Aceleración de la resolución del problema de Unit Commitment mediante técnicas de inteligencia artificial

Abstract

La transición energética ha introducido una alta variabilidad en la operación de sistemas eléctricos de potencia. En este contexto, el problema de Unit Commitment (UC) enfrenta severos cuellos de botella computacionales al escalar el sistema o proyectar planificaciones a largo plazo. Esta memoria desarrolla y valida una estrategia de optimización híbrida que utiliza Inteligencia Artificial (IA) para estimar el estado de las unidades generadoras, reduciendo drásticamente los tiempos de resolución de los modelos entero-mixtos (MILP) sin comprometer la factibilidad técnica ni la optimalidad económica. La metodología abarca la simulación de despachos económicos para construir un dataset robusto, el entrenamiento de modelos de Machine Learning y la resolución del modelo final con variables binarias pre-fijadas heurísticamente. Los resultados demuestran que las arquitecturas de Gradient Boosting con probabilidades calibradas mediante Regresión Isotónica ofrecen un desempeño superior, garantizando la seguridad del sistema al evitar paradas forzadas y alcanzando factores de aceleración (speedups) de hasta 9,6x en horizontes semanales. El análisis de sensibilidad ante contingencias y alta penetración renovable ratifica la resiliencia del modelo, manteniendo desviaciones de costo menores al 1 %. Destaca especialmente su desempeño en planificaciones mensuales, donde supera la maldición de la dimensionalidad: mientras el método clásico es truncado por tiempo sin lograr converger, la IA guía al solver hacia soluciones económicamente superiores en menos del 20 % del tiempo base. Finalmente, se propone como trabajo futuro la integración de Graph Neural Networks (GNN) y el uso de datasets más vastos para proyectar el potencial de esta técnica en sistemas a gran escala o de altísima volatilidad.