Sistemas de Distribución Eléctrica/Capitulo#2/Diego Jhonnatan Cando Naula /Trabajo#6
Trabajo Individual #6
Diego J. Cando
Resumen — El presente escrito hace referencia a un trabajo de la
catedra” SISTEMAS DE DISTRIBUCION” donde como primer punto se
encontró para la centrosur al año 2017 la potencia [KVA] resultado de la
sumatoria de potencia de transformadores de distribución monofásicos y
trifásico a nivel de los alimentadores primarios, como segundo punto se
encontró cual es la potencia que tienen los transformadores en las sub
estaciones de distribución, como tercer punto se encontró cual es la potencia
que alimenta la carga llamada centrosur para posteriormente calcular la
demanda máxima de la centrosur al año 2017,como cuarto punto se definió la
curva la curva S o de (Gompertz),como quinto punto se explicó una serie de
métodos utilizados para realizar el Pronóstico de la Demanda en SD y como
sexto y último punto se realizo la proyección de una carga mediante regresión
exponencial.
Palabras Claves — alimentadores primarios, demanda máxima,
pronóstico de la Demanda.
I. INTRODUCCIÓN.
En un sistema de distribución de energía eléctrica, se deberá
tener en cuenta la demanda que dicho sistema va a satisfacer en
la actualidad y a futuro, y ya que es de conocimiento que la
demanda aumenta continuamente a lo largo de los últimos años
pues la humanidad sigue en proceso de expansión se han
creados múltiples métodos de pronóstico de demanda y de estos
se deberá tomar la que tenga la mayor eficiencia es decir la más
conveniente para el lugar donde se tome la muestra, esto se
realiza ya que de una buena predicción depende la
consideración de construcción de nuevas subestaciones o si en
contraste en un futuro existirá una sobrecapacidad frente a la
demanda. Una buena predicción a futuro se traduce en
ganancias económicas en un sistema de distribución y es por
esto que la demanda a futuro es de vital importancia para
cualquier empresa generadora, transmisora y distribuidora de
energía eléctrica.
II. OBJETIVOS.
1.1 Objetivos Generales
 Reforzar los conocimientos teóricos adquiridos en el
aula.
2.1 Objetivos Específicos
 Conocer cuál es la potencia [KVA] resultado de la
sumatoria de potencia de transformadores de
distribución monofásicos y trifásico a nivel de los
alimentadores primarios, la potencia que tienen los
transformadores en las sub estaciones de distribución,
la potencia que alimenta la carga de la empresa
Centrosur.
Martes, 6 de noviembre de 2018
 Encontrar la demanda máxima de la centrosur al año
2017.
 Conocer algunos métodos utilizados para realizar el
Pronóstico de la Demanda en un SD.
 Conocer que es la curva S o de (Gompertz) y si es
aplicable a nivel de grandes áreas geográficas o de
micro áreas
 Encontrar la proyección de una carga mediante
regresión exponencial.
III. DESARROLLO
A.-Averiguar para la centrosur año 2017 ¿cuál es la
potencia [KVA] resultado de la sumatoria de potencia de
transformadores de distribución monofásicos y trifásico a
nivel de los alimentadores primarios.
Según la expansión del Sistema Eléctrico de la centrosur al año
2016 se tiente una potencia en transformadores de 675[MVA]
con un numero de 21557 de trafos.
B.- ¿Cuál es la potencia que tienen los transformadores en
las sub estaciones de distribución?
Según la expansión del Sistema Eléctrico de la centrosur al año
2016 se tiente una potencia en las subestaciones de
377.50[MVA] con un largo de líneas de aproximadamente
297.4[Km].
C.- ¿Cuál es la potencia que alimenta la carga llamada
centrosur?
Según la Estadística Anual y Multianual del Sector Eléctrico
Ecuatoriano 2017 la capacidad de la centrosur es de
422.75[MVA].
E.- ¿Qué es la curva S o de (Gompertz)? ¿Es aplicable a
nivel de grandes áreas geográficas o de micro áreas? Razone
su respuesta.
La curva de crecimiento Gompertz surge asociada al estudio de
la mortalidad humana, y presenta un crecimiento acotado y de
tipo sigmoidal, pero con características propias que la
diferencian de la logística. La curva de crecimiento Gompertz
surge de la ecuación diferencial.
Donde
y(t): corresponde al tamaño de la población en el tiempo t.
1
Sistemas de Distribución Eléctrica/Capitulo#2/Diego Jhonnatan Cando Naula /Trabajo#6
A: valor máximo de crecimiento.
K: tasa de crecimiento de la curva. Se supone que K > 0.
