Resumen: La toma de decisiones bajo incertidumbre en la gestión de la energía se complica por parámetros desconocidos que obstaculizan estrategias óptimas, particularmente en las operaciones del sistema de almacenamiento de energía de la batería (BESS). Los enfoques de predecir que optimizan (PTO) tratan el pronóstico y la optimización como procesos separados, lo que permite que los errores de predicción se cascan en decisiones subóptimas, ya que los modelos minimizan los errores de pronóstico en lugar de optimizar las tareas posteriores. Los métodos emergentes de aprendizaje centrado en la decisión (DFL) superan esta limitación integrando la predicción y la optimización; Sin embargo, son relativamente nuevos y se han probado principalmente en conjuntos de datos sintéticos o problemas a pequeña escala, con evidencia limitada de su viabilidad práctica. Las aplicaciones de Bess del mundo real presentan desafíos adicionales, incluida una mayor variabilidad y escasez de datos debido a las limitaciones de recopilación y las limitaciones operativas. Debido a estos desafíos, este trabajo aprovecha la ingeniería automatizada de características (AFE) para extraer representaciones más ricas y mejorar el enfoque naciente de DFL. Proponemos un marco AFE-DFL adecuado para pequeños conjuntos de datos que pronostican los precios y la demanda de la electricidad al tiempo que optimiza las operaciones de Bess para minimizar los costos. Validamos su efectividad en un nuevo conjunto de datos de propiedades del mundo real del mundo real. La evaluación compara los métodos DFL con la PTO, con y sin AFE. Los resultados muestran que, en promedio, DFL produce costos operativos más bajos que la PTO y la adición de AFE mejora aún más el rendimiento de los métodos DFL en 22.9-56.5% en comparación con los mismos modelos sin AFE. Estos hallazgos proporcionan evidencia empírica de la viabilidad práctica de DFL en entornos del mundo real, lo que indica que AFE específicos del dominio mejora DFL y reduce la dependencia de la experiencia en el dominio para la optimización de Bess, lo que produce beneficios económicos con implicaciones más amplias para los sistemas de gestión de energía que enfrentan desafíos similares.
Publicado Originalme en export.arxiv.org El 8 de septiembre de 2025.
Ver Fuente Original
