IEEE Power & Energy Magazine - Spanish - November/December 2022 - 58

que los operadores del sistema eléctrico podrían aprovechar
para el análisis del impacto.
Desarrollo de un centro de datos
de código abierto de varios dominios
Agregamos los datos de carga y generación de electricidad de
siete mercados eléctricos, incluidos California (CAISO), Midcontinent
(MISO), Nueva Inglaterra (ISO-NE), Nueva York
(NYISO), Pennsylvania-New-Jersey-Maryland (PJM), Southwest
Power Pool (SPP) y Texas (ERCOT). Para obtener una
visión transversal que permita comprender cómo un evento
tan extremo afectó al consumo de electricidad, integramos los
datos climáticos, los datos de imágenes por satélite, los datos
de salud pública y los datos de localización de los dispositivos
móviles en el territorio de estos mercados. En particular,
definimos varios indicadores mediante el procesamiento de los
datos de localización de los dispositivos móviles, entre ellos la
" población que se queda en casa " , " número de trabajadores in
situ " y la " movilidad en el sector comercial minorista " , que se
consideran los factores clave que influyen en el análisis.
En este caso, para ofrecer una representación intuitiva
de la reducción significativa del consumo de electricidad,
visualizamos la intensidad de la luz nocturna en la figura 2
mediante el uso de datos de la luz nocturna procedentes de
imágenes por satélite. El resultado de un análisis posterior
es que la tasa de cierre de la actividad comercial es un factor
clave para el cambio del consumo de electricidad.
Cuantificación de los cambios en el consumo
de electricidad en los Estados Unidos
A partir de los datos históricos agregados, cuantificamos los
impactos de la COVID-19 en el sector eléctrico diseñando
un modelo backcast para estimar el consumo eléctrico
contrafáctico. En concreto, el objetivo del desarrollo de un
modelo backcast es proporcionar una referencia estadísticamente
robusta del consumo de electricidad en ausencia de
la COVID-19 que permita cuantificar la reducción del consumo
de electricidad. El modelo backcast es un conjunto de
múltiples redes neuronales, cada una de las cuales es una
función que asigna varios factores potenciales, como las
variables climáticas, la fecha y la economía, al consumo de
electricidad estimado. El resultado final del modelo backcast
se calcula promediando los resultados de varias redes
neuronales.
Primero analizamos la reducción del consumo de electricidad
en el estado de Nueva York. Presentamos la comparación
entre la referencia contrafáctica estimada para 2020,
los perfiles de consumo diario de electricidad reales en 2020
y los datos históricos en 2019 en la figura 3. La estrecha
coincidencia entre las curvas contrafáctica y real en 2020
antes de la COVID-19, junto con los patrones similares de
las curvas contrafácticas durante la COVID-19 y las curvas
históricas en 2019, demuestra que el modelo backcast puede
estimar de manera confiable el consumo de electricidad en
ausencia de la COVID-19. Asimismo, en la tabla 1, se muestra
el cambio estimado en el consumo de electricidad en siete
mercados eléctricos y cuatro ciudades ilustradas para comparar
el impacto de la COVID-19 en los diferentes mercados
y ciudades.
Todos los mercados experimentaron una reducción del
consumo de electricidad tanto en abril como en mayo de
2020, pero con diversas magnitudes de las reducciones:
MISO y NYISO sufrieron la reducción más significativa,
mientras que SPP y ERCOT experimentaron la menor. Por
Manhattan
Union City
Queens
a.
Manhattan
Union City
Queens
Brooklyn
Brooklyn
1
2,250
(a)
Intensidad promedio
257 nW·cm-2·sr-1
1
2,250
(b)
figura 2. Una comparación del consumo nocturno de electricidad antes y durante la pandemia de la COVID-19 en la
ciudad de Nueva York mediante datos de imágenes por satélite. (a) Intensidad de la luz nocturna a la 1 a.m. del 8 de
febrero de 2020. (b) Intensidad de la luz nocturna a la 1 a.m. del 25 de abril de 2020.
58
ieee power & energy magazine
noviembre/diciembre 2022
Intensidad promedio
155 nW·cm-2·sr-1

IEEE Power & Energy Magazine - Spanish - November/December 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - November/December 2022