Gestión
de demanda en usuarios residenciales evaluando su impacto a través de un modelo
de dinámica de opinión
Demand
management in residential customers with impact assessment via opinion dynamics
Mateo Cortés-Guzmán1,
Orlando González-Vivas 2, Elkin Moreno-Soto3, Carlos
Cusgüen 4, Eduardo Alirio Mojica-Nava5, Fabio
Pavas-Martínez6
Grupo de investigación PAAS-UN, Departamento de
Ingeniería eléctrica y electrónica, Universidad Nacional de Colombia,
Colombia. Email: macortesgu@unal.edu.co
2Grupo de investigación PAAS-UN,
Departamento de Ingeniería eléctrica y electrónica, Universidad Nacional de
Colombia, Colombia. Email: oagonzalezv@unal.edu.co
3Grupo de investigación PAAS-UN,
Departamento de Ingeniería eléctrica y electrónica, Universidad Nacional de
Colombia, Colombia. Email: emorenoso@unal.edu.co
4Grupo de investigación PAAS-UN,
Departamento de Ingeniería eléctrica y electrónica, Universidad Nacional de
Colombia, Colombia. Email: cacusgueng@unal.edu.co
5Grupo de investigación PAAS-UN,
Departamento de Ingeniería eléctrica y electrónica, Universidad Nacional de
Colombia, Colombia. Email: eamojican@unal.edu.co
6Grupo de investigación PAAS-UN,
Departamento de Ingeniería eléctrica y electrónica, Universidad Nacional de
Colombia, Colombia. Email: fapavasm@unal.edu.co
RESUMEN
Se propone un mecanismo de gestión de
demanda que consiste en aplicar un incentivo mixto cuya primera etapa plantea
un incentivo directo (financiero) enfocado en un pequeño grupo de usuarios que
forman una semilla; y una segunda etapa en la que se evalúa la influencia del
grupo semilla (incentivo social) sobre el grupo total de usuarios teniendo en
cuenta los pesos de las opiniones atribuidas a otros agentes y la
susceptibilidad al cambio de las opiniones. Se busca establecer el rango de
alternativas de inversión factibles teniendo en cuenta las restricciones
económicas de los usuarios y la propagación de influencia en la red de
usuarios; obteniendo una relación entre consumo adicional, costo de la
inversión y periodo de retorno. También se plantean casos de estudio aplicados
en los cuales se evalúa el potencial de gestión sobre los usuarios, logrando un
aumento cercano al 6.3% en la potencia promedio en el caso ideal y de 2.65%
cuando se asume una participación moderada de los usuarios que deciden utilizar
una consola de videojuegos. De forma similar se logra un 16% de aumento del
promedio de potencia en el caso ideal y de 7% suponiendo una tasa de aceptación
moderada en la adquisición de un calentador eléctrico de paso.
PALABRAS
CLAVE: Desplazamiento
de carga, Dinámicas de opinión, Electricidad, Energía, Fin estratégico,
Flexibilidad de la demanda, Gestión de demanda, Grafos, Influencia,
Multiagente, Respuesta de la demanda.
ABSTRACT
A mechanism for demand management is proposed which consists
of a combined incentive with first stage direct (monetary) incentive applied to
a small group of users forming a seed; and a second stage where the seed’s
influence on the total group is evaluated given the opinions’ weights
attributed to other agents and the susceptibility to change of self-opinions.
The main goal is to establish the range of feasible investment alternatives
using the combined incentive, having into account the user’s budget constraints
and the influence propagation through the user’s network, thus obtaining the
relationship between consumption’ s increase, investment cost and payback period.
We also propose practical study cases, with assessment of user’s flexibility
potential in their aggregated load curves, achieving an 6.8% average power
increase in the ideal case, and 2.65% when moderate participation is assumed
with a videogames console as the new appliance. In a similar way, when the new
appliance is an electric tankless water heater it is found an average power
increase about 16% for the ideal case and around 7% when the model assumes
moderate acceptance of the program.
