Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DECLARACIN
Yo Juan Euclides Parra Flores, declaro bajo juramento que el trabajo aqu descrito
es de mi autora; que no ha sido previamente presentada para ningn grado o
calificacin profesional; y, que he consultado las referencias bibliogrficas que se
incluyen en este documento.
______________________
Juan Euclides Parra Flores
II
CERTIFICACIN
Certifico que el presente trabajo fue desarrollado por Juan Euclides Parra Flores,
bajo mi supervisin.
_________________________________
Franklin L. Quilumba Gudio, Ph.D.
DIRECTOR DEL PROYECTO
III
AGRADECIMIENTO
Juan
IV
DEDICATORIA
Este proyecto lo dedico a mis tres madres: Mara, Agueda y
Mariana. Por su apoyo incondicional, porque su luz y calor me
acompaan siempre; su bondad y sabidura me ensearon que
no importa las riquezas que puedas atesorar, sino aquello que
puedas compartir sin esperar nada a cambio,
Juan
CONTENIDO
RESUMENIX
PRESENTACIN.....X
CAPTULO 1
INTRODUCCIN A LAS REDES ELCTRICAS
INTELIGENTES
1.1
1.1.1
1.1.2
1.1.2.1
SISTEMA DE COMUNICACIONES.............................................................. 5
1.1.2.2
1.1.2.3
1.1.2.4
1.1.3
1.1.3.1
1.1.3.2
1.2
1.2.1
1.2.1.1
VI
1.2.2
1.2.3
2 CAPTULO 2
MINERA DE DATOS Y ANLISIS DE CONGLOMERADOS
2.1
2.1.1
2.1.1.1
2.1.1.2
2.1.2
2.1.3
2.2
2.2.1
DEFINICIN ............................................................................................... 32
2.2.2
2.2.3
2.2.3.1
2.2.4
2.2.4.1
VII
2.2.4.1.1 ASOCIATIVOS O AGLOMERATIVOS ....................................................... 43
2.2.4.1.2 DISOCIATIVOS .......................................................................................... 43
2.2.4.1.3 EL DENDROGRAMA ................................................................................. 44
2.2.5
2.2.5.1
2.2.5.2
2.2.6
2.2.6.1
3 CAPTULO 3
ANLISIS DE CONGLOMERADOS DEL CONSUMO
ELCTRICO EN CLIENTES RESIDENCIALES
3.1
3.1.1
PRINCIPALES DEFINICIONES.................................................................. 51
3.2
3.2.1
3.2.2
3.2.2.1
3.2.2.2
3.2.4
3.2.4.1
3.2.4.2
3.3
VIII
3.4
3.4.1
SELECCIN DE ATRIBUTOS.................................................................... 73
3.4.1.1
3.4.2
3.4.3
3.4.4
4 CAPTULO 4
ANLISIS DE RESULTADOS
4.1
4.1.1
4.1.2
5 CAPTULO 5
CONCLUSIONES Y RECOMENDACIONES
5.1
CONCLUSIONES ....................................................................................... 98
5.2
RECOMENDACIONES............................................................................. 100
REFERENCIAS BIBLIOGRFICAS
IX
RESUMEN
El presente proyecto se enfoca en el anlisis de la curva de demanda elctrica en
clientes residenciales, a travs de tcnicas de minera de datos, permitiendo
comprender sus principales caractersticas y comportamiento durante el desarrollo de
sus actividades diarias, en diferentes estaciones del ao.
Los datos de demanda que se han utilizado para el desarrollo de este proyecto,
corresponden a mediciones de la demanda elctrica cada 30 minutos realizadas por
el sistema Smart Grid CER ISSDA Irish Social Science Data Archive ejecutado en
Irlanda con el objetivo de evaluar el costo-beneficio que representara instalar
medidores inteligentes en todo el sistema elctrico de distribucin irlands. Se realiza
un preprocesamiento de los datos para determinar: principales errores e
inconsistencias en la base de datos, periodos predominantes de consumo,
distribucin estadstica de las horas pico, demanda elctrica en diferentes estaciones
del ao, definir el periodo de tiempo de estudio, naturaleza y comportamiento de los
datos para seleccionar la tcnica de anlisis de conglomerados ms adecuada.
Al comprender la estacionalidad del sistema elctrico durante el periodo de estudio,
se realiza anlisis de conglomerados, que permita agrupar homogneamente a los
clientes residenciales, determinando sus caractersticas ms relevantes que
establecen los criterios para definir los perfiles de demanda diaria tpica de cada
grupo.
Los modelos y resultados obtenidos durante el anlisis de conglomerados
constituyen los argumentos para proponer un criterio de estratificacin fundamentado
en el comportamiento diario de los usuarios, con ello se exponen las diversas
ventajas y beneficios que podra significar su aplicacin en un sistema elctrico de
distribucin. Finalmente se realiza un anlisis de estacionalidad de los estratos
obtenidos, con el objetivo de determinar su representatividad durante las diferentes
estaciones de ao y grado de participacin en los periodos de mayor consumo.
PRESENTACIN
Actualmente las empresas distribuidoras a nivel mundial, han invertido grandes
recursos en la implementacin de redes elctricas inteligentes, especialmente en los
medidores inteligentes. Lo que ha permitido obtener gran cantidad de datos de los
usuarios; alcanzando grandes facilidades, entre ellas: agilizacin del sistema de
facturacin, automatizacin en la suspensin y reconexin del servicio elctrico,
mejor control de la energa no facturada.
