Aplicación Práctica / Practical Issues
Recibido: 08-11-2020, Aprobado tras revisión: 11-01-2021
Forma sugerida de citación: Del Hierro, C.; Enríquez, J.; Sánchez, R.; Panchi, D. (2021). “Integración de un Sistema de
Monitoreo de Condiciones Climáticas al Sistema de Gestión de Energía Nacional. Revista Técnica “energía”. No. 17, Issue II,
Pp. 124-132
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2021 Operador Nacional de Electricidad, CENACE
Integration of a Monitoring System of Climatic Conditions to the National
Energy Management System
Integración de un Sistema de Monitoreo de Condiciones Climáticas al Sistema
de Gestión de Energía Nacional
C.A. del Hierro J. C. Enríquez R.G. Sánchez D. Panchi
Operador Nacional de Electricidad - CENACE, Quito, Ecuador
E-mail: cdhierro@cenace.org.ec; jenriquez@cenace.org.ec
E-mail: rsanchez@cenace.org.ec; dpanchi@cenace.org.ec
Abstract
This work presents the development of a data
acquisition system in real time for climatic variables
such as temperature and climatic conditions; and its
integration with the Energy Management System -
EMS of CENACE. The acquired climatic variables
will be used to analyze the relationship between
temperature and electricity demand in different
cities of Ecuador. Additionally, the presentation of
meteorological conditions in an operational display
within SCADA / EMS will help decision-making in
the real-time operation of the National
Interconnected System. This article shows the
different concepts and components used for its
development, as well as the results achieved at the
visualization level.
Finally, the results of an analysis of the variability of
the daily hourly demand for six months will be
presented, focusing on the cities of Guayaquil, Quito
and Cuenca. Through the data mining technique
called Orthogonal Empirical Functions, this work
explains the existing correlation between the
amplitude of the orthogonal empirical vectors
calculated of the demand and the temperature of
each city.
Resumen
Este trabajo presenta el desarrollo de un sistema
para la adquisición de datos en tiempo real de la
variable meteorológica de temperatura ambiente y
condiciones climáticas; y su integración con el
Sistema de Gestión de Energía - EMS de CENACE.
Las variables meteorológicas adquiridas servirán
para el análisis de la relación existente entre
temperatura y demanda eléctrica en diferentes
ciudades de Ecuador. Adicionalmente, la
presentación de las condiciones meteorológicas en un
despliegue operativo dentro del SCADA/EMS
ayudará a la toma de decisiones en la operación en
tiempo real del Sistema Nacional Interconectado.
Este articulo mostrará los distintos conceptos y
componentes utilizados para el desarrollo de este
sistema, así como los resultados alcanzados a nivel de
visualización. Para finalizar se presentarán los
resultados de un análisis de la variabilidad de la
demanda diaria horaria por seis meses, enfocándose
en las ciudades de Guayaquil, Quito y Cuenca. A
través de la técnica de minería de datos llamada
Funciones Empíricas Ortogonales se explica la
correlación existente entre la amplitud de los
vectores empíricos ortogonales calculados de la
demanda y la temperatura de cada ciudad.
Index terms Electrical Power System, Weather
Conditions, API, WebService, Communication
Protocols, SCADA/EMS.
Palabras clave Sistema Eléctrico de Potencia
(SEP), Condiciones Climatológicas, API, Servicio
Web, Protocolos de Comunicación, SCADA/EMS.
124
Edición No. 17, Issue II, Enero 2021
1. INTRODUCCIÓN
El Operador Nacional de Electricidad - CENACE es
una entidad estratégica del sector eléctrico ecuatoriano,
que opera y administra el funcionamiento técnico y
comercial del Sistema Nacional Interconectado - SNI y
de las interconexiones internacionales, con criterios de
seguridad, calidad y al mínimo costo posible.
En este sentido CENACE en su portafolio de
herramientas cuenta con el sistema de gestión de energía
EMS mismo que es utilizado para la operación en
tiempo real del Sistema Eléctrico de Potencia (SEP) de
Ecuador. El SCADA/EMS es un sistema complejo de
hardware y software que está conformado por el sistema
de adquisición de datos y el sistema central. El sistema
de adquisición de datos está formado por unidades
terminales remotas (UTR o Gateways) y canales de
comunicación que transmiten la información al centro
de control nacional (sistema central) formado por
servidores de comunicación, servidores de aplicaciones,
servidores de base de datos, servidores para
almacenamiento de datos históricos, entre otros [1].
