See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/269272550

Gestión de la demanda eléctrica para clientes residenciales

Conference Paper · June 2014

DOI: 10.1109/ARGENCON.2014.6868562

CITATIONS READS

0 389

4 authors:

Federico Aguirre Juan Manuel Alemany

Universidad Nacional de Río Cuarto Universidad Nacional de Río Cuarto
6 PUBLICATIONS   2 CITATIONS    24 PUBLICATIONS   116 CITATIONS   

SEE PROFILE SEE PROFILE

Jeremy Lin Fernando Magnago

Transmission Analytics Universidad Nacional de Río Cuarto
73 PUBLICATIONS   273 CITATIONS    82 PUBLICATIONS   1,071 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

OPTIMIZATION ALGORITHMS APPLIED TO A SMART GRID USIGN ARTIFICIAL INTELLIGENCE TECHNIQUES View project

International research in Electrical Engineering View project

All content following this page was uploaded by Jeremy Lin on 30 September 2015.

The user has requested enhancement of the downloaded file.

 2014 IEEE Biennial Congress of Argentina (ARGENCON)
Gestión de la demanda eléctrica para clientes
residenciales.
F. Aguirre# 1 , J. Alemany#, Jeremy Lin* SM, IEEE y F. Magnago#, SM, IEEE
#
Facultad de Ingeniería, Universidad Nacional de Río Cuarto
Río Cuarto, Argentina
1
jaguirre@ing.unrc.edu.ar
*
PJM Interconnection
Abstract— Nowadays, electrical systems are experiencing high
peak demand. One resource that is currently becoming an
important resource is the demand response (DR) which can be
defined as the set of techniques, programs and systems capable of
getting consumers to reduce or shift their
consumption, minimizing demand peaks, and as a consequence,
reducing the economic costs and improving the security of the
electrical system. One of the major challenges in this area is
related to the inclusion of DR in unit commitment and economic
dispatch formulations. Currently, these programs consider
fixed demand or a basic model of DR in the formulation,
therefore, the inclusion of a detailed model of DR in these
programs involves modifying both the objective and constraints
functions. The objective of this work is the study of different DR
patterns from the point of view of the operating system.The study
considers mainly housing loads. Different types of models and
methods of DR are reviewed, some recommendations are
remarked in relation to the efficient operation of the power
system with the inclusion of different DR models.
Resumen— En la actualidad, los sistemas eléctricos de
potencia experimentan picos de demanda cada vez más elevados.
Una de las soluciones más rápidas e inclusivas a este problema
proviene de realizar una gestión activa de la demanda, la cual
puede definirse como el conjunto de técnicas, programas y
sistemas capaces de conseguir que los consumidores reduzcan o
desplacen su consumo, minimizando de esta manera los picos de
carga, los costes económicos y limitantes del sistema eléctrico.
Mientras que los programas de “predespacho y despacho
económicos” actuales consideran una demanda fija, aplicar
gestión activa de la demanda basada en precios variables,
implicaría modificar el modelo actual. El objetivo de este trabajo
es estudiar las distintas opciones de utilización de los recursos de
DR desde el punto de vista de la operación del sistema, y el
estudio de distintos modelos para incorporarlos luego a
herramientas de predespacho y despacho económico. El estudio
esta direccionado a sistemas de baja tensión (domiciliario).
Distintos tipos de modelos y métodos se revisan. Adicionalmente,
se hacen algunas recomendaciones en relación a la operación
eficiente del sistema eléctrico con la inclusión de distintos
modelos de DR.
Keywords — Despacho de cargas domiciliarias, Red
Inteligente, Respuesta de la Demanda.
___________________________
J. F. Aguirre, J. M. Alemany y F. Magnago,:Universidad Nacional de Río
Cuarto (UNRC), Río Cuarto, Córdoba, Argentina, jaguirre@ing.unrc.edu.ar,
jalemany@ing.unrc.edu.ar , fmagnago@ing.unrc.edu.ar.
J. Lin, PJM Interconnection, Audubon, PA 19406, USA, jeremy.lin@pjm.com
978−1−4799−4269−5/14/$31.00
2014
c IEEE 628
I. INTRODUCCION
La demanda de energía eléctrica aumenta día a día mientras
que los métodos vigentes de producción de la misma no son
sostenibles, principalmente por razones de escasez de recursos
y por problemas de contaminación ambiental asociados a estos
métodos. En la actualidad muchos sistemas eléctricos están
experimentando picos de demanda cada vez más elevados,
empeorando esta situación. Diversos trabajos han expuesto
