Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Simulación Estocástica para Determinar el Valor Presente Neto y el Costo de Incertidumbre en una Planta Eólica

Resumen

En este documento se presenta una propuesta de simulación estocástica para determinar las incertidumbres en la inversión y el costo de incertidumbre de operación para una planta eólica. Tomando como objeto de estudio una planta eólica hipotética en El Cabo de la Vela, en La Guajira, Colombia, con las mismas características que la planta actual Jepirachi de EPM, donde se halla la función de densidad de probabilidad del valor presente neto del proyecto, y de esta forma evaluar qué tan probable es que éste sea rentable. Adicionalmente, se determina el costo de incertidumbre para la operación de la planta dependiendo de los diferentes escenarios mensuales de la energía primaria (velocidad del viento). Este costo se aproxima a una función cuadratica que sirve como elemento de costos en el problema de despacho económico cuando existen renovables. Finalmente, se discuten los resultados obtenidos y futuros desarrollos.

Palabras clave

Energía Eólica, Modelación de Incertidumbre, Procesos Estocásticos, Simulación de monte Carlo.

PDF

Referencias

  • J. Hetzer, D. Yu and K. Bhattarai, An economic
  • dispatch model incorporating wind power, IEEE
  • Transactions on Energy Conversion, 23(2), 603- DOI: https://doi.org/10.1109/TEC.2008.918809
  • (2008)
  • J. Zhao, F. Wen, Z. Dong, Y. Xue and K. Wong,
  • Optimal dispatch of electric vehicles and wind
  • power using enhanced particle swarm optimization,
  • IEEE Transactions on Industrial Informatics,
  • (4), 889-899 (2012)
  • S. Surender, P. Bijwe and A. Abhyankar Realtime
  • economic dispatch considering renewable
  • power generation variability and uncertainty
  • over scheduling period, IEEE Systems Journal,
  • (4), 1440-1451 (2015)
  • J. Arévalo, F. Santos and S. Rivera, Uncertainty
  • Cost Functions for Solar Photovoltaic Generation,
  • Wind Energy Generation, and Plug-In Electric
  • Vehicles: Mathematical Expected Value and
  • Verification by Monte Carlo Simulation, International
  • Journal of Power and Energy Conversion,
  • in print.
  • Comisión de Regulación de Energía y Gas, Resolución
  • de 2015, por la cual se modifica la
  • metodología para determinar la energía firme
  • de plantas eólicas, 8 de mayo de 2015.
  • Unidad de Planeación Minero Energética, Registro
  • de Proyectos de Generación, Octubre de
  • Irina Khindanova, A Monte Carlo Model of a
  • Wind Power Generation Investment, Journal of
  • Applied Business and Economics vol. 15, 2013.
  • Roy Yates, David Goodman, Probability and
  • Stochastic Processes: A Friendly Introduction
  • for Electrical and Computer Engineers, Wiley,
  • M. Celeska, K. Najdenkoski, V. Stoilkov, A.
  • Buchkovska, Z. Kokolanski and V. Dimchev,
  • Estimation of Weibull parameters from wind
  • measurement data by comparison of statistical
  • methods, IEEE EUROCON 2015 - International
  • Conference on Computer as a Tool (EUROCON),
  • Salamanca, 2015, pp. 1-6.
  • R. Wang, W. Li and B. Bagen, Development
  • of Wind Speed Forecasting Model Based on the
  • Weibull Probability Distribution, 2011 International
  • Conference on Computer Distributed Control
  • and Intelligent Environmental Monitoring,
  • Changsha, 2011, pp. 2062-2065. DOI: https://doi.org/10.1055/s-0030-1259989
  • WindPower Program Wind Statistics
  • and the Weibull Distribution, disponible
  • en: http://www.wind-powerprogram.
  • com/wind_statistics.htm 2013.
  • Unidad de Planeación Minero Energética, Atlas
  • de Vientos y Energía Eólica, 2016.
  • Alvaro Pinilla, Luis Rodríguez, Rodrigo Trujillo,
  • Performance Evaluation of Jepirachi Wind
  • Park, Renewable Energy, 2008

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

También puede Iniciar una búsqueda de similitud avanzada para este artículo.