Se podra decir que las redes elctricas inteligentes, s han representado en mejoras
al sistema, pero en un anlisis ms concreto estas mejoras son muy superficiales; al
gran potencial y alcances que podra significar la informacin proporcionada de los
medidores
inteligentes.
Las
empresas
elctricas
de
distribucin
requieren
XI
A continuacin se detalla la estructuracin y fundamentos que permitirn comprender
el desarrollo del presente proyecto:
En el captulo 1 se realiza una introduccin sobre los principales conceptos y
elementos que conforman una red elctrica inteligente, enfocado a un sistema
elctrico de distribucin, destacando los principales beneficios y aplicaciones que
podran ser desarrolladas a travs de los datos obtenidos de medidores inteligentes.
En el captulo 2 se analiza los principales fundamentos de la minera de datos,
destacando sus diferentes etapas y procesos en la obtencin de informacin y
desarrollo de modelos que permitan comprender el universo de datos; adems se
revisa sobre las principales tcnicas de agrupacin destacando conceptualizacin y
los mtodos ms utilizados en diversas ramas de la investigacin.
En el captulo 3 se analizan los datos de demanda proporcionado por el sistema
Smart Grid CER ISSDA, aplicando tcnicas de minera de datos, con el objetivo de
filtrar y depurar la calidad de los datos; adems se realiza un anlisis de
estacionalidad para determinar el cambio de comportamiento de la curva de
demanda en las diferentes estaciones del ao; se establecen los periodos de tiempo
ms caractersticos, en los cuales se producen los principales picos de demanda en
horas especficas del da, se determinan los atributos ms relevantes para aplicar el
anlisis de conglomerados que permitir encontrar los perfiles de demanda diaria
tpica de los grupos de usuarios ms caractersticos, que constituirn los
fundamentos para desarrollar la propuesta de estratificacin basada en el
comportamiento diario.
En el captulo 4 se analiza los resultados obtenidos, enfatizando la estacionalidad y
representatividad de cada estrato propuesto en los periodos de mayor consumo
durante las diferentes estaciones del ao.
En el captulo 5 se exponen las conclusiones y recomendaciones obtenidas durante
el desarrollo del proyecto.
CAPTULO 1
CAPTULO 1
INTRODUCCIN A LAS REDES ELCTRICAS
INTELIGENTES
La energa elctrica es considerada como uno de los principales pilares que
sustentan el estilo de vida y modernidad de la sociedad actual; fue un referente
importante en el impulso de la segunda revolucin industrial [1], y constituye la base
de todos los servicios bsicos que han permitido el desarrollo de la civilizacin. Sin
embargo el acceso a este servicio en zonas rurales an no es universal, lo que
agudiza el subdesarrollo y falta de oportunidades en dichos sectores.
En casi 100 aos de utilizacin de la electricidad, su infraestructura ha permanecido
esttica y sin cambios significativos, que logren adaptarse al constante incremento
de las necesidades de los usuarios; obligando a aumentar cada vez ms la demanda
de energa elctrica contribuyendo al cambio climtico, el cual ser el mayor
problema mundial en un futuro muy cercano [14].
La expansin del sistema elctrico se dise en una poca donde la generacin era
abundante y relativamente barata, en este contexto no exista la preocupacin de
malgastar la energa. Con la explosin demogrfica en las principales metrpolis se
produjo un crecimiento exponencial de la demanda, lo que produjo crisis energtica
que forz a construir centrales de generacin trmicas las cuales eran soluciones
rpidas pero poco efectivas [2].
Con el desarrollo de nuevas tecnologas verdes, la sociedad se aproxima a una
transicin donde predominan conceptos innovadores como: ahorro y eficiencia
energtica; uso de energas renovables que reduzcan la dependencia del petrleo;
desarrollo de generacin distribuida con el objetivo de otorgar, un papel ms
participativo del usuario frente a la empresa elctrica de distribucin. En tal entorno la
red elctrica actual es obsoleta, haciendo imprescindible una evolucin acorde al
proceso de transformacin, que garantice estabilidad y disminuya los riesgos de
apagones mejorando la calidad del servicio de la energa elctrica.
1.1
EN SISTEMAS DE DISTRIBUCIN
Las redes elctricas inteligentes (REI) nacen, de los intentos de mejorar el control de
consumo de los usuarios mediante medidores digitales y sistemas de monitorizacin.
En 1980, los medidores automticos fueron utilizados para registrar el consumo
diario, lo que deriv en la creacin de una Infraestructura avanzada capaz de
determinar la energa que se empleaba a diferentes horas del da [3] [4].
En el ao 2000, Italia impuls el primer proyecto con redes inteligentes utilizando
medidores automticos en 27 millones de hogares. En abril de 2006, el Consejo
Asesor de la Plataforma Tecnolgica del futuro de Europa present su concepto de
redes elctricas inteligentes, impulsada por: los efectos combinados de la liberacin
del mercado, el cambio de las tecnologas actuales de generacin elctrica para
cumplir los objetivos ambientales, y los futuros usos de la electricidad [5].