KEYWORDS: Load displacement, Opinion dynamics,
Electricity, Energy, Strategic end, Demand flexibility, Demand management,
Graphs, Influence, Multiagent, Demand response.
INTRODUCCIÓN
Este documento presenta un estudio
realizado, para observar la influencia potencial de las opiniones en los
agentes consumidores de energía eléctrica, usuarios, como un método para
realizar programas de gestión de demanda y los resultados obtenidos para un
grupo de usuarios escogidos.
En primer lugar, se establece la
conceptualización básica sobre teoría de grafos y modelos de dinámicas de
opinión, por otra parte, para establecer la ganancia de los usuarios y la
propagación de los incentivos, se presenta el capítulo 3, en los siguientes
capítulos se muestra la relación entre las estrategias de gestión de demanda y
la difusión y aplicación de incentivos, por último, se presentan los resultados
sobre el grupo de usuarios escogido.
GRAFOS, REDES Y DINÁMICAS DE OPINIÓN
El uso de grafos facilita el análisis de
sistemas complejos debido a las múltiples interacciones entre los elementos de
una red. En sistemas multiagente, (grafo – agente) los enlaces y pesos del
grafo se relacionan con las interacciones y parámetros de los agentes (red
social).
La falta de información exacta sobre redes
reales puede resolverse generando redes aleatorias conocidas como redes de
mundo pequeño,
que conservan los valores del coeficiente de agrupamiento y distribución de
grado vistos en redes reales. Un algoritmo para generación de éstas fue
propuesto por Watts y Strogatz [1], y es utilizado en el presente artículo
para generar redes de prueba y penetración del incentivo propuesto. Otro tipo
de redes aleatorias, llamadas libres de escala, utilizando el algoritmo de
Barabási y Albert [2], [3]. Redes como internet o la red de
colaboración en investigaciones académicas, han sido identificadas como redes
libres de escala.
Los modelos de dinámicas de opinión
estudian la evolución de la influencia (opinión) entre un grupo de personas.
Una revisión de los modelos más utilizados puede verse en [4], entre los que resalta el propuesto por
Friedkin y Johnsen—FJ— en [5], [6] por ser uno de los pocos que ha
tenido validaciones empíricas en grupos pequeños de individuos. El modelo FJ
considera dos parámetros principales para los agentes: la susceptibilidad de
cambiar la opinión propia, y la confianza en cada opinión a la cual se está
expuesto (propia o de un agente vecino) durante una interacción. Otro tipo de
modelos propuesto por Hegselmann y Krause [7] incluye el concepto de intervalo de
confianza: cada agente tiene en cuenta las opiniones de
los otros cuando son similares a la propia, pero ignora posturas radicalmente
distintas. La tolerancia a opiniones dispares depende de la amplitud del
intervalo de confianza.
En el presente artículo se adopta el modelo
FJ, debido a que la inclusión de los parámetros de susceptibilidad y confianza
y las interacciones limitadas con vecinos imprimen un realismo y complejidad
mayor a la evolución de la opinión que el cómputo de un promedio restringido a
los agentes dentro de un intervalo. Por otro lado, el modelo FJ también permite
la inclusión en el análisis de agentes persistentes, que forman una semilla
para la propagación de la influencia en el resto de la red. Se implementa la versión mostrada por Mirtabatabaei et. al. en [8], y la actualización de las opiniones se
muestra en la ecuación (1):
Donde, para el individuo 
, el
término 
representa la opinión en el tiempo 
, 
la susceptibilidad a cambiar su opinión inicial, 
la confianza en las propias opiniones y 
la credibilidad dada por el agente al
vecino 
durante una
interacción.
INCENTIVOS SOCIALES Y PROPAGACIÓN DE LA INFLUENCIA
En un sentido amplio, un incentivo puede
ser cualquier medio de modificar el comportamiento de un individuo al cambiar
los costos o beneficios que percibe [9]. Los incentivos de uso más extendido
suelen ser del tipo financiero [10], como premios o penalidades. No
obstante, dependiendo de la función de utilidad de los agentes, es posible que
su flexibilidad a cambiar sea baja, i.e., el incentivo requerido para el
cambio deseado en los agentes es más alto que el máximo disponible del
organizador [11], [12]. Esto puede ser crítico cuando un
castigo o penalización no es posible (si no se habla de una regulación
obligatoria) o no es conveniente (por el malestar social ante la imposición).
