Artículo Académico / Academic Paper
Recibido: 28-04-2020, Aprobado tras revisión: 16-07-2020
Forma sugerida de citación: Tipán, L.; Muela, J. (2020). “Simulación causal para el consumo eléctrico residencial en Quito”.
Revista Técnica “energía”. No. 17, Issue I, Pp. 60-70.
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2020 Operador Nacional de Electricidad, CENACE
Causal simulation for residential electricity consumption at Quito
Simulación causal para el consumo eléctrico residencial en Quito
J.C. Muela
1
L. F. Tipán
1
1
Universidad Politécnica Salesiana, Quito, Ecuador
E-mail: jmuelae@est,ups.edu.ec;ltipan@ups.edu.ec
Abstract
The dynamic model use causal diagrams pretends to
identify all factors involved behavior from specific
system. This paper introduces a dynamic model
based on causal diagrams that look at recognize it
behavior and household energy consumption.
Methodology applied includes random variables
that looking for reply stochastic behavior inside
house over day, the intention to apply a causal model
implies identify interaction and dependency existing
between variables. That means conditional and
immediately response, such as criteria reflects in
binary variables use, that represents ON / OFF
states such as Boolean states TRUE / FALSE. For
simulation, is considered typically values from
consumption in electrical devices for household
average in Quito, use time and turn on probability
under specifically conditions. Simulation is running
at VENSIM specific software for dynamics models.
Results shows that proposed methodology presents
is 24.95 % error respect to real measurements.
Resumen
Un modelo dinámico basado en diagramas causales
pretende identificar todos los factores involucrados
en el comportamiento de un fenómeno especifico. El
presente artículo implementa un modelo dinámico
basado en diagramas causales que busca identificar
el comportamiento y respectivo consumo eléctrico
residencial. La metodología aplicada involucra
variables aleatorias que buscan replicar el
comportamiento estocástico al interior de una
vivienda durante el día, la intención de aplicar un
modelo causal radica en la interacción y dependencia
existente entre variables, es decir el
condicionamiento que debe existir entre la ejecución
de una actividad y su consecuente respuesta, tales
criterios se ven reflejados en el uso de variables
binarias, que simulan estados de encendido/apagado
así como estados booleanos verdadero/ falso. Para la
simulación, se consideran valores de consumo típicos
en electrodomésticos para una residencia promedio
en la ciudad de Quito, temporalidad de uso y su
probabilidad de encendido bajo determinadas
condiciones. La simulación se ejecuta en VENSIM,
al tratarse de un software diseñado para trabajar
con modelos dinámicos. Los resultados obtenidos
establecen que la metodología propuesta presenta
24.95% de error con respecto a mediciones reales.
Index terms Simulation, household energy
consumption, dynamic behavior, VENSIM.
Palabras clave Simulación, consumo eléctrico
residencial, comportamiento dinámico, VENSIM.
60
Edición No. 17, Issue I, Julio 2020
1. INTRODUCCIÓN
El consumo eléctrico es un fenómeno ampliamente
estudiado en la ingeniería eléctrica. Su comportamiento
es consecuencia de factores tales como: hábitos
culturales, condiciones climáticas, festividades,
ubicación geográfica etc.
Varios autores han planteado el estudio de este
fenómeno combinando soluciones conceptuales basados
en árboles de decisión [1][2] con extrapolación,
descartando estimaciones alejadas a consumos
anteriores. Los métodos matemáticos de regresión
multivariable [3][4] y método MARS [5] determinan
funciones matemáticas próximas a la curva de consumo.
Una interpretación financiera [6][7] estima la demanda
eléctrica a partir del beneficio obtenido por la venta de
energía. La solución computacional en [8] aplica un
algoritmo BP Neural Network, que compara
sucesivamente el valor calculado por el algoritmo con los
datos de entrada.
Normativas homologadas en [9][10] estiman el
consumo eléctrico, basándose en tabulaciones. Una
distribución de Weibull [11] indica la probabilidad de
renovar equipos eléctricos cada cierto tiempo, la
estimación se obtiene modificando históricos de
consumo eléctrico en el tiempo.
Los modelos dinámicos [12][13], aplican tasas de
cambio (densidad poblacional, consumo per cápita,
costos de electricidad) por unidad de tiempo, para estimar
el consumo eléctrico durante un determinado espacio
temporal. La aplicación de series temporales [14] utilizan
información base y algoritmos de cálculo para estimar el
consumo eléctrico.
