Long-term generation scheduling problem: stochastic dual dynamic programming enhancements and risk-aversion management for climate-based hydrology projections

Abstract

O problema de planejamento da geração a longo prazo (LTGS, do inglês \"Long-Term Generation Scheduling\") desempenha um papel crucial para garantir uma operação econômica e confiável do sistema elétrico, considerando a variabilidade afluências futuras e demais incertezas do sistema. Esta tese aborda esse problema a partir de duas perspectivas principais: melhorar a eficiência computacional do algoritmo de otimização e aumentar a robustez do sistema em relação aos riscos induzidos pelas mudanças climáticas. Utilizando dados do sistema elétrico brasileiro, são testadas abordagens propostas em um problema de planejamento da geração a longo prazo com predominância de hidreletricidade. Na abordagem algorítmica, exploramos aprimoramentos do método de Programação Dinâmica Dual Estocástica (PDDE), particularmente por meio de uma abordagem de decomposição de dois períodos, visando melhorar tanto a eficiência computacional quanto a precisão da solução. Ao decompor o modelo de otimização em subproblemas de dois períodos em vez da abordagem tradicional de um período, o estudo demonstra uma redução de 26% no intervalo de confiança in-sample, com tempo de execução semelhante. No entanto, à medida que o número de realizações por período aumenta, os benefícios da estratégia proposta diminuem devido ao aumento do ônus computacional. Mesmo assim, considerando o mesmo número de iterações, as políticas computadas pela abordagem de dois períodos demonstram um desempenho superior na análise out-of-sample, especialmente em cenários de maior custo. Também são empregadas técnicas de paralelização, combinando diferentes decomposições dentro de um framework de paralelização assíncrona, obtendo uma melhoria de 17% em comparação ao framework assíncrono de um período. Na gestão dos riscos climáticos, primeiro são obtidos os dados de mudança climática de quatro modelos climáticos (MIROC5, CanESM2, HadGEM2 e BESM) sob dois Cenários Representativos de Concentração (RCP 4.5 e RCP 8.5), e comparando projeções de afluência para usinas hidrelétricas em diferentes regiões do Brasil. A comparação revela que a região Sul experimentará um aumento de afluências ao longo dos anos, enquanto as demais regiões devem enfrentar uma diminuição. Para lidar com essas mudanças, as projeções de mudança climática são integradas à árvore de cenários de otimização, permitindo uma análise aprofundada das políticas sob condições históricas e projetadas para o futuro. Ignorar as projeções de mudança climática na otimização resulta em um aumento de 50% nos custos para os cenários mais extremos. Além disso, diferentes estratégias de risco, incluindo Valor Esperado (EV), Distributionally Robus Optimization (DRO) e Conditional Value at Risk (CVaR), são comparadas para avaliar seus efeitos na confiabilidade do sistema. Os resultados indicam que a seleção da melhor abordagem requer um equilíbrio entre conservar energia para períodos de baixa afluência e evitar o acúmulo desnecessário de água, que poderia levar a ineficiências no sistema. Tanto o CVaR quanto o DRO demonstraram um desempenho satisfatório contra os riscos de mudança climática, com o DRO apresentando custos marginais mais suaves e uma calibração mais fácil. Este trabalho contribui para a melhoria da confiabilidade do sistema elétrico, avançando tanto nas técnicas computacionais utilizadas na resolução do problema de LTGS quanto no aumento da resiliência do sistema aos riscos induzidos pelo clima.

Abstract: The long-term generation scheduling (LTGS) problem is crucial in ensuring efficient and reliable power system operation over extended time horizons, considering the variability of future inflows and other system uncertainties. This thesis addresses the LTGS problem from two main perspectives: improving the computational efficiency of the optimization algorithm and enhancing the system's robustness to climate-induced risks. Using Brazilian power system data, we evaluate our proposed approaches in a LTGS problem dominated by hydroelectricity. On the algorithmic front, we explore enhancements to the Stochastic Dual Dynamic Programming (SDDP) method, particularly through a novel two-period decomposition approach to improve both computational efficiency and solution accuracy. By decomposing the optimization into two-period subproblems rather than the traditional single-period approach, the study demonstrates a 26% reduction in the in-sample confidence interval, within the same execution time. Moreover, the policies computed by the two-period approach demonstrate superior out-of-sample performance, particularly in high-cost scenarios. We also leverage parallelization techniques, combining different decompositions within an asynchronous parallelization framework and achieving a 17% improvement compared to the one-period asynchronous framework. In managing climate change risks, we start by acquiring climate change data from four climate models (MIROC5, CanESM2, HadGEM2, and BESM) under two Representative Concentration Pathways (RCP 4.5 and RCP 8.5), and comparing inflow projections for hydro plants in different regions of Brazil. The comparison reveals that the South region will experience an increase in inflow over the years, whereas other regions are projected to face a decrease. We integrate climate change projections into the optimization scenario tree to address these changes, enabling an in-depth analysis of policies under both historical and projected future conditions. Ignoring climate change projections results in a 50% cost increase for the most extreme scenarios. Additionally, different risk strategies, including Expected Value (EV), Distributionally Robust Optimization (DRO), and Conditional Value at Risk (CVaR), are compared to assess their effects on system reliability. The results indicate that selecting the best approach requires balancing energy conservation low inflows and avoiding unnecessary water hoarding that could lead to inefficiencies. Both CVaR and DRO demonstrate satisfactory performance against climate change risks, with DRO providing smoother marginal costs and easier calibration. This work improves power system reliability by advancing computational techniques for solving the LTGS problem and enhancing the system's resilience to climate-induced risks.