What if analysis through simula1on-op1miza1on hybrids Marco - - PowerPoint PPT Presentation

▶

Dec 25, 2022 282 likes •463 views

What if analysis through simula1on-op1miza1on hybrids Marco Gavanelli Univ. of Ferrara Michela Milano Univ. of Bologna Barry OSullivan, 4C, University

SLIDE 1

What ¡if ¡analysis ¡through ¡ simula1on-‑op1miza1on ¡hybrids ¡

Marco ¡Gavanelli ¡Univ. ¡of ¡Ferrara ¡ Michela ¡Milano ¡Univ. ¡of ¡Bologna ¡ Barry ¡O’Sullivan, ¡4C, ¡University ¡College ¡Cork ¡ Alan ¡Holland, ¡4C, ¡University ¡College ¡Cork ¡

¡

SLIDE 2

Agenda ¡

Public ¡Policy ¡Making ¡ Scenario ¡genera1on ¡is ¡somewhat ¡arbitrary ¡ How ¡can ¡we ¡provide ¡decision ¡support? ¡

Op1misa1on ¡

Simula1on ¡

Context: ¡Subsidies ¡for ¡renewable ¡technologies ¡ ¡

SLIDE 3

Emilia ¡Romagna ¡ ¡ Regional ¡Energy ¡Plan ¡2011-‑13 ¡

EU ¡direc1ve ¡20-‑20-‑20: ¡objec1ves ¡for ¡2020 ¡

– 20% ¡reduc1on ¡CO2 ¡emissions ¡ – 20% ¡energy ¡comes ¡from ¡renewable ¡sources ¡

¡

2010 2020 energy savings 2013 energy requirements for 2013 20% from renewable sources

SLIDE 4

Renewable ¡energy ¡requirement ¡ ¡

Requirement ¡for ¡2013: ¡ ¡
177 ¡kTOE ¡of ¡electricity ¡from ¡renewables ¡

¡

Hydroelectric Photovoltaic Thermodynamic solar Wind generators Biomasses

SLIDE 5

DSS ¡for ¡policy ¡makers ¡

We ¡developed ¡a ¡DSS ¡to ¡aid ¡policy ¡makers ¡taking ¡

complex ¡decisions ¡for ¡regional ¡planning ¡ ¡

Aspects ¡considered: ¡

¡impacts ¡that ¡ac1vi1es ¡and ¡strategies ¡contained ¡in ¡the ¡plan; ¡

E.g. ¡Pollutants ¡in ¡the ¡air ¡/ ¡seawater, ¡etc. ¡

Receptors ¡

E.g., ¡air ¡quality, ¡quality ¡od ¡the ¡waters, ¡etc. ¡

constraints ¡on ¡impacts ¡and ¡receptors; ¡ financial ¡aspects ¡and ¡budget ¡constraints; ¡ Objec1ves ¡and ¡EU ¡guidelines ¡

SLIDE 6

Costs ¡and ¡incen1ves ¡

Region ¡cannot ¡afford ¡to ¡build ¡the ¡plants ¡ Can ¡incen1vise ¡private ¡stakeholders ¡ What ¡results ¡can ¡be ¡expected? ¡ How ¡do ¡people ¡react ¡to ¡different ¡subsidy ¡ policies? ¡

SLIDE 7

Social ¡Simula1on ¡

Incentives, regional policies, taxes, ... simulator MW of installed power

Agent-‑based ¡social ¡simula1on ¡aids ¡the ¡policy ¡ maker ¡to ¡understand ¡the ¡individual ¡perspec1ve ¡ In ¡the ¡literature ¡they ¡have ¡been ¡used ¡in ¡a ¡ generate ¡and ¡test ¡fashion ¡via ¡what ¡if ¡analysis ¡

