INMAIA S.A
Maribel,Dayana,Ines,Leo
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 2024-12-30 00:00:00 11.0 2.21 5
## 2 2025-01-06 00:00:00 13.8 1.97 7
## 3 2025-01-13 00:00:00 12.3 1.76 7
## 4 2025-01-20 00:00:00 12.9 1.84 7
## 5 2025-01-27 00:00:00 11.4 1.63 7
## 6 2025-02-03 00:00:00 15.5 2.22 7View(resumen_semanal)
# Ver un resumen estadístico del total semanal de residuos
summary(resumen_semanal$total_residuos_t)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 6.89 12.59 13.97 13.76 14.87 17.10RESUMEN MENSUAL
# Crear un resumen mensual de la generación de residuos
resumen_mensual <- datos_residuos %>% # Toma la base original
mutate(mes = floor_date(fecha, "month")) %>% # Crea una columna 'mes' con el primer día de cada mes
group_by(mes) %>% # Agrupa los datos por mes
summarise( # Resume las variables para cada mes
total_residuos_t = sum(residuos_totales_t), # Suma total de residuos en el mes (toneladas)
promedio_diario_t = mean(residuos_totales_t), # Promedio diario de residuos en el mes
n_dias = n() # Número de días incluidos en ese mes
) %>% # Fin del resumen
ungroup() # Quita la agrupación
# Ver las primeras filas del resumen mensual
head(resumen_mensual)## # A tibble: 6 × 4
## mes total_residuos_t promedio_diario_t n_dias
## <dttm> <dbl> <dbl> <int>
## 1 2025-01-01 00:00:00 58.9 1.90 31
## 2 2025-02-01 00:00:00 55.9 2.00 28
## 3 2025-03-01 00:00:00 61.7 1.99 31
## 4 2025-04-01 00:00:00 60.0 2.00 30
## 5 2025-05-01 00:00:00 61.3 1.98 31
## 6 2025-06-01 00:00:00 56.9 1.90 30# Ver un resumen estadístico del total mensual de residuos
summary(resumen_mensual$total_residuos_t)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 55.93 59.74 60.53 60.78 62.06 65.62compara 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 2.58 0.714 1.44 3.67
## 2 Normal 1.98 0.583 1.01 2.98
## # 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
)
#La figura compara la generación diaria de residuos de madera en INMAI entre días normales y feriados. Se observa que en los días feriados la mediana y la dispersión de los residuos son mayores, lo que indica una mayor acumulación de residuos asociada a variaciones en la operación de la empresa. En los días normales, la generación de residuos es menor y más estable. Desde el enfoque de la generación de energía mediante incineración, esta diferencia evidencia la necesidad de contar con un sistema de almacenamiento y regulación de la alimentación de biomasa, que permita aprovechar los picos de generación y asegurar un suministro constante de residuos al sistema de combustión para una producción energética continua 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] 0.6005984# 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] 1.980311promedio_feriado # Promedio t/día en feriado## [1] 2.580909incremento_absoluto # Cuántas toneladas más en feriado## [1] 0.6005984incremento_relativo # % más de residuos en feriado## [1] 30.32849# 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
)
El diagrama muestra el promedio de residuos de madera generados diariamente en la empresa INMAI, diferenciando entre días normales y feriados. Se observa que en los días feriados el promedio de residuos es mayor que en los días normales, lo que confirma una mayor acumulación de biomasa residual en estos periodos. Desde la perspectiva de la generación de energía mediante incineración, este comportamiento indica un mayor potencial energético disponible en días feriados, el cual puede ser aprovechado mediante una adecuada planificación operativa, permitiendo almacenar el excedente de residuos y utilizarlos posteriormente para mantener una alimentación constante al sistema de combustión y una producción energética estable
