ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE INGENIERÍA ELÉCTRICA Y

ELECTRÓNICA

PRONÓSTICO ESPACIAL DE DEMANDA ELÉCTRICA

MEDIANTE LA TÉCNICA DE AGRUPAMIENTO (CLUSTERING)
DE CURVAS S HISTÓRICAS - APLICACIÓN A LA EMPRESA
ELÉCTRICA AMBATO REGIONAL CENTRO NORTE S.A.

TRABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL TÍTULO DE

INGENIERO ELÉCTRICO

BRYAN JONATHAN MAYORGA MÁRQUEZ

[email protected]

DIRECTOR: Dr. Ing. PAUL VÁSQUEZ

[email protected]

Quito, marzo 2018

 AVAL

Certifico que el presente trabajo fue desarrollado por Bryan Jonathan Mayorga
Márquez, bajo mi supervisión.

Dr. Ing. PAUL VÁSQUEZ

DIRECTOR DEL TRABAJO DE TITULACIÓN

I
 DECLARACIÓN DE AUTORÍA

Yo, Bryan Jonathan Mayorga Márquez, declaro bajo juramento que el trabajo aquí
descrito es de mi autoría; que no ha sido previamente presentado para ningún
grado o calificación profesional; y, que he consultado las referencias bibliográficas
que se incluyen en este documento.

A través de la presente declaración cedo mis derechos de propiedad intelectual

correspondientes a este trabajo, a la Escuela Politécnica Nacional, según lo
establecido por la Ley de Propiedad Intelectual, por su Reglamento y por la
normatividad institucional vigente.

BRYAN JONATHAN MAYORGA MÁRQUEZ

II
 DEDICATORIA

Dedico este trabajo a todas esas personas que, con su fe, cariño y amor, me ayudan
a crecer día a día.

A mi Madre Alexandra.

A mi Padre Klever +

A mis queridas Abuelitas Rosario y Adriana

A mis Abuelitos Jaime+ y Rene

A mis Hermanos Steven y Karen

A mis Tíos y Tías en especial Dorita y Maribel

A mi Primo William

A las personas que uno escoge como familia.

A mis Amigos Andrés, Jefferson, Colon y Ronny.

III
 AGRADECIMIENTO

“Sólo un exceso es recomendable en el mundo: el exceso de gratitud” Jean de La

Bruyère; con énfasis a esta frase quiero agradecer, a todos aquellos que
generosamente compartieron sus opiniones, conocimientos y tiempo. Este trabajo
pudo ser desarrollado gracias a su intervención y apoyo.

Dr. Ing. Paul Vásquez, Director de Tesis

Ing. Darío Muyulema, EEASA

Ing. Luis Marcial, EEASA

Ing. Iván Vargas, EEASA

Ing. Cristian Marín, EEASA

Ing. Adrián Torres, EEASA

Solo me queda decirles un, Dios les pague.

IV
 ÍNDICE DE CONTENIDO

AVAL.......................................................................................................................I
DECLARACIÓN DE AUTORÍA .............................................................................. II
DEDICATORIA ..................................................................................................... III
AGRADECIMIENTO ............................................................................................ IV
ÍNDICE DE CONTENIDO...................................................................................... V
RESUMEN ......................................................................................................... VIII
ABSTRACT .......................................................................................................... IX
1. ANTECEDENTES ........................................................................................... 1
1.1. Introducción .............................................................................................. 1
1.2. Objetivos ................................................................................................... 2
Objetivo general ........................................................................................................................2
Objetivos específicos .................................................................................................................2
1.3. Alcance ..................................................................................................... 3
2. MARCO TEÓRICO .......................................................................................... 5
2.1. Sistema de transmisión y distribución ....................................................... 5
2.2. Definiciones y caracterización de la demanda ........................................... 6
Demanda y sus unidades de medida .........................................................................................6
Causas del crecimiento de la demanda .....................................................................................6
Curva de demanda ....................................................................................................................7
Factor de carga ..........................................................................................................................8
Factor de diversidad ................................................................................................................10
Factor de coincidencia .............................................................................................................10
Relación del factor de coincidencia y el factor de carga individual .........................................12
Factor de responsabilidad .......................................................................................................15
2.3. Estimación y distribución de demanda .................................................... 18
Aplicación de los factores de diversidad .................................................................................19
Método de REA .......................................................................................................................22
2.4. Clasificación de los métodos de pronóstico de demanda ........................ 26
2.5. Análisis por microáreas ........................................................................... 28
Curva “S” y crecimiento de demanda a nivel de microárea ....................................................29
Métodos de pronóstico espacial de demanda eléctrica ..........................................................30

V
 Requerimientos para el pronóstico espacial ...........................................................................36
2.6. Minería de datos ..................................................................................... 40
Tareas de minería de datos .....................................................................................................40
Técnicas de minería de datos ..................................................................................................41
Algoritmo K–means .................................................................................................................42
3. METODOLOGÍA PARA EL PRONÓSTICO ESPACIAL DE DEMANDA
ELÉCTRICA ......................................................................................................... 45
3.1. Demanda eléctrica base.......................................................................... 47
División del área de estudio ....................................................................................................47
Clasificación de clientes por microárea ...................................................................................52
Estimación y distribución de demanda por microárea ............................................................55
3.2. Pronóstico espacial de demanda eléctrica – Template Matching ............ 58
Parte 1 - Determinación de curvas representativas ................................................................59
Parte 2 - Pronóstico de demanda ............................................................................................67
4. APLICACIÓN PRÁCTICA DE LA METODOLOGÍA PARA EL PRONÓSTICO
ESPACIAL DE DEMANDA ELÉCTRICA MEDIANTE UN MODELO
COMPUTACIONAL .............................................................................................. 69
4.1. Demanda eléctrica base.......................................................................... 69
División del área de estudio ....................................................................................................69
Clasificación de clientes por microárea ...................................................................................71
Estimación y distribución de demanda por microárea ............................................................72
4.2. Pronóstico espacial de demanda eléctrica – Template Matching ............ 74
Parte 1 - Determinación de curvas representativas ................................................................74
Parte 2 - Pronóstico de demanda ............................................................................................79
5. ANÁLISIS DE RESULTADOS ....................................................................... 81
5.1. Nivel de microáreas ................................................................................ 81
5.2. Nivel de sistema ...................................................................................... 86
6. CONCLUSIONES Y RECOMENDACIONES ................................................. 88
6.1. Conclusiones .......................................................................................... 88
6.2. Recomendaciones .................................................................................. 89
6.3. Trabajos futuros ...................................................................................... 90
REFERENCIAS BIBLIOGRÁFICAS ..................................................................... 91
ANEXOS .............................................................................................................. 94
ANEXO I. SELECCIÓN DE UN MÉTODO DE PRONÓSTICO ESPACIAL DE
DEMANDA ELÉCTRICA - CASO EEASA ......................................................... 94

VI
ANEXO II. PRONÓSTICO DE DEMANDA ELÉCTRICA POR REGRESIÓN
LINEAL MÚLTIPLE-CASO EEASA ................................................................... 96
ANEXO III. MANUAL DE USUARIO DEL MODELO COMPUTACIONAL.......... 99
ANEXO IV. MAPAS DE DEMANDA ELÉCTRICA ESPACIAL-CASO EEASA . 102

VII
 RESUMEN

El presente trabajo de titulación describe la aplicación de un modelo computacional

(herramienta para implementar la metodología), para pronosticar espacialmente la
demanda eléctrica, en respuesta a un problema presente dentro del proceso de
planificación, de mediano y largo plazo, del sistema de distribución de la Empresa
Eléctrica Ambato Regional Centro Norte S.A.

El pronóstico se lo realiza a través de dos etapas principales. La primera comprende

una metodología propuesta que utiliza como entrada el tamaño de las microáreas,
ubicación georreferenciada y consumo histórico mensual de energía (quince años),
de cada uno de los aproximadamente 200.000 clientes de la distribuidora, y como
salida se obtiene cerca de 10.000 curvas de demanda con forma “S” pertenecientes
a las microáreas del área de servicio. La segunda etapa desarrolla el método
Template Matching, mismo que se basa en la técnica de agrupamiento K-means
perteneciente a la Minería de Datos. Esta técnica forma clusters (conjuntos) de las
cerca de 10.000 curvas, con el fin de “promediarlas” y así obtener curvas
representativas de cada clúster (conjunto). Una vez formadas estas curvas
promedio, se las emplea para pronosticar la demanda en cada una de las
microáreas del área de servicio.

Adicionalmente, se realizó un pronóstico basado en el ajuste de curva por regresión

lineal múltiple (típico empleado por las distribuidoras), con el fin de demostrar que
el método Template Matching (en este caso), presenta 31,5% menos de error
(horizonte de cinco años) en comparación al de regresión. Estos errores fueron
calculados a través del error absoluto promedio.

PALABRAS CLAVE: Pronóstico espacial de demanda eléctrica, Minería de datos,

K-means, clustering, Template Matching.

VIII
 ABSTRACT

The present study describes the application of a computational model (tool to

implement the methodology), to forecast electric demand growth in response to a
present problem within the planning process, of medium and long term, of the
distribution system of the Empresa Eléctrica Ambato Regional Centro Norte S.A.

The forecast is made through two main stages. The first includes a proposed
methodology that uses as input the size of the small areas, geo-referenced location
and monthly historical consumption of energy (fifteen years), of each of the
approximately 200,000 customers of the company, and as output is obtained about
10,000 curves of demand with "S" shape belonging to the small areas of the service
area. The second stage develops the concept of the Template Matching method,
which is based on the K-means technique belonging to Data Mining. This technique
creates clusters (sets) of the nearly 10,000 curves, in order to "average" them and
thus obtain representative curves of each cluster (set). Once these average curves
were formed, they were used to forecast the demand in each of the small areas in
the service area.

Additionally, a forecast was made based on the curve fit by multiple linear regression
(typical used by the companies), in order to demonstrate that the Template Matching
method (in this case), presents 31.5% less error (horizon of five years) compared to
the regression. These errors were calculated through the average absolute value.

KEYWORDS: Spatial electric load forecasting, Data Mining, K-means, clustering,

Template Matching.

IX
1. ANTECEDENTES

1.1. Introducción

El pronóstico espacial de demanda es el primer paso primordial dentro del proceso

de la planificación que establece, una expansión ordenada de los equipos de
Transmisión y Distribución (T&D) [1], ya que evita un sobre o sub dimensionamiento
de dichos equipos. Por tal razón, desde los años cincuenta se han venido aplicando
y desarrollando varios métodos, algoritmos y programas de computadora,
orientados a disminuir los errores de proyección [2]. Muchos métodos han sido
comparados entre sí [3-9], de los cuales se concluye que, un paso determinante
para obtener una mejor resolución en el pronóstico es conocer cuáles son los
recursos (técnicos, humanos, económicos, tecnológicos e informáticos) disponibles
y los requerimientos (magnitud, resolución espacial, normalización del clima, entre
otros) por parte de una empresa distribuidora.

En este contexto, el trabajo de titulación está enfocado a realizar un pronóstico

espacial para la planificación de redes del sistema de Sub-Transmisión y
Distribución (ST&D) a mediano y largo plazo. La distribuidora empleada para
desarrollar la metodología es la Empresa Eléctrica Ambato Regional Centro Norte
S.A. (EEASA), misma que posee el área de servicio más grande del país y sirve
alrededor de 260.000 clientes. Por su gran territorio de cobertura se utilizó un
método robusto (funciona bien aun cuando existan datos erróneos o faltantes)
capaz de extrapolar las curvas de demanda “S” de cerca de 10.000 microáreas,
mediante técnicas de agrupación y reconocimiento de patrones (Minería de Datos);
factores que permiten superar en precisión a los métodos típicos empleados por las
distribuidoras (ajustes de curva por regresión) [3].

Para poder aplicar el método mencionado (Template Matching), fue necesario

satisfacer previamente sus requerimientos (demanda por microáreas). Por tanto, se

1
empleó una metodología propuesta, basada principalmente en la ubicación
georreferenciada y el consumo de energía de cada uno de los clientes del área de
servicio. Una vez cumplidos los requisitos, se desarrolló un modelo computacional
en Microsoft Visual Basic for Applications 7.1, con el fin de implementar la
metodología, y así pronosticar espacialmente la demanda eléctrica a mediano y
largo plazo (período 2017-2026). Para demostrar las ventajas y potencialidad del
método, se contrastó sus resultados con uno de ajuste curva (regresión lineal), todo
esto mediante el concepto del error absoluto promedio (Average Absolute Error,
AAV).

1.2. Objetivos

Objetivo general

Pronosticar espacialmente la demanda eléctrica mediante la técnica de

agrupamiento (clustering) de curvas “S” históricas - Aplicación a la Empresa
Eléctrica Ambato Regional Centro Norte S.A.

Objetivos específicos

· Dividir el territorio de servicio de la Empresa Eléctrica Ambato Regional

Centro Norte S.A. en microáreas, cuyas formas y dimensiones sean
adecuadas para los planes de expansión del sistema de distribución que
involucren a las subestaciones de 69/13,8kV y sus alimentadores
principales.

· Clasificar los usuarios del territorio en cinco categorías: residencial,

comercial, industrial, alumbrado público y otros, para analizar un método que
estime la demanda eléctrica histórica de cada uno y consecuentemente
construir la curva S por microárea; tomando como base información:

2
 georreferenciada, consumos de energía y número de clientes, disponible en
la Empresa Eléctrica Ambato Regional Centro Norte S.A.

· Implementar un modelo computacional en Microsoft Visual Basic for

Applications 7.1 que permita manejar toda la información histórica de los
clientes del área de servicio de la Empresa Eléctrica Ambato Regional
Centro Norte S.A. y, mediante el método Template Matching pronosticar la
demanda eléctrica espacial a mediano y largo plazo a partir de las curvas de
demanda S del período 2002-2016.

· Comparar los resultados obtenidos del modelo computacional con los de un

pronóstico por microáreas de regresiones lineales a partir del error absoluto
promedio (Average Absolute Error, AAV), para demostrar las ventajas y
potencialidad del método Template Matching.

1.3. Alcance

Se desarrolló un modelo computacional en Microsoft Visual Basic for Applications

7.1 capaz de producir un pronóstico espacial de demanda eléctrica en el horizonte
de mediano y largo plazo (uno a diez años) del área de servicio de la Empresa
Eléctrica Ambato Regional Centro Norte S.A.; basado en el método Template
Matching (TM) el cual es tendencial y usa la tarea de agrupamiento (de minería de
datos).

Se dividió el territorio en microáreas cuyas formas y dimensiones son adecuadas

para los planes de expansión del sistema de distribución de la Empresa Eléctrica
Ambato que involucran a las subestaciones de 69/13.8kV y sus alimentadores
principales.

3
El modelo computacional es capaz de vincular correspondientemente a cada
microárea información georreferenciada, consumo de energía eléctrica y número
de clientes, disponible de la base de datos de la Empresa Eléctrica Ambato
Regional Centro Norte S.A. del período 2002-2016, con el fin de clasificar y estimar
la demanda de los usuarios, en cinco categorías: residencial, comercial, industrial,
alumbrado público y otros, para construir la curva S histórica de cada una de las
microáreas.

Los resultados obtenidos por el modelo computacional son comparados con los de
un pronóstico por microáreas de regresiones lineales a partir del error absoluto
promedio (Average Absolute Error, AAV), para de esta manera demostrar las
ventajas y potencialidad del método Template Matching.

4
2. MARCO TEÓRICO

2.1. Sistema de transmisión y distribución

Los equipos de generación, a menudo distantes de los clientes, se encuentran

concentrados en pocas, pero grandes centrales eléctricas; el sistema de
transmisión y distribución (T&D) mueve la energía de esas centrales, a través de
líneas de T&D, subestaciones, transformadores y otra gama de equipos, que
permiten suministrar la energía eléctrica a los clientes de la compañía [1]. La Tabla
2.1. detalla los diferentes niveles en un sistema típico y proporciona estadísticas
para cada uno de ellos.

Tabla 2.1. Estadísticas de un sistema eléctrico de mediano tamaño [1]

Número Capacidad Capacidad
Nivel del sistema Voltaje [kV] de promedio Total
unidades [MVA] [MVA]
Transmisión 345 - 138 12 150 1.400
Sub-transmisión 138 - 69 25 65 1.525
Subestación 139/23,9 – 69/13,8 45 44 1.980
Primario o alimentador 23,9 – 13,8 227 11 2.497
Transformador de distribución 0,12 – 0,24 60.000 0,05 3.000
Secundario o acometida 0,12 – 0,24 250.000 0,014 3.500
Cliente 0,12 250.000 0,005 1.250

De la Tabla 2.1. se observa, que mientras más cerca se esté del nivel de los
clientes, la capacidad total de los equipos incrementa, esto es debido a la no
coincidencia de la demanda máxima y a los intereses entorno a la confiabilidad del
sistema. Por esta razón, a nivel de transformador de distribución, siempre existirá
mayor capacidad instalada, que en un alimentador primario. De ahí que es,
fundamental contar con un adecuado pronóstico a fin de evitar más
sobreinversiones.

