Ciencia en Desarrollo, Vol. 10 No. 2 ISSN 0121 - 7488 - Julio a Diciembre de 2019 Simulacion Estocastica para Determinar el Valor Presente Neto y el Costo de Incertidumbre en una Planta Edlica Stochastic Simulation to Determine the Present Net Value and Uncertainty Cost in a Wind Power Plant Tomas Valencia ** Sergio Rivera Fecha de Recepcién: 26.03.19 Fecha de Aceptacién: 08.05.19 DOI: hitps://doi.org/10.19053/01217488.v10.n2.2019.7678 Resumen En este documento se presenta una propuesta de simulacién estocéstica para determinar las incertidumbres, en Ia inversion y el costo de incertidumbre de operacién para tna planta eélica. Tomando como objeto de estudio una planta e6lica hipotética en El Cabo de la Vela, en La Guajira, Colombia, con las mismas caracteristicas que la planta actual Jepirachi de EPM, donde se halla la funcién de densidad de probabilidad del valor presente neio del proyecto, y de esta forma evaluar qué tan probable es que éste sea rentable Adicionalmente, se determina el costo de incertidumbre para la operacién de la planta dependiendo de los diferentes escenarios mensuales de la energia primaria (velocidad del viento). Este costo se aproxima a tuna fincién cuadratica que sirve como elemento de costos en el problema de despacho econémico cuando existen renovables. Finalmente, se discuten los resultados obtenidos y fururos desarrollos. Palabras clave: Energia Bélica, Modelacién de Incertidumbre, Procesos Estocéstics, Simulacién de Monte Catlo. Abstract This document presents a proposal for stochastic simulation to determine the investment uncertainties and the uncertainty cost of operation for a wind power plant. Taking as a study object » hypothetical wind plant in Cabo de la Vela, in La Guajira, Colombia, with the same characteristics as the current Jepirachi plant of EPM, where the probability density function of the net present value of the project is found, and the probability of project profitability. Additionally, the uncertainty cost for the operation of the plant is determined depending on the different monthly scenarios of the primary energy (wind speed). This cost approximates a quadratic function that serves as a cost element in the problem of economic dispatch considering renewables. Finally, the results obtained and furure developments are discussed. Key words: Monte Carlo Simulations, Stochastic Process, Uncertainty Modeling, Wind Energy. Universidad Nacional de Colombia *Correo electrSnico: valenciaz@unal.edu.co 'b Universidad Nacional de Colombia *Correo electrénico: sriverar@unal.edu.co‘Tomas Valencia et. al 1. INTRODUCCION Uno de los principales obsticulos para el desarrollo de medianas y grandes plantas de generacién edlica en Colombia, ha sido su aparente falta de competitividad, dada su alta inversion inicial, y la constante duda con respecto a los ingresos que un proyecto de esta naturaleza puede generar. Esta incertichumbre puede disuadir tanto a generadores como a comercializadores, de firmar contratos de largo plazo que garanticen ‘un ingreso fijo al proyecto, dejando de esta forma como tinica alternativa la venta de energia en bolsa en el Mercado de Energia Mayorista (MEM). Esto, a sti Vez, acarrea un nuevo problema: el de la doble incertidumbre planteada por el variable precio de la energia en bolsa, y la variabilidad det viento a partir del que se genera. De esta manera, desde el punto de vista del inversionista, no parece haber ninguna certeza respecto a los ingresos que podria tener el proyecto. Ademts, la misma incertidumbre respecto a la energia generada ha impedido que proyectos de esta naturaleza puedan competir en las subastas de Catgo por Confiabilidad, las cuales podrian ofrecer un ingreso fijo que los haga viables. Con el fin de facilitar Ia promocién de proyectos de generacién edlica en el tertitorio