Luego de un proceso matemático de la expresión anterior, se
llega finalmente a la expresión del modelo de crecimiento de
Gompertz cuya expresión final es:
Donde
y(t): corresponde al tamaño de la población en el tiempo t.
A: valor máximo de crecimiento.
B: valor que permite que la curva se desplace a la izquierda o
derecha según sean los datos.
K: tasa de crecimiento de la curva.
El modelo de Gompertz muestra la evolución de distintos
comportamientos, tales como la eficiencia de una nueva
tecnología en el tiempo o la energía en el tiempo, donde se
distinguen 3 etapas:
1. Etapa de crecimiento lento: la primera etapa se caracteriza
por la reciente incorporación de un cliente, donde se observa un
consumo de energía cercano a cero y tasas de crecimiento de la
variable en estudio (energía) muy bajas.
2. Etapa de rápido crecimiento: etapa en que la tasa de
crecimiento es alta, por ejemplo, en el caso de una casa
residencial, puede deberse al periodo en que un nuevo cliente
adquiere distintos aparatos eléctricos para su nueva casa, antes
de llegar a un consumo estable de energía.
3. Etapa de madurez o de saturación: esta tercera y última etapa
en el modelo de Gompertz, es la etapa en que el cliente ha
llegado a un estado de crecimiento estable de la energía. Así, se
observa una tasa de lento crecimiento, pero que se debe en este
caso a por ejemplo que una (o también un grupo de casas o
industrias) ya está· en un ambiente de crecimiento estable, cuya
tasa es menor que en la etapa anterior.
Fig.1. Etapas de la curva de Gompertz.
Recomendación en microareas.
El uso de curvas de crecimiento sigmoides sirve para
pronosticar la demanda en áreas pequeñas o microareas puesto
que una vez que la superficie se halla completamente
desarrollada, su demanda se aproximará a un valor asintótico.
Es decir, al aumentar la dimensión del espacio geográfico en
estudio, la forma de S de la curva se presenta de modo menos
pronunciado o cuasilineal.
Martes, 6 de noviembre de 2018
Fig.2. curva de Gompertz para áreas geográficas grandes(rojo) y
microareas (azul).
F.- ¿Explique en qué consiste cada uno de los siguientes
métodos utilizados para realizar el Pronóstico de la
Demanda en SD y las razones por las cuales son preferidas
cada una de ellas:
1.Modelos de tendencia.
La demanda de energía eléctrica de un sistema de distribución
representa la tasa de transferencia de energía que se requiere a
cada momento para hacer funcionar el equipamiento eléctrico
de una población. Su comportamiento se ve afectado por el
crecimiento demográfico y el grado de desarrollo económico.
Para describir la dinámica de crecimiento observada en este tipo
de sistemas, frecuentemente se utilizan técnicas de
extrapolación determinísticas, Los métodos de tendencias se
basan en el ajuste, por mínimos cuadrados, de una curva de
crecimiento a los datos históricos, cuya forma se selecciona a
priori con base en argumentos teóricos.
Características:
 La incertidumbre de los factores que influyen en el
crecimiento de la demanda requiere de procedimientos
de pronóstico que permitan tomar en cuenta el riesgo
asociado de una manera objetiva.
 Debe considerarse que la proyección de tendencias no
es un pronóstico en sí mismo, sino una herramienta útil
para su análisis exploratorio
2. Series de tiempo.
Dado que la demanda eléctrica varía de manera continua en el
tiempo, se considera que es una serie de tiempo. Esto permite
la aplicación de diferentes técnicas de series temporales y
metodologías para la predicción de la demanda futura basadas
en los datos históricos disponibles de demandas. Este método
requiere la menor información posible, dado que la única
variable independiente es el tiempo, básicamente se pretende
medir el consumo de energía eléctrica en el tiempo a intervalos
espaciados uniformemente. El objetivo de la identificación de
la información histórica es determinar un patrón básico en el
comportamiento del consumo de electricidad que permita la
proyección futura de la demanda de energía eléctrica. Para
examinar a la serie de tiempo, se grafican sus valores, lo que
permite realizar un análisis completo de las misma. Una vez
graficados los datos, es posible detectar algunas irregularidades,
e incluso valores atípicos, en caso de que estén presentes; dentro
2
Sistemas de Distribución Eléctrica/Capitulo#2/Diego Jhonnatan Cando Naula /Trabajo#6

de los que se destaca la aparición de un nivel, cambios 5. Redes neuronales artificiales.

periódicos y efectos estacionales. Los cambios o
discontinuidades dentro de la serie de tiempo, pueden ser Las redes neuronales artificiales son técnicas de procesamiento
fundamentales para el análisis de los datos por intervalos. de información basadas en el funcionamiento de un sistema
Dentro del estudio de las series de tiempo, es primordial nervioso bilógico, como el cerebro, donde se procesa la
analizar sus componentes y de ser necesario realizar información. El concepto fundamental de la red neuronal
transformaciones para eliminarlas o modificarlas. Con esto se artificial es la estructura del sistema de procesamiento de
obtienen series de tiempo estacionarias, siendo posible un información. Compuesto de un gran número de unidades
análisis más preciso. interconectadas (neuronas) concentradas dentro de una red, el
sistema de redes neuronales utiliza una técnica similar al
Características. aprendizaje humano. A cada una de las neuronas se le aplica
una entrada, una función de activación y una salida, la red está
 En el caso de la demanda de energía eléctrica la configurada para una aplicación específica, como la
tendencia se puede tomar en periodos semanales, clasificación de datos o reconocimiento de patrones, el
mensuales o anuales y son movimientos lineales o aprendizaje a través de un proceso llamado entrenamiento. Los
exponenciales relacionado con el constante primeros investigadores que introdujeron la aplicación de las
crecimiento de los usuarios. redes neuronales en el pronóstico de la demanda, propusieron
una metodología innovadora para tal fin.
3. Distribución de probabilidad.
Características.
El tratamiento riguroso de la aleatoriedad exige el desarrollo de
sistemas sofisticados de gestión capaces de construir  Los métodos de inteligencia artificial para el
simulaciones complejas para pronosticar en tiempo real los pronóstico han demostrado su capacidad para dar un
efectos previsibles de un cambio en los consumos y/o en la mejor redimiendo en el trato con las funciones no-
demanda. lineales.
 Su ventaja radica principalmente que no requieren
Características. formulaciones matemáticas complejas o de
correlación cuantitativa entre entradas y salidas.
 Puede trabajar con datos obtenidos mediante un
análisis.
G.-Realizar la proyección de la carga de la tabla 1 mediante
 Puede ocupar algunas variables mas simples que en los regresión exponencial.
otros métodos para realizar el pronostico.
TABLA I. TASA DE CRECIMIENTO (I)(%) = ?
Tasa de Crecimiento (i)(%) = ?
4. Microáreas.
Año Demanda Actual [KW] Demanda Futura [kW]
2009 3094 -
Un SDEE se compone de gran número de unidades dispersas en 2010 2938 -
un área geográfica, cuya demanda no se distribuye de manera 2011 2714 -
uniforme. Por tanto, se requieren pronósticos con un nivel de 2012 3567 -
granularidad suficiente para estimar la demanda en cada una de 2013 4027 -
2014 3591 -
sus subestaciones y circuitos de distribución. Este método 2015 4579 -
consiste en modelar su dinámica de desarrollo hasta obtener un 2016 4436 -
valor de saturación asintótico, considerando que su superficie 2017 4436 -
se mantiene constante. Estas técnicas utilizan principalmente 2018 - -
métodos de simulación para modelar la interacción de la 2019 - -
2020 - -
demanda con factores urbanos y demográficos 2021 - -
2022 - -
Características. 2023 - -
2024 - -
 Predicciones en áreas geográficas pequeñas. 2025 - -
2026 - -
 Correlaciona el crecimiento de la demanda con el 2027 - -
crecimiento de la población. 2028 - -
2029 - -
2030 - -
2031 - -

