Modelo BESOM

El modelo BESOM (Brookhaven Energy System Optimization) ha sido desarrollado por el Brookhaven National Laboratories para la asignación eficiente de recursos en los EE. UU. Y se implementó a nivel nacional para un análisis instantáneo de un futuro puntual en el tiempo. Posteriormente, se desarrollaron varias versiones actualizadas que amplían las capacidades del modelo, incluyendo una vinculación macroeconómica a través de una tabla de insumo-producto (Domínguez, 2015).

BESOM es un modelo de programación lineal, diseñado para la evaluación cuantitativa de tecnologías y políticas energéticas dentro de un marco de sistemas. El modelo está diseñado para examinar las sustituciones entre combustibles en el contexto de limitaciones en la disponibilidad de recursos y tecnologías competidoras, de manera que se pueda elegir la opción más apropiada (Kydes, 1980).

El objetivo de BESOM es minimizar el costo de cumplir con los niveles de demanda medidos en BTU para una serie de usos finales de energía tales como energía térmica o transporte en un año dado. La demanda se satisface mediante la conversión y el transporte de suministros primarios a través de una serie de etapas (Shapiro, et al., 1976).

53

3.2.2.2Modelo EFOM

El modelo EFOM, acrónimo de Energy Flow Optimization Model (Modelo de Optimización del Flujo de Energía), se desarrolló con la capacidad de tomar los datos de salida del modelo MEDEE y realizar la optimización de la oferta energética de una región determinada. Es un modelo de programación lineal, por lo tanto, la optimización se realiza mediante la elaboración de una función objetivo que se optimiza, junto a un conjunto de restricciones, siendo, tanto la función objetivo como las restricciones, ecuaciones lineales. (García, 2004).

El modelo de optimización EFOM ayuda a determinar un mix óptimo de tecnologías para un sistema energético, conforme a un número de condiciones límites tales como límite de emisiones, límite de reducción de costes, etc. El método consiste en realizar primero una verificación del sector de energía primaria que se tendrá en cuenta, podría ser: combustibles fósiles (carbón, petróleo, gas natural, etc.), bio-productos industriales (gases de horno y de cocina) y energías renovables local (biomasa, desechos sólidos y recursos naturales) (Benitez, 2015).

El modelo puede utilizar varias tecnologías, tales como: plantas termoeléctricas convencionales, las plantas de ciclo combinado, paneles fotovoltaicos, sistemas de micro- turbina, etc., que se han supuesto para la conversión intermedia de la energía primaria. La opción y la adopción de estas tecnologías depende del objetivo del proceso de la optimización; si se les da una mayor importancia a los requisitos económicos, son consideradas las opciones menos costosas. Por otra parte, cuando la meta es reducir emisiones de un agente contaminante, son preferidas las tecnologías más respetuosas al medio ambiente (Benitez, 2015).

Las restricciones a las que se encuentran sometidas las variables del modelo EFOM se clasifican en 6 tipos:

a) Restricciones debidas a los balances de los flujos energéticos. En cualquier nodo de los flujos de un sistema energético, la entrada de energía debe ser igual a la salida de energía más las pérdidas. Dicho de otra forma, la suma de la energía que entra en un proceso ha de ser igual a la suma de la energía saliente más las pérdidas que se produzcan en el proceso (Primer Principio de la Termodinámica).

54

b) Restricciones originadas por las ecuaciones de reparto. Para cada tipo de energía o estado de un producto energético (carbón en parque, carbón en caldera, etc.) la proporción de participación de cada uno de los flujos que llegan al mismo es fija y constante para cada período.

c) Restricciones de capacidad. El flujo energético en un proceso en un momento t, no puede superar la capacidad instalada en el año base To más la prevista desde

To hasta t.

d) Restricciones debidas a la política energética (por ejemplo la disminución de la dependencia exterior mediante un aumento de la autoproducción, moratoria nuclear, etc.) o derivadas de las características del sistema energético (limitación de la generación hidroeléctrica debido a la pluviometría, etc.) o debidas a la falta de nuevas tecnologías que deben ser importadas o desarrolladas (tecnologías de uso limpio del carbón, nucleares de última generación, de generación con energías renovables, etc.).

e) Restricciones que limitan la capacidad entre valores máximos y mínimos.

f) Las restricciones exógenas. Se establecen como una combinación lineal de los flujos asociados a los parámetros para los distintos procesos (García, 2004).