nacional, la Unidad de Planeacién Minero Energética (UPME) desarrollé un atlas de vientos yy energia edlica en Colombia en el 2006, en el que fueron publicados datos estadisticos de velocidad de vientos, y potencial energético en todo el pais. demas, XM, administrador del mercado, pone 2 disposicién del piiblico la informacién histérica de las variables de interés del MEM. Aqui se presenta entonees el trabajo realizado a partir de estas dos fuentes de informacién. En él que se evalia la viabilidad de un proyecto de 20 MW en El Cabo de la Vela. Se estima la funcién de densidad de probabilidad del valor presente neto del proyecto para que de esta manera se halle la probabilidad de que éste sea positivo, y se pueda saber qué tan probable es que un proyecto como este sea rentable en este momento en Colombia. También se calcula también un valor estimado de lo que puede ser Ia Energia en Firme para el Cargo por Confiabilidad (ENFICC) Es bien sabido que la fuente de energia eélica (velocidad del viento) puede modelarse adecuadamente con una funcién de probabilidad de Weibull [1], [2]. A través del modetado matemitico de es- ta distribucién de probabilidad, es posible obtener una estimacién de los costos asociados a la incertidumbre en cuanto a su operacién, particularmente hablando del valor esperado deuna funcién de costode incertidumbre EI concepto de estas funciones fue explorado primero pata parque e6licos en la investigacién presentada en [I], para edlicos y vehiculos eléctricos en [2], y una aplicacién del concepto para e6licos y solares en [3]. El desarrollo de las expresiones analiticas de este costos de incertidumbre en estos casos se presentan en [4]. De esta manera, uno de los objetivos de este trabajo es aplicar la formulacién de costos de incertidumbre en un proyecto de similares caracteristicas del parque edlico Colombiano. De esta forma se presenta una fornmulacién matemética para calcular el coste analitico del coste de penalizacién esperado asociado con la generacién de electricidad a través de fuentes de energia e6licas. Este célculo analitico se verifica a través de simulaciones de Monte Carlo. Las simulaciones de Monte Carlo son apropiadas para simular la variabilidad de los recursos de energia solar y eélica, ya que estos recursos pueden ser modelados por funciones de probabilidad conocidas. Eneste trabajo, se utilizan simulaciones de Monte Carlo para simular varios escenarios de la potencia inyectada, en cada escenario se calcula un coste de penalizacién y finalmente se obtiene el valor esperado del coste de penalizacién utilizando el valor medio del histograma de coste de incertidumbre. EI presente articulo se desarrolla de la siguiente manera: en Ia seccidn 2 se presenta el planteamiento del problema para el célculo de la distribucién de probabilidad del valor presente neto y el costo de incertidumbre en la operacién, La seccién 3 presenta las series histéricas y distribuciones para el precio neto de energia y velocidad del viento. Las proyecciones de los procesos estocisticos considerados son presentadas en la seccién 4, Para cerrar en la seccidn 5 se abordan los resultados y se discuten. Para finalmente presentar las discusiones en la seccién 6.‘Tomas Valencia et.al 2. PLANTEAMIENTO DEL PROBLEMA. Se supone el proyecto de construccién y operacién de un parque edlico con las mismas caracteristicas del parque Jepirachi de EPM, el cual es, hasta la fecha, el tinico parque eélico de Colombia. De esta manera, en esta seccién se presentan las caracteristicas del parque, supuestos ysimplicaciones a considerar, también se presenta a formmulacién del problema de determinacién de la distribucién de probabilidad del valor presente neto de la inversién y el costo de incertidumbre de operacién del proyecto. 