3
Martes, 6 de noviembre de 2018
Sistemas de Distribución Eléctrica/Capitulo#2/Diego Jhonnatan Cando Naula /Trabajo#6

Para realizar este método vamos a linealizar la ecuación de la 1 2938 3,468051791

regresión lineal como sigue 2 2714 3,433609843
3 3567 3,552303109
𝑦(𝑡) = 𝑎𝑏 𝑡
4 4027 3,60498163
Si aplicamos logaritmos a ambos miembros de la ecuación 5 3591 3,555215405
anterior entonces tenemos. 6 4579 3,660770644
7 4436 3,646991537
𝑙𝑜𝑔⁡(𝑦(𝑡)) = 𝑙𝑜𝑔⁡(𝑎𝑏 𝑡 ) 8 4436 3,646991537

Por propiedades de multiplicación de los logaritmos se tiene:

𝑦⁡(𝑡) = ⁡0,027𝑡⁡ + ⁡3,4542
𝑡)
𝑙𝑜𝑔(𝑦(𝑡)) = 𝑙𝑜𝑔(𝑎) + 𝑙𝑜𝑔(𝑏
𝑏 = 100.027
Por la propiedad de potenciación de los logaritmos se tiene
𝑎 = 103.4542
𝑙𝑜𝑔(𝑦(𝑡)) = 𝑙𝑜𝑔(𝑎) + 𝑡⁡𝑙𝑜𝑔(𝑏)
Quedando finalmente.
Que es análoga a una función lineal de la forma
𝑦(𝑡) = 2845,771332 ∗ 1.06414302𝑡
𝑦 = 𝑚𝑡 + 𝑏
TABLA III. TASA DE CRECIMIENTO (I)(%) Y DEAMANDA
CALCULADA AL ANO 2031
En donde: Tasa de Crecimiento (i)(%) = ?
Año Demanda Actual [KW] Demanda Futura [kW]
2009 3094 2845,771332
𝑚 = 𝑙𝑜𝑔(𝑏) 2010 2938 3028,307694
2011 2714 3222,55249
𝑏 = 𝑙𝑜𝑔(𝑎) 2012 3567 3429,256733
2013 4027 3649,21961
2014 3591 3883,29157
Dado la ecuación dada por Excel aplicando regresión lineal. 2015 4579 4132,377612
2016 4436 4397,440784
2017 4436 4679,505909
2018 - 4979,663542
2019 - 5299,074191
2020 - 5638,972803
2021 - 6000,673539
2022 - 6385,574851
2023 - 6795,164895
2024 - 7231,027281
2025 - 7694,847195
2026 - 8188,417919
2027 - 8713,647759
2028 - 9272,567426
2029 - 9867,337887
2030 - 10500,25872
2031 - 11173,77701

Considerando al año 2009 como t=0.

