ABC), Algoritmo
de competencia imperialista (ICA), Método de Muller entre otros [16] - [25]. También ha habido
propuestas para la hibridación de algunos de estos métodos, aprovechando los puntos fuertes de dos o
más métodos para proporcionar un algoritmo de solución más efectivo [26] - [33].
Una de las mayores necesidades de GENCO en mercados no regulados es una herramienta eficaz para
tomar decisiones de compromiso de unidad y desarrollar estrategias de licitación [5]. En primer lugar,
dicha herramienta debería poder capturar con precisión el entorno dinámico que es el competitivo
mercado eléctrico. Esto incluye la incorporación de decisiones de competidores que afectan
significativamente los precios de mercado y, finalmente, las ganancias de GENCO. En segundo lugar,
diferentes países se han desregulado a diferentes niveles y, por lo tanto, las características del
mercado no serán similares. Una herramienta propuesta debe ser lo suficientemente flexible para
capturar estas diferencias. La herramienta también debe ser capaz de manejar la mayor complejidad
provocada por factores como las incertidumbres en los precios de la electricidad. La incorporación de
metodologías de soluciones no clásicas para mejorar la calidad de las soluciones es vital. Finalmente, la
herramienta también debe poder incorporar decisiones de políticas de todo el sistema que afecten las
operaciones de GENCO, tales como restricciones de emisiones y precios máximos, según corresponda.

III. FORMULACIÓN DEL PROBLEMA

El problema del Compromiso basado en la utilidad en los sistemas de energía desregulados determina
los programas de la unidad generadora para maximizar la ganancia de los GENCO sujetos a restricciones
operacionales tales como la demanda de carga, la reserva de giro y los límites de velocidad de rampa.
La ganancia (PF) se define como la diferencia entre los ingresos (RV) obtenidos de la venta de energía
y en algunos casos de reserva; menos el costo operativo total (TC) del GENCO. La función objetivo del
problema PBUC se da como [13]:

Maximizar PF = RV - TC (1)

Los ingresos de GENCO provienen de la venta de energía tanto a los mercados de energía como a los
de reserva. Los ingresos del mercado de la energía dependen del precio de la energía al contado,
mientras que los ingresos del mercado de reservas dependen del método de pago de la reserva en el
mercado en particular. En la literatura, se han sugerido tres estrategias para los pagos de reserva, a
saber, el pago por la energía entregada, el pago por la reserva asignada y el proceso de precios por el
poder de reserva. En general, el precio de reserva será más alto que el precio spot y podría afectar
significativamente las decisiones de compromiso y las estrategias generales de licitación.

La función objetivo dada en (1) se formula sujeta a las siguientes restricciones.

1. Restricciones de balance de energía: En PBUC, la generación de energía por un solo GENCO puede ser
menor que la demanda y la reserva en un momento dado. Esto se debe a que una cantidad de GENCO
están disponibles para atender la carga del sistema y un solo generador puede no ser capaz de cumplir
con la carga de todos modos. Esto es fundamentalmente diferente de la restricción de "generación es
igual a la demanda" del problema tradicional de UC. La restricción de equilibrio de potencia relajada
permite una mayor flexibilidad en el programa de compromiso de la unidad [17].

2. Límites de generación de unidades: las unidades de generación generalmente tienen límites de salida
de potencia máxima y mínima operacionales dentro de los cuales debe mantenerse la salida de la unidad.

3. Restricciones mínimas de tiempo de subida / bajada: una unidad térmica solo puede experimentar
cambios graduales de temperatura. Por lo tanto, hay un tiempo de funcionamiento mínimo una vez que
la unidad está funcionando y; para una unidad eliminada, un tiempo de inactividad mínimo antes de que
pueda volver a comprometerse.

4. Límites de velocidad de rampa: los límites de velocidad de rampa limitan el aumento o la disminución
de la potencia de salida entre las horas adyacentes para ciertas unidades.

5. Restricciones de la tripulación: Para satisfacer las limitaciones en la cantidad de personal operativo,

se pueden incluir restricciones en la cantidad de unidades que se encenderán al mismo tiempo.

IV. SOLUCIONES METODOLOGÍAS

A. Métodos clásicos
Dentro de la categoría de métodos clásicos para resolver el problema de PBUC se encuentran la Lista
de prioridades (PL), la Programación dinámica (DP), Rama y límite (B&B), la Programación de enteros
mixtos (MIP) y la Relajación lagrangiana (LR). En el método PL, las plantas se activan de acuerdo con
una lista preparada previamente, mientras que los horarios se adaptan para respetar las restricciones
técnicas, como los tiempos mínimos de subida y bajada y los puntos de operación mínimos y máximos
[11]. El método PL es un método simple, casi una regla de oro, pero la calidad de la solución es bastante
aproximada [1]. De hecho, usar PL casi nunca resulta en una solución óptima. La referencia [12]
proporciona una tabla de Demanda de energía preparada (IPPD) mejorada para resolver el problema de
PBUC en un entorno no regulado. El método, bastante similar al método PL tradicional, brinda una
solución cualitativa razonable con un tiempo de computación significativamente menor.

