TRABAJO_VALORIZACION_GRUPAL
Intriago Cindy, Jaramillo Karla, Puente Nicolas, Sosa Nidia
2025-12-19
Leer los datos
Instalar paquete para poder ejecutar comandos
# Instalar 'dplyr' (solo la primera vez, luego puedes comentar esta línea)
#install.packages("dplyr")
# Instalar 'lubridate' para trabajar con fechas (también solo la primera vez)
#install.packages("lubridate")
# Cargar el paquete dplyr para manipulación de datos
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Cargar el paquete lubridate para manejar fechas (semanas, meses, etc.)
library(lubridate)##
## Adjuntando el paquete: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(magrittr)Resumenes semanales y mensuales
# Crear un resumen semanal de la generación de residuos
resumen_semanal <- datos_residuos %>% # Toma la base de datos original
mutate(semana = floor_date(fecha, "week", week_start = 1)) %>% #Crea nueva columna semana con lunes de inicio
group_by(semana) %>% # Agrupa los datos por cada semana
summarise( # Resume las variables para cada grupo (cada semana)
total_residuos_t = sum(residuos_totales_t), # Suma total de residuos en la semana (toneladas)
promedio_diario_t = mean(residuos_totales_t), # Promedio diario de residuos en la semana
n_dias = n() # Número de días incluidos en esa semana
) %>% # Fin del resumen
ungroup() # Quita la agrupación para evitar problemas en pasos siguientes
# Ver las primeras filas del resumen semanal
head(resumen_semanal)## # A tibble: 6 × 4
## semana total_residuos_t promedio_diario_t n_dias
## <dttm> <dbl> <dbl> <int>
## 1 2024-01-01 00:00:00 4590 656. 7
## 2 2024-01-08 00:00:00 4658 665. 7
## 3 2024-01-15 00:00:00 4658 665. 7
## 4 2024-01-22 00:00:00 4658 665. 7
## 5 2024-01-29 00:00:00 4658 665. 7
## 6 2024-02-05 00:00:00 4658 665. 7View(resumen_semanal)
# Ver un resumen estadístico del total semanal de residuos
summary(resumen_semanal$total_residuos_t)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1360 4658 4658 4581 4658 4658RESUMEN MENSUAL
# Crear un resumen mensual de la generación de residuos
resumen_mensual <- datos_residuos %>% # Toma la base original
mutate(mes = floor_date(fecha, "month")) %>% # Crea una columna 'mes' con el primer día de cada mes
group_by(mes) %>% # Agrupa los datos por mes
summarise( # Resume las variables para cada mes
total_residuos_t = sum(residuos_totales_t), # Suma total de residuos en el mes (toneladas)
promedio_diario_t = mean(residuos_totales_t), # Promedio diario de residuos en el mes
n_dias = n() # Número de días incluidos en ese mes
) %>% # Fin del resumen
ungroup() # Quita la agrupación
# Ver las primeras filas del resumen mensual
head(resumen_mensual)## # A tibble: 6 × 4
## mes total_residuos_t promedio_diario_t n_dias
## <dttm> <dbl> <dbl> <int>
## 1 2024-01-01 00:00:00 20570 664. 31
## 2 2024-02-01 00:00:00 19108 659. 29
## 3 2024-03-01 00:00:00 20604 665. 31
## 4 2024-04-01 00:00:00 19924 664. 30
## 5 2024-05-01 00:00:00 20468 660. 31
## 6 2024-06-01 00:00:00 19992 666. 30# Ver un resumen estadístico del total mensual de residuos
summary(resumen_mensual$total_residuos_t)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 19108 19975 20485 20233 20579 20672compara día feriado vs día normal
# Comparar la generación de residuos entre días normales y feriados
comparacion_feriados <- datos_residuos %>% # Toma la base de datos original
group_by(tipo_dia) %>% # Agrupa por tipo de día: "Normal" o "Feriado"
summarise( # Calcula estadísticas por cada tipo de día
promedio_residuos_t = mean(residuos_totales_t), # Promedio de residuos por día (toneladas)
sd_residuos_t = sd(residuos_totales_t), # Desviación estándar de residuos
minimo_residuos_t = min(residuos_totales_t), # Valor mínimo de residuos
maximo_residuos_t = max(residuos_totales_t), # Valor máximo de residuos
n_dias = n() # Número de días en cada categoría
) %>% # Fin del resumen
ungroup() # Quita la agrupación
# Ver la tabla de comparación entre días normales y feriados
comparacion_feriados## # A tibble: 2 × 6
## tipo_dia promedio_residuos_t sd_residuos_t minimo_residuos_t maximo_residuos_t
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Feriado 623. 22.1 612 680
## 2 Normal 665. 25.6 612 680
## # ℹ 1 more variable: n_dias <int>Gráficos inciales
# Histograma de residuos totales diarios
hist(
datos_residuos$residuos_totales_t, # Vector numérico con residuos diarios
main = "Histograma de residuos diarios (t/día)", # Título del gráfico
xlab = "Residuos totales (toneladas/día)", # Etiqueta del eje X
ylab = "Frecuencia" # Etiqueta del eje Y
)
# Boxplot para comparar residuos en días normales vs feriados
boxplot(
residuos_totales_t ~ tipo_dia, # Fórmula: residuos en función del tipo de día
data = datos_residuos, # Indica el data frame
main = "Residuos diarios: día normal vs feriado", # Título del gráfico
xlab = "Tipo de dia", # Etiqueta eje X
ylab = "Residuos totales (t/dia)" # Etiqueta eje Y
)
seperar feriados normales
# Filtrar el promedio de residuos en días normales
promedio_normal <- comparacion_feriados %>% # Toma la tabla de comparación
filter(tipo_dia == "Normal") %>% # Se queda solo con filas de tipo "Normal"
pull(promedio_residuos_t) # Extrae el valor de la columna promedio_residuos_t
# Filtrar el promedio de residuos en feriados
promedio_feriado <- comparacion_feriados %>% # Toma la misma tabla
filter(tipo_dia == "Feriado") %>% # Se queda solo con filas de tipo "Feriado"
pull(promedio_residuos_t) # Extrae el promedio de residuos en feriados
# Calcular el incremento absoluto (en toneladas)
incremento_absoluto <- promedio_feriado - promedio_normal # Diferencia entre promedios
incremento_absoluto## [1] -41.39548# Calcular el incremento relativo (en porcentaje)
incremento_relativo <- (incremento_absoluto / promedio_normal) * 100 # Diferencia / normal * 100
