anÁlisis de la curva de demanda elÉctrica para...

ANÁLISIS DE LA CURVA DE DEMANDA ELÉCTRICA PARA USUARIOS RESIDENCIALES ESTRATO 4 EN LA CIUDAD DE BOGOTÁ ANTE DIFERENTES ESCENARIOS DE LOS

HÁBITOS DE CONSUMO

KELLY ALEXANDRA HERNÁNDEZ HERNÁNDEZ JOHAN SEBASTIAN CARRILLO CRUZ

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA PROYECTO CURRICULAR DE INGENIERÍA ELÉCTRICA

BOGOTÁ 2017

II

ANÁLISIS DE LA CURVA DE DEMANDA ELÉCTRICA PARA USUARIOS RESIDENCIALES ESTRATO 4 EN LA CIUDAD DE BOGOTÁ ANTE DIFERENTES ESCENARIOS DE LOS

HÁBITOS DE CONSUMO

KELLY ALEXANDRA HERNÁNDEZ HERNÁNDEZ JOHAN SEBASTIAN CARRILLO CRUZ

Proyecto de Grado presentada para obtener el título de: Ingeniero Eléctrico

Director: PhD. FRANCISCO SANTAMARÍA PIEDRAHITA

Codirector: PhD (c) ADRIANA VEGA ESCOBAR

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ de caldas FACULTAD DE INGENIERÍA

PROYECTO CURRICULAR DE INGENIERÍA ELÉCTRICA BOGOTÁ

2017

III

Nota de Aceptación

Director: PhD. Francisco Santamaría Piedrahita Universidad Distrital Francisco José de Caldas

Jurado PhD. Cesar Leonardo Trujillo Rodríguez Universidad Distrital Francisco José de Caldas

V

TABLA DE CONTENIDO GLOSARIO ................................................................................................................................ XI

ABREVIATURAS ...................................................................................................................... XII

RESUMEN ............................................................................................................................... XIII

ABSTRACT ............................................................................................................................. XIV

INTRODUCCIÓN ........................................................................................................................ 1

PLANTEAMIENTO DEL PROBLEMA...................................................................................... 2

METODOLOGÍA ..................................................................................................................... 3

OBJETIVOS ............................................................................................................................ 5

OBJETIVO PRINCIPAL ....................................................................................................... 5

OBJETIVOS ESPECÍFICOS ................................................................................................ 5

1. MARCO REFERENCIAL ..................................................................................................... 7

1.1. Curva de la Demanda eléctrica ..................................................................................... 7

1.2. Demanda de Energía Eléctrica residencial ................................................................... 7

1.3. Consumo de Energía eléctrica en los hogares .............................................................. 8

1.3.1. Dispositivos de uso común .................................................................................... 8

1.3.2. Hábitos de consumo .............................................................................................. 8

1.4. Estadística Descriptiva e Inferencial ............................................................................. 9

1.4.1. Estadística descriptiva ........................................................................................... 9

1.4.2. Estadística inferencial .......................................................................................... 10

2. CARACTERIZACIÓN DE LOS USUARIOS ....................................................................... 13

2.1. Descripción de la encuesta ......................................................................................... 13

2.2. Resultados de la primera fase .................................................................................... 14

2.2.1. Dispositivos para Iluminación .............................................................................. 15

2.2.2. Dispositivos para Entretenimiento y Estudio ........................................................ 16

2.2.3. Dispositivos para Cocina ..................................................................................... 18

2.2.4. Dispositivos para Frio .......................................................................................... 18

2.2.5. Dispositivos para Calor ........................................................................................ 19

2.2.6. Dispositivos para Ropa ........................................................................................ 20

2.2.7. Dispositivos para Aseo ........................................................................................ 20

2.2.8. Otros Electrodomésticos ...................................................................................... 21

2.3. Resultados de la segunda fase ................................................................................... 21

2.4. Resultados de la tercera fase ..................................................................................... 24

2.5. CONCLUSIONES del capitulo 2 ................................................................................. 24

VI

3. CURVA DE DEMANDA ELÉCTRICA DEL USUARIO ESTRATO 4 ................................... 27

3.1. Procedimiento de medición ......................................................................................... 27

3.2. Determinación de la curva de demanda del usuario Estrato 4 (mediciones) ............... 28

3.3. Modelo curva de demanda eléctrica del usuario estrato 4 .......................................... 30

3.3.1. Determinación de la curva modelo ....................................................................... 38

3.4. Conclusiones del capitulo 3 ........................................................................................ 39

4. CASOS DE ESTUDIO ....................................................................................................... 41

4.1. Iluminación ................................................................................................................. 42

4.2. Computadores y entretenimiento ................................................................................ 43

4.2.1. Escenario 3: Televisor ......................................................................................... 43

4.2.2. Escenario 4 y 5: Computadores y Entretenimiento .............................................. 44

4.3. Cocina ........................................................................................................................ 45

4.4. Nevera ........................................................................................................................ 46

4.5. Calor ........................................................................................................................... 47

4.6. Aseo ........................................................................................................................... 48

4.7. Lavado ........................................................................................................................ 49

4.8. Curva total .................................................................................................................. 51

4.9. CONCLUSIONES del capitulo .................................................................................... 52

5. CONCLUSIONES Y RECOMENDACIONES ..................................................................... 59

5.1. recomendaciones ....................................................................................................... 60

5.2. Trabajos futuros .......................................................................................................... 60

Bibliografía ................................................................................................................................ 61

6. ANEXOS............................................................................................................................ 65

VII

DEDICATORIA

Quiero dedicarle este trabajo a Dios que me ha dado la vida y fortaleza para terminar este proyecto de investigación, dale gracias a él por los maravillosos padres que tenemos, que siempre están con nosotros apoyándonos en todo lo que nos hemos trazando.

A nuestros padres Maria Alcira Hernandez, Alvaro Hernandez, a quienes debemos todo lo que hemos logrado en la vida y sobretodo agradecemos el apoyo que nos brindaron cada día para culminar nuestra carrera.

Y a nuestros docentes el doctor Francisco Santamaría Piedrahita y la ingeniera Adriana Vega, por su apoyo, motivación y por ser guías en la elaboración del presente trabajo, por animarnos siempre a saber más.

VIII

AGRADECIMIENTOS

Dios, tu amor y tu bondad no tienen fin, nos permites sonreír ante todos nuestros logros que son resultado de tu ayuda, y cuando caemos y nos pones a prueba, aprendemos de nuestros errores y nos damos cuenta que los permites para que con ellos mejoremos como seres humanos y así podamos crecer. Este trabajo de grado ha sido una gran bendición y te los agradecemos padre, y no cesan nuestra ganas de decir que es gracias a ti que esta meta está cumplida. Gracias por estar presente no solo en esta etapa tan importante de nuestras vidas, sino en todo momento, ofreciéndonos lo mejor. Cada momento vivido durante estos años, son simplemente únicos, cada oportunidad de corregir un error, la oportunidad de que cada mañana podemos iniciar de nuevo, sin importar la cantidad de errores y faltas del día anterior. Quiero agradecer a mis padres, a mis maestros y compañeros por hacer parte de esta hermosa experiencia. Este proyecto de grado presenta resultados del proyecto de investigación "Desarrollo de un sistema de medición avanzado para registro de parámetros eléctricos de estado estable y de calidad de energía en redes de tensión menor a 1 kV" financiado por el Fondo Nacional para la financiación de la ciencia, la tecnología y la innovación "Fondo Francisco José de Caldas" del Departamento Administrativo de Ciencia, Tecnología e innovación - COLCIENCIAS (Contrato: FP44842 - 321 2015).

IX

LISTADO DE FIGURAS Figura 1. Planteamiento del Problema ........................................................................................ 3 Figura 2. Metodología. Imágenes tomadas de [16] ..................................................................... 4 Figura 3. Consumo por sectores en Colombia. UPME, Fuente [13]. ........................................... 7 Figura 4. Curva distribución normal de una población. Fuente [20] ........................................... 11 Figura 5. Estructura general de la encuesta acerca de los hábitos de consumo de los usuarios. Fuente propia ........................................................................................................................... 13 Figura 6. Fragmento de la primera fase de la encuesta, acerca del porcentaje de uso de los dispositivos. .............................................................................................................................. 15 Figura 7. Porcentajes de uso dispositivos para iluminación durante el día. Fuente propia. ....... 16 Figura 8. Porcentajes de uso dispositivos para Entretenimiento y Estudio durante el día. Fuente propia. ...................................................................................................................................... 17 Figura 9. Antigüedad dispositivos para Entretenimiento y Estudio ............................................ 17 Figura 10. Porcentajes de uso dispositivos para Cocina durante el día. Fuente propia. ............ 18 Figura 11. Porcentajes de uso dispositivos para Frio durante el día. Fuente propia. ................. 19 Figura 12. Porcentajes de uso dispositivos para Calor durante el día. Fuente propia ............... 19 Figura 13. Cantidad de dispositivos para Ropa instalados en los hogares. Fuente propia. ....... 20 Figura 14. Cantidad de dispositivos para Aseo instalados en los hogares. Fuente propia. ....... 21 Figura 15 Cantidad de dispositivos por usuario. Fuente propia. ................................................ 22 Figura 16 Porcentaje de usuarios que poseen tecnología Frost y No Frost. Fuente propia ....... 23 Figura 17. Porcentaje de usuario por tipo de dispositivo. Fuente propia. .................................. 24 Figura 18. Curva de demanda eléctrica de los 19 usuarios. Fuente propia. .............................. 28 Figura 19. Curva de Demanda Eléctrica del Usuario Residencial estrato 4 de la ciudad de Bogotá. Fuente propia. ............................................................................................................. 30 Figura 20. Esquema general de la obtención del Modelo de Curva de Demanda. Fuente propia. ................................................................................................................................................. 31 Figura 21. Diagrama de flujo implementado para el codigo nevera. Fuente propia. .................. 32 Figura 22. Curva de Demanda Modelo Final. Fuente propia. .................................................... 38 Figura 23. Curva de Demanda casos de estúdio Dispositivos de Iluminación. Fuente propia. .. 43 Figura 24. Curva de Demanda caso de estudio Televisores. Fuente propia. ............................ 44 Figura 25. Curva de Demanda casos de estudio Dispositivos de Entretenimiento y estudio. Fuente propia............................................................................................................................ 45 Figura 26 Curva de Demanda casos de estudio Dispositivos cocina. Fuente propia. ................ 46 Figura 27. Curva de Demanda casos de estudio Nevera. Fuente propia. ................................. 47 Figura 28. Curva de Demanda casos de estudio Plancha para Ropa. Fuente propia................ 48 Figura 29. Curva de Demanda casos de estudio Dispositivos para Aseo. Fuente propia. ......... 49 Figura 30. Curva de Demanda casos de estudio Dispositivos de lavado. Fuente propia. .......... 50 Figura 31. Curva de Demanda casos de estudio Curva Final. Fuente propia. ........................... 52 Figura 32. Porcentaje de ahorro de energía consumida al mes tras la implementación de cada escenario. Fuente propia. ......................................................................................................... 56 Figura 33. Porcentajes de disminución consumo de cada hora, por escenario. Fuente propia. 57

X

LISTADO DE TABLAS Tabla I Consumo promedio otros dispositivos durante el día .................................................... 21 Tabla II. Resumen Capitulo 2: caracterización de los usuarios ................................................. 24 Tabla III Número de mediciones realizadas con equipos .......................................................... 27 Tabla IV Potencia promedio consumida por los usuarios estrato 4 de la ciudad de Bogotá durante el día ............................................................................................................................ 29 Tabla V Cuadro de entradas y salidas generales de los códigos .............................................. 31 Tabla VI. Potencia promedio de los Dispositivos ....................................................................... 36 Tabla VII Datos de potencia consumida modelo vs mediciones ................................................ 39 Tabla VIII Tolerancia del modelo .............................................................................................. 41 Tabla IX. Porcentaje de ahorro casos de estudio dispositivos para Lavado .............................. 50 Tabla X Cuadro de escenarios planteados ............................................................................... 52

XI

GLOSARIO

CARGA INSTALADA: Es la suma de potencias nominales de aparatos y equipos de consumo que se encuentran conectados a un sistema o a parte de él, se expresa generalmente en kVA, MVA, kW o MW [1]. CONSUMO ELÉCTRICO: Es la acción de consumir o absorber energía eléctrica en un tiempo determinado [2]. CONFORT: Es todo aquello que trae conformidad y comodidad [3]. CURVA DE CARGA DIARIA: Las curvas de carga diaria están formadas por los picos obtenidos en intervalos de una hora para cada hora del día. Las curvas de carga diaria dan una indicación de las características de la carga en el sistema, para el sector residencial, comercial o industrial y de la forma en que se combinan para producir el pico [1]. DEMANDA ELÉCTRICA: Es la cantidad de potencia eléctrica que un consumidor utiliza en un periodo de tiempo [1]. DESVIACIÓN ESTÁNDAR: Se utiliza para cuantificar un intervalo de confianza o límite de dispersión, dentro del cual los datos de la muestra incluidos se consideran cercanos a la media, mientras que fuera de éste se les considera alejados [4]. ESTIMACIÓN DE LA DEMANDA ELÉCTRICA: Consiste en implementar, modificar o proponer un modelo, que refleje el comportamiento de la demanda, a partir de una base, de datos reales o estadísticos. Para la escogencia de dicho modelo es posible implementar técnicas matemáticas, que pueden ser estadísticas, inteligencia artificial o micro áreas [1]. ESTADÍSTICA DESCRIPTIVA: Es la parte de la Estadística que proporciona métodos para organizar, representar, resumir y analizar la información contenida en un conjunto de datos muéstrales o poblacionales [5]. ESTADÍSTICA INFERENCIAL: Es la parte de la Estadística que proporciona métodos para extraer conclusiones sobre las poblaciones a partir de sus muestras controlando el margen de error que se puede cometer en esa extrapolación de lo maestral a lo poblacional [5]. ENERGÍA ELÉCTRICA: Es la consecuencia del movimiento de las carga eléctricas [3]. ENCUESTAS: Es el acopio de datos obtenidos mediante consulta o interrogatorio, referentes a estado de opinión, costumbres, nivel económico o cualquier otro aspecto de la actividad humana" [6]. HORAS PICO: Hace referencia al intervalo de tiempo donde puede presentarse una sobredemanda de energía eléctrica [3]. MEDIA: valor constante alrededor del cual evoluciona de manera aleatoria (errática) un proceso estocástico estacionario [7].

XII

MODELO ESTOCÁSTICO: Contiene algunos elementos aleatorios o distribuciones de probabilidad dentro del modelo, y así, no solo predice el valor esperado de una cantidad sino también su varianza [8]. MODELO DETERMINISTA: Es aquel que hace predicciones exactas para cantidades, sin ninguna distribución de probabilidad asociada [8]. MUESTRA DE INDIVIDUOS: Es un subconjunto o parte de una población de individuos [5]. POBLACIÓN DE INDIVIDUOS: Es el conjunto de todos los elementos sobre los cuales se observa una o más características de Interés. Frecuentemente se alude a ella como población objetivo, en razón de que sobre ella recae el objetivo o el interés del estudio [5]. SERIE SIMPLE: Es un conjunto de números que miden las variaciones (de una característica) de los fenómenos particulares que forman un grupo, por ejemplo las estaturas de 20 personas, el conjunto de estos números reciben el nombre de serie simple [9]. USUARIO RESIDENCIAL: Es todo aquel que hace uso de algún bien o servicio en su hogar [3]. VARIABLE O CARACTERÍSTICA: Es una característica de un fenómeno observable en los individuos de una población. Es una variable propiamente dicha cuando presenta diferentes modalidades (dos o más) entre los individuos [5]. VARIABLE ESTADÍSTICA: Es una representación, a través de números u otros símbolos, de una variable [5]. VARIANZA: valor constante que mide la dispersión (variabilidad) de la evolución de un proceso estocástico estacionario alrededor de su media [7].

ABREVIATURAS

UPME: Unidad de Planeación Minero Energética RAE: Real Academia de la Lengua Española XM: Expertos en Mercados

XIII

RESUMEN En este proyecto de grado en modalidad de investigación se analiza el efecto que tienen las variaciones en los hábitos de consumo en la curva de demanda eléctrica de usuarios residenciales estrato 4 en la ciudad de Bogotá. Con el fin de evaluar escenarios de los hábitos de consumo y su impacto en la curva de demanda, los autores proponen un modelo de la curva de demanda para los usuarios del nivel socioeconómico seleccionado. Para lo cual se analizaron 15 escenarios, en los cuales se plantearon alternativas de cambios en la utilización de los electrodomésticos más comunes con los que cuentan los usuarios en diferentes horas del día, así como también cambios en la tecnología empleada. Como parte de la construcción del modelo, se realizó una encuesta en la que se indaga información acerca de la capacidad instalada en los hogares (kW), horas de utilización de dispositivos, tipos de dispositivos, entre otros, para cada grupo de dispositivos planteado. Esta encuesta fue aplicada a 115 usuarios estrato 4 de la ciudad de Bogotá, y a partir de ella se caracterizaron los hábitos de consumo para el desarrollo del modelo y se establecieron los 15 escenarios de cambios en los hábitos de consumo y mejora en la tecnología de algunos electrodomésticos. Para desarrollar el modelo, además de los datos proporcionados por la encuesta, se tuvieron en cuenta las mediciones de potencia realizadas a 19 usuarios estrato 4. Las mediciones se realizaron con tres equipos de medida, PQA823 de HT Instruments, Fluke435 y Fluke1730, durante ocho semanas, por un periodo de tiempo de entre 2 y 5 días completos excluyendo los fines de semana. El modelo se realizó mediante el software Matlab®, donde se representa la curva de demanda del consumo diario de un usuario residencial estrato 4 de la ciudad de Bogotá, obteniendo resultados variables dentro de un rango en cada hora. Después de evaluar los 15 escenarios, se observa que en un escenario en el cual busca un ahorro en energía mediante variación de los hábitos de consumo y cambios en la tecnología de los televisores, se logra un ahorro del 13% de la energía demandada del mes. En cuanto a los picos de potencia, se presenta disminución y aplanamiento de la curva con resultados significativos en 4 de los escenarios propuestos. Con reducciones de hasta el 7% en el pico más alto del día, un aplanamiento en general de la curva, con una disminución de la demanda en horas pico entre el 4% y 6%, y un aumento en las horas valle de hasta el 10%. Por último, el escenario que plantea mayor compromiso por parte de los usuarios, en cuanto al cambio en los hábitos de consumo, permitió un ahorro promedio del 20% en el consumo total. PALABRAS CLAVE: Demanda de energía, Hábitos de consumo, Mediciones, Casos de estudio, Escenarios, Modelo estocástico.

XIV

ABSTRACT

In this project, the effect of changes in consumption habits with respect to a base demand curve of residential users of high-medium socioeconomic level in the city of Bogota were analyzed, in order to evaluate scenarios of consumption habits that may generate impact on the demand curve from a proposed demand curve model. Fifteen scenarios were analyzed, in which alternatives were proposed for changes in the use of the most common household appliances with the ones that users have. A survey was conducted to inquire about installed capacity in households, hours of use of devices, types of devices, among others, for each group of devices proposed. This survey was applied to 115 stratus four users from the city of Bogotá, and from it the consumption habits were characterized for the development of the model and established 15 scenarios of possible changes in consumption habits. The model was made using the software Matlab, which represents the daily consumption demand curve of a residential user stratum four of the city of Bogotá, obtaining variable results within a range in each hour, this model is based on measurements of Power to 19 user’s stratum four, in addition to the data provided by the survey. In addition, 15 scenarios were evaluated to observe reductions in demand for power and / or energy, as well as changes in consumption habits and changes in technology. The measurements were obtained by means of 6 measuring devices, four PQA823 of HT Instruments, one Fluke435 and one Fluke1730, for eight weeks for a period of time of between 2 and 5 complete days, excluding the weekends. Observing that after the implementation of scenario 3, which seeks energy savings through consumption habits and changes in TV technology, achieved a saving of 13% of the demanded energy of the month. Scenarios 1, 9, 11 and 15 showed significant results, the first with the reduction of the highest peak of the day by 7%, as far as scenario 9 is concerned. Achieved a general flattening of the curve, presenting decrease from 5am to 8am and from 6pm to 8pm from 6% and 4% of usual consumption respectively, and an increase from 12pm to 3pm and from 9pm to 11pm from 9% and 10% of the demand. As for the peak of the morning scenario 11 also allowed an average decrease of 12%, noting that scenario 14 also managed to lower the peak but only 7%, which is still a considerable percentage of savings. The last scenario in general allowed a saving of 20% in total consumption, a scenario in which a flattening of the steepest curve can be observed, in addition to a decrease in consumption of the month of 8%. KEYWORDS: Demand, Consumer habits, Measurements, Case studies, Scenarios, Model.

1

INTRODUCCIÓN La electricidad, como una forma de energía final, ha jugado un papel importante en la historia del desarrollo de la civilización humana. El crecimiento en el uso de electricidad está relacionado con las mejoras en la calidad de vida, proporcionando aumento en el bienestar de las personas. Por lo tanto, la tendencia hacia un estilo de vida caracterizado por el uso de instalaciones eléctricas modernas está aumentando la dependencia de la población al suministro de electricidad; electrodomésticos, iluminación, dispositivos de entretenimiento, carros eléctricos, entre otros, son algunos ejemplos de los equipos de confort demandados por el hombre [10]. En un país con tantas diferencias en su geografía como lo es Colombia, resulta imposible generalizar acerca de la utilización de energía que tienen los usuarios finales en las diferentes zonas del país, factores determinantes que dependen de entre otras variables de la economía, la meteorología y la cultura, evidencian las diferencias en el consumo total de la energía, reflejados en la curva de demanda [10]. El sector residencial tiene un papel importante en la demanda de electricidad, que en Colombia representa el 42% del total de energía demandada, es por esto que conocerlo resulta sumamente importante a la hora de realizar un análisis del consumo de energía eléctrica. Los hábitos de consumo de los usuarios residenciales están relacionados con sus costumbres, así que conociendo éstas es posible cuantificar la potencia demandada y conocer cómo se comporta, además su consumo también aumenta con el paso del tiempo condicionado por avances tecnológicos. Por todos estos factores la demanda residencial resulta un tema ampliamente estudiado en muchos países [1] [11]. Este proyecto de grado presenta resultados del proyecto de investigación "Desarrollo de un sistema de medición avanzado para registro de parámetros eléctricos de estado estable y de calidad de energía en redes de tensión menor a 1 kV" financiado por el Fondo Nacional para la financiación de la ciencia, la tecnología y la innovación "Fondo Francisco José de Caldas" del Departamento Administrativo de Ciencia, Tecnología e innovación - COLCIENCIAS (Contrato: FP44842 - 321 2015). En este proyecto se analizará cómo las variaciones en los hábitos de consumo pueden afectar la curva de demanda de los usuarios residenciales en Bogotá, enfocado a los usuarios estrato 4. El documento presenta cinco capítulos, el primero un marco referencial que conceptualizara los temas que hacen parte del desarrollo del proyecto, posteriormente en el capítulo dos se caracterizarán los usuarios apoyándose en encuestas. El capítulo tres presenta el moldeamiento para obtener la curva de demanda de los usuarios residenciales estrato 4, en el capítulo 4 se aplican 15 escenarios planteados y se analizan los resultados, y finalmente el último capítulo se concluye sobre los resultados obtenidos del proyecto y se hacen recomendaciones para futuras investigaciones.

2

PLANTEAMIENTO DEL PROBLEMA

La forma en que la demanda de energía eléctrica se ve afectada, se refleja en las curvas de carga de los diferentes usuarios. Para las empresas de energía el conocimiento de las curvas se hace indispensable para futuras predicciones y para el despacho actual. Brunelli afirma que es fundamental el conocimiento y la predicción de la carga eléctrica, para planificar recursos existentes y una futura red inteligente, ya que mejoraría la administración de la demanda y las tareas de gestión en la distribución, mejorando aspectos como la reducción del pico de demanda, la capacidad de recuperación en fallas, apagones entre otros. Razones que incrementan la importancia de la demanda residencial y haciendo que los cambios en ésta afecten el comportamiento del sistema [12] [13]. La demanda de energía eléctrica se ve afectada por los hábitos de consumo que poseen los usuarios, los cuales están ligados a factores como el comportamiento de la población en cuanto a consumo de electricidad, cultura de ahorro, eficiencia en la utilización de electrodomésticos, dispositivos tecnológicos y conductas propias adaptadas por los consumidores en los diferentes días de la semana. Actualmente, el país atraviesa por un comportamiento climático inusual, que podría condicionar los hábitos de consumo de los usuarios afectando directamente la infraestructura eléctrica. Conociendo los hábitos de consumo se podría, por ejemplo, desplazar parte del consumo de horas pico a horas valle, logrando una disminución en los costos de inversión de nuevas redes y un comportamiento más plano de la energía suministrada por los operadores de red [14]. Disminuir el consumo individual de energía significa revisar la satisfacción personal de la utilización de los bienes y servicios obtenidos con el uso de energía. Igualmente, la disminución del consumo de energía eléctrica implica demandar menos generación de dicha energía y, por consiguiente, menor uso de recursos naturales energéticos, que podrían satisfacer a más usuarios, lo que favorece su mejor aprovechamiento futuro. La eficiencia energética significa elegir equipos y tecnologías adecuados para los procesos de conversión con el fin de reducir el consumo. Asimismo, es necesario reconocer que la eficiencia energética está en función de las conductas individuales y de la capacidad de toma de decisiones en el consumo de la energía que tienen los usuarios. Además, generar un modelo que permita el análisis de la demanda al variar los hábitos de consumo de los usuarios, sería un antecedente importante y material base para futuras investigaciones relacionadas, apoyando así los diferentes proyectos que se desarrollan actualmente dentro de la Universidad Distrital Francisco José de Caldas y sus grupos de investigación. [15]. La Figura 1 presenta los principales factores que fueron tenidos en cuenta para el planteamiento del problema de este trabajo. Partiendo de la importancia que los usuarios residenciales tienen en la demanda eléctrica y la utilización de diferentes electrodomésticos que marcan la tendencia de la curva se hace necesario modelar el consumo por medio de encuestas y mediciones para posteriormente variar el consumo y observar el efecto en la curva de demanda. A partir de lo anterior se formula la siguiente pregunta: ¿Qué impacto tienen las variaciones de los hábitos de consumo de usuarios residenciales, en el comportamiento de la demanda de energía eléctrica en el estrato 4 de la ciudad de Bogotá?

3

Figura 1. Planteamiento del Problema

METODOLOGÍA

La Figura 2 representa un esquema simplificado de los pasos a seguir para el desarrollo de esta investigación, que será explicado con detalle a continuación. Para el desarrollo de este proyecto se realizó una encuesta que indaga acerca del consumo de los usuarios con respecto al día que más demandan energía eléctrica en su hogar, se clasificaron los dispositivos en grupos de electrodomésticos con respecto a su función (calor, aseo, entretenimiento, etc.), estableciendo para cada grupo las horas y el porcentaje de consumo, así como la cantidad y tipo de dispositivo, haciendo referencia a la capacidad, tamaño, tipo de tecnología, entre otros, referentes a la clasificación de la encuesta. Posteriormente se aplicó la encuesta a una muestra de 115 usuarios residenciales estrato 4 en la cuidad de Bogotá, tabulando por último los datos recolectados, y a partir de la información obtenida se realizaron gráficas, tortas de porcentaje y tablas dinámicas. Por otro lado, se realizaron las mediciones de potencia con tres equipos; un analizador de potencia FLUKE 435, un analizador de potencia FLUKE 1730 y 4 PQA823 de HT Instruments recolectando datos cada dos minutos en una muestra de 19 usuarios estrato 4 en Bogotá, los

4

resultados obtenidos se tabularon y graficaron, obteniendo la curva de demanda de los usuarios.

Figura 2. Metodología. Imágenes tomadas de [16] Teniendo en cuenta que cada electrodoméstico tiene un comportamiento de consumo diferente, éstos se clasificaron en grupos, obteniendo un código de programación que simula este comportamiento independiente para cada grupo, 11 en total, llegando a un último código que los unifica para la determinación del modelo. Para esto se realizó un cuadro determinando las entradas y las salidas del proceso con ayuda de la información recolectada por medio de la encuesta, determinando los diagramas de flujo correspondientes al proceso que deberá realizar cada código. Por medio del Software Matlab se desarrolló el código para la determinación del modelo de curva de demanda siguiendo los diagramas y realizando 1.000 simulaciones. Se comparó el modelo obtenido de las simulaciones con las mediciones realizadas a los 19 usuarios, a fin de dar validez al modelo. Una vez obtenido el modelo final se determinaron los escenarios e indicadores de variación a partir de los resultados de la encuesta, realizando las simulaciones variando los hábitos de consumo propuestos en los escenarios.

Finalmente, se obtuvieron las nuevas curvas de consumo resultado de las simulaciones y a partir de ellas se analizaron los impactos que generan las variaciones de los hábitos de consumo y cambio de tecnología frente a la curva original obtenida por medio del modelo, concluyendo acerca de los resultados obtenidos.

5

OBJETIVOS

OBJETIVO PRINCIPAL

Caracterizar la demanda eléctrica de usuarios residenciales estrato 4 en la ciudad de Bogotá, a partir de los hábitos de consumo mediante su evaluación con un modelo de curva de demanda, para establecer el impacto frente a las variaciones en diferentes escenarios. OBJETIVOS ESPECÍFICOS

o Determinar un modelo de curva de demanda eléctrica a partir de hábitos de consumo alimentado de mediciones y datos estadísticos del sector residencial estrato 4.

o Proyectar simulaciones a partir del modelo establecido variando los hábitos de consumo en

diferentes escenarios. o Evaluar los resultados obtenidos de las simulaciones con respecto al modelo de demanda

eléctrica establecido para analizar el impacto de los cambios en los hábitos de consumo con relación a la curva de demanda.

7

1. MARCO REFERENCIAL Este capítulo se enfoca en los conocimientos básicos acerca de la curva de demanda de energía eléctrica, hábitos de consumo de los usuarios y demás conceptos necesarios para el desarrollo de esta investigación. 1.1. CURVA DE LA DEMANDA ELÉCTRICA

La curva de demanda eléctrica es variante en el tiempo ya que depende de diversas variables, como: factores climáticos, factores sociales, factores económicos, hábitos de los usuarios, entre otros [17]. 1.2. DEMANDA DE ENERGÍA ELÉCTRICA RESIDENCIAL

Según el informe de Proyección de la Demanda de Energía Eléctrica en Colombia, en su revisión de octubre de 2015, presentado por la UPME, el consumo de energía eléctrica de los hogares colombianos representa el 42% del consumo total de energía del país, por lo cual son los agentes que más influyen en los movimientos de la demanda como se puede observar en la Figura 3 [13]. Para el año 2015, la participación de los hogares se ha mantenido en el 42%. Por su parte, el sector industrial presenta una participación del 27% y en el caso del sector comercial el 20% del consumo total [13]. Con lo que es posible decir que son los hogares colombianos los que sustentan la mayor parte de la demanda de energía eléctrica en el país.

Figura 3. Consumo por sectores en Colombia. UPME, Fuente [13].

8

1.3. CONSUMO DE ENERGÍA ELÉCTRICA EN LOS HOGARES

Para predecir con exactitud el consumo de electricidad de una casa, es esencial comprender los factores determinantes que la afectan, como lo son los dispositivos más comunes utilizados en el hogar, los hábitos de consumo de sus habitantes, el lugar en donde viven, entre otros factores [18]. 1.3.1. Dispositivos de uso común

El estilo de vida del hogar se puede reflejar en su consumo de electricidad, y está influenciada por las características del clima, las circunstancias económicas, características de la casa y características de los residentes [18]. Según Takagi los electrodomésticos más comunes en los hogares pueden clasificarse en grupos según su función, como refrigeración, iluminación, cocina, entretenimiento e información, entre otros. Comprendiendo dispositivos de refrigeración como aires acondicionados, ventiladores eléctricos y neveras. Dispositivos para la cocina como estufas eléctricas, hornos (microondas y eléctricos), licuadoras, batidoras eléctricas, entre otros. En cuanto a iluminación todo lo referente a tecnologías, antiguas como bombillas incandescentes, halógenas, y otras más modernas como fluorescentes compactas y luminarias LED. Los dispositivos de entretenimiento e información, por su parte hace referencia a televisores, computadores portátiles y de mesa, radios y reproductores CD/DVD. Por último los dispositivos como lavadoras, planchas de cabello, lavadora y otros, pueden clasificarse dentro de otros grupos de dispositivos [18]. 1.3.2. Hábitos de consumo

Mayor eficiencia energética es una de las maneras más importantes de reducir los efectos negativos de la mala utilización de la energía y así se ha propuesto durante los últimos años. El comportamiento relacionado con la energía en los hogares desempeña un papel importante para la implementación de medidas de eficiencia energética de forma eficaz. Este comportamiento puede estar relacionado con la aceptación e implementación de nuevas tecnologías, mantenimiento de equipos y uso de la energía [19]. El comportamiento relacionado con el consumo de energía en los hogares, puede clasificarse en diferentes tipos ordenados por frecuencia y costo. Puede verse que algunas acciones de mejora ocurren con poca frecuencia, como por ejemplo remplazar bombillas tradicionales por bombillas de bajo consumo, cuyo costo no es muy elevado pero su efecto puede ser significativo. Otras decisiones se refieren a mejoras económicas, generalmente con costos más altos y que necesitan mayor atención, como por ejemplo la compra de neveras, televisores, computadores o electrodomésticos de mayor costo, estas compras se hacen cuando el equipo está viejo o desgastado. Pero también existen hábitos y comportamientos que pueden verse a diario y de manera regular, que se convierten en rutina, un ejemplo de esto puede ser el desconectar los dispositivos cuando no estén encendidos o los cargadores cuando no se están usando [19].

9

1.4. ESTADÍSTICA DESCRIPTIVA E INFERENCIAL

1.4.1. Estadística descriptiva

Los registros u observaciones efectuados proporcionan una serie de datos que necesariamente deben ser ordenados y presentados de una manera inteligible. La estadística descriptiva desarrolla un conjunto de técnicas cuya finalidad es presentar y reproducir los diferentes datos observados. La presentación de datos se realiza mediante su ordenación en tablas, proceso denominado tabulación, y su posterior representación gráfica [6].

1.4.1.1. Medidas de tendencia central Media aritmética: la media se calcula sumando los valores de la serie (��), de los cuales se desea obtener el promedio, y dividiendo el resultado sobre el número de datos � que se consideran en la suma [6]. Si se considera una variable aleatoria X, de la cual se han tomado n medidas X1, X2,…, Xn. La media se representa de la siguiente manera:

�� = ∑ �� (1)

1.4.1.2. Medidas de dispersión o variabilidad

Desviacion Media: es la medida de las desviaciones a partir de un valor central. La distancia entre un dato (��) y la media (��), y el promedio de los � datos respecto a su media se denomina desviación media.