Aunque no existe una definicin unificada estndar, la Plataforma Tecnolgica
Europea define una red inteligente como una red elctrica capaz de integrar de
forma inteligente, el comportamiento y las acciones de todos los usuarios conectados
a ella (generadores, consumidores y aquellos que realizan ambas acciones) con el
fin de distribuir de forma eficiente y segura el suministro elctrico, desde el punto de
vista sostenible y econmico [6] [7] .
En resumen, una red elctrica inteligente utiliza sensores, comunicaciones, sistemas
de control computarizado, mejorando en todos los aspectos las funcionalidades del
la inclusin,
Sistema de comunicaciones
Sensores y medicin
Red elctrica
Sistema de
comunicaciones
Red Elctrica
Inteligente
Software avanzado de
administracin y control
Mtodos avanzados
control y supervisin
Comunicaciones
Sensores y
medicin
con
otro
controlador
que
lo
supervisa
(nivel
superior)
[13]
C-master
Nivel-3
C-4
C-3
Nivel-2
C-1
C-2
Nivel-1
Nivel-0
PLC
RTU
FACT
Disyuntor
V
Vlvula Compuerta
Rel
Sensor
M
Motor
Este
sistema
integra
tanto
hardware
(controladores,
sensores,
10
Por tal razn, fue necesario impulsar tecnologas ms avanzadas con mayores
prestaciones; lo que dio lugar a la
implementacin de
[9]
los sistemas de
voltaje,
seales
digitales
para
ser
procesadas
por
microcontroladores.
11
DISPOSITIVOS
INFRAESTRUCTURA
APLICACIONES
Pre pago
Facturacin
AMR
Gestin de datos de
medidores
AMI
Curva de carga
Control de
consumo
Lmite de carga
Reporte de
fallas
Sistema de
medicin
Procesador
c
Sistema de
comunicacin
Sistema de
registros
Medidor inteligente
Nube
Empresa elctrica
distribuidora
12
[9]
. En la Figura 1.5
13
Las redes elctricas inteligentes que utilizan este tipo de medidores, debern poseer
un alto grado de confiabilidad en su conectividad a travs de sistemas redundantes;
ya que la probabilidad de prdida de informacin es muy elevada, por lo general este
tipo de medidores se utilizan con propsitos no comerciales, ya que cualquier
14
15
Anlisis del consumo y perfil de carga diario, con datos de demanda a cada
hora o fraccin de hora.
16
1.2
ESTRATIFICACIN ELCTRICA
[54] [58]
[42]
17
rea de concesin
Categorizacin
Residencial
Comercial
Industrial
Subcategorizacin
Industrialartesanal
Estratificacin
18
Estrato
0-100
101-150
151-250
251-350
351-500
[55] [61]
existe das o periodos especficos durante el ao, en los cuales la demanda elctrica
es muy superior a la nominal de periodos ordinarios, obligando a las empresas
elctricas a recurrir a planes de emergencia tales como: solicitar abastecimiento de
centrales caras, instalar centrales trmicas que logren soportar las horas pico
especficamente en dichos periodos del ao, e incluso realizar cortes programados
de energa; por lo cual es necesario ejecutar otras polticas que permitan conocer,
qu estratos poseen mayor participacin durante los periodos ms caticos de
consumo durante el ao
[59]
[56] [59]
, principalmente
[68]
19
[57]
[58] [59]
[60]
compaas
elctricas
de
distribucin
requieren
informacin
sobre
el
[43]
. Mediante el criterio de
20
demanda durante cada hora del da, o en fracciones de hora (30 o 15 minutos) con
el objetivo de reconstruir el comportamiento diario de la demanda.
En sistemas elctricos de distribucin con medidores tradicionales, no es viable la
obtencin de datos de la demanda horaria, por lo cual se recurra a ejecutar acciones
de Estudio de Carga o Load Research en el rea de concesin, la cual abarcaba
los siguientes procesos [43]:
1.2.3 BENEFICIOS
DE
LAS
REI
EN
LA
DETERMINACIN
DEL
COMPORTAMIENTO DE LA DEMANDA
Mediante los medidores inteligentes no es necesario realizar campaas de medicin,
ya que es posible obtener datos de la demanda horaria, incluso en fracciones de
hora de cada cliente. Con el desarrollo de los sistemas computacionales es posible el
estudio de grandes bases de datos, en algunos casos los recursos e infraestructura
de medicin e investigacin se encuentra en facultad de analizar a todos los datos
del rea de concesin, prescindiendo de realizar tcnicas de muestreo; pero la
inversin que se requiere para dichos centros avanzados computacionales es muy
alto, por lo que la teora de muestreo sigue siendo una opcin importante [16].
21
Las REI proporcionan una base de datos real y completa de cada cliente, para la
reconstruccin de la curva de demanda diaria en todo el sistema, no solo en puntos
crticos, y durante todos los das del ao; con ello el desarrollo de diversas
aplicaciones se facilitan y sus resultados son ms confiables; entre las principales
aplicaciones que se pueden desarrollar a partir de la curva de demanda diaria se
destacan
[43][67]
22
[66]
23
[14]
[43] [47]
[63]
. En la
Definir objetivos
Recopilacin de datos e
informacin
Sistema elctrico
tradicional
Campaas de
medicin
Redes elctricas
inteligentes
Recopilacin de
datos
Minera de datos
Desarrollo de
aplicaciones
Figura 1.7: Diagrama de flujo "Administracin de la carga"
CAPTULO 2
24
2 CAPTULO 2
MINERA DE DATOS Y ANLISIS DE CONGLOMERADOS
en
el
anlisis
de
conglomerados,
enfatizando
sus
principales
2.1
MINERA DE DATOS
comprensibles que
25
[19]
y campos
26
reduccin de
[20]
27
[16]
Transformacin
Conocimiento
Patrones
Preproceso
Seleccin
Datos
Datos objetivo
Validez.- Implica que los resultados obtenidos se rijan a las leyes matemticas
y estadsticas, es decir deben seguir parmetros reales que no las conduzcan
a conclusiones absurdas.
