–

El objetivo principal de MIGA (Millenium Institute in Green Ammonia) es consolidar un espacio interdisciplinario de excelencia científica promoviendo la formación de recursos humanos avanzados, conocimiento y tecnología en temas relacionados con la producción sostenible y el uso del amoniaco como vector energético.

La misión de MIGA es abordar este desafío con un enfoque interdisciplinario que acorte las brechas tecnológicas actuales, avanzando en el conocimiento y la tecnología, generando capacitación interdisciplinaria en el área para nuevos investigadores, contribuyendo a la instalación de economías basadas en energías limpias para Chile y la comunidad internacional. MIGA es conceptualizado en cinco áreas de investigación interdisciplinarias e interrelacionadas:

1. Producción electroquímica de NH3
2. Producción de H2 a partir de electrólisis de NH3
3. Diseño y prototipos de pilas de combustible de NH3
4. Procesos de corrosión y protección
5. Economía del amoniaco

Development of algorithms for bilevel optimization problems with applications in security, electricity and logistics.

La crisis hídrica provocada por el calentamiento global es uno de los problemas más importantes que afectan a regiones agrícolas como la sexta Región de O’Higgins. Este proyecto de vinculación internacional tiene como objetivo principal investigar distintos mecanismos para la asignación de recursos hídricos e épocas de escasez. En particular, se analizará el caso en que se tienen multiples usos de agua: distintos tipos de industrias (cupríferas y agrícola por ejemplo) y uso urbano. Este proyecto de vinculación internacional es liderado por el equipo nacional conformado por investigadores de la Universidad de O’Higgins y Universidad de Chile. Este proyecto incluye visitas del equipo nacional a los centros INRIA Sophia Antipolis, y INRAE en Montpellier, así como la organización de un workshop en la Universidad de O’Higgins.

Decision-making processes involving uncertainty in the input parameters are commonplace, and the operational research community has investigated different methods to tackle this issue since the 60s. The current widespread availability of data and information presents a great opportunity to enhance the decision-making process, but at the same time, it presents a great challenge to develop new models and algorithms that capture this information. Stochastic programming, robust optimization, risk-averse optimization and distributionally robust optimization are different ways to deal with uncertainty. The input parameters are either modeled as random variables with a probability distribution that can be estimated from data; or as an uncertainty set which is often also decuded from data. A different approach is decision-focused learning or (a.k.a. smart predict-then-optimize) in which input parameters are learnt by a machine learning model which is trained considering the impact on the sub-opmality decisions made by not knowing perfectly the uncertain parameters. After training with this methodology, uncertain parameters are treated as deterministic parameters for the optimization problem. The main objective of this project is to provide a general framework for data-driven decision-making for different settings in transportation and logistics and to provide large-scale optimization models and algorithms to tackle uncertainty when data is available for these settings. We aim to compare and understand when each methodology to deal with uncertainty is the most adequate. Specifically, we aim to study problems in two-tier city logistics; large scale shortest path problems with real data motivated by firetruck dispatchment; multi-layer districting problems with balance constraint and uncertain demand; and the allocation security resources in a transportation network where the behavior of opportunistic passengers and the deployment of security agents are correlated.

Consiste en diversos módulos de baja potencia que pueden configurarse e
interconectarse para implementar variadas topologías emergentes de
sistemas eléctricos y topologías de conversión como: microrredes, enlaces
de alto voltaje en corriente continua (HVDC), convertidores modulares
multinivel (MMC), sistemas de baterías (BESS), cargadores rápidos, entre
otros. Cada módulo de potencia posee una unidad de control propia
coordinada por una unidad central, lo que permite implementar esquemas
de control distribuido. Además, la plataforma contempla una etapa de
amplificación de potencia trifásica, que permite generar físicamente los
voltajes y corrientes de un punto común de acoplamiento con una red
eléctrica emulada en tiempo-real. Esto permite estudiar la interacción de la
red emulada con los sistemas eléctricos y las topologías de conversión
emergentes descritas anteriormente. Por consiguiente, esta plataforma
agiliza el prototipado, tanto en hardware de potencia como de control,
permitiendo la validación experimental de estrategias de control
distribuido que, a diferencia del control centralizado (tradicionalmente
utilizado en la academia e industria), presenta ventajas que son de utilidad
para mejorar la resiliencia de los sistemas eléctricos, como son: mejor
confiabilidad, flexibilidad, escalabilidad, operación plug-and-play y
tolerancia a fallas de un solo punto.