este escenario y las consecuencias ambientales y económicas
asociados a la operación de una red eléctrica de manera
ineficiente [1, 2, 3].
Una solución a este problema está relacionada con mejorar
la gestión de la red, por medio de la optimizacion no solo del
suministro de energía eléctrica, sino también de su consumo.
En esta dirección se orientan los desarrollos que permiten
predecir y optimizar las curvas de demanda en hogares
conformando el punto de inicio para lograr, en un corto plazo,
importantes beneficios, tales como el ahorro energético,
disminución de costos, mejoras en la calidad del servicio
prestado y aumento de la vida útil de la infraestructura
eléctrica; además de consecuencias colaterales como la
disminución de emisiones de gases contaminantes.
En este contexto podemos situar a la gestión activa de la
demanda (DR, Demand Response), la cual puede definirse
como el conjunto de técnicas, programas y sistemas capaces
de conseguir que los consumidores reduzcan o desplacen su
consumo, minimizando de esta manera los picos de demanda,
disminuyendo de esta manera los costes económicos y
limitantes (tales como la precaria infraestructura que puede
existir en la distribución) del sistema eléctrico.
El Departamento de Energía de USA, presenta un análisis
de los importantes beneficios que involucraría una adecuada
gestión de la demanda utilizando como agente regulador
aplicaciones de precios variables [4]. Recientes publicaciones
[5, 6] proponen adaptar la DR a través de cambios en los
patrones normales de consumo de los usuarios en respuesta a
cambios en el precio de la electricidad [7, 8]. Esto permitiría
brindar una participación más activa a los usuarios, reduciendo
los picos de carga, programando tareas y funciones de manera
óptima. No obstante, es necesario tener en cuenta no solo el
uso de precios variables, sino también otros factores que
afectan a los consumidores y también regulan la demanda,
tales como el comportamiento socio-económico o factores
climatológicos.
 En la actualidad los programas de despacho y predespacho
utilizados, consideran una demanda fija, o un modelo general
de respuesta de demanda, por lo tanto, la incorporación de DR
en estos sistemas implicaría modificar tanto la función
objetivo como las restricciones del problema pudiendo
conducir a soluciones muy distintas, y en consecuencia se
proporcionarían diversos resultados que impactarían
directamente en la operación de los sistemas eléctricos
actuales, redefiniendo las curvas de cargas.
Sin embargo, antes de proceder con la implementación de
aplicaciones DR a nivel residencial, es necesario evaluar la
eficacia de las mismas, analizando el potencial de respuesta de
los consumidores frente a estos estímulos en los precios. Por
otro lado, también deben tenerse en cuenta los factores que
condicionan estás técnicas, como por ejemplo la falta de
clasificación de las cargas "gestionables" o "no gestionables"
para la reprogramación del consumo, el nivel potencial de
desplazamiento de las cargas en distintos horarios y la
reducción que las mismas pueden permitir frente a diferentes
modos de operaciones. Por otro lado, se debe evaluar el
soporte tecnológico para estas aplicaciones, principalmente los
sistemas y protocolos de comunicación disponibles.
El objetivo de este trabajo consiste en realizar una revisión
y discusión sobre las diferentes técnicas de implementación
DR en el contexto de una red inteligente (SG, Smart Grid),
proponiendo un modelo de arquitectura DR para la gestión
activa de la demanda en sistemas de baja tensión (red
domiciliaria). Este trabajo constituye la base conceptual para
el posterior desarrollo de modelos matemáticos de cargas
domiciliarias gestionables con el fin de incluirlas en
programas de despacho de carga.
II. RESPUESTA DE LA DEMANDA
La respuesta de la demanda (DR, Demand Response) se
define como el cambio en el consumo residencial de
electricidad, respecto del patrón de consumo regular, en
función a distintos cambios, fundamentalmente relacionados
con el precio de la electricidad en función del tiempo. Dado
que la electricidad es un producto de consumo no
almacenable, los precios, son variables.
No obstante, la mayoría de los sistemas de distribución de
electricidad utilizan una tarifa eléctrica fija relacionada con el
promedio anual del costo de servicio. Por esto, aunque el costo
de la electricidad cambia con el tiempo, la mayoría de los