5
2.2. Definiciones y caracterización de la demanda

Demanda y sus unidades de medida

La demanda es el valor promedio de la carga eléctrica durante un período de

tiempo. Este período es conocido como intervalo de demanda, comúnmente las
empresas eléctricas establecen tiempos de 15, 30 y 60 minutos para medir y definir
la demanda máxima. Si se registran sobre una base de 15 minutos, la curva se
compone de 96 valores, siendo cada uno el promedio de carga en ese lapso. La
demanda se puede expresar en kVA, kW o A [4].

Causas del crecimiento de la demanda

La demanda de energía eléctrica en un sistema de T&D crece o decrece sólo por

dos razones o por la combinación de ambas [2], la Figura 2.1. ilustra esta relación.

1. Aumento del número de usuarios. Si nuevos usuarios están comprando

electricidad, la demanda máxima en esa zona incrementará.

2. Nuevos usos de la energía eléctrica. Los clientes existentes en un área pueden

reemplazar o adquirir nuevos electrodomésticos que requieran más energía,
esto provoca que la demanda en esa zona incremente [5].

6
Figura 2.1. Demanda máxima en función del número de clientes y el consumo de
energía eléctrica [3]

Curva de demanda

El uso final de un dispositivo usualmente varía en el tiempo. Por ejemplo, el

alumbrado público funciona después del atardecer hasta antes del amanecer.
Algunos usos finales son bastantes estacionales y dependientes de la región de
donde son utilizados. Este uso intermitente de los dispositivos produce que la
demanda de energía eléctrica varíe en función del tiempo. Esto se puede ilustrar
como una curva de demanda. Típicamente, el valor de mayor interés es el pico de
la curva, ya que este define directa o indirectamente los requisitos de capacidad de
los equipos de T&D. Adicionalmente, el área bajo la curva es la energía total que
requiere el o los usuarios durante el día.

7
Factor de carga

Es la relación entre la demanda promedio y la demanda máxima, Ecuación 2.1.,

donde la promedio es la energía total utilizada en un período dividida por el número
de intervalos en ese período; este promedio se divide para el valor máximo de
demanda que ocurriese en el intervalo de tiempo.

'
& *+-
!"#$%# = = ,+
&(á) &(á) +

Ecuación 2.1. Factor de carga

Donde:

' : Demanda promedio en kW

&

&(á) : Demanda máxima coincidente o diversificada en kW

*: Consumo de energía en kWh (un día, una semana, un mes, un año)

,: Número de horas durante el período de tiempo (24, 96, 730, 8760)

El factor de carga indica cuánto tiempo se mantiene el valor máximo de demanda.

Si el factor es cercano a uno quiere decir que la curva de demanda es constante
todo el tiempo, Figura 2.2.b., y en cambio si el factor está cerca del valor de cero,
la curva posee picos y valles pronunciados, Figura 2.2.a. Bajo esta perspectiva, se
observa que el factor de carga depende del punto de donde es medido y de la
cantidad de usuarios que se encuentren conectados al mismo.

8
 Figura 2.2. Curva de demanda de: a) un cliente y b) un alimentador primario.
Fuente EEASA

Gangel (1965) [6] calculó que el factor de carga típico a nivel de transformador es
0,26 y a nivel de cliente residencial es 0,19. La Figura 2.3. indica la relación entre
el factor de carga y el número de clientes.

Figura 2.3. Relación del factor de carga y número de clientes a nivel de

transformador de distribución [6]

9
Factor de diversidad

Es la relación entre las demandas máximas individuales de un grupo, con la

demanda máxima medida en el punto de alimentación (llamada también demanda
máxima coincidente). La Ecuación 2.2. representa esta relación.

&(á)365 7 + &(á)365 7+8 8 8 7+&(á)365 ;

!./01$2/.#.345 = 9 ;+< !./01$2/.#.345 =
&(á)345 !">/?"/.1?"/#345

Ecuación 2.2. Factor de diversidad

Donde:

&(á)365: Demanda máxima de un cliente

&(á)345 : Demanda máxima coincidente o diversificada de N clientes

Comúnmente los usuarios no suelen llegar a la demanda máxima al mismo tiempo.

Por lo tanto, la suma de las demandas máximas individuales (demanda máxima no
coincidente) suele ser mayor a la de la demanda máxima grupal. El factor de
diversidad típicamente es mayor a uno y sólo es igual a la unidad cuando todas las
demandas máximas individuales ocurren al mismo tiempo

Factor de coincidencia

Se define como la relación entre la demanda máxima grupal, medida en el punto

de alimentación, y la suma de las demandas máximas individuales que conforman
el conjunto, la Ecuación 2.3. indica esta relación.

&(á)345 ;
!">/?"/.1?"/#345 = @ ;< !">/?"/.1?"/#345 =
&(á)365 7 + &(á)365 7+8 8 8 7+&(á)365 +!./01$2/.#.345

Ecuación 2.3. Factor de coincidencia

10
Donde:

&(á)365: Demanda máxima de un cliente

&(á)345 : Demanda máxima coincidente o diversificada de N clientes

La influencia del consumo individual y grupal de la energía, sobre el factor de

coincidencia está determinado por muchos factores. Entre los más importantes se
pueden citar [7] :

· Los hábitos de la población

· Las prácticas comunitarias y empresariales

· Las condiciones meteorológicas

· El uso de un equipo (manual o automático)

De forma general la relación entre el factor de coincidencia y el número de usuarios

puede plantearse de la siguiente manera. Para clientes con los mismos
requerimientos energéticos y sin ningún tipo de restricción que prohíba el uso de la
energía (leyes y/o políticas), se les puede representar su factor de coincidencia a
través de una hipérbola rectangular con rangos de uno a cero, como se indica en
la Figura 2.4., donde los grupos de clientes residenciales, comerciales e industriales
tienen diferentes curvas de coincidencia, y cada una de ellas presentan asíntotas
de convergencia (AB) cuando superan los 100 clientes.

11
 Figura 2.4. Relación entre el factor de coincidencia y el número de clientes [7]

Relación del factor de coincidencia y el factor de carga individual

La relación del factor de coincidencia de un grupo con el factor de carga individual

pasó desapercibida en la industria de servicios eléctricos hasta 1937, año en el que
Bary [8] establece una probable relación de los factores. Una vez, la forma de curva
de demanda fue racionalizada y verificada a través de varias consideraciones
matemáticas, la teoría de Bary fue confirmada por Terry (1939) [9] y Eisenmenger
(1939) [10]. Con una estadística del período 1933-1943, Bary [7] determinó un
rango del factor de carga mensual individual de 0,4 a 0,7, se observó que en ese
espectro el factor de coincidencia no varía significativamente. Además, se
encontraron valores de coincidencia entre subgrupos de un mismo grupo (entre
0,93 y 1,0 para comerciales e industriales, y de 0,92 a 0,95 para residenciales sin
cocinas eléctricas). Webler [11] en 1963 desarrolló una metodología para
dimensionar secundarios de un sistema de distribución considerando la variación
del factor de carga en función del número de clientes. Gangel (1965) [6] con una
estadística de 55 distribuidoras y la cooperación de la General Electric (GE),
determinó valores de factor de carga mensual individual de 0,4 a 0,75, y notó un

12
cambio en el factor de coincidencia de 0,82 a 0,86. En 1981 Nickel [12] con datos
de 71 compañías eléctricas y basado en los estudios de Gangel establece valores
de factor de carga entre 0,19 y 0,38, y en conjunto con la curva de coincidencia de
Arkansas Power and Light y valores de la Electrical World (1978) [13], determina
valores de demanda máxima, factores de carga y factores de coincidencia en
función del número de clientes. Brooks (1987) [14] determina factores de carga y
coincidencia tanto de clientes individuales (0,206; 1) como de transformadores
(0,345; 0,598), alimentadores primarios (0,383; 0,537) y subestaciones (0,414;
0,499), por grupo de consumo y estación climática. Pansini (2005) en el capítulo 16
de [15], menciona factores de carga típicos de las zonas residenciales (0,2),
edificios de oficinas (0,2 - 0,3), pequeñas y medianas industrias (0,2 - 0,7), y de
grandes plantas industriales (0,9).Con estas referencias bibliográficas, se busca
hacer hincapié en que tanto el factor de coincidencia grupal como el factor de carga
individual se relacionan entre sí, y a la vez entre ellos se establecen límites, la
Figura 2.5. ilustra este concepto.

Figura 2.5. Relación entre el factor de coincidencia grupal y el factor de carga

individual [7]

13
Es obvio que un grupo de consumidores, donde cada uno posee un factor de carga
del 100%, posea un factor de coincidencia igual a la unidad; con este criterio
marcamos el primer límite (punto B de la Figura 2.5.). Además, se puede demostrar
que un grupo formado por varias decenas de clientes, cada uno con un factor de
carga cercano a cero y sin ningún tipo de restricción durante el período
considerado, tendrá un factor de coincidencia que se aproxima a uno dividido para
el número de clientes, y este se acercará al valor de cero mientras más clientes se
sumen al grupo (punto A de la Figura 2.5.). Por lo tanto, con los dos extremos
conocidos, se puede esperar que, para un grupo de consumidores grandes y con
comportamientos homogéneos de consumo, exista alguna función que conecte
estos dos puntos [7].

Puede demostrarse que bajo ninguna condición el valor del factor de coincidencia
de un grupo de clientes, cada uno con el mismo factor de carga, puede caer por
debajo del factor de carga individual, no se puede hacer por definición, ya que
superaría el valor de la unidad. Con estos criterios la única relación cae dentro del
triángulo ABC, Figura 2.5., expresada también a través de la inecuación: !"#$%#+365 @
!">/?"/.1?"/#+345 . Según [7], el área interna formada por el triángulo AFG, Figura 2.5.,
es la zona más probable para que se de la relación entre ambos factores.

Si se considera que, la demanda máxima unitaria (no necesariamente que ocurra

en el mismo instante), el factor de carga individual y el consumo de energía es el
mismo para cada cliente dentro de un grupo, se puede relacionar al factor de carga
grupal con el individual mediante la Ecuación 2.4. Adicionalmente, si esta última se
la vincula con la Ecuación 2.1., se obtiene la Ecuación 2.5.

!"#$%#+365 = !">/?"/.1?"/#+345 × !"#$%#+345

Ecuación 2.4. Relación del factor carga individual y el factor de coincidencia

grupal

14
 *345
&(á)345 = × !">/?"/.1?"/#+345
, × !"#$%#+365

Ecuación 2.5. Demanda máxima coincidente en función del factor de carga

individual y el factor de coincidencia grupal

Donde:

&(á)345 : Demanda máxima coincidente o diversificada para N clientes

*345 : Consumo de energía de un grupo de N clientes

!"#$%#+365: Factor de carga individual

!">/?"/.1?"/#+345 : Factor de coincidencia para N clientes

Factor de responsabilidad

Es la relación entre la demanda de una carga en el momento del pico del sistema
y su demanda máxima real. El factor de responsabilidad se puede aplicar a clientes
individuales, grupos de clientes o secciones de circuitos. Si se desea conocer el
aporte de demanda de un trasformador al sistema de T&D, se puede relacionar la
Ecuación 2.5. y la Ecuación 2.6. Según [16] para transformadores de distribución la
responsabilidad oscila entre 0,46 y 0,95 con un valor promedio de 0,77, la Figura
2.6. indica su relación con el número de clientes.

!">/?"/.1?"/#+3(5
C345 =
!">/?"/.1?"/#+345

Ecuación 2.6. Factor de responsabilidad en función del factor de coincidencia [12]

Donde:

C345 : Factor de responsabilidad para N clientes

!">/?"/.1?"/#+3(5 : Asíntota de convergencia1

1
Revisar discusión de Figura 2.4.

15
 Figura 2.6. Factor de responsabilidad en función del número de clientes [12]

La Figura 2.7. muestra las curvas de demanda de: un sistema, un alimentador y un

transformador de distribución. El pico del sistema ocurre a las 7:00 p.m. La
demanda máxima del alimentador es de 1080 kW a las 8:00 p.m., como la demanda
del alimentador es de 930 kW en el momento pico del sistema, el factor de
responsabilidad del alimentador para el sistema es de 0,86 p.u. De manera similar,
la demanda máxima del transformador es 43 kW a la 1:00 a.m., pero como la
demanda del transformador en el momento del pico del sistema es de 31,5 kW, el
factor de responsabilidad del transformador para el sistema es de 0,73 p.u.

16
Figura 2.7. Factor de responsabilidad a nivel de: a) sistema, b) alimentador y c)
transformador de distribución [12]

17
2.3. Estimación y distribución de demanda

El registro detallado de las limitaciones y holguras de un sistema eléctrico, ante las

cambiantes exigencias de demanda de los clientes, es el requerimiento primordial
sobre el cual se realiza la planificación de T&D. Mantener este registro lo más
actualizado y veraz posible, se convierte sin duda en un gran reto de ingeniería.
Muchas veces ni las mediciones más puntuales en un alimentador reflejan la
realidad del mismo [17]. Es por esta razón que, desde mediados de 1930, la revista
AIEE empezó a incluir publicaciones de procedimientos para estimar la demanda
[2]. Desde ese momento, hasta la actualidad, se han realizado intentos para mejorar
el control del consumo energético de los usuarios.

Las redes eléctricas inteligentes (REI) son un ejemplo, de cómo se mejora

sustancialmente la obtención de datos. Las REI presentan características como, el
procesamiento jerárquico y el control en los puntos más importantes del sistema.
Permiten no solo monitorear en tiempo real la demanda eléctrica, sino también,
mejoran la confiabilidad de la red, lo que da paso a la autogestión ante fallas e
incidentes del sistema [18]. Sin embargo, este tipo de proyectos al poseer una
infraestructura avanzada y demandar mayor cantidad de recursos, provocan que
se dificulte su implementación en todas las áreas de un territorio. Sino se no posee
está plataforma tecnológica, se hace necesario conocer los datos disponibles de
una distribuidora. Para, a través de ellos, construir un modelo o seleccionar un
método de estimación, que permita determinar la demanda en cada transformador
de distribución.

En este contexto, según Kersting (2012) [19], se puede agrupar a los métodos en
cuatro categorías generales, la Tabla 2.2. muestra cuales son y sus requerimientos
principales. Adicionalmente, se anexa el método de REA a esta clasificación, como
comparación, ya que es ampliamente utilizado por las distribuidoras en el Ecuador.

18
Tabla 2.2. Métodos de estimación y distribución de demanda en un transformador
de distribución
Métodos Demanda
Aplicación
Estudio Gestión de máxima
de los
de demanda del medida en REA
factores de
Requisitos demanda transformador un
diversidad
principales alimentador
Número de clientes ✓ ✓ ✓ ✓
Tabla de diversidad ✓ ✓ ✓
Demanda máxima
✓
unitaria
Consumo de energía
✓ ✓ ✓
por cliente
Relaciones de
✓ ✓
energía/demanda
Datos de
correspondencia ✓
cliente/transformador
Demanda máxima por
✓
alimentador
Potencia instalada
(transformadores) en el ✓
alimentador

Debido a la disponibilidad de información de la distribuidora, que se utiliza como

ejemplo (ver Anexo I), se empleó el método de factores de diversidad y REA (Rural
Electrification Administration) para reproducir la demanda máxima anual histórica
por microárea. A continuación, se da una explicación de los métodos utilizados, con
enfoque a los equipos de T&D, y en la sección 3.1. se los aplica a nivel de
microáreas. Es necesario clarificar que estos métodos no son utilizados, en este
trabajo, para determinar la demanda futura; sino más bien sirven para establecer
los escenarios base, útiles para el pronóstico espacial.

Aplicación de los factores de diversidad

La definición del factor de diversidad relaciona la demanda máxima no coincidente

y la demanda máxima diversificada o coincidente. Factores de diversidad típicos se
muestran en la Tabla 2.3. y la Figura 2.8., cuando esta tabla está disponible, se

19
puede determinar la demanda máxima correspondiente a un transformador
mediante la Ecuación 2.7.

D × + &(á)365
&(á)345 =
!./01$2/.#.+345 +

Ecuación 2.7. Demanda máxima diversificada en función del factor de diversidad

Donde:

&(á)365: Demanda máxima de un cliente

&(á)345 : Demanda máxima coincidente o diversificada de N clientes

!./01$2/.#.+345 : Factor de diversidad para N clientes

Tabla 2.3. Factores de diversidad, donde N es el número de usuarios y DF el

factor de diversidad [19]
N DF N DF N DF N DF N DF N DF N DF
1 1,0 11 2,67 21 2,90 31 3,05 41 3,13 51 3,15 61 3,18
2 1,60 12 2,70 22 2,92 32 3,06 42 3,13 52 3,15 62 3,18
3 1,80 13 2,74 23 2,94 33 3,08 43 3,14 53 3,16 63 3,18
4 2,10 14 2,78 24 2,96 34 3,09 44 3,14 54 3,16 64 3,19
5 2,20 15 2,80 25 2,98 35 3,10 45 3,14 55 3,16 65 3,19
6 2,30 16 2,82 26 3,00 36 3,10 46 3,14 56 3,17 66 3,19
7 2,40 17 2,84 27 3,01 37 3,11 47 3,15 57 3,17 67 3,19
8 2,55 18 2,86 28 3,02 38 3,12 48 3,15 58 3,17 68 3,19
9 2,60 19 2,88 29 3,04 39 3,12 49 3,15 59 3,18 69 3,20
10 2,65 20 2,90 30 3,05 40 3,13 50 3,15 60 3,18 70 3,20

20
 Figura 2.8. Factores de diversidad en función del número de clientes [19]

Cuando se utiliza los factores de diversidad hay que tener en cuenta que, a pesar
de que la demanda máxima de un usuario es única en un período de demanda, el
factor de diversidad varía según el punto de alimentación en que se calcule. Por
ejemplo, de la Tabla 2.4. se toma el valor 2,0 correspondiente al de iluminación
residencial visto en el transformador de distribución, pero si ese usuario se analiza
desde el alimentador aumenta a 2,6 el factor de diversidad. Otro aspecto a tomar
en consideración es que la diversidad se da también entre usuarios, como es el
caso de los alimentadores de una subestación, cuyo valor oscila entre 1,05 y 1,15.

