Introducción
El uso de las energías renovables (ER) y el Ahorro y la Eficiencia Energética (AEE) son necesidades de la sociedad y de las universidades (Lapido, 2014). Las universidades tienen una gran responsabilidad y repercusión social, pues son ejemplo y motor del cambio social (Granados, 2014).
Las universidades deben estar en la vanguardia de los procesos de AEE, buscando estar al mismo nivel, y preferiblemente superior al resto de la sociedad (Salcedo Galvis, 2016); (Leuenberger, 2015). Buscando el objetivo del 20% en energías renovables para el año 2020 y a más largo plazo, una mayor eficiencia energética basada en la diversidad de uso de las energías renovables (térmica, fotovoltaica, geotérmica, eólica, etc.) (Restrepo & Mesa, 2014) y estudiando la viabilidad de otros procesos energéticos (cogeneración, trigeneración, etc.) (Ros Garro, 2014).
Las universidades tienen un enorme potencial de ahorro energético, no sólo por la aplicación de las ER o el AEE (Vergara, Fenhann & Schletz, 2015). En gran medida, el ahorro pasa por la sensibilización de toda la comunidad universitaria. Los edificios no son los que despilfarran la energía, sino las personas en su uso diario. (Domínguez Claro, 2014)
Antes de iniciar cualquier medida de AEE es imprescindible tener datos estadísticos precisos del consumo energético por centros y edificios, y del uso de recursos naturales como agua, con series de datos de varios años que permitan detectar las debilidades y puntos fuertes en cada universidad. (García, 2014)
En este sentido, es necesario disponer de indicadores fiables, tanto para la situación de partida, antes de iniciar cualquier medida, como durante el funcionamiento de las instalaciones (García Samper, et al., 2017). Los indicadores pueden ser variados, aunque sería útil disponer de indicadores comunes para las universidades cubanas.
Anterior a este estudio se han realizado otros en el centro, todos ellos con la finalidad de lograr un ahorro del consumo energético del mismo, y tratando de lograr la correspondencia entre la NC ISO 50001:2011 y la Tecnología de Gestión Total y Eficiente de la Energía (TGTEE) implementada en el centro (González, 2015). Actualmente resulta una tarea importante conocer el comportamiento matemático existente entre el consumo energético y dichas variables, además de poder predecir futuros consumos de la energía eléctrica en la UCf.
En la actualidad resulta de vital importancia hacer una caracterización de la situación de la energía eléctrica en la UCf, específicamente para el año 2017, además de realizar un diagnóstico de los principales problemas que la afectan y determinar así indicadores energéticos para el centro. Para esto es necesario realizar un análisis estadístico mediante el Análisis de los Componentes Principales, la Regresión Lineal y el Diseño de Experimentos Virtuales con el fin de conocer la relación entre las variables que afectan el consumo energético y poder predecir futuros comportamientos de dicho portador, con el fin de escoger un modelo matemático que permita predecir futuros consumos de la energía eléctrica en la Universidad de Cienfuegos, Sede “Carlos Rafael Rodríguez”.
Desarrollo
La presente investigación centra su estudio específicamente en el portador Energía Eléctrica, debido a que es el más consumido en el centro, además de ser fundamental para el desarrollo de las actividades docentes de la misma.
Al analizar el consumo de ambas sedes, se decide realizar el estudio en la sede Carlos Rafael Rodríguez por ser esta la que incurre en un mayor consumo de dicho portador, como se muestra en la Figura 1.
Con fin de conocer el comportamiento del consumo de energía eléctrica en algunos edificios de la sede, se grafica el consumo de estos para los meses de enero a octubre de este año. Este análisis se hace para los edificios de Agronomía, Edificio 4, Edificio 6, Edificio 7, Residencia de Post-Grado, Cultura Física, Servidor, CRAI y Docente, FCEE, FI y el Rectorado (Fig.2) Los edificios que no están incluidos en este estudio se debe en su mayoría que rotura de sus metrocontadores.
A pesar que la Universidad de Cienfuegos cumple con todos los requisitos energéticos y se encuentra en una posición favorable respecto a otras empresas de la provincia, mantiene como una prioridad reducir el consumo de los portadores energéticos, para lo cual se trazan diversas oportunidades.
