Recibido: 10 noviembre 2022
Aceptado: 15 marzo 2023
Disponible: 22 marzo 2023
En años recientes, ha incrementado la implementación y el estudio de microrredes (MR). Su dimensionamiento depende de los datos de entrada (ej., demanda, microclima, costos y restricciones), por lo que la variación de uno o más de estos pueden modificar la solución óptima de la MR y su operación esperada. Tal variación se presenta debido al contexto económico, tecnológico o climático, por lo que, se propuso hacer un análisis de sensibilidad que caracterice su impacto. Con el fin de aportar en la aplicación del análisis de sensibilidad en proyectos de MR, el objetivo de este trabajo consistió en estudiar el impacto de siete variables de sensibilidad (irradiación solar, velocidad del viento, temperatura ambiente, estado de carga mínimo del banco de baterías, precio del combustible, tasa de descuento y tasa de inflación) sobre el dimensionamiento e indicadores económicos y operativos de una MR aislada para usuarios residenciales en un municipio rural de Colombia. El análisis se realizó a partir del uso de la herramienta HOMER Pro, siendo los principales indicadores analizados: costo presente neto, costo de energía, costo de capital, costo de operación y fracción renovable. Los resultados permitieron identificar que las variables más influyentes para el caso de estudio son: precio del combustible, tasa de inflación, tasa de descuento e irradiación solar; asimismo, apreció la utilidad de HOMER Pro para este tipo de análisis y la conveniencia de la representación gráfica para estudiar el impacto de las variables de sensibilidad. En conclusión, la variación de los datos de entrada influye en la factibilidad de resultados, como por ejemplo, el costo presente neto disminuye con el aumento del precio del combustible, la temperatura ambiente o la tasa de inflación, mientras que aumenta con la reducción del estado de carga mínimo, la irradiación solar o la tasa de descuento.
Palabras clave: Análisis de sensibilidad, HOMER Pro, indicadores económicos, indicadores técnicos, microrred aislada, procedimiento de dimensionamiento.
In recent years, the implementation and study of microgrids (MG) has increased. Their sizing depends on the input data (e.g., demand, microclimate, costs, and constraints), so that the variation of one or more of these can modify the optimal solution of the MG and its expected operation. Such variation occurs due to the economic, technological, or climatic context, so a sensitivity analysis was proposed to characterize its impact. In order to contribute to the application of sensitivity analysis in MG projects, the objective of this work was to study the impact of seven sensitivity variables (solar irradiation, wind speed, ambient temperature, minimum state of charge of the battery bank, fuel price, discount rate and inflation rate) on the sizing and economic and operational indicators of an isolated MG for residential users in a rural municipality of Colombia. The analysis was carried out using the HOMER Pro tool, and the main indicators analyzed were net present cost, energy cost, capital cost, operating cost and renewable fraction. The results allowed identifying that the most influential variables for the case study are fuel price, inflation rate, discount rate and solar irradiation; likewise, it appreciated the usefulness of HOMER Pro for this type of analysis and the convenience of the graphic representation to study the impact of the sensitivity variables. In addition, the variation of the input data influences the feasibility of results, as, for example, the net present cost decreases with increasing fuel price, ambient temperature, or inflation rate, while it increases with decreasing minimum state of charge, solar irradiance, or discount rate.
Keywords: Sensitivity analysis; HOMER Pro; economic indicators; technical indicators; stand-alone microgrid; sizing procedure.
Una microrred (MR) es un grupo interconectado de cargas y recursos energéticos (p.ej., generación fotovoltaica, generación eólica y grupos electrógenos) con límites eléctricos claramente definidos y que busca actuar como una unidad. Puede ser aislada o conectada a la red; esta última también puede operar en modo isla al contar con almacenamiento de energía [
En los últimos años, el estudio y la implementación de MR han incrementado tanto por la promoción de la generación renovable como por la búsqueda del mejoramiento de la confiabilidad en redes eléctricas y la accesibilidad a la energía eléctrica [
El diseño y análisis de estos sistemas comprende desafíos asociados a la intermitencia de algunas fuentes de generación (p.ej., generador fotovoltaico o turbinas eólicas), la cantidad de soluciones factibles y su viabilidad técnico-financiera, entre otros [
Éste determina la solución de dimensionamiento de la MR a partir de un proceso de optimización que busca el menor costo presente neto (CPN). A continuación, se relacionan algunos estudios que emplearon este software.
