MX2007009487A

MX2007009487A - Metodo de modelacion para pronosticar una mezcla de generacion de energia.

Info

Publication number: MX2007009487A
Application number: MX2007009487A
Authority: MX
Inventors: Jeffery L Boaz; Brian Forrest Spears
Original assignee: Gen Electric
Priority date: 2006-08-04
Filing date: 2007-08-03
Publication date: 2009-01-26
Also published as: EP1887486A1; US20080033786A1; JP2008043191A

Abstract

Un método para predecir una mezcla óptima de tipos de planta de generación de energía, usando un modelo de prognosis, que incluye: recopilar datos financieros de varios costos atribuibles a cada uno de una pluralidad de tipos de planta de generación de energía; asignar distribuciones de probabilidad a los varios costos; generar distribuciones de probabilidad de los costos proyectados para cada uno de los tipos de planta de generación de energía, usando las distribuciones de probabilidad para los varios costos para proyectar costos atribuibles a cada uno de los tipos de planta de generación de energía que se espera que ocurran durante un período predeterminado; aplicar por lo menos un modificador a los costos proyectados, en donde el modificador tiene en cuenta un factor interpretativo que influye en el costo por lo menos de uno de los tipos de planta de generación de energía; y proyectar la mezcla óptima de los tipos de planta de energías con base en un análisis bayesiano de combinación de los costos proyectados modificados de los tipos de planta de energía.

Description

METODO DE MODELACION PARA PRONOSTICAR UNA MEZCLA DE GENERACION DE E ERGIA ANTECEDENTES DE LA INVENCION La invención se refiere en general al campo de pronosticar demandas de generación de energía y, en particular, para pronosticar demandas de generación de energía eléctrica en varios tipos de fuentes de energía. Las empresas públicas de energía eléctrica pueden generar energía procedente de varias fuentes, tales como plantas de energía nuclear, plantas impulsadas por carbón mineral, turbinas de gas, plantas hidrodinámicas y turbinas eólicas. Cada fuente de energía eléctrica puede tener costos y capacidad únicos de generación de energía, así como otros beneficios y desventajas asociados con la generación de energía eléctrica. Estas varias fuentes de energía pueden estar conectadas a una red común de empresa pública de energía que distribuya energía eléctrica a un área geográfica extensa de usuarios residenciales y comerciales de energía. Se produce la demanda de energía eléctrica por parte de todos los usuarios de la red de energía, para determinar la demanda de energía total de todas las fuentes de energía. Se necesita otra determinación para asignar la demanda de energía total entre las varias fuentes de energía. La energía generada desde las fuentes debe ser igual en general a la demanda de energía en la red. Hay una necesidad percibida desde hace tiempo de herramientas de prognosis para predecir requisitos de energía de gama extensa y el mercado para tipos específicos de plantas de energía. Se han usado herramientas de prognosis para analizar el mercado para nuevas plantas de energía y nuevas tecnologías de plantas de energía. Las herramientas de prognosis convencionales han tendido a usar varios modelos matemáticos para analizar la economía de las plantas de energía y evitar el comportamiento del mercado. Los ejemplos de modelos matemáticos incluyen: modelos de difusión (por ejemplo, Gompertz, Fisher-Pry, Bass); modelos de aprendizaje (por ejemplo, Dirichlet, redes neurales artificiales); modelos de regresión (por ejemplo, modelos con registros de tendencias o de variables múltiples, basados en datos históricos); mercados de predicción (por ejemplo, Wolfers and Zitzewitz (2004) "Prediction Markets" Journal of Economíc Perspectivas, 18, 107-126), y estadística bayesiana (por ejemplo, Allenby, Rossi, McCulloch "Hierarchical Bayes Models: A Practitioners Guide" (enero de 2005) SSRN http://ssrn.com/abstract=655541 ). Las herramientas de prognosis convencionales no tienen en cuenta eficazmente factores interpretativos de costo, tales como la reglamentación gubernamental o la opinión pública de las fuentes de energía.