�� = ∑ |�� − ��|�� (2)

Varianza: la varianza de una muestra se calcula de la misma forma que la desviación media, ecuacion (2), con la diferencia que las desviaciones se elevan al cuadrado antes de ser restadas, y se obtiene el promedio utilizando n − 1, como se muestra en la ecuacion (3)

�� = ∑ (�� − ��)�� − 1 (3)

La varianza de una muestra o conjunto de datos es la desviación promedio de los valores obtenidos. Desviación estándar: Es una de las medidas de resumen que más se utiliza para distribuciones y desempeña un papel predominante en la estadística, y está en las mismas unidades de la media. Ésta representa la desviación en promedio de la diferencia de los valores con respecto a su media, y se denota como la raíz cuadrada de la varianza.

10

� = �∑ (�� − ��)��

(4)

1.4.2. Estadística inferencial

La Inferencia Estadística es aquella rama de la Estadística mediante la cual se trata de sacar conclusiones de una población en estudio, a partir de la información que proporciona una muestra representativa de la misma [6].

1.4.2.1. Muestreo La necesidad de obtener un subconjunto reducido de la población es obvia si se tiene en cuenta los costos económicos de la experimentación además del tiempo que se requeriría. Toda inferencia inductiva exacta es imposible ya que disponemos de información parcial, sin embargo es posible realizar inferencias inseguras y medir el grado de inseguridad si el experimento se ha realizado de acuerdo con determinados principios [20]. Existen varios métodos para la toma de muestras aleatorias simples, aquí se realizará una rápida revisión de posibles métodos para la toma de muestras que podemos encontrarnos en la práctica [20]. Los pasos a seguir para la recolección de una muestra son los siguientes: - Definir la población en estudio especificando las unidades que la componen, el área geográfica donde se realiza el estudio (si procede) y el periodo de tiempo en el que se realizará el mismo. - Definir el marco: listado o descripción de los elementos que forman la población. - Definir la unidad de muestreo: Ciudades, calles, hogares, individuos, etc. - Definir las variables a medir o las preguntas que se harán si se trata de una encuesta. - Seleccionar el método de muestreo: Probabilístico o No Probabilístico, aunque son los primeros los que permiten la estimación correcta de parámetros. - Calcular el tamaño necesario para obtener una determinada precisión en la estimación. - Elaborar el plan de muestreo que guiará el trabajo de campo [20]. En cuanto al tipo de muestreo, algunas de las características más importantes de los muestreos probabilísticos más usuales se detallan a continuación: Muestreo simple Se trata de un procedimiento de muestreo (sin reemplazamiento), en el que se seleccionan n unidades de las N en la población, de forma que cualquier posible muestra del mismo tamaño tiene la misma probabilidad de ser elegidas. Se realizan n selecciones independientes de forma que en cada selección los individuos que no han sido elegidos tengan la misma probabilidad de serlo [20].

1.4.2.2. Estadísticos y distribuciones muéstrales Todo lo que se verá a continuación está pensado para poblaciones infinitas (muy grandes) y con muestreo aleatorio simple. El muestreo aleatorio simple garantiza una muestra representativa de la población y la obtención de observaciones independientes [20].

11

Una vez obtenida la muestra la se describe en términos de algunas de sus características fundamentales como la media, la desviación típica, etc. A tales características se suelen denominar estadísticos. Un estadístico es una función de los valores muéstrales que no depende de ningún parámetro poblacional desconocido [20]. A la distribución de un estadístico calculado a partir de los valores tomados de una muestra se la denomina distribución muestral del estadístico. En la mayor parte de los casos supondremos que nuestra población tiene distribución normal y que los estadísticos se van a utilizar son la media y la desviación típica [20].

1.4.2.3. Distribuciones muéstrales de la media y la desviación estándar La distribución muestral de la proporción es la distribución de los valores de las proporciones muéstrales de todas las posibles muestras del mismo tamaño n tomadas de la misma población [21]. Al analizar una distribución nos interesa: - La forma, sea simétrica o sesgada - Posición central - la media de una distribución muestral dice si el estadístico es un "buen" (insesgado) estimador del parámetro o es sesgado. - Dispersión - da una idea del error de muestreo [21]. El resultado es importante en estimación ya que, aunque la media poblacional y la media muestral no coincidan, los posibles valores de la media muestral se concentran de forma simétrica alrededor de la media poblacional, además, la dispersión es menor a medida que aumenta el tamaño muestral. La Figura 4 muestra la representación gráfica de la distribución normal.

Figura 4. Curva distribución normal de una población. Fuente [20]

1.4.2.4. Estimadores de los parámetros de las distribuciones discretas más usuales Existen varios estimadores de los parámetros de las distribuciones discretas, pero en el presente trabajo solo se mencionarán las más importantes para el desarrollo del mismo. Binomial: Si se toman muestras de poblaciones infinitas o se realiza un muestreo con reemplazamiento de una población finita. Se realizan n pruebas y se contabiliza el número de éxitos en la n pruebas. El estimador de la proporción de éxito es:

12

�̂ = �°�� !� (5)

Para una población finita de tamaño n.

13

2. CARACTERIZACIÓN DE LOS USUARIOS En este capítulo se explica el proceso para la caracterización de los hábitos de consumo de los usuarios residenciales estrato 4, realizado por medio de una encuesta dividida en tres fases: la cantidad de electrodomésticos, el tipo de electrodomésticos y las horas de utilización. Este capítulo mostrará los resultados obtenidos de la encuesta por medio de gráficas que serán necesarias para la determinación del modelo. 2.1. DESCRIPCIÓN DE LA ENCUESTA

En este estudio se obtuvo información primaria para el planteamiento del modelo de curva de demanda, además de información base para el reconocimiento de los hábitos de consumo de los usuarios y el planteamiento de los posibles escenarios, esto a través de una encuesta realizada a 115 usuarios estrato 4 de la ciudad de Bogotá, seleccionados mediante muestreo simple. La encuesta se dividió en tres fases que se observan en la Figura 5.

Figura 5. Estructura general de la encuesta acerca de los hábitos de consumo de los usuarios. Fuente propia

14

La investigación se llevó a cabo entre el 21 de Enero y el 25 de Mayo de 2016. El muestreo se realizó mediante el método de muestreo simple, a la población de interés, como se mencionó anteriormente y las encuestas fueron realizadas de forma virtual mediante la herramienta Google Drive, de forma anónima. La formulación de la encuesta fue realizada por la ingeniera Adriana Vega como parte de la tesis doctoral titulada “GESTIÓN DE LA ENERGÍA ELÉCTRICA DOMICILIARIA CON BASE EN LA GESTIÓN ACTIVA DE LA DEMANDA. TESIS DOCTORAL. UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS” y para fines de este proyecto. La primera fase de la encuesta se presenta en el Anexo I, se recopiló información sobre:

• Aspectos demográficos básicos, • Conocimientos de energía eléctrica, • La cantidad de electrodomésticos por grupo de dispositivos, • Antigüedad aproximada de los electrodomésticos, • El porcentaje de utilización por hora en el día de los mismos, • Comportamiento energético en el hogar, y • Algunos aspectos económicos relacionados con el servicio

Con esta información es posible establecer el consumo base de los usuarios por grupo de dispositivos en cada hora del día necesaria para el modelo. Esta fase se llevó a cabo ente el 21 de enero y el 11 de febrero de 2016. En la segunda fase de la encuesta, presentada en el Anexo II, se recopiló información sobre las capacidades y características de los electrodomésticos con los que cuenta el usuario en su vivienda:

• Cantidad, Tipo y Potencia de los dispositivos de iluminación disponibles en el hogar • Cantidad, Tipo y tamaño de los televisores disponibles en el hogar • Cantidad de electrodomésticos de entretenimiento como DVD, equipo de sonido, teatro

en casa, computadores de escritorio y portátiles • Cantidad, Tipo y volumen de las neveras • Cantidad, y capacidad de carga de las lavadoras, secadoras y lavadoras-secadoras • Cantidad, Tipo y Potencia de otros electrodomésticos disponibles en el hogar

La tercera y última fase, fue una encuesta realizada a 35 usuarios, escogidos mediante muestreo simple dentro de los 115 usuarios, donde se buscó conocer detalles de los dispositivos de aseo: ducha, calentador eléctrico y calentador a gas, así como el tiempo de uso. La encuesta se envió a los 35 usuarios vía correo electrónico, preguntando cuál de estos dispositivos tienen en sus hogares y por cuanto tiempo los utilizan. 2.2. RESULTADOS DE LA PRIMERA FASE

Del estudio se puede concluir que en promedio habitan el hogar entre 3 y 4 personas. El 94% de los encuestados afirma que su vivienda no tiene propiedades térmicas, tales como aires acondicionados, calefacción o sistema de ventilación, lo que era de esperarse en Bogotá dado sus condiciones climáticas.

15

Se realizó una pregunta a los encuestados acerca de su conocimiento sobre el uso apropiado de la energía eléctrica, el 50% de la población respondió que su conocimiento era medio, lo que significa que, aunque tienen nociones básicas del uso apropiado de la energía, no son implementadas apropiadamente al utilizar sus electrodomésticos. Otra pregunta fue, si los usuarios conocían la diferencia entre hora valle y hora pico a lo que la mitad de la población respondió que no, esta respuesta se debe a que el sector residencial no cuenta con tarifas diferenciales asociadas a las horas de mayor o menor consumo que le permita al usuario identificarlas. Por otra parte, se indaga sobre cómo utilizan los usuarios cada uno de los dispositivos con los que cuentan durante el día. La información obtenida se presentará así: Cabe aclarar que para la determinación del porcentaje de uso en cada periodo de tiempo, se tomó el valor máximo del intervalo propuesto en la encuesta, 20% para el intervalo del 1% al 20%, 50% para el intervalo del 21% al 50% y así para todos los intervalos, que se observan en la Figura 6. Este valor representa el porcentaje de utilización de la capacidad instalada de cada tipo de dispositivo.

Figura 6. Fragmento de la primera fase de la encuesta, acerca del porcentaje de uso de los dispositivos. 2.2.1. Dispositivos para Iluminación

El consumo en iluminación se presenta en la Figura 7, donde el mayor uso se presenta en la tarde, con un pico entre 6pm y 9pm llegando al 62% de utilización, dado que anochece y se hace necesario el uso de estos dispositivos. Por otra parte, se observa que, a las 5am, se presenta un pico de menor porcentaje, ocasionado por el comienzo de las actividades de los usuarios.

16

Figura 7. Porcentajes de uso dispositivos para iluminación durante el día. Fuente propia. 2.2.2. Dispositivos para Entretenimiento y Estudio

El uso de este tipo de dispositivos durante el día se presenta en la Figura 8, observando un comportamiento creciente. De 6am a 9am se presenta un crecimiento del 11% respecto al lapso anterior, el aumento del 11% corresponde a las horas en las que los usuarios se levantan y utilizan algún dispositivo de entretenimiento como el televisor o la radio. De 9am a 3pm la utilización de dispositivos de entretenimiento varía de 26% a 29%, lo que representa que los usuarios mantienen la misma cantidad de dispositivos encendidos en promedio. De 3pm-6pm el uso aumenta debido a que los niños por lo general se encuentran en sus casas después de las 3 pm, cuando llegan del colegio a realizar sus tareas o jugar. El mayor pico se presenta en las horas de la noche, llegando al 60% de 6pm a 9pm, este comportamiento se debe a que los usuarios llegan a sus hogares después de la jornada laboral a ver televisión, utilizar sus computadores.

26%24%

15% 16%

27%

62%

45%

0%

10%

20%

30%

40%

50%

60%

70%

0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m

% D

eu

tili

zaci

ón

de

lo

s d

isp

osi

tivo

s

Horas del día

17

Figura 8. Porcentajes de uso dispositivos para Entretenimiento y Estudio durante el día. Fuente propia. La antigüedad de los dispositivos de entretenimiento, se observa en la Figura 9, la mayoría están en el intervalo de 2010 y 2012 con un 60.87% de los usuarios, con lo cual se podría incentivar el cambio por un dispositivo más reciente para disminuir el consumo.

Figura 9. Antigüedad dispositivos para Entretenimiento y Estudio

15%

26% 27% 29%

38%

60%

51%

0%

10%

20%

30%

40%

50%

60%

70%

0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m% D

eu

tili

zaci

ón

de

lo

s d

isp

osi

tivo

s

Horas del día

2,61%

6,09%

12,17%

25,22%

35,65%

14,78%

3,48%

0%

5%

10%

15%

20%

25%

30%

35%

40%

2005-2004 2007-2006 2009-2008 2011-2010 2013-2012 2016-2014 Antes de2004

% D

e lo

s us

uario

s

Años de antigüedad de los dispositivos

18

2.2.3. Dispositivos para Cocina

La curva de consumo de los dispositivos empleados en la cocina se muestra en la Figura 10, con un 27% de utilización de los dispositivos en la hora del desayuno de 6am-9am. De 9am-3pm el consumo llega hasta un 25%, atribuido a la hora del almuerzo. Para el intervalo de 3pm a 6pm el consumo disminuye a un 15% de utilización ya que los usuarios no suelen preparar alimentos en estas horas. El porcentaje más alto de utilización de los dispositivos es de 33% de 6pm a 9pm que corresponde a la hora de la comida, o preparación de alimentos para el día siguiente.

Figura 10. Porcentajes de uso dispositivos para Cocina durante el día. Fuente propia. 2.2.4. Dispositivos para Frio

La Figura 11 muestra que los usuarios afirman utilizar en promedio su nevera en un 50% durante cada periodo de tiempo, esto debido a que en realidad los usuarios no saben cómo es realmente su consumo. El motor de la nevera se enciende y apaga, aunque no en tiempos iguales, ya que el motor consume energía durante 20 minutos (cuando el motor encendido) en promedio cada hora como se ve en el Anexo III.

20%

27%

23%25%

15%

33%

17%

0%

5%

10%

15%

20%

25%

30%

35%


% D

eu

tili

zaci

ón

de

lo

s d

isp

osi

tivo

s

Horas del día

19

Figura 11. Porcentajes de uso dispositivos para Frio durante el día. Fuente propia. 2.2.5. Dispositivos para Calor

Este tipo de dispositivos comprende los electrodomésticos: plancha para ropa, plancha para el cabello y secador para el cabello. La Figura 12 muestra dos momentos en los cuales el consumo es más significativo con respecto a otras horas del día. El primer momento corresponde a las horas de la mañana entre las 5am y las 9am, en la que los usuarios suelen planchar la ropa o arreglar el cabello para ir al trabajo, el consumo desciende hasta llegar al segundo momento, donde el consumo sube de nuevo al pico más alto que se presenta de 6pm a 9pm, que al igual que en la mañana corresponde a horas habituales de planchado de ropa.

Figura 12. Porcentajes de uso dispositivos para Calor durante el día. Fuente propia

48% 49% 49% 48% 48% 49% 47%

0%

10%

20%

30%

40%

50%

60%

0m - 6am 6am - 9am 9am - 12m 12m - 3pm3pm - 6pm6pm - 9pm 9pm - 0m

% D

eu

tili

zaci

ón

de

lo

s

dis

po

siti

vos

Horas del día

12%13%

9%

6%

9%

14%

8%

0%

3%

6%

9%

12%

15%

18%


% D

eu

tili

zaci

ón

de

lo

s d

isp

osi

tivo

s

Horas del día

20

2.2.6. Dispositivos para Ropa

A diferencia de la mayoría de los grupos de dispositivos ya observados, el pico se presenta en la mañana, lo cual indica que los usuarios lavan su ropa en estas horas, los porcentajes de utilización no son muy altos porque es un electrodoméstico que no se utiliza a diario, ni durante tiempos prologados. Este comportamiento se observa en la Figura 13.

Figura 13. Cantidad de dispositivos para Ropa instalados en los hogares. Fuente propia. 2.2.7. Dispositivos para Aseo

En cuanto a este tipo de dispositivos, el comportamiento observado es de esperarse ya que los usuarios suelen bañarse antes de salir a realizar sus actividades diarias, en la mañana, la utilización se presenta de 5am a 9am como se ve en la Figura 14, lo que explica que el porcentaje decrezca considerablemente el resto del día, llegando aproximadamente a cero.

5%

19%

22%

13% 12%13%

10%

0%

3%

6%

9%

12%

15%

18%

21%

24%


% D

eu

tili

zaci

ón

de

lo

s d

isp

osi

tivo

s

Horas del día

21

Figura 14. Cantidad de dispositivos para Aseo instalados en los hogares. Fuente propia. 2.2.8. Otros Electrodomésticos

Por último, se agregó un grupo de dispositivos que comprende aquellos electrodomésticos que no se encontraban dentro de las categorías anteriores, el consumo promedio se ve en la Tabla I, la utilización de estos dispositivos fue casi nula lo que significaría que la mayoría de los usuarios no tienen otros electrodomésticos o no los utilizan normalmente.

TABLA I CONSUMO PROMEDIO OTROS DISPOSITIVOS DURANTE EL DÍA Hora Promedio

12am - 6am 4% 6am - 9am 5%

9am – 12pm 5% 12pm - 3pm 4% 3pm - 6pm 2% 6pm - 9pm 4%

9pm – 12am 2% *Fuente propia

2.3. RESULTADOS DE LA SEGUNDA FASE

Esta fase permite conocer información detallada acerca de cantidad, dimensiones y tecnología de cada uno de los dispositivos que hacen parte de los grupos de electrodomésticos expuestos en la primera fase. La Figura 15 presenta la información recolectada para cada electrodoméstico, se posible observar que la encuesta permitió determinar un numero promedio de cada tipo electrodoméstico para la iluminación, cocina y computadores, a diferencia de los demás dispositivos encuestados, de los cuales se logró un porcentaje promedio de

31,6%

28,5%

9,5%

4,3% 0,3% 0,6% 4,3%0%

5%

10%

15%

20%

25%

30%

35%


% D

eu

tili

zaci

ón

de

lo

s d

isp

osi

tivo

s

Horas del día

22

representación de cada tipo dentro de capacidad instalada del grupo de dispositivos: calor, televisores, sonido, video, nevera y ropa. Para el caso particular de televisores se concluyó que cuentan con 3 instalados en promedio, pero la tecnología de éstos no se pudo precisar debido a la gran cantidad de alternativas y a que los usuarios no mostraron una tendencia particular hacia uno de ellos. A continuación, se presenta de manera detallada la información recolectada para cada grupo.

Figura 15 Cantidad de dispositivos por usuario. Fuente propia. Los resultados de esta fase arrojan un promedio de 11 luminarias instaladas por hogar, de las cuales 3 pertenecen a tecnologías de iluminación incandescente, 6 son fluorescentes compactas, 1 pertenece a tecnología LED y 1 es halógena. Así la tecnología predominante en iluminación para los usuarios corresponde a luminaria fluorescente compacta con un 59% de la capacidad instalada en iluminación.

23

En promedio los usuarios residenciales estrato 4 de Bogotá tienen 3 televisores, pero no hay ninguna tecnología o dimensiones predominantes en los hogares, los mayores porcentajes se encuentran en tecnologías como los CTR de 21 pulgadas y LCD de 32 pulgadas, a diferencia de los LED que no superan el 11%. Los computadores se clasificaron en portátiles y de mesa, obteniendo un promedio de 3 computadores instalados, 2 portátiles y 1 de mesa. Los usuarios afirmaron tener 3 electrodomésticos de sonido y video en promedio, de los cuales el 54% corresponde a electrodomésticos de video y 46% a dispositivos de sonido. En cuanto a sus dispositivos de cocina, se tiene en promedio una licuadora, un horno eléctrico y un horno microondas. De la estufa eléctrica se puede decir que la mayoría de los usuarios no poseen este dispositivo. La nevera representa los dispositivos para frio, para la caracterización de este dispositivo se dividió en dos grupos según la tecnología del refrigerador, Frost y No Frost, en promedio los usuarios disponen de 1 nevera instalada en su hogar. En la Figura 16 se observa que la mitad de los usuarios tienen tecnología Frost, lo que puede ser una alternativa de ahorro al cambiar esta tecnología por una de menor consumo.

Figura 16 Porcentaje de usuarios que poseen tecnología Frost y No Frost. Fuente propia En cuanto a los dispositivos de calor, plancha para ropa, para el cabello y secadores para el cabello los usuarios estrato 4 de la ciudad de Bogotá tienen en promedio 3 dispositivos, uno de cada uno. Finalmente, los usuarios afirmaron tener en promedio solo una lavadora en sus hogares, aunque hay usuarios que tienen secadora y lavadora-secadora, éstos no representan una cantidad significativa.

50,43%

49,57%

45%

47%

49%

51%

53%

55%

Frost No-Frost

% d

e u

sua

rio

s

Tipo de tecnología

24

2.4. RESULTADOS DE LA TERCERA FASE

La última fase de la encuesta, recopila información sobre los dispositivos de aseo, cantidad y tipo de dispositivo. Se observó que el 63% de los usuarios estrato 4 tienen calentador a gas, el 29% ducha eléctrica y los demás calentador eléctrico como se observa en la Figura 17.

Figura 17. Porcentaje de usuario por tipo de dispositivo. Fuente propia. 2.5. CONCLUSIONES DEL CAPITULO 2

La Tabla II, presenta los datos obtenidos en este capítulo: consumo máximo y mínimo, cantidad y tipo de electrodomésticos cada grupo de dispositivos.

TABLA II. DATOS OBTENIDOS CAPITULO 2: CARACTERIZACIÓN DE LOS USUARIOS Grupo de

Dispositivos Características Generales

Iluminación

Consumo Máximo 6pm-9pm: 62% de la Capacidad Instalada 9pm-12am: 45% de la Capacidad Instalada Mínimo 9am-12pm: 15% de la Capacidad Instalada 12pm-3pm: 16% de la Capacidad Instalada Cantidad Incandescente: 3 Fluorescente: 6 LED: 1 Halógena: 1

Entretenimiento

Consumo Máximo 6pm-9pm: 60% de la Capacidad Instalada 9pm-12am: 51% de la Capacidad Instalada Mínimo 12am-6am: 15% de la Capacidad Instalada

29%8%

63%

Ducha Eléctrica Calentador Eléctrico Calentador a Gas

25

Cantidad Computadores: 2 de mesa y 1 portátil Televisores: 3. Sin ninguna tendencia hacia alguna tecnología en particular Sonido y Video: 3. 54% pertenecientes a video y 46% a sonido

Cocina

Consumo Máximo 6am-9am: 27% de la Capacidad Instalada 6pm-9pm: 33% de la Capacidad Instalada Mínimo 3pm-6pm: 15% de la Capacidad Instalada Cantidad Licuadora: 1 Horno eléctrico: 1 Horno microondas: 1

Frio

Consumo Sin cambios durante el día Cantidad Nevera : 1 No Frost: 49,57% de los encuestados Frost: 50,43% de los encuestados

Calor

Consumo Máximo 6am-9am: 13% de la Capacidad Instalada 6pm-9pm: 14% de la Capacidad Instalada Mínimo 12pm-3pm: 6% de la Capacidad Instalada Cantidad 3 Plancha ropa: 42% de la capacidad instalada Plancha cabello: 35% de la capacidad instalada Secador cabello: 23% de la capacidad instalada

Ropa

Consumo Máximo 6am-9am: 19% de la Capacidad Instalada 9am-12pm: 22% de la Capacidad Instalada Mínimo 12am-6am: 5% de la Capacidad Instalada Cantidad 1 Lavadora: 42% de la capacidad instalada Secadora eléctrica: 35% de la capacidad instalada Lavadora-Secadora: 5% de la capacidad instalada

Aseo Consumo Máximo

26

5am: 31,6% de la Capacidad Instalada 9am-12pm: 28,5% de la Capacidad Instalada Mínimo 3pm-6pm: 0,3% de la Capacidad Instalada 6pm-9pm: 0,6% de la Capacidad Instalada 9pm-12am: 4,3% de la Capacidad Instalada Cantidad 1 a 2 Ducha eléctrica: 29% de los encuestados Calentador eléctrico: 8% de los encuestados Calentador a gas: 63% de los encuestados

*Fuente propia En cuanto a la utilización de los dispositivos por parte de los usuarios, se evidencia que los mayores consumos en horas de la mañana, de 5m a 9am, se dan principalmente por los dispositivos de aseo, entre un 28,5% y 31,6% de la capacidad instalada, seguidos por los electrodomésticos para cocina con 27%. En las horas de la tarde el consumo de la mayoría de los electrodomésticos es menos significativo con respecto a las demás horas, como se evidencia en la Tabla II. Los que mostraron mayores porcentajes de utilización fueron cocina, lavado y entretenimiento con porcentajes de uso entre el 22% y 27% de la capacidad instalada. De 6pm a 9pm se presenta de nuevo un consumo elevado, observando que la iluminación es la más representativa, con un 62% de la capacidad instalada, entretenimiento con 60% y cocina con 33% alcanzan también consumos significativos en estas horas. En las últimas horas del día y la madrugada, de 11pm a 4am, se presentaron consumos no tan bajos, debido a que los intervalos de tiempo evaluados fueron muy amplios, sin embargo ya que en estas horas los usuarios duermen y no utilizan por lo general sus dispositivos, los porcentajes obtenidos no representan realmente en consumo en éstas horas. La información recolectada por medio de la encuesta y presentada en éste capítulo será de utilidad para la determinación del modelo de curva de demanda eléctrica del usuario estrato 4 expuesto en el Capítulo 3. A fin de dar cumplimiento al primer objetivo específico planteado en esta investigación.

27

3. CURVA DE DEMANDA ELÉCTRICA DEL USUARIO ESTRATO 4

En este capítulo se presentan las mediciones realizadas para el desarrollo del proyecto. Ésta información tuvo un tratamiento estadístico, obteniendo la curva base de demanda, adicionalmente se implementó un modelo de curva mediante la herramienta Matlab con el fin de dar cumplimiento al primer objetivo específico, basado en los datos obtenidos en el Capítulo 2, la curva obtenida mediante el modelo fue validada a través de las mediciones. 3.1. PROCEDIMIENTO DE MEDICIÓN

La curva de mediciones se obtuvo realizando mediciones de potencia a 19 usuarios residenciales estrato 4 en la ciudad de Bogotá, ubicados en diferentes puntos de la ciudad. La muestra se limitó a esta cantidad de usuarios dado que no se disponía de más equipos para la medición, además se requería más tiempo para medir y sería necesario la disponibilidad de personas adicionales para la instalación de los equipos y traslado de los mismos lo que representaría más costos, siendo no tan necesario, ya que lo que se busca es realizar una aproximación de la curva de demanda y las mediciones se tomaran como una entrada para el modelo. Se contaba con seis equipos para realizar la medición; 4 PQA823 de HT Instruments, un Fluke435 y un Fluke1730. La Tabla III muestra el número de mediciones que se hicieron con cada equipo.

TABLA III NÚMERO DE MEDICIONES REALIZADAS CON EQUIPOS

Equipo No. Mediciones

4- PQA823 13

Fluke435 2

Fluke1730 4

Total Mediciones 19 *Fuente propia

La medición se realizó durante ocho semanas por un periodo de tiempo de entre 2 y 5 días completos (00:00 hasta 23:59), excluyendo los fines de semana, estas fueron realizadas por los autores y las estudiantes, LAURA LUCIA FERNANDA CASTELLANOS CARDONA, SANDRA VIVIANA LÓPEZ CHAPARRO y la Docente candidata a doctorado ADRIANA MARIA VEGA ESCOBAR pertenecientes al Grupo de Compatibilidad e Interferencia Electromagnética (GCEM). Los protocolos de medición de los equipos Fluke435, Fluke1730 y PQA823 se muestran en el Anexo IV, Anexo V y Anexo VI respectivamente.

28

3.2. DETERMINACIÓN DE LA CURVA DE DEMANDA DEL USUARIO ESTRATO 4 (MEDICIONES)

Los datos registrados por los equipos se almacenaron con una periodicidad de 2 minutos, para conseguir 30 datos de potencia por hora, obteniendo para cada usuario la curva promedio (Figura 18), con las 19 curvas se determinó la curva final de mediciones, en el Anexo VII se presentan los datos completos de las 19 mediciones.

Figura 18. Curva de demanda eléctrica de los 19 usuarios. Fuente propia. En la Figura 18 se evidencia la variedad en el comportamiento de los usuarios, que puede deberse a factores como la cantidad de habitantes, la profesión u oficio de los integrantes del hogar, las horas en las que utilizan los electrodomésticos o la antigüedad de los dispositivos instalados, entre otros. Por ejemplo la casa 6 (Naranja) presenta picos de consumo de 6am a 8am, de 10am a 12pm y de 4pm a 6 pm lo que representa una mayor utilización de sus electrodomésticos en estas horas, se podría decir que hay alguien presente durante todo el día en la casa, además se puede observar que la potencia demandada en la mañana es mayor que en la noche, a diferencia de la casa 12 (morada), donde el consumo en las horas de la mañana es poco significativo, lo que representaría que las personas que la habitan no están en la vivienda en estas horas o utilizan poco sus dispositivos, el mayor consumo se presenta de 6pm a 11pm cuando los usuarios llegan al hogar, también se puede observar que el pico no es muy alto debido a la cantidad de personas que habitan el hogar. El comportamiento de la casa 17

29

(azul) durante el día no presenta picos, este usuario tiene un comportamiento diferente a los demás ya que su consumo es bajo y permanece sin muchos cambios durante todo del día, aún en las horas de la noche. Los valores de potencia promedio consumida en cada intervalo de tiempo se muestran en la Tabla IV, obteniendo así la curva de mediciones, que se presenta en la Figura 19. A partir de los 19 datos de potencia por hora de cada usuario y la potencia promedio se determinó el valor de la desviación estándar para cada valor, sumando este valor al promedio se fijó el rango máximo dentro del cual puede variar el consumo, al restar la desviación al promedio se encontró el mínimo valor dentro del cual varía. A las 5am se presentó una desviación mayor a la potencia promedio de la hora, lo que representa un sesgo en los datos, esto significa que el comportamiento de los datos no tiene distribución normal, sin embargo, para el tratamiento de los datos se asumió una distribución de este tipo para todas las horas, razón por la cual el rango mínimo de variación se fijó como 0 W. TABLA IV POTENCIA PROMEDIO CONSUMIDA POR LOS USUARIOS ESTRATO 4 DE LA CIUDAD DE BOGOTÁ DURANTE

EL DÍA

Hora del Día

CURVA DE MEDICIONES

W

Desviación W

Máximo W

Mínimo W

0 155,604 90,396 246,000 65,208

1 129,574 94,558 224,132 35,016

2 118,284 98,136 216,419 20,148

3 126,935 104,100 231,035 22,835

4 164,847 93,766 258,613 71,081

5 260,955 312,869 573,823 0,000

6 276,258 192,102 468,360 84,156

7 316,008 216,768 532,776 99,240

8 270,452 189,698 460,150 80,755

9 264,971 213,879 478,850 51,093

10 275,245 215,374 490,619 59,871

11 226,382 97,919 324,301 128,463

12 249,017 160,238 409,255 88,780

13 227,338 134,877 362,215 92,461

14 218,865 101,092 319,958 117,773

15 215,805 88,259 304,064 127,546

16 216,064 87,884 303,947 128,180

17 239,649 91,568 331,217 148,081

18 310,747 177,674 488,422 133,073

19 329,949 182,945 512,894 147,005

20 305,331 153,815 459,146 151,517

21 297,983 149,819 447,801 148,164

22 246,101 120,743 366,844 125,359

23 180,779 80,573 261,352 100,207 * Fuente propia

30

En la Figura 19 se presenta la curva de mediciones con las barras de error, que representan la desviación estándar de los datos para cada hora. En las 24 horas del día no se establece un valor fijo de potencia, pero se delimita por la desviación de cada hora, observando que los usuarios presentan una mayor dispersión en las horas de la mañana ente las 5am y las 10am, ya que cada usuario tiene características que determinan su consumo, factores como el número de personas que habitan el hogar, su ocupación, características en su forma de vida hacen que su consumo varíe; sin embargo es posible identificar puntos comunes que permiten su caracterización. A partir de las mediciones, el consumo promedio mensual es de 168,866 kWh/mes .

Figura 19. Curva de Demanda Eléctrica del Usuario Residencial estrato 4 de la ciudad de Bogotá. Fuente propia. 3.3. MODELO CURVA DE DEMANDA ELÉCTRICA DEL USUARIO

ESTRATO 4

Con el objetivo de encontrar un modelo que represente el consumo de energía de los usuarios residenciales estrato 4, para evaluar posibles escenarios de cambio en los hábitos de consumo, se implementó un código en el software Matlab como se ve en el Anexo VIII. . Se establecen diez grupos de electrodomésticos como se observa en la Figura 20, que son: iluminación, dispositivos de calor, dispositivos de aseo, dispositivos de entretenimiento, televisores, nevera, cocina, lavado, y otros electrodomésticos. A partir de la información recolectada por la encuesta se desarrollan 10 códigos, uno por cada grupo de dispositivos, obteniendo una curva de consumo para cada uno y mediante un código final, que unifica los datos de potencia consumida por cada grupo para determinar la curva final de consumo de los usuarios.

-100

0

100

200

300

400

500

600

0 2 4 6 8 10 12 14 16 18 20 22

PO

TE

NC

IA (

W)

HORAS DEL DÍACURVA DE MEDICIONES Máximo Mínimo

31

Figura 20. Esquema general de la obtención del Modelo de Curva de Demanda. Fuente propia. Los criterios de entrada y salida de cada código se determinaron a partir de la información que se recolecto de la encuesta, sobre uso habitual, fase 1, y tipos de dispositivos fase 2 y 3, que fueron necesarios para el desarrollo del modelo. Estos criterios se presentan en la Tabla V.

TABLA V CUADRO DE ENTRADAS Y SALIDAS GENERALES DE LOS CÓDIGOS

DATOS DE ENTRADA DATOS DE SALIDA

1. Porcentaje de uso por hora. 2. Potencia por tipo de tecnología 3. Vector de probabilidad de uso por hora del dispositivo 4. Vector de tiempo (0 a 23)

1. Capacidad instalada de cada tecnología 2.Porcentaje de uso final de cada hora 3.Electrodomesticos encendidos en total por hora 4. Electrodomésticos encendidos por tecnología, capacidad o dimensiones (según aplique) 5.Potencia total de cada hora 6.Grafica de potencia vs tiempo 7.Energia mes consumida kWh

*Fuente propia

32

Cada grupo de electrodomésticos tiene asociado un diagrama de flujo que representa la estructura y secuencia del código, teniendo en cuenta los criterios de entrada y salida de cada uno, en la Figura 21 se muestra el diagrama de flujo correspondiente al código nevera implementado, y que se describe a continuación.

Figura 21. Diagrama de flujo implementado para el codigo nevera. Fuente propia.