En [
En [
HOMER Pro permite inferir sobre la viabilidad técnica-financiera de una MR a partir de la simulación de su operación y la cuantificación de indicadores financieros y operativos [
La Tabla 1, relaciona indicadores empleados en el dimensionamiento de MR en diversos casos. Los indicadores operativos típicamente usados son fracción renovable (FR), emisiones de CO2 (ECO2) y carga insatisfecha (Lun); este último indica la cantidad de energía no suministrada en un periodo de tiempo. Por su parte, el análisis financiero se basa principalmente en los siguientes indicadores: costo de energía – COE (cost of energy), CPN, costo de capital (Cca) y costo de operación (Cop), siendo COE (85 %) y CPN (85 %) los más utilizados.
Ref. | Año | País | Indicadores operativos | Indicadores financieros | ||||||
FR | ECO2 | Lun | COE | CPN | Cca | Cop | ||||
[ |
2022 | Arabia Saudita | √ | |||||||
[ |
2021 | √ | √ | √ | √ | |||||
[ |
2021 | √ | √ | √ | √ | |||||
[ |
2022 | Reino Unido | √ | √ | ||||||
[ |
2022 | √ | √ | √ | ||||||
[ |
2022 | Ecuador | √ | √ | √ | √ | √ | |||
[ |
2022 | Suecia | √ | √ | ||||||
[ |
2022 | Alemania | √ | |||||||
[ |
2022 | Bangladés | √ | √ | √ | |||||
[ |
2021 | √ | √ | √ | ||||||
[ |
2022 | Qatar | √ | √ | ||||||
[ |
2022 | Egipto | √ | √ | √ | |||||
[ |
2021 | Nigeria | √ | √ | √ | √ | √ | |||
[ |
2021 | Nueva Zelanda | √ | √ | √ | √ | √ | √ | ||
[ |
2020 | Emiratos Árabes Unidos | √ | √ | √ | √ | √ | |||
[ |
2020 | √ | √ | √ | √ | |||||
[ |
2020 | Colombia | √ | √ | √ | √ | ||||
[ |
2020 | √ | √ | |||||||
[ |
2018 | √ | √ | √ | √ | √ | √ | |||
[ |
2018 | √ | √ | |||||||
Representatividad | 45% | 25% | 10% | 85% | 85% | 55% | 50% | |||
Para el caso colombiano, algunos trabajos estudian el dimensionamiento de MR. Barrozo et al. [
Además de trabajos de dimensionamiento de MR, la literatura también expone la importancia del análisis de sensibilidad como herramienta para estudiar el impacto de la variación de datos de entrada sobre las capacidades de los componentes y la viabilidad técnico-financiera de una MR [
La realización de un análisis de sensibilidad es uno de los mayores atractivos de HOMER Pro, el cual permite considerar simultáneamente diversos valores de tasa de descuento, tasa de inflación, tiempo de vida, fracción renovable, demanda promedio diaria y precio del combustible, entre otros [
La Tabla 2, relaciona variables de entrada e indicadores empleados en diversos análisis de sensibilidad. Se aprecia que las variables de entrada tienden a tomar entre 2 y 8 valores, siendo la irradiación solar (54 %) y la velocidad del viento (46 %) las más usadas, seguidas por el precio de combustible (31 %) y la demanda (31 %).
Ref. año | País | Variable de entrada (# de valores) | Indicadores | ||||||||||||||||||||||
PC | PE | H | TE | CFV | CGE | TM | VV | PTE | PB | TI | TF | DB | FR | D | COE | CPN | Cca | Cop | FR | Lun | |||||
[ |
Kenia | 3 | 2 | 2 | √ | √ | |||||||||||||||||||
[ |
Arabia Saudita | 2 | 3 | √ | √ | √ | √ | √ | |||||||||||||||||
[ |
India | 3 | 3 | 4 | √ | √ | |||||||||||||||||||
[ |
6 | 6 | √ | √ | |||||||||||||||||||||
[39] | 2021 | 8 | 8 | 8 | 8 | √ | √ | ||||||||||||||||||
[ |
6 | 5 | 6 | √ | √ | √ | √ | √ | √ | ||||||||||||||||
[ |
Nueva Zelanda | 2 | 4 | √ | √ | √ | √ | √ | |||||||||||||||||
[ |
China | 5 | 5 | √ | √ | ||||||||||||||||||||
[ |
Colombia | 4 | 6 | 5 | √ | √ | √ | ||||||||||||||||||
[ |
2020 | Irán | 3 | 2 | 3 | √ | √ | √ | √ | ||||||||||||||||
[ |
2019 | Nigeria | 5 | 5 | 5 | 5 | √ | √ | √ | √ | |||||||||||||||
[ |
Reino Unido | 5 | 7 | √ | √ | ||||||||||||||||||||
[ |
Grecia | 3 | 4 | √ | √ | ||||||||||||||||||||
Representatividad | 31% | 8% | 54% | 15% | 8% | 8% | 8% | 46% | 8% | 15% | 8% | 8% | 15% | 8% | 31% | 77% | 92% | 46% | 31% | 46% | 31% | ||||
Los indicadores financieros más empleados en los trabajos revisados sobre análisis de sensibilidad son CPN (92 %) y COE (77 %). Note que la FR puede ser tanto una variable de entrada (restricción) para fijar la mínima participación de generación renovable como un indicador operativo que caracteriza a la solución óptima.