Históricamente la adquisición de datos en tiempo
real de mediciones de temperatura ambiente de varias
subestaciones del SEP se realizaba por medio de
sensores de temperatura ubicados en los patios de la
subestación, que a través de un transductor a 4-20mA
[2] eran leídos por las RTUs ABB400 y transmitían
dicha información al SCADA/EMS del Centro de
Control.
Dado que estos sensores de temperatura fueron
cumpliendo su tiempo de vida útil y ya no cumplían con
su función para el envío de información en tiempo real,
se implementó un mecanismo alternativo que permite
recuperar esta información, generando un valor
agregado sobre las condiciones climáticas en diferentes
sectores del país donde se encuentran instalaciones que
forman parte del SNI. Esta información será de utilidad
para la operación en tiempo real y permitirá mejorar la
consciencia situacional [3] para la toma de decisiones.
La fuente de información del mecanismo
implementado está basado en el uso de una API propia
de la página web https://OpenWeathermap.org/api, la
cual permite hacer consultas de las condiciones
climáticas por ciudad en el mundo. Mediante un
componente de software realizado en Python (usando
librería Request [4]) se obtiene la información de la API
OpenWeather mediante el uso de Web Services [5].
Posteriormente los datos son sometidos a pre-
procesamiento, para entregar los datos al sistema
SCADA/EMS (información de temperatura y condición
climática de determinada de un conjunto de ciudades).
Para la presente implementación se realiza la consulta a
la API cada 10 minutos, y posteriormente se transmite
los datos recibidos hacia el sistema SCADA/EMS de
CENACE.
Mediante la arquitectura descrita, la información de
condiciones climáticas y de temperatura se procesa en el
sistema EMS de forma que sus datos sean visibles en
una interfaz gráfica e intuitiva al operador de la Sala de
control de CENACE. Esto permite incrementar la
conciencia situacional en lo referente a las condiciones
climáticas del país.
La información de temperatura obtenida a través de
la API es almacenada en la base de datos histórica del
sistema EMS, y para motivo de este trabajo ha sido
utilizada para el análisis de correlación entre las
variables de temperatura y la demanda eléctrica. Varios
trabajos han demostrado la existencia de una correlación
entre la demanda y temperatura [6]–[14]. En el trabajo
de Valor et al. [15] atribuyeron la variación estacional
de la demanda de electricidad a las variables
meteorológicas y a la tendencia creciente a los factores
socioeconómicos. En este trabajo se realizó el análisis
del comportamiento de diferentes ciudades en el
Ecuador, dándole mayor énfasis a las ciudades de
Guayaquil, Quito y Cuenca.
El presente documento está organizado de la
siguiente manera: la descripción de la arquitectura del
sistema implementado, la adquisición y procesamiento
de datos, y la interfaz de visualización gráfica se
describen en las secciones 2 y 3. La relación entre
temperatura y demanda se presenta en la sección 4, el
análisis de los datos y los resultados se muestran en la
sección 5, mientras que la sección 6 proporciona
conclusiones y recomendaciones.
2. DESCRIPCIÓN DEL SISTEMA DE
ADQUSICIÓN DE DATOS
Como se indicó en la sección 1 de este artículo, la
implementación de la arquitectura para la adquisición de
datos de temperatura y condiciones climatológicas tiene
varios componentes de Hardware y Software. En la Fig.
1 se muestra un esquema general para que el lector
pueda familiarizarse con estos componentes.
Figura 1: Arquitectura del sistema de condiciones climáticas
En la Fig. 2 se tiene un diagrama de flujo donde se
detalla cómo se transforma la información desde la
fuente de adquisición de datos hasta ser almacenada y
presentada en el EMS.
125
Del Hierro et al. / Integración de un Sistema Monitoreo de Condiciones Climáticas al Sistema de Gestión de Energía
Figura 2: Diagrama de flujo del sistema de condiciones climáticas
La recolección de datos se la realiza a través de la
API OpenWeather [16]. Posteriormente se realiza el
preprocesamiento de los datos y su transformación
mediante un componente de software desarrollado en
Python. Este componente es ejecutado de manera
periódica para enviar la información procesada a una
UTR que tiene una conexión ya establecida con el
SCADA/EMS.
El componente desarrollado en Python ejecuta la
captura de datos el uso de los servicios web de la API,
la misma que despliega la información en formato
JSON o XML. De esta estructura de datos se puede
recolectar la información de temperatura en grados
Kelvin (ºK) y el código de condición climática de la
ciudad de interés como se muestra en la Fig. 3.