La investigación propone un método experimental
que aplicando información base, diagramas causales y
variables aleatorias simule el comportamiento de una
residencia promedio y estimar su consumo eléctrico [34].
Tratándose de un modelo básico el margen de error es
significativo, lo cual puede ser compensado en un
posterior estudio.
2. ESTADÍSTICAS DEL CONSUMO
ELÉCTRICO
El crecimiento económico y demográfico, de las
ciudades obliga a las empresas eléctricas locales, a
mantener suficiente potencia para consumo [26][28][30].
Proyectar la demanda eléctrica, permite mantener el
funcionamiento de la industria eléctrica, posibilita
identificar falencias y establecer operaciones necesarias
para garantizar la disponibilidad del servicio eléctrico.
2.1. Crecimiento de la demanda
La demanda actual del país, según el PME (Plan
Maestro de Electrificación) presenta un crecimiento
anual promedio de 6.04 % [31].
Mientras tanto en la ciudad de Quito, la demanda
eléctrica está constituida por un 84.5% de usuarios
residenciales, 12.6 % usuarios comerciales y 1.5%
usuarios industriales. Las estadísticas establecen un
consumo residencial referencial de 297.36 kWh/Mes, lo
que hace suponer un consumo anual de 3568.32
kWh/Anual, sus usuarios incrementan 4% al año
mientras que su consumo eléctrico incrementa 4.93%.
[32].
Mediciones obtenidas mediante un Smart Meter
(AEOTEC Hem V+2, ZWAVE) , para una residencia
típica de 87 m
2
ubicada en la zona norte de la ciudad con
una ocupación de cuatro habitantes reflejan un consumo
promedio mensual de 150 kWH y promedio anual de
1800 kWH mediciones, que permitirán contrarrestar las
estimaciones del modelo.
2.2. Identificación del modelo residencial referencial
Trabajos previos realizados en la ciudad de Quito
[14][33][34] difieren en seleccionar electrodomésticos y
potencias de consumo característicos para una vivienda.
Sin embargo, para el modelo se escoge los equipos
eléctricos comunes en citados estudios.
Un hogar promedio en la ciudad de Quito tiene 5,25
personas [34]. Bajo esa referencia el modelo residencial
experimental se define como: Una familia compuesta por
un padre: (trabajador en relación de dependencia), madre
(ama de casa) y dos hijos, el menor (escuela) y el mayor
(colegio), tal como se detalla en la tabla 1.
Tabla 1: Descripción general de los habitantes
Miembro
Edad
Estatus
Papá
30-40
Trabajador en
relación de
dependencia
Mamá
30-40
Ama de casa
Hijo menor
5-12
Estudiante primaria
Hijo mayor
12-18
Estudiante
secundaria
Tabla 2: Descripción general de la vivienda
Espacio
Descripción
Dormitorio 1
Habitación matrimonial
Dormitorio 2
Habitación compartida
Sala - Comedor
Espacio común
Cocina
Espacio común
Baño
Espacio común
61
Muela et al. / Simulación causal para el consumo eléctrico residencial en Quito
Para el modelo, La tabla 2 describe los espacios
internos para una vivienda en la ciudad de estudio [35],
situada en una urbanización, con acceso a servicios
básicos (luz, agua, teléfono, internet), compuesta por dos
habitaciones D1 y D2, un cuarto de baño, una sala –
comedor y una cocina.
Los elementos a detalle de cada área, horas de
utilización y probabilidades de uso, etc. Son detallados
en el modelo matemático.
3. El CONSUMO ELÉCTRICO Y DIAGRAMAS
CAUSALES
Estudiar el consumo eléctrico desde una perspectiva
dinámica, permite identificar factores internos y externos
vinculados al consumo de electricidad. [30]. Sin
embargo, es necesario entender e interpretar
adecuadamente cada tipo de variable y su aplicación en
el diagrama causal.
3.1. Diagramas causales
Emplean enlaces en forma de flechas que reflejan
dependencia entre variables, siendo la variable de llegada
dependiente de la variable de salida.
Se identifica una relación positiva (+), cuando ambas
variables son proporcionales entre sí y existe relación
negativa (-), cuando ocurre proporcionalidad inversa
entre ambas [17][36].
3.1.1 Tipos de variables
Estos diagramas diferencian tres tipos de variables
definidas por su aplicación [17][28][30][36].