usuarios paga una tarifa plana, que no refleja el precio
mayorista en el momento de consumo. Por lo tanto, establecer
mecanismos de gestión de demanda eficientes no es trivial.
Para flexibilizar esta problemática, la gestión activa de la
demanda deberá apoyarse en:
• La Red inteligente (SG, Smart Grid), la cual brinda la
infraestructura básica que permitirá el flujo
bidireccional de energía y comunicaciones entre
usuarios, distribuidoras y comercializadoras [9].
• La lógica de gestión y negocio que se encargará de
influir en el consumo de los usuarios.
En este contexto podrían utilizarse algunos de los siguientes
esquemas de precios al por menor, tales como: precios de
tiempo real (RTP, real-time pricing) [10], precios del día
629
próximo (DAP, day-ahead pricing) [11], tiempo de uso (TOU,
time-of-use) [12], precios de demanda pico (CPP, critical peak
pricing) [13] y el modelo tarifario por bloques de energía
(IBR, inclining block rates) en el cual el precio marginal se
incrementa por la cantidad total consumida [14], es decir,
superado un cierto margen de consumo residencial mensual-
diario-horario, el precio de la electricidad se incrementa a un
valor mayor. Los mismos fueron diseñados por diferentes
compañías con el fin de incentivar a los consumidores en la
participación activa en programas de respuesta de demanda.
En todas estas variantes, la idea principal es; por un lado,
permitir que los precios minoristas reflejen las fluctuaciones
de los precios mayoristas, para que los usuarios paguen lo que
la electricidad vale en diferentes momentos del día; y por otro
lado, se fomenta a los usuarios a trasladar el uso de
electrodomésticos de alto consumo hacia la horas del día que
se encuentran fuera del pico de carga diario, para reducir sus
costos de electricidad y también para ayudar a reducir la
relación entre el pico y el valor promedio (PAR, peak-to-
average ratio) de la demanda eléctrica, aplanando la curva de
carga.
Las ventajas más destacables de los esquemas de precios
variables con el tiempo son tres: primero, los usuarios pueden
reducir su consumo eléctrico cuando el precio es alto y así
reducir sus facturaciones; segundo, el pico de demanda horaria
puede reducirse, prescindiendo de capacidad de generación
redundante ligada a requerimientos de confiabilidad; tercero,
la demanda fuera de pico puede incrementarse, lo que a su vez
incrementa la utilización de capacidad de generación
redundante. Basado en estos conceptos, diversos trabajos han
propuesto esquemas tarifarios variables con el tiempo. Los
estudios teóricos y de simulación más recientes analizan las
ventajas económicas en la implementación de esquemas RTP
[15, 16]. Varios estudios proponen modelos tarifarios
cuidadosamente diseñados para mejorar el desempeño del
sistema y la participación del usuario en programas donde se
aplican esquemas RTP y CPP [17, 13].
III. IMPACTO DE UNA GESTIÓN ACTIVA DE LA DEMANDA EN
UNA SG.
Actualmente, la mayoría de los estudios se centran en el
análisis de la gestión en el sistema de generación y en el
funcionamiento del mercado [18]. Pero con el cambio de
paradigma que trae aparejado el concepto de la SG, es
indudable que el principal beneficio radicará en realizar
estudios de viabilidad para futuras implementaciones en el
dominio de los consumidores. A continuación se revisa el
estado del arte en los principales dominios definidos por el
NIST [19], en el que se espera un importante desempeño de
las técnicas DR.
A. Generación
Diversos estudios plantean un análisis de la respuesta de la
demanda desde dos enfoques diferentes. En un primer
momento se incorpora una gestión de forma endógena,
considerando curvas elásticas en modelos de equilibrio de
mercado [20, 21].Por otro lado, se propone una forma exógena
que contemple las variaciones de la demanda basándose en
reducciones de cargas [22]. Trabajos mas recientes proponen
métodos estocásticos que consideran la aleeatoriedad de las
principales variables involucradas [23].
En [24] y [25] los autores presentan el usso de DR para el
balance de la generación y demanda en ttiempo real para
sistemas con elevada penetración de generacióón eólica.
B. Dominio de la Distribución
La Comisión Federal de Regulación dee Energía de los
Estados Unidos (FERC, Federal Eneergy Regulation
Commision) [36] clasifica la respuesta de la demanda en
función de cómo estos programas afectan el precio de la
electricidad y el plazo. Se definen dos categgorías principales,
