Modelado y optimización del comportamiento de agentes distribuidos en sistemas eléctricos descentralizados mediante técnicas de Reinforcement Learning”

Reinforcement Learning (RL) es un área del aprendizaje automático que estudia cómo los agentes de software deben tomar sus acciones para maximizar algún tipo de recompensa acumulada. Este problema se estudia en muchas disciplinas, como los sistemas multi-agente, la investigación de operaciones, etc. En economía y teoría de juegos, el aprendizaje por refuerzo se ha utilizado para explicar cómo surge el equilibrio en un contexto de racionalidad limitada. La tendencia actual de digitalización que está teniendo lugar en muchos sectores, como por ejemplo el eléctrico, requiere la aplicación de algoritmos y enfoques novedosos para aprovechar los últimos avances en la capacidad de cálculo y la gestión de grandes volúmenes de datos. El objetivo principal de esta tesis doctoral es comprender cómo la existencia de tecnologías distribuidas (generación distribuida, demanda flexible, almacenamiento de energía y electrónica de potencia avanzada y dispositivos de control) afectará a nuestra comprensión de los sistemas eléctricos en un marco donde todos los agentes involucrados (tal vez millones) tomarán sus decisiones secuenciales en un entorno incierto caracterizado por la interdependencia de sus acciones. El modelado del comportamiento de todos estos agentes distribuidos será crucial para comprender la evolución de los sistemas de energía en el futuro no solo por razones técnicas, sino también desde el punto de vista económico y regulatorio.

Requisitos: Creatividad y autonomía; habilidades de programación (como Python, R, Matlab); excelencia académica.

Contrato de jornada completa con dedicación exclusiva a la realización de la tesis doctoral.

Documentos: Currículum vitae, expediente académico, carta de presentación y dos cartas de recomendación.