Hernandez Hernandez Kelly Alexandra 2017

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

HÁBITOS DE CONSUMO
KELLY ALEXANDRA HERNÁNDEZ HERNÁNDEZ

JOHAN SEBASTIAN CARRILLO CRUZ
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA
PROYECTO CURRICULAR DE INGENIERÍA ELÉCTRICA
BOGOTÁ
2017
ANÁLISIS DE LA CURVA DE DEMANDA ELÉCTRICA PARA USUARIOS RESIDENCIALES
ESTRATO 4 EN LA CIUDAD DE BOGOTÁ ANTE DIFERENTES ESCENARIOS DE LOS
HÁBITOS DE CONSUMO
KELLY ALEXANDRA HERNÁNDEZ HERNÁNDEZ

JOHAN SEBASTIAN CARRILLO CRUZ
Proyecto de Grado presentada para obtener el título de:

Ingeniero Eléctrico
Director:
PhD. FRANCISCO SANTAMARÍA PIEDRAHITA
Codirector:
PhD (c) ADRIANA VEGA ESCOBAR
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ de caldas

FACULTAD DE INGENIERÍA
PROYECTO CURRICULAR DE INGENIERÍA ELÉCTRICA
BOGOTÁ
2017
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
Quiero dedicarle este trabajo a Dios

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

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

Francisco Santamaría Piedrahita y
la ingeniera Adriana Vega, por su
apoyo, motivación y por ser guías
en la elaboración del presente
trabajo, por animarnos siempre a
saber más.
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.
Este proyecto de grado presenta resultados del proyecto de investigación "Desarrollo de un

sistema de medición avanzado para registro de parámetros eléctricos de estado estable y de
calidad de energía en redes de tensión menor a 1 kV" financiado por el Fondo Nacional para la
financiación de la ciencia, la tecnología y la innovación "Fondo Francisco José de Caldas" del
Departamento Administrativo de Ciencia, Tecnología e innovación - COLCIENCIAS (Contrato:
FP44842 - 321 2015).
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].
CONSUMO ELÉCTRICO: Es la acción de consumir o absorber energía eléctrica en un tiempo

determinado [2].
CONFORT: Es todo aquello que trae conformidad y comodidad [3].
CURVA DE CARGA DIARIA: Las curvas de carga diaria están formadas por los picos obtenidos
en intervalos de una hora para cada hora del día. Las curvas de carga diaria dan una indicación
de las características de la carga en el sistema, para el sector residencial, comercial o industrial
y de la forma en que se combinan para producir el pico [1].
DEMANDA ELÉCTRICA: Es la cantidad de potencia eléctrica que un consumidor utiliza en un

periodo de tiempo [1].
DESVIACIÓN ESTÁNDAR: Se utiliza para cuantificar un intervalo de confianza o límite de

dispersión, dentro del cual los datos de la muestra incluidos se consideran cercanos a la media,
mientras que fuera de éste se les considera alejados [4].
ESTIMACIÓN DE LA DEMANDA ELÉCTRICA: Consiste en implementar, modificar o proponer

un modelo, que refleje el comportamiento de la demanda, a partir de una base, de datos reales
o estadísticos. Para la escogencia de dicho modelo es posible implementar técnicas
matemáticas, que pueden ser estadísticas, inteligencia artificial o micro áreas [1].
ESTADÍSTICA DESCRIPTIVA: Es la parte de la Estadística que proporciona métodos para

organizar, representar, resumir y analizar la información contenida en un conjunto de datos
muéstrales o poblacionales [5].
ESTADÍSTICA INFERENCIAL: Es la parte de la Estadística que proporciona métodos para

extraer conclusiones sobre las poblaciones a partir de sus muestras controlando el margen de
error que se puede cometer en esa extrapolación de lo maestral a lo poblacional [5].
ENERGÍA ELÉCTRICA: Es la consecuencia del movimiento de las carga eléctricas [3].
ENCUESTAS: Es el acopio de datos obtenidos mediante consulta o interrogatorio, referentes a

estado de opinión, costumbres, nivel económico o cualquier otro aspecto de la actividad
humana" [6].
HORAS PICO: Hace referencia al intervalo de tiempo donde puede presentarse una
sobredemanda de energía eléctrica [3].
MEDIA: valor constante alrededor del cual evoluciona de manera aleatoria (errática) un proceso
estocástico estacionario [7].
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].
MUESTRA DE INDIVIDUOS: Es un subconjunto o parte de una población de individuos [5].
POBLACIÓN DE INDIVIDUOS: Es el conjunto de todos los elementos sobre los cuales se

observa una o más características de Interés. Frecuentemente se alude a ella como población
objetivo, en razón de que sobre ella recae el objetivo o el interés del estudio [5].
SERIE SIMPLE: Es un conjunto de números que miden las variaciones (de una característica)
de los fenómenos particulares que forman un grupo, por ejemplo las estaturas de 20 personas,
el conjunto de estos números reciben el nombre de serie simple [9].
USUARIO RESIDENCIAL: Es todo aquel que hace uso de algún bien o servicio en su hogar [3].
VARIABLE O CARACTERÍSTICA: Es una característica de un fenómeno observable en los

individuos de una población. Es una variable propiamente dicha cuando presenta diferentes
modalidades (dos o más) entre los individuos [5].
VARIABLE ESTADÍSTICA: Es una representación, a través de números u otros símbolos, de

una variable [5].
VARIANZA: valor constante que mide la dispersión (variabilidad) de la evolución de un proceso

estocástico estacionario alrededor de su media [7].
ABREVIATURAS
UPME: Unidad de Planeación Minero Energética
RAE: Real Academia de la Lengua Española
XM: Expertos en Mercados
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.
El modelo se realizó mediante el software Matlab®, donde se representa la curva de demanda

del consumo diario de un usuario residencial estrato 4 de la ciudad de Bogotá, obteniendo
resultados variables dentro de un rango en cada hora.
Después de evaluar los 15 escenarios, se observa que en un escenario en el cual busca un

ahorro en energía mediante variación de los hábitos de consumo y cambios en la tecnología de
los televisores, se logra un ahorro del 13% de la energía demandada del mes. En cuanto a los
picos de potencia, se presenta disminución y aplanamiento de la curva con resultados
significativos en 4 de los escenarios propuestos. Con reducciones de hasta el 7% en el pico
más alto del día, un aplanamiento en general de la curva, con una disminución de la demanda
en horas pico entre el 4% y 6%, y un aumento en las horas valle de hasta el 10%. Por último, el
escenario que plantea mayor compromiso por parte de los usuarios, en cuanto al cambio en los
hábitos de consumo, permitió un ahorro promedio del 20% en el consumo total.
PALABRAS CLAVE: Demanda de energía, Hábitos de consumo, Mediciones, Casos de estudio,

Escenarios, Modelo estocástico.
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%.
KEYWORDS: Demand, Consumer habits, Measurements, Case studies, Scenarios, Model.
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 un país con tantas diferencias en su geografía como lo es Colombia, resulta imposible

generalizar acerca de la utilización de energía que tienen los usuarios finales en las diferentes
zonas del país, factores determinantes que dependen de entre otras variables de la economía,
la meteorología y la cultura, evidencian las diferencias en el consumo total de la energía,
reflejados en la curva de demanda [10].
El sector residencial tiene un papel importante en la demanda de electricidad, que en Colombia

representa el 42% del total de energía demandada, es por esto que conocerlo resulta
sumamente importante a la hora de realizar un análisis del consumo de energía eléctrica. Los
hábitos de consumo de los usuarios residenciales están relacionados con sus costumbres, así
que conociendo éstas es posible cuantificar la potencia demandada y conocer cómo se
comporta, además su consumo también aumenta con el paso del tiempo condicionado por
avances tecnológicos. Por todos estos factores la demanda residencial resulta un tema
ampliamente estudiado en muchos países [1] [11].
Este proyecto de grado presenta resultados del proyecto de investigación "Desarrollo de un

sistema de medición avanzado para registro de parámetros eléctricos de estado estable y de
calidad de energía en redes de tensión menor a 1 kV" financiado por el Fondo Nacional para la
financiación de la ciencia, la tecnología y la innovación "Fondo Francisco José de Caldas" del
Departamento Administrativo de Ciencia, Tecnología e innovación - COLCIENCIAS (Contrato:
FP44842 - 321 2015).
En este proyecto se analizará cómo las variaciones en los hábitos de consumo pueden afectar
la curva de demanda de los usuarios residenciales en Bogotá, enfocado a los usuarios estrato
4. El documento presenta cinco capítulos, el primero un marco referencial que conceptualizara
los temas que hacen parte del desarrollo del proyecto, posteriormente en el capítulo dos se
caracterizarán los usuarios apoyándose en encuestas. El capítulo tres presenta el
moldeamiento para obtener la curva de demanda de los usuarios residenciales estrato 4, en el
capítulo 4 se aplican 15 escenarios planteados y se analizan los resultados, y finalmente el
último capítulo se concluye sobre los resultados obtenidos del proyecto y se hacen
recomendaciones para futuras investigaciones.
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].
Disminuir el consumo individual de energía significa revisar la satisfacción personal de la

utilización de los bienes y servicios obtenidos con el uso de energía. Igualmente, la disminución
del consumo de energía eléctrica implica demandar menos generación de dicha energía y, por
consiguiente, menor uso de recursos naturales energéticos, que podrían satisfacer a más
usuarios, lo que favorece su mejor aprovechamiento futuro. La eficiencia energética significa
elegir equipos y tecnologías adecuados para los procesos de conversión con el fin de reducir el
consumo. Asimismo, es necesario reconocer que la eficiencia energética está en función de las
conductas individuales y de la capacidad de toma de decisiones en el consumo de la energía
que tienen los usuarios. Además, generar un modelo que permita el análisis de la demanda al
variar los hábitos de consumo de los usuarios, sería un antecedente importante y material base
para futuras investigaciones relacionadas, apoyando así los diferentes proyectos que se
desarrollan actualmente dentro de la Universidad Distrital Francisco José de Caldas y sus
grupos de investigación. [15].
La Figura 1 presenta los principales factores que fueron tenidos en cuenta para el
planteamiento del problema de este trabajo. Partiendo de la importancia que los usuarios
residenciales tienen en la demanda eléctrica y la utilización de diferentes electrodomésticos que
marcan la tendencia de la curva se hace necesario modelar el consumo por medio de
encuestas y mediciones para posteriormente variar el consumo y observar el efecto en la curva
de demanda.
A partir de lo anterior se formula la siguiente pregunta:
¿Qué impacto tienen las variaciones de los hábitos de consumo de usuarios residenciales, en el
comportamiento de la demanda de energía eléctrica en el estrato 4 de la ciudad de Bogotá?
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.
Figura 2. Metodología. Imágenes tomadas de [16]
Teniendo en cuenta que cada electrodoméstico tiene un comportamiento de consumo diferente,

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

partir de ellas se analizaron los impactos que generan las variaciones de los hábitos de
consumo y cambio de tecnología frente a la curva original obtenida por medio del modelo,
concluyendo acerca de los resultados obtenidos.
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.
1.1. CURVA DE LA DEMANDA ELÉCTRICA

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

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

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

Mayor eficiencia energética es una de las maneras más importantes de reducir los efectos
negativos de la mala utilización de la energía y así se ha propuesto durante los últimos años. El
comportamiento relacionado con la energía en los hogares desempeña un papel importante
para la implementación de medidas de eficiencia energética de forma eficaz. Este
comportamiento puede estar relacionado con la aceptación e implementación de nuevas
tecnologías, mantenimiento de equipos y uso de la energía [19].
El comportamiento relacionado con el consumo de energía en los hogares, puede clasificarse

en diferentes tipos ordenados por frecuencia y costo. Puede verse que algunas acciones de
mejora ocurren con poca frecuencia, como por ejemplo remplazar bombillas tradicionales por
bombillas de bajo consumo, cuyo costo no es muy elevado pero su efecto puede ser
significativo. Otras decisiones se refieren a mejoras económicas, generalmente con costos más
altos y que necesitan mayor atención, como por ejemplo la compra de neveras, televisores,
computadores o electrodomésticos de mayor costo, estas compras se hacen cuando el equipo
está viejo o desgastado. Pero también existen hábitos y comportamientos que pueden verse a
diario y de manera regular, que se convierten en rutina, un ejemplo de esto puede ser el
desconectar los dispositivos cuando no estén encendidos o los cargadores cuando no se están
usando [19].
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)
1.4.1.2. Medidas de dispersión o variabilidad
), y el promedio de los datos respecto a su media se

entre un dato ( ) y la media (
Desviacion Media: es la medida de las desviaciones a partir de un valor central. La distancia
denomina desviación media.
∑
| − |
=

(2)
Varianza: la varianza de una muestra se calcula de la misma forma que la desviación media,
restadas, y se obtiene el promedio utilizando n − 1, como se muestra en la ecuacion (3)

ecuacion (2), con la diferencia que las desviaciones se elevan al cuadrado antes de ser
∑
( − )
=

−1
(3)
La varianza de una muestra o conjunto de datos es la desviación promedio de los valores

obtenidos.
Desviación estándar: Es una de las medidas de resumen que más se utiliza para
distribuciones y desempeña un papel predominante en la estadística, y está en las mismas
unidades de la media. Ésta representa la desviación en promedio de la diferencia de los valores
con respecto a su media, y se denota como la raíz cuadrada de la varianza.
9
∑
( − )
(4)
=

1.4.2. Estadística inferencial

La Inferencia Estadística es aquella rama de la Estadística mediante la cual se trata de sacar
conclusiones de una población en estudio, a partir de la información que proporciona una
muestra representativa de la misma [6].
1.4.2.1. Muestreo
La necesidad de obtener un subconjunto reducido de la población es obvia si se tiene en cuenta
los costos económicos de la experimentación además del tiempo que se requeriría. Toda
inferencia inductiva exacta es imposible ya que disponemos de información parcial, sin embargo
es posible realizar inferencias inseguras y medir el grado de inseguridad si el experimento se ha
realizado de acuerdo con determinados principios [20].
Existen varios métodos para la toma de muestras aleatorias simples, aquí se realizará una
rápida revisión de posibles métodos para la toma de muestras que podemos encontrarnos en la
práctica [20].
Los pasos a seguir para la recolección de una muestra son los siguientes:
- Definir la población en estudio especificando las unidades que la componen, el área

geográfica donde se realiza el estudio (si procede) y el periodo de tiempo en el que se realizará
el mismo.
- Definir el marco: listado o descripción de los elementos que forman la población.
- Definir la unidad de muestreo: Ciudades, calles, hogares, individuos, etc.
- Definir las variables a medir o las preguntas que se harán si se trata de una encuesta.
- Seleccionar el método de muestreo: Probabilístico o No Probabilístico, aunque son los
primeros los que permiten la estimación correcta de parámetros.
- Calcular el tamaño necesario para obtener una determinada precisión en la estimación.
- Elaborar el plan de muestreo que guiará el trabajo de campo [20].
En cuanto al tipo de muestreo, algunas de las características más importantes de los muestreos
probabilísticos más usuales se detallan a continuación:
Muestreo simple
Se trata de un procedimiento de muestreo (sin reemplazamiento), en el que se seleccionan n
unidades de las N en la población, de forma que cualquier posible muestra del mismo tamaño
tiene la misma probabilidad de ser elegidas. Se realizan n selecciones independientes de forma
que en cada selección los individuos que no han sido elegidos tengan la misma probabilidad de
serlo [20].
1.4.2.2. Estadísticos y distribuciones muéstrales

Todo lo que se verá a continuación está pensado para poblaciones infinitas (muy grandes) y
con muestreo aleatorio simple. El muestreo aleatorio simple garantiza una muestra
representativa de la población y la obtención de observaciones independientes [20].
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].
A la distribución de un estadístico calculado a partir de los valores tomados de una muestra se

la denomina distribución muestral del estadístico. En la mayor parte de los casos supondremos
que nuestra población tiene distribución normal y que los estadísticos se van a utilizar son la
media y la desviación típica [20].
1.4.2.3. Distribuciones muéstrales de la media y la desviación estándar

La distribución muestral de la proporción es la distribución de los valores de las proporciones
muéstrales de todas las posibles muestras del mismo tamaño n tomadas de la misma población
[21].
Al analizar una distribución nos interesa:
- La forma, sea simétrica o sesgada

- Posición central - la media de una distribución muestral dice si el estadístico es un "buen"
(insesgado) estimador del parámetro o es sesgado.
- Dispersión - da una idea del error de muestreo [21].
El resultado es importante en estimación ya que, aunque la media poblacional y la media

muestral no coincidan, los posibles valores de la media muestral se concentran de forma
simétrica alrededor de la media poblacional, además, la dispersión es menor a medida que
aumenta el tamaño muestral. La Figura 4 muestra la representación gráfica de la distribución
normal.
Figura 4. Curva distribución normal de una población. Fuente [20]
1.4.2.4. Estimadores de los parámetros de las distribuciones discretas más usuales

Existen varios estimadores de los parámetros de las distribuciones discretas, pero en el
presente trabajo solo se mencionarán las más importantes para el desarrollo del mismo.
Binomial: Si se toman muestras de poblaciones infinitas o se realiza un muestreo con

reemplazamiento de una población finita. Se realizan n pruebas y se contabiliza el número de
éxitos en la n pruebas. El estimador de la proporción de éxito es:
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.
2.1. DESCRIPCIÓN DE LA ENCUESTA

En este estudio se obtuvo información primaria para el planteamiento del modelo de curva de
demanda, además de información base para el reconocimiento de los hábitos de consumo de
los usuarios y el planteamiento de los posibles escenarios, esto a través de una encuesta
realizada a 115 usuarios estrato 4 de la ciudad de Bogotá, seleccionados mediante muestreo
simple. La encuesta se dividió en tres fases que se observan en la Figura 5.
Figura 5. Estructura general de la encuesta acerca de los hábitos de consumo de los usuarios. Fuente
propia
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.
La primera fase de la encuesta se presenta en el Anexo I, se recopiló información sobre:
• Aspectos demográficos básicos,

• Conocimientos de energía eléctrica,
• La cantidad de electrodomésticos por grupo de dispositivos,
• Antigüedad aproximada de los electrodomésticos,
• El porcentaje de utilización por hora en el día de los mismos,
• Comportamiento energético en el hogar, y
• Algunos aspectos económicos relacionados con el servicio
Con esta información es posible establecer el consumo base de los usuarios por grupo de
dispositivos en cada hora del día necesaria para el modelo. Esta fase se llevó a cabo ente el 21
de enero y el 11 de febrero de 2016.
En la segunda fase de la encuesta, presentada en el

Anexo II, se recopiló información sobre las capacidades y características de los
electrodomésticos con los que cuenta el usuario en su vivienda:
• Cantidad, Tipo y Potencia de los dispositivos de iluminación disponibles en el hogar

• Cantidad, Tipo y tamaño de los televisores disponibles en el hogar
• Cantidad de electrodomésticos de entretenimiento como DVD, equipo de sonido, teatro
en casa, computadores de escritorio y portátiles
• Cantidad, Tipo y volumen de las neveras
• Cantidad, y capacidad de carga de las lavadoras, secadoras y lavadoras-secadoras
• Cantidad, Tipo y Potencia de otros electrodomésticos disponibles en el hogar
La tercera y última fase, fue una encuesta realizada a 35 usuarios, escogidos mediante
muestreo simple dentro de los 115 usuarios, donde se buscó conocer detalles de los
dispositivos de aseo: ducha, calentador eléctrico y calentador a gas, así como el tiempo de uso.
La encuesta se envió a los 35 usuarios vía correo electrónico, preguntando cuál de estos
dispositivos tienen en sus hogares y por cuanto tiempo los utilizan.
2.2. RESULTADOS DE LA PRIMERA FASE

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

El consumo en iluminación se presenta en la Figura 7, donde el mayor uso se presenta en la
tarde, con un pico entre 6pm y 9pm llegando al 62% de utilización, dado que anochece y se
hace necesario el uso de estos dispositivos. Por otra parte, se observa que, a las 5am, se
presenta un pico de menor porcentaje, ocasionado por el comienzo de las actividades de los
usuarios.
15
70%
60%
% De utilización de los dispositivos
62%
50%
40% 45%
30%
20% 26% 27%

24%
10% 15% 16%
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.
2.2.2. Dispositivos para Entretenimiento y Estudio

El uso de este tipo de dispositivos durante el día se presenta en la Figura 8, observando un
comportamiento creciente. De 6am a 9am se presenta un crecimiento del 11% respecto al lapso
anterior, el aumento del 11% corresponde a las horas en las que los usuarios se levantan y
utilizan algún dispositivo de entretenimiento como el televisor o la radio. De 9am a 3pm la
utilización de dispositivos de entretenimiento varía de 26% a 29%, lo que representa que los
usuarios mantienen la misma cantidad de dispositivos encendidos en promedio. De 3pm-6pm el
uso aumenta debido a que los niños por lo general se encuentran en sus casas después de las
3 pm, cuando llegan del colegio a realizar sus tareas o jugar. El mayor pico se presenta en las
horas de la noche, llegando al 60% de 6pm a 9pm, este comportamiento se debe a que los
usuarios llegan a sus hogares después de la jornada laboral a ver televisión, utilizar sus
computadores.
16
70%
60%
60%
51%
50%
40% 38%
27% 29%
30% 26%
20% 15%
10%
0%
Horas del día
Figura 8. Porcentajes de uso dispositivos para Entretenimiento y Estudio durante el día. Fuente propia.
La antigüedad de los dispositivos de entretenimiento, se observa en la Figura 9, la mayoría

están en el intervalo de 2010 y 2012 con un 60.87% de los usuarios, con lo cual se podría
incentivar el cambio por un dispositivo más reciente para disminuir el consumo.
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%
30% 33%
25% 27%
25%
20% 23%
20%
15% 17%
15%
10%
5%
0%
Horas del día
Figura 10. Porcentajes de uso dispositivos para Cocina durante el día. Fuente propia.
2.2.4. Dispositivos para Frio

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

Este tipo de dispositivos comprende los electrodomésticos: plancha para ropa, plancha para el
cabello y secador para el cabello. La Figura 12 muestra dos momentos en los cuales el
consumo es más significativo con respecto a otras horas del día. El primer momento
corresponde a las horas de la mañana entre las 5am y las 9am, en la que los usuarios suelen
planchar la ropa o arreglar el cabello para ir al trabajo, el consumo desciende hasta llegar al
segundo momento, donde el consumo sube de nuevo al pico más alto que se presenta de 6pm
a 9pm, que al igual que en la mañana corresponde a horas habituales de planchado de ropa.
18%
15%
12%
14%
13%
12%
9%
9% 9%
6% 8%
6%
3%
0%
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%
21% 19%
18%
15% 13% 13%

12%
12% 10%
9%
5%
6%
3%
0%
Horas del día
Figura 13. Cantidad de dispositivos para Ropa instalados en los hogares. Fuente propia.
2.2.7. Dispositivos para Aseo

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

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

Hora Promedio
12am - 6am 4%
6am - 9am 5%
9am – 12pm 5%
12pm - 3pm 4%
3pm - 6pm 2%
6pm - 9pm 4%
9pm – 12am 2%
*Fuente propia
2.3. RESULTADOS DE LA SEGUNDA FASE

Esta fase permite conocer información detallada acerca de cantidad, dimensiones y tecnología
de cada uno de los dispositivos que hacen parte de los grupos de electrodomésticos expuestos
en la primera fase. La Figura 15 presenta la información recolectada para cada
electrodoméstico, se posible observar que la encuesta permitió determinar un numero promedio
de cada tipo electrodoméstico para la iluminación, cocina y computadores, a diferencia de los
demás dispositivos encuestados, de los cuales se logró un porcentaje promedio de
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.
Figura 15 Cantidad de dispositivos por usuario. Fuente propia.
Los resultados de esta fase arrojan un promedio de 11 luminarias instaladas por hogar, de las
cuales 3 pertenecen a tecnologías de iluminación incandescente, 6 son fluorescentes
compactas, 1 pertenece a tecnología LED y 1 es halógena. Así la tecnología predominante en
iluminación para los usuarios corresponde a luminaria fluorescente compacta con un 59% de la
capacidad instalada en iluminación.
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.
Ducha Eléctrica Calentador Eléctrico Calentador a Gas
63%
29%
8%
Figura 17. Porcentaje de usuario por tipo de dispositivo. Fuente propia.
2.5. CONCLUSIONES DEL CAPITULO 2

La Tabla II, presenta los datos obtenidos en este capítulo: consumo máximo y mínimo, cantidad
y tipo de electrodomésticos cada grupo de dispositivos.
TABLA II. DATOS OBTENIDOS CAPITULO 2: CARACTERIZACIÓN DE LOS USUARIOS

Grupo de
Características Generales
Dispositivos
Consumo
Máximo
6pm-9pm: 62% de la Capacidad Instalada
9pm-12am: 45% de la Capacidad Instalada
Mínimo
Iluminación 9am-12pm: 15% de la Capacidad Instalada
Cantidad
Incandescente: 3
Fluorescente: 6
LED: 1
Halógena: 1
Consumo
Máximo
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
Cocina Mínimo
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
Mínimo
Calor
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
9am-12pm: 22% de la Capacidad Instalada
Mínimo
Ropa
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 horas de la tarde el consumo de la mayoría de los electrodomésticos es menos

significativo con respecto a las demás horas, como se evidencia en la Tabla II. Los que
mostraron mayores porcentajes de utilización fueron cocina, lavado y entretenimiento con
porcentajes de uso entre el 22% y 27% de la capacidad instalada.
De 6pm a 9pm se presenta de nuevo un consumo elevado, observando que la iluminación es la

más representativa, con un 62% de la capacidad instalada, entretenimiento con 60% y cocina
con 33% alcanzan también consumos significativos en estas horas.
En las últimas horas del día y la madrugada, de 11pm a 4am, se presentaron consumos no tan
bajos, debido a que los intervalos de tiempo evaluados fueron muy amplios, sin embargo ya que
en estas horas los usuarios duermen y no utilizan por lo general sus dispositivos, los
porcentajes obtenidos no representan realmente en consumo en éstas horas.
La información recolectada por medio de la encuesta y presentada en éste capítulo será de

utilidad para la determinación del modelo de curva de demanda eléctrica del usuario estrato 4
expuesto en el Capítulo 3. A fin de dar cumplimiento al primer objetivo específico planteado en
esta investigación.
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.
3.1. PROCEDIMIENTO DE MEDICIÓN

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

Fluke435 y un Fluke1730. La Tabla III muestra el número de mediciones que se hicieron con
cada equipo.
TABLA III NÚMERO DE MEDICIONES REALIZADAS CON EQUIPOS

Equipo No. Mediciones
4- PQA823 13
Fluke435 2
Fluke1730 4
Total Mediciones 19
*Fuente propia
La medición se realizó durante ocho semanas por un periodo de tiempo de entre 2 y 5 días
completos (00:00 hasta 23:59), excluyendo los fines de semana, estas fueron realizadas por los
autores y las estudiantes, LAURA LUCIA FERNANDA CASTELLANOS CARDONA, SANDRA
VIVIANA LÓPEZ CHAPARRO y la Docente candidata a doctorado ADRIANA MARIA VEGA
ESCOBAR pertenecientes al Grupo de Compatibilidad e Interferencia Electromagnética
(GCEM).
Los protocolos de medición de los equipos Fluke435, Fluke1730 y PQA823 se muestran en el

Anexo IV, Anexo V y Anexo VI respectivamente.
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.
Figura 18. Curva de demanda eléctrica de los 19 usuarios. Fuente propia.
En la Figura 18 se evidencia la variedad en el comportamiento de los usuarios, que puede

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

Tabla IV, obteniendo así la curva de mediciones, que se presenta en la Figura 19.
A partir de los 19 datos de potencia por hora de cada usuario y la potencia promedio se
determinó el valor de la desviación estándar para cada valor, sumando este valor al promedio
se fijó el rango máximo dentro del cual puede variar el consumo, al restar la desviación al
promedio se encontró el mínimo valor dentro del cual varía. A las 5am se presentó una
desviación mayor a la potencia promedio de la hora, lo que representa un sesgo en los datos,
esto significa que el comportamiento de los datos no tiene distribución normal, sin embargo,
para el tratamiento de los datos se asumió una distribución de este tipo para todas las horas,
razón por la cual el rango mínimo de variación se fijó como 0 W.
TABLA IV POTENCIA PROMEDIO CONSUMIDA POR LOS USUARIOS ESTRATO 4 DE LA CIUDAD DE BOGOTÁ DURANTE
EL DÍA
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.
3.3. MODELO CURVA DE DEMANDA ELÉCTRICA DEL USUARIO

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

DATOS DE ENTRADA DATOS DE SALIDA
1. Capacidad instalada de cada
tecnología
1. Porcentaje de uso por
2.Porcentaje de uso final de cada
hora.
hora
2. Potencia por tipo de
3.Electrodomesticos encendidos
tecnología
en total por hora
3. Vector de probabilidad
4. Electrodomésticos encendidos
de uso por hora del
por tecnología, capacidad o
dispositivo
dimensiones (según aplique)
4. Vector de tiempo (0 a
5.Potencia total de cada hora
23)
6.Grafica de potencia vs tiempo
7.Energia mes consumida kWh
*Fuente propia
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”.
Se escoge, en la parte 6, el tipo de tecnología de la nevera, Frost o no Frost por medio de un

número aleatorio de distribución binomial, con una ocurrencia de 50,43%, que representa la
tecnología frost como se observa en la Figura 16, este valor es almacenado en “H”.
Posteriormente, a partir del valor de H se selecciona el vector de potencia J1 para Frost o J0
para No Frost. En la parte 7, se multiplica el vector de potencia seleccionado, almacenado en
“Z” por el vector de la capacidad instalada “xn” y se almacena este valor en “k”, se crea un
vector de 144 posiciones que será equivalente a un día donde cada valor corresponderá a 10
minutos del día y se multiplica por los valores de potencia “k”, almacenando este vector en “r1”.
Sabiendo que el tiempo de carga de la nevera es de 20 minutos, se creará un vector de seis

posiciones, correspondiente a una hora, que solo va a tener valores en las dos primeras
posiciones (20 minutos), en relación a este comportamiento, luego se crea un vector
correspondiente a la utilización de la nevera en las horas más comunes, por medio de
generadores random con distribución binomial, asignado a “w”. Se multiplicará este vector por
“r1”, almacenando estos valores en “r”, obteniendo así los picos de consumo cuando el motor
esta encendido, para cada periodo, finalmente se multiplica “k” por el vector que solo tiene
valores en las primeras dos posiciones de cada hora, que representa la carga de la nevera y se
suma con el vector “r” de picos de consumo, obteniendo el comportamiento de la nevera
durante el día en la variable “p6”.
En la parte 8 del código, se suma la potencia que se consume cada 10 minutos de la hora como
una potencia total por hora, con el objetivo de obtener un vector de potencia de 24 posiciones.
La parte 9 grafica el vector de potencia final vs el tiempo, reflejando la potencia consumida por
hora de un usuario y se guarda en el vector P6, adicionalmente se halla la potencia en kW que
consume el usuario al día como “Edia” y en el mes como “Emes”. A continuación, se muestra en
detalle el código y su respectiva documentación en cada línea desarrollada:
33
Parte 1
1. clear
2. clc
Parte 2
3. J1=[154.2 162.5 170.8 341.7];%potencia de neveras frost

4. J0=[107.9 113.8 119.6 239.2];%potencia de neveras no frost
Parte 3
5. % variacion numero de neveras

6. X=random('Bino',1,0.0957)+1;% seleccionar el numero de neveras
instaladas
7. disp 'numero de neveras instaladas',(X)% se imprime el numero de neveras
instaladas
8. %x1=2a7 x2=8a9 x3=10a12 x4=nevecon
Parte 4
9. % variacion dimesiones
10. xn=[random('Bino',1,0.13),random('Bino',1,0.43),random('Bino',1,0.37),ra
ndom('Bino',1,0.14)];% vector de probabilidad normal de tipo de nevera
11. Xn=sum(sum(xn));%Xn representa la suma de los valores de xn que dan la
capacidad instalada inicial
Parte 5
12. while (Xn~=X);% siempre que Xn sea diferente al numero de neveras

instaladas
13.
xn=[random('Bino',1,0.13),random('Bino',1,0.43),random('Bino',1,0
.37),random('Bino',1,0.14)];% vector de probabilidad normal de
tipo de nevera por hora
14. Xn=sum(sum(xn));%Xn representa la suma de los valores de xn que dan la
capacidad instalada
15. end %se rectifica el valor de Xn hasta que sea igual a X
16. disp 'tipo de neveras instaladas',(xn) % se imprime el tipo de nevera
Parte 6
17. % tipo de tecnología

18. H=random('Bino',1,0.5043); %valor aleatorio que determina qué tipo de
tecnología utiliza la nevera instalada
19. Z=[1 1 1 1];% vector de 4 posiciones con valores de 1
20. if H==1 % si H es igual a 1
21. Z=J1; %Z es igual a J1
22. else %si H es diferente de 1
23. Z=J0; %Z es igual a J0
24. end % finaliza el condicional if
34
Parte 7
25. k=sum((xn.*Z)');% se multiplica el tipo de nevera instalada con la

potencia correspondiente
26. r1=(rand(1,144)*1.8)*k;% se crea un vector de 144 posiciones el cual se
multiplica por la potencia asignada según la nevera
27. w1=linspace(0,0,6);% vector de seis ceros
28. e=[1 1 0 0 0 0];
29. w=[w1 w1 w1 w1 w1 w1
random('Bino',e,0.5) random('Bino',e,0.4) random('Bino',e,0.4) random('B
ino',e,0.4) random('Bino',e,0.4) random('Bino',e,0.4) w1 w1 w1 w1 w1 w1
random('Bino',e,0.2) random('Bino',e,0.3) random('Bino',e,0.2) w1 w1
w1];% vector que determina la utilizacion en la hora de la nevera
30. s=[e e e e e e e e e e e e e e e e e e e e e e e e];% establece un
vector de 144 posiciones con comportamiento de e
31. r=w.*r1;% multiplica vector de comportamiento con el vector
de 144 posiciones
32. p6=(k*s)+(r);% se suma el vector de utilización de la nevera con el
vector de comportamiento normal de la nevera
33. for i=1:24 % ciclo que recorre una matriz de manera vertical
en 24 posiciones
Parte 8
34. P(i)= sum(p6(1,[1+(6*(i-1)):6*(i)]))/6;% agrupa en un vector el

comportamiento de cada hora de la nevera
35. end% finaliza el ciclo cuando i es igual a 24
36. P6=P';% el vector p se acomoda de manera vertical
37. t1=[0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23];% vec
tor de tiempo
38. for i=1:24% ciclo que recorre una matriz de manera vertical
en 24 posiciones
39. for j=1 % ciclo de 1 hasta 1
40. t(j)=t1(i); % t es igual a t1
41. t2(i,j)=t(j); %t2 es igual a t
42. end% finaliza ciclo
43. for j=2:6 % ciclo que recorre de 2 hasta 6
44. t(j)=t(j-1)+0.16; % t es igual a t mas una constante
45. t2(i,j)=t(j);% t2 es igual a t
46. end% finaliza el ciclo
47. end% %el ciclo finaliza hasta que i sea 24
48. tt=t2';% vector t2 de forma vertical
49. for k=1:144 % ciclo que recorre 144 posiciones
50. tiempo(k)= tt(k);% se crea vector tiempo igual a tt
51. end %el ciclo finaliza hasta que k sea 144
52. plot(t1,P6)
53. disp 'POTENCIA TOTAL',(P6)% se imprime la potencia total de nevera
Parte 9
54. plot(tiempo,p6)%se grafica la potencia final de nevera vs el tiempo

55. Edia=sum(P6)/1000% a partir del vector P6 se determina la energía diaria
consumida en nevera KW
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.
TABLA VI. POTENCIA PROMEDIO DE LOS DISPOSITIVOS

Potencia Promedio Consumida
Dispositivos
por hora (Wh)
Incandescente 60 60
Incandescente 100 100
Iluminación Fluorescente 231
Halógena 122
LED 502
CTR 21 pulgadas 753
CTR 29 pulgadas 1403
LCD 20 pulgadas 923
LCD 32 pulgadas 1533
Televisores
LCD Otro 3503
LED 20 pulgadas 563
LED 32 pulgadas 923
LED 42 pulgadas 1233
LED 48 pulgadas 1703
LED Otro 2103
Escritorio 3004
Computadores
Portátil 9004
Teatro en casa 2,1 canales 1005
Teatro en casa 5,1 canales 1755
DVD 304
Entretenimiento
Minicomponente 756
Equipo sonido portátil 176
Equipo sonido grande 1606
Estufa eléctrica de 1 puesto 12007
Cocina Estufa eléctrica de 2 puesto 24007
Licuadora 4004
36
Horno eléctrico 10006
Horno microondas 12006
Frost
2 a 7 pies cúbicos 154,28
Nevecón 341,78
Nevera
No Frost
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.
El mayor consumo se presenta en la noche, específicamente en la hora 20 (8 pm) con un valor

de 388,59 W, que corresponde a la hora en que usuarios llegan a sus hogares y encienden la
mayor parte de sus electrodomésticos. Se presenta otro pico en las horas de la mañana con un
valor máximo de 293,31 W, el cual corresponde a las horas en las que los usuarios se bañan,
preparan el desayuno, se arreglan para salir, etc. El menor consumo se presenta a las horas de
la madrugada, con el menor valor a las 2 am de 166,71 W, más alto que el observado en las
mediciones, esto puede deberse a que la información recolectada acerca del porcentaje de uso
de los dispositivos abarcaba un intervalo de tiempo muy amplio, de 12am a 6am, lo que pudo
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.
TABLA VII DATOS DE POTENCIA CONSUMIDA MODELO VS MEDICIONES

Horas del MODELO MEDICIONES Variación
estimada (%) MAX MIN
Día W W
12am 167,81 155,60 7,85 246,00 65,21
1am 172,90 129,57 33,44 224,13 35,02
2am 166,71 118,28 40,94 216,42 20,15
3am 169,20 126,94 33,29 231,03 22,84
4am 216,57 164,85 31,37 258,61 71,08
5am 278,12 260,95 6,58 573,82 0,00
6am 293,31 276,26 6,17 468,36 84,16
7am 283,43 316,01 10,31 532,78 99,24
8am 275,83 270,45 1,99 460,15 80,75
9am 189,93 264,97 28,32 478,85 51,09
10am 197,53 275,25 28,24% 490,62 59,87
11am 197,78 226,38 12,63% 324,30 128,46
12pm 171,16 249,02 31,27% 409,25 88,78
1pm 182,43 227,34 19,75% 362,22 92,46
2pm 182,79 218,87 16,48% 319,96 117,77
3pm 169,25 215,81 21,57% 304,06 127,55
4pm 174,15 216,06 19,40% 303,95 128,18
5pm 188,62 239,65 21,29% 331,22 148,08
6pm 363,57 310,75 17,00% 488,42 133,07
7pm 384,74 329,95 16,61% 512,89 147,00
8pm 388,60 305,33 27,27% 459,15 151,52
9pm 305,51 297,98 2,53% 447,80 148,16
10pm 239,92 246,10 2,51% 366,84 125,36
11pm 225,16 180,78 24,55% 261,35 100,21
El consumo promedio de los usuarios durante el mes obtenido por el modelo fue de 167,36
kWh/mes.
3.4. CONCLUSIONES DEL CAPITULO 3
El proceso de medición se realizó según los manuales propios de cada equipo para dar
confianza a la media, con un periodo de tiempo entre mediciones, de 2 minutos, con el fin de
obtener valores lo más cercanos al comportamiento real del consumo.
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.
En general con la información recolectada mediante el capítulo anterior y la curva de

mediciones presentada en este capítulo, se obtuvo un modelo capaz de representar el consumo
real de los usuarios, logrando acercarse a la curva base de mediciones, dentro de los rangos
obtenidos de las mismas. El modelo se construyó con ayuda de variables probabilísticas, que
permitieron acercar el modelo al comportamiento real, y características de los dispositivos más
comunes en el mercado. Dando cumplimiento así al primer objetivo de éste proyecto.
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.
La implementación de los diversos escenarios planteados a continuación tiene como objetivo

establecer alternativas de ahorro en búsqueda de promover la eficiencia energética por medio
de la demanda residencial, que como lo plantea la UPME en su Plan Energético Nacional,
Colombia: Ideario Energético 2050, “resulta un mecanismo que permite asegurar el suministro
de energía, dada la creciente demanda, disminuyendo la brecha entre la energía que se
empleada en la generación y la realmente útil, aprovechando al máximo los recursos
disponibles y así disminuir los impactos ambientales, además de aumentar la productividad y la
competencia”. [31]
Para el análisis de los escenarios es necesario determinar la tolerancia del modelo, que permita
identificar de manera correcta los posibles cambios en la curva generados por los escenarios y
no por los componentes aleatorios del modelo, para esto se simuló nuevamente el modelo
(1000 simulaciones), con el fin de comparar las diferencias entre las dos simulaciones y
determinar este rango de tolerancia.
La Tabla VIII muestra el rango dentro del cual varia el modelo como producto de su componente
aleatorio, sin que esto signifique una disminución o aumento del consumo producto de los
escenarios.
TABLA VIII TOLERANCIA DEL MODELO

Horas Nueva simulación Tolerancia
Modelo Final (W)
del Día del Modelo (W) (W)
0 164,845 167,807 ±2,96
1 174,363 172,903 ±1,46
2 169,079 166,714 ±2,36
3 168,686 169,198 ±0,51
4 216,336 216,567 ±0,23
5 279,827 278,119 ±1,71
6 294,424 293,310 ±1,11
7 286,789 283,431 ±3,36
8 281,264 275,833 ±5,43
9 188,122 189,926 ±1,80
10 197,531 197,527 ±0,10
11 194,449 197,782 ±3,33
12 169,855 171,163 ±1,31
13 178,528 182,425 ±3,90
14 182,080 182,786 ±0,71
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.
Al implementar el Escenario 1 se realizó un cambio de porcentaje de uso de 6 pm a 11 pm

disminuyendo el consumo un 15% en iluminación. Los datos obtenidos del escenario se
presentan en la Figura 23, observando en las horas de interés una reducción en el consumo,
con una disminución de entre 5% (44,96 W) y 13% (38,8 W) a las 8pm y 9pm respectivamente.
A las 9pm la mayor parte de dispositivos utilizados corresponde a iluminación, la posibilidad de
que los usuarios decidan encender un 15% menos sus dispositivos; impactará
significativamente el consumo total a diferencia de otras horas. El ahorro total de energía es de
120,27 Wh/día, aproximadamente un 2,2% del consumo normal.
El Escenario 2, reemplaza el 50% de la iluminación instalada por tecnología LED. En la Figura

23 se comparan los resultados con los datos del modelo final. La mayor reducción se presenta
de 5pm a 11pm, ya que en estas horas los usuarios prenden la mayor cantidad de luminarias,
entre las 6pm y 7pm con un 16,9% y 13,7% respectivamente con respecto al consumo normal,
con lo que se concluye que los usuarios en promedio disminuyen un 15% su consumo en las
horas de mayor utilización, lo que reduciría el pico que se presenta. El ahorro total de energía
en un día es de 407,03 Wh, por lo que se estima un ahorro al mes de 12,05 kWh, que equivale
a un 7,2% con respecto al consumo normal.
Un aspecto importante a tener en cuenta al implementar el Escenario 2, es la inversión

económica que tendría que realizar el usuario comparado con el dinero que se ahorra. Para el
análisis económico se realizó el pronóstico del precio del kWh mediante una serie de tiempo
con datos de los últimos 4 años1 a través de la herramienta Excel, ya que el valor del kWh
cambia cada mes. Si los usuarios reemplazan el 50% de la iluminación esto representará un
cambio de 6 luminarias por LED, una inversión aproximada de $53.400, con un precio de cada
1 El histórico de precios del kWh para el estrato 4 fue extraído de la página de CODENSA:
https://www.codensa.com.co/hogar/tarifas, en Diciembre de 2016.
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.
4.2. COMPUTADORES Y ENTRETENIMIENTO

4.2.1. Escenario 3: Televisor
El Escenario 3 plantea alternativas de ahorro a partir del cambio de tecnología por dos
televisores LED de dimensiones similares a aquellos con los que cuentan y la desconexión de
dispositivos como decodificadores y los mismos televisores cuando no están encendidos. Este
escenario presenta porcentajes de disminución entre el 6% y el 20% del consumo de la hora,
como se ve en la Figura 24. Se presentó descensos durante todo el día, con mayores
porcentajes de 10am a 5pm, por encima del 10%, una reducción significativa se dio a las 6am
donde el consumo normal es 293,31 W logrando una reducción de 38,05 W que corresponde a
un 13%. Sin embargo, cabe destacar que los menores porcentajes de disminución se presentan
en la noche, debido a que el aporte de consumo de estos dispositivos no es tan significativo
como en la mañana y la tarde, lo que implica que este escenario tendría un mayor impacto en
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.
ESCENARIO 3 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 24. Curva de Demanda caso de estudio Televisores. Fuente propia.
4.2.2. Escenario 4 y 5: Computadores y Entretenimiento

Los Escenarios 4 y 5, plantean alternativas de ahorro por medio de los dispositivos de
entretenimiento y computadores. El primero de estos escenarios propone el cambio de
computadores de mesa por portátiles, que consumen en promedio tres veces menos que uno
de mesa, y la desconexión de dispositivos de entrenamiento en las horas que no están
encendidos. El escenario 5 sugiere la desconexión tanto de aparatos de entretenimiento como
computadores cuando no se están utilizando.
Es posible observar en la Figura 25, que la reducción de los picos tras la implementación de
estos dos escenarios es poco significativa, ya que el promedio de disminución a lo largo del día
es de 3% y 4%, para el escenario 4 y 5 respectivamente, en su mayoría sin cambios por encima
de estos porcentajes. Los cambios más representativos se presentaron en la mañana y en la
tarde.
Tras la implementación del escenario 4 y 5, la cantidad de energía ahorrada es de 5, 11

kWh/mes (3,1%) y 4,46 kWh/mes (2,7%) respectivamente. Para la implementación del
escenario 4 es importante tener en cuenta el aspecto económico ya que los usuarios tendían
que cambiar su computador, un computador portatil tiene un costo promedio de $1’100.000 con
una vida util de 36 meses, realizando el pronostico del precio del kWh propuesto anteriormente,
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].
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.
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.
Teniendo en cuenta que el mayor ahorro se da al implementar el escenario 8, es necesario

realizar una comparación de la inversión inicial que representa cambiar la tecnología de la
nevera frente al ahorro de energía que esto causa. Sabiendo que el precio del kWh varia cada
mes2 se realiza el pronóstico del precio para 15 años, correspondiente a la vida útil de una
nevera, obteniendo un ahorro de $945,029.54 con el método expuesto anteriormente, lo cual
2 El precio del kWh para el estrato 4 fue extraído de la página de CODENSA: https://www.codensa.com.co/hogar/tarifas, en Octubre
de 2016.
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].

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 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
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].
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.
En la Figura 30 se observa que en las horas de la madrugada (0 am – 3 am) los escenarios 13 y

14 presentan un aumento en el consumo, encontrando que el escenario 14 permitió un mayor
aumento en el consumo con respecto al 13. En las horas de la mañana, entre las 5 am y 8 am,
los tres escenarios presentan una disminución en el consumo. En las horas de la mañana-tarde
se presenta un ahorro únicamente provocado por el escenario 12, dado que este escenario
busca la disminución de la utilización de este dispositivo a lo largo del día y no en horas
específicas de mayor y menor consumo como los escenarios 13 y 14. En las horas de la noche
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.
Como se observaba en la Tabla IX, el escenario 12 no incrementa el consumo en las horas de

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

Hora del día Variación Esc 12 Variación Esc 13 Variación Esc 14
0 0% 7% 9%
1 2% 2% 8%
2 0% 7% 11%
3 0% 3% 11%
4 1% 0% 0%
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.
4.8. CURVA TOTAL

Por último, el Escenario 15 propone una disminución del 20% en el consumo total del usuario,
como se aprecia en la Figura 31, que puede darse si los usuarios decidieran encender menos
luminarias a la hora de cocinar, o reunirse en un solo televisor a ver sus programas favoritos, o
apagar la luz cuando ven televisión. Estableciendo estrategias por parte del usuario que le
permitiera disminuir su consumo en estas horas, por ejemplo, mediante la no ubicación de algún
dispositivo, como la plancha para el cabello o usarlo algunos días si y otros no, mediante la no
utilización del microondas, o ver televisión en un solo dispositivo en la noche, entre otros,
51
dependería de las necesidades y predisposición del usuario a disminuir su consumo a lo largo
del día.
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.
4.9. CONCLUSIONES DEL CAPITULO

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

Consumo tras la
Escenario Consumo Habitual Implementación del
Escenario
1- ILUMINACIÓN De 6pm-8pm: Una reducción

De 6pm-8pm: el consumo
Si los usuarios decidieran es del 62% de la capacidad promedio en del 7%,
prender un 15% menos instalada en iluminación De 9pm-11pm: Una reducción
sus dispositivos de promedio del 10%
De 9pm-11pm: el consumo
iluminación en las horas
es del 45% de la capacidad Un ahorro del 3% del
de mayor consumo de
instalada consumo del día
iluminación
2- ILUMINACIÓN De 5am-7am: Una

Si los usuarios decidieran 11 bombillos en promedio, 2 disminución promedio del 5%
renovar su tecnología de 60 W, 1 de 100 W, 7
fluorescente compacta, 1 De 5pm-11pm: Una
actual en un 50% de su disminución promedio del
capacidad instalada en LED y 1 Halógena
13%
incandescente, Halógena y
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
6- COCINA Un ahorro del 4,2% del

- El 29,57% de los usuarios consumo habitual del día
Si los usuarios que usan tienen estufa eléctrica
estufa eléctrica la Los mayores cambios se
cambiaran por una estufa - El 54,78% de los usuarios presentaron de:
a gas y además tienen 1 horno microondas De 6am a 7am: Una
desconectaran el horno disminución de 6%
microondas en horas de De 11am a 2pm: Una
53
no utilización disminución de 12%
De 9pm a 11pm: Una
disminución de 5%
7- NEVERA Un ahorro del 2% del

Temperatura actual consumo habitual del día
Si los usuarios decidieran
subir un 1°C la promedio 4°C La mayor reducción a las
temperatura interna de la (3°C- 5°C) 11am de 9%
nevera
Un ahorro del 6% del

consumo habitual del día
Con cambios mayores a lo
largo del día con respecto al
8- NEVERA El 50,43% de los usuarios escenario 7
tienen tecnología Frost
Si los usuarios que utilizan Los mayores cambios se
tecnologías Frost El 49,57% de los usuarios presentaron en:
cambiaran a tecnologías tienen tecnología No-Frost
5am: Una disminución de 10%
No-Frost
10am: Una disminución de
11%
Horas de mayor consumo Desplazamiento del consumo

9- CALOR en calor: en:
Si los usuarios que usan la De 5am: el 12% de la De 5am a 8am: Una
plancha de ropa en las capacidad instalada de calor disminución de 6%
horas de mayor consumo
De 6am-8am: consumo del De 12pm a 3pm: Un aumento
total, los desplazan a las
13% de la capacidad en el consumo de 9%
horas de menor consumo
total, Sin consumo en las instalada de calor De 6pm a 8pm: Una
horas pico De 6pm-8pm: consumo del disminución de 4%
14% de la capacidad De 9pm a 11pm: Un aumento
instalada de calor en el consumo de 10%
10- CALOR Desplazamiento del consumo

5am: el 12% de la en:
Si los usuarios que usan la
plancha de ropa en las capacidad instalada de calor De 5am a 8am: Una
horas de mayor consumo 6am-8am: consumo del 13% disminución de 5%
total, los desplazan a las de la capacidad instalada de De 12pm a 3pm: Un aumento
horas de menor consumo calor en el consumo de 2%
total, intercambiando el 6pm-8pm: consumo del 14% De 6pm a 8pm: Una
consumo de hora valle a de la capacidad instalada de disminución de 3%
pico y viceversa calor De 9pm a 11pm: Un aumento
en el consumo de 2%
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
12- LAVADO Un ahorro en promedio del

Utilización de la lavadora 4
si los usuarios decidieran 2% del consumo habitual del
veces por semana en
lavar su ropa 3 veces por día, sin porcentajes ahorro
promedio
semana altos.
13- LAVADO De las: Desplazamiento del consumo

Si los usuarios decidieran en:
5am-8am: donde el 43,48%
desplazar el consumo de de los usuarios usan la De 12am a 3am: Un aumento
lavado de las horas de lavadora en el consumo de 5%
mayor consumo a las
6pm-8pm: donde el 35,65% De 5am-8am: Una
horas de menor consumo
de los usuarios usan la disminución de 4%
(intercambio de los
consumos de las horas) lavadora
Desplazamiento del consumo

en:
14- LAVADO De las:
De 12am a 3am: Un aumento
Si los usuarios decidieran 5am-9am: donde el 43,48% en el consumo de 10%
desplazar el consumo de de los usuarios usan la
lavado de las horas de De 5am-8am: Una
lavadora
mayor consumo a las disminución de 5%
horas de menor consumo 6pm-9pm: donde el 35,65%
De 6pm a 8pm: Una
(Sin consumo en las horas de los usuarios usan la
disminución de 2%
pico) lavadora
De 9pm a 11pm: Un aumento
en el consumo de 2%
Un ahorro del 8% del

15 - TOTAL consumo habitual del día
Si los usuarios decidieran Los mayores cambios se

20% menos del consumo a presentaron en:
disminuir su consumo total las hora de mayor demanda,
en las horas de mayor 5am-9am y de 6pm-9pm De 5am a 9am: Una discusión
consumo (5am, 6pm-9am de 20%
y de 6pm-9m) en un 20% De 6pm a 9pm: Una
disminución de 20%
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.
Un resultado importante en esta investigación se observó en las mediciones realizadas a los

usuarios, en donde fue posible identificar las diferencias que presentan los consumos de un
usuario residencial estrato 4, por ejemplo la gran dispersión que se presenta a las 5am, con una
desviación de 312,869 W mayor al promedio 260,955 W, diferencia que se debe a factores
como la cantidad de personas que habitan la vivienda o la ocupación de las mismas, donde la
variación en el hecho de que las personas salgan a trabajar o se queden en casa cambian
totalmente la forma en cómo los usuarios consumen energía, o si hay más o menos personas
en la vivienda. Sin embargo, pese a estas diferencias el consumo se mueve dentro de ciertos
rasgos comunes debidos al estrato socioeconómico, nivel educativo y tecnología de los
dispositivos, lo que hace posible su caracterización.
La implementación de un modelo de curva de demanda estocástico con componentes

probabilísticos y aleatorios permite obtener un comportamiento más real del consumo de los
usuarios, al consentir que se puedan dar diferentes curvas, representando los posibles
consumos que podrían tener los usuarios.
Tras la implementación de los casos de estudio se pudo observar que en aquellos donde se
realizó principalmente cambio de tecnología, los escenarios 3 y 2, presentaron porcentajes de
ahorro de energía mucho mayor con un 13% y el 7,2% respectivamente vs los que solo
proponían cambios en los hábitos de los usuarios, estos escenarios también permitieron la
reducción mayor de los picos de potencia aunque no de forma focalizada, ya que la disminución
se da a lo largo del día como se presentó en los escenarios 3 y 11, por el contrario aquellos en
los cuales se planteó únicamente la modificación de los hábitos de consumo, permitió una
reducción en los picos de forma focalizada, desplazando el consumo y haciendo más plana la
curva, como ocurre con los escenarios 9, 10, 13 y 14, con los mayores cambios en aquellos
escenarios donde se traslada todo el consumo de las horas pico a las valle, obteniendo hasta
un ahorro del 10% del consumo de la hora pico como se dio en el escenario 9. En cuanto al
impacto económico, por ejemplo, el escenario 11 aunque permite la disminución de potencia en
el pico de la mañana de 5am a 8am, no justifica la inversión que tendrían que realizar los
usuarios, en cambio escenarios de cambios en los hábitos de consumo son más fáciles de
implementar ya que no requieren inversión económica por parte de los usuarios.
El modelo permitió que, mediante la implementación de 15 escenarios, se pudiera observar el

impacto que tiene sobre el consumo y el comportamiento de la curva de demanda durante cada
hora el día el que los usuarios cambiaran los hábitos de consumo o cambiaran la tecnología de
los diferentes dispositivos con los que cuentan, permitiendo así identificar que la utilización en
determinado dispositivo causa más o menos impacto en la demanda de energía y en la
reducción de las horas pico del día. La utilización del televisor, por ejemplo, permite los mayores
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.
5.2. TRABAJOS FUTUROS

Este trabajo es la base para posibles investigaciones acerca de eficiencia energética, gestión de
la demanda y respuesta a la demanda, partiendo del conocimiento del comportamiento de
consumo de los usuarios, tipos de dispositivos y antigüedad de los mismos factores
indispensables a la hora de interpretarlo.
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
En el siguiente link se presenta la primera fase de la encuesta realizada a los usuarios:
https://goo.gl/forms/KbAVDxLeVy73S5cY2
ANEXO II. ENCUESTA: FASE DOS
En el siguiente link se presenta la segunda fase de la encuesta realizada a los usuarios:
https://goo.gl/forms/1FnMQdloUn9i2EW23
ANEXO III.COMPORTAMIENTO DE LA NEVERA

La figura presenta comportamiento del consumo de la nevera de la casa 1, donde se observa
que el motor enciende durante la tercera parte del día, y permanece apagado el resto de la
hora, y así durante todo el día.
65
ANEXO IV. PROTOCOLO PARA REALIZAR MEDICIONES A TRAVÉS DEL
ANALIZADOR DE ENERGÍA Y DE LA CALIDAD DE ENERGÍA ELÉCTRICA FLUKE
435
Datos Básicos de la medida

Nombre De Quien Realiza La Medición
Dirección De Domicilio
Localización Física (CAJA DE
BREAKERS)
Tipo de conexión utilizada Topología Seleccione
Mono fase
Fase dividida
3φ – en estrella
3φ – en triangulo
de dos elementos
(aron)
Temperatura Ambiente
Fecha de Medición
Intervalos de medición 5 minutos
Hora de inicio
Hora de finalización
Día de inicio
Día de finalización
Pasos para conexión del ANALIZADOR DE ENERGÍA Y DE LA CALIDAD DE ENERGÍA

ELÉCTRICA FLUKE 435
¡Advertencia!
Para evitar el riesgo de sufrir una descarga 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.
1. Configuración del analizador

Al encender el analizador por primera vez, tras un ajuste predeterminado de fábrica, o si se ha
desconectado de todas las fuentes de alimentación, deberá ajustar varios valores generales que
serán necesarios para esta medida. En la tabla siguiente se presenta la información inicial a
ajustar:
Ajuste Valor predefinido

Idioma de la información Español
Frecuencia nominal 60 Hz
Tensión nominal 120 V
Identificación de fase A, B, C
Colores de fase A/L1-B/L2-C/L3-N- Negro-Rojo-Azul-Gris-Verde
Puesta a tierra
Fecha + Formato de fecha Mes/día/año
Fecha + Hora 1 de enero de 2010 + 00:00:00
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.
Figura 1. Pantalla de entrada a las configuraciones del analizador
La tecla de función F1 permite acceder a una pantalla que muestra detalladamente cómo
conectar las sondas de tensión y corriente al sistema de alimentación que se va a examinar. En
la figura 2 se muestra un ejemplo. Pulse F1 de nuevo para volver a la pantalla de bienvenida.
Figura 2. Pantalla que muestra la configuración del cableado real
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.
Figura 3. Configuración tipo de conexión
Para configurar la forma de conexión se pulsa f4 y se selecciona por medio de los cursores la
opción adecuada
Antes de realizar medidas, configure el analizador según la tensión de línea, la frecuencia y la

configuración del cableado del sistema de alimentación que desee medir.
CONFIGURACIÓN DE LA CONEXIÓN
La conexión de un sistema trifásico se muestra en la Figura 4.
Figura 4. Conexión del analizador a una instalación trifásica
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.
Figura 5. Diagrama de vectores correspondiente al analizador correctamente conectado.
2. Configuración del Registrador
Para acceder al menú de inicio del analizador, se pulsa la tecla .
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.
Una vez terminada la configuración de la ventana de la Figura 5, se pulsa START y se da

comienzo a la medición.
70
ANEXO V. PROTOCOLO PARA REALIZAR MEDICIONES A TRAVÉS DEL
ANALIZADOR DE RED FLUKE 1730

BREAKERS)
Mono fase
Fase dividida
3φ – en estrella
de dos elementos
(aron)
Fecha de Medición
Intervalos de medición 1 minuto
Hora de inicio
Día de inicio
Pasos para conexión 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.
1. Configuración de la sesión de registro
Encienda el equipo. Si no hay ninguna sesión de registro activa, pulse para abrir la
pantalla Resumen de la configuración (Setup Summary) correspondiente al registro. Esta
pantalla contiene todos los parámetros de registro, como:
• Nombre de la sesión.
• Duración.
• Intervalo del cálculo promedio.
• Intervalo de demanda
• Costes energéticos
• Descripción.
71
Figura 1. Ventana logger (parámetros del registro)
A CONTINUACIÓN SE DARA UNA BREVE EXPLICACIÓN DE LOS PARÁMETROS EN LA

SESIÓN DE REGISTRO
Nombre de la sesión: El Registrador genera automáticamente el nombre del archivo utilizando

el formato ES.xxx. ES ... Estudio de energía xxx ... Número de archivo consecutivo
Duración: Seleccione la duración de la medición en la lista. La sesión de registro se detiene
automáticamente cuando transcurre el tiempo de la duración seleccionada. La sesión de
registro también se puede parar manualmente.
Intervalo del cálculo promedio: Seleccione el intervalo de tiempo cada cual debe añadirse un
nuevo valor promedio a la sesión de registro. Están disponibles los siguientes intervalos: 1 seg.,
5 seg., 10 seg., 30 seg., 1 min., 5 min., 10 min., 15 min y 30 min.
Intervalo de demanda: Los proveedores eléctricos utilizan éste intervalo para medir la
demanda de los clientes. Seleccione un intervalo para obtener el coste energético y el valor de
la demanda máxima (potencia promedio medida a lo largo del intervalo de demanda). Lo más
habitual es utilizar un valor de 15 minutos. Si no conoce el intervalo promedio, seleccione 5
minutos.
Costes energéticos: Introduzca el coste/kWh correspondiente a la energía demandada.
Descripción: Utilizando el teclado virtual, introduzca más información sobre la medición, como
por ejemplo el cliente, la ubicación y los datos de la placa de características.
1. Configuración del registrador para la medida
Para modificar los parámetros, pulse Edit Setup (Editar configuración). La

configuración se conservará al apagar el instrumento.
72
Figura 2. Ventana de edición para la configuración del registrador para la medición.
En la Figura 2 se muestra la ventana de configuración para la realización de la medición, cada

uno se puede modificar dando clic sobre cada parámetro o moviéndose con las flechas que
están a la derecha del equipo y pulsando Enter.
Para el cambio del nombre del nuevo registro, al ingresar a la ventana se escribe el nombre
que se le quiere dar y se pulsa Enter.
Figura 3. Ventana de configuración del nombre
Para la opción duración, que para este estudio se tomara de una semana, se selecciona
esta opción dando clic sobre la opción “1 semana”. En la opción Definir fecha y hora de
inicio se cambia a "ON" para poder editar y por medio de la pantalla táctil se selecciona la
fecha y hora de inicio de la medición, de igual forma para la fecha de finalización, finalmente
se pulsa Enter dos veces.
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.
Finalmente se dará clic en Hecho o F4 para grabar el nuevo registro.
75
Configuración de la conexión y tipo de estudio
Seleccione el sistema pertinente. En el Registrador se visualizará un esquema de conexiones

para los cables de prueba de tensión y los sensores de corriente. También puede accederse a
un esquema a través de (Esquema de conexiones) (Connection diagram) en el menú
Cambiar configuración (Change Configuration).
A CONTINUACIÓN SE PRESENTAN LOS TIPOS DE CONEXIONES DISPONIBLES JUNTO

CON EL DIAGRAMA DE CONEXIÓN. (SU SELECCIÓN DEPENDE DE LA TOPOLOGÍA EN SU
HOGAR)
TABLA 1. Topologías del sistema a medir

Monofásico
Fase dividida
3-Ф estrella
3-Ф triángulo
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.
2. Configuración del tipo de conexión y tipo de estudio
Para la configuración de la topología y tipo de estudio, vaya a Meter (Multímetro)

> Cambiar configuración (Change Configuration).
Figura 7. Ventana Meter
Al ingresar a la opción , se presentan las opciones de tipo de estudio y topología

del sistema que se quiere medir.
De igual forma para ingresar a las opciones se puede dar clic sobre cada opción o con las
flechas, pulsando Enter.
77
Figura 8. Ventana cambiar configuración
Al ingresar a la ventana de estudio de energía, se selecciona estudio de energía, que es el

requerido para esta medida. Y Enter.
Figura 9. Ventana configuración de tipo de estudio
Para la configuración de la topología como ya se mencionó, depende de la instalación

donde se realizará la medida, una vez identificada la topología se selecciona una opción y
se pulsa Enter.
Figura 10. Ventana configuración de la topología
78
Las demás opciones se dejan como las predeterminadas.
3. Conexión del equipo
Luego de identificar la topología que presenta en su hogar proceda a realizar la conexión en la

caja de Breakers como se observa en la Tabla 1, tome las medidas de seguridad necesaria
para su seguridad.
4. Inicio de registro
Para iniciar el registro de clic en el botón con lo cual se dará inicio a la medida, con
los parámetros anteriormente establecidos.
Nota: recuerde que el equipo debe estar conectado (cargando) durante TODA la medición
SIN INTERRUPCION.
ANEXO VI. PROTOCOLO PARA REALIZAR MEDICIONES A TRAVÉS DEL PQA823

DE HT INSTRUMENTS

BREAKERS)
Monofase
Fase dividida
3φ – en estrella
Fecha de Medición
Intervalos de medición 2 minutos
Hora de inicio
Día de inicio
Pasos para conexión del PQA823 DE HT INSTRUMENTS
¡ 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
Al encender el equipo lo primero que verán será el menú general.
Figura 1. Pantalla menú principal
La sección seleccionada actual se muestra con el fondo de color rojo en la pantalla y su título se
muestra en la parte inferior de la pantalla. En las secciones siguientes se encuentran
disponibles en el medidor:
- La sección Configuración general permite configurar los parámetros del sistema de medida,
como la fecha / hora, idioma, brillo de la pantalla, la protección de contraseña, claves de sonido
en el poder de auto presión y el tipo de memoria.
- La sección de valores de tiempo real permite ver los valores de medición del tiempo real en la
pantalla bajo diversos formatos.
- La sección de configuración del analizador permite definir las configuraciones simples y
avanzadas relativas a la conexión del medidor a la instalación.
- La sección de configuración de la grabadora que permite seleccionar los parámetros para
cada grabación y ver la información sobre la autonomía del metro durante el funcionamiento.
- La sección Resultados de la grabación, permite ver la lista de todas las grabaciones
guardadas en la memoria interna, para la memoria cancelar las operaciones y la transferencia
de la fecha en la externa USB Pen Driver.
- La sección de información del medidor que permite acceder a la información general sobre la
medición (número de serie, versión de firmware y software interno, etc...).
80
2. Configuración del analizador
Figura 2. Configuración del analizador
Dentro de esta sección se realizan las configuraciones relacionadas con el tipo de

instalación eléctrica en la que se está midiendo, en general es posible seleccionar el tipo de
sistema y la frecuencia.
Figura 3. Pantalla de configuración del analizador
En la pantalla de configuración del analizador, en la opción system se selecciona el sistema, en

concordancia con el sistema a medir, posteriormente se selecciona la opción frecuencia y se
modifica a 60Hz, finalmente se selecciona mediante la pantalla táctil en el chulo verde.
A CONTINUACIÓN SE PRESENTAN LOS TIPOS DE CONEXIONES DISPONIBLES JUNTO

CON EL DIAGRAMA DE CONEXIÓN. (SU SELECCIÓN DEPENDE DE LA TOPOLOGÍA EN SU
HOGAR)
81
TABLA 1. Topologías del sistema a medir
Monofásico
ARON
Trifásica
3. Configuración de la grabación
Figura 4. 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.
Figura 5. Pantalla de configuración de la grabación
En la opción comments se fija el nombre de la medición, pulsando sobre la opción. En el

parámetro start:menu se define la fecha y la hora de inicio de la grabación y stop:menu la
fecha y hora de terminación de la grabación, la opción general parameters permite la selección
de parámetros a grabar, voltaje, corriente, potencia y factor de potencia, por último la opción
integration period permite fijar el tiempo de la toma de muestras que será para esta medición
2 minutos . Se da clic en el culo verde al terminar la configuración.
4. Inicio de la grabación
El medidor está diseñado para iniciar una grabación en modo manual o automático pulsando la
tecla de GO / STOP. Una operación de grabación puede iniciarse exclusivamente bajo las
siguientes pantallas:
GENERAL MENÚ (con cualquier icono seleccionado).

VENTANA DE VISUALIZACIÓN EN TIEMPO REAL (en cualquier pantalla interna).
Para activar y desactivar las grabaciones con medidor. Las opciones posibles son:
- Manu: Cada grabación está activado / desactivado en el modo manual pulsando la tecla GO /
STOP.
- Auto: Cada grabación está activado / desactivado en modo automático, a partir de un medio y
válida la fecha / hora mediante prensado preliminar de tecla GO / STOP.
La configuración por defecto es siempre el modo manual para cambiar del modo manual al
modo AUTO se lleva a cabo los siguientes pasos:
1. Mover el cursor con las teclas de flechas en el campo relativo a "Inicio: Manu" o
"Stop: Manu", marcado con el fondo azul.
2. Pulse la tecla F4 (o bien tocar el modificar en pantalla). En la parte inferior de la pantalla se
muestra una barra de comandos con "Manu".
3. Pulse la tecla F3 (MOD (+)) o F4 (MOD (-)) y seleccionar "Auto".
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 3 se establece un vector aleatorio Xn de cinco posiciones correspondiente las tecnologías

de iluminación, los elementos del vector son generado con el comando random con una distribución
de probabilidad normal establecida con los resultados de la encuesta, utilizando la media y la
desviación estándar de cada tecnología, con el objetivo de que la aparición por tecnología represente
un comportamiento real. Se establece J como la suma de la cantidad de tecnologías. En la parte 4 del
Anexo VIII: CÓDIGO ILUMINACIÓN se evalúa que la cantidad total de bombillos (J) dentro del rango
14 y 10, consecuente con las encuestas, como la cantidad de dispositivos de iluminación que la
mayoría de usuarios tienen en sus hogares, mediante dos ciclos while en donde se rectifica el valor
hasta que el valor se encuentre dentro del rango. Este vector Xn se imprime en pantalla y representa
la capacidad instalada por cada tecnología.
En la parte 5 se propone para determinar el porcentaje de uso, mediante un vector aleatorio de 24

posiciones con valores entre 0 y 0,05 se varían los porcentajes de uso, estos valores pueden
aumentar o disminuir dentro de este rango, además el código establece que, si uno de los valores
toma valores menores que 0 no genera cambio en el vector Y de porcentajes de uso. Este nuevo
vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora. Luego en la parte 6
se multiplica el vector de porcentaje de uso por hora YN con el valor de la suma de capacidad
instalada J obteniendo así la cantidad de elementos encendidos en cada hora, este es un vector con
unas dimensiones de 24x1, de acuerdo al número de horas del día, este vector se imprime en
pantalla con nombre F.
En la parte 7 del código se crea un vector aleatorio de 5 posiciones, donde cada valor no supera la
capacidad instalada de bombillos, mediante un ciclo for se recorre cada hora, en el cual se determina
que los bombillos encendidos de cada hora se seleccionen de acuerdo con los que están instalados,
utilizando ciclos while para rectificar los valores, esto se realiza para las 24 horas para que al final se
genere un vector con dimensiones 24x5 cumpliendo que cada hora tenga la cantidad de bombillos
establecidos en F pero sin superar la capacidad instalada Xn, este vector se imprime en pantalla y
presenta el nombre de g.
Posteriormente en la parte 8 se multiplica el vector de los elementos encendidos por hora g con el
vector de la potencia de cada una de las tecnologías de iluminación, aquí se suman las potencias de
cada hora. Adicionalmente a esto se genera un vector S que representa los minutos que se
mantienen encendida la iluminación en los hogares, este vector se multiplica por Pt que es la potencia
de cada hora generando así la potencia total consumida en cada hora. Este vector se imprime en
pantalla como P1, esta potencia se grafica con respecto a un vector t que representa las 24 horas del
día. Finalmente, en la parte 9 se guarda el vector P1 para poderlo utilizar en otros códigos,
adicionalmente se halla la potencia en kW que consume el usuario al día y con esto se establece la
energía mensual como Emes.
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
1. %Xn= capacidad instalada por tecnologia

2. %n tecnologias 1=60 2=100 3=fluo 4=led 5=halo
3. %Y porcentaje de uso base
4. %YN porcentaje de uso final
5. %g=bombillos encendidos en cada intervlo de tiempo
6. %P1 potencia final consumida por horas
7. clear
8. clc
Parte 2
9. %declaracion de variables
10. Y=[0.26 0.26 0.26 0.26 0.26 0.26 0.24 0.24 0.24 0.15 0.15 0.15 0.16 0.160.16
0.27 0.27 0.27 0.62 0.62 0.62 0.45 0.45 0.45];% vector de porcentaje de uso
por hora
11. Z=[60 100 23 12 50];% potencia por tipo de tecnología
Parte 3
12. %iteracion de Xn
13. Xn=[round(random('norm',1.7,2.4)) round(random('norm',0.88,1.42)) round(rando
m('norm',6.53,4.20)) round(random('norm',1.19,3.02)) round(random('norm',0.71
,1.39))];% vector de probabilidad normal de ocurrencia por 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
Parte 4
16. while (J>14); %siempre que J sea mayor que 14

17.
Xn=[round(random('norm',1.7,2.4)) round(random('norm',0.88,1.42)) 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
capacidad instalada
20. while (J<10);%siempre que J sea menor que 10
21.
ocurrencia por hora
capacidad instalada
24. end%se rectifica el nuevo vector hasta que sea mayor que 10
25. end %se rectifica el nuevo vector hasta que sea menor de 14
26. while (J<10); %siempre que J sea menor que 10
89
27.
ocurrencia por hora
capacidad instalada
30. while (J>14);%siempre que J sea mayor que 14
31.
ocurrencia por hora
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
37. %iteracion de porcentaje de uso YN

38. O=rand(1,24);% vector aleatorio de 24 posiciones con valores entre 0 y 1
39. U=linspace(0.05,0.05,24);% vector de 24 posiciones con valores de 0.05
40. W=O.*U;% se multiplican los dos vectores para crear un vector
de 24 posiciones con valores entre 0 y 0.05
41. M=(randn(1,24));% vector aleatorio de 24 posiciones con valores positivos y
negativos
42. M(M>0)=1;% se reemplaza de M los valores mayores que 0 por 1
43. M(M<0)=-1;% se reemplaza de M los valores menores que 0 por -1
44. YN=Y+(W.*M);% se multiplica el vector de -1 y 1 por W y se le suma al
porcentaje de uso
45. YN(YN<0)=0;% los valores del vector que tomen valores negativos se hacen 0
46. disp 'porcentaje de uso',YN %porcentaje de uso de cada hora
Parte 6
47. %bombillos encendidos

48. FN=round(J*YN);% se multiplica la capacidad instalada por el vector de
porcentaje de uso y los valores se redondean
49. F=FN';% se coloca el vector de forma vertical
50. disp 'total bombillos encendidos' ,(F) %bombillos encendidos total por hora
Parte 7
51. %cantidad de bombillos encendidos de cada tecnologia en cada hora

52. Kn=(rand(1,5));% vector aleatorio de 5 posiciones
53. N=round(F*Kn);% se multiplica el total de bombillos encendidos por el vector
aleatorio haciendo que los valores no superen los bombillos encendidos y se
redondea
54. I=sum(N');% se suman los valores resultantes de N
55. I1=I';% se convierte el vector de forma vertical
56. for i=1:24% ciclo que recorre una matriz de manera vertical en 24 posiciones
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
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
79. N2=round(F(i)*Kn); % se multiplica Kn por la cantidad de bombillos
horizontal
82. while N2(f)>Xn(f) %siempre que N2 sea mayor que Xn
83. N2(f)=Xn(f); % N2 es igual a Xn
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
89. for e=1:5 %ciclo que recorre valores de 1 a 5
90. g(i,e)=N2(e); %almacena los valores de N2 en una matriz g
91. end %el ciclo finaliza hasta que e sea 5
92. end %el ciclo finaliza hasta que i sea 24
93. disp 'bombillos encendidos por tecnologia',(g)% Bombillos encendidos por
tecnología
Parte 8
94. Pt=g*Z'; % se multiplica el vector de los bombillos encendidos por tecnologia

por la potencia de cada tecnologia
95. S=[0.17 0.17 0.17 0.17 0.5 0.5 0.25 0.25 0.25 0.11 0.11 0.11 0.11 0.11 0.11 0
.11 0.17 0.25 0.5 0.5 0.5 0.5 0.25 0.25];% vector de uso por hora de
iluminacion
96. P1=Pt.*S'; % se multiplica el vector de potencia por el uso horario de
iluminacion
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
100. save P1 % se almacena la matriz P1 para ser utilizada en otros codigos

101. Edia=sum(P1)/1000% a partir del vector P1 se determina la energia diaria
consumida en iluminacion Kw
102. Emes=Edia*30 % energia mes consumida en iluminacion Kw
TELEVISORES
En la primera parte del código televisores se identifican las variables que matlab reconocerá para
ejecutar diferentes comandos con el objetivo de determinar la curva de consumo de televisores en los
hogares estrato 4 y se eliminan los datos impresos en pantalla como también los valores de las
variables guardadas de programas anteriores para evitar que las variables necesarias en el programa
presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos variables,
un vector Y con dimensiones 1x24 que hace referencia a el porcentaje de uso por cada hora del día
establecido con la encuesta realizada sobre hábitos de consumo, posteriormente se declara un vector
Z de dimensiones 1x12 que representa la potencia de cada una de las tecnologías de televisores, se
distribuye en CTR de 21 pulgadas, CTR de 29 pulgadas, LCD de 20 pulgadas, LCD de 32 pulgadas,
LCD de 42 pulgadas, LCD de 48 pulgadas, LCD más de 48 pulgadas, LED de 20 pulgadas, LED de
32 pulgadas, LED de 42 pulgadas, LED de 48 pulgadas y otro LED.
En la parte 3 se establece un vector aleatorio Yn de doce posiciones correspondiente a cada una de

las tecnologías, cada elemento del vector es hallado con el comando random con una distribución de
probabilidad normal establecida con los resultados de la encuesta, cada uno presenta la media y la
desviación estándar correspondiente a cada tecnología, esto se realiza con el objetivo de que la
ocurrencia de aparición en cada tecnología represente el comportamiento real de los usuarios.
Adicionalmente se establece Y que representa la suma de la cantidad de todas las tecnologías.
Posteriormente en la parte 4 se fija que el valor de Y este entre 1 y 3 que de acuerdo con las
encuestas son los rangos dentro de los que se encuentra la cantidad total de dispositivos de
televisión de la mayoría de usuarios, por medio de un generador Random con distribución de
probabilidad normal, aplicando la media y la desviación del total de dispositivos por usuario de la
encuesta. En caso de que no cumpla el valor entra a los ciclos while establecidos anteriormente en
donde se rectifica el valor hasta que se encuentre entre el rango. Este vector Yn se imprime en
pantalla y representa la capacidad instalada por cada tecnología.
En la parte 5 se procede a hallar un vector aleatorio W de 24 posiciones con un valor entre 0 y 0,06
que será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o
disminuir el porcentaje de uso, luego se crea un vector aleatorio de valores positivos o negativos que
depende su signo se hace 1 o -1 luego este número se multiplica por el vector W y se le suma al
porcentaje de uso inicial, adicionalmente se establece que si uno de los valores se hace menor que 0
no genera cambio en el vector J de porcentaje de uso. Este nuevo vector JN se imprime en pantalla y
representa el porcentaje de uso en cada hora. Luego de esto en la parte 6 del Anexo VIII: CÓDIGO
TELEVISOR se establece un vector A aleatorio de 24 posiciones representado por la probabilidad de
ocurrencia de uso de los televisores en las 24 horas del día, adicionalmente se suman los televisores
que aparecieron en la iteración, este valor debe encontrarse en un rango de 2 a 5, de no cumplir con
esta condición el valor entra en un ciclo while en donde se repite el procedimiento hasta que la
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.
En la figura siguiente se puede observar el diagrama de flujo correspondiente al código de televisores

implementado en el software Matlab.
93
94
Código Televisores
Parte 1
1. %Yn= capacidad instalada por tecnologia

2. %ntecnologias 1=21CTR 2=29CTR 3=20LCD 4=32LCD 5=42LCD 6=48LCD 7=OTROLCD 8=20L
ED 9=32LED 10=42LED 11=48LED 12=OTROLED
3. %J porcentaje de uso base
4. %JN porcentaje de uso final
5. %g=bombillos encendidos en cada intervlo de tiempo
6. %p=potencia final
7. clear
8. clc
Parte 2
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
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
16. lim=round(random('norm',2.5,0.93));% numero aleatorio con distribución normal
representa la capacidad instalada según la encuesta
Parte 4
17. lim(lim<1)=1;% si lim es menor que 1 se establece como 1

18. while lim > 3 % siempre lim sea mayor que 3
19. lim=round(random('norm',2.5,0.93));% numero aleatorio con distribución
normal representa la capacidad instalada según la encuesta
21. end % se rectifica que lim sea menor que 3
22. while (Y~=lim); %siempre que y sea diferente de lim
23.
Yn=[round(random('norm',0.66,0.71)) round(random('norm',0.16,0.39)) r
ound(random('norm',0.17,0.46)) round(random('norm',0.53,0.7)) round(r
andom('norm',0.17,0.4)) round(random('norm',0.08,0.30)) round(random(
'norm',0.01,0.09)) round(random('norm',0.04,0.2)) round(random('norm'
,0.27,0.55)) round(random('norm',0.27,0.50)) round(random('norm',0.14
,0.39)) round(random('norm',0,0))];% vector de probabilidad normal de
ocurrencia por hora
95
24. Yn(Yn<0)=0;% cualquier valor de Yn menor a 0 se convierte en 0
25. Y=sum(sum(Yn));%Y representa la suma de los valores de Yn que dan la
capacidad instalada
26. end % rectifica que Y sea igual a lim
27. disp 'capacidad instalada por tecnologia',(Yn)% se imprime Yn que es la
capacidad instalada por tecnología
Parte 5
28. %iteracion de porcentaje de uso JN

29. O=rand(1,24); % vector aleatorio de 24 posiciones con valores entre 0 y 1
30. U=linspace(0.06,0.06,24); % vector de 24 posiciones con valores de 0.06
negativos
35. JN1=J+(W.*M);% se multiplica el vector de -1 y 1 por W y se le suma al
porcentaje de uso
36. JN1(JN1<0)=0; % los valores del vector que tomen valores negativos se hacen 0
Parte 6
37. %Cantidad total encendida por hora

38. A=[random('Bino',1,0.1478) random('Bino',1,0.1478) random('Bino',1,0.1478) ra
ndom('Bino',1,0.1478) random('Bino',1,0.1478) random('Bino',1,0.1478) random(
'Bino',1,0.2348) random('Bino',1,0.2348) random('Bino',1,0.2348) random('Bino
',1,0.2319) random('Bino',1,0.2319) random('Bino',1,0.2319) random('Bino',1,0
.2290) random('Bino',1,0.2290) random('Bino',1,0.2290) random('Bino',1,0.2696
) random('Bino',1,0.2696) random('Bino',1,0.2696) random('Bino',1,0.3246) ran
dom('Bino',1,0.3246) random('Bino',1,0.3646) random('Bino',1,0.2957) random('
Bino',1,0.2957) random('Bino',1,0.2957)];% vector de probabilidad de uso en
cada hora según la encuesta
39. Asum=sum(A);% suma del vector de probabilidad de ocurrencia por hora
40. JN=A.*JN1;% se multiplica el vector de ocurrencia por el vector de porcentaje
de uso
41. while Asum<2 || Asum>5; % siempre que Asum sea menor a 2 o mayor a 5
42.
A=[random('Bino',1,0.1478) random('Bino',1,0.1478) random('Bino',1,0.1
478) random('Bino',1,0.1478) random('Bino',1,0.1478) random('Bino',1,0
.1478) random('Bino',1,0.2348) random('Bino',1,0.2348) random('Bino',1
,0.2348) random('Bino',1,0.2319) random('Bino',1,0.2319) random('Bino'
,1,0.2319) random('Bino',1,0.2290) random('Bino',1,0.2290) random('Bin
o',1,0.2290) random('Bino',1,0.2696) random('Bino',1,0.2696) random('B
ino',1,0.2696) random('Bino',1,0.3246) random('Bino',1,0.3246) random(
'Bino',1,0.3646) random('Bino',1,0.2957) random('Bino',1,0.2957) rando
m('Bino',1,0.2957)];% vector de probabilidad de uso en cada hora según
la encuesta
43. Asum=sum(A); % suma del vector de probabilidad de ocurrencia por hora
44. end %se rectifica que Asum esté entre 2 y 5 equivalente al número de
apariciones
de uso
46. disp 'porcentaje de uso final',(JN)% se imprime en pantalla el porcentaje de
uso de los televisores
96
47. GN=ceil(Y*JN);% multiplica la capacidad instalada por el porcentaje de uso
final y lo redondea al mayor
48. G=GN';% el vector GN se acomoda de forma vertical
49. disp 'cantidad total encendida por hora',(G)% se imprime en pantalla la
cantidad de televisores encendidos en cada hora
Parte 7
50. %cantidad de televisores encendidos de cada tecnologia en cada hora

52. N=ceil(G*Kn);% se multiplica el total de televisores encendidos por el vector
aleatorio haciendo que los valores no superen los televisores encendidos y se
redondea al mayor
54. I1=I'; % se convierte el vector de forma vertical
55. for i=1:24 % ciclo que recorre una matriz de manera vertical en 24 posiciones
56. if I1(i)==G(i);%si I1 es igual a G
57. for j=1:12% ciclo que recorre la matriz en 12 posiciones de forma
horizontal
58. N2(j)=N(i,j);% almacena el valor de N en una matriz N2
59. while N2(j)>Yn(j); %siempre que N2 sea mayor que Yn
60. N2(j)=Yn(j); % N2 es igual a Xn
61. end% recifica el valor de N2 para que sea menor que Yn
62. end% el ciclo finaliza hasta que j sea 12
63. I1(i)=sum(sum(N2));% se realiza la suma de los valores de N2 como
variable I1
64. while I1(i)~=(G(i)) %siempre que I sea diferente de G
66. N2=round(G(i)*Kn); % se multiplica Kn por la cantidad de televisores
horizontal
69. while N2(f)>Yn(f)%siempre que N2 sea mayor que Yn
70. N2(f)=Yn(f);% N2 es igual a Yn
71. end% recifica el valor de N2 para que sea menor que Yn
72. end% el ciclo finaliza hasta que f sea 12
variable I1
74. end % se rectifica el valor de I hasta que sea igual a G
75. else %si I1 es diferente que G
76. while I1(i)~=(G(i)) % siempre que I1 sea diferente que G
80. for f=1:12% ciclo que recorre la matriz en 12 posiciones de forma
horizontal
81. while N2(f)>Yn(f)%siempre que N2 sea mayor que Yn
82. N2(f)=Yn(f);% N2 es igual a Yn
83. end%recifica el valor de N2 para que sea menor que Yn
variable I1
86. end %se rectifica el valor de I hasta que sea igual a G
97
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
92. disp 'televisores encendidos por tecnologia’, (g)% televisores encendidos por
tecnologia
Parte 8
93. Pt=g*Zn';% se multiplica el vector de los televisores encendidos por

tecnologia por la potencia de cada tecnologia
94. S=[0.17 0.17 0.17 0.17 0.17 0.17 0.34 0.7 0.34 0.25 0.25 0.17 0.25 0.7 0.5 0.
25 0.17 0.17 0.5 0.64 0.7 0.7 0.34 0.17];% vector de uso por hora de
televisores
95. Noche=lim-G;% se establecen las horas en que los televisores están apagados
96. R=Noche'*3;% se multiplica el vector noche por una potencia de 3 que es lo
que consume cada televisor apagado
97. Deco=linspace(lim*10,lim*10,24)'; % se establece un vector de potencia de los
decodificadores de cada uno de los televisores instalados
98. P_2=(Pt.*S')+R';% se multiplica el vector de potencia de cada hora por el
porcentaje de uso por hora y se le suma el vector de la potencia cuando los
televisores están apagados
99. P2=P_2+Deco;% se suma el vector anterior con el de la potencia de los
decodificadores
100. disp 'potencia total ',(P2)% se imprime la potencia total de televisores
101. t=[0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23];% vector de
tiempo
102. plot(t,P2)%se grafica la potencia final de televisores vs el tiempo
104. Edia=sum(P2)/1000% a partir del vector P2 se determina la energia
COMPUTADORES
En la parte 1 del código computadores se identifican las variables que Matlab reconocerá para
ejecutar diferentes comandos con el objetivo de determinar la curva de consumo de computadores en
los hogares estrato 4 y se eliminan los datos impresos en pantalla como también los valores de las
variables guardadas de programas anteriores para evitar que las variables necesarias en el programa
presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos variables,
un vector Y de 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con
la encuesta realizada sobre hábitos de consumo, y el vector Z de 1x2 que representa la potencia de
cada una de los computadores, escritorio y portátil respectivamente.
En la parte 3 se fija que el número total de dispositivos instalados este entre 1 y 3, que de acuerdo a
las encuestas son los rangos dentro de los que se encuentra la cantidad total de dispositivos de
cómputo que la mayoría de usuarios presentan en sus hogares, por medio de un generador Random
con distribución de probabilidad normal, aplicando la media y la desviación del total de dispositivos
por usuario de la encuesta. En la parte 4 se fija que el valor de J sea igual a lim (No. Total de
televisores instalados) y mediante ciclos while se determina cuantos de cada tecnología están
instalados, este valor es impreso en pantalla como la capacidad instalada y se representa como Xn.
Posteriormente en la parte 5 para determinar el porcentaje de uso, mediante un vector aleatorio de 24

posiciones con un valor entre 0 y 0,05 que será la variación que presentara los porcentajes de uso,
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 6 se crea un vector de 24 posiciones el cual representa la probabilidad de aparición en

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

computadores implementado en el software Matlab.
99
100
Código Computadores
Parte 1
1. %Xn= capacidad instalada por tecnologia

2. %n tecnologías 1=MESA 2=PORTATIL
3. %Y porcentaje de uso base
4. %YN porcentaje de uso final
5. %g=computadores encendidos en cada intervlo de tiempo
101
7. clear
8. clc
Parte 2
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
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
15. while lim > 3% siempre lim sea mayor que 3
18. end% se rectifica que lim sea menor que 3
Parte 4
19. Xn=[round(random('norm',0.8,0.76)) round(random('norm',1.81,1.09))];% vector

de probabilidad normal de ocurrencia por tecnologia
20. Xn(Xn<0)=0;% cualquier valor de Yn menor a 0 se convierte en 0
capacidad instalada
22. if J~=lim% si J es diferente de lim
23. while J~=lim %siempre que J sea diferente de lim
24.
Xn=[round(random('norm',0.8,0.76)) round(random('norm',1.81,1.09))]
;% vector de probabilidad normal de ocurrencia por hora
25. Xn(Xn<0)=0;% cualquier valor de Yn menor a 0 se convierte en 0
26. for i=1:2 %ciclo que recorre dos posiciones
27. while Xn(i)>i %siempre que Xn sea mayor que i
28. Xn(i)=i; % Xn es igual a i
29. end % rectifica que Xn sea igual a i
30. end %finaliza ciclo cuando i sea igual a 2
capacidad instalada
32. end% rectifica que J sea igual a lim
33. else %si J es igual a lim
34. for i=1:2 %ciclo que recorre dos posiciones
35. while Xn(i)>i %siempre que Xn sea mayor que i
36. Xn(i)=i; % Xn es igual a i
capacidad instalada
38. end% rectifica que Xn sea igual a i
39. end %finaliza ciclo cuando i sea igual a 2
40. end %finaliza el condicional if
41. disp 'capacidad instalada',Xn %capacidad instalada de cada tecnología
102
Parte 5

45. W=O.*U; % se multiplican los dos vectores para crear un vector
negativos
49. YN1=Y+(W.*M);% se multiplica el vector de -1 y 1 por W y se le suma al
porcentaje de uso
50. YN1(YN1<0)=0;% los valores del vector que tomen valores negativos se hacen 0
Parte 6

53. YN=A.*YN1;% se multiplica el vector de ocurrencia por el vector de porcentaje
de uso
54. while Asum==0 || Asum>3;% siempre que Asum sea igual a 0 o mayor a 4
55.
78) random('Bino',1,0.1478) random('Bino',1,0.1478) random('Bino',1,0.1
478) random('Bino',1,0.2348) random('Bino',1,0.2348) random('Bino',1,0.
.2319) random('Bino',1,0.2290) random('Bino',1,0.2290) random('Bino',1,
0.2290) random('Bino',1,0.2696) random('Bino',1,0.2696) random('Bino',1
,0.2696) random('Bino',1,0.3246) random('Bino',1,0.3246) random('Bino',
1,0.3646) random('Bino',1,0.2957) random('Bino',1,0.2957) random('Bino'
,1,0.2957)];% vector de probabilidad de uso en cada hora según la
encuesta
57. end%se rectifica que Asum esté entre 2 y 5 equivalente al número de
apariciones
de uso
59. disp 'porcentaje de uso final',(YN)% se imprime en pantalla el porcentaje de
uso de los computadores
60. FN=round(J*YN);% multiplica la capacidad instalada por el porcentaje de uso
final y lo redondea
61. F=FN';% el vector GN se acomoda de forma vertical
62. disp 'Total computadores encendidos' ,(F) %computadores encendidos total por
hora
103
Parte 7
63. %cantidad de computadores encendidos de cada tecnologia en cada hora

65. N=ceil(F*Kn);% se multiplica el total de computadores encendidos por el
vector aleatorio haciendo que los valores no superen los computadores
encendidos y se redondea al mayor
horizontal
72. while N2(j)>Xn(j);%siempre que N2 sea mayor que Xn
73. N2(j)=Xn(j);% N2 es igual a Xn
variable I1
77. while I1(i)~=(F(i))%siempre que I sea diferente de F
79. N2=round(F(i)*Kn);% se multiplica Kn por la cantidad de computadores
horizontal
83. N2(f)=Xn(f);% N2 es igual a Xn
variable I1
87. end% se rectifica el valor de I hasta que sea igual a F
89. while I1(i)~=(F(i))% siempre que I1 sea diferente que F
horizontal
95. N2(f)=Xn(f); % N2 es igual a Xn
variable I1
105. disp 'computadores encendidos por tecnologia',(g)% Computadores encendidos
por tecnologia
104
Parte 8
106. Pt=g*Z';% se multiplica el vector de los bombillos encendidos por tecnologia

por la potencia de cada tecnologia
107. S=[0.17 0.17 0.17 0.17 0.17 0.17 0.17 0.34 0.34 0.4 0.4 0.34 0.34 0.34 0.34 0
.45 0.45 0.44 0.34 0.54 0.54 0.34 0.34 0.34];% vector de uso por hora de
televisores
108. % potencia apagados
109. Y1=[1; 0];%se separa el vector Y y se toman los de escritorio
110. N1=g*Y1; % se multiplica el vector de computadores de escritorio por
computadores encendidos por tecnologia
111. Noche=(Xn(1)-N1)*3;% se establecen las horas en que los computadores de
escritorio están apagados y se multiplica por la potencia que consumen cuando
están apagados
112. P3=(Pt.*S')+Noche;% se multiplica el vector de potencia de cada hora por el
computadores están apagados
113. disp 'potencia total ',(P3) %potencia total de cada hora
Parte 9
114. t=[0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23];%vector de

tiempo
115. plot(t,P3)%se grafica la potencia final de computadores vs el tiempo
Parte 10

consumida en computadores kW
118. Emes=Edia*30 % energia mes consumida en computadores en Kw
ENTRETENIMIENTO
La parte uno del código entretenimiento identifica las variables que Matlab reconocerá para ejecutar
diferentes comando con el objetivo de determinar la curva de consumo de entretenimiento en los
hogares estrato 4, también se eliminan los datos impresos en pantalla como también los valores de
las variables guardadas de programas anteriores para evitar que las variables necesarias en el
programa presenten valores diferentes a los deseados.
Posteriormente en la parte 2 se declaran dos variables, un vector Y con dimensiones 1x24 que hace
referencia a el porcentaje de uso por cada hora del día establecido con la encuesta realizada sobre
hábitos de consumo, posteriormente se declara un vector Z de dimensiones 1x6 que representa la
potencia de cada una de las tecnologías de entretenimiento, se distribuye en teatro 2.1 canales,
teatro 5.1 canales, Dvd, minicomponente, equipo de sonido portátil y equipo de sonido grande.
En la parte 3 del se establece un vector aleatorio Y1 y Y2 de tres posiciones cada uno

correspondiente a cada una de las tecnologías de video y sonido, cada elemento del vector es
hallado con el comando random con una distribución de probabilidad normal establecida con los
resultados de la encuesta, cada uno presenta la media y la desviación estándar correspondiente a
cada tecnología, esto se realiza con el objetivo de que la ocurrencia de aparición en cada tecnología
represente el comportamiento real de los usuarios. Adicionalmente se establece M1 y M2 que
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 5 se crea un vector de probabilidad que representa la aparición de dispositivos de

entretenimiento en cada hora del día, posteriormente se establece un ciclo while que rectifica que la
suma de las apariciones de las horas se encuentre entre el rango de 3 y 5 apariciones,
posteriormente este vector se multiplica por JN1 para así hallar el porcentaje de uso final de todas las
horas. Este valor se imprime en pantalla y se representa como JN.
En la parte 6, tomando el vector de porcentaje de uso por hora JN como el valor de referencia de
capacidad instalada se establece un ciclo for, de acuerdo al porcentaje en cada hora y al número de
dispositivos de entretenimiento instalados representara el número de dispositivos de entretenimiento
encendidos. Este vector es impreso en pantalla y es representado por la letra G. Luego en la parte 7
se realiza un ciclo for en el cual se determina por cada fila que los dispositivos de entretenimiento
encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto cada fila
entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas para que
al final se genere un vector con dimensiones 24x6 cumpliendo que cada hora tenga la cantidad de
dispositivos de entretenimiento establecidos en G pero sin superar la capacidad instalada Y, este
vector se imprime en pantalla y presenta el nombre de g.
La parte 8 multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de
cada uno de las tecnologías aquí se suman las potencias de cada hora. Adicionalmente a esto se
genera un vector S que representa los minutos que se mantienen encendidos los dispositivos de
entretenimiento en los hogares, luego de ello se crea un vector de potencia que consumen los
electrodomésticos en el momento que no están encendidos, en este vector se establece una potencia
de 1.55 w por cada electrodomésticos, posteriormente se multiplica el vector de potencia Pt por el
vector de porcentaje de uso diario S y al resultado se le suma el vector de potencia cuando no está
encendido, el resultado es conocido como potencia total y se imprime en pantalla como P4. En la
parte 9 se crea un vector de tiempo que representa las horas del día, este vector de tiempo inicia en 0
y termina en 23, posteriormente se grafica la potencia P4 contra el tiempo.
Finalmente, en la parte 10 se guarda el vector P4 para poderlo utilizar en otros códigos,
adicionalmente se halla la potencia en kW que consume el usuario al día representado como Edia y
con esto se establece la energía mensual como Emes.
En la figura siguiente se puede observar el diagrama de flujo correspondiente al código de

entretenimiento implementado en el software Matlab.
106
107
108
109
Código entretenimiento
Parte 1
1. %Y= capacidad instalada por tecnologia

2. %ntecnologias 1=2.1 canales 2=5.1 canales 3=dvd 4=minicomponente 5=equipo
sonido portátil 6=equipo grande
3. %J porcentaje de uso base
4. %JN porcentaje de uso final
5. %g=electrodomésticos encendidos en cada intervlo de tiempo
7. clear
8. clc
Parte 2
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
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
17. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que dan la
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
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
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.
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.
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.
54. while M1>2;% siempre que M1 sea mayor a 2
55.
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
capacidad instalada
70. if M1==2 % si M1 es igual a 2
71. while M2>1;% siempre que M2 sea mayor que 1
72.
78.
85.
Y2=[round(random('norm',0.5,0.64)) round(random('norm',0.23,0.48
)) round(random('norm',0.59,0.7))];% vector de probabilidad
normal de ocurrencia por tecnologia sonido
capacidad instalada
89. if M2==2% si M2 es igual a 2
90. while M1>1;% siempre que M1 sea mayor que 1
91.
capacidad instalada
95. else% si M2 es diferente de 2
96. while M1>2; % siempre que M1 sea mayor que 2
97.
capacidad instalada
112
103. M=M1+M2; % suma de sonido y video instalado
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
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
113. if M>3 % si M es mayor a 3
114. while M>3 % siempre que M sea mayor a 3
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
video
119. M1=sum(sum(Y1));%M1 representa la suma de los valores de Y1 que
dan la capacidad instalada inicial
123.
Y2=[round(random('norm',0.5,0.64)) round(random('norm'
,0.23,0.48)) round(random('norm',0.59,0.7))];% vector
sonido
129.
,0.23,0.48)) round(random('norm',0.59,0.7))];% vector
sonido
134. else %si M1 es menor o igual a 2
113
136.
,0.23,0.48)) round(random('norm',0.59,0.7))];%vector
sonido
142.
video
148.
video
155. end %rectifica que M sea menor o igual a 3
156. else % si M es menor o igual a 3
159.
la capacidad instalada inicial
165.
114
171.
178.
184.
188. else% si M2 es diferente de 2
190.
198. end% rectifica que M sea diferente de 0
199. Y=[Y1(1) Y1(2) Y1(3) Y2(1) Y2(2) Y2(3)];% se organiza la capacidad instalada
en un vector
200. disp 'capacidad instalada video',(Y1)% capacidad instalada de video
201. disp 'capacidad instalada sonido',(Y2)%capacidad instalada de sonido
Parte 4
202. %iteracion de porcentaje de uso JN

115
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

213. while Asum==0 || Asum>3;% siempre que Asum sea igual a 0 o mayor a 5
214.
encuesta
apariciones
de uso
218. disp 'porcentaje de uso',(JN) %porcentaje de uso de cada hora
Parte 6
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
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
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
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
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
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

250. N=round(G*Kn);%se multiplica el total de televisores encendidos por el vector
aleatorio haciendo que los valores no superen los televisores encendidos y se
redondea
254. if I1(i)==G(i);%si I1 es igual a G
255. for j=1:6% ciclo que recorre la matriz en 6 posiciones de forma horizontal
257. while N2(j)>Y(j);%siempre que N2 sea mayor que Y
258. N2(j)=Y(j);% N2 es igual a Y
259. end% recifica el valor de N2 para que sea menor que Y
261. I1(i)=sum(sum(N2));% se realiza la suma de los valores de N2 como variable
I1
262. while I1(i)~=(G(i))%siempre que I sea diferente de G
264. N2=round(G(i)*Kn);% se multiplica Kn por la cantidad de televisores
horizontal
267. while N2(f)>Y(f)%siempre que N2 sea mayor que Y
268. N2(f)=Y(f);% N2 es igual a Y
269. end% recifica el valor de N2 para que sea menor que Y
variable I1
272. end % se rectifica el valor de I hasta que sea igual a G
273. else %si I1 es diferente que G
274. while I1(i)~=(G(i)) % siempre que I1 sea diferente que G
117
277. I1(i)=sum(sum(N2)); % se suma el vector N2
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
variable I1
284. end %se rectifica el valor de I hasta que sea igual a G
290. disp 'eletrodomésticos encendidos por tecnologia',(g)% dispositivos
encendidos por tecnologia
Parte 8
291. Pt=g*Xn'; % se multiplica el vector de los televisores encendidos por

tecnologia por la potencia de cada tecnologia
292. S=[0.17 0.17 0.17 0.17 0.17 0.34 0.5 0.34 0.17 0.17 0.25 0.25 0.17 0.17 0.17
0.25 0.25 0.34 0.5 0.64 0.64 0.64 0.34 0.25];% vector de uso por hora de
entretenimiento
293. Noche=(M-G)*1.55;% se establecen las horas en que los dispositivos están
apagados y se multiplica el vector noche por una potencia de 1.55 que es lo
que consume cada dispositivo apagado
294. P4=(Pt.*S')+Noche;% se multiplica el vector de potencia de cada hora por el
dispositivos están apagados
295. disp 'potencia total ' ,(P4) %potencia total de cada hora
Parte 9
296. 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
297. plot(t,P4)%se grafica la potencia final de televisores vs el tiempo
Parte 10

consumida en entretenimiento Kw
300. Emes=Edia*30% energia mes consumida en entretenimiento en Kw
COCINA
En la parte 1 del código cocina se eliminan los datos impresos en pantalla y los valores de las
variables guardadas de programas anteriores, para evitar que las variables necesarias en el
programa presenten valores diferentes a los deseados. Posteriormente en la parte 2 se declaran dos
variables, un vector Y con dimensiones 1x24 que hace referencia a el porcentaje de uso por cada
hora del día establecido con la encuesta realizada sobre hábitos de consumo, posteriormente se
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 3 se establece un vector aleatorio X de cinco posiciones correspondiente a cada una de

las tecnologías, cada elemento del vector es hallado con el comando random con una distribución de
probabilidad normal establecida con los resultados de la encuesta, cada uno presenta la media y la
desviación estándar correspondiente a cada tecnología, esto se realiza con el objetivo de que la
Adicionalmente se establece J que representa la suma de la cantidad de todas las tecnologías.
Luego en la parte 4 posteriormente a establecer J que representa la suma total de tecnología se

evalúa que ese valor sea menor que 3 que de acuerdo a las encuestas son la cantidad de dispositivos
de cocina que la mayoría de usuarios presentan en sus hogares, en caso de que no cumpla el valor
entra a los ciclos while establecidos anteriormente en donde se rectifica el valor hasta que el valor se
encuentre entre el rango. Este vector X se imprime en pantalla y representa la capacidad instalada.
En la parte 5 de acuerdo a el valor arrojado al lugar del vector correspondiente a las estufas
eléctricas, en caso de ser 1 se realiza un random con una distribución binomial asignado con una
probabilidad de ocurrencia de acuerdo a los resultados de la encuesta, donde se establece el número
de puestos que posee la estufa que para este caso puede ser 1 o 2 puestos, este valor se representa
con la letra s y es impreso en pantalla.
En la parte 6 del código se procede a hallar un vector aleatorio de 24 posiciones con un valor entre 0
y 0,05 que será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o
disminuir el porcentaje de uso, además de esto el código establece que si uno de los valores se hace
menor que 0 no genera cambio en el vector J de porcentaje de uso, las variaciones se realizan
solamente en las horas de consumo de cocina establecidas con los resultados de la encuesta. Este
nuevo vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora, luego en la
parte 7 se halla la cantidad de dispositivos de cocina que se encienden en las horas de consumo,
multiplicando el vector de porcentaje de uso por el total de dispositivos instalados J, obteniendo como
resultado un vector de 24x1 representado por la letra F
La parte 8 realiza un ciclo for en el cual se determina por cada fila que los electrodomésticos de
cocina encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto
cada fila entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas
para que al final se genere un vector con dimensiones 24x5 cumpliendo que cada hora tenga la
cantidad de electrodomésticos de cocina establecidos en F pero sin superar la capacidad instalada X,
este vector se imprime en pantalla y presenta el nombre de g. La parte 9 propone que de acuerdo al
número de puestos se establece la potencia que posee la estufa. Luego en la parte 10 se multiplica el
vector de los elementos encendidos por hora g con el vector de la potencia de cada uno de las
tecnologías aquí se suman las potencias de cada hora, también se define un vector separando
solamente el vector del horno microondas, esto con el objetivo de observar las horas en que no se
utilizan y asignarle una potencia que consume el elemento en stand by, este vector se asigna con el
nombre de noche y toma valores múltiplos de 3 según el numero de hornos que se tengan instalados,
posteriormente se suman los vectores de potencia resultantes y se halla el vector de potencia P5 que
representa la potencia total por hora, este vector es impreso en pantalla.
La parte 11 del código representa la creación del vector de tiempo, que hace referencia a las 24 horas
del día iniciando desde 0 hasta 23, posteriormente a esto se grafica el vector de tiempo P5 con
respecto a el vector de tiempo hallado anteriormente. Finalmente, en la parte 12 se guarda el vector
P5 para poderlo utilizar en otros códigos, adicionalmente se halla la potencia en KW que consume el
usuario al día representado como Edia y con esto se establece la energía mensual como Emes.
119
120
Código Cocina
Parte 1
1. clear
2. clc
Parte 2
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
18. while (J<3);%siempre que J sea menor que 3

