Efectos de un programa de precios en tiempo

real sobre la respuesta de la demanda en

mercados eléctricos: aplicación al caso
colombiano

Modelos para estimación y pronóstico de precios en mercados spot de

generación eléctrica

Oscar Alejandro Páramo Rojas

Gustavo Adolfo López Álvarez
Juan Carlos Rivera Agudelo
 Orden de la presentación
1. Introducción
2. Revisión de Literatura
3. Descripción del Mercado Mayorista de Energía
4. Modelo
5. Datos
6. Simulaciones
7. Conclusiones
8. Bibliografía
Introducción
Motivación y contexto:
iii) Tarifa plana para UR y en la practica para los UNR
 Falta de incentivos para motivar la Respuesta de la
Demanda.
Siano (2014)
• Disminución pago de facturas
• Reducción de picos de demanda y precios
• Riesgos operativos
• Reduce las necesidades de ampliación de capacidad de generación y
transmisión
• Impacto ambiental (Choi y Thomas, 2012)
 La implementación de Redes Inteligentes hace viable la
RD
 Introducción
Objetivo

• Realizar simulaciones a partir de un modelo propuesto con datos para el

mercado eléctrico colombiano para explicar los efectos esperados de
implementar tarifas horarias, en términos de:

• Reducción de costos de energía

• Demanda horaria
• Precios de bolsa
Introducción
Avance Metodológicos

Avance Práctico (implicaciones de política)

• tarifación horaria
• sistemas de información en tiempo real
(Ayuda al cumplimiento de la ley 143 de 1994 en
Colombia).
 Revisión de Literatura

Alternativas de cobro para motivar la RD

• TDU: Torriti (2012) Facilidad de implementación.
• PTR: Valenzuela, et al (2012), Gelazanskas y Gamage (2014) y Doostizadeh y
Ghasemi (2012).

Trabajos aplicados a Colombia:

• Baratto-Callejas (2013) y Cardona (2013)
Descripción del Mercado Mayorista y
Cálculo de los PB

Fig. 1. Formación de los precios en bolsa

 Modelo
Supuestos:
• Los consumidores disponen de la tecnología suficiente para
observar consumo y precio ($/kWh) para cada hora del día.
• El precio de bolsa es el percibido por los consumidores (se
hace abstracción de los otros componentes de la tarifa).
Además, se consideran precio aceptantes.
• Se propone enfrentar a los consumidores a un esquema DA-
PTR. Los precios que se comunicarán serán calculados con la
demanda base.
 Modelo
Primera etapa (cálculo de precios a comunicar):
n recursos de generación participan en la subasta
• 𝑜𝑓𝑒𝑟𝑡𝑎𝑖,ℎ = (𝑞ℎ𝑖 , 𝑝𝑖 ), para i ∈ {1,2, … 𝑛} y h ∈ 1,2, … 24 (2)
Donde, 𝑝1 < ⋯ < 𝑝𝑖−1 < 𝑝𝑖 < 𝑝𝑖+1 < ⋯ < 𝑝𝑛

Sea 𝑑ℎ = 𝑑ℎ𝑟 + 𝑑ℎ𝑛𝑟 la demanda base, entonces:

• 𝑝ℎ = 𝑓 𝑑ℎ (3)
• 𝑞ℎ1 + 𝑞ℎ2 + ⋯ + 𝑞ℎ𝑚−1 ≤ 𝑑ℎ ≤ 𝑞ℎ1 + 𝑞ℎ2 + ⋯ + 𝑞ℎ𝑚 , donde 𝑚 ∈ {1,2, … 𝑛} (4)

La planta de generación m, se llama planta marginal.

• 𝑝ℎ = 𝑃ℎ𝑚 (5)
 Modelo
Segunda etapa (optimización):
Función objetivo usuarios regulados:
• 𝑀𝑖𝑛 σ24 𝑟 𝑟 𝑟
ℎ=1 𝑝ℎ ∗ (𝑑ℎ + 𝑥ℎ + 𝑦ℎ ) (6)
𝑥ℎ𝑟 es la cantidad que se recompone intra día, 𝑦ℎ𝑟 es la cantidad que se recompone
intra periodo. Entonces 𝑑𝑟ℎ𝑟 = 𝑑ℎ𝑟 + 𝑥ℎ𝑟 + 𝑦ℎ𝑟 , es la demanda con recomposición.