28
29
Pronstico.-
30
REDES NEURONALES
LGICA DIFUSA
MINERA DE DATOS
INTELIGENCIA
ARTIFICIAL
ALGORITMOS
MATEMTICOS
31
2.2
ANLISIS DE CONGLOMERADOS
de
conglomerados
resultan
imprescindibles
en
cualquier
tipo
de
investigacin.
Formar grupos homogneos caractersticos, no es sencillo ante el desconocimiento
del tipo y cantidad de patrones que los definan, en este contexto conocer el origen
del universo de datos es muy importante, ya que tener un cierto grado de intuicin
del resultado que se requiere obtener, permite concretar algunos aspectos
significativos que proporcionarn soluciones sencillas y concretas [21].
Existen varias tcnicas y algoritmos de anlisis de conglomerados, todos
considerados vlidos y con igual nivel de confiabilidad en sus resultados. A
continuacin se realizar un resumen de los principales fundamentos y tcnicas
utilizadas en el anlisis de conglomerados, con el objetivo de comprender
estructura y aplicacin.
su
32
2.2.1 DEFINICIN
El anlisis de conglomerados es un conjunto de tcnicas estadsticas multivariable
utilizadas para agrupar a un conjunto de individuos en grupos homogneos
[21]
. El
ENTRE
ANLISIS
DE
CONGLOMERADOS
CLASIFICACIN
Como herramienta de investigacin, el anlisis de conglomerados es muy utilizado
tanto en la minera de datos como en el Aprendizaje Automtico (AA) o Machine
Learning; ya que permite descubrir las principales caractersticas de los grupos ms
representativos de un conjunto de datos.
Una definicin concisa de Aprendizaje Automtico podra decirse: es la rama de la
Inteligencia Artificial que tiene como objetivo, desarrollar tcnicas que permitan a las
computadoras aprender
[17] [23]
33
[26]
[17]
34
Universo de datos
(1000 individuos)
Criterio de similitud
Seleccin de algoritmo
de clasificacin
Representacin de
resultados
35
36
Ec. 2.1
Ec. 2.2
37
[21]
Ec. 2.3
Ec. 2.4
[25]
38
Ec. 2.5
Dnde:
Ec. 2.6
Dnde:
39
T/ =
Dnde:
Q
U
Ec. 2.7
T/ = ndice binario
W(V, %) = Q$#W(V, %)
Ec. 2.8
grupos V = ("$/ ", $/ ", 2 2 , $3 ") y X" = ("B/ ", B1 ", 2 2 2 BY "), como la mnima de las
Ec. 2.9
40
En la Figura 2.4, se ilustra la distancia que existe entre los grupos V, X y el
individuo %2
Grupo I
i1
i2
i3
..
i4
in
.. .
Grupo Q
D(I,Q)
D(I,j)
q1
j
q3
q2
.. .
qn
q4
Individuo j
W(V, %) = QZ-W($, %)
W(V, X) = QZ-W($, B)
Ec. 2.10
Ec. 2.11
Dnde:
W(V, %) =Distancia mxima entre un individuo del grupo V y el individuo %
W(V, X) =Distancia mxima entre un individuo del grupo V, con un individuo del
grupo X
Distancia entre centroides.- Otro criterio que es muy utilizado es, definir la
distancia existente entre los centroides o centro de gravedad de cada grupo.
Considerando el ejemplo anterior, la distancia entre los centroides de los
grupos V, X y el individuo externo %, se expresara como:
41
W(V, %) = W($, %)
Ec. 2.12
W(V, X) = W($, B)
Ec. 2.13
Dnde:
W($, %) =Distancia entre el centroide $ del grupo V con el individuo %
Centroide i
i
i1
i2
i3
..
i4
in
.. .
Grupo Q
D(i,q)
D(i,j)
q1
q2
.. .
qn
q3
q4
Individuo j
Centroide q
[24]
42
Vecino ms cercano
Vecino ms lejano
Promedio entre grupos
Aglomerativos
Jerrquicos
Reasignacin
No jerrquicos
Nubes dinmicas
Anlisis Modal
Busqueda de
densidad
Mtodos Taxap
Mtodos de Fortin
Mtodos de Wolf
Mtodos directos
Block-Clustering
Mtodos reductivos
43
[24]
el proceso y
44
2.2.4.1.3 El dendrograma
El dendrograma constituye un grfico en forma de rbol, utilizado por los mtodos
jerrquicos que permite visualizar el proceso de clasificacin y formacin de grupos
en los distintos pasos, enlazando y derivando ramificaciones segn su nivel de
homogeneidad.
