Sistemas Fotovoltaicos en Redes de Distribución

Etiquetas

Energía, fotovoltaica, generación distribuida

Hace un par de meses conseguí una plaza de Profesor Contratado Doctor en la Escuela Técnica Superior de Ingeniería y Diseño Industrial de la Universidad Politécnica de Madrid. Como parte del concurso elaboré y defendí una propuesta de proyecto de investigación centrado en los Sistemas Fotovoltaicos en las Redes de Distribución. He publicado este documento en formato PDF aquí (en este repositorio están disponibles los ficheros fuente que he empleado para generarlo).

Anuncio publicitario

Son cosas chiquitas

Etiquetas

galeano

Hace casi 17 años, en 1998, un@s cuant@s amig@s pusimos en marcha un grupo, llamado Somos Mundo, con la esperanza de aportar nuestro granito de arena para un mundo mejor.  Lo vivido y compartido en este grupo con est@s amig@s ha orientado mis valores y mis esperanzas.

Hace 5 años, en 2010, dos años después de empezar mi carrera académica, estrené este blog, en el que he escrito un poco de todo, textos que me iluminan, sueños y esperanzas fotovoltaicas, y código, mucho código. Este blog me acompaña en mi camino a través de la selva de la investigación, la docencia, y el software libre.

Entre ambos hay muchos nexos en común, pero uno muy especial: los primeros pasos iban de la mano de un texto iluminador que desencadenó la «alegria de hacer». Ayer murió la persona que lo escribió. Descansa en paz, Eduardo Galeano. Gracias.

Son cosas chiquitas. No acaban con la pobreza, no nos sacan del subdesarrollo, no socializan los medios de producción y de cambio, no expropian las cuevas de Alí Babá. Pero quizá desencadenen la alegría de hacer, y la traduzcan en actos. Y al fin y al cabo, actuar sobre la realidad y cambiarla aunque sea un poquito, es la única manera de probar que la realidad es transformable

Mapping Flows in R … with data.table and lattice

Etiquetas

data.table, lattice, R, spatial data

Some days ago James Cheshire published the post Mapping Flows in R. I have implemented an alternative (faster) version using data.table to read and join the datasets (and lattice to display the results). If you are new to data.table you should read this wiki and this cheatsheet.

This is the code:

	### DATA SECTION
	library(data.table)
	## Read data with 'data.table::fread'
	input <- fread("wu03ew_v1.csv", select = 1:3)
	setnames(input, 1:3, new = c("origin", "destination","total"))
	## Coordinates
	centroids <- fread("msoa_popweightedcentroids.csv")
	## 'Code' is the key to be used in the joins
	setkey(centroids, Code)
	## Key of centroids matches `origin` in `input`
	origin <- centroids[input[,.(origin, total)]]
	setnames(origin, c('East', 'North'), c('xstart', 'ystart'))
	## Key of centroids matches `destination` in `input`
	destination <- centroids[input[,.(destination)]]
	setnames(destination, c('East', 'North'), c('xend', 'yend'))
	## Bind both results
	trajects <- cbind(origin, destination)
	### GRAPHICS SECTION
	library(lattice)
	library(classInt)
	## Background set to black
	myTheme <- simpleTheme()
	myTheme$background$col <- 'black'
	## Palette and classes
	nClasses <- 5
	pal <- colorRampPalette(c('gray70', 'white'))(nClasses)
	classes <- classIntervals(trajects[total > 10, total],
	n = nClasses, style = 'quantile')
	classes <- findCols(classes)
	xyplot(North ~ East, data = centroids,
	pch = '.', col = 'lightgray',
	aspect = 'iso',
	par.settings = myTheme,
	panel = function(…){
	## panel.xyplot displays the 'centroids'
	panel.xyplot(…)
	## panel.segments displays the lines using a `data.table`
	## query.
	trajects[total > 10,
	panel.segments(xstart, ystart, xend, yend,
	col = pal[classes],
	alpha = 0.05, lwd = 0.3)
	]
	})

view raw

mappingFlows.R

hosted with ❤ by GitHub

This is the result:

Related articles

• Spatial data visualization with R
• Maps with R (I)
• Maps with R (II)
• Maps with R (III)
• Stamen maps with spplot

R para Datos Espaciales

Etiquetas

datos espaciales, geoestadística, R, raster, UPM, visualización

Durante este mes de Noviembre he tenido la oportunidad de impartir un curso introductorio de R en el CEIGRAM de la UPM. He utilizado el material que está disponible aquí, que he corregido y mejorado.

Algunos participantes tenían especial interés en conocer las posibilidades que ofrece R para trabajar con datos espaciales. Esta es la información que les he hecho llegar.

La primera fuente de información es la CRAN Tasks View «Analysis of Spatial Data’’ . Hace un resumen exhaustivo de todos los paquetes que sirven para leer y escribir, visualizar, y analizar datos espaciales. También es útil la web http://rspatial.r-forge.r-project.org/, aunque es algo antigua. Por otra parte, existe un libro de referencia, “Applied Spatial Data Analysis with R”, de Bivand, Pebesma y Gómez-Rubio. Todo el código está disponible en su web.

Dentro de los paquetes destacan:

• sp  es el paquete fundamental para trabajar con datos vectoriales (puntos, líneas y polígonos). Es de los mismos autores que el libro que mencionaba. Es recomendable leer este documento introductorio.
• raster es el paquete fundamental para trabajar con datos raster (matrices georeferenciadas, típicas en imágenes de satélite y similares). Define funciones para crear, leer, manipular y escribir este tipo de datos. Es recomendable leer este documento introductorio.
• gstat es el paquete por excelencia para hacer análisis geoestadístico en R. Permite hacer modelado de variogramas, interpolación IDW, kriging ordinario, y kriging con regresión. Se estudia en profundidad en el libro que indicaba antes. Es recomendable este documento de introducción.
• rgdal es una interface para GDAL. Entre otras cosas, permite transformar proyecciones. Complementa a sp y raster.
• maptools proporciona funciones para leer y manipular datos tipo “shapefile”. Es un buen complemento para sp.

En cuanto a fuentes de datos tipo espaciales destacaría las siguientes:

• NASA Earth Observations (NEO). En este repositorio de imágenes hay que seleccionar el formato GeoTiff para poder usarlo con el paquete raster.
• Natural Earth Data.
• DIVA-GIS.
• CM SAF.  Sobre esta fuente publicamos un artículo hace algo más de un año. El código asociado está disponible en este repositorio. Es un recurso útil para ver cómo usar datos raster y vectoriales en R, y cómo usar las funciones de gstat para hacer variogramas y kriging.
• En esta wiki recopilo fuentes de datos meteorológicos.

Por último, para la visualización de datos espaciales, pueden resultar útil dos recursos que he publicado:

• El paquete rasterVis, que complementa al paquete raster, para visualización de datos raster. En su web hay varios ejemplos de uso, y hay unos tutoriales publicados por Agustín Lobo.
• El libro que publiqué hace unos meses, “Displaying Time Series, Spatial, and Space-Time Data with R”. El código y las imágenes principales están disponibles en su web.

meteoForecast 0.43: GFS, NAM, and RAP included

Etiquetas

forecast, meteorological data, NWP, R, WRF

Some months ago I published the meteoForecast package, with functions to download data from the Meteogalicia and OpenMeteo NWP-WRF services. Now there is a new version available at CRAN. This update includes a bunch of bug fixes, some additional features, and three new services: GFS, NAM, and RAP.

You will find detailed information and examples here.