IEEE Power & Energy - Spanish - May/June 2018 - 66
orientados a la similitud se incluye el índice de davies Boul- din (dBI, por sus siglas en inglés), el índice de idoneidad media (mIa, por sus siglas en inglés), el indicador de disper- sión de agrupamiento (cdI, por sus siglas en inglés) y otros. entre los índices orientados a la clasificación se incluye la pureza, la recuperación y la precisión F, entre otros. Finalmente, el análisis de grupos de consumo de elec- tricidad se puede aplicar con varios propósitos, como el reconocimiento del patrón de carga, la evaluación del poten- cial de respuesta a la demanda, la gestión de la eficiencia energética, la fijación de tarifas, la predicción de carga y la identificación de información sociodemográfica de los con- sumidores. por ejemplo, los consumidores que no tienen una ocupación de tiempo fijo, acceso a la red ni computadoras (por ejemplo, los campesinos) podrían mostrar un consumo más alto a mediodía; los consumidores que tienen computa- doras (por ejemplo, los trabajadores de oficina) podrían mos- trar un consumo de electricidad más alto por la noche; y los consumidores que tienen acceso a una red pero no tienen una ocupación de tiempo fijo (por ejemplo, los jóvenes en línea) podrían mostrar un consumo de electricidad más alto antes del amanecer. por lo tanto, se puede detectar la correspondencia entre los patrones de carga obtenidos por el agrupamiento y la información sociodemográfica de los consumidores. state Grid Jiangsu electric power company está innovando en las aplicaciones de respuesta a la demanda en china, espe- cialmente para los grandes consumidores. existen dos módu- los de software de agrupamiento integrados en un sistema de programación de respuesta a la demanda en la provincia de Jiangsu. el primero es el módulo de evaluación potencial de respuesta a la demanda; este módulo adopta tres medidas para evaluar el potencial de respuesta a la demanda de los residentes, de los edificios comerciales y de los consumi- dores industriales. en primer lugar, se extraen los patrones de consumo de electricidad básicos a través de los perfiles de carga históricos de agrupamiento. después de eso, se comparan los patrones de carga extraídos entre los distin- tos consumidores y en diferentes días. Finalmente, aque- llos consumidores que tienen una carga altamente volátil y patrones bajos de consumo de electricidad base son identificados como consumidores potenciales de respuesta a la demanda. el segundo es un módulo de predicción de carga para grandes consumidores. el módulo adopta los patrones de consumo básicos de cada consumidor a partir de los datos de carga históricos para establecer un modelo de markov y des- cribir la norma de cambio de un patrón a otro. Finalmente, el módulo predice el perfil de carga del día siguiente según el modelo de markov. el Gráfico 4 muestra los resultados de predicción de carga de grandes consumidores por agru- pamiento, de la provincia de Jiangsu. en comparación con un método de máquina de vectores de soporte (sVm, por sus siglas en inglés), el método de agrupamiento muestra un funcionamiento superior, como lo indica la distancia menor entre la carga real y la predicha. 66 ieee power & energy magazine Simulación de producción de energía renovable debido a la incertidumbre de la producción, la variabilidad y las correlaciones complejas de los recursos de energía renova- ble, acomodar las altas proporciones de energía renovable ha sido un desafío importante para la industria de la potencia. se puede usar el análisis de "big data" en el análisis, la predicción y la simulación de energía renovable para seguir aumentando su incorporación. en particular, el análisis de "big data" ha contribuido a la simulación de producción de energía reno- vable y se ha integrado en los procesos de toma de decisiones para la planificación de los sistemas de potencia. recientemente, china ha registrado un aumento en el despliegue de turbinas eólicas y tecnologías solares fotovol- taicas (FV). a finales de 2016, las capacidades instaladas de potencia eólica y solar alcanzaron los 169 GW y 77 GW, respectivamente. además de la necesidad de predicción de la energía renovable a corto plazo, la industria de la potencia necesita la serie de salidas cronológicas de potencia eólica y FV, necesaria para la generación y planificación de redes y para determinar los modos de funcionamiento de los sistemas de potencia en el futuro. la industria no puede simplemente usar datos históricos porque ✔ el desarrollo de generación eólica y solar es tan rápido que los datos históricos acumulados de potencia eóli- ca y FV no son suficientes para que el modelo físico simule la producción FV y de potencia eólica ✔ la potencia eólica y solar han estado tan restringidas en los últimos años que las mediciones en tiempo real no reflejan con precisión el potencial de salidas exis- tentes de potencia eólica y solar; por ejemplo, las me- diciones fluctúan normalmente menos que la salida potencial libre completa debido a que la salida está restringida. por lo tanto, la industria debe basarse en el análisis para generar dicha serie de salidas cronológicas. algunas instituciones han dedicado muchas actividades de investigación a la simulación de generación de potencia eólica y FV. el Gráfico 5 muestra la plataforma Herramienta de planificación Óptima de redes desarrollada por la uni- versidad de tsinghua; (a) y (b) son las interfaces de usua- rio básicas, y (c) y (d) son las salidas simuladas de potencia eólica y FV, respectivamente, de diez sitios. estas salidas se han aplicado ampliamente a la planificación y a las operacio- nes de los sistemas de potencia. el desafío principal de simular una salida de energía reno- vable es la consideración de las características estocásticas, las características de volatilidad y las dependencias tempo- rales y espaciales de las velocidades eólicas y las radiaciones solares en diferentes sitios. es incluso más difícil considerar conjuntamente todos estos aspectos de forma simultánea. normalmente, es posible que un método que captura bien una característica no pueda incorporar las demás. para simular salidas de potencia eólica, primero comen- zamos con una generación de perfil de velocidad eólica. la mayo/junio 2018