La programación dinámica (DP) es una de las técnicas de optimización más antiguas que se aplican al
problema de la UC y aún se usa ampliamente en todo el mundo, especialmente en los mercados regulados
[7]. La técnica de DP emplea un algoritmo de búsqueda sistemática que intenta lograr una solución óptima
sin tener que acceder a todas las combinaciones posibles. Las unidades generadoras se clasifican en
grupos relacionados en los que se busca la ruta óptima con un número reducido de combinaciones posibles
como resultado de la clasificación. Sin embargo, el método adolece del problema del enorme tiempo de
cómputo a medida que crece el número de unidades que se consideran y, por lo tanto, para sistemas
grandes con cientos de unidades, la DP como un algoritmo de solución para el problema de PBUC se
vuelve poco práctica. En [13],
Se utiliza un enfoque de DP para obtener una unidad casi óptima.

Compromiso en un mercado energético competitivo. Sin embargo, lo que es más importante, la

formulación del problema se incorpora en un compromiso de unidad de área múltiple con restricciones
de importación / exportación y línea de enlace. Por lo tanto, el método ilustra el proceso de maximización
de la ganancia de GENCO en un sistema de áreas múltiples.

La referencia [14] usa el MILP clásico para resolver el problema de PBUC. Sin embargo, la contribución
principal del documento no es la metodología de la solución, sino una cuantificación de la suboptimalidad
de la ganancia que se puede esperar en un Compromiso Unitario Basado en el Precio (PBUC) cuando se
utilizan pronósticos de precios incorrectos. Los resultados muestran lo crucial que es un régimen de
previsión de precios preciso para la realización de los beneficios esperados. En [15], los métodos MIP y
LR se comparan y los autores señalan que aunque el método MIP produce resultados más óptimos, el
tiempo de cálculo y los requisitos de memoria serían un obstáculo importante al aplicar MIP a grandes
problemas de CU.

La Relajación Lagrangiana (RL) es uno de los métodos clásicos más populares. La principal ventaja del
método es la velocidad con la que el algoritmo converge en una solución [15]. Sin embargo, se ha señalado
que el método a menudo se atasca en óptimos locales. Esto se debe a que la calidad de la solución depende
en gran medida del algoritmo utilizado para actualizar los multiplicadores de Lagrangian. Por esta razón,
varios de los trabajos más recientes combinan LR con uno o más de los métodos no clásicos para mejorar
la calidad de la solución [31] - [33].

B. Métodos no clásicos

Los métodos no clásicos para resolver el problema PBUC incluyen el Algoritmo Genético (GA), la
Optimización de Enjambre de Partículas (PSO), el Método Muller, el Algoritmo de Salto de la Rana
Barajada (SFLA), el Algoritmo Competitivo Imperialista (ICA), la Optimización de la Colonia Ant (ACO),
la Abeja Artificial Colonia (ABC), Recocido Simulado (SA), Búsqueda de Tabu (TS), entre otros. Estos
algoritmos heurísticos tienen la ventaja de que no requieren información derivada para resolver el
problema de optimización [18]. En realidad, es posible codificar las variables para que la optimización
se realice con las variables codificadas prestando poca atención al movimiento sistemático hacia una
solución óptima. La segunda ventaja importante es que estos métodos son más capaces de buscar en
todo el espacio de la solución la solución óptima global. Debido a estas ventajas, son más capaces de
lidiar con las complejas restricciones no lineales relacionadas con el problema PBUC y, por lo tanto, los
métodos heurísticos han recibido mucha más atención por parte de los investigadores en los últimos
años.

La referencia [16] utiliza algoritmos genéticos para resolver el problema PBUC. Los autores muestran
la calidad mejorada de la solución del método GA en comparación con los métodos clásicos. El algoritmo
se prueba con las dos regiones interconectadas del Mercado Nacional de Electricidad en Australia y,
por lo tanto, ilustra la practicidad en un mercado de energía real. Un ejemplo anterior de la
implementación de GA para resolver el problema PBUC se encuentra en [17].