Tabla 2.4. Factores típicos de diversidad por grupo de consumo [20]

Factores de diversidad para:
Elementos del sistema entre los cuales se
establecen los factores de diversidad Iluminación Iluminación Potencia Grandes
residencial comercial general usuarios

Entre usuarios individuales 2,0 1,46 1,45

Entre transformadores 1,3 1,3 1,35 1,05
Entre alimentadores 1,15 1,15 1,15 1,05
Entre las subestaciones 1,1 1,10 1,1 1,1

De los usuarios al transformador 2,0 1,46 1,44

De los usuarios al alimentador 2,6 1,9 1,95 1,15
De los usuarios a la subestación 3,0 2,18 2,24 1,32
De los usuarios a la estación generadora 3,29 2,4 2,46 1,45

21
El cálculo de demanda máxima, a partir de los factores de diversidad, se ha venido
realizando desde 1940, tras la publicación “Diversified demand method of
estimating residential distribution transformer loads” realizada por Arvidson [21].
Aunque este método, ha reavivado el interés en los últimos tiempos debido al
avance tecnológico (que permite monitorear los aparatos eléctricos, y mediante
correlaciones estadísticas construir curvas de demanda), la mayoría de empresas
eléctricas no construyen las tablas, de los factores de diversidad, de su territorio
puesto que su proceso de elaboración generalmente no es rentable [19].

Método de REA

El método de REA (Rural Electrification Administration) al basarse sobre más de

10.000 muestras y varios años de estudio, se convierte en fiable y de difícil
superación [22]. REA emplea dos factores para calcular la demanda máxima
coincidente (kW) en un equipo de T&D, como se muestra en la Ecuación 2.8.

&(á)345 = EFG,HI+J × EFG,HI+K

Ecuación 2.8. Demanda máxima coincidente a partir de los factores A y B [5]

Factor A

El factor A o factor de cliente se reproduce a través de la Ecuación 2.9., misma que

refleja información de la diversidad de demanda.

EFG,HI+J345 = DL; M NOPD 7 NOP3D Q 7 PN56RQ S

Ecuación 2.9. Factor A en función del número de clientes [5]

22
Cuando a un equipo de T&D se conectan más de 1.400 usuarios, el número de
clientes se convierte en el del factor A. Sin embargo, esta ecuación no se aplica en
el rango de uno a cuatro usuarios, porque al caracterizar sus valores de consumo
promedio, se muestra que están por debajo de ese promedio y en ciertas ocasiones
existe un cuarto usuario que supera este valor [5]. La Ecuación 2.10. permite
obtener el factor de coincidencia que utiliza el método de REA.

;RU
EFG,HI+J345 ; M NOPD 7 NOP3DU 7 PN5
!">/?"/.1?"/#345 = =
TOUV × D TOUV
Ecuación 2.10. Factor de coincidencia en función del factor A [5]

Donde:

D : Número de clientes

TOUV : factor A para un cliente

Factor B

El factor B o factor de kWh puede calcularse a partir de la Ecuación 2.11., este

refleja información del factor de carga del sistema.

EFG,HI+K3XYZ5 = NONN[VU[ × *365 \O]]^ +

Ecuación 2.11. Factor B o factor de kWh [5]

Donde:

*365: Consumo de energía mensual de un cliente

23
Factor de multiplicación

La Figura 2.9. y la Figura 2.10. ilustran como el uso de la energía eléctrica, el factor
de carga2 y el número de clientes, varían año tras año (no necesariamente a una
misma tasa de crecimiento). Por ejemplo, en el período de 1939-1949 se observa
que existió un mayor incremento de demanda energética que en el de 1949-1955.
Bajo esta perspectiva de constante evolución y tras demostrarse en [5], que
cualquier curva de kWh/mes/kW versus número de clientes puede ser representada
como un porcentaje de una curva máxima de la familia, Vest (1957) [5] planteó el
uso del factor de multiplicación, mismo que permite migrar los valores de un sistema
a otro, a través de la modificación del factor B.

Figura 2.9. Crecimiento de clientes y su consumo promedio de kWh del período

1941-1954. Valores típicos utilizados en los informes de REA, donde los símbolos
y números se ajustan para adaptarse a sistemas individuales. [23]

2
Los factores de carga de la Figura 2.10. se calcularon a partir de la Ecuación 2.1.

24
Figura 2.10. Relación de kWh/mes/kW, factor de carga y número de clientes, para
un consumo de 50 kWh/mes/cliente [5]

El factor de multiplicación de un sistema para un año dado, se calcula mediante la

Ecuación 2.12., donde el valor del numerador puede obtenerse al tratar la Ecuación
2.1., Ecuación 2.8., Ecuación 2.9. y Ecuación 2.11.; y el valor del denominador
proviene del medido del sistema actual. Una vez obtenido el valor de este factor, se
lo multiplica por la Ecuación 2.11. (factor B) y mediante la Ecuación 2.8., se
determina la demanda máxima coincidente.

\O66i
;efOgge × *365
!"#$%#+345 , × j; M NOPD 7 NOP3D Q 7 PN56RQ l
EFG,HI+_*+`ab,cdbcGFGcóA = =
!"#$%#+(1./.>345 !"#$%#+(1./.>345

Ecuación 2.12. Factor de multiplicación en función del factor de carga medido del
sistema [5].

Donde:

*365: Consumo de energía mensual de un cliente

25
2.4. Clasificación de los métodos de pronóstico de demanda

Según Ariza (2013) [24], los métodos de pronóstico pueden clasificarse en tres
categorías, como se muestra en la Figura 2.11.

· Horizonte de tiempo: la planificación se desarrolla en tres categorías

definidas por metas y tiempos de ejecución. La planificación de corto plazo
va desde un mes hasta un año, el mediano plazo comprende de uno hasta
cinco años; ambas están enfocadas con las construcciones actuales de los
equipos y, asegurar que ellos operen cuando sea necesario. Por el contrario,
el objetivo de la planificación de largo plazo es determinar la viabilidad
económica de los elementos de corto plazo, de manera que se utilicen
eficientemente durante toda su vida útil; el horizonte de tiempo va de los
cinco hasta los 25 años [2] [25] [26].

· Tipo de demanda eléctrica: hace referencia a la demanda de energía (kWh)

o de potencia (kW).

· Técnica matemática: se las puede clasificar en técnicas estadísticas,

inteligencia artificial y análisis por microáreas. La clasificación de estas se
indica en la Figura 2.12., Figura 2.13. y Figura 2.14.

• Corto plazo
Horizonte de • Mediano plazo
tiempo • Largo plazo

Tipo de demanda • Energía (kWh)

eléctrica • Potencia (kW)

• Estadísticas
Técnicas • Inteligencia Artificial
matemáticas • Microáreas

Figura 2.11. Clasificación de los métodos de pronóstico de demanda [24]

26
 Figura 2.12. Clasificación de los métodos de pronóstico de demanda según
técnicas matemáticas estadísticas [24]

Figura 2.13. Clasificación de los métodos de pronóstico de demanda según

técnicas matemáticas de inteligencia artificial [24]

Figura 2.14. Clasificación de los métodos de pronóstico de demanda mediante

análisis de microáreas [24]

El pronóstico espacial implica saber, además de cuanta energía, dónde y cuándo

va a ser demandada en el futuro, por tal razón se utiliza el análisis de microáreas
(el cual permite la distribución geográfica de la demanda).

27
2.5. Análisis por microáreas

Para localizar geográficamente la distribución de la demanda de los usuarios, se

divide el área de estudio en subconjuntos, denominados microáreas. Las cuales se
clasifican por su forma y tamaño. Un pronóstico puede hacerse sobre microáreas
de forma irregular, definidas por el área de servicio de un alimentador, subestación
o regiones de los equipos de T&D, como lo ilustra la Figura 2.15.b. Sin embargo, la
técnica moderna más popular, consiste en dividir la región de estudio en áreas
cuadradas, Figura 2.15.a. Este método es considerado por algunos autores [3] [15],
como la clave que une dos herramientas importantes, los mapas y las
computadoras. Al superponer en un mapa, líneas horizontales y verticales (grilla de
M X N celdas) se puede identificar a cada espacio, mediante dos números, m y n,
los cuales indexan a cada microárea, datos como: cantidad de energía utilizada,
número de clientes, porcentaje de uso de suelo, niveles de comunicación, números
de postes entre otros; lo que facilita la sistematización para realizar un pronóstico
espacial

Figura 2.15. a) Territorio de servicio dividido en microáreas cuadradas, b)

Microáreas definidas por la superficie de servicio de los equipos de T&D [3]

28
Curva “S” y crecimiento de demanda a nivel de microárea

La curva Gompertz, también llamada curva S, aunque es única en cada microárea,

posee tres fases distintivas de crecimiento, como se muestra en la Figura 2.16.

1. Período inactivo. Es el tiempo durante el cual la demanda de energía es de

cero.

2. Rampa de crecimiento. En esta fase el crecimiento es relativamente rápido,

influenciado por la adición de nuevos usuarios a la microárea.

3. Período de saturación. Esta etapa se produce cuando la microárea crece a

una tasa muy baja, en comparación a la de la rampa.

Figura 2.16. Las dos causas del crecimiento de la demanda son responsables de
la forma de la curva “S” [3]

Como se muestra en la Figura 2.17., cuando el tamaño de la microárea se reduce,

la rampa de crecimiento de demanda tiende a ser vertical.

29
 Figura 2.17. Curvas S promedio de microáreas de 0,16, 0,64, 2,59 y 10,35 km2
pertenecientes a una gran área metropolitana [27]

Métodos de pronóstico espacial de demanda eléctrica

Cualquier pronóstico hecho para la planificación de redes de sistemas de T&D debe

aplicar alguna forma de enfoque de microáreas, incluso si es simplemente una
suposición de que todas las áreas crecerán a la misma tasa promedio del sistema.
Los métodos de predicción espacial son un subconjunto del método de microáreas,
en el que el pronóstico de cada área se coordina (de forma coherente con todas las
suposiciones y el método) con el de todas las demás áreas. Esto mejora la precisión
y la aplicabilidad del pronóstico. Si bien todos los métodos de pronóstico espacial
son métodos de microáreas, algunos que utilizan el enfoque de microáreas no son
métodos espaciales [1].

Desde mediados de los años 30 [28] los planificadores han realizado documentos
sobre procedimientos para proyectar espacialmente la demanda eléctrica. Es a
principios de los 60 que se empezó a desarrollar enfoques computarizados, para
disminuir los errores de proyección. Y a partir de esa fecha, en estos últimos 50
años siguen apareciendo numerosos estudios sobre la metodología de pronóstico
de demanda, los cuales se pueden clasificar en dos categorías generales:
tendenciales y simulación [3].

30
 1. Los tendenciales son los más empleados por los planificadores por su
simplicidad y asequibilidad. Se basan en la extrapolación de registros
históricos para determinar el crecimiento futuro de la demanda.
Generalmente este enfoque presenta mayor tasa de errores que los de
simulación; sin embargo, varias modificaciones en las regresiones
polinómicas mejoran la precisión en la predicción de T&D [27] [29].

2. Los métodos de simulación (uso de suelos) comúnmente utilizan base de

suelos, geomorfología, indicadores socioeconómicos, imágenes satelitales y
muchas otras fuentes de información. A diferencia de los tendenciales, estos
son ideales para la planificación de escenarios múltiples a largo plazo. Su
mayor exactitud es justificable, ya que su costo supera de tres a diez veces
el del tendencial [3].

En vista a la amplia posibilidad de mezclar y combinar las diferentes técnicas,

algoritmos, suposiciones y métodos de pronóstico de demanda, se vuelve
desafiante el poder realizar comparaciones actualizadas entre ellos, no obstante;
varias discusiones han intentado contrastarlos empíricamente. Uno de los trabajos
más completos es el realizado por Willis (2002) [3], el cual se basa sobre 19
métodos documentados. Moghram(1989) [30] compara cinco técnicas de
predicción. Jin (2012) [31] considera factores meteorológicos para pronosticar.
Dash (1995) en [32] compara varios métodos de redes neuronales. Liu (1996) [33]
a partir de un estudio de simulación comparó tres técnicas de lógica difusa, redes
neuronales y modelos autorregresivos. Aung (2012) [34] pronostica la demanda en
redes inteligentes. Y varias técnicas tendenciales, series de tiempo, distribución de
probabilidad, curvas logísticas y uso de suelos son comparados por Ariza (2013)
en [24].

La Tabla 2.5., enumera diecinueve métodos que se usan con frecuencia, cada uno
de ellos posee procedimientos y necesidades diferentes. Algunos de los diecinueve
métodos, en particular los métodos 3, 16 y 18, están destinados principalmente a
situaciones de pronóstico inusuales donde pueden tener una ventaja significativa
en la exactitud o compatibilidad; algo que no se revela en los datos tabulados [1].

31
 Tabla 2.5. 19 métodos documentados de pronóstico espacial [1]
1 Polynomial curve fit (Meinke, 1979; EPRI, 1979). Este es el enfoque tradicional de predicción, basado en el
ajuste de curva; con aplicación en el área de servicio de un alimentador.

2 Ratio shares curve fit (Cody, 1987). Este método usa regresiones para pronosticar cada uno de los
alimentadores que comparten la demanda máxima del sistema, se usa para asignar un total predicho del sistema
entre los alimentadores.

3 Cluster template matching (Willis and Parks, 1983). Utiliza reconocimiento de patrones en lugar del ajuste de
curvas, pronostica en base a curvas históricas. Bastante robusto en casos de datos faltantes/corruptos.

4 Vacant area inference (VAI) curve fit (Willis and Northcote-Green, 1981). Los historiales de demanda de las
microáreas individuales, así como las historias agregadas para bloques de áreas, muestran tendencias. Por lo
tanto, el método puede "inferir" una previsión de microáreas "vacantes" que de otro modo no se tendrían en
cuenta.

5 Cluster template in a VAI structure applies the VAI method using pattern recognition.

6 Urban pole centroid (Lazzari, 1965) ajusta una curva 3D de densidad de demanda en función de la distancia
para el núcleo de una región metropolitana. Innovador, pero no es útil, solo para pronósticos detallados.

7 Consumer-class ratio shares (Schauer, 1982). El ajuste de la curva es similar al método dos, excepto que cada
área se pronostica en conjunto con la demanda total del sistema, en clases separadas: residencial y comercial.

8 Multivariate rotation-clustering extrapolation (Wilreker et al., 1977; EPRI, 1979). Un método de regresión
multivariable muy completo que toma en cuenta muchas variables, demanda máxima entre ellas; utilizando
relaciones matemáticas, identifica entre ellas las variables para mejorar el pronóstico de cada una.

9 LTCCT curve fitting regression, (Willis et al., 1994). El método de tendencias más preciso que el autor ha
descubierto; una combinación de regresión LTC y tendencia restringida geométrica.

10 Non-computerized land-use based manual (judgement along) approach. Los altos costos de mano de obra y un
historial de pronóstico relativamente pobre hacen que este "no se recomiende" en todos los casos

11 1-1-1 computerized method (Scott, 1974) utiliza un enfoque computarizado simple para contar y organizar los
pronósticos de uso del suelo. Da mejores resultados que el método diez, adicionando un poco más de trabajo.

12 2-2-1 land-use based simulation (Brooks and Northcote-Green, 1978) requiere un poco más de trabajo y datos
que los métodos diez u once, pero da mejores pronósticos a largo plazo.

13 2-3-2 method (Canadian Electric Association, 1982). Emplea el enfoque "clásico" del uso de suelos en
microáreas; es un punto de referencia contra el cual se juzgan otros métodos de pronóstico basados en el uso
de suelos.

14 Combined land-use/multivariate method (EPRI, 1979; Yau et al., 1990). Una extensión del método ocho, para
poder usar datos de uso de suelo. Muy complicado de usar, y no mejor en la predicción que el método trece.

15 3-3-3 method (Willis, Engel, and Buri, 1995). Método trece con un modelo más completo de interacción de uso
del suelo y demanda de uso final. Da mejores pronósticos en "situaciones complicadas".

16 2-3-2 road-link method (Willis, Engel, and Buri, 1995) Método 13 con un cambio en el formato espacial para
resolver complejidades que pueden volverse inmanejables en grandes situaciones de pronóstico rural.

17 3-3-3 high-resolution grid method (Willis et al., 1995) La aplicación de los métodos trece o quince en una base
muy pequeña (cuadrícula de 2,5 acres) proporciona un mejor resultado.

