Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Marco Pruckner
David Eckhof
Reinhard alemn
Redes de Computadores y Sistemas de Comunicacin
Universidad de Erlangen-Nuremberg
Martensstr. 3
91058 Erlangen, Alemania
ABSTRACTO
En todo el mundo, y en particular en Alemania, se observa una tendencia
hacia un suministro de energa elctrica ms sostenible, incluyendo la
eficiencia energtica y la proteccin del clima. Los modelos de simulacin
pueden apoyar estas transiciones de energa, proporcionando ideas
beneficiosas para el desarrollo de diferentes estrategias mix de generacin
de energa elctrica en sistemas de energa elctrica en el futuro. Un
parmetro de entrada importante para estas simulaciones a gran escala es
la demanda de electricidad, normalmente obtiene utilizando conjuntos de
datos empricos. Sin embargo, es deseable implementar modelos de
demanda de electricidad dinmicas para poder investigar el
comportamiento del sistema de energa bajo cambiantes o especficas
condiciones. En este artculo presentamos un modelo de este tipo.
Identificamos los parmetros ms importantes, tales como la estacionalidad,
el tipo de da, y la temperatura media diaria para modelar con precisin la
demanda de electricidad a gran escala para Alemania. Nos validar e
implementar nuestro modelo en el contexto de un marco de simulacin
hbrida y mostrar su exactitud y aplicabilidad.
1. INTRODUCCIN
De acuerdo con la Poltica de Energa Highlights (Agencia Internacional de la
Energa 2013), el gobierno alemn se dirige a Alemania para convertirse en
uno de los ms energa economas eficientes y ecolgicamente racionales
2. TRABAJO RELACIONADO
Hay varias publicaciones en el campo de la modelizacin y simulacin de
perfiles de carga elctrica en el
nivel de los hogares. Paatero y Lund (2006) presentaron un modelo
simplificado de abajo hacia arriba para generar realista
los datos de consumo elctrico domstico sobre una base horaria desde
unos pocos hasta miles de hogares. los
carga se construye a partir de los componentes elementales de carga (por
ejemplo, lavavajillas, lavadora, televisin).
El modelado del consumo de electricidad de la casa tambin fue
considerado por Sorasalmi (2012). El objetivo de su trabajo es la
implementacin de una herramienta capaz de producir escenarios futuros
de consumo de electricidad y el perfil de carga cambios. Para el modelo a
largo plazo se utiliza un enfoque de la dinmica de sistemas, mientras que
el modelo de corto plazo se implementa utilizando un enfoque de abajo
hacia arriba.
Zeyringer et al. (2012) propusieron una metodologa que combina los datos
estadsticos sobre la distribucin
de los consumidores de electricidad con los perfiles de carga
estandarizados. Este enfoque permite la investigacin de la integracin de
la tecnologa de energa renovable en las microrredes.
Las tres publicaciones tienen por objeto modelar perfiles de demanda de
electricidad en el nivel de los hogares. Es posible obtener los perfiles de
1085
Invierno
Primavera
0 2 4 6 8 10 12 14
Hora del da
verano
Otoo
16 18 20 22 0
2 4 6 8 10 12 14 16 18 20 22
Hora del da
1086
0 2 4 6 8 10 12 14 16 18 20 22
Hora del da
Figura 2: Diagrama de caja de la demanda diaria de energa elctrica para
los das de trabajo en invierno
veinte grupos. Se encontr que los das festivos se pueden agrupar con
domingos, vsperas de festivos
pueden agruparse con los viernes. Esto es consistente con los hallazgos de
Gladysz y Kuchta (2008).