En [18], se utiliza una optimización mejorada de enjambres binarios discretos (PSO) y un valor estándar
PSO iterativamente para resolver el problema PBUC. La efectividad de la metodología de solución se
ilustra para un GENCO con diez unidades en un mercado competitivo. La técnica de PSO también se
utiliza para resolver el problema de los GENCOs PBUC en un mercado competitivo de electricidad en un
día por delante en [19]. Además de la técnica tradicional de PSO, los autores también prueban otras
tres técnicas de PSO: PSO caótico (CPSO), Nuevo PSO (NPSO) y PSO disperso (DPSO) y comparan los
resultados. La generación propuesta, la reserva de giro, la reserva de no giro y las limitaciones del
sistema se consideran en la formulación propuesta. Para abordar el problema del tiempo de cálculo
prolongado que generalmente se asocia con los métodos heurísticos, [20] propone una solución de
Optimización de enjambre de partículas paralelas (PPSO) para el problema PBUC. El método utiliza un
grupo de computadoras que realizan operaciones paralelas en un entorno distribuido y los resultados
muestran la efectividad de la computación en paralelo para manejar las enormes dimensiones del
problema PBUC. Los autores informan reducciones significativas en el tiempo de cálculo del algoritmo.
También se investiga la complejidad del tiempo y la calidad de la solución con respecto al número de
procesadores en el clúster.

El método Muller se utiliza para resolver el problema PBUC es [21]. La metodología se implementa en
dos etapas. Inicialmente, la determinación de las unidades un compromiso se obtiene mediante un
enfoque simple y luego un problema de programación no lineal del despacho económico se resuelve
mediante el método de Muller. La mayor promesa con este método es la reducción del tiempo de
cómputo, aunque la asignación de los resultados se traduce en una solución subóptima. La referencia
[22], utiliza el Algoritmo de salto de rana barajada (SFLA) para resolver el problema de Compromiso
basado en las ganancias en un entorno desregulado con restricciones de emisión. El problema de la
optimización de la función bi-objetivo se formula como una maximización de las ganancias de las
compañías de generación y una minimización de la emisión de emisiones de las unidades térmicas. Un
método heurístico se conoce como Algoritmo Competitivo Imperialista (ICA) se usa en [23] para
resolver el problema PBUC en un entorno competitivo. El algoritmo se presenta como una herramienta
para ser entendido por el GENCO en la toma de decisiones de compromiso para obtener el máximo
beneficio en el mercado energético diario. El método se valida en un sistema típico de 10 unidades
generadoras disponibles en la literatura. La técnica de optimización de colonias de hormigas nodales
(NACO) se utiliza en [24], mientras que el algoritmo de colonias de abejas artificiales paralelas (PABC)
se usa en [25] para resolver el problema PBUC. La principal contribución de [25] es ilustrar cómo se
puede utilizar una utilización efectiva de los recursos informáticos para reducir la complejidad del
tiempo para un sistema de energía a gran escala. Se utiliza una técnica basada en la interfaz de paso de
mensajes en el algoritmo PABC en modelos de memoria distribuida y compartida para implementar el
algoritmo.
El principal desafío con los métodos heurísticos es que el proceso de cálculo suele requerir bastante
tiempo, especialmente a medida que aumenta el número de unidades generadoras. Sin embargo, estos
algoritmos pueden implementarse fácilmente en técnicas de computación en paralelo de alta velocidad
con las que se puede superar el desafío del tiempo computacional largo [20],

C. Métodos híbridos

Los algoritmos de búsqueda clásicos, basados en gradientes, tienden a ser más rápidos en la
convergencia, pero sufren atascos en los óptimos locales. Los métodos heurísticos no clásicos, por otro
lado, son mejores para buscar en el espacio de la solución pero requieren más tiempo. Debido a estas
características, varios investigadores han propuesto métodos híbridos que combinan dos o más de las
técnicas anteriores para mejorar la calidad de la solución en términos de tiempo de cálculo y calidad de
la solución.

La referencia [26] fue uno de los primeros artículos sobre métodos híbridos para el problema PBUC. El
documento presentó un modelo híbrido entre la relajación de Lagrangian (LR) y el algoritmo genético
(GA) para resolver el problema de compromiso de unidad con la GA que se utiliza para actualizar los
multiplicadores de Lagrangian. Se reportan mejores resultados que los obtenidos a partir del
compromiso tradicional de la unidad. La referencia [27] propone un método de algoritmo GA basado en
un sistema inmune artificial híbrido (AIS) para resolver el problema PBUC. Los autores informan que la
incorporación del AIS en el algoritmo de GA resulta en una mayor diversidad en las cadenas iniciales
para garantizar que la GA busque en todo el espacio del problema, lo que se traduce en mejores
soluciones.
En [28] se presenta una metodología de solución avanzada basada en algoritmos meméticos para el
problema PBUC. El algoritmo analiza exhaustivamente la metodología de solución de algoritmo memético
tradicional y propone varias alteraciones y adaptaciones en la inicialización, selección, cruce y mutación
para adaptarse a las características únicas del problema PBUC. La referencia [29] presenta una técnica
de optimización híbrida basada en la Optimización de enjambres de partículas meméticas (MPSO) con
Cauchy Mutation (CM) para resolver el problema de la programación automática en un mercado de
electricidad competitivo. El MPSO es básicamente una combinación de un algoritmo de búsqueda local
con el PSO tradicional. CM se utiliza para reducir la diversidad en el proceso de búsqueda de la PSO.

