Sistema GIS multiagente para mejorar el pronóstico de carga espacial

RESUMEN

Presentamos aquí una demostración de una aplicación SIG basada en un sistema de múltiples
agentes para modelar el comportamiento de elección de la casa humana. Con mayor precisión,
esta aplicación prevé el consumo de energía en el futuro con el fin de emitir pronósticos de carga
espacial y ayudar a las empresas de servicios públicos a redimensionar y adaptar las
infraestructuras eléctricas para hacer frente a las cargas comprometidas a medio y largo plazo.
Hemos probado nuestra aplicación con datos reales de una ciudad española con más de 32.000
clientes. La aplicación es totalmente personalizable y presenta una interfaz de usuario amigable.

Categorías y descriptores de materias: Inteligencia Artificial Distribuida, Sistemas multiagente.

Condiciones generales: Algoritmos, factores humanos.

Palabras clave: Previsión de carga espacial; modelización basada en agentes; Simulación basada
en agentes.

1. PREVISIÓN DE CARGA A LARGO PLAZO

Los avances en los Servicios de Información Geográfica (SIG) han allanado el camino que
conduce al mundo del Sistema Multiagente (MAS), proporcionando un acoplamiento mucho
más fácil y estrecho.

Por lo tanto, no es sorprendente ver un renacimiento en las aplicaciones GIS que abordan el
paradigma MAS (o al revés). Hay un trabajo impresionante sobre las simulaciones de fenómenos
geográficos basadas en agentes, que van desde varios aspectos de la modelización urbana [1]
hasta la elección de la vivienda [3].

Sin embargo, más allá de la simulación de la planificación urbana, hay varias terrae incognitae
que merecen una mirada más atenta y una atención más profunda. Uno de los principios entre
estos El Dorado, de acuerdo a su importancia económica, es el Pronóstico de Carga Espacial, que
es la disciplina que estudia la evolución del consumo eléctrico en un lugar determinado a lo largo
de los años. Para nuestro conocimiento, el único intento de abordar este desafío fue nuestra
contribución [2].

De hecho, la planificación de la red es crucial, ya que las empresas de servicios públicos deben
estar seguras de que serán capaces de hacer frente al suministro de energía comprometido en
el futuro. La piedra angular para ello es poder prever los cambios en el comportamiento de
consumo de los clientes. Por lo general, la demanda eléctrica varía en dos ejes: verticalmente,
cuando los clientes ya existentes incrementan o disminuyen su consumo (por ejemplo, piense
en nuevos aparatos que sólo aparecieron en la última década en cada hogar), y horizontalmente,
cuando nuevos clientes se incorporan al sistema (por ejemplo, la empresa de servicios públicos
obtiene nuevos clientes o la construcción de una nueva zona industrial).

En concreto, se trata de la previsión horizontal a largo plazo (también conocida como previsión
espacial), en la que a medida que el desarrollo se vuelve generalmente positivo (es decir, el
consumo crece), abordar este incremento supone una elevada inversión en infraestructuras. De
lo contrario, si no se cambia el tamaño de la cuadrícula de acuerdo con las demandas futuras.
conduce a la incapacidad de hacer frente a picos de carga, caídas de tensión, apagones y, en
general, suministro de baja calidad.
La previsión de la carga espacial es un ámbito que, a pesar de los avances de la tecnología de la
información, no ha evolucionado mucho en los últimos decenios: la previsión se basa
aproximadamente en indicadores socioeconómicos clave (por ejemplo, el Producto Interior
Bruto (PIB)), el crecimiento previsto de la población y los escasos cálculos asistidos por
ordenador. No hace falta decir que la previsión de la carga espacial aborda simultáneamente la
previsión de estos indicadores socioeconómicos clave, así como la planificación urbana. Uno de
los obstáculos clásicos ha sido que los datos necesarios para los cálculos siempre se han
publicado en un formato propietario (si es que se trataba de un soporte electrónico). Iniciativas
como Open Data están cerrando esta brecha, permitiendo aprovechar toda esta información de
forma automatizada.

Con este telón de fondo, avanzamos en el estado de la el arte ilustrando la integración de los
SIG en el MAS y su aplicación a la predicción de carga espacial con datos reales de una una
verdadera ciudad europea.

2. DESCRIPCIÓN MAS

El sistema MAS que aquí se presenta es capaz de simular la variación en la carga de los
Transformadores y subestaciones eléctricas que experimenta una ciudad. Para ello, hemos
modelado el comportamiento humano a la hora de elegir un nuevo lugar para vivir con dos tipos
de agentes:

Agentes de infraestructura: Estos agentes representan principalmente las parcelas donde se

puede construir un nuevo edificio. Cada agente en esta categoría posee una lista de las
características que presenta su barrio, tales como las distancias a varias instalaciones públicas
(por ejemplo, zonas verdes, transportes públicos, aparcamientos, etc.). La Tabla 1 muestra una
amplia lista. Además, los agentes de infraestructura también saben cuál es la infraestructura
eléctrica que alimenta sus necesidades en caso de no necesitar una nueva) y el precio unitario
de la parcela.

Agentes humanos: Estos agentes representan a personas que buscan una nueva casa. Ya que
cada persona tiene preferencias diferentes sobre la presencia de (o la distancia a) un público en
particular los hemos codificado en un vector ai que describe la importancia que tiene cada
infraestructura para ese país en particular.

agente. Además, el agente humano tiene un límite presupuestario individual. Además, hemos
identificado tres grupos objetivo principales que comparten un patrón de preferencia común:
Ancianos, Familias y Solteros. Los valores exactos del vector de preferencia se han emitido
aleatoriamente siguiendo la distribución descrita en el Cuadro 2.