3.2.2.3Modelo ESMERALDA

ESMERALDA (Estudio Macroenergético Regional, Demanda y Abastecimiento) estudia globalmente el suministro energético regional basado en la demanda correspondiente a cada región. De esta manera, los insumos son la oferta y la demanda de las regiones a evaluar (Bustinduy, 1983, citado por Domínguez, 2015, p.86).

Este modelo divide el mundo en 15 regiones energéticas y pretende obtener los datos necesarios para sustituir las energías renovables por convencionales, cuando se consideren posibles y beneficiosas, teniendo en cuenta, entre otros, datos de población, estudios demográficos, cifras per cápita. También describe la producción mundial, el consumo, las exportaciones e importaciones potenciales, alcanzando algunas previsiones a medio y largo plazo (Domínguez, 2015).

55

3.2.2.4GEAYL

El modelo GEAYL (Generación Eléctrica Autóctona y Limpia) fue desarrollado por Benítez (2015) para su aplicación en una comunidad rural aislada de Cuba.

GEAYL considera un modelo para el cálculo de la demanda y otro para la estimación de la oferta. El modelo de demanda, denominado GEAYL-D, proyecta los consumos energéticos hasta el 2030, considerando un incremento del PBI bajo tres escenarios distintos, utilizando para ello los modelos de cálculo sumativo y multiplicativo.

El modelo de oferta, denominado GEAYL-O, incorpora fuentes de energías renovables y no renovables. Es un modelo de optimización de las energías y se evalúan cinco funciones objetivo, las cuales serían las de mayor interés para una comunidad rural no energizada. Estas cinco funciones lineales son compatibles con los criterios utilizados en la mayoría de los modelos de planificación energética. La primera función considera los costes de las tecnologías, las tres siguientes consideran las emisiones de CO2, NOx y

SO2, y la quinta función considera la aceptación social de las tecnologías propuestas. Los

coeficientes de esta última función fueron obtenidos por el método AHP. Dichas funciones son optimizadas individualmente y luego grupalmente haciendo uso de la Programación Compromiso. De este modo se obtuvo la solución Pareto óptima.

3.2.2.5Modelo HOMER

HOMER (Hybrid Optimization of Multiple Energy Resources) es un modelo de optimización micro energético desarrollado por el Laboratorio Nacional de Energía Renovable de Estados Unidos (NREL) para ayudar en el diseño de micro sistemas de energía y facilitar la comparación de tecnologías de generación de energía en un amplio rango de aplicaciones. HOMER modela tanto el comportamiento físico de un sistema eléctrico como su correspondiente coste en el ciclo de vida, asimismo, permite al modelador comparar muchas opciones de diseño diferentes basadas en indicadores técnicos y económicos (Lambert, Gilman, y Lilienthal, 2006, Rohit y Bhattacharyya, 2014, citado por Domínguez, 2015, p.89).

Realiza tres tareas principales: simulación, optimización y análisis de sensibilidad. En el proceso de simulación, HOMER modela el rendimiento de una configuración de un sistema micro energético particular, cada hora del año para determinar su factibilidad

56

técnica y costo de ciclo de vida. En el proceso de optimización, HOMER simula muchas configuraciones de sistemas diferentes, buscando la que satisface las limitaciones técnicas al menor coste del ciclo de vida. En el proceso de análisis de sensibilidad, HOMER realiza optimizaciones múltiples bajo un rango de suposiciones de entrada para evaluar los efectos de incertidumbre o cambios en los insumos del modelo. La optimización determina el valor óptimo de las diversas variables sobre las que el diseñador del sistema tiene control, como la mezcla de componentes que componen el sistema y el tamaño o la cantidad de cada uno. El análisis de sensibilidad ayuda a evaluar los efectos de la incertidumbre o los cambios en las variables sobre las cuales el diseñador no tiene control, como la velocidad media del viento o el futuro precio potencial del combustible (Lambert, Gilman y Lilienthal, 2006, citado por Domínguez, 2015, p.89).

