Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIN
Este informe trata de la incertidumbre y la planificacin integrada de
recursos (PIR). IRP es una planificacin y el proceso de toma de decisiones
empleado por las empresas elctricas y comisiones de servicios pblicos
(PUC) para garantizar que los servicios pblicos proporcionan servicios de
energa eficaz y ecolgicamente racional de costos para sus clientes. Las
funciones clave de PIR son los siguientes: (1) las previsiones de demanda de
electricidad; (2) identificar una amplia gama de recursos energticos
potencialmente adquiribles por la utilidad; (3) evaluar y orden de
importancia cada de recursos de acuerdo con los criterios predeterminados
(por ejemplo, los costes y beneficios); y (4) elegir el mejor conjunto de los
recursos para satisfacer la demanda de energa de previsin y otros
criterios. Teniendo en cuenta este marco flexible, IRP.
Se destaca por su capacidad de tener en cuenta no slo las opciones
tradicionales de suministro de electricidad, sino tambin demanda de
gestin (DSM) opciones.
La incertidumbre impregna la planificacin de recursos de utilidad. Por
ejemplo, los planes integrados de recursos son basados en pronsticos de
precios de la energa y la demanda de electricidad. Estas previsiones
suponen significativa incertidumbres. Las incertidumbres surgen tambin en
la estimacin de costes para: la construccin de nuevas plantas de energa
que se adhieren a las regulaciones ambientales; y el poder adquisitivo de
los productores independientes de energa (PIE).
Los planes integrados de recursos deben representar de forma explcita y
hacer frente a la incertidumbre (Hirst, 1992).
Este informe est escrito por el amplio espectro de personas que estn
involucrados en IRP, incluyendo:
PUC comisarios y personal; ejecutivos y gestores de servicios pblicos;
analistas IRP utilidad; y expertos en reas particulares, tales como la
previsin del precio del petrleo, la proteccin del medio ambiente, las
energas renovables, de la demanda la gestin y la construccin de
centrales elctricas. El propsito del informe es ayudar a crear un
compartido comprensin del concepto de la incertidumbre. Este es un
objetivo importante porque todos los partidos involucrados en el proceso de
acuerdo con la incertidumbre IRP de una forma u otra.
Por ejemplo, los analistas expertos IRP tpicamente entrevista para adquirir
sus juicios sobre los valores de las variables clave (por ejemplo, futuros
precios del combustible). Los expertos necesitan comunicarse con toda
claridad las causas de incertidumbre en sus estimaciones cuantitativas de la
magnitud de la incertidumbre. el IRP
(3) Qu se sabe acerca de los valores que la estimacin puede tener? (Por
ejemplo, es el rango de valores poco conocidos o bien entendidos).
grado
de
evento A, P (A), que 0 <P (A) i 1.0, para todos los eventos A, con P (P) = IO,
donde 62 es la conjunto de todos los eventos posibles. Adems, la aditividad
se postula siempre y aditividad contable a menudo se postula (siempre,
entre matemtico ^). ^ / Como consecuencia de estos postulados, uno
siempre tiene P (A) + P (Z) = 1 .O, donde un medio en a o el complemento
de a @ .e., la probabilidad de que el evento que se convertir en verdad no
es el evento A).
Se puede calcular una probabilidad precisa objetivo a partir de datos o
subjetivamente desarrollar una probabilidad precisa. Por ejemplo, si uno
sabe que uno tiene una moneda, se puede calcular la probabilidad de lanzar
cabezas como 0.50. Para estimar subjetivamente la probabilidad de un
evento, como la repeticin de una crisis del petrleo, se podra construir
cognitivamente una estimacin directa o asistida por herramientas (por
ejemplo, ruedas de probabilidad) y los marcos de apuestas. Para las
variables continuas, las funciones de densidad de probabilidad (por ejemplo,
las curvas normales) y funciones de distribucin acumulativa (CDF) se
utilizan para representar la incertidumbre en las estimaciones.
en lugar de una y para las variables continuas, dos CDF, una inferior y una
superior, se utilizan en lugar de uno.
Figura 3.1 compara la expresividad de la probabilidad exacta e imprecisa en
cuatro casos. Cada icono dentro de la figura representa un dispositivo
medidor o de medicin, donde cada calibre va de 0 a 1,0, es decir, vaca
para sombreada por completo, respectivamente. Un indicador de vaco
expresa una probabilidad de cero, una medida completamente lleno expresa
una probabilidad de uno.