33

En la parte 1 del código nevera se eliminan los datos impresos en pantalla y valores de variables guardados de depuraciones anteriores. De acuerdo con la encuesta, en la parte 2 se establecen dos tipos de tecnologías para las neveras, Frost y No Frost, en consecuencia, se definen dos vectores de potencia, las dimensiones de cada una de las tecnologías son: 2 a 7 pies, 8 a 9 pies, 10 a 12 pies y Nevecón. En la parte 3 se genera un número aleatorio con una probabilidad binomial más uno, representando la probabilidad de que los usuarios tengan 1 o 2 neveras instaladas, fijada por medio de la encuesta, representado por la “X” e imprimiendo en pantalla. Luego en la parte 4, se establece un vector aleatorio “xn” de 4 posiciones correspondiente a cada una de las dimensiones, cada elemento del vector es hallado con el comando “random” con una distribución de probabilidad binomial, presentando la probabilidad de que el usuario tenga una nevera de determinada dimensión, se realiza con el objetivo de que la ocurrencia de aparición en cada dimensión represente el comportamiento real de los usuarios. Adicionalmente se establece “Xn” que representa la suma de la cantidad total de neveras por dimensión instaladas. La parte 5 del código compara la cantidad de neveras instaladas con suma de las neveras por dimensiones, donde se debe cumplir que sean iguales, en caso de no cumplir entra en un ciclo “while” donde se vuelve a hallar el vector por dimensiones hasta que se cumpla la igualdad. Finalmente, este vector es impreso en pantalla y se denota con la variable “xn”. Se escoge, en la parte 6, el tipo de tecnología de la nevera, Frost o no Frost por medio de un número aleatorio de distribución binomial, con una ocurrencia de 50,43%, que representa la tecnología frost como se observa en la Figura 16, este valor es almacenado en “H”. Posteriormente, a partir del valor de H se selecciona el vector de potencia J1 para Frost o J0 para No Frost. En la parte 7, se multiplica el vector de potencia seleccionado, almacenado en “Z” por el vector de la capacidad instalada “xn” y se almacena este valor en “k”, se crea un vector de 144 posiciones que será equivalente a un día donde cada valor corresponderá a 10 minutos del día y se multiplica por los valores de potencia “k”, almacenando este vector en “r1”. Sabiendo que el tiempo de carga de la nevera es de 20 minutos, se creará un vector de seis posiciones, correspondiente a una hora, que solo va a tener valores en las dos primeras posiciones (20 minutos), en relación a este comportamiento, luego se crea un vector correspondiente a la utilización de la nevera en las horas más comunes, por medio de generadores random con distribución binomial, asignado a “w”. Se multiplicará este vector por “r1”, almacenando estos valores en “r”, obteniendo así los picos de consumo cuando el motor esta encendido, para cada periodo, finalmente se multiplica “k” por el vector que solo tiene valores en las primeras dos posiciones de cada hora, que representa la carga de la nevera y se suma con el vector “r” de picos de consumo, obteniendo el comportamiento de la nevera durante el día en la variable “p6”. En la parte 8 del código, se suma la potencia que se consume cada 10 minutos de la hora como una potencia total por hora, con el objetivo de obtener un vector de potencia de 24 posiciones. La parte 9 grafica el vector de potencia final vs el tiempo, reflejando la potencia consumida por hora de un usuario y se guarda en el vector P6, adicionalmente se halla la potencia en kW que consume el usuario al día como “Edia” y en el mes como “Emes”. A continuación, se muestra en detalle el código y su respectiva documentación en cada línea desarrollada:

34

Parte 1

1. clear 2. clc

Parte 2

3. J1 =[ 154.2 162.5 170.8 341.7 ] ;%potencia de neveras frost 4. J0 =[ 107.9 113.8 119.6 239.2 ] ;%potencia de neveras no frost

Parte 3

5. % variacion numero de neveras 6. X=random ( 'Bino' , 1, 0.0957 ) +1;% seleccionar el numero de neveras

instaladas 7. disp 'numero de neveras instaladas' , ( X) % se imprime el numero de neveras

instaladas 8. %x1 =2a7 x2 =8a9 x3 =10a12 x4 =nevecon

Parte 4

9. % variacion dimesiones 10. xn =[ random ( 'Bino' , 1, 0.13 ) , random ( 'Bino' , 1, 0.43 ) , random ( 'Bino' , 1, 0.37 ) , ra

ndom( 'Bino' , 1, 0.14 )] ;% vector de probabilidad normal de tipo de nevera 11. Xn=sum( sum( xn )) ;%Xn representa la suma de los valores de xn que dan la

capacidad instalada inicial

Parte 5

12. while ( Xn~=X) ;% siempre que Xn sea diferente al numero de neveras instaladas

13. xn =[ random ( 'Bino' , 1, 0.13 ) , random ( 'Bino' , 1, 0.43 ) , random ( 'Bino' , 1, 0.37 ) , random ( 'Bino' , 1, 0.14 )] ;% vector de probabilidad normal de tipo de nevera por hora

14. Xn =sum( sum( xn )) ;%Xn representa la suma de los valores de xn que dan la capacidad instalada

15. end %se rectifica el valor de Xn hasta que sea igual a X 16. disp 'tipo de neveras instaladas' , ( xn ) % se imprime el tipo de nevera

Parte 6

17. % tipo de tecnología 18. H=random ( 'Bino' , 1, 0.5043 ) ; %valor aleatorio que determina qué tipo de

tecnología utiliza la nevera instalada 19. Z=[ 1 1 1 1] ;% vector de 4 posiciones con valores de 1 20. if H ==1 % si H es igual a 1 21. Z =J1 ; %Z es igual a J1 22. else %si H es diferente de 1 23. Z =J0 ; %Z es igual a J0 24. end % finaliza el condicional if

35

Parte 7

25. k=sum(( xn. * Z) ' ) ;% se multiplica el tipo de nevera instalada con la potencia correspondiente

26. r1 =( rand ( 1, 144 ) * 1.8 ) * k;% se crea un vector de 144 posiciones el cual se multiplica por la potencia asignada según la nevera

27. w1=linspace ( 0, 0, 6) ;% vector de seis ceros 28. e=[ 1 1 0 0 0 0] ; 29. w=[ w1 w1 w1 w1 w1 w1

random ( 'Bino' , e, 0.5 ) random ( 'Bino' , e, 0.4 ) random ( 'Bino' , e, 0.4 ) random ( 'Bino' , e, 0.4 ) random ( 'Bino' , e, 0.4 ) random ( 'Bino' , e, 0.4 ) w1 w1 w1 w1 w1 w1 random ( 'Bino' , e, 0.2 ) random ( 'Bino' , e, 0.3 ) random ( 'Bino' , e, 0.2 ) w1 w1 w1] ;% vector que determina la utilizacion en la hora de la nevera

30. s=[ e e e e e e e e e e e e e e e e e e e e e e e e ] ;% establece un vector de 144 posiciones con comportamiento de e

31. r =w. * r1 ;% multiplica vector de comportamiento con el vector de 144 posiciones

32. p6=( k* s) +( r ) ;% se suma el vector de utilización de la nevera con el vector de comportamiento normal de la nevera

33. for i =1: 24 % ciclo que recorre una matriz de manera vertical en 24 posiciones

Parte 8

34. P( i ) = sum ( p6( 1, [ 1+( 6* ( i - 1)) : 6* ( i )])) / 6;% agrupa en un vector el comportamiento de cada hora de la nevera

35. end% finaliza el ciclo cuando i es igual a 24 36. P6=P' ;% el vector p se acomoda de manera vertical 37. t1 =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;% vec

tor de tiempo 38. for i =1: 24% ciclo que recorre una matriz de manera vertical

en 24 posiciones 39. for j =1 % ciclo de 1 hasta 1 40. t ( j ) =t1 ( i ) ; % t es igual a t1 41. t2 ( i , j ) =t ( j ) ; %t2 es igual a t 42. end% finaliza ciclo 43. for j =2: 6 % ciclo que recorre de 2 hasta 6 44. t ( j ) =t ( j - 1) +0.16 ; % t es igual a t mas una constante 45. t2 ( i , j ) =t ( j ) ;% t2 es igual a t 46. end% finaliza el ciclo 47. end% %el ciclo finaliza hasta que i sea 24 48. tt =t2' ;% vector t2 de forma vertical 49. for k =1: 144 % ciclo que recorre 144 posiciones 50. tiempo ( k) = tt ( k) ;% se crea vector tiempo igual a tt 51. end %el ciclo finaliza hasta que k sea 144 52. plot ( t1 , P6) 53. disp 'POTENCIA TOTAL' , ( P6) % se imprime la potencia total de nevera

Parte 9

54. plot ( tiempo , p6) %se grafica la potencia final de nevera vs el tiempo 55. Edia =sum( P6) / 1000 % a partir del vector P6 se determina la energía dia ria

consumida en nevera KW

36

56. Emes=Edia * 30% energia mes consumida en nevera en KW 57. Eano=Emes* 12 58. save P6 % se almacena la matriz P6 para ser utilizada en otr os códigos

Los criterios de entrada y salida específicos de los códigos se presentan en el Anexo IX, como también los diagramas de flujo planteados para el desarrollo de los códigos cada uno de los grupos de dispositivos analizados. La potencia promedio consumida por los dispositivos según sus dimensiones y características utilizadas en los códigos, se buscaron en los principales almacenes de cadena, así como en documentos relacionados, la Tabla VI presenta la información obtenida para el desarrollo del modelo.

TABLA VI. POTENCIA PROMEDIO DE LOS DISPOSITIVOS

Dispositivos Potencia Promedio Consumida

por hora (Wh)

Iluminación

Incandescente 60 60

Incandescente 100 100

Fluorescente 231

Halógena 122

LED 502

Televisores

CTR 21 pulgadas 753

CTR 29 pulgadas 1403

LCD 20 pulgadas 923

LCD 32 pulgadas 1533



LCD Otro 3503

LED 20 pulgadas 563

LED 32 pulgadas 923

LED 42 pulgadas 1233

LED 48 pulgadas 1703

LED Otro 2103

Computadores Escritorio 3004

Portátil 9004

Entretenimiento

Teatro en casa 2,1 canales 1005

Teatro en casa 5,1 canales 1755

DVD 304

Minicomponente 756

Equipo sonido portátil 176

Equipo sonido grande 1606

Cocina

Estufa eléctrica de 1 puesto 12007

Estufa eléctrica de 2 puesto 24007

Licuadora 4004

37

Horno eléctrico 10006

Horno microondas 12006

Nevera

Frost

2 a 7 pies cúbicos 154,28



Nevecón 341,78

No Frost




Nevecón 239,28

Calor Plancha ropa 10009

Plancha cabello 350

Secador cabello 15004

Aseo Ducha eléctrica 15004

Calentador eléctrico 180010

Lavado

Lavadora

18-20 Lb (10 kg) 71,3911

22-24 Lb (12 kg) 87,9111

25-28 Lb (14 kg) 109,0711

30-36 Lb (18 kg) 121,9611

Más de 36 Lb (10 kg) 201,4811

Secadora Eléctrica

7 kg (14 Lb) 285,7111

8 kg (16 Lb) 357,1411

11 kg (22 Lb) 40011

Más de 12 kg (24 Lb) 514,2911

Lavadora-Secadora

7-10 kg (20 Lb) 142,8611

11-12 kg (24 Lb) 15011

13-14 kg (28 Lb) 242,8611

15-18 kg (36 Lb) 271,4311

Más de 18 kg (36 Lb) 314,2911

1 Eficiencia energética en el sector doméstico: el caso del “programa luz sustentable”, Fuente [22]. 2 Catalogo iluminación VIVION, Fuente [23] .

3 Aparatos domésticos, Fuente [24]. 4 Uso inteligente de la energía eléctrica, Fuente [25].

5 Calidad de sistemas de Teatro en casa (Home Theater), Fuente [26]. 6 Consumo promedio de aparatos eléctricos con base a horas de uso domiciliar, Fuente [27].

7 Consumo indicativo de algunos artefactos eléctricos, Fuente [28]. 8 La potencia promedio consumida neveras se presenta en el Anexo X.

9 Soluciones integrales para generación y ahorro de energía, Fuente [29]. 10 Catalogo Calentadores de Agua Eléctricos, Fuente [30] .

11La potencia promedio consumida por los Dispositivos de lavado se presenta en el Anexo XI.

38

3.3.1. Determinación de la curva modelo

Para establecer la Curva del Modelo Final se realizaron 1000 simulaciones, representando la demanda promedio de los usuarios. Es importante mencionar que debido a que el modelo es estocástico y depende de variables probabilísticas y aleatorias, el comportamiento del consumo varía de acuerdo con estas variables, lo que hace que el modelo se aproxime más al comportamiento real de los usuarios. En la Figura 22 se presenta el resultado del modelo final, que representa el comportamiento que presentan los usuarios residenciales estrato 4 de la cuidad de Bogotá. Se destacan diferencias de potencia demandada, con respecto a la curva de mediciones, sin embargo, se identifican las horas pico y valle observados en las mediciones. El rango de variación da validez al modelo, ya que está dentro de la región de consumo donde se encuentra la mayor parte de los usuarios.

Figura 22. Curva de Demanda Modelo Final. Fuente propia. El mayor consumo se presenta en la noche, específicamente en la hora 20 (8 pm) con un valor de 388,59 W, que corresponde a la hora en que usuarios llegan a sus hogares y encienden la mayor parte de sus electrodomésticos. Se presenta otro pico en las horas de la mañana con un valor máximo de 293,31 W, el cual corresponde a las horas en las que los usuarios se bañan, preparan el desayuno, se arreglan para salir, etc. El menor consumo se presenta a las horas de la madrugada, con el menor valor a las 2 am de 166,71 W, más alto que el observado en las mediciones, esto puede deberse a que la información recolectada acerca del porcentaje de uso de los dispositivos abarcaba un intervalo de tiempo muy amplio, de 12am a 6am, lo que pudo

0

100

200

300

400

500

600

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

PO

TEN

CIA

(W

)

HORAS DEL DÍA

MODELO MAX MIN MEDICIONES

39

elevar el consumo en éstas horas pese a los ajustes realizados en el modelo; sin embargo, este valor se encuentra dentro del rango de variación del modelo. En general el modelo presenta un comportamiento que concuerda con las mediciones realizadas a los usuarios, ya que se encuentra dentro del margen de variación establecido por las mediciones. En la Tabla VII se presentan los datos obtenidos de las mediciones, el rango de variación de las mediciones y los datos del modelo final presentados en la Figura 22.

TABLA VII DATOS DE POTENCIA CONSUMIDA MODELO VS MEDICIONES

Horas del Día

MODELO W

MEDICIONES W

Variación estimada (%) MAX MIN

12am 167,81 155,60 7,85 246,00 65,21 1am 172,90 129,57 33,44 224,13 35,02 2am 166,71 118,28 40,94 216,42 20,15 3am 169,20 126,94 33,29 231,03 22,84 4am 216,57 164,85 31,37 258,61 71,08 5am 278,12 260,95 6,58 573,82 0,00 6am 293,31 276,26 6,17 468,36 84,16 7am 283,43 316,01 10,31 532,78 99,24 8am 275,83 270,45 1,99 460,15 80,75 9am 189,93 264,97 28,32 478,85 51,09 10am 197,53 275,25 28,24% 490,62 59,87 11am 197,78 226,38 12,63% 324,30 128,46 12pm 171,16 249,02 31,27% 409,25 88,78 1pm 182,43 227,34 19,75% 362,22 92,46 2pm 182,79 218,87 16,48% 319,96 117,77 3pm 169,25 215,81 21,57% 304,06 127,55 4pm 174,15 216,06 19,40% 303,95 128,18 5pm 188,62 239,65 21,29% 331,22 148,08 6pm 363,57 310,75 17,00% 488,42 133,07 7pm 384,74 329,95 16,61% 512,89 147,00 8pm 388,60 305,33 27,27% 459,15 151,52 9pm 305,51 297,98 2,53% 447,80 148,16 10pm 239,92 246,10 2,51% 366,84 125,36 11pm 225,16 180,78 24,55% 261,35 100,21

El consumo promedio de los usuarios durante el mes obtenido por el modelo fue de 167,36 kWh/mes . 3.4. CONCLUSIONES DEL CAPITULO 3

El proceso de medición se realizó según los manuales propios de cada equipo para dar confianza a la media, con un periodo de tiempo entre mediciones, de 2 minutos, con el fin de obtener valores lo más cercanos al comportamiento real del consumo.

40

El consumo de los usuarios estrato 4 en Bogotá, pese a sus características comunes como estrato socioeconómico y tipo de dispositivos, fue diferente, esto debido a factores como la cantidad de habitantes, la profesión u oficio de los integrantes del hogar, las horas en las que utilizan los electrodomésticos o la antigüedad de los dispositivos instalados, entre otros, obteniendo distintos comportamientos en los usuarios, con picos a lo largo del día o con mayor consumo en la noche que en la mañana, y otros mas poco comunes, con consumos bajos y constantes durante todo el día. Éste capítulo permitió observar que pese a estas diferencias, se puede delimitar su consumo dentro de rangos según la hora del día, por ejemplo los rangos más pequeños se presentaron de las 23 a las 4 horas, y de las 15 a las 17 horas, con ±88 Wh y ±100 Wh, lo que significa que los usuarios tienen un consumo más cercano al promedio en éstas horas, por otra parte a las 5am los usuarios presentaron gran dispersión, ±313 W, lo que significa que hay grandes diferencias de consumo entre los usuarios. En general con la información recolectada mediante el capítulo anterior y la curva de mediciones presentada en este capítulo, se obtuvo un modelo capaz de representar el consumo real de los usuarios, logrando acercarse a la curva base de mediciones, dentro de los rangos obtenidos de las mismas. El modelo se construyó con ayuda de variables probabilísticas, que permitieron acercar el modelo al comportamiento real, y características de los dispositivos más comunes en el mercado. Dando cumplimiento así al primer objetivo de éste proyecto.

41

4. CASOS DE ESTUDIO Los escenarios planteados en este capítulo se establecieron a partir supuestos de cambio en los hábitos de consumo, como desplazamientos en las horas comunes de utilización, diminución del uso de los dispositivos y desconexión de los electrodomésticos cuando no se utilizan, además de alternativas en cuanto a cambio de tecnologías. Estos casos de estudio tienen como objetivo observar el cambio en energía y/o potencia según sea el caso que generan estos escenarios en la demanda de energía de los usuarios residenciales estrato 4 en Bogotá. La implementación de los diversos escenarios planteados a continuación tiene como objetivo establecer alternativas de ahorro en búsqueda de promover la eficiencia energética por medio de la demanda residencial, que como lo plantea la UPME en su Plan Energético Nacional, Colombia: Ideario Energético 2050, “resulta un mecanismo que permite asegurar el suministro de energía, dada la creciente demanda, disminuyendo la brecha entre la energía que se empleada en la generación y la realmente útil, aprovechando al máximo los recursos disponibles y así disminuir los impactos ambientales, además de aumentar la productividad y la competencia”. [31] Para el análisis de los escenarios es necesario determinar la tolerancia del modelo, que permita identificar de manera correcta los posibles cambios en la curva generados por los escenarios y no por los componentes aleatorios del modelo, para esto se simuló nuevamente el modelo (1000 simulaciones), con el fin de comparar las diferencias entre las dos simulaciones y determinar este rango de tolerancia. La Tabla VIII muestra el rango dentro del cual varia el modelo como producto de su componente aleatorio, sin que esto signifique una disminución o aumento del consumo producto de los escenarios.

TABLA VIII TOLERANCIA DEL MODELO

Horas del Día

Nueva simulación del Modelo (W) Modelo Final (W) Tolerancia

(W)

0 164,845 167,807 ±2,96 1 174,363 172,903 ±1,46 2 169,079 166,714 ±2,36 3 168,686 169,198 ±0,51 4 216,336 216,567 ±0,23 5 279,827 278,119 ±1,71 6 294,424 293,310 ±1,11 7 286,789 283,431 ±3,36 8 281,264 275,833 ±5,43 9 188,122 189,926 ±1,80

10 197,531 197,527 ±0,10 11 194,449 197,782 ±3,33 12 169,855 171,163 ±1,31 13 178,528 182,425 ±3,90 14 182,080 182,786 ±0,71

42

15 169,089 169,247 ±0,16 16 174,301 174,153 ±0,15 17 185,903 188,624 ±2,72 18 362,647 363,565 ±0,92 19 382,333 384,740 ±2,41 20 385,146 388,598 ±3,45 21 309,119 305,513 ±3,61 22 237,395 239,918 ±2,52 23 228,223 225,160 ±3,06

Teniendo en cuenta el rango de variación del modelo es posible comenzar el análisis de los resultados obtenidos tras los cambios en los hábitos de consumo de los usuarios y las demás alternativas de ahorro propuestas en los escenarios. 4.1. ILUMINACIÓN

El Escenario 1 y 2 plantea alternativas de ahorro a partir de los dispositivos de iluminación; la disposición de los usuarios a encender menos bombillos en las horas que se presenta el mayor consumo en iluminación como se mencionó en el numeral 2.2.1 y el cambio de luminarias por LED que consumen mucho menos con respecto a cualquier otra tecnología. Al implementar el Escenario 1 se realizó un cambio de porcentaje de uso de 6 pm a 11 pm disminuyendo el consumo un 15% en iluminación. Los datos obtenidos del escenario se presentan en la Figura 23, observando en las horas de interés una reducción en el consumo, con una disminución de entre 5% (44,96 W) y 13% (38,8 W) a las 8pm y 9pm respectivamente. A las 9pm la mayor parte de dispositivos utilizados corresponde a iluminación, la posibilidad de que los usuarios decidan encender un 15% menos sus dispositivos; impactará significativamente el consumo total a diferencia de otras horas. El ahorro total de energía es de 120,27 Wh/día, aproximadamente un 2,2% del consumo normal. El Escenario 2, reemplaza el 50% de la iluminación instalada por tecnología LED. En la Figura 23 se comparan los resultados con los datos del modelo final. La mayor reducción se presenta de 5pm a 11pm, ya que en estas horas los usuarios prenden la mayor cantidad de luminarias, entre las 6pm y 7pm con un 16,9% y 13,7% respectivamente con respecto al consumo normal, con lo que se concluye que los usuarios en promedio disminuyen un 15% su consumo en las horas de mayor utilización, lo que reduciría el pico que se presenta. El ahorro total de energía en un día es de 407,03 Wh, por lo que se estima un ahorro al mes de 12,05 kWh, que equivale a un 7,2% con respecto al consumo normal. Un aspecto importante a tener en cuenta al implementar el Escenario 2, es la inversión económica que tendría que realizar el usuario comparado con el dinero que se ahorra. Para el análisis económico se realizó el pronóstico del precio del kWh mediante una serie de tiempo con datos de los últimos 4 años1 a través de la herramienta Excel, ya que el valor del kWh cambia cada mes. Si los usuarios reemplazan el 50% de la iluminación esto representará un cambio de 6 luminarias por LED, una inversión aproximada de $53.400, con un precio de cada 1 El histórico de precios del kWh para el estrato 4 fue extraído de la página de CODENSA: https://www.codensa.com.co/hogar/tarifas, en Diciembre de 2016.

43

luminaria desde $8.900 hasta $30.000, con el método propuesto se obtendría un ahorro de $55.877,67 en los 10 primeros meses con lo que recuperaría la inversión y el usuario contaría con más tiempo de vida útil de las luminarias LED ya que es aproximadamente 25.000 horas o 2,85 años. El Anexo XII presenta los valores utilizados para el pronóstico del precio del kWh. [32] [33].

Figura 23. Curva de Demanda casos de estudio Dispositivos de Iluminación. Fuente propia.

De estos dos escenarios se puede decir que el cambio de tecnología por una de menor consumo resulta en un ahorro de energía mucho mayor frente a la disposición de los usuarios a cambiar sus hábitos de consumo, al igual que una disminución más representativa en el pico más alto del día. Adicionalmente, el escenario 2 también permite una disminución del pico de la mañana, ya que el cambio de la tecnología permite una disminución en cualquier momento de utilización de los dispositivos. Un aspecto importante al evaluar el segundo escenario es que, aunque se tiene mayor ahorro también requiere de una inversión inicial. 4.2. COMPUTADORES Y ENTRETENIMIENTO

4.2.1. Escenario 3: Televisor

El Escenario 3 plantea alternativas de ahorro a partir del cambio de tecnología por dos televisores LED de dimensiones similares a aquellos con los que cuentan y la desconexión de dispositivos como decodificadores y los mismos televisores cuando no están encendidos. Este escenario presenta porcentajes de disminución entre el 6% y el 20% del consumo de la hora, como se ve en la Figura 24. Se presentó descensos durante todo el día, con mayores porcentajes de 10am a 5pm, por encima del 10%, una reducción significativa se dio a las 6am donde el consumo normal es 293,31 W logrando una reducción de 38,05 W que corresponde a un 13%. Sin embargo, cabe destacar que los menores porcentajes de disminución se presentan en la noche, debido a que el aporte de consumo de estos dispositivos no es tan significativo como en la mañana y la tarde, lo que implica que este escenario tendría un mayor impacto en

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día

ESCENARIO 1 ESCENARIO 2 ESCENARIO BASE

44

los picos de la mañana. Con la implementación del escenario se logra establecer un ahorro de 727,86 Wh/día, ahorrando en promedio 13%, equivalente a 21,65 kWh en el mes. Este es un escenario bastante relevante por el gran consumo que generan los televisores de tecnología antigua. Cabe aclarar que es uno de los escenarios más costosos de implementar.

Figura 24. Curva de Demanda caso de estudio Televisores. Fuente propia. 4.2.2. Escenario 4 y 5: Computadores y Entretenimiento

Los Escenarios 4 y 5, plantean alternativas de ahorro por medio de los dispositivos de entretenimiento y computadores. El primero de estos escenarios propone el cambio de computadores de mesa por portátiles, que consumen en promedio tres veces menos que uno de mesa, y la desconexión de dispositivos de entrenamiento en las horas que no están encendidos. El escenario 5 sugiere la desconexión tanto de aparatos de entretenimiento como computadores cuando no se están utilizando. Es posible observar en la Figura 25, que la reducción de los picos tras la implementación de estos dos escenarios es poco significativa, ya que el promedio de disminución a lo largo del día es de 3% y 4%, para el escenario 4 y 5 respectivamente, en su mayoría sin cambios por encima de estos porcentajes. Los cambios más representativos se presentaron en la mañana y en la tarde. Tras la implementación del escenario 4 y 5, la cantidad de energía ahorrada es de 5, 11 kWh/mes (3,1%) y 4,46 kWh/mes (2,7%) respectivamente. Para la implementación del escenario 4 es importante tener en cuenta el aspecto económico ya que los usuarios tendían que cambiar su computador, un computador portatil tiene un costo promedio de $1’100.000 con una vida util de 36 meses, realizando el pronostico del precio del kWh propuesto anteriormente,

100

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día

ESCENARIO 3 ESCENARIO BASE

45

se obtubo que para este periodo de tiempo (36 meses) se logra un ahorro de $198.303,198, lo que no es justificable con el dinero que los usuarios deberán invertir [32] [34] [35].

Figura 25. Curva de Demanda casos de estudio Dispositivos de Entretenimiento y estudio. Fuente propia. De estos escenarios es posible concluir que para el cambio de tecnología el ahorro no genera cambios significativos en la demanda y requiere una inversión elevada. Sin embargo, con el escenario 5 se logró una reducción del 2.7% en el consumo, que, aunque no es un ahorro monetario importante para el usuario, si todos los usuarios lo implementaran, la energía que se dejaría de consumir seria significativa. Además, no requiere una inversión inicial, solo cambio en los hábitos de consumo, lo que haría más fácil su implementación. 4.3. COCINA

En cuanto a los dispositivos de cocina, el Escenario 6 propone el cambio de estufas eléctricas por estufas a gas, además de la desconexión del microondas cuando no se está utilizando. Este escenario presenta una reducción principalmente en la mañana y tarde, con un máximo de 26,32 W en la hora 14 (2 pm) que equivale a una baja del 14% con respecto al consumo habitual. En la Figura 26 es posible identificar que en general el mayor porcentaje de descenso se dio en las horas de mayor utilización de los dispositivos para cocina, presentado en el numeral 2.2.3. Sin embargo, de 6pm a 9pm los porcentajes de disminución no son considerables, esto debido a que en estas horas se utilizan la mayoría de dispositivos, lo que hace que el consumo de la estufa no sea tan representativo. Con la implementación de este escenario el usuario logra ahorrar 236 Wh diarios, lo que representa un ahorro en el consumo del 4,2% al día.

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día


46

En general, con este escenario se logra reducir el pico de consumo en la mañana un 6% en promedio de 6am a 7am, con lo cual resultaría útil implementarlo para lograr reducir este pico.

Figura 26 Curva de Demanda casos de estudio Dispositivos cocina. Fuente propia. 4.4. NEVERA

Los dos siguientes escenarios, plantean alternativas de ahorro por medio del cambio en el uso de la nevera; el Escenario 7 por medio de la disposición de los usuarios a aumentar la temperatura interna de la nevera en un grado, manteniendo la temperatura entre 5 y 4 °C, sin que esto cause algún efecto en los alimentos, lo cual representa una disminución en el consumo de la nevera del 9%, y el Escenario 8 por su parte, por medio de la disposición de éstos a cambiar de tecnología Frost a No Frost, que representa un ahorro aproximado del 30% en el consumo de energía con respecto a la Frost [36] [37]. En la Figura 27, se muestra que tras cambiar la tecnología de la nevera, escenario 8, se genera una disminución de hasta 11% a las 10am con respecto al consumo habitual de la hora, mientras al implementar el Escenario 7 la reducción no supera el 9% que se da a las 11am. En general ahorro es de 3,63 kWh/mes y 9,17 kWh/mes para el escenario 7 y, observando que la disminución en el consumo es mucho mayor para el escenario 8, llegando así a un 5,5% menos del consumo habitual del mes, y logrando una reducción en el pico de la mañana importante. Teniendo en cuenta que el mayor ahorro se da al implementar el escenario 8, es necesario realizar una comparación de la inversión inicial que representa cambiar la tecnología de la nevera frente al ahorro de energía que esto causa. Sabiendo que el precio del kWh varia cada mes2 se realiza el pronóstico del precio para 15 años, correspondiente a la vida útil de una nevera, obteniendo un ahorro de $945,029.54 con el método expuesto anteriormente, lo cual 2 El precio del kWh para el estrato 4 fue extraído de la página de CODENSA: https://www.codensa.com.co/hogar/tarifas, en Octubre de 2016.

100

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día


47

podría justificar la compra de un refrigerador No Frost, teniendo en cuenta que el costo de una nevera de esta tecnología varía de $700.000 a $1’200.000, por lo cual resulta un escenario viable y bastante beneficioso para el usuario. Este escenario podría ser implementado mediante créditos por medio de la factura, con el fin de hacer más fácil para el usuario su implementación [38] [32] [39].

Figura 27. Curva de Demanda casos de estudio Nevera. Fuente propia. 4.5. CALOR

Los Escenarios 9 y 10, plantean la posibilidad de que los usuarios desplacen la utilización de la plancha para ropa de las horas de mayor consumo total a horas valle, por medio de dos alternativas; la primera, el Escenario 9, desplazando el consumo de las horas pico a las horas valle y haciendo cero el uso de estos dispositivos en las horas pico. El Escenario 10, desplaza el consumo de las horas pico a las horas valle y de las valle a las pico, sin hacer cero el consumo en ninguna hora, a fin de observar que cambio genera más impacto y cual sería más fácil de implementar por los usuarios. La Figura 28 muestra que el consumo aumenta en las horas valle, obteniendo así una disminución en las horas pico. El Escenario 9 es en promedio el que mayor cambio presenta con respecto a la curva original de consumo, especialmente de 5am a 8am donde se presenta la mayor reducción para ambos escenarios, con 11% a las 6 de la mañana, superior con respecto al máximo alcanzado con el escenario 10 que fue del 9% a esa misma hora. Es posible observar que en las horas valle el aumento del máximo del consumo se presentó de 9pm a 11pm, logrando un aumento de hasta un 13% en el consumo para el escenario 9, a diferencia del escenario 10 que presenta aumentos poco significativos con respecto a la curva normal de demanda, no superiores al 3%.

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día


48

Figura 28. Curva de Demanda casos de estudio Plancha para Ropa. Fuente propia. Los Escenarios 9 y 10 permiten concluir que la plancha para ropa representa un consumo considerable en los hogares y que cambios en la forma como se utiliza generan impactos significativos en la curva de demanda. Como se ve en el Escenario 9, el no utilizar este dispositivo en las horas de mayor consumo y desplazar todo el consumo a horas valle generó cambios de más del 10% en el comportamiento normal (disminución a las 6am y aumento a las 2pm). En cuanto al escenario 10, el cambio en el comportamiento de la demanda fue menor, casi sin ningún cambio en las horas valle de la tarde, pero con una mayor reducción a las 6am y 7am. Lo obtenido a partir de estos escenarios resulta importante ya que es un electrodoméstico que aparentemente no se usa por periodos prolongados de tiempo y se pensaría que a pese a su consumo alto si se usa por poco tiempo no es relevante, pero que resulta beneficioso si su utilización solo se limita a las horas valle de la curva reduciendo apreciablemente los picos, aunque el consumo de energía durante el día no cambia (5,57 kWh/día). 4.6. ASEO

El cambio de dispositivos como duchas y calentadores eléctricos por calentadores a gas, se plantea en el Escenario 11, lo que produciría un ahorro considerable ya que los calentadores a gas consumen muy poca energía, cerca de 5W. La Figura 29, muestra que el mayor cambio se da en horas de la mañana, los valores más altos de reduccion se presentan ente las 5am y las 8am, logrando un maximo en la hora de mayor consumo de estos dispositivos (5am) de 19%, disminuyendo significativamnete uno de los picos mas altos del día, sin embargo la energia consumida durante el dia es de 5,39 kWh que representa un ahorro de 3,27% con respecto al consumo habitual, lo que con un precio promedio de un calentador a gas de $500.000 la inversion se recuperaria en 12 años, según el pronostico del precio del kWh propuesto, lo que resulta un tiempo muy largo para la recurecion de una inversion de este monto, es por esto que este escenario solo podría ser viable si se

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día


49

otorgara algun incentivo al usuario que mitigara el costo del cambio de tecnologia o si el usurio quisiera simplemente cambiarlo [32] [40].

Figura 29. Curva de Demanda casos de estudio Dispositivos para Aseo. Fuente propia. Es importante recalcar que un escenario como este es muy conveniente ya que permitiría la disminución del pico de la mañana, importante para el operador de red en su intento por aplanar la curva, aunque económicamente no representaría un ahorro dada la inversión que deben hacer los usuarios para cambiar de tecnología. 4.7. LAVADO

El Escenario 12, propone al usuario una diminución en la utilización de sus dispositivos de lavado, ya que en promedio los usuarios utilizan la lavadora 4 veces por semana, este escenario propone disminuir ese consumo a 3 veces por semana. Los siguientes dos escenarios también sugieren alternativas de ahorro a partir de los dispositivos de lavado, esta vez desplazando su consumo; el Escenario 13, intercambiando los consumos de las horas pico (de 5 am – 8 am y de 6 pm – 8 pm) a valle (de 0 am – 3 am y de 9 pm – 11 pm) y el Escenario 14 desplazando todo el consumo de horas pico a las horas valle, sin consumo en horas pico, con el fin de observar que cambio genera más impacto. En la Figura 30 se observa que en las horas de la madrugada (0 am – 3 am) los escenarios 13 y 14 presentan un aumento en el consumo, encontrando que el escenario 14 permitió un mayor aumento en el consumo con respecto al 13. En las horas de la mañana, entre las 5 am y 8 am, los tres escenarios presentan una disminución en el consumo. En las horas de la mañana-tarde se presenta un ahorro únicamente provocado por el escenario 12, dado que este escenario busca la disminución de la utilización de este dispositivo a lo largo del día y no en horas específicas de mayor y menor consumo como los escenarios 13 y 14. En las horas de la noche

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día


50

la disminución del consumo no es muy significativa, pero de nuevo el escenario 14 es el que muestra la mayor disminución con hasta un 4% con respecto al consumo habitual.

Figura 30. Curva de Demanda casos de estudio Dispositivos de lavado. Fuente propia. Como se observaba en la Tabla IX, el escenario 12 no incrementa el consumo en las horas de la madrugada, dado que la utilización de estos dispositivos no suele darse a esta hora y ya que el escenario plantea disminuir el número de veces que los usuarios utilizan este dispositivo, en cambio los escenarios 13 y 14 presentan un aumento en estas horas especialmente para este último, alcanzando hasta un 11% más de consumo. Para el segundo intervalo de tiempo (5am a 8am) se identifica que todos los escenarios generan una disminución en el consumo, lo que resulta importante para disminuir el pico de la mañana. Entre las 9 am y las 5 pm, solo se puede ver una disminución del consumo provocado por el escenario 12, ya que corresponden a aquellas horas en las que se utilizan más estos dispositivos, como se observó en el numeral 2.2.6, con una reducción máxima de un 9% del pico normal de consumo. De 6pm a 8pm, se ven de nuevo los efectos de los escenarios 13 y 14, observando que el escenario 14 permite una disminución mayor con respecto al escenario 13, aunque en bajos porcentajes dado el alto consumo a esta hora.

TABLA IX. PORCENTAJE DE AHORRO CASOS DE ESTUDIO DISPOSITIVOS PARA LAVADO

Hora del día Variación Esc 12 Variación Esc 13 Variación Esc 14

0 0% 7% 9%

1 2% 2% 8%

2 0% 7% 11%

3 0% 3% 11%

4 1% 0% 0%

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día

ESCENARIO 12 ESCENARIO 13 ESCENARIO 14 ESCENARIO BASE

51

5 -4% -3% -7%

6 -6% -6% -5%

7 -5% -3% -3%

8 0% -4% -4%

9 -3% 2% 2%

10 -5% 0% 0%

11 -9% 0% 0%

12 -2% 0% 0%

13 -4% 0% 0%

14 -9% 0% 0%

15 -3% 0% 0%

16 -3% 0% 0%

17 0% 0% 0%

18 1% 1% -4%

19 0% 0% -1%

20 0% 0% -2%

21 0% 0% 2%

22 3% 0% 3%

23 0% 0% 2% Del escenario 12 se concluye que al disminuir el número de veces que los usuarios usan la lavadora a la semana, se logra una disminución en las horas de mayor consumo de este dispositivo, de 9am a 5pm, pero que no resulta muy útil si además los usuarios no desplazan su consumo a las horas valle, ya que la mayor reducción se da en las horas menos críticas, lo que no resulta beneficioso, tras la implementación de este escenario se logró un ahorro mensual del 1,8% del consumo habitual lo que corresponde a 2,97 kWh/mes. . En cuanto a los escenarios 13 y 14, se posible concluir que resulta más útil el que los usuarios decidan no utilizar estos dispositivos en las horas pico, ya que así se lograría un cambio mayor en el comportamiento de la curva, disminuyendo el consumo en las horas críticas, aunque la energía diaria consumida sigue siendo la misma que en el caso base. 4.8. CURVA TOTAL

Por último, el Escenario 15 propone una disminución del 20% en el consumo total del usuario, como se aprecia en la Figura 31, que puede darse si los usuarios decidieran encender menos luminarias a la hora de cocinar, o reunirse en un solo televisor a ver sus programas favoritos, o apagar la luz cuando ven televisión. Estableciendo estrategias por parte del usuario que le permitiera disminuir su consumo en estas horas, por ejemplo, mediante la no ubicación de algún dispositivo, como la plancha para el cabello o usarlo algunos días si y otros no, mediante la no utilización del microondas, o ver televisión en un solo dispositivo en la noche, entre otros,

52

dependería de las necesidades y predisposición del usuario a disminuir su consumo a lo largo del día.

Figura 31. Curva de Demanda casos de estudio Curva Final. Fuente propia. 4.9. CONCLUSIONES DEL CAPITULO

La Tabla X Presenta el resumen de los escenarios de ahorro planteados, además de los resultados más importantes tras la implementación de cada uno de ellos.

TABLA X CUADRO DE ESCENARIOS PLANTEADOS

Escenario Consumo Habitual Consumo tras la

Implementación del Escenario

1- ILUMINACIÓN

Si los usuarios decidieran prender un 15% menos sus dispositivos de iluminación en las horas de mayor consumo de iluminación

De 6pm-8pm: el consumo es del 62% de la capacidad instalada en iluminación

De 9pm-11pm: el consumo es del 45% de la capacidad instalada

De 6pm-8pm: Una reducción promedio en del 7%,

De 9pm-11pm: Una reducción promedio del 10%

Un ahorro del 3% del consumo del día

2- ILUMINACIÓN

Si los usuarios decidieran renovar su tecnología actual en un 50% de su capacidad instalada en incandescente, Halógena y

11 bombillos en promedio, 2 de 60 W, 1 de 100 W, 7 fluorescente compacta, 1 LED y 1 Halógena

De 5am-7am: Una disminución promedio del 5%

De 5pm-11pm: Una disminución promedio del 13%

100

150

200

250

300

350

400

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pot

enci

a (W

)

Horas del día


53

fluorescente compacta, a una tecnología más reciente (LED)

Un ahorro del 7% del consumo del día

3- TELEVISORES

Si los usuarios decidieran desconectar los televisores y decodificadores en las horas que no están viendo televisión y además decidieran cambiar la tecnología, de al menos dos de sus televisores a un televisor LED de dimensiones similares

3 televisores instalados en promedio, con su respectivo decodificador, tecnologías: CTR, LCD y LED

Un ahorro del 13% del consumo habitual del día, representativo a lo largo del día.

4- COMPUTADORES Y ENTRETENIMIENTO

Si los usuarios que tienen computadores de mesa los reemplazaran por computadores portátiles y además desconectaran los equipos de entretenimiento (sonido y video) instalados en las horas que no se utilizan

- 1 computador de mesa en promedio

- De 1 a 2 dispositivos de video y un 1 dispositivo de sonido en promedio

Un ahorro del 3,1% del consumo habitual del día, sin cambios en el consumo altos.

5- COMPUTADORES Y ENTRETENIMIENTO

Si los usuarios desconectaran los computadores de mesa cuando no los usan y además desconectaran los equipos de entretenimiento (sonido y video) instalados en las horas que no se utilizan

- 1 computador de mesa por usuario en promedio

- De 1 a 2 dispositivos de video y de 1 dispositivo de sonido en promedio

Un ahorro del 2,7% del consumo habitual del día, sin cambios en el consumo altos

6- COCINA

Si los usuarios que usan estufa eléctrica la cambiaran por una estufa a gas y además desconectaran el horno microondas en horas de

- El 29,57% de los usuarios tienen estufa eléctrica

- El 54,78% de los usuarios tienen 1 horno microondas

Un ahorro del 4,2% del consumo habitual del día

Los mayores cambios se presentaron de:

De 6am a 7am: Una disminución de 6%

De 11am a 2pm: Una

54

no utilización disminución de 12%

De 9pm a 11pm: Una disminución de 5%

7- NEVERA

Si los usuarios decidieran subir un 1°C la temperatura interna de la nevera

Temperatura actual promedio 4°C

(3°C- 5°C)

Un ahorro del 2% del consumo habitual del día

La mayor reducción a las 11am de 9%

8- NEVERA

Si los usuarios que utilizan tecnologías Frost cambiaran a tecnologías No-Frost

El 50,43% de los usuarios tienen tecnología Frost

El 49,57% de los usuarios tienen tecnología No-Frost


Con cambios mayores a lo largo del día con respecto al escenario 7

Los mayores cambios se presentaron en:

5am: Una disminución de 10%

10am: Una disminución de 11%

9- CALOR

Si los usuarios que usan la plancha de ropa en las horas de mayor consumo total, los desplazan a las horas de menor consumo total, Sin consumo en las horas pico

Horas de mayor consumo en calor:

De 5am: el 12% de la capacidad instalada de calor

De 6am-8am: consumo del 13% de la capacidad instalada de calor

De 6pm-8pm: consumo del 14% de la capacidad instalada de calor

Desplazamiento del consumo en:


De 12pm a 3pm: Un aumento en el consumo de 9%



10- CALOR

Si los usuarios que usan la plancha de ropa en las horas de mayor consumo total, los desplazan a las horas de menor consumo total, intercambiando el consumo de hora valle a pico y viceversa

5am: el 12% de la capacidad instalada de calor

6am-8am: consumo del 13% de la capacidad instalada de calor

6pm-8pm: consumo del 14% de la capacidad instalada de calor






55

Menor cambio en el comportamiento de la demanda con respecto al escenario 9

11- ASEO

Si los usuarios cambian los dispositivos eléctricos (calentador eléctrico y ducha eléctrica) por calentador a gas

60% de los usuarios tienen algún dispositivo eléctrico (ducha o calentador )

Un ahorro del 3,3% del consumo habitual del día

El mayor cambio de 5am a 8am con un promedio de 12%

12- LAVADO

si los usuarios decidieran lavar su ropa 3 veces por semana

Utilización de la lavadora 4 veces por semana en promedio

Un ahorro en promedio del 2% del consumo habitual del día, sin porcentajes ahorro altos.

13- LAVADO

Si los usuarios decidieran desplazar el consumo de lavado de las horas de mayor consumo a las horas de menor consumo (intercambio de los consumos de las horas)

De las:

5am-8am: donde el 43,48% de los usuarios usan la lavadora

6pm-8pm: donde el 35,65% de los usuarios usan la lavadora


De 12am a 3am: Un aumento en el consumo de 5%

De 5am-8am: Una disminución de 4%

14- LAVADO

Si los usuarios decidieran desplazar el consumo de lavado de las horas de mayor consumo a las horas de menor consumo (Sin consumo en las horas pico)

De las:

5am-9am: donde el 43,48% de los usuarios usan la lavadora

6pm-9pm: donde el 35,65% de los usuarios usan la lavadora


De 12am a 3am: Un aumento en el consumo de 10%

De 5am-8am: Una disminución de 5%



15 - TOTAL

Si los usuarios decidieran disminuir su consumo total en las horas de mayor consumo (5am, 6pm-9am y de 6pm-9m) en un 20%

20% menos del consumo a las hora de mayor demanda, 5am-9am y de 6pm-9pm


Los mayores cambios se presentaron en:

De 5am a 9am: Una discusión de 20%


56

La Figura 32 presenta la energía que ahorraría el usuario al mes con cada uno de los 15 escenarios planteados, se puede observar que el escenario 3 permite el mayor ahorro, correspondiente a 21,65 kWh/mes, un 13% del consumo habitual del mes, seguido por el escenario 15 con un ahorro de 17,12 kWh/mes (10,2%). Los demás escenarios presentaron porcentajes de ahorro entre el 0% y el 7,2%.

Figura 32. Porcentaje de ahorro de energía consumida al mes tras la implementación de cada escenario. Fuente propia. En cuanto a la reducción del consumo en las horas pico, la Figura 33 presenta los porcentajes de disminución producto de los escenarios durante el día. De 5 am – 8 am el mayor porcentaje se presenta tras la implementación del escenario 15 con un 20% en promedio durante estas horas, seguido por los escenarios 3 y 11 con un 12%. En el pico de la tarde de 6 pm – 8 pm, nuevamente el escenario 15 es el que mayor porcentaje presenta con un 20%, seguido por el escenario 2 con una reducción promedio de 14% durante estas horas. En la Figura 33, es posible observar los escenarios que presentaron mayores porcentajes de descenso de consumo a lo largo del día, es posible diferenciar comportamientos claros, el escenario 2, logra disminuciones en el consumo principalmente en las horas de la noche, ya que corresponde a dispositivos de iluminación, por otro lado el escenario 11 provoca mayor impacto en el pico de la mañana ya que el horario en que los usuarios usan los dispositivos para aseo, por ejemplo con la implementación de ambos escenarios se lograrían reducir los picos más importantes del día. Un comportamiento interesante es el presentado tras el escenario 3, ya que genera cambios importantes en el consumo durante todo el día, lo que resulta útil, ya que permite observar el desperdicio de energía al tener televisor de alto consumo. Por último, el escenario 15 es el escenario más significativo a la hora de reducir los picos, ya que centra su atención en éstos sin mostrar muchos cambios en las horas valle, lo que equilibraría la curva.

2,2%

7,2%

13%

3,1%

2,7%

4,2%

2,2%

5,5%

0%1,1%

3,3%

1,8%

0,5%

0,7%

10,2%

0%

2%

4%

6%

8%

10%

12%

14%

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

PO

RC

ENTA

JE D

E A

HO

RR

O A

L M

ES

ESCENARIOS

% de Ahorro Mes

57

Figura 33. Porcentajes de disminución consumo de cada hora, por escenario. Fuente propia.

0%

5%

10%

15%

20%

25%

2 3 11 15

PO

RC

EN

TA

JE D

E A

HO

RR

O P

OR

HO

RA

ESCENARIOS

01234567891011121314151617181920212223

59

5. CONCLUSIONES Y RECOMENDACIONES Como resultado de la investigación estadística presentada, es posible concluir que los electrodomésticos con los que cuentan los usuarios estrato 4 en su hogar se pueden clasificar dentro de dispositivos para Iluminación, Entretenimiento, Cocina, Ropa y Aseo. Además, conociendo el comportamiento de consumo de estos dispositivos, sus dimensiones y características es posible identificar como impactan la curva de demanda y así proponer escenarios de ahorro. Un resultado importante en esta investigación se observó en las mediciones realizadas a los usuarios, en donde fue posible identificar las diferencias que presentan los consumos de un usuario residencial estrato 4, por ejemplo la gran dispersión que se presenta a las 5am, con una desviación de 312,869 W mayor al promedio 260,955 W, diferencia que se debe a factores como la cantidad de personas que habitan la vivienda o la ocupación de las mismas, donde la variación en el hecho de que las personas salgan a trabajar o se queden en casa cambian totalmente la forma en cómo los usuarios consumen energía, o si hay más o menos personas en la vivienda. Sin embargo, pese a estas diferencias el consumo se mueve dentro de ciertos rasgos comunes debidos al estrato socioeconómico, nivel educativo y tecnología de los dispositivos, lo que hace posible su caracterización. La implementación de un modelo de curva de demanda estocástico con componentes probabilísticos y aleatorios permite obtener un comportamiento más real del consumo de los usuarios, al consentir que se puedan dar diferentes curvas, representando los posibles consumos que podrían tener los usuarios. Tras la implementación de los casos de estudio se pudo observar que en aquellos donde se realizó principalmente cambio de tecnología, los escenarios 3 y 2, presentaron porcentajes de ahorro de energía mucho mayor con un 13% y el 7,2% respectivamente vs los que solo proponían cambios en los hábitos de los usuarios, estos escenarios también permitieron la reducción mayor de los picos de potencia aunque no de forma focalizada, ya que la disminución se da a lo largo del día como se presentó en los escenarios 3 y 11, por el contrario aquellos en los cuales se planteó únicamente la modificación de los hábitos de consumo, permitió una reducción en los picos de forma focalizada, desplazando el consumo y haciendo más plana la curva, como ocurre con los escenarios 9, 10, 13 y 14, con los mayores cambios en aquellos escenarios donde se traslada todo el consumo de las horas pico a las valle, obteniendo hasta un ahorro del 10% del consumo de la hora pico como se dio en el escenario 9. En cuanto al impacto económico, por ejemplo, el escenario 11 aunque permite la disminución de potencia en el pico de la mañana de 5am a 8am, no justifica la inversión que tendrían que realizar los usuarios, en cambio escenarios de cambios en los hábitos de consumo son más fáciles de implementar ya que no requieren inversión económica por parte de los usuarios. El modelo permitió que, mediante la implementación de 15 escenarios, se pudiera observar el impacto que tiene sobre el consumo y el comportamiento de la curva de demanda durante cada hora el día el que los usuarios cambiaran los hábitos de consumo o cambiaran la tecnología de los diferentes dispositivos con los que cuentan, permitiendo así identificar que la utilización en determinado dispositivo causa más o menos impacto en la demanda de energía y en la reducción de las horas pico del día. La utilización del televisor, por ejemplo, permite los mayores

60

porcentajes de ahorro de energía consumida en el mes, por su parte los electrodomésticos que permitieron el desplazamiento del consumo para disminuir los picos, son la plancha y la lavadora, mostrando reducciones, aunque en mayor proporción los dispositivos para el calor. Se recomienda generar la interfaz gráfica a partir del modelo establecido, logrando generar variedad de escenarios en busca de estrategias para optimizar el consumo de usuarios residenciales. 5.1. RECOMENDACIONES

Debido a que el tiempo disponible para realizar la medición fue corto, y no se contaban con más equipos, es recomendable realizar más mediciones, de preferencia con equipos similares para reducir el error de la medida, haciendo un análisis a fondo y más preciso de los datos. En este sentido, sería beneficioso revisar de manera presencial los dispositivos instalados en los hogares, potencia, eficiencia, año de compra, etc. A fin de conocer de forma más detallada el consumo de estos electrodomésticos. 5.2. TRABAJOS FUTUROS

Este trabajo es la base para posibles investigaciones acerca de eficiencia energética, gestión de la demanda y respuesta a la demanda, partiendo del conocimiento del comportamiento de consumo de los usuarios, tipos de dispositivos y antigüedad de los mismos factores indispensables a la hora de interpretarlo.

61

BIBLIOGRAFÍA [1] A. Ramírez Ariza, Métodos utilizados para el pronóstico de demanda de energía

eléctrica en sistemas de distribución, Pereira, Colombia, 2013. [2] B. Bowerman, R. O´Connell y A. Koehler, Pronósticos, series de tiempo y regresión: Un

enfoque aplicado, 4, Ed., Mexico: Internacional Thomson Editores, 2007. [3] M. Simbaña, Optimización mediante el método Montecarlo de la demanda eléctrica

residencial, Salesiana Universidad Politécnica ed., Quito, Ecuador, 2015. [4] P. Hernandez, «Media, varianza y desviación estándar,» Ciencia y Mar, vol. XII, nº 34,

pp. 29 - 31, 2008. [5] Glosario de Conceptos Estadística, Buenos Aires, Argentina: Facultad de Sicología,

Universidad de Buenos Aires, Sin año. [6] J. Matus Parra, ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I, Colegio de

Bachillares . [7] J. Murillo, A. Trejos y P. Carvajal Olaya, «ESTUDIO DEL PRONÓSTICO DE LA

DEMANDA DE ENERGIA ELECTRICA, UTILIZANDO MODELOS DE SERIES DE TIEMPO,» Scientia et Technica, vol. IX, nº 23, Diciembre 2003.

[8] D. Villalba, CONSTRUCCIÓN Y UTILIZACIÓN DE UN MODELO ESTOCÁSTICO PARA LA SIMULACION DE ESTRATEGIAS DE MENEJO INVERNAL EN REBAÑOS DE VACAS NODRIZAS, Lleida, España: Universitad de Leida, Departamento de producción animal, 2000.

[9] S. Monrroy Saldivar, Estadistica Descriptiva, Mexico: Instituto Politecnico Nacional, 2008.

[10] M. Takagi, "Electricity Pricing for PHEV Bottom Charge in Daily Load Curve based on Variation Method Masaaki Takagi," IEEE, p. 10, 2005.

[11] D. T. Chicaiza, Prediccion con series de tiempo para la optimización de la demanda eléctrica residencial, Quito, Ecuador: universidad politécnica salesiana, 2015.

[12] M. R. a. D. Brunelli, « Electricity demand forescasting of single residencial units,» IEEE Work Eviron. Energy Struct. Monit Syst. EESMS, 2013.

[13] UPME, PROYECCIÓN DE LA DEMANDADE ENERGÍA ELÉCTRICA Y POTENCIA MÁXIMA EN COLOMBIA, Revisión, 2015.

[14] M. Ortiz, Pronostico de la demanda de energía eléctrica residencial basado en el modelo de regresión adaptiva multivariante spline(MARS), Quito, Ecuador: universidad politécnica salesiana, 2015.

[15] L. S. Paz, «Automatización para la gestión eficiente de energia en el sector doméstico,» Revista Electrónica sobre Tecnología Educación Sociedad, vol. 4, nº 7, Enero-Junio 2017.

[16] «GOOGLE IMAGENES,» [En línea]. Available: https://www.google.com/imghp?hl=es-419.

[17] M. Simbaña, Optimización mediante el método Montecarlo de la demanda eléctrica residencial, Quito, Ecuador: Universidad politécnica salesiana, 2015.

62

[18] M. Takagi, Y. Iwafune, K. Yamaji, Y. Hiromi, K. Okano, R. Hiwatari y T. Ikeya, «Electricity Pricing for PHEV Bottom Charge in Daily Load Curve based on Variation Method,» IEEE, 2011.

[19] C. Hiller, «Factors influencing residents’ energy use—A study of energy-related behaviour in 57 Swedish homes,» Energy and Buildings, vol. 87, pp. 243-252, 2015.

[20] J. L. Villardón, INTRODUCCION A LA INFERENCIA ESTADISTICA: MUESTREO Y ESTIMACION PUNTUAL Y POR INTERVALOS, Salamanca, España : Departamento de Estadistica - Universidad de Salamanca, 2004.

[21] Á. Juan, M. Sedano y A. Vila, DISTRIBUCIONES MUESTRALES, Barcelona, España: Universidad Abierta de cataluña.

[22] V. Irastorza, «EFICIENCIA ENERGÉTICA EN EL SECTOR DOMÉSTICO: EL CASO DEL “PROGRAMA LUZ SUSTENTABLE”,» Revista Digital Universitaria, vol. 13, nº 10, pp. 1067-6079, 01 Octubre 2012.

[23] VIVION : Catalogo de iluminacion. [24] «Aparatos Domésticos,» vidasostenible.org, Julio 2010. [25] EPM, «Uso inteligente de la energía eléctrica, Banco de recomendaciones,» Marzo de

2012. [26] «Calidad de sistemas de Teatro en Casa (Home Theater) y minicomponentes con

sistema de sonido ambiental envolvente,» Revista del consumidor , nº 286, 2000. [27] I. N. d. Energía, «Instituto Nicaragüense de Energía, Ente regulador,» [En línea].

Available: www.ine.gob.ni/DAC/consultas/tabla_Consumo_equipos_electrico.pdf. [Último acceso: 01 11 2016].

[28] E. N. R. d. l. Eléctricidad, «enre,» [En línea]. Available: http://www.enre.gov.ar/web/web.nsf/files/consumos.pdf/$file/consumos.pdf. [Último acceso: 01 11 2016].

[29] C. S. i. p. g. y. a. d. energía, «cimepowersystems,» [En línea]. Available: http://cimepowersystems.com.mx/descargas/Tablas_Consumo-Electrico.pdf. [Último acceso: 01 11 2016].

[30] C. d. A. E. (catalogo), «HACEB,» [En línea]. Available: http://www.haceb.com/. [Último acceso: 01 11 2016].

[31] UPME, «Plan Estrategico Nacional Colombia: Ideario Energético 2050,» Bogota, Colombia , 2015.

[32] CODENSA, «CODENSA - Empresa de Energía,» Diciembre 2016. [En línea]. Available: https://www.codensa.com.co/hogar/tarifas. [Último acceso: 01 Enero 2017].

[33] Philips, «Philips Folletos y Tarifas,» [En línea]. Available: http://images.philips.com/is/content/PhilipsConsumer/PDFDownloads/Spain/ODLI-20160620_001-UPD-es_ES-Philips-Lighting-Espana-catalogo-LED-junio-2016.pdf. [Último acceso: 01 Nobiembre 2016].

[34] «Catálogo de Computadores Portátiles,» [En línea]. Available: http://www.pceverest.com/productos/portatiles/. [Último acceso: 10 03 2017].

[35] C. F. IDG, «Computerworld From IDG,» [En línea]. Available: http://www.computerworld.es/archive/el-ciclo-de-vida-util-de-un-pc-ha-quedado-reducido-a-tan-solo-tres-anos-segun-idc. [Último acceso: 10 03 2017].

[36] nevera, nevera 9% ahorro.

63

[37] Hola Luz, «Ahorrar en la factura de luz: trucos para reducir el consumo de nuestro frigorífico,» [En línea]. Available: Ahorrar en la factura de luz: trucos para reducir el consumo de nuestro frigorífico. [Último acceso: 01 Noviembre 2016].

[38] Escuela Politécnica Superior (Málaga) , «Universidad de Málaga,» [En línea]. Available: http://www.riuma.uma.es/xmlui/bitstream/handle/10630/7945/WORD%20FINAL%20con%20nevera.pdf?sequence=1. [Último acceso: 01 Nobiembre 2016].

[39] Falabella, «falabella.com,» [En línea]. Available: http://www.falabella.com.co/falabella-co/category/cat1040986/Neveras-no-frost. [Último acceso: 01 Noviembre 2016].

[40] «Homecenter,» [En línea]. Available: http://www.homecenter.com.co/homecenter-co/category/cat740072/Calentadores%20de%20paso%20a%20gas. [Último acceso: 10 03 2017].

[41] M. N. G. Wood*, "Dynamic energy-consumption indicators for domestic appliances: environment, behaviour and design," Elsevier, p. 21, 2002.

65

6. ANEXOS ANEXO I. ENCUESTA: FASE UNO En el siguiente link se presenta la primera fase de la encuesta realizada a los usuarios: https://goo.gl/forms/KbAVDxLeVy73S5cY2 ANEXO II. ENCUESTA: FASE DOS En el siguiente link se presenta la segunda fase de la encuesta realizada a los usuarios: https://goo.gl/forms/1FnMQdloUn9i2EW23 ANEXO III.COMPORTAMIENTO DE LA NEVERA La figura presenta comportamiento del consumo de la nevera de la casa 1, donde se observa que el motor enciende durante la tercera parte del día, y permanece apagado el resto de la hora, y así durante todo el día.

66

ANEXO IV. PROTOCOLO PARA REALIZAR MEDICIONES A TRAV ÉS DEL ANALIZADOR DE ENERGÍA Y DE LA CALIDAD DE ENERGÍA EL ÉCTRICA FLUKE 435

Datos Básicos de la medida Nombre De Quien Realiza La Medición

Dirección De Domicilio Localización Física (CAJA DE

BREAKERS)

Tipo de conexión utilizada Topología Seleccione Mono fase

Fase dividida 3φ – en estrella

3φ – en triangulo 3φ – en triangulo de dos elementos

(aron)

Temperatura Ambiente Fecha de Medición

Intervalos de medición 5 minutos Hora de inicio

Hora de finalización Día de inicio

Día de finalización Pasos para conexión del ANALIZADOR DE ENERGÍA Y DE LA CALIDAD DE ENERGÍA ELÉCTRICA FLUKE 435

¡Advertencia! Para evitar el riesgo de sufrir una descarga eléct rica o dañar el equipo, y antes de realizar ninguna conexión al instrumento, lea y sig a las advertencias y precauciones de seguridad incluidas en el Manual de uso del instrum ento. 1. Configuración del analizador Al encender el analizador por primera vez, tras un ajuste predeterminado de fábrica, o si se ha desconectado de todas las fuentes de alimentación, deberá ajustar varios valores generales que serán necesarios para esta medida. En la tabla siguiente se presenta la información inicial a ajustar:

Ajuste Valor predefinido Idioma de la información Español Frecuencia nominal 60 Hz Tensión nominal 120 V Identificación de fase A, B, C

Colores de fase A/L1 -B/L2-C/L3-N-Puesta a tierra

Negro-Rojo-Azul-Gris-Verde

Fecha + Formato de fecha Mes/día/año Fecha + Hora 1 de enero de 2010 + 00:00:00

67

Cuando termine de configurar los parámetros de la tabla, aparecerá la pantalla mostrada en la Figura 2. Esta pantalla permite acceder a todos los ajustes del analizador.

Figura 1. Pantalla de entrada a las configuraciones del analizador

La tecla de función F1 permite acceder a una pantalla que muestra detalladamente cómo conectar las sondas de tensión y corriente al sistema de alimentación que se va a examinar. En la figura 2 se muestra un ejemplo. Pulse F1 de nuevo para volver a la pantalla de bienvenida.

Figura 2. Pantalla que muestra la configuración del cableado real

68

Pulse la tecla para acceder a los menús que incluyen todas las configuraciones del analizador. Por medio de las flechas se selecciona la opción correspondiente al sistema que se va a medir.

Figura 3. Configuración tipo de conexión

Para configurar la forma de conexión se pulsa f4 y se selecciona por medio de los cursores la opción adecuada Antes de realizar medidas, configure el analizador según la tensión de línea, la frecuencia y la configuración del cableado del sistema de alimentación que desee medir. CONFIGURACIÓN DE LA CONEXIÓN La conexión de un sistema trifásico se muestra en la Figura 4.

Figura 4. Conexión del analizador a una instalación trifásica

69

Primero, ponga las pinzas amperimétricas alrededor de los conductores de fase A (L1), B (L2), C (L3) y N (neutro). Las pinzas están marcadas con una flecha que indica la polaridad de señal correcta, luego realice las conexiones de tensión: comience por la conexión a tierra y, después, en sucesión N, A (L1), B (L2) y C (L3). Para obtener resultados de medida correctos, conecte siempre la entrada de conexión a tierra. Para medidas monofásicas, utilice la entrada de corriente A (L1) y las entradas de tensión de conexión a tierra, N (neutro) y fase A (L1). Las pantallas de osciloscopio y fasor son útiles para comprobar si los cables de tensión y las pinzas amperimétricas están conectados correctamente. En el diagrama de vectores, las tensiones de fase y las corrientes A (L1), B (L2) y C (L3) deben aparecer en secuencia al observarlas en el sentido de las agujas del reloj como se muestra en el ejemplo de la Figura 5.

Figura 5. Diagrama de vectores correspondiente al analizador correctamente conectado.

2. Configuración del Registrador

Para acceder al menú de inicio del analizador, se pulsa la tecla .

70

Figura 6. Menú de configuración del registrador.

El juego de lecturas que debe registrarse se puede seleccionar en el menú situado bajo la tecla de función F1 – SETUP READINGS. Con las teclas de flecha arriba/abajo puede seleccionar la categoría de las lecturas que se vayan a registrar. Estas categorías se enumeran en la columna 1: Voltios, Amperios, potencia, energía, armónico de Voltios, armónico de Amperios, armónico de Vatios, frecuencia, parpadeo, desequilibrio y transmisión de señales. Con las teclas de flecha puede seleccionar la columna 2 donde se enumeran las lecturas que pertenecen a la categoría seleccionada. Las lecturas indicadas con están activas y también se muestran en la columna 3.

Las lecturas indicadas con no están activas. Las lecturas inactivas se pueden seleccionar con las teclas de flecha arriba/abajo. A continuación, si pulsa F3 – ADD, la lectura se añadirá a

la columna 3 de lecturas seleccionadas. Tenga en cuenta que en la columna 2, el símbolo aparece ahora delante de la lectura que se acaba de seleccionar. Con las teclas de flecha puede seleccionar una lectura activa en la columna 3. A continuación, si pulsa F4 – REMOVE, la lectura se eliminará de la lista de lecturas activas. Con F3 – MOVE, puede desplazar una determinada lectura a una posición superior en la lista de lecturas seleccionadas. Para continuar pulse F5 – OK. Una vez terminada la configuración de la ventana de la Figura 5, se pulsa START y se da comienzo a la medición.

71

ANEXO V. PROTOCOLO PARA REALIZAR MEDICIONES A TRAVÉ S DEL ANALIZADOR DE RED FLUKE 1730



BREAKERS)

Tipo de conexión utilizada Topología Seleccione Mono fase


3φ – en triangulo 3φ – en triangulo de dos elementos

(aron)


Intervalos de medición 1 minuto Hora de inicio


Día de finalización Pasos para conexión ANALIZADOR DE RED FLUKE 1730

¡Información de seguridad! Recuerde que está trabajando con niveles de tensió n peligrosos, tome las medidas necesarias para realizar la instalación del equipo para evitar posibles descargas eléctricas, fuego o lesiones personales. 1. Configuración de la sesión de registro

Encienda el equipo. Si no hay ninguna sesión de registro activa, pulse para abrir la pantalla Resumen de la configuración (Setup Summary) correspondiente al registro. Esta pantalla contiene todos los parámetros de registro, como: • Nombre de la sesión. • Duración. • Intervalo del cálculo promedio. • Intervalo de demanda • Costes energéticos • Descripción.

72

Figura 1. Ventana logger (parámetros del registro) A CONTINUACIÓN SE DARA UNA BREVE EXPLICACIÓN DE LOS PARÁMETROS EN LA SESIÓN DE REGISTRO Nombre de la sesión: El Registrador genera automáticamente el nombre del archivo utilizando el formato ES.xxx. ES ... Estudio de energía xxx ... Número de archivo consecutivo Duración: Seleccione la duración de la medición en la lista. La sesión de registro se detiene automáticamente cuando transcurre el tiempo de la duración seleccionada. La sesión de registro también se puede parar manualmente. Intervalo del cálculo promedio: Seleccione el intervalo de tiempo cada cual debe añadirse un nuevo valor promedio a la sesión de registro. Están disponibles los siguientes intervalos: 1 seg., 5 seg., 10 seg., 30 seg., 1 min., 5 min., 10 min., 15 min y 30 min. Intervalo de demanda: Los proveedores eléctricos utilizan éste intervalo para medir la demanda de los clientes. Seleccione un intervalo para obtener el coste energético y el valor de la demanda máxima (potencia promedio medida a lo largo del intervalo de demanda). Lo más habitual es utilizar un valor de 15 minutos. Si no conoce el intervalo promedio, seleccione 5 minutos. Costes energéticos: Introduzca el coste/kWh correspondiente a la energía demandada. Descripción: Utilizando el teclado virtual, introduzca más información sobre la medición, como por ejemplo el cliente, la ubicación y los datos de la placa de características. 1. Configuración del registrador para la medida

�� Para modificar los parámetros, pulse Edit Setup (Editar configuración). La configuración se conservará al apagar el instrumento.

73

Figura 2. Ventana de edición para la configuración del registrador para la medición.

En la Figura 2 se muestra la ventana de configuración para la realización de la medición, cada uno se puede modificar dando clic sobre cada parámetro o moviéndose con las flechas que están a la derecha del equipo y pulsando Enter. �� Para el cambio del nombre del nuevo registro, al ingresar a la ventana se escribe el nombre

que se le quiere dar y se pulsa Enter.

Figura 3. Ventana de configuración del nombre

�� Para la opción duración, que para este estudio se tomara de una semana, se selecciona

esta opción dando clic sobre la opción “1 semana”. En la opción Definir fecha y hora de inicio se cambia a "ON" para poder editar y por medio de la pantalla táctil se selecciona la fecha y hora de inicio de la medición, de igual forma para la fecha de finalización, finalmente se pulsa Enter dos veces.

74

a)

b)

c)

Figura 4a, 4b, 4c. Ventana configuración duración, fecha y hora

�� Para la opción calcular medida, al ingresar a la ventana, se selecciona cada “1 minuto”, que será el tiempo de muestreo para esta medición Y Enter.

75

Figura 5. Ventana configuración del cálculo de la medida cada 1 minuto.

�� La especificación del intervalo de demanda no será objeto de esta medida, por lo que se

dejara como predeterminado en "apagado". �� Para la opción coste de la energía, se escogerá el predeterminado o un valor arbitrario.

a)

b)

Figura 6a y 6b. Ventana configuración intervalo demanda y coste de energía.

Finalmente se dará clic en Hecho o F4 para grabar el nuevo registro.

76

Configuración de la conexión y tipo de estudio Seleccione el sistema pertinente. En el Registrador se visualizará un esquema de conexiones para los cables de prueba de tensión y los sensores de corriente. También puede accederse a

un esquema a través de (Esquema de conexiones) (Connection diagram) en el menú Cambiar configuración (Change Configuration). A CONTINUACIÓN SE PRESENTAN LOS TIPOS DE CONEXIONES DISPONIBLES JUNTO CON EL DIAGRAMA DE CONEXIÓN. (SU SELECCIÓN DEPENDE DE LA TOPOLOGÍA EN SU HOGAR)

TABLA 1. Topologías del sistema a medir Monofásico

Fase dividida

3-Ф estrella

3-Ф triángulo

77

Triángulo 2 elementos (Aron/Blondel)

TIPO DE ESTUDIO Dependiendo de la aplicación, seleccione " Estudio de carga " (Load Study) o " Estudio de energía " (Energy Study). Estudio de energía : seleccione este tipo de estudio si necesita los valores de potencia y energía, incluida la potencia activa (W) y el factor de potencia (PF). Estudio de carga : por comodidad, algunas aplicaciones requieren que únicamente se mida la corriente de la conexión en el punto de medición. 2. Configuración del tipo de conexión y tipo de est udio

� Para la configuración de la topología y tipo de estudio, vaya a Meter (Multímetro) > Cambiar configuración (Change Configuration).

Figura 7. Ventana Meter

� Al ingresar a la opción , se presentan las opciones de tipo de estudio y topología del sistema que se quiere medir.

De igual forma para ingresar a las opciones se puede dar clic sobre cada opción o con las flechas, pulsando Enter.

78

Figura 8. Ventana cambiar configuración

� Al ingresar a la ventana de estudio de energía, se selecciona estudio de energía, que es el

requerido para esta medida. Y Enter.

Figura 9. Ventana configuración de tipo de estudio

� Para la configuración de la topología como ya se mencionó, depende de la instalación

donde se realizará la medida, una vez identificada la topología se selecciona una opción y se pulsa Enter.

Figura 10. Ventana configuración de la topología

79

� Las demás opciones se dejan como las predeterminadas. 3. Conexión del equipo Luego de identificar la topología que presenta en su hogar proceda a realizar la conexión en la caja de Breakers como se observa en la Tabla 1, tome las medidas de seguridad necesaria para su seguridad. 4. Inicio de registro

Para iniciar el registro de clic en el botón con lo cual se dará inicio a la medida, con los parámetros anteriormente establecidos. Nota: recuerde que el equipo debe estar conectado ( cargando) durante TODA la medición SIN INTERRUPCION. ANEXO VI. PROTOCOLO PARA REALIZAR MEDICIONES A TRAV ÉS DEL PQA823 DE HT INSTRUMENTS



BREAKERS)

Tipo de conexión utilizada Topología Seleccione Monofase



Intervalos de medición 2 minutos Hora de inicio


Día de finalización Pasos para conexión del PQA823 DE HT INSTRUMENTS

¡ CAUTION ! Para evitar el riesgo de sufrir una descarga eléctr ica o dañar el equipo, y antes de realizar ninguna conexión al instrumento, lea y siga las adv ertencias y precauciones de seguridad incluidas en el Manual de uso del instrum ento.

80

1. Interfaz inicial

Al encender el equipo lo primero que verán será el menú general.

Figura 1. Pantalla menú principal

La sección seleccionada actual se muestra con el fondo de color rojo en la pantalla y su título se muestra en la parte inferior de la pantalla. En las secciones siguientes se encuentran disponibles en el medidor: - La sección Configuración general permite configurar los parámetros del sistema de medida, como la fecha / hora, idioma, brillo de la pantalla, la protección de contraseña, claves de sonido en el poder de auto presión y el tipo de memoria. - La sección de valores de tiempo real permite ver los valores de medición del tiempo real en la pantalla bajo diversos formatos. - La sección de configuración del analizador permite definir las configuraciones simples y avanzadas relativas a la conexión del medidor a la instalación. - La sección de configuración de la grabadora que permite seleccionar los parámetros para cada grabación y ver la información sobre la autonomía del metro durante el funcionamiento. - La sección Resultados de la grabación, permite ver la lista de todas las grabaciones guardadas en la memoria interna, para la memoria cancelar las operaciones y la transferencia de la fecha en la externa USB Pen Driver. - La sección de información del medidor que permite acceder a la información general sobre la medición (número de serie, versión de firmware y software interno, etc...).

81

2. Configuración del analizador

Figura 2. Configuración del analizador

Dentro de esta sección se realizan las configuraciones relacionadas con el tipo de instalación eléctrica en la que se está midiendo, en general es posible seleccionar el tipo de sistema y la frecuencia.

Figura 3. Pantalla de configuración del analizador

En la pantalla de configuración del analizador, en la opción system se selecciona el sistema, en concordancia con el sistema a medir, posteriormente se selecciona la opción frecuencia y se modifica a 60Hz, finalmente se selecciona mediante la pantalla táctil en el chulo verde. A CONTINUACIÓN SE PRESENTAN LOS TIPOS DE CONEXIONES DISPONIBLES JUNTO CON EL DIAGRAMA DE CONEXIÓN. (SU SELECCIÓN DEPENDE DE LA TOPOLOGÍA EN SU HOGAR)

82

TABLA 1. Topologías del sistema a medir Monofásico

ARON

Trifásica

3. Configuración de la grabación

Figura 4. Configuración de la grabación

83

En esta sección se define cualquier detalle relativo al inicio y parada de las grabaciones, realizar la selección de los parámetros para la grabación, el tipo de análisis que se lleva a cabo muy fácilmente gracias a la "pantalla táctil" pantalla.

Figura 5. Pantalla de configuración de la grabación

En la opción comments se fija el nombre de la medición, pulsando sobre la opción. En el parámetro start:menu se define la fecha y la hora de inicio de la grabación y stop:menu la fecha y hora de terminación de la grabación, la opción general parameters permite la selección de parámetros a grabar, voltaje, corriente, potencia y factor de potencia, por último la opción integration period permite fijar el tiempo de la toma de muestras que será para esta medición 2 minutos . Se da clic en el culo verde al terminar la configuración. 4. Inicio de la grabación El medidor está diseñado para iniciar una grabación en modo manual o automático pulsando la tecla de GO / STOP. Una operación de grabación puede iniciarse exclusivamente bajo las siguientes pantallas: GENERAL MENÚ (con cualquier icono seleccionado). VENTANA DE VISUALIZACIÓN EN TIEMPO REAL (en cualquier pantalla interna). Para activar y desactivar las grabaciones con medidor. Las opciones posibles son: - Manu: Cada grabación está activado / desactivado en el modo manual pulsando la tecla GO / STOP. - Auto: Cada grabación está activado / desactivado en modo automático, a partir de un medio y válida la fecha / hora mediante prensado preliminar de tecla GO / STOP. La configuración por defecto es siempre el modo manual para cambiar del modo manual al modo AUTO se lleva a cabo los siguientes pasos: 1. Mover el cursor con las teclas de flechas en el campo relativo a "Inicio: Manu" o "Stop: Manu", marcado con el fondo azul. 2. Pulse la tecla F4 (o bien tocar el modificar en pantalla). En la parte inferior de la pantalla se muestra una barra de comandos con "Manu". 3. Pulse la tecla F3 (MOD (+)) o F4 (MOD (-)) y seleccionar "Auto".

84

4. Use las teclas de flechas izquierda o derecha para moverse en los campos de fecha y hora. Utilizando la tecla de flecha hacia arriba o la tecla (MOD (+)) F3 para aumentar el valor y la tecla de flecha hacia abajo o F4 (MOD (-)) clave para reducir el valor. 5. Pulse GUARDAR o la tecla ENTER (o el icono inteligente) para guardar las configuraciones. El modo automático y de la fecha / hora se muestran en la pantalla.

85

ANEXO VII. TABLA DATOS DE POTENCIA MEDIDOS DURANTE CADA HORA DEL DÍA DE LAS 19 CASAS

Hora del día casa 1 casa 2 casa 3 casa 4 casa 5 casa 6 casa 7 casa 8 casa 9

0 151,050 91,049 59,746 104,767 216,036 61,663 148,574 383,530 336,263 1 107,800 75,229 56,477 80,125 162,934 74,928 123,178 423,633 329,141 2 96,896 43,358 48,314 86,495 116,235 51,144 91,821 436,745 316,528 3 78,295 42,465 60,009 95,575 94,192 102,471 94,968 443,579 326,096 4 296,122 62,754 61,220 126,745 92,419 183,573 112,202 272,468 332,516 5 146,954 300,018 78,066 227,324 142,610 221,820 100,103 1354,501 438,838 6 118,021 569,526 139,253 151,960 130,951 510,591 143,840 529,686 764,718 7 242,807 517,331 141,446 205,933 159,803 397,816 123,774 634,589 878,941 8 248,155 125,115 84,300 293,086 205,828 626,334 193,382 665,804 373,688 9 303,236 74,800 73,942 315,049 196,132 135,696 259,457 376,973 677,144

10 353,082 61,426 60,696 230,242 230,019 375,750 202,782 394,083 401,088 11 270,451 77,609 62,023 213,158 205,471 413,677 168,174 216,078 403,352 12 567,712 60,415 70,285 288,453 203,027 317,800 231,412 353,515 450,812 13 511,245 78,205 71,652 304,982 195,092 152,557 165,029 291,417 538,238 14 305,718 105,545 72,523 285,804 233,402 113,143 161,074 360,136 423,648 15 381,868 113,839 74,476 297,578 295,714 240,694 120,495 197,875 403,358 16 356,270 172,677 103,158 330,486 280,579 361,580 123,303 170,402 370,272 17 326,489 213,505 118,944 457,968 203,653 223,882 181,417 178,029 456,558 18 454,880 237,968 178,141 482,090 215,627 346,201 295,304 182,411 937,401 19 460,142 239,350 191,575 412,558 228,608 251,927 389,374 262,434 973,638 20 359,841 227,460 165,793 403,344 234,030 195,276 315,336 318,944 858,577 21 251,129 224,359 116,259 443,441 229,469 207,080 331,358 299,726 809,544 22 196,425 226,920 65,348 325,431 275,667 177,966 203,815 248,319 611,621 23 142,584 154,430 57,942 164,261 250,124 91,155 159,769 198,275 371,216

86

Hora del día casa 10 casa 11 casa 12 casa 13 casa 14 casa 15 casa 16 casa 17 casa 18 casa 19

0 108,160 73,843 166,681 98,850 172,370 161,448 82,121 204,070 249,834 86,413

1 80,185 68,543 137,127 64,284 153,330 136,673 53,417 126,044 128,024 80,841 2 94,924 70,893 105,206 52,229 141,902 120,292 36,457 112,150 132,448 93,349

3 67,487 72,731 109,589 56,921 138,120 118,288 61,642 97,259 264,460 87,619 4 306,512 127,517 93,964 331,775 152,637 109,614 132,669 86,105 160,905 90,381

5 194,250 103,116 88,152 781,249 198,363 111,142 66,090 128,410 171,549 105,587 6 243,114 76,617 100,539 325,185 229,825 163,560 371,911 196,774 329,831 153,000

7 278,956 70,368 104,275 326,928 221,844 217,901 487,338 187,960 609,004 197,143 8 170,031 71,196 98,902 113,470 294,243 265,125 204,505 233,349 683,224 188,857

9 289,869 68,353 105,428 185,664 237,729 263,249 145,602 282,108 924,754 119,270 10 181,595 83,606 121,515 298,227 274,512 263,299 269,880 257,943 1046,360 123,556

11 228,007 104,178 124,710 306,295 212,534 235,961 210,641 298,721 341,513 208,698 12 158,466 93,626 138,663 154,764 277,863 283,947 70,871 203,279 622,180 184,238

13 199,666 81,981 175,079 133,545 232,430 280,846 100,117 258,942 386,398 162,000 14 218,505 85,735 152,948 376,866 256,371 254,669 150,953 218,694 242,358 140,349

15 209,054 126,000 147,563 270,248 242,773 234,775 138,541 209,461 214,270 181,714 16 199,944 100,329 150,557 199,826 243,720 250,088 153,818 215,409 130,965 191,825

17 211,867 146,783 164,242 239,967 222,183 261,471 202,415 263,846 298,572 181,540 18 231,457 104,829 273,794 291,038 222,477 318,506 264,510 224,942 382,495 260,127

19 298,443 104,878 280,669 279,884 291,736 370,844 286,022 221,233 498,676 227,048 20 319,362 95,556 300,518 297,209 298,416 347,985 282,358 216,946 347,804 216,540

21 289,126 103,562 309,563 346,132 409,253 320,280 226,138 249,297 266,841 229,111 22 248,729 109,089 287,246 283,125 396,049 272,708 131,595 264,617 250,732 100,524

23 182,534 107,555 228,695 190,201 303,376 219,443 101,399 273,816 155,235 82,794

87

ANEXO VIII. DIAGRAMAS DE FLUJO POR GRUPO DE DISPOSI TIVO ILUMINACIÓN En la primera parte del código iluminación se identifican las variables que se utilizaran para determinar la curva de consumo de iluminación en los hogares estrato 4 y se eliminan los datos impresos en pantalla dado que las variables que puedan estar guardadas de programas anteriores, evitando que las variables utilizadas en el programa presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos variables, el vector Y de 1x24 estableciendo porcentaje de uso por cada hora del día, tomado de la encuesta realizada sobre hábitos de consumo, y el vector Z de 1x5 que representa la potencia de las tecnologías de iluminación, bombillos 60W, de 100W, fluorescentes compactos, LED y halógenos. En la parte 3 se establece un vector aleatorio Xn de cinco posiciones correspondiente las tecnologías de iluminación, los elementos del vector son generado con el comando random con una distribución de probabilidad normal establecida con los resultados de la encuesta, utilizando la media y la desviación estándar de cada tecnología, con el objetivo de que la aparición por tecnología represente un comportamiento real. Se establece J como la suma de la cantidad de tecnologías. En la parte 4 del Anexo VIII: CÓDIGO ILUMINACIÓN se evalúa que la cantidad total de bombillos (J) dentro del rango 14 y 10, consecuente con las encuestas, como la cantidad de dispositivos de iluminación que la mayoría de usuarios tienen en sus hogares, mediante dos ciclos while en donde se rectifica el valor hasta que el valor se encuentre dentro del rango. Este vector Xn se imprime en pantalla y representa la capacidad instalada por cada tecnología. En la parte 5 se propone para determinar el porcentaje de uso, mediante un vector aleatorio de 24 posiciones con valores entre 0 y 0,05 se varían los porcentajes de uso, estos valores pueden aumentar o disminuir dentro de este rango, además el código establece que, si uno de los valores toma valores menores que 0 no genera cambio en el vector Y de porcentajes de uso. Este nuevo vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora. Luego en la parte 6 se multiplica el vector de porcentaje de uso por hora YN con el valor de la suma de capacidad instalada J obteniendo así la cantidad de elementos encendidos en cada hora, este es un vector con unas dimensiones de 24x1, de acuerdo al número de horas del día, este vector se imprime en pantalla con nombre F. En la parte 7 del código se crea un vector aleatorio de 5 posiciones, donde cada valor no supera la capacidad instalada de bombillos, mediante un ciclo for se recorre cada hora, en el cual se determina que los bombillos encendidos de cada hora se seleccionen de acuerdo con los que están instalados, utilizando ciclos while para rectificar los valores, esto se realiza para las 24 horas para que al final se genere un vector con dimensiones 24x5 cumpliendo que cada hora tenga la cantidad de bombillos establecidos en F pero sin superar la capacidad instalada Xn, este vector se imprime en pantalla y presenta el nombre de g. Posteriormente en la parte 8 se multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de cada una de las tecnologías de iluminación, aquí se suman las potencias de cada hora. Adicionalmente a esto se genera un vector S que representa los minutos que se mantienen encendida la iluminación en los hogares, este vector se multiplica por Pt que es la potencia de cada hora generando así la potencia total consumida en cada hora. Este vector se imprime en pantalla como P1, esta potencia se grafica con respecto a un vector t que representa las 24 horas del día. Finalmente, en la parte 9 se guarda el vector P1 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en kW que consume el usuario al día y con esto se establece la energía mensual como Emes.

88

En la figura siguiente se puede observar el diagrama de flujo correspondiente al código de iluminación implementado en el software Matlab.

89

Código Iluminación Parte 1

1. %Xn= capacidad instalada por tecnologia 2. %n tecnologias 1=60 2=100 3=fluo 4=led 5=halo 3. %Y porcentaje de uso base 4. %YN porcentaje de uso final 5. %g=bombillos encendidos en cada intervlo de tiempo 6. %P1 potencia final consumida por horas 7. clear 8. clc

Parte 2

9. %declaracion de variables 10. Y=[ 0.26 0.26 0.26 0.26 0.26 0.26 0.24 0.24 0.24 0.15 0.15 0.15 0.16 0.160.16

0.27 0.27 0.27 0.62 0.62 0.62 0.45 0.45 0.45 ] ;% vector de porcentaje de uso por hora

11. Z=[ 60 100 23 12 50] ;% potencia por tipo de tecnología

Parte 3

12. %iteracion de Xn 13. Xn=[ round ( random ( 'norm' , 1.7 , 2.4 )) round ( random ( 'norm' , 0.88 , 1.42 )) round ( rando

m( 'norm' , 6.53 , 4.20 )) round ( random ( 'norm' , 1.19 , 3.02 )) round ( random ( 'norm' , 0.71, 1.39 ))] ;% vector de probabilidad normal de ocurrencia por ho ra

14. Xn( Xn<0) =0;% cualquier valor de Xn menor a 0 se convierte en 0 15. J=sum( sum( Xn)) ;%J representa la suma de los valores de Xn que dan l a

capacidad instalada inicial

Parte 4

16. while ( J>14) ; %siempre que J sea mayor que 14 17.

Xn=[ round ( random ( 'norm' , 1.7 , 2.4 )) round ( random ( 'norm' , 0.88 , 1.42 )) round( random ( 'norm' , 6.53 , 4.20 )) round ( random ( 'norm' , 1.19 , 3.02 )) round ( random( 'norm' , 0.71 , 1.39 ))] ;% vector de probabilidad normal de ocurrencia por hora

18. Xn ( Xn<0) =0;% cualquier valor de Xn menor a 0 se convierte en 0 19. J =sum( sum( Xn)) ;%J representa la suma de los valores de Xn que dan l a

capacidad instalada 20. while ( J<10) ;%siempre que J sea menor que 10 21.



capacidad instalada 24. end%se rectifica el nuevo vector hasta que sea mayor qu e 10 25. end %se rectifica el nuevo vector hasta que sea menor de 14 26. while ( J<10) ; %siempre que J sea menor que 10

90

27. Xn=[ round ( random ( 'norm' , 1.7 , 2.4 )) round ( random ( 'norm' , 0.88 , 1.42 )) round( random ( 'norm' , 6.53 , 4.20 )) round ( random ( 'norm' , 1.19 , 3.02 )) round ( random( 'norm' , 0.71 , 1.39 ))] ;% vector de probabilidad normal de ocurrencia por hora


capacidad instalada 30. while ( J>14) ;%siempre que J sea mayor que 14 31.



capacidad instalada 34. end%se rectifica el nuevo vector hasta que sea menor qu e 14 35. end %se rectifica el nuevo vector hasta que sea mayor de 10 36. disp 'capacidad instalada' , Xn %capacidad instalada de cada tecnología

Parte 5

37. %iteracion de porcentaje de uso YN 38. O=rand ( 1, 24) ;% vector aleatorio de 24 posiciones con valores entre 0 y 1 39. U=linspace ( 0.05 , 0.05 , 24) ;% vector de 24 posiciones con valores de 0.05 40. W=O. * U;% se multiplican los dos vectores para crear un vect or

de 24 posiciones con valores entre 0 y 0.05 41. M=( randn ( 1, 24)) ;% vector aleatorio de 24 posiciones con valores positivos y

negativos 42. M( M>0) =1;% se reemplaza de M los valores mayores que 0 por 1 43. M( M<0) =- 1;% se reemplaza de M los valores menores que 0 por - 1 44. YN=Y+( W.* M) ;% se multiplica el vector de - 1 y 1 por W y se le suma al

porcentaje de uso 45. YN( YN<0) =0;% los valores del vector que tomen valores negativos se hacen 0 46. disp 'porcentaje de uso' , YN %porcentaje de uso de cada hora

Parte 6

47. %bombillos encendidos 48. FN=round ( J* YN) ;% se multiplica la capacidad instalada por el vector de

porcentaje de uso y los valores se redondean 49. F=FN' ;% se coloca el vector de forma vertical 50. disp 'total bombillos encendidos' , ( F) %bombillos encendidos total por hora

Parte 7

51. %cantidad de bombillos encendidos de cada tecnologia en cada hora 52. Kn=( rand ( 1, 5)) ;% vector aleatorio de 5 posiciones 53. N=round ( F* Kn) ;% se multiplica el total de bombillos encendidos por el vector

aleatorio haciendo que los valores no superen los b ombillos encendidos y se redondea

54. I =sum( N' ) ;% se suman los valores resultantes de N 55. I1 =I' ;% se convierte el vector de forma vertical 56. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones

91

57. if I1 ( i ) ==F( i ) ;%si I1 es igual a F 58. for j =1: 5 % ciclo que recorre la matriz en 5 posiciones de forma

horizontal 59. N2 ( j ) =N( i , j ) ; % almacena el valor de N en una matriz N2 60. while N2 ( j ) >Xn( j ) ; %siempre que N2 sea mayor que Xn 61. N2 ( j ) =Xn( j ) ; % N2 es igual a Xn 62. end % recifica el valor de N2 para que sea menor que Xn 63. end % el ciclo finaliza hasta que j sea 5 64. I1 ( i ) =sum( sum( N2)) ; % se realiza la suma de los valores de N2 como

variable I1 65. while I1 ( i ) ~=( F( i )) %siempre que I sea diferente de F 66. Kn =( rand ( 1, 5)) ; % vector aleatorio de 5 posiciones 67. N2 =round ( F( i ) * Kn) ; % se multiplica Kn por la cantidad de bombillos

encendidos y se redondea 68. I1 ( i ) =sum( sum( N2)) ;% se suma el vector N2 69. for f =1: 5 % ciclo que recorre la matriz en 5 posiciones de forma

horizontal 70. while N2 ( f ) >Xn( f ) %siempre que N2 sea mayor que Xn 71. N2 ( f ) =Xn( f ) ;% N2 es igual a Xn 72. end% recifica el valor de N2 para que sea menor que Xn 73. end % el ciclo finaliza hasta que f sea 5 74. I1 ( i ) =sum( sum( N2)) ; % se realiza la suma de los valores de N2 como

variable I1 75. end % se rectifica el valor de I hasta que sea igual a F 76. else %si I1 es diferente que F 77. while I1 ( i ) ~=( F( i )) % siempre que I1 sea diferente que F 78. Kn =( rand ( 1, 5)) ; % vector aleatorio de 5 posiciones 79. N2 =round ( F( i ) * Kn) ; % se multiplica Kn por la cantidad de bombillos


horizontal 82. while N2 ( f ) >Xn( f ) %siempre que N2 sea mayor que Xn 83. N2 ( f ) =Xn( f ) ; % N2 es igual a Xn 84. end % recifica el valor de N2 para que sea menor que Xn 85. end % el ciclo finaliza hasta que f sea 5 86. I1 ( i ) =sum m( sum( N2));

% se realiza la suma de los valores de N2 como varia ble I1 87. end % se rectifica el valor de I hasta que sea igual a F 88. end % finaliza el condicional if 89. for e =1: 5 %ciclo que recorre valores de 1 a 5 90. g ( i , e) =N2( e) ; %almacena los valores de N2 en una matriz g 91. end %el ciclo finaliza hasta que e sea 5 92. end %el ciclo finaliza hasta que i sea 24 93. disp 'bombillos encendidos por tecnologia' , ( g) % Bombillos encendidos por

tecnología

Parte 8

94. Pt =g* Z' ; % se multiplica el vector de los bombillos encendido s por tecnologia por la potencia de cada tecnologia

95. S=[ 0.17 0.17 0.17 0.17 0.5 0.5 0.25 0.25 0.25 0.11 0.11 0.11 0.11 0.11 0.11 0.11 0.17 0.25 0.5 0.5 0.5 0.5 0.25 0.25 ] ;% vector de uso por hora de iluminacion

96. P1=Pt. * S' ; % se multiplica el vector de potencia por el uso hor ario de iluminacion

92

97. disp 'potencia total ' , ( P1) %potencia total de cada hora 98. t =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;%vector de

tiempo 99. plot ( t , P1) % grafica de potencia vs tiempo

Parte 9

100. save P1 % se almacena la matriz P1 para ser utilizada en otr os codigos 101. Edia =sum( P1) / 1000 % a partir del vector P1 se determina la energia dia ria

consumida en iluminacion Kw 102. Emes=Edia * 30 % energia mes consumida en iluminacion Kw

TELEVISORES En la primera parte del código televisores se identifican las variables que matlab reconocerá para ejecutar diferentes comandos con el objetivo de determinar la curva de consumo de televisores en los hogares estrato 4 y se eliminan los datos impresos en pantalla como también los valores de las variables guardadas de programas anteriores para evitar que las variables necesarias en el programa presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos variables, un vector Y con dimensiones 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con la encuesta realizada sobre hábitos de consumo, posteriormente se declara un vector Z de dimensiones 1x12 que representa la potencia de cada una de las tecnologías de televisores, se distribuye en CTR de 21 pulgadas, CTR de 29 pulgadas, LCD de 20 pulgadas, LCD de 32 pulgadas, LCD de 42 pulgadas, LCD de 48 pulgadas, LCD más de 48 pulgadas, LED de 20 pulgadas, LED de 32 pulgadas, LED de 42 pulgadas, LED de 48 pulgadas y otro LED. En la parte 3 se establece un vector aleatorio Yn de doce posiciones correspondiente a cada una de las tecnologías, cada elemento del vector es hallado con el comando random con una distribución de probabilidad normal establecida con los resultados de la encuesta, cada uno presenta la media y la desviación estándar correspondiente a cada tecnología, esto se realiza con el objetivo de que la ocurrencia de aparición en cada tecnología represente el comportamiento real de los usuarios. Adicionalmente se establece Y que representa la suma de la cantidad de todas las tecnologías. Posteriormente en la parte 4 se fija que el valor de Y este entre 1 y 3 que de acuerdo con las encuestas son los rangos dentro de los que se encuentra la cantidad total de dispositivos de televisión de la mayoría de usuarios, por medio de un generador Random con distribución de probabilidad normal, aplicando la media y la desviación del total de dispositivos por usuario de la encuesta. En caso de que no cumpla el valor entra a los ciclos while establecidos anteriormente en donde se rectifica el valor hasta que se encuentre entre el rango. Este vector Yn se imprime en pantalla y representa la capacidad instalada por cada tecnología. En la parte 5 se procede a hallar un vector aleatorio W de 24 posiciones con un valor entre 0 y 0,06 que será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o disminuir el porcentaje de uso, luego se crea un vector aleatorio de valores positivos o negativos que depende su signo se hace 1 o -1 luego este número se multiplica por el vector W y se le suma al porcentaje de uso inicial, adicionalmente se establece que si uno de los valores se hace menor que 0 no genera cambio en el vector J de porcentaje de uso. Este nuevo vector JN se imprime en pantalla y representa el porcentaje de uso en cada hora. Luego de esto en la parte 6 del Anexo VIII: CÓDIGO TELEVISOR se establece un vector A aleatorio de 24 posiciones representado por la probabilidad de ocurrencia de uso de los televisores en las 24 horas del día, adicionalmente se suman los televisores que aparecieron en la iteración, este valor debe encontrarse en un rango de 2 a 5, de no cumplir con esta condición el valor entra en un ciclo while en donde se repite el procedimiento hasta que la

93

condición se cumpla, luego se multiplica el vector A por el vector JN1 que representa el porcentaje de uso diario, esto con el objetivo de hallar el porcentaje de uso final en cada hora, este vector se imprime en pantalla. En la parte 7 del código del Anexo VIII: CÓDIGO TELEVISOR se multiplica la capacidad instalada por el porcentaje de uso, y se proporciona un comando que aproxima el valor resultante al número mayor, posteriormente el vector resultante se transpone para poder imprimirlo en pantalla. Luego en la parte 8 se realiza un ciclo for en el cual se determina por cada fila que los televisores encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto cada fila entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas para que al final se genere un vector con dimensiones 24x12 cumpliendo que cada hora tenga la cantidad de televisores establecidos en G pero sin superar la capacidad instalada Yn, este vector se imprime en pantalla y presenta el nombre de g. Se multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de cada uno de las tecnologías aquí se suman las potencias de cada hora. Adicionalmente a esto se genera un vector S que representa los minutos que se mantienen encendida la televisión en los hogares, se establece la potencia de los televisores cuando no están encendidos como 3 w esto se multiplica por un vector resultante de la resta del vector lim y el vector G que representa las horas en que los televisores están apagados, posteriormente se establece un vector Deco que presenta la potencia que consumen los decodificadores de cada televisor instalado en el hogar, finalmente estos tres vectores de consumo de los televisores en stand by, los decodificadores y los televisores encendidos se suman para dar como resultado el vector P2 que representa la potencia total consumida en cada hora, este vector es impreso en pantalla como potencia total. En la parte 9 se establece el vector t que representa las 24 horas del día iniciando desde 0 hasta 23 y luego se grafica el vector de potencia total P2 con respecto al vector de tiempo t. Luego en la parte 11 se guarda el vector P2 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en KW que consume el usuario al día representado como Edia y con esto se establece la energía mensual como Emes. En la figura siguiente se puede observar el diagrama de flujo correspondiente al código de televisores implementado en el software Matlab.

95

Código Televisores Parte 1

1. %Yn= capacidad instalada por tecnologia 2. %ntecnologias 1=21CTR 2=29CTR 3=20LCD 4=32LCD 5=42LCD 6=48LCD 7=OTROLCD 8=20L

ED 9=32LED 10=42LED 11=48LED 12=OTROLED 3. %J porcentaje de uso base 4. %JN porcentaje de uso final 5. %g=bombillos encendidos en cada intervlo de tiempo 6. %p=potencia final 7. clear 8. clc

Parte 2

9. %declaracion de variables 10. J=[ 0.15 0.15 0.15 0.15 0.15 0.15 0.26 0.26 0.26 0.27 0.27 0.27 0.29 0.29 0.29


11. Zn=[ 75 140 92 153 206 284 350 56 92 123 170 210 ] ;% potencia por tipo de tecnología

Parte 3

12. %iteracion de Yn 13. Yn=[ round ( random ( 'norm' , 0.66 , 0.71 )) round ( random ( 'norm' , 0.16 , 0.39 )) round ( ran

dom( 'norm' , 0.17 , 0.46 )) round ( random ( 'norm' , 0.53 , 0.7 )) round ( random ( 'norm' , 0.17, 0.4 )) round ( random ( 'norm' , 0.08 , 0.30 )) round ( random ( 'norm' , 0.01 , 0.09 )) round( random ( 'norm' , 0.04 , 0.2 )) round ( random ( 'norm' , 0.27 , 0.55 )) round ( random ( 'norm', 0.27 , 0.50 )) round ( random ( 'norm' , 0.14 , 0.39 )) round ( random ( 'norm' , 0, 0))] ;% vector de probabilidad normal de ocurrencia por hora

14. Yn( Yn<0) =0;% cualquier valor de Yn menor a 0 se convierte en 0 15. Y=sum( sum( Yn)) ;%Y representa la suma de los valores de Yn que dan l a

capacidad instalada inicial 16. lim =round ( random ( 'norm' , 2.5 , 0.93 )) ;% numero aleatorio con distribución normal

representa la capacidad instalada según la encuesta

Parte 4

17. lim ( lim <1) =1;% si lim es menor que 1 se establece como 1 18. while lim > 3 % siempre lim sea mayor que 3 19. lim =round ( random ( 'norm' , 2.5 , 0.93 )) ;% numero aleatorio con distribución

normal representa la capacidad instalada según la e ncuesta 20. lim ( lim <1) =1;% si lim es menor que 1 se establece como 1 21. end % se rectifica que lim sea menor que 3 22. while ( Y~=lim ) ; %siempre que y sea diferente de lim 23.

Yn=[ round ( random ( 'norm' , 0.66 , 0.71 )) round ( random ( 'norm' , 0.16 , 0.39 )) round ( random ( 'norm' , 0.17 , 0.46 )) round ( random ( 'norm' , 0.53 , 0.7 )) round ( random( 'norm' , 0.17 , 0.4 )) round ( random ( 'norm' , 0.08 , 0.30 )) round ( random ('norm' , 0.01 , 0.09 )) round ( random ( 'norm' , 0.04 , 0.2 )) round ( random ( 'norm', 0.27 , 0.55 )) round ( random ( 'norm' , 0.27 , 0.50 )) round ( random ( 'norm' , 0.14, 0.39 )) round ( random ( 'norm' , 0, 0))] ;% vector de probabilidad normal de ocurrencia por hora

96

24. Yn ( Yn<0) =0;% cualquier valor de Yn menor a 0 se convierte en 0 25. Y =sum( sum( Yn)) ;%Y representa la suma de los valores de Yn que dan l a

capacidad instalada 26. end % rectifica que Y sea igual a lim 27. disp 'capacidad instalada por tecnologia' , ( Yn) % se imprime Yn que es la

capacidad instalada por tecnología

Parte 5

28. %iteracion de porcentaje de uso JN 29. O=rand ( 1, 24) ; % vector aleatorio de 24 posiciones con valores entre 0 y 1 30. U=linspace ( 0.06 , 0.06 , 24) ; % vector de 24 posiciones con valores de 0.06 31. W=O. * U;% se multiplican los dos vectores para crear un vect or


negativos 33. M( M>0) =1;% se reemplaza de M los valores mayores que 0 por 1 34. M( M<0) =- 1;% se reemplaza de M los valores menores que 0 por - 1 35. JN1=J+( W.* M) ;% se multiplica el vector de - 1 y 1 por W y se le suma al

porcentaje de uso 36. JN1( JN1<0) =0; % los valores del vector que tomen valores negativos se hacen 0

Parte 6

37. %Cantidad total encendida por hora 38. A=[ random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) ra

ndom( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ('Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2696) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.3246 ) random( 'Bino' , 1, 0.3246 ) random ( 'Bino' , 1, 0.3646 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 )] ;% vector de probabilidad de uso en cada hora según la encuesta

39. Asum=sum( A) ;% suma del vector de probabilidad de ocurrencia por hora 40. JN=A. * JN1;% se multiplica el vector de ocurrencia por el vecto r de porcentaje

de uso 41. while Asum <2 || Asum >5; % siempre que Asum sea menor a 2 o mayor a 5 42.