3.2.2.6Modelo IntiGIS

IntiGIS es una herramienta de escala local desarrollado en 2010 por el grupo de Tecnologías de la Información Geográfica y Energías Renovables (gTIGER) del Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT), España.

IntiGIS ha sido desarrollada en una aplicación escrita en lenguaje VB.NET y ejecutada sobre ArcGIS 9.3 con la extensión Spatial Analyst. Su principal propósito es servir como herramienta útil en la toma de decisiones, dentro del marco de la planificación integrada de electrificación rural, permitiendo comparar entre una serie de tecnologías de cara a satisfacer la demanda eléctrica existente o estimada en el área de estudio. Biomasa, microhidráulica y minihidráulica quedan al margen. El estudio comparativo se lleva a cabo a través del LEC, un parámetro típico en el análisis de rentabilidad de instalaciones de producción de energía eléctrica. El LEC indica la cuantía de los ingresos necesarios por unidad de energía eléctrica (€/kWh) producida para recuperar el coste total del sistema durante el tiempo de vida de éste. La ventaja de este índice radica en su capacidad para comparar tecnologías con diferentes tipos de inversión y tiempos de operación (CIEMAT, 2014).

3.2.2.7Modelo IRES

Kanese-Patil (2007), desarrolló el modelo IRES (Integrated Renewable Energy System) para generar electricidad como producto final, para ser utilizada en sectores

57

industriales domésticos, agrícolas, comunitarios y de pequeña escala. Este modelo se basa en un enfoque de programación lineal.

Su objetivo fue establecer un sistema integrado de energías renovables para la electrificación rural de una red aislada. El modelo consiste en minimizar una función objetivo de costos, sujeta a varias restricciones. La primera igualar la cantidad óptima de los recursos con la cantidad total necesaria a los usuarios finales; y la segunda restricción es la cantidad óptima del valor: “recursos/eficiencia de conversión”, que deben ser menor que la disponibilidad de los recursos. Además, en la aplicación realizada por Kanese- Patil, se han considerado varios escenarios (sistemas IRES) variando el Índice de Energía para encontrar un escenario adecuado para la comunidad aislada en cuestión. De este modo, el modelo reduce al mínimo el coste total de los diferentes sistemas IRES, al tiempo que contabiliza la fiabilidad del sistema (Kanase-Patil, et al., 2010).

3.2.2.8Modelo LEAP

LEAP (Long-range Energy Alternatives Planning system) es una poderosa y versátil herramienta software para la planificación integrada de la energía y la evaluación de la mitigación del cambio climático desarrollada por el SEI (Stockholm Environment Institute) de los Estados Unidos.

LEAP puede utilizarse en una amplia gama de escalas, desde ciudades y estados hasta aplicaciones nacionales, regionales e incluso globales. Se está convirtiendo rápidamente en un estándar para los países que emprenden la planificación integrada de los recursos y las evaluaciones de mitigación de los GEI, especialmente en los países en desarrollo, y para la creación de estrategias de desarrollo con bajas emisiones (Domínguez, 2015).

3.2.2.9Modelo MARKAL

MARKAL (MARKet Allocation model) es un modelo desarrollado por la Agencia Internacional de la Energía o IEA (International Energy Agency).

