P. 1
Predicción Espacial de la Demanda Eléctrica en la Ciudad de Maracaibo.

Predicción Espacial de la Demanda Eléctrica en la Ciudad de Maracaibo.

|Views: 4.613|Likes:
Durante las últimas décadas se han desarrollado diversos métodos de predicción que buscan la ubicación de los consumidores para luego aplicar una predicción per cápita del uso de la electricidad y convertir proyecciones geográficas de usos de suelos en demanda (pronóstico de carga). Aunque tales métodos tienen mayor precisión que sus predecesores, implican una gran cantidad de esfuerzo y recursos como consecuencia de la dificultad de obtener datos que además sean fiables.
De la experiencia y del desarrollo histórico de la urbe así como de otros elementos de carácter urbano (polos de desarrollo, factores de proximidad y entorno, funciones de preferencia), depende determinar la ubicación futura de todos los tipos de consumidores. La ventaja del empleo de un modelo urbano en la predicción es su flexibilidad para realizar un estudio multiescenario que prevea la construcción de nuevas subestaciones o el mayor aprovechamiento de las existentes en el momento oportuno.
Este trabajo registra la primera aplicación exitosa de este tipo de métodos al Sistema de Distribución de la C.A. ENERGÍA ELÉCTRICA DE VENEZUELA, lograda por este servidor cuando consiguió la calibración del año base implementando un procedimiento de su propia autoría (ver Capítulo 4, o más allá, mi artículo "Calibración Cuantitativa de la Simulación del Comportamiento Espacial de la Demanda Eléctrica", publicado en Proceedings of the I International Conference of the IEEE Andean Region, IEEE-ANDESCON'99, ISBN: 0-7803-9945-5, Vol. 1, pp. 211-215, Venezuela, 1999).
Finalmente, como resultado se presenta un Plan de Expansión Multiescenario del Sistema Eléctrico de Distribución de la ciudad de Maracaibo, con horizonte de planificación 1993-2008.
Durante las últimas décadas se han desarrollado diversos métodos de predicción que buscan la ubicación de los consumidores para luego aplicar una predicción per cápita del uso de la electricidad y convertir proyecciones geográficas de usos de suelos en demanda (pronóstico de carga). Aunque tales métodos tienen mayor precisión que sus predecesores, implican una gran cantidad de esfuerzo y recursos como consecuencia de la dificultad de obtener datos que además sean fiables.
De la experiencia y del desarrollo histórico de la urbe así como de otros elementos de carácter urbano (polos de desarrollo, factores de proximidad y entorno, funciones de preferencia), depende determinar la ubicación futura de todos los tipos de consumidores. La ventaja del empleo de un modelo urbano en la predicción es su flexibilidad para realizar un estudio multiescenario que prevea la construcción de nuevas subestaciones o el mayor aprovechamiento de las existentes en el momento oportuno.
Este trabajo registra la primera aplicación exitosa de este tipo de métodos al Sistema de Distribución de la C.A. ENERGÍA ELÉCTRICA DE VENEZUELA, lograda por este servidor cuando consiguió la calibración del año base implementando un procedimiento de su propia autoría (ver Capítulo 4, o más allá, mi artículo "Calibración Cuantitativa de la Simulación del Comportamiento Espacial de la Demanda Eléctrica", publicado en Proceedings of the I International Conference of the IEEE Andean Region, IEEE-ANDESCON'99, ISBN: 0-7803-9945-5, Vol. 1, pp. 211-215, Venezuela, 1999).
Finalmente, como resultado se presenta un Plan de Expansión Multiescenario del Sistema Eléctrico de Distribución de la ciudad de Maracaibo, con horizonte de planificación 1993-2008.

More info:

Published by: José Espina Alvarado on Apr 12, 2011
Copyright:Attribution

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/05/2013

pdf

text

original

Como se discutió antes, la demanda está ampliamente orientada por las facilidades

de transporte. Los mejores modelos espaciales desarrollados con base en la planificación

urbana, son modelos orientados al transporte. Los métodos que consideran el efecto

transporte hacen un excelente trabajo al modelar el impacto que éste produce, pero

pueden requerir un extraordinario esfuerzo y una gran cantidad de data. Tales modelos

trabajan con zonas de alrededor de 10 mi2 o más. Por tanto son modelos de baja

frecuencia en el crecimiento, como lo evidencia su baja velocidad de muestreo. Poca, si

existe alguna, modificación de estos conceptos, procedimientos o patrones de cálculo se

necesita para su aplicación en los modelos espaciales de carga. El análisis puede ser

realizado sobre una gran superficie base y los resultados de baja frecuencia interpolados

para una alta resolución.

