Batch Learning SDDP for Long-Term Hydrothermal Planning:

El trabajo presentado aborda la optimización en la planificación hidrotermal a largo plazo utilizando el algoritmo Stochastic Dual Dynamic Programming (SDDP), aplicado a sistemas eléctricos complejos, como la red colombiana, donde se deben equilibrar eficientemente las decisiones de generación hidroeléctrica y el uso de plantas térmicas. Este estudio se motiva por la necesidad de reducir el gap de optimalidad que presenta el SDDP en aplicaciones reales (aproximadamente del 6%), lo que ha sido un desafío en términos de precisión y eficiencia computacional, especialmente en contextos con múltiples etapas de decisión. La innovación principal radica en una técnica de paralelización que permite que varios computadores trabajen simultáneamente sobre diferentes nodos del problema, minimizando los tiempos de comunicación y mejorando el rendimiento general del algoritmo en comparación con otras implementaciones comerciales.

En un caso de estudio con datos de la red colombiana, esta implementación mostró que, al incrementar el número de procesadores, el tiempo de ejecución y el gap de optimalidad se redujeron significativamente, logrando una mejora sustancial en eficiencia. Finalmente, se plantea la necesidad de futuras investigaciones que aborden la integración de energías renovables y modelos de planificación multianual, considerando variaciones estocásticas en la demanda y recursos hídricos, lo que añade un nivel de complejidad a la operación y planificación del sistema eléctrico y que podría beneficiarse de enfoques como el SDDP paralelo y otras técnicas avanzadas de optimización y aprendizaje por refuerzo.