2.1 Caracteristicas del parque, supuestos y simplifeactones Las caracteristicas del parque son: Capacidad instalada: 20 MW. Numero de aerogeneradores: 15. Potencia nominal de cada aerogenerador: 1300 kW. Altura de torre: 60 m Para abordar el problema, se hacea las siguientes simplificaciones y suposiciones: Sélo se vende energia en bolsa (no hay contratos). Todos los costos ¢ ingresos son en pesos. Se convierten los valores en délares con tasa TRM = 3000COP/USD. No hay ingreso por Cargo por Confiabilidad. El proyecto tiene una vida de diez alos. Se consideran alos de 360 dias. Todos los aerogeneradores reciben el mismo viento, y generan la misma energia. No hay fallas Sélo hay costos fijos para la parte de deierminacién del valor presente neto. Para la parte de costo de incertidumbre, se utiliza una funcién de costos variables. Ver subseccién 2.3. 22 Planteamiento del problema determinar el valor presente neto pa ‘A contimuacién se plantean las variables y ecuaciones necesarias para identificar los procesos estocasticos que se deben simular con, el fin de llegar al objetivo planteado. Se busca el valor presente neto del proyecto: Cr(0) (ary r tot a v oy) donde: ‘Valor presente neto del proyecto (en pesos). 1, Inversi6n inicial Tasa de descuento (costo de oportunidad). 1: tiempo, con resolucién anual T= Vida del proyecto. C,-(0 Flujo de caja neto en el aio ¢ (en pesos). Se supone que la inversién inicial es conocida y deterministica. Se toma como dato de referencia el proyecto de 20 MW registrado en [6]. El fujo de caja neto en el aito res C= U0) -C(MA-T)+ DT, 2) donde: I= Ingresos del proyecto en el allo t (en pesos). C_(#)= Costos totales del proyecto en el afio t (en esos). T= Tasa impositiva. D> Depreciacién. Los ingresos del proyecto son aquellos provenientes de la venta de energia en bolsa. Por Jo tanto, puesto que el precio de bolsa cambia de forma horaria, los ingresos por generacién en el ailo 7 son: 360-04 1) = Y Poh) x E(A) mi @) donde: P, (= Precio al que se remunera la energia generada por la planta edlica en la hora h. E(i)= Energia generada por la planta edlica durante el intervalo [/, + 1). i= Tiempo en resolucién horaria. Como se observa, por consideran aflos de 360 dias simplicidad, se Las variables estocésticas corresponden a:‘Tomas Valencia et. al Precio de la Energia. En el ejercicio se considera que la planta no recibe cargo por confiabilidad. Por lo tanto, del precio de bolsa se le descontara el Costo Real Equivalente de la Energia para el Cargo por Confiabilidad, (CERE). Igualmente, se le debe descontar Ia tasa del Fondo de Apoyo a las Zonas No Interconectadas, (F4ZND). Es decir, se tiene PAQ= PA) —Coanalt) FO) (A) donde: P,{2): Precio de la energia en bolsa en el tiempo 1. Ceape (t): Valor del costo equivalente real de la energia para el cargo por confiabilidad (CERE). F(t): Valor de la tasa para el fondo de apoyo para Jas zonas no interconectadas (FAZN7) Lavariable de interés para laplantaes realmente Pz, 00 P,, Por lo tanto, se plantea que P,(t) es una secuencia estocdstica, cuyo comportamiento se proyectara en las simulaciones de Monte Carlo que se realicen Generacion de Energia. La energia generada por la planta durante una hora ji depende de ta curva de generacién f(r) de los aerogeneradores, y del viento (ht) que sople durante esa hora. En general, la energia £(¢) generada durante un intervalo [1+A¢] es: a eW=15 [food 6) El factor 15 delante de la integral, se debe a que se considera una granja conformada por 15 aerogeneradores idénticos. También se realiza la simplificacién de que no hay fallas en los aerogeneradores, y que todos reciben el mismo Viento. La curva f,(v) de cada aerogenerador es Ja de la Figura 1 Considerando que el viento es constante durante intervalos de diez minutos, como sugiere el procedimiento para cilculo de Ia ENFICC aprobado por Ia Comisién de