Integración de métodos de optimización en la generación de energía eléctrica renovable

Autores/as

  • Iván Darío Hernández Guzmán Universidad Pontificia Bolivariana
  • Jorge Wilson González Sánchez Universidad Pontificia Bolivariana

DOI:

https://doi.org/10.26507/paper.2529

Palabras clave:

Motodo, optimización, modelo, energias renovables, ruta de trabajo, integración, multicriterio, multiobjetivo

Resumen

El ministerio de minas y energía de Colombia con base en el objetivo de la transición energética 2030 evidencia la hoja de ruta que busca impactar diferentes fuentes de acción para la implementación de nuevos proyectos de inclusión de energía renovable en el territorio colombiano. Esto buscando la consecución de los objetivos de desarrollo sostenible, la descarbonización y carbono neutro propuestos desde el plan nacional de desarrollo. Lo anterior hace que la penetración de energía renovable en la matriz energética del país se vea incrementada en su capacidad instalada. Para ello es necesario partir del análisis energético actual y los porcentajes de uso de energías renovables y combustibles fósiles utilizados para la generación eléctrica. También es necesario conocer la red de transmisión y distribución del sistema eléctrico interconectado nacional, como base para el potencial desarrollo industrial de las regiones colombianas.

Los métodos de optimización crean entonces una ruta de trabajo contemplando diferentes actores involucrados en los proyectos de generación eléctrica renovable, los factores medio ambientales, los costos involucrados asociados a la vida útil y mantenimiento de cada posible generador renovable, así como el impacto en la sociedad donde se plantea realizar la instalación. De otro lado, los métodos de integración, las matrices o métodos de optimización generan un modelo integrador para que la decisión tenga bases multi criterio y multi objetivo, entonces el estudio y la determinación de cuál es el método adecuado toma una importancia de peso, ya que con ese modelo de optimización como hoja de ruta de implementación de un proyecto de energía renovable se entregará un porcentaje adecuado de la penetración de las mismas cumpliendo la meta propuesta.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Belyadi, H., & Haghighat, A. (2021). Introduction to machine learning and Python. Machine Learning Guide for Oil and Gas Using Python, 1–55. https://doi.org/10.1016/B978-0-12-821929-4.00006-8

Bordons, C., García-Torres, F., & Valverde, L. (2015). Gestión Óptima de la Energía en Mi-crorredes con Generación Renovable. RIAI - Revista Iberoamericana de Automatica e In-formatica Industrial, 12(2), 117–132. https://doi.org/10.1016/j.riai.2015.03.001

Botero, S., Jimeno, T., & González, J.-W. (2015). Optimización del Despacho Económico de una Micro Red utilizando Árboles de Decisión.

Connolly, D., Lund, H., Mathiesen, B. V., & Leahy, M. (2010). A review of computer tools for analysing the integration of renewable energy into various energy systems. Applied Energy, 87(4), 1059–1082. https://doi.org/10.1016/J.APENERGY.2009.09.026

CREG |. (n.d.). Retrieved May 26, 2022, from https://www.creg.gov.co/

Cuervoa, F. I., & Boterob, S. B. (2014). Aplicación de las opciones reales en la toma de deci-siones en los mercados de electricidad. Estudios Gerenciales, 30(133), 397–407. https://doi.org/10.1016/J.ESTGER.2014.06.003

Desarrollo de un modelo multicriterio-multiobjetivo de oferta de energías renovables : aplica-ción a la Comunidad de Madrid - Archivo Digital UPM. (n.d.). Retrieved April 8, 2022, from https://oa.upm.es/259/

E2050 Colombia – Estrategia Climática de Largo Plazo de Colombia E2050. (n.d.). Retrieved May 26, 2022, from https://e2050colombia.com/

El Hachimi, C., Belaqziz, S., Khabba, S., & Chehbouni, A. (2022). Data Science Toolkit: An all-in-one python library to help researchers and practitioners in implementing data scien-ce-related algorithms with less effort. Software Impacts, 12, 100240. https://doi.org/10.1016/J.SIMPA.2022.100240

García, F., Quintana, J. J., & Nuez, I. (n.d.). OPTIMIZACIÓN DE UNA PLANTA DE OSMO-SIS INVERSA UTILIZANDO ENERGÍAS RENOVABLES.

