Look-up in Google Scholar
Full metadata record
Gómez Cornejo Gonzáles, Harold Peter Harry
Borja Murillo, Juan Guillermo
2022-01-31T19:56:22Z
2022-01-31T19:56:22Z
2021
http://hdl.handle.net/20.500.12773/13754
Una gran parte de la generación de energía renovable variable, como la eólica y la solar, se considera una de las estrategias clave a nivel mundial para descarbonizar el sector energético y así reducir el consumo de combustibles fósiles. El consumo de energía eléctrica en industria representa aproximadamente al 30% del costo total de la producción. En el caso de Perú, las empresas que contraten más de 1 MW de potencia lo pueden hacerlo directamente a la distribuidora o generadora con una tarifa libre que puede ser negociable. En todo caso, existen tarifas diferenciadas entre las horas punta, que van desde las 17:00 hasta las 21:00 horas, y fuera de punta que son todas las horas restantes del día. Son muy pocas las empresas industriales que cuentan con sistemas de generación eléctrica propia, y menos que empleen sistemas de generación con energías no convencionales como la fotovoltaica y/o eólica. Desarrollar una infraestructura económica de energía neta cero para la industria puede desempeñar un papel fundamental para lograr el objetivo de un paradigma de energía limpia asequible, confiable, sostenible y con ella, la reducción en los costos de producción. Sin embargo, es bastante desecante desarrollar una infraestructura de este tipo debido a la demanda incierta del sistema de fabricación, la generación de electricidad intermitente a partir de fuentes renovables y la planificación operativa integrada para el horizonte de planificación a largo plazo. Por ello, la previsión de la generación eléctrica es un requisito previo e importante para lograr una gestión energética sostenible, asegurar el correcto funcionamiento del sistema de energía y optimizar los costos asociados. Un modelo de previsión permite analizar la demanda de electricidad en base a información histórica para sostener un equilibrio de oferta y demanda en base a las operaciones de la industria. En esta tesis doctoral, se desarrolla un modelo de gestión para la previsión de la generación eléctrica mediante energía solar fotovoltaica. El modelo desarrollado parte de una función objetivo que minimiza el costo total relacionado con la energía del sistema que consiste en el costo de la energía de la red, el costo de inversión para las fuentes renovables y sus costos de operación y mantenimiento. El modelo se restringe a que no se pueda al mismo tiempo producir energía y comprar a la red con el _n de encontrar el balance energético del sistema, es decir, que la energía que ingrese sea igual a la energía que sale. Dado que la optimización de la función objetivo de forma directa no es trivial por su carácter estocástico de las variables, se hace uso de técnicas del aprendizaje automático. Las variables de decisión que controlan el modelo son la energía demandada y la energía generada, por ello, se ha implementado un modelo máquina en base a datos históricos, para predecir el consumo de energía y la generación de la energía solar fotovoltaica de acuerdo con los valores de la irradiancia solar, el tamaño de la micro red y la eficiencia de los paneles solares. Para implementar los modelos máquina, se han entrenado redes neuronales recurrentes y residuales con el _n de comparar las prestaciones a la hora de hacer las predicciones de la energía demandada y la generada por el sistema solar fotovoltaico. El modelo desarrollado ha sido probado con datos de un caso real de una empresa industrial de la ciudad de Arequipa. Donde se ha propuesto un diseño de sistema solar fotovoltaico dimensionado de acuerdo con el consumo histórico de la empresa. Luego, se ha sometido al modelo para encontrar el punto del balance energético del sistema obteniendo como resultado que cuando el sistema solar fotovoltaico trabaja, los costos de facturación se reducen a solo los asociados con la inversión para las fuentes renovables y sus costos de operación, mantenimiento y depreciación. (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Nacional de San Agustín de Arequipa (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-nd/4.0/ (es_PE)
Universidad Nacional de San Agustín de Arequipa (es_PE)
Repositorio Institucional - UNSA (es_PE)
Modelo de gestión (es_PE)
Previsión de generación (es_PE)
Energías renovables (es_PE)
Modelo de gestión para la previsión de generación eléctrica mediante energías renovables en empresas industriales (es_PE)
info:eu-repo/semantics/doctoralThesis (es_PE)
Universidad Nacional de San Agustín de Arequipa.Unidad de Posgrado.Facultad de Ingeniería de Producción y Servicios (es_PE)
Doctorado en Ciencias: Ingeniería de Producción (es_PE)
Doctor en Ciencias: Ingeniería de Producción (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.11.04 (es_PE)
http://purl.org/pe-repo/renati/level#doctor (es_PE)
29694950
https://orcid.org/0000-0002-7125-1304 (es_PE)
29206183
Ramos Quispe, Julio Abraham
Rendulich Talavera, Jorge Eusebio
Gómez Cornejo Gonzales, Harold Peter Harry
http://purl.org/pe-repo/renati/type#tesis (es_PE)
Pública



This item is licensed under a Creative Commons License Creative Commons