Para contribuir a este debate,
imaginar un envase de 100 bolas, que podran ser de color rojo o azul. La
tarea es estimar la probabilidad de seleccionar una bola roja del recipiente,
P (r). En el primer caso, el analista IRP ha examinado todas las bolas en el
recipiente y sabe de la certeza de que todos ellos son de color rojo. En este
caso, el analista tiene conocimiento "seguro" de que se seleccionar una
bola roja. Como era de esperar, el indicador de la probabilidad exacta, P,
est completamente sombreado (Le., P (r) = 1 .O).
Los dos medidores de probabilidades imprecisas tambin estn
completamente sombreados, lo que indica que cuando E (r) = P (r) = 1 .O,
se logra la certeza. La certeza tambin se logra cuando todos los
indicadores estn vacos. En el segundo caso, el analista ha examinado
todas las bolas en el recipiente y sabe con certeza que 50 bolas son de color
rojo y 50 bolas son de color azul. La interpretacin frequentistic sencillo es
que P (r) = 0,5. Tambin es apropiado asignar z (r) = P (r) = 0,5. Por lo
tanto, los medidores estn en semisombra en los tres casos. Cabe sealar
que en esta etapa, no hay diferencia entre la probabilidad precisa e
imprecisa. Ciertos conocimientos y fuertes conocimientos estadsticos estn
representados esencialmente por los dos enfoques de la misma manera, lo
que demuestra que los dos enfoques son consistentes cuando uno tiene una
fuerte evidencia.
En el tercer caso, el analista no tiene conocimiento acerca de las bolas en el
recipiente, aparte de que hay 100 de ellos. No podra ser de 100 bolas rojas
y azules ninguna bola o viceversa. Podra ser cualquier otra combinacin de
bolas rojas y azules que se suman a 100. En estos casos de total ignorancia,
partidarios del paradigma clsico de probabilidad aplicar el principio de
razn insuficiente, lo que bsicamente establece que la masa de
probabilidad se extendi a cabo de manera uniforme entre los eventos de la
competencia. En nuestro ejemplo, la probabilidad uniforme sera elegido,
que en este caso significa P (r) = 0,5. Por lo tanto, cuando se limita a un solo
nmero, un alto grado de conocimiento estadstico se representa la misma
forma que la total ignorancia!
Aqu es donde la expresividad de probabilidades imprecisas no entra en
juego, cuando hay una falta de conocimiento. El uso de probabilidades
imprecisas, el indicador de probabilidad ms baja est vaca y el indicador
de probabilidad superior est llena. En otras palabras, la ignorancia se
representa como E (r) = 0,0 y P (r) = 1,0. En el cuarto caso, el analista es
capaz de ver 80 de las 100 bolas a travs de las partes transparentes del
recipiente, que ahora quedan al descubierto, y ahora sabe que el nmero de
bolas rojas es de al menos 40 y el nmero de bolas azules es de al menos
40, lo que significa que el nmero de bolas rojas es entre 40 y 60. En este
caso, E (r) = 0,4 y P (r) = 0,6. A partir de la figura, se puede ver fcilmente
cmo el conocimiento se exhibe una mayor straighgorwardly en un
estrechamiento de la banda entre los indicadores de probabilidad inferior y
superior. Por desgracia, este no es el caso con probabilidad clsica. En lugar
del principio de razn insuficiente, una heurstica mxima entropa sera
aplicada para estimar las probabilidades precisas que optimicen la famosa
frmula de la entropa propuesto por Shann ~ n. ~ La aplicacin de tales
4Vase Shannon (1 948) para la presentacin original de la frmula de la
entropa y Japes (1 957) para la discusin fundamental sobre la
maximizacin de la entropa. Desde nuestra perspectiva, la aplicacin de
cualquiera de los Principio de InMicient Razonamiento y maximizar la
entropa, tambin conocida como WNT, aade informacin al problema que
no se basa en ninguna prueba. Estas heursticas son incompatibles con la
buena toma de decisiones y con toda la nocin de probabilidad imprecisa.
una heurstica volvera a producir P (r) = 0,5.