# Mostrar los resultados en consola
promedio_normal # Promedio t/día en día normal## [1] 664.7288promedio_feriado # Promedio t/día en feriado## [1] 623.3333incremento_absoluto # Cuántas toneladas más en feriado## [1] -41.39548incremento_relativo # % más de residuos en feriado## [1] -6.227424# Crear un vector con los dos promedios
valores_promedio <- c(promedio_normal, promedio_feriado) # Vector con ambos promedios
# Crear un vector con los nombres de las categorías
nombres_tipos <- c("Normal", "Feriado") # Etiquetas para cada barra
# Hacer un gráfico de barras para comparar los promedios
barplot(
valores_promedio, # Altura de las barras (los promedios)
names.arg = nombres_tipos, # Nombres debajo de cada barra
main = "Promedio de residuos diarios: día normal vs feriado", # Título del gráfico
xlab = "Tipo de dia", # Etiqueta eje X
ylab = "Residuos totales (t/dia)"# Etiqueta eje Y
)
Analizar series de tiempo
# Asegurarse de que los datos están ordenados por fecha
datos_residuos_ordenado <- datos_residuos %>% # Usa la base original
arrange(fecha) # Ordena las filas cronológicamente
# Crear un objeto de serie de tiempo (ts) con datos diarios
residuos_ts <- ts(
datos_residuos_ordenado$residuos_totales_t, # Vector numérico: residuos diarios
start = c(2024, 1), # Año 2024, "período" 1 (día 1)
frequency = 365 # Frecuencia: 365 observaciones por año (diario)
)
# Ver un resumen de la serie de tiempo
residuos_ts # Muestra parte de la serie en consola## Time Series:
## Start = c(2024, 1)
## End = c(2025, 1)
## Frequency = 365
## [1] 612 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612
## [19] 680 680 680 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680
## [37] 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612 612
## [55] 612 680 680 680 646 612 612 680 680 680 680 680 646 612 680 680 680 680
## [73] 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612 680
## [91] 680 680 680 680 646 612 680 680 680 680 612 646 612 680 680 680 680 680
## [109] 646 612 680 680 680 680 680 646 612 680 680 680 680 680 612 612 680 680
## [127] 680 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646
## [145] 612 612 680 680 680 680 646 612 680 680 680 680 680 646 612 680 680 680
## [163] 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612
## [181] 680 680 680 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680
## [199] 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612 680
## [217] 680 680 680 680 646 612 680 612 680 680 680 646 612 680 680 680 680 680
## [235] 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612 680 680
## [253] 680 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646
## [271] 612 680 680 680 680 680 646 612 680 680 680 680 680 612 612 680 680 680
## [289] 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612
## [307] 680 612 612 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680
## [325] 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680 646 612 612
## [343] 680 680 680 680 646 612 680 680 680 680 680 646 612 680 680 680 680 680
## [361] 612 612 680 680 680 680# Ver clase del objeto (debe decir "ts")
class(residuos_ts)## [1] "ts"graficas de series de tiempo
# Graficar la serie de tiempo diaria
plot(residuos_ts)
plot(
residuos_ts, # La serie de tiempo que creamos
main = "Serie de tiempo de residuos diarios (2024)", # Título del gráfico
xlab = "Tiempo (días del año 2024)", # Etiqueta eje X
ylab = "Residuos totales (toneladas/día)" # Etiqueta eje Y
)
# mejorar visualización
# Instalar el paquete 'zoo' para promedios móviles (solo la primera vez)
#install.packages("zoo")
# Cargar el paquete 'zoo'
library(zoo)##
## Adjuntando el paquete: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric# Calcular un promedio móvil de 7 días (ventana semanal)
residuos_ma7 <- rollmean(
residuos_ts, # Serie de tiempo original
k = 7, # Tamaño de la ventana: 7 días
align = "center", # Centra la ventana en cada punto
fill = NA # Rellena bordes con NA para mantener la misma longitud
)
# Graficar serie original + promedio móvil
plot(
residuos_ts, # Serie original
main = "Residuos diarios y promedio movil de 7 días", # Título del gráfico
xlab = "Tiempo (dias)", # Etiqueta eje X
ylab = "Residuos (t/dia)" # Etiqueta eje Y
)
# Crear una serie de tiempo mensual con el total de residuos por mes
residuos_mensual_ts <- ts(
resumen_mensual$total_residuos_t, # Vector con el total mensual de residuos
start = c(2024, 1), # Año 2024, mes 1 (enero)
frequency = 12 # 12 observaciones por año (mensual)
)
# Ver la serie mensual en consola
residuos_mensual_ts## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2024 20570 19108 20604 19924 20468 19992 20672 20502 19992 20604 19788 20570# Graficar la serie mensual
plot(
residuos_mensual_ts, # Serie mensual
main = "Serie de tiempo mensual de residuos (2024)", # Título
xlab = "Tiempo (meses)", # Eje X
ylab = "Residuos totales (t/mes)" # Eje Y
)
Graficos de de los 12 meses por días
# Instalar paquetes (solo la primera vez)
# install.packages(c("ggplot2","tidyr"))
# Cargar paquetes necesarios
library(dplyr) # Manipulación de datos
library(lubridate) # Extraer año/mes/día desde fecha
library(tidyr) # Para completar días faltantes##
## Adjuntando el paquete: 'tidyr'## The following object is masked from 'package:magrittr':
##
## extractlibrary(ggplot2) # Gráficos
# Etiquetas de meses en español (estables, sin depender del locale)
mes_labels <- c("Ene","Feb","Mar","Abr","May","Jun","Jul","Ago","Sep","Oct","Nov","Dic")
# Preparar tabla: día del mes (1-31) y mes (1-12)
datos_dia_mes <- datos_residuos %>%
mutate(
fecha = as.Date(fecha), # Asegura que fecha sea tipo Date
anio = year(fecha), # Extrae año
mes_num = month(fecha), # Extrae mes como número (1-12)
mes = factor(mes_num, levels = 1:12, labels = mes_labels), # Mes como factor con etiquetas