18 Extended Template Matching (Willis, 2002, Chapter 15). El método extendido de tres, aplica su reconocimiento
de patrones a los datos de uso de la tierra además de los historiales de demanda. Útil en algunas situaciones.

19 Hybrid 3-3-1/trending program (Willis, 2002, Chapter 15). Una combinación de tendencia y simulación de uso
del suelo que intenta combinar las mejores características de cada método.

32
El trabajo realizado se centra en el método número 3 de la Tabla 2.5., el porqué de
su elección se discute en el Anexo I, y su funcionamiento se explica en la sección
3.2. La Tabla 2.6. muestra las horas de trabajo, donde A son las requeridas para
utilizar el método, y B las necesarias para recolectar los datos.

Tabla 2.6. Precisión y requisitos de los recursos para la aplicación de los métodos
de pronóstico [1]
Horas Memoria usada Min. AAV3
Método Tipo
A B RAM Disk CPU A B
1 Curve fit Tendencial 60 80 4 4 <1 50 45
2 Ratio shares Tendencial 60 80 4 4 <1 51 47
3 Template Tendencial 60 80 4 4 <1 47 47
4 VAI Tendencial 60 80 4 4 <1 38 34
5 Templ+VAI Tendencial 60 80 4 4 <1 36 32
6 Urban centr. 3-D Tend. 68 160 8 10 <1 61 62
7 Cust. ratios Tendencial 72 60 6 4 <1 52 43
8 Multivariate Tendencial 320 320 16 40 15 44 36
9 LTCCT Tendencial 144 120 8 4 <1 36 28
10 Manual land-use Manual 480 240 56 40
11 1-1-1 cust. class Simulación 240 240 4 10 <1 39 35
12 2-2-1 cust. class Simulación 120 200 8 10 <1 39 31
13 2-3-2 cust. class Simulación 200 280 16 20 3 38 29
14 Multiv. cust. class Híbrido 480 240 32 40 15 45 39
15 3-3-3 multi-map Simulación 240 240 24 50 10 27 23
16 3-3-3 road link Simulación 300 240 36 50 35 32 30
17 3-3-3 monoclass Simulación 280 240 48 120 25 79 84
18 Extended template Híbrido 550 470 30 200 40 52 52
19 Land-use/trend Híbrido 71 65 40 80 50 49 49
El rendimiento de los 19 métodos expuestos anteriormente, se compara en la
Figura 2.18., donde el eje de las ordenadas indica el error absoluto medio (AAV) y
el de la abscisas el costo de aplicación a una empresa.

3
El término error absoluto medio (AAV) y su aplicación a una distribuidora se expone en la sección 5.1.

33
Figura 2.18. Resultados de los métodos de pronóstico de demanda eléctrica
en el caso de la distribuidora A y B, basados en el error AAV [3]

34
La Tabla 2.7. enumera la información requerida de los métodos de pronóstico, junto
con el tiempo de preparación de cada uno, en circunstancias normales, para los
casos A y B (fuentes de información).

Tabla 2.7. Requerimientos de los métodos de pronóstico [3]

Horas de
Método
recolección
Tipo de dato
1,2,3,
A B 6 7 8 9 10 11 12 13 14 15 16 17 18 19
4,5
Demanda pico
del 24 20 x x x x x x x
alimentador
Demanda pico
de la 24 20 x x x x x x x
subestación
Coordenadas
X-Y de 16 24
subestación
Uso de suelos
(baja
60 80 x x x x x
resolución -
1mi2)
Uso de suelo 160 240 x x x x x
Uso de suelo
(alta resolución 60 60 x x
- 2,5 acres)
Base de suelo
(carreteras,
40 40 x x x x x x x x x x
líneas férreas,
etc)
Demanda pico
8 8 x x x
por clientes
Curvas de
24 24 x x x
demanda
Uso final de la
60 60 x x x
energía
Pronóstico
24 24 x x x x x x x x x x x x x x
corporativo

35
Requerimientos para el pronóstico espacial

El objetivo del pronóstico espacial es proporcionar información útil al planificador,

para que tome decisiones correctas en la ubicación y dimensionamiento de equipos
tanto en el corto como largo plazo. Para cumplir estas metas es necesario conocer
los requerimientos [3] en torno al pronóstico espacial. La importancia relativa de
cada uno de ellos se ilustra en la Tabla 2.8.

Tabla 2.8. Evaluación de los requerimientos de pronóstico espacial de demanda,

a través de una escala de 10 puntos [3].
Posición Requerimiento Importancia
1 Magnitud MW - ¿Cuánto? 10

2 Resolución espacial – ¿Dónde? 10

3 Resolución temporal – ¿Cuándo? 10

4 Normalización del clima – ¿Cómo? 9

5 Precisión de representación – ¿Por qué? 8

6 Coherencia con el pronóstico corporativo 7

7 Análisis de incertidumbre- ¿Por qué y cómo? 7

8 Tipo de consumidores – ¿Quién? 6

9 Forma de la curva de demanda 5

10 Confiabilidad 5

11 Factor de potencia/sensibilidad de voltaje 4

Requerimiento 1: Pronóstico de Magnitud

Se refiere a la cantidad de demanda máxima que ocurre en una microárea. Este

valor conjugado con un factor de potencia permite estimar las capacidades de las
instalaciones futuras.

36
Requerimiento 2: Resolución espacial y análisis

La información proporcionada por el pronóstico espacial, sobre donde crecerá la

demanda, es lo que le diferencia del pronóstico global o de sistema. Por este
motivo, los crecimientos futuros deben ser ubicados con suficiente exactitud, para
poder cubrir las necesidades energéticas en determinada microárea. Mientrás más
pequeña es la microárea, más resolución espacial se obtiene.

Requerimiento 3: Tiempo y detalle temporal

Típicamente, la planificación involucra varios pronósticos de demanda máxima

anuales, un ejemplo podría ser proyecciones de 1,2,3,5,7,9,12,15 y 20 años. Este
conjunto de mapas permite realizar planes de corto, mediano y largo plazo,
tomando como base los incrementos producidos año a año. Adicionalmente, la
estacionalidad climática influye en la demanda de energía, por esta razón se debe
pronosticar en el instante de mayor estrés del sistema, independientemente si este
ocurriese en verano o invierno.

Requerimiento 4: Normalización del clima

La demanda de energía eléctrica es sensible a las variaciones climáticas, por esto

es necesario realizar los pronósticos de demanda bajo una misma base, la cual
represente condiciones meteorológicas extremas, por ejemplo, el peor invierno en
diez años o el verano más caluroso en los últimos cinco. En estos parámetros, la
normalización asegura un continuo suministro energético aún en ambientes
atípicos.

Requerimiento 5: Precisión de representación

Un sistema eléctrico no debe estar diseñado solo para condiciones promedio de

demanda, sino por el contrario debe tener la capacidad de suministrar grandes

37
bloques de energía en cortos instantes de tiempo. Por tal razón, un buen método
de predicción representa la demanda futura, bajo condiciones específicas del
sistema.

Requerimiento 6: Coherencia con el pronóstico corporativo

Cada compañía de servicios públicos posee varios departamentos que realizan

previsiones basadas en registros históricos, modelos econométricos, ingresos
económicos y otros indicadores, los pronósticos de demanda deben guardar
relación con estas previsiones.

Requerimiento 7: Análisis de incertidumbre y sensibilidad

Es la capacidad de reproducir varios pronósticos a medida que cambian

suposiciones sobre las condiciones futuras del sistema. Hace referencia a la
posibilidad de construir varios pronósticos útiles para la planificación,
específicamente la de largo plazo. En cierto modo este requerimiento está
relacionado con la precisión de representación, pero existe una distinción; el
análisis de incertidumbre y sensibilidad, se enfocan más en el elemento dónde, el
cual se ve influenciado por aspectos de cultura urbana, como son: rutas de
transporte, disponibilidad de tierras, zonificación e impuestos. Por todo esto, este
tipo de planificación (llamada también de múltiples escenarios) es considerada
como la piedra angular de la planificación moderna de T&D.

Requerimiento 8: Tipos de consumidores

Un factor importante en la planificación de T&D, es la evaluación del consumidor.

Muchos métodos de predicción a través de análisis de mercado o usos finales de
energía distinguen entre nueve y veinte clases de clientes, los cuales se derivan de
tres categorías generales: residencial, comercial e industrial. Mientras mayor sea el

38
tipo de consumidores, se puede obtener mayor detalle en los pronósticos
espaciales.

Requerimiento 9: Formas de las curvas de demanda y demandas máximas

estacionales

Este requerimiento se enfoca en modelar curvas de demanda y curvas de duración

de un área de estudio, de manera que se obtenga información útil para calcular
factores de demanda y pérdidas, necesarios para estimar los costos de los equipos
de T&D. Adicionalmente, las curvas permiten determinar el momento en que se
produce la demanda máxima coincidente del sistema y estudiarla en ese punto; de
no utilizar este criterio, se desperdiciaría innecesariamente recursos humanos y
económicos, para evaluar el territorio las 8760 horas del año.

Requerimiento 10: Planificación de confiabilidad y necesidades de ingeniería

Los pronósticos de demanda se realizan en base, a que tanta confiabilidad quiere

el usuario y cuanto está dispuesto a pagar por ella. Ya que las necesidades varían
entre cada uno, es primordial tener una estratificación de clientes, para poder
establecer sobre cada microárea relaciones de costos y calidad.

Requerimiento 11: Factor de potencia y sensibilidad de voltaje

En los pronósticos espaciales, para el corto plazo se considera constante el factor

de potencia y para planes de largo plazo, el factor de potencia es específico para
cada clase de consumidor, así como su sensibilidad de voltaje.

39
2.6. Minería de datos

La minería de datos puede definirse como el proceso de analizar o extraer modelos,

con el objetivo de encontrar patrones y tendencias ocultas. La minería de datos es
una de las etapas del llamado proceso de extracción de conocimiento a partir de
datos contenidos en grandes bancos de información, este utiliza varias técnicas de
gestión de información, aprendizaje automático, inteligencia artificial, sistemas de
toma de decisiones y otras áreas informáticas [35]. En el presente trabajo la minería
de datos se ha utilizado para predecir con mayor precisión la demanda eléctrica en
las microáreas y clasificarlas según sus patrones.

Tareas de minería de datos

Es importante clarificar que una tarea no es lo mismo que un método. Las tareas
pueden ser predictivas o descriptivas.

Las tareas predictivas se enfocan en problemas que hay que predecir uno o más
valores para uno o más ejemplos. La correspondencia entre los valores y los
ejemplos y, la prestación de los ejemplos definen varias tareas predictivas:

· Clasificación (o discriminación)

· Clasificación suave

· Estimación de probabilidad de clasificación

· Categorización

· Preferencias o priorización

· Regresión

40
Las tareas descriptivas, no predicen nuevos datos sino describen los existentes. A
continuación, las tareas más delimitadas:

· Agrupamiento (clustering)

· Correlaciones y factorizaciones

· Reglas de asociación

· Dependencias funcionales

· Detección de valores e instancias anómalas

Técnicas de minería de datos

Cada una de las tareas expuestas, requieren de métodos, técnicas o algoritmos

para resolverlas. Algunos ejemplos típicos, se muestran en la Tabla 2.9. El presente
trabajo se centra en la tarea de agrupamiento (clustering)4, el porqué de su elección
se discute en el Anexo I.

Tabla 2.9. Algunas técnicas de minerías de datos [35]

PREDICTIVO DESCRIPTIVO
Nombre
Agrupamiento Reglas de Correlaciones /
Clasificación Regresión
(Clustering) asociación Factorizaciones

Redes neuronales ü ü ü
Árboles de decisión ü
ID3, C4.5, C5.0
Árboles de decisión ü ü
CART
Otros árboles de ü ü ü ü
decisión
Redes de Kohonen ü
Regresión lineal y ü ü
logarítmica
Regresión logística ü ü

4
Demás tareas y técnicas se analizan a mayor profundidad en los capítulos 7-16 de [35].

41
 K-means ü
Apriori ü
Naive Bayes ü
Vecinos más próximos ü ü ü
Análisis factorial y de ü
comp. ppales.
Twostep, Cobweb ü
Algoritmos genéticos y ü ü ü ü ü
evolutivos
Máquinas de vectores ü ü ü
de soporte
CN2 rules (cobertura) ü ü
Análisis discriminante ü
multivariante

Algoritmo K–means

Agrupar es dividir un conjunto de datos en un grupo significativo de clústeres

(conjuntos) mutuamente excluyentes. Por lo general, los algoritmos de
agrupamiento se clasifican en dos categorías diferentes que son: la agrupación de
jerarquías y particiones. Los algoritmos de agrupamiento de jerarquías se pueden
dividir en: ascendentes (bottom-up) y descendentes (top-down). Los de jerarquías
tradicionales no son adecuados para grandes conjuntos de datos debido a los
grandes cálculos [36]. Los algoritmos k-means, al igual que otros algoritmos de
particiones, son las herramientas más utilizadas en el pronóstico espacial 5.

El algoritmo K-means fue propuesto por Cox (1957) y Fisher (1958) y desarrollado
por Hartigan (1975) y MacQueen (1967). Es el método más comúnmente utilizado
en la agrupación. Divide los datos en K grupos relativamente similares donde k (el
número de grupos) se determina de antemano [37]. La secuencia de este algoritmo6
está dada por el diagrama de flujo de la Figura 2.19.

5
[43] y [38] son ejemplos de su uso en la última década
6
[36] y [46] ofrece una discusión más detallada

42
 Figura 2.19. Agrupamiento mediante k-means [38]

· Paso 1: Seleccionar K [0;k] vectores arbitrarios del conjunto de datos

[m6 O … O m4 ],. Y crear un vector inicial K de manera [n6 O … O nX ].

· Paso 2: Si m? esta cerca a n/ asignar al clúster m/ . Después de esto, dividir el

conjunto de datos en K clústeres [o6+O…O op ].
m/ = {m? |_3m? O n/ 5+++_ 3m? O n/ 5}O q = ;O … O C}

43
 · Paso 3: Para los nuevos clústeres obtenidos del Paso 2, se renueva cada
centro. n/ = c (m/ ), i=1,…,K

· Paso 4: Se obtiene la distorsión total a través de la suma de las distancias

desde los centros de clústeres más cercanos a los datos.
& = + r4
?s6 _3m? O n/3?5 5. Donde i(n)=k, si m? =op

· Paso 5: Si los valores centrales del nuevo clúster son iguales a los valores
de la iteración anterior, detenerse. De lo contrario, repetir los Pasos 2-4 con
el valor central de un nuevo grupo

Los pasos expuestos muestran como funciona la técnica k-means. Sin embargo, el
presente trabajo utiliza ciertas modificaciones del mismo [29], detalladas en la
sección 3.2., donde k-means busca encontrar un conjunto de clústeres que
minimice la diferencia total entre las microáreas y su clúster asignado. Esto se logra,
al mover microáreas de un clúster a otro en un intento de minimizar este valor.

44
3. METODOLOGÍA PARA EL PRONÓSTICO ESPACIAL DE
DEMANDA ELÉCTRICA

El presente capítulo describe el procedimiento para pronosticar espacialmente la

demanda eléctrica, el cual se realiza en dos etapas. La primera comprende una
propuesta metodológica que combina varios criterios y estudios de diferentes
autores. Y la segunda, de pronóstico, que desarrolla el método Template Matching
(TM), propuesto por Willis (1983) [29].

El procedimiento completo ha sido implementado en una herramienta

computacional, Microsoft Visual Basic for Applications (VBA) 7.1, un lenguaje de
programación de alto nivel común a todas las aplicaciones del paquete Microsoft,
que gracias a la facilidad que brinda para automatizar acciones repetitivas,
interactuar sobre los elementos de diferentes libros, y generar automáticamente
tablas dinámicas y gráficos [39], se convierte en un entorno afable para procesar,
validar e interaccionar con los grandes volúmenes de información de una empresa
eléctrica7. Además, el lenguaje permite personalizar la interfaz de Excel, de manera
que el modelo no requiera de ningún tipo de programación ni depuración por parte
de los usuarios. La Figura 3.1. ilustra de manera general el proceso.

7
[44] y [45] son ejemplos de su implementación en proyecciones de demanda

45
 Figura 3.1. Estructura de la metodología para pronosticar la demanda eléctrica

Como se muestra en la Figura 3.1., las flechas simbolizan el flujo de datos, mientras
que los bloques rectangulares representan las etapas y los módulos que procesan
la información:

1) Demanda eléctrica base: esta etapa incluye tres módulos. El módulo de división
del área de estudio establece el tamaño de las microáreas y proporciona su
ubicación. El módulo clasificación de clientes por microárea, determina los tipos
de usuarios, su cantidad, y cuanta energía eléctrica consumen en el mes donde
ocurre la demanda máxima anual del sistema. Y el módulo estimación y
distribución de demanda por microárea, determina la demanda máxima anual
histórica que poseía cada microárea (requisito de la mayoría de métodos de
pronóstico espacial).