BREVE DESCRIPCION DE LA INVENCION Se ha desarrollado un método para predecir una mezcla óptima de tipos de planta de generación de energía, usando un modelo de prognosis que incluye: recopilar datos financieros de costos estimados de cada uno de una pluralidad de tipos de planta de generación de energía; asignar distribuciones de probabilidad a los costos estimados; proyectar los costos estimados durante un período para cada tipo de planta de generación de energía, para generar distribuciones de probabilidad de costos estimados para cada tipo de planta de energía; aplicar modificadores a las evaluaciones económicas que tienen en cuenta factores, tales como opinión pública o clima político e influyen directa o indirectamente en el costo de una tecnología dada; y proyectar una mezcla de futuros tipos de planta de energía con base en un análisis bayesiano de combinación. El método puede incluir almacenar los datos financieros para cada tecnología de generación de energía en un estado financiero pro forma en una hoja de cálculo de computadora. Se pueden combinar distribuciones de probabilidad de costos estimados en la proforma mediante análisis de Monte Cario para desarrollar una distribución de probabilidad de costo total de la electricidad durante un período definido de evaluación. Además, los factores no cuantificables incluyen riesgos de reglamentaciones gubernamentales y de reacción pública a cada tipo de planta de energía. Esta mezcla proyectada de generación por la pluralidad de tipos de generación de energía satisface la demanda estimada de energía de carga fundamental.

BREVE DESCRIPCION DE LOS DIBUJOS La figura 1 es una ilustración esquemática de una red de energía eléctrica que provee energía a varios consumidores y que distribuye energía producida por varios tipos de planta de energía. La figura 2 es un diagrama de flujo de alto nivel de una sinopsis general de un procedimiento novedoso que determina una mezcla óptima de tipos de planta de generación de energía para producir energía para una demanda pronosticada. La figura 3 es un diagrama ejemplar de un análisis de flujo monetario pro forma para plantas importantes de energía de generación de electricidad de carga fundamental. La figura 4 es un modelo de red bayesiano ejemplar para analizar factores económicos presentados en el análisis de flujo monetario pro forma. La figura 5 es un modelo de análisis probabilístico aplicado al producto del modelo bayesiano de red. La figura 6 es un diagrama que muestra la prognosis de demanda total.

La figura 7 es un diagrama de demanda potencial de mezcla de energía.

DESCRIPCION DETALLADA DE LA ¡NVENCION Se ha desarrollado un sistema y un método de modelación para pronosticar una mezcla de generación de energía, para auxiliar la prognosis del mercado para varias tecnologías de generación de energía. La figura 1 es un diagrama de un sistema de distribución de energía 10 que incluye varios tipos de planta de generación de energía 12 (tecnologías A, B y C de generación de energía), varios consumidores de energía 14 y una red de energía 16 para distribuir la energía generada a los consumidores. Los tipos de planta de generación de energía pueden incluir, calderas energizadas con energía nuclear, carbón mineral, gas y petróleo, turbinas de gas de ciclo simple o de cíelo combinado, turbinas eólicas, generadores de energía hidrodinámica u otros motores de combustión energizados con combustible fósil. Las plantas de generación de energía producen electricidad que se distribuye a la vez a los consumidores a través de la red eléctrica. Las prognosis a largo plazo de la cantidad de energía a generar por cada planta de energía no deben asumir que el costo de energía, la demanda de energía y otras variables permanecerán constantes. En el transcurso del tiempo, por ejemplo unos cuantos meses, años o incluso décadas, varía el costo del combustible, cambian las capacidades de la planta de energía existente conforme se añaden nuevas instalaciones generación de energía y se retiran las instalaciones obsoletas, nuevas plantas de energía entran en línea a la red, las reglamentaciones gubernamentales sobre plantas de energía cambian y varían otros factores que afectan la demanda de energía. Se espera que estas variables varíen con el tiempo y la cantidad de cambio no es enteramente predecible. El potencial de los cambios futuros de las variables que afectan la demanda de energía crea incertidumbre en el mercado para las plantas de energía. En la decisión de invertir en la capacidad para construir nuevas instalaciones de generación de energía, es útil que los abastecedores sepan cuáles otros tipos de empresas públicas de plantas de energía instalar sobre la red. El análisis de una empresa publica para invertir en una tecnología particular de generación de energía depende de una variedad de factores que incluyen, pero no se limitan a los mismos, costos de capital, costos de operación y mantenimiento (O&M) costos de financiamiento, costos de combustible, política gubernamental y opinión pública. Por consiguiente, la prognosis de la dimensión del mercado disponible para los abastecedores de plantas de energía debe considerar los factores que una empresa pública usaría para seleccionar dentro de los diferentes tipos de planta de generación de energía disponibles para producir energía en el futuro. Hay necesidad de determinar los costos, la capacidad, los beneficios y las desventajas de cada tipo de planta de generación de energía.