Numerous real-life decision-making processes involve solving a task with uncertain input that can be estimated from historic data. There is a growing interest in decision-focused learning methods (a.k.a. smart predict-then-optimize) whose goal is to find models that fit the data while considering how the predicted input will perform in a particular task. For example, the task can be a shortest path problem that uses predictions on travel times in the objective function. Fitting the data and ignoring the task may lead to sub-optimal decisions. Sometimes, uncertainty is involved in the constraints of the model. In this case, ignoring the task would lead to infeasible decisions. The goal of this project is to develop efficient exact algorithms and new applications to train a Machine Learning models that perform well in one or several tasks using mathematical programming (MP) tools.

In this context, the typical measure of a predictor is the regret: the excess cost incurred when making a suboptimal decision due to an imprecise predictor. This problem is bilevel in nature: the top-level decision consists in determining a predictor that minimizes a regret while considering that the predictions will affect a task, e.g. an optimization problem in a lower level. This structure is typically non-convex and non-continuous, making the problem difficult to solve for realistic instances. However, several recent advances in bilevel-tailored approaches exploit this structure and can solve large scale problems.

There are two main ways of estimating task-oriented predictors: 1) stochastic gradient-based methods; and 2) MP reformulations of the problem. Stochastic gradient-based methods replace the non-differentiable regret for some differentiable surrogate loss function approximating the real loss. Due to advances in neural network implementations and stochastic gradient-descent this approach is the most applied among researchers and practitioners in the Machine Learning community.

MP for data science has attracted the attention of researchers and practitioners in different areas as mathematics, operations research, computer science during the last years. It provides some degree of flexibility, being able to model desirable considerations for predictions models. For instance, MP has been successfully used to train sparse models yielding improved explainability and/or fairness. Moreover, MP models are in many cases solvable by any off-the-shelf solver. However, for the decision-focused learning problem there are still many gaps using MP formulations. To the best of our knowledge, MP formulations have been used only for surrogate loss functions.

Behind the low usage of MP tools is the scalability. A typical ML setting involves data sets involving thousands of observations. In consequence, the training task becomes more difficult. To tackle this issue, decomposition methods such as cut and column generation can help to solve problems at scale. We aim to provide efficient exact methods that can return either optimal solutions, or optimality guarantees for large scale instances.

During the last years, decision-focused learning has been widely applied to combinatorial optimization problems. However, this approach can also be used in many other applications such as Markov decision processes (MDPs) or game theory. In the first case, we can take algorithmic advantage of well-known existing algorithms for MDPs such as value iteration or policy iteration, or approximation techniques such as Q-learning. The game-theoretic setting is more challenging: depending on the notion of equilibrium the loss function would change. For instance, the definition of regret can be applied straightforwardly to Stackelberg equilibria (or leader-follower equilibria), a concept widely applied to energy markets, security and transportation. In the case of Nash equilibrium, the definition of regret is not direct anymore. We hope to develop models that adapt the decision-focused learning paradigm to this broader context.

The study of this topic requires the use and development of MP of tools along with their algorithmic analysis. During the project, we expect to develop efficient of algorithms that can be used by decision making, as well as contribute in the understanding of the theoretical aspects of decision-focused learning.