2) Pronóstico espacial de demanda eléctrica – Template Matching: esta etapa está

formada por dos módulos. El módulo determinación de curvas representativas
utiliza la tarea de agrupamiento, a través de la técnica k-means, cuyo objetivo
es obtener grupos (clusters) de microáreas con curvas “S” históricas similares,
para crear una curva representativa de cada clúster. Y finalmente el módulo

46
 pronóstico de demanda, emplea las curvas representativas, para proyectar la
demanda eléctrica en cada microárea, el resultado se muestra por medio de un
mapa.

Cada etapa y módulo se tratará en las siguientes secciones. La aplicación a una

empresa distribuidora, y la evolución del desempeño de la metodología, se
presentará en el próximo capítulo.

3.1. Demanda eléctrica base

Debido a que los métodos tendenciales se basan en la extrapolación de registros

históricos (revisar Anexo I) para determinar el crecimiento futuro de la demanda, es
necesario escenificar esos registros. Para lógralo se propone una metodología,
compuesta por tres módulos. A continuación, se detalla los procesos de cada
módulo.

División del área de estudio

Se sugiere revisar previamente la sección 2.5. (Análisis por microáreas). Las

variables y procesos de este módulo son:

1) Mapa del área de servicio: dado que un estudio de sistemas de T&D tiene
como requisito, proyectar la demanda eléctrica con su ubicación geográfica,
es necesario poseer mapas del territorio de la distribuidora. Como ejemplo
la Figura 3.2. muestra el área de servicio de la Empresa Eléctrica Ambato
Regional Centro Norte S.A. (EEASA).

47
 Figura 3.2. Mapa de área de servicio. Fuente EEASA.

2) Niveles de voltaje de los equipos de ST&D: para ubicar la demanda en el

mapa, se necesita dividir el territorio en áreas más pequeñas (microáreas).
Las formas de las microáreas más populares son las regulares definidas por
cuadrículas o grillas. Su tamaño se define por la resolución espacial que
requiere la distribuidora, la Tabla 3.1. muestra tamaños típicos de las
microáreas en función de los equipos del sistema y la Tabla 3.2. lo hace en
función de los niveles de voltaje.

Tabla 3.1. Tamaños de áreas de servicio típicos para equipos de sistemas de

T&D y resolución espacial necesaria para modelar sus demandas [3]

Nivel Área de servicio Resolución de microárea

Gran generación (>150MVA) sistema entero sistema entero

2 2
Pequeña generación (<150MVA) 50 mi. 129,5 km 4 mi.2 10,36 km2
Transmisión (138kV y por encima) 100 mi.2 259 km2 9 mi.2 23,3 km2
2 2 2
Subtransmisión (34kV-138kV) 50 mi. 129,5 km 4 mi. 10,36 km2
Subestaciones de distribución 30 mi.2 77,7 km2 2 mi.2 5,18 km2
2 2 2
Alimentadores primarios trifásicos 5 mi. 13 km 0,5 mi. 1,3 km2
Alimentadores monofásicos 0,25 mi.2 0,65 km2 0,02 mi.2 0,05 km2
2 2
Transformadores de servicio y secundarios 0,01 mi. 0,025 km cliente
Generación distribuida (t50kW) 0,01 mi.2 0,025 km2 cliente

48
Tabla 3.2. Tamaños apropiados de las microáreas para las necesidades típicas de
estudio del sistema de T&D [3]
Voltaje de Planificación de Planificación de Planificación del Planificación del
T&D transmisión subestaciones alimentador primario alimentador secundario

138 kV 10,0 mi.2 25,9 km2

2
69 kV 6,5 mi. 16,8 km2
46 kV 4,2 mi.2 10,9 km2 2,2 mi.2 5,7 km2
35 kV 3,0 mi.2 7,77 km2 1,9 mi.2 4,9 km2 0,71 mi.2 1,83 km2 0,30 mi.2 0,77 km2
2 2 2 2 2
25 kV 1,4 mi. 3,6 km 0,50 mi. 1,29 km 0,22 mi. 0,56 km2
13 kV 0,82 mi.2 2,12 km2 0,33 mi.2 0,85 km2 0,12 mi.2 0,31 km2
2 2 2 2 2
4 kV 0,59 mi. 1,52 km 0,12 mi. 0,31 km 0,06 mi. 0,15 km2

Para el caso de la EEASA, la resolución espacial requerida se desenvuelve

alrededor de las subestaciones de 69/13,8 kV, y sus alimentadores
principales. La Tabla 3.1. indica una resolución mínima de 0,5mi.2 (1,3km2)
y la Tabla 3.2. sugiere microáreas de 0,33mi.2 (0,85km2). Se realizó el
promedio de ambos criterios y se seleccionaron microáreas de un kilómetro
cuadrado (1 km2) para dividir el territorio, como se muestra en la Figura 3.3.

Figura 3.3. Mapa del área de servicio de la EEASA, 54.224 microáreas de 1km2

49
 3) Ubicación de microáreas: una vez que se dividió el área de servicio, se
obtuvo las coordenadas de cada una de las microáreas, como se indica en
la Figura 3.4. 8

Figura 3.4. Coordenadas de las microáreas

Con las ubicaciones de las microáreas (como entrada) mediante del

algoritmo de la Figura 3.5., se establecieron las nuevas ubicaciones para las
microáreas. Esto debido a que la herramienta computacional, ubica la
información (número de clientes y energía facturada) en celdas y no en
puntos georreferenciados.

8
FID Se refiere a un identificador único de un objeto dentro de una tabla. Es el nombre utilizado
principalmente en Shapefiles (SHP).

50
 Inicio

Xm-Ym para m = [0;M]

i0-j0 e iFID-jFID

Para "m" desde "0" hasta "M", con incremento de "1".

cv M c\
c( = o M o\ 7 c\
ov M o\ v
qv M q\
q( = u M u\ 7 q\
uv M u\ v
Siguiente "m"

Fin

Figura 3.5. Algoritmo para determinar las nuevas coordenadas de las microáreas

Donde:

m: Número de identificación de la microárea

M: Número total de microáreas

o( +- u( : Coordenadas de microáreas

o\ +- u\ : Coordenadas de microáreas “0”

c( +- q( : Nuevas coordenadas de las microáreas

c\+- q\ : Nuevas coordenadas de la microárea “0”

cv +- qv : Nuevas coordenadas de la última de las microáreas

51
Clasificación de clientes por microárea

Las variables y procesos de este módulo son:

1) Criterios para clasificar a clientes: El presente trabajo utilizó los

lineamientos de [40], los cuales establecen cinco grupos: residencial,
comercial, industrial, alumbrado público y otros.

2) Ubicación de clientes: Con la ayuda de la herramienta SIG (sistema de

información geográfico), específicamente el programa ArcGis (disponible
en la EEASA), se obtuvo la localización georreferenciada de los usuarios
del área de servicio, como se indica en la Figura 3.6.

Figura 3.6. Ubicación de clientes

52
3) kWh/mes/cliente: por lo general las compañías eléctricas tienen bases de
datos de facturación del consumo en kWh de cada cliente por mes. La
Figura 3.7. muestra un formato típico de historiales de consumo.

Figura 3.7. kWh/mes/cliente. Fuente EEASA.

4) kWh/mes por microárea: una vez obtenida la ubicación de cada cliente y

su consumo mensual de energía, mediante el algoritmo de la Figura 3.8.
se determinó por microárea:

· El tipo y la cantidad de clientes.

· Cuanta energía se consume por grupo, en el mes donde ocurre el

pico anual del sistema.

53
 Inicio

Xm-Ym ; c( -q( 8 Para m = [0;M].

Tipo de tarifa de cada cliente, o" -u" € xyzR`*~"O8

Para: t=[0;T] y c = [0;C].

Para "t" desde "0" hasta "T" con incremento de "1"

Para "m" desde "0" hasta "M" con incremento de "1"
Para "c" desde "0" hasta "C" con incremento de "1"
Busco que cliente "o" -u" " pertenece a la microárea "Xm-Ym".
Distingo tipo de cliente.
Cuento y sumo, el número de clientes y los kWh/mes por tipo de cliente.
Indexo el número total de clientes y los kWh/mes a la microárea c(-q( .
Siguiente "c"
Siguiente "m"
Siguiente "t"

Fin

Figura 3.8. Algoritmo para determinar el número de clientes y el consumo de

energía eléctrica mensual por tipo de cliente y por microárea

Donde:

o( +- u( : Coordenadas de microáreas

c( +- q( : Nuevas coordenadas de las microáreas

o" +- u" : Coordenadas de clientes

w: Número total de microáreas

T: Años históricos

C: Número total de clientes

xyzR`*~"O : Consumo de energía del cliente “c”, en el mes donde el sistema

poseyó la demanda máxima anual en el año “t”.

54
Estimación y distribución de demanda por microárea

Se recomienda repasar previamente el Anexo I9 y el capítulo 210. La demanda

eléctrica base (histórica) para zonas residenciales se puede calcular a través de la
Ecuación 3.1. El presente trabajo hace referencia a la modificación del factor B
mediante el factor de multiplicación11. Criterio que no se aplica en las distribuidoras
del Ecuador, pero su registro y uso data desde 1957 (revisar sección 2.3).

&(á)345
b( 3~5 = = EFG,HI+J345 × EFG,HI+K3XYZ5
`cGIHáI*F

Ecuación 3.1. Demanda máxima coincidente de la microárea j en el año S en

función de factores de REA

Donde:

b( 3~512 : Demanda máxima coincidente de la microárea m en el año S

&(á)345 : Demanda máxima coincidente para N clientes en la microárea m

`cGIHáI*F : medida de superficie (km2)

EFG,HI+J345 : factor del cliente

EFG,HI+K3XYZ5 = +EFG,HI+_*+xyz

EFG,HI+K3XYZ5 = + EFG,HI+K3XYZ5 × EFG,HI+_*+`ab,cdbcGFGcóA

‚#ƒ„#2+.1+†‡ˆ

9
Se explica la importancia de determinar la demanda eléctrica base
10
Secciones: Factor de coincidencia, relación del factor de coincidencia grupal y el factor de carga individual
11
Los factores de multiplicación del caso EEASA se muestran en el Anexo III
12
La microárea m posee coordenadas c( +- q(

55
Como el método de REA se aplica solo a zonas residenciales, la demanda de los
grupos comercial, industrial, alumbrado público y otros se determina mediante la
Ecuación 3.2. Ignorar el factor de coincidencia no tiene consecuencias adversas si
el tamaño de la microárea es lo suficientemente grande como para que una zona
contenga al menos varios cientos de clientes [2].

&(á)345 *345
b( 3~5 = = × !">/?"/.1?"/#+345
`cGIHáI*F , × !"#$%#+365

Ecuación 3.2. Demanda máxima coincidente de la microárea j en el año S en

función del factor de coincidencia grupal y el factor de carga individual

Donde:

b( 3~5 : Demanda máxima coincidente de la microárea m en el año S

&(á)345 : Demanda máxima coincidente para N clientes en la microárea m

`cGIHáI*F : medida de superficie (km2)

,+: Número de horas en el mes (730)

*345 : Energía eléctrica mensual consumida en la microárea m (kWh)

!"#$%#+365 : Factor de carga individual de un grupo de consumo

!">/?"/.1?"/#+345 : Factor de coincidencia para N clientes en la microárea m

En el caso de la EEASA, los valores que se aplicaron a estos últimos grupos se

muestran en la Tabla 3.3. Donde los factores de carga individual fueron obtenidos
de la investigación y caracterización realizada en [41], y los factores de coincidencia
son los expuestos en el capítulo anterior (Figura 2.4.).

56
 Tabla 3.3. Factores de carga individual y coincidencia aplicados en la EEASA

Factor de carga
Factor de coincidencia
individual
‰Š‘Š’“‘Š‹+3”5
Tipo de cliente
‰Š‹Œ‹+3Ž5
;
Comercial 0,37 NO[f 7 3; M NO[f5 •
–
;
Industrial 0,26 NOe[ 7 3; M NOe[5 •
–
;
Otros 0,39 NOe[ 7 3; M NOe[5 •
–
Alumbrado Público 0,5 1

Se determino las curvas “S” histórica por microárea, al sumar las demandas de
cada grupo de clientes, mediante la Ecuación 3.3.

—˜ 3™5 = + —˜Oš›œž›Ÿ ¡¢ 3™5 7 —˜O £˜›š ¡¢ 3™5 7 —˜OŸž¤œ¥š¡¢ 3™5 7 —˜O£¥š£œ 3™5 7 —˜O¡¢¤˜¦š¡ž£+§ú¦¢ £ 3™5

Ecuación 3.3. Curvas “S” históricas por microárea en función del tipo de clientes

Donde:

b( 3~5 : Demanda máxima coincidente de la microárea m en el año S

57
3.2. Pronóstico espacial de demanda eléctrica – Template Matching

El concepto de Template Matching (TM) básicamente es “la historia se repite”; en

lugar de extrapolar las historias de demanda, como lo hacen los métodos de
regresión múltiple; TM forma conjuntos (clusters) de microáreas cuyo historial de
crecimiento es similar, y posteriormente todas las microáreas de un clúster son
extrapoladas usando tendencias promedio del clúster. La Figura 3.9. ilustra el
concepto del método, donde se observa que el historial de demanda reciente de la
microárea A (los últimos seis años) es similar a los seis años de historia de
demanda que ocurrieron hace 16 años en la microárea B. Por lo tanto, la tendencia
de crecimiento de demanda anterior de la microárea B se utiliza como la tendencia
de pronóstico para el futuro del crecimiento de la demanda de la microárea A.

Figura 3.9. Concepto del método Template Matching. El historial de demanda de

la microárea A es coincidente con el historial de la microárea B de hace muchos
años atrás, el historial de la microárea B se utiliza como la plantilla para el
pronóstico de la microárea A [1]

58
La Figura 3.10. muestra el proceso general del módulo que desarrolla el método
Template Matching (TM) [29].

Figura 3.10. Proceso general del método Template Matching (TM)

Parte 1 - Determinación de curvas representativas

En resumen, la primera parte de esta etapa involucra un algoritmo de agrupamiento

simple y rápido (K-means) que establece conjuntos (clusters) de microáreas, sin
que sea necesario que estas estén geográficamente cercanas entre sí, ni que sus
rampas de crecimiento se agudicen en el mismo instante, pero sí que posean
características de crecimiento similares (velocidad de rampa y horizonte de
demanda). Una vez identificado cada clúster, se forma una curva promedio
representativa de cada uno que, al superponer y comparar las historias de demanda
de cada una de las microáreas, se forma una plantilla (template) de cada clúster, la
cual puede ampliarse para cubrir un período más largo que el historial de demanda

59
disponible. A continuación, se detallan los pasos para conseguir las curvas
promedio representativas.

Paso 1 - Clasificación y desplazamiento de curvas “S” históricas

Debido a la naturaleza de las curvas “S” históricas, dentro de una microárea, se las
clasifican en tres grupos generales, como se indica en la Figura 3.11.

Figura 3.11. Clasificación de curvas “S” históricas en tres grupos

De manera que:

· El grupo 1 se constituya sólo de curvas “S” con un crecimiento de demanda

durante el período histórico (al menos una, pero no todas las demandas con
el valor de cero).

· El grupo 2 se forma por microáreas cuyos valores de demanda en cada año

sean distintos de cero.

· Y las restantes se asignan al grupo 0, que son aquellas que poseen en todos
sus años valores de cero.

Para cada microárea del grupo 1 con demanda máxima anual b( , se determina un
desplazamiento d( (negativo en este paso) con el fin de que, en el año , = N todas
posean un valor de demanda cero y en los años siguientes sea distinto de cero;

60
solo aquellas microáreas que cumplen con , 7 d( 9 N son consideradas en el
análisis de este paso. La Figura 3.12. ilustra el procedimiento descrito.

Figura 3.12. Desplazamiento de curvas “S” históricas del grupo 1 [29].

Este desplazamiento se realiza para poder escenificar el crecimiento de una

microárea, que ha salido de la etapa del período inactivo (revisar sección 2.5). Esto
no significa que se trabaje con las curvas del grupo 0.

Paso 2 - Agrupación de curvas “S” históricas

Este paso agrupa las microáreas del grupo 1 en clusters con el fin de hallar una
curva promedio representativa de demanda de cada clúster. Todo esto mediante la

61
aplicación del algoritmo modificado de K-means [29], el cual se desarrolla en seis
fases, ver Figura 3.13.

Figura 3.13. Diagrama de flujo del algoritmo K-means [29]

62
Fase 1:

La naturaleza del algoritmo k-means es construir un clúster (conjunto) y a la vez

clasificar a las microáreas. Es por esta razón que se recomienda ordenar las curvas
por su longitud, colocando primero a las más largas y al final las más cortas.
Después de esto, se debe seleccionar aleatoriamente K centroides (microáreas),
mismos que poseen una demanda b0 .

Fase 2:

Si todas las microáreas, de la base de datos m=[0;M], con demanda b( , han sido
asignadas a un clúster saltar a la Fase 5, de lo contrario continuar a la Fase 3.

Fase 3 y 4:

K-means determina la similitud de las curvas “S” de las M microáreas y asigna a un

clúster K, por medio de una medida de distancia que permite comparar solo los
años que tienen en común las dos microáreas (parámetro B). Esto faculta agrupar
de mejor manera curvas cortas con largas. Esta medida de distancia no-euclidiana
se ilustra en la Ecuación 3.4. Adicionalmente, al no requerir cálculos de
exponenciación ni radicación, el algoritmo converge más rápido.

