El hueco térmico: una caracterización vía kmeans

2022-7-26

El hueco térmico es una variable aleatoria que representa la necesidad de utilizar energía térmica tradicional y no renovable para abastecer el mercado eléctrico. Tiene dos fuentes principales de variabilidad:

La variabilidad de la demanda.
La variabilidad de las fuentes de energía renovable.

[Una pequeña digresión: cuando $Y = X_1 + X_2$, la varianza de $Y$ depende de las de $X_i$ y de su correlación. Si son independientes, es la suma de las dos; si están negativamente correladas, la de $Y$ es inferior a la suma; etc. Este humilde opinador sostiene que a medio plazo no hay otro remedio para el sistema eléctrico que forzar una correlación negativa entre $X_1$ y $X_2$, lo cual, en plata, significa cortes más o menos selectivos de suministro.]

La forma y tamaño del hueco térmico tiene una consecuencia menor pero muy aburrida:

Cuando es pequeño, los tirios de Twitter muestran capturas de pantalla de la aplicación de REE y la acompañan de comentarios del tipo: “¡La eólica es el futuro! ¡Ahora mismo está produciendo el nosecuantosmil por ciento del nosequé!”
Cuando es grande, los troyanos hacen lo propio, aunque cambiando el sentido del pie de la foto: “¡Los molinillos son un fracaso! Ahora mismo, ¡mirad! “La transición ecológica es un timo!”

Etc.

En lo que me he entretenido es en caracterizar el tamaño y forma diaria del hueco eléctrico con datos reales del último año (largo) y buscar en él nueve patrones básicos. Es decir, he extraído las formas funcionales del hueco térmico para cada día y las he agrupado en nueve tipos básicos. El resultado ha sido este:

El tamaño relativo (en %) de los clústers es

   1    2    3    4    5    6    7    8    9
 6.3  6.1 10.9 17.0 19.9  6.8 14.5  5.5 13.1

Finalmente, por si alguno quiere abundar en el análisis anterior, dejo acá el código —muy sucio, lo reconozco— que he usado para construir todo lo anterior:

import pandas as pd
import requests
import json

cookies = {
    'visid_incap_257780': 'jc28dyHpQzWndVySBH3efkKVn2IAAAAAQUIPAAAAAABbIZnfEcl/jLCTtncIWNvS',
    'visid_incap_1863806': 'C/tZlrhlSRyu5T/zgqoAhhejyWIAAAAAQUIPAAAAAACfU/4FREH4fkd1Sm8YSVZw',
    'incap_ses_1484_257780': 'xeeYIMzTQBv48xV8QTqYFGIh1GIAAAAAn2q8n2HZPmQdj2EwL7Yv4A==',
    'incap_ses_1484_1863806': '4oF1YhQzN1j6/BV8QTqYFGsh1GIAAAAAUqEZjUhiRZGSe22Zbr8INQ==',
}

headers = {
    'authority': 'demanda.ree.es',
    'accept': '*/*',
    'accept-language': 'en-US,en;q=0.9,es-ES;q=0.8,es;q=0.7',
    # Requests sorts cookies= alphabetically
    # 'cookie': 'visid_incap_257780=jc28dyHpQzWndVySBH3efkKVn2IAAAAAQUIPAAAAAABbIZnfEcl/jLCTtncIWNvS; visid_incap_1863806=C/tZlrhlSRyu5T/zgqoAhhejyWIAAAAAQUIPAAAAAACfU/4FREH4fkd1Sm8YSVZw; incap_ses_1484_257780=xeeYIMzTQBv48xV8QTqYFGIh1GIAAAAAn2q8n2HZPmQdj2EwL7Yv4A==; incap_ses_1484_1863806=4oF1YhQzN1j6/BV8QTqYFGsh1GIAAAAAUqEZjUhiRZGSe22Zbr8INQ==',
    'sec-fetch-dest': 'script',
    'sec-fetch-mode': 'no-cors',
    'sec-fetch-site': 'same-origin',
    'sec-gpc': '1',
    'user-agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36',
}

params = {
    'callback': 'angular.callbacks._7',
    'curva': 'DEMANDAQH',
    'fecha': '2022-07-16',
}

response = requests.get('https://demanda.ree.es/WSvisionaMovilesPeninsulaRest/resources/demandaGeneracionPeninsula', params=params, cookies=cookies, headers=headers)


my_dates = [x.strftime("%Y-%m-%d") for x in pd.date_range(start = "2021-01-01", end = "2022-07-16")]


def get_date(my_date):
    params['fecha'] = my_date
    response = requests.get('https://demanda.ree.es/WSvisionaMovilesPeninsulaRest/resources/demandaGeneracionPeninsula', params=params, cookies=cookies, headers=headers)
    return response.text

my_data = [get_date(x) for x in my_dates]

def process_data(x):
    tmp = x
    tmp = tmp[21:-2]
    tmp = json.loads(tmp)
    tmp = tmp['valoresHorariosGeneracion']
    return pd.DataFrame(tmp)

tmp = [process_data(x) for x in my_data]

res = pd.concat(tmp)
res = res.groupby('ts').mean().reset_index()
res.to_csv("hueco-termico.csv", index=False)

library(data.table)
library(ggplot2)
library(lubridate)
library(scales)

minute_to_ts <- function(x){
  tmp <- paste(Sys.Date(), x)
  ymd_hm(tmp)
}

x <- fread("hueco-termico.csv")

x$hueco_termico <- x$gf + x$car + x$cc
x <- x[, c("ts", "hueco_termico")]

x$day <- sapply(strsplit(x$ts, " "), function(x) x[[1]])
x$minute <- sapply(strsplit(x$ts, " "), function(x) x[[2]])

x <- x[, n := .N, by = "day"]
x <- x[x$n == 288,]
x$n <- NULL
x$ts <- NULL

tmp <- dcast(x, day ~ minute, value.var = "hueco_termico")
days <- tmp$day
tmp <- as.matrix(tmp[, -1])

res <- kmeans(tmp, centers = 9)

centers <- data.table(res$centers)
centers$cluster <- as.numeric(row.names(centers))
centers <- melt(centers, id.vars = "cluster")
centers$ts <- minute_to_ts(centers$variable)

orig <- data.table(tmp)
orig$cluster <- res$cluster
orig$day <- days
orig <- melt(orig, id.vars = c("day", "cluster"))
orig$ts = minute_to_ts(orig$variable)

ggplot(centers, aes(x = ts, y = value)) +
  geom_line(data = orig, aes(group = day), alpha = 0.2) +
  geom_line(col = "red") +
  ylab("hueco térmico") +
  xlab("") +
  facet_wrap(~cluster) +
  scale_x_datetime(breaks = breaks_width("6 hour"),labels=date_format("%H:%M")) +
  theme_bw()