Por lo tanto, la probabilidad exacta no permite expresar la cantidad de
conocimiento est siendo ejercida sobre una decisin o cmo el
conocimiento puede cambiar con el tiempo con la adicin de nueva
informacin. Esta es una observacin muy importante porque indica que la
probabilidad clsica no es muy adecuado para emplear los conceptos
cualitativos discutidos en la Seccin 2.0. El uso impreciso
(1) cuando E = F para todos los valores de A. As, con referencia a la Figura
3.1, suponiendo que la eleccin de bolas rojas y azules dieron lugar a
diferentes premios monetarios (por ejemplo, $ 5 por una bola azul y $ 10
por una bola roja), el valor esperado calculado para elegir una bola roja ser
la misma utilizando probabilidades precisas e imprecisas en los dos
primeros casos (Le., $ 10 en el primer caso y $ 7,50 en el segundo caso).
Como era de esperar, sin embargo, los clculos del valor esperados son
diferentes en los dos ltimos casos. Con respecto a las probabilidades
precisas, el valor esperado se mantiene en $ 7,50 independientemente de
cmo mucho idormation est a la mano. Con respecto a las probabilidades
imprecisas, el rango de valores esperados es de $ 5 a $ 10 en el tercer caso,
y un estrecho $ 7 a $ 8 en el cuarto caso. Se argumenta que los
responsables deben ser presentados los lmites de los valores esperados de
las variables clave, no importa cun grande son los lmites, en lugar de los
Ejemplo 4, excepto que aqu usamos E (C) bajo / E (MW) para el punto de
vista optimista, y E (C) arriba / E (MW) de bajo punto de vista conservador.
plazo (vase la nota 8). Adems, aunque la opcin 3 supercedes opcin 5
por el ranking optimista, es mucho ms grande de lo necesario (485 MWa a
5 15 MWa).
lmites que las variables podran asumir estn representados por la parte
sombreada de la interseccin de las tres variables. El uso de probabilidades
inferior y superior, los valores esperados superiores se pueden calcular para
cada una de las variables que en efecto describen los lmites de la zona
sombreada inferior y. Utilizacin de las probabilidades exactas, slo unos
pocos puntos dentro de la zona sombreada son examinados y los
verdaderos lmites de los valores esperados no se describen por completo.
probabilidades imprecisas no ofrece una visin completa de los valores
esperados. Dos, dentro del enfoque de anlisis de sensibilidad tradicional,
es difcil de justificar por qu ciertos probabilidades precisas son escogidos
sobre otras probabilidades igualmente justificables (es decir, otras
probabilidades de que no sean incompatibles con lo que se conoce). Con
referencia de nuevo a la figura
3.3, lo que seala que uno elige en ese espacio para investigar influir
notablemente en el anlisis de cada uno. Dado que uno nunca puede estar
completamente seguro de que uno ha elegido los mejores puntos o
anlisis de sensibilidad, se argumenta por qu ceder ante el proceso de
eleccin en el primer lugar.
Probabilidades imprecisas no slo elimina la necesidad de que estas
decisiones arbitrarias. (Vase el Apndice A, para ms discusin sobre este
tema.)
Tres, para muchos contextos, se convierte en un problema combinatorio
para llevar a cabo tradicional
anlisis de sensibilidad. Por ejemplo, digamos que el analista decide probar
slo cuatro diferentes probabilidades precisas por slo cuatro variables
diferentes. Esto se traduce en 256 diferentes resultados de los anlisis de
sensibilidad! Nos gustara estar en una prdida para decidir qu hacer con
tantos resultados. Con una probabilidad imprecisa, uno slo tiene que lidiar
con un conjunto de resultados. Cuatro, anlisis de sensibilidad tradicional
puede dar lugar a valores intratables espera que se superponen. Si uno
realmente tenan 256 resultados diferentes, sera probable que ninguna
alternativa una decisin dominar a los dems, @e., Donde el valor mnimo
que se espera de una alternativa de decisin sera mayor que los valores
mximos esperados de todas las otras posibles alternativas de decisin).
Qu hacer en este caso?
Llevar a cabo un anlisis de sensibilidad adicional y producir an ms el
conflicto?
Es cierto que la probabilidad imprecisa tambin dar lugar a la
superposicin de los valores esperados. La diferencia es que la probabilidad
imprecisa produce slo un conjunto de resultados, y las decisiones se
pueden hacer usando el sonido, bien definido, y reglas de decisin
especificado previamente (por ejemplo, maxi-min, mini-max), mientras que
Eliminacin progresiva.