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(2025, 1), # Año 2025, "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(2025, 1)
## End = c(2025, 365)
## Frequency = 365
## [1] 2.17 2.90 2.46 2.20 1.31 1.31 1.12 2.73 2.20 2.42 1.04 2.94 2.66 1.42 1.36
## [16] 1.37 1.61 2.05 1.86 1.58 2.22 1.28 1.58 1.73 1.91 2.57 1.40 2.03 2.18 1.09
## [31] 2.22 1.34 1.13 2.90 2.93 2.62 1.61 1.20 2.37 1.88 1.24 1.99 1.07 2.82 1.52
## [46] 2.33 1.62 2.04 2.09 1.37 2.94 2.55 2.88 2.79 2.20 2.84 1.18 1.39 1.09 1.65
## [61] 1.78 1.92 3.43 1.71 1.56 2.09 1.28 2.60 1.15 2.97 2.54 1.40 1.01 2.63 2.41
## [76] 2.46 2.54 1.15 1.72 1.23 2.73 2.25 1.66 1.13 1.62 1.65 2.46 2.28 2.77 1.94
## [91] 1.24 2.43 2.52 2.12 2.54 1.99 2.05 1.86 1.05 1.22 1.06 2.27 1.63 2.02 2.82
## [106] 1.50 1.82 3.02 1.46 1.15 1.58 1.32 2.86 2.62 2.27 2.74 2.61 1.37 2.79 2.08
## [121] 2.61 3.36 1.64 1.22 1.46 1.85 2.64 2.72 1.01 2.02 1.83 1.44 1.24 1.68 2.89
## [136] 1.65 2.04 2.41 1.73 2.94 2.92 1.50 2.55 1.60 1.57 1.07 2.22 2.01 1.10 1.56
## [151] 2.82 1.48 1.29 1.98 2.97 1.48 2.34 2.52 1.48 2.46 1.74 2.26 2.27 2.07 1.18
## [166] 2.67 1.64 1.37 1.08 2.18 2.36 1.03 2.02 1.45 2.29 1.35 2.38 1.77 2.87 1.28
## [181] 1.68 1.23 2.85 2.75 1.52 2.32 2.63 2.11 2.06 1.48 1.19 2.79 2.80 2.27 1.68
## [196] 1.70 2.45 2.79 2.77 2.56 2.28 1.17 1.32 2.80 2.21 1.02 1.20 2.33 1.01 1.32
## [211] 2.10 2.38 2.30 1.45 2.42 1.47 1.65 2.49 2.30 2.70 2.32 2.14 1.44 1.74 1.53
## [226] 1.49 2.95 1.79 2.78 2.26 2.59 2.01 2.15 1.99 1.39 2.44 1.56 1.05 2.29 1.35
## [241] 2.88 2.91 2.83 1.74 1.03 2.86 1.86 2.93 2.93 2.71 1.59 1.77 2.70 1.63 1.34
## [256] 2.11 2.87 2.39 2.14 1.19 2.23 2.98 1.28 2.04 2.75 2.48 2.39 2.40 1.72 1.59
## [271] 2.62 2.62 2.73 2.83 2.02 2.00 2.60 2.30 2.40 2.59 2.78 1.68 2.22 1.19 2.16
## [286] 1.07 1.93 2.09 1.57 2.18 1.06 1.07 2.65 1.72 1.25 2.04 2.54 1.43 2.25 1.17
## [301] 1.10 2.06 2.08 2.27 2.45 2.95 2.62 1.99 2.59 1.54 1.88 1.16 1.05 2.93 2.67
## [316] 2.39 1.82 1.35 1.31 1.50 2.10 2.43 2.32 1.56 2.91 2.48 2.11 2.22 1.84 1.50
## [331] 1.71 2.52 1.03 1.23 1.09 1.08 2.71 2.41 1.95 1.20 1.98 1.95 1.35 1.87 1.80
## [346] 2.23 2.27 1.09 1.75 2.25 2.01 2.71 2.32 1.33 1.14 2.28 1.05 2.17 3.67 2.15
## [361] 1.78 2.29 1.92 2.09 2.88# 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 (2025)", # Título del gráfico
xlab = "Tiempo (días del año 2025)", # 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(2025, 1), # Año 2025, 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
## 2025 58.92 55.93 61.72 60.01 61.30 56.94 63.09 64.66 65.62 60.30 60.16 60.77# Graficar la serie mensual
plot(
residuos_mensual_ts, # Serie mensual
main = "Serie de tiempo mensual de residuos (2025)", # Título
xlab = "Tiempo (meses)", # Eje X
ylab = "Residuos totales (t/mes)" # Eje Y
)
La imagen muestra la serie de tiempo mensual de residuos generados durante el año 2025, donde se observa que la producción acumulada fluctúa en un rango aproximado de entre 56 y 66 toneladas por mes. El gráfico revela una tendencia de crecimiento gradual que inicia en el segundo trimestre y alcanza su pico máximo alrededor del mes de julio, seguido de un descenso pronunciado y una posterior estabilización hacia el final del año. Este patrón sugiere variaciones en el ritmo de la actividad productiva de la empresa a escala mensual, lo cual es determinante para la gestión de un proyecto de valorización energética.