Con el fin de reducir el consumo energético se trazan diversas oportunidades de mejoras, para las cuales es necesario el trabajo con un grupo de expertos e implicados directamente afectados por el rendimiento energético. El equipo de trabajo se conforma con trabajadores conocedores del tema e interesados en el mismo, de forma tal que puedan aportar información precisa, estos participan en toda las etapas de la investigación y toman las decisiones convenientes.
Estos expertos se reunen y a su juicio identifican los principales problemas que afectan la eficiencia energética en la Universidad de Cienfuegos, sede Carlos Rafael Rodríguez con el fin de eliminarlos.
Entre los principales problemas detectados por los expertos se encuentran los siguientes:
Poca conciencia de la necesidad de ahorro de energía eléctrica por el personal en general.
Inexistencia de indicadores de salida o producto final que refleje realmente la eficiencia en el consumo de energía.
Poco uso de las posibilidades de ahorro de las PC.
Equipamiento de la cocina comedor con tramos sin aislar.
Alto consumo de energía eléctrica por la Residencia Estudiantil.
Registro deficiente y poco frecuente del consumo de energía eléctrica por parte de las diferentes áreas de la UCF.
Desconocimiento por parte del personal de contabilidad del consumo de energía eléctrica.
El equipo de mejora (expertos), define el efecto de cada causa y las oportunidades de mejora, como se muestra en la Tabla 1. Luego establece un orden de prioridad con la utilización de la matriz UTI. Los resultados obtenidos se evidencian en la Tabla 2.
Causa | Efecto | Oportunidad |
---|---|---|
No se realizan acciones encaminadas a una política de ahorro de los portadores energéticos del personal en general. | Poca conciencia de la necesidad de ahorro de energía eléctrica por el personal en general. | Concientización del personal en el uso racional de la energía eléctrica. |
Alto consumo de energía eléctrica por la Residencia Estudiantil. | Consume el 17 % de la Energía eléctrica del centro. | Implantación de planes de ahorro objetivos. |
Inexistencia de indicadores de salida o producto final que refleje realmente la eficiencia en el consumo de energía. | Los análisis de los índices de consumos se centran en elementos tradicionales de la gestión universitaria que no reflejan de forma efectiva la Eficiencia Energética. | Determinación de indicadores de consumos de energía eléctrica medible y útil para la gestión energética. |
Poco uso de las posibilidades de ahorro de las PC. | Aumento del consumo de energía por las PC por el no uso de las posibilidades de ahorro. | Indicaciones sobre el modo de ahorro de energía de monitores de PC. |
En el equipamiento de la cocina comedor existen tramos sin aislar. | Pérdidas en la hermetización. | Reparación general del equipamiento de la cocina comedor (termitas y tachos). |
Causas | Urgencia | Tendencia | Importancia | Total |
A | 10 | 10 | 10 | 30 |
B | 9 | 8 | 9 | 27 |
C | 8 | 8 | 8 | 24 |
D | 7 | 7 | 8 | 22 |
E | 10 | 10 | 10 | 30 |
F | 5 | 6 | 5 | 16 |
G | 4 | 4 | 5 | 13 |
Luego del análisis realizado se puede llegar a la conclusión que las causas más probables que inciden en el bajo nivel en la gestión energética son las causas A y E, es decir, la poca conciencia de la necesidad de ahorro de energía eléctrica por el personal en general y el alto consumo de energía eléctrica por la Residencia Estudiantil, lo que puede ser erradicado si se aplican las oportunidades de mejora propuestas.
Para estudios posteriores se tienen en cuenta las variables que inciden directamente en el consumo de energía eléctrica del centro, como son:
Para el análisis de las variables universitarias que inciden en el consumo de energía eléctrica se tiene en cuenta lo siguiente:
La matrícula diurna, el número de becados, la matrícula total y el número de trabajadores varían por cursos y no por años.
En el mes de agosto (período vacacional), el consumo no depende de las variables mencionadas, sino de causas no asociada a ellas, como es el caso de la iluminación exterior, y el uso del comedor y del Hotel de Postgrado.
Por lo anteriormente expuesto, la cantidad de energía eléctrica que se consume no incluye al mes de agosto y es la suma de los consumos de los meses de un curso dado. La Tabla 3 muestra el consumo de energía eléctrica de las diferentes variables universitarias que se proponen por cursos.
