Escuela Politécnica Nacional PED312-2017A

Departamento de Ingeniería Eléctrica

Análisis de Fallas en SED 04/08/2017

PROYECTO N°1

Realizado por: Schuberth José Villacreses Coral

Modeling and Forecastin Hourly Load by Multiple Linear Regression with

Interactions
Objetivo: Presentar el avance del proyecto correspondiente a la catedra de Análisis de
fallas, orientado al análisis de Datos, del modelamiento y pronóstico de carga basado
en temperatura.
1. Introducción:
La predicción de la capacidad de una planta eléctrica esta determinad por el proceso de
planificación, la calidad de la predicción dependerá de os datos utilizados, La predicción
se utiliza en los departamentos de planificación, operación y departamento de
explotación. Los sistemas de transmisión y distribución requieren de la predicción para
efectos de planificación de nuevas instalaciones y actualizaciones la red existente.
También interviene en decisiones de operación y manteamiento para verificación
horarios de mantenimiento interviene en planeamiento de inversión de proyectos a largo
y mediano plazo así como decisiones de adquisición y renovación de equipos.
2. Clasificación de las predicciones:
Se utilizan diferentes variables para predicción para diferentes propósitos, las
predicciones no solo son afectadas por los negocios sino también por otras variables
como clima, temperatura, humedad, lluvia, viento, actividades humanas.
3. Variables de ambientales
Es bien conocido que la carga está fuertemente afectada por el ambiente, especialmente
en áreas donde la generación es usada. Se utiliza datos tale como humedad, velocidad
del viento, nieve, temperatura, punto de roció, índices de temperatura humedad THI.
Hay varios caminos para aceptar la temperatura información en el modelo, hora actual
temperatura, hora previa temperatura, la diferencia entre las últimas horas y la actual,
máxima, mínima o promedio de las temperaturas durante las últimas horas etc. La
Relación entre carga y temperatura ha sido interpretada y modelada diferentemente y
se han planteado soluciones poligonales, en el presente trabajo se presenta mediante
la regresión lineal múltiple.
4. Análisis de relaciones y Modelamiento
En el paper se presenta diferentes relaciones planteadas como son la denominada
tendencia (TREND), la cual asigna un número a cada valor de la tabla de datos, se
presenta la fecha distribuida en año/mes/día/hora, de la cual se obtiene vectores para
el análisis. Adicionalmente se cuenta con los datos de temperatura horaria y la carga en
cada hora.

Profesor: Franklin Quilumba Ph.D. 1

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Las variables de mes es llevada a su equivalente numérico así como las horas, también
se determinan las variables de temperatura que pueden ser mayor a 65 °F o inferior
asignando valores de 1 o 2 según corresponda el caso.
Cada una de estos datos son llevados a forma vectorial para el análisis, adicionalmente
se plantean un conjunto de relaciones necesarias como son, la diferencia de
temperatura entre cada hora, y el modelamiento de los días se realiza en sus dos formas
la primera considerando tres estados (días de la semana, sábados y domingos) y la
segunda denominada en cuatros estados (domingo, lunes, días de la semana y
sábados), con las diferentes variables creadas y sus relaciones se planean y evalúan
los modelos de la tabla 1.

Tabla 1
5. Implementación de Código y Consideraciones para ingreso de datos
Se Implementó el código mediante un archivo principal llamado
PROYECTO_VILLACRESES, es en este donde se toman los datos desde el archivo
demo_data, los cuales contiene información referente en su primera columna a fecha
con formato dd/mm/aaaa, en su segunda columna tiene las horas, en su tercera columna
tiene los temperatura y en su cuarta columna información de carga.

Date Hour Temperature.F Load.kW

01/01/2004 1 37 12094
01/01/2004 2 37 11390
01/01/2004 3 39 10883
01/01/2004 4 38 10644
01/01/2004 5 37 10633
01/01/2004 6 36 10891
01/01/2004 7 35 11376
01/01/2004 8 35 11677
Tabla2. Ejemplo de distribución de datos en demo_data
Mediante esta distribución se utiliza la función “xlsread” mediante a cual se extrae la
información en forma de columnas con formato de texto y con formato de números. El
formato de fecha mediante la función datevec, la cual genera un vector con una fila de
año, mes y día, para luego ser convertidos aun número real datenum.
Para el análisis de los datos se utilizan funciones de grafica denominadas.
- GRLT: grafico de carga vs tiempo, grafico de temperatura vs tiempo, grafico
temperatura vs carga.