Figura 3: Salida resultante de la captura de datos a través de Web
Service
Una vez que identificada la información de interés,
se habilita la transmisión de información desde el
servidor donde se encuentra alojada el componente ya
descrito y a través de protocolo MODBUS [7] transmite
la información a una UTR TBOX ubicada en el centro
de control nacional. La UTR TBOX de CENACE recibe
los valores de temperatura y código climático para luego
retransmitirla de manera segura al SCADA/EMS en
protocolo DNP 3.0 TCP/IP. La información recolectada
mediante el mecanismo descrito anteriormente es
finalmente almacenada en los históricos del
SCADA/EMS como se aprecia en la Fig. 4.
Figura 4: Presentación tabular de la información de temperatura
y condiciones climáticas
Con la información histórica, se realizó un análisis
estadístico descriptivo para determinar los valores
típicos de condiciones climáticas para 15 ciudades del
Ecuador a través del cálculo de rango máximo, rango
mínimo y moda de los datos; para su posterior
codificación y transmisión al SCADA/EMS [17] como
una señal digital doble, en la cual el valor numérico de
condición climática es agrupado en 4 estados: lluvia,
niebla, tormenta, y nublado. En la Fig. 5 se muestra la
configuración en el EMS para una indicación de cuatro
estados.
Figura 5: Configuración de señal digital de cuatro estados para
representación de condición climática
La trasformación realizada en la UTR para conseguir
representar la condición climática a través de un valor
digital de cuatro estados o dos bits, se observa en la
Tabla 1, los códigos de clima se obtuvieron del registro
JSON como resultado de la solicitud a la API de
OpenWeather [16].
El muestreo de información se realiza de la siguiente
manera: la petición de información a la API de
OpenWeather se realiza cada 10 minutos
considerándose que el cambio de temperatura es un
proceso lento y este sería el tiempo aproximado con el
que se capturaría esta información en campo, el
dispositivo Modbus configurado en la UTR realiza una
petición de información cada 4 segundos, mientras que
la petición de información en el SCADA/EMS a través
de protocolo DNP 3.0 TPC/IP es de 6 segundos.
126
Edición No. 17, Issue II, Enero 2021
Tabla 1: Relación valor numérico condición climática
Descripción
Rango Código Climático
1
Estado
Tormenta
200-232
00
Niebla
701-781
01
Lluvia
500-531
10
Nubes
800-804
11
3. VISUALIZACIÓN GRÁFICA DE DATOS DE
TEMPERATURA Y CONDICIONES DE
CLIMA EN SCADA/EMS
Una vez que se disponen de datos de las mediciones
de temperaturas y códigos de clima en el SCADA/EMS
del centro de control nacional, y para que estos datos se
conviertan en información valiosa para el operador, se
elaboró un despliegue utilizando la herramienta PED500
(herramienta propietaria del SCADA/EMS de ABB
versión NM9.2), que es una herramienta que permite el
desarrollo de despliegues para su visualización e
interacción desde la interfaz humano máquina en las
consolas de trabajo de los operadores del centro de
control nacional.
Figura 6: Despliegue resultante de isotermas
Este despliegue posee la funcionalidad de contorneo
de color dinámico, esta funcionalidad se usó para
representar la desviación de la temperatura de su valor
nominal por medio de áreas concéntricas coloreadas,
con esta funcionalidad se consiguió emular un mapa de
isotermas como se observa en la Fig. 6; se escogió 25ºC
como valor nominal de las mediciones de temperatura.
Adicionalmente, se incluyó en el despliegue las señales
digitales de condiciones climáticas mediante símbolos
gráficos para representar las condiciones de lluvia,
niebla, tormenta y nublado.
1
https://OpenWeathermap.org/weather-conditions
4. RELACIÓN TEMPERATURA VS. DEMANDA
ELÉCTRICA
En la literatura se puede encontrar evidencias de la
relación entre temperatura y el consumo eléctrico [10]–
[12]. Dependiendo del fenómeno físico en las que
ambas estén involucradas, esta relación puede ser
bastante obvia e incluso se pueden diseñar mecanismos
para optimizar el consumo eléctrico ante los cambios de
temperaturas [13], [14]. En sistemas eléctricos de
potencia más grandes, en los que las cargas eléctricas
son variadas ya sean de tipo industrial, comercial y/o
residencial; la relación entre estas variables ya no es tan
evidente. Algunos autores han reportado esta relación
como no lineal e incluso se reporta que esta relación es
dependiente de la región, el clima y variables socio-
económicas [10]–[12].