Restricciones
• −𝑎ℎ ∗ 𝑑ℎ𝑟 ≤ 𝑥ℎ𝑟 ≤ 𝑏ℎ ∗ 𝑑ℎ𝑟 (7)
• −𝑐ℎ ∗ 𝑑ℎ𝑟 ≤ 𝑦ℎ𝑟 ≤ 𝑒ℎ ∗ 𝑑ℎ𝑟 (8)
• σ24 𝑟
ℎ=1 𝑥ℎ = 0 (9)
• σℎ∈Ψ𝑟 𝑦ℎ𝑟 = 0 (10)
j
 Modelo
Tercera etapa (Cálculo de PB con recomposición):
• 𝑝𝑟ℎ = 𝑓 𝑑𝑟ℎ (13)

Cuarta etapa (Cálculo de los ahorros):

• 𝐴ℎ𝑜𝑟𝑟𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 = σ24 24
ℎ=1 𝑝ℎ ∗ 𝑑ℎ − σℎ=1 𝑝ℎ ∗ 𝑑𝑟ℎ (14)
• 𝐴ℎ𝑜𝑟𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 = σ24 24
ℎ=1 𝑝ℎ ∗ 𝑑ℎ − σℎ=1 𝑝𝑟ℎ ∗ 𝑑𝑟ℎ (15)
• 𝐴ℎ𝑜𝑟𝑟𝑜 𝑛𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 = σ24 24
ℎ=1 𝑝ℎ ∗ 𝑑𝑟ℎ − σℎ=1 𝑝𝑟ℎ ∗ 𝑑𝑟ℎ (16)

Cabe recordar que a los consumidores se les cobrará los precios anunciados 𝑝ℎ , de tal
manera que no tengan que formarse expectativas y enfrentar incertidumbre.
 Metodología

Caso a Caso b

Fig. 2. Desagregación de los componentes del ahorro

𝐴ℎ𝑜𝑟𝑟𝑜 = 𝑑𝑝𝑖𝑐𝑜 − 𝑑𝑟𝑝𝑖𝑐𝑜 × 𝑝𝑝𝑖𝑐𝑜 − 𝑝𝑣𝑎𝑙𝑙𝑒 + 𝑑𝑟𝑝𝑖𝑐𝑜 × 𝑝𝑝𝑖𝑐𝑜 − 𝑝𝑟𝑝𝑖𝑐𝑜 ( 1)

− 𝑑𝑟𝑣𝑎𝑙𝑙𝑒 × (𝑝𝑟𝑣𝑎𝑙𝑙𝑒 − 𝑝𝑣𝑎𝑙𝑙𝑒 )

 Datos

A. Información de oferta y demanda

Se empleará información suministrada por la empresa XM que es la encargada de la

operación del mercado y publica toda la información relacionada en su página web.

• Demanda horaria SIN (regulada y no regulada).

• Disponibilidad comercial y precios propuestos por las plantas mayores.
• Generación real de las plantas menores.
 Datos
B. Coeficientes de flexibilidad (regulados):

Hora 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Categoría Valle Medio Pico Medio Pico Medio

Período 1 2 3

𝑎ℎ baja alta alta alta alta alta

𝑏ℎ baja alta baja alta baja alta

𝑐ℎ regular regular regular

𝑒ℎ regular regular regular

Tabla 1. Coeficientes de flexibilidad

 Datos
C. Escenarios de simulación:
• En los escenarios A, B y C se consideran iguales todos los niveles de flexibilidad, con
valores de 0.1, 0.3 y 0.5 respectivamente. Esto sirve para observar el efecto de
aumentos en la flexibilidad sobre los resultados del modelo.

• Otros tres escenarios que ayudan a observar el impacto de considerar diferentes

niveles de flexibilidad según la hora del día:

Escenario D E F
Baja 0.1 0.1 0.3
Regular 0.2 0.3 0.4
Alta 0.3 0.5 0.5
Tabla 2. Coeficientes para los escenarios de simulación
Simulaciones

Sep-2014 Mar-2015

Fig 5. Demandas de energía sin respuesta (d) y con respuesta (dr) en el escenario D
Simulaciones

Sep-2014 Mar-2015

Fig 6. Precios en bolsa sin respuesta de demanda (p) y con respuesta (pr) en el escenario D
Simulaciones
Escenarios

A B C
sep-14 mar-15 sep-14 mar-15 sep-14 mar-15

Reducción promedio picos

Precios 2.49% 2.43% 5.40% 5.10% -0.71% 3.84%
Demanda 1.93% 1.88% 4.98% 4.61% 3.07% 3.46%
Distancia pico valle
Demanda inicial 3,240,019 3,058,485 3,240,019 3,058,485 3,240,019 3,058,485
Demanda final 2,964,907 2,793,465 2,500,916 2,355,432 2,526,225 2,303,880
Precios iniciales $57.46 $46.91 $57.46 $46.91 $57.46 $46.91
Precios finales $50.06 $40.97 $39.63 $33.32 $52.80 $33.76
D E F