Profesor: Franklin Quilumba Ph.D. 2

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

- GRLTmes: para graficas temperatura vs carga para cada mes

- GRLThora: para graficas de temperatura vs carga en cada hora.

A continuación se presenta los resultados obtenidos en cada una de las gráficas

generadas.

Figura 1. Carga vs tiempo fecha

Figura 2. Temperatura vs Fecha tiempo

Profesor: Franklin Quilumba Ph.D. 3

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Figura 3. Carga vs Temperatura

Figura 4.es la gráfica individual por meses de la carga vs Temperatura

Profesor: Franklin Quilumba Ph.D. 4

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Figura 5. Es la agrupación por horas de la Carga vs Temperatura

6. Implementación de Código para generación de Datos necesarios en el
estudio
Se generan diferentes tipos de variables tomando en cuenta las observaciones de
temperatura (TMP), temperatura al cuadrado (TMP2), temperatura discreta 65°C
(TMPID), hora (HORA), mes (MES), esta es la diferencia entre temperaturas
consecutivas (DTMP). A partir de estas variables se generan variables a ser utilizadas
en el estudio de donde se definen las siguientes variables:
- TMP= variable que define la temperatura en °F
- TMP2= es el cuadrado de TMP
- TMPID= es una variables de reasignación generada a partir de la identificación
de valores de temperatura mayores a 65 °F (se coloca en valor de1) y valores
menores que 65°f (se coloca el valor de 2)
- DTMP= variable que tiene asociado la diferencia de temperatura entre horas
consecutivas en °F
- TIT1=TMP.*TMPID;
- TIT2=TMP2*TMPID
- TI1=TMP*TMPID*MES
- TI1=TMP.*TMPID.*MES;
- TI2=TMP2*TMPID*MES
- TI2=TMP2.*TMPID.*MES;
- TI3=TMP*TMPID*HORA
- TI3=TMP.*TMPID.*HORA;
- TI4=TMP2*TMPID*HORA
- TI5=DTMP*TMPID*HORA;
Adicionalmente se considera la diferencia entre lo que es un día laborable de un fin de
semana, mediante las variables, en las cuales se utiliza la función WEEDAY para
generarlas. Esta considera dos modelos propuestos el primero discrimina entre días

Profesor: Franklin Quilumba Ph.D. 5

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

domingos, sábados y laborables este modelo es llamado D1 y el segundo modelo

considera domingos, sábado, lunes, resto de días laborables.

- TI6=n_dia.*HORA
- TI7=n_dia1.*HORA
Donde:
D1: N_dia es un vector de asignación que considera domingo (3), sábado (2), resto de
días (1)
D2: N_dia1 es un vector de asignación que considera domingo (4), sábado (3), resto de
días (2), lunes (1)
7. Implementación de Código para valores theta y regresión lineal múltiple
De acuerdo al documento de análisis en el cual se utilizó como referencia para este
trabajo se tienen definidos nueve modelos para la aplicación de la regresión lineal, cada
modelo considera un grupo de variables a ser utilizadas y se fueron presentados en la
tabla 1. A continuación se presentan los resultados y la descripción del modelo
analizados. En las figuras se representa en rojo los valore medidos para el año 2008-
2009 y en verde la proyección para los diferentes modelo implementados
Modelo 1 (MD1): Este es el modelo más simple utiliza las variables de tiempo (FECHA)
y de carga para su proyección los resultados de la aplicación lineal indican una línea
resta lo cual indica que no existe una relación lineal entre estas dos variables, el
resultado de la simulación se muestra en la figura siguiente.

Figura 6. Proyección de demanda modelo MD1 2008

Modelo 2 (MD2): Este es el modelo utiliza las variables de tiempo (FECHA), TIT1 Y
TIT2 y la carga para su proyección los resultados el resultado de la simulación se
muestra en la figura siguiente.