El conocimiento de los varios costos pronosticados para generar energía y las capacidades de los varios tipos de planta de energía sería útil en la predicción del mercado en cuanto a nuevas plantas e instalaciones de energía. Además, se deberían considerar preferiblemente los costos pronosticados en la asignación de la cantidad de energía a ser producida por cada fuente para la red de energía. Se ha desarrollado un procedimiento para predecir una mezcla probabilístíca de los tipos de planta de energía para demandas pronosticadas de energía. El procedimiento implica un modelo matemático que recibe datos económicos referentes a los tipos de planta de energía y aplica a los datos varios análisis para evaluar los costos, riesgos y probabilidades de cada tipo de planta de generación de energía. El efecto técnico de este procedimiento es generar una mezcla propuesta de tipo de plantas de energía que se predice para proveer una combinación económicamente óptima de plantas de energía para satisfacer una carga fundamental colectiva predicha. El procedimiento expuesto en la presente para predecir una mezcla óptima de tipos de planta de generación de energía para una carga fundamental implica un modelo de prognosis que combina cuatro elementos analíticos. Estos elementos incluyen: Un análisis de Monte Cario de datos financieros pro forma de los costos asociados con los diferentes tipos de planta de generación de energía; una prognosis macroeconómica de demanda de generación de energía; un análisis bayesiano de red del resultado y un análisis de Monte Cario y una combinación estadística de los resultados de la prognosis macroeconómica y el análisis bayesiano para determinar una distribución pronosticada de tecnologías de generación de energía para satisfacer una carga fundamental predicha. Se puede modalizar el procedimiento en un modelo por computadora, por ejemplo hoja electrónica de cálculo, que recibe los datos de entrada, referentes a costos y demanda de electricidad, variables de costos y factores interpretativos y distribuciones de probabilidad referentes a las variables. El modelo genera proyecciones para el costo de la electricidad para varias perturbaciones de las variables y determina distribuciones de probabilidad para los costos proyectados de cada tecnología. Los factores interpretativos son condiciones que afectan directa o indirectamente los costos de una tecnología de fuente de energía, pero que no están sujetados a cuantificación determinística. Se aplican las distribuciones de probabilidad, modificadas por los factores interpretativos, para proyectar el uso estimado de los diferentes tipos de planta de energía. Se hace cada estimación con diferentes estimaciones de costos. Se varían los costos de acuerdo con las distribuciones de probabilidad. Se analiza el uso estimado proyectado de diferentes plantas de energía para determinar las mezclas óptimas de los tipos de planta de energía. Se pueden usar estas mezclas de energía para predecir el mercado total para nuevas plantas de energía. La figura 2 es un diagrama de flujo de alto nivel que muestra un modelo de prognosis 20 para predecir una mezcla óptima de plantas de generación de energía de carga fundamental. Se puede usar el modelo de prognosis para evaluar, por ejemplo, la demanda de plantas energía cinco, diez, quince años o más hacia el futuro. El modelo aplica sus posiciones y predicciones en cuanto a la demanda de energía, costos de energía generados por cada uno de los varios tipos diferentes de puntos de energía y otros factores que afectan la demanda de energía y las plantas de energía. Se hacen estas suposiciones y predicciones durante cierto período, por ejemplo del presente a un tiempo en el futuro, por ejemplo 5, 10, 15 ó 20 años. El modelo proyecta una distribución de probabilidad del costo de la electricidad (COE) durante un período definido. Usando el COE proyectado, se puede usar el modelo para determinar, por ejemplo, una mezcla