los que están basados en programas de incenttivos y los que se
basan en el tiempo. El programa basado en incentivos se
divide en programas clásicos y programas basados en el
mercado. Dentro del programa clásico, se hhan definido dos
enfoques diferentes. El primer enfoque es el programa de
demanda interrumpible donde los particcipantes reciben
incentivos por adelantado o descuentos en laas tarifas. En este
programa, se les pide a los participantes reeducir su carga a
valores predefinidos, de lo contrario see enfrentarán a
sanciones. El segundo enfoque es el proggrama de control
directo, donde algunos de los equipos de los participantes,
tales como aparatos de aire acondicionado o los calentadores
de agua se apagan de forma remota por la em mpresa de energía
o el operador del sistema.
El otro tipo de programa de incentivos see define como un
programa basado en el mercado. Hay tres ssub-categorías en
este programa: la oferta de demanda, mercaddo de servicios de
emergencia y los servicios auxiliares de mercado. En el
programa de oferta de demanda, los consum midores ofertan la
carga específica que se puede reducir. La oferrta se acepta si es
menor que el precio de mercado de lo contrrario el cliente no
tomará la carga. En el programa de respuestaa a la demanda de
emergencia, a la demanda se le paga incentivos para reducir
la carga durante una emergencia del sistema. Se trata además
de un programa de respuesta a la demandaa del mercado de
servicios auxiliares donde se utiliza la reduccción de la carga
para aliviar la congestión.
Si bien este tipo de esquemas se encuenntran desde hace
tiempo disponibles, no permiten aprovechar las ventajas que
ofrece una SG con una comunicación bidirecccional, haciendo
que las interrupciones del servicio o los costoos de los mismos
no se minimicen de manera óptima, adem más de obviar el
confort de los usuarios domiciliarios. Paara afrontar este
inconveniente, se propone utilizar esquemas de precios
dinámicos [8].
C. Despacho de cargas en el dominio Domicilliario
El estudio de la respuesta de los consumiddores a señales de
precio está condicionado principalmentee al confort y
preferencias tecnológicas de los usuarios. Es de esperar que la
respuesta sea mayor cuanto mayor sea el aahorro económico
que los mismos perciban además de la sensibilidad con
respecto a cuestiones relacionadas con el im mpacto ambiental.
Sin embargo, la naturaleza de las cargas elécctricas limitará la
gestión de las mismas. Es decir que la viabiliddad del control de
cargas dependerá del electrodoméstico en funncionamiento y la
aceptación del cliente. Esto puede repreesentarse en dos
variables que controlan la elasticidad demannda-precio de los
630
consumidores: uno que representa laa disponibilidad del cliente
a modificar su consumo en función n del precio; y el segundo
tiene en cuenta las restricciones tecnológicas que impiden o
favorecen dicha modificación.
Diversos trabajos proponen disttintos modelos y técnicas
para realizar una gestión activa dee la demanda en el hogar.
Yusuf Ozturk ilustra en [26] una inffraestructura de DR basada
en TOU pricing, en la cual el “sm mart meter” se encarga de
despachar los electrodomésticos op perando con las señales de
precio recibidas y técnicas de redes neuronales artificiales. En
[27], Shuhui Li estudia distintas forrmas de implementación y
evaluación de estrategias DR desde d la perspectiva del
consumidor. El enfoque propuesto incluye un simulador de
consumo de energía en el hogar, cuy yo mecanismo de respuesta
a la demanda obtenida empleea métodos heurísticos.
Finalmente, Cynthujah Vivekananth han propone un algoritmo
DR basado en recompensas para clientes residenciales que
logren reducir los picos de consumo o para las curvas de cargas
individuales. Se definen modelos realistas de carga residencial
que consta de aparatos no controllables y controlables. Los
resultados de las simulaciones mueestran una reducción de la
demanda máxima y un mejor rendim miento en la estabilidad de
la tensión de la red [28]. Sin emb bargo, todos estos trabajos
suponen un elevado grado dee disponibilidad de los
consumidores para trasladar cargas a zonas horarias en donde
el costo sea menor, sin tener en cueenta el factor socio-cultural
de las personas frente a determinados usos de
electrodomésticos. Además, ninguno o de los trabajos expone un
profundo análisis de las cargas domésticas
d que un hogar
posee. Para afrontar estos dos inconnvenientes, nuestro estudio