Reducción promedio picos

Precios 4.97% 3.95% 4.66% 4.28% 4.53% 4.76%
Demanda 3.24% 3.11% 4.27% 4.06% 4.86% 5.00%
Distancia pico valle
Demanda inicial 3,240,019 3,058,485 3,240,019 3,058,485 3,240,019 3,058,485
Demanda final 2,710,683 2,542,408 2,592,702 2,476,567 2,388,962 2,161,369
Precios iniciales $57.46 $46.91 $57.46 $46.91 $57.46 $46.91
Precios finales $42.02 $36.95 $42.26 $35.52 $41.89 $31.61

Tabla 3. Resultados sobre la demanda y los precios de bolsa

Simulaciones
Escenarios

A B C
sep-14 mar-15 sep-14 mar-15 sep-14 mar-15

Pago inicial $985,325.66 $1,153,128.00 $985,325.66 $1,153,128.00 $985,325.66 $1,153,128.00

Pago esperado $984,119.07 $1,152,083.27 $981,705.88 $1,149,993.83 $979,292.69 $1,147,904.38
Pago final $979,979.40 $1,148,352.74 $974,023.41 $1,141,365.30 $975,977.88 $1,138,527.96
Ahorro Esperado 0.12% 0.09% 0.37% 0.27% 0.61% 0.45%
Ahorro no esperado 0.42% 0.32% 0.78% 0.75% 0.34% 0.81%
Ahorro final 0.54% 0.41% 1.15% 1.02% 0.95% 1.27%

D E F

Pago inicial $985,325.66 $1,153,128.00 $985,325.66 $1,153,128.00 $985,325.66 $1,153,128.00

Pago esperado $982,939.67 $1,151,070.76 $982,128.25 $1,150,377.67 $980,275.20 $1,148,589.99
Pago final $974,905.10 $1,143,524.96 $973,514.68 $1,142,529.28 $969,323.45 $1,137,155.19
Ahorro Esperado 0.24% 0.18% 0.32% 0.24% 0.51% 0.39%
Ahorro no esperado 0.82% 0.65% 0.87% 0.68% 1.11% 0.99%
Ahorro final 1.06% 0.83% 1.20% 0.92% 1.62% 1.39%
Nota: Los pagos están en millones de pesos

Tabal 4. Efectos sobre el costo de la energía

 Escenarios

A B C
sep-14 mar-15 sep-14 mar-15 sep-14 mar-15

Regulados
Pago inicial $660,364.46 $776,887.38 $660,364.46 $776,887.38 $660,364.46 $776,887.38
Pago esperado $659,568.51 $776,197.96 $657,976.62 $774,819.11 $656,384.73 $773,440.27
Pago final $656,541.08 $773,467.27 $652,088.86 $768,367.56 $653,021.86 $766,119.37
Ahorro Esperado 0.12% 0.09% 0.36% 0.27% 0.60% 0.44%
Ahorro no esperado 0.46% 0.35% 0.89% 0.83% 0.51% 0.94%
Ahorro final 0.58% 0.44% 1.25% 1.10% 1.11% 1.39%
No Regulados
Pago inicial $324,961.21 $376,240.62 $324,961.21 $376,240.62 $324,961.21 $376,240.62
Pago esperado $324,550.56 $375,885.32 $323,729.26 $375,174.72 $322,907.96 $374,464.12
Pago final $323,438.32 $374,885.47 $321,934.55 $372,997.74 $322,956.02 $372,408.59
Ahorro Esperado 0.13% 0.09% 0.38% 0.28% 0.63% 0.47%
Ahorro no esperado 0.34% 0.27% 0.55% 0.58% -0.01% 0.55%
Ahorro final 0.47% 0.36% 0.93% 0.86% 0.62% 1.02%
D E F

Regulados
Pago inicial $660,364.46 $776,887.38 $660,364.46 $776,887.38 $660,364.46 $776,887.38
Pago esperado $658,799.76 $775,540.75 $658,398.99 $775,202.96 $656,956.59 $773,770.58
Pago final $652,852.38 $770,000.16 $651,834.86 $769,262.55 $648,520.71 $765,092.88
Ahorro Esperado 0.24% 0.17% 0.30% 0.22% 0.52% 0.40%
Ahorro no esperado 0.90% 0.71% 0.99% 0.76% 1.28% 1.12%
Ahorro final 1.14% 0.89% 1.29% 0.98% 1.79% 1.52%
No Regulados
Pago inicial $324,961.21 $376,240.62 $324,961.21 $376,240.62 $324,961.21 $376,240.62
Pago esperado $324,139.91 $375,530.02 $323,729.26 $375,174.72 $323,318.61 $374,819.42
Pago final $322,052.72 $373,524.80 $321,679.83 $373,266.73 $320,802.74 $372,062.31
Ahorro Esperado 0.25% 0.19% 0.38% 0.28% 0.51% 0.38%
Ahorro no esperado 0.64% 0.53% 0.63% 0.51% 0.77% 0.73%
Ahorro final 0.90% 0.72% 1.01% 0.79% 1.28% 1.11%
Nota: Los pagos están en millones de pesos