En los trabajos de Bessec et al. [10], Pardo et al. [11]
y Sailor et al. [12] muestran la relación de temperatura y
el consumo eléctrico mediante un gráfico de dispersión
cuyos ejes son: la temperatura y el consumo eléctrico.
Este mecanismo visual permite identificar la
sensibilidad del consumo eléctrico ante la temperatura.
En sus estudios demuestran que cada región estudiada
se comporta de manera diferente. Es decir, para ciertas
regiones la sensibilidad a los cambios de temperatura es
más alta que en otras regiones, sin embargo, hay casos
en los que no hay una relación directa. Esto se debe a
que hay otras variables que afectan más que la
temperatura, por ejemplo: del día de la semana, día
laborable o no laborable [11], [12]. Pardo [11],
introduce el índice SVI (Seasonality Variation Index)
para indicar la relación entre temperatura y consumo
eléctrico a lo largo del año. Este índice se ve
influenciado por los cambios de estación. La Fig. 7
muestra que la relación temperatura vs. consumo
eléctrico (expresada por el índice SVI) cambia de
manera mensual, teniendo su punto más bajo en el mes
de agosto, donde es considerado como un periodo de
vacaciones, por lo que la demanda del sector industrial
tiende a decaer en este mes.
Figura 7: Índice SVI de la demanda eléctrica española 1983-
1999
127
Del Hierro et al. / Integración de un Sistema Monitoreo de Condiciones Climáticas al Sistema de Gestión de Energía
4.1. Análisis de temperatura vs. demanda eléctrica
utilizando funciones empíricas ortogonales
(EOF)
Para facilitar el análisis de series temporales, y
conociéndose que posteriormente en el avance de este
proyecto se manejará una gran cantidad de datos. Para el
propósito de trabajo se propone el uso funciones
Empíricas Ortogonales (EOF) como herramienta de
análisis de minería de datos [18].
Dicha técnica es ampliamente utilizada para el
análisis de series temporales de temperatura superficial
en las corrientes marinas [17] cuyo concepto geométrico
se entiende como la observación de la variabilidad de un
fenómeno en distintas componentes las cuales son
ortogonales entre sí y cuyas proyecciones de amplitud
pueden presentar información valiosa para comprender
el fenómeno sin utilizar toda las series de tiempo [19].
Una analogía clásica de esta técnica es la presentada en
la Fig. 8, en cuya vista lateral del animal a identificarse,
se permite discriminar si es un camello o dromedario, lo
que no pasaría si vemos al mismo animal en vista
frontal [17].
Figura 8: Representación de un objeto desde diferentes
perspectivas
Por otra parte en el ámbito eléctrico se tiene como
referencia el uso de las funciones empíricas ortogonales
para el tratamiento de información de unidades de
medición sincrofasorial PMU, aplicado en la evaluación
de la vulnerabilidad del sistema eléctrico de potencia en
tiempo real usando tecnología de medición
sincrofasorial [18]. En [18] se realiza el tratamiento de
la información con EOF para conseguir una reducción
en la cantidad de datos y tener una proyección con
información valiosa del fenómeno, ya que utiliza una
gran cantidad de datos calculados por la PMU como
consecuencia de su frecuencia de muestreo que puede
llegar hasta 60 muestras por segundo [20] .
5. ANÁLISIS DE DATOS
5.1. Análisis de correlación
De la literatura conocemos que la temperatura y el
consumo eléctrico no tienen una relación lineal [10]–
[12]. Sin embargo, por la manera como han sido
analizado los datos en trabajos previos [12], [13], nos
hace pensar que realizar un análisis de correlación lineal
nos puede servir como punto de partida. Para el efecto,
se realizó el cálculo del coeficiente de correlación de
Pearson [21] con los datos capturados en este sistema.
Dado que el sistema fue implementado en el mes de
abril 2020, se realizó el cálculo en el periodo del 1 de
mayo de 2020 al 31 de octubre 2020.
Para efectos del cálculo en el periodo definido
anteriormente, se ha tomado el promedio horario de
cada variable. La Fig. 9 muestra el coeficiente de
correlación de la demanda eléctrica del SNI y la
temperatura de algunas ciudades del Ecuador. La
selección de las ciudades para este gráfico ha sido
aquellas que representan una región geográfica y tienen
un coeficiente de correlación alto. La Tabla 2 muestra
todas las correlaciones de las ciudades de las cuales se
tiene adquisición del valor de temperatura.
