Diseño E Implementación De Una Plataforma Integrada De Modelación Para La Planificación Energética Sostenible -MODERGIS-. “Estudio De Caso Colombia”

Informes Técnicos Ciemat 1268 Noviembre, 2012

Diseño e Implementación de una Plataforma Integrada de Modelación para la Planificación Energética Sostenible -MODERGIS-. “Estudio de Caso Colombia”

R. Quijano

GOBIERNO MINISTERIO DE ESPAÑA DE ECONOMÍA Centro de Investigaciones Y COMPETITIVIDAD Energéticas, Medioambientales y Tecnológicas

Informes Técnicos Ciemat 1268 Noviembre, 2012

Diseño e Implementación de una Plataforma Integrada de Modelación para la Planificación Energética Sostenible -MODERGIS-. "Estudio de Caso Colombia"

R. Quijano

Dirección: J. Domínguez y S. Botero Edición: J, Domínguez

Departamento de Energía

Toda correspondencia en relación con este trabajo debe dirigirse al Servicio de In- formación y Documentación, Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas, Ciudad Universitaria, 28040-MADRID, ESPAÑA.

Las solicitudes de ejemplares deben dirigirse a este mismo Servicio.

Los descriptores se han seleccionado del Thesauro del DOE para describir las materias que contiene este informe con vistas a su recuperación. La catalogación se ha hecho utilizando el documento DOE/TIC-4602 (Rev. 1) Descriptive Cataloguing On-Line, y la cla- sificación de acuerdo con el documento DOE/TIC.4584-R7 Subject Categories and Scope publicados por el Office of Scientific and Technical Information del Departamento de Energía de los Estados Unidos.

Se autoriza la reproducción de los resúmenes analíticos que aparecen en esta pu- blicación.

Catálogo general de publicaciones oficiales http://www.060.es

Depósito Legal: M -26385-2011 ISSN: 1135 - 9420 NIPO: 721-12-051-X

Editorial CIEMAT CLASIFICACIÓN DOE Y DESCRIPTORES

S29 RENEWABLE ENERGY SOURCES; SUSTAINABLE DEVELOPMENT; GEOGRAPHIC INFORMATION SYSTEMS; DESIGN; SIMULATION; ENERGY MANAGEMENT SYSTEMS

Diseño e Implementación de una Plataforma Integrada de Modelación para la Planificación Energética Sostenible – MODERGIS –. "Estudio de Caso Colombia"

Quijano, R. 215 pp. 48 figs. 46 tables

Resumen: El documento presenta la Plataforma de Simulación Integrada MODERGIS como una herramienta para promover y desarrollar planes de energía renovable bajo criterios de sostenibilidad. El objetivo final es incrementar la participación de las energías renovables en la canasta energética nacional y para ello se muestra la aplicación a Colombia como caso de estudio. El proyecto determina las zonas potenciales para el aprovechamiento de la energía solar y eólica, así como las áreas para la producción de biocombustibles y dendroenergía. Para la determinación de estas áreas se utiliza un sistema de información geográfica. Además, se simulan escenarios de oferta-demanda, bajo la influencia de fenómenos climáticos, hasta el año 2030. Los resultados arrojan un potencial de 26 GW en energía eólica y de 350 GW en energía solar. Los potenciales de bioenergía, bajo criterios de sostenibilidad, son: para la biomasa en general una superficie potencial de más de 350.000 km2, cerca de 300.000 km2 para palma africana y cerca de 10.000 km2 para la caña de azúcar, entre otros. Por último, con el fin de obtener una composición apropiada de fuentes renovables, que puedan ser introducidas en la matriz energética nacional, se utilizó el método de análisis multicriterio VIKOR, realizando más de 5.000 combinaciones posibles de proyectos de energía renovable. Los resultados de este método dan una selección óptima que corresponde a 600 MW eólicos, 740 MW fotovoltaicos y 660 MW de potencia solar termoeléctrica. Estos resultados permitirían incrementar la participación de las energías renovables hasta un 0,23% en el año en curso y hasta un 7% en el mix energético para el año 2030.

Design and Implementation of an Integrated Modeling Platform for Sustainable Energy Planning - MODERGIS -. "Colombia Case Study"

Quijano, R. 215 pp. 48 figs. 46 tables

Abstract: This research presents the MODERGIS Integrated Simulation’s Platform as a tool to promote and develop renewable energy plans under sustainability criteria, in order to increment the participation of renewable technologies in the national ‘‘energy mix’’ and shows an application to Colombia as a case study. Potential zones of solar and wind energy and productive areas for bio-energies were determined, by means of a geographical information system which simulated energy scenarios influenced by climatic phenomena up to the year 2030. Results yield potentials of 26,600 MW in wind energy and 350,000 MW in solar energy. Bioenergy potentials in a sustainable way of 366,310 km2 per biomass, 291,486 km2 in African palm, 9,667 km2 in sugar cane. These scenarios were simulated in a supply/demand with time horizons up until 2030, including an analysis of the effects on the energy systems of the El Niño Southern Oscillation atmospheric component (ENSO). Finally, in order to obtain an appropriate mix of renewable sources, that could be introduced in the national energy mix, the Multi-Criteria Analysis method VIKOR was used, allowing to perform 5151 possible combinations of renewable projects; the optimal selection corresponds to 600 MW from wind power, 740 MW solar photovoltaic and 660 MW solar thermoelectric. Giving these results to the new scene allowed for incrementing the participation of renewable technologies up to a 0.23% in the current year and up to a 7% of the ‘‘energy mix’’ in the year 2030.

PRÓLOGO

En el año 2007, la Agencia Española para la Cooperación y el Desarrollo (AECID) concedió a la Universidad Nacional de Colombia y al CIEMAT una ayuda, dentro del programa PCI-INTERCAMPUS, para realizar el diseño de un proyecto integrado para la planificación energética y el desarrollo regional de las energías renovables en Colombia, basado en sistemas de información geo- gráfica. Fruto de este trabajo, tomó cuerpo la plataforma de modelación MO- DERGIS que presentamos en este documento.

El proyecto, dirigido por el Dr. Ricardo Quijano, profesor de la Escuela de Minas de la Universidad Nacional de Colombia, es en gran medida fruto de su empeño personal, empresa ésta a la que desde el CIEMAT hemos tenido la suerte de apoyar y en la cual nos sentimos plenamente identificados. El objetivo de promover las energías renovables, desde una perspectiva de sostenibilidad y de integración territorial, es plenamente compartido por nuestro grupo y nuestro centro.

El texto que reproducimos ha sido realizado por el profesor Quijano para obtener su grado de Doctor. La Tesis fue dirigida por el profesor Sergio Botero, de la UNC, y por mi mismo, y defendida con mención de mérito el pasado mes de septiembre.

Este proyecto ha dado además otros frutos de los cuales nos haremos eco en futuras publicaciones.

Madrid, otoño 2012

Javier Domínguez Bravo

Grupo de Tecnologías de la Información Geográfica y Energías Renovables

Departamento de Energía – CIEMAT

AGRADECIMIENTOS

El autor agradece a la Universidad Nacional de Colombia Sede Medellín, por todo su apoyo, en especial al Dr. Sergio Botero Botero por la Dirección de la investigación y a los docentes que aportaron en la orientación y estructuración de esta investigación. A los investigadores del Centro de Investigaciones Energéticas Medioambienta- les y Tecnologías CIEMAT de España en especial al Codirector de esta Inves- tigación al Dr. Javier Domínguez Bravo, por su invaluable colaboración, ayuda y decidido apoyo. A las directivas y técnicos de la Unidad de Planificación Minero Energética UPME por su aporte en el contexto Nacional y el apoyo abierto en el suministro de la información, en especial al subdirector de información Dr. Enrique Gar- zón. Ala Dirección del Instituto Geográfico Agustín Codazzi IGAC, principalmente al Dr. Rodrigo Morato por el suministro de información y por la colaboración en la orientación de la investigación. A la Comisión Económica para América Latina y el Caribe CEPAL, por la cola- boración y financiación de esta investigación en caso de estudio de Costa Rica y Paraguay especialmente a la División de Infraestructura Dr. Andrés SCHUSCHNY. A la Agencia Española de Cooperación Internacional – AECI, al Programa de Cooperación Inter-universitaria e Investigación Científica. PCI–INTERCAMPUS, por la financiación de la propuesta del proyecto integrado para la planificación energética y el desarrollo regional de las energías renovables en Colombia basado en sistemas de información geográfica, el cual sirvió para la formulación del modelo MODERGIS.

Se agradece a todos los estudiantes de la Universidad Nacional de Colombia que participaron en el desarrollo del proyecto de investigación “Modelamiento de sistemas Dendroenergéticos e impactos ambientales apoyado en el modelo L.E.A.P y sistemas de información geográfica SIG” financiado por la Universi- dad Nacional de Colombia sede Medellín, el cual fue un apoyo definitivo a la formulación y desarrollo de esta tesis.

Agradezco a Dios y a la Divina providencia por enviarme ese gran paráclito quien me iluminó, me dirigió y me acompañó es estos años de estudio y de lucha y ade- más me fortaleció en los momentos críticos de vida.

A mis Padres, María Helena por sus constantes oraciones que me hicieron no desfallecer en este largo proceso, a Julio Cesar quien desde el cielo me acompaño siempre y me dio valor en los momentos de desconsuelo.

A mi esposa Doris Esperanza quien fue mi incansable compañera y creyó siempre que lograría mi objetivo y que nunca iba a desfallecer.

A mis hijos Paola Liliana y Juan Pablo quienes desde su gran amor y respeto, me impulsaron y promovieron a seguir adelante para obtener este logro.

A toda mi familia quienes con su incansable apoyo colaboraron para obtener este triunfo orgullo de todos.

A todas las personas que creyeron y oraron por mí para obtener este trascenden- tal acontecimiento de mi vida.

SIGLAS

AECID Agencia Española de Cooperación Iberoamericana y Desarrollo AER Alianza para la Electrificación Rural, AHP Analytic Hierarchy Process AMAD Análisis Multiatributo de Decisión AMCD. Análisis Multicriterio de Decisión AMOD Análisis Multiobjetivo de Decisión ANH Agencia Nacional de Hidrocarburos ASIF Asociación de la Industria Fotovoltaica BIRF Banco Internacional de Reconstrucción y Fomento o Banco Mundial BM CEPAL Comisión Económica para América Latina CIEMAT Centro de Investigaciones Energéticas Medioambientales y Tecnológicas CIER Comité de integración eléctrico Regional, CIIU Clasificación Industrial internacional Unificado CMNUCC Convención Marco de Naciones Unidas sobre el Cambio Climático CSD Comisión de los Naciones Unidas en el Desarrollo Sustentable DANE Departamento Administrativo Nacional de Estadística. DNP Departamento Nacional de Planificación DOE Departamento de Energía de los Estados Unidos EISD Energy Indicators for Sustainable Development ENERDEM Módulo Energía demanda ENERGIS Módulo de sistemas de información geográfica ENERSOS Módulo Energía sostenibilidad y decisión ENOS Fenómeno del Niño Oscilación del Sur. ENSO El Niño Southern Oscillation EPM Empresas Públicas de Medellín ECMWF FIC Franja Intertropical de Convergencia FIT Feed-in tariffs FNCE Fuentes No Convencionales de Energía GEI Gases de Efecto Invernadero GEF Global Environmental Facility o Fondo Mundial Ambiental GWP Global Warming Potential GLP Gas licuado del petróleo GN Gas natural GNV Gas natural vehicular gTIGER Grupo de Tecnologías de la Información Geográfica y Energías Renovables IAEA Agencia Internacional de Energía Atómica IDEAM Instituto de Hidrología, Meteorología y Estudios IDW Inverse Distance Weighting IGAC Instituto Geográfico Agustín Codazzi IPCC. Panel Intergubernamental de Cambio Climático ISA Interconexión eléctrica S.A. ISE Indicadores de sostenibilidad de ENERSOS

ISED Indicadores para el Desarrollo de Energía Sustentable LEAP Long Range Energy Alternatives Planning System MAVDT Ministerio de Ambiente, Vivienda y Desarrollo Territorial MME Ministerio de Minas y Energía MODERGIS Modelo de Energías Renovables GIS y Decisión. msnm: Metros sobre el nivel del mar NASA National Aeronautics and Space Administration NCEP National Centers for Environmental Prediction NCAR National Center for Atmospheric Research (NCAR). OLADE Organización Latinoamérica de Energía PEN Plan Energético Nacional PIB Producto Interior Bruto PNUD Programa de las Naciones Unidad para el Desarrollo PNUMA Programa de Naciones Unidas para el Medio Ambiente PROURE Plan de Uso Racional de Energía SEI Stockholm Environment Institute. SIG Sistemas de información geográfica SIG, SOI Índice de Oscilación del Sur SQL Structured Query Language SWERA Solar and Wind Energy Resources Data for Renewable Energy UE Unión Europea UNFCCC United Nations Framework Convention on Climate Change UNDESA United Nations Department of Economic and Social Affairs. UNEP United Nations Environment Programme UPME Unidad de Planificación Minero Energética URE Uso Racional y Eficiente de Energía ZCIT Zona de Confluencia Intertropical

Tabla de Contenido

1. MARCO GENERAL ...... 17 Introducción...... 17 1.1. Problema de Investigación ...... 19 1.2. Objetivo Principal ...... 21 1.3. Objetivos Específicos...... 21 1.4. Alcance...... 22 1.5. Marco Metodológico...... 22 1.6. Sumario ...... 24 2. ENERGÍA, AMBIENTE Y DESARROLLO SOSTENIBLE...... 27 2.1. Desarrollo Sostenible ...... 27 2.2. Energía y Desarrollo Sostenible...... 29 2.2.1. Energía y la Dimensión Ambiental ...... 30 2.2.2. Energía y La Dimensión Económica...... 31 2.2.3. Energía y La Dimensión Social...... 31 2.2.4. Energía y Dimensión Institucional ...... 32 2.3. Modelo de Indicadores de Sostenibilidad ...... 33 2.3.1. Indicadores de Sostenibilidad...... 34 2.3.2. Evolución de los Indicadores...... 34 2.3.3. Características de los Indicadores...... 35 2.3.4. Indicadores energéticos para el Desarrollo Sostenible...... 38 2.4. Planificación Energética...... 38 2.5. Herramientas de Planificación ...... 39 2.6. Modelos de Planificación...... 40 2.6.1. LEAP ...... 43 2.6.2. MARKAL...... 45 2.6.3. ENPEP...... 48 2.7. Sistemas de Información Geográfica SIG...... 49 2.7.1. Métodos y Herramientas para evaluar Energías Renovables ...... 51 2.7.2. Aplicación GIS en Energías Renovables...... 53 2.8. Análisis Multicriterio de Decisión. AMCD...... 53 2.8.1. Criterios y Valoración de criterios...... 60

2.8.2. Evaluación de Recursos Energéticos Renovables con AMCD...... 66 2.8.3. El Método VIKOR ...... 66 3. METODOLOGÍA DESARROLLADA...... 69 3.1. Desarrollo Metodológico de ENERGIS...... 71 3.1.1. Selección y justificación del Software de ENERGIS...... 73 3.1.2. Conceptualización y Desarrollo de ENERGIS...... 73 3.1.2.1. Organización Información - FASE I...... 75 3.1.2.2. Análisis y modelamiento - FASE II...... 76 3.1.2.3. Simulación Prospectiva - FASE III...... 77 3.2. Desarrollo Metodológico del módulo ENERDEM ...... 77 3.2.1. Selección del Modelo LEAP ...... 78 3.2.2. Conceptualización ENERDEM - LEAP...... 81 3.3. Desarrollo Metodológico de ENERSOS...... 85 3.3.1. Selección Método VIKOR...... 85 3.3.2. Conceptualización ENERSOS - VIKOR...... 87 3.3.3. Método VIKOR Multiatributo...... 89 3.3.4. Método VIKOR Multiobjetivo ...... 91 4. ESTUDIO DE CASO – COLOMBIA...... 97 4.1. ENERGIS...... 97 4.1.1. Objetivo del Modelo...... 98 4.1.2. Área de Estudio...... 98 4.1.3. Base de Datos SIG...... 99 4.1.4. Parámetros de Análisis ...... 100 4.1.5. Criterios de zonas excluidas...... 102 4.1.6. Potencialidad de cultivos...... 106 4.1.6.1. Análisis del cultivo de Maíz...... 107 4.1.6.2. Cultivo de Caña de Azúcar...... 110 4.1.6.3. Cultivo de Palma Oleaginosa...... 112 4.1.6.4. Cultivo de Banano...... 113 4.1.6.5. Cultivo de Jatropha...... 114 4.1.6.6. Proximidad Vial...... 114 4.1.7. Dendroenergía Biomasa Forestal...... 116 4.1.8. Energía Solar ...... 118 4.1.9. Energía Eólica ...... 122 4.1.10. Resultados Parciales ENERGIS...... 126

4.1.11. Fuentes Procesadas ...... 127 4.2. ENERDEM ...... 127 4.2.1. Demanda de Energía...... 128 4.2.1.1. Sector Residencial...... 129 4.2.1.2. Sector Industrial...... 133 4.2.1.3. Sector Transporte...... 137 4.2.1.4. Sector Agrícola y Minero...... 140 4.2.1.5. Sector Comercial y Público ...... 142 4.2.2. Transformación de la Energía...... 144 4.2.2.1. Generación Eléctrica...... 145 4.2.2.2. Refinerías y Derivados del Crudo...... 145 4.2.3. Oferta de Energía...... 147 4.2.3.1. Recursos de Energía Primaria...... 147 4.2.3.2. Carbón Mineral ...... 148 4.2.3.3. Dendroenergía...... 148 4.2.4. Construcción de Escenarios...... 149 4.2.4.1. Demanda de Energía y Crecimiento Demográfico ...... 150 4.2.4.2. Uso Racional y Eficiente de Energía ...... 151 4.2.4.3. Expansión en Generación con Fenómeno Climático...... 157 4.2.4.4. Fenómeno del Niño Oscilación Sur –ENOS...... 159 4.2.5. Resultados Parciales ENERDEM...... 161 4.2.6. Emisiones Gases de Efecto Invernadero ...... 163 4.3. ENERSOS ...... 164 4.3.1. VIKOR Multicriterio Colombia ...... 165 4.3.2. VIKOR Multiobjetivo ...... 169 4.3.1. Resultados Parciales de ENERSOS...... 175 5. RESULTADOS Y ANÁLISIS ...... 177 6. CONCLUSIONES ...... 189 7. REFERENCIAS...... 193 8. CUADROS COMPARATIVOS MODELOS...... 205 9. SOCIALIZACIÓN – MODERGIS...... 209 10. GLOSARIO...... 211 11. PÁGINA WEB MODERGIS...... 215

Índice de Figuras

Figura 1 Modelo de Información Geográfica Vector y Ráster. IntiGIS...... 50 Figura 2. Caracterización para un problema AMCD-El Autor...... 58 Figura 3. Conceptualización de MODERGIS - Autor ...... 69 Figura 4. Estructura del MODERGIS - Autor ...... 71 Figura 5. Conceptualización de ENERGIS - Autor ...... 72 Figura 6. Procedimiento metodológico de ENERGIS - Autor ...... 75 Figura 7.Conceptualización y flujo de ENERDEM - Autor ...... 81 Figura 8. Estructura del L.E.A.P. Colombia.- Autor ...... 83 Figura 9. Conceptualización y Flujo de ENERSOS ...... 88 Figura 10 .Matriz de Pagos VIKOR ...... 94 Figura 11 .Criterios de Ponderación...... 95 Figura 12 .Ponderación AHP ...... 95 Figura 13 .Ponderación AHP...... 95 Figura 14 .Cartografía Básica IGAC...... 101 Figura 15. Zonas de reserva Natural en DTM ...... 102 Figura 16. Mapa de exclusión de Áreas...... 104 Figura 17. Mapa resultados exclusiones ...... 105 Figura 18. Factibilidad maíz por piso Altitudinal...... 108 Figura 19. Factibilidad maíz por precipitación...... 109 Figura 20 .Mapa resultado Áreas Potenciales para Maíz...... 110 Figura 21.Cultivo sostenible de caña de azúcar...... 111 Figura 22 .Cultivo sostenible de Palma Oleaginosa...... 113 Figura 23. Cultivo sostenible de Banano ...... 114 Figura 24. Red Vial Terrestre ...... 115 Figura 25 .Dendroenergía Sostenible...... 116 Figura 26. Radiación Solar Totales Anuales...... 119 Figura 27. Modelación ENERGIS Radiación Solar Corregida...... 121 Figura 28. Modelación ENERGIS para vientos en Colombia ...... 124 Figura 29. SWERA Mapa de Vientos Colombia...... 125 Figura 30. Fuentes Procesadas...... 127 Figura 31. Flujo Energético sector Residencial ...... 130 Figura 32. Flujo Energía Residencial Rural Electrificado...... 132 Figura 33. Flujo de Energía Residencial Rural No Electrificado...... 133

Figura 34. Flujo Energético del sector Alimentos...... 136 Figura 35. Flujo Energético del Sector Transporte...... 139 Figura 36. Flujo de Energía Sector Agrícola y Minero...... 141 Figura 37.Flujo de energía Sector Comercial y Público...... 143 Figura 38. Proyección de la Demanda de Energía por subsector...... 161 Figura 39. Matriz de Generación Eléctrica...... 162 Figura 40. Generación de Energía Eléctrica bajo fenómeno de Niño...... 163 Figura 41. Emisiones de CO2 ...... 164 Figura 42. Simulación del Fenómeno del Niño (ENSO) en Colombia...... 178 Figura 43. Mapa de Zonas Sostenibles en Colombia...... 183 Figura 44. Zonas Factibles para el Aprovechamiento Dendroenergético...... 184 Figura 45. Zonas Potenciales para el Aprovechamiento de Palma Africana...... 185 Figura 46. Zonas Potenciales para el aprovechamiento de Caña de Azúcar...... 186 Figura 47. Mapa de Radiación Solar en Colombia ...... 187 Figura 48. Mapa Potencial de Aprovechamiento en Energía Eólica...... 188

Índice de Tablas

Tabla 1.Criterios de exclusión de zonas...... 103 Tabla 2. Fuentes energéticas modeladas con MODERGIS ...... 106 Tabla 3. Síntesis Áreas Potenciales Factibles...... 117 Tabla 4.Brillo Solar medido vs calculado y factor de corrección...... 120 Tabla 5. Resultados Consolidados ENERGIS ...... 126 Tabla 6. Distribución del Consumo Residencial...... 130 Tabla 7.Consumo Residencial Rural Electrificado...... 131 Tabla 8. Consumo Residencial Rural No Electrificado...... 132 Tabla 9. Comparación Consumo Residencial LEAP-UPME ...... 133 Tabla 10. Consumo Sector Industrial...... 135 Tabla 11. Comparación Consumo Industria LEAP -UPME...... 136 Tabla 12. Comparación Consumo Transporte LEAP - UPME...... 140 Tabla 13. Comparación Consumo Agrícola LEAP - UPME ...... 141 Tabla 14. Comparación Consumo Comercio y Público LEAP - UPME...... 143 Tabla 15. Capacidad y Generación Eléctrica...... 145 Tabla 16. Cargas y Producción a Refinerías...... 145 Tabla 17. Producción de Refinados ...... 146 Tabla 18. Reservas Energías no Renovables ...... 147 Tabla 19. Reservas Energías Renovables ...... 148 Tabla 20. Proyección PIB por sector ...... 151 Tabla 21. Expansión en Generación OEF...... 157 Tabla 22.Aportes a los Embalses Agregado Nacional...... 160 Tabla 23. Emisiones de Gases de Efecto Invernadero GEI ...... 163 Tabla 24.Alternativas Método VIKOR...... 165 Tabla 25.Atributos Método VIKOR ...... 166 Tabla 26.Matriz con Valores Reales...... 166 Tabla 27.Ponderación de los Criterios...... 167 Tabla 28.Pesos de Atributos ...... 168 Tabla 29.Calificación Qj...... 168 Tabla 30.Calificación Sj...... 168 Tabla 31.Calificación Rj ...... 168

Tabla 32. Alternativas método VIKOR ...... 169 Tabla 33. Definición de Objetivos a Optimizar ...... 169 Tabla 34. Ponderación VIKOR Multiobjetivo...... 172 Tabla 35. Ponderación de Pesos...... 173 Tabla 36. Resultados obtenidos de VIKOR...... 173 Tabla 37. Primeros tres lugares de las listas Qj , Sj,, Rj...... 174 Tabla 38 Resumen de Potenciales con MODERGIS...... 177 Tabla 39. Simulación del Plan de Expansión condiciones normales en Colombia ...179 Tabla 40 Simulación del Plan de Expansión con fenómeno del niño...... 180 Tabla 41. Simulación P. de E. con fenómeno de Niño y Energías Renovables...... 181 Tabla 42. Capacidad Instalada plan Expansión vs ENERDEM...... 182 Tabla 43. Modelo LEAP ...... 205 Tabla 44. Modelo MARKAL...... 206 Tabla 45. Moldeo ENPEP...... 207 Tabla 46. Comparación Modelos LEAP- MARKAL - ENEPEP ...... 207

1. MARCO GENERAL

Introducción El modelo energético utilizado hasta ahora, ha permitido grandes avances cien- tíficos, tecnológicos y desarrollo económico en el mundo, pero también ha traí- do consigo el deterioro irreversible en las condiciones de vida del planeta; es por ello, que se debe replantear el modelo actual basado en combustibles fósi- les, pues si bien este es uno de los principales impulsadores de la sociedad no logra un equilibrio entre el desarrollo y la sostenibilidad. La escasez de los recursos energéticos y los impactos ambientales nocivos que se han incrementando en las últimas décadas, requiere el uso de otras alternativas energéticas que no sólo continúen alimentando el motor del desarrollo, sino que también contribuyan a una mejor calidad de vida para las futuras generaciones. Para implementar un modelo de energía sostenible es necesario contar con herramientas de planificación, las cuales se encuentran en diferentes presenta- ciones y cada una ofrece un método de trabajo propio. Sin embargo, estas herramientas por si solas no son suficientes para tomar la decisión que más se ajuste a las necesidades de una región, pues no tienen en cuenta otros factores que son afectados por la elección de un modelo energético. La mejor deci- sión es aquella que se toma teniendo en cuenta las dimensiones y criterios social, económico y ambiental, con el fin de seguir el camino más corto desde la planificación energética hacia el desarrollo sostenible. El propósito de esta investigación es desarrollar e implementar una plataforma para la simulación de energía sostenible, que determine las necesidades ener- géticas de oferta y demanda de una zona geográfica específica, potencie nuevos recursos energéticos que puedan ser incluidas en la matriz energética y que evalué de manera integral tecnologías bajo un mismo patrón, orientado bajo los criterios de desarrollo sostenible. Colombia por su ubicación geográfica cuenta con un gran potencial de recursos renovables aún sin determinar (UPME, 2011), en los que se destacan la ener- gía solar, la energía eólica y los potenciales de biomasa. La zona de confluencia intertropical ZCIT es rica en recursos hídricos pero debido a los efectos de variabilidad climática, como el fenómeno del niño ENSO, genera incertidumbre en la seguridad de suministro eléctrico debido a la alta participación de este recurso. El país cuenta con importantes reservas de carbón, 6.6 billones de toneladas, reservas limitadas de petróleo, 1988 millones de barriles, y gas natural, 7.3 Ce- ra pies cúbicos (UPME, 2010a). Además, según el Programa de las Naciones Unidas para viento y sol(UNEP, 2011)y la Asociación Europea de la Industria Fotovoltaica (EPIA, 2011)Colombia se encuentra en la franja tropical donde la dotación de recursos energéticos renovables es prometedora, en gran medida el potencial hidroeléctrico, por esta razón es consciente de emitir bajas canti-

17 dades de gases de efecto invernadero debido a que es muy vulnerable a los impactos del calentamiento global como el deshielo de los glaciares (The World Bank, 2006).

En este contexto, el país depende en gran medida de las unidades hidroeléctri- cas de gran capacidad que proporcionan el 67% de la energía generada. En 2008, la capacidad instalada fue de 13,5 GW de los cuales el 67% se debe a hidroeléctricas, el 27% en gas natural, carbón 5%, 0,23 % eólica y cogenera- ción 0,7%. La demanda total de energía de ese mismo año fue de 54 TWh, que representó bajas emisiones de carbono, debido a su alta participación por parte de hidroelectricidad (UPME, 2010a)

Jacobson y Delucchi determinaron el potencial de energías renovables a nivel mundial con horizontes realistas al 2030 y 2050 (Jacobson & Delucchi, 2011)donde demuestran que es factible el uso de las energías renovables como opción de suministro desplazando las energías no renovables. Lo anterior, muestra la importancia de la utilización de la plataforma propuesta en esta tesis (MODERGIS) para que los países incluyan en su planificación las tecnologías limpias, haciendo el mejor uso de su recursos y destacando el de recursos renovables.

Mientras que varios países coinciden en la necesidad de usar las energías renovables, se han desarrollado diferentes mecanismos de política para promover la introducción de estas tecnologías, tales como los Feed-in tariffs (FIT) modelo desarrollado en Alemania y países de la Unión Europea, que ofrece tarifas fijas de largo plazo a aquellos que utilicen medios renovables degenera- ción de electricidad y los standard portfolios(modelo de mayor difusión en EEUU e Inglaterra)su principal característica es que el Estado, del gobierno central que corresponda a través de su ente regulador, fija un monto, cuota o “standard” mínimo de producción a la red de electricidad vía energías renovables.(Center for Resource Solutions – CRS,2002).Los mecanismos no son necesarios para identificar su viabilidad, puede hacer factible introducir energí- as renovables y reducir la incertidumbre que enfrentan los inversionistas.(Botero,S.,Isaza,F., Valencia, A.,2010)

En esta investigación se reunieron herramientas de última generación para la- planificación energética, orientadas a las energías renovables(Angelis- Dimakis et al., 2011),(W. C. Flores, Ojeda, Flores, & Rivas, 2011), (San Cris- tóbal, 2011), con el fin de llegar a la opción más conveniente. Esta podrá ser aplicada en cualquier región y sector siempre y cuando se cuente con los datos requeridos; es aquí, donde MODERGIS depende de la disponibilidad y de la precisión de la información cartográfica, socioeconómica y balances energéti- cos.

MODERGIS permite potenciar recursos renovables con énfasis en energía solar, eólica y biomasa en sus distintas formas; proyecta demanda sectorial de energía con horizontes de tiempo definidos; realiza simulaciones de escenarios sostenibles con inclusión de energías renovables y efectúa el análisis de gases de efecto invernadero para evaluar el impacto ambiental. También podrá simu- 18 lar el efecto de la escasez del recurso hídrico para generación eléctrica en regiones afectadas por el fenómeno climático de “El Niño” o ENSO, el cual tiene relación con la volatilidad de los caudales de aporte a los embalses para gene- ración hidroeléctrica(Poveda, G., 1994)

El método utilizado en la investigación fue el desarrollo de una plataforma inte- gradora MODERGIS, el cual relaciona herramientas de planificación energéti- ca, incluyendo los módulos: ENERGIS - sistemas de información geográfica, ENERDEM - análisis de demanda-oferta de energía (aplicando el modelo LEAP – Long-range Energy Alternative Planning), y ENERSOS - análisis multicriterio de decisión - VIKOR. Se enmarca bajo los criterios de desarrollo sostenible y su aplicación se basó en el caso piloto Colombia.

1.1. Problema de Investigación

El suministro de energía adecuada y confiable es un elemento esencial de desarrollo sostenible. La energía es vital para erradicar la pobreza, mejorar el bienestar humano y elevar la calidad de vida de la población. En muchas regiones del mundo no se cuenta con energía confiable y además se exceden los límites económicos de su uso. En otras áreas, la presión y degradación al ambiente impide el logro de un desarrollo sostenible. Cerca de 1.4 billones de personas todavía no tienen acceso a la electricidad (87% de los cuales viven en las zonas rurales) y 1 billón tiene acceso sólo a las redes no confiables de electricidad. Se estima que la inversión de capital necesaria para prestar servicios modernos de energía a esta población es del orden de 40 billones de dólares al año hasta el 2030. Esto representaría sólo alrededor del tres por ciento de la inver- sión total en energía a nivel mundial que se espera para este perío- do(Grynspan, R., 2011).En este contexto la Organización para la Cooperación y el Desarrollo Económico, OCDE, demostró en el Fórum Barcelona 2004 que el actual modelo energético resulta insostenible si se sigue con los mismos patrones de consumo energético y se mantiene la dependencia en los combustibles fósiles. En tal sentido recomendó ampliar las investigaciones sobre el desarrollo energético basado en las nuevas fuentes renovables (Asgeirsdottir, B., 2004).

Las Universidades de Standford y California - Davis en su artículo “Proveer la energía global mediante viento, agua y energía solar - wws” como solución a los problemas de cambio climático, contaminación del aire, contaminación de agua e inseguridad en el suministro energético, proponen una conversión limpia, perpetua y factible de energía a bajo costo con un incremento en la eficiencia energética. Determinaron que se necesitarían 3.8 millones de turbinas de viento de 5 MW (50% de la demanda de energía), 49000 plantas de concentra- ción solar de 300 MW (20% de la demanda de energía), 40000 plantas fotovoltaicas de 300 MW (14%), 1.7 billones de sistemas de paneles solares individuales de 3 KW (6%), 5350 plantas geotermales de 100 MW (4%), 270 nuevos 19 proyectos hidroeléctricos de 1300 MW (4%), 720000 generadores de olas (1%) y 490000 turbinas mareomotrices de 1 MW (1%) para suplir el total de la demanda de energía en todos los sectores y usos en el 2030 con un sistema wws (Jacobson & Delucchi, 2011).

G. Caspary ha evaluado la competitividad de las diferentes formas de energía renovable en Colombia para los próximos 25 años, comparando el costo de producción de energía de un conjunto de fuentes de energía renovables, y su comparación en el largo plazo con la energía tradicional (Caspary,G., 2009). Aunque el artículo no trata los problemas de generación de forma aislada sino que considera los temas de bienestar con respecto a los impactos ambientales y sociales de las diferentes opciones tecnológicas, contempla las externalidades y deja abierto que los temas de bienestar no depende de la elección de las tecnologías, sino más bien el marco normativo para la prestación del servicio de energía (Valencia,A., 2008), que se basará en función de la potenciación de los recursos renovables (Quijano,R., Domínguez,J., 2008). Esclaro que el marco institucional y los aspectos de política y la regulación debe ser lo suficientemente fuertes y consistentes con los resultados de este modelo para que puedan ser implementadas de una forma estructurada y articulada (Ruiz, J., Rodríguez, V, Padilla, 2006).

Paralelamente la comunidad científica viene recopilando mayor número de evi- dencias de que la biodiversidad no está distribuida de manera equitativa sobre el total de la superficie terrestre, sino que existen determinadas zonas privile- giadas que poseen gran diversidad. En la literatura se ha concluido con el concepto de “Puntos Calientes” de biodiversidad. Estos se caracterizan por alber- gar una gran cantidad de especies endémicas que cada vez van perdiendo más espacio en su propio hábitat. Hasta el 44% de especies de plantas vascu- lares y el 35% de especies de cuatro grupos de vertebrados en el mundo se encuentran concentradas en 25 puntos calientes que comprenden sólo el 1.4% de la superficie terrestre. De la totalidad de puntos calientes, dos se encuentran ubicados en el territorio Colombiano: Los andes tropicales, con 20000 plantas y 1567 vertebrados endémicos; y el Chocó biogeográfico y Darién, con 2250 plantas y 418 vertebrados endémicos. Los puntos calientes y las especies que allí viven se ven afectados por el calentamiento global inducido por la utilización de recursos no renovables(Myers, Mittermeler, Mittermeler, Da Fonseca, & Kent, 2000).

Colombia cuenta con grandes fuentes de energía; Las reservas de gas natural en 2008 fueron de 7.3 Tera pies cúbicos (de los cuales el 60 % eran reservas probadas). Las reservas de petróleo son mucho más limitadas y pueden ser insuficientes para mantener la autosuficiencia en el corto plazo. A finales de 2009, las reservas probadas de petróleo eran 1988 millones de barriles, autosuficiencia para cerca de7 años(ANH, 2011).Del mismo modo, las reservas de carbón están evaluadas en siete billones de toneladas (o alrededor de 100 años de producción a la tasa de extracción actual)(UPME, 2010a). El país tiene también un potencial considerable de energía hidroeléctrica como resultado de su ubicación en la zona de confluencia intertropical y sus cadenas montañosas.

En este contexto, el país depende en gran medida de las centrales hidroeléctri- cas. En 2008, la capacidad instalada fue de 13,5 GW para conformar una matriz del 67% en hidroeléctricas, el 27% en gas natural, carbón 5%, 0,3 % eólica y cogeneración 0,7%. La demanda total de energía de ese mismo año fue de 54 TWh, que representa una de las más bajas en emisiones de carbono de la región(UPME, 2010a)debido a la alta participación de la hidroelectricidad.

El impacto de la variabilidad climática, como el fenómeno del niño ENSO (The World Bank & Vergara, 2009), crea incertidumbre en los aportes hidrológicos a los embalses, razón por la cual se vería abocado el sector eléctrico Colom- biano a racionamientos permanentes(Poveda, Jaramillo, Gil, Quiceno, & Mantilla, 2001). Por este motivo se deben presentar alternativas para diversificar la matriz energética de generación ya que la capacidad térmica instalada sólo participará en un 20% de la capacidad total para 2018, y es necesario re- currir a otras fuentes de generación como lo menciona el Plan de Expansión en Generación 2010-2024(UPME, 2010b).

El país se ha caracterizado por tener un conflicto en la relación energía- ambiente, generando impactos a los ecosistemas y problemas a las comunidades que se encuentran en las áreas de influencia a los proyectos energéticos. Esto se ve reflejado en sobre-costes para los proyectos y daños irreparables al ambiente y a la población afectada (Contraloría General de la República, 2010).Por tal razón es importante tender hacia vectores menos nocivos, utilizando procedimientos integrales de valoración que minimicen los impactos a la gran riqueza de biodiversidad natural y social como país multiétnico y pluricultu- ral(Constitución Política de Colombia, 1991)

1.2. Objetivo Principal

Diseño e implementación de una plataforma de planificación energética integral que potencie los recursos energéticos renovables, simule escenarios energéti- cos y suministre elementos de juicio para la toma de decisiones que tiendan a transformar la matriz energética en una de mayor participación en energías renovables, bajo los criterios de desarrollo sostenible y seguridad en el suministro energético. 1.3. Objetivos Específicos

Identificar potenciales de energías renovables, mediante análisis espacial utilizando herramientas y métodos de Sistemas de Información Geográfica – GIS.

Construir escenarios sostenibles en el mediano y largo plazo que integren energías renovables en la matriz energética, simulando situaciones de cambio 21 climático, en el entorno de la oferta y demanda de energía para el estudio de caso Colombia.

Implementar una herramienta para la toma de decisiones, basada en un méto- do de Análisis Multicriterio de Decisión- AMCD, que suministre elementos de juicio para la simulación e implementación de planes de fuentes renovables de energía y acciones de políticas energéticas en el mediano y largo plazo.

1.4. Alcance

La plataforma MODERGIS potenciará las energías renovables con énfasis en solar, eólica y biomasa a nivel nacional, regional y local, mediante el uso de los sistemas de información geográfica.

Estructurará la demanda sectorial de energía y la proyectará en los próximos diez a veinte años con cortes cada dos, cinco y diez años.

Simulará escenarios con aumento de la participación de energías renovables en la canasta energética, basados en variables climáticas y la repercusión en el sistema energético total, presentando alternativas de suministro confiable para la generación eléctrica.

Calculará gases de efecto invernadero que por el uso de la energía en el sector de demanda y de transformación se generan e impactan al medio ambiente.

Elaborará vectores de un conjunto de energías renovables que podrán ser utilizados para la formulación de un plan de fuentes renovables de energía.

. 1.5. Marco Metodológico.

Se presenta la metodología utilizada para alcanzar los objetivos propuestos en el desarrollo de esta investigación.

1. Recolección y estandarización de la información básica necesaria de la cartografía nacional, en sus aspectos político - administrativa, temática ambiental, infraestructura energética y normatividad legal. 2. Recolección y análisis de la información socioeconómica Nacional de población, viviendas, producto interno bruto y prospectiva de los indicadores económicos. 3. Recolección y verificación de la información y estadísticas energéticas, balance de energía, reservas y potencialidades existentes.

4. Revisión del estado del arte relacionado con sistemas de información geográfica SIG, modelos de planificación energética, análisis multicriterio de decisión y desarrollo sostenible. Las fuentes a utilizar serán, las bases de datos científicas, textos, tesis y revistas internacionales que po- sea la Universidad Nacional u otras Universidades, Internet, eventos y organizaciones internacionales y discusiones con expertos en el tema. 5. Conceptualización de la plataforma MODERGIS. 6. Identificación y selección de modelos de apoyo para Sistemas de Infor- mación Geográfica, proyección de demanda-oferta de energía y los mé- todos de Análisis Multicriterio de Decisión a usar. 7. Desarrollar el software que poseerá la plataforma, al igual que identificar cuáles podrían ser algunas de sus limitantes y barreras. 8. Definición de criterios para seleccionar el año base y año de horizonte, que sean coherentes y consecuentes con las actividades energéticas, ambientales sociales y económicas. 9. Ajuste y verificación del caso Colombia. 10. Evaluación de escenarios nacionales energéticos y ambientales y análi- sis de resultados.

Se espera que este proyecto tenga un gran impacto sobre diferentes entidades encargadas de la planificación energética y ambiental como herramienta de apoyo en procesos de planificación y toma de decisiones.

En el proceso de investigación se socializó la conceptualización de MODERGIS y se presentaron los resultados en algunas Universidades:

9 Universidad Nacional de Medellín (mayo 2011), 9 Universidad Autónoma de Bucaramanga(agosto2010) 9 Universidad de Sevilla(septiembre 2010) 9 Universidad Las Palmas de Gran Canaria (septiembre 2008).

En organismos Internacionales:

9 Comisión Económica para América Latina y el Caribe CEPAL, Diálogos de Política y Biocombustibles, Santiago de Chile Marzo 28 y 29 de 2011. 9 Comisión Económica para América Latina y el Caribe CEPAL. Instituto latinoamericano y del Caribe de Planificación Económica y Social IPLES. Cur- so Internacional Planificación y Gestión Sostenible de los Recursos Am- bientales Naturales. Cartagena de Indias, agosto 2010. 9 IEMSs Fourth Biennial Meeting: International Congress on Environmental Modeling and Software (IEMSs 2008). Barcelona, Cataluña, Julio –2008 9 Agencia Española para Cooperación Iberoamericana- AECI. Centro de In- vestigaciones Energéticas Ambientales y Tecnológicas, CIEMAT Aplicación de los Sistemas de Información Geográfica en las Energías Renovables, Santa Cruz de la Sierra Bolivia. Julio de 2010. 9 Conferencia Latinoamericana de Energía y Comunicaciones Rurales - CLER. Buenos Aires Argentina. Abril 13-16 de 2010. 9 33 Conference International Association for Energy Economics, Sustain- able. Rio de Janeiro. Junio de 2010.

9 Fundación para la Energía de la Comunidad de Madrid, Congreso Interna- cional de Generación Distribuida, Madrid España noviembre 24- 25 2009. Póster MODERGIS. 9 Encuentro Iberoamericano sobre Biocombustibles y Sostenibilidad, Unidad de Formación de Energía y Medio Ambiente CIEMAT,” La sostenibilidad de los Biocombustibles en Colombia - Madrid 28- 30 de octubre de 2009. 9 Agencia Española para Cooperación Iberoamericana- AECI. Centro de In- vestigaciones Energéticas Ambientales y Tecnológicas, CIEMAT Aplicación de los Sistemas de Información Geográfica en las Energías Renovables, Antigua, Guatemala, 4 -10 octubre de 2009.

En entidades Nacionales:

9 Unidad de Planificación Minero Energética UPME (Septiembre 2011) 9 Ministerio de Minas y Energía (agosto 2010) 9 IPSE (septiembre de 2011)

Se implementó MODERGIS para determinar los potenciales de biocombustibles en Centroamérica con Costa Rica y Suramérica con Paraguay, con la financiación de la Comisión Económica para América Latina y el Caribe CE- PAL. De la misma manera han presentado solicitud la Unidad de Planeación Minero energética- UPME y el Instituto Colombiano de Petróleo -ICP, para utilizar el modelo y asimilarlo a las actividades propias de sus funciones.

1.6. Sumario

Teniendo en cuenta la complejidad de cada tema, se trató un capítulo de la coherencia con el problema de investigación propuesto al iniciar la investigación revisando los objetivos generales y específicos. Un segundo capítulo presenta el estado del arte de los modelos integrales de planificación energética, de herramientas de análisis espacial para identificar recursos energéticos renovables y de métodos de Análisis Multicriterio de Decisión. El tercer capítulo presenta el procedimiento metodológico, tanto gráfico como analítico, utilizado en la elaboración y desarrollo de cada uno de los módulos. En el cuarto capítulo se presentan los resultados sectoriales de cada módulo del caso aplicado a Colombia. Las conclusiones y recomendaciones, juicio y reflexión se exponen en el capitulo quinto y en los anexos se adjunta, un glosario de temas energéti- cos, las características de los modelos integrados considerados durante la se- lección y una figura alusiva a la página Web de las características de MODER- GIS.

Se utilizaron estudios de empresas e instituciones del sector energético y ambiental, así como las referencias brindadas por los profesores de las diferentes Escuelas de la Facultad de Minas de la Universidad Nacional de Colombia, de la Universidad Politécnica de Madrid, e información suministrada por los investigadores del Centro de Investigaciones Energéticas Medioambientales y Tec-

24 nológicas – CIEMAT de España y del Instituto de Economía Energética de Bari- loche - Argentina.

Finalmente las referencias bibliográficas son el fruto del análisis crítico de la base de datos científica con que cuenta la universidad, además de informes y proyectos de I+D+I, documentos divulgativos de empresas, informes técnicos e institucionales, tesis doctorales y memorias de eventos naciones e internacionales relacionados con los temas de energía en general, energías renovables, sistemas de información geográfica, análisis multicriterio de decisión y visión prospectiva del medio ambiente y el entorno Mundial.

2. ENERGÍA, AMBIENTE Y DESARROLLO SOSTENIBLE 2.1. Desarrollo Sostenible

El término “Desarrollo Sostenible” se atribuye a Paul R. Ehrlich y Edward Goldsmith, quienes mostraron su preocupación por el futuro de la calidad de vida del ser humano. En 1987, La publicación de Our Common Future, un reporte de la World Comission on Environment and Development (WECD), arrojó la frase “Desarrollo Sostenible” a la comunidad mundial. El reporte también conocido como “El reporte Brundtland”, ha contribuido a crear una visión internacional sobre cómo dar lugar al desarrollo social, económico y ambiental.

El reporte define el concepto de desarrollo sostenible como “un desarrollo que suple las necesidades del presente sin comprometer la capacidad de las futuras generaciones para suplir sus propias necesidades”. Este contiene dos conceptos claves:

1. El concepto de “necesidad”, en particular las necesidades de los más pobres a quienes se les debe dar prioridad.

2. Restricciones impuestas por el gobierno sobre la tecnología y la sociedad para responsabilizarse por las necesidades presentes y futuras sobre el medio ambiente

Esta definición cubre un extenso campo de actividades humanas y del entorno para considerar sus interrelaciones y cualidades. El reporte identifica los requerimientos para el desarrollo sostenible como:

Un sistema político que asegure la participación ciudadana efectiva en la toma de decisiones Un sistema económico que sea capaz de generar ganancias y conocimiento técnico en una base autosuficiente y sostenible Un sistema social que provea soluciones para eliminar conflictos provenientes de un desarrollo no armónico. Un sistema productivo que respete la obligación de preservar la base ecológica para el desarrollo Un sistema tecnológico que pueda buscar continuamente nuevas soluciones. Un sistema internacional que fomente modelos sostenibles de comercio y finanzas. Un sistema administrativo que sea flexible y que tenga la capacidad de auto corrección (United Nations, 1987).

La definición de desarrollo sostenible, en un contexto multidisciplinario, trae consigo una tarea de revisión y reconstrucción de las políticas y regulaciones

27 existentes dentro de los sistemas antes mencionados. Fue un llamado para modificar los mecanismos institucionales que garantizan la promoción del desarrollo económico, el bienestar social y la protección del medio ambiente.

Se han realizado varios esfuerzos para determinar un marco general de lineamientos y principios de desarrollo sostenible. Por tal razón, muchos procedimientos se han basado en los intereses y visiones de las organizaciones gubernamentales, académicas, preocupados por la implementación del desarrollo sostenible y que tienen áreas en común relacionadas con el ser humano y su entorno que puedan afectar el estilo de vida, bienestar, forma de gobierno y justicia. Se observa que la cantidad de discusiones e interpretaciones del concepto de “desarrollo sostenible” generalmente giran alrededor de los aspectos económicos, sociales y ambientales, sin embargo (Pfahl, 2005)considera que el concepto de desarrollo sostenible atribuye un papel fundamental a las instituciones como herramientas para su implementación. En tal sentido propone una nueva dimensión denominada Institucional. Estas dimensiones se presentan así:

Económica: Un sistema económicamente sostenible debe ser capaz de producir bienes y servicios en base sólida, para mantener niveles razo- nables de la deuda externa y para evitar los desequilibrios sectoriales que dañan la producción agrícola o industrial.

Ambiental: Un sistema ambientalmente sostenible debe mantener un recurso base estable, evitando la sobre explotación de los sistemas de recursos renovables o de la capacidad del medio ambiente de absorber desechos y el agotamiento de recursos no renovables mientras se invier- te en un sustituto adecuado. Esto incluye el mantenimiento de la biodiversidad, estabilidad atmosférica, y otras funciones del ecosistema no clasificadas como recursos económicos.

Social: Un sistema socialmente sostenible debe alcanzar la equidad, provisión adecuada de servicios sociales incluyendo salud y educación, equidad de género, y participación política (United Nations, 1992)

Institucional: Un sistema institucionalmente sostenible debe estar conformada por instituciones cuyas actividades faciliten la realización e im- plementación de políticas sostenibles, que estén acordes con las dimensiones Social, económica y Ambiental. (Pfahl, 2005)

Para posibilitar el desarrollo sostenible se deben evaluar y direccionar las complejas interrelaciones entre los objetivos económicos, sociales y ambientales. El crecimiento económico, por ejemplo, se hace posible gracias al poder creativo del ser humano el cual permite la transformación de la naturaleza en la satis- facción de sus necesidades básicas y comodidades materiales de la vida cotidiana. Este proceso de transformación a menudo implica el agotamiento de recursos naturales que podría dar como resultado la contaminación atmosféri- ca, el cambio climático y la pérdida de biodiversidad. Quienes se encargan de formular las políticas se ven confrontados con la difícil decisión de establecer un balance entre las metas ambientales y económicas. Como los beneficios se 28 acumulan en diferentes grupos, determinar el nivel y las tasas de inversión en cada área en un periodo particular requiere de un proceso complejo de toma de decisiones. Las consecuencias positivas y negativas en los tres aspectos, de- bidas al cambio de políticas, necesitan ser revaluadas (Rad, Farhad, 2011).