Curso | Año | MWh | Bec | PC | AA | MT | CRD | Trab | D_T | Consumo de H2O m3 Diarios |
---|---|---|---|---|---|---|---|---|---|---|
2001-2002 | 2002 | 658 | 533 | 289 | 93 | 1306 | 998 | 588 | 1586 | 930 |
2002-2003 | 2003 | 671 | 618 | 295 | 94 | 1574 | 1150 | 609 | 1759 | 1000 |
2003-2004 | 2004 | 671 | 721 | 350 | 96 | 1847 | 1344 | 699 | 2043 | 950 |
2004-2005 | 2005 | 687 | 739 | 432 | 97 | 1947 | 1434 | 734 | 2168 | 1100 |
2005-2006 | 2006 | 737 | 743 | 543 | 101 | 2135 | 1420 | 731 | 2151 | 700 |
2006-2007 | 2007 | 813 | 732 | 679 | 104 | 2332 | 1344 | 727 | 2071 | 580 |
2007-2008 | 2008 | 819 | 719 | 621 | 105 | 2384 | 1434 | 732 | 2166 | 534 |
2008-2009 | 2009 | 779 | 735 | 645 | 106 | 2408 | 1717 | 745 | 2462 | 450 |
2009-2010 | 2010 | 728 | 788 | 698 | 109 | 2411 | 1704 | 754 | 2458 | 310 |
2010-2011 | 2011 | 770 | 596 | 673 | 103 | 2431 | 1267 | 858 | 2125 | 250 |
2011-2012 | 2012 | 772 | 587 | 854 | 140 | 2203 | 1234 | 862 | 2096 | 230 |
2012-2013 | 2013 | 789 | 565 | 824 | 155 | 1951 | 1238 | 856 | 2094 | 268 |
2013-2014 | 2014 | 815 | 504 | 798 | 152 | 1877 | 1231 | 864 | 2095 | 243 |
2014-2015 | 2015 | 790 | 585 | 915 | 178 | 2123 | 1251 | 861 | 2112 | 255 |
Donde:
MWh: |
Consumo Anual |
Bec: |
Cantidad de Estudiantes Becados |
PC: |
Cantidad de Computadoras |
AA: |
Cantidad de Aires Acondicionados |
MT: |
Matrícula Total |
CRD: |
Cantidad de Estudiantes del Curso Regular Diurno |
Trab: |
Cantidad de Trabajadores |
D-T: |
Cantidad de Estudiantes CRD + Cantidad de Trabajadores |
Luego se procede a realizar un análisis de Regresión Simple a las variables de la Tabla 3. Los resultados arrojados por cada uno de estos diagramas se pueden apreciar en la Tabla 4.
Variable Dependiente | Variable independiente | Ecuación | R2 % | R | P Value | Error Standard |
---|---|---|---|---|---|---|
MWh | Diurnos | MWh=508,465+ 0,126966*Est Diurno | 58.8956 | 0,77 | 0,0096 | 25,064 |
MWh | Becados | MWh. = 425,131 + 0,373151*Becados | 67,2107 | 0,82 | 0,0037 | 22,3858 |
MWh | Trabajadores | MWh = 560,742 + 0,171011*Cant Trabaja | 12,3794 | 0,35 | 0,3188 | 36,4923 |
MWh | Matrícula total | MWh = 661,33 + 0,00435032*Matric Total | 27,7893 | 0,52 | 0,1174 | 33,1282 |
MWh | Diurnos +Trabajadores | MWh = 473,862 + 0,100004*DT | 53,5942 | 0,73 | 0,0161 | 26,6313 |
MWh | PC | MWh = 616,521 + 0,119032*Cantidad de PC | 44,4998 | 0,67 | 0,0351 | 29,1242 |
MWh | Aires Acondicionados | MWh = 183,954 + 4.95582*Cant Aires Acond | 54,558 | 0.74 | 0,0147 | 26,3533 |
Fuente: Elaboración Propia.