Con el fin de contribuir a la aplicación del análisis de sensibilidad, este trabajo presenta el dimensionamiento de una MR y la caracterización del impacto de siete variables sobre indicadores de viabilidad técnico-financiera. Para ello, se establece la solución óptima de dimensionamiento de una MR aislada a partir de HOMER Pro, la cual busca atender la demanda energética de usuarios ubicados en una zona no interconectada (ZNI) cercana al municipio de Sipí (Chocó, Colombia). Las variables de sensibilidad son irradiación solar, velocidad del viento, temperatura ambiente, precio del combustible, estado mínimo de carga de las baterías, tasa de inflación y tasa de descuento, cuyo impacto de variación es caracterizado numérica y gráficamente a partir de indicadores financieros (p.ej., CPN, COE, Cca y Cop) e indicadores operativos (p.ej., FR y Lun) de la MR usando mayormente las funcionales de HOMER Pro para análisis de sensibilidad.
El estudio pretende conocer el impacto de la variación de ciertas variables de entrada sobre indicadores técnicos y financieros. La variabilidad de condiciones micro climáticas puede ocasionar inquietudes sobre las capacidades óptimas de la MR y su operación estimada [
El estudio realizado contribuye a la divulgación del análisis de sensibilidad como herramienta de toma de decisiones en proyectos de MR. Específicamente, se destacan cuatro aspectos; primero, la presentación gráfica del impacto de variables de sensibilidad (7) sobre indicadores técnicos (4) y operativos (9) para facilitar la identificación de tendencias y nivel de afectación; segundo, el uso de HOMER Pro como herramienta de dimensionamiento y análisis de sensibilidad; tercero, la identificación de la existencia de correlaciones entre variables de sensibilidad e indicadores; cuarto, la cuantificación de decrementos o incrementos en indicadores por unidad de la variable de sensibilidad, con el fin de determinar el nivel de influencia (1 a 4) de cada una de éstas.
Además, se considera que este trabajo es de interés para el entorno colombiano dado que existen un marco legal soportado en las leyes 1715 de 2014 [
Esta sección presenta el caso de estudio que incluye el perfil de carga y los recursos energéticos característicos del lugar (Sección 2.1), consideraciones técnicas y financieras para el dimensionamiento de la MR (Sección 2.2), consideraciones para la simulación con HOMER Pro (Sección 2.3) y, finalmente, las variables de sensibilidad y los valores definidos para el estudio (Sección 2.4), tal como muestra la Figura 1.
Note que HOMER Pro es una herramienta ampliamente utilizada en diversas publicaciones científicas. En este caso de estudio, HOMER Pro se utilizó para realizar el dimensionamiento de la MR y obtener resultados numéricos (indicadores) y gráficos (de sistema óptimo y de superficie) para los diversos valores de las variables de sensibilidad.
Posteriormente, los datos resultantes fueron analizados en Microsoft Excel, lo que permitió construir curvas normalizadas para caracterizar la influencia de las variables de sensibilidad, establecer la existencia de correlaciones entre variables de sensibilidad e indicadores usando el coeficiente R2 y cuantificar los decrementos o incrementos en indicadores por unidad de la variable de sensibilidad a fin de determinar el nivel de influencia (1 a 4) de cada una de éstas.
2.1 Caso de estudio
Este trabajo considera un conjunto de usuarios residenciales rurales ubicados cerca al municipio de Sipí (4.653°N, 76.645°W) a 332 msnm, lugar que corresponde a una zona del departamento de Chocó (Colombia) con limitaciones para el acceso al servicio de energía eléctrica. La Figura 2 muestra los perfiles de carga diario y anual considerado para una demanda promedio de 50 kWh/día (1500 kWh/mes o 18250 kWh/año), alcanzando un valor horario promedio y máximo de 2.08 y 9.28 kW durante el año, respectivamente.