Como alternativa, puede pensarse en un incentivo mixto de origen social [13], [14], que motive el cambio mientras
los agentes reciben una remuneración indirecta que sea de su interés subjetivo.
Por ejemplo, si se piensa en un incentivo ambiental, los agentes podrían
reaccionar con una reducción de consumo en horarios específicos si se plantea
una siembra de árboles proporcional al ahorro total.
Otra alternativa es la que se desarrolla en
el presente artículo, con la introducción de un incentivo mixto para aumentar
el consumo de electricidad mediante la adición de un dispositivo nuevo en el
hogar. La primera etapa plantea una inversión por parte del planeador que
subsidia el valor del equipo a un pequeño grupo de la población, formando una
semilla que propaga su influencia en el resto de la red social de consumidores.
Dependiendo de la susceptibilidad de los agentes a cambiar su opinión y
adquirir el dispositivo, y sujeto a que su capacidad financiera lo permita, el
planeador puede recuperar su inversión y obtener beneficios con el consumo
adicional. Los agentes semilla se caracterizan por una opinión inicial alta y
una baja susceptibilidad a cambiar debido al subsidio, recomendando su uso durante
las interacciones.
La decisión 
de
adquirir el nuevo dispositivo que cada agente toma — y evoluciona según la
dinámica de la opinión—, se modela como una variable aleatoria binaria, y su
capacidad financiera 
, modelada utilizando una distribución lognormal con parámetros (
,
) que representa la distribución de ingresos [15] de la población que participa en la
dinámica. Esta curva puede estimarse utilizando el índice de GINI y los
ingresos promedio [16], [17], con las relaciones mostradas en
la Ec. (2). Con un índice de
GINI igual a 0.498, calculado para Bogotá en 2015 [18] e ingresos promedio estimados en 1.37
SMMLV con base en [19], [20] se obtiene la curva de ejemplo
mostrada en la Fig. 1.
Cada agente solo se incorpora al programa
si ha tomado la decisión de adquirir el dispositivo y tiene la capacidad
financiera 
para asumir el gasto 
, de acuerdo con las ecuaciones (3) y (4).
Donde 
es la decisión final, 
el factor de inversión (proporción de los ingresos mensuales que un
usuario está dispuesto a gastar) e son los ingresos mensuales de acuerdo con la curva de la Fig. 1. 
es la distribución de Bernoulli.
Un mecanismo se compone de un conjunto 
de
estrategias disponibles para los agentes, un conjunto de preferencias 
,
según las cuales cada usuario selecciona una estrategia, y una regla de
decisión. Para el presente caso, el mecanismo 
que
se obtiene se muestra en la ecuación (5):
Donde 
es la opinión de acuerdo con la ecuación (1). se diferencia de un mecanismo económico tradicional en que la regla
de decisión no requiere que todos
los agentes lleguen a una sola decisión común, y la decisión final no requiere
que algunos agentes sacrifiquen sus preferencias en pro de lograr un beneficio
óptimo para la sociedad en conjunto, sino que es un agregado de las decisiones
individuales.
APLICACIÓN DE LA GESTIÓN DE DEMANDA
El comportamiento de la demanda de energía
y potencia eléctrica está iniciando un proceso de activación, debido a la
concienciación de su propio consumo y por ende convirtiéndose en un agente
dinámico de la energía. Así se genera la necesidad de revisar cómo se ve
afectado el comportamiento de la demanda una vez son incluidas programas de
respuesta de la demanda.
Programas
de respuesta de la demanda
Las estrategias de respuesta de la demanda
son diferentes alternativas que se adoptan en función de moldear el perfil de
demanda de los usuarios. Actualmente se destacan varios programas de RD que
buscan que las estrategias sean aplicadas con el fin de lograr diferentes
acciones sobre el perfil agregado de los usuarios:
Programas RD Basados en Incentivos: Del tipo voluntario, donde los esfuerzos de los usuarios por
reducir el consumo se ven recompensados a través de incentivos sobre sus
facturas [12], [13].