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 == 2025)
# 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()
La imagen presenta el patrón diario de generación de residuos desglosado por cada mes del año, donde se observa una superposición de doce líneas que representan la variabilidad de la producción a lo largo de los días del mes. Los valores muestran fluctuaciones intensas y recurrentes que se mantienen mayoritariamente entre 1 y 3.5 toneladas diarias, destacando un pico excepcional que se aproxima a las 4 toneladas cerca del día 25. Este comportamiento refleja una actividad operativa dinámica y continua, cuya regularidad a pesar de los picos individuales facilita la estimación del suministro de biomasa necesario para la generación de energía mediante incineración. En este contexto, el análisis de los doce meses permite identificar que no existen periodos de interrupción total en la generación, lo que respalda el diseño de un sistema de combustión estable que utilice el almacenamiento para gestionar los excedentes de los días de alta producción y garantizar un flujo constante de energía durante todo el año.
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()
La figura presenta la distribución de residuos mediante un diagrama de cajas que muestra una generación mediana constante entre 1.5 y 2.5 toneladas diarias a lo largo del mes. Los valores presentan una dispersión regular con picos aislados que superan las 3.5 toneladas, lo que refleja una actividad productiva continua sin caídas drásticas en días específicos. Para la generación de energía por incineración, esta estabilidad estadística facilita la planificación del suministro, permitiendo que el uso de almacenamiento temporal compense la variabilidad diaria y asegure un flujo de biomasa previsible y constante para el funcionamiento del sistema.
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()
La imagen muestra un mapa de calor tipo calendario que representa la intensidad de la generación de residuos diaria a lo largo de las semanas del año 2025. Los tonos azules más claros indican días con mayor producción, alcanzando picos de hasta 3.5 toneladas, mientras que los azules oscuros señalan jornadas de menor generación cercanas a las 1.5 toneladas. La distribución cromática revela que la actividad se mantiene constante durante todos los días de la semana, incluidos sábados y domingos, lo que confirma un flujo operativo ininterrumpido. Desde la perspectiva de la incineración para generar energía, esta visualización permite identificar patrones de regularidad semanal que aseguran un suministro continuo de biomasa, facilitando la programación de turnos de operación y el mantenimiento del sistema de combustión sin riesgos de desabastecimiento prolongado
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()
La imagen presenta la distribución de los residuos generados según el día de la semana, mostrando una notable estabilidad operativa durante todo el ciclo semanal. Se observa que las medianas de generación se mantienen en un rango similar para todos los días, situándose aproximadamente entre 2.0 y 2.5 toneladas diarias, con una dispersión que evidencia la ausencia de periodos de inactividad total incluso en fines de semana.
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()
La imagen presenta la distribución mensual de residuos mediante un diagrama de cajas que muestra una generación mediana relativamente estable a lo largo del año, situándose de manera general entre 1.8 y 2.4 toneladas diarias. Se observa que el mes de septiembre presenta la mediana más elevada, mientras que meses como mayo y junio muestran una mayor dispersión en sus datos, incluyendo picos que superan las 3 toneladas.