Según NASA Prediction of Worldwide Energy Resource database, Sipí presenta valores promedio de irradiación solar, temperatura ambiente y velocidad del aire de 3.94 kWh/m2∙día, 23 °C y 2.48 m/s, respectivamente. La Figura 3 presenta información sobre la irradiación solar y la velocidad del viento.
2.2 Consideraciones técnicas y financieras para el dimensionamiento de la MR
La Figura 4 muestra el esquema de la MR considerada para este caso, la cual está conformada por un generador FV, turbinas eólicas, un sistema de almacenamiento (baterías), un grupo electrógeno y un convertidor. La Tabla 3 relaciona los parámetros generales del proyecto y la Tabla 4 presenta los costos de los componentes (capital, reemplazo y operación y mantenimiento) y su vida útil.
Componentes | Capital ($) | Remplazo ($) | O&M ($/año) | Vida útil |
Generador fotovoltaico | 1 210/kW | 1 210/kW | 15/kW | 25 años |
Unidad de almacenamiento | 300/kWh | 300/kWh | 3.75/kWh | 10 años |
Convertidor | 590/kW | 590/kW | 10/kW | 15 años |
Generador diésel | 340/kW | 340/kW | 10.95/kW | 15 000 horas |
Turbina eólica | 1500/kW | 1500/kW | 190/kW | 20 años |
El generador FV seleccionado en HOMER Pro es tipo Generic flat plate PV. La potencia de salida del generador FV es determinada por (1), donde YPV es la capacidad nominal del generador FV, fPV es el factor de reducción de potencia, GT es la irradiancia solar incidente, GT,STC es la irradiancia incidente en condiciones de prueba estándar, αp es el coeficiente de temperatura de potencia, Tc es la temperatura del panel FV y Tc,STC es la temperatura del panel FV en condiciones de prueba estándar.
2.2.2 Modelo de turbina eólica
La potencia de salida de la turbina eólica está relacionada con la velocidad del aire como lo indica la Figura 5a. La turbina tiene una capacidad nominal de 10 kW y una vida útil de 20 años.
2.2.3 Modelo del generador diésel
El tipo de grupo electrógeno seleccionado en HOMER Pro es Autosize Genset, el cual se dimensiona automáticamente para satisfacer la demanda. La Figura 5.b presenta el comportamiento de la tasa de consumo de combustible y la eficiencia de conversión como funciones de la potencia de salida considerando un valor nominal de 11 kW. El consumo de combustible está dado por (2), donde F0 es coeficiente de intercepción de la curva de combustible, Ygen es la capacidad nominal del generador (kW), F1 es la pendiente de la curva de combustible Pgen es la salida de potencia eléctrica del generador (kW).
2.2.4 Modelo del banco de baterías
La batería considerada para el estudio es de plomo ácido y tiene una capacidad de 2.40 kWh (12 V, 200 Ah) y SOC mínimo de 30 %. HOMER Pro determina las potencias de carga y descarga de las baterías mediante (3) y (4), respectivamente, donde Q1 es la energía disponible en el almacenamiento al comienzo del paso de tiempo, Q es la cantidad total de energía al comienzo del paso del tiempo, c es la relación de capacidad de almacenamiento, k es la constante de velocidad de almacenamiento, ∆t es la duración de paso de tiempo y, finalmente, Qmax es la capacidad total de almacenamiento.
2.2.5 Indicadores técnicos y financieros
Los indicadores financieros permiten establecer los costos del proyecto e inferir sobre la viabilidad financiera. Los indicadores técnicos describen características de la microrred y permiten comprender su desempeño. La Tabla 5 presenta definiciones y expresiones para determinar indicadores considerados en este estudio.
2.3 Simulación
El funcionamiento de HOMER Pro se basa en tres conceptos principales: simulación, optimización y análisis de sensibilidad [
2.4 Análisis de sensibilidad
HOMER Pro permite asignar varios valores a algunos datos de entrada, a las cuales se denominan variables de sensibilidad y se relacionan en la Tabla 6 para este estudio. En el municipio de Sipí, los valores de irradiación solar, velocidad del viento y temperatura ambiente varían de 3.75 a 4.25 kWh/m2día, 2 a 3 m/s y 21 a 25 °C, respectivamente. Los demás valores considerados permiten extrapolar al lector los hallazgos para otros escenarios y lugares de Colombia.
