Caracterización de Perfiles de Carga mediante Técnicas Estadísticas de Reducción de la Dimensión

Abstract

Debido a la reciente liberación del mercado eléctrico y al creciente consumo de energía eléctrica, se ha originado la posibilidad para los proveedores de energía de formular nuevas tarifas y mejorar la calidad del servicio para satisfacer la demanda diaria. Un aspecto clave para interpretar y visualizar datos de consumo energético, es agrupar a los diferentes clientes conforme a la similitud del perfil de carga eléctrica. Para este fin, se propone utilizar técnicas de reducción de la dimensión, tal como, análisis de componente principal (PCA), mapeo isométrico de características (Isomap), mapeo de Sammon, proyección local lineal (LLE), proyección estadística embebida (SNE) y proyección estadística embebida con distribución t (t-SNE). Uno de los principales objetivos del agrupamiento de perfiles de carga en el mercado eléctrico descentralizado, es la aplicación de tarifas, dedicadas a diferentes clases de clientes, la predicción de consumos energéticos en las industrias de alto consumo que negocian la compra y venta de energía, y la mejora de políticas del uso de la energía mediante el análisis de coincidencias de las horas de máxima demanda energética con los precios del mercado mayorista. En esta tesis se realiza un análisis de agrupamiento de perfiles de carga utilizando técnicas de reducción de la dimensión, con una base de datos de mediciones provenientes de un sistema eléctrico de distribución que cubre el 90% del estado de Texas. De este análisis resultan modelos visuales en dos y tres dimensiones de cómo se dispersan los grupos encontrados. El análisis de agrupamiento se valida mediante índices de evaluación de agrupamiento que permiten evaluar el desempeño de las técnicas de reducción de la dimensión en función de un número de grupos. Finalmente se realizan tres casos de estudio con el objetivo de probar que las técnicas de reducción de la dimensión, desarrolladas en el área de procesamiento de imágenes y ciencias de la computación, se adaptan al problema de agrupación de perfiles de carga por tener una estructura matemática flexible, principalmente porque fueron desarrolladas para trabajar con bases de datos de alta dimensión, ruido y un alto grado de redundancia.