# 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(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 60.7850
## s.e. 0.7813
##
## sigma^2 = 7.991: log likelihood = -28.98
## AIC=61.95 AICc=63.28 BIC=62.92
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 2.368531e-15 2.706555 2.0775 -0.1990211 3.42729 NaN 0.2068536# Hacer un pronóstico de 12 meses (todo el año 2026)
pronostico_2026 <- forecast(
modelo_arima, # Modelo previamente ajustado
h = 12 # Horizonte de pronóstico: 12 meses hacia adelante
)
# Ver los valores del pronóstico en consola
pronostico_2026 # Muestra predicciones, error estándar y rangos de confianza## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Feb 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Mar 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Apr 2026 60.785 57.16218 64.40782 55.24437 66.32563
## May 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Jun 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Jul 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Aug 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Sep 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Oct 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Nov 2026 60.785 57.16218 64.40782 55.24437 66.32563
## Dec 2026 60.785 57.16218 64.40782 55.24437 66.32563# Graficar el pronóstico junto con la serie histórica
plot(
pronostico_2026, # Objeto de pronóstico (forecast)
main = "Pronóstico mensual de residuos para 2026", # Título del gráfico
xlab = "Tiempo (meses)", # Etiqueta eje X
ylab = "Residuos totales (t/mes)" # Etiqueta eje Y
)
La imagen muestra el pronóstico mensual de generación de residuos para el año 2026, proyectado a partir del comportamiento histórico observado en 2025. La predicción central se representa con una línea horizontal azul que estima una producción estable de aproximadamente 61 toneladas mensuales, rodeada por bandas de sombra que indican los intervalos de confianza del 80% y 95%. Esta proyección sugiere que, aunque el año previo mostró fluctuaciones y un pico hacia mediados del ciclo, se espera que el suministro tienda a un equilibrio constante en el futuro cercano.
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(2025, 1), # Año 2025, 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 <- 8 # Supuesto: 8 MJ por kg de residuo
# Definir la eficiencia eléctrica de la planta (fracción entre 0 y 1)
eficiencia_electrica <- 0.25 # Supuesto: 25% de la energía térmica se convierte en electricidad
# Definir el consumo promedio mensual de una vivienda en kWh/mes
consumo_mensual_kWh_hogar <- 170 # Dato dado: 170 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 residuos_base_t
## <dttm> <chr> <lgl> <chr> <dbl>
## 1 2025-01-01 00:00:00 Wednesday TRUE Feriado 1.75
## 2 2025-01-02 00:00:00 Thursday FALSE Normal 2.9
## 3 2025-01-03 00:00:00 Friday FALSE Normal 2.46
## 4 2025-01-04 00:00:00 Saturday FALSE Normal 2.2
## 5 2025-01-05 00:00:00 Sunday FALSE Normal 1.31
## 6 2025-01-06 00:00:00 Monday FALSE Normal 1.31
## # ℹ 6 more variables: factor_incremento <dbl>, 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] 405233.3viviendas_equivalentes_anual # Viviendas equivalentes abastecidas en el año## [1] 198.6438# 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 2024-12-30 00:00:00 11.0 6133. 2.21
## 2 2025-01-06 00:00:00 13.8 7644. 1.97
## 3 2025-01-13 00:00:00 12.3 6850 1.76
## 4 2025-01-20 00:00:00 12.9 7150 1.84
## 5 2025-01-27 00:00:00 11.4 6328. 1.63
## 6 2025-02-03 00:00:00 15.5 8617. 2.22
## # 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 2025-01-01 00:00:00 58.9 32733. 1.90
## 2 2025-02-01 00:00:00 55.9 31072. 2.00
## 3 2025-03-01 00:00:00 61.7 34289. 1.99
## 4 2025-04-01 00:00:00 60.0 33339. 2.00
## 5 2025-05-01 00:00:00 61.3 34056. 1.98
## 6 2025-06-01 00:00:00 56.9 31633. 1.90
## # 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 2025-01-01 00:00:00 58.9 32733. 1.90
## 2 2025-02-01 00:00:00 55.9 31072. 2.00
## 3 2025-03-01 00:00:00 61.7 34289. 1.99
## 4 2025-04-01 00:00:00 60.0 33339. 2.00
## 5 2025-05-01 00:00:00 61.3 34056. 1.98
## 6 2025-06-01 00:00:00 56.9 31633. 1.90
## # 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] 192.5490 182.7778 201.6993 196.1111 200.3268 186.0784# 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
)
El gráfico de energía mensual generada a partir de residuos evidencia que Inmaia S.A, mantiene una producción energética relativamente constante a lo largo del año, con valores que oscilan aproximadamente entre 30.000 y 35.000 kWh mensuales. Se observan ligeros incrementos en los meses de mitad de año, lo que sugiere un mayor nivel de actividad productiva o una mayor disponibilidad de residuos aprovechables, mientras que en otros meses la generación se mantiene estable sin caídas significativas. Este comportamiento refleja una operación continua y controlada, propia de una empresa con procesos productivos consolidados, y demuestra que la valorización energética de los residuos representa un aporte relevante y sostenido dentro de la gestión ambiental y energética de Inmaia S.A.