Regulacién de Energia y Gas en Colombia (CREG) [5], se puede aproximar la energia E(h) de la hora h (6) 1s EL segundo proceso estocéstico de interés, como era de esperarse, es por lo tanto la velocidad del viento v(m), expresads aqui con resolucién de diez minutos. ‘Cura potencav vlad vin del serogenrador / Potercia \eccladven m) Figura 1. Curva de generacion de los aerogeneradores ‘considerados en la granja [13] Costos. Para simplificar el problema, se considera que no hay costos variables; es decir, costos dependientes de la energia generada. Esta no es una aproximacién demasiado irreal, dado que Jn fuente de energia primaria de estas plantas es gratuita, Con base en lo expuesto en [7], se plantea que los costos fijos varian allo a afio, siguiendo una caminata aleatoria geométrica: Cr(t+ 1) =Cr(t\(1 +4 (H,0)) a Se toma = 0, 0025 de acuerdo con [6], yo 0, 001 de acuerdo con [7]. Este es, entonces, el tercer proceso estocastico tenido en cuenta en este ejercicio. Recapitulando, es entonces necesario simular tres procesos estocisticos en este ejercicio: el precio neto de la energia P, (h), la velocidad del viento vim), y los costos fijos C,(A). 2.3 Planteamiento del problema para determinar el costo de incertidumbre de operacion, Los sistemas de energia eléctrica que incorporan fuentes de energia eélica, deben hacer frente a la incertidumbre sobre la disponibilidad de potencia instantanea inyectada, Esto crea costos de incertidumbre en la operacién del sistema a considerar en los modelos estocasticos de despacho econémico cuando la penetracién de estos istemas es bastante alta, En esta subseccién se calculan férmulas ana liticas de costos de‘Tomas Valencia et.al penalizacién de incertidumbre para la energia e6lica, a través de una formulacién matemética del valor esperado de este costo. Con el fin de obtener las funciones de costo de ineertidumbre propuestas, se consideran las funciones de distribucién de probabilidad de las fuentes primaries ce energia, en este caso la velocidad det viento. La formulacién analitica se puede verificar a través de simulaciones de Monte Carlo. Dada la incertidumbre mencionada, el despacho econdmiico de los sistemas de energia que integran estas fuentes de energia debe incluir tun término en el modelo de costo capaz de considerarla. Este término esté compuesto de dos partes ((1). [2], (3)): + Costo de penalizaciéndebidoa la subestimacién (CF, 7,.)): costo en el modelo, de- bido a que la solucién del despacho econémico programa una cantidad de potencia en un gene- rador edlico menor que la potencia disponible en la fuente, En este caso, es una penalizacion por no usar toda la potencia disponible. En tér- ‘minos de potencia, la condicién subestimada es dada por: Wi> 10") pesos, que afectan la media de todas las secuencias. Aqui se podria pensar en eliminar aquellas secuencias en Jas que el precio alcance una cantidad irrazonable. Esto, sin embargo, plantearia la dificultad de decidir cnénto es un valor razonable, y daria un claro sesgo a las proyecciones obtenidas. S6lo con la secuencia Gaussiana se obtiene un injimero sensato sin necesidad de intervenir sobre los resultados. Por este motivo, para el anélisis, posterior, se usan las secuencias de precios obtenidas con el método Gaussiano. 