El dendrograma es una herramienta visual, que facilita decidir la cantidad de grupos
que podran representar la estructura de mejor manera, observando la forma en que
se van asociando y el grado de similitud en el cual se desarrollan. Adems el
dendrograma ayuda al investigador a seguir la pista de un grupo desde su origen y
conocer en qu etapa del anlisis se fusion o se separ de su raz [17] [24].
En la Figura 2.7 se ilustra un dendrograma, donde se observa 3 grupos: el grupo AB
es independiente, mientras que el grupo DE y el grupo C es una derivacin del grupo
CDE.
45
["particiones, donde el valor de [ puede ser escogido a priori o determinado en algn
lugar del anlisis; con el objetivo de intercambiar los individuos de cada grupo para
depurar y elevar el nivel de homogeneidad
[17] [23]
Paso 1.- Se definen los centros ""_(`) de los [" grupos de manera aleatoria.
Paso 2.- Se calcula la distancia entre cada elemento del vector de datos \(])
con los centro""_(`) de los [" grupos. La distancia puede ser de cualquier tipo,
por lo general se utiliza la distancia euclidiana WH\(]) , _(`) J = a\(]) 9 _(`) a
Paso 3.- Se reasigna cada elemento del vector de datos \(]) ," con el centro
_(`) del grupo en el cual exista la mnima distancia.
46
Paso 4.- Se actualiza el valor de los centros _(`) "de cada grupo, como el
Paso 5.- Se repite el procedimiento desde el paso 2, hasta que el centro del
grupo se estabilice y su variacin sea inferior a un ndice de precisin
definido.
Calcular nuevos
centros c(k)
SI
rror>
FIN
47
h
Ec. 2.14
Dnde:
c = Funcin objetivo.
Ec. 2.15
(`)
= " oe f`,3 2 \
3L/
(3)
p q oe f`,3 p
3L/
Ec. 2.16
48
entre (1, ) y constituye el exponente de la matriz de pertenencia d, con lo cual la
funcin objetivo se define como [29] [64]:
h
Ec. 2.17
Ec. 2.18
e f`,3 = O, k#
.L/
49
Principales ndices de
validez
ndice Calinski-Harabasz
{. : {7
O
WzV =
e QZ- i
| , ^ = C, ! 9 O
^
W.,7
.L/
.L/,h
.}7
3()
/
1
O
1
{~ = (`) 2 e?\() 9 _(`) ? , [ = $, %
#
L/
Dnde:
W.,7 ="Distancia entre los centros de los grupos $ y %
Ec. 2.19
Ec. 2.20
CAPTULO 3
50
3 CAPTULO 3
ANLISIS DE CONGLOMERADOS DEL CONSUMO
ELCTRICO EN CLIENTES RESIDENCIALES
51
3.1
CONCEPTOS GENERALES
Potencia
reactiva.-
Es
la
potencia
que
los
equipos
tales
como
[, [, [.
52
3.2
[31]
datos de demanda elctrica ([) cada 30 minutos, de 6.445 usuarios. El objetivo del
proyecto piloto fue evaluar el impacto en el consumo de electricidad en los usuarios
para
analizar
el
costo-beneficio
que
representara
implementar
medidores
53
Algunos usuarios solo participan durante el primer mes del proyecto, siendo
deshabitados totalmente los meses posteriores; este error es el ms frecuente
en toda la base de datos.
54
55
Es un error muy frecuente dar valores de 0,0 [ cuando no existe registros con lo
cual se entorpece el anlisis, ya que al desarrollar algoritmos y subrutinas de
programacin en MATLAB se interpretar estos campos como vlidos entregando
resultados desencajados y fuera de la realidad.
3.2.2.2 Determinacin del periodo de tiempo de estudio
56
Si existe al menos una duplicacin en las mediciones durante el da, tal como
se mostr en la Tabla 3.1 con el usuario ID 3612, de considerar como da
sin registro.
57
Residencial
4.225
65,56
Comercial
485
7,52
Otros
1.735
26,92
Total
6.445
100
58
Inicio
Fin
Verano
Entre el 4 y 10 mayo
Otoo
Invierno
Entre el 2 y 7 de febrero
Primavera
Entre el 2 y 7 de febrero
Entre el 4 y 10 mayo
La base de datos del sistema CER ISSDA empieza entre julio de 2009 y termina en
diciembre de 2010, considerando el periodo de tiempo de estudio se establece cada
estacin, tal como se muestra en la Tabla 3.4.
59
Inicio
Fin
Verano 2009
14-Jul-2009 (00:00)
7-Ago-2009 (23:30)
Otoo
8-Ago-2009 (00:00)
7-Nov-2009 (23:30)
Invierno
8-Nov-2009 (00:00)
7-Feb-2010 (23:30)
Primavera
8-Feb-2010 (00:00)
7-May-2010 (23:30)
Verano 2010
8-May-2010 (00:00)
14-Jul-2010 (23:30)
[36]
[35]
. Se
puede observar que el pico de demanda ocurre al medio da, entre las 12:00 y
14:30; este evento es inusual ya que en el periodo de la tarde y noche la demanda
es inferior y no logra sobrepasar el pico del medio da. Al ser el da feriado de
Navidad, el comportamiento del sistema elctrico es muy diferente a los das
normales de jornada laboral. Adems durante el 25 de diciembre de 2009 se registr
la temperatura ms baja de los ltimos aos
[35] [36]
; produciendo el da de mayor
60
[34]
61
[35]
Otro punto muy importante es conocer el comportamiento del sistema durante los
das festivos, como se mencion en la Figura 3.5 existen cambios en la tendencia de
la curva de demanda. En la Tabla 3.5, se muestran los tres principales das festivos
dentro del periodo de estudio [34].