SLIDE 8

Op1miza1on-‑Simula1on ¡hybrids ¡

We ¡propose ¡to ¡integrate ¡op1miza1on ¡and ¡simula1on ¡ via: ¡

Machine ¡learning ¡ Benders ¡Decomposi1on ¡ Mechanism ¡Design ¡ ¡

SLIDE 9

ML-‑based ¡integra1on ¡

Simulator

DECISION OPTIMIZATION SUPPORT SYSTEM machine learning

POSSIBLE DECISIONS OPTIMAL SCENARIOS SCENARIOS OBSERVABLES

TRAINING SET

ENRICHED MODEL

Learned function

SLIDE 10

ML-‑Based ¡Integra1on ¡& ¡ Op1misa1on ¡

Learn ¡Constraints ¡ for ¡DSS, ¡ ¡ Define ¡regional ¡ energy ¡plans ¡

Respect ¡budget ¡

constraints. ¡

Simulator

DECISION OPTIMIZATION SUPPORT SYSTEM machine learning

POSSIBLE DECISIONS OPTIMAL SCENARIOS SCENARIOS OBSERVABLES

TRAINING SET

ENRICHED MODEL

SLIDE 11

BD-‑based ¡integra1on ¡

Simulator DECISION OPTIMIZATION SUPPORT SYSTEM

POSSIBLE DECISIONS TENTATIVE OPTIMAL SCENARIO

OBSERVABLES

NO-GOODS

VALIDATION

Negative OPTIMAL SCENARIO Positive

SLIDE 12

Mechanism ¡Design ¡

Auc1on ¡Design ¡ Strategic ¡Self-‑interested ¡agents ¡ Solu1on ¡Concept ¡

Nash ¡Equilibrium ¡

Incen1ve ¡Compa1ble ¡subsidy ¡auc1ons ¡

Budget ¡balance ¡ Efficiency ¡ Private ¡informa1on ¡

SLIDE 13

Design ¡Challenges ¡

Alloca1on ¡Monotonicity ¡

if ¡you ¡bid ¡more, ¡the ¡likelihood ¡of ¡being ¡awarded ¡a ¡ subsidy ¡increases ¡

Tractability ¡ Efficiency ¡

SLIDE 14

Example: ¡Disbursing ¡subsidies ¡for ¡ solar ¡panels ¡

Simple ¡Greedy ¡Algorithm ¡(to ¡spread ¡pain) ¡

1. order ¡devices ¡most ¡expensive ¡to ¡cheapest ¡
2. Assign ¡each ¡panel ¡in ¡turn ¡to ¡household ¡that ¡has ¡

lowest ¡declared ¡cost ¡imposi1on ¡thus ¡far. ¡

SLIDE 15

Non-‑monotonicity ¡

3 ¡devices ¡{d1, ¡d2, ¡d3}, ¡waiage ¡{10, ¡9+ε, ¡9+ε}, ¡price{60,60,60} ¡
2 ¡house-‑owners ¡{h1, ¡h2} ¡
Private ¡informa,on: ¡Value ¡{€5/W, ¡€5-‑ε/W} ¡
Alloca,on: ¡d1→h1, ¡d2→h2, ¡d3→h2 ¡L

L ¡Inefficient! ¡

L

L ¡Non-‑Monotone ¡

Increase ¡V2 ¡to ¡€5+ε/W ¡
Alloca,on ¡decreases ¡in ¡size ¡
Monotone ¡algorithms ¡required ¡

SLIDE 16

Solu1on ¡

Applica1on ¡of ¡monotone ¡alloca1on ¡scheme ¡ [Kovacs,2005] ¡ “Cri1cal ¡payment” ¡scheme ¡

Agent’s ¡don’t ¡pay ¡all ¡of ¡their ¡declared ¡value ¡ Payment ¡depends ¡on ¡lower ¡bidder(s) ¡

Implica1ons ¡

Simula1on ¡of ¡truthful ¡values ¡gives ¡more ¡accurate ¡ guidance ¡to ¡policy ¡makers ¡ ¡

SLIDE 17

What ¡if ¡analysis ¡through ¡ simula1on-­‑op1miza1on ¡hybrids ¡