Profesor: Franklin Quilumba Ph.D. 6

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Figura 7. Proyección de demanda modelo MD2 2008

Modelo 3 (MD3): Este es el modelo utiliza las variables de tiempo (FECHA), TIT1 Y
TIT2, MES y la carga para su proyección los resultados el resultado de la simulación se
muestra en la figura siguiente.

Figura 8. Proyección de demanda modelo MD3 2008

Modelo 4 (MD4): Este es el modelo utiliza las variables de tiempo (FECHA), MES, TI1,
TI2 y la carga para su proyección los resultados el resultado de la simulación se muestra
en la figura siguiente.

Profesor: Franklin Quilumba Ph.D. 7

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Figura 9. Proyección de demanda modelo MD4 2008

Modelo 5 (MD5): Este es el modelo utiliza las variables de tiempo (FECHA), MES, TI1,
TI2, HORA y la carga para su proyección los resultados el resultado de la simulación se
muestra en la figura siguiente.

Figura 10. Proyección de demanda modelo MD5 2008

Profesor: Franklin Quilumba Ph.D. 8

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Modelo 6 (MD6): Este es el modelo utiliza las variables de tiempo (FECHA), MES, TI1,
TI2, HORA, TI3, TI4 y la carga para su proyección los resultados el resultado de la
simulación se muestra en la figura siguiente.

Figura 11. Proyección de demanda modelo MD6 2008

Modelo 7 (MD7): Este es el modelo utiliza las variables de tiempo (FECHA), MES, TI1,
TI2, HORA, TI3, TI4, TI5 y la carga para su proyección los resultados el resultado de la
simulación se muestra en la figura siguiente.

Figura 12. Proyección de demanda modelo MD7 2008

Profesor: Franklin Quilumba Ph.D. 9

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Modelo 8 (MD8): Este es el modelo utiliza las variables de tiempo (FECHA), MES, TI1,
TI2, HORA, TI3, TI4, TI5, TI6 y la carga para su proyección los resultados el resultado
de la simulación se muestra en la figura siguiente.

Figura 13. Proyección de demanda modelo MD8 2008

Modelo 9 (MD9): Este es el modelo utiliza las variables de tiempo (FECHA), MES, TI1,
TI2, HORA, TI3, TI4, TI5, TI7y la carga para su proyección los resultados el resultado
de la simulación se muestra en la figura siguiente.

Figura 14. Proyección de demanda modelo MD9 2008

Profesor: Franklin Quilumba Ph.D. 10

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

8. Resultados
Se tiene hasta el momento las gráficas correspondientes a la modelación de las
diferentes variables planteadas así como las funciones de regresión lianas para algunos
modelos planteados. Código principal, el código principal permite el ingreso de datos
desde el Excel _ demo_data, los lleva a vectores y a las fecha las lleva a valores
numéricos tratables como variables

Figura 15. Esta es la representación de la carga real vs tiempo y la simulada con el

valor de Th (la primera en rojo la segunda en verde)
Se presenta el análisis de lo la comparación de los resultados obtenidos de donde se
obtiene la siguiente tabla en la cual se presentan las variables de evaluación R2, MAPE
y STD

Figura 16. Tabla de resultados comparativos entre los diferentes modelos y evaluación
de resultados

Profesor: Franklin Quilumba Ph.D. 11

 Escuela Politécnica Nacional PED312-2017A
Departamento de Ingeniería Eléctrica
Análisis de Fallas en SED 04/08/2017

Adj. R-Square MAPE STDAPE

MD1 -0.0078 14.8871 1.3814
MD2 0.2412 13.6273 1.2645
MD3 0.2451 13.6140 1.2633
MD4 0.2259 13.6485 1.2665
MD5 0.4321 11.5301 1.0699
MD6 0.4556 11.3247 1.0508
MD7 0.4558 11.3215 1.0505
MD8 0.4923 10.7773 1.0000
MD9 0.4582 11.2801 1.0467

9. Conclusión
De los resultado obtenidos e comprueba que la aplicación de un modelo lineal
multivariables al problema no lineal de carga vs temperatura es posible mediante la
generación de las variables adecuadas como son la consideración de rangos de tiempo,
días de la semana, diferencias entre mediciones, etc. la aplicación de la evaluación
indica que el modelo, es adecuado para el estudio es el modelo MD8 el cual considera
los días con su modelo D1.

Profesor: Franklin Quilumba Ph.D. 12