dia_mes = day(fecha) # Extrae día del mes (1-31)
) %>%
group_by(anio, mes, dia_mes) %>% # Agrupa por año, mes y día del mes
summarise(
residuos_t = sum(residuos_totales_t), # Suma por si hay más de un registro por día
.groups = "drop"
) %>%
complete( # Completa días 1:31 para cada mes (si faltan)
anio, mes, dia_mes = 1:31,
fill = list(residuos_t = NA_real_)
)
# (Opcional) Si solo quieres graficar 2025, filtra aquí:
datos_dia_mes <- datos_dia_mes %>% filter(anio == 2024)
# Gráfico: 12 líneas (una por mes) recorriendo días del mes
ggplot(datos_dia_mes, aes(x = dia_mes, y = residuos_t, color = mes, group = mes)) +
geom_line(linewidth = 0.9, na.rm = TRUE) + # Línea por mes
geom_point(size = 1.2, na.rm = TRUE) + # Puntos para ver datos reales
scale_x_continuous(breaks = seq(1, 31, 2)) + # Marcas en el eje X
labs(
title = "Patrón diario por mes (12 líneas)",
x = "Día del mes",
y = "Residuos totales (t/día)",
color = "Mes"
) +
theme_minimal()
digrama de cajas por día
library(dplyr)
library(lubridate)
library(ggplot2)
datos_box_dia <- datos_residuos %>%
mutate(
fecha = as.Date(fecha),
dia_mes = factor(day(fecha), levels = 1:31) # 1..31 como categorías ordenadas
)
ggplot(datos_box_dia, aes(x = dia_mes, y = residuos_totales_t)) +
geom_boxplot(na.rm = TRUE, outlier.alpha = 0.4) +
geom_jitter(width = 0.15, alpha = 0.25, na.rm = TRUE) +
labs(
title = "Distribucion de residuos por dia del mes",
x = "Dia del mes",
y = "Residuos totales (t/dia)"
) +
theme_minimal()
heapmap diario
# 1) Consolidar a 1 valor por fecha (por si hay duplicados en un mismo día)
diario <- datos_residuos %>%
mutate(fecha = as.Date(fecha)) %>%
group_by(fecha) %>%
summarise(residuos_t = sum(residuos_totales_t, na.rm = TRUE), .groups = "drop")
# 2) Completar días faltantes entre min y max (para que el "calendario" no tenga huecos raros)
diario_completo <- diario %>%
complete(fecha = seq.Date(min(fecha), max(fecha), by = "day")) %>%
mutate(
anio = isoyear(fecha),
semana = isoweek(fecha),
dia_sem = wday(fecha, week_start = 1, label = TRUE, abbr = TRUE) # Lun..Dom
)
# 3) Heatmap tipo GitHub (semana vs día de semana), por año
ggplot(diario_completo, aes(x = semana, y = dia_sem, fill = residuos_t)) +
geom_tile(color = NA) +
facet_wrap(~ anio, ncol = 1) +
labs(
title = "Calendar heatmap de residuos (diario)",
x = "Semana ISO",
y = "Día de la semana",
fill = "t/día"
) +
theme_minimal()
boxplo díario
datos_semana <- datos_residuos %>%
mutate(
fecha = as.Date(fecha),
dia_sem = wday(fecha, week_start = 1, label = TRUE, abbr = TRUE) # Lun..Dom
)
ggplot(datos_semana, aes(x = dia_sem, y = residuos_totales_t)) +
geom_boxplot(na.rm = TRUE, outlier.alpha = 0.4) +
geom_jitter(width = 0.15, alpha = 0.25, na.rm = TRUE) +
labs(
title = "Residuos por día de la semana",
x = "Día de la semana",
y = "Residuos (t/día)"
) +
theme_minimal()
boxplot mensual
mes_labels <- c("Ene","Feb","Mar","Abr","May","Jun","Jul","Ago","Sep","Oct","Nov","Dic")
datos_mes <- datos_residuos %>%
mutate(
fecha = as.Date(fecha),
mes = factor(month(fecha), levels = 1:12, labels = mes_labels)
)
ggplot(datos_mes, aes(x = mes, y = residuos_totales_t)) +
geom_boxplot(na.rm = TRUE, outlier.alpha = 0.4) +
geom_jitter(width = 0.15, alpha = 0.25, na.rm = TRUE) +
labs(
title = "Residuos por mes",
x = "Mes",
y = "Residuos (t/día)"
) +
theme_minimal()
# Instalar el paquete 'forecast' (solo la primera vez)
#install.packages("forecast")
# Cargar el paquete 'forecast'
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo# Ajustar un modelo ARIMA automáticamente a la serie mensual
modelo_arima <- auto.arima(
residuos_mensual_ts # Serie mensual de entrada para el modelo
)
# Ver el resumen del modelo ARIMA ajustado
summary(
modelo_arima # Muestra coeficientes, AIC, etc.
)## Series: residuos_mensual_ts
## ARIMA(1,0,0) with non-zero mean
##
## Coefficients:
## ar1 mean
## -0.6161 20209.9577
## s.e. 0.2171 65.4649
##
## sigma^2 = 149933: log likelihood = -87.68
## AIC=181.36 AICc=184.36 BIC=182.81
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 12.11413 353.4743 259.5155 0.02733964 1.293397 NaN 0.05419696# Hacer un pronóstico de 12 meses (todo el año 2025)
pronostico_2025 <- forecast(
modelo_arima, # Modelo previamente ajustado
h = 12 # Horizonte de pronóstico: 12 meses hacia adelante
)
# Ver los valores del pronóstico en consola
pronostico_2025 # Muestra predicciones, error estándar y rangos de confianza## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2025 19988.14 19491.91 20484.38 19229.22 20747.07
## Feb 2025 20346.61 19763.77 20929.46 19455.23 21238.00
## Mar 2025 20125.77 19513.25 20738.29 19189.00 21062.54
## Apr 2025 20261.82 19638.41 20885.24 19308.39 21215.26
## May 2025 20178.00 19550.50 20805.50 19218.32 21137.68
## Jun 2025 20229.64 19600.60 20858.69 19267.60 21191.68
## Jul 2025 20197.83 19568.20 20827.46 19234.90 21160.76
## Aug 2025 20217.43 19587.58 20847.28 19254.16 21180.70
## Sep 2025 20205.35 19575.42 20835.29 19241.95 21168.76
## Oct 2025 20212.79 19582.83 20842.76 19249.34 21176.24
## Nov 2025 20208.21 19578.23 20838.19 19244.74 21171.68
## Dec 2025 20211.03 19581.05 20841.02 19247.56 21174.51# Graficar el pronóstico junto con la serie histórica
plot(
pronostico_2025, # Objeto de pronóstico (forecast)
main = "Pronóstico mensual de residuos para 2025", # Título del gráfico
xlab = "Tiempo (meses)", # Etiqueta eje X
ylab = "Residuos totales (t/mes)" # Etiqueta eje Y
)
library(dplyr)
# Asegurarse de que los datos están ordenados por fecha
datos_residuos_ordenado <- datos_residuos %>% # Usa tu data frame original
arrange(fecha) # Ordena de la fecha más antigua a la más reciente
# Crear la serie de tiempo diaria con frecuencia semanal (7 días)
residuos_diario_ts <- ts(
datos_residuos_ordenado$residuos_totales_t, # Vector numérico: residuos diarios
start = c(2024, 1), # Año 2024, día 1 (aprox.)
frequency = 7 # Frecuencia semanal: 7 observaciones por “ciclo”
)
# Descomponer la serie diaria (estacionalidad semanal)
descomp_diaria <- decompose(
residuos_diario_ts, # Serie de tiempo diaria
type = "additive" # Modelo aditivo
)
# Ver el gráfico con serie, tendencia, estacionalidad y residuo
plot(descomp_diaria)
Inciar calculo de genración electrica
# Cargar dplyr por si no está cargado
library(dplyr)
# Definir el poder calorífico inferior (PCI) en MJ/kg (puedes cambiarlo)
PCI_MJ_kg <- 9 # Supuesto: 9 MJ por kg de residuo
# Definir la eficiencia eléctrica de la planta (fracción entre 0 y 1)
eficiencia_electrica <- 0.30 # Supuesto: 30% de la energía térmica se convierte en electricidad
# Definir el consumo promedio mensual de una vivienda en kWh/mes
consumo_mensual_kWh_hogar <- 250 # Dato dado: 250 kWh por mes por vivienda
# Aproximar el consumo diario de una vivienda (suponiendo 30 días/mes)
consumo_diario_kWh_hogar <- consumo_mensual_kWh_hogar / 30 # kWh/día por vivienda
# Calcular el consumo anual de una vivienda (12 meses)
consumo_anual_kWh_hogar <- consumo_mensual_kWh_hogar * 12 # kWh/año por vivienda# Ordenar la base por fecha y calcular energía diaria y viviendas equivalentes
datos_residuos_energia <- datos_residuos %>% # Tomar la base original de residuos
arrange(fecha) %>% # Ordenar por fecha cronológicamente
mutate(
masa_residuos_kg = residuos_totales_t * 1000, # Convertir toneladas/día a kg/día
energia_bruta_MJ = masa_residuos_kg * PCI_MJ_kg, # Energía térmica diaria en MJ
energia_electrica_kWh = energia_bruta_MJ * # Energía eléctrica diaria en kWh =
eficiencia_electrica / 3.6, # (MJ * eficiencia) / 3.6 MJ/kWh
viviendas_equivalentes_dia = # Número de viviendas que se podrían abastecer ese día =
energia_electrica_kWh / consumo_diario_kWh_hogar # kWh disponibles / kWh por vivienda por día
)
View(datos_residuos_energia)
# Ver algunas filas para comprobar los cálculos
head(datos_residuos_energia) # Muestra las primeras filas de la tabla con energía## # A tibble: 6 × 11
## fecha dia_semana es_feriado tipo_dia residuo_base_t
## <dttm> <chr> <lgl> <chr> <dbl>
## 1 2024-01-01 00:00:00 Monday TRUE Feriado 680
## 2 2024-01-02 00:00:00 Tuesday FALSE Normal 680
## 3 2024-01-03 00:00:00 Wednesday FALSE Normal 680
## 4 2024-01-04 00:00:00 Thursday FALSE Normal 680
## 5 2024-01-05 00:00:00 Friday FALSE Normal 680
## 6 2024-01-06 00:00:00 Saturday FALSE Normal 680
## # ℹ 6 more variables: factor_incremento <chr>, residuos_totales_t <dbl>,
## # masa_residuos_kg <dbl>, energia_bruta_MJ <dbl>,
## # energia_electrica_kWh <dbl>, viviendas_equivalentes_dia <dbl># Calcular la energía total anual producida
energia_total_anual_kWh <- sum( # Sumar toda la energía del año
datos_residuos_energia$energia_electrica_kWh # Vector de energía diaria en kWh
)
View(energia_total_anual_kWh)
# Calcular cuántas viviendas puedo abastecer en promedio en el año
viviendas_equivalentes_anual <- # Número de viviendas equivalentes en el año
energia_total_anual_kWh / consumo_anual_kWh_hogar # kWh anuales disponibles / kWh por vivienda por año
# Ver resultados anuales en consola
energia_total_anual_kWh # Energía total anual en kWh## [1] 182095500viviendas_equivalentes_anual # Viviendas equivalentes abastecidas en el año## [1] 60698.5# Crear un resumen semanal con residuos, energía y viviendas equivalentes
resumen_semanal_energia <- datos_residuos_energia %>% # Tomar la tabla con energía diaria
mutate(
semana = lubridate::floor_date( # Crear una columna de semana
fecha, "week", week_start = 1 # La semana empieza el lunes (1 = lunes)
)
) %>%
group_by(semana) %>% # Agrupar por semana
summarise(
total_residuos_t = sum(residuos_totales_t), # Suma semanal de residuos (toneladas)
total_energia_kWh = sum(energia_electrica_kWh), # Suma semanal de energía (kWh)
promedio_diario_residuos_t = mean(residuos_totales_t), # Promedio diario de residuos en esa semana
promedio_diario_energia_kWh = mean(energia_electrica_kWh), # Promedio diario de energía en esa semana
n_dias = n() # Número de días en esa semana (normalmente 7)
) %>%
ungroup() %>% # Quitar la agrupación
mutate(
consumo_semanal_kWh_hogar = # Consumo semanal por vivienda
consumo_diario_kWh_hogar * 7, # kWh/día * 7 días
viviendas_equivalentes_semana = # Viviendas equivalentes por semana
total_energia_kWh / consumo_semanal_kWh_hogar # kWh semanales disponibles / kWh semanales por vivienda
)
# Ver las primeras filas del resumen semanal
head(resumen_semanal_energia) # Muestra tabla semanal con energía y viviendas## # A tibble: 6 × 8
## semana total_residuos_t total_energia_kWh promedio_diario_resid…¹
## <dttm> <dbl> <dbl> <dbl>
## 1 2024-01-01 00:00:00 4590 3442500 656.
## 2 2024-01-08 00:00:00 4658 3493500 665.
## 3 2024-01-15 00:00:00 4658 3493500 665.
## 4 2024-01-22 00:00:00 4658 3493500 665.
## 5 2024-01-29 00:00:00 4658 3493500 665.
## 6 2024-02-05 00:00:00 4658 3493500 665.
## # ℹ abbreviated name: ¹promedio_diario_residuos_t
## # ℹ 4 more variables: promedio_diario_energia_kWh <dbl>, n_dias <int>,
## # consumo_semanal_kWh_hogar <dbl>, viviendas_equivalentes_semana <dbl># Crear un resumen mensual con residuos, energía y viviendas equivalentes
resumen_mensual_energia <- datos_residuos_energia %>% # Tomar la tabla diaria con energía
mutate(
mes = lubridate::floor_date(fecha, "month") # Crear columna con el primer día del mes
) %>%
group_by(mes) %>% # Agrupar por mes
summarise(
total_residuos_t = sum(residuos_totales_t), # Suma mensual de residuos (toneladas)
total_energia_kWh = sum(energia_electrica_kWh), # Suma mensual de energía (kWh)
promedio_diario_residuos_t = mean(residuos_totales_t), # Promedio diario de residuos en el mes
promedio_diario_energia_kWh = mean(energia_electrica_kWh), # Promedio diario de energía en el mes
n_dias = n() # Número de días en ese mes (28–31)
) %>%
ungroup() %>% # Quitar agrupación
mutate(
viviendas_equivalentes_mes = # Viviendas equivalentes por mes
total_energia_kWh / consumo_mensual_kWh_hogar # kWh mensuales disponibles / 170 kWh/mes por vivienda
)
# Ver las primeras filas del resumen mensual
head(resumen_mensual_energia) # Muestra la tabla mensual con energía y viviendas## # A tibble: 6 × 7