# Cargar dplyr por si no está cargado
library(dplyr)
# Definir el consumo mensual promedio por vivienda en kWh/mes
consumo_mensual_kWh_hogar <- 170 # Dato que tú diste: 170 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 2025-01-01 00:00:00 58.9 32733. 1.90
## 2 2025-02-01 00:00:00 55.9 31072. 2.00
## 3 2025-03-01 00:00:00 61.7 34289. 1.99
## 4 2025-04-01 00:00:00 60.0 33339. 2.00
## 5 2025-05-01 00:00:00 61.3 34056. 1.98
## 6 2025-06-01 00:00:00 56.9 31633. 1.90
## # 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 2025 (kWh/día)
# =========================
energia_2025 <- 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) == 2025)
# =========================
# 2) PESOS POR DÍA DE SEMANA (a partir de 2025)
# Esto se usa para repartir el total mensual pronosticado de 2026 en días
# =========================
pesos_dow <- datos_residuos %>%
mutate(fecha = as.Date(fecha)) %>%
filter(year(fecha) == 2025) %>%
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 2026 (desde forecast)
# =========================
residuos_2026_mensual <- tibble(
mes = seq.Date(as.Date("2026-01-01"), by = "month", length.out = 12),
total_residuos_t = as.numeric(pronostico_2026$mean) # <-- total t/mes pronosticado
)
# Alias para compatibilidad de nombre (evita error en knit)
residuos_2026_mes <- residuos_2026_mensual
# =========================
# 4) DESAGREGAR A DIARIO 2026 CONSERVANDO TOTALES MENSUALES
# usando el patrón de día de semana de 2025
# =========================
residuos_2026_diario <- residuos_2026_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 2026 -> ENERGÍA 2026 (kWh/día)
# =========================
energia_2026 <- residuos_2026_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 2025 (real) + 2026 (proyectado)
# =========================
energia_all <- bind_rows(
energia_2025 %>% mutate(tipo = "Real 2025"),
energia_2026 %>% mutate(tipo = "Proyección 2026")
) %>%
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) 2025 vs 2026
# =========================
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): 2025 real vs 2026 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 <- 4000 # 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 = 0.25,
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) -> 1.10
# - Marzo (Semana Santa aprox)-> 1.05
# - Noviembre (Finados) -> 1.08
# - Diciembre (Navidad/Año Nuevo) -> 1.20
calcular_ano_mensual <- function(
masa_t_dia_base,
PCI_MJ_kg,
eficiencia_electrica = 0.25,
eficiencia_termica = 0.00,
disponibilidad = 0.90,
multip_mes = c(
1.00, # Ene
1.10, # Feb (Carnaval)
1.05, # 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
1.08, # Nov (Finados)
1.20 # 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 <- 100 # t/día (ejemplo, se puede cambiar )
PCI_MJ_kg_ej <- 12 # 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$tabla_mensual
tabla_mensual_base## mes nombre_mes dias_mes multip_mes masa_t_dia masa_t_mes energia_el_kWh_dia