propone:
1. Definir una arquitectura DRD para ser implementada
en una SG.
2. Realizar un estudio de los modelos de cargas
domésticas, analizando su potencial de
desplazamiento y reducción n de consumo.
La Figura 1 expone una arquitectu ura de implementación DR
mientras que la Tabla III resalta loss principales protocolos de
comunicaciones a utilizar. Por otrro lado, en la Tabla I, se
presentan resultados estadísticoss de algunos de los
electrodomésticos más utilizados, clasificándolos según su
consumo promedio y la desviacción típica del consumo
promedio. Además se presenta una u tabulación según la
capacidad de gestión de los mismos..
TABLA I. Modelo de cargaas y clasificación.
 Los resultados obtenidos suponen las siguieentes condiciones
de red [29]:
• Voltaje constante (con variaciones accotados a +-10%)
• Impedancia constante (así las variiaciones entre la
potencia activa y reactiva se mantienen
proporcionales.
• Corriente constante.
• Consumo constante de la carga.
Los valores calculados no dejan de ser rrelativos, ya que
están ligados a solo un conjunto de electroodomésticos y a
condiciones de red fijas. Sin embargo repressentan una buena
aproximación para conformar un modelo de gestión activo de
la demanda dentro de una SG.
Se ha considerado el modelo de demanda ddomiciliara dentro
de un despacho económico, en donde el preciio de la energía se
compone de costos fijos y variables. Dentroo de esta tarifa se
pueden desglosar costos exógenos a la disstribuidora (pass-
through) asociados a la “generación y el transsporte” y por otro
lado el Valor Agregado de la Distribuciónn (VAD). En el
presente modelo no se considera a la “taarifa” como una
variable de control de despacho; de todas manneras la inclusión
de la variación de demanda con respecto a la tarifa debería
considerarse a futuro.
IV. MODELO DR EN UNA SG
G.
Como se ha expuesto a lo largo de estee trabajo existen
distintos modelos propuestos para la gestión de cargas a nivel
domiciliario [15, 16, 17, 26, 27, 28]. No obsstante ninguno de
estos trabajos presentan de forma ordenaada, cómo estos
modelos interactúan con las aplicacionees tarifarias del
distribuidor y en que basan los medidorees inteligentes la
gestión de electrodomésticos. En función de eesta carencia, esta
sección propone abordar la problemática realizando como
primer medida una estimación del potencial dde desplazamiento
en franjas horarias de consumo domésticco para diversos
electrodomésticos, así como también loss beneficios de
reduccion de consumo de los mismos, estudiiando como estas
medidas influyen de manera directa en llos esquemas de
precios dinámicos previamente citados. El m modelo conceptual
propuesto en la Figura 1, constituye una guía para el diseño de
aplicaciones considerando DR.
Figura 1. Modelo DR en una S
SG.
631
A. Potenciales de desplazamiento y reducción
r de cargas para
la Gestión Activa en el Hogar.
En base al trabajo realizado por laa ITA [30], se ha estudiado
el potencial de desplazamiento y red ducción de diversas cargas
gestionables. Los resultados del esttudio realizado se resumen
en la Tabla II.
TABLA II. Potencial de desplazamiiento y reducción de carga.
Como ya se mencionó, los desplazamientos de carga solo
son posibles cuando puede dispon nerse del electrodoméstico
para un posterior consumo, es decir que equivale a bloquear el
uso del mismo en un horario deterrminado, planificándolo en
algún momento del día en donde la tarifa
t sea más conveniente.
En el análisis realizado, puede deecirse que el potencial de
desplazamiento para Lavavajillas, Lavadora y Secadoras e
incluso el auto eléctrico es absolutoo sin afectar el confort del
usuario. Por otro lado, principalmen nte en la climatización del
hogar, el potencial de desplazamien ntos es nulo, sin embargo
pueden apreciarse importantes beneficios (de hasta un 50% de
ahorro de energía) con reducciones a través de la moderación
de la temperatura efectiva, asumiendo pérdidas de confort
aceptables. Finalmente los dispositivvos de recreación (TV, PC,
consolas de juegos) y cocina (helad dera, horno y micro-ondas)
no pueden desplazarse ni reducirr su consumo sin afectar
significativamente el bienestar del usuario.
u
Para ello es también un factor de suma importancia estudiar
los aspectos referidos a la comuniicación de datos entre las
distintas cargas y el dispositivo encargado de realizar el
despacho y control de carga. Este aspecto
a se remarcará en la
siguiente sub-sección.
