IEEE Power & Energy Magazine - Spanish - May/June 2022 - 69

importancia a algunas de las características o para tener en
cuenta la variabilidad y/o covariabilidad entre las características
extraídas. Esas características extraídas pueden ser,
por ejemplo, perfiles de percentiles, autocorrelaciones, valores
de periodogramas, parámetros estimados del modelo, y
otros, como vectores sin procesar.
Análisis de los grupos de hogares:
una prueba de concepto ilustrativa
A continuación, proponemos y analizamos un procedimiento
de agrupación efectivo para segmentar los consumos
domésticos. El procedimiento se basa en dos herramientas
de agrupación consecutivas. La primera herramienta se
aplica para obtener grandes divisiones entre consumidores
y capturar su comportamiento estático. La segunda herramienta
se aplica a cada una de las divisiones anteriores para
capturar características específicas que describen el comportamiento
dinámico.
En particular, la primera división está destinada a agrupar
a consumidores con niveles de consumo y volatilidad similares.
Se puede utilizar para diferenciar entre grandes, medianos
y pequeños consumidores (hogares). La segunda división
está diseñada para identificar grupos con perfiles de consumo
similares en cuestión de horas. Esta es información valiosa que
puede ser utilizada para diseñar tarifas minoristas apropiadas.
Cuando se considera un gran número de consumidores
elécricos, se deben tener en cuenta las siguientes cuestiones
prácticas:
✔ Normalización de datos: el consumo por hora para
cada hogar debe ser normalizado para comparar mejor
los niveles de consumo entre los hogares. En particular,
para la normalización, hemos dividido el consumo
horario de cada cliente por su consumo máximo
a lo largo del año.
✔ Impactos estacionales: el consumo de los hogares es
estacional. Para que la serie temporal sea más homogénea,
las herramientas de agrupación deben capacitarse
utilizando datos para una temporada determinada (en
lugar de un año completo). En nuestro caso, hemos seleccionado
la temporada primaveral con 2,184 horas.
✔ Escalabilidad: un algoritmo eficiente debería permitir
su correcta escalabilidad para conjuntos de datos
de gran escala. Los métodos de partición y, en particular,
la agrupación por media k suelen ser una buena
elección en términos de tiempo de cálculo.
✔ Número de agrupaciones: en los métodos de partición,
una decisión vital es el número de grupos. Este
número debe ser determinado combinando 1) el conocimiento
de los expertos en el área: un número lo
suficientemente grande como para separar adecuadamente
los comportamientos del consumidor, pero lo
suficientemente pequeño como para incluirlo en posibles
acciones como una característica adicional (p. ej.,
campañas de marketing o tarifas) y 2) criterios técnicos:
basados en un análisis estadístico especializado.
mayo/junio de 2022
Para ilustrar nuestro estudio de caso, hemos considerado
k 10= grupos para segmentar 10,000 hogares.
✔ Datos atípicos: cabe destacar que puede haber varios
consumidores sin consumo (o consumos muy bajos).
Estos consumidores no deben ser considerados por
una herramienta de agrupación, sino que, en su lugar,
deben ser incluidos en un grupo particular y adicional.
En nuestro caso, hay 244 hogares sin consumo. Estos
están asignados al grupo 0.
Agrupación de las divisiones principales
La agrupación para las divisiones principales se basa en el
comportamiento estático de los hogares para capturar las
propiedades globales dadas por los nueve deciles de consumo
en una temporada (primavera en nuestro caso). Por
lo tanto, la entrada para la herramienta de media k es una
matriz que contiene 9,756 hogares (10,000 menos 244 sin
consumo) y nueve deciles.
La figura 3(a) muestra los centros de agrupación para cada
grupo. En particular, el eje ycontiene, para cada uno de los cuatro
grupos, el consumo normalizado para todos los consumos
horarios en el grupo correspondiente y una probabilidad de
decil dada (eje x). La agrupación divide a los clientes en grupos
en función del consumo estacional total de electricidad calculado
por los nueve deciles. Hay un grupo grande (grupo 1) con
un consumo pequeño y ocasionalmente moderado. Otro grupo
pequeño (grupo 4) tiene un consumo alto y ocasionalmente
está cerca del máximo. Los tamaños de los macrogrupos 1, 2,
3 y 4 son 3,525, 4,412, 1,596 y 223 hogares, respectivamente.
La figura 3(b) muestra el perfil de consumo horario
de los hogares de cada grupo durante 24 h. La línea negra
representa el consumo promedio de todos los hogares de un
grupo determinado por cada hora. Los intervalos de confianza
del 80 % correspondientes se muestran en colores
sombreados. Tenga en cuenta que cuanto mayor sea el consumo,
mayor será la volatilidad. Además, el grupo 4 tiene
una alta demanda máxima durante todas las horas del día.
Para los otros grupos, la demanda máxima se concentra en
las horas pico habituales pero con diferentes magnitudes.
En particular, los grupos 1, 2 y 3 capturan a esos consumidores
con dos picos de consumo diario: por la mañana y
por la noche. El grupo 2 presenta un pico por la tarde alrededor
de las 2 p.m., mientras que el grupo 3 lo presenta alrededor
de las 11 a.m. El patrón de consumo se encuentra más
estable para el grupo 4. En resumen, los grupos anteriores
caracterizan a los clientes en función de la cantidad total de
electricidad que consumen dada por sus percentiles. A continuación,
cada uno de los tres grupos se dividirá de nuevo
en función de su comportamiento dinámico. El grupo 4 será
excluido del análisis, ya que contiene solo 233 hogares.
Agrupación de divisiones más finas
Para capturar el comportamiento dinámico de los consumidores
eléctricos, podemos considerar los siguientes tres
enfoques:
ieee power & energy magazine
69
IEEE Power & Energy Magazine - Spanish - May/June 2022

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