## 1 1 Enero 31 1.00 100 3100 75000
## 2 2 Febrero 28 1.10 110 3080 82500
## 3 3 Marzo 31 1.05 105 3255 78750
## 4 4 Abril 30 1.00 100 3000 75000
## 5 5 Mayo 31 1.00 100 3100 75000
## 6 6 Junio 30 1.00 100 3000 75000
## 7 7 Julio 31 1.00 100 3100 75000
## 8 8 Agosto 31 1.00 100 3100 75000
## 9 9 Septiembre 30 1.00 100 3000 75000
## 10 10 Octubre 31 1.00 100 3100 75000
## 11 11 Noviembre 30 1.08 108 3240 81000
## 12 12 Diciembre 31 1.20 120 3720 90000
## energia_el_kWh_mes
## 1 2325000
## 2 2310000
## 3 2441250
## 4 2250000
## 5 2325000
## 6 2250000
## 7 2325000
## 8 2325000
## 9 2250000
## 10 2325000
## 11 2430000
## 12 2790000resultado_ano_base$energia_el_GWh_anio # energía anual en GWh (escenario base)## [1] 28.34625########## 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 = 0.25,
eficiencia_termica = 0.00,
disponibilidad = 0.90,
multip_mes = rep(1, 12),
tasa_crecimiento = 0.02, # 2 % anual
n_anios = 10,
anio_inicio = 2025
) {
# 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: 10 AÑOS ##########
tasa_crec_ej <- 0.03 # 3 % más residuos por año
n_anios_ej <- 10
anio_inicio_ej <- 2025
# Usamos el mismo multip_mes del año base (feriados)
multip_mes_ej <- c(
1.00, # Ene
1.10, # Feb
1.05, # Mar
1.00, # Abr
1.00, # May
1.00, # Jun
1.00, # Jul
1.00, # Ago
1.00, # Sep
1.00, # Oct
1.08, # Nov
1.20 # 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 2025 0 1 Enero 31 100 3100
## 2 2025 0 2 Febrero 28 110 3080
## 3 2025 0 3 Marzo 31 105 3255
## 4 2025 0 4 Abril 30 100 3000
## 5 2025 0 5 Mayo 31 100 3100
## 6 2025 0 6 Junio 30 100 3000
## energia_el_kWh_mes energia_el_MWh_mes
## 1 2325000 2325.00
## 2 2310000 2310.00
## 3 2441250 2441.25
## 4 2250000 2250.00
## 5 2325000 2325.00
## 6 2250000 2250.00########## 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 2025 28346250 28.34625 37795.00
## 2 2026 29196638 29.19664 38928.85
## 3 2027 30072537 30.07254 40096.72
## 4 2028 30974713 30.97471 41299.62
## 5 2029 31903954 31.90395 42538.61
## 6 2030 32861073 32.86107 43814.76
## 7 2031 33846905 33.84690 45129.21
## 8 2032 34862312 34.86231 46483.08
## 9 2033 35908181 35.90818 47877.58
## 10 2034 36985427 36.98543 49313.90
## 11 2035 38094990 38.09499 50793.32########## 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()
El gráfico de proyección de energía eléctrica anual para la empresa Inmaia S.A. muestra una tendencia claramente creciente en el consumo energético a lo largo del periodo proyectado, pasando aproximadamente de 28 GWh en 2025 hasta cerca de 38 GWh en 2035. Este crecimiento sostenido sugiere un escenario de expansión progresiva de las operaciones productivas y un aumento continuo de la demanda energética asociado al crecimiento de la capacidad instalada o del volumen de producción. La tendencia lineal indica que, de mantenerse las condiciones actuales, la empresa deberá anticipar mayores requerimientos de energía en el mediano y largo plazo, lo que hace recomendable la planificación de estrategias de eficiencia energética, optimización de procesos y evaluación de fuentes alternativas o renovables de energía, con el fin de garantizar la sostenibilidad operativa y el control de costos energéticos futuros.
