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

Stochastic Simulation to Determine the Present Net Value and Uncertainty Costin a Wind Power Plant

Contenido principal del artículo

Tomas Valencia

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:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

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

Citado por: