Академический Документы
Профессиональный Документы
Культура Документы
Director:
PhD. FRANCISCO SANTAMARÍA PIEDRAHITA
Codirector:
PhD (c) ADRIANA VEGA ESCOBAR
II
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
III
IV
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
V
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
VI
DEDICATORIA
VII
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.
VIII
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
IX
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
X
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].
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].
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].
XI
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].
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].
ABREVIATURAS
UPME: Unidad de Planeación Minero Energética
RAE: Real Academia de la Lengua Española
XM: Expertos en Mercados
XII
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.
XIII
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%.
XIV
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 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.
1
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].
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.
¿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?
2
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
3
resultados obtenidos se tabularon y graficaron, obteniendo la curva de demanda de los
usuarios.
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.
4
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.
5
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.
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.
7
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].
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].
8
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)
∑
| − |
=
(2)
Varianza: la varianza de una muestra se calcula de la misma forma que la desviación media,
∑
( − )
=
−1
(3)
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.
9
∑
( − )
(4)
=
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:
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].
10
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].
11
° !
̂ =
(5)
Para una población finita de tamaño n.
12
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.
Figura 5. Estructura general de la encuesta acerca de los hábitos de consumo de los usuarios. Fuente
propia
13
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.
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.
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.
14
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.
15
70%
60%
% De utilización de los dispositivos
62%
50%
40% 45%
30%
0%
0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m
Horas del día
Figura 7. Porcentajes de uso dispositivos para iluminación durante el día. Fuente propia.
16
70%
60%
% De utilización de los dispositivos
60%
51%
50%
40% 38%
27% 29%
30% 26%
20% 15%
10%
0%
0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m
Horas del día
Figura 8. Porcentajes de uso dispositivos para Entretenimiento y Estudio durante el día. Fuente propia.
40%
35,65%
35%
30%
% De los usuarios
25,22%
25%
20%
14,78%
15% 12,17%
10%
6,09%
5% 2,61% 3,48%
0%
2005-2004 2007-2006 2009-2008 2011-2010 2013-2012 2016-2014 Antes de
2004
Años de antigüedad de los dispositivos
Figura 9. Antigüedad dispositivos para Entretenimiento y Estudio
17
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.
35%
% De utilización de los dispositivos
30% 33%
25% 27%
25%
20% 23%
20%
15% 17%
15%
10%
5%
0%
0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m
Horas del día
Figura 10. Porcentajes de uso dispositivos para Cocina durante el día. Fuente propia.
18
60%
48% 49% 49% 48% 48% 49%
50% 47%
% De utilización de los
40%
dispositivos
30%
20%
10%
0%
0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm6pm - 9pm 9pm - 0m
Horas del día
Figura 11. Porcentajes de uso dispositivos para Frio durante el día. Fuente propia.
18%
% De utilización de los dispositivos
15%
12%
14%
13%
12%
9%
9% 9%
6% 8%
6%
3%
0%
0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m
Horas del día
Figura 12. Porcentajes de uso dispositivos para Calor durante el día. Fuente propia
19
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.
24% 22%
% De utilización de los dispositivos
21% 19%
18%
9%
5%
6%
3%
0%
0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m
Horas del día
Figura 13. Cantidad de dispositivos para Ropa instalados en los hogares. Fuente propia.
20
% De utilización de los dispositivos 35%
30% 31,6%
28,5%
25%
20%
15%
10%
9,5%
5%
4,3% 0,3% 0,6% 4,3%
0%
0m - 6am 6am - 9am 9am - 12m 12m - 3pm 3pm - 6pm 6pm - 9pm 9pm - 0m
Horas del día
Figura 14. Cantidad de dispositivos para Aseo instalados en los hogares. Fuente propia.
21
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.
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.
22
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.
55%
53%
% de usuarios
51% 50,43%
49,57%
49%
47%
45%
Frost No-Frost
Tipo de tecnología
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.
23
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.
63%
29%
8%
Mínimo
Iluminación 9am-12pm: 15% de la Capacidad Instalada
12pm-3pm: 16% de la Capacidad Instalada
Cantidad
Incandescente: 3
Fluorescente: 6
LED: 1
Halógena: 1
Consumo
Máximo
6pm-9pm: 60% de la Capacidad Instalada
Entretenimiento 9pm-12am: 51% de la Capacidad Instalada
Mínimo
12am-6am: 15% de la Capacidad Instalada
24
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
Consumo
Máximo
6am-9am: 27% de la Capacidad Instalada
6pm-9pm: 33% de la Capacidad Instalada
Cocina Mínimo
3pm-6pm: 15% de la Capacidad Instalada
Cantidad
Licuadora: 1
Horno eléctrico: 1
Horno microondas: 1
Consumo
Sin cambios durante el día
Cantidad
Frio
Nevera : 1
No Frost: 49,57% de los encuestados
Frost: 50,43% de los encuestados
Consumo
Máximo
6am-9am: 13% de la Capacidad Instalada
6pm-9pm: 14% de la Capacidad Instalada
Mínimo
Calor
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
Consumo
Máximo
6am-9am: 19% de la Capacidad Instalada
9am-12pm: 22% de la Capacidad Instalada
Mínimo
Ropa
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
Consumo
Aseo
Máximo
25
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
1a2
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 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.
26
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.
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).
27
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.
28
(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.
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
CURVA DE
Hora Desviación Máximo Mínimo
MEDICIONES
del Día W W W
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
29
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.
600
500
400
POTENCIA (W)
300
200
100
-100
0 2 4 6 8 10 12 14 16 18 20 22
HORAS DEL DÍA
CURVA DE MEDICIONES Máximo Mínimo
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.
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.
31
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.
32
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”.
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:
33
Parte 1
1. clear
2. clc
Parte 2
Parte 3
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
Parte 6
34
Parte 7
Parte 8
Parte 9
35
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 otros 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.
36
Horno eléctrico 10006
Horno microondas 12006
Frost
2 a 7 pies cúbicos 154,28
8 a 9 pies cúbicos 162,58
10 a 12 pies cúbicos 170,88
Nevecón 341,78
Nevera
No Frost
2 a 7 pies cúbicos 107,98
8 a 9 pies cúbicos 113,88
10 a 12 pies cúbicos 119,68
Nevecón 239,28
Plancha ropa 10009
Calor Plancha cabello 350
Secador cabello 15004
Ducha eléctrica 15004
Aseo
Calentador eléctrico 180010
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
Lavado 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.
37
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.
600
500
400
POTENCIA (W)
300
200
100
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
HORAS DEL DÍA
MODELO MAX MIN MEDICIONES
Figura 22. Curva de Demanda Modelo Final. Fuente propia.
38
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.
El consumo promedio de los usuarios durante el mes obtenido por el modelo fue de 167,36
kWh/mes.
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.
39
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.
40
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.
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.
41
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.
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.
42
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].
ESCENARIO 1 ESCENARIO 2 ESCENARIO BASE
400
350
Potencia (W)
300
250
200
150
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
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.
43
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.
350
300
Potencia (W)
250
200
150
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
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.
44
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].
ESCENARIO 4 ESCENARIO 5 ESCENARIO BASE
400
350
Potencia (W)
300
250
200
150
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
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.
45
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.
ESCENARIO 6 ESCENARIO BASE
400
350
300
Potencia (W)
250
200
150
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
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.
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.
46
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].
350
Potencia (W)
300
250
200
150
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
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%.
47
ESCENARIO 9 ESCENARIO 10 ESCENARIO BASE
400
350
Potencia (W)
300
250
200
150
0 1 2 3 4 5 6 7 8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
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
48
otorgara algun incentivo al usuario que mitigara el costo del cambio de tecnologia o si el usurio
quisiera simplemente cambiarlo [32] [40].
ESCENARIO 11 ESCENARIO BASE
400
350
Potencia (W)
300
250
200
150
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
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.
49
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.
ESCENARIO 12 ESCENARIO 13 ESCENARIO 14 ESCENARIO BASE
400
350
Potencia (W)
300
250
200
150
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
Figura 30. Curva de Demanda casos de estudio Dispositivos de lavado. Fuente propia.
50
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.
51
dependería de las necesidades y predisposición del usuario a disminuir su consumo a lo largo
del día.
ESCENARIO 15 ESCENARIO BASE
400
350
300
Potencia (W)
250
200
150
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
Figura 31. Curva de Demanda casos de estudio Curva Final. Fuente propia.
52
fluorescente compacta, a Un ahorro del 7% del
una tecnología más consumo del día
reciente (LED)
3- TELEVISORES
Si los usuarios decidieran
desconectar los televisores
y decodificadores en las 3 televisores instalados en Un ahorro del 13% del
horas que no están viendo promedio, con su respectivo consumo habitual del día,
televisión y además decodificador, tecnologías: representativo a lo largo del
decidieran cambiar la CTR, LCD y LED día.
tecnología, de al menos
dos de sus televisores a
un televisor LED de
dimensiones similares
4- COMPUTADORES Y
ENTRETENIMIENTO
Si los usuarios que tienen Un ahorro del 3,1% del
computadores de mesa los - 1 computador de mesa en
promedio consumo habitual del día, sin
reemplazaran por cambios en el consumo altos.
computadores portátiles y - De 1 a 2 dispositivos de
además desconectaran los video y un 1 dispositivo de
equipos de entretenimiento sonido en promedio
(sonido y video) instalados
en las horas que no se
utilizan
5- COMPUTADORES Y
ENTRETENIMIENTO
Si los usuarios
desconectaran los - 1 computador de mesa por
computadores de mesa usuario en promedio Un ahorro del 2,7% del
cuando no los usan y - De 1 a 2 dispositivos de consumo habitual del día, sin
además desconectaran los video y de 1 dispositivo de cambios en el consumo altos
equipos de entretenimiento sonido en promedio
(sonido y video) instalados
en las horas que no se
utilizan
53
no utilización disminución de 12%
De 9pm a 11pm: Una
disminución de 5%
54
Menor cambio en el
comportamiento de la
demanda con respecto al
escenario 9
11- ASEO
Si los usuarios cambian Un ahorro del 3,3% del
60% de los usuarios tienen consumo habitual del día
los dispositivos eléctricos algún dispositivo eléctrico
(calentador eléctrico y (ducha o calentador ) El mayor cambio de 5am a
ducha eléctrica) por 8am con un promedio de 12%
calentador a gas
55
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%.
% de Ahorro Mes
14% 13%
12%
10,2%
PORCENTAJE DE AHORRO AL MES
10%
8% 7,2%
5,5%
6%
3,1% 4,2%
4% 3,3%
2,2% 2,7% 2,2%
1,8% 0,7%
2% 1,1%
0% 0,5%
0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
ESCENARIOS
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.
56
25%
0
1
2
PORCENTAJE DE AHORRO POR HORA
3
20% 4
5
6
7
8
15% 9
10
11
12
13
10% 14
15
16
17
5% 18
19
20
21
22
0% 23
2 3 11 15
ESCENARIOS
Figura 33. Porcentajes de disminución consumo de cada hora, por escenario. Fuente propia.
57
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.
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.
59
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.
60
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.
61
[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.
62
[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.
63
6. ANEXOS
ANEXO I. ENCUESTA: FASE UNO
https://goo.gl/forms/KbAVDxLeVy73S5cY2
https://goo.gl/forms/1FnMQdloUn9i2EW23
65
ANEXO IV. PROTOCOLO PARA REALIZAR MEDICIONES A TRAVÉS DEL
ANALIZADOR DE ENERGÍA Y DE LA CALIDAD DE ENERGÍA ELÉCTRICA FLUKE
435
66
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.
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.
67
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.
Para configurar la forma de conexión se pulsa f4 y se selecciona por medio de los cursores la
opción adecuada
CONFIGURACIÓN DE LA CONEXIÓN
La conexión de un sistema trifásico se muestra en la Figura 4.
68
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.
69
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.
70
ANEXO V. PROTOCOLO PARA REALIZAR MEDICIONES A TRAVÉS DEL
ANALIZADOR DE RED FLUKE 1730
¡Información de seguridad!
Recuerde que está trabajando con niveles de tensión peligrosos, tome las medidas
necesarias para realizar la instalación del equipo para evitar posibles descargas
eléctricas, fuego o lesiones personales.
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.
71
Figura 1. Ventana logger (parámetros del registro)
72
Figura 2. Ventana de edición para la configuración del registrador para la medición.
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.
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.
73
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.
74
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.
75
Configuración de la conexión y tipo de estudio
Fase dividida
3-Ф estrella
3-Ф triángulo
76
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.
De igual forma para ingresar a las opciones se puede dar clic sobre cada opción o con las
flechas, pulsando Enter.
77
Figura 8. Ventana cambiar configuración
78
Las demás opciones se dejan como las predeterminadas.
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.
¡ CAUTION !
Para evitar el riesgo de sufrir una descarga eléctrica o dañar el equipo, y antes de realizar
ninguna conexión al instrumento, lea y siga las advertencias y precauciones de
seguridad incluidas en el Manual de uso del instrumento.
79
1. Interfaz inicial
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...).
80
2. Configuración del analizador
81
TABLA 1. Topologías del sistema a medir
Monofásico
ARON
Trifásica
3. Configuración de la grabación
82
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.
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:
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".
83
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.
84
ANEXO VII. TABLA DATOS DE POTENCIA MEDIDOS DURANTE CADA HORA DEL DÍA DE LAS 19 CASAS
Hora
casa 1 casa 2 casa 3 casa 4 casa 5 casa 6 casa 7 casa 8 casa 9
del día
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
85
Hora
casa 10 casa 11 casa 12 casa 13 casa 14 casa 15 casa 16 casa 17 casa 18 casa 19
del día
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
86
ANEXO VIII. DIAGRAMAS DE FLUJO POR GRUPO DE DISPOSITIVO
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 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.
87
En la figura siguiente se puede observar el diagrama de flujo correspondiente al código de iluminación
implementado en el software Matlab.
88
Código Iluminación
Parte 1
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 hora
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 la
capacidad instalada inicial
Parte 4
89
27.
Xn=[round(random('norm',1.7,2.4)) round(random('norm',0.88,1.42)) rou
nd(random('norm',6.53,4.20)) round(random('norm',1.19,3.02)) round(ra
ndom('norm',0.71,1.39))];% vector de probabilidad normal de
ocurrencia por hora
28. Xn(Xn<0)=0;% cualquier valor de Xn menor a 0 se convierte en 0
29. J=sum(sum(Xn));%J representa la suma de los valores de Xn que dan la
capacidad instalada
30. while (J>14);%siempre que J sea mayor que 14
31.
Xn=[round(random('norm',1.7,2.4)) round(random('norm',0.88,1.42)) rou
nd(random('norm',6.53,4.20)) round(random('norm',1.19,3.02)) round(ra
ndom('norm',0.71,1.39))];% vector de probabilidad normal de
ocurrencia por hora
32. Xn(Xn<0)=0;% cualquier valor de Xn menor a 0 se convierte en 0
33. J=sum(sum(Xn));%J representa la suma de los valores de Xn que dan la
capacidad instalada
34. end%se rectifica el nuevo vector hasta que sea menor que 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
Parte 6
Parte 7
90
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
encendidos y se redondea
80. I1(i)=sum(sum(N2));% se suma el vector N2
81. for f=1:5 % ciclo que recorre la matriz en 5 posiciones de forma
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 variable 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
91
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
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 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
92
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.
93
94
Código Televisores
Parte 1
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
0.38 0.38 0.38 0.60 0.60 0.60 0.51 0.51 0.51];% vector de porcentaje de uso
por hora
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',0.1
7,0.4)) 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))];% vec
tor 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 la
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
Parte 5
Parte 6
Parte 7
97
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
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.
98
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 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.
99
100
Código Computadores
Parte 1
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
0.38 0.38 0.38 0.60 0.60 0.60 0.51 0.51 0.51];% vector de porcentaje de uso
por hora
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 encuesta
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
102
Parte 5
Parte 6
103
Parte 7
104
Parte 8
Parte 9
Parte 10
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.
105
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 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.
106
107
108
109
Código entretenimiento
Parte 1
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
0.38 0.38 0.38 0.60 0.60 0.60 0.51 0.51 0.51];% vector de porcentaje de uso
por hora
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 video
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
110
3,0.48)) round(random('norm',0.59,0.7))];% vector de
probabilidad normal de ocurrencia por tecnologia sonido
31. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
32. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
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',0.2
3,0.48)) round(random('norm',0.59,0.7))];% vector de
probabilidad normal de ocurrencia por tecnologia sonido
37. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
38. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
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 sonido
44. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
45. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
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 video
50. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
51. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan
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.
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
56. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
57. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan
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
111
)) 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.
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
73. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
74. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
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.
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
79. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
80. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
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
86. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
87. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan la
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.
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
92. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
93. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan la
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.
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
98. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
99. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan la
capacidad instalada
100. end% rectifica que M1 sea menor o igual a 2
112
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)) roun
d(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)) roun
d(random('norm',0.59,0.7))];% vector de probabilidad normal de
ocurrencia por tecnologia sonido
109. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
110. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan la
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
124. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
125. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que
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
130. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
131. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que
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
113
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
137. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
138. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que
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.
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
143. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
144. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que
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.
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
149. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
150. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que
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.
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
160. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
161. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan
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.
Y2=[round(random('norm',0.5,0.64)) round(random('norm',0.2
3,0.48)) round(random('norm',0.59,0.7))];% vector de
probabilidad normal de ocurrencia por tecnologia sonido
166. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
167. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
la capacidad instalada inicial
168. end % rectifica que M2 sea menor o igual a 1
114
169. else % si M1 es diferente de 2
170. while M2>2;% siempre que M2 sea mayor a 2
171.
Y2=[round(random('norm',0.5,0.64)) round(random('norm',0.2
3,0.48)) round(random('norm',0.59,0.7))];% vector de
probabilidad normal de ocurrencia por tecnologia sonido
172. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
173. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
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.
Y2=[round(random('norm',0.5,0.64)) round(random('norm',0.2
3,0.48)) round(random('norm',0.59,0.7))];% vector de
probabilidad normal de ocurrencia por tecnologia sonido
179. Y2(Y2<0)=0;% cualquier valor de Y2 menor a 0 se convierte en 0
180. M2=sum(sum(Y2));%M2 representa la suma de los valores de Y2 que dan
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.
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
185. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
186. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan
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.
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
191. Y1(Y1<0)=0;% cualquier valor de Y1 menor a 0 se convierte en 0
192. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan
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
115
205. W=O.*U;% se multiplican los dos vectores para crear un vector
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
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
116
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
117
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
Parte 9
Parte 10
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
118
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 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.
119
120
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),r
andom('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 la capacidad
instalada inicial
Parte 4
Parte 5
121
Parte 6
Parte 7
Parte 8
122
52. N=round(F*Kn); % se multiplica el total de televisores encendidos por el
vector aleatorio haciendo que los valores no superen 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 variable
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 variable
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
123
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 encendidos
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 superen 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 variable
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
encendidos y se redondea
126. I1(i)=sum(sum(N2));% se suma el vector N2
127. for f=1:4 % ciclo que recorre la matriz en 4 posiciones de forma
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
encendidos y se redondea
138. I1(i)=sum(sum(N2));% se suma el vector N2
139. for f=1:4% ciclo que recorre la matriz en 4 posiciones de forma
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
124
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
Parte 10
Parte 11
Parte 12
125
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.
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.
126
127
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 encuesta
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 hora
19. J=sum(sum(X));%J representa la suma de los valores de Xn que dan la
capacidad instalada
20. end% rectifica que J sea igual a lim
21. disp 'capacidad instalada', (X)%capacidad instalada de cada tecnologia calor
Parte 5
128
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) ran
dom('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',1,0.2
304) 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('Bin
o',1,0.1739) random('Bino',1,0.2348) random('Bino',1,0.2348) random('B
ino',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) rando
m('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 vector 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('Bi
no',1,0.1739) random('Bino',1,0.1739) random('Bino',1,0.2348) ran
dom('Bino',1,0.2348) random('Bino',1,0.2348) random('Bino',1,0.44
35) 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)];% vec
tor de probabilidad de uso en cada hora según la encuesta
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 vector 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
129
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 haciendo que los valores no
superen los computadores encendidos y se redondea al 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 variable
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
130
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
Parte 9
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.
131
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.
132
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
Parte 4
Parte 5
Parte 6
Parte 7
57. save P8% se almacena la matriz P8 para ser utilizada en otros codigos
134
58. Edia=sum(P8)/1000% a partir del vector P8 se determina la energia diaria
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
135
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.
136
137
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
Parte 4
138
Parte 5
Parte 6
Parte 7
Parte 8
Parte 9
Parte 10
Parte 11
140
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 dispositivos con la potencia
de cada dispositivo
102. disp 'Potencia cap instalada', (S)% % se imprime en pantalla la potencia de
la capacidad instalada
Parte 12
141
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 potencia total
140. disp 'potencia total por hora',(P9)% potencia total
Parte 13
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.
142
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.
143
144
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 ejecuta
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 entretenimiento
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 diaria
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
145
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 final.
147
7.Energia mes consumida en
calor kW
1. Capacidad instalada
2.Porcentaje de uso final de cada
hora
1.Porcentaje de uso diario 3.Electrodomesticos de aseo
ASEO 2.Potencia por electrodoméstico encendidos total por hora
3.Vector de tiempo 4.Potencia total de cada hora
5.Grafica de potencia vs tiempo
6.Energia mes consumida en
iluminación KW
1.Capacidad instalada
2.Porcentaje de uso final de cada
hora
3.Cantidad usada por hora de
1.Vector de potencia por cada dispositivo
LAVADORA dispositivo 4.Potencia de la capacidad
2.Vector de tiempo instalada
5.Potencia total consumida
6.Grafica de potencia vs tiempo
7.Energia mes consumida en
lavado en KW
1.Vector de potencia por
OTROS dispositivo 1. Potencia otros
2.Vector de tiempo
Consumo en:
1.Iluminación
2.Televisores
3.Computadores
4.Entretenimiento 1. Potencia total
FINAL 5.Cocina 2.Energía mes consumida en KW
6.Nevera 3. GRAFICA TOTAL VS TIEMPO
7.Calor
8.Aseo
9.Lavadora
10.Otros
11.Vector de tiempo
149