Figura 9: Coeficientes de Correlación de Pearson: Demanda
SNI (MW) y Temperaturas (°C) en ciudades del Ecuador
Tabla 2: Coeficiente de correlación de Pearson de temperatura
(°C) en cada ciudad vs. la demanda eléctrica (MW) del SNI
GUAYAQUIL
ESMERALDAS
CUENCA
LATACUNGA
QUITO
TENA
PUYO
MACAS
PORTOVIEJO
TULCAN
MANTA
RIOBAMBA
LOJA
MACHALA
Los resultados sugieren que se analice la relación
que existe en la ciudad de Guayaquil y Esmeraldas. Para
efectos de este trabajo, se muestra a continuación el
gráfico de dispersión de la demanda eléctrica de
Guayaquil vs. la temperatura de esta ciudad;
procediendo como lo indican los trabajos [10]–[12].
128
Edición No. 17, Issue II, Enero 2021
Nótese que no se realiza el gráfico de dispersión contra
la demanda del SNI ya que el objetivo de realizar este
gráfico es mostrar la relación más cercana entre las dos
variables.
Figura 10: Demanda eléctrica de Guayaquil (MW) vs.
Temperatura (°C) de la ciudad
La Fig. 10 muestra la relación de la temperatura y la
demanda eléctrica de la ciudad de Guayaquil. Los
puntos en color rojo son días laborales (lunes a viernes),
los puntos en color amarillo y azul son días no
laborables, sábado y domingo respectivamente. Se
aprecia que existe una relación lineal positiva por cada
subconjunto de datos, esto debido a la característica de
consumo eléctrico en días laborales y no laborales.
Continuando con el análisis, se ha procedido a
realizar el mismo gráfico de dispersión para la ciudad de
Quito. Dado el valor de su coeficiente de correlación
(0,54) se espera una relación débil y no lineal; y
apoyados en lo descrito en [10]–[12], se puede prever
que la influencia de la temperatura en esta ciudad sea
menor. La Fig. 11 muestra lo sospechado y nos da más
indicios de la relación existente.
Figura 11: Demanda eléctrica de Quito (MW) vs.
Temperatura (°C) de la ciudad, mostrada en diferentes colores
para diferentes periodos del día
Se puede apreciar en la Fig. 11 en puntos de color
azul aquellas mediciones comprendidas en el periodo de
0h hasta las 7h, en color naranja de 8h a 17h, en color
rojo el periodo de alta demanda de la ciudad, es decir de
18h a 20h, y finalmente el periodo de 21h a 23h en color
purpura. Fijándonos en las mediciones de cada grupo
por individual, se puede apreciar que es casi nula la
correlación entre temperatura y demanda eléctrica. En
esta ciudad en particular se concluye que la influencia
de temperatura es menor, y que otras variables, como la
presencia de luz solar y las costumbres de la ciudad
(horarios de trabajo, horarios de encendido de
alumbrado público, horas de llegada a domicilios, etc.)
influencian de mayor manera en la demanda eléctrica de
esta ciudad.
Para atribuir que la influencia de temperatura es
mayor en Guayaquil y no depende mucho de sus
horarios, como lo ya mostrado en Quito. En la Fig. 12 se
muestra el mismo análisis realizado en Quito, pero
aplicado a Guayaquil. Del gráfico se concluye que los
horarios también influencian en la demanda eléctrica,
pero de mayor manera la temperatura.
Figura 12: Demanda eléctrica de Guayaquil (MW) vs.
Temperatura (°C) de la ciudad, mostrada en diferentes colores
para diferentes periodos del día
Los análisis previos fueron realizados en todas las
ciudades enumeradas en la Tabla 2, con resultados
similares. Sin embargo, existen ciertas particularidades
en cada una de ellas, reflejando así el comportamiento
de cada ciudad. Por ejemplo, la Fig. 13 muestra el
análisis realizado a la ciudad de Cuenca.
Figura 13: Demanda eléctrica de Cuenca (MW) vs.
Temperatura (°C) de la ciudad, mostrada en diferentes colores
para diferentes periodos del día
129
Del Hierro et al. / Integración de un Sistema Monitoreo de Condiciones Climáticas al Sistema de Gestión de Energía
Se puede notar en la Fig. 13 cierto parecido al de la
ciudad de Quito, sin embargo, existen 3 clústeres
bastante definidos. El periodo de 0h a 10h caracterizado
por una temperatura bajo los 15°C, el periodo de 11h a
17h caracterizado por temperaturas superiores a los
16°C y finalmente el periodo 18h a 21h caracterizado
por una alta demanda. Finalmente existe también un
clúster no muy bien definido en el centro de los tres
anteriormente mencionados correspondiente al periodo
de 22h a 23h. Este último análisis demuestra que cada
ciudad tiene un comportamiento diferente con respecto
a la temperatura. Para las ciudades de la costa y oriente
la influencia de temperatura es mayor que para aquellas
de la región sierra, donde otras variables explicarían de
mejor manera la variabilidad de la demanda.
5.2. Análisis de las funciones empíricas
ortogonales de la demanda eléctrica y
temperatura
Como segundo análisis con el objetivo de observar
los fenómenos de demanda y temperatura horaria por 6
meses de análisis. Estas variables (4320 registros cada
una) fueron transformadas a través de las funciones
empíricas ortogonales para lograr explicar al menos el
99.5 % de la variabilidad del fenómeno. Se aplicó la
técnica de minería de datos llamada Funciones
Empíricas Ortogonales EOF [17], [18] las cuales se
resumen en las Tabla 3 y Tabla 4:
Tabla 3: Resumen de Funciones Empíricas Ortogonales que
logran al menos el 99.5% de la variabilidad del de la demanda
pmmáxima horaria
Fenómeno
Numero de EOF
Cantidad de datos
Demanda_UIO
3
72
Demanda_CUE
5
120
Demanda_GYE
3
72
Tabla 4: Resumen de Funciones Empíricas Ortogonales que
logran al menos el 99.5% de la variabilidad del de la temperatura
máxima horaria
Fenómeno
Numero de EOF
Cantidad de datos
Temp_UIO
6
144
Temp_CUE
5
120
Temp_GYE
6
72
Con la descomposición de las series temporales en
vectores empíricos se aplicó el índice de correlación de
Pearson para evaluar cuales son las funciones empíricas
ortogonales que explicarían de mejor manera la
correlación entre la demanda horaria y la temperatura.
Esta correlación está resumida en la Tabla 5. Esta
información ganada puede aportar a los modelos de
predicción de la demanda eléctrica. Este aporte en los
modelos de predicción de la demanda es un tema futuro
por realizar, ya que, para ello, se deberá incluir también
el análisis realizado en la sección 5.1. Esto debido a que
cada ciudad presenta un comportamiento diferente de
acuerdo con sus horarios y la sensibilidad a la
temperatura cambia dependiendo de la región
geográfica de cada ciudad.
Tabla 5: Resumen de Tuplas Funciones Empíricas Ortogonales
Demanda Temperatura con mayor correlación
Ciudad
EOF Dem
EOF Temp
Correlation
Quito
EOF_3
EOF_2
-0,85
Cuenca
EOF_1
EOF_1
0,66
Guayaquil
EOF_1
EOF_1
0,81
Además, en la Tabla 5 se observa que para las
ciudades de Quito y Guayaquil existe una correlación
muy alta entre la tupla de vectores empíricos
ortogonales de temperatura y demanda eléctrica. Para
una mejor compresión de esta correlación, se ha
graficado la función ortogonal EOF1 de la demanda
eléctrica de Guayaquil y la EOF1 de su temperatura, la
cual se observa en la Fig. 14.
Figura 14: Función ortogonal EOF_1 de la demanda eléctrica de
Guayaquil y la EOF_1 de su temperatura
Para el caso de Guayaquil, esta es positiva mientras
que para el caso de Quito esta es negativa. La
correlación negativa en Quito queda explicada por la
alta demanda eléctrica en condiciones de temperatura
baja en el periodo de demanda pico, de 6pm a 8pm,
como se aprecia en la Fig. 11. Este comportamiento no
ocurre necesariamente en la ciudad de Guayaquil, donde
la temperatura sigue alta durante el periodo de demanda
pico, véase Fig. 12.
6. CONCLUSIONES Y RECOMENDACIONES
Con este trabajo se tiene información de las
condiciones climáticas que permiten mejorar la
conciencia situacional y la toma de decisiones en la
operación en tiempo real del S.N.I.
Se demostró que es posible disponer de información
en el SCADA/EMS de fuentes como páginas web con
información confiable. Esta iniciativa abre la puerta a
nuevos desarrollos, en los cuales se necesiten datos de
130
Edición No. 17, Issue II, Enero 2021
fuentes externas, como aquellas publicadas en servicios
web o páginas web confiables.
Para los casos de las ciudades de Guayaquil y
Cuenca, se demostró que la función empírica ortogonal
representa el 81.5% y 60.1% de la variabilidad de la
demanda respectivamente. La correlación de las
ciudades de Guayaquil y Cuenca es fuerte y moderada
respectivamente, en función de las funciones empíricas
ortogonales de temperatura que representan el 67.9% y
72.9% respectivamente. Lo que permitirá utilizar esta
metodología para fortalecer los modelos de predicción
de demanda eléctrica utilizados actualmente en la
planificación del despacho diario.
Para el caso de la ciudad de Quito, el análisis de
correlación no es tan aplicable dado que las funciones
empíricas ortogonales, EOF_3 de demanda y EOF_2 de
temperatura no representan un porcentaje de
variabilidad considerable de dichas magnitudes. En
consecuencia, se determina que deben existir otras
variables que permitan explicar de mejor manera la
variabilidad de la demanda, como por ejemplo la
presencia de luz solar en el transcurso del día que
influye directamente en el alumbrado público de la
ciudad.
Dependiendo de la ciudad, se determinó que la
correlación de demanda y temperatura es lineal positiva
para los casos en que es sensible a la temperatura. Ese
fue el caso de algunas de las ciudades de la costa
ecuatoriana. Además, se observó que es importante
discriminar los días laborables de los no laborables para
obtener una mejor correlación. En otras ciudades donde
la sensibilidad a la temperatura es menor, se pudo
determinar que su correlación es lineal en ciertos
periodos de tiempo durante el día.
Se recomienda continuar el acercamiento con el
INAMHI para tener una fuente redundante de
información y verificar si la nueva fuente de
información tiene mejores prestaciones que las que
actualmente se tiene de forma gratuita.
Una vez finalizado la captura de datos de forma
anual, se recomienda realizar el mismo estudio
discriminando la estacionalidad, temporada seca,
temporada lluviosa y que permita aportar al modelo de
predicción de demanda.
AGRADECIMIENTOS
A los compañeros de trabajo de la Gerencia Nacional de
Desarrollo Técnico de CENACE, por su apoyo y
generosidad al compartir sus conocimientos.
REFERENCIAS BIBLIOGRÁFICAS
[1] P. C. Unit, “Network Manager Training Process
Communication Unit , PCU400 General solution
for multi protocol data acquisition from RTUs /
IEDs,” no. May, 2012.
[2] C. D. E. T. Se and S. Internacional, “Capítulo 3 :
Elementos sensores y transductores de
temperatura,” pp. 23–68, 2018.
[3] P. Van Eijsden, “Situational awareness,” Ned.
Tijdschr. Geneeskd., vol. 159, no. 30, pp. 186–187,
2015.
[4] “Python’s Requests Library (Guide) – Real
Python.” .
[5] D. K. Mahto and L. Singh, “A dive into Web
Scraper world,” in 2016 3rd International
Conference on Computing for Sustainable Global
Development (INDIACom), 2016, pp. 689–693.
[6] C. Giannakopoulos and B. Psiloglou, “Trends in
energy load demand for Athens, Greece: weather
and on-weather related factors,” Clim. Res., vol. 31,
pp. 97–108, 2006.
[7] A. Henley and J. Peirson, “Non‐Linearities in
Electricity Demand and Temperature: Parametric
Versus Non‐Parametric Methods,” Oxf. Bull. Econ.
Stat., vol. 59, no. 1, pp. 149–162, 1997.
[8] M. Ali, M. J. Iqbal, and M. Sharif, “Relationship
between extreme temperature and electricity
demand in Pakistan,” Int. J. Energy Environ. Eng.,
vol. 4, no. 1, p. 36, 2013.
[9] C. L. Hor, S. J. Watson, and S. Majithia,
“Analyzing the impact of weather variables on
monthly electricity demand,” IEEE Trans. Power
Syst., vol. 20, no. 4, pp. 2078–2085, 2005.
[10] M. Bessec and J. Fouquau, “The non-linear link
between electricity consumption and temperature in
Europe: A threshold panel approach,” Energy
Econ., vol. 30, no. 5, pp. 2705–2721, 2008.
[11] A. Pardo, V. Meneu, and E. Valor, “Temperature
and seasonality influences on Spanish electricity
load,” Energy Econ., vol. 24, no. 1, pp. 55–70,
2002.
[12] D. J. Sailor and J. R. Muiqoz, “Pergamon pll:.
S0360-5442(97)000M-0,” vol. 22, no. 10, pp. 987–
998, 1997.
[13] H. Moazamigoodarzi, R. Gupta, S. Pal, P. J. Tsai,
S. Ghosh, and I. K. Puri, “Modeling temperature
distribution and power consumption in IT server
enclosures with row-based cooling architectures,”
Appl. Energy, vol. 261, no. August 2019, pp. 1–13,
2020.
[14] M. Shakeri et al., “An intelligent system
architecture in home energy management systems
(HEMS) for efficient demand response in smart
grid,” Energy Build., vol. 138, pp. 154–164, 2017.
131
Del Hierro et al. / Integración de un Sistema Monitoreo de Condiciones Climáticas al Sistema de Gestión de Energía
[15] E. Valor, V. Meneu, and V. Caselles, “Daily Air
Temperature and Electricity Load in Spain,” J.
Appl. Meteorol., vol. 40, no. 8, pp. 1413–1421,
Aug. 2001.
[16] “OpenWeatherMap® API: Get Historical &
Current Weather Data | RapidAPI.” .
[17] S. Alburqueque, “Funciones ortogonales empíricas
y su aplicación a datos de temperatura superficial
del mar,” 2019.
[18] J. C. Cepeda, Real Time Vulnerability Assessment
of Electric Power Systems Using Synchronized
Phasor Measurement Technology. 2013.
[19] 2011 Bruce, “Variabilidad y tendencias del nivel
del mar en las costas de las penìnsula Ibérica y
zonas limítrofes:su relación con parámetros
meteorológicos,” J. Chem. Inf. Model., vol. 53, no.
9, pp. 1689–1699, 2013.
[20] M. Kezunovic and A. Bose, “The future EMS
design requirements,” Proc. Annu. Hawaii Int.
Conf. Syst. Sci., pp. 2354–2363, 2013.
[21] P. Schober and L. A. Schwarte, “Correlation
coefficients: Appropriate use and interpretation,”
Anesth. Analg., vol. 126, no. 5, pp. 1763–1768,
2018.
Carlos Arturo Del Hierro
Cadena.- Nació en Quito en 1978.
Recibió su título de Ingeniero
Electrónico en Automatización y
Control en el año 2002 en la ESPE
y en marzo de 2020, finalizó sus
estudios en Máster Universitario en
Análisis y Visualización de Datos
Masivos / Visual Analytics and Big Data en la UNIR.
Desde el año 2009 hasta la presente fecha se desempeña
en el cargo de Ingeniero de Sistema Remoto de
CENACE.
David Panchi Vergara. - Nació
en Quito, en 1992. Obtuvo su
título de Ingeniero Eléctrico en la
Escuela Politécnica Nacional en
2017, realizó sus estudios
primarios y secundarios en la
Unidad Educativa Borja 3
Cavanis. Actualmente se
desempeña como ingeniero de Sistema Remoto en la
Subgerencia de Servicios en tiempo real de CENACE.
Sus áreas de interés son: Sistemas Eléctricos de
Potencia, Operación de Sistemas Eléctricos de Potencia
y Estabilidad de Pequeña Señal.
Roberto Gonzalo Sánchez
Albán.- Nació en Quito en 1986.
Recibió su título de Ingeniero
Electrónico de la Universidad de
las Fuerzas Armadas (ESPE) en
2010; de Master en Computer
Science de la Universidad de
Fribourg – Suiza en 2017. Se
ejerció como ingeniero SCADA en el área de tiempo
real en el Operador Nacional de Electricidad CENACE
entre 2009 a 2014. En 2018 se ejerció como analista
post-operativo del Sistema Nacional Interconectado. En
2019, ha ejercido el cargo de analista de producción de
CELEC EP Coca Codo Sinclair. Sus campos de
investigación están relacionados con la aplicación de
Aprendizaje de Máquina, Inteligencia Artificial,
Visualización de Datos aplicadas al sector eléctrico.
José Carlos Enríquez Quelal.-
Nació en Quito en 1989. Recibió
su título de Ingeniero Eléctrico en
la Escuela Politécnica Nacional en
2014. Actualmente, se encuentra
cursando sus estudios de Maestría
en Electricidad en la Universidad
Politécnica Salesiana. Desde 2014,
se desempeña como ingeniero SCADA en el Operador
Nacional de Electricidad – CENACE. Sus áreas de
interés son: Operación de Sistemas Eléctricos de
Potencia, Estabilidad de Sistemas Eléctricos de
Potencia, Sistemas de medición sincrofasorial y
Sistemas de Gestión de Energía en Sistemas Eléctricos
de Potencia.
132