## mes total_residuos_t total_energia_kWh promedio_diario_resid…¹
## <dttm> <dbl> <dbl> <dbl>
## 1 2024-01-01 00:00:00 20570 15427500 664.
## 2 2024-02-01 00:00:00 19108 14331000 659.
## 3 2024-03-01 00:00:00 20604 15453000 665.
## 4 2024-04-01 00:00:00 19924 14943000 664.
## 5 2024-05-01 00:00:00 20468 15351000 660.
## 6 2024-06-01 00:00:00 19992 14994000 666.
## # ℹ abbreviated name: ¹promedio_diario_residuos_t
## # ℹ 3 more variables: promedio_diario_energia_kWh <dbl>, n_dias <int>,
## # viviendas_equivalentes_mes <dbl>graficos de nergia
# Ver las primeras filas del resumen mensual para comprobar su contenido
head(resumen_mensual_energia) # Debe tener columnas como mes, total_energia_kWh, viviendas_equivalentes_mes## # A tibble: 6 × 7
## mes total_residuos_t total_energia_kWh promedio_diario_resid…¹
## <dttm> <dbl> <dbl> <dbl>
## 1 2024-01-01 00:00:00 20570 15427500 664.
## 2 2024-02-01 00:00:00 19108 14331000 659.
## 3 2024-03-01 00:00:00 20604 15453000 665.
## 4 2024-04-01 00:00:00 19924 14943000 664.
## 5 2024-05-01 00:00:00 20468 15351000 660.
## 6 2024-06-01 00:00:00 19992 14994000 666.
## # ℹ abbreviated name: ¹promedio_diario_residuos_t
## # ℹ 3 more variables: promedio_diario_energia_kWh <dbl>, n_dias <int>,
## # viviendas_equivalentes_mes <dbl># Crear un gráfico de barras con la energía total mensual (kWh)
barplot(
height = resumen_mensual_energia$total_energia_kWh, # Altura de cada barra = energía total del mes en kWh
names.arg = format(resumen_mensual_energia$mes, "%b"), # Etiquetas del eje X = abreviatura del mes (Ene, Feb, etc.)
main = "Energia mensual generada a partir de residuos (kWh)", # Título del gráfico
xlab = "Mes", # Etiqueta del eje X
ylab = "Energía generada (kWh/mes)" # Etiqueta del eje Y
)
# Verificar que la columna viviendas_equivalentes_mes existe
head(resumen_mensual_energia$viviendas_equivalentes_mes) # Muestra algunos valores de viviendas por mes## [1] 61710 57324 61812 59772 61404 59976# Crear un gráfico de barras con viviendas equivalentes por mes
barplot(
height = resumen_mensual_energia$viviendas_equivalentes_mes, # Altura = número de viviendas equivalentes por mes
names.arg = format(resumen_mensual_energia$mes, "%b"), # Etiquetas de los meses en el eje X
main = "Viviendas equivalentes abastecidas por mes", # Título del gráfico
xlab = "Mes", # Etiqueta del eje X
ylab = "Viviendas equivalentes (unidad)" # Etiqueta del eje Y
)
# Cargar dplyr por si no está cargado
library(dplyr)
# Definir el consumo mensual promedio por vivienda en kWh/mes
consumo_mensual_kWh_hogar <- 250 # Dato que tú diste: 250 kWh por mes
# Calcular el consumo diario promedio por vivienda (aprox. 30 días/mes)
consumo_diario_kWh_hogar <- consumo_mensual_kWh_hogar / 30 # kWh por día por vivienda
# Crear una nueva columna con viviendas equivalentes promedio por día en cada mes
resumen_mensual_energia <- resumen_mensual_energia %>% # Tomar el resumen mensual que ya tienes
mutate(
viviendas_promedio_diarias = # Nueva columna: viviendas promedio por día en el mes
promedio_diario_energia_kWh / consumo_diario_kWh_hogar # Energía diaria promedio / consumo diario por vivienda
)
# Ver las primeras filas para comprobar las nuevas columnas
head(resumen_mensual_energia) # Debes ver 'promedio_diario_energia_kWh' y 'viviendas_promedio_diarias'## # A tibble: 6 × 8