TABLA II. CONVERISION DE REGRESION LINEAL A

EXPONENCIAL
t y
log(y)
0 3094 3,490520309

4
Martes, 6 de noviembre de 2018
Sistemas de Distribución Eléctrica/Capitulo#2/Diego Jhonnatan Cando Naula /Trabajo#6

IV. CONCLUSIONES.
-Los pronósticos de la demanda máxima se generan para
establecer decisiones durante la planificación de un sistema
eléctrico por ejemplo la consideración de construcción de
nuevas subestaciones, los modelos de crecimiento poseen
diversos enfoques y estos se analizan según ciertas propiedades
de comportamiento del fenómeno en estudio, El modelo de
Gompertz muestra la evolución de distintos comportamientos,
tales como la eficiencia de una nueva tecnología en el tiempo o
la energía en el tiempo, y sirve para pronosticar la demanda en
áreas pequeñas o microareas puesto que una vez que la
superficie se halla completamente desarrollada, su demanda se
aproximará a un valor asintótico y por tanto la curva se presenta
de modo menos pronunciado o cuasilineal.
[5]ARCONEL. (2017). Estadística Anual y Multianual del Sector Eléctrico
Ecuatoriano 2017 emitido el 2017. tomado el 3 de noviembre de 2018, de
ARCONEL Sitio web: http://www.regulacionelectrica.gob.ec/wp-
content/uploads/downloads/2018/10/estadistica%20reducida.pdf?fbclid=IwA
R2q2bhwDum531tzTDRsyx0jmNcMMXObat5U4ApJv4eAs_vbbzPmYRDEl
bQ
BIOGRAFÍA
Diego J. Cando, nació en la ciudad de Cuenca-Ecuador
Graduado en la escuela Carlos Crespi posteriormente
curso sus estudios en el colegio Técnico Salesiano de
donde se graduó como bachiller Técnico industrial
especialización Mecatrónica. Estudiante de Ingeniería en
Sistemas en la Universidad de Cuenca desde el 2014
cambiándose a Ingeniería Eléctrica en el año 2016.

-Existe muchos medios de pronóstico de la demanda entre las

cuales se encuentra la demanda por tendencia que representa la
tasa de transferencia de energía que se requiere a cada momento
para hacer funcionar el equipamiento eléctrico de una población
y en la cual su comportamiento se ve afectado por el
crecimiento demográfico y el grado de desarrollo económico, y
dado que la demanda eléctrica varía de manera continua en el
tiempo existe pronósticos mediante una serie de tiempo y la que
en la actualidad se utiliza y está en investigación es el
pronóstico por redes neuronales artificiales que no es más que
técnicas de procesamiento de información basadas en el
funcionamiento de un sistema nervioso bilógico, como el
cerebro, donde se procesa la información y después se la
entrega a algún receptor.

-Se puede ocupar una regresión exponencial para generar

predicciones de demanda que se ajusta a un pronóstico de
demanda por tendencia.

V. BIBLIOGRAFIA.

[1]Wilma Francisca Sapunar BERNABÉ . (Octubre 2007). Metodología para

la predicción de demanda georreferenciada dentro de una empresa distribuidora
de energía eléctrica. universidad de chile facultad de ciencias físicas y
matemáticas departamento de ingenieria industrial, 1, Pag (1-81). Tomado el 2
de noviembre, De
http://repositorio.uchile.cl/tesis/uchile/2007/sapunar_wb/sources/sapunar_wb.
pdfBase de datos.
[2]Carlos González Andrade. (Julio de 2010). Pronóstico de la Demanda en los
Sistemas de Distribución de Energía Eléctrica: Aplicando la Teoría de Valores
Extremos. UNIVERSIDAD VERACRUZANA, 1, Pag. 1-80. Tomado el 3 de
noviembre, De https://www.uv.mx/mapli/files/2012/05/Pronostico-de-la-
demanda-en-los-sistemas-de-Distribucion-de-energia-Aplicando-la-teoria-de-
valores-extremos.pdf Base de datos.
[3] Sectorelectricidad. (25 de julio de 2012). Aplicación de Redes Neuronales
para el Pronóstico de Demanda a Corto Plazo. Tomado el 3 de noviembre de
2018, de Sectorelectricidad Sitio web:
http://www.sectorelectricidad.com/2625/aplicacion-de-redes-neuronales-para-
el-pronostico-de-demanda-a-corto-plazo/.
[4] Centrosur. (2007-2016). Expansión del Sistema Eléctrico. Centrosur, 1, Pag
1. Tomado el 3 de noviembre, De http://www.centrosur.gob.ec/?q=expansion
Base de datos.

5
Martes, 6 de noviembre de 2018
Sistemas de Distribución Eléctrica/Capitulo#2/Diego Jhonnatan Cando Naula /Trabajo#6

6
Martes, 6 de noviembre de 2018