1. Introducción
Este artículo aborda el desafío crítico de seleccionar emplazamientos óptimos para plantas de energía solar fotovoltaica (FV), una tarea de suma importancia para la seguridad energética y el desarrollo sostenible, particularmente en el contexto de los esfuerzos globales por transitar desde los combustibles fósiles. Utilizando Taiwán como estudio de caso, la investigación destaca la urgencia de este problema para las naciones dependientes de la energía importada y vulnerables al cambio climático.
1.1 Situación global de las energías renovables
La dependencia global de los combustibles fósiles es un contribuyente principal a las emisiones de gases de efecto invernadero. Acuerdos internacionales como el Acuerdo Climático de París tienen como objetivo limitar el calentamiento global, impulsando un cambio mundial hacia las energías renovables. La pandemia de COVID-19 ha subrayado aún más la importancia de sistemas energéticos resilientes y accesibles, demostrando la electricidad renovable como la fuente de energía más robusta durante la crisis.
1.2 El potencial de la energía solar
La energía solar se identifica como la fuente renovable más adecuada para Taiwán debido a sus condiciones geográficas y climáticas. Sin embargo, su desarrollo enfrenta obstáculos como los altos costos del terreno, restricciones políticas y desafíos de escalabilidad. Esto establece la necesidad de un marco de toma de decisiones robusto y multifacético para la selección de emplazamientos.
2. Metodología: Marco de dos etapas para la Toma de Decisiones Multicriterio (MCDM)
La contribución central de este artículo es un novedoso enfoque de dos etapas para la Toma de Decisiones Multicriterio (MCDM) que combina el Análisis Envolvente de Datos (DEA) y el Proceso Analítico Jerárquico (AHP).
2.1 Etapa 1: Análisis Envolvente de Datos (DEA)
El DEA es un método no paramétrico utilizado para evaluar la eficiencia relativa de las unidades de toma de decisiones (DMU) —en este caso, ubicaciones potenciales de ciudades/condados—. Filtra las ubicaciones menos eficientes basándose únicamente en entradas y salidas de recursos solares y climáticos.
2.2 Etapa 2: Proceso Analítico Jerárquico (AHP)
El AHP se aplica a las ubicaciones que obtuvieron puntuaciones de eficiencia perfectas en la Etapa 1. Incorpora criterios más amplios, cualitativos y cuantitativos, más allá de la pura eficiencia de recursos, para clasificar los emplazamientos más adecuados.
2.3 Jerarquía de criterios de evaluación
El modelo AHP se estructura en torno a cinco criterios principales, cada uno con subcriterios específicos:
- Características del emplazamiento: Uso del suelo, topografía, accesibilidad.
- Técnicos: Viabilidad de conexión a la red, coste de transmisión.
- Económicos: Coste de inversión, coste de operación y mantenimiento, mecanismos de apoyo (por ejemplo, tarifas reguladas).
- Sociales: Aceptación pública, creación de empleo, demanda de consumo eléctrico.
- Ambientales: Impacto ecológico, reducción de emisiones de carbono.
3. Estudio de caso: Taiwán
La metodología se aplica para evaluar 20 ciudades y condados potenciales en Taiwán para la construcción de granjas solares fotovoltaicas a gran escala.
3.1 Datos y selección de ubicaciones
Se seleccionaron 20 ubicaciones candidatas en Taiwán en función de la disponibilidad de datos y el potencial para el desarrollo solar.
3.2 Entradas y salidas del DEA
Entradas (factores no deseables): Temperatura, Velocidad del viento, Humedad, Precipitación, Presión atmosférica.
Salidas (factores deseables): Horas de sol, Insolación (radiación solar).
El modelo tiene como objetivo maximizar las salidas (recurso solar) mientras minimiza el impacto de las entradas climáticas adversas.
4. Resultados y Discusión
Resumen de resultados clave
Top 3 de ubicaciones clasificadas: 1. Tainan, 2. Changhua, 3. Kaohsiung
Subcriterios más influyentes: Mecanismos de Apoyo (0.332), Coste de Transmisión de Energía Eléctrica (0.122), Demanda de Consumo Eléctrico (0.086)
4.1 Puntuaciones de eficiencia del DEA
La etapa DEA identificó varias ubicaciones con puntuaciones de eficiencia perfectas (eficiencia = 1), lo que significa que convierten de manera óptima las condiciones climáticas en potencial de energía solar. Estas ubicaciones eficientes pasaron a la etapa AHP.
4.2 Pesos de los criterios AHP
La comparación por pares del AHP reveló que los criterios Económicos, particularmente "Mecanismos de Apoyo" (peso 0.332), fueron los más críticos para la toma de decisiones final, superando con creces los factores puramente técnicos o ambientales. Esto destaca el papel de las políticas e incentivos financieros en el despliegue de energías renovables.