El modelo MARKAL fue desarrollado para hacer análisis de política energética y ambiental con un alcance en tiempo de 40 a 50 años, en periodos de 5 años, para un sistema energético preestablecido. Es un modelo integrado, construido en programación lineal, que hace un análisis Arriba-abajo de la demanda como entrada, y un análisis de la

58

oferta, Abajo-arriba, atendiendo a los tipos de tecnología presentes y futuras, como control. Se define un caso de referencia con la demanda estimada y ninguna medida financiera o de abatimiento de emisiones. Después se introducen las medidas de mercado o los porcentajes de reducción requerido y se generan los casos eligiendo las tecnologías por el costo mínimo para la opción. Las salidas típicas son curvas de abatimiento de costo o los costos marginales por caso. Es un modelo que requiere de una gran cantidad de datos, tanto económicos como tecnológicos (Álvarez, 2004).

En términos generales el modelo MARKAL sigue cuatro pasos para su construcción: El primero paso es definir un Sistema Energético de Referencia (Reference Energy System, RES), que represente el sistema energético completo, desde la extracción de recursos, transformación, transmisión, distribución y consumo. La definición de este sistema es la base del modelo, y en el que se representan todas las tecnologías disponibles y todas las relaciones entre oferta y consumo. El segundo paso de la estructura del MARKAL sería definir las condiciones actuales del sistema, su capacidad de expansión y los posibles cambios de tecnología, que podrían darse en el período a analizar. El tercer paso es definir los escenarios posibles, a partir de lo que se conoce como un árbol de eventos, que define para cada periodo de tiempo las posibilidades de evolución del sistema, que suelen ser sólo dos por periodo de tiempo. El cuarto y último paso consistiría en elegir el mejor escenario posible. Esto se hace a partir de técnicas de optimización lineales y no lineales, que buscan los equilibrios parciales entre la oferta y la demanda, y se elige aquel que minimiza el costo de la opción (Álvarez, 2004).

3.2.2.10 Modelo MESSAGE

El modelo de suministro de energía MESSAGE (Model for Energy Supply Systems And their General Environmental impact) fue desarrollado por IIASA (International Institute for Applied Systems Analysis).

MESSAGE es un modelo de programación lineal dinámica que minimiza los costes totales del suministro de energía en un horizonte temporal determinado.

Consiste en equilibrar la demanda de energía secundaria (o final), que se desagrega en sectores y es exógena al modelo, con el suministro de energía primaria, dado como un conjunto de disponibilidades de recursos que se desglosan en un número opcional de categorías de costos al elegir entre un conjunto dado de tecnologías de

59

conversión de energía. Las limitaciones de los modelos reflejan la limitada velocidad de acumulación de tecnologías, la limitada disponibilidad anual de recursos y las relaciones tecnológicas, entre otros aspectos del sistema energético. El modelo permite la definición de regiones de carga (por ejemplo, para la demanda de electricidad), distingue entre recursos autóctonos e importados, toma en cuenta el impacto ambiental de las estrategias de suministro de energía y opcionalmente incluye este impacto en la función objetivo (Schrattenholzer, 1981).

3.2.2.11 Modelo NEMS

El NEMS (National Energy Modeling System) es un modelo desarrollado por la EIA (Energy Information Administration). Se trata de un modelo modular flexible que representa el sistema energético de EE.UU. Representa a un modelo de tercera generación de previsión a mediano plazo que se desarrolló desde 1974, en el predecesor de la EIA, la Administración Federal de Energía, y que analizaban el sector energético-económico interno para el país norteamericano. Antes del NEMS, se utilizó de 1982 al 1993 el modelo IFFS (Sistema de Previsión para el Futuro Intermedio, Intermediate Future Forecasting System), y antes de este periodo se utilizó el MEFS (Sistema de Previsión Energética de Mediano plazo, Midterm Energy Forecasting System). Es un modelo nacional, por tanto, que divide al país norteamericano en 9 sub-regiones, no en los 50 estados independientes, pero que al mismo tiempo trata de representar el mercado internacional de la energía, para reforzar su validez. Consideran que su alcance en el tiempo es de mediano plazo, generalmente 20 años. Para el procesamiento matemático utiliza la Programación lineal (Álvarez, 2004).