## mes total_residuos_t total_energia_kWh promedio_diario_resid…¹
## <dttm> <dbl> <dbl> <dbl>
## 1 2024-01-01 00:00:00 20570 15427500 664.
## 2 2024-02-01 00:00:00 19108 14331000 659.
## 3 2024-03-01 00:00:00 20604 15453000 665.
## 4 2024-04-01 00:00:00 19924 14943000 664.
## 5 2024-05-01 00:00:00 20468 15351000 660.
## 6 2024-06-01 00:00:00 19992 14994000 666.
## # ℹ abbreviated name: ¹promedio_diario_residuos_t
## # ℹ 4 more variables: promedio_diario_energia_kWh <dbl>, n_dias <int>,
## # viviendas_equivalentes_mes <dbl>, viviendas_promedio_diarias <dbl>ULTIMO
library(dplyr)
library(tidyr)
library(lubridate)
library(ggplot2)
# =========================
# 1) ENERGÍA DIARIA REAL 2024 (kWh/día)
# =========================
energia_2024 <- datos_residuos_energia %>%
mutate(fecha = as.Date(fecha)) %>%
group_by(fecha) %>%
summarise(energia_kWh = sum(energia_electrica_kWh, na.rm = TRUE), .groups = "drop") %>%
filter(year(fecha) == 2024)
# =========================
# 2) PESOS POR DÍA DE SEMANA (a partir de 2024)
# Esto se usa para repartir el total mensual pronosticado de 2025 en días
# =========================
pesos_dow <- datos_residuos %>%
mutate(fecha = as.Date(fecha)) %>%
filter(year(fecha) == 2024) %>%
mutate(dia_sem = wday(fecha, week_start = 1, label = TRUE, abbr = TRUE)) %>%
group_by(dia_sem) %>%
summarise(media_t = mean(residuos_totales_t, na.rm = TRUE), .groups = "drop") %>%
mutate(peso = media_t / mean(media_t, na.rm = TRUE)) %>%
select(dia_sem, peso)
# =========================
# 3) RESIDUOS MENSUALES PROYECTADOS 2025 (desde forecast)
# =========================
residuos_2025_mensual <- tibble(
mes = seq.Date(as.Date("2025-01-01"), by = "month", length.out = 12),
total_residuos_t = as.numeric(pronostico_2025$mean) # <-- total t/mes pronosticado
)
# =========================
# 4) DESAGREGAR A DIARIO 2025 CONSERVANDO TOTALES MENSUALES
# usando el patrón de día de semana de 2024
# =========================
residuos_2025_diario <- residuos_2025_mensual %>%
rowwise() %>%
mutate(
fechas = list(seq.Date(mes, ceiling_date(mes, "month") - days(1), by = "day"))
) %>%
unnest(fechas) %>%
rename(fecha = fechas) %>%
mutate(
dia_sem = wday(fecha, week_start = 1, label = TRUE, abbr = TRUE)
) %>%
left_join(pesos_dow, by = "dia_sem") %>%
group_by(mes) %>%
mutate(
# normalizar pesos dentro del mes para que la suma diaria = total mensual
peso_norm = peso / sum(peso, na.rm = TRUE),
residuos_t_dia = total_residuos_t * peso_norm
) %>%
ungroup()
# =========================
# 5) PASAR RESIDUOS 2024 -> ENERGÍA 2025 (kWh/día)
# =========================
energia_2025 <- residuos_2025_diario %>%
mutate(
masa_kg = residuos_t_dia * 1000,
energia_bruta_MJ = masa_kg * PCI_MJ_kg,
energia_kWh = energia_bruta_MJ * eficiencia_electrica / 3.6
) %>%
select(fecha, energia_kWh)
# =========================
# 6) UNIR 2024 (real) + 2025 (proyectado)
# =========================
energia_all <- bind_rows(
energia_2024 %>% mutate(tipo = "Real 2024"),
energia_2025 %>% mutate(tipo = "Proyección 2025")
) %>%
mutate(
anio = year(fecha),
# semana del año basada en lunes (sin problemas de ISO-year)
semana_inicio = floor_date(fecha, "week", week_start = 1),
semana0 = floor_date(as.Date(paste0(anio, "-01-01")), "week", week_start = 1),
semana = as.integer(difftime(semana_inicio, semana0, units = "weeks")) + 1,
dia_sem = wday(fecha, week_start = 1, label = TRUE, abbr = TRUE)
)
# (opcional) completar días faltantes para que el heatmap no quede "hueco"
energia_all <- energia_all %>%
group_by(anio, tipo) %>%
complete(
fecha = seq.Date(min(fecha), max(fecha), by = "day")
) %>%
ungroup() %>%
mutate(
semana_inicio = floor_date(fecha, "week", week_start = 1),
semana0 = floor_date(as.Date(paste0(year(fecha), "-01-01")), "week", week_start = 1),
semana = as.integer(difftime(semana_inicio, semana0, units = "weeks")) + 1,
dia_sem = wday(fecha, week_start = 1, label = TRUE, abbr = TRUE)
)
# =========================
# 7) HEATMAP (ENERGÍA kWh/día) 2024 vs 2025
# =========================
ggplot(energia_all, aes(x = semana, y = dia_sem, fill = energia_kWh)) +
geom_tile(color = NA) +
facet_wrap(~ tipo, ncol = 1) +
labs(
title = "Heatmap calendario de generación de energía (kWh/día): 2024 real vs 2025 proyectado",
x = "Semana del año (inicio lunes)",
y = "Día de la semana",
fill = "kWh/día"
) +
theme_minimal()
# VALORIZACIÓN ENERGÉTICA CON VARIACIÓN MENSUAL
###############################################
# VALORIZACIÓN ENERGÉTICA CON VARIACIÓN MENSUAL
# Ecuador: más residuos en feriados (Carnaval, Semana Santa, Finados, Navidad)
###############################################
########## 0. LIBRERÍAS ##########
# Ejecutar solo una vez si no está instalado:
# install.packages("ggplot2")
library(ggplot2)
########## 1. CONSTANTES Y PARÁMETROS GLOBALES ##########
MJ_por_kWh <- 3.6 # 1 kWh = 3,6 MJ
dias_anio <- 365
horas_anio <- 8760 # 24*365
# Días por mes (año no bisiesto)
dias_mes <- c(
31, # Enero
28, # Febrero
31, # Marzo
30, # Abril
31, # Mayo
30, # Junio
31, # Julio
31, # Agosto
30, # Septiembre
31, # Octubre
30, # Noviembre
31 # Diciembre
)
nombres_mes <- c(
"Enero", "Febrero", "Marzo", "Abril",
"Mayo", "Junio", "Julio", "Agosto",
"Septiembre", "Octubre", "Noviembre", "Diciembre"
)
# Consumo típico de un hogar (ajusta a tu realidad)
consumo_hogar_kWh_anio <- 2700 # kWh/año por vivienda (ejemplo)
########## 2. FUNCIÓN BÁSICA: ENERGÍA DIARIA A PARTIR DE RESIDUOS ##########
# Calcula energía bruta y útil (solo a nivel diario)
energia_residuo_diaria <- function(masa_t_dia,
PCI_MJ_kg,
eficiencia_electrica = 0.30,
eficiencia_termica = 0.00,
disponibilidad = 0.90) {
# masa en kg/día
masa_kg_dia <- masa_t_dia * 1000
# energía bruta en el residuo
energia_bruta_MJ_dia <- masa_kg_dia * PCI_MJ_kg
energia_bruta_kWh_dia <- energia_bruta_MJ_dia / MJ_por_kWh
# energía útil diaria
energia_el_kWh_dia <- energia_bruta_kWh_dia * eficiencia_electrica * disponibilidad
energia_th_kWh_dia <- energia_bruta_kWh_dia * eficiencia_termica * disponibilidad
list(
masa_t_dia = masa_t_dia,
PCI_MJ_kg = PCI_MJ_kg,
eficiencia_electrica = eficiencia_electrica,
eficiencia_termica = eficiencia_termica,
disponibilidad = disponibilidad,
energia_bruta_MJ_dia = energia_bruta_MJ_dia,
energia_bruta_kWh_dia = energia_bruta_kWh_dia,
energia_el_kWh_dia = energia_el_kWh_dia,
energia_th_kWh_dia = energia_th_kWh_dia
)
}
########## 3. TABLA MENSUAL PARA UN AÑO (CON VARIACIÓN POR MES) ##########
# multip_mes: vector de 12 factores (1 = igual al promedio anual)
# Ejemplo Ecuador (puedes ajustar):
# - Febrero (Carnaval) -> 1.15
# - Marzo (Semana Santa aprox)-> 1.10
# - Noviembre (Finados) -> 1.15
# - Diciembre (Navidad/Año Nuevo) -> 1.15
calcular_ano_mensual <- function(
masa_t_dia_base,
PCI_MJ_kg,
eficiencia_electrica = 0.30,
eficiencia_termica = 0.00,
disponibilidad = 0.90,
multip_mes = c(
1.00, # Ene
1.15, # Feb (Carnaval)
1.10, # Mar (Semana Santa aproximada)
1.00, # Abr
1.00, # May
1.00, # Jun
1.00, # Jul
1.00, # Ago
1.00, # Sep
1.00, # Oct
1.15, # Nov (Finados)
1.15 # Dic (Navidad / Año Nuevo)
)
) {
if (length(multip_mes) != 12) {
stop("El vector multip_mes debe tener 12 valores (uno por mes).")