¨r2s©
ªs6 |b( 3~ M d( 5 M b0 3~ M d0 5| 7 « • 3b( 3z5 M b0 3z55¬
&(O0 =
3K 7 «5

Ecuación 3.4. Distancia empleada por k-means el método Template Matching [29]

63
Donde:

K = `cAj­ 7 d( O ­ 7 d0 l

­ : cantidad de años del historial de demanda

® : microárea seleccionada como centroide para el algoritmo k-means

` : microárea a ser evaluada

b0 : Demanda de la microárea v en el año S

b( : Demanda de la microárea m en el año S

d( : Desplazamiento de la microárea i

« : valor experimental cercano a T

La técnica K-means modificada mueve las microáreas del grupo 1 de un clúster a

otro, hasta que las formas de curvas “S” sean lo más similares entre sí (mínima
distancia). La Figura 3.14. es un ejemplo de dieciocho microáreas agrupadas por
k-means.

Figura 3.14. Curvas “S” históricas agrupadas por el algoritmo k-means,

microáreas de 40 acres [29].

64
Fase 5:

Una vez que las M microáreas se asignaron a los K clusters, se procede a calcular
una curva promedio representativa o plantilla (template) del clúster, a través de la
Ecuación 3.5.

rv
(s6jb( 3~ M d( 5 • y3`O x5l
¯X 3~5 =
rv(s6 y3`O x5

Ecuación 3.5. Demanda de la curva promedio representativa [29]

Donde:

x : Número de clusters

¯X 3~5 : Demanda para el cluster k en el año s

¯X 3z5 : Demanda horizonte para el cluster k

;+™±+—²+³±´µ¶áµ·²+³+·™+²™±¸¹²º²+²—+´—»™¼·µ+k
y 3`O x 5 = °
N++™±+—²+³±´µ¶áµ·²+³+¹¶+·™+²™±¸¹²º²+²—+´—»™¼·µ+k

Fase 6:

El algoritmo regresa a la Fase 2 iterativamente hasta que la curva promedio

representativa de los K clusters deje de variar, de manera que se cumpla con la
Ecuación 3.6., y se aproxime al valor de cero.

¾r2s‚
2s\ ¯X 3~5
3$5 M r2s‚ ¯ 3~53$¿65 ¾
2s\ X
½IIHI = À ;NNÁ
r2s\ ¯X 3~53$¿65
2s‚

Ecuación 3.6. Variación de la demanda de la curva promedio representativa

65
Donde:

T : número de años del período

r : número de iteraciones, la primera iteración es 1.

¯X 3~5 : Demanda para el cluster k en el año s

Una vez que se determina la curva promedio representativa, se concluye esta fase
al determinar la longitud de esta curva, ÂX ,la cual generalmente toma valores de T
años, pero si es menor no ocasiona problemas en los pasos siguientes.

Paso 3 - Extensión de curvas

Este paso permite que la curva representativa hallada en el paso anterior se

extienda, y no tenga solamente una distancia de T años históricos. Para esto, las
curvas del grupo 2 se desplazan hacia adelante y hacia atrás, comparándose con
las k curvas representativas. La Ecuación 3.7. permite determinar la distancia entre
estas curvas.

¨rªs©
ªsˆ |b( 3~ M dÃ5 M ¯Xà 3~5| 7 3b( 3z5 M ¯Xà 3z55¬
&0O( =
3Ä M J 7 ;5

Ecuación 3.7. Valor de distancia para microáreas no asignadas en el paso de

agrupación de curvas “S” históricas [29]

Donde:

J = ŲÆj;O dÃl

K = `cAj­ 7 d( O ­ 7 d0 l

Ä = ³±¹jÂX O ­ 7 dÃl

dà = d( ; xà = x(

d( : Desplazamiento de la microárea m

66
b( 3z5 : Demanda horizonte de la microárea m

¯X 3~5 : Demanda para el cluster k en el año s

¯X 3z5 : Demanda horizonte para el cluster k

Una vez que todas las microáreas faltantes han sido asignadas a un clúster K, se
calcula nuevamente la curva de demanda representativa con la Ecuación 3.5.
Normalmente, la longitud de la curva ÂX de cada conjunto(clúster) se extiende por
T/2 (donde T es la cantidad de años del historial de demanda). Este paso se repite
hasta que todas las microáreas sean asignadas a un clúster K y sí no lo logran
deben ser tratadas por separado fuera del algoritmo, comúnmente a mano. En
general estos problemas se deben a errores de datos.

Paso 4 - Reasignación de microáreas

En este punto todas las microáreas del grupo 1 y 2 se encuentran asignadas a un

clúster. Aquellas que fueron agrupadas originalmente por el algoritmo k-means,
pueden asignarse de mejor manera mediante el procedimiento del paso anterior
(extensión de curvas “S” históricas), por motivo que las del grupo 1 fueron
establecidas sobre una base de pocos puntos.

Parte 2 - Pronóstico de demanda

El pronóstico espacial de demanda utiliza las curvas promedio representativas de

cada uno de los k clusters, que en conjunto con la Ecuación 3.8. determinan los
valores futuros de demanda para cada una de las microáreas. Los valores de p
(desplazamiento) fueron calculados en pasos anteriores.

¯XO( 3, M d( 5++++++++++++++++++++++dFIF++++, M d( @ ÂX(

bÇ( 3,5 = °
¯XO( 3z5++++++++++++++++++++++++++dFIF++++, M d( È ÂX(

Ecuación 3.8. Demanda futura para la microárea j, en el año t [29]

67
Donde:

bÇ( 3,5 : Demanda proyectada de la microárea m en el año t

ÂX : Longitud de la curva representativa del clúster k

La diferencia de t años y p desplazamiento da como resultado el valor de demanda

de la curva Lk(s). Si el valor de p es tal que, la parte "temprana" de una curva
corresponde a las demandas de los años recientes, entonces la curva se extenderá
un número de años hacia el futuro. Pero si p es tal que la curva ocupe la porción
"madura" se superpone a los últimos años del historial de demanda de la microárea,
entonces la curva no se extiende mucho en el futuro, como se muestra en la Figura
3.15. Esto no causa ningún problema, ya que la naturaleza del crecimiento de la
demanda eléctrica a nivel de microárea, disminuye a un nivel constante (demanda
horizonte). Por lo tanto, las microáreas maduras que se superponen al final de una
curva de agrupamiento no necesitan ser orientadas hacia el futuro. La demanda se
puede calcular bastante bien asumiendo simplemente que alcanzan y permanecen
en el nivel del año del horizonte [29].

Figura 3.15. La curva promedio representativa (línea punteada) se desplaza y se

superpone en el historial de demanda de cada microárea. Esta provee la
predicción de demanda en el futuro [29]

68
4. APLICACIÓN PRÁCTICA DE LA METODOLOGÍA
PARA EL PRONÓSTICO ESPACIAL DE DEMANDA
ELÉCTRICA MEDIANTE UN MODELO
COMPUTACIONAL

En este capítulo se presentan los resultados obtenidos por el modelo computacional

(herramienta para implementar la metodología, ver Anexo III) aplicado a un
problema de pronóstico de demanda de la Empresa Eléctrica Ambato Regional
Centro Norte S.A. (EEASA), el cual permite evaluar el desempeño de la
metodología planteada. Los resultados (Anexo IV) se obtuvieron mediante dos
etapas, la primera construyó las curvas “S” históricas del área de servicio. Y la
segunda pronosticó la demanda, mediante el método Template Matching (TM) [29].

4.1. Demanda eléctrica base

En esta etapa se construyeron las curvas “S” históricas (requerimiento principal de

los métodos tendenciales, revisar sección 2.5.) de las microáreas del período 2002-
2016, a través de tres módulos: división del área de estudio, clasificación de clientes
por microárea, y estimación y distribución de demanda por microárea. A
continuación, se explica el flujo de datos en cada módulo.

División del área de estudio

Con el mapa del área de servicio, el tamaño de las microáreas y el algoritmo de la

Figura 3.5., se determina la ubicación de las microáreas, como se muestra en las
columnas F y G de la Tabla 4.1.

69
 Tabla 4.1. Ubicación de microáreas (im - jm) en el modelo computacional, caso
EEASA

Una vez determinadas las nuevas coordenadas de las microáreas (im - jm) en el
modelo computacional. Se desarrolló el mapa del área de servicio, como se
muestra en la Figura 4.1.

Figura 4.1. Hoja “Mapa del área de servicio”, caso EEASA

70
Clasificación de clientes por microárea

Este módulo determinó el tipo de clientes y la cantidad de su consumo por

microárea, a través del algoritmo de la Figura 3.8. La Tabla 4.2. muestra ejemplos
de estos resultados.

Tabla 4.2. 16 microáreas con mayor consumo de energía eléctrica mensual del
área de servicio de la EEASA en microáreas de 1 km2
Coordenadas de Consumo de energía Número de
microáreas mensual (kWh/mes) clientes (N) Observaciones
m13 X Y 2002 2016 2002 2016
881 764000 9862000 1’130.852 1’649.706 5.864 7.607 Centro urbano de la ciudad Ambato
1.015 767000 9867000 187.572 1’523.796 154 296 Exteriores de Ambato, parque industrial
838 763000 9862000 855.296 1’319.867 3.715 4.995 Centro urbano de la ciudad Ambato
882 764000 9863000 664.227 1’057.208 4.028 5.508 Centro urbano de la ciudad Ambato
836 763000 9860000 374.072 1’003.068 2.542 4.395 Ambato, sector urbano residencial
880 764000 9861000 495.166 738.520 3.442 4.959 Ambato, sector urbano residencial
1.057 768000 9867000 267.700 700.814 108 234 Exteriores de Ambato, parque industrial
837 763000 9861000 437.526 680.807 2.407 3.555 Ambato, sector urbano residencial
3.085 833000 9835000 274.847 654.638 1.231 2.631 Centro urbano de la ciudad Puyo
878 764000 9859000 206.918 635.789 934 2.371 Ambato, sector urbano residencial
879 764000 9860000 349.579 609.577 2.211 3.798 Ambato, sector urbano residencial
1.001 767000 9853000 476.462 609.361 49 87 Ambato, sector rural residencial

925 765000 9863000 388.152 534.992 1.801 2.516 Ambato, sector rural residencial
3.161 834000 9835000 206.820 504.867 1.125 2.166 Puyo, sector urbano residencial
839 763000 9863000 251.113 476.388 1.045 1.616 Ambato, sector rural residencial
794 762000 9861000 267.165 474.677 1.514 2.377 Ambato, sector rural residencial

Si bien la Tabla 4.2. muestra el número total de clientes y energía facturada por
microárea, el modelo computacional fue capaz de separar dichas cantidades por su
tarifa (residencial, comercial, industrial, otros y alumbrado público), como se
muestra en la Tabla 4.3.

13
Número de microárea, revisar Figura 3.5.

71
 Tabla 4.3. Hoja “kWh mes por microárea”, caso EEASA

Estimación y distribución de demanda por microárea

Para construir las curvas de esta sección se aplicaron factores de: multiplicación,
carga individual y coincidencia, el ingreso de estos valores se explica en el Anexo
III. Con esta información ingresada y mediante la Ecuación 3.1., Ecuación 3.2., y
Ecuación 3.3. se obtuvieron 2.819 curvas “S” históricas. La Figura 4.2. muestra
ejemplos de estas curvas.

Figura 4.2. Ejemplo de curvas “S” históricas del área de servicio de la EEASA en
microáreas de 1 km2

72
En contexto con los resultados mostrados en la Tabla 4.2. La Tabla 4.4. muestra la
demanda máxima coincidente de las microáreas con mayor consumo de energía
eléctrica mensual.

Tabla 4.4. 16 microáreas con mayor demanda eléctrica del área de servicio de la
EEASA en microáreas de 1 km2
Coordenadas de Demanda máxima
microáreas coincidente (kW) Observaciones
m X Y 2002 2016
881 764000 9862000 2.758,20 3.847,23 Centro urbano de la ciudad Ambato
1.015 767000 9867000 847,64 6.919,86 Exteriores de Ambato, parque industrial
838 763000 9862000 2.204,22 3.259,04 Centro urbano de la ciudad Ambato
882 764000 9863000 1.873,15 2.490,53 Centro urbano de la ciudad Ambato
836 763000 9860000 1.105,66 2.218,53 Ambato, sector urbano residencial
880 764000 9861000 1.516,57 1.784,49 Ambato, sector urbano residencial
1.057 768000 9867000 1.197,40 3.068,72 Exteriores de Ambato, parque industrial
837 763000 9861000 1.189,23 1.585,53 Ambato, sector urbano residencial
3.085 833000 9835000 794,78 1.576,35 Centro urbano de la ciudad Puyo
878 764000 9859000 557,98 1.351,08 Ambato, sector urbano residencial
879 764000 9860000 1.005,49 1.363,58 Ambato, sector urbano residencial
1.001 767000 9853000 2.223,23 2.803,56 Ambato, sector rural residencial

925 765000 9863000 1.014,15 1.155,90 Ambato, sector rural residencial

3.161 834000 9835000 484,97 1.039,89 Puyo, sector urbano residencial
839 763000 9863000 627,93 1.247,70 Ambato, sector rural residencial
794 762000 9861000 766,31 1.020,05 Ambato, sector rural residencial

73
4.2. Pronóstico espacial de demanda eléctrica – Template Matching

El módulo pronóstico espacial de demanda eléctrica utiliza las curvas “S” históricas
por microárea (etapa anterior) y los datos de inicialización (revisar Anexo III) para
generar un mapa de pronóstico espacial de demanda (Anexo IV). Lo cual se realiza
mediante dos partes: determinación de curvas representativas, y pronóstico de
demanda.

Parte 1 - Determinación de curvas representativas

Las curvas representativas, Figura 4.8., son determinadas a través de los pasos:
clasificación y desplazamiento de curvas “S” históricas, agrupación de curvas “S”
históricas, extensión de curvas, y reasignación de microáreas. A continuación, se
muestran los pasos descritos.

Paso 1 - Clasificación y desplazamiento de curvas “S” históricas

Con datos del período 2002-2016 se formaron los grupos 0,1 y 2 el número de sus
elementos se indica en la Tabla 4.5.

Tabla 4.5. Número de microáreas pertenecientes al grupo 0, 1 y 2, del área de

servicio de la EEASA en microáreas de 1 km2
Grupo Número de microáreas
0 51.405
1 987
2 1.832

La Figura 4.3. muestra ejemplos de las curvas “S” históricas, separadas en los
grupos 0,1 y 2. Para las curvas del grupo 1 se determinó un desplazamiento pm con
el fin de que, en el año t=0 (2002) todas posean una demanda cero y en los años

74
siguientes sean distinto de cero, como se muestra en la Figura 4.4., donde pj es el
desplazamiento de las microáreas.

Figura 4.3. Clasificación de clientes: grupo 0,1 y 2 del área de servicio de la

EEASA en microáreas de 1 km2

Figura 4.4. Desplazamiento de curvas “S” históricas del grupo 1 del área de
servicio de la EEASA en microáreas de 1 km2

75
Paso 2 - Agrupación de curvas “S” históricas

En este paso la técnica K-means agrupó las microáreas del grupo 1 en clusters
(conjuntos), de forma que las curvas “S” históricas sean lo más similares entre sí.
La Figura 4.5. ilustra un ejemplo de cómo una curva era asignada a un clúster en
base a la distancia (ver Ecuación 3.4.) que las separa.

Figura 4.5. Microárea del grupo 1 asignada a un clúster mediante la distancia de

separación del área de servicio de la EEASA en microáreas de 1 km2

Una vez que cada microárea del grupo 1 se asignó a un clúster, se calculó una
curva promedio representativa del clúster, mediante la Ecuación 3.5. Esto se realizó
de manera iterativa (algoritmo de Figura 3.13.) hasta que las curvas no varíen. La
Figura 4.6. muestra un ejemplo de la formación de esta curva.

76
 Figura 4.6. Curva promedio representativa formada por curvas “S” históricas del
grupo 1 del área de servicio de la EEASA en microáreas de 1 km2

Paso 3 - Extensión de curvas

Las curvas “S” del grupo 2 fueron desplazadas hacia adelante y atrás, Figura 4.7,
para ser comparadas con las k curvas representativas (halladas en el paso anterior)
hasta encontrar la mejor coincidencia (ver Ecuación 3.7.) y así se asignadas a un
clúster. Posteriormente, mediante la Ecuación 3.5. se calculó una nueva curva
promedio representativa.

Figura 4.7. Desplazamiento de curvas “S” históricas del grupo 2 del área de
servicio de la EEASA en microáreas de 1 km2

77
Paso 4 - Reasignación de microáreas

Debido a que en el Paso 1 las microáreas del grupo 1 fueron establecidas sobre
una base de pocos puntos (987 curvas), se asignaron de mejor manera mediante
el procedimiento del paso anterior. De esta manera se consideró más puntos (2.819
curvas) para clasificarlas. La Figura 4.8. muestra los resultados obtenidos, donde
las tasas de crecimiento sólo sirven de visualización y más no para pronosticar la
demanda. Y en la Tabla 4.6. se indica el número de microáreas del grupo 1 y 2, que
fueron asignadas al clúster.