óptima de equipos, de plantas de generación de energía para proveer electricidad a la red. En el paso 22, se recopilan datos financieros pro forma y se organizan para evaluar los costos asociados con los diferentes tipos de tecnología de generación de energía. Además, el análisis pro forma (paso 22) recibe estimaciones 24 referentes a variables de costos que afectan el costo de energía, tales como los costos predichos para combustible, costos de financiamiento, costos, O&M y costos de capital. En el paso 26, se realiza un análisis estadístico de Monte Cario sobre los datos financieros pro forma para determinar las probabilidades de costos para cada uno de los varios tipos de planta de generación de energía. El análisis de Monte Cario genera probabilidades de costos de la electricidad (COE) para cada tipo de planta de energía. Se procesan aún más los datos probabilísticas generados por el análisis de Monte Cario, usando un análisis bayesiano de combinación en el paso 28. El análisis bayesiano de combinación considera factores interpretativos 30 como entradas para tener en cuenta factores no cuantificables que pudieran afectar el costo de energía y la capacidad de las plantas de energía. Estos factores interpretativos incluyen la probabilidad de que: los gobiernos locales permitan la construcción de nuevas plantas de energía, reglamentaciones gubernamentales sobre la producción de energía, tales como reglamentaciones sobre emisiones, y cuestiones políticas globales que pudieran inhibir la adquisición de suficientes cantidades de petróleo para combustible. Se consideran predictivos los factores predictivos, porque no hay alguna manera simple de asignar confiablemente un valor numérico para su efecto futuro. Se pueden recopilar la magnitud y las distribuciones de los factores predictivos y consolidar a través de múltiples participantes para evitar datos asimétricos de una sola opinión de manera poco confiable (Wolfers y Zitzewitz (2004) "Prediction Markets" Journal of Economic Perspectives, 18, 107-126). Un estudio electrónico o marcado de predicción puede ser un método eficaz para recopilar y consolidar esta información. Mediante el uso de estadística bayesiana, se puede combinar la distribución de probabilidad del modelo de costos con los factores interpretativos. La salida del análisis bayesiano es una serie de distribuciones de probabilidad 32 del costo de la electricidad para varios tipos de planta de energía, ajustada por factores interpretativos. Mediante el uso de estas distribuciones y una prognosis para la demanda futura colectiva de energía en una región 34, se puede generar una distribución 36 potencial de tecnología de plantas de energía que identifique una distribución 36 potencial de tecnología de plantas de energía que identifique una distribución óptima de tipos de planta de energía que se necesiten para satisfacer la demanda futura. Se puede usar esta distribución 36 para pronosticar el mercado para varias tecnologías de plantas de energía durante un espacio dado de tiempo. La figura 3 ilustra un análisis ejemplar de flujo monetario pro forma de los costos predichos, en un punto predefinido en el futuro de energía eléctrica para varios tipos de planta de generación de energía. Se preparan análisis de flujo monetario pro forma para las principales tecnologías de electricidad de base fundamental que se predice que están disponibles para producir energía para la red en el período en el futuro que se esté devaluando (por ejemplo Harry G. Stoll. Least-Cost Electric utility Planninq. Wiley-Interscience, 1989). Un análisis de flujo monetario pro forma es un utensilio convencional y estándar usado por los planificadores de plantas de producción de energía a costos futuros estimados de producción de energía. Este análisis proyecta los costos para producir electricidad con base en suposiciones de costos anuales. Cada una de las suposiciones puede tener una distribución de probabilidad asociada.