Auxiliares: Definen aquellos parámetros que
modifican su valor a lo largo del tiempo, pudiendo ser
variables técnicas: presión, caudal, etc. variables
económicas: costo, tasa de interés, variables sociales:
tasa de crecimiento, índices de consumo y variables
ambientales: índices de contaminación, calidad de agua,
etc. Son definidas según la necesidad del modelo.
Flujo: Su valor es función del valor que toman las
variables auxiliares, su objetivo es regular el
comportamiento del sistema.
Nivel: Acumular información proveniente de los
flujos y partiendo de un estado inicial.
Matemáticamente se representa como la variación
(evolución) de un evento “x” a lo largo del tiempo t [17]
y [30].
Donde x
o
representa un estado inicial del evento.
Todo el conjunto de variables representa un diagrama
de Forrester.
4. MODELAMIENTO MATEMÁTICO
Matemáticamente, el cálculo de energía está definida
por:
Energía=Potencia Consumida x Tiempo de uso
(3)
Para un análisis temporal, la expresión se puede
definir por:
En la expresión, E corresponde a la energía total
consumida a lo largo del tiempo t, P(t) representa al perfil
de carga de una residencia en el tiempo t y E
o
es
correspondiente a un consumo referencial (inicial).
Por otro lado, la demanda eléctrica equivalente para
una empresa eléctrica será igual a la acumulación de
consumos parciales.
En la ecuación (6) C
Ind
corresponde al consumo de
clientes industriales, C
comer
representa el consumo de
clientes comerciales, C
Res
corresponde a los clientes
residenciales.
Las expresiones (7) y (8) constituyen valores
determinados por las empresas eléctrica locales. Sin
embargo, el objetivo del estudio en proceso consiste en
detallar una metodología de pronóstico, basada en el
comportamiento horario que tienen los electrodomésticos
durante el día [22], por tanto estas expresiones no serán
tomadas en cuenta.
(9)
En donde, el consumo eléctrico puede determinarse
aplicando el método de los factores M y N [35]
62
Edición No. 17, Issue I, Julio 2020
C
Res
: Modelo dinámico dependiente del tiempo t .
M: Factor de diseño, dependiente del número de
usuarios, cada uno con demanda.
N: Factor de diseño, dependiente del estrato del
usuario en estudio
d
Res
: Demanda residencial para un usuario tipo
(Demanda Máxima Unitaria).
Aplicando la ecuación (5)
Para poder modelar la residencia promedio, se aplica
un modelo por zonas, esto significa que la vivienda se
divide por zonas específicas.
Según la Fig. 1, Las zonas identificadas en el modelo
corresponden: cuarto de baño, cocina, sala-comedor,
dormitorio 1 (habitación de padres) y dormitorio 2
(habitación de hijos)
Figura 1: Distribución de vivienda casa por zonas
Las zonas han sido delimitadas por colores, la tabla 3
se detalla la respectiva agrupación de zonas.
Tabla 3: Descripción de cada zona
Zona
Descripción
1
Cocina, Sala- Comedor
2
Dormitorios 1 y 2
3
Baño
La demanda residencial se obtiene a partir de los
consumos parciales de cada zona de la vivienda
(12)
t
h
corresponde al conjunto de 24 horas por día.
La Tabla 4 define valores de potencia referenciales
para electrodomésticos comunes de una vivienda
localizada en el sector norte.
Tabla 4: Potencias nominales por cada electrodoméstico. Fuente
[34]
Carga
P [Watts]
Luminarias 20 Watts x 6
120
TV
400
Decodificador
25
Microondas
800
Refrigerador
250-350
Ducha eléctrica
3000-6000
Licuadora
375
Batidora
250
Equipo de Sonido
650
Radio Estéreo
150
Sandwichera
800
Batidora
250
Arrocera
500
Plancha
400
PC
500
Laptop
50-80
Módem
25
Base Teléfono
10
Cargador de Celular
10
4.1. Modelamiento por zonas
El modelo residencial, será definido por las siguientes
características:
La zona comprende tanto cocina, sala y comedor.
Siendo
P
i
: Potencia de cada carga en la sala-comedor.
Y
i
(t
h
):Variable binaria (encendido/ apagado) por cada
carga en la sala-comedor.
63
Muela et al. / Simulación causal para el consumo eléctrico residencial en Quito
TU
i
(t
h
): Tiempo de uso por cada carga en la sala-
comedor.
El comportamiento de la variable binaria obedece las
condiciones.
Siendo
P(E
i
(t
h
)): Función de distribución normal de
encender cada i electrodoméstico, en la sala – comedor,
aplicando una distribución normal.
t
h
: Escala temporal horaria [0-24]
Cond
ih
: Valores umbrales de probabilidad
(sensibilidad de detección).
,
y
:, Probabilidades referenciales de
encendido por cada i electrodoméstico, para el área sala-
comedor [36].
La cocina es una parte de la vivienda con alto
consumo eléctrico, por la presencia de cargas no
desplazables como la refrigeradora.
(17)
Siendo
Potencia de cada carga en la cocina.
Variable de binaria (encendido/ apagado) por
cada carga en la cocina.
Tiempo de uso por cada carga en la cocina
Siendo:
P(E
i
(t
h
)): Función de distribución normal de
probabilidad de encender cada j electrodoméstico de la
cocina.
: Escala temporal horaria [0-24]
Cond
jh
:: Valores umbrales de probabilidad
(sensibilidad de detección).
,
y
:, Probabilidades referenciales de
encendido por cada j electrodoméstico, para el área sala-
comedor [36].
5. ALGORITMO SIMPLIFICADO EN
PSEUDOCODIGO
En el algoritmo q, representa cada electrodoméstico
de la vivienda en estudio.
Inicio
Hallar
Definir
,
,
,
Inicializar
,
,
Mientras
Mientras
Si
Si
No
Fin Si
Fin Si
Si
Si
No
Fin Si
Fin Si
Si
Si
No
Fin Si
Fin Si
Esperar
Repetir
Repetir
64
Edición No. 17, Issue I, Julio 2020
Fin
6. IMPLEMENTACIÓN DEL MODELO
VENSIM utiliza los diagramas causales de cada
variable auxiliar en conjunto con diagramas Forrester
(válvulas de flujo) Fig. 2, para ejecutar cálculos sobre
variables de nivel.
Figura 2: Diagrama Forrester de consumo eléctrico
La implementación del esquema requiere sintetizar la
nomenclatura sobre las variables involucradas. La Tabla
5, describe cada variable a utilizar.
Tabla 5: Descripción de variables
Variable
Descripción
E. Sim
Demanda Total
D.B
Demanda baño
D.C
Demanda cocina
D.S/C
Demanda sala-comedor
D.D1
Demanda D1
D.D2
Demanda D2
P. B
Perfil baño
P.C
Perfil cocina
P.S/C
Perfil sala-comedor
P. D1
Perfil D1
P. D2
Perfil D2
I.D 1/0
ON/OFF Ducha
I.TV 1/0
ON/OFF TV
I.PC 1/0
ON/OFF PC
D [VA]
Aleatorio Ducha
TV [VA]
Aleatorio Microondas
PC [VA]
Aleatorio TV
B.C 1/0
SI/NO Cocción
B.H 1/0
SI/NO Ocupación
P(Cocción)
Aleatorio Cocción
P(Ocupación)
Aleatorio Ocupación
6.1. Esquema de eventos
El encendido/apagado de cada artefacto está
condicionado por la ocurrencia de un evento anterior
según sea el caso.
Figura 3: Encendido y apagado de una ducha
En la Fig. 3, la variable I.D 1/0, simula el
accionamiento de la ducha eléctrica, que está
condicionada por una variable aleatoria X, una
distribución normal e intervalos de tiempo sobre los
cuales puede producirse la puesta en funcionamiento de
la ducha eléctrica.
Figura 4: Encendido y apagado de un microondas
En la Fig. 4, la variable B.M.1/0 es una variable
binaria de validación, en donde se definen una o más
condiciones complementarias previas al accionamiento
de la variable I.M 1/0, que análogamente a la variable I.D
1/0 enciende y apaga al artefacto.
Figura 5: Consumo eléctrico en el cuarto de cocina
Las variables de consumo eléctrico D.C (variables de
nivel) son dependientes de una condición inicial (D.C),
en la Fig. 5, las variables de flujo P.C, regulan la cantidad
de consumo eléctrico según el uso de cada artefacto
eléctrico asociado a las actividades de cocción.
Habiendo segmentado la residencia por zonas, el
esquema en la Fig. 6, representa los respectivos
componentes que manipulan los perfiles de carga para
P.S/C y P.C respectivamente. Según el esquema, B.E 1/0
E.Sim
Zona 2
Zona 1
Zona 3
<P.B>
<P.S/C>
<P.C>
<P.D1>
<P.D2>
I.D 1/0
D [V.A]X
Hora
Time
hora.Tiempo
I.M 1/0B.M 1/0
Hora
Mic [V.A]
D.C
O.C(D.C)
P.C
Arrocera
B.C 1/0
B.H 1/0
Batidora
Licuadora
Luces Cocina
Microondas
Radio
Refrigerador
Sanduchera
65
Muela et al. / Simulación causal para el consumo eléctrico residencial en Quito
y B.H 1/0 actúan como condicionales (verdadero/falso)
que evalúan la firme intención por parte de los habitantes
en hacer uso de los electrodomésticos para suplir una
necesidad entrenamiento/preparar alimentos y generar
consumo.
Figura 6: Modelo causal para zona 1
Figura 7. Encendido y apagado de TV
Figura 8: Encendido y apagado de un ES
Por tanto, las variables I.TV.1/0 como I.ES 1/0, serán
dependientes de la previa aparición de esta condición
(verdadero/falso). Condición que a su vez dependerá de
intervalos de tiempo donde puede suscitarse, así como
una aleatoriedad derivada de su propia distribución
normal, que genere el aparecimiento de este evento, tal
cual se detalla en la Fig. 8.
Visualizar las estimaciones y mediciones obtenidas
previamente, se consiguen aplicando un diagrama causal
programado para almacenar los datos según la escala
temporal deseada. La Fig.9 presenta un esquema que
permite la visualización para resultados estimados.
Figura 9: Segmentación temporal de resultados
6.2. Curvas de probabilidad y eventos
Las distribuciones de probabilidad reflejan el
comportamiento de un electrodoméstico durante el día.
La aleatoriedad en el encendido/apagado se consigue
combinando una distribución normal de parámetros (,)
a la curva de probabilidad de cada artefacto.
Es decir, la ocurrencia del evento dependerá de la
condicionalidad existente entre la probabilidad de
encender un electrodoméstico bajo la probabilidad de
ejecutar determinada actividad que requiera emplear
dicho aparato eléctrico.
6.2.1 Comportamiento estocástico por
electrodomésticos
Los artefactos eléctricos presentan dinámicas propias
que difieren entre sí durante el día. Analizar su
probabilidad de encendido (ocurrencia del evento) es
crucial para definir un modelo matemático, que simule su
comportamiento.
Figura 10: Curva de Distribución - Ducha
En la Fig.10, el comportamiento de la ducha eléctrica
indica una alta probabilidad entre 30% y 40% que su
P.Zona 1
P.S/C
B.E 1/0
(B.H 1/0)
Decodificador
Equipo de Sonido
Luces Sala
PC
Telefono
TV
WIFI
P.C
Arrocera
B.C 1/0
B.H 1/0
Batidora
Licuadora
Luces Cocina
Microondas
Radio
Refrigerador
Sanduchera
I.TV 1/0
B.E 1/0
(Hora)
P(Entretenimiento)
B.TV 1/0
Hora
TV [V.A]
I.ES 1/0
B.E 1/0
Hora
P(Entretenimiento)
B.Eson 1/0
Eson [V.A]
(Hora)
40
30
20
10
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Hora
Porcentaje [%]
E.Sim.D
P.Sim.D
<P.Sim>
Dia
E.Sim.M
P.Sim.M
Meses
<E.Sim>
66
Edición No. 17, Issue I, Julio 2020
puesta en funcionamiento ocurra durante las primeras
horas del día (5 am – 8 am).
Figura 11: Curva de Distribución - TV
La TV es un dispositivo de uso frecuente, en su curva
de comportamiento Fig. 11. Se distinguen dos intervalos
de tiempo entre 5 am - 10 am y 16 pm - 23 pm con alta
probabilidad de encendido.
6.2.2 Comportamiento estocástico por actividades
Según, información suministrada en [36], el
actividades vinculadas al comportamiento humano son
representables mediante distribuciones de probabilidad.
Figura 12: Curva de Distribución para iluminación
La Fig. 12, refleja el comportamiento diario asociado
al uso de luminarias. La gráfica, establece que las horas
con mayor probabilidad de uso corresponden al intervalo
entre 15 pm hasta 22 pm.
En la Fig. 13 se refleja el comportamiento que tienen
los habitantes en una vivienda, para el uso de dispositivos
relacionados al entretenimiento (TV, Equipo de Sonido o
Laptop). La gráfica indica que el uso de estos dispositivos
es paulatino alcanzando una alta concentración de
aparatos eléctrico funcionando durante las 19 pm hasta
22 pm en forma simultánea.
Figura 13: Curva de Distribución para Entretenimiento
7. RESULTADOS Y DISCUSIÓN
Habiendo aplicado un modelo por zonas, resulta de
especial interés estudiar el consumo eléctrico por cada
zona de la vivienda.