En la actualidad, muchos países tanto desarrollados como en vía de desarrollo, han adoptado el concepto de desarrollo sostenible. El concepto ha evolucionado con el tiempo desde su enfoque inicial en la dimensión ambiental hasta el actual énfasis del concepto de desarrollo sostenible como un proceso que integra objetivos económicos, sociales y ambientales. También se reconoce que para alcanzar el desarrollo sostenible se requiere de políticas, herramientas de planificación, reformas institucionales y la participación activa de todos los sectores.

2.2. Energía y Desarrollo Sostenible

Desde su comienzo en la década de los 80s, cuando el término desarrollo sostenible tuvo aceptación a nivel global, la energía ha sido vista como un aspecto importante Es descrita como un elemento necesario para la provisión de los servicios esenciales para la vida humana; los suministros adecuados y asequibles han jugado un papel importante en el desarrollo económico y en la transi- ción hacia la industria moderna y las sociedades orientadas a los servicios. Ellos son un elemento clave para mejorar el bienestar económico y social, y son vitales para la generación de riqueza industrial y comercial; y en general, son fundamentales para mejorar el bienestar humano y sus estándares de vida(United Nations, 1987).

Los recursos energéticos primarios son usados para proveer estos servicios y son, en su mayoría, recursos no renovables (petróleo, gas natural, carbón). La utilización de recursos energéticos renovables (eólica, solar, geotérmica, hidroeléctrica, madera, mareas, etc.) ha sido impulsada durante las últimas dé- cadas; pese a esto, su participación en el suministro de energía primaria es aún muy baja (EIA, 2010).

El balance de recursos renovables y no renovables no muestra una ruta sostenible. Todos los recursos energéticos disponibles tienen consecuencias tecno- lógicas, económicas y ambientales que podrían afectar una estrategia de desarrollo futuro. Por otro lado, los patrones de uso de la energía no son lo suficientemente eficientes para garantizar un desarrollo sostenible sólido (Asgeirsdottir, B., 2004). Teniendo en cuenta la influencia multidimensional de la energía en la implementación del proceso de desarrollo, es necesario que las autoridades tomen la decisión correcta con el fin de:

Proveer un suministro de energía seguro y suficiente para futuras necesidades. Adoptar medidas para un uso más eficiente de la energía Prestar servicios públicos Proteger el medio ambiente

Durante la década de los 90s, estos retos relacionados con la energía entraron en la agenda política con mayor seriedad y llegaron a estar entre los temas más importantes en la toma de decisiones. La manera más común de adminis- trar los asuntos relacionados con la energía era la aplicación de métodos convencionales para la planificación energética. Estos métodos estaban enfocados generalmente en el suministro de la comunidad, transporte y distribución de la energía y su uso final, mientras que el nuevo paradigma tenía que ver con la energía en un contexto más complejo que el que planteaban los métodos de planificación existentes.(Rad,Farhad, 2011).

Para enfrentar la complejidad de la relación entre la energía y las dimensiones del desarrollo sostenible, se han hecho varios intentos de desarrollo de meto- dologías de planificación que sigan una ruta más sostenible. Estos nuevos mé- todos, clasificados como “de planificación energética sostenible”, apuntan a incluir más aspectos de la sostenibilidad en el proceso de planificación.

El concepto general de sostenibilidad relaciona las actividades humanas y las condiciones de vida. Estas actividades, proveen bienestar humano y afectan al medio ambiente. La sostenibilidad es de hecho una medida de equilibrio entre las dimensiones social, ambiental y económica de las necesidades humanas.

2.2.1. Energía y la Dimensión Ambiental

La existencia del ser humano depende de su entorno natural. Los sistemas ecológicos del planeta proveen los recursos necesarios para la vida, la dimen- sión ambiental de la sostenibilidad se enfoca en los procesos biológicos naturales, de la salud y la funcionalidad de los ecosistemas, así como de lograr la productividad continua con el mínimo impacto ambiental. Hay dos elementos importantes que la sostenibilidad ambiental considera: El primero, la disponibilidad de los recursos del planeta es limitada. Algunos como la fauna y la flora pueden ser regenerados en periodos de tiempo relativamente cortos a diferencia de otros como los minerales, los suelos y los combustibles fósiles. La sostenibilidad ambiental depende de la protección y conservación de la diversidad biológica. Por esto, alcanzar la sostenibilidad en esta dimensión requiere de un uso racional de los recursos naturales. El segundo aspecto clave es la protec- ción del ecosistema minimizando los impactos negativos propios de las actividades humanas. El ecosistema natural podrá recuperarse de algunos impactos pequeños; sin embargo, los más grandes pueden causar daños irreversibles a la salud. La contaminación ambiental, la degradación de los recursos naturales y la pérdida de biodiversidad afectan la integridad del ecosistema incrementando su vulnerabilidad ecológica(Rad, 2008)

Mientras que la energía es esencial para el proceso de desarrollo sostenible, esta puede afectar el medio ambiente desde dos grandes perspectivas: la primera es explotando de maneras no apropiadas los recursos energéticos, y la segunda es mediante el uso ineficiente de la energía. El impacto negativo del uso de la energía en el ambiente se ha convertido en un asunto de importancia en las últimas décadas. En tal sentido se han realizado varias conferencias,

30 encuentros, seminarios y talleres de orden internacional con el fin de aunar esfuerzos e intercambiar experiencias para buscar soluciones conjuntas a este tipo de problemas (Rad, Farhad, 2011).

2.2.2. Energía y La Dimensión Económica

La economía, como ciencia social, es importante para una comunidad sostenible puesto que hace frente a una amplia gama de actividades humanas como la producción, distribución y uso de bienes y servicios. Estas actividades dependen de recursos renovables y no renovables. La World Comission on Envi- ronment and Development establece que cada generación debería usar sus recursos de forma tal que las futuras generaciones puedan satisfacer sus propias necesidades. Desde el punto de vista económico, la energía debe anali- zarse como un ciclo desde la producción, suministro y uso final en las comunidades. La energía y las actividades económicas influyen en toda la cadena pro- ductiva de la sociedad desde los niveles macro a los niveles microeconómicos, como infraestructura, transporte, mercados, Industria y bienestar social (Rad, 2008)

El concepto de crecimiento económico, en la mayoría de los casos, se refiere a la parte de la oferta de la sociedad que utiliza la producción de bienes y servicios. La intensidad energética definida como la relación entre el consumo total de energía y el Producto Interno se considera a menudo como una herramienta de evaluación para la eficiencia energética en la economía de una nación. Para tener una mejor comprensión de la relación entre la economía y el uso de la energía, es importante evaluar la mayor intensidad energética vista desde el lado de la economía como la mínima cantidad de energía requerida para producir un bien de consumo.

Es por esto que la tasa de energía consumida por la producción puede ser considerada como un indicador apropiado de la tasa de crecimiento económico de un país. Esto depende de diferentes circunstancias como el clima, la diversidad de sus recursos naturales e incluso valoraciones monetarias de PIB; por consiguiente, este no puede ser considerado como un indicador económico confiable pero es útil como indicador de demanda y de eficiencia energética.

Aunque se espera que la intensidad energética disminuya con el tiempo por la adopción de tecnologías cada vez más eficientes, es importante diversificar la estructura energética orientando siempre al uso de tecnologías renovables (Rad, Farhad, 2011).

2.2.3. Energía y La Dimensión Social

Existen muchos componentes y principios necesarios para que una sociedad evolucione y sea sostenible. Suplir las necesidades básicas de todos los grupos de la sociedad es de los aspectos más fundamentales para la equidad.

Una comunidad socialmente sostenible debe ser capaz de mantenerse y construir con sus propios recursos y tener la flexibilidad para prevenir o direccionar problemas en el futuro. Los recursos que se requieren para construir una sociedad sostenible son principalmente el capital humano o individual y capital social. Los capitales individuales como la salud, la educación, destrezas, valores y liderazgo pueden contribuir al bienestar propio, mientras que el capital social incluye servicios, redes, relaciones y normas que facilitan la cooperación para mejorar la calidad de vida (Gates, R. & Lee, M., 2007). De acuerdo a Goodland (2002), la creación y mantenimiento del capital social, como necesidad para la sostenibilidad social, aun no ha sido reconocido adecuadamente. Piensa que el capital social, a veces también llamado moral, requiere mantenimiento y reemplazo por valores compartidos, derechos equitativos e interacciones culturales que son esenciales para la sostenibilidad social.

La energía juega un papel significativo para el logro de la sostenibilidad social, pues sin importar si el país es desarrollado o está en vía de desarrollo, las necesidades básicas de las sociedades y de la vida cotidiana dependen en gran medida de los servicios de energía. La calidad de vida, la pobreza y la salud son los temas más relacionados con el uso de la energía (Rad, 2008). El acceso a los servicios básicos de energías a tasas asequibles es todavía uno de los mayores problemas sociales de algunos países en vía de desarrollo. Cerca de 1.4 billones de personas no tienen acceso a servicios modernos de energía y la mayoría de ellos suplen sus necesidades con recursos naturales como la leña (Grynspan, R., 2011)

La equidad social y la salud son los dos temas principales considerados bajo la dimensión social del desarrollo sostenible. El índice de equidad y el acceso a servicios energéticos asequibles, subyacen en la equidad social (Vera & Lan- glois, 2007). La energía soporta la salud desde varios puntos de vista, por ejemplo, la provisión y conservación de medicamentos, el control de la temperatura y comodidad en los centros de atención y el suministro de energía a los equipos de diagnostico y cirugía. Más aún, casi todos los centros médicos y servicios de salud dependen de la energía para sus actividades.

2.2.4. Energía y Dimensión Institucional

El contexto institucional es un componente importante en el desarrollo sostenible en el cual las políticas de desarrollo son concebidas, financiadas, implementadas y administradas (Brinkerhoff & Goldsmith, 1990). Para garantizar una sostenibilidad efectiva se requiere la adecuación permanente en la función de la capacidad institucional, junto con la constante adaptación a las circunstancias y cambios del medio ambiente (Brown, D., 1998). Esto puede ser aplicado a todas las áreas de las que son responsables las instituciones, entre ellas la energía.

La crisis energética de los 70s fue la principal fuerza impulsora para expandir las capacidades institucionales orientadas al sector energético especialmente dentro del sector público. La capacidad de decisión y de administración de

32 asuntos relacionados con energía evolucionó en las organizaciones gubernamentales desde el nivel nacional al nivel local. Durante la década de los 80, Estas instituciones se especializaron en manejar actividades relacionadas con la energía, como la adopción de políticas energéticas, planificación de energía a nivel nacional, regional y local, el control de la energía en el sector industrial, residencial y de transporte. Siguiendo la desregulación de mercados de electricidad en los 90s, el monopolio del estado en el sector energético se vino abajo y el sector privado tuvo la posibilidad para desarrollar su potencial institucional en un mercado de energía competitivo. Se puede decir que el poder institucional ha disminuido gradualmente desde la desregulación de los mercados eléc- tricos (Rad, Farhad, 2011).

Además de resaltar la participación pública-privada, las instituciones juegan un papel importante como núcleo en la gestión pública y en el equilibrio de las actividades de las diversas dimensiones de la sostenibilidad. Enfocando la aten- ción en la sostenibilidad del sistema energético de la comunidad, la estructura institucional adecuada puede jugar un papel clave para facilitar:

Adaptación e implementación de planes y políticas energéticos a nivel internacional, nacional, regional y local. La coordinación de una relación efectiva entre los actores y las partes in- teresadas. La armonización y sincronización de futuros planes energéticos en los diferentes niveles. La evaluación de la calidad de planes y políticas El control y evaluación de cumplimiento de objetivos.

2.3. Modelo de Indicadores de Sostenibilidad

En 1997, la Asamblea General de las Naciones Unidas (ONU), reconoció la necesidad de estructurar modelos de uso de energía más sostenibles y, por ello, en la Cumbre del Milenio (2000) y la Cumbre de Johannesburgo (2002) se introduce el tema de energía sostenible. En la publicación de la World Energy Assessment (Goldemberg & Johansson, 2000), se presentan los análisis de las relaciones entre la energía, los problemas sociales, la salud, y el ambiente; y los problemas de seguridad en el suministro de energía, la disponibilidad del recurso, la eficiencia en el uso final, las tecnologías renovables y avanzadas en el suministro, presentando una atención especial al problema fundamental de la energía rural en los países en vía de desarrollo y al papel de la energía en el desarrollo económico durante el siglo XXI.

En abril de 2001, la novena sesión de la Comisión para el Desarrollo Sostenible (CSD-9), reconoció la necesidad de utilizar modelos más sostenibles en la pro- ducción, distribución y uso de la energía. Se discutió en la Cumbre Mundial de Desarrollo Sostenible (WSSD 2002), celebrada en Johannesburgo, África Sur, que la comunidad internacional afirma que el acceso a la energía es importante como meta de desarrollo del milenio para las personas que viven en la pobreza para el año 2015 (Guimaraes & CALDERON, 2003). La cumbre también requi-

33 rió cambios en los modelos del uso insostenible de producción y uso de la energía. El acuerdo del plan de implementación de Johannesburgo, es una agenda en la que la energía y los indicadores de sostenibilidad, son vitales para la erradicación de la pobreza y como elemento del desarrollo sostenible.

2.3.1. Indicadores de Sostenibilidad La cumbre de la Tierra (1992), reconoció el papel importante que los indicadores pueden jugar, ayudando a los países a tomar decisiones que involucren el desarrollo sostenible. Este reconocimiento, se articula en el Capítulo 40 de la Agenda 21, que llama a los países, así como a las organizaciones internacionales, gubernamentales y no gubernamentales, a construir indicadores de desarrollo sostenible (Agency International Atomic Energy, 2005). Los indicadores de energía, no son simplemente estadísticas de energía, más bien, proporcionan un profundo entendimiento entre las relaciones causales de energía- ambiente-economía, y resaltan uniones que no pueden ser evidentes en las estadísticas propiamente dichas. Los indicadores, pueden presentar las verda- deras relaciones del sistema energético integral, incluso entre varias dimensiones de desarrollo sostenible.

Por lo tanto, es importante entender las implicaciones que tiene la energía en los programas ambientales y económicos. Los indicadores son útiles para su- pervisar el avance hacia las metas específicas, y el éxito en el uso de la ener- gía y la evolución de la eficiencia, el crecimiento económico, la intensidad energética y la afectación de la población en salud, movilidad y calidad de vida 2.3.2. Evolución de los Indicadores La Comisión de Naciones Unidas para el Desarrollo Sostenible (CSD) y el De- partamento de los Naciones Unidas de Asuntos Económicos y Sociales (UN- DESA), empezaron a trabajar para producir un juego global de Indicadores para el Desarrollo Sostenible (ISD). Este esfuerzo concluyó con un paquete de 58 ISD de los que sólo tres eran sobre energía: el consumo de energía per cápita, la intensidad de uso de energía y la participación del consumo de recursos de energías renovables(Agency International Atomic Energy, 2005) Para complementar el esfuerzo del CSD, la Agencia Internacional de Energía Atómica (IAEA), empezó un programa para implementar los Indicadores para el Desarrollo de Energía Sostenible (ISED), en cooperación con varias organizaciones internacionales y algunos miembros de los estados del IAEA. Este esfuerzo, tenía dos objetivos principales: complementar el trabajo de la ONU en el programa global de los Indicadores de Desarrollo Sostenible y construir un vo- lumen estadístico de impactos del uso de la energía; proyecto que se presentó al CSD-9 en abril de 2001. (Indicators for sustainable energy development, 2001). En 2005, la iniciativa de ISED, logró dos resultados mayores: el desarrollo y publicación de indicadores de energía y pautas correspondientes y meto- dologías que pueden ser usadas por los países indagando su progreso hacia las metas de desarrollo de energía sostenibles, y un estudio de caso nacional sobre la aplicación, comprobación y utilidad de estos indicadores, en varios países seleccionados. Los Indicadores de Energía para el Desarrollo Sosteni- 34 ble, se publicaron en el documento de la IAEA sobre pautas y metodologías en el campo de indicadores de energía(IAEA, 2005). 2.3.3. Características de los Indicadores

Los indicadores son variables o relaciones de variables que dan una informa- ción sintética sobre una situación, estado, fenómeno, acción, etc., más allá de su capacidad de representación propia. Los indicadores son una propuesta relativamente reciente que intenta ofrecer mecanismos prácticos para involucrar los aspectos económicos, sociales y ambientales en los procesos de toma de decisiones (Winograd, 1995) Los indicadores tienen las siguientes características: Integradores: Integran información en su representación. Simplificadores: Al integrar información muy compleja simplifican los procesos de consideración de varios aspectos. Cuantificadores: Cuantifican información agregada y compleja. Descriptores: Describen situaciones de recursos. Explicadores: Explican complejas situaciones de recursos. Comunicadores: Permiten comunicar de una manera rápida y eficaz la información. El uso de indicadores puede ayudar, entre otras cosas, a: Sintetizar y analizar abundante información. Tomar decisiones sobre temas prioritarios. Identificar problemas y áreas de acción. Definir objetivos y metas. Monitorear la evolución ambiental. Explicar situaciones y sus posibles causas. Informar sobre el estado ambiental. No hay en la literatura una manera única propuesta para el diseño de los indicadores. Se acepta más bien que el sistema de indicadores ambientales debe responder a las necesidades particulares de los usuarios (Winograd & Eade, 1997) El diseño de un sistema de indicadores debe responder a unas necesidades específicas, de acuerdo al uso que se le va a dar al sistema. No se trata en ningún caso de diseñar un sistema de indicadores per se, ni de implantar un sistema de indicadores desarrollados en otras latitudes ya que los problemas ambientales y sociales, y los énfasis que se le dan a los mismos, son muy distintos. La elaboración de un sistema de indicadores ambientales debe entonces partir o basarse en el siguiente proceso:

1. Identificación de los problemas para los cuales se debe elaborar la informa- ción y desarrollar los indicadores 2. Definición de temas y variables para la selección del conjunto de indicadores 3. Definición y conocimiento de las fronteras espaciales para el monitoreo, se- guimiento y vigilancia. Siguiendo con este proceso identificamos el problema basado en ser coherentes con los lineamientos del desarrollo sostenible, el cual, relaciona la calidad de vida con una forma que pueda ser sostenible, económica y ambientalmente, en el largo plazo soportado por la estructura institucional de un país. Los temas y variables del desarrollo sostenible se enfocan sobre las cuatro dimensiones principales: social, económica, medio ambiental e institucional. En este sentido y analizando la bibliografía que sobre el tema existe, debe tratar de mantener las cuatro dimensiones y de acuerdo a la información disponible, sistemática y confiable será el numero de indicadores de sostenibilidad.

Dimensión social La disponibilidad de energía tiene un impacto directo en la pobreza, oportuni- dades de empleo, educación, transición demográfica, contaminación interior y salud, y tiene implicaciones relacionadas con el género y la edad. En países ricos, con sólo oprimir un interruptor se tiene disponible energía para ilumina- ción, calefacción y cocción. La energía es limpia, segura, confiable y accesible económicamente. En países pobres, hasta seis horas al día se requieren para colectar leña y estiércol para cocción y calefacción, y usualmente esta tarea es realizada por las mujeres, quienes podrían, de otra manera, involucrarse en tareas más productivas (United Nations, 2005). Aquí se ilustran dos componentes o temas de la dimensión social: Equidad y Salud. La equidad social es uno de los principales valores subyacentes al desarrollo sostenible, involucrando el grado de imparcialidad y exclusividad con la que están distribuidos los recursos de energía. Los sistemas energéticos son hechos accesibles y los esquemas de precios son formulados para asegurar su accesibilidad económica. La energía debería estar disponible para todos a precio justo. El uso de la energía no debería dañar la salud humana, más bien debería me- jorarla a través del incremento de las condiciones de vida. No obstante, la pro- ducción de energía tiene el potencial de causar daños o enfermedades a través de la generación de contaminación o accidentes. Una meta social es eliminar o reducir estos impactos negativos. Los indicadores de Salud tienen el subtema de Seguridad, el cual cubre fatalidades asociadas con accidentes causados por la extracción, conversión, transmisión/distribución y uso de la energía.

Dimensión Económica. Todos los sectores de la economía – residencial, comercial, transporte, servicios y agricultura – demandan servicios de energía modernos. A su vez, estos

36 servicios, impulsan el desarrollo económico y social a nivel local elevando la productividad y permitiendo la generación local de ingreso. El suministro de energía afecta los trabajos, productividad y desarrollo. La electricidad es la forma dominante de energía para las comunicaciones, tecnologías de informa- ción, manufacturas y servicios (Winchester, America, Environmental, & Divi- sion, 2006). Los indicadores económicos tienen dos componentes o temas: Patrones de Uso y Producción y Seguridad. El primero tiene los subtemas de Uso Total, Productividad Total, Eficiencia del Suministro, Producción, Uso Final, Diversifi- cación (Mezcla de Combustibles) y Precios. El segundo tiene los subtemas de Importaciones y Almacenamiento Estratégico de Combustibles.

Dimensión medio ambiental Los impactos ambientales dependen fuertemente de la forma en que la energía es producida y usada, la mezcla de combustibles, la estructura de los sistemas energéticos, las acciones regulatorias asociadas con la energía y la estructura de precios. Las emisiones de gases provenientes de la quema de combustibles fósiles contaminan la atmósfera. Las grandes presas causan obstrucción con aluviones. Ambos ciclos de combustibles, carboníferos y nucleares, emiten ra- diación y generan desechos. Los Indicadores Medioambientales, están divididos en tres componentes o temas: Atmósfera, Agua y Tierra. Los subtemas de la Atmósfera son Cambio Climático y Calidad del Aire, así como las emisiones de gases de efecto invernadero (GEI). Éstos son elemento central en la discusión sobre si la actividad humana está cambiando el clima para empeorarlo. Los contaminantes del aire de mayor preocupación incluyen óxidos de azufre, óxidos de nitrógeno, mo- nóxido de carbono y partículas. Otros dos importantes subtemas de la dimensión medio ambiental son la calidad del agua y de la tierra. La tierra es algo más que un espacio físico y una superficie topográfica; es en sí misma un muy importante recurso natural, constituido por suelo y agua, esencial para el crecimiento de alimentos y para proporcionar hábitat para diversas comunidades de plantas y animales (Winchester et al., 2006).

Dimensión institucional Los indicadores institucionales, pueden ayudar a medir no únicamente la existencia, sino la efectividad de los planes o estrategias nacionales de desarrollo energético sostenibles, la capacidad estadística energética y las capacidades analíticas o la pertinencia y efectividad de inversiones en la creación de capacidad, educación o investigación y desarrollo. Los indicadores institucionales, podrían ayudar a monitorear los avances hacia una legislación apropiada y eficiente, y a crear instituciones regulatorias y de ejecución de los sistemas ener- géticos (Agency International Atomic Energy, 2005).

2.3.4. Indicadores energéticos para el Desarro- llo Sostenible

A nivel de referencia los Indicadores Energéticos para el Desarrollo Sostenible (IEDS) fueron desarrollados de acuerdo a dimensiones, temas y subtemas siguiendo el mismo marco de referencia conceptual empleado por la Comisión de las Naciones Unidas sobre el Desarrollo Sostenible (CDS) (Patlitzianas, Dou- kas, Kagiannas, & Psarras, 2008). Se han contemplado treinta indicadores generales, clasificados en tres dimensiones (social, económica y ambiental) Adicionalmente, estos indicadores se clasifican en siete temas y diecinueve subtemas. Es de aclarar que, dadas las numerosas interrelaciones entre las categorías, algunos de los indicadores pueden ser clasificados en más de una dimensión, tema o subtema. Asimismo, cada indicador puede representar a un grupo de indicadores relacionados necesarios para evaluar un aspecto particular.

La Organización Latinoamericana de la Energía (OLADE), con el propósito de fortalecer los procesos de formulación de las políticas energéticas para armoni- zar el crecimiento económico, la equidad social, la protección del medio ambiente y contribuir a que las reformas energéticas con una visión de al desarrollo sostenible, desarrollo el proyecto Energía y Desarrollo Sostenible en Améri- ca Latina y el Caribe conjuntamente con la Comisión Económica para América Latina y el Caribe CEPAL (Organization Latin American Energy & Zusam- menarbeit Deutsche Gesellschaft f\ür Technische, 2003). Este proyecto ya culminado, se enfocó de manera sistémica reconociendo la responsabilidad compartida que les compete a los actores del desarrollo energético, precisando los lineamientos de política, e identificando los instrumentos y acciones concre- tos para alcanzar las orientaciones y objetivos del desarrollo sostenible. Mejo- rando la eficiencia en el uso de la energía, el aumento en la cobertura social de los servicios energéticos, y las acciones que articulan los mayores niveles de consumo energético con la generación de empleo y la elevación de los niveles de ingreso.

En concordancia con los indicadores de sostenibilidad, OLADE enmarca el sistema energético como una interrelación en aspectos como PIB, la distribución del ingreso, el nivel y la estructura del abastecimiento y los usos energéticos. Cuenta con aspectos multidimensionales de compleja solución, que no pueden ser resueltos espontáneamente, ni direccionarse exclusivamente en forma cen- tralizada. El equilibrio entre estos aspectos, es el desafío de los nuevos tiem- pos para la región.

2.4. Planificación Energética

El desarrollo económico, como resultado de numerosas actividades, está acompañado de un incremento en el consumo energético; esto se observa principalmente en los países en vía de desarrollo quienes aumentan rápida-

38 mente su demanda de energía frente a un aumento en sus actividades. En estos países es importante asegurar la suficiente oferta de energía con el fin de mantener su crecimiento. Las técnicas de planificación han evolucionado con el tiempo y se han convertido en materia de estudios e investigaciones que han desarrollado varios métodos y modelos. Aunque la planificación como proceso se puede realizar en diferentes campos y a través de varios métodos, la planifi- cación de cualquier actividad trata de alcanzar metas en el futuro, a través de una serie de pasos y en un periodo de tiempo dado.

Van Beeck (2003)define la planificación energética como el proceso de escoger entre varias alternativas energéticas a fin de satisfacer la infraestructura que mejor se ajuste a las preferencias y al costo. Tiene como objetivo el aprovechamiento eficiente de los recursos energéticos de una región determinada, teniendo en cuenta factores económicos, políticos, ambientales y sociocultura- les, con el fin de satisfacer las necesidades de la comunidad.

Diversos autores han dado su propio concepto de planificación, aunque el uso de la planificación energética como herramienta para la toma de decisiones puede diferir dependiendo de las circunstancias, en general, su objetivo final es lograr un balance entre la oferta y la demanda en un contexto actual y futuro (Rad,Farhad, 2011).

El proceso de la planificación energética consiste en definir objetivos y políticas relacionados con la energía, recolectar y evaluar información, desarrollar alternativas para futuras acciones y proponer el plan de energía más adecuado. La evaluación de planes también es una parte fundamental de la misma y comienza justo después de seleccionar el plan que se cree es más conveniente.

Aunque el propósito de la planificación energética no varía de un lugar a otro, su implementación si se ve afectada por diversos factores, como el nivel de desarrollo de un país, su participación en el mercado energético e incluso su régimen político. Teniendo en cuenta estas diferencias, los planes de energía pueden ser vistos como herramientas para facilitar la toma de decisiones en estrategias futuras del sector energético en una región determinada. (Van Beeck, N., 2003)

2.5. Herramientas de Planificación

La realización de cada paso en el proceso de planificación hará posible que ésta cumpla su función con éxito. El acelerado avance en el campo de procesamiento de datos electrónicos ha conducido al desarrollo de una gran cantidad de herramientas computarizadas para facilitar la planificación energética así como en otras áreas de análisis sistemático. Con el paso del tiempo no sólo se ha incrementado la cantidad sino también la calidad y especificidad de éstas, lo que hace indispensable utilizar criterios para la decisión de la herramienta se- gún el propósito para el que se quiera (Schrattenholzer & IIASA, 2005).

Actualmente las herramientas de planificación energética incorporan una o más técnicas para el análisis de múltiples opciones y posterior toma de decisiones. Aparte de los modelos de planificación, se han comenzado a implementar tam- bién los llamados Sistemas de Información Geográfica (Angelis-Dimakis et al., 2011) y el Análisis Multicriterio de Decisión (Loken, 2007), Proporcionando mayor flexibilidad y precisión en los resultados y buscando optimizar los recursos de una región determinada.

Las herramientas de información geográfica se manifiesta netamente en la in- corporación del análisis geográfico a la planificación estratégica de nuevas instalaciones yen la simulación de escenarios de oferta-demanda con diferentes posibilidades tecnológicas de satisfacción (Domínguez & Amador, 2007); por otro lado, la complejidad que caracteriza el proceso de planificación energética y de los proyectos que de allí se derivan, hacen del análisis Multicriterio de De- cisión una valiosa herramienta en el proceso de toma de decisiones (San Cris- tóbal, 2011).

2.6. Modelos de Planificación

Los modelos de planificación son usualmente desarrollados para direccionar preguntas específicas y sólo se adaptan al propósito para el que fueron dise- ñados. Según Schrattenholzer & IIASA(2005)en el mundo se han establecido y consolidado en los últimos años, tres líneas de trabajo en el área de Modela- miento matemático de problemas complejos, como una respuesta a la necesidad de formalizar y analizar metodológicamente los retos planteados: Modela- miento estructurado, Análisis endógeno de riesgo e incertidumbre y Mode- lamiento Integrado.

El Modelamiento estructurado incluye el análisis del problema y el análisis del papel y alcance de un modelo en el proceso de toma de decisiones. A partir de allí propone el nivel específico de trabajo respecto al tipo de modelo o modelos útiles y la formulación de los mismos. El Análisis endógeno de riesgo e incertidumbre se refiere a toda una área de trabajo de modelamiento de sistemas en ámbitos de riesgo e incertidumbre, que en el marco de la planificación actual bajo esquemas des-regulados, multiplicidad de actores, tratados comerciales, metas de sostenibilidad y muchos otros aspectos, compete a casi todos los sistemas humanos y de planificación de recursos

El modelamiento integrado es una de las líneas de trabajo en donde se definen las necesidades de desarrollo y análisis de modelos. Se refiere a la línea de formulación y aplicación en donde los decisores y analistas requieren un análi- sis integral de diferentes elementos y componentes, muchas de las veces en conflicto, con una información suficiente y disponible, además de un eficiente análisis, debate y validación.

El problema de la clasificación de modelos energéticos radica en la cantidad de características bajo las cuales se pueden clasificar, mientras que no sean de-

40 masiados los modelos disponibles. Existen numerosas clasificaciones, entre las cuales se destaca la clasificación según Van Beeck (2003) en la que presenta nueve categorías generales, en las que pueden ser clasificados los modelos:

Propósitos generales y específicos de los modelos energéticos Estructura del modelo: Supuestos externos e internos Acercamiento analítico: Top-Down vs Bottom-Up Metodología Subyacente Acercamiento Matemático Cobertura Geográfica: Global, Regional, Nacional, Local o Proyecto Cobertura Sectorial Horizonte de Tiempo: Corto, mediano y largo plazo Tipo de Datos Requerido

Debido a que en el desarrollo de la investigación se utilizan diferentes modelos, se hace una breve descripción de las diferencias entre el modelo top Down y el Bottom up

Top-Down vs Bottom-Up

En la clasificación Top-Down se encuentran modelos económicos tales como los macroeconómicos de corto y mediano plazo, especificados en términos de parámetros como inversión y tasas de interés. Estos modelos ofrecen una eva- luación histórica de las relaciones entre las diferentes actividades económicas. Los modelos Top-Down generalmente usan datos agregados para examinar las interacciones entre el sector energético y los demás sectores de la economía, a fin de determinar su desempeño macroeconómico en conjunto. El comportamiento pasado puede ser extrapolado al futuro, lo que hace que estos modelos sean los más adecuados para propósitos predictivos a corto plazo.

Por el contrario, la mayoría de modelos Bottom-Up se enfocan únicamente al sector energético y usan datos desagregados para describir en detalle los usos finales de la energía y las opciones tecnológicas. De acuerdo a Hourcade, Ri- chels, & Robinson (1996), los modelos Bottom-Up que usan un método normativo, proveen una estimación del potencial tecnológico, examinan los efectos de usar las tecnologías más eficientes. Los Bottom- Up combinados con el mé- todo descriptivo, proveen estimaciones reales de la mezcla tecnológica resultante de las decisiones basadas en factores como opciones complejas, costos intangibles, limitaciones de capital, riesgo, incertidumbre y barreras del mercado. Como consecuencia, los modelos Bottom-Up descriptivos son generalmente menos optimistas que los normativos. En este sentido, los modelos descriptivos tienden a pronosticar el futuro, y pueden ser vistos como un intento por disminuir la brecha entre el paradigma de la ingeniería y el paradigma de la economía, mientras que los Bottom-Up prescriptivos tienden más hacia la ex- ploración.

Finalmente se puede decir que la distinción entre los modelos Top-Down y Bot- tom-Up puede ser caracterizados como la diferencia entre modelos agregados y desagregados, o como una distinción entre modelos de máximo y mínimo grado de comportamiento endógeno. Además, los modelos Top-Down se utilizan generalmente para predicción, mientras que los modelos Bottom-Up se utilizan principalmente para exploración. Debido al carácter predictivo de los modelos Top-Down, sólo pueden ser utilizados si no existen discontinuidades en patrones históricos, mientras que los modelos Bottom-Up sólo son apropiados cuando las interacciones entre el sector energético y los otros sectores son despreciables (Van Beeck, N., 2003).

Existe una segunda clasificación estructurada por IIASA en la cual se clasifican los modelos según su enfoque analítico (Schrattenholzer & IIASA, 2005):

Técnicas básicas: Balance de energía, Análisis costo-beneficio y Análisis costo-efectividad.

Proyecciones de demanda energética

Modelo de oferta energética

Pronóstico tecnológico.

Modelo energía-economía-ambiente

Modelo de evaluación integral

Modelo de apoyo de decisión/ Teoría de juegos

De esta clasificación sólo se entrará en detalle en los modelos Energía- Economía-Ambiente y los modelos de evaluación integral, ya que en estas ca- tegorías se encuentran incluidos los modelos empleados en el desarrollo de la investigación.

Modelos Energía-Economía-Ambiente

Los modelos energía-economía-ambiente son una conexión entre el sistema energía-economía y ambiente. La técnica que relaciona la energía con la totalidad de la producción económica debe ser descrita de forma específica. Esta técnica es una función de producción, definida más precisamente como una familia de funciones cuyas salidas económicas son explicadas por una fórmula matemática que combina un número de variables independientes, conocidas como factores de producción, en forma tal que da como resultado una cantidad para cada conjunto de valores. La ventaja de las funciones de producción es que el mismo valor de salida puede ser generado por más de una combinación de valores de entrada. Dependiendo de los costos de cada factor, existe una

42 combinación óptima de factores de producción que generan un nivel de salida determinado.

En las funciones de producción macroeconómicas construidas en los modelos, la energía es usualmente uno de los factores de producción. El efecto de incrementar la demanda de energía como consecuencia de incrementar la eficiencia en el uso de la energía (Descrito por modelos Top Down) es un resultado directo de la sensibilidad de producción.(Schrattenholzer & IIASA, 2005)

Modelos de Evaluación Integral

Se refieren a la línea de formulación y aplicación en donde los decisores y analistas requieren de una visión integral de diferentes elementos y componentes en conflicto. Se requiere información suficiente y disponible para un análisis detallado, que debe ser debatido y validado por un panel de expertos (Schrattenholzer & IIASA, 2005).

Existen muchos modelos de tipo energía-economía-ambiente, pero sólo se analizarán tres LEAP, ENPEP y MARKAL que son modelos ampliamente utilizados en todo el mundo, especialmente en países en vía de desarrollo; Ade- más son los únicos que en su clase que fueron empleados en proyectos de importancia para Colombia. Se presentan a continuación las características de cada modelo y se seleccionara el modelo que integrará la plataforma MODER- GIS.

2.6.1. LEAP

LEAP (Long-Range Energy Alternatives Planning System) es una herramienta computacional de modelamiento integral para monitorear el consumo energéti- co, la producción y extracción de recursos en todos los sectores de la econo- mía, análisis de política energética y la evaluación de los gases de efecto invernadero GEI según la metodología de cambio climático del IPCC. Fue desarrollado en 1980 en Estados Unidos y actualmente es mantenido por el Stoc- kholm Environment Institute. Este modelo ha sido adoptado en más de 150 países en el mundo y sus usuarios incluyen agencias del gobierno, academias, organizaciones no gubernamentales, compañías consultoras, y utilidades ener- géticas. Ha sido utilizada en diferentes escalas desde ciudades y estados hasta aplicaciones regionales, nacionales y globales.

LEAP no es un modelo de un sistema energético en particular; es más bien una herramienta que puede ser usada para crear modelos de diferentes sistemas de energía, donde cada uno requiere su propia estructura de datos. LEAP soporta una variedad de metodologías diferentes de modelamiento: para la parte de demanda su rango va desde Bottom-Up (técnicas de conteo de uso final de la energía) hasta Top- Down (modelamiento macroeconómico). En la parte de oferta, LEAP provee un rango de metodologías de conteo y simulación que son lo suficientemente potentes para modelar planes de generación y expansión de

43 capacidad en el sector eléctrico, y que a su vez son lo suficientemente flexibles y transparentes para permitir la incorporación de datos y resultados de otros modelos más especializados(Stockholm Environment Institute, 2008).

La capacidad de modelamiento de LEAP opera a dos niveles conceptuales bá- sicos. En el primer nivel, maneja los cálculos incorporados de energía, emisiones y costo-beneficio. En el Segundo nivel, el usuario ingresa expresiones como una hoja de cálculo que puede ser usado para especificar datos variables con el tiempo o crear una amplia variedad de modelos multivariable sofistica- dos, mientras que habilita los acercamientos econométricos y de simulación para ser incluidos en su estructura contable. LEAP no incluía la optimización en el modulo de despacho, sin embargo en el primer semestre de 2012y conjuntamente con la IAEA de Viena desarrolló ese modulo y esta en el proceso de verificación por parte de los usuarios.

LEAP se orientó como una herramienta de modelamiento a mediano y largo plazo. La mayoría de sus cálculos ocurren en un lapso de tiempo anual, y el horizonte puede ser extendido a un número ilimitado de años. Los estudios típi- camente incluyen un periódico histórico conocido como cuentas actuales, en el cual el modelo se corre para probar su capacidad de replicar datos estadísticos conocidos, así como reenviar múltiples escenarios. La mayoría de estudios utilizan un periodo de pronóstico de 20 a 50 años. Algunos resultados se calculan con un excelente nivel de detalle temporal.

El modelo está diseñado alrededor del concepto de análisis de escenarios de largo alcance. Los escenarios son auto consistentes con la forma en que un sistema de energía debe evolucionar con el tiempo. Usando LEAP, los analistas de políticas pueden crear y luego evaluar escenarios alternativos comparando sus requerimientos energéticos, sus costos y beneficios sociales y sus impactos ambientales. El administrador de escenarios de LEAP puede ser usado para describir medidas de políticas individuales que pueden ser arregladas en diferentes combinaciones y permutaciones en escenarios alternativos integrados. Este acercamiento permite a los formuladores de políticas evaluar los impactos marginales de una política individual así como las interacciones que ocurren cuando se combinan múltiples políticas y medidas.

Un beneficio clave de LEAP es su bajo requerimiento de datos iniciales. Las herramientas de modelamiento basadas en optimización tienden a requerir una mayor cantidad de datos iniciales debido a la completa descripción que se debe proporcionar para cada una de las tecnologías en términos de sus característi- cas de operación y de sus costos. Desarrollar los datos para estos modelos es una tarea que consume mucho tiempo, y requiere niveles relativamente altos de experiencia. En contraste, como LEAP se basa en principios básicos de contabilidad y además muchos de sus aspectos son opcionales, sus requerimientos iniciales de información son muy bajos. Los pronósticos de energía y ambiente se pueden preparar antes de que se incluyan datos de sus costos. Más aún, las estructuras de datos adaptables y transparentes de LEAP se adaptan bien a un enfoque analítico iterativo, es decir, uno en el que el usuario comienza creando rápidamente un análisis inicial lo más simple posible. En

44 iteraciones posteriores el usuario añade complejidad sólo donde los datos es- tán disponibles y donde los detalles añadidos proveen una mayor comprensión.

Debido a la presentación en forma intuitiva y transparente de conceptos complejos relacionados con el análisis energético y a la flexibilidad para usuarios con distintos grados de experiencia, el modelo LEAP ha desarrollado una buena reputación entre sus usuarios convirtiéndose rápidamente en el sistema de preferencia por los países para la planificación y la evaluación de gases de efecto invernadero, especialmente en los países en vía de desarrollo.

Una aplicación externa de LEAP fue en Honduras, donde se realizaron distintos diagnósticos para el sector energético considerando el uso de leña, biomasa, biocombustibles y electricidad, en transporte y electrificación rural, para elabo- rarlos respectivos análisis y se presentaron los resultados más relevantes. Se ratificó la necesidad de elaborar un plan energético y crear un ministerio de energía que oriente a los sectores públicos y privados a la planificación e incor- poración de fuentes alternativas de energía que conduzca a un crecimiento económico y plantear una política sostenible a largo plazo con horizonte de tiempo al año 2030 (W. C. Flores et al., 2011).

China, país industrializado, propone la implementación de nuevas políticas energéticas y ambientales para el 2030 con la intención de continuar su acelerado desarrollo industrial y económico reduciendo el impacto ambiental, apo- yándose en el modelo LEAP. Se realizo un análisis sobre los posibles impactos de implementar una nueva política a fin de mantener su continuo crecimien- to económico y reducir las emisiones de agentes contaminantes. Se simularon tres escenarios: uno en el que no se implementaron nuevas políticas y otros dos basados en el potencial de energía nuclear. Se obtuvo que estos últimos no reducían en gran medida las emisiones de gases de efecto invernadero al 2030, lo que sugieren políticas mucho más agresivas como la implementación de energías renovables, políticas energéticas avanzadas, medidas de eficiencia más estrictas y proyectos de cooperación regional que incluyan recursos ener- géticos convencionales, nuclear y renovables. (Y. Wang, Gu, & Zhang, 2010).

2.6.2. MARKAL

MARKAL es una familia de herramientas Energía-Economía-Ambiente cuyo propósito es generar modelos a partir de datos proporcionados por el usuario, para representar la evolución de un sistema Energía- Economía-Ambiente en un lapso de tiempo determinado, a nivel global, multiregional, nacional, de estado o de comunidad: Se desarrolló con la colaboración de la International

Energy Agency mediante el “Energy Technology Systems Analysis Program- me”, que comenzó en el año 1978. En el momento MARKAL es usado en 70 países por 250 instituciones.

MARKAL es un modelo matemático de un sistema de energía, que sirve como base para estimar el comportamiento de los sistemas energéticos en un horizonte multi-periodo. Calcula los balances de energía en todos los niveles: fuentes primarias, combustibles secundarios y energía final. El objetivo es suplir la demanda de energía al mínimo costo global tomando simultáneamente decisiones de inversión y operación.

Para la realización de estos análisis MARKAL requiere datos de entrada como proyecciones de reservas de energía primaria, de exportaciones e importaciones de energéticos y niveles de precios correspondientes, proyecciones de demanda útil de energía por sectores para cada período de tiempo y descrip- ción técnico-económica de las tecnologías disponibles, existentes y nuevas.

La estructura de MARKAL se define por variables y ecuaciones determinadas por los datos de entrada que contiene datos cualitativos y cuantitativos. Los datos cualitativos incluyen, por ejemplo, listas de portadores de energía o las tecnologías que los modeladores consideran aplicables. Los datos cuantitativos, en contraste, contiene las suposiciones de los parámetros tecnológicos y económicos específicos para cada tecnología, región y periodo de tiempo. El sistema energético está representado por cuatro clases de tecnologías: fuentes de energía, conversión de energía, procesos de transformación y tecnologías de demanda.

La familia de modelos MARKAL incluye el MARKAL-MACRO, el MARKAL- MICRO y MARKAL-ED. Esta familia y los otros modelos de optimización similares son apropiados para responder preguntas tales como ¿qué efecto tienen las tecnologías y políticas relacionadas con el impacto ambiental debido al uso de la energía?, ¿cómo afectan las acciones de los consumidores la oferta energética y viceversa?, ¿Cómo modelar la dinámica de la tecnología? (Loulou, R., Goldstein, G., & Noble, K., 2004)

Los modelos MARKAL existentes no toman en cuenta el aspecto social de la sostenibilidad. En particular, ninguno de los modelos MARKAL incluye la con- tribución del cambio en el comportamiento del consumidor final como un recurso para la eficiencia energética, ahorro energético y reducción de emisiones; esta es la razón por la que se desarrolló un nuevo módulo capaz de evaluar estos aspectos, llamado SOCIO-MARKAL (Nguene, Fragnière, Kanala, La- vigne, & Moresino, 2011).

Por medio del modelo MARKAL, se evaluaron los impactos económicos, ener- géticos y ambientales de la implementación de los instrumentos identificados. De esta evaluación se encontró que el aumento en los costos del sistema energético por la implementación de estos mecanismos está directamente liga- do a la configuración de tecnologías y recursos con los que se diseñan. Es decir, que los costes de Certificados de Reducción de Emisiones –REC’s – varían considerablemente de acuerdo al tipo de tecnología utilizada. 46

En cuanto a los recursos, los resultados indican que dados los requerimientos de firmeza del sistema colombiano, la energía geotérmica y la biomasa, son opciones que podrían ser más competitivas por la disponibilidad del recurso, contrario a opciones como la eólica y la solar fotovoltaica que dependen totalmente de ciclos naturales; a pesar de que en estas últimas, las reducciones de costos en tecnologías han sido más aceleradas.

Adicionalmente se realizó un análisis indicativo en el que se evaluó la internali- zación de externalidades ambientales, un mecanismo más consistente con el esquema de mercado implementado en el país. Como resultado se obtuvo un incremento mayor en los costos del sistema y en los precios de la electricidad, comparado con los otros mecanismos estudiados; sin embargo, no se consigue una penetración notable de recursos renovables en la generación, de lo que se concluye que la utilización de este mecanismo debe darse a nivel de todo el sector energético (Díaz, A., 2007).

MARKAL se ha usado en aplicaciones conjuntas para evaluaciones directas de instrumentos del protocolo como el mecanismo de Implementación conjunta, en el caso Colombia- Suiza (Cadena, 2000). En el Área Metropolitana del Valle de Aburrá – Medellín, se realizó el modelamiento usando el método MARKAL con la tesis” Evaluación Integrada Ambiente - Energía - Economía para la Pla- nificación Sostenible de Núcleos Locales, Caso de Aplicación Área Metropolita- na del Valle de Aburrá - 2005”, que identificó el patrón de desarrollo al que se debe tender regulatoriamente y la revisión y diseño de las políticas ambientales y energéticas locales que permitan la planificación sostenible. La investigación constituyó más que un resultado general, una herramienta de apoyo a la toma de decisiones y a la planificación en los ámbitos Energía - Ambiente - Economía, dado que ofrece como resultado una serie de evaluaciones del estado y comportamiento actual del sistema energético y ambiental del Área Me- tropolitana, evaluaciones de diferentes proyectos de sustitución energética y evaluaciones de las implicaciones de la implementación de diferentes políticas regulatorias sobre el sistema (Rave, C., 2005)

Más recientemente MARKAL se utilizó en el municipio de Itagüí en el Estudio de Alternativas para el Mejoramiento de la calidad del Aire, para los sectores de Industria y transporte, determinando altos índices de concentración en material particulado y benceno en determinadas zonas de este municipio (Rave, C., 2010)

En el Anexo 9 se presentan las principales características del modelo MAR- KAL y las comparaciones demostrativas de los tres modelos energía ambiente, aquí tratados.

2.6.3. ENPEP

El modelo ENPEP (Energy and Power Evaluation Program) Buehring, W (1983), es un conjunto de herramientas analíticas diseñadas para realizar plani- ficación integrada de energía y medio ambiente. El ENPEP contiene nueve módulos técnicos que pueden conectarse automáticamente con otros módulos del ENPEP o se puede emplear de manera individual. Macro, Demand, Balan- ce, Impacts, Plan Data, Ldc, Electric (Wasp III), Icarus y el Maed. Determina la demanda agregada de energía, calcula la transformación y oferta de recursos, elabora el balance de energía y además calcula la emisión de contaminantes con factores de emisión de la EPA. EL modelo ENPEP, tiene una limitante para el cálculo del despacho Hidro-térmico, ya que no maneja series históricas hidrológicas

ENPEP-BALANCE es una herramienta basada en un modelo de equilibrio general y en un enfoque matemático no lineal, que relaciona la demanda de ener- gía con recursos y tecnologías disponibles. Fue desarrollado en Estados Uni- dos por el Argonne National Laboratory en 1999 y ha sido utilizado por cerca de 50 países aunque el número total de usuarios es aún desconocido.

Este modelo utiliza un enfoque de simulación basada en el mercado para determinar la respuesta de varios segmentos del sistema energético frente a cambios en los precios de la energía y los niveles de demanda. El análisis se lleva a cabo sobre una base anual hasta un máximo de 75 años y generalmente se realiza sobre un sistema energético nacional. La herramienta se basa en un sistema descentralizado de toma de decisiones en el sector de la energía y los parámetros básicos de entrada incluyen información sobre todo el sistema energético. Se puede simular toda la generación térmica y renovable, pero la única tecnología que cuenta en almacenamiento/conversión en la producción de hidrógeno. También se tienen en cuenta aspectos financieros como opción de añadir costos adicionales. ENPEP-BALANCE encuentra simultáneamente la intersección de las curvas de oferta y demanda para todas las formas de oferta y de usos de la energía incluidos en la red energética. El equilibrio se alcanza cuando el modelo encuentra un conjunto de precios de equilibrio y unas cantidades que satisfacen todas las ecuaciones y desigualdades relevantes (Argonne & IAEA, 2008).

ENPEP es usado extensivamente en la comunidad global para analizar la prioridad en asuntos energéticos y ambientales. Entre los clientes de ENPEP se encuentran algunos ministerios, compañías de transmisión, compañías consultoras, Entidades bancarias e instituciones de investigación. Las aplicaciones de los modelos cubren todo un espectro de asuntos encontrados en los complejos mercados de energía actuales, como por ejemplo:

Análisis de políticas energéticas Proyecciones de mercado de energía Pronóstico de demanda de energía y electricidad Proyecciones de emisiones de gases de efecto invernadero.

Otras áreas

Algunos casos de estudio en los que se ha utilizado ENPEP-BALANCE incluyen el análisis de las necesidades energéticas futuras en México y la estima- ción de los impactos ambientales asociados. En Colombia se empleó como soporte para la elaboración del Plan Energético Nacional (http://www.upme.gov.co/ docume.htm) y para realizar las proyecciones anuales de mercado de gas y electricidad.

En el Anexo 9. se presentan las principales características del modelo ENPEP y se presenta las características comparativas de los tres modelos analizados.