Programas RD Basados en precios: Del tipo regulatorio donde se aplica una tarifa diferenciada para
horas pico y valle a todos los usuarios quienes en la medida de sus intereses
deciden reaccionar o no ante la medida. [11].
Acciones
Son los objetivos o fines estratégicos a
alcanzar en la curva de demanda agregada de los usuarios, estas pueden ser
individuales o combinadas y para este documento se tienen en cuenta las
enfocadas a RD.
·
Ahorro de energía: Busca que el agente
consumidor de un sistema disminuya el consumo promedio mensual sin importar
horarios. Se relaciona con el concepto de sostenibilidad, también de interés
creciente [21].
·
Disminución de picos: Busca reducir únicamente
los picos de potencia mediante ahorro de energía, cambio tecnológico,
eficiencia energética.
·
Desplazamiento de carga: Este fin trasladar el consumo
de potencia entre las diferentes horas del día, buscando que la curva de
demanda sea uniforme en el tiempo.
·
Llenado de valles: Este fin busca aumentar el
uso de la energía en las horas valle aprovechando tarifas más baratas.
·
Aumento de consumo: Es una acción que busca el
aumento del consumo por parte de los usuarios. Su eficacia es evaluada en el
presente documento ya que se considera desde la perspectiva económico de un
Operador de Red.
MODELAMIENTO DE MECANISMO DE RD
Se ha propuesto un programa de respuesta de
la demanda de carácter voluntario a través de incentivos. Existe una población
general objetivo de N=200 usuarios residenciales con diferentes
electrodomésticos dentro de su curva de demanda, que representan posibles
consumos de usuarios residenciales de la ciudad de Bogotá. Del grupo total, se seleccionó una semilla de 20 usuarios, y parámetros
de la población de acuerdo con la ecuación (6).
El programa es propuesto desde el punto de
vista del Operador de Red, sobre la población objetivo cuyas decisiones son
desarrolladas con la ayuda de dinámicas de opinión. Una vez tomadas las
decisiones del grupo en general, los cambios resultantes en la curva de demanda
agregada son analizados. Los incentivos propuestos se resumen en seguida[22].
Programa de incentivos de consumo mediante aumento de
carga
El objetivo del programa de respuesta de la
demanda es el de aumentar el consumo de energía, a través de ciertos
incentivos, como es la facilidad de adquirir ciertos electrodomésticos con el
compromiso del usuario a integrarlos en su hogar y aumentar su nivel de confort[22], [23]:
·
Consola de videojuegos (CV): Presenta una
potencia 170W con un promedio uso de 2 horas diarias todos los días.
·
Calentador de paso eléctrico (CP): Con potencia
de 12 kW el cual reemplaza la ducha eléctrica en caso de ya estar presente en
el hogar del usuario con promedio de uso de 30 minutos diarios.
Aplicación de dinámicas de opinión
El modelo de dinámicas de opinión propuesto
revisa el proceso de propagación de la información, la influencia y situación socioeconómica
de los usuarios para el proceso de toma de decisiones [14], [15], [16].
Figura 1. Distribución
lognormal de los ingresos en Colombia, con 
y 
. Fuente. Elaboración propia.
Se modela un grupo de usuarios
conservadores, que solo realizan la inversión si esta no afecta de manera
significativa sus ingresos por tanto el factor de inversión se modeló como un
33%. Inicialmente se desea
conocer la decisión de la población y la proporción que se acoge al plan de
incentivos iniciado con el subsidio a la semilla. Para esto, se realizó un
barrido Monte Carlo con T = 500 iteraciones para varios costos del dispositivo,
y se calcularon los valores para tres indicadores de influencia media, mostrados
en la Tabla 1. Dichos
indicadores se describen a continuación:
·
Tienen en cuenta la proporción de agentes que se
acogen al incentivo del total, o del total de elegibles (aquellos que podrían
comprar el dispositivo si lo desean), y la relación entre los que lo compran
entre los elegibles.