Evaluar los resultados simulados será posible gracias
a mediciones suministradas mediante un Smart Meter
(AEOTEC Hem V+2, ZWAVE).
7.1. Consumo eléctrico diario
Observando el consumo diario, la estimación
obtenida corresponde a 5.86 kWh mientras que el
consumo eléctrico obtenido mediante el Smart Meter es
cercano 4.69 kWh, a 4.69
Figura 14: Consumo diario acumulado simulado y medido
En la Fig. 14, se puede apreciar una diferencia de 1.17
kWh entre la estimación y la medición obtenida.
7.2. Consumo eléctrico anual
En la imagen presentada en la Fig. 15, se refleja el
consumo acumulado eléctrico durante todo año.
5857
4686
3514
2343
1171
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Hora
Watio Hora [Wh]
20
15
10
5
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Hora
Porcentaje [%]
100
75
50
25
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Hora
Porcentaje [%]
30
22.5
15
7.5
0
0
2
4
6
8
10
12
14
16
18
20
22
24
Hora
Porcentaje [%]
67
Muela et al. / Simulación causal para el consumo eléctrico residencial en Quito
Figura 15: Consumo mensual acumulado estimado y medido
El consumo eléctrico estimado se acerca a 1.918
MWh, mientras que el consumo acumulado obtenido
mediante el Smart Meter es próximo a 1.535 MWh.
Por lo tanto, existe una diferencia 0.383 MWh entre
la estimación obtenida y la medición real, repitiéndose la
situación del caso anterior. En la figura 16 se presenta un
histórico de consumo, que indica que el consumo
eléctrico simulado y medido difieren en comportamiento
debido a la aleatoriedad implementada por el modelo. Lo
que justifica la falta de homogeneidad en los resultados.
Figura 16: Comportamiento en consumo eléctrico simulado y
medido
Comparando el consumo eléctrico real durante los
meses de junio, julio y diciembre presentados en la Fig.
16 en contraposición con las estimaciones, existe un
decaimiento en el consumo eléctrico. Según, información
suministrada por habitantes de la residencia donde se
encuentra instalado el Smart Meter los últimos meses no
existió presencia alguna al interior, lo cual justifica el
bajo consumo eléctrico en este periodo de tiempo.
Tabla 7. Simulación vs Smart Meter
VENSIM
Smart Meter
Diferencia
D
5.86 k
4.69 k
1.17 k
A
1.918 M
1.535 M
0.383 M
Para sintetizar los resultados, la tabla 7 recopila las
estimaciones obtenidas aplicando el modelo y las
compara con las mediciones recopiladas por el Smart
Meter. Evidenciando que existe un margen de error al
aplicar el método propuesto.
La aplicación de estas estimaciones, bajo el supuesto
de aceptar los resultados como válidos, permite aplicar la
metodología de los factores M y N [35] y escalar el
resultado hacia un hipotético de 10 viviendas (estrato C)
de similares características, de modo que aplicando la
ecuación (10). Donde partiendo de los factores N
estrato C
= 0.784 y M
10
= 16.10 [35] se obtiene.
Tabla 8. Escalamiento de resultados para n = 10
kWh
n=1
n=10
D
5.86
73.97
A
1918
24209.76
La tabla 8 presenta las estimaciones obtenidas al escalar
el resultado hacia 10 viviendas aplicando el método de
coeficientes.
8. CONCLUSIONES Y RECOMENDACIONES
Aplicando un cálculo de errores sobre las
estimaciones obtenidas y mediciones a través de un
Smart Meter. Se identifica un margen de error próximo
al 24.95 % tanto para el consumo diario y durante el año
que supera al 10% esperado, justificando la naturaleza
experimental del modelo.
Conociendo que el consumo eléctrico acumulado
anual estimado de 1.918 MWh es mayor que los 1.535
MWh obtenidos por el Smart Meter pero a su vez es
inferior al consumo anual de 3.568 MWh definido por la
EEQ [32] . Representando un 46.24% de error con
respecto a la estimación de la EEQ. Tales indicadores
reflejan que el modelo requiere mejorar su desempeño y
ser comparable con las mediciones reales para mejorar su
estimación.
El alto porcentaje de error equivalente al 24.95% con
respecto a una residencia real, se atribuye a la falta de
precisión en cuanto al modelado de las curvas de
probabilidad y la vivienda promedio. En un próximo
estudio se sugiere contrarrestar resultados con
mediciones de un grupo de viviendas, permitiendo
identificar consumos representativos por grupo de
usuarios y no de manera aislada.