Teniendo en cuenta los resultados anteriores, los indicadores para la gestión de la energía eléctrica en la UCF, deben ser:
A partir de este estudio se realiza un análisis estadístico de los datos de consumo de energía eléctrica en la UCf, Sede “Carlos Rafael Rodríguez”. Los datos son obtenidos de los análisis económicos en el período 2002-2015 y de los archivos de la Dirección de Mantenimiento de la UCf (Tabla 3). Se desechan los datos del año 2016 debido a que por políticas del país se aplican restricciones al consumo de energía eléctrica.
A partir de los datos recopilados se realiza el Análisis de Componentes Principales, con el fin de agrupar las variables en componentes y a partir de ahí buscar los modelos que mejor se ajusten, y poder así predecir futuros consumos de energía eléctrica.
Análisis de Componentes Principales
Cuando se recoge la información de una muestra de datos, lo más frecuente es tomar el mayor número posible de variables.
El Análisis de Componentes Principales es una técnica matemática que no requiere la suposición de normalidad multivariante de los datos, aunque si esto último se cumple se puede dar una interpretación más profunda de dichos componentes.
En el caso de estudio que nos ocupa, las variables que se han utilizado en la gestión energética de la universidad están intercorrelacionadas. Es por tanto necesario agruparlas en otras variables que describan adecuadamente el consumo de electricidad en la universidad.
Ser realizan el análisis en SPSS V.20 para determinar los componentes principales, a partir de las variables Cantidad de Estudiantes Becados (bec), Estudiantes del CRD en la sede (CRD), Cantidad de trabajadores en la sede (Trab), matrícula total de la sede (MT), CRD + trabajadores (D_T), cantidad computadoras personales en la sede (PC) y cantidad equivalente de equipos de Aire Acondicionado de la sede (AA). Esta última variable representa la potencia instalada en toneladas de frio en la sede.
Los primeros dos componentes tienen autovalores mayores que 1 y representan el 92,5% de la varianza de las variables originales, como se puede apreciar en la Tabla 5.
Componente | Autovaloresiniciales | ||
---|---|---|---|
Total | % de la varianza | % acumulado | |
1 | 3.658 | 52.257 | 52.257 |
2 | 2.782 | 39.750 | 92.007 |
3 | .298 | 4.258 | 96.264 |
4 | .156 | 2.224 | 98.488 |
5 | .089 | 1.270 | 99.758 |
6 | .017 | .242 | 100.000 |
7 | 1.49E-017 | 2.12E-016 | 100.000 |
El primer componente se le podría definir como “Nivel de actividad”, ya que son las variables que describen a los estudiantes las que mayor coeficiente de correlación tienen con dicho componente. El segundo lo definimos como “Uso de la tecnología” ya que tiene pesos altos en las variables PC, AA y Trabajadores (Tabla 6).
Componente | ||
---|---|---|
Nivel de actividad | Uso tecnologías | |
bec | .837 | -.466 |
CRD | .965 | -.053 |
Trab | .187 | .942 |
MT | .843 | .389 |
D_T | .918 | .339 |
PC | .247 | .949 |
AA | -.199 | .918 |
Se realiza un análisis de regresión lineal para determinar el nivel de influencia de estos dos componentes en el consumo de electricidad de la sede. El modelo obtenido describe adecuadamente el consumo de electricidad, no obstante, el Nivel de actividad no correlaciona de forma significativa con la variable dependiente. Esto puede estar relacionado a dos causas que confunden el análisis, la primera es que no se tienen en cuenta las medidas organizativas que restringen el consumo en la residencia estudiantil a un nivel previamente definido; y la segunda es que se toman datos del año fiscal y el nivel de actividad cambia en septiembre.
Para resolver estas contradicciones es imprescindible cambiar el sistema de gestión energética de la universidad, tanto en los períodos de análisis como en las variables a medir. En este trabajo se proponen dos métodos para encontrar dichos modelos. En el primero se realiza un análisis de regresión para obtener un modelo que describa con el menor error posible los valores de consumo de energía eléctrica medidos.
Este modelo no puede ser utilizado para predecir valores futuros debido a la intercorrelación de sus variables independientes. Una vez obtenido el modelo se utiliza para realizar un experimento virtual, estadísticamente diseñado, lo cual garantiza que pueda utilizarse sus resultados para la predicción del consumo eléctrico.