2.7. Sistemas de Información Geográfica SIG

Un Sistema de Información Geográfica (S.I.G. o GIS en inglés) se puede definir como “aquel método o técnica de tratamiento de la información geográfica que nos permite combinar eficazmente información básica para obtener información derivada. Para ello, contaremos tanto con fuentes de información como con un conjunto de herramientas informáticas (hardware y software) que nos facilitaran esta tarea; todo ello enmarcado dentro de un proyecto que habrá sido definido por un conjunto de personas, y controlado, así mismo, por los técnicos responsables de su implantación y desarrollo” (Amador, J., 2000). Los GIS -SIG son herramientas que permiten obtener, a través de análisis de- terminísticos, áreas disponibles para evaluaciones, de las cuales pueden se- leccionarse aquellas que presenten altas capacidades en el objetivo deseado. En la primera fase, el GIS puede ser utilizado para la entrada, transformación, almacenamiento y manipulación de los datos digitales espaciales relevantes para el problema planteado (Carver, 1991).

Existen dos modelos espaciales que nos permiten representar los datos geo- gráficos en un GIS el modelo vectorial y el modelo ráster. El Modelo vectorial se caracteriza por estar representado puntos, líneas y polígonos, es usado para representar objetos discretos con formas o límites definidos. (Véase figura 1.). EL modelo ráster, caracterizado por celdas o píxeles que constituye la unidad mínima de información, identificando su posición dentro de una retícula regular. En este modelo interesan más las propiedades del espacio que la representa- ción precisa de los elementos que la conforman (Domínguez Bravo, García Casals, & Pinedo Pascua, 2007)

Figura 1 Modelo de Información Geográfica Vector y Ráster. IntiGIS. En el análisis espacial en de SIG las herramientas más importantes son la su- perposición, la determinación de áreas de influencia, los análisis de vecindad, el análisis de redes y los modelos de elevación o del terreno. Superposición. Consiste en clasificar la información en diferentes capas (la- yers), las cuales se pueden superponer para analizar integralmente los datos. Áreas de influencia. Son áreas determinadas que a partir de una variable o conjunto de variables define una nueva forma e el espacio. Análisis de vecindad. A través de algoritmos, permiten conocer cercanía de un objeto con el entorno. Se usa mucho en los sistemas ráster. Análisis de redes. Pueden ser hidrográficas, carreteras, eléctricas, oleoduc- tos, caracterizados por tener siempre dirección y conexión. Es una poderosa herramienta de los SIG. Modelos Digitales de Elevaciones. Herramientas clásicas que tiene diferentes nombre, en función de la técnica utilizada para el levantamiento o la variable a representar. Los sistemas de información geográfica son una herramienta que se puede utilizar para potenciar los recursos energéticos renovables, debido a que estos presentan cualidades geográficas especiales que las diferencia de las energías convencionales, como su dispersión geográfica, rapidez en recolección de in- formación, capacidad de análisis y manejo de almacenamiento de datos; Gra- cias a esto, estas herramientas muestran su fortaleza al incorporar el análisis geográfico a la planificación estratégica permitiendo la simulación de escenarios de demanda-oferta con posibilidades tecnológicas específicas.(Amador & Domínguez, 2006). Los SIG son medios adecuados para organizar datos de temáticas distintas, localizarlos en el espacio, relacionarlos entres si y obtener información precisa

50 que pueda visualizarse o cuantificarse de manera sencilla, los convierte en un buen instrumento para generar modelos espaciales de energías sostenibles. (Domínguez, J. & Pinedo, I., 2009)

2.7.1. Métodos y Herramientas para evaluar Energías Renovables

Angelis-Dimakis et al. presentaron un estudio sobre los métodos y herramientas que han sido utilizados en diversos casos para evaluar la disponibilidad de recursos renovables mediante GIS. Recopilaron las aplicaciones más representativas en energía solar, eólica, geotérmica, olas y biomasa haciendo especial énfasis en las características ambientales propias de cada región y no en su transformación final (Angelis-Dimakis et al., 2011)A grandes rasgos, los mé- todos expuestos en el artículo tienen un enfoque Top-Down el cual comienza por estimar teóricamente el potencial de un recurso renovable en una región determinada que se logra mediante métodos numéricos y estadísticos. Luego se escoge una base de datos confiable, que pueden ser de tres tipos: Estacio- nes de medición, Satelitales o combinadas; de allí se extraen los datos reales y se procesan en un entorno GIS. A continuación se comentan de forma breve los casos específicos para cada alternativa energética.

El potencial de energía solar se estima mediante el cálculo de la radiación solar físicamente disponible sobre la superficie terrestre; para su cálculo teórico existen múltiples métodos y acercamientos en los que no se entra en detalle. Se cuenta además con bases de datos de radiación en distintos países del mundo, entre las cuales se encuentra PVGIS (Photovoltaic Geographic Information System) que a su vez presenta compatibilidad con GRASS GIS, un recurso de código abierto programado en C que permite el mapeo y análisis de datos de radiación solar en el área de estudio (Huld, T., Suri, M., & Dunlop, E., 2006)

En el caso de la energía eólica, varios países han creado mapas de viento y bases de datos como la NCEP/NCAR y ECMWF que proporcionan información sobre la velocidad, temperatura y presión del viento a distintas alturas y regiones del planeta. Aunque no existe una metodología específica para estimar el potencial eólico, se han encontrado ejemplos representativos de esta estima- ción a distintas escalas. (Voivontas, Assimacopoulos, Mourelatos, & Coro- minas, 1998) estimaron la energía teórica aprovechable en una isla Griega usando un Sistema de Soporte de Decisión (DSS) basado en GIS. (Acker, Wi- lliams, Duque, Brummels, & Buechler, 2007) utilizaron GIS y mapas de vien- to creados a partir de un modelo meso-escala de energía eólica; esto con el fin de establecer un inventario del recurso disponible en el estado de Arizona y determinar los sitios más prometedores para el desarrollo de esta alternativa energética.

Para estimar la energía proveniente de las olas se recolectan datos mediante boyas o estaciones de medición que mide su magnitud y dirección. Los satéli- tes se utilizan con el fin de obtener datos más precisos como la velocidad y la

51 altura de las olas. Según (Rusu & Guedes Soares, 2009), la energía de las olas se puede predecir con certeza mediante modelos numéricos como WAM (Wave Analysis Model) y SWAM (Simulating Waves Nearshore Model). Con una estimación apropiada del potencial de energía y teniendo en cuenta restricciones sociales, económicas y ambientales, se utiliza GIS como herramienta de evaluación integral. Un ejemplo de esto es el caso de (Henfridsson et al., 2007), quienes examinaron las posibilidades de instalación de plantas de potencia en el Mar Báltico. Por otro lado, el (Scottish Government, 2006) utilizó la tecnología GIS como entorno virtual para mapear los recursos renovables juntos con la mayoría de restricciones durante su desarrollo. Por último, (Graham, S., Wallace, A.R., & Connor, G., 2003) emplearon las técnicas disponibles a través de GIS para optimizar la integración de energía marina a la red eléctrica.

En el caso de la biomasa, (Masera, Ghilardi, Drigo, & Angel Trossero, 2006)evaluaron los recursos de leña en México, Eslovenia y Senegal utilizando el Woodfuel Integrated Supply/Demand Overview mapping Model (WISDOM). El modelo es una herramienta basada en GIS que tiene por objetivo analizar estructuras espaciales de demanda y oferta de leña en áreas en las que muchos criterios de interés coinciden. Por otro lado, (Frombo, Minciardi, Robba, Rosso, & Sacile, 2009) desarrollaron una herramienta para soporte de deci- sión basada en GIS para modelar la cadena de la Biomasa. Una aplicación en- focada en el aspecto económico fue realizada por (Tatsiopoulos & Tolis, 2003), quienes evaluaron los aspectos económicos de la biomasa a partir del tallo de algodón mediante una formulación matemática para Thessally en Gre- cia. En ésta se consideraron acercamientos centralizados y descentralizados y el modelo en su totalidad fue desarrollado en una interfaz GIS que permitió definir el sitio más adecuado para ubicar las plantas de potencia. Por último, (Kinoshita, Inoue, Iwao, Kagemoto, & Yamagata, 2009) enfocaron su estudio en el modelado espacial de la biomasa forestal como función de los costos de producción para diferentes maquinarias y tratamientos forestales.

Para estimar el potencial de energía geotérmica, (Noorollahi, Itoi, Fujii, & Ta- naka, 2007) y (H. Yousefi et al., 2010) utilizaron metodologías similares que interpretan e integran el resultado de estudios geológicos, geoquímicos y geofí- sicos y finalmente se ingresan al entorno GIS donde se evalúa el mapa de favorabilidad. (Noorollahi, Itoi, Fujii, & Tanaka, 2008) también presenta un aná- lisis de la relación de distancia entre las fuentes geotérmicas y ciertas caracte- rísticas geológicas de interés representadas en una capa de GIS. El resultado es un área donde convergen estas características para obtener un mapa de favorabilidad final. La mayoría de los estudios actuales en la clasificación de áreas favorables están basados en herramientas GIS. Sin embargo, las mejoras técnicas junto con las tecnologías innovadoras, como los sistemas de mejoramiento geotérmico (EGS) y las plantas de ciclo binario ofrecen nuevas y mejores perspectivas en este sector.

Finalmente, (Angelis-Dimakis et al., 2011)concluyen que es necesario rees- tructurar las redes energéticas para el futuro lo que conlleva a la consideración de múltiples criterios y múltiples objetivos, incluyendo el uso del suelo. Se requiere de herramientas integradas y flexibles que abarquen modelos de deci- 52 sión, bases de datos y herramientas de evaluación, en una Interfaz Gráfica de Usuario (GUI) basada en GIS (Denzer, 2005)(Matthies, Giupponi, & Osten- dorf, 2007), con el fin de implementar sistemas de soporte de decisión ambiental que puedan operar en distintos territorios y en múltiples escalas y que contribuyan a un manejo eficiente de los recursos energéticos renovables.

2.7.2. Aplicación GIS en Energías Renovables

Con el objetivo de realizar un análisis técnico de la viabilidad de un sistema de generación eléctrica peninsular con elevada contribución de energías renovables para el año 2050, se llevó a cabo el proyecto SIGER para el caso de Es- paña con la colaboración de Greenpeace. Por medio de una herramienta GIS incluyeron las restricciones relevantes sobre los usos del suelo y evaluaron de forma homogénea y coherente los techos de potencia y generación de las tec- nologías renovables en valor absoluto y con su distribución geográfica. El resultado que obtuvieron es que los techos de generación podrían proporcionar una capacidad equivalente a más de 56 veces la demanda eléctrica peninsular, y más de 10 veces la demanda de energía total, ambas proyectadas al 2050. Con lo que concluyen que el sistema energético español podría ser configura- do para satisfacer el 100% de la demanda a través de fuentes de energía renovable (IIT, 2005).

2.8. Análisis Multicriterio de Decisión. AMCD. La planificación y la toma de decisiones razonable en el sistema de suministro energético son elementos esenciales para el desarrollo sostenible, pero las complejas interacciones en los sistemas de energía pueden dificultar la realiza- ción de estas tareas. El análisis multicriterio de decisión (AMCD) provee méto- dos para mitigar esta dificultad y por ello ha sido utilizado por los decisores durante un largo tiempo (J.-J. Wang, Jing, Zhang, & Zhao, 2009).

El AMCD es una forma de evaluación integrada de sostenibilidad, adecuada para abordar problemas complejos con un alto grado de incertidumbre, objetivos conflictivos y múltiples intereses y perspectivas. Los enfoques tradicionales de un único criterio tienen como objetivo identificar las opciones de mayor eficiencia al menor costo; sin embargo, a partir de la década de los 80 con la con- cienciación ambiental se modificó poco a poco la estructura del modelo de aná- lisis de único criterio. En la actualidad, el enfoque en la protección ambiental ha convertido el AMCD en una herramienta de gran ayuda para los sistemas ener- géticos (Lucien Duckstein & Ã–zelkan, 1996) y se han aplicado junto a otros sistemas de carácter social, económico, agrícola, industrial, ecológico y/o bio- lógico (Qin, Huang, Chakma, Nie, & Lin, 2008).

El problema de toma de decisiones incluye cuatro niveles principales: alternativas, formulación y selección de criterios, peso de criterios, evaluación y tratamiento final. El primer paso del AMCD es la formulación de alternativas a partir de un conjunto de criterios seleccionados y normalizar los datos de acuerdo a

53 estos. Después se determinan los pesos de los criterios para determinar la importancia relativa de cada uno en el AMCD. Seguidamente, las alternativas aceptables se comparan de acuerdo a un método AMCD específico con los pesos de criterio. Por último, se ordenan las alternativas por orden de valora- ción; si todos los métodos arrojan el mismo resultado entonces el AMCD está concluido (Ustinovichius, Zavadkas, & Podvezko, 2007).

Una buena planificación depende en su totalidad de la toma razonable de decisiones para el cumplimiento de un objetivo específico y esta a su vez es un elemento esencial para el logro del desarrollo sostenible. Este proceso comienza por definir qué es lo que se quiere y cómo se quiere lograr teniendo en cuenta un conjunto de criterios correspondientes a distintos aspectos de evaluación. Los pasos son los siguientes: • Identificación de metas • Identificación de alternativas para lograr las metas • Identificación de los criterios de evaluación para comparar las alternativas • Asignación importancia relativa a los criterios según las metas • Evaluación de alternativas • Selección de la Mejor Alternativa

Identificación de metas Para tomar una buena decisión primero se debe tener claro a qué objetivo se está apuntando. Estos deben ser específicos, medibles, realistas y concertados de acuerdo con el tiempo en el que se desean lograr. Identificación de alternativas para lograr las metas Una vez que se han definido los objetivos, el siguiente paso es identificar las opciones que podrían contribuir al logro de éstos. Identificar los criterios utilizados para comparar alternativas En esta etapa se define como se van a comparar las alternativas. Esta requiere la selección de criterios que reflejen el desempeño de las opciones en el cumplimiento de objetivos. Cada criterio debe permitir la evaluación, cuantitativa o cualitativa, de que tan bien se puede desempeñar una alternativa para el logro del objetivo con respecto un criterio (Belton, V. & Stewart, T., 2003). Para la identificación y selección de los criterios más representativos recurri- mos al siguiente conjunto de principios: 1) Principio Sistémico: El conjunto de criterios debe reflejar las característi- cas esenciales del desempeño de las alternativas. La evaluación multicriterio arroja mejores resultados que la suma de las evaluaciones individuales.

2) Principio de Consistencia: el conjunto de criterios debe ser consistente con el objetivo de la toma de decisiones.

3) Principio de Independencia: Un criterio no debe tener relación de inclu- sión dentro de su mismo nivel; es decir, debe reflejar el desempeño de alternativas en distintos aspectos.

4) Principio de Mensurabilidad: El criterio debe ser medible si es posible cuantitativamente o mediante una expresión cualitativa.

5) Principio de Equivalencia: Los criterios deben poderse expresar en forma equivalente, o normalizada, para facilitar su comparación (J.-J. Wang, Jing, Zhang, et al., 2009).

Asignar importancia relativa a los criterios Todos los criterios tienen un impacto relativo en el proceso de decisión, y puede ser medido mediante una escala de valores. Este impacto también se conoce como peso y permite determinar la importancia relativa que cada criterio tiene dentro de la toma de decisiones en un proyecto determinado. Estos pesos deben ser evaluados de manera razonable y veraz, teniendo en cuenta el grado de variación del criterio, su independencia y la preferencia subjetiva del decisor (Belton, V. & Stewart, T., 2003). Para evaluar este impacto se utilizan los métodos de ponderación que se clasifican en: Método de ponderación de pesos equivalentes y método de pondera- ción por orden de rango. Se hará énfasis sólo en este último ya que es el utilizado para el desarrollo de la investigación. El método de ponderación de pesos por orden de rango se propuesto debido a que el método de pesos equivalentes no tenía en cuenta la importancia relativa entre los diferentes criterios. Su propósito es comparar los criterios elegidos previamente y ordenarlos de menor a mayor importancia. Éste método presenta tres categorías: Ponderación Subjetiva, Ponderación Objetiva y Ponderación Combinada. Los pesos de los criterios obtenidos mediante la ponderación subjetiva sólo dependen de las preferencias de los decisores, no de datos cuantitativos correspondientes a los proyectos. En contraste, la ponderación objetiva emplea métodos matemáticos para analizar los diferentes criterios. Debido a que ambas categorías presentan falencias, se propuso un método que al integrar las mejores características del objetivo y del subjetivo se adecuó más a la ponderación de pesos de los criterios (J.-J. Wang, Jing, Zhang, et al., 2009).

Evaluación de alternativas La expresión “Análisis Multicriterio de Decisión” se utiliza para describir una colección de métodos que buscan considerar de forma explícita múltiples criterios con el objetivo de guiar a los decisores en la exploración de las posibles soluciones. Lo que caracteriza a los problemas AMCD es la naturaleza compleja y conflictiva de los diversos factores implicados y que a menudo reflejan puntos de vista que pueden variar con el tiempo (Belton, V. & Stewart, T., 2003).

El Análisis Multicriterio de Decisión se puede caracterizar de acuerdo a los siguientes factores (Sarapirome, S., 2002): a) Número de Decisores De acuerdo al número de decisores, los métodos de Análisis Multicriterio de Decisión pueden ser implementados a nivel individual, donde una sola persona es la encargada de tomar una decisión, o a nivel grupal que invo- lucra múltiples individuos u organizaciones en la decisión (Baker, G., 2000).

Decisión Individual: Este proceso se lleva a cabo sin tener en cuenta la opinión del grupo de involucrados. Es la técnica más utilizada y efectiva para el caso de un administrador en el que la decisión no requiere de la participación del grupo (Roseman, E., 1995).

Decisión Grupal: No sólo hay múltiples decisores; asociados a ellos hay diferentes preferencias, metas, objetivos y criterios. Hay varios modelos de decisión grupal. Dos ejemplos de ellos son consenso y consulta. La decisión por consenso consiste en presentar varias opciones al grupo de decisores y se someten a votación; para luego elegir la más popular. La consulta toma las opiniones de cada individuo y las incluye al momento de tomar la decisión. Ambos métodos requieren de la participación del grupo y de un administrador que sea el en- cargado de guiar el proceso de decisión y que respete las opiniones de los demás participantes (Roseman, E., 1995).

b) Precisión de los Datos La incertidumbre es inherente en cierto grado a la mayoría de los problemas de decisión. Se encuentra relacionada con la estructuración del problema, así como con la recolección y análisis de datos y análisis, y aunque a través de éstos puede ser comprendida más a fondo con el fin de reducirla, no puede ser eliminada (Belton, V. & Stewart, T., 2003).

Decisión Bajo Condiciones de Certeza: El ambiente de certeza es aquél en el que el decisor conoce con absoluta seguridad los datos y las relaciones determinísticas entre cada decisión y su correspondiente consecuencia (Sarapirome, S., 2002). La mayoría de los modelos de decisión tradicionales en la empresa se plantean en condiciones de certeza, suponiendo que los valores de las magnitudes utilizadas permanecerán inalterados en el tiempo y que la decisión es insensible a cualquier factor fuera del control del decisor (Ruiz, C., 2005).

Decisión Bajo Incertidumbre: En este ambiente el decisor se enfrenta a situaciones que nunca han ocurrido y que tal vez no vuelvan a repetir- se en el futuro, por lo que se desconocen las probabilidades de ocurrencia (Maurtua, D., 2006). Además, las consecuencias de la deci- sión que se tomen en este estado no están determinadas de antema- no, sino que están sujetas al azar. La incertidumbre en el análisis y estructuración del problema surgen por diferentes razones. En pro- 56

blemas de decisión multicriterio es útil diferenciar entre dos formas de incertidumbre: incertidumbre interna (Difusa), que se relaciona con la estructuración y análisis del problema, e incertidumbre externa (Pro- babilística o Estocástica), que depende del entorno y por consiguiente de las consecuencias del curso de una acción en particular (Belton, V. & Stewart, T., 2003).

c) Cantidad de Alternativas

Conjunto Discreto de Alternativas: Los problemas que presentan un número finito y pequeño de alternativas son más conocidos como problemas de Análisis Multi-atributo de Decisión. Si el espacio de de- cisión es finito, la construcción de la solución más factible es muy sencilla. Se trata de comprobar que cada alternativa cumpla con las restricciones y tanto estas como los criterios, llamados atributos, y sus interrelaciones pueden ser mostradas en una matriz llamada Matriz de Decisión o Matriz de Pagos. La mejor alternativa usualmente es seleccionada mediante la comparación entre alternativas respecto a los atributos (Karamouz, 2003).

Conjunto Continuo de Alternativas: Está relacionado con aquellos problemas en los que el conjunto de alternativas es extenso y no se encuentra predeterminado; son más conocidos como problemas de Análisis Multi-objetivo de Decisión. Este tipo de análisis se utiliza para diseñar las mejores alternativas teniendo en cuenta un conjunto de restricciones, de manera que se obtienen soluciones óptimas para problemas de diversas naturalezas. Los criterios se emplean para evaluar las alternativas diseñadas según unos objetivos planteados, que se definen como un conjunto de uno o más atributos con una di- rección característica (Sarapirome, S., 2002). Se le asocia a conjuntos de gran extensión o infinitos de alternativas y cuyas relaciones es- tán expresadas mediante funciones matemáticas que pueden ser lineales o no lineales (Moghaddam, B., Nasiri, M., & Mousavi, M., 2011).

Así, un problema de Análisis Multicriterio de Decisión se puede caracterizar de muchas formas tomando una de las clasificaciones dadas para cada factor (Fig.2.) Después de reconocer que situación se está enfrentando, se procede a elegir un método o técnica para realizar la evaluación de alternativas respecto a los criterios.

MÉTODOS DE OPTIMIZACIÓN

Bajo Certeza

Decisión Individual Probabilística Bajo Incertidumbre Análisis Multiatributo de Difusa Decisión Bajo Certeza

Decisión Grupal Probabilística Bajo Incertidumbre Difusa

ANÁLISIS MULTICRITERIO DE DECISIÓN MÉTODOS POR NIVEL DE (AMCD) METAS

Bajo Certeza

Decisión Individual Probabilística Bajo Incertidumbre Análisis Multiobjetivo de Difusa Decisión Bajo Certeza

Decisión Grupal Probabilística Bajo Incertidumbre Difusa

MÉTODOS DE CLASIFICACIÓN

Figura 2. Caracterización para un problema AMCD-El Autor

Todas las técnicas AMCD hacen explícita la contribución de cada alternativa a la solución del problema enmarcadas en el conjunto de criterios de evaluación; su principal diferencia radica en la forma en que combinan los datos de entrada. Su función es enfrentar las dificultades que puedan presentarse a los decisores en el manejo consistente de información compleja y en grandes cantidades. Estas técnicas pueden ser utilizadas para identificar la mejor opción, para clasificar y ordenar por rango, para refinar el conjunto de alternativas con el fin de hacer un análisis más detallado de cada una o simplemente para distinguir entre posibilidades aceptables e inaceptables (Belton, V. & Stewart, T., 2003). Los métodos de Análisis Multicriterio de Decisión se pueden clasificar según tres escuelas o líneas de pensamiento (Linkov et al., 2005):

Modelos de Optimización o de Medida del Valor Modelos por Nivel de Metas o Aspiraciones Modelos de Clasificación

A continuación se da una breve descripción de cada uno de ellos y del método comercial más representativo respectivamente.

Modelos de Optimización o de Medida del valor Estos métodos asumen que la estructura de preferencias del decisor puede ser representada formal y matemáticamente por una función de valor si el proble- 58 ma es determinísticos, o por una función de utilidad si hay alguna considera- ción de riesgo en el problema (Smith, R. et al., 2000). Así, se construyen pun- tajes numéricos con el fin de representar el grado en el cual se prefiere una opción de decisión sobre otra. La intención de esta técnica es construir una forma de asociar un número real con cada alternativa con el fin de producir un orden de preferencia consistente con los juicios del decisor. El modelado de preferencias comienza por la construcción de las funciones de valor marginales o parciales, , para cada criterio y se debe cumplir que la alternativa es preferida sobre la alternativa si y sólo si (Belton, V. & Stewart, T., 2003). La función de agregación aditiva para cada alternativa es de la forma

(*) Donde es el valor total de la alternativa es el valor del criterio para la alternativa es el peso que representa la importancia relativa del criterio es el número de criterios El modelo más representativo de este tipo es el Analytic Hierarchy Process. A continuación se dará una breve descripción de él.

Analytic Hierarchy Process (AHP) El Proceso de Análisis Jerárquico es un método desarrollado por (Saaty, 1980)y su resultado final es una lista jerarquizada (de mejor a peor) de las alternativas que se están evaluando según unos criterios definidos. Como el problema es la selección de una alternativa de un conjunto discreto, la regla de decisión consiste en elegir la alternativa con mayor valor relativo, es decir, que la alternativa seleccionada como la mejor tendrá el máximo valor calculado a partir de los pesos de los criterios mediante la función (*).

Modelos por Nivel de Metas o Aspiraciones Los métodos basados en distancias, en general, definen primero el punto de referencia al cual se desea relacionar la solución buscada, y luego mediante algún procedimiento definen o escogen la solución más factible según su proximidad con el punto de referencia (Smith, R. et al., 2000). Este punto esta- rá definido por la solución ideal para el decisor y respecto a él se medirán las distancias entre los logros de las alternativas reales. En este caso el concepto de distancia entre dos puntos es usado como una medida de la preferencia, representando la cercanía con respecto a cada criterio individual. El proceso busca descubrir opciones que son en cierta medida las más cercanas a las aspiraciones o metas deseadas (Belton, V. & Stewart, T., 2003). El modelo más utilizado de este tipo es la Programación por Compromisos; sin embargo, para esta investigación debido a su aplicación en el uso de energías renovables se

59 ha seleccionado el método VIKOR que se explica con mayor detalle a conti- nuación.

Modelos de Clasificación Según lo estipulado por el profesor Smith en su libro, son las técnicas de relaciones denominadas “de mejor rango” entre un conjunto discreto de alternativas para seleccionar la alternativas más satisfactoria para el decisor. Una relación de mejor rango representa el ordenamiento preferencial de un conjunto finito de alternativas (Smith, R. et al., 2000). Comparan el desempeño de dos o más alternativas a la vez, inicialmente en términos de cada criterio, para identificar el grado de acierto en el cual se prefiere una alternativa sobre la otra. Estos modelos son apropiados cuando la métrica de los criterios no permite que estos puedan ser agregados fácilmente, cuando las escalas de medición varían en rangos muy grandes o cuando las unidades son inconmensurables o incompa- rables (Belton, V. & Stewart, T., 2003). El modelo más representativo de este grupo es el ELECTRE III que será explicado a continuación.

ELECTRE III Este método ordena un conjunto de alternativas con base en las relaciones de mejor rango entre ellas. Fue concebido por (Roy, 1971) para solucionar ciertas deficiencias detectadas en los métodos ELECTRE anteriores. Está basado en los conceptos de concordancia y discordancia, pero trata de describir el comportamiento racional del decisor, incorporando la naturaleza “difusa” del proceso subjetivo de la decisión. Existe una relación de mejor rango que es validada por el índice de concordancia y el índice de discordancia. La relación entre dos alternativas será relativa y dependerá en gran parte de la preferencia del decisor, quien define los valores del umbral de preferencia y el umbral de indiferen- cia. 2.8.1. Criterios y su Valoración

Desarrollar criterios de evaluación y métodos que midan de manera confiable la sostenibilidad es un prerrequisito para seleccionar la mejor alternativa, identificando sistemas poco sostenibles de suministro energía, brindando información sobre las alternativas y monitoreando los impactos en el entorno social. La multiplicidad de criterios y las herramientas de medición que están siendo desarrolladas en este campo creciente muestra la importancia del trabajo conceptual y metodológico en esta área. El desarrollo y la selección de criterios requieren de parámetros relacionados con la confiabilidad, idoneidad, practicidad y limitaciones en las medidas. El criterio usado para evaluar los sistemas de suministro de energía se clasifican según cuatro aspectos: técnico, económico, ambiental y social.

Criterios Técnicos Eficiencia

La eficiencia se refiere a la cantidad de energía útil que se puede obtener de una fuente de energía (P.A. Pilavachi, Roumpeas, Minett, & Afgan, 2006). El coeficiente de eficiencia es la razón entre la energía de salida y la energía de entrada (J.-J. Wang, Jing, & Zhang, 2009).

Seguridad Los cambios continuos en tecnología, regulación ambiental y áreas relacionadas con seguridad pública hacen del análisis de sistemas de seguridad crítica cada vez más demandados (J.-J. Wang, Jing, Zhang, Shi, & Zhang, 2008). La seguridad de los sistemas energéticos es vital para la sociedad, el desarrollo nacional y la vida cotidiana. La seguridad básica de los trabajadores en el sitio del proyecto energético debe garantizarse antes que nada (Madlener, Ko- walski, & Stagl, 2007).

Confiabilidad La confiabilidad de los sistemas energéticos puede ser definida como la capacidad de un dispositivo o sistema para trabajar según se haya diseñado; la re- sistencia a la falla (Chatzimouratidis & Pilavachi, 2008); la capacidad de un dispositivo o sistema de desempeñar una función requerida bajo condiciones establecidas en un periodo de tiempo. La calidad del equipo, su mantenimiento, el tipo de combustible, el diseño del sistema energético y como es operado juegan un papel importante en la confiabilidad (Cavallaro & Ciraolo, 2005).

Criterios Económicos Costo de Inversión El costo de inversión abarca todos los costos relativos para compra de equipos, instalaciones tecnológicas, construcción de vías y conexiones a la red vial, servicios de ingeniería, perforación y otros trabajos incidentales de construcción (Jovanovic, Afgan, Radovanovic, & Stevanovic, 2009). Los costos de mano de obra o de mantenimiento de equipos no son incluidos en el costo de inver- sión. Los dispositivos nucleares y de carbón se caracterizan por tener altos costos de inversión y bajos costos de operación, mientras que los dispositivos alimentados por gas tienen más bajo costo de inversión pero su costo de ope- ración es mayor (Diakoulaki & Karangelis, 2007). El costo de inversión es uno de los criterios económicos más utilizados para evaluar sistemas de energía (Loken, Botterud, & Holen, 2009).

Costes de Mantenimiento y Operación Los costes de operación y mantenimiento consisten en dos partes. Una es el coste de operación que incluye los sueldos de los trabajadores, los gastos en energía y los productos y servicios necesarios para la correcta operación del sistema energético. La otra es el costo de mantenimiento que apunta a prolon- gar la vida del sistema energético y evita fallas que conduzcan a una suspen- sión del servicio (Petros A. Pilavachi, Stephanidis, Pappas, & Afgan, 2009). Los gastos para mantenimiento son mucho menores que el daño financiero que se obtiene de una falla en el sistema e incrementa los índices de credibilidad y confianza en este (Dinca, Badea, Rousseaux, & Apostol, 2007). El coste de operación y mantenimiento también está dividido en dos subcategorías: costos

61 fijos y variables (J.-J. Wang, Jing, Zhang, Zhang, & Shi, 2008). Este es otro de los criterios económicos más utilizados (J.-J. Wang, Jing, Zhang, Shi, et al., 2008).

Coste de Combustible El coste de combustible se refiere a los fondos destinados a la provisión de in- sumos necesarios para la operación del sistema de suministro energético (Jovanovic et al., 2009). Los costos de combustible deben incluir la extracción o minería, transporte y posibles procesos que requiera el combustible para ser usado en las plantas de potencia (Begic & Afgan, 2007). El costo del combustible puede variar considerablemente en diferentes periodos de tiempo y regiones por varias razones, incluyendo la demanda, la producción y políticas. El combustible es una entrada esencial en el sistema energético, por lo que varios investigadores incluyen el costo de combustible en sus evaluaciones (P.A. Pi- lavachi et al., 2006)

Valor Presente Neto Está definido como el valor presente total de una serie cronológica de flujos de efectivo (J.-J. Wang, Jing, Zhang, Shi, et al., 2008). Es un método estándar que utiliza el valor temporal del dinero para evaluar proyectos energéticos a largo plazo (Huang Fu Y., Wu J.Y., Wang R.Z., & Huang X.H., 2005). Es usado en el presupuesto del capital y mide el exceso o déficit de flujos de efectivo en términos del valor actual, una vez que se han pagado las cargas financieras (Papadopoulos & Karagiannidis, 2008). El NPV también es utilizado con frecuencia por inversionistas para determinar si un proyecto energético es factible. Es un criterio necesario en las primeras etapas de decisión del proyecto (Haralambopoulos & Polatidis, 2003).

Vida Útil La vida útil de un sistema de energía es el tiempo de vida esperado, o el periodo aceptable de uso en servicio (Petros A. Pilavachi et al., 2009). Después de su instalación, el sistema tiene una probabilidad de fallar cuyo valor es relevante y debe ser tenido en cuenta (J.-J. Wang, Jing, Zhang, Zhang, et al., 2008). Este criterio es importante para los inversores ya que les permite elegir el mejor esquema de alternativas en sistemas energéticos (Burton & Hubacek, 2007).

Criterios Ambientales Emisiones de CO2 CO2 es un gas inodoro, incoloro e insípido que es 1.5 veces más denso que el aire bajo condiciones normales de temperatura y presión (Jovanovic et al., 2009). Se ha reportado que el CO2 contribuye entre el 9 y el 26% al efecto invernadero y es liberado mediante la combustión de carbón, petróleo y gas natural (J.-J. Wang, Jing, Zhang, Shi, et al., 2008). La deforestación en el mundo disminuye la remoción de CO2 atmosférico mediante fotosíntesis, lo que contribuye también al efecto invernadero (Begic & Afgan, 2007). Este gas conduce al calentamiento global, tema que es foco de atención de muchos gobiernos, academias e investigadores. Por esta razón, se considera que las emisiones de CO2 de un sistema energético es ciertamente una medida de su sostenibilidad (Loken et al., 2009).

Emisiones de NOx NOx es un término genérico para referirse a los óxidos mono nitrogenados (NO y NO2) (Jovanovic et al., 2009). El NOx comprende un grupo de moléculas que contribuyen a la contaminación local del aire, a la lluvia ácida y al cambio climático global (J.-J. Wang, Jing, Zhang, Shi, et al., 2008). Los NOx también reaccionan con la humedad, el amoniaco, compuestos orgánicos volátiles, químicos orgánicos comunes e incluso el ozono, formando una variedad de compuestos tóxicos que perjudican la salud de las personas y causan mutacio- nes biológicas (Naim H. Afgan & Carvalho, 2004). Como consecuencia, estos tienen un impacto directo sobre la salud de la comunidad y un impacto indirecto en la condición social (Chatzimouratidis & Pilavachi, 2007). Las emisiones NOx se producen durante la combustión de combustibles fósiles y de biomasa, especialmente si estas se dan a grandes temperaturas (Loken et al., 2009).

Emisiones de CO El CO es producido por la combustión parcial de compuestos que contienen carbono, especialmente en los motores de combustión interna. A través de procesos naturales en la atmósfera, este se oxida, transformándose en dióxido de carbono (J.-J. Wang, Jing, Zhang, Shi, et al., 2008). Las emisiones de CO provenientes de automóviles y emisiones industriales contribuyen al efecto invernadero y al calentamiento global (Huang Fu Y. et al., 2005). Es utilizado para medir el desempeño de un sistema energético (J.-J. Wang, Jing, Zhang, Zhang, et al., 2008).

Emisiones de Material Particulado La emisión de material particulado a la atmósfera es también uno de los principales problemas ambientales en la industria energética. Estas emisiones son liberadas por carbón y petróleo así como de la biomasa y plantas de potencia fotovoltaicas. Estas partículas formadas por la transformación de emisiones SO2 y NOx esparcen la luz y crean condiciones nebulosas, disminuyendo la visibilidad y contribuyendo a la neblina localizada. El material particulado es las peor emisiones para la salud del ser humano. El riesgo para la salud depende del tamaño, distribución, micro-estructura y composición química de las partícu- las liberadas a la atmósfera (Chatzimouratidis & Pilavachi, 2008). El tamaño y tipo de partícula, entre otras características, dependen del combustible que alimenta el sistema energético (Lamminen, E. & Isherwood, H., 2007) y de ahí que algunos proyectos de sistemas energéticos sean evaluados mediante este criterio (Ben Salah, Chaabene, & Ben Ammar, 2008).

Uso del Suelo El sistema energético ocupa determinado espacio del suelo. Este espacio requerido por cada planta es un aspecto fundamental a tener en cuenta durante la evaluación (Naim H. Afgan & Carvalho, 2002)(J.-J. Wang, Jing, Zhang, Zhang, et al., 2008). El ambiente es afectado directamente por la espacio de suelo ocupado por el sistema de energía. Esto representa uno de los factores más críticos para el lugar de intervención, especialmente donde las actividades humanas son factores relevantes en cuanto a la presión que ejercen sobre el medio ambiente (Beccali, Cellura, & Mistretta, 2003). La calidad de vida de la comunidad se ve afectada por las operaciones requeridas para poner en funcionamiento el sistema energético; se desestabilizan la flora, la fauna y el ecosistema en general (J.-J. Wang, Jing, Zhang, et al., 2009).

Criterios Sociales

Aceptación Social La aceptación social expresa el punto de vista de la comunidad relacionada con el sistema energético y comparándolo con las hipótesis realizadas en el proyec- to acerca de la opinión del consumidor (Liposcak, Afgan, Duic, & da Graça Carvalho, 2006). Este criterio no puede ser expresado por una cantidad cuantitativa, pero si por una cantidad cualitativa que puede ser obtenida mediante los

64 resultados de encuestas realizadas a la comunidad de interés (Cavallaro & Ciraolo, 2005).

Generación de Empleo Los sistemas de suministro de energía emplean muchas personas durante su ciclo de vida, desde la construcción y operación hasta su desmantelamiento. Las sociedades locales en las que se establece un sistema energético, basan su desarrollo y prosperidad en él durante varias décadas (Chatzimouratidis & Pilavachi, 2008). Un sistema energético sostenible que genere más empleo para la comunidad es beneficioso para mejorar la calidad de vida de la pobla- ción (Haralambopoulos & Polatidis, 2003).

Beneficio Social Los beneficios sociales fueron los criterios más importantes para la población en décadas anteriores. El criterio expresa el progreso social en una región particular debido a la incorporación de un sistema energético, especialmente en las menos desarrolladas. El beneficio social también está expresado por un valor cualitativo y no por una cantidad cuantitativa (Zahnd & Kimber, 2009).

2.8.2. Evaluación de Recursos Energéticos Re- novables con AMCD.

Entre los trabajos realizados para identificar y evaluar recursos energéticos con estas técnicas se destaca, el artículo publicado por San Cristóbal 2011, que recientemente se aplicó el Análisis Multicriterio de Decisión con el objetivo de seleccionar y jerarquizar proyectos de energía renovable para el plan de ener- gía Renovable e iniciativa del Gobierno Español. Se emplearon los métodos VIKOR y AHP, siendo este último usado para ponderar la importancia de los criterios utilizados, como la potencia, la vida útil, los costos de operación y mantenimiento, entre otros. A partir de esta evaluación se determinó que la op- ción más viable es la planta de biomasa de Co-combustión, seguida de la alternativa eólica y solar termoeléctrica, teniendo en cuenta que el mayor peso se le dio a los criterios de potencia y emisiones de CO2 (San Cristóbal, 2011)

2.8.3. El Método VIKOR

El método VIKOR (VlseKriterijumska Optimizacija I Kompromisno Resenje) fue desarrollado en 1998 por Serafim Opricovic como un método de Análisis Multi- criterio para la optimización de sistemas discretos complejos con criterios conflictivos e inconmensurables(Serafim Opricovic & Tzeng, 2007). Este método se enfoca en jerarquizar y seleccionar la mejor solución de compromiso a partir de un conjunto de alternativas en presencia de criterios en conflicto. Una de las principales ventajas que ofrece VIKOR es la posibilidad de determinar una so- lución de compromiso, es decir, la más cercana a la ideal, que refleja la posi- ción de la mayoría de decisores involucrados. El método VIKOR fue desarrollado para resolver el problema

Donde J es el número de alternativas factibles; es la j-ésima alternativa generada con ciertos valores de las variables del sistema; es el valor de la i-ésima función criterio para la alternativa ; es el número de criterio; denota el operador de un procedimiento de Análisis Multicriterio de Decisión para seleccionar la mejor alternativa en el contexto multicriterio. Las alternativas pueden ser generadas y su factibilidad puede probarse con modelos matemáticos (determinando las variables ), modelos físicos y/o experi- mentales. El método VIKOR es una herramienta efectiva en el Análisis Multicriterio de Decisión, particularmente en situaciones donde el decisor no está capacitado, o

66 no sabe cómo expresar su preferencia desde el principio del diseño del sistema. La solución de compromiso obtenida podría ser aceptada por los decisores porque provee la máxima utilidad de grupo de la “mayoría” y una mínima opo- sición individual. Las soluciones de compromiso podrían ser la base para la negociación, involucrando la preferencia de los decisores mediante la asigna- ción de pesos a los criterios (Jingzhu Wei & Xiangyi Lin, 2008).

El desarrollo de VIKOR empezó con la siguiente forma métrica del método de Programación Lineal

La medida fue introducida por (L. Duckstein & Opricovic, 1980)y representa la distancia entre la alternativa a la solución ideal. En VIKOR, , equivalente a , y , correspondiente a , se utilizan para formular la lista ordenada. La solución de compromiso es una solución factible que es la más “próxima” a la solución ideal . Aquí, compromiso significa un acuerdo establecido por concesiones mutuas, representado por . La Solución obtenida por es la solución con máxima utilidad de grupo, y la solución obtenida mediante expresa la solución de mínimo arrepentimiento individual. La función combina y con peso (Serafim Opricovic & Tzeng, 2004). Para añadir valores a los criterios inconmensurables, primero se deben convertir a las mismas unidades. La normalización se utiliza para eliminar las unidades de las funciones criterio, de este modo todos los criterios quedan a dimen- sionales. Los coeficientes de ponderación se introducen para expresar la importancia relativa de los distintos criterios. Estos pesos no tienen un significado económico, pero dan la posibilidad de modelar el proceso de toma de decisión (Jingzhu Wei & Xiangyi Lin, 2008).

El método VIKOR se desarrolló para la optimización multicriterio de sistemas complejos. Este determina la lista ordenada de compromisos, la solución de compromiso y los intervalos de estabilidad de peso para la estabilidad de la preferencia de la solución de compromiso obtenida con los pesos iniciales (dados). Este método se enfoca en jerarquizar y seleccionar de un conjunto de alternativas en presencia de criterios en conflicto. Este introduce el índice jerár- quico multicriterio basado en la medida particular de la “cercanía” a la solución “ideal” (S. Opricovic, 1998)

3. METODOLOGÍA DESARROLLADA

Para cumplir con los objetivos propuestos en esta investigación y siendo coherente con lo explicado en el marco metodológico del capítulo primero, iniciamos con la conceptualización del modelo integrado MODERGIS. Es una concepción propia que busca de manera flexible la integración de energías renovables, evaluando simultáneamente la potencialidad energética espacial y temporal de la oferta y demanda de energía de una zona geográfica. Además es coherente y consecuente con (Angelis-Dimakis et al., 2011)en el uso de herramientas integradas y flexibles de modelos para la evaluación de estos recursos. Su mapa conceptual integral, se visualiza en la figura 3.Donde se muestra las iteraciones que realizan los módulos con una visión holística de los mismos.

Comprende la integración de los sistemas de información geográfica SIG, para potenciar energías renovables, de un modelo del tipo Bottom up LEAP para la simulación de la demanda-Oferta de energía y de herramientas de análisis multicriterio de decisión AMCD, en especial con análisis multi-objetivo en un conjunto de alternativas energéticas que no se encuentran predeterminadas, como una forma integrada de evaluación, bajo los criterios de sostenibilidad. Integran la dimensión económica, social y ambiental, de gran relevancia en nuestro medio y que son imprescindibles para la evaluación y toma de decisiones en el planeamiento energético.

El procedimiento metodológico para la aplicación del modelo MODERGIS se basa en tres elementos fundamentales ENERGIS, ENERDEM, ENERSOS.

Figura 3. Conceptualización de MODERGIS - Autor

MODERGIS es una plataforma integral de planeamiento energético sostenible, que combina diferentes herramientas integradas, que busca el desarrollo ener- gético sostenible. Se basa en primer lugar en Sistemas de Información Geográ- fica (SIG) para la potenciarían de energías renovables (Amador & Domínguez, 2006)(Angelis-Dimakis et al., 2011), en la evaluación de la demanda-oferta de energía y cuantificación de los gases de efecto invernadero GEI mediante la herramienta del tipo Bottom Up, LEAP (Long-Range Energy Alternatives Plan- ning System) (Stockholm Environment Institute, 2008)(W. C. Flores et al., 2011) y en el Análisis Multicriterio para la toma de Decisiones AMCD(San Cris- tóbal, 2011), en especial el análisis multiobjetivo (Smith, R. et al., 2000)para que mediante las dimensiones de sostenibilidad, criterios y las alternativas energéticas renovables, se tome la mejor decisión al equilibrar la matriz ener- gética con energías renovables, se reduzca los gases efecto invernadero y se asegure el suministro energético de una región. Para lograr la sostenibilidad energética se busca la integración de las energías renovables en la matriz energética, identificando potenciales regionales y valorando de manera integral impactos ambientales, sociales y económicos de las tecnologías, con criterios del desarrollo sostenible (Agency International Atomic Energy, 2005).

Como se presenta en la figura 4.,la estructura de MODERGIS, inicia al determinar el potencial de los recursos energéticos renovables mediante ENERGIS - Módulo de sistemas de información geográfica, este potencial es introducido en el modulo de oferta de recursos energéticos solicitados por ENERDEM -Módulo Energía demanda, que calcula la demanda y oferta de energía, con sus escenarios definidos del caso de estudio. Determinada la demanda de energía y capacidad de potencia en el horizonte de tiempo, seleccionan las alternativas energéticas renovables existentes en el mercado. En ENERSOS - Módulo Energía sostenibilidad y decisión, se analizan con las herramientas de análisis multicriterio de decisión AMCD, primero los criterios y alternativas energéticas renovables jerarquizando de la mejor a la más desfavorable, segundo combi- nando las mejores alternativas que nos entrega los resultados de multiatributo, y optimizando un plan de alternativas energéticas para una restricción de potencia debido a la restricción en el suministro.

Es claro que el ciclo del modelo, inicia con la información cartográfica que alimenta ENERGIS, de aquí obtenemos los resultados parciales de los potenciales de energías renovables, estos a su vez es información de entrada junto con el balance de energía e información macroeconómica entran a ENERDEM. Los resultados parciales que arroja son las proyecciones de demanda de energía por sector de consumo y tipo de energético, las necesidades de suplir la demanda con nuevos recursos energéticos, la composición de la matriz energéti- ca y las emisiones de gases de efecto invernadero GEI.

Posteriormente y con el algoritmo que conforma la estructura de ENERSOS, se simula la participación que quiere dársele a la nueva matriz energética, aplicando las alternativas energéticas renovables, los criterios y mediante la herramienta VIKOR. De allí resultan la evaluación y clasificación sostenibles de energías renovables y posteriormente combinaciones de las alternativas que cumplen con la primera selección y se realizan simulaciones, de los resultados de ENERSOS, entran a ENERDEM y se analizan los resultados. 70

MODERGIS Estructura General

MODERGIS

CARTOGRAFIA RECURSOS INDICADORES DE BASICA ENERGETICOS SOSTENIBILIDAD CARTOGRAFIA BALANCE DE ALTERNATIVAS ESPECIALIZADA ENERGIA ENERGETICAS

EVALACUACIÓN Y ENERGIS ENERDEM ENERSOS CLASIFICACIÓN SOSTENIBLE DE ENERGÍAS ARGIS L.E.A.P A.M.C.D RENOVABLES

NECESIDADES POTENCIAL CALIFICACIÓN ENERGÉTICAS ENERGÍAS ALTERNATIVAS OFERTA Y RENOVABLES ENERGÉTICAS DEMANDA

Figura 4. Estructura del MODERGIS - Autor El desarrollo del software de la plataforma de MODERGIS fue programada en Visual.net, aprovechando su sencillez de programación, forma de presentar los resultados, la accesibilidad por parte de los usuarios en la actualización del modelo y por compatibilidad con los lenguajes que tiene los otros bloques, como LEAP y ARGIS y la programación que está concebida de ENERSOS para interactuar integralmente con los otros módulos de MODERGIS.

3.1. Desarrollo Metodológico de ENERGIS

El primer bloque denominado energías renovables por medio del sistema de información geográfica ENERGIS, se fundamenta en el uso de sistemas de información geográfica (SIG), identifica y potencia los recursos energéticos renovables y realiza la planificación estratégica, mediante una evaluación basada en criterios de restricción.

Inicia con la información cartográfica base de interés Nacional (IGAC) o Inter- nacional (SWERA) el énfasis es la evaluación del potencial de recursos renovables (fundamentalmente energía solar, eólica, dendroenergía y biocombustibles energías renovables), previendo la ampliación de la canasta energética en áreas potencialmente atractivas para la inclusión o sustitución por nuevas formas de energía. Se presenta en la figura 5, el mapa conceptual del ENERGIS, mostrando las necesidades de información básica, su procesamiento del sistema de información geográfica, la selección de los criterios de sostenibilidad definidos para este modelo, la simulación espacial y los resultados parciales de esta simulación que es entregado a ENERDEM. 71

Figura 5. Conceptualización de ENERGIS - Autor El modelo de datos espaciales utilizados en ENERGIS es de tipo ráster representado por celdas o píxeles de unidades homogéneas de información, que exhibe varias diferencias con el modelo vectorial dada la manera discreta de representar la información espacial (DeMers, 2002).

Este modelo brinda un tratamiento profundo de los datos temáticos, disponien- do la posibilidad de aplicación de algebra de mapas y relaciones de lógicas booleana y aritmética, como la posibilidad de clasificaciones multivariantes, operaciones estadísticas univariantes y multivariantes, operaciones de vecindad inmediata y otras posibilidades como interpolaciones.

3.1.1. Selección y justificación del Software de ENERGIS. Para definir el software a utilizar se presentaron dos opciones, la primera fue el software licenciado especialmente el GIS ArcView promovido por ESRI, que es una herramienta de SIG con la que se puede visualizar, analizar, crear y ges- tionar información geográfica. La mayoría de la información posee una componente que puede relacionarse con un lugar geográfico: territorio, direcciones, códigos postales, posiciones de GPS, secciones censales, ciudades, regiones, países u otro tipo de localizaciones. ArcView permite visualizar, explorar y analizar estos datos, revelando patrones, relaciones y tendencias que no se apre- cian bien en bases de datos, hojas de cálculo o conjuntos estadísticos. La segunda opción era la de utilizar software libre que se caracteriza porque los usuarios tienen la libertad de compartir, modificar y mejorar el mencionado software. Se ampara en la " General Public License GNU " que busca garantizar la libertad de compartir y modificar el software "libre", esto es para asegurar que el software es libre para todos sus usuarios. Esta licencia pública general se aplica a la mayoría del software de la "FSF Free Software Foundation" (Fundación para el Software Libre) que es una organización que patrocina la libertad de usar, estudiar, copiar, modificar y distribuir programas de ordenador; así como defender los derechos de los usuarios de software libre. Están cubier- tos por la "LGPL Library General Public License" (Licencia Pública General para Librerías), la cual puede aplicar a sus programas. Según(Dorta, Rodriguez, & de Sande, 2005), cuando se habla de software libre, se refiere a libertad, no al precio. Evaluadas las dos alternativas en términos de fortalezas y amenazas, y según los conceptos de los expertos en el tema, percepciones del director y codirector de la investigación basados en las experiencias de soporte, precio, ayudas y destreza en el manejo del software se optó por utilizar el software licenciado ArcGIS 9.3 Arcview – GIS de ESRI.