Las curvas de probabilidad (figura 10 y figura 11),
manipulan la dinámica de los dispositivos eléctricos
afectando el perfil de carga, siendo los principales
causantes de error durante la simulación, se sugiere
utilizar funciones de distribución de probabilidad
acumulativas ,para cada electrodoméstico, así como
definir apropiadamente temporalidades (fines de semana
y feriados) para no estimarlas , las condiciones horarias
que no fueron consideradas y que influyen en la puesta
en funcionamiento de los artefactos.
1.918 M
1.535 M
1.151 M
767,300
383,600
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Mes
Mega Watios [MWh]
300
240
180
120
60
0
1 2 3 4 5 6 7 8 9 10 11 12
Mes
Wattio Hora [Wh]
68
Edición No. 17, Issue I, Julio 2020
Se sugiere en trabajos futuros aplicar el método de
factores M y N en combinación con el modelo propuesto,
esto posibilita estimar la demanda eléctrica sobre una
población con similares características (conjuntos
habitacionales, urbanizaciones, etc.) partiendo de un
consumo representativo, recordando que la estimación
obtenida es análoga a la demanda máxima unitaria.
REFERENCIAS BIBLIOGRÁFICAS
[1] R. Xiwei and S. Anling, “A Study of Energy
Statistics Based on Energy-Tree,” pp. 125–128,
2012.
[2] S. Nallathambi, “Prediction of Electricity
Consumption Based on DT and RF : An Application
on USA Country Power Consumption,” vol. 2, no. 1,
2017.
[3] P. A. Kamal, “Factors influencing the Energy
Consumption Behavior Pattern among the Indian
Higher Education Institution Students,” 2017 Int.
Conf. Technol. Adv. Power Energy ( TAP Energy),
pp. 1–6, 2017.
[4] V. Mtembo, G. A. Taylor, and A. Ekwue, “A Novel
Econo ometric Model for Peak k Demand
Forecasting,” 2011.
[5] M. E. O. Alvarado, “Pronóstico de la demanda
eléctrica residencial basado en el modelo de
regresión adaptativa multivariante spline (mars),”
Universidad Politécnica Salesiana, 2015.
[6] L. A. B. Medina, “ESTIMACION DE LA
DEMANDA RESIDENCIAL DE ELECTRICIDAD
EN EL PERÚ,” Universidad de Chile, 2010.
[7] C. A. Agostini, “La demanda residencial de energía
eléctrica en chile,” no. January, 2014.
[8] L. Wei and S. Yumin, “Prediction of Energy
Production and Energy Consumption based on BP
Neural Networks,” pp. 0–3, 2008.
[9] T. Urgilés and D. Gabriel, “Análisis Técnico del
comportamiento del consumo y la demanda eléctrica
en viviendas típicas de la ciudad de Cuenca, debido
a la incorporación de la cocina de inducción y
sistemas eléctricos para ACS,” 2015.
[10] A. Cabrera, H. X. Cueva, R. E. Sempértegui, and J.
L. Espinoza, “Modelación dinámica de la demanda
y oferta de una micro-red eléctrica,” no. May, 2015.
[11] R. Bointner and E. Drives, “Energy Efficient Design
in Shopping Centres – a Pathway towards lower
Energy Consumption,” pp. 5–9, 2016.
[12] R. Rasjidin, A. Kumar, F. Alam, and S. Abosuliman,
“A system dynamics conceptual model on retail
electricity supply and,” vol. 49, pp. 330–337, 2012.
[13] E. Cracow and P. Email, “Energy consumption and
economic growth in the light of meeting the targets
of energy policy in the EU,” pp. 1–5, 2014.
[14] C. A. V. Sarango, “Gestión y optimización del
consumo de energía eléctrica residencial usando
series de tiempo,” Universidad Politécnica
Salesiana, 2015.
[15] A. M. A. Ramírez, “Métodos utilizados para el
pronóstico de demanda de energía eléctrica en
sistemas de distribución,” Universidad Tecnológica
de Pereira, 2013.
[16] V. M. Rueda, J. David, V. Henao, C. Jaime, and F.
Cardona, “AVANCES RECIENTES EN LA
PREDICCIÓN DE LA DEMANDA DE
ELECTRICIDAD USANDO MODELOS NO
LINEALES,” pp. 36–43, 2011.