Tabla 3.5: Das festivos en Irlanda durante el periodo de estudio
Fecha
Festividad
Navidad
Ao nuevo
62
63
Existe gran variabilidad del consumo medio de energa diaria, por lo cual
aquellos consumidores con mayor ndice de demanda poseern mayor peso
64
65
El horario de verano empieza el ltimo domingo del mes de marzo, y finaliza el ltimo
domingo del mes de octubre
[34]
Oct
Nov
Fin Periodo de
tiempo de estudio
Ene
Feb
Mar
Abr
May
Jun
Jul
2009
14-jul-2009
0:00h
25-Oct-2009
23:30h
2010
28-mar-2010
0:00h
14-jul-2010
23:30h
66
Para obtener una visin ms especfica de la distribucin de las horas pico en las
diferentes estaciones, y fundamentndose en la experiencia previa realizada por
otros investigadores
[46]
67
Figura 3.12: Contabilizacin de las horas del da donde ocurre la demanda pico
dividido en 4 grupos segn el consumo medio de energa diario
Periodo 1.- Desde las 22:30 hasta las 6:30, considerado como la madrugada
y se caracteriza por poseer la menor demanda durante el da.
Periodo 2.- Desde las 6:30 hasta las 9:30, constituye el periodo del desayuno
en el cual se inicia la jornada de actividades.
68
Periodo 3.- Desde 9:30 hasta las 15:30, se establece como el periodo de
medioda y en el cual se realiza el almuerzo.
Figura 3.13: Distribucin del consumo medio diario en funcin de las horas del da
del
ao,
comportamiento
[46]
estableciendo
sus
lmites
segn
la
naturaleza
de
su
69
3.3
ANLISIS DE ESTACIONALIDAD
[49]
70
[43] [52]
71
[35]
72
3.4
ANLISIS
DE
CONGLOMERADOS
DE
LA
DEMANDA
AGREGADA
Despus de haber analizado el cambio de comportamiento en las diferentes
estaciones del ao, se observ que el invierno es el periodo de mayor demanda; por
lo cual ser muy importante considerar este incremento de demanda elctrica, en la
seleccin de atributos ms relevantes en el desarrollo del anlisis de conglomerados,
con ello se encontrar los perfiles de la curva de demanda diaria tpica que permitir
comprender la conducta de los grupos ms caractersticos.
Como se esboz anteriormente, desde el punto de vista de la empresa elctrica
distribuidora los meses de mayor demanda son los ms importantes, ya que deben
dirigir todo su trabajo a abastecer al sistema, aumentando recursos tcnicos y
administrativos, con lo cual se eleva los costos de operatividad
[44] [67]
. En muchos
73
de usuarios; para ello se crear un matriz de atributos cuya dimensin ser U-#,
Designacin
Periodo 1
22:30 6:30
Madrugada
Periodo 2
6:30 9:30
Desayuno
Periodo 3
9:30 15:30
Medioda
Periodo 4
15:30 22:30
Noche
Con ello se reduce la dimensin de #, aunque no existe un criterio formal que limite el
nmero de atributos para el anlisis, no es recomendable utilizar una matriz tan
74
Los
periodos
del
da.-
Se
lo
representar
respectivamente.
como
$ = O,C,,
anlisis de otros investigadores [46], este atributo fue escogido debido al alto ndice de
variabilidad que se observ en la Figura 3.9, con lo cual se orient la alta dispersin
que existe en la naturaleza de los datos de demanda de clientes residenciales con
los 4 periodos de tiempo caractersticos del da.
Despus de analizar la estacionalidad en los diferentes meses del ao, se apreci un
marcado cambio de comportamiento entre el invierno y las dems estaciones; por lo
cual se plante como atributo el incremento que se produce en la demanda media
confusos con perfiles de consumo muy parecidos durante el periodo de la noche, por
lo que fue descartado.
3.4.1.1 Transformacin de los datos
Tal como se analiz en la Figura 3.9, existe un alto nivel de dispersin entre
consumos medios diarios, por lo cual aquellos clientes de mayor capacidad de
consumo tendrn ms peso sobre los dems, siendo necesario normalizar la curva
de demanda de todos los usuarios tomando valores entre 0 y 1, con ello se enfoca el
anlisis de conglomerados hacia el comportamiento de los clientes ms no en el
valor de la demanda, caso contrario los resultados reflejaran el nivel de consumo de
los clientes sin guardar relacin con el comportamiento [43] [45].
75
Atr. 5
Atr. 1-4
{
O
{7 = x y e .7
.L/ .
Atr. 6
.37
Descripcin
?.7
9 .7
? .37 ="Demanda de incremento del usuario
=e
7
%, durante el invierno2
.L/
g
.7
=Demanda media en el periodo $, del
.7
=Demanda media en el periodo $, del
76
[17]
[69]
, adems posee la
77
78
de
79
80
muchas veces estos sistemas solo son utilizados para facturacin y control de
energa no facturada [40].