3.1.2. Conceptualización y Desarrollo de ENERGIS. El modelado cartográfico describe el uso de las funciones básicas de un SIG en una secuencia lógica para resolver problemas espaciales complejos. Según (Tomlin & Images, 1990)existen dos clases principales de modelado, el descriptivo y el prescriptivo. El Modelado descriptivo se refiere a aquellas técnicas cuyo propósito es lograr descripciones acerca de la información espacial.

Las técnicas de modelado prescriptivo están generalmente asociadas con ciertas formas de localización geográfica. Estas se pueden establecer para una o varias actividades, analizando y evaluando ciertas condiciones para una actividad determinada. (Tomlin & Images, 1990). La diferencia entre los dos modelos es que el descriptivo responde preguntas y el prescriptivo resuelve problemas. El modelado prescriptivo consta de tres fases principales: • Planteamiento del problema • Generación de soluciones al problema • Evaluación de las soluciones Según los objetivos concernientes de esta investigación, se establece que cuando se le da asignación a los usos del suelo, en espacial a biocombustibles y dendroenergía se estaría clasificando en la categoría del prescriptivo. En este caso, la actividad del uso del suelo optimiza la localización cuando se asigna un lugar que cuente con la mayor aptitud de calidad de suelo y el menor impacto ambiental y social posible (Gómez, O., 1992) este concepto es denominado el proceso de impacto – actitud. Para cuantificar de manera sencilla la información, se requiere de herramientas precisas, que genere modelos espaciales con potenciales generales de energí- as sostenibles. Esto obedece a una estructuración previa que elimine la redun- dancia e incoherencia en los datos de tal forma que constituya un sistema para el análisis, planificación y apoyo a la toma de decisiones permitiendo la integra- ción de datos recolectados de diversas fuentes con los métodos de análisis propios de cada disciplina (Quiroz, Escobar, Martínez, Betancur, & Massone, 2007) Basados en los anteriores planteamientos, podemos definir que ENERGIS po- dría asimilar a un modelo del tipo Prescriptivo, con una característica de impac- to – actitud, (Gómez, M. & Barredo, J., 2005), debido a que según su propia concepción fue desarrollado en tres fases como se muestra en figura 6 y se acoge a los postulados de Quiroz et al, antes mencionado.

Figura6. Procedimiento metodológico de ENERGIS - Autor ENERGIS se propone el desarrollo de tres fases, iniciando por la recolec- ción y organización de la información, una segunda fase por el análisis y modelado en donde se construyen relaciones espaciales y funcionales y una tercera fase de simulación prospectiva, en los siguientes numerales se explican en detalle cada una de las fases. 3.1.2.1. Organización Información - FASE I. Consiste en la aplicación de las técnicas convencionales de representación del territorio y estaría compuesta por: • La identificación y recolección de los elementos y variables que constitui- rán el eje de construcción de la información geoespacial, la cual se basa en la información básica y temática de uso habitual en procesos de aná- lisis territorial. • La ubicación espacial de los componentes de tal forma que estos co- rrespondan con el sistema de proyección geográfica de uso habitual en la región de estudio. • La identificación de relaciones y estructuras espaciales fundamentada en asociaciones tabulares y espaciales.

3.1.2.2. Análisis y modelado - FASE II. Esta fase busca obtener una representación simplificada de la realidad con la mínima perdida de información basándose en la construcción de modelos que sinteticen los elementos, las variables y los procesos que ocurren en el territorio. Las acciones que permiten consolidar esta fase son: La construcción de relaciones espaciales y funcionales con lo cual se busca, a partir de modelos de análisis numérico, estadísticos o booleanos, establecer las relaciones entre los elementos que representan un territorio o espacio geográfico. Modelado de elementos y variables que no tienen una expresión espacial explícita. Con ello se busca integrar aquellos fenómenos que a pesar de ser continuos son medidos en forma discreta. Modelado de procesos que busca consolidar la integración del sistema a tra- vés de la representación de las variables motoras y los procesos que en él actúan, considerando que estos son dinámicos en el tiempo y en el espacio geográfico. Cuando se cumple con la fase de recopilación y organización de la informa- ción, unificación de referencias espaciales, parametrización de tamaños de celda y salidas de los análisis, se procede a modelar las variables y fenóme- nos asociados al problema del estudio, es decir la identificación de las zonas potenciales para el desarrollo de energías sostenibles, cuando se refiere a sostenibles se indica que es desde la óptica del cultivo, que no estén en zonas de alto impacto ambiental y social. (palma africana, caña de azúcar, jatropha, maíz, banano) y dendroenergía bajo el mismo criterio de cultivo sostenible (leña sostenible), así como en las potencialidades basadas en ener- gía solar y eólica. En la obtención del modelo de análisis útil en zonas aptas para el cultivo de agrocombustibles se tuvieron en cuenta las siguientes consideraciones (Escobar, J., Betaikiir, T., Palacio, C., & Muriel, R., 2010):

El conocimiento sobre la ubicación y características de las potencialidades y restricciones es parcial, modelando con carácter de aproxi- mación a la escala de análisis.

Jerarquización compuesta por diferentes tipos de zonas homogéneas cubriendo la totalidad de la jurisdicción nacional.

Flexibilización que permita la introducción de fuentes de información actualizadas o de mayor detalle.

Reglas simples de decisión que permitan una interacción directa con los expertos del área de las energías sostenibles.

3.1.2.3. Simulación Prospectiva - FASE III.

Constituye la fase más avanzada de los sistemas informáticos georreferen- ciados, busca consolidar los sistemas de información geoespacial como herramientas de apoyo a la planificación y toma de decisiones considerando el conocimiento del territorio y la gestión de este (Quiroz et al., 2007) Las acciones involucradas son: La identificación y construcción de reglas de decisión con el objetivo de integrar el ejercicio conceptual e intelectual del decisor en la selec- ción de alternativas considerando múltiples objetivos los cuales están en conflicto; y

La simulación de comportamientos y tendencias en diferentes escenarios en la búsqueda de encontrar y evaluar, con anticipación, los efectos de las acciones, las estrategias y/o las políticas de intervención.

ENERGIS simuló los potenciales sostenibles de energías renovables en Co- lombia, a nivel nacional y departamental, aplicando las tres fases explicadas anteriormente (Quijano, R. & Domínguez, J., 2008).Para aplicación del ENERGIS se utilizó una combinación de modelos de diferentes aplicaciones, como las superposiciones o ensamble de matrices, optando por los modelos de Decisión Booleana, Algebra de Mapas con Clases Múltiples, además de instrucciones de SQL (Structured Query Language). Resultados que se presentan de manera preliminar al finalizar el capítulo cuarto.

3.2. Desarrollo Metodológico del módulo ENER- DEM

El segundo bloque llamado energía de la demanda y oferta - ENERDEM, se encuentra soportado por el modelo del tipo Bottom-UpLEAP (Long-Range Energy Alternatives Planning System), que se basa en aproximaciones deta- lladas para el análisis de la demanda, oferta y expansión energética incluyendo opciones de simulación e incremento de la eficiencia en los procesos. Este tipo de modelo se ha usado extensamente para estimar los costos de la reducción del potencial de consumo de energía, asociado a la reducción de emisiones de CO2, a través del uso y manejo de la eficiencia energética.

Se caracteriza porque no requiere series de tiempo, calcula la demanda agregada de energía, predice la transformación de energéticos necesarios, determina la oferta de recursos energéticos, elabora el balance de energía y además calcula la emisión de gases de efecto invernadero (GEI),aplicando la metodolo- gía del Panel Intergubernamental de Cambio Climático (IPCC)(UNEP & IEA, 2006).

3.2.1. Selección del Modelo LEAP

Para determinar la opción del modelo que debía ser utilizado en la plataforma para el análisis de la demanda y oferta de energía en MODERGIS, se optó por tener como criterio determinante las siguientes premisas: Modelo Integral Demanda Oferta, medio ambiente, tipo Bottom Up. Requerimientos mínimos de información. Transparente, Flexible y amigable con el usuario. Uso reciente entidades Gubernamentales (Ministerios - otros). Garantías para el uso académico e investigativo. Uso Internacional reconocido. Precio, respaldo y soporte técnico. Una vez analizada la información necesaria, se evaluaron varias opciones, con modelos como MARKAL y ENPEP y se observaron las siguientes ventajas de LEAP sobre los otros dos modelos así: LEAP: es un modelo Integral del tipo Bottom Up, el MARKAL y ENPEP se asimilan a este tipo de característica.

LEAP: solo requiere de un año de información desagregada y tiene ayudas propias para completar información y crear series de tiempo. MAR- KAL y ENPEP require series históricas.

LEAP: el árbol es construido dependiendo de la cantidad y calidad de in- formación que tenga el usuario y no es solicitada en estructura rígida como MARKAL y ENPEP.

LEAP: ha sido usada por el Ministerio del Medio Ambiente en las comunicaciones de cambio climático al IPCC. EL Ministerio de Minas y Ener- gía lo ha usado en los años 1990 y 1996 en planes energéticos y política energética. La UPME lo ha usado en los planes energéticos de 1996 y 2000 y en el plan de usos racional de energía 2010, en los escenarios sostenibles construidos por la CEPAL para la UPME 2011 y en el plan de fuentes renovables de energía 2011 a través de la consultoría. MARKAL se ha usado en el área metropolitana del Valle del Aburra (Rave, C., 2005)y ENPEP ha tenido algunos desarrollos aislados por parte de la UPME.

LEAP: para usos académicos y proyectos de investigación el uso no tiene precio, justificando la debida inscripción en la página de con su debido permiso y licencia. MARKAL y ENPEP hay que pagar el uso.

LEAP: se ha usado en ciento cincuenta (150) países del mundo para la formulación de planes energéticos y prospectiva energética, además de servir de soporte para las comunicaciones sobre cambio climático MAR- 78

KAL en setenta (70) países (http://www.etsap.org/index.asp) y ENPEP en países 50(Argonne & IAEA, 2008)

LEAP: cuenta con el apoyo de la comunidad de usuarios de orden internacional (http://www.energycommunity.org/) y el SEI sirve de soporte y actualización continua del software. En Latinoamérica el soporte y ase- soría lo tiene el Instituto de Economía Energética IDEE de Argentina. MARKAL y ENPEP el soporte es directamente con los desarrolladores.

Aplicaciones a nivel Internacional

Uso en más de doscientas (200) agencias gubernamentales, ONG’s e instituciones académicas que usan LEAP para diferentes investigaciones como los estudios de análisis de mitigación de gases efecto invernadero, producción de planes de manejo de energía y estudios energéticos.

Se mencionan los principales usos que ha tenido en el orden internacional como se puede ver seguidamente:

APEC Demanda energética y pronostico de la oferta: APERC, (Asia Pacific Energy Research Centre) es actualmente el responsable del estudio de la demanda de energía de los países que conforman el APEC, el cual cubre 21 miembros de APEC (Asia-PacificEconomic Cooperation) incluyendo a US, Chi- na, y Rusia. El primer resultado fue publicado en 1998. Por orden del APEC se deben actualizar los datos por parte de APERC para realizar un estudio a largo plazo (año 2020). LEAP2000 es usado como el principal modelo de estructura.

Modelo de energía en Sur África: En Sur África han estado usando el LEAP como herramienta principal de modelado para elaborar un patrón energético para el país. Se desea que con el modelo se puedan evaluar políticas energéticas así como la demanda y la oferta previstas.

Planeamiento integrado de energía en Malasia. Fundado por DANCED, un brazo del Ministerio Danés de Medio Ambiente y Energía, la compa- ñía de consultoría Danesa RAMBOLL, ha estado asesorando el Gobier- no de Malasia p ara construir un plan integrado de energía y medio ambiente. Se está utilizando el LEAP para examinar costos, impacto ambiental y energía, así como las implicaciones de políticas nacionales de energía alternativas a largo plazo.

Políticas y conservación de energía en Indonesia: Como parte de “Indo- nesia Netherlands Energy Working Group”, la Fundación de Investiga- ción de Energía (ECN) ha estado trabajando con el Ministerio de Minas y Energía de Indonesia para construir un plan integrado de energía y planeamiento ambiental. En un principio se están trabajando los conceptos básicos de análisis integrado energético-ambiental capacitando al personal de Ministerio, se utiliza como herramienta LEAP2000. Luego, el equipo intentará diseñar y evaluar estrategias para Indonesia.

Costa Rica: La Organización de América Latina de Energía (OLADE) y agencias locales de este país colaboraron con el SEI-B para evaluar las consecuencias económicas y Ambientales de ciertas opciones de políti- cas energéticas.

Venezuela: El Ministerio de Minas y Energía usó LEAP para construir y evaluar escenarios para reducir CO2 y otras emisiones de gases de efecto invernadero en la fase I del UNEP “Greenhouse Gas Abatement Costing Project”.

Ministerio de Energía Peruano: Planeamiento integrado de Energía: IDEE/Fundación Bariloche, está desarrollando un análisis integrado de políticas de energía para el Ministerio Peruano de Energía. IDEE/FB es- tá usando LEAP para desarrollar el análisis del sistema energético Pe- ruano.

Otros países que usan LEAP en este proyecto de la UNEP son Egipto y Senegal.

En Colombia la primera aplicación del modelo LEAP se desarrolló con una tesis de la facultad de ingeniería de la Universidad Javeriana (Beltrán, J. & Qui- jano, R., 1992)que sirvió de base para ser utilizado en el primer Plan Energéti- co del Ministerio de Minas y Energía a través de la Comisión Nacional de Ener- gía CNE, haciendo proyecciones de demanda de energía en el Plan Energético Nacional al año 2020 (UPME, 2007b)

IDEAM presentó Estudio de “Mitigación en el Sector Energético posterior a la Primera Comunicación Nacional de Colombia ante la Convención Marco de las Naciones Unidas sobre el Cambio Climático”, se utilizó LEAP como soporte para simular las emisiones del sector de energía realizado conjuntamente entre la UPME y el IDEAM(IDEAM, 2009)

El caso más reciente de uso de LEAP en Colombia fue en el marco del proyec- to CEPAL 06/07(2010-2011) “Fortalecimiento en el diseño e implementación de políticas energéticas sostenibles para la producción y uso de biocombustibles en América latina y el Caribe”, donde se realización las simulaciones de escenarios sostenibles y se aplicó el caso Colombia con año base 2008 y horizontes de tiempo al año 2030. Como se observa en el cuadro 41 del Anexo 9, se presentan las principales características de los tres modelos analizados ENPEP, MARKAL y LEAP, considerando que el modelo que cumple con las premisas anteriormente enuncia- das y es el más apropiado para el objeto de la investigación, es el modelo computacional LEAP.

3.2.2. Conceptualización ENERDEM - LEAP

El mapa conceptual de ENERDEM visualizado en la figura 7, indica detalladamente su funcionamiento interno, los resultados que ENERGIS, sobre potencialidades de energías renovables, es la información de entrada al modulo de oferta de LEAP. La información exógena necesaria de tipo económico y ener- gético, es alimentada, para poder calcular las intensidades energéticas y estructurar el árbol de demanda, de la transformación y los recursos de la oferta.

Figura 7.Conceptualización y flujo de ENERDEM - Autor Es importante resaltar que previamente se requiere adecuar la información al formato estipulado LEAP antes de ingresarse. De la misma manera se debe

81 establecer previamente, los criterios fundamentales para conformar los escenarios a ser simulados.

Como se observa en el mapa conceptual, los resultados pueden tener dos ca- minos, el primero los resultados que se necesitan para el configurar ENERSOS y terminar el análisis integral del caso de esta investigación, o el segundo, que las salidas pueden ser utilizadas directamente para análisis y comparaciones de otros estudios o investigaciones o para la consolidación de información se- cundaría.

Mientras que la metodología es un factor importante a la hora de escoger un modelo energético, LEAP además de ser el modelo, es un completo sistema de soporte para toma de decisiones, provee grandes cantidades de datos y reporte de informes. Puede servir como base histórica de datos mostrando la evolución de un sistema de energía y como herramienta basada en escenarios futuros que puede crear pronósticos de cómo debería evolucionar un sistema o podría examinar cómo se puede cumplir sus metas en el sector energético.

Está estructurado como una serie de vistas de un sistema de energía. La “Vista de Análisis” principal es el lugar donde los usuarios crean estructuras de datos y escenarios e ingresan todos los datos describiendo los años históricos y los escenarios futuros.

Su estructura está conformada como árbol que ofrece gran flexibilidad en cuan- to a la forma en que está modelado el sistema, por ejemplo un modelo de demanda puede ser altamente desagregado en un sector donde se requiere un análisis muy detallado de la tecnología, pero mucho menos agregado en sectores donde el uso de la energía es menos importante o menos comprensible. El modelo soporta análisis multiregional en los que se pueden crear diferentes estructuras de datos para cada región. En la vista de análisis un árbol jerárqui- co muestra la principal estructura de datos para el análisis. El árbol soporta operaciones estándar (copiar, pegar, arrastrar y soltar, etc.) que simplifican la construcción y mantenimiento de los datos en un análisis energético.

El reporte intuitivo y de fácil uso es otro ingrediente clave, ayudando a los usuarios a visualizar e interpretar resultados y captar errores. Calcula una gran cantidad de resultados los cuales pueden ser presentados mediante tablas, gráfi- cos e incluso mapas. La vista de resultados hace que trabajar con resultados multidimensionales sea muy sencillo.

La organización general está constituida mediante módulos Demanda- Transformación- Oferta y la bases de datos ambiental, que puede ser organi- zada dependiendo de la calidad y cantidad de información que pueda poseer un país, región o localidad

Para efectos de definir la estructura de ENERDEM – LEAP, se estableció que se trabajaría con todos los módulos Demanda – Transformación – Oferta, todos unidos con la base de datos ambiental TED. Para la demanda se definieron basados en la información disponible, cinco sectores bajo la misma estructura del balance de energía que tiene la UPME, las perdidas negras en electricidad 82 y comercio ilegal de combustibles se infiere en el modulo de transformación, pero para efectos estadísticos estos valores son detectados en el total de la demanda. Se observa esta estructura de simulación en la figura 8: • Sector Residencial, incluye urbano y rural • Sector Industrial, desagregado en once sub-sectores según codificación CIIU a tres dígitos. • Sector Transporte, incluye el modo terrestre público y privado, Aéreo, Fluvial, Marítimo y Férreo. • Sector Agrícola, incluye actividades de siembra de cultivos y mecaniza- ción de los mismos. • Sector Comercial, incluye oficial y público. . ENERDEM ‐LEAP Estructura General

BASE DATOS AMBIENTAL‐ TED EMISIONES

EMISIONES EMISIONES EMISIONES CO² CO² CO² NOX NOX NOX SOX SOX SOX OT OT OT SISTEMA ENERGÉTICO SISTEMA

OFERTA TRANSFORMACIÓN DEMANDA

RESERVAS ENERGETICAS CENTRALES ELECTRICAS RESIDENCIAL

PETROLEO Y GAS SOLAR

PROCESOS CARBÓN EÓLICA INDUSTRIAL HIDRO POTENCIALIDADES TERMICAS TRANSPORTE HIBRIDAS SOLAR AGRICOLA Y MINERO EÓLICA REFINERIAS HIDRO GEOTERMIA PETROLEO OTROS DENDROENERGÍA BIOMASA DESTILERIAS OTRAS BIOCOMBUSTIBLES

COQUERIAS

CARBÓN

CARBONERAS Y OTRAS EXOGENA INFORMACIÓN ENERGIS BALANCE DE ENERGÍA LEÑA ‐ BIOMASA POTENCIALIDADES RESERVAS DE ENERGÍA POBLACIÓN‐VIVIENDAS PIB ‐ VA

Figura 8. Estructura del L.E.A.P. Colombia.- Autor Para el sector de transformación se optó por habilitar los módulos de centrales de generación eléctrica, refinerías, destilerías, coquerías, carboneras y bioma- 83 sa. Dentro de las centrales de generación y con el fin de hacer simulaciones bajo el objetivo propuesto de la investigación se seleccionaron las alternativas, hidroeléctricas, termoeléctricas de todos los combustibles y ciclo combinado, la solar fotovoltaica y termosolar, eólica, de biomasa e hibridas. En el módulo de oferta se especificaron dos clases de reservas: para los recursos energéticos no renovables se introdujeron las reservas probadas de petróleo, gas y carbón mineral. Para los recursos renovables se determinaron como potencialidades y se introducen energía solar, energía eólica, bioalcohol, biodiesel, bagazo, dendroenergía geotermia y residuos vegetales.

Para observar gráficamente lo anteriormente enunciado, se muestra en la figura 7, la estructura general de ENERDEM – LEAP, indicando que las entradas de información exógena provienen de dos fuentes, una interna de ENERGIS y conecta con potencialidades y la segunda que proviene de los balances de energía de la Unidad de Planificación Minero Energética - UPME (UPME, 2007a)y de la información macroeconómica del Departamento Administrativo Nacional de Estadística DANE y Departamento Nacional de planificación – DNP.

La base de datos tecnológica y ambiental TED incluye datos de tecnologías, referenciando informes de instituciones incluyendo el Intergubernamental Pa- nel on Climate Change (IPCC), el U.S. Department of Energy y la International Energy Agency - IEA. En adición a sus datos cuantitativos, TED también incluye páginas de información cualitativa que revisan la disponibilidad, idoneidad, costo-efectividad y asuntos ambientales claves para un amplio rango de tecno- logías energéticas. Los factores de emisión y otra información de TED pueden ser incorporados automáticamente a los análisis LEAP. Esta base está conec- tada a los módulos demanda-transformación-oferta, facilitando la creación de escenarios de emisiones basados en los escenarios energéticos de ENERDEM - LEAP y los factores de emisión en TED.

Los resultados de la demanda de energía son calculados a través de cinco dimensiones: combustibles, años, escenarios, regiones y ramas (sectores y sub-sectores del análisis). El usuario simplemente escoge las dimensiones a mostrar en cada eje de la gráfica. Para las otras dimensiones, el usuario puede escoger si mostrar resultados para un solo elemento o sumar los resultados o los seleccionados. El usuario deberá seleccionar resultados de demanda por combustible y por año en una región particular y escenario para un sector es- pecífico.

Los resultados se pueden presentar en casi cualquier unidad de medida y existen numerosas opciones para configurar los resultados, incluyendo la selección del tipo de gráfico (área, barras, líneas, etc.), color del gráfico, formato numéri- co (valores absolutos, tasas de crecimiento, porcentajes de participación, nú- mero de decimales, etc.). Se pueden comparar y evaluar escenarios de política alternativos, trazando escenarios múltiples o mostrando las diferencias en resultados comparados con un escenario previamente seleccionado.

Incluye también una serie de reportes especializados incluyendo reportes de balances de energía estandarizados y diagramas de flujo de energía. El reporte del balance energético sigue muy de cerca el formato estándar empleado por la International Energy Agency - IEA y la mayoría de agencias de planificación energética. Los balances energéticos de LEAP se pueden presentar en tablas, gráficos o diagramas de flujo y se pueden personalizar para que resuman de forma simple o detallada las categorías de combustibles, para diferentes años o diferentes regiones. Los resultados del balance pueden también mostrarse por sector o sub-sector en cualquier unidad de energía. 3.3. Desarrollo Metodológico de ENERSOS

El tercer bloque denominado Energía, toma de decisión y sostenibilidad - ENERSOS, recibe la información de las salidas de ENERGIS, específicamente los potenciales de energías renovables ubicados por región geográfica, de ENERDEM la nueva capacidad eléctrica de energías renovables que se va a introducir en la matriz energética.

ENERSOS se planteó con el fin de facilitar el diseño y selección de proyectos o planes energéticos renovables, teniendo en cuenta las necesidades de demanda y oferta de energía, entregada por los resultados de ENERDEM, además de los resultados de potenciales de energías renovables por región arrojados por ENERGIS. Permite evaluar un conjunto de opciones o alternativas para resolver problemas de características definidas, con base en criterios estandarizados o definidos a conveniencia por el usuario. El programa consta básicamente de dos módulos; el primero corresponde a la selección de proyectos energéti- cos renovables y tiene como objetivo guiar al decisor durante el análisis multicriterio y posterior selección de las alternativas que más se ajustan a su caso particular. Selecciona también la mejor alternativa en la producción de cultivos de biocombustibles, optimizando el uso del terreno, la productividad física, productividad energética en Julios y emisiones evitadas de gases de efecto invernadero. 3.3.1. Selección Método VIKOR Después de estudiar y analizaren detalle las distintas alternativas de méto- dos de Análisis Multicriterio, VIKOR presenta características de ser un méto- do descrito en pocos pasos, por su estructura simple, basada en programa- ción lineal, implementa elementos de diversos métodos con el fin de optimizar el proceso de selección de alternativas y de incluir las preferencias del decisor. Se describen algunas de las ventajas que ofrece el método VIKOR:

Determina una solución de compromiso reflejando la actitud de los decisores frente al riesgo a través de la introducción de un valor de utilidad .

Permite la combinación de métodos cuantitativos y de análisis cualitativo para mejorar los resultados.

Normaliza las unidades de los criterios en conflicto para facilitar la comparación entre ellos.

La sencillez de su algoritmo permite hacer modificaciones que optimi- cen el método para un caso específico.

Permite la calificación de criterios para asignar importancia relativa a estos durante el proceso de decisión.

Se han realizado numerosas comparaciones entre el método VIKOR y otros métodos conocidos como TOPSIS (Serafim Opricovic y Tzeng 2004) y ELECTRE III (Serafim Opricovic y Tzeng 2007) en las que se confirman las ventajas que posee este método y que las mencionan con anterioridad (Xiang- yi, Qing-pu, y Hong-yun 2008). Los métodos AMCD VIKOR y TOPSIS se basan en funciones de agregación que representan la proximidad a la solución ideal. Aunque parten de una misma base, el método VIKOR tiene dos ventajas notables sobre TOPSIS:

Como medida de proximidad a la solución ideal VIKOR introduce el concepto de índice jerarquización que da una medida particular de ésta distancia; por otro lado, el principio básico del método TOPSIS es que la alternativa escogida como la mejor, es la que debería tener la menor distancia posible a la solución ideal y la más alejada de la solución “menos ideal”. La desventaja de éste último respecto al primero, es que éste mé- todo introduce dos puntos de referencia, pero no considera la importancia relativa de estos puntos, por lo que no ofrece flexibilidad a las preferencias del decisor y se mantiene en una posición estática.

Una segunda diferencia entre estos dos métodos se encuentra en la normalización. Mientras que el método VIKOR utiliza normalización lineal, TOPSIS se basa en una normalización vectorial. El resultado final es un valor que no depende de las unidades de medida del criterio para el caso de VIKOR, y el caso opuesto para TOPSIS, con lo que se tendrí- an inconvenientes en el manejo de unidades o de descripciones cualita- tivas. Ambas normalizaciones tienen claras diferencias matemáticas, siendo la primera la más sencilla de comprender y de operar (Serafim Opricovic y Tzeng 2004).

Respecto a métodos de clasificación como ELECTRE III y PROMET- HEE, VIKOR tiene la ventaja de establecer un punto de referencia y compararlo con las alternativas que se tienen; En los métodos de clasifi- cación se hace una comparación entre las mismas alternativas, sin sa- ber que tan cerca están éstas de cumplir con el propósito deseado. Al igual que ocurre con TOPSIS, el fundamento matemático que ofrece VI- KOR es mucho más sencillo que el que ofrecen ELECTRE III y PRO-

METHEE, lo que permite llegar a un número más amplio de decisores (Serafim Opricovic y Tzeng 2007).

A parte de estas características, el método VIKOR se ha utilizado recientemente como método para seleccionar alternativas energéticas renovables en procesos de planificación en España (San Cristóbal 2011) y para planificación energética renovable en Turquía (Kaya y Kahraman 2010), lo que nos indica que ha tenido una buena acogida en la comunidad científica internacional.

Estas ventajas de VIKOR sobre otros métodos comúnmente utilizados en el campo de la toma de decisiones y su reciente uso para selección de alternativas energéticas y posterior reporte científico en algunas de las publicaciones más representativas del sector energético a nivel mundial, direccionó la preferencia del método VIKOR porque cumple con las expectativas metodológicas básicas, para ser el método central para el desarrollo de ENERSOS.

3.3.2. Conceptualización ENERSOS - VIKOR

La estructura interna de ENERSOS, está basada en el Análisis Multicriterio de Decisión AMCD, que evalúa alternativas con múltiples criterios de evaluación, se hace una descripción del modulo de alternativas energéticas renovables. Este módulo se divide en dos partes; la primera corresponde a la solución de un problema de Análisis Multiatributo de Decisión, aunque la metodología aquí empleada puede ser igualmente utilizada en otros tipos de problema de carác- ter multiatributo. Se entrega un conjunto de opciones a evaluar y un conjunto de criterios; con estos se construye una matriz de pagos, de la cual el módulo extraerá la información para hacer los cálculos pertinentes, como se observa en la figura 9. El resultado que se espera de este módulo, es una lista jerárquica que se logra mediante la comparación de las opciones entre sí teniendo en cuenta una serie de criterios, aquí llamados atributos, que describen el desempeño de estas alternativas en varios aspectos, comparando según las preferencias del decisor. El segundo módulo está organizado como una continuación o extensión de la primera y está basada en la solución para un problema multiobjetivo (Smith, R. et al., 2000). Los datos que se le entregan son las tres mejores alternativas escogidas por el primer módulo y un conjunto de restricciones, que el programa debe calcular, mediante un algoritmo, todas las posibles combinaciones que representan proyectos reales para cumplir con la restricción principal. Lue- go de hallar este conjunto de combinaciones, se le entrega un conjunto de funciones objetivo en las que se evaluarán las distintas alternativas y finalmente se hará uso de un método igual al utilizado en el primer módulo (S. Opricovic, 1998) pero con una adaptación para el caso multiobjetivo (Heydari, Kazem Sayadi, & Shahanaghi, 2010).

Figura9. Conceptualización y Flujo de ENERSOS

El resultado que se espera de esta segunda etapa es un ordenamiento de las combinaciones obtenidas y que este dé una idea al decisor de cuáles serían los proyectos más adecuados para cumplir con sus metas. En la revisión del estado del arte se identificó un método desarrollado recientemente y que ha sido utilizado para evaluar alternativas energéticas renovables en España (San Cristóbal, 2011) y para planificación energética en Es- tambul (Kaya & Kahraman, 2010). El método Multiatributo VIKOR (S. Oprico- vic, 1998) es un método basado en distancias que busca incorporar las preferencias del decisor para jerarquizar un grupo finito de alternativas con el fin de

88 escoger las alternativas energéticas renovables más cercanas a la solución ideal. En el siguiente numeral se presenta en detalle y paso a paso el desarrollo de este método para la etapa multiatributo de ENERSOS. 3.3.3. Método VIKOR Multiatributo

El método VIKOR parte de la información proporcionada por el usuario, que consta de un conjunto de alternativas para lograr un objetivo deseado y de un conjunto de criterios para evaluar en diferentes aspectos el desempeño de estas. Se describe el método VIKOR paso a paso, aplicado al caso Colombia y en sus dos variantes, VIKOR Multiatributo propuesta por S. Opricovic (1998) y en el siguiente numeral VIKOR Multi-objetivo propuesta realizada específicamente para esta investigación. En el caso de la investigación las alternativas son las tecnologías de genera- ción eléctrica renovable de las cuales se quiere seleccionar una o varias para ampliar la participación de la matriz energética por energías renovables. En general, para el cálculo del método VIKOR se deben seguir los siguientes pasos(S. Opricovic, 1998):

Paso 1: Asumiendo que cada alternativa es evaluada de acuerdo a cada función de criterio, la jerarquía de compromiso podría ser desarrollada mediante la compa- ración de la medida de cercanía a la solución “ideal” F*. * - Se determina los mejores fi y los peores fi valores para cada una de las funciones de criterio, i=1,2,…,n. Si la i-ésima función de criterio representa un benefi- j * j - cio entonces fi = max fij y fi = min fij.

Paso 2: Teniendo la identificación de los mejores y peores valores para cada función de criterio, se determinan los valores Sj y Rj, j = 1,2,…, J mediante las relaciones

Donde representa las distancias de las alternativas a la mejor solución; representa la distancia entre las alternativas y la peor opción; wi son los pesos de criterio, expresando la preferencia de los decisores como la importancia relativa del criterio. Estos pesos de importancia relativa de los atributos pueden ser asignados usando AHP mediante los siguientes pasos:

1. Encontrar la importancia relativa de diferentes atributos con respecto al objetivo. Para hacerlo, se construye una matriz de comparación entre pares usando una escala de importancia relativa. Los juicios se emiten teniendo en cuenta la escala fundamental de AHP. A un atributo comparado consigo mismo siempre se le asignará el valor de 1, por lo tanto las entradas de la diagonal principal de la matriz estará compuesta en su totalidad por el número 1. Los números 3,5,7 y 9 corresponden a los juicios verbales “importancia moderada”, “importancia fuerte”, “importancia muy fuerte” e “importancia absoluta”. Asumiendo n atributos, la compa- ración entre pares del atributo i con el atributo j genera una matriz Anxn donde denota la importancia comparativa del atributo i con respecto al atributo j. En la matriz, cuando i = j y .

2. Se necesita conocer el vector el cual indica el peso que se le da a cada criterio en la matriz de comparación por pares A. Pa- ra obtener el Vector W de A, se sigue el siguiente método:

a. Para cada columna de A, se divide cada entrada en la columna i por la suma del total de entradas de la misma. Esto conlleva a una nueva matriz, llamada Anorm en la cual, la suma de las entradas en cada columna es 1. b. Se estima Wi como el promedio de las entradas en la fila i de Anorm.

Paso 3:

Calcular los valores Qj , mediante la relación

Donde ; ; ; y v se introduce como el valor que representa la posición del decisor frente al riesgo. Normal- mente el valor de v se toma como 0.5 para representar una posición neutra frente al riesgo aunque se puede tomar cualquier valor de 0 a 1.

Paso 4: Jerarquizar las alternativas, organizando según los valores de S, R y Q en orden decreciente. Los resultados obtenidos son tres listas ordenadas. Proponga como solución de compromiso la alternativa A(1), la cual es la mejor de todas según la medida Q (mínimo), si se cumplen las siguientes dos condiciones:

a) Ventaja aceptable. , donde y A(2) es la alternativa que ocupa la segunda posición en la lista ordenada por valor de Q.

b) Estabilidad aceptable en la decisión. La alternativa A(1) deberá ser también la mejor en las listas de S y/o R.

Si una de estas condiciones no se satisface, entonces se propone un conjunto de soluciones de compromiso, el cual consiste de:

c) Alternativa A(1) y A(2) si sólo la condición b no es satisfecha, o

d) Alternativas A(1), A(2),…, A(m) si la condición a) no se satisface. A(m) es determinada por la relación para máximo n. Una vez seleccionadas las mejores alternativas se puede optar por refinar aún más las opciones con el fin de elaborar proyectos más realistas. Como procedimiento novedoso se propone para ENERSOS la elaboración de un algoritmo que encuentra todas las posibles combinaciones de las mejores alternativas recopiladas por el método anterior. Lo que se busca es obtener la combinación óptima mediante el uso de un método VIKOR modificado para resolver un problema multiobjetivo sujeto a una restricción que para el desarrollo del caso es la potencia para cambiar la matriz energética.

3.3.4. Método VIKOR Multi-objetivo

El método VIKOR multi-objetivo(Heydari et al., 2010) se utiliza para determinar cuál es la mejor combinación para obtener una potencia eléctrica requerida con el fin de equilibrar la matriz energética, mediante el incremento de la participa- ción de las energías renovables. Para comenzar, se debe hacer un planteamiento del problema multi-objetivo (Smith, R. et al., 2000), comenzando por las funciones objetivo, es decir, construir un conjunto de funciones que permitan describir las metas en distintos aspectos.

Paso 1: Definición de Funciones Objetivo.

Para este caso particular definimos las siguientes: : Objetivo Económico: Menor inversión económica posible.

: Objetivo Ambiental: Generar el menor impacto negativo sobre el ambiente. Máximas emisiones de CO2 evitadas, mínimo uso del suelo.

: Objetivo Social: Otorgar el mayor beneficio posible a la comunidad. Máximo número de empleos generados.

En la descripción de las funciones objetivo se observan uno o más factores que influyen en el logro de estas metas. A estos factores se les llama atributos, y también se pueden expresar como funciones de la cantidad de unidades correspondientes a cada alternativa:

Considere las funciones

y son funciones de , variables que expresan respectivamente el número de unidades de generación de las alternativas energéticas que se quieren implementar.

A su vez, las funciones objetivo son funciones de atributos, que también son funciones de

Donde, : Inversión total por potencia instalada. Expresada en [$US/KW]. Se calcula mediante

y son los costos de inversión por KW correspondientes a las alternativas 1, 2 y 3 respectivamente.

y son las potencias estándar por unidad de generación de las alternativas 1, 2 y 3.

: Generación eléctrica. Expresada en [KWh/año]. Se calcula mediante

Donde y son las horas de operación al año multiplicadas por la capacidad instalada correspondientes a las alternativas 1, 2 y 3 respectivamente y expresadas en KWh/año.

: Total de emisiones de CO2 evitadas por año. Expresada en [Ton CO2/KW. Año]. Se calcula mediante

Donde y son las emisiones de CO2 evitadas por año correspondientes a las alternativas 1, 2 y 3 respectivamente.

: Total de hectáreas utilizadas por kW. Expresada en [Ha/kW]. Se calcula mediante

Donde y son las hectáreas utilizadas por KW correspondientes a las alternativas 1, 2 y 3 respectivamente.

: Total de empleos generados por kW. Expresada en [N° Em- pleos/kW]. Se calcula mediante

Donde y son el número de empleos generados por KW correspondientes a las alternativas 1, 2 y 3 respectivamente.

Pasó 2: Definición de restricciones

Como restricciones al problema se plantea lo siguiente:

a. La suma de las potencias de la cantidad de unidades de genera- ción de las distintas alternativas debe ser equivalente a la potencia requerida (ingresada por el planificador o usuario)

b. El número de unidades de generación de cada una de las alternativas, , debe ser un número entero positivo.

Pasó 3: Reconocimiento de Nuevas Alternativas Del planteamiento Multiatributo se obtuvieron las tres alternativas más apropiadas; En el planteamiento Multi-objetivo se definirán las nuevas alternativas como cada una de las posibles combinaciones de las alternativas anteriores que cumplan con las restricciones previamente definidas.

El algoritmo utilizado para generar dichas combinaciones consiste en in- gresar una restricción de potencia que limitará el resultado de las combinaciones. Se comienza a dar valores a las tres variables y siempre que se termina una se verifica la condición. Si cumple se almacena en la matriz,

93 sino el programa sigue con la siguiente combinación y así hasta que ya no encuentre más posibles combinaciones.

Pasó 4:Generación de matriz de pagos

Si equivale a la combinación de valores y equivale al Número de combinaciones, o número de alternativas a evaluar, entonces la matriz de pagos (Fig. 10) se genera mediante la evaluación de cada alternativa en cada función atributo

La matriz queda de la siguiente forma:

Figura 10.Matriz de Pagos VIKOR

Pasó 5: Ponderación de criterios AHP Los criterios se encuentran clasificados en dos niveles como se muestra en la figura 11.El primero corresponde a los objetivos Económico, Ambiental y Social. El segundo corresponde a los atributos de los que depende cada objetivo.

Figura 11.Criterios de Ponderación. Para hacer la ponderación mediante AHP se comienza por hacer la compa- ración entre los elementos del nivel 1, es decir, entre funciones objetivo (Fig. 12).

Figura 12.Ponderación AHP

Se sigue el mismo procedimiento ya indicado en el numeral 3.3.1 para hallar los pesos de los objetivos económico, ambiental y social. Teniendo el vector de pesos, pasamos a comparar al interior de cada objetivo; es decir, para el objetivo económico, compararemos el atributo 1 con el atributo 2, para el objetivo ambiental compararemos el atributo 3 con el atributo 4, y por último el social como sólo depende de un atributo queda con el peso correspondiente a este objetivo (Fig. 13).

Figura 13.Ponderación AHP. Así, se tendrán que llevar a cabo tres procedimientos diferentes de AHP: el primero para hallar los pesos relativos de cada objetivo; el segundo para hallar la importancia relativa de los atributos 1 y 2 dentro del objetivo 1; por último, el tercero es para hallar la importancia relativa de los criterios 3 y 4 dentro del objetivo 2 (Porciones del peso)(Yang & Shi, 2002).

Pasó 6: Aplicación del método VIKOR–

Para la aplicación del método multi-objetivo VIKOR procede a seguir los mismos pasos previstos en el apartado 3.3.1 para cada una de las combinaciones encontradas mediante el algoritmo interno propuesto. El resultado que se espera es una lista ordenada de todas las combinaciones donde se indique cuales son las mejores según las preferencias del decisor.

4. ESTUDIO DE CASO – COLOMBIA.

Colombia, como país oferente en energía, cuenta con importantes reservas de carbón, reservas limitadas de petróleo y gas natural, pero se encuentra en una franja donde la dotación de recursos energéticos renovables es prometedora, SWERA (http://swera.unep.net/) y EPIA (http://www.epia.org/) Op- timizar las opciones energéticas de la nación, es un ejercicio fundamental para ampliar gama de alternativas y recursos naturales que conforman el país. Además, mientras que el país es una fuente modesta de las emisiones de gases de efecto invernadero, el país es muy consciente de la necesidad de plantear un desarrollo energético bajo en emisiones de carbono, esto debido a su vulnerabilidad a los impactos causados por el calentamiento global según los informes del Proyecto de Adaptación Nacional Integrado del Banco Mundial, 2006.

La vulnerabilidad del recurso hídrico antela presencia del fenómeno del niño (ENSO) en Colombia, como causa del cambio climático(Bradley, Vuille, Diaz, & Vergara, 2006) y dada la alta participación que tiene la hidroelectricidad, cerca del 80% en la matriz energética proyectada para el 2018, pre- vén acciones complementarias por el desabastecimiento de agua, en primera instancia para consumo humano y en segundo lugar para generación de energía eléctrica en las regiones Caribe y Andina. Esto incrementaría los costos de provisión y generación eléctrica, y en algunos casos podría oca- sionar conflictos por su uso. Panorama 2011-2100 (IDEAM, 2010).

La participación de las fuentes de energía renovables no convencionales en Colombia, es muy baja, solo un 0.23% de la generación eléctrica total. Va- rios elementos son necesarios y urgentes para evaluar el recurso renovable: medir el potencial, cuantificar los volúmenes de explotación y analizar los escenarios de prospección energética, identificando cuales será los mejores y los óptimos, para asegurar un suministro energético confiable buscando equilibrio en la participación de las energías renovables en la matriz energética. Este es el reto de aplicación de MODERGIS en el caso Colombia y se espera al terminar esta investigación una solución alternativa a la actual. 4.1. ENERGIS ENERGIS basado en la aplicación de sistemas de información geográfica - SIG, como herramienta básica de análisis espacial y territorial que permiten de manera fácil y dinámica, planear, potenciar, almacenar, indagar y visualizar datos e información, sobre energía renovables, solar, eólica, biomasa y cultivos energéticos realizando el análisis espacial y temporal, que pueda ser utilizada para en el cambio de la estructura de oferta energética, siendo coherente con los módulos de ENERDEM y ENERSOS.

4.1.1. Objetivo del Modelo

El objetivo del modelo de ENERGIS, es la de identificar el potencial de los recursos energéticos renovables no convencionales en Colombia, de manera espacial y con especial énfasis en la energía solar, la energía eólica, la den- droenergía, biomasa, biocombustibles, buscando ofertar nuevas fuentes energéticas y poder ser incluida en la matriz energética Nacional, logrando evitar posibles y desagradables desabastecimientos.

La premisa será la sostenibilidad ambiental, social y económica, para esto será necesario excluir zonas que por su valor ecológico, ambiental, cultural, económico o normativo no puedan ser ocupadas para la realización de estos proyectos. Se utiliza las herramientas de los sistemas de información geo- gráfica y para su integración con los recursos renovables, con el fin de explicar, focalizar y determinar el mejor modelo que se utilizaría para la poten- ciación de las fuentes renovables de energía para Colombia.

4.1.2. Área de Estudio.

El área de estudio, para la aplicación del ENERGIS será en la parte continental de la República de Colombia, el cual está ubicada desde los 4º 13´ 30" de latitud sur, hasta los 12º 27´ 46" de latitud norte; y desde los 66º 50´ 54" al occidente del meridiano de Greenwich por el oriente, hasta los 79º 0´ 23" del mismo meridiano por el occidente (Instituto Geográfico Agustín Codazzi IGAC, 2007)

Sus límites territoriales de ubicación geográfica por el Norte, llega hasta los 12°26’46’’ de latitud norte en el sitio denominado Punta Gallinas en la penín- sula de la Guajira, que a su vez, constituye el extremo septentrional del continente suramericano. Por el sur, el territorio llega hasta los 4°12’30’’ de latitud sur, en el sitio donde la quebrada San Antonio vierte sus aguas al cauda- loso río Amazonas. El extremo Oriental se localiza a los 60°50’54’’ de longitud oeste de Greenwich, sobre la isla de San José en el río Negro denominado río Guainía, frente a la Piedra del Cocuy, límite común entre las repú- blicas de Colombia, Brasil y Venezuela. Por el Occidente llega hasta los 79°02’33’’ de longitud oeste de Greenwich, que corresponden al Cabo Man- glares en la desembocadura del río Mira en el Océano Pacífico. El territorio colombiano, también comprende el archipiélago de San Andrés y Providen- cia, diseminados en el mar Caribe entre los 12° y 16°30’ de latitud norte, y los 78° y 82° de longitud oeste de Greenwich, cuyas islas principales son las de San Andrés, Providencia y Santa Catalina.

Adicionalmente, en el Caribe se localizan isla Fuerte y los archipiélagos de San Bernardo y del Rosario; así como las de Barú y Tierra bomba, próximas a Cartagena, las cuales se encuentran unidas al continente. En el Océano

Pacífico se encuentra la isla de Malpelo a los 3°58’ de latitud norte y 81°35’ de longitud oeste, así como, las islas Gorgona y Gorgonilla más próximas a la línea costera.

Se localiza al noroeste de Sur América. Limita por el norte con la República de Panamá y el mar Caribe, por el Oriente con las Repúblicas de Venezuela y Brasil, por el sur con Perú y Ecuador, y por el occidente con el océano Pa- cífico. Colombia tiene 1.141.748 km² de superficie continental, sumadas las aguas marinas y submarinas la extensión es de 2.070.408 km2. 4.1.3. Base de Datos SIG.

La base de datos utilizada para ENERGIS es la Cartografía oficial para Co- lombia obtenida en el Instituto Geográfico Agustín Codazzi a escala 1:500.000, además de algunos mapas temáticos que se relación Así: • Mapa Digital de Terreno o Elevación - MDT • Cartografía Básica Político - Administrativa. o Municipios o Departamentos o Centros poblados o Cuerpos de agua o Usos del suelo. • Mapa de Infraestructura o Eléctrica o Petrolera • Red Vial • Hidrografía. • Topografía. • Mapas de temáticas Ambientales o Áreas Protegidas o Parque Nacionales o Zonas de Páramo o Resguardos Indígenas o Comunidades Afro descendientes • Mapa de Radiación Solar. • Mapa de velocidad y dirección de vientos • Mapas de factores Naturales. o Capacidad agrológica del Suelo o Cobertura Vegetal o Cultivos. o Precipitación. • Normativa Legal.

El modelo incorporó información base de los departamentos, municipios, centros urbanos, reservas forestales, parques naturales, ríos y grandes cuerpos de agua (véase Figura 14). Adicionalmente los atlas de viento (Colombia., 2006)y radiación solar del IDEAM(Colombia., 2005). Esta in- formación tenía como objeto establecer, primero, un marco de análisis y de

99 referencia espacial y, segundo, establecer las restricciones iníciales, es decir, aquellas zonas en las cuales no es posible desarrollar proyectos energé- ticos.

La identificación de aptitudes en los análisis requiere adicionalmente identificar la ubicación de otras restricciones de índole ambiental, especialmente las ligadas a las zonas de reserva natural o de restricción ambiental, en este sentido fue necesario identificar la ubicación y extensión de Parques Nacio- nales y zonas de reserva, como por ejemplo las asociadas a los páramos. Por esto se obtuvo el mapa topográfico ráster de Colombia, el mapa de áreas protegidas complementado con la información consignada en la pági- na del Ministerio del Medio Ambiente. Igualmente se define como referencia espacial de los análisis para Colombia, el Sistema Transverse Mercator UTM, con origen de coordenadas observatorio de Bogotá y medidas en metros. 4.1.4. Parámetros de Análisis

Una vez obtenidas las fuentes básicas se procedió a determinar los paráme- tros que regirían los análisis espaciales. Los cuales de acuerdo con la escala de las fuentes de análisis, en el caso de las fuentes vectoriales, y la defini- ción del tamaño de celda en el caso de las fuentes ráster se procedió a definir los siguientes parámetros:

• Mascara de Análisis: Polígono oficial de límites de la República de Colombia • Tamaño de Celda para análisis ráster: 500 m * 500 m • Sistema de Referencia: Universal Transverse Mercator UTM con origen de coordenadas Bogotá.

100

Figura 14.Cartografía Básica IGAC.

101

Figura 15. Zonas de reserva Natural en DTM El mapa digital de terreno DTM, presenta los parques naturales nacionales confrontados con los metros sobre el nivel del mar – msnm, a los que se encuentran ubicados, en este caso esta entre 0 msnm y 5568 metros. 4.1.5. Criterios de zonas excluidas. Como se menciono en la definición del problema, una de las consideraciones iníciales contemplaba la generación espacial de un plantilla que indicara

102

aquellas zonas en las cuales no es posible desarrollar proyectos de energé- ticos, debido a restricciones de tipo ambiental, físico, cultural y económico. Estos criterios de exclusión se presentan en la tabla 1 y adicionalmente, a la zonificación de cada uno de estos elementos, se les genero un buffer (zona de proximidad) de 200 m buscando que si el elemento espacial existe, así sea pequeño, la celda en la cual este presente se invalide para el resto de los análisis. Este criterio también contempla la consideración que como estrategia de gestión los ríos cuerpos de agua poseen un área de retiros, las zonas de reserva poseen un cinturón de amortiguamiento y las zonas pobladas poseen un área de expansión que debe ser respetada a futuro. El resultado de este proceso se ilustra en la Figura 15.

Tabla 1.Criterios de exclusión de zonas.

