Outputs escenario base

Run to view results

Demand loads

Run to view results

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.

Run to view results

La demanda máxima en algún timepoint es de 24947 MWh

Run to view results

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

Run to view results

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()

Run to view results

Emissions

Run to view results

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

New installation

Run to view results

years = [2050]

Run to view results

By tech

Run to view results

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 = {}

Run to view results

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'])

Run to view results

Transmission lines

Run to view results

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

Run to view results

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()

Run to view results

transmission_join

Run to view results

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()

Run to view results

Save results

Run to view results

.css-15w88e5{color:var(--chakra-colors-fg-neutral-primary);font-weight:inherit;letter-spacing:-0.09px;}Outputs escenario base

Demand loads

Capacity

Emissions

New installation

By tech

By zone

Dispatch

Transmission lines

Costs

Save results

Outputs escenario base