·
El indicador de aptitud depende de la curva de
ingresos para los agentes mostrada en la Fig. 1, y no se ve afectada por la
ubicación de los agentes semilla.
·
La forma de distribución de la semilla es
aleatoria dentro de la población la evolución de la influencia en el resto del
grupo, y es diferente al caso en el que se encuentra agrupada (Fig. 2)
·
Tanto los valores de MI como los del indicador
MRI son más altos en el caso de los agentes agrupados; aunque la diferencia no
es grande, esto puede deberse a una mayor estabilidad de la opinión del grupo
semilla dentro de la red. Para casos en los que los agentes tiendan a ser más
susceptibles o más persistentes con su opinión, la influencia media de la
semilla en la red cambiará de manera consecuente, según la Ec. (1).
Tabla 1. Indicadores de influencia en el modelo utilizado
|
Indicador
|
Definición
|
|
Influencia (MI)
|
|
|
Aptitud (MA)
|
|
|
Influencia Restringida (MRI)
|
|
Fuente. Elaboración propia.
Figura 2. Valor de los indicadores de la Tabla 1, que muestra el efecto de la ubicación de
los agentes semilla en la red. Fuente. Elaboración propia.
Teniendo en cuenta que la decisión final de
los usuarios depende tanto de su capacidad financiera como de sus parámetros de
influencia social, se realizó un barrido modificando el costo del equipo
adicional que comprarían los usuarios y el costo del consumo mensual de energía
asociado a dicho aparato, para obtener un mapa que caracteriza la factibilidad
de que con unos parámetros sociales particulares, sea viable la introducción de
un nuevo dispositivo teniendo en cuenta una inversión inicial (equipos
recibidos por los agentes semilla), y las ganancias ocasionadas por el consumo
adicional de los usuarios que finalmente se acojan a la campaña. La evolución
para una de las iteraciones se muestra en la Fig. 3, en la que se ve que los
agentes alcanzan un estado estable con rapidez, aproximadamente en 30
interacciones.
Figura 3. Evolución de la opinión para un caso con los parámetros descritos.
Fuente. Elaboración propia.
Las curvas de nivel resultantes del barrido
pueden verse en la Fig. 4 donde las dos primeras líneas de contorno
representan los límites de retorno de inversión (payback) de 5 y 10
meses respectivamente. La última línea amarilla comprende periodos de retorno superiores
a 24 meses, que ya no serían atractivos financieramente. En este caso, si el
consumo del nuevo dispositivo aporta $10000 COP mensuales a la factura, la
parte interesada solamente verá un retorno de inversión en 10 meses si el
equipo cuesta alrededor de $300.000 COP.
Figura 4. Periodos de
retorno de la inversión dependiendo del costo del nuevo equipo y su consumo
mensual medio de electricidad. Fuente. Elaboración propia.
Si el consumo se eleva a $50.000 COP
mensuales, el subsidio podría aumentar a equipos que cuesten alrededor de
$700.000 COP, punto en el cual podrían ubicarse algunos modelos de calentadores
de agua eléctricos. Las curvas mostradas dan una idea de los límites entre los
cuales, para una población con las características descritas, sería rentable la
aplicación de un incentivo mixto basado en subsidios e influencia social.
RESULTADOS
En seguida se resumen los resultados
obtenidos una vez se conocen las decisiones desde la aplicación del modelo de
dinámicas de opinión propuesto y reflejados en el modelamiento de la demanda
con y sin el programa de RD[22].
Uso de consola de videojuegos
La consola de videojuegos en el primer
escenario que es el ideal (200 usuarios aceptan mecanismo), presentaría un
aumento en el promedio de consumo de los usuarios de 6.25% sobre su consumo
base de referencia, en el primer escenario donde todos los 200 usuarios
modelados adquieren el electrodoméstico.
