Upload
mohawk
View
34
Download
0
Embed Size (px)
DESCRIPTION
CLIMATOLOGÍA Climatología regional. Consumo eléctrico y Clima Enric Valor i Micó Departament de Física de la Terra i Termodinàmica Universitat de València. ÍNDICE. 1.- Motivación del estudio 2.- La demanda de electricidad en España 3.- Las variables meteorológicas - PowerPoint PPT Presentation
Citation preview
Consumo eléctrico y Clima
Enric Valor i Micó
Departament de Física de la Terra i TermodinàmicaUniversitat de València
CLIMATOLOGÍA
Climatología regional
1.- Motivación del estudio
2.- La demanda de electricidad en España
3.- Las variables meteorológicas
4.- Relación entre demanda eléctrica y variables meteorológicas
5.- Influencia de la temperatura: la variable grados-día
6.- Un modelo predictivo de la demanda de electricidad
ÍNDICE
1.- Motivación del estudio
Gestión ambiental
El Departamento de Energía de EE.UU. prevé una aumento del consumo de energía del 59% en los próximos 20 años, acompañado de un aumento del 60% en las emisiones de CO2 a la atmósfera, y un incremento de la población del planeta de 6,0 a 7,5 billones de personas, principalmente en países en rápido desarrollo.
Esto implica la necesidad de una gestión adecuada en los siguientes términos:
• Búsqueda de fuentes de energía limpias, respetuosas con el medio ambiente, y compatibles con el desarrollo sostenible
• Evaluación de los recursos energéticos disponibles
• Minimización del impacto ambiental (emisión de contaminantes, aumento del efecto invernadero, …)
1.- Motivación del estudio
Gestión de la distribución de electricidad
La electricidad se caracteriza por no poder ser almacenada en grandes cantidades como otras fuentes de energía.
Esto implica que debe ser suministrada a medida que se consume, de modo que debe haber una casación perfecta al instante entre oferta y demanda.
Para ello se necesitan modelos que permitan establecer una predicción al minuto de la energía que va a ser demandada del sistema.
Normalmente se usan modelos en los que interviene un número elevado de variables para tomar en consideración un conjunto significativo de contingencias: variación de la demanda según los hábitos horarios (determinados por consumidores residenciales, industriales y comerciales), efecto de la temperatura, posibles fallos o desconexiones de centrales eléctricas, laboralidad, vacaciones, etc.
1.- Motivación del estudio
A partir de los años 90 se inició en diferentes países un proceso de liberalización del mercado eléctrico. Entre los primeros podemos citar los Países Escandinavos y los EE.UU. En España el proceso se inició en 1998.
En la actualidad el Sistema Eléctrico en España está formado por unos pocos productores (principalmente ENDESA, IBERDROLA, HIDROCANTÁBRICO y UNIÓN FENOSA), una red de distribución gestionada independientemente, RED ELÉCTRICA DE ESPAÑA (REE), y un Mercado de la Electricidad, OMEL. En él se establecen los precios de la electricidad sujetos a las leyes de la oferta y la demanda, y sin regulación por parte del Estado.
Teóricamente, este nuevo modo de funcionamiento debiera revertir a medio plazo en un aumento de la eficiencia del sistema, así como una disminución notable del precio de la electricidad.
En este sistema, se produce una separación entre los segmentos de generación, distribución y comercialización de la energía. En principio, cualquier consumidor puede elegir con quien contratar su suministro.
1.- Motivación del estudio
La demanda real (curva amarilla) refleja el valor instantáneo de la demanda de energía eléctrica La previsión de la demanda (curva verde), se elabora con los valores de consumo en períodos precedentes equivalentes, corrigiéndola con una serie de factores que influyen en el consumo, como la laboralidad, climatología y actividad económica
La programación horaria operativa (línea escalonada roja), es la producción programada para los grupos de generación a los que se haya adjudicado el suministro de energía en la casación de los mercados diario e intradiarios, que se calcula teniendo en cuenta la evolución de la demanda
1.- Motivación del estudio
Gestión financiera
En el contexto de un mercado libre de electricidad, surgen riesgos financieros importantes, ligados fundamentalmente a:
- El precio de la electricidad, que puede sufrir importantes “saltos”, por ejemplo cuando la oferta supera ampliamente a la demanda
- El volumen generado, que puede desviarse de las previsiones iniciales (por ejemplo, en inviernos suaves y veranos frescos)
Existen instrumentos financieros que permiten “cubrir” dichos riesgos. Se trata principalmente de los activos derivados como por ejemplo contratos de futuros y opciones definidos sobre subyacentes tales como el precio de la electricidad, el volumen de electricidad consumido, la temperatura del aire, etc.
La valoración de este tipo de instrumentos necesita de un análisis de los diferentes aspectos que pueden afectar tanto a la variación de los precios de la electricidad, como del volumen demandado.
1.- Motivación del estudio
Se dispone de datos de demanda eléctrica total peninsular con frecuencia diaria, proporcionados por REE
Se ha analizado previamente sus características estacionales (diaria, semanal y mensual)
300
350
400
450
500
550
600
1/01
/199
8
1/02
/199
8
4/03
/199
8
4/04
/199
8
5/05
/199
8
5/06
/199
8
6/07
/199
8
6/08
/199
8
6/09
/199
8
7/10
/199
8
7/11
/199
8
8/12
/199
8
Fecha
De
ma
nd
a d
iari
a (
GW
h)
6000
8000
10000
12000
14000
16000
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
Año
Dem
and
a m
ensu
al (
GW
h)
2.- La demanda de electricidad en España
El análisis de las características estacionales se ha efectuado mediante los índices de variación estacional diario (IVED) y mensual (IVEM)
IVEMij=j
ij
X
X IVEDijk=
jk
ijk
X
X
0,75
0,88
1,00
1,13
1,25
en
ero
feb
rero
ma
rzo
ab
ril
ma
yo
jun
io
julio
ag
os
to
se
pti
em
bre
oc
tub
re
no
vie
mb
re
dic
iem
bre
M es
IVE
M
medio máximo mínimo
0,60
0,80
1,00
1,20
1,40
lun
es
ma
rte
s
mié
rco
les
jue
ves
vie
rne
s
sá
ba
do
do
min
go
Día de la sem ana
IVE
D
medio máximo mínimo
2.- La demanda de electricidad en España
La idea fundamental del estudio radica en que diferentes variables pueden modificar la demanda de electricidad actuando sobre las sensaciones de “frío” y “calor” de los individuos
Existen índices que tratan de cuantificar esas “sensaciones” basándose en el análisis de los intercambios de energía con el ambiente a través de la piel. Como ejemplo podemos citar el HUMIDEX (temperatura y humedad) y el WINDCHILL (temperatura y viento)
En nuestro caso hemos empezado usando todas las variables disponibles en estación meteorológica susceptibles de ejercer algún tipo de influencia, en concreto:
• Temperatura del aire (ºC)• Humedad relativa (%)• Presión atmosférica (hPa)• Precipitación total (mm)• Insolación (h)• Velocidad (km/h) y dirección del viento (º)
3.- Las variables meteorológicas
Valores medios o
acumulados diarios
El uso de datos de consumo eléctrico a escala peninsular plantea el problema de la elección de la estación meteorológica. En el caso español, el uso de una sola estación es insuficiente
Para resolver el problema se han creado un conjunto de índices calculados a partir de las medidas realizadas en diferentes estaciones meteorológicas, mediante valores medios ponderados por pesos poblacionales:
IXt=
4
1iititwX
4
1iit
itit
p
pw
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
197 0 197 5 198 0 198 5 199 0 199 5
A ño
wi
M ad rid
Bilb ao
Va len c ia
Se villa
3.- Las variables meteorológicas
3.- Las variables meteorológicas
5
10
15
20
25
30
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
ITE
me
nsu
al
(ºC
)
50
55
60
65
70
75
80
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
IHR
me
nsu
al
(%)
100
150
200
250
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
IDV
me
nsu
al
(º)
20
25
30
35
40
45
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
IVV
me
nsu
al
(km
/h)
985
990
995
1000
1005
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
IP m
en
sua
l (h
Pa
)
0
1
2
3
4
5
6
7
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
IPR
me
nsu
al
(mm
)
0
2
4
6
8
10
12
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
IHS
me
nsu
al
(ho
ras)
3.- Las variables meteorológicas
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8en
e
feb
mar abr
may jun jul
ago
sep
oct
nov
dic
Mes
ITE
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
ene
feb
mar abr
may jun jul
ago
sep
oct
nov
dic
Mes
IHR
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
ene
feb
mar abr
may jun jul
ago
sep
oct
nov
dic
IDV
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
ene
feb
mar abr
may jun jul
ago
sep
oct
nov
dic
Mes
IVV
0.98
0.99
1
1.01
1.02
ene
feb
mar abr
may jun jul
ago
sep
oct
nov
dic
Mes
IP
0
0.5
1
1.5
2
2.5
3
3.5
4
ene
feb
mar abr
may jun jul
ago
sep
oct
nov
dic
Mes
IPR
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
ene
feb
mar abr
may jun jul
ago
sep
oct
nov
dic
Mes
IHS
Antes de abordar el análisis conviene aislar los posibles efectos derivados de la meteorología, de aquellos otros que dependen de otros factores (demografía, evolución de la economía, etc.). La tendencia observada en la demanda de electricidad responde a estos otros criterios, de modo que conviene eliminarla de alguna manera
Con ese fin se ha efectuado una corrección de tendencia mediante la definición del siguiente factor:
fi=E
Ei
i
N
1jij
iN
EE
i
A
1ii
A
1i
N
1jij
N
EE
i
Ecij = i
ij
f
E
4.- Relación entre demanda eléctrica y variables meteorológicas
0,7
0,8
0,9
1
1,1
1,2
1,3
19
83
19
84
19
85
19
86
19
87
19
88
19
89
19
90
19
91
19
92
19
93
19
94
19
95
19
96
19
97
19
98
A ño
f i
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Año
E (
GW
h)
Se rie original
Se rie sin tendencia
Factor corrector
Corrección de tendencia
4.- Relación entre demanda eléctrica y variables meteorológicas
La cuantificación de la posible influencia de las distintas variables sobre el consumo de electricidad se ha realizado mediante un análisis econométrico, en el que se establece una regresión lineal entre las variables mencionadas, y se determina la significación estadística de los coeficientes de regresión así como su importancia relativa
En el análisis se han descartado de entrada los índices IDV, por su carácter marcadamente local, e IP por su escasa variabilidad. Por otra parte, se ha añadido una variable artificial, D, para tener en cuenta el diferente comportamiento de los días laborables frente a los festivos
)IHS,IPR,IHR,IVV,ITE,D(fEC
Dada la relación no lineal entre demanda e ITE, se han realizado dos estimaciones separando las muestras en datos de “invierno” (ITE<18ºC) y “verano” (ITE>18ºC)
4.- Relación entre demanda eléctrica y variables meteorológicas
4.- Relación entre demanda eléctrica y variables meteorológicas
4.- Relación entre demanda eléctrica y variables meteorológicas
Variable Coeficiente Error estd. Estadístico t Prob.
C 495000 4000 130,02 0,00
D -76900 800 -96,73 0,00
ITE -6580 250 -26,56 0,00
IHS -2020 240 -8,43 0,00
IPR -590 180 -3,22 0,00
R2 0,76 DW 1,09
R2-ajustado 0,76 AIC 23,00
LMV -32121,3 SC 23,00
EE 24000 MVD 375823
Muestra de invierno
Muestra de veranoVariable Coeficiente Error Estd. Estadístico t Prob.
C 258000 8000 34,28 0,00
D -69900 1200 -58,40 0,00
ITE 4200 210 19,60 0,00
IHR 490 80 6,46 0,00
IPR -500 150 -3,32 0,00
R2 0,72 DW 1,26
R2-ajustado 0,72 AIC 22,77
LMV -25347,0 SC 22,78
EE 21000 MVD 351452
La demanda eléctrica se ve influida fundamentalmente por la temperatura del aire, mientras que el resto de variables matiza esa relación. De hecho, se ha comprobado que se obtienen resultados casi tan buenos usando sólo la variable ITE. Por ello, nos quedamos sólo con esta última con el fin de simplificar el modelo
Antes de proseguir con la modelización, conviene analizar con más detalle la relación entre consumo y temperatura
Se trata de una relación no lineal que va evolucionando con el tiempo, observándose que:
- Existe un intervalo de temperatura en el que el consumo es insensible
- El intervalo divide la función demanda-temperatura en dos ramas
- Existen dos temperaturas de “saturación”, una por rama
- La sensibilidad del consumo a la temperatura ha ido aumentando