Izadkhah, H. (2022). An introduction of Python ecosystem for deep learning. Deep Learning in Bioinformatics, 31–66. https://doi.org/10.1016/B978-0-12-823822-6.00010-X

Kumar, B. D., Mir, H. A., Ahmed, M. K., & Siddiqui, M. T. (2021). Exam form automation using facial recognition. Materials Today: Proceedings. https://doi.org/10.1016/J.MATPR.2021.06.190

Liu, Y., Shi, H., Guo, L., Xu, T., Zhao, B., & Wang, C. (2022). Towards long-period operatio-nal reliability of independent microgrid: A risk-aware energy scheduling and stochastic optimization method. Energy, 254, 124291. https://doi.org/10.1016/j.energy.2022.124291

López, A., Somolinos, J. A., & Núñez, L. R. (2014a). Modelado Energético de Convertidores Primarios para el Aprovechamiento de las Energías Renovables Marinas. Revista Iberoa-mericana de Automática e Informática Industrial, 11(2), 224–235. https://doi.org/10.1016/J.RIAI.2014.02.005

López, A., Somolinos, J. A., & Núñez, L. R. (2014b). Modelado Energético de Convertidores Primarios para el Aprovechamiento de las Energías Renovables Marinas. Revista Iberoa-mericana de Automática e Informática Industrial RIAI, 11(2), 224–235. https://doi.org/10.1016/J.RIAI.2014.02.005

Mesa Puyo, D. (n.d.). Transición energética: un legado para el presente y el futuro de Colom-bia Iván Duque Márquez Presidente de la República. Retrieved March 8, 2022, from www.laimprentaeditores.com

Objetivos y metas de desarrollo sostenible - Desarrollo Sostenible. (n.d.). Retrieved March 27, 2022, from https://www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/

Optimización. (n.d.). Retrieved May 17, 2022, from https://repositorio.unal.edu.co/handle/unal/8415

Oswald, Ú. (2017). Seguridad, disponibilidad y sustentabilidad energética en México. Revis-ta Mexicana de Ciencias Políticas y Sociales, 62(230), 155–195. https://doi.org/10.1016/S0185-1918(17)30020-X

Pérez, J. C., González, A., Díaz, J. P., Expósito, F. J., & Felipe, J. (2019). Climate change impact on future photovoltaic resource potential in an orographically complex archipela-go, the Canary Islands. Renewable Energy, 133, 749–759. https://doi.org/10.1016/J.RENENE.2018.10.077

Prina, M. G., Cozzini, M., Garegnani, G., Manzolini, G., Moser, D., Filippi Oberegger, U., Pernetti, R., Vaccaro, R., & Sparber, W. (2018). Multi-objective optimization algorithm coupled to EnergyPLAN software: The EPLANopt model. Energy, 149, 213–221. https://doi.org/10.1016/J.ENERGY.2018.02.050

Proyecciones de demanda. (n.d.). Retrieved March 7, 2022, from https://www1.upme.gov.co/DemandayEficiencia/Paginas/Proyecciones-de-demanda.aspx

Velasco-Ramírez, E., Ángeles-Camacho, C., & García-Martínez, M. (2013). Redes de transmi-sión inteligente. Beneficios y riesgos. Ingeniería, Investigación y Tecnología, 14(1), 81–88. https://doi.org/10.1016/S1405-7743(13)72227-3

Descargas

Publicado

07-09-2022

Cómo citar

[1]
I. D. Hernández Guzmán y J. W. González Sánchez, «Integración de métodos de optimización en la generación de energía eléctrica renovable», EIEI ACOFI, sep. 2022.
Estadísticas de artículo
Vistas de resúmenes
Vistas de PDF
Descargas de PDF
Vistas de HTML
Otras vistas
QR Code
Crossref Cited-by logo