A cada grupo se le asigna los datos de la demanda diaria de energa
elctrica correspondientes a los aos 2011, 2012 y 2013. Hemos
normalizado estos valores para tener en cuenta las diferentes condiciones
climticas y el crecimiento econmico. Posteriormente, todos los grupos se
analiz en detalle. Por ejemplo, la Figura 2 muestra el diagrama de caja para
uno de los veinte grupos, a saber, un da de la semana en invierno. Vemos
una variacin en la demanda de electricidad de cada hora del da, los
valores atpicos son difcilmente observable. A medida que el rango de cada
caja es muy similar, almacenamos la mediana de cada hora dentro de cada
grupo (lo que resulta en 24 20 valores).
1087
Mediciones Mediciones
Ajuste lineal por ajuste lineal
-15
-10 -5 0 5 10
15
10 15 20 25
30
Mediciones
ajuste de Gauss
Das
Figura 5: la temperatura del aire media diaria y el componente estacional
durante cinco aos, grabado de una estacin meteorolgica en Baviera,
Alemania
1088
Tt = Yt + t Zt.
Para el Yt estacionalidad, t desviacin estndar, y el proceso
autorregresivo Zt los siguientes modelos
son usados:
Con base en los hallazgos de Alaton et al. (2001) se utiliza un modelo
lineal y estimar parmetros A, B, C
y para la funcin de
Yt = A + sin Bt + C (? T + )
para la tendencia lineal y estacionalidad Yt.
El proceso determinista, peridica para la desviacin estndar de Tt es
descrito por t. estimamos
parmetros a, b, y c para la funcin de
(
t = a + b cos
2t
365
) ()
2t
+ CSIN
365
4 APLICACIN
En esta seccin se describe la implementacin de nuestro modelo de
demanda de electricidad en AnyLogic 6 y retos adicionales con el fin de
evitar la discontinuidad entre das. Un paso completo por la descripcin
paso del algoritmo se puede encontrar en el algoritmo 1.
4.1 Aplicacin en AnyLogic 6
Nuestro marco de simulacin utiliza un enfoque de simulacin hbrida que
combina la simulacin de eventos discretos y Dinmica de Sistemas en un
marco (Pruckner y alemn de 2013). Por ejemplo, las decisiones de control
se pueden modelar por eventos discretos, mientras que los flujos de energa
se pueden modelar por el paradigma dinmica del sistema. La situacin
para el modelo de la demanda elctrica en prctica es bastante similar: las
temperaturas medias diarias se pueden modelar por un evento discreto,
mientras que la demanda de electricidad se puede modelar como un flujo
de potencia y por lo tanto es un proceso continuo con respecto al tiempo.
La clasificacin de los das (usando la mediana de cada hora) se implementa
como funciones de tabla. Las funciones de tabla (como se muestra en la
Figura 6) son elementos de la caja de herramientas de la dinmica de
sistemas y ofrecen la posibilidad de llevar perfiles de demanda de
electricidad por hora de un modo continuo por medio de interpolacin. Esta
es una caracterstica muy til para de gran escala simulaciones de sistemas
de energa.
AnyLogic ofrece la posibilidad de obtener el mes y da de la semana actual
en cada paso de simulacin.
Basado en el mes en curso, podemos elegir la temporada: suponemos que
el invierno corresponde a diciembre,
Enero y febrero; primavera para marzo, abril y mayo; verano de junio, julio y
agosto; y caer
1089
1090
1091
valor fue de 472 TWh y el valor mximo fue de 481 TWh. Esto demuestra
que nuestro modelo es capaz de generar niveles realistas de consumo anual
de electricidad.
La correlacin entre el consumo de electricidad y la temperatura media
diaria para los das laborables de invierno es
se muestra en la Figura 8 (a). Observamos comparando el lineal se ajusta a
que, en promedio, nuestro modelo de simulacin ligeramente
subestima el conjunto de datos ENTSO-E. Sin embargo, esta subestimacin
es solamente marginal y tambin constante
Por lo tanto, y podra ser fijado fcilmente utilizando un coeficiente escalar.
La Figura 8 (b) representa la misma correlacin para
das de trabajo de verano. Aqu, nuestro modelo se ajusta a los datos
ENTSO-E muy as como la similitud de los ajustes lineales
muestra.