FACTORES PROCESOS Zonas de reserva Conversión de polígonos a ráster Áreas Urbanas con los parámetros definidos. Zonas de Comunidades Indígenas. Zonas de Comunidades Afro-descendientes Cuerpos de agua. Ley 2ª (Reservas Selección de declaratorias y Con- Forestales) versión de polígonos a ráster con los parámetros definidos

• Zonas de protección de pa- Selección en el modelo digital de ramos elevaciones de los valores Z > 2.800

Teniendo en cuenta que para el proceso de eliminación y selección de las mejores alternativas, es necesario utilizar modelos que permitan, que a través de sus resultados garantice que se respetan las restricciones. Se genera una plantilla en la cual se analiza la posibilidad de obtener el potencial de proyectos de energías sostenibles, excluyendo aquellas zonas que por interés económico, ecológico o normativo no pudieran ser utilizadas por este tipo de proyectos. Por lo tanto se basa en el principio de técnicas no compen- satorias, Primer rechazo Conjuntivo, denominado reglas de decisión, la cual se excluyen zonas urbanas, cuerpos de agua, las zonas de protección de para- mos, las zonas de reservas naturales, los territorios habitados por comunidades indígenas y Afro-descendientes y las de afectación de ley 2ª de Reservas Fo- restales. La fusión de estas aéreas constituiría una frontera para los análisis posteriores, esta frontera en conjunto con el acotamiento de las fronteras nacionales definirán al área de análisis (Fig. 16).

103

Figura 16. Mapa de exclusión de Áreas. Los resultados obtenidos fueron ensamblados en una sola matriz (I/O: Entradas Salidas) en la cual las áreas restringidas reciben un valor 0 en rojo y las áreas disponibles reciben un valor 1 en verde, este tipo de matrices acostumbran lla- marse “matrices de decisión booleana”. Esto permite que a través de instrucciones SQL o con operaciones de algebra de mapas, se garantice que una ac- 104 ción se dará únicamente en aquellos sitios en los cuales se respetan las restricciones. Los resultados se presentan en la figura 17.

Figura 17. Mapa resultados exclusiones Es importante mencionar que alguna de las zonas que se presentan como restringidas tienen un buen potencial en el caso de la energía solar y eólica en la Guajira, pero debido a se encuentra en uno de los parámetros de sostenibilidad como resguardo indígena, debe realizar consultas previas para poder desarro-

105 llar alguna actividad energética. Esto mismo ocurre cuando hay superposición áreas pobladas, es necesario excluirlas pero por cercanía aparecen como zonas atractivas para un suministro energético.

4.1.6. Potencialidad de cultivos.

Cuando se cumple con la fase de recopilación y organización de la información, unificación de referencias espaciales, parametrización de tamaños de celda y salidas de los análisis, se procede a modelar las variables y fenómenos asociados al problema del estudio, es decir la identificación de las zonas potenciales para el desarrollo de energías sostenibles basadas en los agrocombustibles (palma africana, caña de azúcar, jatropha, maíz, banano) y dendroenergía (Biomasa forestal sostenible), así como en las potencialidades basadas en energía solar y eólica, como se muestra en la tabla 2.

Tabla 2. Fuentes energéticas modeladas con MODERGIS

BIOCOMBUSTIBLES OTRAS FUENTES Maíz Energía Solar Caña de azúcar Energía Eólica Banano Palma oleaginosa Jatropha Biomasa Forestal

El procedimiento para identificación la factibilidad para los cultivos energéticos precursores de Biocombustibles, se definieron los siguientes criterios de selec- ción: • Piso Altitudinal • Precipitación. • Calidad del suelo. Composición química suelo • Proximidad a vías. (Solo para Biocombustibles) Para cada cultivo se evalúa la calidad de suelo necesaria, como suelos profundos, permeables, con buena disposición de nutrientes, buena capacidad de retención de agua, libre de inundaciones o encharcamientos, poca pendiente, textura franca o sus combinaciones, tipo de pH, temperatura ideal y altura en metros sobre el nivel del mar, además de la precipitación en mm y luminosidad que es necesaria para cada especie.

106

Dado que los análisis se dan a una escala macro, no es posible determinar una coincidencia de detalle en todas las condiciones, pero si una regionalización de la factibilidad en donde confluyen los criterios que hacen posible la presencia del evento. Una vez obtenidas las fuentes de información que definen la distribución espacial de la factibilidad para desarrollar una fuente de combustibles basados en biomasa, se procede a generar las consultas que mostrarán cuantas unidades de superficie(i)hay de una determinada fuente en un departamento (j),esta operación se realiza por medio de operaciones recurrentes (para cada fuente) de estadísticas espaciales utilizando como matriz el mapa de la fuente energé- tica y como plantilla de consulta al mapa de polígonos que definen los departamentos. Esta operación reporta las estadísticas principales de las celdas que se encuentran contenidas en las fronteras del polígono, aplicando la ecuación del número total de celdas, por el valor en unidades (metros) de cada celda y relacionado su valor con la unidad resultante. Todo este procedimiento se de- sarrolla por cultivo o recurso explicado paso a paso en los siguientes numerales. 4.1.6.1. Análisis del cultivo de Maíz.

Como se menciono anteriormente este cultivo puede desarrollarse en suelos profundos, permeables, con buena disposición de nutrientes, buena capacidad de retención de agua, libre de inundaciones o encharcamientos; poca pendiente; textura franca o sus combinaciones y con un pH de 5.5 a 7.0. La temperatura ideal está entre 24-26 °C (600-1200 msnm) y la precipitación debe ser superior a 450 mm bien distribuidos durante el ciclo de desarrollo (http://www.agronet.gov.co/). Dado que los análisis se dan a una escala macro, no es posible determinar una coincidencia de detalle en todas las condiciones, pero si una regionalización de la factibilidad en donde confluyan los parámetros que hacen posible la presencia del evento, ver figura 18 y 19.

a. Piso Altitudinal

La variable temperatura o piso Altitudinal puede obtenerse del modelo digital de elevaciones MDE ajustado y corregido, a través de una selección para el rango h > 600 y h < 1200, el resultado es la determinación de la factibilidad del cultivo de maíz en Colombia considerando un rango Altitudinal especifico.

107

Figura 18. Factibilidad maíz por piso Altitudinal b. Precipitación.

Se hace el análisis para la precipitación, se toma el mapa de precipitación media anual de Colombia y se sobrepone y se estudia donde la precipitación es mayor que p > 450 mm, como se puede observar, para este cultivo, variable no es critica ya que en casi todo el territorio nacional el valor de precipitación su- pera el valor del umbral, de 450 mm. Como se presenta en la figura 20, las salidas positivas (SI = 1) se ilustran en verde y salidas negativas (NO = 0) se ilustran en rojo, o zonas que cumplen con este requerimiento. Esta designación en colores simboliza toda la carto- grafía resultante y se conservaran a lo largo de este texto.

108

Figura 19. Factibilidad maíz por precipitación c. Calidad de Suelos

Finalmente la evaluación de los suelos no es tan obvia como en los casos anteriores, en tal sentido es necesario hacer una consulta espacial sobre el mapa de suelos general de Colombia, en esta consulta se investiga que áreas presentan las condiciones desfavorables, especialmente en lo pertinente a inunda- ción, encharcamiento y altas pendientes. Como la fuente es vectorial, esta consulta se realiza mediante una instrucción del tipo Structured Query Language– SQL, teniendo en cuenta que el resultado es trasformado al formato ráster usando la codificación 1/0 de acuerdo a si el suelo es apto o no para el cultivo en mención.

109

Figura 20.Mapa resultado Áreas Potenciales para Maíz. Estas tres propiedades deben ser combinadas para encontrar la aptitud de una determinada zona para el desarrollo del cultivo, es decir aquellas áreas donde se interceptan las tres propiedades. Como las fuentes se trabajan usando el formato ráster, la intercepción se obtiene a través de la multiplicación de las fuentes de tal forma que una celda solo obtiene el valor de 1 si es 1 en todas las dimensiones, ya que la presencia de un solo cero la anularía. Para finalizar este resultado preliminar, es necesario multiplicar con la matriz de exclusiones que tiene todos los criterios ecológicos, culturales, normativos y económicos, de unos y ceros igualmente, y así se obtiene finalmente el mapa de aptitud del cultivo de maíz en Colombia considerando las zonas excluidas o criterios de sostenibilidad. El resultado se muestra en la Figura 20.

4.1.6.2. Cultivo de Caña de Azúcar.

Para este cultivo se sigue el mismo procedimiento metodológico, lo único que cambia son las condiciones de entrada de las características propias del cultivo de caña, con unas condiciones generales de: una altura apropiada entre 500 y

110

1500 msnm, una precipitación anual de 1500 a1700 mm y suelos aluviales con texturas franco-arcillosas y bien drenados (http://www.agronet.gov.co/). El procedimiento es similar al ejecutado con el maíz, solo se requiere cambiar los rangos en las consultas de altura y precipitaciones y reutilizar el mapa de suelos, de MDE y de precipitación. Los resultados se observan en la figura 21.

Restricción por Altura Restricción por precipitaciones

Restricción por Suelos Zonas factibles para el cultivo Figura 21.Cultivo sostenible de caña de azúcar.

111

4.1.6.3. Cultivo de Palma Oleaginosa.

Las condiciones para el cultivo de palma africanas en suelos son los volcáni- cos y arcillas aluviales y marinas de zonas bajas (por debajo de los 500 msnm), de buena permeabilidad y bien drenados; requiere precipitaciones de 2000 mm o más distribuidos a lo largo del año, sin estaciones secas muy pronunciadas y clima cálido de temperatura entre 22 y 29 °C. Agro cadenas (2008). Se observa en la figura 22la simulación del cultivo de la palma oleaginosa.

Restricción por Altura Restricción por precipitaciones

112

Restricción por Suelos Zonas factibles para el cultivo

Figura 22.Cultivo sostenible de Palma Oleaginosa.

4.1.6.4. Cultivo de Banano.

Para éste cultivo se considero una altitud de siembra desde el nivel del mar hasta los 2000 msnm; precipitaciones de 1200 a 2000 mm anuales y suelos que no sean susceptibles a inundaciones. Se observa la simulación completa en la figura 23.

113

Restricción por Altura Restricción por precipitaciones

Restricción por Suelos Zonas factibles para el cultivo Figura 23. Cultivo sostenible de Banano

4.1.6.5. Cultivo de Jatropha.

Este cultivo no reporta ninguna condición adversa en precipitaciones, suelos o pisos altitudinales, su uso se recomienda en suelos pobres o deteriorados y climas desérticos a cualquier altura (Píñón, 2007). Al estar ausentes estos tres condicionantes, el mapa de factibilidad será la misma matriz de restricciones

4.1.6.6. Proximidad Vial.

Una vez definidas las primera exclusiones y teniendo los potenciales prelimina- res de las alternativas, se hace un análisis con variables espaciales para identificar regionalmente, departamentos o municipios, la disponibilidad o acceso que tendrían las materias primas solamente para biocombustibles, si se producen in situ y se analiza que otro uso puede darse a los excedentes, si es la ex- portación u otro uso que por su proximidad a los medios de transporte para lo cual se establece los siguientes escenarios:

Para el caso de los agrocombustibles el excedente puede ser expor- tado como producto a través de diferentes vías terrestres férreas, fluviales o marítimas. Véase figura 24.

114

Los aceites combustibles y etanol pueden transportarse como mezclas a través de poliductos

Para energías solar y eólica que puede generar energía eléctrica de manera local, podría ser consumida en situ o ser evacuada a través de las líneas de interconexión eléctrica.

Tomando las áreas aptas y que estén localizadas cerca de un medio de transporte terrestre, carretera, ferrocarril o fluvial, se realiza un análisis condicional, bajo un matriz de decisión booleana, en donde se toma como restricción una distancia de mayor de cinco kilómetros de una vía. En tal sentido serán zonas aptas aquellas celdas que se encuentren con valores menores o iguales a diez km. Los valores mayores de diez km. no se tendrán en cuenta como aptas. Se realizo el ejercicio para vías terrestres férreas y fluviales con la información disponible de la infraestructura actual figura 26.

Figura 24. Red Vial Terrestre

115

4.1.7. Dendroenergía Biomasa Forestal

El análisis de esta fuente considero la selección de las coberturas boscosas o arbustivas que permitieran identificar la “posibilidad” de obtener esta fuente de biomasa, Como la fuente es vectorial, esta consulta se realiza mediante una instrucción SQL en selección por atributos.

Una vez obtenidas las fuentes de información que definen la distribución espacial de la factibilidad para desarrollar una fuente de combustibles basados en biomasa, se procede a generar las consultas que mostraran cuantas unidades de área hay de una determinada fuente de un departamento , esta operación se realiza por medio de operaciones recurrentes (para cada fuente) de estadísticas espaciales utilizando como matriz consultada al mapa de la fuente energética y como plantilla de consulta al mapa de polígonos que definen los departamentos, se muestra en la figura 25. el resultado de la modelación sostenible de dendroenergía.

Figura 25.Dendroenergía Sostenible Esta operación reporta las estadísticas principales de las celdas que se encuentran contenidas en las fronteras del polígono. Los valores así calculados

116 se almacenan en una tabla síntesis que representa el área factible para cada fuente energética y su localización para cada departamento.

Tabla 3. Síntesis Áreas Potenciales Factibles.

Simulación Potencial de AREAS factibles (km2) para cada fuente NOMBRE TOTAL Biomasa Palma Azúcar Banano Maíz Jatropha ANTIOQUIA 63.798 12.561 10.168 483 9.336 9.813 55.657 ATLANTICO 3.369 2.377 0 0 1.178 0 3.005 CUNDINAMAR 24.307 197 1.770 857 5.922 3.321 17.748 BOLIVAR 25.999 6.483 5.306 90 6.632 3.091 24.316 BOYACA 22.932 2.003 1.034 73 596 2.099 13.205 CALDAS 7.554 748 889 33 737 1.727 6.430 CAQUETA 89.902 2.302 52.484 0 0 3.083 72.112 CAUCA 29.265 3.551 1.180 948 3.555 3.377 16.282 CESAR 22.943 405 2.261 1.029 15.319 2.137 20.648 CORDOBA 25.023 1.280 1.187 0 12.196 133 20.324 CHOCO 46.206 901 2.781 0 0 702 6.757 HUILA 19.948 5.160 0 1.132 10.841 4.533 17.469 GUAJIRA 20.971 2.334 81 77 5.079 835 8.416 MAGDALENA 22.946 198 165 197 12.847 661 17.779 META 84.844 58 50.459 0 841 3.396 67.404 NARIÑO 31.757 6.020 5.416 298 2.284 2.085 17.061 NORTE DE SAN 21.424 410 1.909 658 5.255 3.086 17.364 QUINDIO 1.746 1.433 0 38 269 136 1.296 RISARALDA 4.007 1.652 0 148 658 655 3.044 SANTANDER 30.438 4.971 5.134 352 4.025 3.739 27.070 SUCRE 10.922 341 338 0 4.118 0 10.544 TOLIMA 23.304 443 798 1.533 9.225 4.796 18.734 VALLE DEL CAU 21.780 16 705 1.721 6.115 5.231 13.936 ARAUCA 23.852 570 7.888 0 1.984 539 21.320 CASANARE 44.692 1.407 18.815 0 1.131 1.559 42.100 PUTUMAYO 25.046 1.502 11.098 0 45 1.010 18.246 AMAZONAS 108.891 0 22.922 0 0 0 28.577 GUAINIA 70.213 3.922 6.240 0 0 0 7.953 GUAVIARE 55.198 3.977 30.495 0 0 116 35.546 VAUPES 52.845 0 11.600 0 0 0 13.698 VICHADA 99.677 848 38.363 0 14.635 0 66.578 Total 1.135.799 68.066 291.486 9.667 134.823 61.860 710.619

Fuente: Calculo propios

La tabla 3 se obtiene generando una relación 1 a 1 entre cada resultado del análisis espacial y la tabla que acompaña la fuente de datos espaciales de los departamentos, usando como campo de identificación y relación el nombre y código del departamento presentando las áreas factibles en Km². Es importante resaltar que la suma de todas las áreas factibles no va a coincidir con el área total de cada departamento, debido a que cada departamento puede ser apto para diferentes cultivos.

117

4.1.8. Energía Solar

Para el cálculo de radiación solar en condiciones ideales, topografías planas y ausencia de nubes, la radiación solar incidente depende solamente de la latitud a la cual se encuentra el área analizar y la época del año en la cual hagamos el estudio. En el caso de Colombia esto indicaría que se debería calcular esta variable considerando todos los transectos de celdas entre los 4,2º de latitud Sur y 12,5º de latitud Norte, considerando las variaciones del ángulo de incidencia durante el año solar e incluyendo el efecto de la topo- grafía que en nuestro caso es una variable relevante en muchas regiones (http://www.nrel.gov/solar/).

Por tal motivo se recurrió al algoritmo Radiación Solar Areal el cual a partir de un modelo digital de elevaciones (ráster) calcula las variables Horas de Brillo Solar, Radiación Solar Directa, radiación Solar Difusa y Radiación So- lar Total. Los parámetros con los cuales se corrió el modelo fueron:

Modelo topográfico Base: DTM con tamaño de celda 500 m Periodo de Cálculo: Un año solar (2008) Totales parciales: cada 14 días Pasos del tiempo: 0,5 horas

El modelo, de acuerdo a las capacidades computacionales arrojo los resultados que se ilustran en el capítulo de resultados, que se presentan en la figura 26 expresado en totales anuales como Kwh/m2 por día. A pesar de que los resultados obtenidos son buenos y cuentan con una definición espacial y temporal adecuada, queda por definir el efecto de la nubosidad, ya que como puede observarse la ausencia de nubosidad en el caso teórico produce magnitudes muy altas en regiones, como por ejemplo el Choco, donde se sabe que la radiación es fuertemente atenuada por la nubosidad.

Para tratar de obtener una estimación de este parámetro se tomaron las me- diciones de horas de brillo solar reportadas por el IDEAM en el atlas de ra- diación solar y climatológico de Colombia(Colombia., 2005). En este atlas se tabuló las treinta y cuatro (34) estaciones, especialmente las estaciones ubicadas en los aeropuertos del país. Se genera un mapa de ubicación de las mismas, el cual se usó para comparar los valores modelados vs valores medidos y a partir de allí se determinó un factor de re-escalamiento que sirve de factor de corrección tal como observa en la tabla 4.

118

Figura 26. Radiación Solar Totales Anuales

119

Tabla 4.Brillo Solar medido vs calculado y factor de corrección.

NOMBRE MUNICIPIO ELEV LONG LAT Med. Med. DELTA % Factor Diaria Diaria Corrección Medida Calculada Apto Vásquez Cobo Leticia 84 ‐69,950 ‐4,150 5,1 6,1 1,1 0,17 0,83 Apto Olaya Herrera Medellín 1490 ‐75,600 6,217 5,3 7,0 1,8 0,25 0,75 Apto Arauca Arauca 128 ‐70,733 7,067 6,3 6,1 ‐0,2 ‐ 1,03 0,03 Apto E Cortissoz Soledad 14 ‐74,783 10,883 7,1 6,1 ‐1,0 ‐ 1,17 0,17 Obs Met Nacional Bogotá 2556 ‐74,100 4,633 4,1 7,6 3,5 0,46 0,54 Apto Eldorado P1‐2 Bogotá 2547 ‐74,150 4,717 4,5 7,9 3,4 0,43 0,57 Apto Rafael Núñez Cartagena 2 ‐75,517 10,450 7,2 6,0 ‐1,2 ‐ 1,20 0,20 U P T C Tunja 2690 ‐73,367 5,567 5,5 8,1 2,6 0,32 0,68 Apto La Nubia Manizales 2080 ‐75,467 5,033 4,3 7,4 3,1 0,42 0,58 Apto G Artunduaga Florencia 244 ‐75,533 1,600 4,3 6,3 2,0 0,32 0,68 Apto Yopal Yopal 325 ‐72,400 5,333 5,3 6,2 0,9 0,14 0,86 Apto G L Valencia Popayán 1730 ‐76,583 2,433 4,5 7,2 2,7 0,37 0,63 Apto Alfonso López Valledupar 138 ‐73,250 10,433 7,4 6,1 ‐1,3 ‐ 1,22 0,22 Univ de Córdoba Montería 15 ‐75,867 8,800 5,9 6,1 0,2 0,04 0,96 Apto El Caraño Quibdó 53 ‐76,617 5,717 3,6 6,0 2,5 0,41 0,59 Pto Inírida Inírida 100 ‐67,917 3,833 5,2 6,1 0,9 0,15 0,85 San José Guaviare S.J Guaviare 165 ‐72,633 2,583 4,5 6,2 1,7 0,28 0,72 Apto Benito Salas Neiva 439 ‐75,300 2,967 5,6 6,3 0,7 0,11 0,89 Apto Alm Padilla Riohacha 4 ‐72,933 11,533 7,5 6,0 ‐1,5 ‐ 1,25 0,25 Apto Simón Bolívar Santa Marta 4 ‐74,233 11,133 8,2 6,0 ‐2,2 ‐ 1,36 0,36 Apto Vanguardia Villavicencio 423 ‐73,617 4,167 4,4 6,3 1,9 0,30 0,70 Apto Antonio Nari‐ Pasto 1796 ‐77,267 1,417 5,5 7,0 1,4 0,20 0,80 ño Apto Camilo Daza Cúcuta 250 ‐72,517 7,933 6,2 6,3 0,2 0,03 0,97 Mocoa Acueducto Mocoa 540 ‐76,633 1,117 3,0 6,3 3,3 0,53 0,47 Apto El Otún Armenia 1204 ‐75,767 4,450 5,1 6,8 1,7 0,26 0,74 Apto Matecaña Pereira 1342 ‐75,733 4,817 5,3 6,9 1,6 0,23 0,77 Apto El Embrujo Providencia 1 ‐81,350 13,367 7,2 7,2 0,0 ‐ 1,01 0,01 Apto Sesquicente‐ San Andrés 1 ‐81,717 12,583 7,4 7,3 ‐0,1 ‐ 1,01 nario 0,01 Univ Ind Santander Bucaramanga 1018 ‐73,100 7,133 4,1 6,8 2,7 0,39 0,61 Apto Rafael Bravo Corozal 166 ‐75,283 9,333 5,8 6,2 0,4 0,06 0,94 Apto Perales Ibagué 928 ‐75,150 4,433 5,4 6,6 1,2 0,18 0,82 Apto A Bonilla A Palmira 961 ‐76,383 3,550 5,4 6,6 1,2 0,18 0,82 Apto Mitú Mitú 207 ‐70,233 1,267 4,0 6,2 2,2 0,36 0,64 Apto Pto. Carreño Puerto Carreño 50 ‐67,483 6,183 6,3 6,1 ‐0,2 ‐ 1,03 0,03 Fuente: Elaboración Propia.

Con este factor se buscaba introducir la interceptación debida a la nubosidad y otros aerosoles en la atmósfera que disminuyeran las horas efectivas de 120 exposición, al igual que identificar aquellas zonas en las cuales el modelo teórico subestima la variable. Esta razón fue interpolada utilizando el algoritmo gravitacional peso proporcional al inverso de la distancia Inverse Dis- tance Weighting IDW, para obtener un factor de corrección con el cual se co- rrige la radiación total obtenida del modelo hipotético.

En la figura 27 se muestra los resultados de la modelación y el re- escalamiento superando la interceptación de la nubosidad, reflejada por la zona de confluencia intertropical ZCIT en la que está ubicada Colombia. Este fenómeno influye en la disminución de las horas efectivas de brillo y radia- ción especialmente la radiación directa. En la parte izquierda se muestra el mapa con los factores de corrección y a la derecha el mapa de radiación con el re-escalamiento.

Factor de Corrección Radiación Solar Corregida Figura 27. Modelación ENERGIS Radiación Solar Corregida Una vez determinado el potencial real de radiación solar por región y localidad, inicia el planteamiento para calcular un potencial solar aprovechable en energía eléctrica mediante paneles fotovoltaicos.

Primero se definió el criterio de uso de la radiación solar, al tomar del criterio de la radiación media anual global(Luque & Hegedus, 2011), que según la EPIA el dimensionamiento de estructuras solares debe tener como límite inferior de radiación media anual global de 5kWh/año, al comparar con el mapa de radiación corregida observamos, figura 27, que el 30.76% del territorio

121

nacional cumple este requisito, para efectos de esta investigación se trabajó con criterio conservador y solo se toma un 1% del territorio que cumple este propósito. Para cálculo de la potencia nominal de los módulos fotovoltaicos se refiere a las condiciones estándar de medida, STC, de 1000 W/m² de irradiación de incidencia normal con un espectro normalizado AM1.5G y temperatura de célula de 25ºC. y se selecciona el panel Isofoton 250 ISF – 250, para un resultado parcial de 349, 4 GWp de potencial.

4.1.9. Energía Eólica

Colombia se ubica geográficamente entre el Trópico de Cáncer y el Trópico de Capricornio, sometida a los vientos alisios que soplan del noreste en el hemisferio norte y del sureste en el hemisferio sur, aunque el país no tiene siempre estas direcciones. Las fronteras y áreas de influencia inmediata son el Atlántico tropical por el norte, el Pacifico ecuatorial por el oeste, zona andina del Ecuador y la vertiente sur del Amazonas por el sur y los Andes y llanos venezolanos con el norte brasileño por el este. El estado del Atlántico tropical es un factor en nuestro clima a través en el clima de Brasil. Ocasionalmente hay frentes de latitud media tanto del hemisferio sur como del norte, la posición de las respectivas corrientes de chorro en ambos hemisferios y la intensidad y posición de los centros de alta presión sobre Atlántico y Pacífico en ambos hemisferios son factores extra tropicales a considerar. Más hacia el este se tiene las perturba- ciones tropicales del este que se originan en África. Y más hacia el oeste se tiene la influencia del Pacífico que alcanza el Índico y la zona de monzones en el subcontinente índico y el sureste asiático (Mesa, O., Poveda, G., & Carva- jal, L., 1997). Se caracteriza por tener extremos climáticos, que van desde las zona más seca en el extremo norte de la Guajira, donde son más fuertes los vientos, hasta zonas con la mayor pluviosidad del planeta en la costa Pacifica; y lugares muy cálidos a glaciares muy fríos. Además de los factores generales de la circulación global y del cambio en la posición aparente del sol durante el año, la topografía, la convección profunda, la cercanía de las costas y la vegetación son factores principales que gobiernan el clima local en los trópicos, dado que la circulación general es débil en gra- dientes de presión, temperatura, humedad y en velocidad del viento. Colombia por estar en las proximidades del ecuador, la fuerza de Coriolis, que es muy importante en el campo del viento, se hace muy pequeña, y por eso lo vientos están influenciados fuertemente por las condiciones locales y por el rozamiento proporcionado por las irregularidades que presenta la cordillera de los Andes, al ramificarse en tres sistemas que se extienden longitudinalmente lo largo del País. Además de los dos mares, hacen que la dirección y velocidad del viento, varíen en el tiempo y en el espacio. La diferencia en estos comportamientos climáticos en buen grado pueden ex- plicarse con base en el desplazamiento de la zona de confluencia inter tropical – ZCIT a lo largo del año. En la zona de encuero de alisios, el desplazamiento

122 del aire se hace más lento mientras que a mayores distancias de esta áreas el movimiento se hace más veloz. En relación con la información para la conformación del Atlas de Viento y Ener- gía Eólica para Colombia, es importante resaltar que de las 418 estaciones me- teorológicas solamente se utilizaron y complementaron por parte del IDEAM, 101 estaciones con información de 11 años de registros hasta el año 2000. Es- ta información fue conformada para uso agro-meteorológico con alturas de me- dición promedio entre 3 y 10 metros del suelo. Para el desarrollo de ENERGIS en la modelación del potencial del viento y debido a la ausencia de modelos regionales que permitan simular la distribución local a la escala requerida, se procedió a tomar los datos reportados por el IDEAM (Colombia., 2006), distribuidos en 38 estaciones de medida a tomados a 10 metros, con información de datos en medias anuales. Estos datos se pro- cesaron mediante la interpolación utilizando el algoritmo peso proporcional al inverso de la distancia "Inverse Distance Weighting –IDW, herramienta que trae internamente el ARCGIS. La Interpolación es un procedimiento matemático utilizado para predecir el valor de un atributo en una locación precisa a partir de valores del atributo obtenidos de puntos vecinos ubicados al interior de la misma región Es necesario hacer este procedimiento cuando la superficie rasterizada (GRID) tiene una resolución que es diferente de la resolución pedida, cuando una superficie continua es representada por un modelo que es diferente al necesitado, o como en este caso los datos no cubren toda la región de interés de estudio. El método IDW combina la idea de vecindad con la idea de un cambio gradual de las superficies con una tendencia. Se supone que el valor del atributo Z en una posición donde el valor del atributo no es conocido es un promedio de los valores de sus vecinos pero donde los vecinos más cercanos tienen más peso, importancia que los más alejados. Una vez obtenidos los resultados se hace la verificación de los datos del Atlas de Viento y Energía Eólica de Colombia, elaborado por el IDEAM (2006)(Colombia., 2006) y con la Solar and Wind Energy Resources Data for Renewable Energy – SWERA, que contiene información de la media del viento mensual y anual, con resolución de un grado NASA / SSE de velocidad del viento a 50 m sobre la superficie de la Tierra en (m / s). Se muestra en la figura 28 los resultados de la modelación con ENERGIS para determinar las zonas factibles de proyectos eólicos por región y localidad. En la figura 29 se presenta a nivel de información el mapa de vientos de SWERA sobre la velocidad del viento a celdas de 40 Km. por 40 Km., en capas de las regiones de Colombia, con el fin de tener una referencia de comparación.

123

Figura 28. Modelación ENERGIS para vientos en Colombia

124

Figura 29. SWERA Mapa de Vientos Colombia.

Una vez determinada la velocidad del viento en cada región y localidad de País, se propone la identificación del potencial eólico para Colombia aplicando los principios físicos de la teoría de la cantidad de movimiento del aire,

125 como un fluido ideal, sin viscosidad, prácticamente incompresible y por lo tanto con densidad constante y con un movimiento del fluido estacionario. En estas condiciones y observando la transformación que sufre el viento al pasar de energía cinética a energía mecánica y a energía eléctrica, observamos que la potencia del viento (P) es proporcional a la densidad del aire ρ, al área de la sección considerada (A) y al cubo de la velocidad de viento incidente (V³).

El Potencial eólico se calcula basado en asumir las velocidades del viento ya determinadas, la densidad del aire y una área de rotor con diámetro de aspa D= 60 metros, (Nordex N60) de una potencia de 1300 kW, con una disposición entre aerogeneradores de 4Diamteros y 7Diametrosen la direc- ción normal y paralela al viento, y una altura de velocidad de viento a 50 metros, tomado de la asociación Danesa de energía eólica Windpower. El resultado es de un potencial 26 600 MW como producto de aplicar las velocidades del viento, convertir esa energía cinética en energía mecánica y mediante el cálculo matemático de la potencia aplicando previamente el teorema del Límite de Betz y el coeficiente de potencia del fabricante.

Es claro que si se toman referencias de nuevos aerogeneradores con potencia mayor, el potencial es directamente proporcional a la potencia desarrollado por los fabricantes.

4.1.10. Resultados Parciales ENERGIS

En tabla 5 se hace una consolidación de los resultados simulados con ENERGIS y que cumplen con el primer objetivo de la investigación de identificar los potenciales de energía solar, eólica y los cultivos energéticos, precursores de biocombustibles.

Capacidad Fuente Unidad Característica Potencial Energía Solar PV GW 349,4 Solo con (1%) del 30% factible Energía Eólica GW 26,6 Alta Potencia ( 1300 Kw) Dendroenergía km² 68066 Biomasa Forestal (sostenible) Palma de Aceite km² 291486 Africana (Potencial Sostenible) Caña de Azúcar km² 9667 Caña A.(Potencial Sostenible) Banano km² 134823 Banano(Potencial Sostenible) Maíz km² 61860 Maíz (Potencial Sostenible) Jatropha km² 710619 (Potencial Sostenible)

Tabla 5. Resultados Consolidados ENERGIS

Además de los potenciales identificados, es importante resaltar que parte de estos resultados como el potencial solar, el potencial eólico, el potencial de 126 dendroenergía y el bagazo de caña de azúcar entran a ser parte de la infor- mación de oferta en reservas, necesaria que hay que suministrar a ENER- DEM en el modulo de oferta de energía, recursos de energía primaría. 4.1.11. Fuentes Procesadas Se presentan en la figura 30, las ciento seis (106) fuentes finales que fueron procesadas. El número de archivos temporales que se generaron fácilmente puede superar tres veces el número de archivos de las fuentes finales, esto nos indica que los volúmenes de información procesada pueden superar las 400 fuentes.

Figura 30. Fuentes Procesadas. 4.2. ENERDEM

El bloque ENERDEM es el componente donde se realiza los cálculos de la demanda, transformación y oferta de energía., Además construyen los esce-

127 narios energéticos, se encuentra interconectado con los demás componentes de la plataforma MODERGIS y efectúa el análisis integrado del sistema energético propuesto. Se basa en la aplicación del modelo LEAP (Long- Range Energy Alternatives Planning System), caracterizado por ser una herramienta integral de planificación y simulación de escenarios energéticos. Fue desarrollado por en el Instituto de Estocolmo para el Medio Ambien- te(Stockholm Environment Institute, 2008)., Su requerimiento de informa- ción es mínima, no necesita series de tiempo, determina la demanda sectorial y agregada de energía, calcula los procesos de transformación, determina la oferta de recursos energéticos, elabora el balance de energía y ade- más, calcula la emisión de gases de efecto invernadero del panel intergubernamental de cambio climático.- IPCC(UNEP & IEA, 2006).

El LEAP, ha sido adoptado por cientos de organizaciones, en más de 150 países en todo el mundo, por organismos gubernamentales, académicos, organizaciones no gubernamentales, empresas de consultoría, y servicios públicos de energía. Se ha utilizado a diferentes escalas, que van desde las ciudades y estados, hasta las Naciones, Regiones del Mundo. Se está con- virtiendo en el estándar para los países comprometidos en la planificación integrada de los recursos y en las evaluaciones de mitigación de gases de efecto invernadero. Las Naciones Unidas anunciaron, que hay más de 85 países que han utilizado el LEAP como parte de su compromiso de informar a la Convención Marco de Naciones Unidas sobre el Cambio Climático (CMNUCC).

LEAP, es una herramienta que modela escenarios energéticos y ambientales, está basado en la información de los balances energéticos de una zona o región geográfica y permite integrar las variables asociadas a la relación oferta-demanda de energía. Es necesario fijar un año de referencia como año base y permite la simulación de diferentes escenarios de los sectores de oferta y demanda de energía, logrando establecer el comportamiento ener- gético para horizontes de años futuros. Además, identifica problemas potenciales y propone y formula políticas energéticas.

4.2.1. Demanda de Energía.

Para estructurar el sector de demanda de energía, partimos del balance energéticos e información estadística de demanda, oferta y generación de energía eléctrica, de la Unidad de Planificación Minero Energética (UPME), constituyendo los sectores de consumo a los mismos que se encuentran en el balance de energía, permitiendo de esta manera abarcar todas las actividades económicas del país. Se toma como año base el año 2005, teniendo en cuenta que las cifras económicas como Producto Interior Bruto PIB, siempre lleva un rezago en su consolidación y además es muy importante que ese año no presente situaciones atípicas.

128

Posteriormente, se determinan los sectores de demanda que se trabajarán, para lo cual y después de un crítico análisis, se opta los mismos cinco sectores con que cuenta el balance de energía de la UPME (UPME, 2007a)así:

• Sector Residencial, incluye urbano y rural • Sector Industrial, incluye once sub-sectores según codificación CIIU a tres dígitos. • Sector Transporte, incluye el modo carretero público y privado y otras formas de transporte. • Sector Agrícola, incluye actividades de siembra de cultivos y meca- nización de los mismos. • Sector Comercial, incluye oficial y público.

Continuando con el proceso de organización, se conforma la estructura de árbol en cada uno de los sectores de demanda antes mencionados y se ex- tiende hasta los niveles más bajos del que queremos llegar, siempre con la visión prospectiva de constituir escenarios para simular el acceso a nuevas formas de energía, en nuestro caso las energías renovables.

Finalmente se procede a calcular las intensidades energéticas, definidas como la relación entre el consumo de energía en el sector energético (i) y el valor agregado o el valor de la producción del sector económico (j).

4.2.1.1. Sector Residencial

El sector residencial, refiere a los hogares urbanos y rurales del país según el DANE (ENH, 2006). Es importante enfatizar que el balance de energía, no tiene definiciones particulares sobre parámetros poblacionales y se basa en las definiciones de los estudios demográficos disponibles. El esquema que se usó para la construcción del árbol residencial, se divide en nivel urbano y rural, indicando su participación en cada uno. Los consumos totales están en unidades calóricas, julios (Terajoules equivale a 10¹² julios), con el fin de comparar los resultados del modelo LEAP y los del balance de energía de la UPME, garantizando como se había propuesto en la metodología, el ajuste del modelo y la verificación de los resultados en el año base.

Se presenta la estructura del árbol del sector residencial urbano.

Sector Residencial o Urbana • Electrificados o Rural • Electrificados • No Electrificados

La variable explicativa en el sector residencial, es la población. Su participa- ción es del 74.1% para residencial urbano y un 25.9% para residencial rural.

129

El número de hogares reportado por el Departamento Nacional de Estadísti- ca DANE (ENH, 2006) es de 12,9 millones de hogares, y los consumos de este sector son los reportados en el balance energético de la UPME, se consideran dos nuevas subdivisiones, una que hace referencia a los hogares rurales electrificados y la restante a los hogares rurales no electrificados. Para el establecimiento del consumo energético de las subdivisiones, se tomó como base el consumo total en el sector residencial rural y según las actividades de consumo energético, se asoció un consumo a cada uso.

Se describe gráficamente en la figura 31, el flujo de los usos y consumos energéticos del sector residencial indicando su origen si es energía primaria o secundaría y su participación de la fuente de energía en cada uso

ENERGÍA PRIMARIA USO ENERGÍA SECUNDARIA

42,7% 21.9%

100% 1% Cocción 4.5% 94.7% 100% Energía Eléctrica Gas Natural 100%

27.1% Iluminación Gas Licuado de 1.7% Petróleo

1.5% 3.6% Carbón Mineral Agua Caliente Keroseno

1.7% Refrigeración Gasolina Motor

Leña 0.3% Carbón de Leña Otros

Figura 31. Flujo Energético sector Residencial

En la tabla 6,7 y 8 se presenta la distribución del consumo residencial en Te- ra julios (TJ) de cada uno de los sub-sectores de Residencial, Urbano y Ru- ral, tanto del electrificado como no electrificado, especificando el energético asociado y la cantidad de energía consumida por cada una de las actividades de consumo. Para cada tabla de consumo está asociado el flujo de ener- gía que indica con mayor claridad la participación de cada energético en el uso y las posibilidades de sustitución teniendo como patrón de consumo una estructura total de 100%. Tabla 6. Distribución del Consumo Residencial.

130

CONSUMO ENERGÉTICO SEGÚN USOS DEL SECTOR RESIDENCIAL URBANO [TERAJOULES] TJ

USO ENERGÉTICO Agua Cocción Ilumina Caliente Refrigera Otros

Gas Natural 34905,8 352,5 ENERGÍA PRIMARIA Carbón Mineral 894,7 Leña 2834,9

Energía Eléctrica 17936,7 9447,1 9184,2 12928,8 2476,5 Gas Licuado Petróleo 22154 163,7 ENERGÍA Gasolina Motor 1434,8 SECUNDARIA Keroseno 1295,4 Carbón de Leña 131,9

% Participación 70,25 8,13 8,35 11,13 2,13

Fuente: Balance de Energía -UPME. Es de resaltar que también se presenta la participación que tiene cada ener- gético en cada uso, siempre teniendo la visión prospectiva para la construc- ción de escenarios que puedan dar señales de sustitución o penetración de nuevas fuentes renovables de energía

Tabla 7.Consumo Residencial Rural Electrificado.

CONSUMO ENERGÉTICO - RESIDENCIAL RURAL ELECTRIFICADO [TERAJOULES] TJ

USO ENERGÉTICO Cocción Iluminaci Refrigera ENERGÍA Carbón Mineral 1301,7 PRIMARIA Leña 19765,5

Energía Eléctrica 5241,9 1310,5 Gas Licuado Petróleo 1834,2 ENERGÍA Gasolina Motor 255,4 SECUNDARIA Keroseno 91,7 545,1 Carbón de Leña 1181,5 % Participación 77,5 18,4 4,2

Fuente: Balance de Energía - UPME.

131

ENERGÍA PRIMARIA USO ENERGÍA SECUNDARIA

90.6% 5.3% Cocción 80.9% 100% Energía Eléctrica Carbón Mineral

7.5% Gas Licuado de Petróleo Iluminación 0.4%

9.4% Keroseno

1% Refrigeración Gasolina Motor Leña

4.8% Carbón de Leña

Figura 32. Flujo Energía Residencial Rural Electrificado. Se hace la desagregación a este nivel de residencial rural no electrificado, aprovechando que el modelo del tipo Bottom Up, puede llegar a niveles míni- mos, siempre y cuando se cuente con información disponible, con el fin de establecer escenarios de energéticos rurales, o penetración de energías renovables en iluminación y bajar la presión en el uso de la leña, como se observa en la figura 32 del flujo de energía. Tabla 8. Consumo Residencial Rural No Electrificado.

CONSUMO ENERGÍA RESIDENCIAL RURAL NO ELECTRIFICADO [TERAJOULES]TJ

USO ENERGÉTICO Cocción Iluminación

Carbón Mineral 469,3 ENERGÍA PRIMARIA Leña 7126,4

Gas Licuado Petróleo 661,1 ENERGÍA Gasolina Motor 92,1 SECUNDARIA Keroseno 31,8 196,4 Carbón de Leña 426,2 % Participación 97,8 2,2

Fuente: Balance de Energía – UPME Se observa los consumos del sector Residencial rural no electrificado, tanto en la tabla 9, como gráficamente en la figura 33, es muy importante realizar

132 este tipo de actividades, primero para la comparación de la información real y la modelada, y para la conformación de escenarios donde se pueda en este caso, suministrar energía eléctrica a través de planes de electrificación sea por medio de la red eléctrica si la hay o por fuentes renovables.

ENERGÍA PRIMARIA USO ENERGÍA SECUNDARIA

7.5%

5.3% Gas Licuado de Petróleo Carbón Mineral Cocción

0.4%

100% Keroseno

1% Gasolina Motor Iluminación 80.9% Leña 4.8% Carbón de Leña

Figura 33. Flujo de Energía Residencial Rural No Electrificado. Según la comparación de los resultados de LEAP con los datos reales del balance de energía UPME, el valor total es de 156.640 TJ con el modelo LEAP versus un valor real de 156.875 TJ (Terajoules 10¹² joule) del balance de la UPME que representa un error del 0,1%. Esto indica que la diferencia es marginal y se adopta ajustar el modelo para el sector residencial, com- probando que está en su máximo punto de veracidad 99,9% y se continúan construyendo los demás sectores de consumo. Tabla 9. Comparación Consumo Residencial LEAP-UPME

CONSUMO ENERGÉTICO SECTOR RESIDENCIAL [TERAJOULES] TJ

Energía Energía Secundaria SECTOR RESIDENCIAL

Carbón Gas Carbón de Energía Gas Licuado Gasolina Leña Keroseno Total Mineral Natural Leña Eléctrica de Petróleo Motor

890,8 35107,0 2823,5 206,8 52205,2 22226,8 1429,2 1219,1 116108,5 Resultados Urbano Modelo 896,0 35304,0 2839,0 132,0 52040,0 22346,0 1437,0 1297,0 116292,0 LEAP 2005

1299,6 0 26888,0 2084,8 6554,5 2492,6 346,1 866,0 40531,6 Rural 1774,0 0 26926,0 1612,0 6561,0 2497,0 348,0 865,0 40583,0 Balance de Energía 2190,3 35107,0 29711,5 2291,7 58759,7 24719,4 1775,3 2085,2 156640,1 UPME 2005 Total 2670,0 35304,0 29765,0 1744,0 58601,0 24843,0 1785,0 2162,0 156875,0

4.2.1.2. Sector Industrial

133

El Sector Industrial, definido como los establecimientos clasificados en la gran división 3, de la Clasificación Industrial Internacional Unificado CIIU. Pa- ra el análisis de la demanda de este sector, se desagregaron en once subsectores y para hacerlo coherente con la información que está contenida en los once sub-sectores de consumo industrial del balance de energía de la(UPME, 2007a), además, cada sub-sector se subdivide en dos clases de consumo: consumo de energía eléctrica y consumo térmico.

Se estructura el árbol de demanda constituido por once subsectores presentados en el siguiente párrafo, desagregados por el tipo de consumo energé- tico. Finalmente para cada una de estas categorías se calculan las intensidades energéticas que es la relación entre el consumo de energía en el sector energético (i) y el valor agregado o el valor de la producción del sector económico (j).

Se ilustra la desagregación final de este sector, para el cálculo de las intensidades energéticas así:

Sector Industria Alimentos, Bebidas y Tabacos Consumo Eléctrico Consumo Térmico Textil y Confecciones Consumo Eléctrico Consumo Térmico Calzados y Cueros Consumo Eléctrico Consumo Térmico Maderas y Muebles Consumo Eléctrico Consumo Térmico Papel e Imprenta Consumo Eléctrico Consumo Térmico Químicos Consumo Eléctrico Consumo Térmico Cementos Consumo Eléctrico Consumo Térmico Piedra, Vidrio y Cerámicas Consumo Eléctrico Consumo Térmico Hierro, Aceros y No Ferrosos Consumo Eléctrico Consumo Térmico Maquinaria y Equipos Consumo Eléctrico Consumo Térmico Otros Consumo Eléctrico Consumo Térmico

Cada uno de los subsectores de consumo, fueron asociados a la participa- ción dentro del total de demanda de energía del sector industria, además se relaciono la participación del producto Interno Bruto - PIB, con el valor del

134

PIB del sector industrial (DANE PIB, 2008). Esto facilitó el cálculo de las intensidades energéticas, que es la relación entre estas dos variables y valores necesarios en la simulación prospectiva de este sector (Tabla 10).

Tabla 10. Consumo Sector Industrial.

CONSUMO ENERGÉTICO DEL SECTOR INDUSTRIAL POR SUBSECTORES [TERAJOULES] TJ

SUBSECTOR ENERGÉTICO Alimentos, Textil y Calzado y Maderas y Papel e Piedras, Hierro, Químicos Cemento Maquinaria Bebidas y Confecciones Cueros Muebles Imprenta Vidrios y Acero y No Otros y Equipos Tabaco Cerámicas Ferrosos

Gas Natural 4999,0 555 269 1330 3776 33365 29503 796 2201 341 1996 Petróleo 1140,0 432 63 565 4 435 175 690 275 386 278 ENERGÍA Bagazo 22372,0 0 0 0 886 0 0 0 0 0 0 PRIMARIA Residuos Vegetales 4,0 57 0 0 6984 710 0 0 0 0 0 Carbón Mineral 5025,0 8149 120 23 11326 3794 22711 3715 12160 7 3 Leña 20399,0 0 0 0 0 0 0 2306 177 177 0

Energía Eléctrica 8412 6324,0 567 654,0 3805,0 7159,0 4250,0 1905,0 8297,0 2017,0 1702,0 Gas Licuado Petróleo 697 165 6 0 136 233 0 687 443 69 0 Gasóleo 4976 1105 31 64 244 1829 1731 572 972 662 4995 Combustóleo 347 140 18 0 454 92 25 0 0 2602 0 Coque 0 0 0 0 0 60 0 0 975 12 0 ENERGÍA No Energéticos 84 12 4 1 8 100 47 12 24 23 108 SECUNDARIA Gasolina Motor 0 0 0 0 0 0 0 0 0 0 0 Keroseno 181 217 0 57 55 432 19 1754 349 8 0 Gases Industriales 0 0 0 0 0 0 0 0 1308 0 0

Carbón de Leña 00 0 0000 0 0 00 % de Participación 28,3 11,3 1,9 5,1 8,5 21 5,1 2,5 7,1 6,1 3,1

El porcentaje de (%) de participación nos indica cuanta es su participación de todos los consumos energéticos en el gran total del sector industrial. Esto es el sector de alimentos bebidas y tabaco, consume el 28,3% de todo el consumo de la Industria y así en los demás subsectores.

Se presenta el flujo grama del sector de alimentos en la figura 34, el cual visualiza como cada energético participa en este sub-sector de consumo des- agregando cuanto le corresponde a energía eléctrica y energía térmica. Este 135

sub-sector de alimentos bebida y tabaco se toma como ejemplo para hacer la descripción del sector industria, pero internamente el modelo hace el ejercicio para todos los subsectores.

La desagregación de consumo hace ver que la energía eléctrica se consume en todas las actividades y subsectores, el consumo térmico se presenta como el resto de la participación, pero se desagrega por cada energía sea primaria o secundaría, para una sumatoria total de 100%.

ENERGÍA PRIMARIA SUBSECTOR ENERGÍA SECUNDARIA

Energía Termica 87,7 % Energía Eléctrica 12,3 %

Alimentos, Bebidas y tabaco 100 %

Textil y Confecciones Gas Natural 8,3% DieselOil 8,3 % Calzado y Cueros

Combustóleo 0,4% Petróleo 1,9% Maderas y Muebles

Papel e Imprenta Gas Licuado Petróleo 1,2% Carbón Mineral 8,3 % Químicos Keroseno 0,5 %

Cemento Bagazo 37,2 % Piedras, Vidrios y Cerámicas No Energéticos

Hierro, Acero y No Ferrosos

Leña 33,9 % Maquinaria y Equipos

Otros

Consumo Térmico

Consumo Eléctrico

Figura 34. Flujo Energético del sector Alimentos.

Una vez establecidas las participaciones y calculadas las intensidades energé- ticas, se procede a hacer la ejecución del programa para el Año Base, por subsector y, posteriormente para todo el agregado del sector de Industria y realizar la respectiva verificación.