[17] M. E. Markets, “Modelado de Mercados de
Electricidad Johan Manuel Redondo Orteg ´,” 2012.
[18] E. Engineering, “Residential Demand Response
using Genetic Algorithm,” no. 1, pp. 1–4, 2017.
[19] P. B. S. Kiran, S. Member, N. M. Pindoriya, and S.
Member, “Study of Consumer Benefit Functions for
Demand Response Algorithm.”
[20] Y. Zhang, R. Yang, and N. Renewable,
“Consumption Behavior Analytics-Aided Energy
Forecasting and Dispatch,” pp. 59–63, 2017.
[21] D. P. C. Suntaxi, “Metodología para estimar la
demanda eléctrica en edificios con usuarios
residenciales, de oficinas y comercios,” Escuela
Politécnica Nacional, 2015.
[22] J. M. Alarcon Villegas and E. M. García Torres,
“Análisis de flujo de carga en el sistema de
distribución eléctrico basado en cadenas de
markov,” p. 21, 2017.
[23] Z. Esmaeeli, H. S. G, and A. Sedighi, “Investigation
of pricing impact on the electrical energy
consumption behavior of the household sector by a
system dynamics approach,” 2006.
[24] S. A. Akhwanzada and M. Tahar, “Long-term
Electricity Forecasting : A System Dynamics
Approach,” vol. 33, pp. 116–119, 2012.
[25] K. Edvhg, R. Q. Uh, and D. Q. G. Vwhp, “Research
on prediction of Energy Demand in China based on
Grey Theory and System Dynamics,” pp. 3–8.
[26] E. H. Maimbil, N. H. S. Romera, L. Ezequiel, and D.
Melchior, “Modelo de Demanda Eléctrica
Argentina,” 2012.
[27] R. M. Portillo and A. R. Tymoschuk, “Modelo
Dinámico para el Estudio de la Situación Energética
en la Ciudad de Santa Fe,” 2012.
[28] S. A. Akhwanzada and R. M. Tahar, “Strategic
Forecasting of Electricity Demand Using System
69
Muela et al. / Simulación causal para el consumo eléctrico residencial en Quito
Dynamics Approach,” no. March, 2015.
[29] P. D. Haimovici, E. H. Maimbil, and N. H. S.
Romera, “Modelo de Generación Eléctrica,” X
Congr. Latinoam. Dinámica Sist., 2012.
[30] H. Ra, B. Medina, E. Superior, C. Sociales, C.
Gustavo, and G. Km, “Análisis del Balance
Energético del Ecuador a través de Dinámica de
Sistemas,” pp. 1–19, 2015.
[31] Ministerio de Electricidad y Energía Renovable,
“Plan Maestro de Electricidad 2016-2025,” p. 439,
2017.
[32] CNEL Sucumbíos and Empresa Eléctrica Quito,
“EEQ en cifras: indicadores, proyecto SIGDE,”
2017. [Online]. Available:
http://www.eeq.com.ec:8080/nosotros/eeq-en-
cifras. [Accessed: 12-Nov-2018].
[33] M. V. S. Guamanzara, “Optimización mediante el
método de montecarlo de la demanda eléctrica
residencial,” Universidad Politécnica Salesiana,
2015.
[34] J. C. T. Flores, “Modelo de gestión energética para
la determinación de indicadores de eficiencia
eléctrica en el sector residencial,” Universidad
Politécnica Salesiana, 2018.
[35] Empresa Eléctrica Quito, “Guía para diseño de redes
para distribución,” 2015, p. 166.
[36] T. Sorasalmi, “Dynamic Modeling of Household
Electricity Consumption,” Aalto University, 2012.
Juan Carlos Muela. - Nació en
Quito en 1992. Recibió su título de
Ingeniero Eléctrica de la
Universidad Politécnica Salesiana
en 2019. Actualmente, se encuentra
desarrollando investigaciones en el
área de las Smart Cities.
Anteriormente, supervisor de
construcción de redes GPON para CNT.
Luis Fernando Tipán. - Nació en
Quito en 1982. Recibió su título de
Ingeniero Electrónico en Control
de la Escuela Politécnica Nacional
en 2008. Recibió su título de
Maestría en Eficiencia Energética
en Escuela Politécnica Nacional en
2015. Su experiencia profesional la
dedico principalmente al campo petrolero e industrial, su
campo de investigación se encuentra relacionado con la
Electrónica de Control basada en tarjetas inteligentes
Smart Home Electrónica de los Sistemas de Potencia en
energías alternativas.
70