Al conocer el comportamiento tpico de cada grupo tal como se mostr en la Figura
3.18; se puede implementar un modelo de estratificacin basado en las
caractersticas ms importantes de demanda durante el da. Segn las necesidades
que requiera la Empresa Elctrica de distribucin podra ser de mucho inters
conocer que estrato posee mayor participacin en el pico del medio da; o identificar
que estrato posee un cambio de comportamiento drstico durante el invierno, con lo
cual se podran desarrollar planes de ahorro de energa y eficiencia energtica [51] [64].
El criterio de estratificacin que se propone en este proyecto, tiene como objetivo
facilitar la integracin de nuevos usuarios a cada estrato, adems de crear un modelo
para ser implementado en un sistema elctrico de distribucin real.
Al obtener las curvas de demandas diarias tpicas, se define el criterio de
estratificacin segn el grado de semejanza que posea el cliente al comportamiento
tpico de los grupos obtenidos en el anlisis de conglomerados, por medio de una
funcin de coste establecida como:
g
O
7
c7 = e(v. 9 v. )1
!
.L/
Ec 3.1
Dnde:
= O,C,,"Representa el grupo al cual se realiza el anlisis de semejanza.
$ = O,C, , !" Mediciones disponibles de la curva de demanda diaria del usuario %,"
para este proyecto el sistema CER ISSDA posee datos de la demanda elctrica cada
30 minutos, representando 48 mediciones al da.
81
c7 =Funcin de coste del cliente %," con respecto al grupo .
Ec 3.2
82
Grupo-1
0,34183384
0,2630693
0,21324878
0,18667394
0,17051561
0,16102412
0,15396257
0,15092098
0,15060021
0,15570193
0,16528039
0,17948118
0,2105763
0,2754117
0,3522619
0,43768114
0,44412901
0,38717496
0,3536655
0,35083312
0,34791143
0,33937545
0,33100846
0,33046419
0,34608708
0,37168109
0,39064924
0,3736234
0,37791855
0,39610438
0,4395722
0,51167685
0,64917093
0,85775374
1,09813012
1,23526555
1,24996102
1,20392022
1,15210275
1,08661527
1,04301267
1,0115759
0,97902105
0,89377698
0,81547007
0,70721031
0,57974863
0,45669532
Grupo-2
0,45000726
0,37686602
0,32200344
0,28440299
0,26115393
0,24581626
0,24383504
0,23471061
0,23050973
0,23532489
0,2446324
0,26168414
0,29486235
0,34319431
0,39576811
0,44606177
0,47935459
0,45732618
0,43426615
0,42489372
0,41379785
0,40953328
0,40430941
0,41378922
0,42812233
0,44655522
0,45711922
0,43652009
0,43116862
0,42975817
0,45220218
0,48589595
0,56216903
0,67574897
0,81849894
0,89834894
0,91294245
0,890735
0,87043582
0,8420342
0,81365172
0,79136628
0,77397211
0,74796857
0,71801453
0,66609129
0,60442214
0,52911908
Grupo-3
0,18226361
0,14623786
0,12721098
0,11523556
0,11200853
0,1076162
0,10597039
0,10424936
0,10363642
0,10826243
0,11152373
0,122938
0,15175359
0,23169002
0,44063935
0,59007719
0,5892927
0,48138183
0,38628789
0,32475493
0,28740189
0,25720814
0,2476593
0,24715682
0,25060606
0,25712004
0,27202298
0,26003037
0,25574265
0,2572074
0,28466002
0,31462214
0,36531539
0,44830214
0,55224037
0,59679841
0,60252352
0,58547175
0,5637477
0,53837624
0,51405527
0,48740939
0,46443778
0,43598094
0,40045516
0,34788731
0,29193074
0,23413382
83
Otro detalle importante que se puede observar en el comportamiento del cliente ID3067, es que la demanda crece considerablemente a partir de las 21:00
aproximadamente, y se extiende hasta las horas de la madrugada; esto puede
deberse principalmente a la utilizacin de sistemas de calefaccin durante las
temporadas ms fras de invierno, tal como se analiz en la Figura 3.4.
Desarrollar una propuesta de estratificacin basado en el comportamiento diario,
facilita la identificacin de los grupos ms representativos durante las pocas de
mayor demanda, con ello la empresa distribuidora podra enfocar su planificacin a
las necesidades de cada estrato, tal como se observa en la Figura 3.19, el cliente ID
3067 posee picos de demanda principalmente durante los periodos del desayuno y la
noche, con esta informacin es posible desarrollar varias aplicaciones tales como
programas de eficiencia energtica o tarifas especiales para las horas especficas de
demanda de cada estrato.
CAPTULO 4
84
4 CAPTULO 4
ANLISIS DE RESULTADOS
4.1
85
Estrato
N. Usuarios
Porcentaje [%]
Grupo-1
Estrato-1
1.152
27,95
Grupo-2
Estrato-2
1.294
31,44
Grupo-3
Estrato-3
672
16,41
Grupo-4
Estrato-4
1.006
24,20
Total
4.125
100
86
87
Durante el
88
89
Contina
90
Contina
91
Contina
92
93
Contina
94
Contina
95
Contina
96
97
Caracterstica
Hora del da
(aproximado)
Estrato-1
Mayor protagonismo en el
pico de demanda del periodo
de la noche
15:30-22:30
Estrato 2
Relevancia en el pico de
demanda del periodo de la
noche
15:30-22:30
Estrato-3
Estrato-4
Mayor contribucin en el
periodo de la maana y pico
del almuerzo
6:30-8:30
15:30-22:30
9:30-14:00
CAPTULO 5
98
5 CAPTULO 5
CONCLUSIONES Y RECOMENDACIONES
5.1
CONCLUSIONES
Los datos proporcionados por el sistema Smart Grid CER ISSDA Irish Social
Science Data Archive ejecutado en Irlanda son reales obtenidos de un sistema
elctrico de distribucin existente; constituyen un proyecto piloto, en el cual es
factible realizar estudios orientados a sistemas de distribucin ms amplios,
desarrollando diversas aplicaciones que podran beneficiar tanto a la empresa
elctrica como al cliente.