}
n_meses <- 12
masa_t_dia_mes <- numeric(n_meses)
masa_t_mes <- numeric(n_meses)
energia_el_kWh_dia <- numeric(n_meses)
energia_el_kWh_mes <- numeric(n_meses)
for (i in 1:n_meses) {
# masa diaria ajustada por mes
masa_t_dia_mes[i] <- masa_t_dia_base * multip_mes[i]
# energía diaria para ese mes
res_dia <- energia_residuo_diaria(
masa_t_dia = masa_t_dia_mes[i],
PCI_MJ_kg = PCI_MJ_kg,
eficiencia_electrica = eficiencia_electrica,
eficiencia_termica = eficiencia_termica,
disponibilidad = disponibilidad
)
energia_el_kWh_dia[i] <- res_dia$energia_el_kWh_dia
# masa y energía mensual
masa_t_mes[i] <- masa_t_dia_mes[i] * dias_mes[i]
energia_el_kWh_mes[i] <- energia_el_kWh_dia[i] * dias_mes[i]
}
energia_el_kWh_anio <- sum(energia_el_kWh_mes)
energia_el_GWh_anio <- energia_el_kWh_anio / 1e6
tabla <- data.frame(
mes = 1:12,
nombre_mes = factor(nombres_mes, levels = nombres_mes),
dias_mes = dias_mes,
multip_mes = multip_mes,
masa_t_dia = masa_t_dia_mes,
masa_t_mes = masa_t_mes,
energia_el_kWh_dia = energia_el_kWh_dia,
energia_el_kWh_mes = energia_el_kWh_mes
)
list(
tabla_mensual = tabla,
energia_el_kWh_anio = energia_el_kWh_anio,
energia_el_GWh_anio = energia_el_GWh_anio
)
}
########## 4. EJEMPLO: AÑO BASE CON VARIACIÓN MENSUAL ##########
# Aquí defines TU ESCENARIO BASE:
# - masa_t_dia_base: promedio diario de residuos (t/día)
# - PCI: buen poder calorífico (MJ/kg)
masa_t_dia_base_ej <- 680 # t/día (ejemplo, se puede cambiar )
PCI_MJ_kg_ej <- 9 # MJ/kg (RSU con buen PCI)
ef_el_ej <- 0.25 # 25 % eficiencia eléctrica
ef_th_ej <- 0.00 # no uso calor en este ejemplo
disp_ej <- 0.90 # 90 % disponibilidad
resultado_ano_base <- calcular_ano_mensual(
masa_t_dia_base = masa_t_dia_base_ej,
PCI_MJ_kg = PCI_MJ_kg_ej,
eficiencia_electrica = ef_el_ej,
eficiencia_termica = ef_th_ej,
disponibilidad = disp_ej
)
tabla_mensual_base <- resultado_ano_base$tabla_mensual
tabla_mensual_base## mes nombre_mes dias_mes multip_mes masa_t_dia masa_t_mes energia_el_kWh_dia
## 1 1 Enero 31 1.00 680 21080 382500
## 2 2 Febrero 28 1.15 782 21896 439875
## 3 3 Marzo 31 1.10 748 23188 420750
## 4 4 Abril 30 1.00 680 20400 382500
## 5 5 Mayo 31 1.00 680 21080 382500
## 6 6 Junio 30 1.00 680 20400 382500
## 7 7 Julio 31 1.00 680 21080 382500
## 8 8 Agosto 31 1.00 680 21080 382500
## 9 9 Septiembre 30 1.00 680 20400 382500
## 10 10 Octubre 31 1.00 680 21080 382500
## 11 11 Noviembre 30 1.15 782 23460 439875
## 12 12 Diciembre 31 1.15 782 24242 439875
## energia_el_kWh_mes
## 1 11857500
## 2 12316500
## 3 13043250
## 4 11475000
## 5 11857500
## 6 11475000
## 7 11857500
## 8 11857500
## 9 11475000
## 10 11857500
## 11 13196250
## 12 13636125resultado_ano_base$energia_el_GWh_anio # energía anual en GWh (escenario base)## [1] 145.9046########## 5. GRÁFICAS PARA EL AÑO BASE ##########
# 5.1. Masa de residuos por mes (t/mes)
ggplot(tabla_mensual_base, aes(x = nombre_mes, y = masa_t_mes)) +
geom_col(fill = "darkgreen") +
labs(
title = "Masa de residuos tratada por mes",
x = "Mes",
y = "Masa de residuos (t/mes)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 0, hjust = 0.5))
# 5.2. Energía eléctrica por mes (MWh/mes)
tabla_mensual_base$energia_el_MWh_mes <- tabla_mensual_base$energia_el_kWh_mes / 1000
ggplot(tabla_mensual_base, aes(x = nombre_mes, y = energia_el_MWh_mes)) +
geom_col(fill = "steelblue") +
labs(
title = "Energía eléctrica generada por mes",
x = "Mes",
y = "Energía eléctrica (MWh/mes)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 0, hjust = 0.5))
# 5.3. Línea comparando masa (t/mes) y energía (MWh/mes) normalizadas
tabla_mensual_base$masa_norm <- tabla_mensual_base$masa_t_mes / max(tabla_mensual_base$masa_t_mes)
tabla_mensual_base$energia_norm <- tabla_mensual_base$energia_el_MWh_mes / max(tabla_mensual_base$energia_el_MWh_mes)
ggplot(tabla_mensual_base, aes(x = mes)) +
geom_line(aes(y = masa_norm, colour = "Masa (t/mes)")) +
geom_line(aes(y = energia_norm, colour = "Energía (MWh/mes)")) +
scale_x_continuous(breaks = 1:12, labels = nombres_mes) +
labs(
title = "Comparación relativa masa vs energía por mes",
x = "Mes",
y = "Valor normalizado"
) +
scale_colour_manual(values = c("Masa (t/mes)" = "darkgreen",
"Energía (MWh/mes)" = "steelblue")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
########## 6. PROYECCIÓN MULTIANUAL CON PATRÓN MENSUAL ##########
# Esta función proyecta varios años:
# - La masa base se multiplica por (1 + tasa_crecimiento)^año
# - El patrón mensual (multip_mes) se mantiene igual cada año
proyectar_meses_varios_anios <- function(
masa_t_dia_base,
PCI_MJ_kg,