#Analisis economicom
library(dplyr)
# ===== 1) Totales anuales 2026 (proyectado) =====
energia_anual_2026_kWh <- sum(energia_2026$energia_kWh, na.rm = TRUE)
residuos_anual_2026_t <- sum(residuos_2026_mes$residuos_total_t, na.rm = TRUE)## Warning: Unknown or uninitialised column: `residuos_total_t`.# Potencia promedio equivalente (para dimensionar CAPEX por kW)
MW_prom_2026 <- energia_anual_2026_kWh / 8760 / 1000
energia_anual_2026_kWh## [1] 405233.3residuos_anual_2026_t## [1] 0MW_prom_2026## [1] 0.04625951# ===== 2) Función de evaluación financiera =====
eval_proyecto <- function(energia_kWh_y, residuos_t_y, MW_prom,
precio_usd_kWh,
gatefee_usd_t,
capex_usd_kW,
opex_fijo_pct,
opex_var_usd_t,
vida_anios = 20,
tasa_desc = 0.10){
CAPEX0 <- MW_prom * 1000 * capex_usd_kW
ingreso_elec <- energia_kWh_y * precio_usd_kWh
ingreso_gate <- residuos_t_y * gatefee_usd_t
OPEX_fijo <- CAPEX0 * opex_fijo_pct
OPEX_var <- residuos_t_y * opex_var_usd_t
OPEX_total <- OPEX_fijo + OPEX_var
neto_anual <- ingreso_elec + ingreso_gate - OPEX_total
# Cashflows
cf <- c(-CAPEX0, rep(neto_anual, vida_anios))
years <- 0:vida_anios
disc <- (1 + tasa_desc)^years
NPV <- sum(cf / disc)
# Payback simple
cum <- cumsum(cf)
PB <- which(cum >= 0)[1] - 1
if (is.na(PB)) PB <- NA_integer_
# IRR
IRR <- tryCatch({
f <- function(r) sum(cf / (1 + r)^years)
uniroot(f, interval = c(-0.9, 1.5))$root
}, error = function(e) NA_real_)
# LCOE (costo/energía) y LCOE neto considerando gate fee como “crédito”
pv_costs <- CAPEX0 + sum(c(0, rep(OPEX_total, vida_anios)) / disc)
pv_energy <- sum(c(0, rep(energia_kWh_y, vida_anios)) / disc)
LCOE <- pv_costs / pv_energy
pv_gate <- sum(c(0, rep(ingreso_gate, vida_anios)) / disc)
LCOE_neto <- (pv_costs - pv_gate) / pv_energy
tibble(
CAPEX_USD = CAPEX0,
Ingreso_elec_USD_anual = ingreso_elec,
Ingreso_gate_USD_anual = ingreso_gate,
OPEX_USD_anual = OPEX_total,
Neto_USD_anual = neto_anual,
NPV_USD = NPV,
IRR = IRR,
Payback_anios = PB,
LCOE_USD_kWh = LCOE,
LCOE_neto_USD_kWh = LCOE_neto
)
}
# ===== 3) Escenarios (ajusta a tu caso) =====
# precio_usd_kWh:
# - 0.0747 ~ 74.7 USD/MWh (precio preferente municipal WtE)
# - 0.10525 ~ biomasa en ¢USD/kWh
# gatefee_usd_t:
# - 29.15 referencial Quito (relleno)
# capex_usd_kW y opex_fijo_pct: base desde literatura (7000 y 4%)
escenarios <- tibble(
escenario = c("Conservador", "Base", "Optimista"),
precio_usd_kWh = c(0.0747, 0.0900, 0.10525),
gatefee_usd_t = c(10, 29.15, 40),
capex_usd_kW = c(9000, 7000, 6000),
opex_fijo_pct = c(0.05, 0.04, 0.04),
opex_var_usd_t = c(35, 25, 15),
vida_anios = c(15, 20, 20),
tasa_desc = c(0.12, 0.10, 0.10)
)
resultados <- escenarios %>%
rowwise() %>%
do(bind_cols(
tibble(escenario = .$escenario),
eval_proyecto(
energia_kWh_y = energia_anual_2026_kWh,
residuos_t_y = residuos_anual_2026_t,
MW_prom = MW_prom_2026,
precio_usd_kWh = .$precio_usd_kWh,
gatefee_usd_t = .$gatefee_usd_t,
capex_usd_kW = .$capex_usd_kW,
opex_fijo_pct = .$opex_fijo_pct,
opex_var_usd_t = .$opex_var_usd_t,
vida_anios = .$vida_anios,
tasa_desc = .$tasa_desc
)
)) %>%
ungroup()
resultados## # A tibble: 3 × 11
## escenario CAPEX_USD Ingreso_elec_USD_anual Ingreso_gate_USD_anual
## <chr> <dbl> <dbl> <dbl>
## 1 Conservador 416336. 30271. 0
## 2 Base 323817. 36471 0
## 3 Optimista 277557. 42651. 0
## # ℹ 7 more variables: OPEX_USD_anual <dbl>, Neto_USD_anual <dbl>,
## # NPV_USD <dbl>, IRR <dbl>, Payback_anios <dbl>, LCOE_USD_kWh <dbl>,
## # LCOE_neto_USD_kWh <dbl>