Función de costos de incertidumbre para sistemas de hidrógeno alimentado por generación renovable híbrida solar y eólica
-
J.C. Rincón Aguilar [1] ; S. Rivera [1]
-
[1] Universidad Nacional de Colombia
Universidad Nacional de Colombia
Colombia
-
- Localización: BEIO, Boletín de Estadística e Investigación Operativa, ISSN 1889-3805, Vol. 42, Nº. 2, 2026, págs. 20-33
- Idioma: español
- Enlaces
-
Resumen
En este trabajo se propone una metodología matemática para estimar analíticamente la función de costos de incertidumbre de un sistema de hidrógeno verde alimentado por fuentes solar fotovoltaica y eólica. Esta función hace parte de la función objetivo en la programación de la opreació de sistemas de potencia con penetración de renovables e hidrogeno. La metodología parte del modelado probabilístico de la irradiancia solar mediante una distribución Lognormal y de la velocidad del viento mediante una distribución de Rayleigh, para posteriormente aproximar la distribución conjunta de potencia disponible a través del método de igualación de momentos y obtener una representación normal equivalente. Con esta aproximación se desarrollan expresiones analíticas cerradas para los costos asociados a la subestimación y sobrestimación de la potencia programada en el electrolizador. Los resultados se validan mediante simulaciones de Monte Carlo (con 105 escenarios), obteniendo una diferencia relativa con el método analítico del 1,788%. Los resultados demuestran que el método propuesto constituye una aproximación robusta y suficiente para representar la función de costos de incertidumbre de un sistema de hidrógeno verde.
-
Referencias bibliográficas
- Arévalo Bonilla, J., Santos, F. y Rivera, S. (2019). Uncertainty cost functions for solar photovoltaic generation, wind energy generation,...
- Chang, P., Li, C., Zhu, Q., Zhu, T. y Shi, J. (2024). Optimal scheduling of electricity and hydrogen integrated energy system considering...
- Dufresne, D. (2008). Sums of lognormals.. Retrieved from https://api.semanticscholar.org/CorpusID:17158880
- Ennassiri, Y., Ferro, G., Bellotti, D., Magistri, L. y Robba, M. (2023). Optimal scheduling and real-time control of a microgrid with an electrolyzer...
- IMARC. (2025). Green hydrogen price trend 2025- price chart and index. Retrieved from https://www.imarcgroup.com/ green-hydrogen-pricing-report
- Jacobs, M., Gupta, R. y Paolone, M. (2024). Week-ahead dispatching of active distribution networks using hybrid energy storage systems. Sustainable...
- Jin, J., Zhou, D., Zhou, P. y Miao, Z. (2014). Environmental/economic power dispatch with wind power. Renewable Energy, 71, 234-242. Retrieved...
- Johnson, N. L., Kotz, S. y Balakrishnan, N. (1995). Continuous univariate distributions (2nd ed ed.). Wiley.
- Losada, D., Al-Sumaiti, A. y Rivera, S. (2021). Uncertainty cost functions in climate-dependent controllable loads in commercial environments....
- Martinez, C. A. y Rivera, S. R. (2018, 7). Modelacion cuadr´atica de costos de incertidumbre para generaci´on renovable y su aplicaci´on en...
- Mehta, N. B., Wu, J., Molisch, A. F. y Zhang, J. (2007). Approximating a sum of random variables with a lognormal. IEEE Transactions on Wireless...
- Papoulis, A. (2002). Probability random variables and stochastic processes (4th ed. ed.). McGraw-Hill.
- Sundaram, P., Ravichandran, S., Manoharan, P., Jangir, P. y Alhelou, H. H. (2022, 10). Multi-objective optimization framework for optimal...
- Surender, S., Bijwe, P. R. y Abhyankar, A. R. (2015). Real-time economic dispatch considering renewable power generation variability and uncertainty...
- Vargas, S., Rodriguez, D. y Rivera, S. (2019). Mathematical formulation and numerical validation of uncertainty costs for controllable loads....
- Voskrebenzev, A., Riechelmann, S., Bais, A., Slaper, H. y Seckmeyer, G. (2015). Estimating probability distributions of solar irradiance....
- Wu, Y. y Zhong, L. (2025). Decarbonizing urban residential communities with green hydrogen systems. Nature Cities, 2, 81-92. Retrieved from...