En el segundo escenario el análisis de las
dinámicas de opinión arrojó un total de 68 usuarios (34%) que se acogen al
programa de incentivo, adquieren el equipo y representan un aumento de 2.65%
respecto de su consumo base de referencia Fig. 5.
Figura 5. Porcentaje de consumo adicional CV
de los 200 usuarios (Ventana 20 usuarios). Fuente. Elaboración Propia.
Figura 6. Perfil de potencia agregado semanal
de los usuarios (ventana 2 días). Fuente. Elaboración propia.
Figura 7. Función de probabilidad-CV. Fuente.
Elaboración propia.
En la Fig. 6 el escenario de aplicación del
programa de respuesta de la demanda arrojó un aumento en los picos de potencia
promedio semanal del 35.4 – 37.2 kW (5.1%), comparado con el escenario sin
incentivos en el consumo agregado de los usuarios modelados. Durante la semana
se presenta un pico máximo de potencia de 65 kW por parte de los usuarios en la
curva del programa ideal, 65 kW cuando se genera la dinámica de opinión y 60 kW
para el caso base de consumo agregado.
La función de probabilidad del consumo, ver
Fig. 7, muestra los estadísticos resultantes (Tabla 2). El aumento en consumo
de los usuarios alcanza un máximo de 12 kWh/mes entre las curvas base e ideal
para el 80% de los usuarios; lo que equivale a un máximo aumento del 10% del
consumo mensual base (130 kWh/mes).
La aplicación del programa de respuesta de
la demanda evaluado por la dinámica de opinión refleja un aumento máximo de 7
kWh/mes para un 50% de los usuarios; lo cual es equivalente a un alza de 5.4%
en el consumo de energía mensual base.
Tabla 2. Resumen datos función de
probabilidad.
|
%Usuarios\aplicación
|
Base
|
Max ideal
|
Dinámica de opinión
|
|
20
|
90
|
101
|
94
|
|
50
|
124
|
135
|
131
|
|
80
|
169
|
182
|
169
|
El programa de respuesta de la demanda
ofrece cuando es aplicado, un rango de consumo entre 94 y 172 kWh/mes para el
60% de los usuarios.
Uso de calentador de paso
El calentador de paso en el primer
escenario, presentaría un aumento en el promedio de consumo de los usuarios de
8.36% sobre su consumo base de referencia, en el primer escenario donde todos
los 200 usuarios modelados adquieren el electrodoméstico.
En el segundo escenario el análisis de las
dinámicas de opinión arrojó un total de 72 usuarios (36%) que se acogen al
programa de incentivo, adquieren el equipo y representan un aumento de 4.1%
respecto de su consumo base de referencia Fig. 8.
Figura 8. Porcentaje de consumo adicional
CP de los 200 usuarios (Ventana 20 usuarios). Fuente. Elaboración Propia.
Figura 9. Perfil de potencia agregado
semanal de los usuarios (ventana 2 días). Fuente. Elaboración propia.
Figura 10. Función de probabilidad-CP.
Fuente. Elaboración propia.
En la Fig. 9 el escenario de aplicación del
programa de respuesta de la demanda arrojó un aumento en los picos de potencia
promedio semanal del 35.4 – 38.2 kW (7.9%), comparado con el escenario sin incentivos
en el consumo agregado de los usuarios modelados. Durante la semana se presenta
un pico máximo de potencia de 92 kW por parte de los usuarios en la curva del
programa ideal (200 usuarios con los electrodomésticos), 60 kW cuando se genera
la dinámica de opinión y en el caso base de consumo agregado.
La función de probabilidad del consumo en
la Fig. 10, muestra los estadísticos resultantes (Tabla 3). El aumento en
consumo de los usuarios alcanza un máximo de 18 kWh/mes entre las curvas base e
ideal para el 80% de los usuarios; lo que equivale a un máximo aumento del
13.8% del consumo mensual base (130 kWh/mes).
La aplicación del programa de respuesta de
la demanda evaluado por la dinámica de opinión refleja un aumento máximo de 5
kWh/mes para un 80% de los usuarios; lo cual es equivalente a un alza de 3.8%
en el consumo de energía mensual base.