Figura 4.8. Curvas promedio representativas formadas por grupo 1 y 2

Tabla 4.6. Número de microáreas de 1 km2 asignadas a un clúster, caso EEASA

Número de microáreas
Clúster
Grupo 1 Grupo 2 Total
1 5 66 71
2 39 339 378
3 205 531 736
4 738 896 1.634

78
Mediante la inicialización del modelo computacional (ver Anexo III) y la ayuda del
ArcGIS se generó un mapa de las microáreas. Donde la pertenencia de cada una
a un clúster puede distinguirse a través de colores como se ilustra en la Figura 4.9.

Figura 4.9. Mapa de microáreas de 1 km2 asignadas a un clúster, caso EEASA

Parte 2 - Pronóstico de demanda

Las curvas promedio representativas de cada clúster se desplazaron hacia adelante

y atrás, para ser comparadas con cada una de las curvas “S” históricas del área de
servicio, hasta encontrar la mayor igualdad mediante la Ecuación 3.8. Una vez
determinado este desplazamiento, los valores próximos de la curva promedio se
convirtieron en la demanda futura de la microárea. La Figura 4.10. muestra un
ejemplo de este procedimiento.

79
Figura 4.10. Desplazamiento de curvas promedio representativas para pronosticar
la demanda eléctrica de las curvas “S” históricas, caso EEASA

Con los valores futuros de demanda eléctrica, el modelo computacional (ver Anexo
IV) generó los mapas de:

· Demanda eléctrica base del año 2016.

· Incremento de demanda eléctrica del año 2016-2021.

· Pronóstico espacial de demanda eléctrica del año 2021 (mediano plazo).

· Incremento de demanda eléctrica del año 2016-2026.

· Pronóstico espacial de demanda eléctrica del año 2026 (largo plazo).

En el capítulo siguiente se analiza los resultados de estos mapas.

80
5. ANÁLISIS DE RESULTADOS

Para validar los resultados se utilizaron las proyecciones corporativas (a nivel de

sistema) y el concepto del error absoluto promedio (Average Absolute Value, AAV)
[27]. Además, se realizó un pronóstico por microáreas basado en Regresiones
Múltiples – RM (Anexo II), con el fin de demostrar la potencialidad y las ventajas del
método Template Matching - TM. Tanto TM como RM fueron empleados en una
misma área de servicio, dividida por microáreas de 1km2.

5.1. Nivel de microáreas

Para validar los resultados a nivel de microáreas se utilizó el concepto del valor
absoluto promedio (Average Absolute Value, AAV) 14, ilustrado en la Ecuación 5.1.

LrËÊs63bÊ 3,5 M bÇÊ 3,55S

JJÉ = ½35 = × ;NN
ÌrËÊs63bÊ 3,5 M bÊ 3­55Í

Ecuación 5.1. Error absoluto promedio [27]

Donde:

bÊ 3,5 : Demanda de la microárea j en el año t

bÇÊ 3,5 : Demanda proyectada de la microárea j en el año t

bÊ 3­5 : Demanda del último año (utilizado para extrapolar)

14
Medida utilizada por interés académico, puesto que la Tabla 2.6. emplea el mismo criterio.

81
Típicamente, el problema de saber cuál es el mejor15 de los métodos de pronóstico,
se resuelve tras aplicar una respuesta conocida a ese problema [2]. Bajo esta
perspectiva los errores de predicción, que se pueden generar a través de los años,
se calcularon utilizando como base, datos del período 2002-2011, con el fin de
pronosticar la demanda de los años 2012-2016, y así compararlos con los reales
del período 2012-2016, la Figura 5.1. ilustra de manera general este proceso.

Figura 5.1. Estructura general del cálculo de errores entre el método Template
Matching – TM y el de Regresión Múltiple - RM [2]
En la Tabla 5.1. se muestran los errores, donde para el método TM se utilizaron los
siguientes valores: número de clusters16= 4, años históricos=5 y H17=0,9. Se
emplearon diez años de historia porque, el análisis realizado en el distrito de Colline
Noir [3], dice que utilizar de cinco a nueve años de historial de demanda, resulta ser
muy poco para el método TM.

15
En planificación de T&D este término significa: más preciso [2]
16
Para el caso EEASA, a partir de 3 clusters se muestran resultados similares.
17
Para el caso EEASA, en el rango 0,85-0,9 se muestra consistencia en los resultados, revisar Ecuación 3.4.

82
 Tabla 5.1. Precisión de los métodos de pronóstico de demanda eléctrica

Error, Método Error, Método

Año Template Regresión
Matching [%] Múltiple [%]

1 2012 6,855 7,628

2 2013 7,499 21,050
3 2014 7,408 42,852
4 2015 19,518 34,433
5 2016 12,766 43,952

1. Método Template Matching: se esperaban errores cercanos al 47% (sección

2.5.) medidos según el concepto de AAV. Pero para el horizonte de cinco
años se obtuvo un error del 12,7%. A continuación, se explican las posibles
principales razones de estos errores.

· Años históricos: el historial de datos es un parámetro para el cual las

técnicas tendenciales son bastantes sensibles [29]. En el caso de la
EEASA debido a la disponibilidad de los datos se utilizó diez años de
historia para calcular los errores. Si se hubiese utilizado más años
históricos se supone que habría disminuido el error, como lo indica [29].

Hay dos razones principales para que este método requiera un historial
de demanda extenso. Primero, aunque el método puede construir
secuencias de curvas (de longitud más larga que el período de historia
de datos), necesita un número suficiente de puntos para poder establecer
clusters y superponer historias de crecimiento en el paso 3 - Extensión
de curvas. En segundo lugar, poseer una ventana de datos históricos lo
suficientemente larga, para comparar con las curvas de carga del clúster,
permite determinar de manera correcta los desplazamientos pj de cada
microárea, lo que mejora la calidad del pronóstico. La primera razón hace

83
 que el método falle por completo18 y la segunda razón, es la causa
principal del aumento del error cuando se usan periodos muy cortos de
historia [29].

· Tasa de crecimiento: la distribuidora19 seleccionada no posee una tasa

de crecimiento regular. Por ejemplo, en el período 2015-2016 apenas se
distingue un incremento de demanda, 0,39%, y en cambio del año 2009
al 2010 se observa un crecimiento del 7,1%. Por esta razón el valor del
año 2016 de la Tabla 5.1. no sigue con la tendencia de esos errores.

2. Método de Regresión Múltiple: una estimación de demanda de año horizonte es

útil para estabilizar la extrapolación. Aun así, el ajuste de curva para el historial
de demanda en microáreas a menudo producen una pobre imitación del
crecimiento real de la demanda [1]. Como se muestra en la Figura 5.2., una
curva polinómica ajustada a los datos históricos puede arrojar resultados
bastante diferentes, dependiendo de exactamente en qué parte del patrón de la
curva “S” se encuentre. En el caso de la EEASA, algunas previsiones obtenidas
resultaron ser realmente ridículas (demandas negativas).

18
En el caso EEASA, para cinco años históricos y a partir de 7 clusters, el modelo computacional no pudó
converger, dada la poca cantidad de puntos del grupo 1.
19
La referencia [29](autor del método) emplea un área metropolitana con un crecimiento anual del 11,5%.

84
 Figura 5.2. Principales problemas de extrapolar la demanda histórica mediante
ajustes de curva, caso EEASA

De las discusiones en este apartado, se destaca que el método Template Matching

aplicado a la EEASA supera en precisión al de de ajuste de curva mediante
regresión múltiple, Tabla 5.1. Principalmente porque el método TM considera la no
linealidad de la curva de crecimiento de demanda a nivel de microáreas, lo que
permite que funcione de mejor manera que el de RM.

85
5.2. Nivel de sistema

Bajo la perspectiva de que, el todo es la suma de sus partes. Se sumaron las

demandas pronosticadas de cada microárea y se las comparó con las proyecciones
corporativas. En la Tabla 5.2. se muestran los resultados. La demanda máxima
proyectada EEASA [kW] fue calculada mediante métodos econométricos [40].

Tabla 5.2. Proyección de demanda eléctrica a nivel de sistema. Caso EEASA.

Suma de Suma de
Demanda
demandas demandas
máxima Error TM Error RM
Año máximas de máximas de
proyectada [%] [%]
microáreas microáreas
EEASA [kW]
TM [kW] RM [kW]
1 2017 106656,81 107906,118 113783,864 1% 6%
2 2018 110389,80 112199,021 119540,835 2% 8%
3 2019 114253,44 116335,690 125738,785 2% 9%
4 2020 118252,31 120105,743 133379,418 2% 11%
5 2021 122391,14 123447,387 142434,159 1% 14%
6 2022 126674,83 126386,099 153470,395 0% 17%
7 2023 131108,45 129067,635 165698,697 2% 21%
8 2024 135697,25 131185,159 179585,928 3% 24%
9 2025 140446,65 133177,659 195209,636 5% 28%
10 2026 145362,28 134913,240 212768,180 8% 32%

De la Tabla 5.2. se observa que en el mediano plazo (1 a 5 años) el método TM

muestra errores que no superan el 2%, mientras RM presenta errores de hasta el
14%. En el largo plazo (6 a 10 años) TM presenta errores no mayores al 10% y RM
superiores al 30%.

Cualquier pronóstico espacial que se realice debe guardar coherencia con la

proyección corporativa (nivel de sistema) [3]. Esto no significa que los resultados
de ambos pronósticos coincidan kW a kW, puesto que la proyección corporativa no
solo considera el crecimiento histórico sino también contiene suposiciones sobre la
economía futura, la demografía y los principales eventos políticos e industriales.

86
Bajo esta perspectiva y al no superar el 10% de error, se indica que los resultados
del presente trabajo, realizado por el método Template Matching, guardan
coherencia con las proyecciones corporativas, y superan en precisión a los
resultados obtenidos por regresiones lineales múltiples (típico utilizado por las
distribuidoras).

87
6. CONCLUSIONES Y RECOMENDACIONES

6.1. Conclusiones

Microáreas de forma regular menores a un kilómetro cuadrado, permiten distinguir

las tres etapas características (período inactivo, rampa de crecimiento y período de
saturación) de una curva “S” histórica.

Sí se usa como base información georreferenciada, consumo de energía eléctrica

mensual y número de clientes por microárea, los métodos Rural Electrification
Administration (REA) y factores de diversidad, permiten construir curvas “S”
históricas del área de servicio de una distribuidora.

El pronóstico espacial de demanda mediante el método Template Matching,

aplicado a la Empresa Eléctrica Ambato Regional Centro Norte S.A. indica que:

· El mayor incremento de demanda en el mediano y largo plazo se

experimentará en el sector urbano - industrial de las principales cabeceras
cantonales (Ambato, Puyo, Tena, Píllaro, Pelileo, Baños).

· En áreas rurales la densidad de demanda será muy baja debido a que las
casas y las áreas comerciales e industriales están muy separadas. Tal es el
caso de los cantones Pablo Sexto, Huamboya y Palora.

Al comparar los resultados de los pronósticos, del método Template Matching -TM
y del de Regresión Múltiple – RM, mediante el error absoluto promedio (Average
Absolute Error, AAV), se evidencia que los métodos (TM) que utilizan técnicas de
agrupación y reconocimiento de patrones (Minería de Datos):

· Tienen mejor precisión que los de ajuste de curvas basados en extrapolación

por regresiones lineales múltiples.

88
 · Funcionan tanto en áreas urbanas como rurales. Ya que los de regresiones
lineales múltiples en ciertas zonas rurales extrapolaban demanda hasta
hacerla negativa.

6.2. Recomendaciones

Se puede lograr una mejor escenificación de la demanda eléctrica por microárea

(basado en la metodología propuesta), si se utilizará mayor tipo de clientes
(típicamente se utiliza entre nueve y veinte [2]). Recalcando que en este trabajo no
se utilizó más de cinco, debido a que solo se logró recopilar información (factores
de carga, coincidencia y responsabilidad) para esos grupos.

Si bien esta es la primera propuesta de pronóstico espacial para toda el área de

cobertura de la Empresa Eléctrica Ambato Regional Centro Norte S.A.
(entendiéndose como pronóstico espacial a los métodos que coordinan de forma
coherente las suposiciones y estimaciones entre microáreas), se sugiere realizar
comparaciones con otros métodos, al igual que con diferentes niveles de
resolución, para así poder determinar cual es el método que se ajusta de mejor
manera a las necesidades de la distribuidora.

La Empresa Eléctrica Ambato Regional Centro Norte S.A. (Departamento de

Planificación) al no poseer en su base de datos uso de suelos, se limita a solo poder
emplear métodos tendenciales. Pero si de alguna manera vinculará información de
los planes de desarrollo y ordenamiento territorial de los diferentes cantones de su
área de cobertura, se podría utilizar métodos híbridos o de simulación (mejores
resultados).

89
6.3. Trabajos futuros

Si se logrará vincular bases de suelos a la Empresa Eléctrica Ambato Regional

Centro Norte S.A., en el contexto de este trabajo, se puede implementar el método
Extended Template Matching (ETM). Un método que involucra la adición de nuevas
dimensiones para producir mejoras significativas en la precisión del pronóstico.

Un camino probable para desarrollar un uso de suelo, solo con los datos de una
distribuidora, sería utilizar la información obtenida en la metodología propuesta (se
determinó para el período 2002-2016 el número de clientes por grupo de consumo
para cada microárea),y de alguna manera (con sustento en la referencia [2]), se
podría desarrollar un uso de suelos en base al número de clientes de cada grupo.

De no poder escenificar lo expuesto en el párrafo anterior, se recomienda utilizar

métodos que empleen técnicas de agrupación y reconocimiento de patrones; ya
que, por lo corroborado en este trabajo, estos funcionan mejor que los de ajuste de
curva por regresiones múltiples. De la literatura revisada los métodos potenciales a
ser empleados son: Vacant Area Inference (VAI) [27], Cluster Template in a VAI
estructure [3] y Load Transfer Coupled Classified Trending [3].

El presente trabajo utiliza una medida estadística (AAV) para medir el error de
magnitud del pronóstico espacial. Si bien este da un error del 12,7% en el horizonte
de cinco años, AAV no evalúa completamente el potencial de un método. Por ello
para futuros trabajos se recomienda evaluarlos mediante un análisis de frecuencia
espacial (SFA), el cual evalúa no solo la magnitud sino también la ubicación.

90
 REFERENCIAS BIBLIOGRÁFICAS

[1] H. L. Willis, Power Distribution Planning Reference Book, Second Edition, Revised and
Expanded, New York: Marcel Dekker, 2002.

[2] H. L. Willis y J. D. Northcote-Green, “Spatial electric load forecasting: A tutorial review,”

Proceedings of the IEEE, vol. 71, nº 2, pp. 232-253, Feb. 1983.

[3] A. Ariza, “Métodos Utilizados para el pronóstico de Demanda de Energía Eléctrica en Sistemas
de Distribución,” Pereira, 2013.

[4] I. Moghram y S. Rahman, “Analysis and evaluation of five short-term load forecasting
techniques,” IEEE Transactions on Power Systems, vol. 4, nº 4, pp. 1484-1491, Nov 1989.

[5] H. L. Willis, Spatial Electric Load Forecasting, Second Edition, Revised and Expanded, New
York: Marcel Dekker, 2002.

[6] Y. Jin, “Meteorological Factors Considered Load Decoupling Forecasting Technique,” Journal
of Advance Material Research, Vols. 1 de 2354-55, pp. 922-926, 2012.

[7] P. K. Dash, A. C. Liew y S. Rahman, “Fuzzy Neural Network and Fuzzy Expert System for Load
Forecasting,” IEE Proceedings: Generation, Transmission, and Distribution, vol. 143, pp. 106-
114, 1996.

[8] K. Liu, S. Subbarayan, R. R. Shoults, M. T. Manry, C. Kwan, F. L. Lewis y J. Naccarino,

“Comparison Of Very Short-Term Load Forecasting,” IEEE Transactions on Power Systems, vol.
11, pp. 877-882, 1996.

[9] Z. Aung, M. Toukhy, J. Williams, A. Sanchez y S. Herrero, “Towards Accurate Electricity Load
Forecasting in smart Grid,” (DBKDA 2012), pp. 51-57, 2012.

[10] S. Ramirez, Redes de Distribución de Energía, Manizales: Universidad Nacional de Colombia

Sede Manizales, 2004.

[11] V. Stanley, “Estimating Kw Demand for Future Loads on Rural Distribution Systems,”
Proceedings of the IEEE, vol. 76, pp. 652-655, August 1957.

[12] M. W. Gangel y R. F. Propst, “Distribution Transformer Load Characteristics,” IEEE

Transactions on Power Apparatus and Systems, vol. 84, pp. 671-684, Aug. 1965.

[13] C. Bary, “Coincidence-Factor Reationships of Electric-Service-Load Characteristics,”

Transactions of the American Institute of Electrical Engineers, vol. 64, pp. 623-629, Sept. 1945.

[14] C. Bary, “Economic Signifiance of Load Characteristics as applied to Modern Electric Service,”
Proceedings, 53rd Annual Meeting of the Association of Edison Illuminating Companies, 1937.

91
[15] F. M. Terry, “Reports of Subcommittee on Coincidence Factors of the Special Committee on
Load Studies of the Association of Edison Illuminating Companies,” Proceedings, 55th and
56th Annual Meeting of the Association of Edison Illuminating Companies, 1939.