4.2 Velocidad de vientos Se proyectan series de vientos futuros para el periodo de vida del proyecto, dela maneradescrita a contimuacién. Para cada afio, se proyecta una serie de 30 = 24 » 10 datos, con cada una de las funciones de densidad de probabilidad halladas a partir de los datos del atlas de vientos. Es decir, se generan datos con resohucién cada diez minutos para cada mes con la PDF correspondiente y de forma independiente, suponiendo meses de 30 dias. Es de observar que la serie media obtenida presenta saltos, 0 escalones, Esto se podria imterpretar como un cambio abrupto del viento de un dia para‘Tomas Valencia et. al Resolucion horaria x(t) Resolucion diaria og T5e-02 v= 2.660+00 Figura 4. Histograma de X (),y comparacién con distribuci6a t-location-scale. otto, 10 cual parece poco verosimil. Los datos obtenidos del atlas, es decir, medias alejadasenmeses consecutivos, con desviaciones estindar pequefias, explican este comportamiento. Haria falta una serie de datos de vientos durante un periodo prolongado para obtener sutficiente informacién para poseer un ‘modelo estocéstico que describa mejor la dinémica de vientos en la region. Esta serie de velocidades del viento corresponde a vientos en superficie, Para obtener Jas velocidades 60 m, se multiplican por dos. Esta es otra aproximacién que podria reconsiderarse para conseguir datos mis cercanos a la realidad 4.3 Generacion de energia A partir de las secuencias de datos generadas de velocidad de viento, se obtienen series de 0.02 ' 0010001800 158 2480S Figura $, Autocovasianza dela sevie X (0). datos de energia generada en cada intervalo de diez minutos, calculando f(v(m)). Sumando estos resultados por cada afio, se obtiene una muestra significativa de (y), energia generada en un allo yuna curva de probabilidad acumulada A partir de esta curva, se puede obtener la energia en firme para el cargo por confiabilidad que podria tener esta planta, La ENFICC base es Ia energia tal, que P[E(y) > ENFICC,,.] 1. La ENFICC con 95 % de probabilidad de ser superada es tal que P[E(y) » ENFICC,..,] =0, 95. Leyendo en la curva, se descubre entonces que: + ENFICC,,.,= 108050MWh + ENFICC9,,,= 108200MIh Autocovarianza C,(*) 000 -2500~—~3000—~3800—~4000 Autocovarianza C, (7), primeros 180 valores 700 120~«1a0~=«T60~SCBO‘Tomas Valencia et.al 4.4 Costos de incertidumbre. Comparacién método analitico con simulacién de Monte Carlo En esia subseccién se presenta la formulacién ‘matematica (proveniente del desarrollo detallado en [4]) de las dos condiciones definidas en la subseccién 2.3. Adicionalmente, se presenta la simulacién de Monte Carlo realizada para validar Ja formulacién. cin matemdtica en Ia condicién nada. Se supone una funcién lineal para calcular el costo de penalizacién debido a la subestimacién [1], [2], no obstante se puede seleccionar otro tipo de funciones dependiendo la metodologia de operacién del sistema: CW W)= 6 ,-W.) 3) donde: ¢,, 88 el coeficiente de costo de penalizacién debido a la subestimacién, Enero Febreve C,{0F., 8 la fancién de costo debido a la subestimacién. De esta manera, el costo de penalizacién esperado debido a la subestimacién esta dado por: Wey ElCai(Woe.Waxd] =f eei(Moe wi, fv Ways) dWari Wau) (16) donde’ EIC, (OV, ,W,,.)]€s el valor esperado del costo debido a la subestimacién, fy, (W,,,) e8 la distribucion de probabilidad de la fuente primaria, en este caso la velocidad del viento, 1, e8 la maxima salida de potencia del generador eélico i. oni “varie oe Figura 6. PDF de velocidad del viento en cada mes. Formulacién matematica en Ia condicin sobrestimada, Se supone una funcidn lineal para calcular el costo de penalizacién debido a la sobrestimacién [1], [2], no obstante se puede seleccionar otro tipo de funciones dependiendo la metodologia de operacién del sistema [1], [2] CTF Mane) = Col Wez Wand) (yy donde: c,,€8 el coeficiente de costo de penalizacién debido a la sobrestimacién, C, IF. ,W,) e8 la fancién de costo debido a la sobrestimacién, De esta manera, el costo de penalizacién esperado debido a la sobrestimacién esta dado por:‘Tomas Valencia et. al nT) Figura 7. Proyeccion del comportamiento del precio neto de la enereia P, {Location Seale 700. Tempo (las) Gaussiana ‘0030009 S00 200 es la minima salida de potencia del El desarrollo analitico de dichas integrales se presenta en. detalle en [4]. Los datos para