A=[ random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino', 1, 0.2319 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.3246 ) random ( 'Bino' , 1, 0.3246 ) random ('Bino' , 1, 0.3646 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 ) random( 'Bino' , 1, 0.2957 )] ;% vector de probabilidad de uso en cada hora según la encuesta

43. Asum =sum( A) ; % suma del vector de probabilidad de ocurrencia por hora 44. end %se rectifica que Asum esté entre 2 y 5 equivalente al número de

apariciones 45. JN=A. * JN1;% se multiplica el vector de ocurrencia por el vecto r de porcentaje

de uso 46. disp 'porcentaje de uso final' , ( JN) % se imprime en pantalla el porcentaje de

uso de los televisores

97

47. GN=ceil ( Y* JN) ;% multiplica la capacidad instalada por el porcentaj e de uso final y lo redondea al mayor

48. G=GN' ;% el vector GN se acomoda de forma vertical 49. disp 'cantidad total encendida por hora' , ( G) % se imprime en pantalla la

cantidad de televisores encendidos en cada hora

Parte 7

50. %cantidad de televisores encendidos de cada tecnolog ia en cada hora 51. Kn=( rand ( 1, 12)) ;% vector aleatorio de 12 posiciones 52. N=ceil ( G* Kn) ;% se multiplica el total de televisores encendidos p or el vector

aleatorio haciendo que los valores no superen los t elevisores encendidos y se redondea al mayor

53. I =sum( N' ) ;% se suman los valores resultantes de N 54. I1 =I' ; % se convierte el vector de forma vertical 55. for i =1: 24 % ciclo que recorre una matriz de manera vertical en 24 posiciones 56. if I1 ( i ) ==G( i ) ;%si I1 es igual a G 57. for j =1: 12% ciclo que recorre la matriz en 12 posiciones de forma

horizontal 58. N2 ( j ) =N( i , j ) ;% almacena el valor de N en una matriz N2 59. while N2 ( j ) >Yn( j ) ; %siempre que N2 sea mayor que Yn 60. N2 ( j ) =Yn( j ) ; % N2 es igual a Xn 61. end% recifica el valor de N2 para que sea menor que Yn 62. end% el ciclo finaliza hasta que j sea 12 63. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 64. while I1 ( i ) ~=( G( i )) %siempre que I sea diferente de G 65. Kn =( rand ( 1, 12)) ; % vector aleatorio de 12 posiciones 66. N2 =round ( G( i ) * Kn) ; % se multiplica Kn por la cantidad de televisores


horizontal 69. while N2 ( f ) >Yn( f ) %siempre que N2 sea mayor que Yn 70. N2 ( f ) =Yn( f ) ;% N2 es igual a Yn 71. end% recifica el valor de N2 para que sea menor que Yn 72. end% el ciclo finaliza hasta que f sea 12 73. I1 ( i ) =sum( sum( N2)) ; % se realiza la suma de los valores de N2 como

variable I1 74. end % se rectifica el valor de I hasta que sea igual a G 75. else %si I1 es diferente que G 76. while I1 ( i ) ~=( G( i )) % siempre que I1 sea diferente que G 77. Kn =( rand ( 1, 12)) ; % vector aleatorio de 12 posiciones 78. N2 =round ( G( i ) * Kn) ; % se multiplica Kn por la cantidad de televisores

encendidos y se redondea 79. I1 ( i ) =sum( sum( N2)) ;% se suma el vector N2 80. for f =1: 12% ciclo que recorre la matriz en 12 posiciones de forma

horizontal 81. while N2 ( f ) >Yn( f ) %siempre que N2 sea mayor que Yn 82. N2 ( f ) =Yn( f ) ;% N2 es igual a Yn 83. end%recifica el valor de N2 para que sea menor que Yn 84. end% el ciclo finaliza hasta que f sea 5 85. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 86. end %se rectifica el valor de I hasta que sea igual a G 87. end % finaliza el condicional if

98

88. for e =1: 12 %ciclo que recorre valores de 1 a 12 89. g ( i , e) =N2( e) ;%almacena los valores de N2 en una matriz g 90. end%el ciclo finaliza hasta que e sea 12 91. end %el ciclo finaliza hasta que i sea 24 92. disp 'televisores encendidos por tecnologia’, ( g) % televisores encendidos por

tecnologia

Parte 8

93. Pt =g* Zn' ;% se multiplica el vector de los televisores encendi dos por tecnologia por la potencia de cada tecnologia

94. S=[ 0.17 0.17 0.17 0.17 0.17 0.17 0.34 0.7 0.34 0.25 0.25 0.17 0.25 0.7 0.5 0.25 0.17 0.17 0.5 0.64 0.7 0.7 0.34 0.17 ] ;% vector de uso por hora de televisores

95. Noche=lim - G;% se establecen las horas en que los televisores est án apagados 96. R=Noche' * 3;% se multiplica el vector noche por una potencia de 3 que es lo

que consume cada televisor apagado 97. Deco=linspace ( lim * 10, lim * 10, 24) ' ; % se establece un vector de potencia de los

decodificadores de cada uno de los televisores inst alados 98. P_2=( Pt. * S' ) +R' ;% se multiplica el vector de potencia de cada hora p or el

porcentaje de uso por hora y se le suma el vector d e la potencia cuando los televisores están apagados

99. P2=P_2+Deco;% se suma el vector anterior con el de la potencia d e los decodificadores

100. disp 'potencia total ' , ( P2) % se imprime la potencia total de televisores 101. t =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;% vector de

tiempo 102. plot ( t , P2) %se grafica la potencia final de televisores vs el t iempo 103. save P2 % se almacena la matriz P2 para ser utilizada en otr os codigos 104. Edia =sum( P2) / 1000 % a partir del vector P2 se determina la energia

COMPUTADORES En la parte 1 del código computadores se identifican las variables que Matlab reconocerá para ejecutar diferentes comandos con el objetivo de determinar la curva de consumo de computadores en los hogares estrato 4 y se eliminan los datos impresos en pantalla como también los valores de las variables guardadas de programas anteriores para evitar que las variables necesarias en el programa presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos variables, un vector Y de 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con la encuesta realizada sobre hábitos de consumo, y el vector Z de 1x2 que representa la potencia de cada una de los computadores, escritorio y portátil respectivamente. En la parte 3 se fija que el número total de dispositivos instalados este entre 1 y 3, que de acuerdo a las encuestas son los rangos dentro de los que se encuentra la cantidad total de dispositivos de cómputo que la mayoría de usuarios presentan en sus hogares, por medio de un generador Random con distribución de probabilidad normal, aplicando la media y la desviación del total de dispositivos por usuario de la encuesta. En la parte 4 se fija que el valor de J sea igual a lim (No. Total de televisores instalados) y mediante ciclos while se determina cuantos de cada tecnología están instalados, este valor es impreso en pantalla como la capacidad instalada y se representa como Xn. Posteriormente en la parte 5 para determinar el porcentaje de uso, mediante un vector aleatorio de 24 posiciones con un valor entre 0 y 0,05 que será la variación que presentara los porcentajes de uso,

99

estos valores pueden aumentar o disminuir el porcentaje de uso, además de esto el código establece que si uno de los valores se hace menor que 0 no genera cambio en el vector Y de porcentaje de uso se representa como YN1. Para determinar el porcentaje de uso, mediante un vector aleatorio de 24 posiciones con valores entre 0 y 0,05 se varían los porcentajes de uso, estos valores pueden aumentar o disminuir dentro de este rango, además el código establece que si uno de los valores se hace menor que 0 no genera cambio en el vector de porcentajes de uso. Este nuevo vector JN se imprime en pantalla y representa el porcentaje de uso en cada hora. En la parte 6 se crea un vector de 24 posiciones el cual representa la probabilidad de aparición en cada una de las horas del día, estableciendo la hora de aparición de alguna de las tecnologías instaladas, se debe cumplir que la suma del vector de probabilidad sea igual a el número de dispositivos encendidos en cada hora, tomando el vector de porcentaje de uso por hora Xn como el valor de referencia de capacidad instalada se establece un ciclo while, de acuerdo al porcentaje en cada hora y al número de computadores instalados representara el número de televisores encendidos. Este vector es impreso en pantalla y es representado por la letra F. Posteriormente en la parte 7 se realiza un ciclo for en el cual se determina por cada fila que los computadores encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto cada fila entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas para que al final se genere un vector con dimensiones 24x2 cumpliendo que cada hora tenga la cantidad de computadores establecidos en F pero sin superar la capacidad instalada Xn, este vector se imprime en pantalla y presenta el nombre de g. En la parte 8 se multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de cada uno de las tecnologías aquí se suman las potencias de cada hora. Adicionalmente a esto se genera un vector S que representa los minutos que se mantienen encendidos los computadores en los hogares, luego de esto se selecciona el vector de computadores de escritorio para así observar en qué momento no están encendidos, esto con el fin de crear un vector de potencia stand by equivalente al consumo que presentan los computadores de mesa, este vector se suma con la multiplicación de la potencia pt y el vector de porcentaje de uso por hora, posteriormente se imprime en pantalla el resultado que se expresa como P3. Posteriormente se crea el vector de tiempo que representa las horas del día desde 0 hasta 23, y se grafica el vector de potencia total P3 con respecto al vector de tiempo. En última instancia en la parte 10 se guarda el vector P3 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en kW que consume el usuario al día representado como Edia y con esto se establece la energía mensual como Emes. En la figura siguiente se puede observar el diagrama de flujo correspondiente al código de computadores implementado en el software Matlab.

101

Código Computadores Parte 1

1. %Xn= capacidad instalada por tecnologia 2. %n tecnologías 1=MESA 2=PORTATIL 3. %Y porcentaje de uso base 4. %YN porcentaje de uso final 5. %g=computadores encendidos en cada intervlo de tiempo

102

6. %p=potencia final 7. clear 8. clc

Parte 2

9. %declaracion de variables 10. Y=[ 0.15 0.15 0.15 0.15 0.15 0.15 0.26 0.26 0.26 0.27 0.27 0.27 0.290.29 0.29


11. Z=[ 300 90] ;% potencia por tipo de tecnología

Parte 3

12. %iteracion de Xn 13. lim =round ( random ( 'norm' , 2.61 , 1.25 )) ;% numero de total de computadores

instalados 14. lim ( lim <1) =1;% si lim es menor que 1 se establece como 1 15. while lim > 3% siempre lim sea mayor que 3 16. lim =round ( random ( 'norm' , 2.61 , 1.25 )) ;% numero aleatorio con distribución

normal representa la capacidad instalada según la e ncuesta 17. lim ( lim <1) =1;% si lim es menor que 1 se establece como 1 18. end% se rectifica que lim sea menor que 3

Parte 4

19. Xn=[ round ( random ( 'norm' , 0.8 , 0.76 )) round ( random ( 'norm' , 1.81 , 1.09 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia

20. Xn( Xn<0) =0;% cualquier valor de Yn menor a 0 se convierte en 0 21. J=sum( sum( Xn)) ;%J representa la suma de los valores de Xn que dan l a

capacidad instalada 22. if J~ =lim % si J es diferente de lim 23. while J~ =lim %siempre que J sea diferente de lim 24.

Xn=[ round ( random ( 'norm' , 0.8 , 0.76 )) round ( random ( 'norm' , 1.81 , 1.09 ))];% vector de probabilidad normal de ocurrencia por ho ra

25. Xn ( Xn<0) =0;% cualquier valor de Yn menor a 0 se convierte en 0 26. for i =1: 2 %ciclo que recorre dos posiciones 27. while Xn ( i ) >i %siempre que Xn sea mayor que i 28. Xn ( i ) =i ; % Xn es igual a i 29. end % rectifica que Xn sea igual a i 30. end %finaliza ciclo cuando i sea igual a 2 31. J =sum( sum( Xn)) ;%J representa la suma de los valores de Xn que dan l a

capacidad instalada 32. end% rectifica que J sea igual a lim 33. else %si J es igual a lim 34. for i =1: 2 %ciclo que recorre dos posiciones 35. while Xn ( i ) >i %siempre que Xn sea mayor que i 36. Xn ( i ) =i ; % Xn es igual a i 37. J =sum( sum( Xn)) ;%J representa la suma de los valores de Xn que dan l a

capacidad instalada 38. end% rectifica que Xn sea igual a i 39. end %finaliza ciclo cuando i sea igual a 2 40. end %finaliza el condicional if 41. disp 'capacidad instalada' , Xn %capacidad instalada de cada tecnología

103

Parte 5

42. %iteracion de porcentaje de uso YN 43. O=rand ( 1, 24) ;% vector aleatorio de 24 posiciones con valores entre 0 y 1 44. U=linspace ( 0.05 , 0.05 , 24) ;% vector de 24 posiciones con valores de 0.05 45. W=O. * U; % se multiplican los dos vectores para crear un vect or


negativos 47. M( M>0) =1;% se reemplaza de M los valores mayores que 0 por 1 48. M( M<0) =- 1;% se reemplaza de M los valores menores que 0 por - 1 49. YN1=Y+( W.* M) ;% se multiplica el vector de - 1 y 1 por W y se le suma al

porcentaje de uso 50. YN1( YN1<0) =0;% los valores del vector que tomen valores negativos se hacen 0

Parte 6

51. A=[ random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ('Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2696) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.3246 ) random( 'Bino' , 1, 0.3246 ) random ( 'Bino' , 1, 0.3646 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 )] ;% vector de probabilidad de uso en cada hora según la encuesta

52. Asum=sum( A) ;% suma del vector de probabilidad de ocurrencia por hora 53. YN=A. * YN1;% se multiplica el vector de ocurrencia por el vecto r de porcentaje

de uso 54. while Asum ==0 || Asum >3;% siempre que Asum sea igual a 0 o mayor a 4 55.

A=[ random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1,0.2290 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.3246 ) random ( 'Bino' , 1, 0.3246 ) random ( 'Bino' ,1, 0.3646 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino', 1, 0.2957 )] ;% vector de probabilidad de uso en cada hora según l a encuesta

56. Asum =sum( A) ; % suma del vector de probabilidad de ocurrencia por hora 57. end%se rectifica que Asum esté entre 2 y 5 equivalente al número de

apariciones 58. YN=A. * YN1;% se multiplica el vector de ocurrencia por el vecto r de porcentaje

de uso 59. disp 'porcentaje de uso final' , ( YN) % se imprime en pantalla el porcentaje de

uso de los computadores 60. FN=round ( J* YN) ;% multiplica la capacidad instalada por el porcentaj e de uso

final y lo redondea 61. F=FN' ;% el vector GN se acomoda de forma vertical 62. disp 'Total computadores encendidos' , ( F) %computadores encendidos total por

hora

104

Parte 7

63. %cantidad de computadores encendidos de cada tecnolo gia en cada hora 64. Kn=( rand ( 1, 2)) ;% vector aleatorio de 2 posiciones 65. N=ceil ( F* Kn) ;% se multiplica el total de computadores encendidos por el

vector aleatorio haciendo que los valores no supere n los computadores encendidos y se redondea al mayor

66. I =sum( N' ) ;% se suman los valores resultantes de N 67. I1 =I' ;% se convierte el vector de forma vertical 68. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones 69. if I1 ( i ) ==F( i ) ;%si I1 es igual a F 70. for j =1: 2 % ciclo que recorre la matriz en 2 posiciones de forma

horizontal 71. N2 ( j ) =N( i , j ) ;% almacena el valor de N en una matriz N2 72. while N2 ( j ) >Xn( j ) ;%siempre que N2 sea mayor que Xn 73. N2 ( j ) =Xn( j ) ;% N2 es igual a Xn 74. end% recifica el valor de N2 para que sea menor que Xn 75. end% el ciclo finaliza hasta que j sea 2 76. I1 ( i ) =sum( sum( N2)) ; % se realiza la suma de los valores de N2 como

variable I1 77. while I1 ( i ) ~=( F( i )) %siempre que I sea diferente de F 78. Kn =( rand ( 1, 2)) ;% vector aleatorio de 2 posiciones 79. N2 =round ( F( i ) * Kn) ;% se multiplica Kn por la cantidad de computadores


horizontal 82. while N2 ( f ) >Xn( f ) %siempre que N2 sea mayor que Xn 83. N2 ( f ) =Xn( f ) ;% N2 es igual a Xn 84. end% recifica el valor de N2 para que sea menor que Xn 85. end% el ciclo finaliza hasta que f sea 2 86. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 87. end% se rectifica el valor de I hasta que sea igual a F 88. else %si I1 es diferente que F 89. while I1 ( i ) ~=( F( i )) % siempre que I1 sea diferente que F 90. Kn =( rand ( 1, 2)) ;% vector aleatorio de 2 posiciones 91. N2 =round ( F( i ) * Kn) ;% se multiplica Kn por la cantidad de computadores


horizontal 94. while N2 ( f ) >Xn( f ) %siempre que N2 sea mayor que Xn 95. N2 ( f ) =Xn( f ) ; % N2 es igual a Xn 96. end % recifica el valor de N2 para que sea menor que Xn 97. end% el ciclo finaliza hasta que f sea 2 98. I1 ( i ) =sum( sum( N2)) ; % se realiza la suma de los valores de N2 como

variable I1 99. end% se rectifica el valor de I hasta que sea igual a F 100. end % finaliza el condicional if 101. for e =1: 2 %ciclo que recorre valores de 1 a 2 102. g ( i , e) =N2( e) ;%almacena los valores de N2 en una matriz g 103. end %el ciclo finaliza hasta que e sea 2 104. end %el ciclo finaliza hasta que i sea 24 105. disp 'computadores encendidos por tecnologia' , ( g) % Computadores encendidos

por tecnologia

105

Parte 8

106. Pt =g* Z' ;% se multiplica el vector de los bombillos encendido s por tecnologia por la potencia de cada tecnologia

107. S=[ 0.17 0.17 0.17 0.17 0.17 0.17 0.17 0.34 0.34 0.4 0.4 0.34 0.34 0.34 0.34 0.45 0.45 0.44 0.34 0.54 0.54 0.34 0.34 0.34 ] ;% vector de uso por hora de televisores

108. % potencia apagados 109. Y1=[ 1; 0] ;%se separa el vector Y y se toman los de escritorio 110. N1=g* Y1; % se multiplica el vector de computadores de escrito rio por

computadores encendidos por tecnologia 111. Noche=( Xn( 1) - N1) * 3;% se establecen las horas en que los computadores de

escritorio están apagados y se multiplica por la po tencia que consumen cuando están apagados

112. P3=( Pt. * S' ) +Noche;% se multiplica el vector de potencia de cada hora p or el porcentaje de uso por hora y se le suma el vector d e la potencia cuando los computadores están apagados

113. disp 'potencia total ' , ( P3) %potencia total de cada hora

Parte 9

114. t =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;%vector de tiempo

115. plot ( t , P3) %se grafica la potencia final de computadores vs el tiempo

Parte 10


consumida en computadores kW 118. Emes=Edia * 30 % energia mes consumida en computadores en Kw

ENTRETENIMIENTO La parte uno del código entretenimiento identifica las variables que Matlab reconocerá para ejecutar diferentes comando con el objetivo de determinar la curva de consumo de entretenimiento en los hogares estrato 4, también se eliminan los datos impresos en pantalla como también los valores de las variables guardadas de programas anteriores para evitar que las variables necesarias en el programa presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos variables, un vector Y con dimensiones 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con la encuesta realizada sobre hábitos de consumo, posteriormente se declara un vector Z de dimensiones 1x6 que representa la potencia de cada una de las tecnologías de entretenimiento, se distribuye en teatro 2.1 canales, teatro 5.1 canales, Dvd, minicomponente, equipo de sonido portátil y equipo de sonido grande. En la parte 3 del se establece un vector aleatorio Y1 y Y2 de tres posiciones cada uno correspondiente a cada una de las tecnologías de video y sonido, cada elemento del vector es hallado con el comando random con una distribución de probabilidad normal establecida con los resultados de la encuesta, cada uno presenta la media y la desviación estándar correspondiente a cada tecnología, esto se realiza con el objetivo de que la ocurrencia de aparición en cada tecnología represente el comportamiento real de los usuarios. Adicionalmente se establece M1 y M2 que

106

representa la suma de la cantidad de todas las tecnologías, se define un número de dispositivos totales que se representa con M y es la suma de M1 y M2. En la parte 3 luego de establecer Y1 y Y2 que representa la suma total de tecnología se evalúa que ese valor este entre 0 y 3 que de acuerdo a las encuestas son la cantidad de dispositivos de entretenimiento que la mayoría de usuarios presentan en sus hogares, en caso de que no cumpla el valor entra a los ciclos while establecidos anteriormente en donde se rectifica el valor hasta que el valor se encuentre entre el rango, los vectores resultantes se almacenan en Y que es un vector de 1x6. Los vectores Y1 y Y2 se imprimen en pantalla y representa la capacidad instalada por cada tecnología. En la parte 4 del código se procede a hallar un vector aleatorio de 24 posiciones con un valor entre 0 y 0,1 que será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o disminuir el porcentaje de uso, además de esto el código establece que si uno de los valores se hace menor que 0 no genera cambio en el vector J de porcentaje de uso, adicionalmente se crea un vector de valores positivos y negativos que según el signo toma el valor de 1 y -1 que multiplicado por el vector de variación determina el cambio en el vector JN1. En la parte 5 se crea un vector de probabilidad que representa la aparición de dispositivos de entretenimiento en cada hora del día, posteriormente se establece un ciclo while que rectifica que la suma de las apariciones de las horas se encuentre entre el rango de 3 y 5 apariciones, posteriormente este vector se multiplica por JN1 para así hallar el porcentaje de uso final de todas las horas. Este valor se imprime en pantalla y se representa como JN. En la parte 6, tomando el vector de porcentaje de uso por hora JN como el valor de referencia de capacidad instalada se establece un ciclo for, de acuerdo al porcentaje en cada hora y al número de dispositivos de entretenimiento instalados representara el número de dispositivos de entretenimiento encendidos. Este vector es impreso en pantalla y es representado por la letra G. Luego en la parte 7 se realiza un ciclo for en el cual se determina por cada fila que los dispositivos de entretenimiento encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto cada fila entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas para que al final se genere un vector con dimensiones 24x6 cumpliendo que cada hora tenga la cantidad de dispositivos de entretenimiento establecidos en G pero sin superar la capacidad instalada Y, este vector se imprime en pantalla y presenta el nombre de g. La parte 8 multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de cada uno de las tecnologías aquí se suman las potencias de cada hora. Adicionalmente a esto se genera un vector S que representa los minutos que se mantienen encendidos los dispositivos de entretenimiento en los hogares, luego de ello se crea un vector de potencia que consumen los electrodomésticos en el momento que no están encendidos, en este vector se establece una potencia de 1.55 w por cada electrodomésticos, posteriormente se multiplica el vector de potencia Pt por el vector de porcentaje de uso diario S y al resultado se le suma el vector de potencia cuando no está encendido, el resultado es conocido como potencia total y se imprime en pantalla como P4. En la parte 9 se crea un vector de tiempo que representa las horas del día, este vector de tiempo inicia en 0 y termina en 23, posteriormente se grafica la potencia P4 contra el tiempo. Finalmente, en la parte 10 se guarda el vector P4 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en kW que consume el usuario al día representado como Edia y con esto se establece la energía mensual como Emes. En la figura siguiente se puede observar el diagrama de flujo correspondiente al código de entretenimiento implementado en el software Matlab.

110

Código entretenimiento Parte 1

1. %Y= capacidad instalada por tecnologia 2. %ntecnologias 1=2.1 canales 2=5.1 canales 3=dvd 4=minicomponente 5=equipo

sonido portátil 6=equipo grande 3. %J porcentaje de uso base 4. %JN porcentaje de uso final 5. %g=electrodomésticos encendidos en cada intervlo de ti empo 6. %p=potencia final 7. clear 8. clc

Parte 2

9. %declaracion de variables 10. J=[ 0.15 0.15 0.15 0.15 0.15 0.15 0.26 0.26 0.26 0.27 0.27 0.27 0.290.29 0.29


11. Xn=[ 100 175 30 75 17 160 ] ;% potencia por tipo de tecnología

Parte 3

12. %iteracion de Y 13. Y1=[ round ( random ( 'norm' , 0.16 , 0.39 )) round ( random ( 'norm' , 0.3 , 0.55 )) round ( rand

om( 'norm' , 1.01 , 0.73 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia video

14. Y1( Y1<0) =0;% cualquier valor de Y1 menor a 0 se convierte en 0 15. Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm' , 0.23 , 0.48 )) round ( rand

om( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia sonido

16. Y2( Y2<0) =0;% cualquier valor de Y2 menor a 0 se convierte en 0 17. M1=sum( sum( Y1)) ;%M1 representa la suma de los valores de Y1 que dan la

capacidad instalada inicial 18. M2=sum( sum( Y2)) ;%M2 representa la suma de los valores de Y2 que dan la

capacidad instalada inicial 19. M=M1+M2;% suma de sonido y video instalado 20. if M>3 % si M es mayor que 3 21. while M>3 %siempre que M sea mayor que 3 22. if M1>2 % si M1 es mayor que 2 23. while M1>2;%siempre que M1 sea mayor que 2 24.

Y1=[ round ( random ( 'norm' , 0.16 , 0.39 )) round ( random ( 'norm' , 0.3 , 0.55 )) round ( random ( 'norm' , 1.01 , 0.73 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia vi deo

25. Y1 ( Y1<0) =0;% cualquier valor de Y1 menor a 0 se convierte en 0 26. M1 =sum( sum( Y1)) ;%M1 representa la suma de los valores de Y1 que dan

la capacidad instalada 27. end % rectifica que M1 sea menor o igual a 2 28. if M1==2 %si M1 es igual a 2 29. while M2>1; % siempre que M2 sea mayor que 1 30.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm' , 0.2

111

3, 0.48 )) round ( random ( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia so nido


la capacidad instalada 33. end% rectifica que M2 sea menor o igual a 1 34. else % si M1 es diferente de 2 35. while M2>2; %siempre que M2 sea mayor a 2 36.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm' , 0.23, 0.48 )) round ( random ( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia so nido


la capacidad instalada 39. end %rectifica que M2 sea menor o igual a 1 40. end% finaliza la condición if 41. else % si M1 es menor o igual a 2 42. While M2>2; %siempre que M2 sea mayor que 2 43.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm' , 0.23 , 0.48 )) round ( random ( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia so nido


la capacidad instalada 46. end% rectifica que M2 sea menor o igual a 2 47. if M2==2 %si M2 es igual a 2 48. while M1>1;% siempre que %rectifica que M2 sea menor o igual a 2 M1 sea

mayor que 1 49.

Y1=[ round ( random ( 'norm' , 0.16 , 0.39 )) round ( random ( 'norm' , 0.3, 0.55 )) round ( random ( 'norm' , 1.01 , 0.73 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia vi deo


la capacidad instalada 52. end% rectifica que M1 sea menor o igual a 1 53. else % si M2 es diferente de 2 54. while M1>2;% siempre que M1 sea mayor a 2 55.



la capacidad instalada 58. end% rectifica que M1 sea menor o igual a 2 59. end% finaliza el condicional if 60. end% finaliza condicional if 61. M =M1+M2; % suma de sonido y video instalado 62. end% rectifica que M sea menor o igual a 3 63. else % si M es menor o igual a 3 64. if M1>2 % si M1 es mayor a 2 65. while M1>2; % siempre que M1 sea mayor a 2 66.

Y1=[ round ( random ( 'norm' , 0.16 , 0.39 )) round ( random ( 'norm' , 0.3 , 0.55

112

)) round ( random ( 'norm' , 1.01 , 0.73 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia video

67. Y1 ( Y1<0) =0;% cualquier valor de Y1 menor a 0 se convierte en 0 68. M1 =sum( sum( Y1)) ;%M1 representa la suma de los valores de Y1 que dan la

capacidad instalada 69. end% rectifica que M1 sea menor o igual a 2 70. if M1==2 % si M1 es igual a 2 71. while M2>1;% siempre que M2 sea mayor que 1 72.



la capacidad instalada 75. end% rectifica que M2 sea menor o igual a 1 76. else % si M1 es diferente de 2 77. while M2>2;% siempre que M2 sea mayor a 2 78.



la capacidad instalada 81. end% rectifica que M2 sea menor o igual a 2 82. end % finaliza el condicional if 83. else % si M1 es menor o igual a 2 84. while M2>2;% siempre que M2 sea mayor a 2 85.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm' , 0.23 , 0.48)) round ( random ( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia sonido


capacidad instalada 88. end% rectifica que M2 sea menor o igual a 2 89. if M2==2% si M2 es igual a 2 90. while M1>1;% siempre que M1 sea mayor que 1 91.



capacidad instalada 94. end% rectifica que M1 sea menor o igual a 1 95. else % si M2 es diferente de 2 96. while M1>2; % siempre que M1 sea mayor que 2 97.



capacidad instalada 100. end% rectifica que M1 sea menor o igual a 2

113

101. end% finaliza el condicional if 102. end% finaliza el condicional if 103. M=M1+M2; % suma de sonido y video instalado 104. end% finaliza el condicional if 105. while M==0% siempre que M sea igual a 0 106.

Y1=[ round ( random ( 'norm' , 0.16 , 0.39 )) round ( random ( 'norm' , 0.3 , 0.55 )) round( random ( 'norm' , 1.01 , 0.73 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia video

107. Y1 ( Y1<0) =0;% cualquier valor de Y1 menor a 0 se convierte en 0 108.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm' , 0.23 , 0.48 )) round( random ( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia sonido


capacidad instalada inicial 111. M2 =sum( sum( Y2)) ;%M2 representa la suma de los valores de Y2 que dan la

capacidad instalada inicial 112. M =M1+M2;% suma de sonido y video instalado 113. if M>3 % si M es mayor a 3 114. while M>3 % siempre que M sea mayor a 3 115. if M1>2 % si M1 es mayor a 2 116. while M1>2; %siempre que M1 sea mayor a 2 117.

Y1=[ round ( random ( 'norm' , 0.16 , 0.39 )) round ( random ( 'norm' , 0.3 , 0.55 )) round ( random ( 'norm' , 1.01 , 0.73 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia video

118. Y1 ( Y1<0) =0;% cualquier valor de Y1 menor a 0 se convierte en 0 119. M1 =sum( sum( Y1)) ;%M1 representa la suma de los valores de Y1 que

dan la capacidad instalada inicial 120. end % rectifica que M1 sea menor o igual a 2 121. if M1==2 % si M1 es igual a 2 122. while M2>1; % siempre que M2 sea mayor a 1 123.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm', 0.23 , 0.48 )) round ( random ( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia sonido


dan la capacidad instalada inicial 126. end % rectifica que M2 sea menor o igual a 1 127. else % si M1 es diferente de 2 128. while M2>2;% siempre que M2 sea mayor a 2 129.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm', 0.23 , 0.48 )) round ( random ( 'norm' , 0.59 , 0.7 ))] ;% vector de probabilidad normal de ocurrencia por tecnologia sonido


dan la capacidad instalada inicial 132. end% rectifica que M2 sea menor o igual a 2 133. end% finaliza condicional if 134. else %si M1 es menor o igual a 2

114

135. while M2>2;% siempre que M2 sea mayor a 2 136.

