Integración de métodos de optimización en la generación de energía eléctrica renovable
DOI:
https://doi.org/10.26507/paper.2529Palabras clave:
Motodo, optimización, modelo, energias renovables, ruta de trabajo, integración, multicriterio, multiobjetivoResumen
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
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
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2022 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Estadísticas de artículo | |
---|---|
Vistas de resúmenes | |
Vistas de PDF | |
Descargas de PDF | |
Vistas de HTML | |
Otras vistas |