Tabla 5. Efectos desagregados por tipo de usuarios

 Conclusiones
1. La participación de los usuarios en programas de RD basados en PTR generan:
• Disminución en los picos de demanda y precios
• Curvas más suavizadas en esas variables
• Ahorros en el costo de generación de la energía más allá de lo esperado

2. Los ahorros son, en términos porcentuales, mayores para los usuarios regulados
que para los no regulados.

beneficios
3. Relación flexibilidad vs beneficios:

flexibilidad
baja media alta
 Conclusiones
Consideraciones finales:

• La primera es considerar la reacción de las empresas generadoras. Recordar

conclusiones de (García, et al., 2013).

• Es necesario hacer una correcta estimación de los coeficientes de flexibilidad de

los usuarios.

• Los resultados son un argumento a favor de la implementación de redes

inteligentes (con las consecuentes modificaciones necesarias a la regulación).
 Bibliografía
• Albadi, M. H., & El-Saadany, E. F. (2008). A summary of demand response in electricity markets. Electric Power Systems
Research, 78(11), 1989-1996.
• Baratto-Callejas, P. (2013). Implementación de un programa de respuesta de la demanda de energía eléctrica en un mercado
de clientes no regulados en Colombia. Revista de la Maestría en Derecho Económico, 6(6), 259-292.
• Braithwait, S. (2000). Residential TOU price response in the presence of interactive communication equipment. In Pricing in
Competitive Electricity Markets (pp. 359-373). Springer US.
• Cappers, P., Goldman, C., & Kathan, D. (2010). Demand response in US electricity markets: Empirical evidence. Energy, 35(4),
1526-1535.
• Cardona Rendón, E. (2013). Método para optimizar los costos del servicio de energía eléctrica de grandes usuarios en
Colombia, incorporando flexibilidad de la demanda.
• Choi, D. G., & Thomas, V. M. (2012). An electricity generation planning model incorporating demand response. Energy Policy,
42, 429-441.
• Doostizadeh, M., & Ghasemi, H. (2012). A day-ahead electricity pricing model based on smart metering and demand-side
management. Energy, 46(1), 221-230.
• Dulleck, U., & Kaufmann, S. (2004). Do customer information programs reduce household electricity demand?—the Irish
program. Energy Policy, 32(8), 1025-1032.
• FERC (2015). Disponible en: http://www.ferc.gov/industries/electric/indus-act/demandresponse/dem-res-adv-metering.asp.
Consulta: mayo 20 de 2015.
 Bibliografía
• García, J. J., Bohórquez, S., & López, G. Mar n, F.(2013). Poder de mercado en mercados spot de generación eléctrica:
metodología para su análisis. Working paper N. 13.05 Universidad EAFITCIEF.
• Gelazanskas, L., & Gamage, K. A. A. (2014). Neural network based real-time pricing in demand side management for future
smart grid.
• Joung, M., & Kim, J. (2013). Assessing demand response and smart metering impacts on long-term electricity market prices
and system reliability. Applied Energy, 101, 441-448.
• Li, X. H., & Hong, S. H. (2014). User-expected price-based demand response algorithm for a home-to-grid system. Energy, 64,
437-449.
• Lujano-Rojas, J. M., Monteiro, C., Dufo-López, R., & Bernal-Agustín, J. L. (2012). Optimum residential load management
strategy for real time pricing (RTP) demand response programs. Energy Policy, 45, 671-679.
• Shaw, R., Attree, M., Jackson, T., & Kay, M. (2009). The value of reducing distribution losses by domestic load-shifting: a
network perspective. Energy Policy, 37(8), 3159-3167.
• Siano, P. (2014). Demand response and smart grids—A survey. Renewable and Sustainable Energy Reviews, 30, 461-478.
• Torriti, J. (2012). Price-based demand side management: Assessing the impacts of time-of-use tariffs on residential electricity
demand and peak shifting in Northern Italy. Energy, 44(1), 576-583.
• Valenzuela, J., Thimmapuram, P. R., & Kim, J. (2012). Modeling and simulation of consumer response to dynamic pricing with
enabled technologies.Applied Energy, 96, 122-132.
• Walawalkar, R., Fernands, S., Thakur, N., & Chevva, K. R. (2010). Evolution and current status of demand response (DR) in
electricity markets: Insights from PJM and NYISO. Energy, 35(4), 1553-1560.
 Gracias!!

oparamo@eafit.edu.co