Tabla 3.
Resumen datos función de probabilidad.
|
%Usuarios\aplicación
|
Base
|
Max ideal
|
Dinámica de opinión
|
|
20
|
90
|
97
|
94
|
|
50
|
124
|
135
|
127
|
|
80
|
169
|
187
|
174
|
El programa de respuesta de la demanda
ofrece cuando es aplicado, un rango de consumo entre 94 y 174 kWh/mes para el
60% de los usuarios.
CONCLUSIONES
Análisis proporción de la flexibilidad
En existe un margen de gestión de demanda
el cual nos identifica la flexibilidad (entre caso ideal y base) que tendría el
agente consumidor respecto a la influencia de las dinámicas de opinión, el cual
no supera el 10% (calentador) y 4% (consola) de aumento en energía promedio
mensual para los dos incentivos propuestos.
En las Fig. 7 y 10, se presenta entre las
funciones de probabilidad un margen muy pequeño de flexibilidad de los usuarios
debido a la falta de combinación de varios elementos dentro de los incentivos,
o mayor o menor disposición de uso de los dispositivos.
Margen de reducción de picos
Grande o pequeño existe un impacto de los
programas y acciones sobre los picos de demanda (Fig. 6 y 9), elementos como la
consola (potencia menor) aumenta los picos en intervalos de tiempo más largos,
conservando el perfil de consumo del sistema, y otros elementos (calentador de
paso) alteran considerablemente los picos de potencia y cantidad de energía
consumida durante corto tiempo.
Costo beneficio del usuario
Teniendo en cuenta la inflexibilidad de los
usuarios residenciales ante incentivos puramente financieros, una alternativa
complementaria de incentivos sociales (mixto) puede tener un desempeño superior
cuando la semilla está agrupada al formar un cluster con la misma opinión que
tiene mayor influencia en el resto de agentes. De acuerdo a lo mostrado, esta
puede ser alrededor de un 10% mayor.
La caracterización efectiva de los
parámetros de los agentes cuyo comportamiento se modele utilizando dinámicas de
opinión, sigue siendo la mayor dificultad para obtener resultados y previsiones
más exactas. Sin conocer los valores reales, el análisis de escenarios permite
reconocer los límites dentro de los cuales se espera que ocurra el
comportamiento real, teniendo en cuenta la persistencia y la confianza en las
opiniones de otros para cada agente.
AGRADECIMIENTOS
Los autores agradecen a Colciencias por el
financiamiento parcial de este trabajo, enmarcado en la convocatoria No.
706-2015 “Convocatoria Nacional Jóvenes Investigadores e Innovadores año 2015”.
Por otra parte, los autores agradecen al
fondo de regalías por el financiamiento parcial de este trabajo, en el marco
del proyecto” Incremento en las estrategias sustentables en el uso del recurso
de energía eléctrica para la población vulnerable del departamento de
Cundinamarca”.
REFERENCIAS
[1] M. E. J. Newman, D. . J. Watts, and S. H. Strogatz,
“Random graph models of social networks.,” Pnas, vol. 99 Suppl 1, pp.
2566–72, 2002.
[2] R. Albert and A.-L. Barabási, “Statistical mechanics of
complex networks,” Rev. Mod. Phys., vol. 74, no. 1, pp. 47–97, Jan.
2002.
[3] A.-L. Barabási and E. Bonabeau, “Scale-Free Networks,” Sci.
Am., no. May, pp. 50–59, 2003.
[4] A. V. Proskurnikov and R. Tempo, “A Tutorial on Modeling
and Analysis of Dynamic Social Networks. Part I,” Annu. Rev. Control,
vol. 43, pp. 65–79, 2017.
[5] N. E. Friedkin and E. C. Johnsen, “Social Influence
Networks and Opinion Change,” Adv. Gr. Process., vol. 16, pp. 1–29,
1999.
[6] N. E. Friedkin, “A formal theory of social power,” The
Journal of Mathematical Sociology, vol. 12, no. 2. pp. 103–126, 1986.