Tabla 11. Comparación Consumo Industria LEAP -UPME

136

CONSUMO ENERGÉTICO SUBSECTOR ALIMENTOS, BEBIDAS Y TABACO [TERAJOULES]

Energía Primaria Energía Secundaria CONSUMO

Gas Carbón Gas Residuos Energía Fuel Diesel Petróleo Bagazo Leña Otros Licuado Kerose Total Mineral Natural Vegetales Eléctrica Oil oil Petróleo 0 0 0 0 0 0 8394,0 0 0 0 0 0 8394,0 Resultados Eléctrico Modelo 0 0 0 0 0 0 8412,0 0 0 0 0 0 8412,0 LEAP 2005

5012,0 4994,0 1478,0 22327,0 0 20352,0 0 0 694,0 344,0 4982,0 180,0 60363,0 Térmico 5025,0 4999,0 1140,0 22372,0 4,0 20399,0 0 84,0 697,0 347,0 4976,0 181,0 60524,0 Balance de Energía 5012,0 4994,0 1478,0 22327,0 0 20352,0 8394,0 0 694,0 344,0 4982,0 180,0 68757,0 UPME 2005 Total 5025,0 4999,0 1140,0 22372,0 4,0 20399,0 8412,0 84,0 697,0 347,0 4976,0 181,0 68936,0

Continuando con el proceso de validación de los resultados de LEAP para el Año Base, se hace la comparación de las cifras obtenidas y la información del balance de energía de la UPME. Se observan en la tabla 11 que los resultados para el subsector de Alimentos, Bebidas y Tabacos, del LEAP, arrojan unos consumos de 68757 TJ, contra un valor del balance de energía de la UPME de 68 936 TJ. Esto nos indica que la diferencia es del 0,26%., esto debido a que los consumos parciales por energético son muy similares, a excepción del valor de “otros” que son valores de lubricantes denominados no energéticos (NE), valor que no tienen en cuenta los resultados de LEAP. Revisando que los ajustes, tanto del subsector analizado en este documento (Alimentos, Bebidas y Tabacos), como en los once subsectores restantes y en el agregado sectorial no superan el 0,3%, optamos por asumir que está verifi- cado todo el sector para el Año Base y se pasa a una segunda fase de confor- mación de escenarios. 4.2.1.3. Sector Transporte

El sector transporte está constituido por los modos de tránsito: Carretero, Fe- rroviario, Aéreo, Fluvial, y Marítimo. Al sector carretero, le atañe el parque automotor y se caracteriza por la cantidad total de combustible requerido para su movilidad.

Para el desarrollo y modelado de este sector, se manejó el concepto de la ecuación de consumo, basado en el consumo específico, recorridos promedio año y parque automotor, cada uno bajo la tecnología y modo de uso esti-

137 pulado por el balance de energía de la UPME. Para el parque automotor, se optó por tomar las cifras del Ministerio de Obras Públicas y Transporte, y ajustarlo con las ventas mayoristas de combustibles líquidos. De aquí se calculan las intensidades energéticas para cada una de las formas presentadas en el árbol de transporte.

Es de resaltar que este es uno de los sectores más críticos y susceptibles a cambios, dado que la orientación tecnológica lleva al consumo de nuevos energéticos, sumado a la sensibilidad que tiene el combustible al precio y la carga de impuestos atribuidos a éstos.

La estructura de árbol se conformo con sub-niveles sectoriales, asociados a consumos energéticos, basado en los consumos del balance de energía de la UPME del año 2005(UPME, 2007a). La distribución porcentual de los modos de transporte, se obtuvo con la participación del PIB de cada uno de los modos del sector, para luego calcular las intensidades energéticas tomando la relación del consumo de cada modo y el PIB de transporte. La implicación de nuevos energéticos como Biodiesel, Etanol, tecnologías híbridas, serán objeto de análisis en el capítulo de escenarios.

Transporte Carretero • Pasajero Privado Interurbano • Pasajero Privado Urbano • Pasajero Público Interurbano • Pasajero Público Urbano • Carga Urbana • Carga Interurbana Aéreo Fluvial Marítimo Ferroviario

Como se observa en el flujo energético del sector transporte (fig. 35), el modo carretero tiene una alta participación, el 72,1% del consumo total de energía, por lo tanto a la gasolina y al diesel (oil), se les ha dado un tratamiento especial, con el fin de que al aplicar las ecuación de consumo, po- damos comprobar o cruzar las ventas que las refinerías les hacen a los grandes mayoristas. Se determinan los ajustes necesarios para corroborar la cifras del balance de energía de la UPME, para lo cual, se identifican algunos valores que son consumidas en transporte, pero en el balance son ma- nejadas como no identificados, que significa que fueron consumido en otros sectores, pero en vehículos de reparto.

138

ENERGÍA PRIMARIA MODO ENERGÍA SECUNDARIA

Gasolina Motor 47,5 %

Terrestre 72,1 % Diesel Oil 39,4 %

Aéreo Gas Natural 8,4% No Energéticos 3,4 %

Fluvial Alcohol Carburante 2,1% Carbón Mineral 0,3 Marítimo Keroseno 15,0 % 8,0 %

Combustóleo Ferroeo 2,4 % Energía Eléctrica 0,05 %

Figura 35. Flujo Energético del Sector Transporte.

Se presentan en la tabla 12, los resultados del modelo LEAP y su comparación con las cifras del balance de la UPME. Se observa que en el total del consumo carretero, las diferencias encontradas son marginales. Un total de 272.025 TJ, cifra real suministrada por el balance de energía de la UPME, contra un valor de 279.122 TJ, arrojado por la simulación del modelo LEAP, indica que presenta un error del 2,5 %.

Las diferencias, se centran especialmente en el diesel () y en la gasolina, motor en los resultados de LEAP, son más altos, debido a que obedece a las intensidades de este sector y que al comprobar con la ecuación de consumo, el parque tenido en cuenta es el parque automotor real y los kilómetros promedio recorridos obedecen a los reales. También se observa que en los valores del balance energético de la UPME, hay un valor alto de no identificado que no está en las cifras del sector transporte y que se pueden explicar cómo inter- cambios de frontera, especialmente en la de Venezuela y Ecuador.

Una vez analizada las cifras generales de la comparación entre las dos fuentes y verificando que están dentro de los márgenes de errores estadísticos, asu- mimos el ajuste para él Años Base y preparamos los escenarios para sustitu- ción por mezclas y energéticos más eficientes y menos contaminantes.

139

Tabla 12. Comparación Consumo Transporte LEAP - UPME

CONSUMO ENERGÉTICO SUBSECTOR TRANSPORTE TERRESTRE [TERAJOULES]TJ

Energía Energía Secundaria Primaria CONSUMO

Gasolina Alcohol No Gas Natural Diesel Oíl Total Motor Carburante Energético

Pasajeros 0 16104,0 1416,0 80,0 97,0 17697,0 Privado 0 15983,0 1393,0 88,0 102,0 17566,0 Interurbano

Pasajeros 0 47558,0 3335,0 210,0 200,0 51303,0 Privado Urbano 0 43561,0 3041,0 239,0 215,0 47056,0 Resultados 0 19064,0 8616,0 88,0 116,0 27884,0 Modelo Pasajeros LEAP 2005 Público 0 19102,0 8638,0 105,0 114,0 27853,0 Interurbano

11555,0 39549,0 8602,0 180,0 265,0 60151,0 Pasajeros Balance de Público Urbano 11100,0 37977,0 8255,0 208,0 260,0 57591,0 Energía UPME 2005

Carga Urbana 0 16993,0 11568,0 75,0 141,0 28777,0 0 17032,0 11595,0 93,0 145,0 28772,0

0 18326,0 74615,0 79,0 290,0 93311,0 Carga 0 18391,0 74844,0 101,0 279,0 93514,0

11555,0 157594,0 108151,0 713,0 1109,0 279122,0 Total 11100,0 152045,0 107765,0 834,0 1115,0 272025,0

4.2.1.4. Sector Agrícola y Minero

Para el sector Agrícola y Minero, se tiene en cuenta la unidad informativa del sector agrario, de la pesca y de la minería, para establecimientos definidos en la codificación CIIU:

División. 11: Agricultura y caza División. 12: Silvicultura y aserrío de madera División. 13: Pesca División. 2: Extracción de minerales y metales

Cuando resulta difícil separar agricultura de agroindustria, pesca de industria pesquera y minería de metalurgia, el método CIIU supone que el establecimiento es clasificado según el grupo que corresponde al grueso de sus actividades, esto con el fin de ser más exactos al utilizar las cifras económicas del PIB para el cálculo de la intensidad energética.

En lo relativo al consumo energético, la fuente sigue siendo el balance de energía de la UPME y bajo esa estructura, se tuvieron en cuenta las siguientes actividades de consumo, para la construcción del árbol, así:

140

Agrícola y Minero • Tractores • Secado de Granos • Procesamiento Agrícola • Riego y Fumigación • Otras Actividades de Consumo • Minero

La distribución se efectúa con base en las actividades de consumo, como se observa en la figura 36, donde se presenta la participación que tiene cada uso agrícola en el consumo de energía primaria y secundaria. El procesamiento agrícola, como el uso de tractores, tienen la mayor representación, con un 79,4 % del consumo de este sector. Para el cálculo de la intensidad energética, se toman sus respectivos consumos energéticos y se hace la re- lación con el PIB del sector Agrícola y Minero.

ENERGÍA PRIMARIA USO ENERGÍA SECUNDARIA

Tractores 13,8 % Energía Eléctrica 5,6 % Secado de Granos 8,4 % Diesel Oíl Bagazo 16,3 % 30,7 % Procesamiento Agrícola 65,6 %

Residuos Vegetales Combustóleo 6,6 % Riego y Fumiga 6,9 %

Keroseno Otros Leña 40,4 % 1,4 %

Gasolina Motor 0,4 %

Minero 3,9 %

Figura 36. Flujo de Energía Sector Agrícola y Minero. En la tabla 13 se muestra la comparación de los consumos real y el modelado para el sector agrícola, conservando el mismo procedimiento metodológi- co aplicado a los otros sectores ya revisados, esto, con el fin de ajustar el modelo de manera similar.

Tabla 13. Comparación Consumo Agrícola LEAP - UPME

141

CONSUMO ENERGÉTICO SECTOR AGRÍCOLA [TERAJOULES] TJ

Energía Primaria Energía Secundaria CONSUMO

Residuos Energía Gasolina Bagazo Leña Diesel Oíl Gasóleo Kerosen Total Vegetales Eléctrica Motor

213,0 7850,0 8063,0 Tractores 7860,0 7860,0 Resultados Secado de 58,0 4741,0 4799,0 Modelo LEAP Granos 58,0 4747,0 4805,0 2005

Procesamiento 9308,0 3788 23018,0 7,0 1260,0 15,0 37397,0 Agrícola 9321,0 3794,0 23048,0 9,0 1261,0 13,0 37445,0 Balance de Energía UPME Riego y 55,0 3656,0 3711,0 2005 Fumigación 55,0 3661,0 3716,0

Otros 3042,0 32,0 3074,0 803,0 32,0 835,0

9308,0 3788,0 23018,0 3162,0 213,0 17507,0 15,0 32,0 57044,0 Total 9321,0 3794,0 23048,0 3169,0 215,0 17529,0 13,0 32,0 57121,0

Se observa que las cifras son muy similares de 57.121 TJ del balance de energía de la UPME contra un valor de 57.044 TJ del modelado por el LEAP, el error es de 0,13%, que se asume como error estadístico y se acepta como validado el modelo en este subsector. 4.2.1.5. Sector Comercial y Público

Para el sector comercial y público, se contempla la unidad de información perteneciente a los siguientes grupos del CIIU:

División. 41: Electricidad, gas y agua; División. 6: Comercios mayoristas y minoristas, restaurantes y hoteles División. 7: Transporte y comunicaciones; sólo los establecimientos comerciales pero no las flotas vehiculares, estos se incluyen en el sector transporte. División. 8: Establecimientos financieros (bancos), de seguros y de servicios prestados a otras compañías División. 9: Servicios sociales y comunales; como escuelas, universidades, salud, iglesias, cines, teatros, negocios de reparaciones, adminis- tración pública, defensa, etc.

El consumo final de este sector, es el reportado por los establecimientos que corresponden a la codificación de los establecimientos antes mencionados. Para la conformación del árbol de demanda para este sector, debido a que no hay desagregación de consumos energéticos en el balance de energía de la UPME, se trabaja en un solo nivel y se hace el análisis sobre la base que tiene cada energético en el total del sector véase figura 37. En tal sentido el

142 cálculo de la intensidad energética se calcula como el agregado del consumo de energía y la relación del valor del PIB del sector comercio y servicios.

ENERGÍA PRIMARIA SUBSECTOR ENERGÍA SECUNDARIA

58.9%

Energía Eléctrica

5.6% Diesel Oíl

11.1% Gas Natural Comercial y 0.1% Publico Combustóleo

4.2% Gas Licuado de

20.0% Carbón de Leña

Figura 37.Flujo de energía Sector Comercial y Público Al comparar las cifras entregadas por el balance de energía de la UPME para el sector comercio y público de 56.159 TJ, contra 54.708 TJ, entregada por la simulación con el modelo LEAP, tabla 14 observamos que se presenta una diferencia estadística con un error del 2,6%, la Organización Latinoame- ricana de Energía en su documento de metodologías de balances de ener- gía aceptan errores de ajuste hasta un valor inferior al 5% (OLADE, 2004)

Por lo tanto, se acepta esta diferencia y pasamos a hacer los análisis agregados de demanda para seguir con el proceso de verificación del modelo. Se continúa con el sector de transformación y oferta de energía, para que meto- dológicamente se cierre el ciclo de LEAP. Tabla 14. Comparación Consumo Comercio y Público LEAP - UPME.

CONSUMO ENERGÉTICO COMERCIAL Y PÚBLICO [TERAJOULES] TJ

Energía Energía Secundaria Primaria CONSUMO

Gas Energía Carbón de Gas Natural Licuado Combustóleo Diesel Oíl Total Resultados Eléctrica Leña Petróleo Modelo LEAP 2005 6067 32240 2325 55 3058 10964 54708 Total Balance de 6230 33092 2386 56 3141 11254 56159 Energía UPME 2005

143

4.2.2. Transformación de la Energía. Este modulo interno refiere a la energía externa que entra a ser transforma- da en otras forma de energía denominados centros de transformación. Estos centros producen cambios físicos o químicos de las fuentes energéticas, buscando un mejor aprovechamiento de la energía. Se analizan las trans- formaciones de energía primaria necesarios para producir energía secundaria. Se hace un reporte de los recursos y producción energética que posee el país en cuanto a: petróleo, gas natural, carbón mineral, biomasa y leña; capacidad de refinación de crudo y producción de sus derivados, generación de energía eléctrica con hidroeléctricas y termoeléctricas; generación eólica, solar y otras fuentes, generación por auto productores y cogeneradores.

El árbol de transformación de energía se estructuró de la siguiente forma:

• Transmisión y Distribución o Energía Eléctrica o Gas Natural • Generación Energía Eléctrica o Hidroeléctrica o Termoeléctrica o Eólicas o Solar Fotovoltaica o Solar Térmica o Geotermia o Térmicas Menores o Auto productores y Cogeneradores o Hidroeléctricas Menores • Refinación • Minería • Leña y Biomateria

144

4.2.2.1. Generación Eléctrica

En la generación de energía eléctrica se presenta la estructura que tiene por fuente y su participación., Se puede observar que de las energías renovables solo aparece la eólica con un 0,23%. ninguna otra fuente renovables tiene participación, Razón por la cual, se a través de MODERGIS, se simula- rá escenarios para analizar una mayor participación y ver su posible aprovechamiento a mayor escala, esto con el fin de variar el matriz energética de generación actual examinada en la tabla 15.

Tabla 15. Capacidad y Generación Eléctrica.

Generación % de Participación Tipo de Planta Capacidad Instalada MW [ Terajoules] en Generación Total

Hidroeléctrica 8948 154144 60,52% Térmica Gas Natural 3682 68002 26.70% Térmica Carbón Mineral 694 28412 11.15% Térmica Diesel 14 3710 1.40% Eólica 10 445 0,23% Total Año 2005 13348 254713 100%

Para la transmisión y distribución se toman la Energía Eléctrica y el Gas Na- tural, además se incluye las pérdidas de energía por transformación y distri- bución para electricidad y gas natural, solicitadas por el modelo LEAP, para realizar el cálculo de la oferta interna real incluidas las pérdidas y determinar una real oferta. Se debe tener presente que están incluidas las pérdidas “negras” (asociadas al consumo ilegal de cada energético). En el caso de gas natural se tomo 10% y para electricidad el 19,4%. 4.2.2.2. Refinerías y Derivados del Crudo

Los productos derivados del crudo de petróleo se presentan como la carga alas refinerías, con la siguiente distribución porcentual de producción de todas las refinerías del país (Tabla 16).

Tabla 16. Cargas y Producción a Refinerías

145

Cargas a las Refinerías y Producción 1. Refinerías 2. Otras 3. Total Producción BARRANCA CARTAGENA ORITO PLATO APIAY Total año BDC BDC BDC BDC BDC BDC 2005 223.906 72.391 853 2.063 299.213 280.966 2006 231.969 80.256 807 1.839 314.871 269.454 2007 229.649 80.005 1.258 2.208 313.120 264.982 2008 232.045 78.021 1.126 1.559 312.751 257.273 2009 219.488 79.012 1.785 1.532 301.817 244.070 2010 210.940 1.697 1.696 1.697 292.788 BDC: Barril día calendario Fuente: estadísticas de Ecopetrol - UPME

Se ingresaron también cifras de importación y exportación de algunos de los energéticos producidos, sin embargo se manejó la premisa de que todos los energéticos que no fueran consumidos internamente, es decir todo exceso de producción de energéticos serán exportados (Tabla 17).

La eficiencia asociada al proceso de refinación fue de un 80% siendo este valor una buena representación de las producciones de energéticos en general para dichas plantas de transformación. Se consideran en este 20% algunas pérdidas asociadas al proceso.

Tabla 17. Producción de Refinados

Producción de Refinados Blancos Barriles por Día Calendario (BDC) Negros Año Gasolinas Destilados Medios Gasolina Gasolin Bencina Diesel Fuel-Oíl Total Quero JP-A Total Avigas Propano Total Regular a Extra Cocinol Oíl 2005 88.427 8.983 172 97.582 72.469 311 20.000 92.780 1.394 20.000 280.966 69210 2006 77.369 4.766 126 82.261 83.222 307 17.592 101.121 1.064 20.957 269.454 64.051 2007 69.237 4.273 59 73.569 89.828 331 15.980 106.139 373 17.952 264.982 66.947 2008 69.138 4.267 59 73.464 78.955 404 21.168 100.527 276 19.931 257.273 63.075 2009* 64.301 3.296 117 67.714 73.116 438 22.925 96.479 253 20.187 244.070 59.437 2010*P 0 69.346 69.346 16.132 148.272 62.794 Fuente: estadísticas de Ecopetrol – UPME

La vida útil de estas plantas de refinación se estableció en 30 años. La capacidad máxima de producción, se introdujo el valor real suministrado por Ecopetrol UPME(UPME, 2010c) y se consideran modificaciones, ampliacio- nes y nueva capacidad de refinación, según el plan contemplado por la UP- ME. Para algunos escenarios se modificará este valor para verificar posibilidades de importaciones o exportaciones que requiera el país una vez se ajusten a las necesidades internas.

146

4.2.3. Oferta de Energía Es la disponibilidad de energía o reservas propias para satisfacer las necesidades energéticas del país, en este caso se tiene las actividades de Mine- ría para las reservas de carbón. Leña y Biomateria contempla los cultivos energéticos de uso tanto en las destilerías para la producción del Bioalcohol, como en la refinación del Biodiesel. También está contemplada los gasificadores para leña y las tecnologías de tercera generación en la producción de biocombustibles (alcohol).

o Recursos de Energía Primaría Renovables No renovables o Minería Explotación Minera de carbón o Leña y Biomateria. Destilerías ( alcohol) Refinación (biodiesel) Gasificadores y tecnologías de tercera generación 4.2.3.1. Recursos de Energía Primaria

No renovables: Se presenta las cifras de las reservas probadas de los recursos energéticos primarios que fueron introducidos al LEAP, tabla 18. El modelo tiene un algoritmo que primero hace el cálculo total de la demanda, añade las perdidas en trasformación y distribución y finalmente hace el balance con las reservas internas, si no encuentra reservas internas asume una importación de energía para satisfacer la demanda interna. La unidad energética en la que están expresados son Billones de GigaJoules (GJ).

Tabla 18. Reservas Energías no Renovables

Crudo Gas Natural Carbón 1. Reservas 2. Produccion 3. R/P 1. Reservas 2. Produccion 3. R/P 1. Reservas 2. Produccion 3. R/P

Año MBls MBls Años GPC GPC Años Mton Mton Años 2005 1453,2 192,1 7,6 7527,2 236,4 31,9 6693,0 59,7 112,1 2006 1509,7 192,5 7,8 7348,8 248,3 29,6 66263,0 66,2 1001,0 2007 1358,2 193,8 7,0 7084,0 266,3 26,6 6647,0 69,9 95,1 2008 1669,0 215,0 7,8 7277,0 319,0 22,8 6577,0 73,5 89,5 2009 1988,0 244,8 8,1 7277,0 368,7 19,7 6667,0 72,8 91,6 MBls: Millon de barriles, GPC: Giga Pies cubico, Mton: Millon de Toneladas

Renovables: Las reservas o potencialidad de energías renovables es la innovación que tiene esta modelación, debido a que son los resultados que se obtuvieron por primera vez de ENERGIS, se caracteriza porque tienen el criterio de

147 energías sostenibles y son potenciales en distribuidas en el todo el territorio nacional.

Tabla 19. Reservas Energías Renovables

Fuente Unidad Potencial Característica Energía Solar PV GW 349,4 Con 1% del terreno del 30% factible de 5 kWh/m² Energía Eólica GW 26,6 Alta Potencia ( 1300 Kw) Dendroenergía km² 68066 Biomasa Forestal (sostenible) Palma de Aceite km² 291486 Africana (Potencial Sostenible) Caña de Azúcar km² 9667 Caña A.(Potencial Sostenible) Jatropha km² 710619 (Potencial Sostenible)

Fuente: MODERGIS

Las cifras que son necesarias introducir en modulo de oferta para que el modelo las manipule, fueron las cifras de la tabla 19, con los factores de capacidad utilizados en el plan de fuentes no convencionales de energía – PFNCE de la UPME(UPME, 2011). En solar 772632 TJ, en eólica 251657 TJ, en Dendroenergía-Biomasa 2365200 TJ y 379982 TJ para bagazo de caña de azúcar.

4.2.3.2. Carbón Mineral

El manejo de este recurso mineral energético, se establece en la ecuación de balance que corresponde a las reservas probadas de carbón mineral y cifras que fueron tratadas en el numeral anterior. La producción, consumo interno, transformación en coque, se establece como una demanda y el programa asume el excedente como una exportación. La relación de producción de carbón mineral de 99,41% en comparación con la de coque metalúrgico es del 0,59%, según las cifras estadísticas de la UPME, esto para efectos de cálculos internos del modelo. 4.2.3.3. Dendroenergía

Para leña y carbón de leña o vegetal, el balance de la UPME presenta una producción de leña como parte del recurso natural, pero calculado desde la demanda especialmente en sector residencial rural y agrícola. La forma como se modela en LEAP, será como la producción total de la leña (como recurso primario) y luego con la eficiencia de la tecnología utilizada se transforma en carbón de leña. La eficiencia del proceso de transformación se pone en un 20% según los indicadores recientes de este proceso.

148

4.2.4. Construcción de Escenarios.

En aras de cumplir con el objetivo general y especifico de esta investigación “Construir escenarios sostenibles en el mediano y largo plazo que integren energías renovables en la matriz energética, simulando situaciones de cambio climático, en el entorno de la oferta y demanda de energía para el estudio de caso Colombia” se plantea en primera instancia su estructuración haciendo un detallado análisis de la situación actual con visión prospectiva a un horizonte de tiempo de 25 años teniendo como año final el 2030. Se crean escenarios que pudieran presentar situaciones de variabilidad, sensibilidad y vulnerabilidad climática observando la localización geográfica (zona de confluencia intertropical ZCIT) donde se encuentra ubicado el País.

Para el año base se tomo la decisión de fijar el año 2005, basado en el criterio de que no se presentará como año atípico en el consumo de la energía, no presenta situaciones anormales como el fenómeno del niño, ni situaciones de déficit en el suministro energético. De la misma manera se contempló que las fuentes de suministro de información energética y económica estu- vieran consolidadas y disponibles, especialmente el balance de energía de la UPME, la encuesta manufacturera, la encuesta de hogares, las cuentas nacionales y el producto interno bruto por las ramas de actividad del departamento Nacional de Estadística DANE. Es importante aclarar durante la in- vestigación la información fue actualizada y analizada al año 2008.

Para la conceptualización de los escenarios se conciben tres simulaciones fundamentales, dos enfocados en simular la demanda con el escenario crecimiento demográfico y PIB y el de uso racional, eficiente y nuevos energéti- cos y uno a simular la oferta de energía eléctrica con el plan de expansión en generación, que por primera vez de manera integral se hace una simula- ción del impacto que tendrá la generación eléctrica por la presencia de un fenómeno climático específicamente el fenómeno del niño - ENSO, varian- do los aportes de caudales que ingresan a los embalses basado en la serie histórica de los últimos quince años.

El escenario de referencia base fue constituido por un crecimiento poblacional vegetativo, según las proyecciones de población que suministra el DANE y las apreciaciones sobre la tendencia normal de consumo de energía, este escenario se denomina crecimiento poblacional y demanda, en las cuales se hace simulaciones en tres escenarios como se describe a continuación:

Demanda de Energía y Crecimiento Demográfico: Escenario de demanda sin políticas de eficiencia energéticas, no existe sustitución ni participación de nuevos energéticos y solo se tiene los crecimientos vegetativos de la po- blación y PIB.

149

Uso racional, Nuevos Energéticos y Eficiencia Energética: Se considera- rán el plan de uso racional de la energía – PROURE de la UPME(UPME, 2010d), nuevos energéticos para algunos subsectores de demanda (los cuales serán especificados y justificados en cada sección) y aumento en la eficiencia energética de las tecnologías.

Expansión en Generación con Fenómeno Climático: Este escenario como simulación de la oferta de energía eléctrica, está basado en el Plan de Expansión de Referencia de la UPME 2010-2030, asociado a escenario de nuevas centrales de generación, pero se introduce un nuevo componente denominado Fenómeno del Niño Oscilación del Sur – ENSO. Bajo este escenario se hacen varios supuestos, como el retraso en la entrada de proyectos hidroeléctricos previstos para el año 2018, la entrada de tecnologías renovables en diferente participaciones y se analiza el comportamiento de la introducción de las renovables en la matriz energética bajo este supuesto y se examina el suministro y capacidad instalada de las fuentes no renovables como carbón y gas natural.

4.2.4.1. Demanda de Energía y Crecimiento Demográfico

Se analiza un crecimiento demográfico normal en condiciones económicas normales y el consecuente crecimiento del producto interno bruto – PIB en condiciones naturales sin esquematizar ninguna bonanza en los sectores de la economía.

Inicialmente se proyecta un crecimiento demográfico y un crecimiento para los sectores de consumo analizados sector Residencial, Industrial, Transpor- te, Agrícola y Minero y el sector comercial. Los porcentajes de crecimiento se conciben sobre las variables base población para el sector residencial y PIB para los demás sectores y tienen como objetivo proyectar un escenario de demanda al 2030.

En este primer escenario se pretende únicamente reconocer el crecimiento de la demanda según los porcentajes indicados, y no se harán cambios sobre los subsectores, no se analizan mejoras en eficiencia energética y no se tienen en cuenta nuevos energéticos a los planteados en el año base. Se hace referencia a dos variables básicas que LEAP tiene predestinadas internamente, la Población como variable explicativa exógena y calcula el núme- ro de hogares dependiendo del número de personas por hogar. Se esboza un crecimiento de la población al 1,0179% anual según el DANE, y se verifica la proyección de la población al año 2030 de 71.746.240 de habitantes, partiendo de una población real del censo de población 2005 DANE de 46.040.162 de habitantes y 18.800.064 el número aproximado de viviendas.

Se proyecta la tasa de crecimiento del PIB para sectores de consumo basado en la cifras y tendencias retrospectivas y visualizando el Plan de Desarro-

150 llo Nacional, para el sector industrial se propone un crecimiento del 3,6%, para el sector transporte un crecimiento del 2,4%, para el sector agrícola y minero un crecimiento del 1,4% y, para el sector comercial un crecimiento del 2,5%. Se presenta en la tabla 20 la evolución del PIB para cada uno de los sectores de consumo al año 2030. Tabla 20. Proyección PIB por sector

PROYECCIÓN DEL PRODUCTO INTERNO BRUTO SECTORIAL

VALOR PROYECTADO PIB PARA CADA SUBSECTOR [Billones de pesos]

2005 2007 2009 2011 2013 2015 2017 2019 2021 2023 2025 2027 2029 2030 PIB Industrial 12.2 13.1 14.1 15.1 16.2 17.4 18.6 20.0 21.5 23.1 24.7 26.6 28.5 29.5

PIB Transporte 4.9 5.1 5.4 5.6 5.9 6.2 6.5 6.8 7.2 7.5 7.9 8.3 8.7 8.9

PIB Agricola 11.4 11.7 12.1 12.4 12.8 13.1 13.5 13.9 14.3 14.7 15.1 15.5 15.9 16.2

PIB Comercial 10.1 10.6 11.1 11.7 12.2 12.9 13.5 14.2 14.9 15.7 16.5 17.3 18.2 18.6

Fuente: DANE – cálculos propios

Para observar el comportamiento en la demanda de energía, una vez fijados los crecimientos económicos y calculadas las respectivas intensidades ener- géticas, se proyecta de manera directa la demanda de energía al año 2030. Debe aclararse nuevamente, que para este escenario no se están considerando planes de uso racional de la energía, o planes de mejoramiento en la eficiencia de las actividades de consumo, únicamente se están analizando las condiciones futuras de los energéticos planteados al año base. 4.2.4.2. Uso Racional y Eficiente de Energía

Para formular este escenario, se dejan las condiciones de crecimientos plan- teadas para el escenario anterior, pero se comienzan a construir cambios en cada uno de los subsectores, usos y energéticos con referencia a los que se plantearon para el año base.

Sector Residencial Proceso de Urbanización: Se considera que para el año 2030 se tendrán un cambio en la proporción rural y urbana, existiendo una tendencia a la urbani- zación pasando de un 74,1% en el año 2005 al 79% en el año 2030 según el DANE. Esto justificado por el proceso migratorio que se viene presentando debido a la falta de políticas de desarrollo rural, educación, salud y seguridad de la población.

Electrificación Rural: Para el año 2005 el sector residencial rural de electrificados representaba un 73,5%.Se espera que con los planes de expansión en generación, transmisión y distribución del sector eléctrico, acompañados por planes de desarrollo municipal, se consiga elevar la cobertura al 90% al año 2030.

151

Sector Residencial Urbano: A continuación se plantean las nuevas condiciones que tanto en participación, como en aumento de eficiencias energéti- cas son consideradas en este sector. Se debe tener en cuenta que se parte de la base que todos los usuarios urbanos están electrificados.

Cocción: Se propone un aumento en el uso del gas natural, de forma que dentro de la participación porcentual presentada para el año 2005 (42,78%), se logre llevar al 61,8% en el año 2030. El uso de carbón mineral presentado para el año 2005 será sustituido totalmente por GLP, al año 2030. El consumo de leña para esta actividad deberá reducirse a un 2% al 2030. La electricidad usada para la cocción será reducida a un 15%, debido a los planes de uso racional y eficiente de energía y a la penetración del gas natural, contemplados por la UPME. El uso del GLP será reducido a un 6,15% al año 2030, por la sustitución de gas natural por red. El carbón de leña debido a su uso marginal, se mantiene la misma participación baja. Los usos de la bencina o cocinol y el keroseno, siendo coherentes con los planes de sustitución por GLP en aras de la salud y la seguridad de la población, se espera que no tenga participación en el año 2030.

Iluminación: Se considera el plan de uso racional de energía PROURE, en la sustitución de bombillos incandescentes a bombillos eficientes. En tal sentido se simula una disminución del 30% de consumo en este uso al año 2030.

Agua Caliente: La energía en este uso se simulo con base en el plan de ma- sificación de gas natural en las ciudades fijadas por el Ministerio de Minas y Energía y los planes de distribución de gas natural, sustituyendo la electricidad y el GLP, por gas natural a una participación escalonada ascendente hasta llegar al 90% en el año 2030.

Refrigeración, Aire Acondicionado y Otros: Para estos usos y previendo que las actuales políticas de ahorro de energía y aumento de la eficiencia ener- gética de PROURE de la UPME. Se revisa la decisión por parte de los fabricantes de producir equipos de refrigeración de menor consumo, se plantea una reducción del 32% para este uso y sector. La reducción se hace en el año base por hogar y se mantiene de manera ascendente hasta el 2030.

Sector Residencial Rural - Electrificados: Para este subsector de consumo, fruto de la expansión en distribución y ampliación de la cobertura, implica progreso en la actividad económico de la región y mejora en la calidad de vida de la población. Aparecen nuevos usos energéticos que son simulados en esta sección.

Cocción: para este uso se asume un aumento en el consumo del GLP al 21,2% al año 2030, esto con el fin de disminuir la presión a los recursos naturales, en especial la leña para lo cual se reduce su consumo en un 20,9% al año 2030 (UPME 2007a). No se considera el uso de la energía eléctrica dentro de este uso ya que sería ineficiente y muy alto su precio.

152

Iluminación: Para el 2030 se considerará un aumento del consumo de ener- gía eléctrica y una reducción en igual medida del uso del keroseno. Los valores de participación propuestos al 2030 son del 98% y 2% respectivamente.

Refrigeración: Se simula una reducción en el consumo de un 20%, al año 2030 teniendo en cuenta las nuevas adquisiciones de equipos eléctricos que tendrá una mejor eficiencia energética.

Sector Residencial Rural - No Electrificados: Este subsector es muy importante ya que representa la función objetivo que se debe tener en los planes de electrificación rural para introducir las energías renovables. En tal sentido se implementará la energía solar fotovoltaica individual, como estrategia ambiental y social, en zonas donde no es posible técnica y económica la interconexión eléctrica.

Cocción: se considerará un aumento en el consumo en la participación del GLP para llegar a 23,4% y una reducción en el uso de la leña como estrategia ambiental y para reducir hasta llegar a una participación del 65%, en el año 2030.

Iluminación y otros usos: Se considera como innovadora la introducción de la energía solar fotovoltaica individual, con una meta de cobertura del 50% en viviendas para el año 2030. Esto basado en dos criterios, el primero elevar la calidad de vida de la población y la segunda en el precio por vatio instalado se espera que para el año 2012 sea de 1 dólar por vatio pico (US/ Wp), se- gún la alianza para la electrificación rural AER, asociación de la industria fotovoltaica ASIF, precio muy atractivo para zonas donde el valor de los combustibles fósiles son de alto valor y poca disponibilidad.

Sector Industrial Las mejoras tecnológicas en los motores para los sistemas de fuerza motriz, propone del plan de PROURE – UPME en este sector, con la sustitución por motores eficientes, el aumento en la eficiencia de estos motores aumentará del 80% al 90% en el año 2030.

El crecimiento en el consumo de la electricidad será debido al crecimiento del PIB industrial para cada subsector. Dentro de la estructura de participa- ción de los energéticos, no se analiza la sustitución de uso térmicos a usos eléctricos, debido a que no son sustituibles y porque cada proceso industrial tiene asociada su tecnología y su energético.

Los procesos de sustitución de energéticos para usos térmicos, se propone un crecimiento escalonado del carbón mineral hasta llegar al 50% (2006- 2030), para ser usado con nuevas tecnologías limpias y bajo el criterio de los altos precios internacionales del petróleo, de la bajas reservas de gas natural que estarán asociadas a la producción de electricidad. Además de analizar que existen grandes reservas de carbón en las zonas aledañas a los grandes parques industriales de Bogotá, Medellín y Cali.

153

Los energéticos susceptibles de crecimiento para energía térmica dentro del análisis serán el carbón mineral, el gas natural y el bagazo basado en la polí- tica de mezcla de gasolina con etanol, lo que explica una mayor oferta de este energético. El decrecimiento será en la participación del petróleo crudo (crudo de castilla o de rubiales) y del fuel oil explicado por la tendencia creciente de los precios internacionales del petróleo y las restricciones de índole ambiental debido al alto contenido en azufre. Se realiza una descripción detallada de los análisis, indicios y pronósticos que se tomaron en cada subsector.

Alimentos, Bebidas y Tabacos: Para este subsector se presenta la disminu- ción del 10% en el consumo en energía eléctrica, por mejora en la eficiencia de motores. Una ausencia del petróleo crudo y el fuel oil residual, una dismi- nución del 13,8% de la leña, un aumento al 12% en el uso del gas natural, en el horizonte al año 2030. Se propone un incremento del consumo de car- bón mineral hasta llegar a un 16% de la participación de consumo final de este subsector. Los demás energéticos se dejaron con la misma participa- ción dada su baja contribución en el año base.

Textil y Confecciones: Al igual que para el subsector anterior se supone una reducción del 10% en el consumo en de la energía eléctrica, un crecimiento del 15% en el gas natural, una eliminación del petróleo y el fuel oil, y una disminución en la participación del consumo de carbón mineral al 65,9%, debido a la sustitución por gas natural todo esto escalonado al año 2030.

Calzado y Cueros: Para este subsector se plantea, crecimiento del gas natural al 14,3% alta proporción, debido al crecimiento tecnológico de la industria del calzado y el procesamiento del cuero. Tendencia a la eliminación progresiva del fuel oil y el petróleo. Se plantea un consumo estable del carbón mineral proyectándole un aumento de dos puntos porcentuales. Los demás energéticos mantienen la misma participación.

Maderas y Muebles: Este subsector presenta alta participación del petróleo crudo (27,8%) en el año base. Se propuso para la simulación una reducción del 17,8% al 2015, y un decrecimiento paulatino hasta la desaparición en los años 015 al 2030. El gas natural asume la perdida en la participación, que ha dejado el petróleo crudo hasta constituirse en el 84% de la participación energética del consumo térmico para este subsector. Se incremente el car- bón mineral al 10% de participación todo para el 2030. Los demás energéti- cos quedaron en los mismos porcentajes de participación reportados en el año base.

Papel e Imprenta: Para este subsector se modela un crecimiento del porcentaje de participación del gas natural del 25% para el 2030, eliminación en el uso del petróleo crudo y el fuel oil. Reducción en el consumo de residuos vegetales (bagazo) hasta un 8% en la participación del consumo. Se prevé también un crecimiento de carbón mineral hasta satisfacer el 61,5% del consumo térmico al año 2030. Los demás energéticos mantienen su participa- ción al año 2030.

154

Químicos: Para este subsector se formula la desaparición del consumo de petróleo crudo y del fuel oil (aunque los porcentajes de participación reportados para el año base son relativamente bajos). Se propone un aumento del consumo del carbón mineral, hasta constituir el 12% de la participación total. Se presenta un cambio en el consumo del gas natural con una disminución de 1,48%. Los demás energéticos no sufren cambios representativos.

Cemento: Este subsector caracterizado por ser intensivo energéticamente, los energéticos con mayor participación de consumo presentan son el gas natural 54,4% y el carbón mineral con 41,9%, que representan el 96,3%. Se propone un aumento en el consumo del carbón mineral a 48% y una peque- ña reducción del consumo del gas natural a 48,7%.

Piedras, Vidrios y Cerámicos: Los procesos desarrollados este subsector se caracterizan por ser muy limpios y no deben ser contaminados por el combustible, a excepción en la fabricación de ladrillo que tiene alta participación en el carbón mineral. En tal sentido se simula una migración en el consumo de gas natural presentando un aumento en la participación a 29,3%. Se propone al año 2030, una eliminación del 50% del consumo de leña que representa el 12%, lo sume el carbón mineral para incrementar a 45% su partici- pación. Los demás energéticos mantienen su participación original.

Hierro, Aceros y No ferrosos: En este subsector de consumo se propone un aumento al 15% en la participación del consumo al gas natural. El carbón desciende al 61,5%, se presenta sustitución del diesel oil y la leña que son asumidos por el gas natural. Los demás energéticos no se supondrán con cambios.

Maquinaria y Equipos: Subsector que presenta un alto consumo del fuel oil para el año base, lo que hace imposible pensar en su eliminación completa para el año 2030. Se propone entonces una reducción de consumo del 20% y una sustitución por gas natural, presentado este un aumento al 33,6%. Se propone una desaparición del petróleo crudo y de la leña dentro de su parti- cipación. Los demás energéticos se suponen estables dentro de los años de simulación.

Otros: Este bloque de la simulación representa los demás subsectores de consumo que no caben ser discriminados dentro de las categorías anteriores, pero que igual representan un consumo y por tanto deben de ser afectados por los cambios que se supongan dentro de este escenario. Se propone entonces un aumento en el consumo del gas natural a un 58,4% y que el diesel con una alta participación al año base descienda a un 27,6%. El petró- leo presume a desaparecer al año 2030, mientras que los demás energéti- cos conservarán su participación según lo reportado en el año base.

Sector Transporte: Este sector es quizá el más crítico de los sectores pues representa un alto consumo en energéticos de alta dinámica económica. En los últimos años se ha intentado evaluar sistemas y tecnologías que reduzca la dependencia de los únicos energético cómo es el caso de la gasolina y el diesel oil. 155

Para este escenario se hace simulación de la inclusión de un nuevo energé- tico como es el bio-diesel apuntando a la nueva tendencia del uso de los biocombustibles, aprovechando el alto potencial que tiene el país en dicho campo. Las mezclas de gasolina con alcohol carburante (etanol), se analizan según los lineamientos de política energética, evaluando las mejores mezclas desde el punto de vista técnico ambiental y social y su disponibilidad espacial desde el punto de vista agroindustrial.

Se analiza estos cambios únicamente a los relacionados del subsector de transporte carretero. Se simulan vehículos híbridos y eléctricos contemplados en el árbol de transporte de LEAP. Para los demás modos de movilidad aéreo, fluvial, férreo y marítimo no se hacen simulación, debido a baja parti- cipación en el consumo y que además modos son actores receptivos que depende de las políticas energéticas que emita el MME y la UPME, en los planes energéticos.

Transporte público, privado y carga Interurbano: Para este subsector se ana- lizará la inclusión del biodiesel hasta presentar un 6,4% en el porcentaje de participación de consumo. El alcohol carburante aumentará en un 14,5%. Se propone una reducción en la gasolina debida a la mezcla exigida por las polí- ticas del gobierno y los precios del petróleo. Una reducción del diesel al 1,6% para el 2030.

Transporte público, privado y carga Urbano: Constituye el modo asociado a la movilidad en las ciudades con vehículos privados, público y carga. Por lo que se intentará modelar las nuevas inclusiones de vehículos híbridos y las apariciones e implementaciones de nuevos energéticos, presentándose el siguiente escenario en este subsector: Una reducción del uso de la gasolina hasta representar únicamente el 66%. El aumento del alcohol carburante (etanol), hasta un 15% (igual que para el subsector anterior, debido a que esta relación es política de la unidad de planificación energética). Se plantea aumento de la energía eléctrica hasta un 11%, debido a las nuevas tecnolo- gías de vehículos eléctricos, híbridos y otras incursiones tecnológicas. Una penetración del biodiesel hasta conformar el 5,2%, siendo coherente con la política de biocombustibles del MME – UPME. En tal sentido se supone re- ducción en el consumo del diesel en un 1,3%.

Sector Agrícola y Minero: Para este sector que comprenden todas las actividades productivas del sector agrario, combinadas con las de producción del sector minero. No se pre- sentarán cambios significativos en la estructura de consumo, debido a que la gran participación la tiene el procesamiento agrícola con el 65% y de esta participación el 97% son energías no comerciales como leña, bagazo y residuos vegetales. En tal sentido se plantea que se sigan los lineamientos del plan URE, con una meta de reducción del 10% en el consumo de energía eléctrica para el año 2030.

Sector Comercial: Para este sector se proyectará un crecimiento en la participación del gas natural para pasar de un 11% al 20%, y una reducción en la participación de la 156 energía eléctrica del 58,9% al 45% progresivamente al año 2030. Esto contemplado en las metas que se propuesto el plan URE de la UPME. Se prevé la eliminación del fuel oil y se estima un crecimiento en el consumo de car- bón vegetal o de leña, al pasar del 20% al 25%, especialmente en la prepa- ración de alimentos. Lo demás energéticos mantiene una dinámica constante.

4.2.4.3. Expansión en Generación con Fe- nómeno Climático.

Este escenario se caracteriza por simular la oferta de energía eléctrica, tiene en cuenta los crecimientos de la demanda y los resultados agregados de los dos escenarios anteriores, pero se hacen por primera vez y de manera equivalente la simulación del fenómeno climático del Niño Oscilación del Sur - ENSO, debido al gran componente hidroeléctrico que tiene los proyectos del Plan de Expansión de Referencia de la UPME 2010-2024 (UPME, 2010e), en especial los proyectos de subasta llamados por la UPME de Obligación de Energía Firme OEF, que deberán entrar en operación antes del año 2019. Bajo este esquema se presenta en la tabla 21 el nombre del proyecto, capacidad y año previsto para entrar en operación.

Tabla 21. Expansión en Generación OEF

EXPANSIÓN EN GENERACIÓN CON OBLIGACIÓN DE ENERGÍA FIRME - OEF

PROYECTO TIPO CAPACIDAD OBLIGACIÓN DE ENERGÍA FIRME [GWh - Año]

MW 2015 2016 2017 2018 2019

Cucuana Hidro 60.0 49 50 50 50 50

Miel II Hidro 135.2 183 184 184 184 184

El Qiumbo Hidro 396.0 400 850 1350 1650 1650

Sogamoso Hidro 800.0 400 800 1550 2300 2350

Porce IV Hidro 400.0 321 641 962 962

Pescadero Hidro 1200.0 1085

Fuente: UPME- 2008

Para este mismo escenario se agrega los proyectos que hasta la fecha estén inscritos en la UPME, por lo que se verá un aumento adicional en la capacidad instalada hasta el año 2030, se supone estarán terminados los proyectos registrados ante la UPME de acuerdo a la información que los inversio-

157 nista o propietarios han suministrado. No se considera retrasos en la puesta en marcha de los proyectos, entonces se tendrá el año registrado únicamen- te como referencia para las actividades de simulación en el modelo.

En este escenario se intenta observar la incidencia que tendría un incremen- to de la generación de energía eléctrica a partir de energía eólica y energía solar térmica y fotovoltaica, por lo que además se supondrá una inclusión de nuevos proyectos de energías renovables para una fecha de entrada del año 2020.

Subastas de energía firme en Colombia EFO Con el fin de hacer una simulación del escenario futuro se tiene en cuenta la primera subasta de Energía Firme de Colombia en mayo 2008, que garanti- zaba una energía firme de 65.87 TWh - año a partir de 2012. Los nuevos proyectos asignados con la subasta son: Amoyá (78 MW), Gecelca III (150 MW) y Termocol (201 MW). Una segunda asignación se realizó en junio 13 de 2008, para plantas de generación que entrarán en operación progresivamente desde diciembre de 2014 hasta 2019: El Quimbo (396 MW), Cucuana (60 MW), Porce IV (400 MW), Miel II (135.2 MW), Pescadero Ituango (1200 MW) y Sogamoso (800 MW). Con base en este mecanismo se ha logrado que los agentes generadores existentes y nuevos agreguen los recursos que son necesarios, de acuerdo a las proyecciones de demanda de la UPME.

Uso de integral de los recursos: Al observar los resultados de la subasta, los recursos asignados para cargo por confiabilidad son hidráulicos, todo esto conduce a la gran realidad del sector y del mercado eléctrico colombiano y es que los proyectos hidráulicos, en una planificación de largo plazo, son más competitivos. Los proyectos térmicos aparecen en una planificación de corto plazo, debido a que éstos pueden entrar rápidamente o en condiciones de racionamiento donde se vuelven viables bajo esquemas de compra ga- rantizada de energía, razón por la cual la oferta no corre ningún riesgo de precio. En consecuencia el uso integral de los recursos en Colombia con fines de generación de electricidad aparentemente solo será posible vía in- centivos o a cambios regulatorios.

Vulnerabilidad del sistema: El no uso integral de los recursos está llevando a que el sistema se torne más hidráulico y bajo la asignación de la tercera subasta se está llegando a una composición que puede ser preocupante: 80% hidráulico y tan solo de un 20% térmico y no hay proyectos de energías renovables. La vulnerabilidad se materializa en las épocas de sequías o de fe- nómenos climáticos como el fenómeno del Niño en donde el sistema falla por energía y generalmente son fallas de larga duración. Esta es la razón de simular con MODERGIS el fenómeno del niño y analizar lo que sucedería en este tipo de eventos, se fundamenta en los estudios científicos sobre la ocurrencia del fenómeno, pero para esta investigación solo se tiene en cuenta el déficit hídrico y su causalidad en sistema energético total.

158

4.2.4.4. Fenómeno del Niño Oscilación Sur – ENOS.

Se hace un énfasis especial al escenario del plan de expansión de referencia de la UPME, debido a existe un gran componente hídrico, como se muestra en las tablas 16 de obligación de energía firme, la participación hídrica es de 3069,3 MW entre 2014 y 2019 y 351 MW térmicos.

Colombia por su localización en la Franja Intertropical de Convergencia (FIC), y por su accidentada fisiografía, es un país susceptible a catástrofes y desastres naturales, los cuales en un 90% están asociados a fenómenos meteorológicos; Además ha sido afectada por el fenómeno del Niño Oscila- ción del Sur -ENOS (ENSO) debido a su proximidad al Océano Pacífico, que es zona de influencia de fenómenos Océano-Atmosféricos cuasi periódicos, difíciles de comprender (Poveda, G., 1994).

El sector eléctrico que tiene una alta participación en la generación con recursos hídricos 80%, sin embargo, ha sufrido los efectos de los eventos derivados de la variabilidad climática. Se recuerda que en 1992 la sequía oca- sionó un fuerte racionamiento de energía durante un año y la pérdida de co- sechas, indicando que El Niño era el evento que mayor impacto ha causado en la economía del País. Diferentes regiones han sido colocadas bajo estudio por las reiteradas faltas de agua desde 1991, cuyas causas no se cono- cen aún muy bien, pero que se sabe están evidentemente relacionadas con el fenómeno del Niño.

En relación a la simulación de los recursos hídricos de Colombia frente a cambio climático y el fenómeno del Niño Oscilación del Sur -ENOS (ENSO), y analizando los estudios científico de Poveda, G. & Mesa, O. (1996)quienes fueron los primeros en analizar las fases cálida y fría del fe- nómeno en 50 estaciones hidrométricas en ríos de Colombia, encontrando una clara influencia del Índice de Oscilación del Sur SOI sobre la hidrología del país. Comentan que hay buena coherencia entre las anomalías hidroló- gicas en el trópico de Sur América (Colombia, Venezuela, Guyana y la cuen- ca del Amazonas) y las dos fases del ENSO. La hidrología superficial juega un papel importante en la dinámica del ENSO sobre la región. Se presentan altas correlaciones positivas significativas entre el Índice de Oscilación de Sur y los registros de caudales mensuales de 50 ríos colombianos.

Resaltan la importante y marcada tendencia que se da en varias de las regiones en donde las máximas correlaciones se obtienen para los caudales de diciembre, enero, febrero y marzo, abril y mayo sobresaliendo las correlaciones simultáneas. La dependencia de las dos variables es más fuerte para las estaciones cercanas al Océano Pacífico, de acuerdo a los resultados obtenidos la mayor influencia está dada en las estaciones del Cauca y Valle del Cauca, le sigue en orden de importancia los ríos de Antioquia, mientras que las correlaciones son menores para los departamentos ubicados en la zona oriental (Cundinamarca y Boyacá).