Variable | Valores | Comentario |
Irradiación solar (kWh/m2día) | 3.5, 3.75, 4.0, 4.25, 5.0, | Rango de valores de irradiación solar en Colombia. |
Velocidad del viento (m/s) | 1.0, 2.0, 2.5, 3.0, 4.0 | Rango de valores de velocidad del viento en Colombia. |
Precio del combustible ($/l) | 0.38, 0.51, 0.64, 0.77, 1.02 | Potencial variación del precio de combustible en Colombia |
Estado mínimo de carga de la batería (%) | 30, 40, 50, 60, 70 | Valores posibles usados en dimensionamiento |
Temperatura ambiente (°C) | 15, 21, 23, 25, 30, 35 | Rango de valores de temperaturas ambiente promedio en Colombia |
Tasa de descuento (%) | 8, 9, 10, 11, 12 | Valores representativos para Colombia |
Tasa de inflación (%) | 2, 3, 4, 5, 6 |
El impacto de las variables de sensibilidad es analizado a partir del comportamiento de indicadores financieros y operativos y gráficas de sensibilidad, tal como muestra la Tabla 7.
Variables de entrada | Indicadores financieros | Indicadores operativos | Representación | ||||||||||||||||
CPN | COE | Cca | Cop | FR | Lun | CN | AO | DE | tauto | tlife | PFV | topGE | Num | GTSO | GS | GST | GCN | ||
Irradiación solar | √ | √ | √ | √ | √ | √ | √ | √ | √ | ||||||||||
Velocidad del viento | √ | √ | √ | √ | √ | √ | √ | √ | √ | ||||||||||
Precio del combustible | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | ||||||||
Estado mínimo de carga de la batería | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | |||||||
Temperatura ambiente | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | |||||||
Tasa de descuento | √ | √ | √ | √ | √ | √ | √ | ||||||||||||
Tasa de inflación | √ | √ | √ | √ | √ | √ | √ | ||||||||||||
La solución óptima obtenida con HOMER Pro está conformada por un generador FV con capacidad nominal de 11.4 kWp, tres baterías de 2.40 kWh, un convertidor de 4.04 kW y grupo electrógeno de 11.0 kW. Esta solución se caracteriza financieramente por un COE de $ 0.442/kWh, una generación renovable de 32 % (FR) y una atención del 100 % de la demanda. La Tabla 8 muestra las capacidades nominales de los componentes y los indicadores financieros y operativos de la solución.
Arquitectura | Indicadores financieros | Indicadores operativos | |||||||||||||||
CFV | TE | CGE | Conv | Nbat | CPN | COE | Cca | Cop | FR | Lun | tauto | tlife | topGE | PFV | PGE | ||
kW | Unid | kW | kW | Unid | $ | $/kWh | $ | $/año | % | % | h | año | h/año | kWh/año | kWh/año | ||
11.4 | - | 11.0 | 4.04 | 3 | 104 270 | 0.442 | 21 700 | 1 385 | 32 | - | 2.43 | 1.22 | 3 834 | 12 320 | 12 405 | ||
Esta sección presenta los resultados obtenidos al realizar variaciones en los datos de entrada de variables como precio del combustible (3.1), estado de carga mínimo de la batería (3.2), temperatura ambiente (3.3), recursos energéticos (3.4) y tasas de inflación y descuento (3.5) con respecto a los valores obtenidos de los indicadores operativos y financieros de la solución óptima; note que Lun es 0.0 % en todos los casos. Adicionalmente, presenta un consolidado de la afectación causada por las variables de sensibilidad (3.6).
3.1 Análisis del precio del combustible
La Tabla 9 presenta las características y los costos asociados de la MR obtenidos al variar el precio de combustible con valores de $ 0.38/L, $ 0.51/L, $ 0.64/L, $ 0.77/L y $ 1.02/L. Los resultados muestran que un precio bajo de combustible incrementa el tiempo de uso y energía suministrada por el grupo electrógeno, lo cual implica una menor capacidad del generador FV y del banco de baterías.