Plataforma experimental de control distribuido de módulos de potencia
Consiste en diversos módulos de baja potencia que pueden configurarse e interconectarse para implementar variadas topologías emergentes de sistemas eléctricos y topologías de conversión como: microrredes, enlaces de alto voltaje en corriente continua (HVDC), convertidores modulares multinivel (MMC), sistemas de baterías (BESS), cargadores rápidos, entre otros. Cada módulo de potencia posee una unidad de control propia coordinada por una unidad central, lo que permite implementar esquemas de control distribuido. Además, la plataforma contempla una etapa de amplificación de potencia trifásica, que permite generar físicamente los voltajes y corrientes de un punto común de acoplamiento con una red eléctrica emulada en tiempo-real. Esto permite estudiar la interacción de la red emulada con los sistemas eléctricos y las topologías de conversión emergentes descritas anteriormente. Por consiguiente, esta plataforma agiliza el prototipado, tanto en hardware de potencia como de control, permitiendo la validación experimental de estrategias de control distribuido que, a diferencia del control centralizado (tradicionalmente utilizado en la academia e industria), presenta ventajas que son de utilidad para mejorar la resiliencia de los sistemas eléctricos, como son: mejor confiabilidad, flexibilidad, escalabilidad, operación plug-and-play y tolerancia a fallas de un solo punto.

Es un hecho aceptado en la comunidad científica que la emisión de CO2 es de los grandes responsables del calentamiento global. Por ello, ha habido muchas iniciativas para lograr la reducción de estas emisiones. Chile en particular, ha suscrito el compromiso de Carbono Neutralidad al 2050 y en ese contexto ha redactado una Estrategia Nacional de Electromovilidad para dar una hoja de ruta para estimular su adopción. Se espera que la transición hacia la electromovilidad y el fomento a la eficiencia energética en transporte contribuirá con cerca del 20% de las reducciones de emisiones de CO2 necesarias para lograr dicho compromiso.
Dado este contexto, esta propuesta abordará diversos aspectos relacionados con la electromovilidad, con foco en la región de O’higgins, donde la adopción ha sido más lenta de lo esperado, contando por ejemplo con reducida infraestructura de carga y venta de vehículos eléctricos. Se destaca además que previo a la inauguración de la Universidad de O’Higgins, no había una institución que formara capital avanzado en estas temáticas.
Por lo anterior, en este proyecto, se pondrá especial atención al modelamiento de baterías y/o flotas de vehículos eléctricos (VEs), de gestión y métodos toma de decisiones en aplicaciones como gestión de flotas, interconexión de VEs en la red y asignación de precios, y desarrollo de métodos de control para motores eléctricos, conversores, baterías y otros para electromovilidad.
El proyecto instalará y desarrollará en la Región de O’Higgins capacidades humanas avanzadas y fortalecerá la cooperación nacional e internacional en temáticas relacionadas con la electromovilidad. Se realizará difusión y divulgación hacia la comunidad tanto en la Universidad de O’Higgins (UOH) como en las instituciones asociadas, considerando actividades presenciales y online: Las actividades online se dejarán abiertas al público en youtube.
Esta propuesta contempla la ejecución de 3 modalidades de vinculación. En la primera modalidad (A) se realizarán 3 viajes por parte de estudiantes de pre y posgrado y académicos a las instituciones extranjeras participantes del proyecto para capacitarse/especializarse en modelamiento, gestión y control para electromovilidad. En la segunda modalidad (B) se realizarán cátedras y talleres online, para cursos de pre y posgrado en la Universidad de O’Higgins y abiertos a todas las instituciones participantes del proyecto. En la tercera modalidad (C) se realizarán 2 encuentros nacionales donde se realizarán seminarios y talleres presenciales y reuniones de investigación, donde están invitados alumnos de pre y posgrado de las instituciones participantes, y se realizará el Encuentro de Electromovilidad de O’Higgins 2024, donde se invitará 3 participantes extranjeros e investigadores nacionales participantes del proyecto, para difundir a la comunidad los avances en el área de la electromovilidad y estimular su adopción. Con este mismo propósito, se adquirirá e instalará en la UOH 2 puntos de recarga de vehículos eléctricos. Notar que actualmente la UOH tiene en su campus rancagua un cargador de bicicletas eléctrico del tipo solar-eólico para uso del estudiantado y la comunidad en general Finalmente, se buscará presentar las principales conclusiones y/o resultados de este proyecto en conferencias científicas o revistas nacionales y/o internacionales.
Con las acciones propuestas se busca fortalecer la colaboración internacional, empoderar a las comunidades y promover el uso de nuevas tecnologías de cero emisiones en medios de transporte en la región y el país, al mismo tiempo que se reduce la generación de gases de efecto invernadero, contribuyendo a lograr una sociedad energéticamente sustentable.