Se utiliza un modelo híbrido entre la Relajación Lagrangiana (LR) y la Optimización de enjambre de

partículas (QPSO) inspirada en Quantum para resolver el problema de PBUC en [30]. Se incluyen
restricciones que incluyen la demanda de carga, la reserva de hilatura, los límites de generación y las
restricciones mínimas de tiempo de subida y bajada y el método se prueba en dos sistemas de diferentes
tamaños. Los autores informan soluciones de mayor calidad en comparación con otros métodos en la
literatura. Un segundo ejemplo del algoritmo híbrido LR-PSO se puede encontrar en [31]. Nuevamente,
los autores resaltan la mejora en la calidad de la solución al actualizar los multiplicadores de Lagrangian
usando la técnica de PSO.

La referencia [32] utiliza un modelo híbrido de Lagrange Relaxation (LR) - Evolutionary Programming
(EP) para resolver el problema PBUC en un mercado de electricidad desregulado. Aquí, de manera
significativa, se incluye una consideración de las pérdidas en el sistema de transmisión que resulta en
mayores ganancias para el GENCO, ya que no solo suministran carga del sistema sino también pérdidas
en la red. Un método híbrido LR-EP también se usa en [33] con una consideración importante tanto de
los precios de energía como de reserva.

V. NECESIDADES DE INVESTIGACIÓN

Una revisión de la literatura sobre el compromiso de la unidad basada en el beneficio en entornos no

regulados como se lleva a cabo en este documento revela que ha habido un esfuerzo significativo en los
últimos 10 a 15 años en probar varias metodologías de solución para resolver lo que es un problema de
optimización muy complejo. Sin embargo, todavía existen varias necesidades de investigación como se
describe a continuación:

1. La mayoría de las investigaciones consideran solo el precio de la energía en la formulación del problema
e ignoran el precio de reserva. El beneficio de las ventas de reservas podría ser significativo,
especialmente en sistemas con mayor volatilidad de carga o generación, tales como redes con una gran
penetración de energía eólica / solar. Es importante incluir los pagos por reservas en la formulación del
problema y analizar los efectos de los diversos regímenes de pagos de reservas en las decisiones de
compromiso de la Unidad en mercados desregulados.

2. Además de ignorar los pagos de reserva, la mayoría del trabajo se realiza con un precio de mercado
de energía presumido previamente. El mercado spot de electricidad generalmente tiene volatilidades
que deberían considerarse en la solución del problema de compromiso de la unidad.
3. La suposición de un mercado eléctrico perfecto domina los documentos revisados. Se sabe que la
mayoría de los mercados de electricidad aún están dominados por una o dos compañías de generación
principales (generalmente, la rama de la empresa de servicios públicos anterior) y, por lo tanto, estos
mercados tienen una estructura oligopolística. El poder de mercado tendrá un efecto significativo en la
toma de decisiones, por lo tanto, es importante que el modelo de mercado utilizado capture estas
características.

4. Por lo general, tampoco se incluyen otras decisiones de política del sistema, como las consideraciones
ambientales, que podrían alterar las decisiones de compromiso. Es necesario realizar un análisis de los
efectos de dichas políticas en los beneficios de GENCO y, en consecuencia, recomendar cualquier
cambio que se requiera en el régimen de compromiso de la unidad adoptado como resultado de dichas
políticas.

VI. CONCLUSIÓN
Este documento ofrece una descripción general del problema de compromiso de la unidad basada en las
ganancias en los mercados de electricidad no regulados. Se revisa la literatura reciente sobre el tema
que revela que se han realizado importantes esfuerzos para encontrar mejores metodologías de solución
para el problema de optimización. Estas metodologías van desde los métodos clásicos basados en
gradientes hasta los nuevos métodos de tipo heurístico y también los híbridos de estas metodologías.
Se han identificado una serie de vacíos de investigación. Estos incluyen principalmente la necesidad de
incluir todos los aspectos del mercado práctico, incluidos los pagos de reservas, la volatilidad de los
precios del mercado al contado, el entorno imperfecto y las consideraciones ambientales en la
formulación del problema.