Precio del combustible | ||||||
$ 0.38/L | $ 0.51/L | $ 0.64/L | $ 0.77/L | $ 1.02/L | ||
Componentes | CFV (kWp) | 9.7 | 11.4 | 12.6 | 13.7 | 14.1 |
Nbat | 3 | 3 | 3 | 4 | 4 | |
Conv (kW) | 3.69 | 4.04 | 3.99 | 4.47 | 4.57 | |
GE (kW) | 11.0 | |||||
Indicadores | topGE (h/año) | 4 004 | 3 834 | 3 745 | 3 290 | 3 262 |
PGE (kWh/año) | 12 885 | 12 405 | 12 153 | 10 891 | 10 812 | |
CPN ($) | 95 263 | 104 270 | 113 082 | 121 238 | 136 035 | |
COE ($) | 0.404 | 0.442 | 0.479 | 0.514 | 0.577 | |
Cca ($) | 19 448 | 21 700 | 23 189 | 25 342 | 25 342 | |
Cop ($/año) | 1 429 | 1 385 | 1 361 | 1 229 | 1 223 | |
FR (%) | 29.4 | 32 | 33.4 | 40.3 | 40.8 |
El precio del combustible impacta en la viabilidad financiera, ya que su mayor valor incrementa CPN, Cca y FR. Cca aumenta debido al incremento de las capacidades nominales del generador FV y el banco de baterías y, por ende, CPN. Además, topGE disminuye con el aumento del precio del combustible y, en consecuencia, Cop. También cabe resaltar que las soluciones óptimas con cada valor del precio de combustible pueden satisfacer el 100 % de la demanda, por lo que Lun es 0.0 %.
La Figura 7 muestra el despacho de energía de la MR para precios de combustible de $ 0.51/L y $ 1.02/L. Se puede evidenciar el aumento del suministro de energía por parte del generador FV cuando hay incremento del precio del combustible y, por ende, un menor suministro de energía por parte del grupo electrógeno.
El precio del combustible afecta el dimensionamiento y los costos de una MR, ya que su variación ocasiona que pueda decidir si usar el grupo electrógeno un mayor o menor tiempo. Ello está en consonancia con lo indicado por Murty y Kumar [
3.2 Análisis del estado de carga mínimo del banco de baterías
La Figura 8 muestra características de la MR cuando cambia el valor del estado de carga mínimo (SOCmin) de las baterías. Los valores están normalizados con respecto a la solución obtenida para las condiciones del caso de estudio (ver Tabla 7) y son determinados mediante (5), donde vn es el valor normalizado, xT es el valor en función de la variable de sensibilidad y xRef es el valor del caso base.
Al aumentar el SOCmin, la cantidad de energía que puede entregar por descarga y la autonomía es menor, por lo que es necesario el aumento de baterías; en contraste, un aumento del SOCmin ayuda a incrementar la vida útil de la batería.
Para un SOCmin de 40 %, la solución implica un aumento en el número de baterías, de este modo incrementa el tiempo de autonomía y la capacidad de almacenamiento de energía, la cual puede ser aprovechada aumentando la capacidad del generador FV; además, reduce topGE y aumentan Cca y FR respecto a la solución obtenida con un SOCmin de 30 %.
3.3 Análisis de temperatura ambiente
La Figura 9 muestra las características de la MR cuando cambia la temperatura ambiente. La temperatura impacta en la producción de energía del generador FV. El incremento de la temperatura en el rango de 15 a 30 °C reduce la producción de energía y, por ende, aumenta la capacidad nominal del generador FV y resulta en un incremento de Cca. Para temperaturas mayores a 30 °C, es más económico aumentar el uso del grupo electrógeno, aunque se incurra en un incremento de Cop; así, CPN resulta afectado por la variación de Cca y Cop.
La potencia nominal del convertidor depende de la capacidad FV o la producción de energía, por lo que un incremento de éstos aumenta Cca. Asimismo, es posible notar una reducción de Cca cuando la temperatura alcanza 35 °C, dado que se reduce la producción FV y ello resulta en la reducción de la capacidad nominal del convertidor.
Con el fin de analizar la producción de energía del generador FV, se fija su capacidad en 11.4 kW y se varía el valor de la temperatura ambiente. La Figura 10 muestra la afectación tanto de la producción de energía de los generadores PV y diésel como de los indicadores CPN y Cop. Los valores están normalizados respecto a la solución obtenida con el generador FV de 11.4 kW y con temperatura ambiente de 23 °C.
La producción de energía a partir del generador FV disminuye con el aumento de la temperatura ambiente a pesar de mantener la misma capacidad nominal, lo cual es debido al aumento de la temperatura de operación de la celda Tc. Tal afectación térmica también es descrita por Mehdi et al. [
3.4 Análisis de recursos energéticos
La Figura 11 presenta las arquitecturas óptimas según la disponibilidad de los recursos energéticos. La región encerrada en un recuadro punteado corresponde al rango de valores de irradiación solar y velocidad del viento en Sipí. La arquitectura conformada por un grupo electrógeno, un generador FV y banco de baterías es óptima para velocidades del viento de hasta 4.2 m/s; mientras para valores superior a 4.2 m/s es incluida una turbina eólica en la MR.