[16] H. E. Eisenmenger., “Study of the theoretical relationship between load factor and diversity
factor,” Proceedings, 55th Annual Meeting of the Association of Edison Illuminating
Companies, 1939.

[17] R. M. Webler, M. W. Gangel, G. K. Carter, A. L. Zeman y R. C. Ender, “Secondary System

Distribution Planning for Load Growth,” IEEE Transactions on Power Apparatus and Systems,
vol. 82, pp. 908-927, Dec. 1963.

[18] D. L. Nickel y H. R. Braunstein, “Distribution Transformer Loss Evaluation: II- Load

characteristics and system cost parameters,” IEEE Transactions on Power Apparatus and
Systems, Vols. 1 de PAS-100, nº 2, pp. 798-811, February 1981.

[19] Electrical World Editors, “29th Annual Electrical Industry Forecast,” Electrical World, pp. 61-
76, 1978.

[20] C. L. Brooks y B. W. Kennedy, “A Method for evaluating the general load and loss effects of
demand-side management on the T&D delivery system,” IEEE Transactions on Power Systems,
Vols. 1 de PWRS-2, nº 3, pp. 700-706, August 1987.

[21] A. J. Pansini, Power Transmission & Distribution, Second Edition, United States of America:
The Fairmont Press, 2005.

[22] M. W. Davis, “Distribution Transformer Load Characteristic Functions for Residential Central
Air Conditioning,” IEEE Transactions on Power Apparatus and Systems, Vols. 1 de PAS-93, pp.
91-99, 1974.

[23] M. Poveda, Planificación de Sistemas de Distribución, Quito, 1987.

[24] J. Parra, “Análisis de Conglomerados del Comportamiento de la Demanda Eléctrica en Clientes

Residenciales Utilizando Datos de Medidores Inteligentes,” Quito, mayo 2016.

[25] W. Kersting, Distribution System Modeling and Analysis, New Mexico: CRC Press, 2012.

[26] D. G. Fink y H. Wayne , Standard Handbook of Electrical Engineering, McGraw-Hill

Professional, 2006.

[27] C. E. Arvidson, “Diversified demand method of estimating residential distribution transformer

loads,” Edison Electr. Inst. Bull., pp. 469-479, October 1940.

[28] O. Salazar y W. Tisalema, “Actualización de las guías de diseño de la Empresa Eléctrica Ambato
Regional Centro Norte S.A.,” Quito, Febrero 2002.

[29] R. E. Administration, “Rural Lines,” U.S. Department of Agriculture, October 1955.

92
[30] J. Zamora y F. Piedra, “Proyección espacial de la demanda eléctrica del cantón Cuenca,
provincia del Azuay perteneciente a la Centro Sur C.A. mediante la ayuda de las herramientas
del CYMSIDT, GIS y estadísticos,” Cuenca, 2013.

[31] J. Schlabbach y K.-H. Rofalski, Power System Engineering, Planning, Design, and Operation of
Power Systems and Equipment, Alemania: Wiley-VCH, 2008.

[32] H. L. Willis y H. Tram, “A Cluster Based V.A.I Method for Distribution Load Forecasting,” IEEE
Transactions on Power Apparatus and Systems, Vols. 1 de PAS-102, nº 8, August 1983.

[33] H. L. Willis, M. V. Engel y M. J. Buri, “Spatial load forecasting,” IEEE Computer Applications in
Power, vol. 8, nº 2, pp. 40-43, Apr 1995.

[34] H. L. Willis y J. D. Northcote-Green, “Forecasting Distribution System Loads Using Curve Shape
Clustering,” IEEE Transactions on Power Apparatus and Systems, Vols. 1 de PAS-102, nº 4, pp.
893-901, April 1983.

[35] O. J. Hernández, Q. J. Ramírez y R. C. Ferri, Introducción a la Minería de Datos, Pearson, 2004.

[36] M. Amelot, VBA Excel 2016, Programación en Excel: Macros y lenguaje VBA, Barcelona: ENI,
2016.

[37] CONELEC, “Plan Maestro de Electrificación 2013-2022,” Ecuador, 2013.

[38] CENTROSUR, “Estudios de Demanda: Caracterización, Proyección y Desagregación,” Quanta

Technology LLC, 2016.

[39] EEASA, “Plan de Expansión del Sistema de Distribución 2017-2026,” Empresa Eléctrica
Ambato Regional Centro Norte S.A., Ambato, 2017.

[40] A. A. Almahdi, H. Said y A. A. Bakar, “Application of the K-means clustering algorithm to predict
load shedding of the Southern Electrical Grid of Libya,” Proceedings of the IEEE, pp. 244-247,
2014.

[41] L. Arias, “Programa Digital para el Pronóstico de carga Eléctrica Espacial,” Quito, Marzo 2000.

[42] H. Tao, “Long-Term Spatial Load Forecasting Using Human-Machine Co-construct Intelligence
Framework,” North Carolina, Oct. 2008.

[43] C.-H. Kim, B.-G. Koo y J. H. Park, “Short-term Electric Load Forecasting Using Data Mining
Technique,” The Korean Institute of Electrical Engineers, vol. 7, nº 6, pp. pp. 807-813, 2012.

[44] C. L. Hartigan, Clustering Algorithms, New York: J. Wiley, 1976.

[45] T. Li y Y. Chen, “An Improved k-means Algorithm for Clustering Using Entropy Weighting
Measures,” IEEE Proceedings of the 7th World Congress on Intelligent Control and
Automation, pp. pp. 149-153, 2008.

93
 ANEXOS

ANEXO I. SELECCIÓN DE UN MÉTODO DE PRONÓSTICO

ESPACIAL DE DEMANDA ELÉCTRICA - CASO EEASA

De las diez empresas de distribución que cuenta el Ecuador, la Empresa Eléctrica

Ambato Regional Centro Norte S.A. (EEASA) posee la mayor área de servicio del
país con 40.805km2 [42]. A manera de comparación supera por más del doble en
territorio a la Empresa Eléctrica Quito, 14.971km2, y por 37 veces a la Empresa
Eléctrica Pública de Guayaquil EP, 1.104km2 [40]. Debido a que cada método de
pronóstico espacial requiere de diferentes necesidades es primordial conocer la
información de la distribuidora. En la Tabla I.1., se muestra el resumen de los datos
principales que se lograron obtener.

Tabla I.1. Datos recopilados en la EEASA

Información Observaciones
1 Mapa del área de servicio Formato shape (*.shp), año 2017
Elementos del sistema de Sub-Transmisión y Datos provenientes del “Plan de Expansión 2017-2026”
2
Distribución (ST&D) [42]
De los cinco grupos (residencial, comercial, industrial,
3 Número de clientes a nivel de sistema
otros y alumbrado público) del período 1989-2016.
De los cuatro grupos (residencial, comercial, industrial y
Consumo de energía eléctrica a nivel de sistema -
4 otros) del período 1989-2016, y de alumbrado público
kWh/anual
del período 2000-2016.
5 Pérdidas de energía anual a nivel de sistema - kWh Del período 1989-2016.
Demanda máxima coincidente anual a nivel de
6 Del período 1989-2016.
sistema – kW
Sus coordenadas se encuentran en el sistema
7 Ubicación georreferenciada de clientes
SIRGAS_UTM_Zone_17S.
Ruta de lectura de medidores, tarifa y datos de En caso de error con la ubicación del cliente, la ruta
8 facturación por cliente – kWh/mes/cliente permitió ubicar en el mapa del territorio. Base de datos
confiable desde 2002.
Valores de demanda máxima coincidente por
9 Del período 1999-2017.
alimentador – kW
10 Potencia instalada por alimentador – kVA Escenario confiable a partir del 2015.
11 Proyecciones a nivel de sistema Del período 2017-2026
12 Tablas de factor de coincidencia De sectors residenciales con y sin cocinas de inducción.
Estudios de demanda máxima por cliente en
13 Para sectors residenciales (REA).
función del consumo de energía

94
Debido al tamaño de su área de cobertura, la distribuidora no posee vinculada a su
base de datos ningún tipo de uso de suelos, situación que restringe a utilizar
métodos de pronóstico tipo tendencial. Donde según la Tabla 2.8. los potenciales
son 1, 2, 3, 4, 5, 7 y 9.

Otro factor que tomar en cuenta es que la EEASA no posee valores de demanda
eléctrica base en cada una de las microáreas (requerimiento principal de
tendenciales). Por tanto, se propuso en la sección 3.1. cómo obtener dichas
demandas a partir de datos de facturación de cada uno de los clientes, para de esta
manera poder cumplir con los requerimientos de los métodos tipo tendencial. Pero
debido a que la metodología se basa en datos de facturación, sino se conoce el
valor y la ubicación de las pérdidas de energía tanto técnicas como no técnicas, se
vuelve desafiante el poder replicar exactamente a la demanda. Por tal razón se
requiere un método que pueda funcionar correctamente, aun poseyendo datos
corruptos (generados por errores de lectura en los medidores).

Bajo esta perspectiva, se decidió crear un modelo computacional que desarrolle el

método número 3 (Template Matching). Un método que, gracias a sus
características como la robustez (funciona con datos faltantes o erróneos) y el uso
de pocos recursos computacionales [3], lo convierten en el más opcionado para
manejar los grandes volúmenes de información de sus cerca de 260.000 clientes,
y así pronosticar la demanda eléctrica en el mediano y largo plazo.

95
 ANEXO II. PRONÓSTICO DE DEMANDA ELÉCTRICA POR
REGRESIÓN LINEAL MÚLTIPLE-CASO EEASA

Las técnicas tendenciales utilizan alguna forma de ajuste, regresión lineal o curvas
logísticas para extrapolar una función; y después utilizarla con fines de proyección
de demanda. En este apartado se obtendrá dicha función para pronosticar la
demanda eléctrica a nivel de microáreas, todo esto con la intención de comparar el
rendimiento de un método de ajuste de curvas con uno espacial (sección 5.1.).

La mayoría de los planificadores y pronosticadores de servicios públicos están

familiarizados con el concepto de ajuste de curvas, basados en regresiones para
modelar una función polinomial (la cual servirá en la proyección de otros valores).
No es de sorprender que, debido a su simplicidad, esta técnica es ampliamente
utilizada como método de proyección. Existe una gran cantidad de polinomios que
podrían usarse en el ajuste de curva, pero entre los más adecuados para el
pronóstico de demanda en microáreas está la ecuación cúbica de cuatro términos
[3], como se indica en la Ecuación II.1.

bÇ( 3,5 = F? , Î 7 Ï? , Q 7 G? , 7 _?

Ecuación II.1. Función polinomial para determinar la demanda futura en la

microárea m [3]

Donde:

bÇ( 3,5 : Demanda proyectada de la microárea m en el año t

F? O Ï? O G? +n+_? : Coeficientes del polinomio

Para el caso discutido, el cálculo del polinomio partió con una matriz de quince
elementos de alto (años históricos) por cuatro elementos de ancho (cuatro
coeficientes que se determinan), como se muestra en la Figura II.1.

96
 UNNUÎ UNNUQ UNNU6 UNNU\
Ó Ö
UNNTÎ UNNTQ UNNT6 UNNT\
Ò Õ
UNNPÎ UNNPQ UNNP6 UNNP\
Ò Î Õ
ÒUNN[Î UNN[Q UNN[6 UNN[\ Õ
ÒUNNeÎ UNNeQ UNNe6 UNNe\ Õ
ÒUNNgÎ UNNgQ UNNg6 UNNg\ Õ
ÒUNNf UNNfQ UNNf6 UNNf\ Õ
Ð = ÒUNNVÎ UNNVQ UNNV6 UNNV\ Õ
Î UN;NQ UN;N6 UN;N\ Õ
ÒUN;N
ÒUN;;Î UN;;Q UN;;6 UN;;\ Õ
ÒUN;UÎ UN;UQ UN;U6 UN;U\ Õ
ÒUN;TÎ UN;TQ UN;T6 UN;T\ Õ
ÒUN;PÎ UN;PQ UN;P6 UN;P\ Õ
ÒUN;[Î UN;[Q UN;[6 UN;[\ Õ
ÑUN;eÎ UN;eQ UN;e6 UN;e\ Ô

Figura II.1. Matriz P, el número de las columnas indica el grado del polinomio, y la
cantidad de filas los datos históricos

Las demandas máximas anuales de las microáreas de los últimos quince años se
colocaron en una matriz de quince por uno, como se indica en la Figura II.2.

b( 3UNNU5+
Ó Ö
b( 3UNNT5+
Ò Õ
Òb( 3UNNP5+Õ
Òb( 3UNN[5+Õ
Òb( 3UNNe5+Õ
Òb( 3UNNg5+Õ
Òb( 3UNNf5+Õ
¯( = Òb( 3UNNV5+Õ
Òb 3UN;N5+Õ
(
Òb 3UN;;5+Õ
Ò( Õ
b 3UN;U5+
Ò( Õ
Òb( 3UN;T5+Õ
Òb( 3UN;P5+Õ
Òb( 3UN;[5+Õ
Ñ b( 3UN;e5 Ô

Figura II.2. Matriz Lm, en cada fila se coloca la demanda máxima anual de la
microárea m

97
Los coeficientes F? O Ï? O G? +n+_? son determinados mediante la Ecuación II.2.

Ä? = jЂ Ðl¿6 À Ђ ¯(

Ecuación II.2. Cálculo de coeficientes del polinomio cúbico de cuatro términos [3]

Una vez que se determinan los valores de los coeficientes, se pueden usar para
proyectar la demanda futura, simplemente utilizando la Ecuación II.1 y resolviéndola
para valores de t mayores que 2016.

98
 ANEXO III. MANUAL DE USUARIO DEL MODELO
COMPUTACIONAL

Se requiere de cierta información básica para inicializar el modelo, la cual se coloca

en la hoja de cálculo de “Inicialización”, como se muestra en la Figura III.1.

Figura III.1. Hoja “Inicialización”

1. Inicialización del módulo de “Determinación de curvas “S” históricas por

microárea”: en esta hoja de trabajo, un planificador necesita ingresar la siguiente
información:

· Factor de multiplicación: (concepto tratado en el método de REA, capítulo 2)

se puede ingresar de dos maneras:

a. Generar automáticamente: mediante esta opción se despliega la hoja

“Factores de Multiplicación”, como se muestra en la Figura III.2. Al
ingresar el número de clientes y datos de demanda máxima coincidente
a nivel del sistema, se presiona el botón “Calcular” seguido por el botón
“Regresar”.

99
 Figura III.2. Hoja “Factores de Multiplicación”

b) Ingresar manualmente: el planificador coloca los factores de

multiplicación correspondientes a cada año.

· kW para usuarios (1 a 4) con consumo mensual de (mayor o igual a 270kWh,

menor a 270 kWh, menor a 160 kWh, menor a 110 kWh y menor a 80 kWh):
por las características de REA, para esta cantidad de usuarios, se debe
ingresar la potencia que le corresponde a cada uno.

· Factor de carga individual: se ingresa de los grupos comercial, industrial,

alumbrado público y otros.

2. Inicialización del módulo de “Pronóstico Espacial de Demanda Eléctrica”: en

esta hoja de trabajo, un planificador necesita ingresar la siguiente información:

· T años históricos: la longitud de los datos históricos (15).

100
 · Número de clusters: este valor determina la cantidad de curvas
representativas (1-10).

· Horizonte de años a pronosticar: el planificador debe ingresar el período de

años (2017-2026) para proyectar la demanda.

Después de completar la información anterior, se debe hacer clic en el botón

“Definición y caracterización del área de estudio”, seguido de “Clasificación de
clientes”, y “Determinación de curvas S históricas por microárea”. Luego, de hacer
clic en el botón "Siguiente Paso", se mostrará la hoja “Configuración de Mapas”,
Figura III.3., en la cual se puede variar los rangos de visualización de la demanda
en los mapas, y además se seleccionan cuáles de ellos se graficarán (2017-2026).
Por último, al hacer clic en el botón “Generar mapas” se muestran los resultados,
ver Anexo IV.

Figura III.3. Hoja “Configuración de Mapas”

Todas estas características mencionadas, posibilitan que los módulos expuestos

en el capítulo 4 se ejecuten.

101
 ANEXO IV. MAPAS DE DEMANDA ELÉCTRICA ESPACIAL-CASO EEASA

Figura IV.1. Mapa de demanda eléctrica base del área de servicio de la EEASA (microáreas de 1km2) del año 2016

102
Figura IV.2. Mapa de incremento de demanda del área de servicio de la EEASA (microáreas de 1km2) del año 2016 - 2021.
Realizado con 4 clusters y 15 años históricos

103
Figura IV.3. Mapa de pronóstico espacial de demanda eléctrica del área de servicio de la EEASA (microáreas de 1km2) del año
2021. Realizado con 4 clusters y 15 años históricos

104
Figura IV.4. Mapa de incremento de demanda del área de servicio de la EEASA (microáreas de 1km2) del año 2016 - 2026.
Realizado con 4 clusters y 15 años históricos

105
Figura IV.5. Mapa de pronóstico espacial de demanda eléctrica del área de servicio de la EEASA (microáreas de 1km 2) del año
2026. Realizado con 4 clusters y 15 años históricos

106