Las fuentes de energía renovable están aumentando constantemente en los sistemas eléctricos modernos. Debido a su potencial intermitente e incierto, se necesitan mayores requisitos de reserva giratoria para conservar la confiabilidad. Por otro lado, cada acción hacia la mejora de la eficiencia y la reducción de costos contradice la participación de recursos variables en la mezcla energética, lo que requiere herramientas más precisas para la programación óptima de unidades. Al aumentar la contribución renovable, no solo disminuye la inercia del sistema en general con la disminución de la generación convencional, sino que también se introducen generadores más costosos. Este trabajo proporciona un enfoque radicalmente diferente hacia una tarea de optimización viable basada en el marco de relajación de Lagrange e inferencia Bayesiana variacional. Siguiendo una formulación dual de confiabilidad y costo, los multiplicadores de Lagrange se aceleran a través de un mecanismo de aprendizaje automático, es decir, la inferencia bayesiana variacional. La novedad en el enfoque propuesto proviene de la función de adquisición empleada y del efecto del proceso gaussiano. Los resultados obtenidos muestran grandes mejoras en comparación con la alternativa de relajación de Lagrange, que puede alcanzar más de USD 1 millón en créditos de costos de producción con el menor número de evaluaciones de funciones. El método híbrido propuesto promete soluciones globales basadas en una función de adquisición adecuada que pueda moverse hacia regiones con el valor objetivo mínimo y la máxima incertidumbre.