Las figuras 12.a a 12.c muestran el impacto de la irradiación solar y la velocidad del viento en CPN, Cca y Cop, respectivamente. CPN es mayor con los menores valores de irradiación solar debido a que aumenta Cop al requerir del funcionamiento del grupo electrógeno por mayor tiempo. Además, se requiere aumentar la capacidad instalada FV para valores de irradiación solar baja, lo cual incrementa el Cca.
Las Figuras 12.d y 12.e muestran el efecto sobre COE y FR; como es lógico, COE incrementa y FR disminuye principalmente cuando la irradiación solar baja y viceversa. La velocidad del viento tiene poca influencia en los indicadores debido a que la participación de la generación eólica es nula o reducida en las soluciones óptimas. Al igual que en Sharma et al. [
La Figura 13 muestra las capacidades nominales de los componentes e indicadores como funciones de la irradiación solar. En general, son observables tendencias de incremento o decremento; donde la causalidad permite modelar linealmente los decrementos de CPN (R2=0.9963), topGE (R2=0.8246) y COE (R2=0.9963) y el incremento de FR (R2=0.8249).
El aumento de la irradiación solar aumenta producción del generador FV, permitiendo reducir su capacidad y el tiempo de operación del GE y aumentar FR; a su vez, esto permite un menor valor de Cca por las menores capacidades del generador FV y convertidor. Estos hallazgos concuerdan con lo indicado por Sadat et al. [
3.5 Impacto de las tasas de inflación y descuento
La Figura 14 muestra que el incremento de la tasa de inflación y la disminución de la tasa de descuento simultáneos ocasionan el incremento de CPN, Cca y FR y la disminución de Cop y COE.
Los resultados muestran que los costos de una MR y el valor de FR son impactados por las variaciones de las tasas de inflación y descuento, lo cual corrobora afirmaciones realizadas en otros estudios. En [
Dado que el efecto de las tasas depende mayormente de su diferencia, la Figura 15 presenta capacidades de componentes e indicadores en función de la tasa real de descuento (TRD), la cual se calcula a partir de (6) donde TI es la tasa de inflación y TF es la tasa de interés o de descuento. Las líneas de tendencias y coeficientes de determinación evidencian un grado importante de causalidad, por lo que es recomendable el análisis de sensibilidad considere conjuntamente a TI y TF.
A mayor TRD (mayor diferencia entre la TI y TF), se reduce la capacidad del generador FV (R2=0.8617) y los CPN (R2=0.9754) y de Cca (R2=0.8677) y la FR (R2=0.8596), aunque ocasiona el aumento del COE (R2=0.9998) y del uso del grupo electrógeno (R2=0.8555).
3.6 Afectación de las variables de sensibilidad
La Tabla 10 presenta la tendencia de variación de CPN, COE, Cca, Cop, FR y Lun por unidad de cada variable de sensibilidad. El aumento en el indicador es representado con una flecha en dirección hacia arriba y la reducción con una flecha en dirección hacia abajo. Además, el color verde significa un resultado deseado, mientras el color rojo indica un resultado no deseable.
Variable | CPN ($) | COE ($/kWh) | Cca ($) | Cop ($/año) | FR | |||||
Precio de combustible ($/L) | 63 706 | ⬆ | 0.270 | ⬆ | 9209.4 | ⬆ | -321.9 | ⬇ | 17.8% | ⬆ |
SOCmin (%) | -205 | ⬇ | -0.0009 | ⬇ | 45.7 | ⬆ | -0.10 | ⬇ | 0.032% | ⬆ |
Temperatura ambiente (°C) | 78 | ⬆ | 0.0003 | ⬆ | 48.2 | ⬆ | 0.75 | ⬆ | -0.030% | ⬇ |
Irradiación solar (kWh/m2día) | -3 268 | ⬇ | -0.014 | ⬇ | -1031.8 | ⬇ | -38.0 | ⬇ | 2.1% | ⬆ |
Tasa de descuento (%) | -6 061 | ⬇ | 0.0078 | ⬆ | -863.0 | ⬇ | 15.8 | ⬆ | -1.4% | ⬇ |
Tasa de inflación (%) | 10 634 | ⬆ | -0.0082 | ⬇ | 960.5 | ⬆ | -10.3 | ⬇ | 1.0% | ⬆ |
CPN aumenta con el incremento del precio de combustible, la temperatura ambiente o la tasa de inflación, a tasas aproximadas de , y , respectivamente; mientras decrece a mayor SOCmin , irradiación solar o tasa de descuento . FR puede incrementar con el aumento del precio del combustible , el SOCmin , la irradiación solar o la tasa de inflación ; mientras disminuye por la elevación de la temperatura ambiente y la tasa de descuento .