Y2=[ round ( random ( 'norm' , 0.5 , 0.64 )) round ( random ( 'norm', 0.23 , 0.48 )) round ( random ( 'norm' , 0.59 , 0.7 ))] ;%vector de probabilidad normal de ocurrencia por tecnologia sonido


dan la capacidad instalada inicial 139. end% rectifica que M2 sea menor o igual a 2 140. if M2==2 % si M2 es igual a 2 141. while M1>1;% siempre que M1 sea mayor a 1 142.



dan la capacidad instalada inicial 145. end% rectifica que M1 sea menor o igual a 1 146. else % si M1 es diferente de 2 147. while M1>2;% siempre que M1 sea mayor a 2 148.



dan la capacidad instalada inicial 151. end% rectifica que M1 sea menor o igual a 2 152. end% finaliza condicional if 153. end% finaliza condicional if 154. M =M1+M2;% suma de sonido y video instalado 155. end %rectifica que M sea menor o igual a 3 156. else % si M es menor o igual a 3 157. if M1>2 % si M1 es mayor a 2 158. while M1>2; % siempre que M1 sea mayor a 2 159.



la capacidad instalada inicial 162. end% rectifica que M1 sea menor o igual a 2 163. if M1==2 % si M1 es igual a 2 164. while M2>1;% siempre que M2 sea mayor a 1 165.



la capacidad instalada inicial 168. end % rectifica que M2 sea menor o igual a 1

115

169. else % si M1 es diferente de 2 170. while M2>2;% siempre que M2 sea mayor a 2 171.



la capacidad instalada inicial 174. end% rectifica que M2 sea menor o igual a 2 175. end% finaliza condicional if 176. else % si M1 es menor o igual a 2 177. while M2>2;% siempre que M2 sea mayor a 2 178.



la capacidad instalada inicial 181. end% rectifica que M2 sea menor o igual a 2 182. if M2==2 % si M2 es igual a 2 183. while M1>1;% siempre que M1 sea mayor a 1 184.



la capacidad instalada inicial 187. end% rectifica que M1 sea menor o igual a 1 188. else % si M2 es diferente de 2 189. while M1>2;% siempre que M1 sea mayor a 2 190.



la capacidad instalada inicial 193. end% rectifica que M1 sea menor o igual a 2 194. end% finaliza condicional if 195. end% finaliza condicional if 196. M =M1+M2;% suma de sonido y video instalado 197. end% finaliza condicional if 198. end% rectifica que M sea diferente de 0 199. Y=[ Y1( 1) Y1 ( 2) Y1 ( 3) Y2 ( 1) Y2 ( 2) Y2 ( 3)] ;% se organiza la capacidad instalada

en un vector 200. disp 'capacidad instalada video' , ( Y1) % capacidad instalada de video 201. disp 'capacidad instalada sonido' , ( Y2) %capacidad instalada de sonido

Parte 4

202. %iteracion de porcentaje de uso JN 203. O=rand ( 1, 24) ;% vector aleatorio de 24 posiciones con valores entre 0 y 1 204. U=linspace ( 0.1 , 0.1 , 24) ;% vector de 24 posiciones con valores de 0.1

116

205. W=O. * U;% se multiplican los dos vectores para crear un vect or de 24 posiciones con valores entre 0 y 0.1

206. T=( randn ( 1, 24)) ;% vector aleatorio de 24 posiciones con valores positivos y negativos

207. T( T>0) =1;;% se reemplaza de T los valores mayores que 0 por 1 208. T( T<0) =- 1;% se reemplaza de T los valores menores que 0 por - 1 209. JN1=J+( W.* T) ;% se multiplica el vector de - 1 y 1 por W y se le suma al

porcentaje de uso 210. JN1( JN1<0) =0;% los valores del vector que tomen valores negativos se hacen 0

Parte 5

211. A=[ random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ( 'Bino' , 1, 0.1478 ) random ('Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2319 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2290 ) random ( 'Bino' , 1, 0.2696) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.2696 ) random ( 'Bino' , 1, 0.3246 ) random( 'Bino' , 1, 0.3246 ) random ( 'Bino' , 1, 0.3646 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 ) random ( 'Bino' , 1, 0.2957 )] ;% vector de probabilidad de uso en cada hora según la encuesta

212. Asum=sum( A) ;% suma del vector de probabilidad de ocurrencia por hora 213. while Asum ==0 || Asum >3;% siempre que Asum sea igual a 0 o mayor a 5 214.



apariciones 217. JN=A. * JN1;% se multiplica el vector de ocurrencia por el vecto r de porcentaje

de uso 218. disp 'porcentaje de uso' , ( JN) %porcentaje de uso de cada hora

Parte 6

219. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones 220. if M==1; %si M es igual a 1 221. if JN ( i ) <=0.3 %si JN es menor o igual a 0.3 222. p =0; %P es igual a 0 223. else %JN es mayor a 0.3 224. p =1; %P es igual a 1 225. end %finaliza condicional if 226. elseif M==2; %si M es igual a 2 227. if JN ( i ) <=0.26 %si JN es menor o igual a 0.26 228. p =0; %P es igual a 0 229. elseif JN ( i ) <=0.34 % si JN es menor o igual a 0.34 230. p =1; % P es igual a 1 231. else %si JN es mayor a 0.34

117

232. p =2; %P es igual a 2 233. end % finaliza condicional if 234. elseif M==3; % si M es igual a 3 235. if JN ( i ) <=0.25 % si JN es menor o igual a 0.25 236. p =0; %P es igual a 0 237. elseif JN ( i ) <=0.30 % si JN es menor o igual a 0.30 238. p =1;% P es igual a 1 239. elseif JN ( i ) <=0.35 % si JN es menor o igual a 0.35 240. p =2;%P es igual a 2 241. else % si JN es mayor a 0.35 242. p =3; % P es igual a 3 243. end % finaliza condicional if 244. end % finaliza condicional if 245. GN ( i ) =p;% se almacena P en un vector GN 246. end% el ciclo finaliza hasta que i sea 24 247. G=GN' ;% se voltea el vector GN de manera vertical 248. disp 'cantidad total encendida por hora' , ( G) % se imprime la cantidad total

encendida

Parte 7

249. Kn=( rand ( 1, 6)) ;% vector aleatorio de 6 posiciones 250. N=round ( G* Kn) ;%se multiplica el total de televisores encendidos po r el vector

aleatorio haciendo que los valores no superen los t elevisores encendidos y se redondea

251. I =sum( N' ) ;% se suman los valores resultantes de N 252. I1 =I' ;% se convierte el vector de forma vertical 253. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones 254. if I1 ( i ) ==G( i ) ;%si I1 es igual a G 255. for j =1: 6% ciclo que recorre la matriz en 6 posiciones de forma horizontal 256. N2 ( j ) =N( i , j ) ;% almacena el valor de N en una matriz N2 257. while N2 ( j ) >Y( j ) ;%siempre que N2 sea mayor que Y 258. N2 ( j ) =Y( j ) ;% N2 es igual a Y 259. end% recifica el valor de N2 para que sea menor que Y 260. end% el ciclo finaliza hasta que j sea 6 261. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como varia ble

I1 262. while I1 ( i ) ~=( G( i )) %siempre que I sea diferente de G 263. Kn =( rand ( 1, 6)) ;% vector aleatorio de 6 posiciones 264. N2 =round ( G( i ) * Kn) ;% se multiplica Kn por la cantidad de televisores


horizontal 267. while N2 ( f ) >Y( f ) %siempre que N2 sea mayor que Y 268. N2 ( f ) =Y( f ) ;% N2 es igual a Y 269. end% recifica el valor de N2 para que sea menor que Y 270. end% el ciclo finaliza hasta que f sea 6 271. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 272. end % se rectifica el valor de I hasta que sea igual a G 273. else %si I1 es diferente que G 274. while I1 ( i ) ~=( G( i )) % siempre que I1 sea diferente que G 275. Kn =( rand ( 1, 6)) ; % vector aleatorio de 12 posiciones 276. N2 =round ( G( i ) * Kn) ; % se multiplica Kn por la cantidad de televisores

encendidos y se redondea

118

277. I1 ( i ) =sum( sum( N2)) ; % se suma el vector N2 278. for f =1: 6 % ciclo que recorre la matriz en 6 posiciones de forma

horizontal 279. while N2 ( f ) >Y( f ) %siempre que N2 sea mayor que Y 280. N2 ( f ) =Y( f ) ;% N2 es igual a Y 281. end % recifica el valor de N2 para que sea menor que Y 282. end% el ciclo finaliza hasta que f sea 6 283. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 284. end %se rectifica el valor de I hasta que sea igual a G 285. end% finaliza el condicional if 286. for e =1: 6 %ciclo que recorre valores de 1 a 6 287. g ( i , e) =N2( e) ;%almacena los valores de N2 en una matriz g 288. end %el ciclo finaliza hasta que e sea 6 289. end %el ciclo finaliza hasta que i sea 24 290. disp 'eletrodomésticos encendidos por tecnologia' , ( g) % dispositivos

encendidos por tecnologia

Parte 8

291. Pt =g* Xn' ; % se multiplica el vector de los televisores encendi dos por tecnologia por la potencia de cada tecnologia

292. S=[ 0.17 0.17 0.17 0.17 0.17 0.34 0.5 0.34 0.17 0.17 0.25 0.25 0.17 0.17 0.17 0.25 0.25 0.34 0.5 0.64 0.64 0.64 0.34 0.25 ] ;% vector de uso por hora de entretenimiento

293. Noche=( M- G) * 1.55 ;% se establecen las horas en que los dispositivos es tán apagados y se multiplica el vector noche por una po tencia de 1.55 que es lo que consume cada dispositivo apagado

294. P4=( Pt. * S' ) +Noche;% se multiplica el vector de potencia de cada hora p or el porcentaje de uso por hora y se le suma el vector d e la potencia cuando los dispositivos están apagados

295. disp 'potencia total ' , ( P4) %potencia total de cada hora

Parte 9


297. plot ( t , P4) %se grafica la potencia final de televisores vs el t iempo

Parte 10


consumida en entretenimiento Kw 300. Emes=Edia * 30% energia mes consumida en entretenimiento en Kw

COCINA En la parte 1 del código cocina se eliminan los datos impresos en pantalla y los valores de las variables guardadas de programas anteriores, para evitar que las variables necesarias en el programa presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos variables, un vector Y con dimensiones 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con la encuesta realizada sobre hábitos de consumo, posteriormente se

119

declara un vector Z de dimensiones 1x4 que representa la potencia de cada una de las tecnologías de cocina, se distribuye en estufa, licuadora, horno eléctrico, horno microondas. En la parte 3 se establece un vector aleatorio X de cinco posiciones correspondiente a cada una de las tecnologías, cada elemento del vector es hallado con el comando random con una distribución de probabilidad normal establecida con los resultados de la encuesta, cada uno presenta la media y la desviación estándar correspondiente a cada tecnología, esto se realiza con el objetivo de que la ocurrencia de aparición en cada tecnología represente el comportamiento real de los usuarios. Adicionalmente se establece J que representa la suma de la cantidad de todas las tecnologías. Luego en la parte 4 posteriormente a establecer J que representa la suma total de tecnología se evalúa que ese valor sea menor que 3 que de acuerdo a las encuestas son la cantidad de dispositivos de cocina que la mayoría de usuarios presentan en sus hogares, en caso de que no cumpla el valor entra a los ciclos while establecidos anteriormente en donde se rectifica el valor hasta que el valor se encuentre entre el rango. Este vector X se imprime en pantalla y representa la capacidad instalada. En la parte 5 de acuerdo a el valor arrojado al lugar del vector correspondiente a las estufas eléctricas, en caso de ser 1 se realiza un random con una distribución binomial asignado con una probabilidad de ocurrencia de acuerdo a los resultados de la encuesta, donde se establece el número de puestos que posee la estufa que para este caso puede ser 1 o 2 puestos, este valor se representa con la letra s y es impreso en pantalla. En la parte 6 del código se procede a hallar un vector aleatorio de 24 posiciones con un valor entre 0 y 0,05 que será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o disminuir el porcentaje de uso, además de esto el código establece que si uno de los valores se hace menor que 0 no genera cambio en el vector J de porcentaje de uso, las variaciones se realizan solamente en las horas de consumo de cocina establecidas con los resultados de la encuesta. Este nuevo vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora, luego en la parte 7 se halla la cantidad de dispositivos de cocina que se encienden en las horas de consumo, multiplicando el vector de porcentaje de uso por el total de dispositivos instalados J, obteniendo como resultado un vector de 24x1 representado por la letra F La parte 8 realiza un ciclo for en el cual se determina por cada fila que los electrodomésticos de cocina encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto cada fila entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas para que al final se genere un vector con dimensiones 24x5 cumpliendo que cada hora tenga la cantidad de electrodomésticos de cocina establecidos en F pero sin superar la capacidad instalada X, este vector se imprime en pantalla y presenta el nombre de g. La parte 9 propone que de acuerdo al número de puestos se establece la potencia que posee la estufa. Luego en la parte 10 se multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de cada uno de las tecnologías aquí se suman las potencias de cada hora, también se define un vector separando solamente el vector del horno microondas, esto con el objetivo de observar las horas en que no se utilizan y asignarle una potencia que consume el elemento en stand by, este vector se asigna con el nombre de noche y toma valores múltiplos de 3 según el numero de hornos que se tengan instalados, posteriormente se suman los vectores de potencia resultantes y se halla el vector de potencia P5 que representa la potencia total por hora, este vector es impreso en pantalla. La parte 11 del código representa la creación del vector de tiempo, que hace referencia a las 24 horas del día iniciando desde 0 hasta 23, posteriormente a esto se grafica el vector de tiempo P5 con respecto a el vector de tiempo hallado anteriormente. Finalmente, en la parte 12 se guarda el vector P5 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en KW que consume el usuario al día representado como Edia y con esto se establece la energía mensual como Emes.

121

Código Cocina Parte 1

1. clear 2. clc

Parte 2

3. %declaracion de variables 4. Y=[ 0.2 0.2 0.2 0.2 0.2 0.2 0.27 0.27 0.27 0.23 0.23 0.23 0.25 0.25 0.25 0.15

0.15 0.15 0.33 0.33 0.33 0.17 0.17 0.17 ] ;% porcentaje de uso diario 5. Z=[ l 400 1000 1200 ] ; % potencia por electrodoméstico 6. %Z1=estufa eléctrica de 1 puesto =1200 o 2 puesto =2400 7. %Z2=cantidad licuadoras 8. %Z3=cantidad H Eléctrico 9. %Z4=cantidad H Mricroo 10.

Parte 3

11. X=[ random ( 'Bino' , 1, 0.2435 ) , random ( 'Bino' , 1, 0.087 ) +1, random ( 'Bino' , 1, 0.4609 ) , random( 'Bino' , 1, 0.7478 )] ;% vector de probabilidad de aparición tecnologia

12. %x1 =tiene o no estufa 13. %x2 =cantidad licuadoras 14. %x3 =cantidad H Eléctrico 15. %x4 = cantidad H Mricroo 16. %iteracion de X 17. J=sum( sum( X)) ;%J representa la suma de los valores de Xn que dan l a capacidad

instalada inicial

Parte 4

18. while ( J<3) ;%siempre que J sea menor que 3 19.

X=[ random ( 'Bino' , 1, 0.2435 ) , random ( 'Bino' , 1, 0.087 ) +1, random ( 'Bino' , 1, 0.4609 ) , random ( 'Bino' , 1, 0.5478 )] ;% vector de probabilidad normal de ocurrencia por hora

20. J =sum( sum( X)) ;%J representa la suma de los valores de Xn que dan l a capacidad instalada

21. end % se rectifica que lim sea mayor que 3 22. disp 'capacidad instalada' , ( X) % se imprime X que es la capacidad instalada

por tecnología

Parte 5

23. if X ( 1) >0 %si x ( 1) ( estufa ) es mayor que 0 24. s =random ( 'Bino' , 1, 0.20 ) +1; % numero aleatorio para determinar el número de

puestos 1=1p 2=2p 25. else %si X ( 1) es menor o igual a 0 26. s =0;% no tiene estufa 27. end % finaliza el condicional if 28. disp 'numero de puestos estufa' , ( s) % se imprime el número de puestos de la

estufa

122

Parte 6


de 24 posiciones con valores entre 0 y 0.05 33. T=( randn ( 1, 24)) ;% vector aleatorio de 24 posiciones con valores positivos y

negativos 34. T( T>0) =1; % se reemplaza de M los valores mayores que 0 por 1 35. T( T<0) =- 1; % se reemplaza de M los valores menores que 0 por - 1 36. YN1=Y+( W.* T) ; % se multiplica el vector de - 1 y 1 por W y se le suma al

porcentaje de uso 37. YN1( YN1<0) =0; % los valores del vector que tomen valores negativos se hacen 0 38. A=[ random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bin

o' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.53 ) random ( 'Bino' , 1, 0.72 ) random( 'Bino' , 1, 0.72 ) random ( 'Bino' , 1, 0.72 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' ,1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.66 ) random ( 'Bino' , 1, 0.66 ) random( 'Bino' , 1, 0.66 ) random ( 'Bino' , 1, 0.46 ) random ( 'Bino' , 1, 0.46 ) random ( 'Bino' , 1,0.46 ) random ( 'Bino' , 1, 0.16 ) random ( 'Bino' , 1, 0.16 ) random ( 'Bino' , 1, 0.16 ) random( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 )] ;% vector de probabilidad de uso en cada hora según la encuesta

39. Asum=sum( A) ; % suma del vector de probabilidad de ocurrencia por hora 40. while Asum >3; % siempre que Asum sea mayor a 3 41.

A=[ random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.53 ) random ( 'Bino' , 1, 0.72 ) random ( 'Bino' , 1, 0.72 ) random ( 'Bino' , 1, 0.72 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.66 ) random( 'Bino' , 1, 0.66 ) random ( 'Bino' , 1, 0.66 ) random ( 'Bino' , 1, 0.46 ) random ( 'Bino' , 1, 0.46 ) random ( 'Bino' , 1, 0.46 ) random ( 'Bino' , 1, 0.16 ) random ( 'Bino', 1, 0.16 ) random ( 'Bino' , 1, 0.16 ) random ( 'Bino' , 1, 0.2 ) random ( 'Bino' , 1, 0.2) random ( 'Bino' , 1, 0.2 )] ;% vector de probabilidad de uso en cada hora según la encuesta

42. Asum =sum( A) ;% suma del vector de probabilidad de ocurrencia por hora 43. end %se rectifica que Asum sea mayor que 3 equivalente al número de

apariciones 44. YN=A. * YN1; % se multiplica el vector de ocurrencia por el vecto r de

porcentaje de uso 45. disp 'porcentaje de uso' , YN %porcentaje de uso de cada hora

Parte 7

46. %electrodomésticos encendidos 47. FN=round ( J* YN) ; % multiplica la capacidad instalada por el porcentaj e de uso

final y lo redondea 48. F=FN' ; % el vector FN se acomoda de forma vertical 49. disp 'total electrodomésticos encendidos' , ( F) %electrodomésticos encendidos

total por hora

Parte 8

50. %cantidad de bombillos encendidos de cada tecnologia en cada hora 51. Kn=( rand ( 1, 4)) ; % vector aleatorio de 4 posiciones

123

52. N=round ( F* Kn) ; % se multiplica el total de televisores encendidos p or el vector aleatorio haciendo que los valores no supere n los dispositivos encendidos y se redondea

53. I =sum( N' ) ;% se suman los valores resultantes de N 54. I1 =I' ;% se convierte el vector de forma vertical 55. for i =1: 24 % ciclo que recorre una matriz de manera vertical en 24 posiciones 56. if I1 ( i ) ==F( i ) ;%si I1 es igual a F 57. for j =1: 4 % ciclo que recorre la matriz en 4 posiciones de forma

horizontal 58. N2 ( j ) =N( i , j ) ;% almacena el valor de N en una matriz N2 59. while N2 ( j ) >X( j ) ;%siempre que N2 sea mayor que X 60. N2 ( j ) =X( j ) ;% N2 es igual a X 61. end % rectifica el valor de N2 para que sea menor que X 62. end% el ciclo finaliza hasta que j sea 4 63. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como varia ble

I1 64. while I1 ( i ) ~=( F( i )) %siempre que I sea diferente de F 65. Kn =( rand ( 1, 4)) ;% vector aleatorio de 4 posiciones 66. N2 =round ( F( i ) * Kn) ; % se multiplica Kn por la cantidad de dispositivos

encendidos y se redondea 67. I1 ( i ) =sum( sum( N2)) ; % se suma el vector N2 68. for f =1: 4 % ciclo que recorre la matriz en 4 posiciones de forma

horizontal 69. while N2 ( f ) >X( f ) %siempre que N2 sea mayor que X 70. N2 ( f ) =X( f ) ;% N2 es igual a X 71. end %recifica el valor de N2 para que sea menor que X 72. end% el ciclo finaliza hasta que f sea 12 73. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 74. end% se rectifica el valor de I hasta que sea igual a G 75. else %si I1 es diferente que F 76. while I1 ( i ) ~=( F( i )) % siempre que I1 sea diferente que F 77. Kn =( rand ( 1, 4)) ;% vector aleatorio de 4 posiciones 78. N2 =round ( F( i ) * Kn) ; % se multiplica Kn por la cantidad de televisores

encendidos y se redondea 79. I1 ( i ) =sum( sum( N2)) ; % se suma el vector N2 80. for f =1: 4% ciclo que recorre la matriz en 4 posiciones de forma

horizontal 81. while N2 ( f ) >X( f ) %siempre que N2 sea mayor que X 82. N2 ( f ) =X( f ) ;% N2 es igual a X 83. end % recifica el valor de N2 para que sea menor que X 84. end % el ciclo finaliza hasta que f sea 4 85. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como varia ble

I1 86. end% se rectifica el valor de I hasta que sea igual a F 87. end% finaliza el condicional if 88. for e =1: 4%ciclo que recorre valores de 1 a 4 89. g ( i , e) =N2( e) ;%almacena los valores de N2 en una matriz g 90. end %el ciclo finaliza hasta que e sea 4 91. end %el ciclo finaliza hasta que i sea 24 92. p=0;% se inicializa variable p 93. for i =1: 4 % ciclo que recorre la matriz en 4 posiciones de forma horizontal 94. if X ( i ) ~=0 % si X es diferente de 0 95. p =p+1;% p es igual a 1 96. else % si X es igual a 0 97. p =p;% P es igual a 0 98. end% finaliza el condicional if

124

99. end %el ciclo finaliza hasta que i sea 4 100. SF=sum( F) ;% suma todos los electrodomésticos encendidos 101. if SF ==0% si SF es igual a 0 102. V =0;% V es igual a 0 103. else % si SF es diferente de 0 104. V =ceil ( SF/ p) ;% V es igual a la suma de los electrodomésticos ence ndidos

sobre V 105. end% finaliza el condicional if 106. E=sum( g) ;%suma de los dispositivos instalados por tecnologia 107. disp 'v' , ( V) %imprime en pantalla V 108. if E ( 1) >V| E( 2) >V| E( 3) >V| E( 4) >V % si alguno de los valores de E son mayores

que V 109. while E ( 1) >V| E( 2) >V| E( 3) >V| E( 4) >V;% siempre que alguno de los valores de E

son mayores que V 110. Kn =( rand ( 1, 4)) ;% vector aleatorio de 4 posiciones 111. N =round ( F* Kn) ;% se multiplica el total de dispositivos encendidos por el

vector aleatorio haciendo que los valores no supere n los dispositivos encendidos y se redondea

112. I =sum( N' ) ;% se suman los valores resultantes de N 113. I1 =I' ;% se convierte el vector de forma vertical 114. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones 115. if I1 ( i ) ==F( i ) ;%si I1 es igual a F 116. for j =1: 4% ciclo que recorre la matriz en 4 posiciones de forma horizontal 117. N2 ( j ) =N( i , j ) ;% almacena el valor de N en una matriz N2 118. while N2 ( j ) >X( j ) ;%siempre que N2 sea mayor que X 119. N2 ( j ) =X( j ) ;% N2 es igual a X 120. end% recifica el valor de N2 para que sea menor que X 121. end% el ciclo finaliza hasta que j sea 4 122. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como varia ble

I1 123. while I1 ( i ) ~=( F( i )) %siempre que I sea diferente de F 124. Kn =( rand ( 1, 4)) ;% vector aleatorio de 4 posiciones 125. N2 =round ( F( i ) * Kn) ;% se multiplica Kn por la cantidad de dispositivos


horizontal 128. while N2 ( f ) >X( f ) %siempre que N2 sea mayor que X 129. N2 ( f ) =X( f ) ;% N2 es igual a X 130. end% recifica el valor de N2 para que sea menor que X 131. end% el ciclo finaliza hasta que f sea 4 132. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 133. end% se rectifica el valor de I hasta que sea igual a F 134. else %si I1 es diferente que F 135. while I1 ( i ) ~=( F( i )) % siempre que I1 sea diferente que F 136. Kn =( rand ( 1, 4)) ;% vector aleatorio de 4 posiciones 137. N2 =round ( F( i ) * Kn) ;% se multiplica Kn por la cantidad de bombillos


horizontal 140. while N2 ( f ) >X( f ) %siempre que N2 sea mayor que X 141. N2 ( f ) =X( f ) ;% N2 es igual a X 142. end% recifica el valor de N2 para que sea menor que X 143. end% el ciclo finaliza hasta que f sea 4

125

144. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como variable I1

145. end% se rectifica el valor de I hasta que sea igual a F 146. end% finaliza el condicional if 147. for e =1: 4%ciclo que recorre valores de 1 a 4 148. g ( i , e) =N2( e) ;%almacena los valores de N2 en una matriz g 149. end %el ciclo finaliza hasta que e sea 4 150. end %el ciclo finaliza hasta que i sea 24 151. E =sum( g) ;%suma de los dispositivos instalados por tecnologia 152. end % rectifica que los valores de E sean menores que V 153. end % finaliza el condicional if 154. disp 'electrodomésticos encendidos por tecnologia' , ( g) % imprime en pantalla

los dispositivos encendidos por tecnología

Parte 9

155. if s ==1% Si s es igual a 1 156. l =1200 ;% se asigna una potencia de 1200 157. else % si s es diferente de 1 158. l =2400 ; % se asigna una potencia de 2400 159. end% finaliza el condicional if

Parte 10

160. Q=[ 0.30 0.09 0.05 0.05 ] ;% porcentaje de utilización en la hora 161. % potencia apagados 162. Y1=[ 0; 0; 0; 1] ;% se separa Y1 y se selecciona la posición de horno

microondas 163. N1=g* Y1;% se multiplica los dispositivos instalados por tecn ologia por el

vector del horno microondas 164. Noche=( X( 4) - N1) * 3;%% se establecen las horas en que los hornos están ap agados

y se multiplica el vector noche por una potencia de 3 que es lo que consume cada horno apagado

165. P5=round ( g* ( Z. * Q) ' ) +Noche;% se multiplica el vector de potencia de cada hora por el porcentaje de uso por hora y se le suma el v ector de la potencia cuando los hornos están apagados

166. disp 'potencia total por hora' , ( P5) % se imprime la potencia total de los dispositivos de cocina

Parte 11

167. t =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;% vector de tiempo

168. plot ( t , P5) %se grafica la potencia final de cocina vs el tiempo 169. save P5 % se almacena la matriz P5 para ser utilizada en otr os codigos

Parte 12

170. Edia =sum( P5) / 1000 % a partir del vector P5 se determina la energia dia ria consumida en cocina Kw

171. Emes=Edia * 30% energia mes consumida en televisores en Kw 172. a=xlswrite ( 'Libro1.xlsx' , P5, 1, '' ) % se almacena la simulación en un Excel con

el nombre de datos final.

126

CALOR En la parte 1 del código calor se eliminan los datos impresos en pantalla como también los valores de las variables guardadas de programas anteriores para evitar que las variables necesarias en el programa presenten valores diferentes a los deseados. En la parte 2 se declaran dos variables, un vector Y con dimensiones 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con la encuesta realizada sobre hábitos de consumo, posteriormente se declara un vector Z de dimensiones 1x3 que representa la potencia de cada una de las tecnologías de calor, se distribuye en plancha de ropa, plancha de cabello y secador de cabello. La parte 3 establece un vector aleatorio Xn de tres posiciones correspondiente a cada una de las tecnologías, cada elemento del vector es hallado con el comando random con una distribución de probabilidad binomial establecida con los resultados de la encuesta, cada uno presenta la probabilidad de aparición correspondiente a cada tecnología, esto se realiza con el objetivo de que la ocurrencia de aparición en cada tecnología represente el comportamiento real de los usuarios. Adicionalmente se establece J que representa la suma de la cantidad de todas las tecnologías. Posteriormente de establecer J que representa la suma total de tecnología en la parte 4 se evalúa que ese valor este entre 1 y 3 que de acuerdo a las encuestas son la cantidad de dispositivos de calor que la mayoría de usuarios presentan en sus hogares, en caso de que no cumpla el valor entra a los ciclos while establecidos anteriormente en donde se rectifica el valor hasta que el valor se encuentre entre el rango. Este vector X se imprime en pantalla y representa la capacidad instalada por cada tecnología. En la parte 5 se procede a hallar un vector aleatorio de 24 posiciones con un valor entre 0 y 0,2 que será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o disminuir el porcentaje de uso, además de esto el código establece que si uno de los valores se hace menor que 0 no genera cambio en el vector Y de porcentaje de uso, estos valores son establecidos como un vector con probabilidad de ocurrencia en cada hora según lo establecido en la encuesta. Este nuevo vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora. La parte 6 multiplica el vector de porcentaje de uso por hora YN con el valor de la suma de capacidad instalada J obteniendo así la cantidad de elementos encendidos en cada hora, este es un vector con unas dimensiones de 24x1, de acuerdo al número de horas del día, este vector se imprime en pantalla con nombre F. En la parte 7 se realiza un ciclo for en el cual se determina por cada fila que los dispositivos de calor encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto cada fila entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas para que al final se genere un vector con dimensiones 24x3 cumpliendo que cada hora tenga la cantidad de electrodomésticos de calor establecidos en F pero sin superar la capacidad instalada X, este vector se imprime en pantalla y presenta el nombre de g. La parte 8 multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de cada una de las tecnologías de calor, aquí se suman las potencias de cada hora. Adicionalmente a esto se genera un vector Q que representa los minutos que se mantienen encendidos los dispositivos de calor en los hogares, este vector se multiplica por Z que es la potencia de cada hora generando así la potencia total consumida en cada hora. Este vector se imprime en pantalla como P7. Finalmente en la parte 9 se guarda el vector P7 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en KW que consume el usuario al día como Edia y con esto se establece la energía mensual como Emes.

128

Código Calor Parte 1

1. clear 2. clc

Parte 2

3. Y=[ 0.2 0.20 0.20 0.20 0.28 0.32 0.33 0.33 0.33 0.29 0.29 0.29 0.26 0.26 0.26 0.3 0.3 0.3 0.34 0.34 0.34 0.28 0.28 0.28 ] ;

4. Z=[ 1000 350 1500 ] ; % potencia por electrodoméstico

Parte 3

5. X=[ random ( 'Bino' , 1, 0.1478 ) +1, random ( 'Bino' , 1, 0.7130 ) , random ( 'Bino' , 1, 0.5739 )];

6. %x1 = cantidad plancha ropa 7. %x2 = cantidad plancha cabello 8. %x3 = cantidad secador cabello 9. %iteracion de X 10. J=sum( sum( X)) ;%J representa la suma de los valores de X que dan la capacidad

instalada inicial

Parte 4

11. lim =round ( random ( 'norm' , 2.5 , 0.93 )) ; 12. lim ( lim <1) =1;% numero de total de computadores instalados 13. while lim >3% siempre lim sea mayor que 3 14. lim =round ( random ( 'norm' , 2.57 , 1.35 )) ;% numero aleatorio con distribución

normal representa la capacidad instalada según la e ncuesta 15. lim ( lim <1) =1;% si lim es menor que 1 se establece como 1 16. end% se rectifica que lim sea menor que 3 17. while ( J~=lim ) ;%siempre que J sea diferente de lim 18.

X=[ random ( 'Bino' , 1, 0.1478 ) +1, random ( 'Bino' , 1, 0.7130 ) , random ( 'Bino' , 1,0.5739 )] ;% vector de probabilidad normal de ocurrencia por ho ra

19. J =sum( sum( X)) ;%J representa la suma de los valores de Xn que dan l a capacidad instalada

20. end% rectifica que J sea igual a lim 21. disp 'capacidad instalada' , ( X) %capacidad instalada de cada tecnologia calor

Parte 5



negativos 27. M( M>0) =1;% se reemplaza de M los valores mayores que 0 por 1 28. M( M<0) =- 1;% se reemplaza de M los valores menores que 0 por - 1

129

29. YN1=Y+( W.* M) ;% se multiplica el vector de - 1 y 1 por W y se le suma al porcentaje de uso

30. YN1( YN1<0) =0;% los valores del vector que tomen valores negativos se hacen 0 31. A=[ random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) ra

ndom( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.3304 ) random ('Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.2348) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.4435 ) random( 'Bino' , 1, 0.4435 ) random ( 'Bino' , 1, 0.4435 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 )] ;% vector de probabilidad de uso en cada hora según la encuesta

32. Asum=sum( A) ;% suma del vector de probabilidad de ocurrencia por hora 33. while Asum >2;% siempre que Asum sea mayor a 2 34.

A=[ random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino', 1, 0.3304 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.4435 ) random ( 'Bino' , 1, 0.4435 ) random ('Bino' , 1, 0.4435 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random( 'Bino' , 1, 0.2348 )] ;% vector de probabilidad de uso en cada hora según la encuesta

35. Asum =sum( A) ; % suma del vector de probabilidad de ocurrencia por hora 36. end %se rectifica que Asum sea menor a 2 37. YN=A. * YN1;% se multiplica el vector de ocurrencia por el vecto r de porcentaje

de uso 38. while YN==0%siempre que YN sea diferente de 0 39. while Asum >2;% siempre que Asum sea mayor a 2 40.

A=[ random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' ,1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ( 'Bino' , 1, 0.2304 ) random ('Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.4087 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.1739 ) random ( 'Bino' , 1, 0.2348 ) random( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.4435) random ( 'Bino' , 1, 0.4435 ) random ( 'Bino' , 1, 0.4435 ) random ( 'Bino', 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 ) random ( 'Bino' , 1, 0.2348 )] ;% vector de probabilidad de uso en cada hora según la en cuesta

41. Asum =sum( A) ;% suma del vector de probabilidad de ocurrencia por hora 42. end %se rectifica que Asum sea menor a 2 43. YN =A. * YN1;% se multiplica el vector de ocurrencia por el vecto r de

porcentaje de uso 44. end% se rectifica que YN sea igual a 0 45. disp 'porcentaje de uso' , ( YN) %porcentaje de uso de cada hora

Parte 6

46. FN=ceil ( J* YN) ;% se multiplica el total de computadores encendidos por el vector aleatorio haciendo que los valores no supere n los computadores encendidos y se redondea al mayor

47. F=FN' ;% el vector GN se acomoda de forma vertical

130

48. disp 'total dispositivos de calor ' , ( F) %dispositivos de calor total por hora

Parte 7

49. Kn=[ random ( 'Bino' , 1, 0.8522 ) , random ( 'Bino' , 1, 0.7130 ) , random ( 'Bino' , 1, 0.5739 )] ; % vector de probabilidad de aparición de tecnologia

50. N=ceil ( F* Kn) ;% se multiplica el total de computadores encendidos por el vector de probabilidad de aparición de tecnologia h aciendo que los valores no superen los computadores encendidos y se redondea a l mayor

51. I =sum( N' ) ;% se suman los valores resultantes de N 52. I1 =I' ;% se convierte el vector de forma vertical 53. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones 54. if I1 ( i ) ==F( i ) ;%si I1 es igual a F 55. for j =1: 3% ciclo que recorre la matriz en 3 posiciones de forma horizontal 56. N2 ( j ) =N( i , j ) ;% almacena el valor de N en una matriz N2 57. while N2 ( j ) >X( j ) ;%siempre que N2 sea mayor que X 58. N2 ( j ) =X( j ) ;% N2 es igual a X 59. end% recifica el valor de N2 para que sea menor que X 60. end% el ciclo finaliza hasta que j sea 3 61. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como varia ble

I1 62. while I1 ( i ) ~=( F( i )) %siempre que I sea diferente de F 63.

Kn=[ random ( 'Bino' , 1, 0.8522 ) , random ( 'Bino' , 1, 0.7130 ) , random ( 'Bino' , 1, 0.5739 )] ;% vector de probabilidad de aparición de tecnologia

64. N2 =round ( F( i ) * Kn) ;% se multiplica Kn por la cantidad de computadores encendidos y se redondea

65. I1 ( i ) =sum( sum( N2)) ;% se suma el vector N2 66. for f =1: 3% ciclo que recorre la matriz en 3 posiciones de forma

horizontal 67. while N2 ( f ) >X( f ) %siempre que N2 sea mayor que X 68. N2 ( f ) =X( f ) ;% N2 es igual a X 69. end% recifica el valor de N2 para que sea menor que X 70. end% el ciclo finaliza hasta que f sea 3 71. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 72. end% se rectifica el valor de I hasta que sea igual a F 73. else %si I1 es diferente que F 74. while I1 ( i ) ~=( F( i )) % siempre que I1 sea diferente que F 75.

Kn=[ random ( 'Bino' , 1, 0.8522 ) , random ( 'Bino' , 1, 0.7130 ) , random ( 'Bino' , 1, 0.5739 )] ;% vector de probabilidad de aparición de tecnologia

76. N2 =round ( F( i ) * Kn) ;% se multiplica Kn por la cantidad de computadores encendidos y se redondea

77. I1 ( i ) =sum( sum( N2)) ;% se suma el vector N2 78. for f =1: 3% ciclo que recorre la matriz en 3 posiciones de forma

horizontal 79. while N2 ( f ) >X( f ) %siempre que N2 sea mayor que X 80. N2 ( f ) =X( f ) ; % N2 es igual a X 81. end% recifica el valor de N2 para que sea menor que X 82. end% el ciclo finaliza hasta que f sea 2 83. I1 ( i ) =sum( sum( N2)) ;% se realiza la suma de los valores de N2 como

variable I1 84. end% se rectifica el valor de I hasta que sea igual a F 85. end% finaliza el condicional if

131

86. for e =1: 3 %ciclo que recorre valores de 1 a 3 87. g ( i , e) =N2( e) ;%almacena los valores de N2 en una matriz g 88. end %el ciclo finaliza hasta que e sea 2 89. end% el ciclo finaliza hasta que i sea 24 90. disp 'eletrodomésticos encendidos por tecnologia' , ( g) % dispositivos de calor

por tecnologia

Parte 8

91. Q=[ 0.25 0.05 0.05 ] ;% porcentaje de utilización en la hora 92. P7=round ( g* ( Z. * Q) ' ) ;% se multiplica el vector de los bombillos encendido s por

tecnologia por la potencia de cada tecnologia por e l porcentaje de uso en la hora

93. disp 'potencia total por hora' , ( P7) %potencia total de cada hora 94. t =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;%vector de


Parte 9


consumida en iluminacion Kw 98. Emes=Edia * 30% energia mes consumida en iluminacion Kw

ASEO En la parte 1 del código aseo se eliminan los datos impresos en pantalla como también los valores de las variables guardadas de programas anteriores para evitar que las variables necesarias en el programa presenten valores diferentes a los deseados. Se declara en la parte 2 un vector Y con dimensiones 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con la encuesta realizada sobre hábitos de consumo En la parte 3 se realiza un random para escoger la cantidad de dispositivos de aseo que puede tener en el hogar que puede variar entre 1 y 2, posteriormente si existe uno se escoge el tipo de tecnología, esta puede ser ducha o calentador, si llegase a ser calentador se escoge que tipo de calentador. Adicionalmente este valor se almacena en X, se imprime y representa la capacidad instalada de dispositivos de aseo. La parte 4 procede a hallar un vector aleatorio de 24 posiciones con un valor entre 0 y 0,05 que será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o disminuir el porcentaje de uso, además de esto el código establece que, si uno de los valores se hace menor que 0 no genera cambio en el vector Y de porcentaje de uso, estos valores son establecidos como un vector con probabilidad de ocurrencia en cada hora según lo establecido en la encuesta. Este nuevo vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora. En la parte 5 se multiplica el vector de porcentaje de uso por hora YN con el valor de la suma de capacidad instalada J obteniendo así la cantidad de elementos encendidos en cada hora, este es un vector con unas dimensiones de 24x1, de acuerdo al número de horas del día, este vector se imprime en pantalla con nombre F. La parte 6 multiplica el vector de los elementos encendidos por hora g con él la potencia de cada una de las tecnologías seleccionadas anteriormente, aquí se suman las potencias de cada hora.