El segundo método es utilizar variables independientes que no estén correlacionadas entre sí. Para ello se divide la matrícula en estudiantes externos, becados y semipresenciales, se utiliza la cantidad de trabajadores y las tecnologías instaladas (aires y PC) así como el consumo de agua promedio diario.
Modelo obtenido a partir del Diseño de Experimento Virtual
El objetivo del análisis estadístico es encontrar la relación matemática existente entre el consumo de energía eléctrica y las diferentes variables que lo afectan, además de encontrar un modelo que permita predecir la demanda de energía eléctrica.
Para esto se realiza un análisis de Regresión Múltiple y luego un Diseño de Experimento Virtual, para lo cual se utiliza el software Startgraphics Centurion XV.
Análisis de Regresión Múltiple
Variable dependiente: MWh
Variables independientes: Aires Acondicionados (AA), AA2, Becados (Bec), Bec2, Diurnos y Trabajadores (D-T), D-T2, Matrícula Total, Computadoras (PC), PC2, Trabajadores (Trab), Trab2.
El Análisis de Regresión Múltiple y el Análisis de Varianza se observan en las Tablas 7 y 8 respectivamente.
Error | Estadístico | |||
---|---|---|---|---|
Parámetro | Estimación | Estándar | T | Valor-P |
CONSTANTE | -2775,12 | 546,178 | -5,08098 | 0,0366 |
AA | -0,783922 | 3,28005 | -0,238997 | 0,8334 |
AA2 | 0,00393323 | 0,00925033 | 0,425198 | 0,7121 |
Bec2 | -0,00025933 | 0,000519353 | -0,499333 | 0,6671 |
Becad | -0,689156 | 0,686184 | -1,00433 | 0,4210 |
D_T | 1,18936 | 0,524706 | 2,26673 | 0,1516 |
D_T2 | -0,00026951 | 0,000110521 | -2,43854 | 0,1349 |
MT | 0,106464 | 0,049086 | 2,16893 | 0,1623 |
PC2 | -0,000426915 | 0,000209152 | -2,04117 | 0,1780 |
PCs | 0,787101 | 0,213403 | 3,68832 | 0,0663 |
Trab | 7,2965 | 2,05938 | 3,54306 | 0,0713 |
Trab2 | -0,00554182 | 0,00135912 | -4,0775 | 0,0552 |
Fuente | Suma de Cuadrados | Gl | Cuadrado Medio | Razón-F | Valor-P |
---|---|---|---|---|---|
Modelo | 43295,7 | 11 | 3935,97 | 107,45 | 0,0093 |
Residuo | 73,2646 | 2 | 36,6323 | ||
Total (Corr.) | 43368,9 | 13 |
Fuente: Startgraphics Centurion XV.
R-cuadrada = |
99,8311 porciento |
R-cuadrado (ajustado para g.l.) = |
98,9019 porciento |
Error estándar del est. = |
6,05246 |
Error absoluto medio = |
1,75164 |
Estadístico Durbin-Watson = |
3,11644 (P=0,6345) |
Autocorrelación de residuos en retraso 1 = |
-0,563295 |
La salida del software muestra los resultados de ajustar un modelo de regresión lineal múltiple para describir la relación entre los MWh y las 11 variables independientes. La ecuación del modelo ajustado es:
MWh = -2775,12 - 0,783922*AA + 0,00393323*AA2 - 0,00025933*Bec2 - 0,689156*Becad + 1,18936*D_T - 0,00026951*D_T2 + 0,106464*MT - 0,000426915*PC2 + 0,787101*PCs + 7,2965*Trab - 0,00554182*Trab2
Puesto que el valor-P en la tabla ANOVA es menor que 0,05, existe una relación estadísticamente significativa entre las variables con un nivel de confianza del 95,0%.
Diseño de Experimento Virtual
Se toma un diseño de Superficie de Respuesta, compuesto central 2 (6−1) con 46 corridas. Para obtener los valores de consumo se utiliza el modelo de regresión obtenido.
Luego se procede a la codificación las variables, la matriz del diseño y los valores de la matriz de los experimentos sin codificar, los cuales fueron sustituidos en la ecuación de regresión obtenida en el análisis de Regresión Múltiple.
Finalmente se hace un análisis del experimento, tal como se muestra en la Tabla 9.