5.- Influencia de la temperatura: la variable grados-día
5.- Influencia de la temperatura: la variable grados-día
Con el fin de desarrollar un modelo predictivo de consumo único para todo el año (en lugar de usar una ecuación para verano y otra para invierno), interesa utilizar una variable derivada de la temperatura que incluya ambos comportamientos en un solo modelo
El concepto adecuado es el de grado-día, que se define como la diferencia entre la temperatura media diaria y una temperatura base o de referencia
¿Cuál debe ser la temperatura de referencia? Aquella en la que se produce el cambio de comportamiento. Hemos estimado que para el caso español ésta se encuentra alrededor de los 18ºC
Normalmente, en lugar de usar una sola función definida en ]-,+ [, se usan dos definidas ambas positivamente:
Grados-día frío: GDF=max(ITE-ITEref; 0)
Grados-día calor: GDC=max(ITEref-ITE; 0)
5.- Influencia de la temperatura: la variable grados-día
R2 = 0.62
440
460
480
500
520
540
560
580
600
0 2 4 6 8 10 12 14
HDD (°C)
E (
GW
h)
R2 = 0.75
420
440
460
480
500
520
540
0 2 4 6 8 10 12
CDD (°C)
E (
GW
h)
Función calor
Función frío
5.- Influencia de la temperatura: la variable grados-día
5.- Influencia de la temperatura: la variable grados-día
Un buen modelo debe ser capaz de explicar el comportamiento observado, y además predecir el consumo futuro a partir de una serie de datos externos con el menor error posible
El modelo a desarrollar debe pues incorporar los aspectos que se han detectado, tanto de tipo económico como relacionados con la meteorología:
- Tendencia
- Laboralidad (día de la semana, fin de semana)
- Días festivos y postfestivos, distinguiendo los festivos regulares de los de la Semana Santa
- Estacionalidad mensual (mes de agosto)
- Temperatura
6.- Un modelo predictivo de la demanda de electricidad
t
12
2jjtjt1tt
7
2iitittt MGHHWGDFGDCtcLE
c: constante
t: tendencia
GDCt, GDFt: grados-día
Wit: variables artificiales (“dummy”) semanales
Ht, Ht-1: “dummies” festivos y postfestivos
Gt: “dummies” Semana Santa
Mjt: “dummies” mensuales
t: residuos de regresión
6.- Un modelo predictivo de la demanda de electricidad
6.- Un modelo predictivo de la demanda de electricidad
Equation 6
Variable Coefficient Std. Error t-Statistic Prob.
c 12.096 0.019 633.740 0.000
t 89.8E-6 0.000 43.196 0.000
HDDt 0.006 0.000 11.544 0.000
HDDt-1 0.003 0.000 6.648 0.000
HDDt-2 0.002 0.001 4.203 0.000
HDDt-3 0.002 0.001 3.552 0.000
HDDt-4 0.001 0.001 2.901 0.004
HDDt-5 0.001 0.000 1.365 0.172
CDDt 0.005 0.001 9.913 0.000
CDDt-1 0.004 0.001 6.364 0.000
CDDt-2 0.000 0.001 -0.276 0.782
CDDt-3 0.001 0.001 2.009 0.045
CDDt-4 0.000 0.001 0.175 0.861
CDDt-5 0.000 0.001 0.316 0.752
W2t 0.043 0.001 30.292 0.000
W3t 0.047 0.002 22.178 0.000
W4t 0.046 0.002 19.024 0.000
W5t 0.037 0.002 17.089 0.000
W6t -0.097 0.002 -48.182 0.000
W7t -0.226 0.002 -103.370 0.000
Equation 6
Variable Coefficient Std. Error t-Statistic Prob.
Ht -0.172 0.007 -23.351 0.000
Ht-1 -0.047 0.003 -14.146 0.000
Gt -0.188 0.006 -31.995 0.000
M2t -0.009 0.005 -1.881 0.060
M3t -0.018 0.007 -2.466 0.014
M4t -0.030 0.012 -2.512 0.012
M5t -0.067 0.013 -5.113 0.000
M6t -0.064 0.012 -5.286 0.000
M7t -0.064 0.012 -5.408 0.000
M8t -0.111 0.012 -8.896 0.000
M9t -0.054 0.011 -4.704 0.000
M10t -0.046 0.012 -3.847 0.000
M11t -0.036 0.010 -3.553 0.000
M12t -0.038 0.011 -3.461 0.001
AR(1) 0.646 0.023 27.573 0.000
AR(2) -0.019 0.019 -0.992 0.321
AR(3) 0.126 0.015 8.588 0.000
AR(4) -0.043 0.020 -2.179 0.029
AR(5) 0.020 0.017 1.218 0.223
AR(6) 0.097 0.014 7.012 0.000
AR(7) 0.182 0.021 8.633 0.000
AR(8) -0.049 0.019 -2.591 0.010
AR(9) -0.087 0.014 -6.093 0.000
Adjusted R-squared 0.972 AIC -3.960
DW 1.997 SC -3.911