132

Adicionalmente a esto se genera un vector Q que representa los minutos que se mantienen encendidos los dispositivos de aseo en los hogares, este vector se multiplica por Z que es la potencia de cada hora generando así la potencia total consumida en cada hora. Este vector se imprime en pantalla como P8. Finalmente, en la parte 7 se guarda el vector P8 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en kW que consume el usuario al día como Edia y con esto se establece la energía mensual como Emes.

133

Código Aseo Parte 1

1. clear 2. clc

Parte 2

3. Y=[ 0.2 0.2 0.2 0.2 0.4 0.47 0.44 0.44 0.44 0.24 0.24 0.24 0.2 0.2 0.2 0.15 0.15 0.15 0.16 0.16 0.16 0.2 0.2 0.2 ] ;% vector de porcentaje de uso por hora

Parte 3

4. a=random ( 'Bino' , 1, 0.36 ) ;% algo eléctrico 5. disp 'a' , ( a) % se imprime en pantalla si posee algún electrodomés tico

eléctrico 6. if a ==1% si a es igual a 1 7. X =[ random ( 'Bino' , 1, 0.11 ) +1, random ( 'Bino' , 1, 0.23 )] ;% vector de probabilidad

para determinar si tiene ducha o calentador eléctri co 8. %x1 = Ducha 9. %x2 = calentador eléctrico 10. %iteracion de X 11. J =sum( sum( X)) ; %J representa la suma de los valores de Xn que dan l a

capacidad instalada inicial 12. if X ( 2) >0% si calentador eléctrico es 1 13. X ( 1) =0;% ducha es igual a 0 14. end% finaliza el condicional if 15. else %si a es calentador a gas 16. X =[ 1] ;% vector de capacidad es 1 17. J =1;% suma es igual a 1 18. end% finaliza el condicional if 19. disp 'capacidad instalada' , ( X) % imprime en pantalla la capacidad instalada

Parte 4



negativos 25. M( M>0) =1;% se reemplaza de M los valores mayores que 0 por 1 26. M( M<0) =- 1;% se reemplaza de M los valores menores que 0 por - 1 27. YN1=Y+( W.* M) ;% se multiplica el vector de - 1 y 1 por W y se le suma al

porcentaje de uso 28. YN1( YN1<0) =0;% los valores del vector que tomen valores negativos se hacen 0 29. A=[ random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 ) ra

ndom( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.7043 ) random ('Bino' , 1, 0.6348 ) random ( 'Bino' , 1, 0.6348 ) random ( 'Bino' , 1, 0.6348 ) random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.1217 ) random ( 'Bino' , 1, 0.1217 ) random ( 'Bino' , 1, 0.1217 ) random ( 'Bino' , 1, 0.0957) random ( 'Bino' , 1, 0.0957 ) random ( 'Bino' , 1, 0.0957 ) random ( 'Bino' , 1, 0.1652 ) random( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.2435 ) random ( '

134

Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 )] ;% vector de probabilidad de uso en cada hora según la encuesta

30. Asum=sum( A) ;% suma del vector de probabilidad de ocurrencia por hora 31. while Asum >2 || Asum ==0;% siempre que Asum sea igual a 0 o mayor a 2 32.



apariciones 35. YN=A. * YN1;% se multiplica el vector de ocurrencia por el vecto r de porcentaje

de uso 36. disp 'porcentaje de uso' , ( YN) %porcentaje de uso de cada hora

Parte 5

37. FN=ceil ( J* YN) ;% multiplica la capacidad instalada por el porcentaj e de uso final y lo redondea

38. F=FN' ;% el vector GN se acomoda de forma vertical 39. disp 'total dispositivos de aseo encendidos' , ( F) %electrodomésticos de aseo

encendidos total por hora

Parte 6

40. if length ( X) >1% si el tamaño del vector es mayor a 1 41. if X ( 1) >0% si X en la posición uno es mayor a 1 42. Z =1500 ;% se asigna una potencia de 1500 43. Q =0.25 ;% se asigna un porcentaje de uso en la hora de 0.25 % 44. else % si X en la posición uno es 0 45. Z =1800 ;%se asigna una potencia de 1800 46. Q =0.25 ;% se asigna un porcentaje de uso en la hora de 0.25 % 47. end% finaliza el condicional if 48. else %si el tamaño del vector X e igual o menor a 1 49. Z =5;%se asigna una potencia de 5 50. Q =1;% se asigna un porcentaje de uso en la hora de 1 51. F =( linspace ( 1, 1, 24)) ' ;% se asigna el uso en todas las horas del día 52. end% finaliza el condicional if 53. P8=round ( F* ( Z* Q) ' ) ;% se multiplica el vector de los bombillos encendido s por

tecnologia por la potencia de cada tecnologia y por el huso horario 54. disp 'potencia total por hora' , ( P8) %potencia total de cada hora 55. t =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;% vector de


Parte 7

57. save P8 % se almacena la matriz P8 para ser utilizada en otr os codigos

135

58. Edia =sum( P8) / 1000 % a partir del vector P8 se determina la energia dia ria consumida en iluminacion Kw

59. Emes=Edia * 30% energia mes consumida en iluminacion Kw

LAVADO En la parte 1 del código lavado se eliminan los datos impresos en pantalla como también los valores de las variables guardadas de programas anteriores para evitar que las variables necesarias en el programa presenten valores diferentes a los deseados. Se declara en la parte 2 el vector s de 1x14 en el cual se almacena el valor de la potencia por dispositivo, los cinco primeros valores corresponden a las potencias de las lavadoras, las siguientes 4 a las potencias de las secadoras eléctricas y las últimas cinco a las potencias de las lavadoras-secadoras. En la parte 3 se crea un vector C, que representa la cantidad de cada de lavadoras (Y), secadoras (n) y lavadoras-secadoras (B) con las que cuenta el usuario, por medio de generadores Random con distribución binomial, determinado primero si el usuario tiene o no lavadora y si tiene, determinar si tiene o no secadora, en caso de no tener estos se asigna una lavadora- secadora. En la parte 4 se determina cual tecnología tiene el usuario, se crearon tres vectores uno para lavadoras (Z1), uno para secadoras (Z2) y uno para lavadoras-secadoras (Z3), donde por medio de generadores Random de distribución binomial. Luego en la parte 5 se toma cada valor de C; cuando el primer valor del vector C es igual a uno significa que el usuario tiene una lavadora, entonces mediante un ciclo while se escoge que tipo de lavadora tendrá dentro del vector Z1 asegurándose que solo escoja una, y en caso de no tener lavadora el vector Z1 es cero en todas sus posiciones. En la parte 6 cuando el segundo valor del vector C es igual a uno significa que el usuario tiene una secadora , entonces mediante un ciclo while se escoge que tipo de secadora tendrá dentro del vector Z2 asegurándose que solo escoja una, y en caso de no tener secadora el vector Z2 es cero en todas sus posiciones, por último en la parte 7cuando el tercer valor del vector C es igual a uno significa que el usuario tiene una Lavadora-secadora , entonces mediante un ciclo while se escoge que tipo de secadora tendrá dentro del vector Z3 asegurándose que solo escoja una, y en caso de no tener secadora el vector Z3 es cero en todas sus posiciones. Finalmente se guardan los valores de Z1 Z2 y Z3 en el vector Z. El vector J se representa en la parte 8, cuando los usuarios usan sus electrodomésticos para lavado durante el día, mediante generadores Random con distribución binomial, donde 1 representa “lo usan en esa hora” y 0 “no lo usan en esa hora. Si la suma es igual a dos electrodomésticos, lo utilizaran no más de tres veces al día, ya que se quiere asegurar que se ambos electrodomésticos durante el día esto se realiza en la parte 9. En la parte 10 si la suma es igual a un electrodoméstico, lo utilizaran no más de dos veces al día. En la parte 11 para determinar que dispositivo se utiliza en cada hora del día, se crea el vector C2 que representa lo mismo que el vector C y mediante un ciclo while se determina cuál de los electrodomésticos (lavadora, secadora y lavadora-secadora) se utilizara en cada hora según el uso por hora (J) y la capacidad instalada (C). Finalmente se almacena en la matriz g, donde cada columna representa lo que hay encendido de cada dispositivo (L, S, L-S) por hora. Al multiplicar el vector de potencia (s) por el vector que representa que tipo de lavadora, secadora o lavadora-secadora se escogió (Z), se obtiene la potencia instalada en dispositivos de lavado. En la parte 12 para asignar el valor de potencia correspondiente al dispositivo que esta encendido, se realiza un arreglo separando la matriz g en tres vectores independientes (L, S y L-S) y se multiplica por su respectivo valor de potencia para el caso de que se usara lavadora-secadora, se fijó que al

136

menos una vez, si se utilizaba este dispositivo se usara en la siguiente hora también, ya que el siclo de lavado de este dura más de una hora, se guardan en una nueva matriz de potencias b , finalmente se guarda la suma de las potencias de los dispositivos usados en la hora en el vector P9. En la parte 13 se grafica el vector de potencia p9 vs el tiempo y se procede a hallar el valor Edia Y Emes representa la energía consumida por los dispositivos de lavado durante un día y un mes respectivamente.

138

Código Lavadora Parte 1

1. clear 2. clc

Parte 2

3. %declaracion de variables 4. %SN=random ( 'Bino' , 1, 0.3 ) ; 5. %if SN==1 6. s=[ 71.39 87.91 109.07 121.96 201.48 285.71 357.14 400 514.29 142.86 150 242.8

6 271.43 314.29 ] ;% vector de potencia por dispositivo 7. % cantidad por dispositivo

Parte 3

8. Y=0;% declaración de variable Y equivalente a lavadora 9. n=0;% declaracion de variable n equivalente a secadora 10. B=0;% declaracion de variable B equivalente a lavadora - secadora 11. C=[ Y n B ] ;% Y =LAVADORA n=SECADORA B=LAVA- SECADORA 12. X=random ( 'Bino' , 1, 0.8957 ) ;% probabilidad binomial de que se tenga una

lavadora 13. if X ==1% Si X es igual a 1 14. Y =X;% Se asigna valor de 1 a la variable Y 15. n =random ( 'Bino' , 1, 0.0522 ) ;% probabilidad de que se tenga secadora 16. B =0;% se asigna un valor de 0 a la variable B 17. C =[ Y n B ] ;% se organiza el vector C con los dispositivos insta lados 18. else % si X es igual a 0 19. Y =0;% se asigna un valor de 0 a la variable Y 20. n =0;% se asigna un valor de 0 a la variable n 21. B =1;% se asigna un valor de 1 a la variable B 22. C =[ Y n B ] ;% se organiza el vector C con los dispositivos insta lados 23. end% finaliza el condicional if 24. disp 'capacidad instalada ' , ( C) %se imprime en pantalla la capacidad instalada

Parte 4

25. %cap instalada de cada tecnologia 26. Z1=[ random ( 'Bino' , 1, 0.1574 ) random ( 'Bino' , 1, 0.3056 ) random ( 'Bino' , 1, 0.3611 ) r

andom( 'Bino' , 1, 0.1574 ) random ( 'Bino' , 1, 0.0185 )] ;% vector de probabilidad de ocurrencia lavadoras

27. Z2=[ random ( 'Bino' , 1, 0.1667 ) random ( 'Bino' , 1, 0.1667 ) random ( 'Bino' , 1, 0.3333 ) random( 'Bino' , 1, 0.3333 )] ;% vector de probabilidad de ocurrencia secadoras

28. Z3=[ random ( 'Bino' , 1, 0.5 ) random ( 'Bino' , 1, 0) random ( 'Bino' , 1, 0) random ( 'Bino' ,1, 0.1667 ) random ( 'Bino' , 1, 0.3333 )] ;% vector de probabilidad de ocurrencia lavadora - secadora

29. Z=[ Z1 Z2 Z3 ] ;% se organizan los tres tipos de tecnologías en un s olo vector 30. z1 =sum( Z1) ;%suma el numero de lavadoras instaladas 31. z2 =sum( Z2) ;%suma el numero de secadoras instaladas 32. z3 =sum( Z3) ;%suma el numero de lavadora - secadoras instaladas 33. z=[ z1 z2 z3 ] ; % se organiza la suma de las tres tecnologías en un vector

139

Parte 5

34. if C ( 1) ==1;% si hay una lavadora instalada 35. while z1~ =1% siempre que la suma de lavadoras sea diferente de uno 36.

Z1=[ random ( 'Bino' , 1, 0.1574 ) random ( 'Bino' , 1, 0.3056 ) random ( 'Bino' , 1,0.3611 ) random ( 'Bino' , 1, 0.1574 ) random ( 'Bino' , 1, 0.0185 )] ;% vector de probabilidad de ocurrencia lavadoras

37. z1 =sum( Z1) ;%suma el numero de lavadoras instaladas 38. end %rectifica la suma de lavadoras hasta que sea igual a 1 39. else % si no hay lavadoras instaladas 40. Z1 =[ 0 0 0 0 0] ;% el vector de lavadoras se hace igual a 0 41. z1 =sum( Z1) ;% la suma de lavadoras es igual a 0 42. end % finaliza el condicional if

Parte 6

43. if C ( 2) ==1;% si hay una secadora instalada 44. while z2~ =1% siempre que la suma de secadoras sea diferente de uno 45.

Z2=[ random ( 'Bino' , 1, 0.1667 ) random ( 'Bino' , 1, 0.1667 ) random ( 'Bino' , 1, 0.3333 ) random ( 'Bino' , 1, 0.3333 )] ;% vector de probabilidad de ocurrencia secadoras

46. z2 =sum( Z2) ;%suma el numero de secadoras instaladas 47. end %rectifica la suma de secadoras hasta que sea igual a 1 48. else % si no hay secadoras instaladas 49. Z2 =[ 0 0 0 0] ;% el vector de secadoras se hace igual a 0 50. z2 =sum( Z2) ;% la suma de secadoras es igual a 0 51. end% finaliza el condicional if

Parte 7

52. if C ( 3) ==1;;% si hay una lavadora - secadora instalada 53. while z3~ =1% siempre que la suma de lavadora - secadora sea diferente de uno 54.

Z3=[ random ( 'Bino' , 1, 0.5 ) random ( 'Bino' , 1, 0) random ( 'Bino' , 1, 0) random( 'Bino' , 1, 0.1667 ) random ( 'Bino' , 1, 0.3333 )] ;% vector de probabilidad de ocurrencia lavadora - secadora

55. z3 =sum( Z3) ;%suma el numero de lavadora - secadoras instaladas 56. end %rectifica la suma de lavadoras - secadoras hasta que sea igual a 1 57. else % si no hay lavadora - secadora instaladas 58. Z3 =[ 0 0 0 0 0] ;% la suma de lavadora - secadora es igual a 0 59. z3 =sum( Z3) ;%suma el numero de lavadora - secadora instaladas 60. end% finaliza el condicional if 61. Z=[ Z1 Z2 Z3 ] ;% se organizan los tres tipos de tecnologías en un s olo vector 62. z=[ z1 z2 z3 ] ; % se organiza la suma de las tres tecnologías en un vector 63. disp 'cantidad por tecnologia' , ( Z) % cantidad de dispositivos por tecnología

Parte 8

64. %iteracion de porcentaje de uso YN 65. J=[ random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) ra

ndom( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.4348 ) random ('Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.5478 ) random ( 'Bino' , 1, 0.5478 ) random ( 'Bino' , 1, 0.5478 ) random ( 'Bino' , 1, 0

140

.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3565 ) random( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 )] ;

Parte 9

66. if sum ( C) ==2%si la suma de C sea igual a 2 67. Jsum =sum( J) ;% suma el vector de probabilidad de ocurrencia por h ora 68. while Jsum~ =3;% siempre que la suma de J sea diferente de 3 69.

J=[ random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1,0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.4348 ) random( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.5478 ) random ( 'Bino' , 1, 0.5478 ) random( 'Bino' , 1, 0.5478 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.2435 ) random( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 )] ;

70. Jsum =sum( J) ; % suma el vector de probabilidad de ocurrencia por h ora 71. end% rectifica que la suma de J sea igual a 3

Parte 10

72. else %si la suma de C es diferente de 2 73. Jsum =sum( J) ; % suma el vector de probabilidad de ocurrencia por h ora 74. while Jsum~ =2;% siempre que la suma de J sea diferente de 2 75.

J=[ random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1,0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.1652 ) random ( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.4348 ) random( 'Bino' , 1, 0.4348 ) random ( 'Bino' , 1, 0.5478 ) random ( 'Bino' , 1, 0.5478 ) random( 'Bino' , 1, 0.5478 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3304 ) random ( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.3565 ) random ( 'Bino' , 1, 0.2435 ) random( 'Bino' , 1, 0.2435 ) random ( 'Bino' , 1, 0.2435 )] ;

76. Jsum =sum( J) ; % suma el vector de probabilidad de ocurrencia por h ora 77. end% rectifica que la suma de J sea igual a 2 78. end% finaliza el condicional if 79. disp 'porcentaje de uso' , J %porcentaje de uso de cada hora

Parte 11

80. % cantidad utilizada por hora de cada dispositivo 81. FN=J;% FN es igual al vector de ocurrencia por hora 82. F=FN' ;% se acomoda de forma vertical el vector FN 83. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones 84. if F ( i ) >0;%si F es mayor que 0 85. C2 =[ random ( 'Bino' , 1, 0.8 ) random ( 'Bino' , 1, 0.6 ) 1] ;%vector de probabilidad

de aparición alguna tecnologia 86. Ct =sum( C2) ;% Ct es igual a la suma del vector C2 87. while Ct~ =F( i ) %siempre que Ct sea diferente a F

141

88. C1 =[ random ( 'Bino' , 1, 0.8 ) random ( 'Bino' , 1, 0.6 ) 1] ;%vector de probabilidad de aparición alguna tecnologia

89. C2 =C. * C1;%multiplica C por C1 90. Ct =sum( C2) ;% Ct es igual a la suma del vector C2 91. end% rectifica el valor de Ct hasta que sea igual a F 92. L =C2;% L se convierte en el vector C2 93. else %si F es menor o igual a 0 94. L =[ 0 0 0] ;%L se asigna con valores de 0 95. end % finaliza el condicional if 96. for j =1: 3%ciclo que recorre valores de 1 a 3 97. g ( i , j ) =L( j ) ;%almacena los valores de L en una matriz g 98. end %el ciclo finaliza hasta que e sea 3 99. end% el ciclo finaliza hasta que i sea 24 100. disp 'Cantidad usada por hora de cada dispositivo' , ( g) % cantidad usada por

hora de cada dispositivo 101. S=Z. * s;% se multiplica el vector de cantidad por dispositiv os con la potencia

de cada dispositivo 102. disp 'Potencia cap instalada' , ( S) % % se imprime en pantalla la potencia de

la capacidad instalada

Parte 12

103. % Potencia total 104. w=sum(( g)) ;% suma del vector g 105. Y1=[ 1; 0; 0] ;% se separa el vector de lavadora 106. Y2=[ 0; 1; 0] ;% se separa el vector de secadora 107. Y3=[ 0; 0; 1] ;% se separa el vector de lavadora - secadora 108. S1=[ S( 1) S ( 2) S ( 3) S ( 4) S ( 5)] ;% se separa el vector de potencia para lavadora 109. S2=[ S( 6) S ( 7) S ( 8) S ( 9)] ;% se separa el vector de potencia para secadora 110. S3=[ S( 10) S ( 11) S ( 12) S ( 13) S ( 14)] ;% se separa el vector de potencia para

lavadora - secadora 111. if w ( 1) >0%si se enciende lavadora 112. d1 =g* Y1;% se multiplica la posición de lavadora en g por la hora encendida 113. b1 =d1* S1;% se multiplica d1 por el vector de potencia de lava dora 114. else % si no enciende lavadora 115. b1 = zeros ( 24, 5) ;% se asigna un vector de 0 a lavadoras 116. end% finaliza el condicional if 117. if w ( 2) >0%si se enciende secadora 118. d2 =g* Y2;% se multiplica la posicion de secadora en g por la hora encendida 119. b2 =d2* S2;% se multiplica d2 por el vector de potencia de seca dora 120. else % si no enciende secadora 121. b2 = zeros ( 24, 4) ;% se asigna un vector de 0 a secadoras 122. end% finaliza el condicional if 123. if w ( 3) >0%si se enciende lavadora - secadora 124. d3 =g* Y3;% se multiplica la posicion de secadora en g por la hora encendida 125. for i =1: 24% ciclo que recorre una matriz de manera vertical en 24 posiciones 126. if d3 ( i ) ==1% si d3 es igual a 1 127. break % se detiene 128. end % finaliza el condicional if 129. end %el ciclo finaliza cuando la condición d3 se cumpla 130. d3 ( i +1) =1;% donde se detiene el condicional se asigna a la sig uiente i un

valor de 1 131. for j =i +2: 24% el ciclo vuelve los demás valores del vector a cer o 132. d3 ( j ) =0;% cada valor después de i +2 se vuelve cero 133. end %el ciclo finaliza con j =24 134. b3 =d3* S3;% se multiplica d3 por el vector de potencia de lava dora - secadora

142

135. else % si no enciende lavadora - secadora 136. b3 = zeros ( 24, 5) ;% se asigna un vector de 0 a lavadora - secadoras 137. end% finaliza el condicional if 138. b=[ b1 b2 b3 ] ; % se almacenan los valores de b en un solo vector 139. P9=sum( b' ) ' ;% se suman los valores de b que determinan la potenc ia total 140. disp 'potencia total por hora' , ( P9) % potencia total

Parte 13


142. plot ( t , P9) % grafica de potencia vs tiempo 143. save P9 % se almacena la matriz P9 para ser utilizada en otr os codigos 144. Edia =sum( P9) / 1000 % a partir del vector P9 se determina la energia dia ria

consumida en iluminacion Kw 145. Emes=Edia * 30% energia mes consumida en lavado en Kw

OTROS En la parte 1 del código otros se definen tres vectores de potencia de los electrodomésticos que siempre permanecen conectados o que necesitan recargar en horas de la noche como lo son el celular, los routers instalados, y el despertador. Posteriormente en la parte 2 estas tres potencias se suman y se guardan en el vector P10.

143

Código Otros Parte 1

1. %C celular 2. %R router 3. %D despertador 4. R=linspace ( 6, 6, 24) ; 5. C=[ 12.5 12.5 12.5 12.5 12.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12.5 12.5 ] ; 6. D=linspace ( 2, 2, 24) ;

Parte 2

7. P10=( C+R+D) ' ; 8. disp 'Potencia otros' , ( P10) 9. save P10

FINAL El código final unifica las curvas obtenidas de todos los electrodomésticos, determinando así una única curva final de demanda de energía eléctrica del usuario.

145

Código final

1. clear 2. clc 3. iluminacion %P1 se llama el código de iluminacion y se ejecuta 4. televisores %P2 se llama el código de televisores y se ejecuta 5. computadores %P3 se llama el código de computadores y se ejecuta 6. entretenimiento %P4 se llama el código de entretenimiento y se ejecu ta 7. cocina %P5 se llama el código de cocina y se ejecuta 8. nevera %P6 se llama el código de nevera y se ejecuta 9. calor %P7 se llama el código de calor y se ejecuta 10. aseo %P8 se llama el código de aseo y se ejecuta 11. lavadora %P9 se llama el código de lavadora y se ejecuta 12. Otros %P10 se llama el código de otros y se ejecuta 13. load P1 % se carga el vector P1 almacenado en iluminacion 14. load P2 % se carga el vector P2 almacenado en televisores 15. load P3 % se carga el vector P3 almacenado en computadores 16. load P4 % se carga el vector P4 almacenado en entretenimient o 17. load P5 % se carga el vector P5 almacenado en cocina 18. load P6 % se carga el vector P6 almacenado en nevera 19. load P7 % se carga el vector P7 almacenado en calor 20. load P8 % se carga el vector P8 almacenado en aseo 21. load P9 % se carga el vector P9 almacenado en lavadora 22. load P10 % se carga el vector P10 almacenado en otros 23. Z1=( P1+P2+P3+P4+P5+P6+P7+P8+P9+P10) ;% suma de todas las potencias de los

diferentes tipos de electrodomésticos 24. t =[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] ;% vector de

tiempo 25. P1 % se imprime la potencia P1 26. P2 % se imprime la potencia P2 27. P3 % se imprime la potencia P3 28. P4 % se imprime la potencia P4 29. P5 % se imprime la potencia P5 30. P6 % se imprime la potencia P6 31. P7 % se imprime la potencia P7 32. P8 % se imprime la potencia P8 33. P9 % se imprime la potencia P9 34. P10 % se imprime la potencia P10 35. disp 'Potencia Final' , ( Z1) % se imprime en pantalla la potencia total 36. Edia =sum( Z1) / 1000 % a partir del vector Z1 se determina la energia dia ria

consumida en Kw 37. Emes=Edia * 30% energia mes consumida en Kw 38. plot ( t , P1, ' * ' ) % se grafica P1 vs t con * 39. hold on ; %abrir función de superponer graficas 40. plot ( t , P2, 'g' ) % se grafica P2 vs t con color verde 41. hold off ;%cerrar función de superponer graficas 42. hold on ;%abrir función de superponer graficas 43. plot ( t , P3, 'b' ) % se grafica P3 vs t con color azul 44. hold off ;%cerrar función de superponer graficas 45. hold on ;%abrir función de superponer graficas 46. plot ( t , P4, 'c' ) % se grafica P4 vs t con color cyan 47. hold off ;%cerrar función de superponer graficas 48. hold on ;%abrir función de superponer graficas 49. plot ( t , P5, 'm' ) % se grafica P5 vs t con color magenta 50. hold off ;%cerrar función de superponer graficas 51. hold on ;%abrir función de superponer graficas 52. plot ( t , P6, 'y' ) % se grafica P6 vs t con color amarillo

146

53. hold off ;%cerrar función de superponer graficas 54. hold on ;%abrir función de superponer graficas 55. plot ( t , P7, 'k' ) % se grafica P7 vs t con color negro 56. hold off ;%cerrar función de superponer graficas 57. hold on ;%abrir función de superponer graficas 58. plot ( t , P8, 'o' ) % se grafica P8 vs t 59. hold off ;%cerrar función de superponer graficas 60. hold on ;%abrir función de superponer graficas 61. plot ( t , P9, 'r' ) % se grafica P9 vs t con color rojo 62. hold off ;%cerrar función de superponer graficas 63. hold on ;%abrir función de superponer graficas 64. plot ( t , P10, 'b' ) % se grafica P10 vs t con color azul 65. hold off ;%cerrar función de superponer graficas 66. hold on ;%abrir función de superponer graficas 67. plot ( t , Z1, 'r' ) % se grafica Z1 vs t con color rojo 68. hold off ;%cerrar función de superponer graficas 69. %plot ( t , Z1) 70. a=xlswrite ( 'Simulaciones_Modelo_COMPARACION.xlsx' , Z1, 3, 'ALH2' ) % se almacena

la simulación en un Excel con el nombre de datos fi nal. ANEXO IX. CUADRO DE ENTRADAS Y SALIDAS DE CADA CÓDI GO

DATOS DE ENTRADA DATOS DE SALIDA

ILUMINACIÓN

1. Porcentaje de uso por hora. 2.Potencia por tipo de tecnología 3.Vector de probabilidad de uso por hora de iluminación 4.Vector de tiempo (0 a 23)

1.Capacidad instalada de cada tecnología 2.Porcentaje de uso final de cada hora 3.Bombillos encendidos en total por hora 4.Bombillos encendidos por tecnología 5.Potencia total de cada hora 6.Grafica de potencia vs tiempo 7.Energia mes consumida en iluminación KW

TELEVISORES

1.Porcentaje de uso por hora 2.Potencia por tipo de tecnología 3.Vector de probabilidad de uso por hora de televisores 4.Vector de tiempo (0 a 23)

1.Capacidad instalada por tecnología 2.Porcentaje de uso final de los televisores 3.Cantidad de televisores encendidos en cada hora 4.Televisores encendidos por tecnología 5.Grafica la potencia final de televisores vs tiempo 6.Energia mes consumida en televisores en KW

COMPUTADORES

1. Porcentaje de uso por hora 2.Potencia por tipo de tecnología 3. Vector de probabilidad de uso por hora de televisores 4.Vector de tiempo (0 a 23)

1.Capacidad instalada de cada tecnología 2.Porcentaje de uso final de los computadores 3.Computadores encendidos por hora

147

4.Computadores encendidos por tecnología 5.Potencia total de cada hora 6.Grafica potencia final de computadores vs el tiempo 7.Energía mes consumida en computadores en KW

ENTRETENIMIENTO

1. Porcentaje de uso por hora 2.Potencia por tipo de tecnología 3. Vector de probabilidad de uso por hora de entretenimiento 4.Vector de tiempo (0 a 23)

1. Capacidad instalada de video 2.Capacidad instalada de sonido 3.Porcentaje de uso final de cada hora 5.Cantidad total encendida 6.Dispositivos encendidos por tecnología 7.Potencia total de cada hora 8.Grafica la potencia final de entretenimiento vs el tiempo 9.Energia mes consumida en entretenimiento en KW

COCINA

1.Porcentaje de uso diario 2.Potencia por electrodoméstico 3.Porcentaje de utilización en la hora 4.Vector de tiempo (0 a 23)

1.Porcentaje de uso final de cada hora 2.Electodoesticos encendidos total por hora 3.Dispositivos encendidos por tecnología 4.Potencia total de los dispositivos de cocina 5.Grafica la potencia final de cocina vs el tiempo 6.Energia mes consumida en cocina en KW

NEVERA 1.Potencia de neveras Frost 2.Potencia de neveras No- Frost 3.Vector de tiempo (0 a 23)

1.Numero de neveras instaladas 2.Tipo de tecnología de la nevera instalada 3.Potencia total de nevera 4.Grafica la potencia final de nevera vs el tiempo 5.Energia mes consumida en nevera en KW

CALOR

1.Porcentaje de uso diario 2.Potencia por electrodoméstico 3.Porcentaje de utilización en la hora 4.Vector de tiempo (0 a 23)

1. Capacidad instalada de cada tecnología calor 2.Porcentaje de uso final de cada hora 3.Dispositivos de calor total por hora 4.Dispositivos de calor por tecnología 5.Potencia total de cada hora 6.Grafica de potencia vs tiempo

148

7.Energia mes consumida en calor kW

ASEO 1.Porcentaje de uso diario 2.Potencia por electrodoméstico 3.Vector de tiempo

1. Capacidad instalada 2.Porcentaje de uso final de cada hora 3.Electrodomesticos de aseo encendidos total por hora 4.Potencia total de cada hora 5.Grafica de potencia vs tiempo 6.Energia mes consumida en iluminación KW

LAVADORA 1.Vector de potencia por dispositivo 2.Vector de tiempo

1.Capacidad instalada 2.Porcentaje de uso final de cada hora 3.Cantidad usada por hora de cada dispositivo 4.Potencia de la capacidad instalada 5.Potencia total consumida 6.Grafica de potencia vs tiempo 7.Energia mes consumida en lavado en KW

OTROS 1.Vector de potencia por dispositivo 2.Vector de tiempo

1. Potencia otros

FINAL

Consumo en: 1.Iluminación 2.Televisores 3.Computadores 4.Entretenimiento 5.Cocina 6.Nevera 7.Calor 8.Aseo 9.Lavadora 10.Otros 11.Vector de tiempo

1. Potencia total 2.Energía mes consumida en KW 3. GRAFICA TOTAL VS TIEMPO

ANEXO X. POTENCIA PROMEDIO CONSUMIDA NEVERAS

Tecnologia Dimensiones

(ft3) kW W W

DIA HORA REAL

frost 2 - 7 1,23 51,39 154,2

frost 8 - 9 1,30 54,17 162,5

frost 10 - 12 1,37 56,94 170,8

frost Nevecón 2,73 113,9 341,7

No frost 2 - 7 0,86 35,97 107,9

No frost 8 - 9 0,91 37,92 113,8

No frost 10 - 12 0,96 39,86 119,6

No frost Nevecón 1,91 79,7 239,2

149

ANEXO XI. POTENCIA PROMEDIO CONSUMIDA DISPOSITIVOS DE LAVADO

Dispositivo Potencia

Nominal (W) SEMANA (W) DIA (W) HORA (W)

Lavadora 18-20 Lb 249,86 999,45 142,78 71,39 22 a 24 Lb 307,70 1230,81 175,83 87,91

25 a 28 Lb 381,74 1526,94 218,13 109,07 30 a 36 Lb 426,85 1707,40 243,91 121,96

Mas de 36 Lb 705,17 2820,68 402,95 201,48 Secadora

7 kg 1000,00 4000,00 571,43 285,71

8 kg 1250,00 5000,00 714,29 357,14 11 kg 1400,00 5600,00 800,00 400,00 Más de 12 kg 1800,00 7200,00 1028,57 514,29 Lavadora-Secadora

7 a 10 kg 500 2000 285,71 142,86 11 a 12 kg 525 2100 300,00 150,00 13 a 14 kg 850 3400 485,71 242,86

15 a 18 kg 950 3800 542,86 271,43 Más de 18 kg 1100 4400 628,57 314,29

ANEXO XII. HISTORICO DE PRECIOS DEL KWH

MES 2013

$

2014

$

2015

$

2016

$

Enero 366,19 358,73 379,57 436,05

Febrero 358,7 359,55 379,77 446,74

Marzo 345,03 374,48 387,46 466,53

Abril 363,97 368,73 400,1 447,38

Mayo 395,82 376,1 387,14 437,02

Junio 354,93 383,62 393,82 429,85

Julio 341,27 391,3 387,01 438,96

Agosto 369,5 399,12 393,96 445,38

Octubre 347,27 399,12 409,8 432,98

Noviembre 355,58 399,12 423,53 441,98

Diciembre 351,67 368,12 426,8 454,22

anÁlisis de la curva de demanda elÉctrica para...

Documents