Efecto | Estimado | Error Estd. | V.I.F. | Efecto | Estimado | Error Estd. | V.I.F. | |
---|---|---|---|---|---|---|---|---|
Promedio | 843,268 | 3,98975 | BC | 0 | 2,0095 | 1 | ||
A:AA | 6,4705 | 1,72724 | 1 | BD | 0 | 2,0095 | 1 | |
B:Bec | -122,607 | 1,72724 | 1 | BE | 0 | 2,0095 | 1 | |
C:MT | 50,3574 | 1,72724 | 1 | BF | 0 | 2,0095 | 1 | |
D:Trab | -94,634 | 1,72724 | 1 | CC | -10,4125 | 1,89458 | 1,53375 | |
E:C_T | 29,4527 | 1,72724 | 1 | CD | -0,0025 | 2,0095 | 1 | |
F:PCs | 66,544 | 1,72724 | 1 | CE | 0 | 2,0095 | 1 | |
AA | 3,65187 | 1,89458 | 1,53375 | CF | -0,0025 | 2,0095 | 1 | |
AB | 0 | 2,0095 | 1 | DD | -33,8232 | 1,89458 | 1,53375 | |
AC | 0 | 2,0095 | 1 | DE | 0 | 2,0095 | 1 | |
AD | 0 | 2,0095 | 1 | DF | -0,0025 | 2,0095 | 1 | |
AE | 0 | 2,0095 | 1 | EE | -21,0598 | 1,89458 | 1,53375 | |
AF | 0 | 2,0095 | 1 | EF | 0 | 2,0095 | 1 | |
BB | 5,92346 | 1,89458 | 1,53375 | FF | -20,4058 | 1,89458 | 1,53375 |
Esta tabla muestra las estimaciones para cada uno de los efectos estimados y las interacciones. También se muestra el error estándar de cada uno de estos efectos, el cual mide su error de muestreo. Note también que el factor de inflación de varianza (V.I.F.) más grande, es igual a 1,53375. Para un diseño perfectamente ortogonal, todos los factores serían igual a 1. Factores de 10 o más normalmente se interpretan como indicativos de confusión seria entre los efectos.
Luego de este análisis se analiza el Coeficiente de Regresión para los MWh, como se muestra en la Tabla 10. Para esto se busca la interrelación de cada una de estas variables entre sí, con el fin de buscar una nueva ecuación que se ajuste a los datos.
Coeficiente | Estimado | Coeficiente | Estimado | |
---|---|---|---|---|
constante | 843,268 | BC | 0 | |
A:AA | 3,23525 | BD | 0 | |
B:Bec | -61,3033 | BE | 0 | |
C:MT | 25,1787 | BF | 0 | |
D:Trab | -47,317 | CC | -5,20627 | |
E:C_T | 14,7263 | CD | -0,00125 | |
F:PCs | 33,272 | CE | 0 | |
AA | 1,82593 | CF | -0,00125 | |
AB | 0 | DD | -16,9116 | |
AC | 0 | DE | 0 | |
AD | 0 | DF | -0,00125 | |
AE | 0 | EE | -10,5299 | |
AF | 0 | EF | 0 | |
BB | 2,96173 | FF | -10,2029 |
La ecuación del modelo ajustado es:
MWh = 843,268 + 3,23525*AA - 61,3033*Bec + 25,1787*MT - 47,317*Trab + 14,7263*C_T + 33,272*PCs + 1,82593*AA^2 + 0,0*AA*Bec + 0,0*AA*MT + 0,0*AA*Trab + 0,0*AA*C_T + 0,0*AA*PCs + 2,96173*Bec^2 + 0,0*Bec*MT + 0,0*Bec*Trab + 0,0*Bec*C_T + 0,0*Bec*PCs - 5,20627*MT^2 - 0,00125*MT*Trab + 0,0*MT*C_T - 0,00125*MT*PCs - 16,9116*Trab^2 + 0,0*Trab*C_T - 0,00125*Trab*PCs - 10,5299*C_T^2 + 0,0*C_T*PCs - 10,2029*PCs^2
Además del comportamiento lógico del modelo obtenido por el Diseño de Experimentos respecto a las diferentes variables los errores relativos que se cometen al estimar el consumo de energía eléctrica no son superiores a 1.6%. Por tanto, es posible conociendo el nivel de actividad que tendrá la UCf en un futuro planificar el consumo de energía eléctrica de ella con una precisión adecuada.