Se puede usar una computadora para proyectar costos año por año hacia el futuro. Por ejemplo, se puede usar un programa de computadora con hoja de cálculo (por ejemplo Microsoft Excel) para proyectar costos para el análisis de flujo monetario pro forma. El análisis pro forma puede recibir entradas, tales como suposiciones para un año de inicio específico, gastos de operación y mantenimiento (O&M) para cada tecnología considerada, precio del combustible, índice anual general de ajuste por aumentos, costo de deuda y equidad para cada tecnología, tiempo requerido para la construcción, costos de patio, eficiencia de la tecnología, interés durante la construcción y factor de capacidad operativa. El factor de capacidad es la cantidad media de energía generada por una planta en un período particular dividida por la cantidad total que se podría generar si la planta operada al 100% de energía para el período entero. Después de que se han introducido las entradas y las distribuciones de probabilidad en la computadora, la hoja de cálculo calcula los costos para cada uno de las plantas. Se pueden permutar las variables de la hoja de cálculo con base en sus respectivas distribuciones de probabilidad para desarrollar una distribución del costo de la electricidad (COE) para cada tecnología con base en varias disposiciones de las variables. Se permutan las variables con base en sus respectivas distribuciones de probabilidad usando un análisis de Monte Cario (se puede usar un paquete de equipo lógico, tal como Cristal Ball de Decisioneering de Denver, Colorado, para conducir el análisis de Monte Carlos). Se efectúa un número fijo de intentos y se determinan los costos de la electricidad y se almacenan en la hoja de cálculo. Se usan las proyecciones almacenadas para desarrollar una distribución de probabilidad. Se analiza aún más la salida del análisis de Monte Cario en la proforma, usando análisis estadístico bayesiano. Se usa un modelo bayesiano de red para combinar la distribución de probabilidad para el costo procedente de la pro-forma con factores interpretativos, tales como legislación actual o potencial, percepción pública, riesgo de seguridad y política de desechos. La figura 4 es una salida de hoja electrónica de cálculo que muestra un modelo de red bayesiano ejemplar. Este modelo ajusta la salida de la distribución de probabilidad de análisis de Monte Cario para el costo de la electricidad mediante los modificadores de factores interpretativos. Se hace esto mediante estadística bayesiana para crear un costo sociológico/político/económico ponderado para cada tecnología de planta de energía de carga fundamental. En el ejemplo mostrado en la figura 4, cada factor interpretativo tiene un multiplicador y una probabilidad asignados a los resultados esperados mejores, medios y peores. Se introducen éstos para cada tecnología de carga fundamental (de carbón mineral, gas, nuclear e hidráulica). Similarmente, se introduce la distribución de costos del análisis de Monte Cario a la hoja de cálculo. Como se muestra, se introducen los costos para cada cuartil con probabilidades para cada resultado (por ejemplo 0.25 para los cuartiles superior e inferior y 0.5 para el medio). Con base en una hipótesis de que la participación en el mercado o una mezcla para cada tecnología se basa en la probabilidad de que la economía ajustada para cada tecnología es muy favorable, se puede calcular una participación en el mercado o un porcentaje de mezcla. Esencialmente, la hipótesis establece que la probabilidad que se favorezca una tecnología particular se aproximará a la participación en el mercado de esa tecnología. La figura 5 es un cuadro que ilustra una salida ejemplar de la determinación de una mezcla de plantas de energía. La salida del análisis bayesiano es una distribución de probabilidad para cada tecnología de carga fundamental. Usando estas distribuciones, pueden existir situaciones hipotéticas específicas en que cada tecnología sea favorecida por un mercado particular. La figura 6 es un cuadro de la prognosis total de carga fundamental. Se obtiene la demanda total de electricidad de la fuente de una tercera parte (EIA, etc.) y se hacen conexiones para tener en cuenta la fracción de la prognosis que será la generación solamente de carga fundamental, retiros de la mezcla actual de generaciones de carga fundamental e incertidumbre en la prognosis. La prognosis total se agrupa en cierto número de años (por ejemplo , 2, 5, ó 10 años) y se usa el análisis de Monte Cario para desarrollar las mejores, peores y más probables adiciones de capacidad para cada bloque de años.

