Outputs escenario base

Demand loads

La zona con mayor demanda es Caribe

Es evidente que todas las áreas tienen el mismo comportamiento por timepoint, pero cada una a distinta escala.

La demanda máxima en algún timepoint es de 24947 MWh

A las 8pm se presenta la mayor demanda. Hay un valle en las horas de la madrugada y temprano en la mañana.

Capacity

La capacidad total instalada por tecnología es la siguiente:

Aquí hay que tener en cuenta que no es la capacidad nueva sino la suma de la capacidad que venía hasta el 2026 que es el último año para el que hay proyectos de instalación, sumada con la capacidad nueva instalada en el 2050 por el modelo

colors = {'pv_solar': 'orange', 'Thermal': 'red', 'Eolica': 'limegreen', 'Menores': 'DeepSkyBlue', 'Hidro': 'SteelBlue', "Battery_Storage": 'Black', 'CCS':'Sienna', 'Nuclear':'slateblue', 'Geothermal':'firebrick'} data = [] bottom = np.zeros(1) for tech, capacity_val in capacity_vals.items(): data.append({"tech": tech, "year": "2050", "capacity": capacity_val}) bottom += capacity_val fig = px.bar(data, x="year", y="capacity", color="tech", color_discrete_map=colors, category_orders={"tech": list(capacity_vals.keys())}) fig.update_layout(title="Capacity installed in 2050") fig.show()

Emissions

El modelo logra llegar a una solución sin romper la restricción de las emisiones

New installation

years = [2050]

By tech

La nueva capacidad instalada se divide en solar, eólica, hídrica y baterías convencionales, esta instalación se mantendrá a lo largo de los demás escenarios.

By zone

bgen_valsz = {}

Y esta es la capacidad instalada por el modelo dividida por zonas, la mayoría es de la zona Caribe que es en donde se instala principalmente eólicas

Dispatch

dispatch['timestamp'] = pd.to_datetime(dispatch['timestamp'])

Transmission lines

En la siguiente figura, el grosor de las líneas de transmisión está dado por la capacidad de cada línea

plt.bar(height=transmission_join['TxCapacityNameplate'],x=transmission_join['TRANSMISSION_LINE']) plt.title('New capacity installed in Transmission lines') plt.xticks(rotation=90) plt.show()

transmission_join

Costs

average_fuel_cost = fc.groupby(['period', 'fuel'])['fuel_cost'].mean().reset_index() fig = px.bar(average_fuel_cost, x='period', y='fuel_cost', color='fuel', barmode='group') fig.update_layout(title='Average Fuel Cost by Fuel Type') fig.update_layout(xaxis=dict(tickmode='linear', dtick=5)) fig.show()