Se evalúa la exactitud del modelo utilizando los valores de consumo de electricidad de los años 2016 y 2017 de la Universidad como se aprecia en la Tabla 11.
Año | MWh | Becados | PC | AA | MT | CRD | Trab | D_T | MWhe | Error | Erel |
2002 | 658 | 533 | 289 | 93 | 1306 | 998 | 588 | 1586 | 658.6 | -0.55 | 0.08 |
2003 | 669 | 618 | 295 | 94 | 1574 | 1150 | 609 | 1759 | 670.0 | -1.03 | 0.15 |
2004 | 671 | 721 | 350 | 96 | 1847 | 1344 | 699 | 2043 | 671.5 | -0.49 | 0.07 |
2005 | 687 | 739 | 432 | 97 | 1947 | 1434 | 734 | 2168 | 684.3 | 2.71 | 0.39 |
2006 | 737 | 743 | 543 | 101 | 2135 | 1420 | 731 | 2151 | 743.2 | -6.20 | 0.84 |
2007 | 813 | 732 | 679 | 104 | 2332 | 1344 | 727 | 2071 | 811.1 | 1.87 | 0.23 |
2008 | 819 | 719 | 621 | 105 | 2384 | 1434 | 732 | 2166 | 817.7 | 1.34 | 0.16 |
2009 | 779 | 735 | 645 | 106 | 2408 | 1717 | 745 | 2462 | 780.4 | -1.42 | 0.18 |
2010 | 728 | 788 | 698 | 109 | 2411 | 1704 | 754 | 2458 | 726.2 | 1.76 | 0.24 |
2011 | 770 | 596 | 673 | 103 | 2431 | 1267 | 858 | 2125 | 769.3 | 0.73 | 0.09 |
2012 | 772 | 587 | 854 | 140 | 2203 | 1234 | 862 | 2096 | 774.3 | -2.35 | 0.30 |
2013 | 789 | 565 | 824 | 155 | 1951 | 1238 | 856 | 2094 | 786.0 | 3.00 | 0.38 |
2014 | 815 | 504 | 798 | 152 | 1877 | 1231 | 864 | 2095 | 815.5 | -0.52 | 0.06 |
2015 | 790 | 585 | 915 | 178 | 2123 | 1251 | 861 | 2112 | 790.6 | -0.64 | 0.08 |
2016 | 654 | 570 | 1040 | 173 | 2520 | 1261 | 859 | 2120 | 843.7 | -189.67 | 29.00 |
2017 | 813 | 532 | 1041 | 174 | 2243 | 1250 | 872 | 2210 | 823.9 | -10.87 | 1.34 |
En la tabla anterior se observa que el modelo describe adecuadamente los consumos de energía eléctrica en la sede CRR del año 2002 al 2015, En el caso del año 2016, el error de predicción (Error), dado por la diferencia entre el valor real (MWh) y el estimado (MWhe) es de 189 MWh, debido a que ese año se aplicaron medidas restrictivas al consumo que incluyeron apagones internos.
Se compara la predicción realizada con el modelo con el consumo del presente año. Para obtener el consumo del 2017, se considera que la cantidad de energía que se consumirá en los meses de noviembre y diciembre, será igual a la media de consumo de los primeros 10 meses del año. En este caso el error porcentual (Erel) es inferior a 1,5%.
Modelo de regresión a partir de variables independientes no autocorrelacionadas.
En este caso se tienen en cuenta variables independientes que no tienen relación lógica entre ellas. Se toma el modelo que mayor cantidad de variables tiene y la prueba de Fisher de bondad del ajuste es significativa, es decir, el modelo describe adecuadamente el consumo de energía eléctrica en la sede en función de las variables independientes que contiene.
MWh = -429.049 - 0.212*Bec + 1.353*PC + 15.525*AA - 0.596*Trab + 0.249*H2O + 0.000*sp2 + 0.000*ext2 - 0.001*PC2 - 0.041*AA2 + 0.000*H2O2
En la tabla 12 se muestran los resultados de la predicción de los consumos de electricidad de los años 2016 y 1017, así como la evaluación del modelo con los datos de los años 2002 al 2015.