Con base en los resultados presentados, es posible establecer un nivel de influencia de las variables de sensibilidad sobre los indicadores analizados, tal como muestra la Tabla 11. El número representa el grado de influencia sobre los indicadores, donde 1 es el menor grado y 4 el mayor grado. Para este caso de estudio, se aprecia que las variables más influyentes son el precio de combustible, la tasa de inflación, la tasa de descuento y la irradiación solar; mientras las menos influyentes son el SOCmin, la temperatura ambiente y la velocidad del viento.
Variable | CPN | COE | Cca | Cop | FR |
Precio del combustible ($/L) | 4 | 4 | 4 | 4 | 4 |
SOCmin (%) | 2 | 2 | 2 | 1 | 2 |
Temperatura ambiente (°C) | 1 | 1 | 2 | 1 | 1 |
Irradiación solar (kWh/m2día) | 2 | 2 | 2 | 2 | 3 |
Velocidad del viento (m/s) | 1 | 1 | 1 | 1 | 1 |
Tasa de descuento (%) | 3 | 2 | 3 | 2 | 3 |
Tasa de inflación (%) | 4 | 2 | 3 | 2 | 3 |
El estudio presenta el dimensionamiento y el análisis sensibilidad para una MR aislada, con el fin de estudiar la afectación de siete variables, a saber; precio de combustible, estado mínimo de carga de las baterías, temperatura ambiente, irradiación solar, velocidad del viento, tasa de descuento y tasa de inflación, sobre las capacidades nominales de los componentes e indicadores operativos y financieros.
El precio de combustible resultó ser la variable de mayor relevancia. Su aumento reduce el consumo de combustible, el tiempo de uso del grupo electrógeno e incrementa las capacidades del generador FV y del banco de baterías, lo cual aumenta el valor de CPN, Cca y FR.
A parte del precio del combustible, las otras variables más influyentes son tasa de inflación, tasa de descuento e irradiación solar; mientras las menos influyentes son SOCmin, temperatura ambiente y velocidad del viento, tal como muestra la Tabla 11. Tal aproximación al grado de influencia de las variables de sensibilidad es particular para cada proyecto, por lo que determinarlo facilitaría el proceso de toma de decisiones a los interesados.
Los resultados muestran que la ocurrencia simultánea de un incremento de la tasa de inflación con una disminución de la tasa de descuento ocasiona el incremento de CPN, Cca y FR y la disminución de Cop y COE. Se apreció que la intensidad del impacto depende de la diferencia entre las dos tasas, por lo que es conveniente analizar la afectación sobre las capacidades de los componentes e indicadores en función de la tasa real de descuento (TRD); específicamente, se hallaron valores del coeficiente R2 de 0.8555 a 0.9998 entre TRD e indicadores. A mayor valor de TRD, se reduce la capacidad del generador FV y los valores de CPN, Cca y FR, aunque se aumenta el valor de COE y el uso del grupo electrógeno.
Con respecto a las otras variables de sensibilidad, se tienen los siguientes hallazgos: primero, el aumento de la temperatura ambiente reduce la generación fotovoltaica (sin afectar la capacidad instalada), lo cual ocasiona un incremento en el tiempo de uso y consumo de combustible del grupo electrógeno; segundo, el análisis del SOCmin permite apreciar que las descargas profundas reducen la vida útil de las baterías resultando en mayores costos; tercero, la presencia de un alto potencial energético puede disminuir los valores de CPN, COE y Cop, aunque ello implica un mayor Cca por el aumento de la capacidad instalada; y cuarto, se destaca que la capacidad nominal del grupo electrógeno no es influenciada por variable alguna, ya que depende principalmente de la potencia máxima demandada por la carga.
Se destaca la utilidad del software HOMER Pro por la oferta y la amigable configuración de las variables de sensibilidad, la búsqueda simultánea de las soluciones óptimas y la representación tabuladas y gráfica para observar las tendencias de influencia de las variables de sensibilidad sobre los indicadores analizados.
Los autores agradecen el apoyo brindado por la Escuela de Ingenierías Eléctrica, Electrónica y de Telecomunicaciones de la Universidad Industrial de Santander.
Todos los autores declaran que no hay conflicto de intereses.
Jersson García-García: conceptualización, metodología, software, análisis formal, investigación, redacción del documento, visualización
German Osma-Pinto: conceptualización, metodología, validación, análisis formal, investigación, edición del documento, visualización, supervisión.