19.
X=[random('Bino',1,0.2435),random('Bino',1,0.087)+1,random('Bino',1,0
.4609),random('Bino',1,0.5478)];% vector de probabilidad normal de
ocurrencia por hora
20. J=sum(sum(X));%J representa la suma de los valores de Xn que dan la
capacidad instalada
21. end % se rectifica que lim sea mayor que 3
22. disp 'capacidad instalada', (X)% se imprime X que es la capacidad instalada
por tecnología
Parte 5
23. if X(1)>0 %si x(1) (estufa) es mayor que 0

24. s=random('Bino',1,0.20)+1; % numero aleatorio para determinar el número de
puestos 1=1p 2=2p
25. else %si X(1) es menor o igual a 0
26. s=0;% no tiene estufa
28. disp 'numero de puestos estufa',(s)% se imprime el número de puestos de la
estufa
121
Parte 6

33. T=(randn(1,24));% vector aleatorio de 24 posiciones con valores positivos y
negativos
34. T(T>0)=1; % se reemplaza de M los valores mayores que 0 por 1
35. T(T<0)=-1; % se reemplaza de M los valores menores que 0 por -1
36. YN1=Y+(W.*T); % se multiplica el vector de -1 y 1 por W y se le suma al
porcentaje de uso
37. YN1(YN1<0)=0; % los valores del vector que tomen valores negativos se hacen 0
38. A=[random('Bino',1,0.2) random('Bino',1,0.2) random('Bino',1,0.2) random('Bin
o',1,0.2) random('Bino',1,0.2) random('Bino',1,0.53) random('Bino',1,0.72) ra
ndom('Bino',1,0.72) random('Bino',1,0.72) random('Bino',1,0.2) random('Bino',
1,0.2) random('Bino',1,0.2) random('Bino',1,0.66) random('Bino',1,0.66) rando
m('Bino',1,0.66) random('Bino',1,0.46) random('Bino',1,0.46) random('Bino',1,
0.46) random('Bino',1,0.16) random('Bino',1,0.16) random('Bino',1,0.16) rando
m('Bino',1,0.2) random('Bino',1,0.2) random('Bino',1,0.2)];% vector de
probabilidad de uso en cada hora según la encuesta
40. while Asum>3; % siempre que Asum sea mayor a 3
41.
A=[random('Bino',1,0.2) random('Bino',1,0.2) random('Bino',1,0.2) rando
m('Bino',1,0.2) random('Bino',1,0.2) random('Bino',1,0.53) random('Bino
.2) random('Bino',1,0.2) random('Bino',1,0.2) random('Bino',1,0.66) ran
Bino',1,0.46) random('Bino',1,0.46) random('Bino',1,0.16) random('Bino'
,1,0.16) random('Bino',1,0.16) random('Bino',1,0.2) random('Bino',1,0.2
) random('Bino',1,0.2)];% vector de probabilidad de uso en cada hora
según la encuesta
43. end %se rectifica que Asum sea mayor que 3 equivalente al número de
apariciones
44. YN=A.*YN1; % se multiplica el vector de ocurrencia por el vector de
porcentaje de uso
45. disp 'porcentaje de uso',YN %porcentaje de uso de cada hora
Parte 7
46. %electrodomésticos encendidos

47. FN=round(J*YN); % multiplica la capacidad instalada por el porcentaje de uso
final y lo redondea
48. F=FN'; % el vector FN se acomoda de forma vertical
49. disp 'total electrodomésticos encendidos' ,(F) %electrodomésticos encendidos
total por hora
Parte 8
50. %cantidad de bombillos encendidos de cada tecnologia en cada hora

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
55. for i=1:24 % ciclo que recorre una matriz de manera vertical en 24 posiciones
horizontal
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
I1
66. N2=round(F(i)*Kn); % se multiplica Kn por la cantidad de dispositivos
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
variable I1
74. end% se rectifica el valor de I hasta que sea igual a G
78. N2=round(F(i)*Kn); % se multiplica Kn por la cantidad de televisores
horizontal
83. end % recifica el valor de N2 para que sea menor que X
I1
88. for e=1:4%ciclo que recorre valores de 1 a 4
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
123
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
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
111. N=round(F*Kn);% se multiplica el total de dispositivos encendidos por el
vector aleatorio haciendo que los valores no superen los dispositivos
120. end% recifica el valor de N2 para que sea menor que X
I1
125. N2=round(F(i)*Kn);% se multiplica Kn por la cantidad de dispositivos
horizontal
variable I1
137. N2=round(F(i)*Kn);% se multiplica Kn por la cantidad de bombillos
horizontal
124
variable I1
147. for e=1:4%ciclo que recorre valores de 1 a 4
151. E=sum(g);%suma de los dispositivos instalados por tecnologia
152. end% rectifica que los valores de E sean menores que V
154. disp 'electrodomésticos encendidos por tecnologia',(g)% imprime en pantalla
los dispositivos encendidos por tecnología
Parte 9
155. if s==1% Si s es igual a 1

156. l=1200;% se asigna una potencia de 1200
157. else % si s es diferente de 1
158. l=2400; % se asigna una potencia de 2400
Parte 10
160. Q=[0.30 0.09 0.05 0.05];% porcentaje de utilización en la hora

161. % potencia apagados
162. Y1=[0; 0; 0; 1];% se separa Y1 y se selecciona la posición de horno
microondas
163. N1=g*Y1;% se multiplica los dispositivos instalados por tecnologia por el
vector del horno microondas
164. Noche=(X(4)-N1)*3;%% se establecen las horas en que los hornos están apagados
y se multiplica el vector noche por una potencia de 3 que es lo que consume
cada horno apagado
165. P5=round(g*(Z.*Q)')+Noche;% se multiplica el vector de potencia de cada hora
por el porcentaje de uso por hora y se le suma el vector de la potencia
cuando los hornos están apagados
166. disp 'potencia total por hora',(P5)% se imprime la potencia total de los
dispositivos de cocina
Parte 11
167. t=[0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23];% vector de

tiempo
168. plot(t,P5)%se grafica la potencia final de cocina vs el tiempo
169. save P5% se almacena la matriz P5 para ser utilizada en otros codigos
Parte 12

consumida en cocina Kw
171. Emes=Edia*30% energia mes consumida en televisores en Kw
172. a=xlswrite('Libro1.xlsx',P5,1,'')% se almacena la simulación en un Excel con
el nombre de datos final.
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
Adicionalmente se establece J que representa la suma de la cantidad de todas las tecnologías.
Posteriormente de establecer J que representa la suma total de tecnología en la parte 4 se evalúa

que ese valor este entre 1 y 3 que de acuerdo a las encuestas son la cantidad de dispositivos de calor
que la mayoría de usuarios presentan en sus hogares, en caso de que no cumpla el valor entra a los
ciclos while establecidos anteriormente en donde se rectifica el valor hasta que el valor se encuentre
entre el rango. Este vector X se imprime en pantalla y representa la capacidad instalada por cada
tecnología.
En la parte 5 se procede a hallar un vector aleatorio de 24 posiciones con un valor entre 0 y 0,2 que
será la variación que presentara los porcentajes de uso, estos valores pueden aumentar o disminuir el
porcentaje de uso, además de esto el código establece que si uno de los valores se hace menor que
0 no genera cambio en el vector Y de porcentaje de uso, estos valores son establecidos como un
vector con probabilidad de ocurrencia en cada hora según lo establecido en la encuesta. Este nuevo
vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora. La parte 6
multiplica el vector de porcentaje de uso por hora YN con el valor de la suma de capacidad instalada
J obteniendo así la cantidad de elementos encendidos en cada hora, este es un vector con unas
dimensiones de 24x1, de acuerdo al número de horas del día, este vector se imprime en pantalla con
nombre F.
En la parte 7 se realiza un ciclo for en el cual se determina por cada fila que los dispositivos de calor
encendidos de cada hora sean de los que están instalados, en caso de no cumplir con esto cada fila
entran en los ciclos while en donde se rectifica cada vector, esto se realiza para las 24 horas para que
al final se genere un vector con dimensiones 24x3 cumpliendo que cada hora tenga la cantidad de
electrodomésticos de calor establecidos en F pero sin superar la capacidad instalada X, este vector
se imprime en pantalla y presenta el nombre de g.
La parte 8 multiplica el vector de los elementos encendidos por hora g con el vector de la potencia de
cada una de las tecnologías de calor, aquí se suman las potencias de cada hora. Adicionalmente a
esto se genera un vector Q que representa los minutos que se mantienen encendidos los dispositivos
de calor en los hogares, este vector se multiplica por Z que es la potencia de cada hora generando
así la potencia total consumida en cada hora. Este vector se imprime en pantalla como P7.
Finalmente en la parte 9 se guarda el vector P7 para poderlo utilizar en otros códigos, adicionalmente
se halla la potencia en KW que consume el usuario al día como Edia y con esto se establece la
energía mensual como Emes.
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
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

negativos
128
porcentaje de uso
33. while Asum>2;% siempre que Asum sea mayor a 2
34.
.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
36. end %se rectifica que Asum sea menor a 2
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
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
46. FN=ceil(J*YN);% se multiplica el total de computadores encendidos por el

vector aleatorio haciendo que los valores no superen los
computadores encendidos y se redondea al mayor
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
I1
63.
Kn=[random('Bino',1,0.8522),random('Bino',1,0.7130),random('Bino
',1,0.5739)];% vector de probabilidad de aparición de tecnologia
horizontal
variable I1
75.
Kn=[random('Bino',1,0.8522),random('Bino',1,0.7130),random('Bino
',1,0.5739)];% vector de probabilidad de aparición de tecnologia
horizontal
80. N2(f)=X(f); % N2 es igual a X
variable I1
130
90. disp 'eletrodomésticos encendidos por tecnologia',(g)% dispositivos de calor
por tecnologia
Parte 8
91. Q=[0.25 0.05 0.05];% porcentaje de utilización en la hora

92. P7=round(g*(Z.*Q)');% se multiplica el vector de los bombillos encendidos por
tecnologia por la potencia de cada tecnologia por el porcentaje de uso en la
hora
93. disp 'potencia total por hora',(P7)%potencia total de cada hora
94. t=[0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23];%vector de
tiempo
Parte 9

98. Emes=Edia*30% energia mes consumida en iluminacion Kw
ASEO
En la parte 1 del código aseo se eliminan los datos impresos en pantalla como también los valores
de las variables guardadas de programas anteriores para evitar que las variables necesarias en el
programa presenten valores diferentes a los deseados. Se declara en la parte 2 un vector Y con
dimensiones 1x24 que hace referencia a el porcentaje de uso por cada hora del día establecido con la
encuesta realizada sobre hábitos de consumo
En la parte 3 se realiza un random para escoger la cantidad de dispositivos de aseo que puede tener
en el hogar que puede variar entre 1 y 2, posteriormente si existe uno se escoge el tipo de tecnología,
esta puede ser ducha o calentador, si llegase a ser calentador se escoge que tipo de calentador.
Adicionalmente este valor se almacena en X, se imprime y representa la capacidad instalada de
dispositivos de aseo.
La parte 4 procede a hallar un vector aleatorio de 24 posiciones con un valor entre 0 y 0,05 que será
la variación que presentara los porcentajes de uso, estos valores pueden aumentar o disminuir el
porcentaje de uso, además de esto el código establece que, si uno de los valores se hace menor que
0 no genera cambio en el vector Y de porcentaje de uso, estos valores son establecidos como un
vector con probabilidad de ocurrencia en cada hora según lo establecido en la encuesta. Este nuevo
vector YN se imprime en pantalla y representa el porcentaje de uso en cada hora. En la parte 5 se
multiplica el vector de porcentaje de uso por hora YN con el valor de la suma de capacidad instalada
J obteniendo así la cantidad de elementos encendidos en cada hora, este es un vector con unas
dimensiones de 24x1, de acuerdo al número de horas del día, este vector se imprime en pantalla con
nombre F.
La parte 6 multiplica el vector de los elementos encendidos por hora g con él la potencia de cada una
de las tecnologías seleccionadas anteriormente, aquí se suman las potencias de cada hora.
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
4. a=random('Bino',1,0.36);% algo eléctrico

5. disp 'a',(a)% se imprime en pantalla si posee algún electrodoméstico
eléctrico
6. if a==1% si a es igual a 1
7. X=[random('Bino',1,0.11)+1,random('Bino',1,0.23)];% vector de probabilidad
para determinar si tiene ducha o calentador eléctrico
8. %x1= Ducha
9. %x2= calentador eléctrico
10. %iteracion de X
11. J=sum(sum(X)); %J representa la suma de los valores de Xn que dan la
12. if X(2)>0% si calentador eléctrico es 1
13. X(1)=0;% ducha es igual a 0
15. else %si a es calentador a gas
16. X=[1];% vector de capacidad es 1
17. J=1;% suma es igual a 1
19. disp 'capacidad instalada',(X)% imprime en pantalla la capacidad instalada
Parte 4

negativos
porcentaje de uso
133
31. while Asum>2 || Asum==0;% siempre que Asum sea igual a 0 o mayor a 2
32.
encuesta
apariciones
de uso
36. disp 'porcentaje de uso',(YN) %porcentaje de uso de cada hora
Parte 5
37. FN=ceil(J*YN);% multiplica la capacidad instalada por el porcentaje de uso

final y lo redondea
39. disp 'total dispositivos de aseo encendidos',(F) %electrodomésticos de aseo
encendidos total por hora
Parte 6
40. if length(X)>1% si el tamaño del vector es mayor a 1

41. if X(1)>0% si X en la posición uno es mayor a 1
42. Z=1500;% se asigna una potencia de 1500
43. Q=0.25;% se asigna un porcentaje de uso en la hora de 0.25%
44. else% si X en la posición uno es 0
45. Z=1800;%se asigna una potencia de 1800
46. Q=0.25;% se asigna un porcentaje de uso en la hora de 0.25%
48. else %si el tamaño del vector X e igual o menor a 1
49. Z=5;%se asigna una potencia de 5
50. Q=1;% se asigna un porcentaje de uso en la hora de 1
51. F=(linspace(1,1,24))';% se asigna el uso en todas las horas del día
53. P8=round(F*(Z*Q)');% se multiplica el vector de los bombillos encendidos por
tecnologia por la potencia de cada tecnologia y por el huso horario
54. disp 'potencia total por hora',(P8)%potencia total de cada hora
55. t=[0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23];% vector de
tiempo
Parte 7
134
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
4. %SN=random('Bino',1,0.3);
5. %if SN==1
6. s=[71.39 87.91 109.07 121.96 201.48 285.71 357.14 400 514.29 142.86 150 242.8
6 271.43 314.29];% vector de potencia por dispositivo
7. % cantidad por dispositivo
Parte 3
8. Y=0;% declaración de variable Y equivalente a lavadora

9. n=0;% declaracion de variable n equivalente a secadora
10. B=0;% declaracion de variable B equivalente a lavadora-secadora
11. C=[Y n B];% Y=LAVADORA n=SECADORA B=LAVA-SECADORA
12. X=random('Bino',1,0.8957);% probabilidad binomial de que se tenga una
lavadora
13. if X==1% Si X es igual a 1
14. Y=X;% Se asigna valor de 1 a la variable Y
15. n=random('Bino',1,0.0522);% probabilidad de que se tenga secadora
16. B=0;% se asigna un valor de 0 a la variable B
17. C=[Y n B];% se organiza el vector C con los dispositivos instalados
18. else % si X es igual a 0
19. Y=0;% se asigna un valor de 0 a la variable Y
20. n=0;% se asigna un valor de 0 a la variable n
21. B=1;% se asigna un valor de 1 a la variable B
22. C=[Y n B];% se organiza el vector C con los dispositivos instalados
24. disp 'capacidad instalada ',(C)%se imprime en pantalla la capacidad instalada
Parte 4
25. %cap instalada de cada tecnologia

26. Z1=[random('Bino',1,0.1574) random('Bino',1,0.3056) random('Bino',1,0.3611) r
andom('Bino',1,0.1574) random('Bino',1,0.0185)];% vector de probabilidad de
ocurrencia lavadoras
27. Z2=[random('Bino',1,0.1667) random('Bino',1,0.1667) random('Bino',1,0.3333) r
andom('Bino',1,0.3333)];% vector de probabilidad de ocurrencia secadoras
28. Z3=[random('Bino',1,0.5) random('Bino',1,0) random('Bino',1,0) random('Bino',
1,0.1667) random('Bino',1,0.3333)];% vector de probabilidad de ocurrencia
lavadora-secadora
29. Z=[Z1 Z2 Z3];% se organizan los tres tipos de tecnologías en un solo vector
30. z1=sum(Z1);%suma el numero de lavadoras instaladas
31. z2=sum(Z2);%suma el numero de secadoras instaladas
32. z3=sum(Z3);%suma el numero de lavadora-secadoras instaladas
33. z=[z1 z2 z3]; % se organiza la suma de las tres tecnologías en un vector
138
Parte 5
34. if C(1)==1;% si hay una lavadora instalada