aplicar esta formulacién al problema bajo estudio se Mis ElCo (Wa Wor)] =f oulWy—Wo) r, Wane (18) generador edlico i. fiw (War) Wars donde: EC, (7,1, )] es el valor esperado del costo esemanen tabla t debido a la subestimacién, fe (WW) €8 la distribucién de probabilidad de la fuente primaria, en este caso la velocidad del viento, Con los parimettos dichos en la tabla 1 y utilizando las expresiones matemiticas (19) ¥ (20) de [4] es posible obtener el costo de incertidumbre de operacién del parque edlico de ‘manera analitica sumando las ecuaciones dichas. Tabla 1. Datos para calcula el costo de incertidurnbre Inputs ‘Symbol Parameter ‘Value Wisi Poteneia programada en el generador i [MW] depend del despacho vs ‘Velocidad de corte de entrada [in/s] 5 » ‘Velocidad del viento nominal [rvs] 15 0 ‘Velocidad de corte de salida [m/s] 2s ca Potencia nomial [MW] 20 p Constante lineal de a curva potencia vs velocidad [Wis] 2 « ‘Constante independiente de la curva potencia vs velocidad [MW] 10 ° Parimetro de escala de la distibucién Weibull [mis] depend del valor mes a mes Cunt Coeficiente de costo de penalizacién debido a la subestimacién [SMW] 30 ©w.0.1 Coeficiente de costo de penalizacién debido a la sobrestimacién [SMW] 70 x ‘Niimero de iteraciones para la simulacién de Monte Carlo 1000000 160‘Tomas Valencia et.al Vinpaters( aa ELCs (Mog, Mog)] = ( mers EX — yee? A Figg) tani Mie ) 2 + SR EW, Way a9) ElCrosAMan el] ~ Ona Ment (lS 468 eWay Parenei0t Wrest ® (oe ) Simulacién de Monte Carlo Los principales pasos utilizados para realizar ta simulacién son Jos siguientes: 1. Se fija un valor de potencia que representa la potencia del generador edlico i programada por el modelo de despacho econdmico (IF... Se genera un escenario de Monte Carlo a través de un valor aleatorio de velocidad del viento generado para el generador # (v) de acuerdo con Ja distribucién de probabilidad Weibull Dada la velocidad del punto anterior v, se de- termina el valor de la potencia disponible 0 generada (IV, ), utilizando la curva de poten- cia versus velocidad. En este escenario de Monte Carlo se evaliia el costo: si 7, < 17, entonces se utiliza la ecuacién de la condicién subestimada (15), y si, < 1, entonces se utiliza la ecuacién de la condicién sobrestimada (17). Los pasos del 2 al 4 se repiten cierto niimero de veces (N) Se obtiene un histograma de los costos donde se consideran todos los escenarios de Monte Carlo. Secalculaelvaloresperadodelcostoacunmulado total, esta cantidad es el valor esperado de la funeidn de costo de incertidumbre, La simulacién de Monte Carlo cuando se toma el segundo mes del ailo y se supone que la potencia programada en el genereador es 10 MW da los histogramas mostrados en las figuras 8 y 9. 161 El valor esperado del histograma del costo de in-certidumbre es $ 394,1383, y el valor esperado utilizando las formulas analiticas es $ 394,1124, es decir que el error es 0,0066 %. Este mismo tipo de simulaciones de Monte Carlo se puede hacer para cada mes del aito y los diferentes valores posibles de despacho, RESULTADOS Y DISCUSION El objetivo principal que se habia considerado para el proyecto propuesto, era estimar la funcién de densidad de probabilidad del valor presente neto del proyecto. Asi pues, apoyndonos en las proyecciones de energia elécirica generada, precio de remuneracién de la energia en la bolsa y costos (como ya se Vio son procesos estocasticas), es posible caicular cual seria la rentabilidad del proyecto, para lo cual en primera medida se han de calcular los ingresos anuales por concepto de venta de energia en la bolsa sot Histogramas ee ocean dort ‘oe din a ‘Figura 8, Histogramas para la velocidad del viento, costos por subestimar y sobrestimar A partir de las series proyectadas de precio neto de energia P,(1) y las series calculadas de energia generada (7), se pueden calcular los ingresos anuales del proyecto como: ue a0 Led) xed) 21) A donde: P, (d)= Precio al que se renunera la energia generada por la planta eélica en el dia d. E(d)= Energia generada por la planta eética Gurante el intervalo [dd 1).