B. Bi-direccionalidad en la comunicación
La creación de redes de comunicaaciones bidireccionales que
se agreguen a la red eléctrica acttual permitirá, entre otras
cosas, ofrecer a los consumidores información actualizada de
los precios de consumo. Varios son n los aspectos a considerar
para el diseño de una infraestructurra viable, y obviamente la
misma es estrechamente dependiente de las aplicaciones a
correr en el sistema. En [33] se realiizó un estudio detallado de
las diversas tecnologías cableadas e inalámbricas disponibles.
Por otro lado la Tabla III preseenta una revisión de los
principales protocolos de comunicacciones disponibles.
 TABLA III. Protocolos de comunicaciones
Protocolos Detalle
Guía de interoperabilidad de sistemas electricos de
IEEE P2030
potencia
IEEE P1901
Comunicaciones locales a alta velocidad utilizando
lineas de baja tensión
OpenADR Actualización dinámica de precios
BACnet Automatización y control de edificios
HomePlug
Interconexion de dispositivos usando lineas de baja
tension
U-SNAP
Colección de protocolos para la interconexion de
dispositivos en una HAN con un Smart Meter
ISA 100.11a Estándar abierto para sistemas inalámbricos de sensores
Solucion basada en ZigBee para crear infraestructuras de
Z-Wave
medición
Estándar europeo para lectura remota de medidores
M-Bus
inteligentes
G3-PLC Protocolo de telemedición y control inter-operable
Regula las comunicaciones entre el plug-in de los
SAE J2836 vehículos eléctricos y la red para la transferencia de
energía
C. Despacho de carga considerando DR
Una vez que la arquitectura y el sistema de comunicación
están definidos, el medidor inteligente podrá comenzar con su
tarea de optimización en función de cada electrodoméstico y la
tarifa percibida, informando su carga estimada al agente
distribuidor. Byungchul Kim propone en [31] un esquema de
optimización inteligente para la planificación de la demanda
en hogares y vecindarios, basada en un factor de prioridad que
se asigna a cada carga, así también como en los niveles de
almacenamiento de energía localizados en el sistema. La
publicación presenta un modelo matemático completo
caracterizando un hogar tipo, el cual es utilizado para la
optimización y programación (scheduling) del despacho. Por
otro lado, Zhuang Zhao [32], diseña un método de
optimización del programa de despacho combinando
esquemas tarifarios RTP e IBR, logrando así reducir tanto el
precio de la electricidad como el PAR, mejorando la
estabilidad de la red eléctrica. Debido a que este tipo de
problema suele ser por lo general no lineal, el autor utiliza un
algoritmo genético para resolverlo.
V. PROGRAMAS IMPLEMENTADOS
En la actualidad, los esquemas de precios variables con el
tiempo, se implementan en varias regiones de Norte América,
por ejemplo, un esquema DAP de tarifa horaria es utilizada
por la compañía Illinois Power Company [34] y un esquema
TOU con tarifa de tres niveles (on-peak, mid-peak, off-peak)
es utilizada por la compañía Ontario Hydro Company [35]. El
esquema IBR se adoptó ampliamente entre las compañías
distribuidoras a partir de la década del ochenta. Por ejemplo,
las compañías EPEC Argentina, Southern California Edison,
San Diego Gas & Electric, British Columbia Hydro y Pacific
Gas & Electric en la actualidad poseen estructuras tarifarias de
dos niveles, donde el precio marginal en el segundo nivel
supera el 40% o más que en el primer nivel, dependiendo de la
empresa distribuidora.
A partir de la información anterior, puede resumirse que
para la implementación exitosa de cualquier estrategia o
programa de respuesta de la demanda en la red inteligente, es
de vital importancia contar con o desarrollar un esquema de
precios de electricidad que refleje el comportamiento variante
con el tiempo de la demanda electrica. Esta importancia se
Tipo de aplicación
Aplicaciones para consumidores
finales
Home Area Network
DR en consumidores finales
DR en consumidores finales
Home Area Network
Home Area Network
Automatización industrial
AMI
AMI
AMI
Vehículos eléctricos
632
debe a que los dispositivos controladores en cada hogar,
utilizarán esta señal de precios para realizar distintos tipos de
cálculos, que les permitan tomar decisiones en relación con el
funcionamiento de las diferentes cargas controlables
domiciliarias.
VI. CONCLUSIONES
En la actualidad, la respuesta o gestión de la demanda puede
ser una herramienta útil para conseguir que los consumidores
reduzcan o desplacen su consumo, minimizando, de esta