En varias ocasiones, técnicas simples basadas en los polos de crecimiento urbano,

modelan todos los componentes de baja frecuencia del crecimiento espacial. Estas son las

mismas frecuencias que constituyen la “banda de demanda”. Por tanto, tales técnicas

aplicadas en un método de uso de suelos frecuentemente cubren las necesidades de un

modelo de demanda. En algunos casos, una ciudad o región es dividida geográficamente u

otras barreras crean agudas discontinuidades en lo que sería de otra forma una demanda

de baja frecuencia. En tales casos, los modelos de polos urbanos no trabajan bien, por lo

cual deben ser utilizados modelos urbanos de transporte.

Al contrario de los modelos de baja frecuencia, los de alta frecuencia utilizados en la

modelación espacial de carga no han aplicado los métodos cuantitativos de la

planificación urbana, donde se percibe la dificultad de hacer cálculos de preferencia para

una alta resolución espacial (gran número de celdas). El volumen de trabajo en el campo

CAPITULO 2. FUNDAMENTOS TEORICOS

35

de la modelación urbana ha sido consagrado a los modelos de transporte y crecimiento

regional. Se define la preferencia para el uso de suelos del tipo c en la celda k como

Existen varios métodos para determinar las preferencias. En algunos casos, son

proporcionadas como entrada (función del vector de datos de la celda Vk (t) y los vectores

de datos de otras microáreas próximas o cercanas a ella), habiendo sido determinadas

intuitivamente, o por la zonificación municipal. Comúnmente pk está basada en uno o dos

factores clave y la combinación con la zonificación además de la intuición.

La mayoría de los modelos satisfactorios para el crecimiento espacial de la carga

usan varias representaciones extensivas de preferencia. Un factor de proximidad es la

“distancia inversa” al ítem más cercano de un conjunto de atractivos. Para calcular las

preferencias se requiere fundamentalmente de dos tipos de factores - proximidad y

entorno. En el caso de preferencia industrial, el modelo ELUFANT (Electric Utility Futures

Analysis Tool) de la Compañía de Iluminación y Energía de Houston, por ejemplo, utilizó

en su análisis

Donde d es la distancia en celdas de ancho desde la celda k de coordenada (n,m), a la vía

férrea más cercana. La suma ponderada de la distancia de todas las celdas de una clase o

ítem en el área es llamada factor de entorno.

CAPITULO 2. FUNDAMENTOS TEORICOS

36

Sea S t

n m

c

, ( ) la suma del desarrollo de la clase c próximo a la celda (n,m), ponderada

por una función de la distancia Wc (d).

( 2-10 )

Aquí, Wc (d) es monótonamente decreciente con la distancia y Wc (d) = 0 para d > β ( = 5

en el caso antes citado). Tanto Wc (d) como β variarán dependiendo del factor que está

siendo calculado.

Combinaciones y funciones de diversos factores de proximidad y entorno son

utilizados en varios modelos de carga basados en el uso de suelos, para explicar el

comportamiento general de preferencia sobre una base de alta resolución. Por ejemplo, la

preferencia para el desarrollo residencial puede ser una función de la proximidad a

escuelas, al comercio (tiendas), la cantidad de desarrollo residencial circundante - todos

factores positivos. Los factores negativos pueden incluir la proximidad a vías férreas,

cantidad de industrias en el ambiente y proximidad a los aeropuertos. El cálculo de las

preferencias basadas en estos factores es directo; lo difícil es determinar los factores de

proximidad y de entorno.

Factores tales como Dk y Wc mencionados arriba, pueden ser rápidamente

calculados en el dominio de la frecuencia espacial. Nótese que W(d) es de duración finita,

monótonamente decreciente a cero después de alguna distancia b (consistente con el

modelo de gravedad); entonces puede hacerse la siguiente reformulación

S t

W x y a x n y m t

n m

c

c

c

y

x

, ( )

(

) ( , , )

=

=

=

2

2

+ ⋅ + +


− ∑

β

β

β

β

( 2-11 )

CAPITULO 2. FUNDAMENTOS TEORICOS

37

una convolución del a k t

c( , ). El cálculo puede ser hecho en tres pasos: 1) tomar la

Transformada Discreta de Fourier (DFT) tanto de la imagen a k t

c( , ) como de W(d), usando

el método de la Transformada Rápida de Fourier (FFT); 2) multiplicando punto por punto;

y 3) tomar la transformada inversa del producto usando nuevamente el FFT. El resultado

es la S t

k

c

( ).

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->