La
curva
de
demanda
elctrica
en
usuarios
residenciales
refleja
el
99
que
cada
estrato
posee
una
caracterstica
especial
en
su
100
5.2
RECOMENDACIONES
REFERENCIAS BIBLIOGRFICAS
[1] L. Bilbao, R. Lanza, Historia Econmica, Universidad Autnoma de Madrid,
Facultad de Ciencias Econmicas y Empresariales. Madrid-Espaa (2009-2010).
[2] P. Rozas, Crisis econmica y energtica en Amrica Latina, Serie Recursos
Naturales e Infraestructura. Naciones Unidas-CEPAL. Santiago de Chile (mayo
2009).
[3] Observatorio Industrial del Sector de la Electrnica, Tecnologas de la Informacin
y Telecomunicaciones. Smart Grids y la Evolucin de la Red Elctrica. Espaa
(mayo 2010).
[4] T. Gmez, Redes Elctricas Inteligentes Introduccin, Universidad Pontificia
Comillas. Madrid-Espaa (junio 2011).
[5] Energa y Sociedad, Smart Grids Redes Elctricas Inteligentes, Espaa (Marzo
2010).
[6] M. Nigris, Conferencia Regional sobre Redes Inteligentes de Energa (Smart
Grids) en Amrica Latina y el Caribe: Viabilidad y Desafos. Chile (octubre 2010).
[7] F. Sioshandi, Smart Grid: Integrating Renewable, Distributed & Efficient Energy
Editorial ELSEVIER. Oxford- United Kingdom (2012).
[8] J. Momoh, SMART GRID: Fundamentals of Design and Analysis. Mohamed E.
El-Hawary, Series Editor. IEEE (2012).
[9] K. Weranga, S. Kumarawadu, D. Chandima, Smart Metering Design and
Applications. Editorial Springer. London-United Kingdom (2014).
[10] A. Shawkat, Smart Grids: Opportunities, Developments, and Trends Editorial
Springer. London-United Kingdom (2013).
[11] S. Sanchez, Smart Energy. TIC y energa: un futuro eficiente Editorial Ariel.
Barcelona-Espaa (2013).
TESIS CONSULTADAS
[37] L. Cruz, Minera de datos con aplicaciones Licenciatura en Matemticas
Aplicadas y Computacin, Facultad de Estudios Superiores, Universidad Autnoma
de Mxico, Acatln-Mxico 2010.
[38] J. Guato, J. Morocho, Modelo regulatorio para la tarifacin de la generacin
distribuida y los parmetros tcnicos necesarios para su implementacin en el
Ecuador Ingeniero Elctrico, Facultad de Ingeniera Elctrica y Electrnica, Escuela
Politcnica Nacional, Quito 2014.
[39] I. Cuenca,
Ingeniero Elctrico,
[62] N. Mahmoud, M. Moghaddam, S. Bidaki, Evaluating performance of WFA Kmeans and modified follow the leader methods for clustering load curves, presented
at the IEEE/Power Energy Soc. Power Syst. Conf. Expo., Seattle, WA, 2009.
[63] S. Ramos Z. Vale, Data mining techniques application in power distribution
utilities, presented at the IEEE/Power Energy Soc. Transm. Distrib. Conf. Expo.,
Chicago, IL, 2008.
[64] Z. Zakaria, M. Othman, M. Sohod, Consumer load profiling using fuzzy
clustering and statistical approach, in Proc. 4th Student Conf. Res. Develop.,
Selangor, Malaysia, 2006, pp. 270274.
[65] S. Zhong, K. Tam, A frequency domain approach to characterize and analyze
load profiles, IEEE Trans. Power Syst., vol. 27, no. 2, pp. 857865, May 2012.
[66] D. Gerbec, S. Gasperic, F. Gubina, Determination and allocation of typical load
profiles to the eligible consumers, in Proc., 2003 IEEE Bologna Power Tech Conf.,
Jun. 2003, vol. 1, no. 5, pp. 2326.
[67] C. Chen, J. Huang, C. Huang, Application of load survey system lo proper tariff
design, IEEE Truss. Power System, 1997. 12, (4). pp. 174-1751.
[68] G. Tsekouras, N. Hatziargyriou, E. Dialynas, Two-stage pattern recognition of
load curves for classification of electricity customers, IEEE Trans. Power Syst., vol.
22, no. 3, pp. 11201128, Aug. 2007.
[69] D. Davies, D. Bouldin. "A Cluster Separation Measure." IEEE Transactions on
Pattern Analysis and Machine Intelligence. Vol. PAMI-1, No. 2, 1979, pp. 224227.