159

Además, se encontró que de las regiones naturales de Colombia, la Andina es una de las más afectadas espacial y temporalmente por sequías. Las más fuertes se registraron en los años de ocurrencia del Niño de 1972, 1976- 1977, 1987 y 1991-1992, ocupando más de un semestre consecutivo (Carvajal, Y., Jiménez, H., & Materón, H., 1998)

En escenarios de cambio climático generados en el 2006 por Pabón (2010)mostraron la siguiente perspectiva para el futuro: “El aumento de temperatura conllevará a la reducción de áreas de glaciares y a su desaparición total en la primera mitad del siglo XXI. El calentamiento de la atmósfera tam- bién contribuirá al aumento de la evaporación y de la evapotranspiración con lo que se afecta el ciclo hidrológico, reduciendo la escorrentía”.

Teniendo en cuenta con antecedente todos los estudio científicos de IDEAM y (Poveda, G. & Mesa, O., 1996),(Pabón, 2010), (Carvajal, Y. et al., 1998) y revisando las conclusiones de la intensidad y ocurrencia del fenómeno del niño, que oscila entre nueve (9),(6) y (3) años, se asume para el escenario de MODERGIS en LEAP el más alto, fenómeno del niño ENSO en principio cada 10 años y la intensidad promedio de 10 – 12 meses, iniciando con el año 2010, y simulando para los años 2020 y 2030. En una segunda fase se hace la simulación para cada 3 años, es importante aclarar que la simula- ción se hace sobre los aportes hídricos del caudal que llegan a los embalses, para lo cual se interviene el merito de orden de despacho de las centrales hidroeléctricas de un primer lugar, a un segundo o tercer lugar de despacho. Esto argumentando que las centrales no tienen las reservas hídricas para generar electricidad. la información de la serie histórica se presenta en la tabla 22 que muestra cómo ha evolucionado los aportes promedios de los embalses en los últimos diez años, nunca superado el 70%. Este valor es crítico cuando se acerca al 50%, según los resultados del modelo. Tabla 22.Aportes a los Embalses Agregado Nacional.

Evolución Mensual del Embalse Agregado Nacional (%) Mes 2002 2003 2004 2005 2006 2007 2008 2009 2010

Enero 75,80 65,31 72,14 74,22 70,86 75,70 72,79 77,19 60,48 Febrero 67,66 54,64 61,02 64,99 59,61 62,95 65,16 69,27 51,87 Marzo 61,88 46,53 53,44 53,64 57,06 53,97 59,35 63,39 44,07 Abril 67,09 48,73 53,83 51,52 63,67 55,05 55,64 61,54 46,23 Mayo 75,25 59,35 65,79 59,83 75,09 62,06 63,21 60,19 51,69 Junio 84,69 67,87 77,23 65,65 81,74 71,81 74,93 64,21 57,21 Julio 86,84 73,03 82,67 64,95 83,24 71,07 84,83 71,04 65,34 Agosto 86,31 75,77 82,55 67,41 81,46 75,08 85,61 74,36 66,23 Septiembre 85,06 76,56 84,59 72,11 79,07 75,23 83,47 69,15 69,22 Octubre 83,32 81,38 86,16 76,54 84,41 82,51 81,73 69,91 69,91 Noviembre 81,79 83,62 87,43 84,14 87,87 82,31 88,01 70,78 79,33 Diciembre 76,70 80,71 82,47 79,56 84,88 79,93 82,72 67,02 77,81 Promedio 77,7 67,792 74,11 67,88 75,75 70,64 74,79 68,17 61,617

160 año

Fuente: ISA – UPME 2010

4.2.5. Resultados Parciales ENERDEM

Los resultados parciales de ENERDEM están contenidos en tres escenarios:

Demanda de Energía y Crecimiento Demográfico: es el caso de referencia para la construir del árbol de demanda y oferta, se tomo como caso de ajuste con el balance de energía real. Se usa para comparar los resultados de los otros escenarios y ver que podría pasar en el futuro si no ocurriera ninguna actividad de política energética, por tal razón no se presenta resultados.

Uso racional, Nuevos Energéticos y Eficiencia Energética: se presentan los resultados de la proyección de la demanda, bajo lo criterios explicados en la sección 4.2.4.2, que coincide con la proyecciones de energía de la UPME, de 979 GJ en el 2005 y de 1800 Gj en el 2030 en comparación con 900 millones de Giga Julios reales en el año base 2005, a cerca de 1700 Mi- llones de Giga julios.

Es importante resaltar que solo presenta estos resultados agregados en la demanda total por subsector y por año, pero se hicieron comparaciones con el año base que no contempla modificación alguna en la estructura de consumo, como proceso vegetativo con aumento tendencial de las variables ex- plicativas.

Figura 38. Proyección de la Demanda de Energía por subsector.

161

En la Figura 38 se presentan los resultados de la proyección de la demanda de energía pasando de cerca de 900 millones de Giga julios reales en el año base 2005, a cerca de 1700 Millones de Giga julios en el año horizonte de 2030. Expansión en Generación con Fenómeno Climático: este escenario que simulo el comportamiento de la oferta de energía y en especial la eléctrica basado en satisfacer la demanda del escenario de Uso racional, Nuevos Energéticos y Eficiencia Energética, como se presentó anteriormente, se observa que bajo los supuestos contenidos en la sección 4.2.4.3 y el criterio de simular la presencia del fenómeno del niño como afectación en la disminu- ción de los aportes hídricos a los embalses del sistema interconectado, que participa con un 80 % de la generación eléctrica se obtiene:

Figura 39. Matriz de Generación Eléctrica. Que la matriz de generación que se presenta en la figura 39, son los resultados de la simulación realizada, con presencia del fenómeno del niño, donde se presenta un déficit de generación de 6906 GWh. En este sentido se simulan nuevos 600 MW de energía eólica y 600 MW de energía solar fotovoltaica, que serían necesarios para superar el déficit que se presentaría, des- pués del año 2020. Con esta simulación la matriz energética cambiaría de una participación de 0,23 % en energías renovables en el año base 2005 y con una capacidad de 19,5 MW en eólica, a un 7% con 1200 MW de energía eólica y solar a partir del años 2020 y culminado en el año 2030.

162

Figura 40. Generación de Energía Eléctrica bajo fenómeno de Niño. Finalmente en la Figura 40 se observa con detalle los efectos en la genera- ción eléctrica con un fenómeno del niño en los años 2010 y 2025 con una alta participación de las centrales térmicas e introduciendo las energías renovables, como eólicos ModerGIS y Solar Pv ModerGIS.

4.2.6. Emisiones Gases de Efecto Invernadero

Se presentan los resultados de las emisiones de gases de efectos invernadero para el escenario de crecimiento poblacional y PIB caso base, por cada uno de los subsectores, basados en los factores de emisión por combus- tión de energéticos y demás metodologías de la comunicación que el IDEAM desarrolló para calcular la emisión de gases (IDEAM, 2009) Tabla 23. Emisiones de Gases de Efecto Invernadero GEI

LEAP Año Base Emisiones Sectores de Consumo LEAP 2005 [Billones de gramos] Sectores Dióxido Carbono Metano Oxido nitroso Total Residencial 5873 69 18 5960 Industria 12787 51 157 12996 Transporte 23237 108 71 23415 Agrícola y Minero 1295 254 60 1609 Comercial 713 51 31 795 Total 43904 533 337 44774 Fuente: ENERDEM

Los resultados para el modelo planteado muestran que las emisiones de cada contaminante aumentarán según los consumos que tenga cada sector.

163

Las emisiones están basadas en la demanda del año base 2005 y aumenta- rán dependiendo del consumo que tenga cada sector.

Figura 41. Emisiones de CO2 Esto se ven reflejados en los resultados de la tabla 23 y la figura 41. Las emisiones de CO₂ del modelo LEAP, coinciden con los valores presentados por el IDEAM en la segunda comunicación nacional de Colombia ante la convención marco de las Naciones Unidas sobre cambio climático e inventario nacional de gases de efecto invernadero para el año 2004 en el módulo de energía. 4.3. ENERSOS

EL modulo de Energía, toma de decisión y sostenibilidad - ENERSOS, recibe los resultados del déficit de energía que se presenta en el del escenario Ex- pansión en Generación con Fenómeno Climático de ENERDEM, de 1200 MW para simular como estará distribuida la nueva capacidad eléctrica de energías renovables que se va a introducir en la matriz energética.

ENERSOS se planteó con el fin de facilitar el diseño y selección de proyectos o planes energéticos renovables, permite evaluar un conjunto de opciones o alternativas para resolver problemas de características definidas, con base en criterios estandarizados o definidos a conveniencia por el usuario.

Para la construcción del módulo práctico de ENERSOS para el caso Colom- bia, se parte de los potenciales energéticos, ubicados por región, previamente identificados en el módulo ENERGIS. Los resultados obtenidos fueron energía eólica, energía solar y biomasa y con base en esto se identificaron las tecnologías energéticas vigentes en el mercado. Posteriormente se seleccionaron las alternativas energéticas con las cuales se comenzó la aplica- ción del método VIKOR. Para el caso de estudio las alternativas escogidas fueron: Energía Eólica, Energía Solar fotovoltaica, Energía Solar termoeléc- trica, Biomasa Dendroenergía y Biomasa Co-combustión. De acuerdo al es- 164

tado del arte explicado en el capítulo 2 se seleccionaron como criterios de evaluación:

Generación (kWh/año) que corresponde a la capacidad instalada de la tecnología multiplicado por el número de horas reales de operación al año.

Inversión por potencia instalada ($US/KW) corresponde a la cantidad de dinero que es necesario invertir por el número de KW (Potencia) que contiene la tecnología.

Tiempo de implementación (Años) referido al tiempo necesario para la construcción de la tecnología.

Vida útil (Años) se refiere al número de años de operación para los cuales fue diseñada la tecnología.

Emisiones de CO2 evitadas (Ton/año/KW) se refiere a las emisiones de CO2 que se evitan anualmente por cada KW de la tecnología instalada. Se calcula utilizando el factor de emisión para Colombia dado por la UPME.

Uso del Suelo (Ha/KW) que corresponde a las áreas productivas que son requeridas para instalar 1 KW de potencia de una tecnología dada.

Estos criterios están contemplados dentro de las tres dimensiones de la sostenibilidad, por lo que la matriz de pagos elaborada a partir de las alternativas y de los criterios se llamará matriz de sostenibilidad.

Primero se hace el cálculo para jerarquizar las tecnologías mediante el mé- todo multiatributo que se explica detalladamente en el numeral 4.3.1 y estos resultados son utilizados luego para optimizar según el método VIKOR Mul- tiobjetivo en el numeral 4.3.2. que da como resultado la combinación óptima de tecnologías que alimentaremos nuevamente a los escenarios de ENER- DEM. 4.3.1. VIKOR Multicriterio Colombia

La finalidad de esta etapa es obtener una lista jerarquizada de alternativas con base en la evaluación de unos criterios (Tabla 24). Para el caso de Co- lombia las alternativas a evaluar son:

Tabla 24.Alternativas Método VIKOR.

ALTERNATIVAS

A1 Energía Eólica

165

A2 Energía Solar Termoeléctrica

A3 Energía Solar Fotovoltaica

A4 Biomasa Dendroenergía

A5 Biomasa Co-Combustión

Estas alternativas se evalúan de acuerdo a los seis atributos (Tabla 25) que se consideraron más representativos para el sector energético colombiano, aunque es importante aclarar que ENERSOS permite la introducción de nuevos atributos según preferencia del decisor

Tabla 25.Atributos Método VIKOR

ATRIBUTOS UNIDADES

f1 Generación KWh/año

f2 Inversión por Potencia Instalada $US/KW

f3 Tiempo de Implementación Años

f4 Vida Útil Años

f5 CO2 Evitado Ton/año/KW

f6 Uso del suelo Ha/KW

En la tabla 26se presenta la matriz con los valores reales de las alternativas energéticas seleccionadas y sus respectivos atributos descritos al principio de este capítulo. La información base real de los atributos para el caso Co- lombia fueron basados en el Plan de Fuentes no Convencionales de Energía de la UPME realizado en el año 2010 (UPME, 2011)y de los precios que a nivel internacional Delucchi & Jacobson (2011) calcularon y publicaron para el año 2030 y 2050.

Tabla 26.Matriz con Valores Reales

ALTERNATIVAS

A1 A2 A3 A4 A5

166

f1 61320000 87600000 52560000 87600000 876000000

f2 1580 3082 3823 1886 1886

f3 1 2 0.5 1 1

f4 20 25 25 15 20 ATRIBUTOS f5 873.503 1247.86 748.717 623.93 623.93

f6 0.00204 0.00219 0.001 0.0045 0.0039

. Una vez definidas las alternativas y los atributos se construyó una matriz llamada “matriz de pagos” donde se indica el desempeño de cada alternativa frente a cada criterio, con el fin de presentar toda la información con la que cuenta el decisor durante este proceso de decisión.

Después de visualizar la información, se realizó un proceso de ponderación (Tabla 27), el cual es fundamental ya que será lo que refleje las preferencias del equipo o panel de expertos, y lo que logrará minimizar la subjetividad y sesgo que se presente debido a la orientación o formación de cada evalua- dor. Tabla 27.Ponderación de los Criterios.

1 2 3 4 5 6

1 1 1 3 1 1 0.333

2 1 1 1 3 3 1

3 0.333 1 1 0.333 0.333 0.333

4 1 0.333 3 1 1 0.333

5 1 0.333 3 1 1 0.333

6 3 1 3 3 3 1

Esta ponderación se puede realizar mediante varios métodos cómo se expli- có en la sección 2.8; ENERSOS está programado para realizar la pondera- ción mediante el método AHP que también fue explicado anteriormente en la sección 3.3.3. Los pesos según la ponderación para este caso corresponden a importancias relativas reales (Tabla 28) para cada uno de los atributos.

167

Tabla 28.Pesos de Atributos

fi f1 f2 f3 f4 f5 f6

wi 0.1465 0.2275 0.0838 0.1227 0.1227 0.2968

Después de realizar todo el procedimiento interno propio de VIKOR, la primera fase de ENERSOS arrojó las siguientes listas correspondientes a , y : Tabla 29.Calificación Qj.

Aj A1 A2 A3 A4 A5

Qj 0.0686 0.6531 0.1398 1.0000 0.7808

Lugar 1 3 2 5 4

Donde los valores de Qj (Tabla 29) representan una medida de la distancia de la alternativa j a la solución ideal teniendo en cuenta que la importancia relativa de y son iguales a 0.5 Tabla 30.Calificación Sj

Aj A1 A2 A3 A4 A5

Sj 0.3102 0.5492 0.2447 0.7217 0.6290

Lugar 2 3 1 5 4

Donde los valores de Sj (Tabla 30) representan una medida de la distancia de la alternativa j a la mejor solución. Tabla 31.Calificación Rj

Aj A1 A2 A3 A4 A5

Rj 0.0881 0.2274 0.1465 0.2967 0.2458

Lugar 1 3 2 5 4

Donde los valores de Rj (Tabla 31) representan una medida de la distancia de la alternativa j a la peor solución. Estas listas tienen un significado cuando se organizan de menor a mayor valor. En éste caso y coinciden en que la primera alternativa debe ocupar el primer lugar. Como se cumplen las condiciones a) y b) expuestas en la 168

sección 3.3.3. entonces la primera opción A1, viene seguida de A3 y A2, que ocupan el segundo y tercer lugar respectivamente. Para Colombia, las alternativas energéticas no convencionales de mayor potencial que son más adecuadas para suplir parte de la demanda futura son en orden:

1. Energía Eólica 2. Energía Solar Fotovoltaica 3. Energía Solar Termoeléctrica.

Con este resultado se pasa a la segunda etapa de ENERSOS donde se eva- luará la cantidad de unidades óptima para suplir un porcentaje de la demanda de energía para el año 2030.

4.3.2. VIKOR Multiobjetivo

La finalidad de esta etapa es obtener una lista jerarquizada de combinaciones de las alternativas energéticas más adecuadas para el caso de Colom- bia, y que fueron seleccionadas previamente en la etapa anterior, con base en la evaluación de unos criterios. El número de combinaciones que serán las nuevas alternativas para utilizar éste método, dependerán de la restric- ción de potencia. Este valor de potencia ingresado corresponde a una demanda de energía eléctrica que se supone será cubierta en su totalidad por combinaciones de las distintas alternativas renovables (Tabla 32). Para este caso se trabajará con 2000 MW:

Tabla 32. Alternativas método VIKOR

ALTERNATIVAS A COMBINAR

A1 Energía Eólica

A2 Energía Solar Fotovoltaica

A3 Energía Solar Termoeléctrica

Las combinaciones de alternativas se evaluaron de acuerdo a los siguientes criterios (Tabla 33):

Tabla 33. Definición de Objetivos a Optimizar

169

OBJETIVOS ATRIBUTOS UNIDADES

Objetivo z1 Costo por Potencia Instalada $US/KW Z1 Económico z2 Generación Anual KWh/Año

Objetivo z3 Emisiones de CO2 Evitadas Ton CO2/KW/Año Z2 Ambiental z4 Uso del Suelo Ha/KW Objetivo Z3 z5 Número de Empleos Generados N° Empleos/KW Social

Se plantean tres objetivos fundamentales obedeciendo a las tres dimensiones de la sostenibilidad. El primer objetivo es el correspondiente a la dimen- sión económica, y lo que se busca con éste es lograr la mayor generación anual al menor costo de inversión posible. Este dependerá fundamentalmente de dos atributos que son el costo por potencia instalada y la generación anual. A continuación se presenta el planteamiento matemático:

La función objetivo económico se puede expresar como una función de agregación así:

Donde , representa la función del objetivo económico; , representa la función del atributo ‘costo por potencia instalada’; , representa la función el atributo ‘generación anual’.

Cada una de las funciones que componen la función objetivo están definidas en términos de las mismas variables que representan las tres alternativas energéticas renovables más competitivas para el caso de Colombia:

Donde , expresa el número de unidades de generación de energía eólica de 20 MW; , indica el número de unidades de generación de energía solar fotovoltaica de 20 MW; y por último, , representa el número de unidades de generación de energía solar termoeléctrica de 20 MW.

Así, la función objetivo queda finalmente definida como:

El segundo objetivo que se planteó corresponde a la dimensión ambiental, y lo que se busca con éste es lograr el menor impacto negativo al ambiente. Este dependerá fundamentalmente de dos atributos que son las emisiones de CO2 evitadas y el uso del suelo. Su planteamiento matemático es: 170

La función objetivo ambiental se puede expresar como otra función de agregación así:

Donde , representa la función del objetivo ambiental; , representa la función del atributo ‘Emisiones de CO2 evitadas’; , representa la función del atributo ‘Uso del suelo’.

Cada una de las funciones que componen la función objetivo están definidas en términos de las mismas variables que representan las tres alternativas energéticas renovables más competitivas para el caso de Colombia:

Donde , expresa el número de unidades de generación de energía eólica de 20 MW; , indica el número de unidades de generación de energía solar fotovoltaica de 20 MW; y por último, , representa el número de unidades de generación de energía solar termoeléctrica de 20 MW.

Así, la función objetivo queda finalmente definida como:

El tercer y último objetivo que se planteó corresponde a la dimensión Social, y lo que se busca con éste es lograr el mayor beneficio social posible. A diferencia de los objetivos anteriores, éste sólo dependerá de la función del atributo ‘número de empleos generados’. Por lo tanto su planteamiento mate- mático será más sencillo:

La función objetivo social se representa así:

Donde , representa la función del objetivo social y , representa la función del atributo ‘número de empleos generados’.

La función del atributo que compone la función objetivo está definida en términos las variables que representan las tres alternativas energéticas renovables más competitivas para el caso de Colombia:

Donde , expresa el número de unidades de generación de energía eólica de 20 MW; , indica el número de unidades de generación de energía solar fo-

171

tovoltaica de 20 MW; y por último, , representa el número de unidades de generación de energía solar termoeléctrica de 20 MW.

Así, la función objetivo queda finalmente definida como:

Después de definir estas funciones, se ingresó como restricción una potencia de2000 MW, con lo que el algoritmo generó 5151 combinaciones. Estas combinaciones se convierten en las nuevas alternativas a evaluar y esta evaluación comienza con la ponderación de criterios mediante el método AHP descrito en la sección 3.3.2 (Tabla 34). A continuación se presentan las ponderaciones realizadas:

Tabla 34. Ponderación VIKOR Multiobjetivo

Z1 Z2 Z3

Z1 1 1 5

Z2 1 1 5

Z3 0.2 0.2 1

Z1 z1 z2

z1 1 1

z2 1 1

Z2 Z3 Z4

Z3 1 1

172

Z4 1 1

Luego de realizar esta ponderación los pesos (Tabla 35) que se obtuvieron para cada atributo son:

Tabla 35. Ponderación de Pesos.

zi z1 z2 z3 z4 z5

wi 0.2272 0.2272 0.2272 0.2272 0.0909

Teniendo el vector de pesos se aplicó el método VIKOR paso a paso como se ex- plicó en la sección 3.3.1. Las tres mejores combinaciones teniendo en cuenta la importancia relativa dada a los criterios y la restricción de potencia fueron (Tabla 36):

Tabla 36. Resultados obtenidos de VIKOR

N° 1: (30,37,33) 2: (29,37,34) 3:(28,36,36)

Qj 0.2807 0.2808 0.2813

Sj 0.6002 0.5977 0.5913

Rj 0.1352 0.1358 0.1374

Como se explicó en la sección 3.3.2 se deben corroborar las condiciones a) y b):

Verificación de a):

Como esta afirmación no es cierta, pues 0.0001 es menor que 0.00019, se concluye que la condición a) no se cumple.

Verificación de b):

173

Los primeros tres lugares correspondientes a las listas organizadas de los valores Qj, Rj y Sj son:

Tabla 37. Primeros tres lugares de las listas Qj, Sj, Rj.

Qj 0.2807 0.2808 0.2813

Sj 0.3794 0.3819 0.3833

Rj 0.1352 0.1358 0.1363

Comparando los resultados de las tablas 36 y 37 se observa que se cumple b), pues el primer lugar de las listas Qj y Rj corresponde a una misma alternativa, en este caso es la combinación (30, 37, 33).

Como la condición a) no se cumple entonces se formuló una solución de compromiso dada por d) de manera que se cumpla. Las mejores alternativas según VIKOR son donde está determinada por la relación . Así, la solución de compromiso estará conformada por las combinaciones y , pues .

Los valores de Qj representan las distancias de las alternativas a la solución ideal, que no necesariamente se encuentra dentro del conjunto de soluciones o alternativas y cuyo valor de Qj sería igual a 0. En esta caso la alternativa más cercana, y por consiguiente la mejor, corresponde a las combinaciones (30, 37, 33) y (29, 37, 34). Las distancias se obtienen teniendo en cuenta la importancia relativa, v, que se da a Sj y Rj, que representan la distancia de las alternativas a la mejor y peor de las soluciones respectivamente, contenidas en el conjunto de alternativas, que en este caso son todas las combinaciones posibles de tecnologías renovables sujetas a la restric- ción de potencia global.

Así, el orden de preferencia arrojado por VIKOR Multiobjetivo es:

1. La primera opción (30, 37, 33) significa 30 Unidades generadoras de Energía Eólica, 37 Unidades Generadoras de Energía Solar Fotovoltaica y 33 Unidades Generadoras de Energía Solar Termoeléctrica, todas de 20,000 KW.

2. La siguiente opción (29, 37,34), que también ocupa el primer lugar junto con la anterior, significa 29 Unidades generadoras de Energía Eólica, 37 Unidades Generadoras de Energía Solar Fotovoltaica y 34 Unidades Generadoras de Energía Solar Termoeléctrica, todas de 20,000 KW.

3. La segunda opción (28, 36,36) significa 28 Unidades generadoras de Energía Eólica, 36 Unidades Generadoras de Energía Solar Fotovoltaica y 36 Unidades Generadoras de Energía Solar Termoeléctrica, todas de 20,000 KW.

174

Estos resultados indican que estas combinaciones de fuentes renovables de ener- gía serían las óptimas de acuerdo a la importancia dada a cada objetivo para el caso de Colombia en el año 2030, en un escenario afectado por el fenómeno del niño y en el que se quiera incluir un 7% de participación de energías renovables en la matriz energética para suplir la demanda total.

Según lo previsto en el escenario del Plan de Expansión en generación realizado por ENERDEM, las previsiones de energía eléctrica para el año 2030 son de 87416 GWh. De la misma manera lo simulado en el escenario de fenómeno del niño critico, será del orden de 80510 GWh. La diferencia no prevista por en el plan de ex- pansión de generación de la UPME representa una diferencia de 6906 GWh/año que al simular con 1200 MW de solar y eólica adicionales se puede superar el défi- cit que se presentaría a raíz del fenómeno del niño. Esta potencia adicional que se- ría ofertada con energías renovables, eólica y solar, constituye un 7% de la capacidad instalada total prevista por el plan de expansión de 16943 MW. En este sentido, MODERGIS cumple con el objetivo de proponer un cambio en el porcentaje de participación de energías renovables en la canasta energética, al pasar de un 0,2% al 7% para suplir el déficit y de esta manera asegurar el suministro sostenible de energía eléctrica.

4.3.1. Resultados Parciales de ENERSOS

Los resultados parciales de ENERSOS son presenta tres combinaciones más opti- mas así:

Una primera combinación de 30 Unidades generadoras de Energía Eólica, 37 Uni- dades Generadoras de Energía Solar Fotovoltaica y 33 Unidades Generadoras de Energía Solar Termoeléctrica, todas de 20,000 KW. Una segunda combinación conformada con 29 Unidades generadoras de Energía Eólica, 37 Unidades Gene- radoras de Energía Solar Fotovoltaica y 34 Unidades Generadoras de Energía So- lar Termoeléctrica, todas de 20,000 KW. Una tercera combinación de 38 Unidades generadoras de Energía Eólica, 36 Unidades Generadoras de Energía Solar Foto- voltaica y 36 Unidades Generadoras de Energía Solar Termoeléctrica, todas de 20,000 KW. Estos resultados indican que éstas combinaciones de fuentes no convencionales serían las óptimas de acuerdo a la importancia dada a cada objetivo para el caso de Colombia en el año 2030, en un escenario afectado por el fenómeno del niño y en el que se quiera incluir un 7% de participación de energías renovables en la matriz energética para suplir la demanda total.

En el escenario del Plan de Expansión en generación realizado por ENERDEM las previsiones de energía eléctrica para el año 2030 son de 87416 GWh (ver tabla 39). De la misma manera lo simulado en el escenario de fenómeno del niño critico, será del orden de 80510 GWh (ver tabla 40). La diferencia no prevista por en el plan de expansión de generación de la UPME representa una diferencia de 6906 GWh/año que al simular con una instalación de 1200 MW, 600MW en eólica y 600

175

MW en solar adicionales se superara el déficit que se presentaría a raíz del fenó- meno del niño (ver tabla 41). En este sentido, MODERGIS cumple con el objetivo de proponer un cambio en el porcentaje de participación de energías renovables en la canasta energética, al pasar de un 0,2% al 7% para suplir el déficit y de esta manera asegurar el suministro sostenible de energía eléctrica.

176

5. RESULTADOS Y ANÁLISIS

El primer resultado de MODERGIS en coherencia con el objetivo propuesto es determinar los potenciales de fuentes renovables de energía, partiendo de zonas que ambiental, social y culturalmente son factibles les para el uso sostenible, se presenta este resultado en la tabla 38, que identificó 26634 MW de potencial eólico, 349,4 GW de potencial solar(muy superior al presentado por la asociación de fabricantes de paneles solares de Europa - EPIA en 5900 MW, debido a que ellos referencian solo a la radiación de la capital del país en este caso Bogotá). En Biocombustibles aporto 9667 Km² para caña de azúcar en producción de bioalcohol, 291486 Km² en palma de africana, que se puede mezclar en diesel oil para producir Biodiesel y 366310 Km² para biomasa forestal que puede ser usada en plantas de co-cogeneración o en biocombustibles de tercera generación.

Tabla 38 Resumen de Potenciales con MODERGIS

En cuanto a la demanda de energía, los resultados obtenidos por la simulación de MODERGIS, presenta unos requerimientos de demanda total de energía para el año 2030 de 1707 400 TJ, en electricidad de 249430 TJ. En generación de energía eléctrica se requiere de 87416 GWh, según lo previsto en el plan de expansión en condiciones normales (ver tabla 39). Lo simulado con MODER- GIS para el escenario presencia de fenómeno de niño arroja un resultado de solo 80510 GWh.(ver tabla 40) Esta diferencia en la oferta de energía eléctrica y no prevista por en el plan de expansión de la UPME viabiliza el escenario de inclusión de energías renovables (ver tabla 41) propuesto por MODERGIS y se puede realizar el cambio en la matriz energética de pasar de 0,23% al 7%, objeto de esta investigación para suplir el déficit.

La simulación realizada del efecto que el fenómeno del Niño Oscilación del Sur –ENSO tendría sobre el sistema hidro-térmico del sistema eléctrico nacional, arroja un déficit de generación de origen hidroeléctrico después del año 2020, creando posibles problemas en el suministro eléctrico, debido a que el respaldo 177 de la capacidad instalada de origen térmico esta limitada y no pueden superar la generación de 5000 GWh año en carbón mineral, y 20 000 GWh- año en gas natural.

Se observa que las pocas reservas de gas natural existentes podría ser un in- conveniente en la generación de orden térmico ya que después del año 2018 mostrado por los resultado de MODERGIS, se prevé un agotamiento de las reservas Gas Natural, en tal sentido debería pensarse que para satisfacer la demanda eléctrica sería necesario establecer un mercado basado en importaciones y precios internacionales. Como alternativa a este problema, están las fuentes renovables de energía como la energía, eólica, solar y co-combustión, resultados de MODERGIS.

Figura42. Simulación del Fenómeno del Niño (ENSO) en Colombia

Fuente: MODERGIS - elaboración Propia Es claro que a la escasez de recursos hídricos o aportes de agua en los embalses de las centrales hidroeléctricas (véase línea azul oscura figura 42), se ve reflejado en el aumento de la generación con los combustibles fósiles para satisfacer la de demanda de energía (ver línea azul claro para gas natural y morada para carbón mineral). Esto incrementa el consumo en Gas Natural y de Carbón Mineral, y lo más importante observamos como aumenta la partici- pación de la energía eólica y solar (ver línea naranja para eólica y azul clara para solar) cuando se presenta este fenómeno que es secuencial con una frecuencia regular de diez (10) años, pero con las estadísticas de presencia de fenómeno de niño se observa que la frecuencia tiente a ser menor seis (6) años y tres (3) es la más estable. 178

En la tabla 39 se observa el escenario normal estándar que pudiera ocurrir en condiciones normales sin la presencia del fenómeno del niño y con una hidro- logía normal. Tabla 39. Simulación del Plan de Expansión condiciones normales en Colombia

ENERDEM Escenario: Plan de Expansión en Generación, UPME. Sin modificaciones. Unidades GWh 2005 2010 2015 2020 2025 2030 Hidroelectricas SIN 38910,0 50414,7 47666,0 48498,7 50781,7 50781,7 Hidroelectrica El Quimbo 0,0 0,0 2214,2 2252,8 2358,9 2358,9 Hidroelectrica Sogamoso 0,0 0,0 4473,1 4551,2 4765,4 4765,4 Hidroelectrica Porce IV 0,0 0,0 2236,5 2275,6 2382,7 2382,7 Hidroelectrica Pescadero 0,0 0,0 0,0 6826,8 7148,2 7148,2 Cogenerado y Autoproductor 114,0 12,8 0,0 0,0 137,8 375,9 Termo Gecelca 3 0,0 0,0 0,0 0,0 176,9 482,4 Termicas carbon SIN 2086,0 94,5 0,0 0,0 1015,3 2769,2 Termicas Gas Natural SIN 7128,0 370,7 0,0 0,0 3983,5 10864,7 Eolicos MODERGIS 0,0 0,0 0,0 0,0 0,0 0,0 Termocol GNFO 0,0 0,0 0,0 0,0 297,8 812,1 Hidro Miel II 0,0 0,0 754,8 768,0 804,2 804,2 Hidro Cucuana 0,0 0,0 335,5 341,3 357,4 357,4 Hidro Amoya 0,0 0,0 436,1 443,7 464,6 464,6 Plantas Menores 2121,0 3026,4 2861,4 2911,4 3048,5 3048,5 Solar PV MODERGIS 0,0 0,0 0,0 0,0 0,0 0,0 Total 50359,0 53919,2 60977,6 68869,6 77722,9 87416,0 Fuente: ENERDEM - LEAP

En la tabla 40 se observa los resultados de la simulación del escenario del plan se expansión en generación de la UPME incluyendo la presencia del fe- nómeno del niño sin ningún respaldo de capacidad térmica, situación no prevista en el plan de expansión, ni el respaldo de centrales de generación con ener- gías renovable. Es claro que la flexibilidad de MODERGIS e internamente de su modulo Ener- DEM, permite hacer este tipo de simulación al sensibilizar el orden de merito en la operación del as centrales e introducir participación en los aportes hídricos o combustibles dependiendo de su oferta. Esto también se puede hacer para las caracterizas propias de las energías renovables incluyendo la presencia del recurso.

179

Tabla 40 Simulación del Plan de Expansión con fenómeno del niño.

ENERDEM Escenario Plan de Expansión en Gneración UPME con Fenomeno de Niño Unidades Gigawatt-Hours 2005 2010 2015 2020 2025 2030 Hidroelectricas SIN 38910,0 23897,3 44807,4 44807,4 23897,3 44807,4 Hidroelectrica El Quimbo 0,0 0,0 2081,4 2081,4 1110,1 2081,4 Hidroelectrica Sogamoso 0,0 0,0 4204,8 4204,8 2242,6 4204,8 Hidroelectrica Porce IV 0,0 0,0 2102,4 2102,4 1121,3 2102,4 Hidroelectrica Pescadero 0,0 0,0 0,0 6307,2 3363,8 6307,2 Cogenerador y Autoproducto 114,0 337,3 69,7 96,4 337,3 337,3 Termo Gecelca 3 0,0 0,0 108,6 150,3 525,6 525,6 Termicas carbon SIN 2086,0 4309,9 712,4 1109,1 4309,9 3447,9 Termicas Gas Natural SIN 7128,0 14795,6 2751,2 3807,6 14795,6 11836,5 Eolicos MODERGIS 0,0 0,0 0,0 0,0 0,0 0,0 Termocol GNFO 0,0 0,0 164,5 227,7 796,3 884,8 Hidro Miel II 0,0 0,0 709,6 709,6 378,4 709,6 Hidro Cucuana 0,0 0,0 315,4 315,4 168,2 315,4 Hidro Amoya 0,0 0,0 410,0 410,0 218,6 410,0 Plantas Menores 2121,0 2540,4 2540,4 2540,4 2540,4 2540,4 Solar PV MODERGIS 0,0 0,0 0,0 0,0 0,0 0,0 Total 50359,0 45880,5 60977,6 68869,6 55805,4 80510,5 Fuente: ENERDEM - LEAP

En la tabla 41 se presenta los resultados de la simulación del fenómeno del niño con la inclusión de energías renovables, se observa los valores de la baja en generación hidroelectricidad debido a los bajos aporte de los ríos a los embalses y el aumento de la generación con gas natural y carbón mineral. Es importante resaltar que como objetivo fundamental de esta investigación se hace la inclusión de energía eólica y la energía solar para solucionar el desequilibrio presentado por la baja participación de las centrales hidroeléctricas por la presencia del fenómeno del niño. La diferencia entre los escenarios del plan de expansión en condiciones normales y el escenario del plan de expansión con fenómeno del niño es un déficit de generación de 6906 GWh. Bajo estos resultado se construye un nuevo escenario con la inclusión de energía eólica y solar, la simulación se basó primero en las observaciones de los aportes de los ríos a los embalses de los últimos 20 años, segundo en el análisis de la información sobre presencia del fenómeno de niño en los últimos veinticinco años, ajustado al ultimo evento presentado en el año 2010 y tercero de revisar las potencialidades de energías renovables, en especial de energías solar y eólica, que arrojó el modulo de EnerGIS.

Se observa como la energías eólica inicia su participación en el año 2020, se duplica para el año 2025 y prácticamente esta triplicada para el año 2030. La energía solar inicia para el año 2015 y rápidamente se va posicionando hasta llegar a 3.6% de la generación total en el años 2030.

180

Tabla 41. Simulación P. de E. con fenómeno de Niño y Energías Renovables.

ENERDEM Escenario: Plan de Expansión en Generación, UPME.con inclusión de energías renovables. Unidades GWh 2005 2010 2015 2020 2025 2030 Hidroelectricas SIN 38910 31923,1 49591,6 48439,8 29871,6 44807,4 Hidroelectrica El Quimbo 0 0 2303,6 2250,1 1387,6 1957,9 Hidroelectrica Sogamoso 0 0 4653,8 4545,7 2803,2 3955,4 Hidroelectrica Porce IV 00000 0 Hidroelectrica Pescadero 0 0 0 6818,5 4204,8 5933,1 Cogenerador y Autoproductor 114 350,1 2,2 0 409,5 385,2 Termo Gecelca 3 0 0 2,9 0 525,6 494,4 Termicas carbon SIN 2086 4309,9 21,1 0 5171,9 3243,4 Termicas Gas Natural SIN 7128 14795,6 72,5 0 17754,8 13918,2 Eolicos MODERGIS 0 0 0 1337 2803,2 4204,8 Termocol GNFO 0 0 4,3 0 796,3 1498,1 Hidro Miel II 0 0 785,3 767,1 473 709,6 Hidro Cucuana 0 0 349 340,9 210,2 315,4 Hidro Amoya 0 0 453,7 443,2 273,3 410 Plantas Menores 2121 2540,4 2480,9 2423,2 2540,4 2540,4 Solar PV MODERGIS 0 0 256,6 1504,1 2890,8 3153,6 Total 50359 53919,2 60977,6 68869,6 72116,3 87527 Fuente: ENERDEM - LEAP

Este escenario fue revisado recientemente y se descartó el proyecto Porce IV, debido a que Empresas Públicas de Medellín – EPM tomo la decisión de no construirlo, por esta razón se deja proyecto pero todos sus valores se encuentran en cero. Esto le da mayor solidez a los resultados de MODERGIS ya que como se observa en los resultados de la tabla 41 estas dos fuentes renovables de energía Eólica y Solar, penetran de manera natural y rápidamente se posi- cionan en el ámbito de la operación de la generación eléctrica.

181

Tabla 42. Capacidad Instalada plan Expansión vs ENERDEM.

CUADRO COMPARATIVO CAPACIDAD INSTALADA ESCENARIO PLAN DE EXPANSIÓN [MEGAVATIOS]

2005 2010 2015 2020 2025 2030

8489 8525 8525 8525 8525 8525 Hidroeléctricas SIN 8489 8525 8525 8525 8525 8525

0 0 396 396 396 396 Hidro El Quimbo 0 0 396 396 396 396

0 0 800 800 800 800 Hidro Sogamoso 0 0 800 800 800 800

0 0 400 400 400 400 Hidro Porce IV 0 0 400 400 400 400

0 0 0 1200 1200 1200 Hidro Pescadero 0 0 0 1200 1200 1200

Cogeneradores y 26 55 55 55 55 55 Plan de Autoproductores 26 55 55 55 55 55 Expansión UPME 2010- 0 0 150 150 150 150 Termo Gecelca 3 2030 0 0 150 150 150 150

Térmicas Carbón 694 984 984 984 984 984 Resultados SIN 694 984 984 984 984 984 LEAP Escenario ENSO 2005- 2030 Térmicas Gas 3680 3378 3378 3378 3378 3378 Natural SIN 3680 3378 3378 3378 3378 3378

00000 0 Eólicos MODERGIS 0 0 0 200 400 600

0 0 202 202 202 202 Termocol GNFO 0 0 202 202 202 202

0 0 135 135 135 135 Hidro Miel II 0 0 135 135 135 135

0 0 60 60 60 60 Hidro Cucuana 0 0 60 60 60 60

0 0 78 78 78 78 Hidro Amoya 0 0 78 78 78 78

459 580 580 580 580 580 Plantas Menores 459 580 580 580 580 580

00000 0 Solar PV MODERGIS 0 0 50 300 550 600

13348 13522 15743 16943 16943 16943 Total 13348 13522 15793 17443 17893 18143

Fuente: ENERDEM - LEAP

182

En el diseño de la metodología aplicando herramientas del sistema de informa- ción geográfica SIG, se presentan los resultados de los mapas cartográficos aplicados para tal propósito iniciando con el Mapa Energético Sostenible. Este mapa con color verde se visualiza zonas factibles que dentro el concepto de sostenibilidad contemplado en el numeral 4.1.5 tendrá el menor impacto ambiental y social. En color rojo se muestran zonas que no deberían ser tenidas en cuenta ya que por razones de restricción ambiental social o cultural, las externalidades asociadas al proyecto podrían ser muy altas y en algunos casos no fáciles de desarrollo y acuerdo en los procesos de concertación. Véase figura 43.

Figura43.Mapa de Zonas Sostenibles en Colombia

183

Se presentan los mapas finales como resultado de la aplicación de cada una de las potencialidades de energías renovables propuesta en la sección 4.1.6 Biomasa Forestal – Dendroenergía. El análisis de esta fuente consideró la selección de las coberturas boscosas o arbustivas que permitieran identificar la “posibilidad” de obtener esta fuente de biomasa. Los resultados arrojan que 6.8 millones de hectáreas podrían ser utilizadas sin ninguna restricción y con criterio sostenible. Además utilizando los factores de transformación de cada especie de podría instalar 4400 megavatios. Véase figura 44.

Figura 44. Zonas Factibles para el Aprovechamiento Dendroenergético

184

Palma Africana: Los resultados arrojados para este cultivo son de 29 millones de hectáreas factibles y sostenibles y de hacer la relación de productividad se podría recuperar 42700 millones de galones de aceite crudo o que puede ser utilizado para el Biodiesel B10 o B15, o para las plantas de generación eléctrica en zonas no interconectadas o aisladas (fig. 45)

Figura 45. Zonas Potenciales para el Aprovechamiento de Palma Africana.

185

Caña de azúcar: Las aéreas factibles y sostenibles para el cultivo decaña de azúcar son cerca de un 1 millón de hectáreas que con el respectivo rendimiento representa 2300 millones de galones de etanol que podrían utilizarse para la oxigenación de la gasolina motor de la mezcla E10 o E15. Véase figura 46.

Figura46. Zonas Potenciales para el aprovechamiento de Caña de Azúcar

186

Energía Solar. Los resultados que arroja MODERGIS en energía solar en Co- lombia, son promisorios ya que más del 30,76% del territorio Nacional, tiene una radiación superior a los 5 kWh/m² promedio año, basados en la Asociación Internacional de energía solar, es el valor mínimo para el aprovechamiento en sistemas termoeléctricos de alta temperatura. Para el uso fotovoltaico los rangos son menores pero que estarían entre 4 y 5 kWh/ m² promedio año, según la Asociación de la Industria Fotovoltaica y presenta un potencial de 349,4 GWp con MODERGIS, mayor a los 5.4 GWp que presenta la (EPIA, 2011) en su último estudio en países potenciales de uso de energía solar fotovoltaica. Véase figura 47.

Figura47. Mapa de Radiación Solar en Colombia

187

Energía Eólica según figura 48. Los resultados de MODERGIS en Colombia es de 26600 MW de potencia instalable, esto solamente en el territorio continental sin incluir valores en costa fuera, para potencias de 1300 kW y diámetro de rotor de 60 m. Se ha clasificado por rango de viento en 5 y 7 m/s en 17000 megavatios y 6 a 7 m/s en 8900 megavatios y mayor de 7 m/s en 570 megavatios. Su gran potencial se encuentra en el departamento de la Guajira, Magda- lena, Atlántico, Cesar, Norte de Santander y la desembocadura de río Atrato en el golfo de Urabá. Este potencial esta limitado por la selección del aerogenera- dor utilizado, que para este calculo que fue la de Nordex N-60 de 1300kW.

Figura48. Mapa Potencial de Aprovechamiento en Energía Eólica.

188

6. CONCLUSIONES

Se presentan las conclusiones partiendo de como la comunidad científica internacional esta interpretando y focalizando este tema. Además se verifica el cumplimiento de los objetivos propuestos al inicio de esta investigación, analizando sus alcances y limitaciones que se presentaron.

Al analizar el estado del arte en el entorno Internacional se puede apreciar que no fue posible encontrar plataformas integradas con la misma filosofía de MO- DERGIS, de utilizar herramientas integradas como sistema de información geográfica para potenciar energías renovables, modelos de prospección de oferta y demanda de energía, para efectuar simulaciones de escenarios de energía e inclusive la simulación y análisis de fenómenos climáticos, incidiendo el comportamiento de la oferta y demanda de energía y que además a través de herramientas de análisis multicriterio y multiobjetivo, retroalimente decisiones para incorporar energías renovables, superando la restricciones ambientales y garantizando la seguridad de suministro energético, en la misma plataforma.

Muchos autores aquí citados presentan experiencias exitosas de manera sepa- ra en la aplicación de su herramienta, por ejemplo en el uso de los sistemas de información geográfica para potenciar el recurso de la biomasa, de cultivos energéticos, de lugares para la ubicación y uso de la energía eólica y simula- ción para el uso de la energía solar, pero todos de manera independiente y en aplicaciones selectivas de cada uso o fuente energética.

La otra gran tendencia de autores, que se basan en el uso de las diferentes herramientas multicriterio y multiobjetivo para la selección de la mejor o mejores alternativas en el uso de las energías renovables, es que el procedimiento de cada uno tiende a que los resultados de una simulación, pueda ser el inicio de otra con diferente técnica para superar problemas que a veces no son cla- ros o que sus resultados no satisfacen las expectativas

En el uso o aplicaciones de modelos de modelos de prospección energética, sean de tipo integrado, Top-Down, Bottom-Up, Energía-Economía-Entorno y modelos de Evaluación Integral en general están dirigidos a un propósito determinado y aplicaciones particulares, no se encontraron modelos de tipo plataforma que sirvieran de referencia para hacer una comparación de fortalezas y debilidades de MODERGIS, que hubiera servido de aporte constructivo del mismo.

Es claro que todas y cada una de las técnicas aquí utilizadas tienen una poderosa estructura de soluciones. Pero creo que el mayor aporte es que todas de manera independiente tienden hacia un mismo propósito el uso eficiente y sostenible de la energía.

189

En cuanto a MODERGIS el gran aporte que tiene es la forma novedosa para cuantificar los potenciales de energía renovables con sistema de información energética, de manera amplia en diferentes fuentes energéticas como solar, eólica y biomasa de manera integral y en un mismo proyecto. Esto representa una optimización en el uso de la información, debido a que la misma informa- ción cartográfica puede ser utilizada en la potenciación de varios recursos ener- géticos a la vez. De la misma manera se optimiza los recursos computacionales, en el uso del programa y finalmente en el análisis de los resultados que se presentan de manera general e integral.

El segundo aporte de modelo son las simulaciones de posibles escenarios, que pueden emerger de la concepción netamente energética o la mezcla de pro- blemáticas ambientales naturales, como fenómenos de sequía o abundancia hídrica y las consecuencias energéticas que pudiera generar dicho fenómeno. Para el estudio de caso desarrollado en esta investigación, se observó que así se tenga contemplado en el plan de expansión la construcción de nuevas centrales hidroeléctricas, si no se simula la variable natural “sequía” y su incidencia en suministro energético, se presentará un déficit degeneración de 6906 GWh, que ahora se encuentran en planeación de ser construidas. Este déficit puede ser superado al simular 1200 MW adicionales, con la entrada de 600 MW eóli- cos, y 600 MW de energía solar, aprovechando los resultados del escenario de ENERSOS de 30 unidades generadoras de 20 000 kW de energía eólica y 30 unidades de energía solar de la misma capacidad. Los resultados simulados con sus respectivos factores de planta de cada tecnología, aportan en genera- ción con eólica de 4204,8 GWh y con solar de 3153,6 GWh que es superior a los 6906 GWh de déficit de las centrales hidroeléctricas con escenario de fe- nómeno de Niño.

El tercer y más importante aporte del modelo fue la conceptualización y cons- trucción de un algoritmo lineal, para optimizar planes de fuentes renovables, dada una restricción expresada en MW. El algoritmo se fundamenta en las combinaciones de alternativas energéticas renovables, tomando como datos los resultados organizados de la jerarquización del método multiatributo VI- KOR, bajo la restricción de potencia MW, variable que nos indica cual será la participación de cambio en la matriz energética nacional, promoviendo el uso de las energías renovables. Esto sería una solución a un problema que a la vista de los planificadores estaría solucionado, por creer que con la construc- ción de nuevas centrales hidroeléctricas se tiene garantizado el suministro eléc- trico sin realizar una simulación del déficit hídrico.

Este algoritmo, cuerpo de ENERSOS es conjuntamente con la implementación de VIKOR el elemento de integración con ENERDEM, toma los resultados del algoritmo, en este caso 5151 combinaciones, que cumple con la restricción de disminución de potencia y retroalimentan en el escenario final del fenómeno de Niño, para tener como resultado final, el cambio en la en matriz energética de generación con energías renovables, objeto de la investigación.

Como resultado la matriz del caso de estudio, cambia su participación de ener- gías renovables del cero veinte y tres 0,23% en el 2005 al siete7% de la gene-

190 ración en año 2030, solo con tomar dos alternativas de la solución eólica y solar con 1200 MW.

MODERGIS estaría en capacidad de formular planes de fuentes no convencionales de energía, analizados desde la óptica global del sistema energético y enmarcado en las dimensiones ambiental, social y económica de sostenibilidad, ya que optimiza los objetivos de las dimensiones antes mencionadas con un número de las mejores tecnologías energéticas renovables.

Si bien no fue objeto de potenciar pequeñas centrales hidroeléctricas y geotermia es importante continuar con las investigaciones sobre la potenciación de este recurso. En este sentido MODERGIS queda planteada la posibilidad de ser complementado mediante la implementación del sistema de redes y mapa digital de terreno a través de SIG, para la potenciación de pequeñas centrales hidroeléctricas muy solicitado en los países andinos.

Los resultados de MODERGIS para el estudio de caso fueron presentados en diferentes eventos a nivel nacional e internacional, gracias a que contó con toda la información cartográfica y energética suministrada por lo entes gubernamentales encargados de recopilar y actualizar la información. Sin embargo la falta de información disponible al público puede ser una limitante para su uso y modelización.

MODERGIS fue implementado a nivel Internacional en Costa Rica y Paraguay para la potenciación de áreas en cultivos de Biocombustibles, proyecto auspi- ciado por la Comisión Económica para América Latina y el Caribe CEPAL, que buscaba el cambio de la matriz energética y la promoción de los biocombustibles de manera sostenible en el sector transporte. Con esta experiencia se en- riquece los casos de estudio aplicados mediante MODERGIS y se concluye que su implementación es posible de manera sencilla y eficaz, cuando se suministra la información necesaria, además que se puede aplicar en todos los órdenes regional, municipal o local.

Aunque el propósito de esta investigación no era la formulación de políticas ni revisar el régimen regulador, se observa que estas dos actividades son fundamentales para cambiar la matriz energética dando prioridad a energías renovables, no solo de Colombia sino en cualquier país de la región.