manera, los picos de demanda, los costes económicos y
limitantes del sistema eléctrico. No obstante la inclusión de
programas de DR dentro de las herramientas de programación
de la operación de los sistemas electricos interconectados y en
particular en las SG, deriva en el desarrollo de soluciones
capaces de afrontar los grandes desafios que se presentan en el
modelado, en los algoritmos y en la comunicación de todos los
elementos involucrados en un programa de DR eficiente para
la SG del futuro. Consecuentemente, es de vital importancia
poseer una visión general del panorama y un escenario
completo de la problemática como punto de partida para
afrontar estos desafíos. En este contexto, el objetivo de este
trabajo consistió en realizar una revisión y discusión sobre las
diferentes técnicas de implementación de DR en una red
inteligente. Para lo cual, se definió conceptual y
contextualmente la problemática general, se analizó el impacto
de la DR en la SG para los diferentes dominios de generación,
distribución y domiciliario, se revisaron los diferentes
modelos desarrollados para la DR embebida en la SG y por
ultimo se revisaron los diferentes programas con esquemas de
precios variables en el dominio de la distribución
implementados en diferentes companías. Adicionalmente, en
este trabajo se identifican los aspectos claves a tener en cuenta
en un programa de DR en relación con los esquemas de
precios, la clasificación de las cargas y los protocolos de
comunicación, desde el punto de vista del operador del SG y
del usuario domiciliario. Este trabajo constituye una base
conceptual para el posterior desarrollo de modelos
matemáticos de cargas domiciliarias gestionables y
programas de DR, con el fin de incluirlas en herramientas de
operación tanto del sistema electrico como del de domicilio.
AGRADECIMIENTOS
Este trabajo fue realizado gracias al aporte de la
Universidad Nacional de Río Cuarto, MinCyT-Cba y
CONICET.
REFERENCIAS
[1] E. Santacana, G. Rackliffe, T. Le y F. Xiaoming, “Getting Smart,” Power
and Energy Magazine, IEEE, vol. 8, no. 2, pp. 41-48, 2010.
[2] A. P. Johnson, "The history of the Smart Grid evolution at Southern
California Edison," Innovative Smart Grid Technologies (ISGT),2010,pp.1-3.
[3] ADEERA. "Asociación de Distribuidores de Energía Eléctrica de la
República Argentina," Consulta realizada en Junio 2012. Disponible en:
http://www.adeera.org.ar/edicionesant.asp
[4] US Department of Energy, “Benefits of demand response in electricity
markets and recommendations for achieving them. A report to the United
States congress pursuant to Section 1252 of the Energy Policy Act 2005”,
2006. Available: http://eetd.lbl.gov/ea/ems/reports/congress-1252d.pdf.
[5] H. Kumar Nunna, S. Doolla, "Demand Response in Smart Distribution
System with Multiples Microgrids", IEEE Trans. Smart Grid, vol.3, no.4, Dec.
2012.
[6] Y. Ozturk, D. Senthilkumar, S. Kumar and G. Lee, "An Intelligent Home Customer Reward Scheme”, IEEE Trans. on Smart Grid, vol. 5, no. 2, March
energy Management System to Improve Demand Response", IEEE Trans. 2014.
Smart Grid, vol.4, no.2, Jun. 2013. [29] G. Tsagarakis, A. J. Collin and A. E. Kiprakis. “Statistical Review of UK
[7] F. Rahimiand and A. Ipakchi, “Demand response submarket resource Residential Sector Electrical Loads”, Institute for Energy Systems, University
under the smart grid paradigm,” IEEE Trans. Smart Grid, vol. 1, no. 2, pp. 82– of Edinburgh. June 2013.
88, Sep. 2010. [30] ITA. Informe entregable E1.1:"Análisis de las cargas. Proyecto Gestión
[8] K. Hamilton and N. Gulhar, “Taking demand response to the next level,” Activa de la demanda (Proyecto CENIT "GAD"). Diciembre 2007.
IEEE Power Energy Mag., vol. 8, no. 3, pp. 60–65, May 2010. [31] Byungchul Kim; Lavrova, O., "Two hierarchy (home and local) smart
[9] TheCapitol.Net, “Smart Grid”, 2009, Alexandria UA,ISBN:158733-162-4. grid optimization by using demand response scheduling," Innovative Smart
[10] Zhi Chen; Lei Wu; Yong Fu, "Real-Time Price-Based Demand Response Grid Technologies Latin America (ISGT LA), 2013 IEEE PES Conference
Management for Residential Appliances via Stochastic Optimization and On, vol., no., pp.1,8, 15-17 April 2013.
Robust Optimization," Smart Grid, IEEE Transactions on , vol.3, no.4, [32] Zhuang Zhao; Won Cheol Lee; Yoan Shin; Kyung-Bin Song, "An
pp.1822,1831, Dec. 2012. Optimal Power Scheduling Method for Demand Response in Home Energy