‘Tomas Valencia et. al iempo en resolucién diaria La energia B(d) se obtiene sumando tas energias B(m), de los intervalos de diez minutos para cada dia. Después de determinar los ingresos anuales, se procede a calcular cual seria el valor presente neto del proyecto, de la siguiente manera: Se busca el valor presente neto F del proyecto: asa Histograma ‘Costa de nara (8, Figura 0, Histograma para el costo de incertidumbre 10 v= (1Q) = Cr) = Fe) + DT (try 2) Valor presente neto del proyecto (en pesos). Inversion inicial. Uy) = Ingresos del proyecto en el aiio y (en pesos). C,()}=Costos totales del proyecto en el afio y (en pesos). T, = Tasa impositiva. D_ = Depreciacién. , Tasa de descuento (costo de oportunidad). y Tiempo, con resolucién anual. Los valores de los datos usados para el céleulo del valor presente neto, se mmuestran en la siguiente tabla: 162 Tabla 2. Datos para el célculo del valor presente neto. ‘Parametro r 13% r 15% D o 5.107.610 jones de pesos Tal como se puede apreciar, para el célculo del valor presente neto del proyecto, se trae a valor presente el flujo de caja neto, y anual del proyecto, Y¥ se stiman todos esos valores. De esta manera, la rentabilidad del proyecto estar garantizada en la medida que la suma de los finjos de caja netos, Y anuales en valor presente sean mayores que Ia inversién inicial del proyecto: en caso contratio, el proyecto no seria viable. Para mirar de manera més grifica los resultados de valor presente neto del proyecto para las condiciones de simulacién establecidas, y acogiendo los procesos estocisticos que epresentan cada variable que interviene en el proyecto, se muestra el histograma y la probabilidad acumulada del valor presente neto, Las grifieas mostradas permiten determinar el comportamiento del valor presente neto, y asimismo, poder determinar 1a probabilidad de la rentabilidad del proyecto, de tal manera que esto permita tomar una decision al respecto de proceder a la ejecucién real del mismo. Se enconttd que la probabilidad de que el proyecto sea viable, corresponde a: P[Y> 0] = 0, 7. Ademés se encontré que el valor esperado de la potencia en firme para el cargo por confiabilidad es: ENFICC,,., = 108,050MIh y ENFICC,,4,= 108,200MIi. Los valores de ENFICC hallados, parecen ser demasiado altos. En efecto, corresponden a un factor de planta de mas de 60 %. El factor de planta real de Jepirachi es del orden de 39 % [13], por lo que el valor hallado parece inverosimil AL observar la serie de vientos de la Figura 22, se pereibe que existen escalones, lo que spone un comportamiento poco realista. Este comportamiento es consecuencia de las medias distintas, y bajas desviaciones esténdar obtenidas del atlas de vientos y energia edlica, Por lo tanto, se podria esperar un resultado mejor con una serie‘Tomas Valencia et.al histérica de vientos, en Ingar de s6lo restimenes estadisticos como los que da el atlas. Igualmente, esto podria ser producto de una simplificacién excesiva de la relacidn entre velocidad a 60 m y velocidad en superficie. Finalmente, se presentan los resultados de la variacién del costo de incertidumbre con respecto a todas los posibles valores de despacho de la planta e6lica (Figura 11) para el mes de enero. CONCLUSIONES En este articulo se obtuvo una estimacién de la funcién de densidad de probabilidad (histograma) del valor presente neto, del proyecto hipotético de un parque edlico en el Cabo de la Vela; con este, se pudo calcular la probabilidad de que un proyecto de esta naturaleza sea atractivo. Por otto lado, se estimé la ENFICC base