Sin embargo MODERGIS tiene la característica de suministrar elementos de juicio para la formulación de Políticas Energéticas que promuevan la inclusión de fuentes renovables de energía y contrarrestar las debilidades encontradas. Al analizar los resultados parciales de cada modulo ENERGIS, ENERDEM y ENERSOS se observa que independientemente se van constituyendo en herramientas y elementos de juicio, que dan señales a los formuladores de po- lítica, para ser coherentes con la utilización de los recursos energéticos propios, con los planes de desarrollo y planes de gobierno.

En principio se detectan dos aspectos fundamentales y que son indispensables de tratar en la agenda de Gobierno Nacional, el primero es la inminente prioridad de formular y establecer un marco regulador adecuado, que promueva y 191 fomente de manera significativa las energías renovables, como son los Feed-in tariffs FIT, que ofrece tarifas fijas de largo plazo a aquellos que utilicen medios renovables de generación de electricidad, o los standard portfolios, en la que su el Estado, o el gobierno central o su ente regulador, fije un monto, cuota o “standard” mínimo de producción a la red de electricidad vía energías renovables.

El segundo es la determinación de potenciales reales de las energías renovables, en tal sentido en los nuevos planes de fuentes renovables de energía, la prioridad sea la determinación de los potenciales de recursos energéticos renovables, para que las regulaciones y demás normas legales, sean coherentes con los potenciales identificados de estos recursos y por lo tanto promuevan su aprovechamiento.

Finalmente MODERGIS puede servir como herramienta de simulación y pros- pección para que oriente y promueva las energías renovables y asegure el suministro energético de manera sostenible.

192

7. REFERENCIAS Acker, T. L., Williams, S. K., Duque, E. P. N., Brummel’s, G., &Buckler, J. (2007). Wind resource assessment in the state of Arizona: Inventory, capacity factor, and cost. Renewable Energy, 32(9), 1453-1466. doi:doi: 10.1016/j.renene.2006.06.002 Afgan, Naim H., & Carvalho, M. G. (2002). Multi-criteria assessment of new and renewable energy power plants. Energy, 27(8), 739-755. doi:doi: 10.1016/S0360-5442(02)00019-1 Afgan, Naim H., & Carvalho, M. G. (2004). Sustainability assessment of hydrogen energy systems. International Journal of Hydrogen Energy, 29(13), 1327-1342. doi:doi: 10.1016/j.ijhydene.2004.01.005 Agency International Atomic Energy. (2005). Energy indicators for sustainable development: guidelines and methodologies. International Atomic Energy Agency. Amador, J. (2000). Analysis of the technical parameters in the application of geographical information systems in the regional integration of the renewable energy for decentralized production of electricity. (Ph.D. thesis). Polytechnic University, Madrid. Amador, J., & Domínguez, J. (2006). Spatial analysis methodology applied to rural electrification. Renewable Energy, 31(10), 1505-1520. doi:doi: DOI: 10.1016/j.renene.2005.09.008 Angelis-Dimakis, A., Biberacher, M., Dominguez, J., Fiorese, G., Gadocha, S., Gnansounou, E., Guariso, G., et al. (2011). Methods and tools to evaluate the availability of renewable energy sources. Renewable and Sustainable En- ergy Reviews, 15(2), 1182-1200. doi:doi: 10.1016/j.rser.2010.09.049 ANH. (2011). Cifras y estadísticas a 2011. Recuperado Julio 8, 2011, a partir de http://www.anh.gov.co/es/index.php?id=8 Argonne, & IAEA. (2008). Energy and Power Evaluation Program (ENPEP- BALANCE). Recuperado a partir de www.dis.anl.gov Asgeirsdottir, B. (2004). Forum 2004 - Documentos: Panel 1: Energía y desarrollo: ¿es posible otro modelo energético? Recuperado Junio 14, 2011, a partir de http://www.barcelona2004.org/www.barcelona2004.org/esp/banco_del_conocim iento/documentos/ficha80a8.html?idDoc=350 Baker, G. (2000). Decision Making. Recuperado a partir de www.unf.edu/~gbaker/Man6204/Decision.PDF Beccali, M., Cellura, M., & Mistretta, M. (2003). Decision-making in energy planning. Application of the Electre method at regional level for the diffusion of renewable energy technology. Renewable Energy, 28(13), 2063-2087. doi:doi: 10.1016/S0960-1481(03)00102-2 Begic, F., & Afgan, N. H. (2007). Sustainability assessment tool for the de-

193 cision making in selection of energy system--Bosnian case. Energy, 32(10), 1979-1985. doi:doi: 10.1016/j.energy.2007.02.006 Belton, V., & Stewart, T. (2003). MULTIPLE CRITERIA DECISION ANALYSIS An Integrated Approach. Beltrán, J., & Quijano, R. (1992). Aplicación del modelo LEAP en Colombia (Tesis de Grado). Pontificia Universidad Javeriana, Bogotá D.C. Ben Salah, C., Chaabene, M., & Ben Ammar, M. (2008). Multi-criteria fuzzy algorithm for energy management of a domestic photovoltaic panel. Renewable Energy, 33(5), 993-1001. doi:doi: 10.1016/j.renene.2007.05.036 Botero,S., Isaza,F., Valencia,A.,2010) Evaluation of methodologies for re- munerating wind power's reliability in Colombia, Renewable and Sustainable Energy Reviews. 14 (2010) 2049-2058. Bradley, R. S., Vuille, M., Diaz, H. F., & Vergara, W. (2006). Threats to Wa- ter Supplies in the Tropical Andes. Science, 312(5781), 1755 -1756. Brinkerhoff, D. W., & Goldsmith, A. A. (1990). Institutional Sustainability in Agriculture and Rural Development: A Global Perspective. Praeger. Brown, D. (1998). Evaluating institutional sustainability in development pro- grammes: beyond dollars and cents. Journal of International Development, 10(1), 55-69. doi:10.1002/(SICI)1099-1328(199801)10:1<55::AID- JID452>3.0.CO;2-W Burton, J., & Hubacek, K. (2007). Is small beautiful? A multicriteria assessment of small-scale energy technology applications in local governments. En- ergy Policy, 35(12), 6402-6412. doi:doi: 10.1016/j.enpol.2007.08.002 Cadena, A. (2000). Models to Assess the Implications of the Kyoto Protocol on the Economy and Energy System of Colombia. Universidad de Geneva. Carvajal, Y., Jiménez, H., & Materón, H. (1998). Incidencia del fenómeno del Niño en la hidroclimatología del Valle del Río Cauca-Colombia. Bulletin In- stitute Francaise d’Etudes Andines, 27(3), 743-756. Carver, S. (1991). Integrating multi-criteria evaluation with geographical information systems. International Journal of Geographical Information Science, 5(3), 321–339. Caspary, G (2009) Gauging the future competitiveness of renewable energy in Colombia, Energy Economics. 31, 443-449. Cavallaro, F., & Ciraolo, L. (2005). A multicriteria approach to evaluate wind energy plants on an Italian island. Energy Policy, 33(2), 235-244. doi:doi: 10.1016/S0301-4215(03)00228-3 Center for Resource Solutions – CRS. Renewable Energy Policy Options for China: A Comparison of Renewable Portfolio Standards, Feed-in Tariffs, and Tendering Policies.2002. http://www.efchina.org/resources.cfm?resourceprogram=Renewable%20Energy ; 2012. Chatzimouratidis, A. I., & Pilavachi, P. A. (2007). Objective and subjective evaluation of power plants and their non-radioactive emissions using the ana-

194 lytic hierarchy process. Energy Policy, 35(8), 4027-4038. doi:doi: 10.1016/j.enpol.2007.02.003 Chatzimouratidis, A. I., & Pilavachi, P. A. (2008). Multicriteria evaluation of power plants impact on the living standard using the analytic hierarchy process. Energy Policy, 36(3), 1074-1089. doi:doi: 10.1016/j.enpol.2007.11.028 Colombia. (2005). Atlas de radiación solar de Colombia. Bogotá : Unidad de Planeación Minero Engergética, UPME :;IDEAM, Instituto de Hidrología, Meteorologia y Estudio Ambientales,. Colombia. (2006). Atlas de viento y energía eólica de Colombia. [Bogo- tá] :: Unidad de Planeación Minero Energética,UPME :;Instituto de Hidrologia, Meteorologia y Estudios Ambientales,. Constitución Política de Colombia, 1991. (s.f.). Recuperado a partir de http://www.banrep.gov.co/regimen/resoluciones/cp91.pdf Contraloría General de la República. (2010). Informe de Gestión, Una ges- tión fiscal ética y efiiciente 2006-2010. Bogotá D.C. Recuperado a partir de http://www.contraloriagen.gov.co/c/document_library/get_file?&folderId=403685 17&name=DLFE-33431.pdf Delucchi, M. A., & Jacobson, M. Z. (2011). Providing all global energy with wind, water, and solar power, Part II: Reliability, system and transmission costs, and policies. Energy Policy, 39(3), 1170-1190. doi:doi: 10.1016/j.enpol.2010.11.045 DeMers, M. N. (2002). GIS modeling in raster. J. Wiley. Denzer, R. (2005). Generic integration of environmental decision support systems - state-of-the-art. Environmental Modelling & Software, 20(10), 1217- 1223. doi:doi: 10.1016/j.envsoft.2004.09.004 Diakoulaki, D., & Karangelis, F. (2007). Multi-criteria decision analysis and cost-benefit analysis of alternative scenarios for the power generation sector in Greece. Renewable and Sustainable Energy Reviews, 11(4), 716-727. doi:doi: 10.1016/j.rser.2005.06.007 Díaz, A. (2007). Identificación y evaluación de un conjunto de medidas para incentivar la penetración de energía renovable en la generación de electricidad en Colombia. Universidad de los Andes. Dinca, C., Badea, A., Rousseaux, P., & Apostol, T. (2007). A multi-criteria approach to evaluate the natural gas energy systems. Energy Policy, 35(11), 5754-5765. doi:doi: 10.1016/j.enpol.2007.06.024 Domínguez Bravo, J., García Casals, X., & Pinedo Pascua, I. (2007). GIS approach to the definition of capacity and generation ceilings of renewable energy technologies. Energy Policy, 35(10), 4879-4892. doi:doi: 10.1016/j.enpol.2007.04.025 Domínguez, J., & Amador, J. (2007). Geographical information systems applied in the field of renewable energy sources. Computers & Industrial Engi- neering, 52(3), 322-326. doi:doi: DOI: 10.1016/j.cie.2006.12.008 Domínguez, J., & Pinedo, I. (2009). GIS tool for rural electrification with re-

195 newable energies in Latin America. Proceedings of the International Conference on Advanced Geographic Information Systems and Web Services, GEOWS 2009 (págs. 171-176). Recuperado a partir de http://www.scopus.com/inward/record.url?eid=2-s2.0- 63749086018&partnerID=40&md5=fbab42a64666959502aa08e12dfb6e0e Dorta, A. J., Rodriguez, C., & de Sande, F. (2005). The OpenMP source code repository. Parallel, Distributed and Network-Based Processing, 2005. PDP 2005. 13th Euromicro Conference on (págs. 244–250). Duckstein, Lucien, & Ã–zelkan, E. C. (1996). Analysing Water Resources Alternatives and Handling Criteria by Multi Criterion Decision Techniques. Jour- nal of Environmental Management, 48(1), 69-96. Duckstein, L., & Opricovic, S. (1980). Multiobjective optimization in river basin development. Water Resources Research, 16(1), 14–20. EIA. (2010). World Energy Outlook 2010. Recuperado Julio 8, 2011, a partir de http://www.worldenergyoutlook.org/ EPIA. (2011). Global Market Outlook for Photovoltaics until 2015. Recupe- rado Junio 14, 2011, a partir de http://www.epia.org/publications/photovoltaic- publications-global-market-outlook.html Escobar, J., Betaikiir, T., Palacio, C., & Muriel, R. (2010). Los retos de la enseñanza de los sistemas de información geográfica integrados a la gestión del medio ambiente y los recursos naturales. Gestión y Ambiente; Vol 11, No 3 (2008). Recuperado a partir de http://www.revistas.unal.edu.co/index.php/gestion/article/view/14040 Flores, W. C., Ojeda, O. A., Flores, M. A., & Rivas, F. R. (2011). Sustain- able energy policy in Honduras: Diagnosis and challenges. Energy Policy, 39(2), 551-562. doi:doi: 10.1016/j.enpol.2010.10.020 Frombo, F., Minciardi, R., Robba, M., Rosso, F., & Sacile, R. (2009). Plan- ning woody biomass logistics for energy production: A strategic decision model. Biomass and Bioenergy, 33(3), 372-383. doi:doi: 10.1016/j.biombioe.2008.09.008 Gates, R., & Lee, M. (2007). Definition of Social Sustainability ( No. 3501). Recuperado a partir de http://vancouver.ca/ctyclerk/cclerk/20050524/documents/p1.pdf Goldemberg, J., & Johansson, T. B. (2000). World energy assessment. United Nations Development Programme. Gómez, M., & Barredo, J. (2005). Sistemas de Información Geográfica y Evaluación Multicriterio en la ordenación del territorio (2o ed.). México D.F.: Ra- Ma. Gómez, O., O. (1992). Evaluación de Impacto Ambiental. Madrid. Goodland, R. (2002). Sustainability: Human, Social, Economic and Envi- ronmental. Encyclopedia of Global Environmental Change, Social and Eco- nomic Dimension of Global Environmental Change. John Wiley and Sons Ltd. Graham, S., Wallace, A.R., & Connor, G. (2003). Geographical Information

196

System (GIS) techniques applied to network integration of marine energy (Vol. 38, págs. 678-681). Presented at the Proceedings of the Universities Power Engineering Conference. Grynspan, R. (2011, Abril 7). Grynspan: Bloomberg New Energy Summit 2011. Recuperado Junio 14, 2011, a partir de http://content.undp.org/go/newsroom/2011/april/grynspan-.en Guimaraes, R., & CALDERON, F. (2003). Desarrollo sostenible em Améri- ca Latina y el Caribe entre las conferencias de Rio en 1992 y Johannesburgo en 2002: avances, retrocesos y nuevos retos institucionales. Es sostenible la globalización en América Latina? Haralambopoulos, D. A., & Polatidis, H. (2003). Renewable energy projects: structuring a multi-criteria group decision-making framework. Renewable Energy, 28(6), 961-973. doi:doi: 10.1016/S0960-1481(02)00072-1 Henfridsson, U., Neimane, V., Strand, K., Kapper, R., Bernhoff, H., Danielsson, O., Leijon, M., et al. (2007). Wave energy potential in the Baltic Sea and the Danish part of the North Sea, with reflections on the Skagerrak. Re- newable Energy, 32(12), 2069-2084. doi:doi: 10.1016/j.renene.2006.10.006 Heydari, M., Kazem Sayadi, M., & Shahanaghi, K. (2010). Extended VIKOR as a new method for solving Multiple Objective Large-Scale Nonlinear Pro- gramming problems. RAIRO-Operations Research, 44(02), 139–152. Hourcade, J. C., Richels, R., & Robinson, J. (1996). Estimating the costs of mitigating greenhouse gases. Climate change 1995: economic and social di- mensions of climate change, 263–296. Huang Fu Y., Wu J.Y., Wang R.Z., & Huang X.H. (2005). Study on compre- hensive evaluation model for combined cooling heating and power system (CCHP). Journal of Engineering Thermophysics, 26(13), 6. Huld, T., Suri, M., & Dunlop, E. (2006). A GIS-based System for Perform- ance Assessment of Solar Energy Systems over Large Geographical Regions. Contributions to Conference Proceedings, . Recuperado Julio 20, 2011, a partir de http://publications.jrc.ec.europa.eu/repository/handle/111111111/540 IAEA. (2005). Energy Indicators for Sustainable Development: Guidelines and Methodologies. Recuperado a partir de http://www- pub.iaea.org/MTCD/publications/PDF/Pub1222_web.pdf IDEAM. (2009). Informe del componente de mitigación del cambio climático para la Segunda Comunicación Nacional de Colombia ante la CMNUCC. Do- cumento interno para el IDEAM. Bogotá: IDEAM, 97. IDEAM. (2010). Cambio climático en temperatura, precipitacion y humedad relativa para Colombia usando modelos meteorológicos de alta resolución (panorama 2011-2100). Nota Técnica IDEAM. Nota técnica del IDEAM, mayo de. IIT. (2005). Renovables 2050: Un informe sobre el potencial de las energía renovables en la España peninsular (pág. 258). Recuperado a partir de http://www.greenpeace.org/espana/es/reports/renovables-2050/ Instituto Geográfico Agustín Codazzi IGAC. (2007). Cartografía Politicoad- ministrativa de Colombia. Bogotá D.C.

197

Jacobson, M. Z., & Delucchi, M. A. (2011). Providing all global energy with wind, water, and solar power, Part I: Technologies, energy resources, quantities and areas of infrastructure, and materials. Energy Policy, 39(3), 1154-1169. doi:doi: 10.1016/j.enpol.2010.11.040 Jingzhu Wei, & Xiangyi Lin. (2008). The Multiple Attribute Decision-Making VIKOR Method and its Application. Wireless Communications, Networking and Mobile Computing, 2008. WiCOM ’08. 4th International Conference on (págs. 1-4). Presented at the Wireless Communications, Networking and Mobile Com- puting, 2008. WiCOM ’08. 4th International Conference on. Jovanovic, M., Afgan, N., Radovanovic, P., & Stevanovic, V. (2009). Sus- tainable development of the Belgrade energy system. Energy, 34(5), 532-539. doi:doi: 10.1016/j.energy.2008.01.013 Karamouz, M. (2003). Water resources systems analysis. Boca Raton Fla.: Lewis Publishers. Kaya, T., & Kahraman, C. (2010). Multicriteria renewable energy planning using an integrated fuzzy VIKOR & AHP methodology: The case of Istanbul. Energy, 35(6), 2517-2527. doi:doi: 10.1016/j.energy.2010.02.051 Kinoshita, T., Inoue, K., Iwao, K., Kagemoto, H., & Yamagata, Y. (2009). A spatial evaluation of forest biomass usage using GIS. Applied Energy, 86(1), 1- 8. doi:doi: 10.1016/j.apenergy.2008.03.017 Lamminen, E., & Isherwood, H. (2007). Comparison of fine particle emissions from a modern small-scale biomass boiler and from a large-scale coal- firing power plant. Presented at the European Aerosol Conference. Linkov, I., Varghese, A., Jamil, S., Seager, T., Kiker, G., & Bridges, T. (2005). Multi-criteria decision analysis: a framework for structuring remedial de- cisions at contaminated sites. Comparative risk assessment and environmental decision making, 15–54. Liposcak, M., Afgan, N. H., Duic, N., & da Graça Carvalho, M. (2006). Sus- tainability assessment of cogeneration sector development in Croatia. Energy, 31(13), 2276-2284. doi:doi: 10.1016/j.energy.2006.01.024 Loken, E. (2007). Use of multicriteria decision analysis methods for energy planning problems. Renewable and Sustainable Energy Reviews, 11(7), 1584- 1595. doi:doi: 10.1016/j.rser.2005.11.005 Loken, E., Botterud, A., & Holen, A. T. (2009). Use of the equivalent attribute technique in multi-criteria planning of local energy systems. European Jour- nal of Operational Research, 197(3), 1075-1083. doi:doi: 10.1016/j.ejor.2007.12.050 Loulou, R., Goldstein, G., & Noble, K. (2004). Documentation for the MAR- KAL Family of Models. IEA Energy Technology Systems Analysis Programme. Paris. Luque, A., & Hegedus, S. (2011). Handbook of photovoltaic science and engineering. Wiley. Madlener, R., Kowalski, K., & Stagl, S. (2007). New ways for the integrated appraisal of national energy scenarios: The case of renewable energy use in

198

Austria. Energy Policy, 35(12), 6060-6074. doi:doi: 10.1016/j.enpol.2007.08.015 Masera, O., Ghilardi, A., Drigo, R., & Angel Trossero, M. (2006). WISDOM: A GIS-based supply demand mapping tool for woodfuel management. Biomass and Bioenergy, 30(7), 618-637. doi:doi: 10.1016/j.biombioe.2006.01.006 Matthies, M., Giupponi, C., & Ostendorf, B. (2007). Environmental decision support systems: Current issues, methods and tools. Environmental Modelling & Software, 22(2), 123-127. doi:doi: 10.1016/j.envsoft.2005.09.005 Maurtua, D. (2006). Criterios de Selección de Personal Mediante el Uso del Proceso de Análisis Jerárquico. Aplicación en la Selección de Personal para la Empresa Exotic Foods S.A.C. Universidad Nacional Mayor de San Marcos, Li- ma, perú. Mesa, O., Poveda, G., & Carvajal, L. (1997). Introducción al clima de Co- lombia. Medellín: Universidad Nacional de Colombia. Moghaddam, B., Nasiri, M., & Mousavi, M. (2011). An Appropiate multiple criteria decision making method for solving electricity planning problems, ad- dressing sustainability issue. International Journal of Environment Science and Technology, 8(3), 605-620. Myers, N., Mittermeler, R. A., Mittermeler, C. G., Da Fonseca, G. A. B., & Kent, J. (2000). Biodiversity hotspots for conservation priorities. Nature, 403(6772), 853-858. Nguene, G., Fragnière, E., Kanala, R., Lavigne, D., & Moresino, F. (2011). SOCIO-MARKAL: Integrating energy consumption behavioral changes in the technological optimization framework. Energy for Sustainable Development, 15(1), 73-83. doi:doi: 10.1016/j.esd.2011.01.006 Noorollahi, Y., Itoi, R., Fujii, H., & Tanaka, T. (2007). GIS model for geothermal resource exploration in Akita and Iwate prefectures, northern Japan. Computers & Geosciences, 33(8), 1008-1021. doi:doi: 10.1016/j.cageo.2006.11.006 Noorollahi, Y., Itoi, R., Fujii, H., & Tanaka, T. (2008). GIS integration model for geothermal exploration and well siting. Geothermics, 37(2), 107-131. doi:doi: 10.1016/j.geothermics.2007.12.001 OLADE. (2004). Metodología para la Elaboración de los Balances de Ener- gía. OLADE. Recuperado a partir de http://www.olade.org/Doc- sien/Metodologias/Gu%C3%ADa%20SIEN%20M- 1%20Metodolog%C3%ADa%20de%20balances%20energ%C3%A9ticos.pdf Opricovic, S. (1998). Multicriteria optimization of civil engineering systems. Faculty of Civil Engineering, Belgrade, 2(1), 5–21. Opricovic, Serafim, & Tzeng, G.-H. (2007). Extended VIKOR method in comparison with outranking methods. European Journal of Operational Re- search, 178(2), 514-529. doi:doi: 10.1016/j.ejor.2006.01.020 Opricovic, Serafim, & Tzeng, G.-H. (2004). Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS. European Journal of Operational Research, 156(2), 445-455. doi:doi: 10.1016/S0377- 2217(03)00020-1

199

Organization Latin American Energy, & Zusammenarbeit Deutsche Gesell- schaft f\ür Technische. (2003). Energía y desarrollo sustentable en América Latina y el Caribe: guía para la formulación de políticas energéticas (Vol. 89). United Nations. Pabón, D. (2010). Informe de evaluación del Cambio Climático en Colom- bia. Universidad Nacional de Colombia y Conservación Internacional. Bogotá, Colombia. Papadopoulos, A., & Karagiannidis, A. (2008). Application of the multicriteria analysis method Electre III for the optimisation of decentralised energy systems. Omega, 36(5), 766-776. doi:doi: 10.1016/j.omega.2006.01.004 Patlitzianas, K. D., Doukas, H., Kagiannas, A. G., & Psarras, J. (2008). Sustainable energy policy indicators: Review and recommendations. Renew- able Energy, 33(5), 966-973. doi:doi: 10.1016/j.renene.2007.05.003 Pfahl, S. (2005). Institutional sustainability. International journal of sustainable development, 8(1), 80–96. Pilavachi, P.A., Roumpeas, C. P., Minett, S., & Afgan, N. H. (2006). Multi- criteria evaluation for CHP system options. Energy Conversion and Manage- ment, 47(20), 3519-3529. doi:doi: 10.1016/j.enconman.2006.03.004 Pilavachi, Petros A., Stephanidis, S. D., Pappas, V. A., & Afgan, N. H. (2009). Multi-criteria evaluation of hydrogen and natural gas fuelled power plant technologies. Applied Thermal Engineering, 29(11-12), 2228-2234. doi:doi: 10.1016/j.applthermaleng.2008.11.014 Píñón, R. J. (2007). Jatropha curcas: una opción para Perú de generar energía renovable. Programa GTZ, Lima, Perú. Poveda, G. (1994). Cuantificación del efecto de El Niño y la Niña sobre los caudales medios en Colombia (Vol. 4). Presented at the XVI Congreso Lati- noamericano de Hidráulica e Hidrología, Santiago de Chile. Poveda, G., & Mesa, O. (1996). La Oscilación del Atlántico Norte y su influencia sobre el clima de Colombia. Memorias XVII Congreso Latino- Americano de Hidráulica e Hidrología, IAHR, Guayaquil, Ecuador (págs. 343– 354). Poveda, G., Jaramillo, A., Gil, M. M., Quiceno, N., & Mantilla, R. I. (2001). Seasonally in ENSO-related precipitation, river discharges, soil moisture, and vegetation index in Colombia. Water Resour. Res., 37(8), 2169-2178. Qin, X. S., Huang, G. H., Chakma, A., Nie, X. H., & Lin, Q. G. (2008). A MCDM-based expert system for climate-change impact assessment and adaptation planning - A case study for the Georgia Basin, Canada. Expert Systems with Applications, 34(3), 2164-2179. doi:doi: 10.1016/j.eswa.2007.02.024 Quijano, R., & Domínguez, J. (2008). Diseño de un proyecto integrado para la planificación energética y el desarrollo regional de las energías renovables en Colombia basado en Sistemas de Información geográfica. Presentado en Tecnologías de la Información Geográfica para el Desarrollo Territorial, Las Palmas de Gran Canaria, España. Quiroz, M., Escobar, J., Martínez, D., Betancur, T., & Massone, H. (2007).

200

LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA COMO HERRAMIENTA DE APOYO EN LOS ESTUDIOS HIDROGEOLÓGICOS DOS CASOS DE ES- TUDIO EN AMÉRICA LATINA Revista de Ingenierías Universidad de Medellín, julio-diciembre, año/vol. 6, número 011. Revista Ingenierías, 6(11). Rad, F. D. (2008). On sustainable local energy planning. Rad,Farhad. (2011, Mayo). On Sustainability in Local Energy Planning. Lund University, Sweden. Rave, C. (2005). Evaluación Integrada Ambiente-Energía-Economía para la Planificación Sostenible de Núcleos Locales, Caso de Aplicación Área Metropo- litana del Valle de Aburrá. Universidad Nacional de Colombia, Medellín. Rave, C. (2010). Estudio de alternativas para el mejoramiento de la calidad del aire en el municipio de Itagüí, resultado de un análisis bajo el esquema de análisis Energía Ambiente Economía con el modelo MARKAL y la Evaluación de metas. Gestión y Ambiente; Vol 11, No 2 (2008). Recuperado a partir de http://www.revistas.unal.edu.co/index.php/gestion/article/view/13978 Roseman, E. (1995). The Individual Versus Group Approach to Decision Making. All Business. Recuperado a partir de http://www.allbusiness.com/health-care-social-assistance/ambulatory-health- services/493679-1.html Roy, B. (1971). Problems and methods with multiple objective functions. Mathematical Programming, 1(1), 239–266. Ruiz, B.J., Rodriguez, V.,(2006) Padilla, Renewable energy sources in the Colombian energy policy, analysis and perspectives, Energy Policy. 34, 3684– 3690. Ruiz, C. (2005). TEMA 5: La toma de Decisiones en la Empresa. Recupe- rado a partir de www4.ujaen.es/~cruiz/diplot-5.pdf Rusu, E., & Guedes Soares, C. (2009). Numerical modelling to estimate the spatial distribution of the wave energy in the Portuguese nearshore. Renewable Energy, 34(6), 1501-1516. doi:doi: 10.1016/j.renene.2008.10.027 Saaty, T. L. (1980). Analytic hierarchy process. Encyclopedia of Biostatis- tics. San Cristóbal, J. R. (2011). Multi-criteria decision-making in the selection of a renewable energy project in spain: The Vikor method. Renewable Energy, 36(2), 498-502. doi:doi: 10.1016/j.renene.2010.07.031 Sarapirome, S. (2002). Introduction to Multicriteria Decision Analysis (MCDA). Suranaree University of Technology. Recuperado a partir de geoin- formatics.sut.ac.th/sut/vichagan/introMCDA/3MCDA&MCDM.pdf Schrattenholzer, L., & IIASA. (2005, Junio). Energy Planning Methodologies and Tools. Recuperado Junio 23, 2011, a partir de http://www.iiasa.ac.at/Admin/PUB/Documents/ Scottish Government, S. A. H. (2006). Academic Study: Matching Renew- able Electricity Generation with Demand: Full Report. Report, . Recuperado Ju- lio 20, 2011, a partir de

201 http://www.scotland.gov.uk/Publications/2006/04/24110728/11 Smith, R., Mesa, O., Dyner, I., Jaramillo, P., Poveda, G., & Valencia, D. (2000). Decisiones con Múltiples Objetivos e Incertidumbre (2o ed.). Colombia. Stockholm Environment Institute. (2008). LEAP: The Long-range Energy Al- ternatives Planning System. Recuperado Junio 24, 2011, a partir de http://www.energycommunity.org/default.asp?action=47 Tatsiopoulos, I. P., & Tolis, A. J. (2003). Economic aspects of the cotton- stalk biomass logistics and comparison of supply chain methods. Biomass and Bioenergy, 24(3), 199-214. doi:doi: 10.1016/S0961-9534(02)00115-0 The World Bank. (2006). Colombia - Integrated National Adaptation Project, Vol. 1 of 1. Recuperado Junio 15, 2011, a partir de http://www- wds.worldbank.org/external/default/main?pagePK=64193027&piPK=64187937 &theSitePK=523679&menuPK=64187510&searchMenuPK=64187283&theSite PK=523679&entityID=000090341_20060323091219&searchMenuPK=6418728 3&theSitePK=523679 The World Bank, & Vergara, W. (2009). Latin America and Caribbean - As- sessing the Potential Consequences of Climate Destabilization in Latin Amer- ica. Recuperado Junio 16, 2011, a partir de http://web.worldbank.org/WBSITE/EXTERNAL/COUNTRIES/LACEXT/0,,conten tMDK:22066159~pagePK:146736~piPK:146830~theSitePK:258554,00.html Tomlin, C. D., & Images, D. (1990). Geographic information systems and cartographic modeling (Vol. 249). Prentice Hall Englewood Cliffs (NJ). UNEP. (2011). SWERA. Recuperado Junio 14, 2011, a partir de http://swera.unep.net/index.php?id=metainfo&rowid=235&metaid=336 UNEP, O., & IEA, I. (2006). The IPCC Guidelines for National Greenhouse Gas Inventories. IPCC, Bracknell, i995 (3): l, 51–155. United Nations. (1987). Report of the World Commission on Environment and Development: Our Common Future - A/42/427 Annex - UN Documents: Gathering a body of global agreements. Recuperado Julio 8, 2011, a partir de http://www.un-documents.net/wced-ocf.htm United Nations. (1992). A/CONF.151/26 (Vol. I) REPORT OF THE UNITED NATIONS CONFERENCE ON ENVIRONMENT AND DEVELOPMENT. Recu- perado Julio 8, 2011, a partir de http://www.un.org/documents/ga/conf151/aconf15126-1annex1.htm United Nations. (2005). Objetivos de desarrollo del milenio: Una mirada desde Amé́rica Latina y el Caribe. United Nations. UPME. (2007a). Plan Energético Nacional 2006-2025: Contexto y Estrate- gias. Bogotá D.C. UPME. (2007b). Balances Energéticos 1975-2006. Bogotá D.C. UPME. (2010a). Boletín Estadístico de Minas y Energía 2002-2007. Recu- perado Junio 15, 2011, a partir de http://www1.upme.gov.co/index.php?option=com_phocadownload&view=catego ry&id=1%3Aenergia&Itemid=163&limitstart=20

202

UPME. (2010b). Plan de Expansión de Referencia Generación-Transmisión 2010-2024. Recuperado Julio 8, 2011, b a partir de http://www1.upme.gov.co/index.php?option=com_content&view=article&id=310 &Itemid=147 UPME. (2010c). Boletín Estadístico de Minas y Energía 1990-2010. Co- lombia. UPME. (2010d). PROGRAMA DE USO RACIONAL Y EFICIENTE DE ENERGÍA Y CONVENCIONALES–PROURE. Recuperado a partir de http://www.si3ea.gov.co/Portals/2/plan.pdf UPME. (2010e). Plan de Expansión de Referencia Generación - Transmi- sión 2010-2024. Recuperado a partir de http://www.upme.gov.co/Docs/Plan_Expansion/2010/Plan_Expansion_2010- 2024_Definitivo.pdf UPME. (2011). Formulación de un plan de desarrollo para las fuentes no convencionales de energía en Colombia. Bogotá D.C. Ustinovichius, L., Zavadkas, E. K., & Podvezko, V. (2007). Application of a quantitative multiple criteria decision making (MCDM-1) approach to the analysis of investments in construction. Control and cybernetics, 36(1), 251. Valencia, A. (2008) Potential for Increased Participation of Alternative En- ergy in Colombia's Energy Mix, Focusing on the Technology Choice Decision Making Process for Off-grid Electricity PhD Dissertation, University of California at Berkeley. Van Beeck, N. (2003). A New Decision Support Method for Local Energy Planning in Developing Countries. CentER, Tilburg University. Recuperado a partir de http://arno.uvt.nl/show.cgi?fid=2450 Vera, I., & Langlois, L. (2007). Energy indicators for sustainable development. Energy, 32(6), 875-882. doi:doi: 10.1016/j.energy.2006.08.006 Voivontas, D., Assimacopoulos, D., Mourelatos, A., & Corominas, J. (1998). Evaluation of Renewable Energy potential using a GIS decision support system. Renewable Energy, 13(3), 333-344. doi:doi: 10.1016/S0960-1481(98)00006-8 Wang, J.-J., Jing, Y.-Y., & Zhang, C.-F. (2009). Weighting methodologies in multi-criteria evaluations of combined heat and power systems. International Journal of Energy Research, 33(12), 1023-1039. doi:10.1002/er.1527 Wang, J.-J., Jing, Y.-Y., Zhang, C.-F., & Zhao, J.-H. (2009). Review on multi-criteria decision analysis aid in sustainable energy decision-making. Re- newable and Sustainable Energy Reviews, 13(9), 2263-2278. doi:doi: 10.1016/j.rser.2009.06.021 Wang, J.-J., Jing, Y.-Y., Zhang, C.-F., Shi, G.-H., & Zhang, X.-T. (2008). A fuzzy multi-criteria decision-making model for trigeneration system. Energy Pol- icy, 36(10), 3823-3832. doi:doi: 10.1016/j.enpol.2008.07.002 Wang, J.-J., Jing, Y.-Y., Zhang, C.-F., Zhang, X.-T., & Shi, G.-H. (2008). In- tegrated evaluation of distributed triple-generation systems using improved grey incidence approach. Energy, 33(9), 1427-1437. doi:doi: 10.1016/j.energy.2008.04.008

203

Wang, Y., Gu, A., & Zhang, A. (2010). Recent development of energy supply and demand in China, and energy sector prospects through 2030. Energy Policy, In Press, Corrected Proof. doi:doi: 10.1016/j.enpol.2010.07.002 Winchester, L., America, U. N. E. C. for L., Environmental, the C., & Divi- sion, H. S. (2006). El desarrollo sostenible de los asentamientos humanos en América Latina y el Caribe. CEPAL, Sustainable Development and Human Set- tlements Division. Winograd, M. (1995). Environmental indicators for Latin America and the Caribbean: Toward land-use sustainability. IICA Biblioteca Venezuela. Winograd, M., & Eade, J. (1997). Environmental and sustainability indicators for Latin America and the Caribbean: the use of GIS (geographic information systems). Sustainability Indicators: Report of the Project on Indicators of Sustainable Development. SCOPE. Wiley, New York, 40–46. Xiang-yi, L., Qing-pu, Z., & Hong-yun, L. (2008). Partners selection for strategic technological innovation alliance from the knowledge perspective. Man- agement Science and Engineering, 2008. ICMSE 2008. 15th Annual Confer- ence Proceedings., International Conference on (págs. 1416–1421). Yang, J., & Shi, P. (2002). Applying analytic hierarchy process in a firm’s overall performance evaluation: a case study in China. International Journal of Business, 7(1), 31–46. Yousefi, H., Noorollahi, Y., Ehara, S., Itoi, R., Yousefi, A., Fujimitsu, Y., Ni- shijima, J., et al. (2010). Developing the geothermal resources map of Iran. Geothermics, 39(2), 140-151. doi:doi: 10.1016/j.geothermics.2009.11.001 Zahnd, A., & Kimber, H. M. (2009). Benefits from a renewable energy vil- lage electrification system. Renewable Energy, 34(2), 362-368. doi:doi: 10.1016/j.renene.2008.05.011

204

8. CUADROS COMPARATIVOS MODELOS. Tabla 43. Modelo LEAP

205

Tabla 44. Modelo MARKAL

206

Tabla 45. Moldeo ENPEP

Tabla 46. Comparación Modelos LEAP- MARKAL - ENEPEP

207

208

9. SOCIALIZACIÓN – MODERGIS. El Modelo MODERGIS se presentó en los siguientes eventos para recibir aportes y críticas y ajustarlo a situaciones reales.

• Aplicación del Modelo MODERGIS caso Costa Rica, Comisión Económica para América Latina y el Caribe CEPAL. Ministerio de Energía y Telecomu- nicaciones, San José Diciembre 15- 17, 2011

• Foro Latinoamericano sobre BiocombustiblesComisión Económica para América Latina y el Caribe CEPAL. Presentación MODERGIS caso Costa Rica y Paraguay, San Salvador 24 – 25 Noviembre de 2011.

• Instituto de Planificación y Soluciones Energéticas IPSE, Unidad de Planifi- cación Minero Energética UPME, presentación aplicaciones y Bondades modelo MODERGIS. Bogotá. Septiembre 2011.

• Comisión Económica para América Latina y el Caribe CEPAL, Diálogos de Política y Biocombustibles, presentación del Modelo ModerGIS. Santiago de Chile. Marzo 28 y 29 de 2011.

• Unidad de Planificación Minero Energética UPME, Escenarios sostenibles y prospección energética - LEAP, presentación modelo ModerGIS. Bogotá febrero 2011

• Curso Internacional Planificación y Gestión Sostenible de los Recursos Am- bientales Naturales. Comisión Económica para América Latina y el Caribe CEPAL. Instituto latinoamericano y del Caribe de Planificación Económica y Social IPLES. Aplicación de MODERGIS en la formulación de Políticas de recursos Naturales. Cartagena de Indias agosto 2010.

• Congreso Internacional de Energías Alternativas. Indupetrol Universidad Autónoma de Bucaramanga. Agosto 2010. 24 horas. Cartagena de Indias agosto 2010. 24 horas. Ponente MODERGIS.

• XIV Congreso Internacional de Tecnologías de la Información Geográficos. Universidad de Sevilla. Sevilla España septiembre de 2010. Póster MO- DERGIS.

• Taller Iberoamericano Aplicación de los Sistemas de Información Geográfi- ca en las Energías Renovables, Agencia Española para Cooperación Ibe- roamericana- AECI. Centro de Investigaciones Energéticas Ambientales y Tecnológicas, CIEMAT santa Cruz de la Sierra Bolivia. Julio de 2010. 35 horas Ponente MODERGIS.

209

• XXII Conferencia Latinoamericana de Energía y Comunicaciones Rurales - CLER. Buenos Aires Argentina. Abril 13-16 de 2010. Ponente. MODERGIS.

• 33 Conference International Association for Energy Economics, Sustainable Energy Planning Model (ModerGIS) Application to Integrate Renewable En- ergy in the Colombia Case. Río de Janeiro junio de 2010. Ponente MO- DERGIS.

• Congreso Internacional de Generación Distribuida, Fundación para la Ener- gía de la Comunidad de Madrid, España noviembre 24- 25 2009. Póster MODERGIS.

• Encuentro Iberoamericano sobre Biocombustibles y Sostenibilidad, Unidad de Formación de Energía y Medio Ambiente CIEMAT,” La sostenibilidad de los Biocombustibles en Colombia - Madrid 28- 30 de octubre de 2009. Po- nente. MODERGIS

• Taller Iberoamericano Aplicación de los Sistemas de Información Geográfi- ca en las Energías Renovables, Agencia Española para Cooperación Ibe- roamericana- AECI. Centro de Investigaciones Energéticas Ambientales y Tecnológicas, CIEMAT Antigua Guatemala octubre 4 -10 de 2009. Ponente MODERGIS.

• Curso Taller sobre Política Energética para el Desarrollo Sustentable y Uso del Modelo L.E.A.P., Instituto de Economía Energética de la Fundación Bari- loche – IDEE/FB – Stockholm Environment Institute SEI – Community for Energy, Environment and Development COMMEND. San Carlos de Barilo- che Junio de 2009.

210

10. GLOSARIO

ENERGÍA PRIMARIA = EP. Se entiende por energía primaria a las distintas fuentes de energía tal como se obtienen en la naturaleza, ya sea: en forma directa como en el caso de la energía hidráulica o solar, la leña y otros combustibles vegetales; o después de un proceso de extracción como el petróleo, carbón mineral, geoenergía, Gas Natural. Fuentes no renovables de energía Se consideran fuentes primarias no renovables de energía, a aquellos recursos fósiles agotables en el tiempo, y que tienen un período de formación de muy largo plazo. Petróleo Crudo = PT: Es una mezcla compleja de hidrocarburos de distinto peso molecular en la que hay una fracción generalmente pequeña de compuestos que contienen azufre y nitrógeno. La composición del petróleo es variable y puede dividirse en tres clases de acuerdo a los residuos de la destila- ción: como parafinas, asfaltos o una mezcla de ambos. Gas Natural = GN: Es una mezcla gaseosa de hidrocarburos. Incluye tanto el gas natural libre como el asociado y se presenta también en las minas de car- bón o zonas de geopresión. Carbón Mineral =CM: Es un mineral combustible sólido, de color negro o ma- rrón oscuro que contiene esencialmente carbono, así como pequeñas cantidades de hidrógeno y oxígeno, nitrógeno, azufre y otros elementos. Resulta de la degradación de los restos de organismos vegetales durante largos pe- ríodos, por la acción del calor, presión y otros fenómenos fisicoquímicos naturales. Combustibles Fisionables o Energía Nuclear: Es la energía obtenida del mineral de uranio después del proceso de purificación y/o enriquecimiento. Lo que se considera energía primaria como "combustibles nucleares" no es el mineral de uranio en sí mismo sino el contenido de material fisionable que es el que alimenta las usinas nucleares. Fuentes renovables de energía: Se consideran energías renovables a aquellos recursos no fósiles, de bajo contenido de carbono y de períodos de for- mación relativamente cortos. Hidroenergía HE: Es la energía potencial de un caudal hidráulico Geoenergía GE: La geotérmica es la energía almacenada bajo la superficie de la tierra en forma de calor, la cual puede ser transmitida hacia la superficie por un fluido que esté en contacto con la roca caliente. Este fluido está constituido, en general, por agua en estado líquido, vapor o una mezcla de ambos. Se considera para esta fuente sólo la porción de dicha energía utilizada en la generación de electricidad. Energía eólica EE: Es la energía producida por el viento y que se puede aprovechar en un conjunto turbina-generador Energía Solar ES: el aprovechamiento de la radiación electromagnética o la captación fotónica de alta media o baja temperatura. Leña LE: Es la energía que se obtiene directamente de los recursos forestales. Incluye los troncos y ramas de los árboles, pero excluye los desechos de

211 la actividad maderera, los cuales quedan incluidos en la definición de "residuos vegetales" utilizados para fines energéticos. Productos de Caña = BZ: Incluyen los productos de caña de azúcar que tienen fines energéticos. Entre ellos se encuentran el bagazo, el caldo de caña y la melaza. Otras fuentes primarias Bajo este concepto se incluyen: Residuos Animales: Se refiere a los residuos de las actividades agrope- cuarias y a los desechos urbanos. Estos pueden ser utilizados directamente como combustible en forma seca o convertidos a biogás, a través de un proceso de fermentación o método de descomposición. Residuos Vegetales: Son los recursos energéticos obtenidos de los residuos agroindustriales y forestales. Se incluyen aquí todos los desechos agrí- colas (excepto el bagazo de caña), tales como: cascarilla de arroz, cascarilla de café, coquito de palma, etc., los desechos de los aserraderos de madera (que no se incluyen en el concepto de la leña ni el bagazo, etc.), para propósi- tos energéticos. Residuos Industriales o Recuperados: Sustancias con contenido energético producidas en plantas industriales como un subproducto del proceso productivo, como el licor negro del papel, residuos de la industria química (excepto los petroquímicos que deben considerarse productos secundarios porque provienen de gas natural o derivados del petróleo). Otras Fuentes Energéticas Primarias: Se incluyen la solar (calentamiento de agua en viviendas y hoteles, secado de granos, irradiación en células fotovoltaicas), desechos de ciudad (basura o líquidos residuales) y cualquier otra fuente primaria no mencionada en las descripciones anteriores, pero relevantes para la estructura energética del país.

ENERGÍA SECUNDARIA = ES. Se denomina energía secundaria a los diferentes productos energéticos que provienen de los distintos centros de trans- formación y cuyo destino son los diversos sectores del consumo y/u otros centros de transformación. Electricidad = EE Es la energía transmitida por electrones en movimiento. Se incluye la energía eléctrica generada con cualquier recurso, sea primario o secundario, en plantas hidroeléctricas, térmicas, geotérmicas o nucleares. Gas Licuado de Petróleo = GLP: Consiste en una mezcla de hidrocarburos livianos, que se obtienen de la destilación del petróleo y/o del tratamiento del gas natural. Gasolinas= GM: Mezcla de hidrocarburos líquidos, livianos, obtenidos de la destilación del petróleo y/o del tratamiento del gas natural, cuyo rango de ebu- llición se encuentra generalmente entre los 30-200 grados centígrados. De- ntro de este grupo se incluyen: Gasolina de Aviación: Es una mezcla de naftas reformadas de elevado oc- tanaje, de alta volatilidad y estabilidad y de un bajo punto de congelamiento, que se usa en aviones de hélice con motores de pistón. Gasolina de Motor: Es una mezcla compleja de hidrocarburos relativamente volátiles que con o sin aditivos (como el tetraetilo de plomo) se usa en el funcionamiento de motores de combustión interna. Gasolina Natural: Es un producto del procesamiento del gas natural. Se usa como materia prima para procesos industriales (petroquímica), en refinerías o se mezcla directamente con las naftas. 212

Alcohol= AC Comprende tanto el etanol (alcohol etílico) como el metanol (alcohol metílico) usados como combustibles. El etanol es un líquido incoloro que puede producirse por fermentación de materias vegetales con un alto contenido de azúcar, como el jugo de caña de azúcar o melazas; materias vegetales con un alto contenido de almidón, como la mandioca, maíz, etc.; y materias con un alto contenido de celulosa: leña, desechos vegetales. Puede ser utilizado como alcohol anhidro o hidratado, solo o mezclado con gasolina en motores de combustión interna. Kerosene = KR: Es un combustible líquido constituido por la fracción del pe- tróleo que se destila entre los 150 y 300 grados centígrados. Se usa como combustible para la cocción de alimentos, el alumbrado, en motores, en equipos de refrigeración y como solvente para betunes e insecticidas de uso do- méstico. Diesel oil = DO: Combustibles líquidos que se obtienen de la destilación at- mosférica del petróleo entre los 200 y 380 grados centígrados, son más pesados que el kerosene y es utilizado en máquinas diesel y otras máquinas de compresión ignición. Fuel oil = FO: Es el residuo de la refinación del petróleo y comprende todos los productos pesados. Generalmente es utilizado en calderas, plantas eléc- tricas y navegación. Coques = CQ: El término general "coque" se aplica a un material sólido no fundible, de alto contenido de carbono, obtenido como resultado de la destila- ción destructiva del carbón mineral, petróleo y otros materiales carbonosos. Existen distintos tipos de coque que normalmente se identifican añadiendo al final el nombre del material que le dio origen. Se incluye en esta fuente el coque de petróleo y el de coquerías. Carbón Vegetal = CV: Es el combustible obtenido de la destilación destructiva de la madera en ausencia de oxígeno, en las carboneras. Este producto absorbe humedad rápidamente, por lo cual suele contener un 10 a 15% de agua, además de un 0,5 a 1,0% de hidrógeno y un 2 a 3% de cenizas, con un poder calorífico inferior de alrededor de 6500 Kcal/kg. Estas características pueden variar según la calidad de la leña que le dé origen. Gases = GI: Se incluyen en esta categoría a los combustibles gaseosos obtenidos como subproductos de las actividades de refinación, coquerías y altos hornos. Asimismo, se incluye el gas obtenido en biodigestores. Gas de Refinería: Gas no condensable obtenido de la refinación del petróleo crudo. Consiste principalmente de hidrógeno, metano y etano usado en gran parte en el proceso propio de refinación. Gas de Alto Horno: Se obtiene como un subproducto de la actividad de pro- ducción de acero en altos hornos, siendo usado generalmente como combustible para fines de calentamiento en la planta. Gas de Coquería: Es el gas obtenido como producto secundario en el calentamiento intenso del carbón mineral o coque, con una mezcla de aire y vapor, en las coquerías. Está compuesto de monóxido de carbono, nitrógeno y pe- queñas cantidades de hidrógeno y dióxido de carbono. Gas de Ciudad: Gas producido por la carbonización o gasificación total con o sin enriquecimiento de derivados del petróleo. Se utiliza fundamentalmente para la cocción de alimentos en los hogares aunque puede tener algunos usos del tipo industrial.

213

Biogás: Es el gas, principalmente metano, obtenido de la fermentación anae- róbica de desechos biomásicos. Otros Gases: Todos aquellos que no hubieren sido mencionados y que tengan un uso energético No Energéticos = NE: Son aquellos productos que no se utilizan con fines energéticos aún cuando poseen un considerable contenido energético; entre ellos se pueden mencionar los asfaltos, solventes, naftas, aceites y grasas, lubricantes, etc.

214

11. PÁGINA WEB MODERGIS.

Con el fin de dar difusión al modelo y poder colocar los resultados e informa- ción relacionada con el modelo se construyó una página WEB propia de MODERGIS, http://www2.unalmed.edu.co/~modergis/en el dominio de la universidad, donde se colocará toda la información concerniente al modelo y una vez surtan los permisos y licencias de uso por parte de la Universidad, quedará montado el modelo para uso público, resaltando los créditos y de- más lineamientos que deberán hacerse al los autores del modelo y a las entidades desarrolladoras y colaboradoras en este trabajo.

215

1135- 9420