Año | MWh | Becados | CPE | Externos | PC | AA | Trab | Cons H2O | MWhe | Error | Erel |
2002 | 658 | 533 | 308 | 465 | 289 | 93 | 588 | 930 | 662.3 | -4.27 | -0.65 |
2003 | 669 | 618 | 424 | 532 | 295 | 94 | 609 | 1000 | 669.7 | -0.74 | -0.11 |
2004 | 671 | 721 | 503 | 623 | 350 | 96 | 699 | 950 | 661.6 | 9.37 | 1.40 |
2005 | 687 | 739 | 513 | 695 | 432 | 97 | 734 | 1100 | 690.0 | -3.03 | -0.44 |
2006 | 737 | 743 | 715 | 677 | 543 | 101 | 731 | 700 | 747.4 | -10.38 | -1.41 |
2007 | 813 | 732 | 988 | 612 | 679 | 104 | 727 | 580 | 800.0 | 12.95 | 1.59 |
2008 | 819 | 719 | 950 | 715 | 621 | 105 | 732 | 534 | 824.3 | -5.27 | -0.64 |
2009 | 779 | 735 | 691 | 982 | 645 | 106 | 745 | 450 | 779.5 | -0.46 | -0.06 |
2010 | 728 | 788 | 707 | 916 | 698 | 109 | 754 | 310 | 726.8 | 1.20 | 0.17 |
2011 | 770 | 596 | 1164 | 671 | 673 | 103 | 858 | 250 | 770.5 | -0.46 | -0.06 |
2012 | 772 | 587 | 969 | 647 | 854 | 140 | 862 | 230 | 777.0 | -5.02 | -0.65 |
2013 | 789 | 565 | 713 | 673 | 824 | 155 | 856 | 268 | 796.2 | -7.20 | -0.91 |
2014 | 815 | 504 | 646 | 727 | 798 | 152 | 864 | 243 | 803.5 | 11.54 | 1.42 |
2015 | 790 | 585 | 872 | 666 | 915 | 178 | 861 | 255 | 790.2 | -0.25 | -0.03 |
2016 | 654 | 570 | 1259 | 691 | 1040 | 173 | 859 | 239 | 788.0 | -134.02 | -20.49 |
2017 | 813 | 532 | 993 | 718 | 925 | 181 | 910 | 250 | 812.6 | 0.37 | 0.05 |
Se observa que los errores porcentuales al evaluar el modelo en los años 2002 - 2016, son inferiores a 1,6% pero ligeramente superiores a los que se obtienen con el primer modelo, pero en la predicción futura, se obtienen errores porcentuales inferiores.
Conclusiones
El uso eficiente de la energía, la necesidad del ahorro y la eficiencia energética en las universidades tiene una amplia repercusión social, pues estas son ejemplo y motor del cambio social.
Para una correcta Gestión Universitaria es necesario establecer un conjunto de indicadores que permitan el monitoreo y control de los procesos, desde el punto de vista académico, investigativo, extensionista, ambiental y energético.
La caracterización en materia de energía eléctrica realizada en la Universidad de Cienfuegos permite determinar que la sede mayor consumidora de este portador es la Sede “Carlos Rafael Rodríguez”, analizándose el consumo de energía para los 10 primeros meses de este año 2017. Además, este estudio arroja como edificios mayores consumidores al Edificio 6, 7 y la Facultad de Ingeniería.
Se realiza un estudio estadístico de los indicadores energéticos en función de las principales variables de la UCf a partir de la utilización de los diagramas de regresión lineal, arrojando que las variables que tienen mayor relación con los MWh consumidos son los Estudiantes Diurnos, Becados, Trabajadores, Aires Acondicionados, PC, así como los Diurnos más los trabajadores (D+T).
En el presente trabajo se proponen dos métodos que contribuyan a mejorar la predicción de la demanda de energía eléctrica en la Universidad de Cienfuegos, el Modelo de Regresión y el Diseño de Experimento Virtual.
En el análisis del Modelo de Regresión a partir de variables independientes no autocorrelacionadas se toma el modelo que mayor cantidad de variables tiene, además de ser el modelo describe adecuadamente el consumo de energía eléctrica en la sede en función de las variables independientes que contiene.