-15 -10 -5 0 5 10 15 5 10 15 20 25 30
5.3 resultados
El objetivo principal de este trabajo es proporcionar perfiles de demanda de
electricidad realistas como insumo para la simulacin.
Para fines de validacin se compararon un ao de datos reales (vase la
figura 9 (a)) con uno de los resultados de nuestra
modelo de simulacin (vase la figura 9 (b)). Como se puede ver que
nuestras cuentas modelo no slo para el tpico estacional
tendencias (mayor demanda en invierno, una menor demanda en verano),
sino tambin para la demanda de electricidad en atpica
tanto en verano como las vacaciones de invierno. Se observa que la
demanda media de electricidad del modelo de simulacin
y los datos reales son muy similares, lo que indica la exactitud de nuestro
modelo a una escala mayor.
Ene Mar Mayo jui Sep Nov Ene Ene Mar Mayo jui Sep Nov Ene
(A) Los valores reales (b) los valores simulados
1092
Lun Mar Mie Jue Vie Sab Dom Lun Mier Jue Vie Sab Dom
(A) Los valores reales (b) los valores simulados
Figura 10: la demanda de electricidad real y simulada por una semana en
invierno
6. CONCLUSIN
En este trabajo presentamos un nuevo enfoque para modelar la demanda
de electricidad para ser usado en energa a gran escala
simulacin. Utilizando el anlisis estadstico de los datos publicados
oficialmente notamos una fuerte correlacin entre la
el tipo de da, la estacin y las temperaturas medias diarias con el nivel real
de la demanda de electricidad. En nos totales
identificadas veinte grupos de clasificacin de los das para tener en cuenta
las caractersticas especficas de los das de trabajo,
fines de semana, das de fiesta, y as sucesivamente. Adems se observ
que el impacto de la temperatura media diaria
muestra un comportamiento gaussiana distribuida y por lo tanto puede ser
modelado en consecuencia. Para no depender de grabado
datos de temperatura que despliega y se valid un proceso autorregresivo
para generar una serie de tiempo realista
de todos los das las temperaturas medias.
Para fines de validacin y como prueba de concepto implementamos
nuestro modelo en el marco de simulacin
AnyLogic 6, mostrando su aplicabilidad en el contexto de la simulacin
hbrido que combina la dinmica de sistemas
y la simulacin de eventos discretos. Nuestro modelo es capaz de producir
de forma realista perfiles de demanda tanto en los pequeos
y en gran escala y por lo tanto puede sustituir a los datos empricos como
entrada para la simulacin de energa a gran escala
sistemas.
El enfoque desarrollado tambin se puede utilizar para cualquier otra regin
en todo el mundo, tanto tiempo como parmetros de entrada, tales como
las temperaturas medias diarias o perfiles de carga de electricidad estn
disponibles. En el caso de todos los estados miembros de la Unin Europea
los perfiles de carga de electricidad estn disponibles en el sitio web ENTSOE.
El trabajo futuro incluye la escala de perfiles de demanda en todo el pas a
una escala ms pequea, por ejemplo, un estado federal de Alemania.
1093
EXPRESIONES DE GRATITUD
Este trabajo ha sido llevado a cabo dentro del proyecto "Anlisis del Sistema
de Baviera Energa" que est coordinado
por el Dr. Klaus Hassmann (el portavoz de la Tecnologa Energtica Cluster,
Bayern Innovativ, www.bayerninnovativ.de). El proyecto es apoyado por la Agencia de Energa de Baviera,
Allguer berlandwerk, Areva,
renerco, E.ON, infra-Frth, Kraftanlagen Mnchen, OMV, Ostwind, Siemens,
SWU, TENNET, Thga, y Verbund. Los autores desean agradecer a la Dra
Hassmann y los socios de varias discusiones y la prestacin de los datos.
Referencias