[11] Jianhua Zhang; Jian Han; Rui Wang; Guolian Hou, "Day-ahead Management System," Smart Grid, IEEE Transactions on , vol.4, no.3,
electricity price forecasting based on rolling time series and least square- pp.1391,1400, Sept. 2013.
support vector machine model," Control and Decision Conference (CCDC), [33] J. F. Aguirre, “Viabilidad de WiMAX como soporte de comunicaciones
2011 Chinese , vol., no., pp.1065,1070, 23-25 May 2011. para una Smart Grid”. Tesis de Maestría, Universidad Nacional de Río Cuarto,
[12] Datchanamoorthy, S.; Kumar, S.; Ozturk, Y.; Lee, G., "Optimal time-of- Córdoba, Argentina. Diciembre 2013.
use pricing for residential load control," Smart Grid Communications [34] Electricity and Time-of-Use Pricing. Disponible:
(SmartGridComm), 2011 IEEE International Conference on , vol., no., http://tcipg.mste.illinois.edu/lessons/TimeSensitive.pdf
pp.375,380, 17-20 Oct. 2011. [35] “Smarter Electricity Pricing Coming to Ontario: McGuinty Government
[13] Qin Zhang; Xifan Wang; Min Fu, "Optimal implementation strategies for Rolls Out Time-of-Use Rates,” Ontario Newsroom For Residents, 2009.
critical peak pricing," Energy Market, 2009. EEM 2009. 6th International [36] FERC. http://www.ferc.gov/
Conference on the European , vol., no., pp.1,6, 27-29 May 2009
[14] Samadi, P.; Mohsenian-Rad, H.; Wong, V.W.S.; Schober, R., "Tackling
the Load Uncertainty Challenges for Energy Consumption Scheduling in
Smart Grid," Smart Grid, IEEE Transactions on , vol.4, no.2, pp.1007,1016,
June 2013.
[15] Ji Hoon Yoon; Baldick, R.; Novoselac, A., "Dynamic Demand Response
Controller Based on Real-Time Retail Price for Residential Buildings," IEEE
Transactions on Smart Grid, vol.5, no.1, pp.121,129, Jan. 2014.
[16] Roozbehani, M.; Dahleh, M.A.; Mitter, S.K., "Volatility of Power Grids
Under Real-Time Pricing," Power Systems, IEEE Transactions on , vol.27,
no.4, pp.1926,1940, Nov. 2012.
[17] Li Ping Qian; Zhang, Y.J.A.; Jianwei Huang; Yuan Wu, "Demand
Response Management via Real-Time Electricity Price Control in Smart
Grids," Selected Areas in Communications, IEEE Journal on , vol.31, no.7,
pp.1268,1280, July 2013.
[18] Adela Conchado y Pedro Linares; “Estimación de los beneficios de la
gestión activa de la demanda. Revisión del estado del arte”. Instituto de
Investigación Tecnológica, Universidad Pontificia Comillas. Disponible en:
http://www.iit.upcomillas.es/docs/IIT-11-026A.pdf
[19] Electric Power Research Institute EPRI. “Report to NIST on the Smart
Grid interoperability standards roadmap” (Contract No.SB1341-09-CN-
0031—Deliverable 7). Jun. 2009. Consulta realizada en Julio 2011.
http://www.nist.gov/smartgrid/upload/InterimSmartGridRoadmapNISTRestru
cture.pdf
[20] Su, C. y Kirschen, D; “Quantify the effect of demand response on
electricity markets”. IEEE Transactions on Power Systems, No. 3, pp. 1199-
1207, August 2009.
[21] Violette, D.; Freeman, R. y Neil, C.; “Valuation and market analyses.
Volume II: Assessing the DRR benefits and costs”. International Energy
Agency, Demand Side Programme. January 2006.
[22] Adela Conchado y Pedro Linares; “Gestión activa de la demanda
eléctrica: simulación de la respuesta de los consumidores domésticos a señales
horarias de precio”. IV Congreso AEEE. Sevilla, España. 2009.
[23] Qianfan Wang; Jianhui Wang; Yongpei Guan, "Stochastic Unit
Commitment With Uncertain Demand Response," Power Systems, IEEE
Transactions on , vol.28, no.1, pp.562,563, Feb. 2013
[24] Chaoyue Zhao; Jianhui Wang; Watson, J.-P.; Yongpei Guan, "Multi-
Stage Robust Unit Commitment Considering Wind and Demand Response
Uncertainties", IEEE Transactions on Power Systems, vol.28, no.3,
pp.2708,2717, Aug. 2013.
[25] Halamay, D.A.; Brekken, T.K.A., "Impact of demand response and wind
generation on reserve requirements in the US Pacific Northwest," Power and
Energy Society General Meeting, 2012 IEEE , vol., no., pp.1,7, 22-26 July
2012.
[26] Yusuf Ozturk, Datchanamoorthy Senthilkumar, Sunil Kumar and Gordon
Lee. “An Intelligent Home Energy Management System to Improve Demand
Response”, IEEE Trans. on Smart Grid, vol. 4, no. 2, June 2013.
[27] Shuhui Li, Dong Zhang, Adam B. Roget and Zheng O’Neill. “Integrating
Home Energy Simulation and Dynamic Electricity Price for Demand
Response Study”, IEEE Trans. on Smart Grid, vol. 5, no. 2, March 2014.
[28] Cynthujah Vivekananthan, Yateendra Mishra, Gerard Ledwich and
Fangxing Li. “Demand Response for Residential Appliances via

633

View publication stats