Simulación Estocástica para Determinar el Valor Presente Neto y el Costo de Incertidumbre en una Planta Eólica
DOI:
https://doi.org/10.19053/01217488.v10.n2.2019.7678Palabras clave:
Energía Eólica, Modelación de Incertidumbre, Procesos Estocásticos, Simulación de monte Carlo.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.
Descargas
Citas
J. Hetzer, D. Yu and K. Bhattarai, An economic
dispatch model incorporating wind power, IEEE
Transactions on Energy Conversion, 23(2), 603-
(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.
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