[7] R. Hegselmann and U. Krause, “Opinion Dynamics and
Bounded Confidence,” Simulation, vol. 5, no. 3, p. 2, 2002.
[8] A. Mirtabatabaei, P. Jia, N. E. Friedkin, and F. Bullo,
“On the reflected appraisals dynamics of influence networks with stubborn
agents,” Proc. Am. Control Conf., pp. 3978–3983, 2014.
[9] N. G. Mankiw, Principios de economía,
2nd ed. Madrid: McGraw Hill Interamericana de España, 2002.
[10] N. Nisan, T. Roughgarden, E. Tardos, and V. V.
Vazirani, Eds., Algorithmic Game Theory. Cambridge:
Cambridge University Press, 2007.
[11] M. A. Cortés Guzmán, “Diseño de un
mecanismo para la gestión de la demanda de energía eléctrica aplicando control
cooperativo y sistemas multi-agente,” Universidad Nacional de Colombia,
Departamento de Ingeniería Eléctrica y Electrónica (en curso, no publicada),
2017.
[12] Unidad de Planeación Minero
Energética-UPME, “Proyección de la demanda de energía eléctrica y potencia
máxima en Colombia.” Rev. Junio de 2016, Bogotá, pp. 25–31, 2016.
[13] H. Gintis, S. Bowles, R. Boyd, and E. Fehr, Moral
sentiments and material interests: The foundations of cooperation in economic
life. MIT Press, 2005.
[14] M. A. Cortés Guzmán and E. Mojica-Nava, “Mechanism
design for demand response programs with financial and non-monetary, social,
incentives,” Unpubl. Draft, pp. 1–8, 2017.
[15] F. Clementi and M. Gallegati, “Pareto’s Law of Income
Distribution: Evidence for Germany, the United Kingdom, and the United States,”
in Econophysics of Wealth Distributions: Econophys-Kolkata I, A.
Chatterjee, S. Yarlagadda, and B. K. Chakrabarti, Eds. Milano: Springer Milan,
2005, pp. 3–14.
[16] E. L. Crow and K. Shimizu, Lognormal
distributions: Theory and applications (Vol. 88). New York: M. Dekker,
1988.
[17] N. L. Johnson, S. Kotz, and N. Balakrishnan, Continuous
univariate distributions Vol. 1, 2nd ed. Wiley, 1994.
[18] Observatorio de desarrollo
económico, “Pobreza y desigualdad en Bogotá: resultados en los últimos años,” 2016-04-14.
[Online]. Available:
http://observatorio.desarrolloeconomico.gov.co/base/lectorpublic.php?id=838.
[19] Departamento Administrativo Nacional
de Estadística (DANE), “Ingresos y gastos de los hogares,” 2007. [Online].
Available:
http://www.dane.gov.co/index.php/estadisticas-por-tema/pobreza-y-condiciones-de-vida/ingresos-y-gastos-de-los-hogares.
[Accessed: 28-Sep-2017].
[20] FinanzasPersonales.co, “¿Cuánto
ganan en promedio los colombianos?” [Online]. Available:
http://www.finanzaspersonales.co/trabajo-y-educacion/articulo/cuanto-ganan-promedio-colombianos/48375.
[Accessed: 28-Sep-2017].
[21] G. Osma Pinto and G. Ordoñéz Plata,
“Desarrollo sostenible en edificaciones,” Rev. UIS Ing., vol. 9, no. 1,
Jun, 2010.
[22] O. A. González, A. Pavas, S.
Sánchez, Andrés Pavas, and Samir Sánchez, “Cuantificación del Ahorro de Energía
Eléctrica en Clientes Residenciales Mediante Acciones de Gestión de Demanda,” UIS
Ing., vol. 10, no. 2, pp. 1–8, Jul - Dic, 2017.
[23] E. Moreno, O. A. Gonzalez, A. Pavas, and A. Moreno,
Elkin;González, Orlando A; Pavas, “Demand Flexibility Assessment for
Residential Customers,” in IEEE Workshop on Power Electronics and Power
Quality Applications - PEPQA, 2017, p. 5.