4.3 Clasificación final de ubicaciones
Después de aplicar el modelo AHP ponderado, Tainan, Changhua y Kaohsiung surgieron como las tres ubicaciones más adecuadas. Estas áreas combinan recursos solares favorables con fuertes incentivos económicos (mecanismos de apoyo) y proximidad a centros de alta demanda eléctrica, minimizando los costes de transmisión.
5. Detalles técnicos y formulación matemática
Modelo DEA CCR (Charnes, Cooper, Rhodes): El modelo DEA básico utilizado para calcular la puntuación de eficiencia $\theta_k$ para la DMU $k$ se formula como un problema de programación lineal: $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ Donde:
- $x_{ij}$: cantidad de entrada $i$ para la DMU $j$.
- $y_{rj}$: cantidad de salida $r$ para la DMU $j$.
- $v_i$, $u_r$: pesos virtuales para entradas y salidas.
- $\epsilon$: un pequeño número no arquimediano.
- $\theta_k = 1$ indica eficiencia DEA.
Comparación por pares AHP y Consistencia: Los criterios se comparan por pares en una escala del 1 al 9. El vector de prioridad $w$ (pesos) se deriva del vector propio principal de la matriz de comparación $A$, donde $Aw = \lambda_{max}w$. La Razón de Consistencia ($CR$) debe ser menor que 0.1: $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ donde $RI$ es el Índice Aleatorio.
6. Resultados y descripción de gráficos
Gráfico conceptual 1: Flujo del proceso MCDM de dos etapas
Un diagrama de flujo que representa: (1) 20 Ubicaciones Candidatas ingresan en (2) Modelo DEA (Entradas Climáticas/Salidas Solares) que filtra a (3) Ubicaciones Eficientes (Puntuación=1). Estas luego ingresan en (4) Modelo AHP (5 Criterios y Subcriterios) conduciendo a (5) Clasificación Final Ponderada de Ubicaciones.
Gráfico conceptual 2: Jerarquía de pesos de criterios AHP
Un gráfico de barras horizontales que muestra los pesos relativos de los criterios de primer nivel (Emplazamiento, Técnico, Económico, Social, Ambiental) y un desglose para el criterio Económico mostrando el peso dominante del subcriterio "Mecanismos de Apoyo" (0.332).
Gráfico conceptual 3: Mapa de clasificación final de ubicaciones
Un mapa temático de Taiwán con las 20 ubicaciones candidatas marcadas. Las ubicaciones mejor clasificadas (Tainan, Changhua, Kaohsiung) se destacan en el color primario (#FF9800), con otras ubicaciones sombreadas en degradados según su puntuación AHP final.
7. Marco analítico: Caso de ejemplo
Escenario: Evaluar dos ubicaciones hipotéticas, "Ciudad A" y "Ciudad B", después de la etapa DEA.
Paso 1 - Comparación por pares AHP (Criterio Económico):
El tomador de decisiones compara subcriterios:
Se juzga que "Mecanismos de Apoyo" es 'Moderadamente más importante' (valor 3) que "Coste de Inversión".
Se juzga que "Coste de Inversión" es 'Igual a moderadamente más importante' (valor 2) que "Coste de O&M".
Esto forma una matriz de comparación para los subcriterios Económicos.
Paso 2 - Puntuación de ubicaciones:
Para el subcriterio "Mecanismos de Apoyo", la Ciudad A (fuertes subsidios gubernamentales) se califica como 'Fuertemente preferida' (puntuación 5) sobre la Ciudad B (subsidios débiles). Estas puntuaciones se normalizan y agregan utilizando los pesos de los criterios para producir una puntuación compuesta final para cada ubicación.
Resultado: Incluso si la Ciudad B tiene una insolación solar ligeramente mejor, el apoyo político superior de la Ciudad A (alto peso) conduce a una clasificación final más alta, demostrando la capacidad del marco para equilibrar múltiples objetivos, a menudo conflictivos.
8. Perspectivas de aplicación y direcciones futuras
- Integración con SIG: El trabajo futuro debería integrar estrechamente este marco MCDM con Sistemas de Información Geográfica (SIG) para análisis espacial, mapeo de restricciones (por ejemplo, áreas protegidas, pendiente) y visualización, creando un potente sistema de apoyo a la decisión (DSS).
- Modelado dinámico y probabilístico: Incorporar proyecciones de cambio climático para evaluar la viabilidad a largo plazo del emplazamiento. Utilizar DEA estocástico o AHP difuso para manejar incertidumbres en los datos de entrada y juicios de expertos.
- Evaluación tecnológica más amplia: Adaptar el marco para otras tecnologías renovables (eólica marina, geotérmica) o sistemas híbridos, utilizando criterios específicos de la tecnología.
- Integración de sostenibilidad del ciclo de vida: Ampliar el criterio ambiental a una Evaluación del Ciclo de Vida (LCA) completa que cubra fabricación, despliegue y desmantelamiento, alineándose con los principios de la economía circular.
- Mejora con aprendizaje automático: Utilizar algoritmos de ML para analizar datos históricos de éxito/fracaso de emplazamientos, refinando potencialmente las ponderaciones AHP o sugiriendo nuevos subcriterios.
9. Referencias
- Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
- Saaty, T. L. (1980). The analytic hierarchy process. McGraw-Hill.
- International Energy Agency (IEA). (2020). World Energy Outlook 2020. OECD/IEA.
- IRENA. (2021). Renewable Power Generation Costs in 2020. International Renewable Energy Agency.
- Zhu, J., et al. (2020). A comprehensive review of hybrid DEA methods. Omega, 102, 102308.
- Isola, P., Zhu, J., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1125-1134). (Citado como ejemplo de un marco estructurado de dos etapas en un dominio diferente).
Perspectiva central
El valor real de este artículo no está en encontrar que los lugares soleados son buenos para la energía solar —eso es trivial—. Su perspectiva central es la cuantificación explícita del dominio político-financiero en la ubicación de renovables a escala de servicios públicos. El peso asombroso de 0.332 para "Mecanismos de Apoyo" grita una verdad dura: en el mundo real, un emplazamiento mediocre con subsidios fantásticos (como las tarifas reguladas de Taiwán) superará consistentemente a una ubicación de recursos primos con vientos en contra regulatorios. Esto traslada la conversación de los mapas de ingeniería a los cuadros de mando de los responsables políticos y las salas de juntas.
Flujo lógico
La lógica de dos etapas es elegantemente pragmática. El DEA actúa como un filtro grueso y basado en datos, eliminando eficientemente las ubicaciones donde la física fundamental de la conversión solar es deficiente —ningún subsidio puede arreglar el mal tiempo—. Esto evita que el AHP, un método subjetivo, pierda ciclos en opciones sin futuro. Es reminiscente del refinamiento de grueso a fino en las arquitecturas modernas de IA, como la canalización generador-discriminador en CycleGAN [6], donde una transformación inicial se refina contra un conjunto de criterios. Aquí, el DEA es la transformación inicial (a ubicaciones eficientes), y el AHP es el refinamiento contra criterios económicos y sociales.
Fortalezas y defectos
Fortalezas: El enfoque híbrido es su mayor fortaleza, mitigando las debilidades de cada método. La objetividad del DEA en la selección inicial equilibra la subjetividad del AHP en la clasificación final. Los criterios elegidos son integrales, yendo más allá de la pura tecnoconomía para incluir la demanda social —un factor a menudo pasado por alto pero crítico para la estabilidad de la red y la aceptación pública, como se destaca en los informes de la IEA sobre integración de sistemas [3].
Defecto crítico: El talón de Aquiles del artículo es su rigidez temporal. El análisis es una instantánea. La energía solar FV es un activo de 25+ años. Los pesos para "Mecanismos de Apoyo" pueden evaporarse con un cambio de gobierno, como se vio en los recortes retroactivos de las tarifas reguladas en Europa. El cambio climático alterará las entradas de "Temperatura" y "Precipitación". El modelo carece de una lente probabilística o basada en escenarios para probar la robustez del emplazamiento frente a estos futuros. Además, aunque cita al COVID-19, no integra la resiliencia de la cadena de suministro —una omisión flagrante post-2020.
Perspectivas accionables
Para Desarrolladores de Proyectos: Utilicen este marco internamente, pero sometan a prueba de estrés los pesos del AHP. Ejecuten escenarios donde el peso de "Mecanismos de Apoyo" caiga un 50%. ¿Sigue ganando su ubicación principal? Si no, están asumiendo un riesgo político masivo.
Para Responsables políticos (como el MOST de Taiwán): El modelo revela su palanca. Si el "Coste de Transmisión" es una barrera principal (peso 0.122), la inversión estratégica en infraestructura de red en zonas de alto potencial (como Tainan) puede ser más impactante que un aumento generalizado de las tarifas reguladas.
Para Investigadores: El siguiente paso es evolucionar esto de un modelo estático a un gemelo digital dinámico. Integren datos SIG en tiempo real, modelos climáticos y bases de datos de políticas. Utilicen el motor DEA-AHP no para una clasificación única, sino para monitorear continuamente la "aptitud" de una cartera de emplazamientos frente a paisajes técnicos, económicos y regulatorios en evolución. El objetivo no debería ser encontrar el mejor emplazamiento para 2021, sino identificar el emplazamiento más resiliente para 2050.