La figura 7 es un cuadro de una prognosis proyectada de mezcla óptima de energía para la energía nuclear. Este cuadro provee una estimación ejemplar de la capacidad óptima de generación de energía nuclear para los períodos de 1 a 5 años en el futuro y para el período de 6 a 10 años en el futuro. Se puede proyectar la mezcla óptima para varios tipos de tipos de planta de generación de energía y diferentes periodos. Aunque se ha descrito la invención en relación con lo que se considera actualmente que es la modalidad más práctica y preferida, se ha de entender que la invención no ha de estar limitada a la modalidad expuesta, sino por lo contrario, está destinada a cubrir varias modificaciones y disposiciones equivalentes incluidas dentro del espíritu y alcance dentro de las reivindicaciones y disposiciones equivalentes incluidas dentro del espíritu y alcance de las reivindicaciones anexadas.

Claims

NOVEDAD DE LA INVENCION REIVINDICACIONES

1 .- Un método para predecir una mezcla óptima de tipos de planta de generación de energía (12), usando un modelo de prognosis (20), caracterizado porque comprende: recopilar (22) datos financieros (24) de varios costos atribuibles a cada uno de una pluralidad de tipos de planta de generación de energía; asignar distribuciones de probabilidad (26) a los varios costos; generar distribuciones de probabilidad (32) de los costos proyectados para cada uno de los tipos de planta de generación de energía, usando las distribuciones de probabilidad para los varios costos para proyectar costos atribuibles a cada uno de los tipos de planta de generación de energía que se espera que ocurran durante un período predeterminado; aplicar por lo menos un modificador (30) a los costos proyectados, en donde el modificador tiene en cuenta un factor interpretativo que influye en el costo por lo menos de uno de los tipos de planta de generación de energía; y proyectar la mezcla óptima (36) de los tipos de planta de energías con base en un análisis bayesiano de combinación de los costos proyectados modificados de los tipos de planta de energía.

2.- El método de conformidad con la reivindicación 1 , caracterizado además porque la recopilación de datos financieros para cada uno de los tipos de planta de generación de energía incluye almacenar los datos en un estado financiero pro forma (22) ejecutado en una hoja de cálculo de computadora.

3. - El método de conformidad con la reivindicación 2, caracterizado además porque se combinan las distribuciones de probabilidad (26) de los costos en el estado pro forma (22) para desarrollar una distribución de probabilidad (32) de los costos totales de la electricidad para cada tipo de planta de energía durante un período definido de evaluación.

4. - El método de conformidad con la reivindicación 1 , caracterizado además porque se combinan las distribuciones de probabilidad mediante un análisis de Monte Cario (26) para desarrollar una distribución de probabilidad de los costos totales de la electricidad durante un período definido de evaluación.

5. - El método de conformidad con la reivindicación 1 , caracterizado además porque los costos (24) de los tipos de planta de generación de energía son costos estimados de los costos de operación futuros predichos.

6. - El método de conformidad con la reivindicación 1 , caracterizado además porque el factor interpretativo (30) es por lo menos uno por un factor de opinión publica y un factor de clima político.

7.- El método de conformidad con la reivindicación 1 , caracterizado además porque el factor interpretativo (30) influye indirectamente en el costo por lo menos de uno de los tipos de generación de energía.

8. - El método de conformidad con la reivindicación 1 , caracterizado además porque el factor interpretativo (30) es un factor no cuantificable.

9. - El método de conformidad con la reivindicación 1 , caracterizado además porque la mezcla proyectada (36) de tipos de planta de energía incluye una mezcla de plantas de energía de energía nuclear, energizadas por carbón mineral y energizadas por petróleo.

10. - Un método como el que se reclama en la reivindicación 1 , caracterizado porque se recopilan y se almacenan los datos financieros (24) en una hoja de cálculo de datos financieros pro forma.