Una vez creados ambos tipos de agentes, los agentes humanos seleccionan el número de
agentes de infraestructura a los que se pedirá información y, a continuación, seleccionan la
mejor parcela en función de la siguiente función f:

donde a es el vector de preferencia del agente humano, d es el vector de distancia de la

infraestructura y I son las categorías de la tabla 1.
TABLA 1: FACTORES CONSIDERADOS

FACTOR INFRAESTRUCTURA CONSIDERADA

SALUD Hospitales, clínicas
EDUCACION Escuelas, colegios, guarderías, universidades
DEPORTE Piscinas públicas, campos de juego, estadios
CULTURA Centros de arte, teatros, centros comunitarios, centros de
conferencias, museos, bibliotecas, cines
TIENDAS DE COMIDA Tiendas de alimentación y de conveniencia, grandes almacenes,
supermercados

TABLA 2: TIPOS DE AGENTE Y SUS PREFERENCIAS

TIPO Salud Educación Deporte Cultura Comida ingresos

ancianos 1 0.2 0 0.7 0.8 1800 euros
familias 0.9 1 0.7 0.3 0.5 1750 euros
solteros 0.2 0.2 1 1 0.8 1700 euros

A continuación, el agente humano intentará comprar la parcela mejor clasificada. En el caso de

que ya haya sido comprado, el agente tratará de conseguir el siguiente mejor hasta que las
parcelas alcancen la calidad mínima establecida para este agente. Por favor, tenga en cuenta
que puede ser posible que un agente no consiga una parcela. Finalmente, la carga generada por
este agente se añade a la infraestructura eléctrica correspondiente siguiendo la función l:

donde E es la carga anterior en esa infraestructura eléctrica en particular, I es la intensidad

eléctrica del agente a, S es el factor de simultaneidad de las cargas en esa infraestructura en
particular, A es el área cubierta por esta parcela, y Pc es la intensidad de potencia del área,
medida como:

donde B300 es el conjunto de edificios dentro de un radio de 300 metros, C300 es el conjunto
de clientes dentro de un radio de 300 metros, |°| denota la cardinalidad establecida, ci es la
potencia contratada por el cliente c, y bs es la superficie total del edificio (medida como el área
construida por el número de pisos).

3. ESCENARIO PLANTEADO

Esta demostración presenta el recorrido de este modelo por la ciudad de Ciudad Real, en el sur
de España, en condiciones no realistas. La ciudad es la capital de su región, con cerca de 75 mil
habitantes y presenta un modelo típico de zona concéntrica [4]. Además, los datos de la parcela
proceden del cadestre nacional junto con la información ya proporcionada en OpenStreetMap.
La empresa de servicios correspondientes (un operador de la red de distribución) nos ha
facilitado información sobre el cliente.

Hay 32 000 clientes, 800 Transformadores (alimentando a un promedio de 40 clientes) y dos

subestaciones principales (con 400 Transformadores cada una).

4. ASPECTOS DE IMPLEMENTACIÓN

Todo el sistema ha sido construido utilizando un gran conjunto de estructuras y herramientas.

Los conjuntos de datos necesarios se almacenan y calculan utilizando una base de datos
geográfica PostGIS. Escrito en Python, un programa de predicción obtiene todos los datos
necesarios, crea y gestiona la ejecución de todos los diferentes agentes. Estos agentes están
registrados en una plataforma SPADE, que les permite solicitar información y reaccionar de
acuerdo con ella. Además, se implementa un servidor web Django utilizando Leaflet para mapas
dinámicos y NodeJS con Socket.IO para enviar mensajes asíncronos a la interfaz web en tiempo
real.

El vídeo muestra el sistema de predicción intentando predecir nuevos asentamientos en uno de

los barrios de la ciudad elegida. Los usuarios pueden acceder a cualquier área de la ciudad, así
como la cantidad de agentes que el sistema creará. En el momento de su lanzamiento, el sistema
recupera el trazado eléctrico y las infraestructuras dentro de dicha área, crea los agentes y los
registra. A continuación, los agentes humanos empiezan a preguntar a un número variable de
agentes de infraestructura (nuevas parcelas de construcción) por sus características, con el fin
de seleccionar cuál es el mejor de sus vectores de preferencias. Después de la simulación, la
demo muestra qué agentes han comprado qué parcelas, si fue su mejor opción y cómo estos
nuevos asentamientos afectan a la red eléctrica.

6. REFERENCIAS

[1] T. Baynes and S. Heckbert. Micro-scale simulation of the macro urban form: Opportunities
for exploring urban change and adaptation. In 10th international Conference on Multi-agent-
based simulation, pages 14{24, 2009.

[2] C. Borges, Y. Penya, and A. Pijoan. Agent based spatial load forecasting. In Proceedings of 3rd
International Workshop on Agent Technologies for Energy Systems (ATES 2012- AAMAS 2012),
pages 107{108, Valencia (Spain), 5th June 2012. ACM press.

[3] R. Jordan, M. Birkin, and A. Evans. Agent-based simulation modelling of housing choice and
urban regeneration policy. In 11th International Conference on Multi-agent-based simulation,
pages 152{166, 2010.

[4] J.-P. Rodrigue. The Geography of Transport Systems, Third Edition. Routledge, New York,
2013.