eficiencia_electrica = 0.30,
eficiencia_termica = 0.00,
disponibilidad = 0.90,
multip_mes = rep(1, 12),
tasa_crecimiento = 0.02, # 2 % anual
n_anios = 15,
anio_inicio = 2024
) {
# Data.frame vacío "largo": año-mes
n_total <- (n_anios + 1) * 12 # año 0 + n_anios
df <- data.frame(
anio = integer(n_total),
anio_rel = integer(n_total),
mes = integer(n_total),
nombre_mes = character(n_total),
dias_mes = integer(n_total),
masa_t_dia = numeric(n_total),
masa_t_mes = numeric(n_total),
energia_el_kWh_mes = numeric(n_total),
stringsAsFactors = FALSE
)
idx <- 1
for (a in 0:n_anios) { # a = 0 es el año base
masa_base_anio <- masa_t_dia_base * (1 + tasa_crecimiento) ^ a
anio_cal <- anio_inicio + a
# Calculamos el año completo con la función de antes
res_anio <- calcular_ano_mensual(
masa_t_dia_base = masa_base_anio,
PCI_MJ_kg = PCI_MJ_kg,
eficiencia_electrica = eficiencia_electrica,
eficiencia_termica = eficiencia_termica,
disponibilidad = disponibilidad,
multip_mes = multip_mes
)
tab_m <- res_anio$tabla_mensual
for (m in 1:12) {
df$anio[idx] <- anio_cal
df$anio_rel[idx] <- a
df$mes[idx] <- m
df$nombre_mes[idx] <- as.character(tab_m$nombre_mes[m])
df$dias_mes[idx] <- tab_m$dias_mes[m]
df$masa_t_dia[idx] <- tab_m$masa_t_dia[m]
df$masa_t_mes[idx] <- tab_m$masa_t_mes[m]
df$energia_el_kWh_mes[idx] <- tab_m$energia_el_kWh_mes[m]
idx <- idx + 1
}
}
df$energia_el_MWh_mes <- df$energia_el_kWh_mes / 1000
df
}
########## 7. EJEMPLO DE PROYECCIÓN: 15 AÑOS ##########
tasa_crec_ej <- 0.03 # 3 % más residuos por año
n_anios_ej <- 15
anio_inicio_ej <- 2024
# Usamos el mismo multip_mes del año base (feriados)
multip_mes_ej <- c(
1.00, # Ene
1.15, # Feb
1.10, # Mar
1.00, # Abr
1.00, # May
1.00, # Jun
1.00, # Jul
1.00, # Ago
1.00, # Sep
1.00, # Oct
1.15, # Nov
1.15 # Dic
)
proyeccion_meses <- proyectar_meses_varios_anios(
masa_t_dia_base = masa_t_dia_base_ej,
PCI_MJ_kg = PCI_MJ_kg_ej,
eficiencia_electrica = ef_el_ej,
eficiencia_termica = ef_th_ej,
disponibilidad = disp_ej,
multip_mes = multip_mes_ej,
tasa_crecimiento = tasa_crec_ej,
n_anios = n_anios_ej,
anio_inicio = anio_inicio_ej
)
head(proyeccion_meses)## anio anio_rel mes nombre_mes dias_mes masa_t_dia masa_t_mes
## 1 2024 0 1 Enero 31 680 21080
## 2 2024 0 2 Febrero 28 782 21896
## 3 2024 0 3 Marzo 31 748 23188
## 4 2024 0 4 Abril 30 680 20400
## 5 2024 0 5 Mayo 31 680 21080
## 6 2024 0 6 Junio 30 680 20400
## energia_el_kWh_mes energia_el_MWh_mes
## 1 11857500 11857.50
## 2 12316500 12316.50
## 3 13043250 13043.25
## 4 11475000 11475.00
## 5 11857500 11857.50
## 6 11475000 11475.00########## 8. RESUMEN ANUAL DE LA PROYECCIÓN ##########
# Calculamos energía anual sumando todos los meses
anios_unicos <- unique(proyeccion_meses$anio)
n_anios_tot <- length(anios_unicos)
resumen_anual <- data.frame(
anio = anios_unicos,
energia_el_kWh_anio = numeric(n_anios_tot),
energia_el_GWh_anio = numeric(n_anios_tot),
masa_t_anio = numeric(n_anios_tot)
)
for (i in 1:n_anios_tot) {
anio_i <- anios_unicos[i]
sub_i <- proyeccion_meses[proyeccion_meses$anio == anio_i, ]
resumen_anual$energia_el_kWh_anio[i] <- sum(sub_i$energia_el_kWh_mes)
resumen_anual$energia_el_GWh_anio[i] <- resumen_anual$energia_el_kWh_anio[i] / 1e6
resumen_anual$masa_t_anio[i] <- sum(sub_i$masa_t_mes)
}
resumen_anual## anio energia_el_kWh_anio energia_el_GWh_anio masa_t_anio
## 1 2024 145904625 145.9046 259386.0
## 2 2025 150281764 150.2818 267167.6
## 3 2026 154790217 154.7902 275182.6
## 4 2027 159433923 159.4339 283438.1
## 5 2028 164216941 164.2169 291941.2
## 6 2029 169143449 169.1434 300699.5
## 7 2030 174217753 174.2178 309720.4
## 8 2031 179444285 179.4443 319012.1
## 9 2032 184827614 184.8276 328582.4
## 10 2033 190372442 190.3724 338439.9
## 11 2034 196083615 196.0836 348593.1
## 12 2035 201966124 201.9661 359050.9
## 13 2036 208025108 208.0251 369822.4
## 14 2037 214265861 214.2659 380917.1
## 15 2038 220693837 220.6938 392344.6
## 16 2039 227314652 227.3147 404114.9########## 9. GRÁFICAS DE LA PROYECCIÓN ##########
# 9.1 Energía eléctrica anual (GWh/año)
ggplot(resumen_anual, aes(x = anio, y = energia_el_GWh_anio)) +
geom_line() +
geom_point(size = 2) +
labs(
title = "Proyección de energa elctrica anual",
x = "Anio",
y = "Energía eléctrica (GWh/año)"
) +
theme_minimal()
# 9.2 Masa total de residuos por año (t/año)
ggplot(resumen_anual, aes(x = anio, y = masa_t_anio)) +
geom_line(color = "darkgreen") +
geom_point(size = 2, color = "darkgreen") +
labs(
title = "Masa total de residuos tratada por anio",
x = "Anio",
y = "Masa de residuos (t/anio)"
) +
theme_minimal()