35. while z1~=1% siempre que la suma de lavadoras sea diferente de uno
36.
Z1=[random('Bino',1,0.1574) random('Bino',1,0.3056) random('Bino',1,
0.3611) random('Bino',1,0.1574) random('Bino',1,0.0185)];% vector de
probabilidad de ocurrencia lavadoras
37. z1=sum(Z1);%suma el numero de lavadoras instaladas
38. end %rectifica la suma de lavadoras hasta que sea igual a 1
39. else% si no hay lavadoras instaladas
40. Z1=[0 0 0 0 0];% el vector de lavadoras se hace igual a 0
41. z1=sum(Z1);% la suma de lavadoras es igual a 0
Parte 6
43. if C(2)==1;% si hay una secadora instalada

44. while z2~=1% siempre que la suma de secadoras sea diferente de uno
45.
Z2=[random('Bino',1,0.1667) random('Bino',1,0.1667) random('Bino',1
,0.3333) random('Bino',1,0.3333)];% vector de probabilidad de
ocurrencia secadoras
46. z2=sum(Z2);%suma el numero de secadoras instaladas
47. end %rectifica la suma de secadoras hasta que sea igual a 1
48. else% si no hay secadoras instaladas
49. Z2=[0 0 0 0];% el vector de secadoras se hace igual a 0
50. z2=sum(Z2);% la suma de secadoras es igual a 0
Parte 7
52. if C(3)==1;;% si hay una lavadora-secadora instalada

53. while z3~=1% siempre que la suma de lavadora-secadora sea diferente de uno
54.
Z3=[random('Bino',1,0.5) random('Bino',1,0) random('Bino',1,0) rand
om('Bino',1,0.1667) random('Bino',1,0.3333)];% vector de
probabilidad de ocurrencia lavadora-secadora
55. z3=sum(Z3);%suma el numero de lavadora-secadoras instaladas
56. end %rectifica la suma de lavadoras-secadoras hasta que sea igual a 1
57. else% si no hay lavadora-secadora instaladas
58. Z3=[0 0 0 0 0];% la suma de lavadora-secadora es igual a 0
59. z3=sum(Z3);%suma el numero de lavadora-secadora instaladas
61. Z=[Z1 Z2 Z3];% se organizan los tres tipos de tecnologías en un solo vector
62. z=[z1 z2 z3]; % se organiza la suma de las tres tecnologías en un vector
63. disp 'cantidad por tecnologia',(Z)% cantidad de dispositivos por tecnología
Parte 8

65. J=[random('Bino',1,0.1652) random('Bino',1,0.1652) random('Bino',1,0.1652) ra
139
Bino',1,0.2435) random('Bino',1,0.2435)];
Parte 9
66. if sum(C)==2%si la suma de C sea igual a 2

67. Jsum=sum(J);% suma el vector de probabilidad de ocurrencia por hora
68. while Jsum~=3;% siempre que la suma de J sea diferente de 3
69.
J=[random('Bino',1,0.1652) random('Bino',1,0.1652) random('Bino',1,
0.1652) random('Bino',1,0.1652) random('Bino',1,0.1652) random('Bin
o',1,0.4348) random('Bino',1,0.4348) random('Bino',1,0.4348) random
('Bino',1,0.4348) random('Bino',1,0.5478) random('Bino',1,0.5478) r
andom('Bino',1,0.5478) random('Bino',1,0.3304) random('Bino',1,0.33
04) random('Bino',1,0.3304) random('Bino',1,0.3304) random('Bino',1
,0.3304) random('Bino',1,0.3304) random('Bino',1,0.3565) random('Bi
no',1,0.3565) random('Bino',1,0.3565) random('Bino',1,0.2435) rando
m('Bino',1,0.2435) random('Bino',1,0.2435)];
70. Jsum=sum(J); % suma el vector de probabilidad de ocurrencia por hora
71. end% rectifica que la suma de J sea igual a 3
Parte 10
72. else %si la suma de C es diferente de 2

74. while Jsum~=2;% siempre que la suma de J sea diferente de 2
75.
J=[random('Bino',1,0.1652) random('Bino',1,0.1652) random('Bino',1,
0.1652) random('Bino',1,0.1652) random('Bino',1,0.1652) random('Bin
o',1,0.4348) random('Bino',1,0.4348) random('Bino',1,0.4348) random
('Bino',1,0.4348) random('Bino',1,0.5478) random('Bino',1,0.5478) r
andom('Bino',1,0.5478) random('Bino',1,0.3304) random('Bino',1,0.33
04) random('Bino',1,0.3304) random('Bino',1,0.3304) random('Bino',1
,0.3304) random('Bino',1,0.3304) random('Bino',1,0.3565) random('Bi
no',1,0.3565) random('Bino',1,0.3565) random('Bino',1,0.2435) rando
m('Bino',1,0.2435) random('Bino',1,0.2435)];
77. end% rectifica que la suma de J sea igual a 2
79. disp 'porcentaje de uso',J %porcentaje de uso de cada hora
Parte 11
80. % cantidad utilizada por hora de cada dispositivo

81. FN=J;% FN es igual al vector de ocurrencia por hora
82. F=FN';% se acomoda de forma vertical el vector FN
84. if F(i)>0;%si F es mayor que 0
85. C2=[random('Bino',1,0.8) random('Bino',1,0.6) 1];%vector de probabilidad
de aparición alguna tecnologia
86. Ct=sum(C2);% Ct es igual a la suma del vector C2
87. while Ct~=F(i)%siempre que Ct sea diferente a F
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
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
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
Parte 12
103. % Potencia total

104. w=sum((g));% suma del vector g
105. Y1=[1; 0; 0];% se separa el vector de lavadora
106. Y2=[0; 1; 0];% se separa el vector de secadora
107. Y3=[0; 0; 1];% se separa el vector de lavadora-secadora
108. S1=[S(1) S(2) S(3) S(4) S(5)];% se separa el vector de potencia para lavadora
109. S2=[S(6) S(7) S(8) S(9)];% se separa el vector de potencia para secadora
110. S3=[S(10) S(11) S(12) S(13) S(14)];% se separa el vector de potencia para
lavadora-secadora
111. if w(1)>0%si se enciende lavadora
112. d1=g*Y1;% se multiplica la posición de lavadora en g por la hora encendida
113. b1=d1*S1;% se multiplica d1 por el vector de potencia de lavadora
114. else% si no enciende lavadora
115. b1= zeros(24,5);% se asigna un vector de 0 a lavadoras
117. if w(2)>0%si se enciende secadora
118. d2=g*Y2;% se multiplica la posicion de secadora en g por la hora encendida
119. b2=d2*S2;% se multiplica d2 por el vector de potencia de secadora
120. else% si no enciende secadora
121. b2= zeros(24,4);% se asigna un vector de 0 a secadoras
123. if w(3)>0%si se enciende lavadora-secadora
124. d3=g*Y3;% se multiplica la posicion de secadora en g por la hora encendida
126. if d3(i)==1% si d3 es igual a 1
127. break % se detiene
129. end %el ciclo finaliza cuando la condición d3 se cumpla
130. d3(i+1)=1;% donde se detiene el condicional se asigna a la siguiente i un
valor de 1
131. for j=i+2:24% el ciclo vuelve los demás valores del vector a cero
132. d3(j)=0;% cada valor después de i+2 se vuelve cero
133. end %el ciclo finaliza con j=24
134. b3=d3*S3;% se multiplica d3 por el vector de potencia de lavadora-secadora
141
135. else% si no enciende lavadora-secadora
136. b3= zeros(24,5);% se asigna un vector de 0 a lavadora-secadoras
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
141. 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
145. Emes=Edia*30% energia mes consumida en lavado en Kw
OTROS
En la parte 1 del código otros se definen tres vectores de potencia de los electrodomésticos que
siempre permanecen conectados o que necesitan recargar en horas de la noche como lo son el
celular, los routers instalados, y el despertador. Posteriormente en la parte 2 estas tres potencias se
suman y se guardan en el vector P10.
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
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
46. plot(t,P4,'c')% se grafica P4 vs t con color cyan
49. plot(t,P5,'m')% se grafica P5 vs t con color magenta
52. plot(t,P6,'y')% se grafica P6 vs t con color amarillo
145
55. plot(t,P7,'k')% se grafica P7 vs t con color negro
58. plot(t,P8,'o')% se grafica P8 vs t
61. plot(t,P9,'r')% se grafica P9 vs t con color rojo
64. plot(t,P10,'b')% se grafica P10 vs t con color azul
67. plot(t,Z1,'r')% se grafica Z1 vs t con color rojo
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.
ANEXO IX. CUADRO DE ENTRADAS Y SALIDAS DE CADA CÓDIGO
DATOS DE ENTRADA DATOS DE SALIDA

1.Capacidad instalada de cada
tecnología
hora
1. Porcentaje de uso por hora.
3.Bombillos encendidos en total
2.Potencia por tipo de tecnología
por hora
ILUMINACIÓN 3.Vector de probabilidad de uso
4.Bombillos encendidos por
por hora de iluminación
tecnología
4.Vector de tiempo (0 a 23)
7.Energia mes consumida en
iluminación KW
1.Capacidad instalada por
tecnología
2.Porcentaje de uso final de los
televisores
1.Porcentaje de uso por hora 3.Cantidad de televisores
2.Potencia por tipo de tecnología encendidos en cada hora
TELEVISORES 3.Vector de probabilidad de uso 4.Televisores encendidos por
por hora de televisores tecnología
5.Grafica la potencia final de
televisores vs tiempo
televisores en KW
1.Capacidad instalada de cada
1. Porcentaje de uso por hora tecnología
2.Potencia por tipo de tecnología 2.Porcentaje de uso final de los
COMPUTADORES 3. Vector de probabilidad de uso computadores
por hora de televisores
3.Computadores encendidos por
hora
146
4.Computadores encendidos por
tecnología
6.Grafica potencia final de
computadores vs el tiempo
7.Energía mes consumida en
computadores en KW
1. Capacidad instalada de video

2.Capacidad instalada de sonido
hora
1. Porcentaje de uso por hora
5.Cantidad total encendida
2.Potencia por tipo de tecnología
6.Dispositivos encendidos por
ENTRETENIMIENTO 3. Vector de probabilidad de uso
tecnología
por hora de entretenimiento
entretenimiento vs el tiempo
entretenimiento en KW

hora
2.Electodoesticos encendidos
total por hora
1.Porcentaje de uso diario
3.Dispositivos encendidos por
2.Potencia por electrodoméstico
tecnología
COCINA 3.Porcentaje de utilización en la
4.Potencia total de los dispositivos
hora
de cocina
cocina vs el tiempo
cocina en KW
1.Numero de neveras instaladas
2.Tipo de tecnología de la nevera
instalada
1.Potencia de neveras Frost
3.Potencia total de nevera
NEVERA 2.Potencia de neveras No- Frost
nevera vs el tiempo
nevera en KW
1. Capacidad instalada de cada
tecnología calor
1.Porcentaje de uso diario
hora
2.Potencia por electrodoméstico
3.Dispositivos de calor total por
CALOR 3.Porcentaje de utilización en la
hora
hora
4.Dispositivos de calor por
tecnología
147
calor kW
1. Capacidad instalada
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
iluminación KW
1.Capacidad instalada
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
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
ANEXO X. POTENCIA PROMEDIO CONSUMIDA NEVERAS

Dimensiones kW W W
Tecnologia
(ft3) DIA HORA REAL
frost 2-7 1,23 51,39 154,2
frost 8-9 1,30 54,17 162,5
frost 10 - 12 1,37 56,94 170,8
frost Nevecón 2,73 113,9 341,7
No frost 2-7 0,86 35,97 107,9

No frost 8-9 0,91 37,92 113,8
No frost 10 - 12 0,96 39,86 119,6
No frost Nevecón 1,91 79,7 239,2
148
ANEXO XI. POTENCIA PROMEDIO CONSUMIDA DISPOSITIVOS DE LAVADO
Potencia
Dispositivo SEMANA (W) DIA (W) HORA (W)
Nominal (W)
Lavadora
18-20 Lb 249,86 999,45 142,78 71,39
22 a 24 Lb 307,70 1230,81 175,83 87,91
25 a 28 Lb 381,74 1526,94 218,13 109,07
30 a 36 Lb 426,85 1707,40 243,91 121,96
Mas de 36 Lb 705,17 2820,68 402,95 201,48
Secadora
7 kg 1000,00 4000,00 571,43 285,71
8 kg 1250,00 5000,00 714,29 357,14
11 kg 1400,00 5600,00 800,00 400,00
Más de 12 kg 1800,00 7200,00 1028,57 514,29
Lavadora-Secadora
7 a 10 kg 500 2000 285,71 142,86
11 a 12 kg 525 2100 300,00 150,00
13 a 14 kg 850 3400 485,71 242,86
15 a 18 kg 950 3800 542,86 271,43
Más de 18 kg 1100 4400 628,57 314,29
ANEXO XII. HISTORICO DE PRECIOS DEL KWH
2013 2014 2015 2016

MES
$ $ $ $
Enero 366,19 358,73 379,57 436,05
Febrero 358,7 359,55 379,77 446,74
Marzo 345,03 374,48 387,46 466,53
Abril 363,97 368,73 400,1 447,38
Mayo 395,82 376,1 387,14 437,02
Junio 354,93 383,62 393,82 429,85
Julio 341,27 391,3 387,01 438,96
Agosto 369,5 399,12 393,96 445,38
Octubre 347,27 399,12 409,8 432,98
Noviembre 355,58 399,12 423,53 441,98
Diciembre 351,67 368,12 426,8 454,22
149

Hernandez Hernandez Kelly Alexandra 2017

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Hernandez Hernandez Kelly Alexandra 2017

Загружено:

Авторское право:

Доступные форматы

ANÁLISIS DE LA CURVA DE DEMANDA ELÉCTRICA PARA USUARIOS RESIDENCIALES

ESTRATO 4 EN LA CIUDAD DE BOGOTÁ ANTE DIFERENTES ESCENARIOS DE LOS

KELLY ALEXANDRA HERNÁNDEZ HERNÁNDEZ

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

KELLY ALEXANDRA HERNÁNDEZ HERNÁNDEZ

Proyecto de Grado presentada para obtener el título de:

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ de caldas

Quiero dedicarle este trabajo a Dios

A nuestros padres Maria Alcira

Y a nuestros docentes el doctor

Este proyecto de grado presenta resultados del proyecto de investigación "Desarrollo de un

CONSUMO ELÉCTRICO: Es la acción de consumir o absorber energía eléctrica en un tiempo

CONFORT: Es todo aquello que trae conformidad y comodidad [3].

DEMANDA ELÉCTRICA: Es la cantidad de potencia eléctrica que un consumidor utiliza en un

DESVIACIÓN ESTÁNDAR: Se utiliza para cuantificar un intervalo de confianza o límite de

ESTIMACIÓN DE LA DEMANDA ELÉCTRICA: Consiste en implementar, modificar o proponer

ESTADÍSTICA DESCRIPTIVA: Es la parte de la Estadística que proporciona métodos para

ESTADÍSTICA INFERENCIAL: Es la parte de la Estadística que proporciona métodos para

ENERGÍA ELÉCTRICA: Es la consecuencia del movimiento de las carga eléctricas [3].

ENCUESTAS: Es el acopio de datos obtenidos mediante consulta o interrogatorio, referentes a

MUESTRA DE INDIVIDUOS: Es un subconjunto o parte de una población de individuos [5].

POBLACIÓN DE INDIVIDUOS: Es el conjunto de todos los elementos sobre los cuales se

VARIABLE O CARACTERÍSTICA: Es una característica de un fenómeno observable en los

VARIABLE ESTADÍSTICA: Es una representación, a través de números u otros símbolos, de

VARIANZA: valor constante que mide la dispersión (variabilidad) de la evolución de un proceso

El modelo se realizó mediante el software Matlab®, donde se representa la curva de demanda

Después de evaluar los 15 escenarios, se observa que en un escenario en el cual busca un

PALABRAS CLAVE: Demanda de energía, Hábitos de consumo, Mediciones, Casos de estudio,

KEYWORDS: Demand, Consumer habits, Measurements, Case studies, Scenarios, Model.

En un país con tantas diferencias en su geografía como lo es Colombia, resulta imposible

El sector residencial tiene un papel importante en la demanda de electricidad, que en Colombia

Este proyecto de grado presenta resultados del proyecto de investigación "Desarrollo de un

Disminuir el consumo individual de energía significa revisar la satisfacción personal de la

A partir de lo anterior se formula la siguiente pregunta:

Figura 2. Metodología. Imágenes tomadas de [16]

Teniendo en cuenta que cada electrodoméstico tiene un comportamiento de consumo diferente,

Finalmente, se obtuvieron las nuevas curvas de consumo resultado de las simulaciones y a

1.1. CURVA DE LA DEMANDA ELÉCTRICA

1.2. DEMANDA DE ENERGÍA ELÉCTRICA RESIDENCIAL

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

1.3.1. Dispositivos de uso común

1.3.2. Hábitos de consumo

El comportamiento relacionado con el consumo de energía en los hogares, puede clasificarse

1.4.1.2. Medidas de dispersión o variabilidad

 ), y el promedio de los  datos respecto a su media se

denomina desviación media.

restadas, y se obtiene el promedio utilizando n − 1, como se muestra en la ecuacion (3)

La varianza de una muestra o conjunto de datos es la desviación promedio de los valores

1.4.2. Estadística inferencial

- Definir la población en estudio especificando las unidades que la componen, el área

1.4.2.2. Estadísticos y distribuciones muéstrales

A la distribución de un estadístico calculado a partir de los valores tomados de una muestra se

1.4.2.3. Distribuciones muéstrales de la media y la desviación estándar

Al analizar una distribución nos interesa:

- La forma, sea simétrica o sesgada

El resultado es importante en estimación ya que, aunque la media poblacional y la media

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

1.4.2.4. Estimadores de los parámetros de las distribuciones discretas más usuales

Binomial: Si se toman muestras de poblaciones infinitas o se realiza un muestreo con

2.1. DESCRIPCIÓN DE LA ENCUESTA

La primera fase de la encuesta se presenta en el Anexo I, se recopiló información sobre:

• Aspectos demográficos básicos,

En la segunda fase de la encuesta, presentada en el

• Cantidad, Tipo y Potencia de los dispositivos de iluminación disponibles en el hogar

), y el promedio de los datos respecto a su media se

34. P(i)= sum(p6(1,[1+(6(i-1)):6(i)]))/6;% agrupa en un vector el