y del 95 % que ‘una planta como esta podria tener. Para cumplir con ambos objetivos, se realizaron simulaciones de Monte Carlo para las cuales fue necesario analizar series histéricas del precio de energia en bolsa, y datos estadisticos de vientos en el Ingar. Es posible identificar posibles fuentes de error en la medida, como por ejemplo, la calidad de Ia informacién estadistica de vientos usada para proyectar los ingresos del proyecto. Por iiltimo, se identified que este tema de estudio tiene numerosas posibilidades, teniendo en Probabldad Acumulads cuenta todas las medidas de simplificacién que se hicieron para este articulo. Como se ha mencionado a lo largo de documento, el proyecto se desarrolla enmarcado en unas suposiciones y simplificaciones, de manera que se facilite un poco el estudio y célculo de Ins diferentes varia- bles. Entre los futuros desarrollos, y objetos de investigacién en la Universidad Nacional, seria interesante estudiar algunas consideraciones no contempladas aqui, como: {Qué pasa si hay contratos?, {Qué tanto ayuda Ia depreciacién (Ley 1715, de fomento a las energias renovables)?, {Qué pasa al considerar ingresos por Cargo por Confiabilidad?, consideracién de techo al precio de bolsa: precio de escasez, mejores series de vientos, considerar fallas en los aerogeneradores, s6lo considerar tiempo de hidrologia critica en calculo de la ENFICC, Finalmente, wna aplicacién del resultado obtenido en esta investigacién es la posibilidad de considerar Ia regresién cuacritica del costo de incertidumbre de Ia planta eélics en los diferentes meses como elemento a considerar en el despacho econémico cuando Ia planta se encuentra en tna microred. Esto podra ser posible e el escenario que la planta eélica funcione conjuntamente con sistemas de almacenamiento de energia, y que la tecnologia de control sea capaz de garantizar cierto valor de pontencia inyectada por dicho sistema hibrido. ‘slo Prasente Noto del Proyecto el VEN . its ce aonse oa Pesor Figura 10. Histograma y Probabilidad Acumulada del Valor Presente Neto. 163‘Tomas Valencia et. al costo De NCERTOUNERE ono de hemo) Foe Popa Figura 11. Costos de indertidubre y regresién cuadrtica REFERENCIAS a B) J. Hever, D. Yu and K, Bhattarai, rn economic dispatch model incorporating wind power, IEE Transactions on Energy Conversion, 23(2), 603-611 (2008) J. Zhao, F. Wen, Z. Dong, ¥. Xue and K. Wong, Optimal dispatch of electric vehicles and wind power using enhanced particle swarm optimization, IEEE Transactions on Industrial Informatics, 8(4), 889-899 (2012) S. Surender, P. Bijwe and A. Abhyankar Real-time economic dispatch considering renewable power generation variability and uncertainty over scheduling period, EEE ‘Systems Journal, 9(4), 1440-1451 (2015) J. Arévalo, F. Santos and $. 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 Joumal of Power and Energy Conversion, in print. Comisién de Regulacién de Energia y Gas, Resolucién 061 de 2015, por la cual se modifica la metodologia para determinar la energia firme de plantas edlicas, 8 de mayo de 2015. Unidad de Planeacién Minero Energética, Registro de Proyectos de Generacién, Octubre de 2016. 164 m7 [0] (4) Irina Khindanova, 4 Monte Carlo Model of a Wind Power Generation Investment, Joumal of Applied Business and Economics vol. 15, 2013. Roy Yates, David Goodman, Probability and Stochastic Processes: A Friendly Introduetion for Electrical and Computer Engineers, Wiley, 2004. 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 (EURO- CON), 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-power-program.com/ wind_statistics. htm 2013, Unidad de Planeacién Minero Energética, Atlas de Vientos y Energia Eélica, 2016. ‘Alvaro Pinilla, Luis Rodriguez, Rodrigo Trujillo, Performance Evaluation of Jepirachi Wind Park, Renewable Energy, 2008