3.2.2.12 Modelo OREM

El modelo OREM (Optimal Renewable Energy Model) fue desarrollado por Iniyan et al., para una utilización eficaz de las fuentes de energía renovables en la India para el año 2020-21.

OREM es un modelo de programación lineal. Optimiza los suministros de energía a través de fuentes renovables. Los factores primarios, tales como costo y la eficiencia, se consideran en la función objetivo. Por lo tanto, el costo de sistemas de las energías renovables debe ser minimizado y la eficiencia de los sistemas de energías renovables debe ser maximizada. Las opciones energéticas renovables que son tenidas en cuenta son

60

todas aquellas aplicables a los diferentes sectores en la región. Las restricciones que usa del modelo son la aceptación social, la fiabilidad, el potencial y la demanda. Con el fin de determinar el factor de aceptación social de los sistemas de energía renovable para diferentes usos finales, se realizó un estudio Delphi. El análisis de fiabilidad se hizo para averiguar el factor de fiabilidad de la planta de energía solar fotovoltaica y el generador de turbina eólica que fueron considerados en el estudio (Iniyan, et al., 1998).

3.2.2.13 Modelo PAMER

El modelo PAMER (Planificación con Modelo de Energías Renovables) fue desarrollado por Marcos (1984). Es un modelo de planificación energética de oferta que permite la sustitución parcial de las fuentes energéticas convencionales demandadas en los distintos sectores consumidores de una región, por energías renovables.

PAMER es un modelo que mezcla la Programación Lineal con las técnicas blandas ya que utiliza estas para determinar los coeficientes que aparecen en la función objetivo, la cual es lineal al igual que las restricciones. La función objetivo empleada maximiza la cantidad de energías proveniente de fuentes renovables. La novedad con respecto a otros modelos de planificación energética es que los coeficientes o parámetros de la función lineal se determinan por la opinión de expertos. Y, a partir de la opinión de estos expertos, se aplican las llamadas técnicas blandas, como la técnica de las precedencias o de la distancia al punto ideal, para establecer las prioridades entre las distintas fuentes.

Las restricciones son de tres tipos: El primero, el límite de energías renovables, suponiendo que éstas solo pueden sustituir un determinado porcentaje de la demanda que cubre las fuentes convencionales en un sector dado; el segundo, tecnológico, que provienen de las dificultades de captación, distribución, almacenaje y aprovechamiento, de cada tipo de energía renovable; y el tercero, energías convencionales que ya han sido sustituidas y tecnologías de energías renovables ya instaladas, estas limitaciones suponen que existe una cantidad mínima de energía ya instalada. Por tanto, la contribución de cada tipo de energía renovable no puede ser inferior que la cantidad instalada.

La innovación de este modelo, como se ha señalado, se encuentra en la utilización de técnicas de análisis vectorial (“técnicas blandas”) para el establecimiento de los coeficientes de la función objetivo que se va a optimizar (“técnica dura”). El análisis

61

vectorial se realiza a partir de parámetros sociales, técnicos, económicos y medioambientales que permiten jerarquizar las diferentes fuentes de energía renovables (Benitez, 2015).

3.2.2.14 Modelo POLES

POLES (Prospective Outlook on Long term Energy Strategy) fue desarrollado en 1997 dentro del programa Joule III de la Comisión Europea. Es un modelo que tiene un alcance de 30 años, está diseñado para determinar la demanda de energía, crear escenarios de precios y proyecciones de suministro. Entre sus objetivos se encuentran:

 Reducir incertidumbre e identificar los márgenes de libertad en el futuro desarrollo del consumo energético y emisiones correspondientes de CO2.

 Proveer de elementos para análisis de eficiencia de costos en las políticas de reducción de emisiones.

 Analizar el impacto de la entrada de tecnología o sistemas de reducción de emisiones en los precios.

 Ayudar a identificar las mejores estrategias de inversión y desarrollo para la Unión Europea en el contexto mundial.

El POLES utiliza más de 60 mil parámetros: 35 mil definiciones, 15 mil datos exógenos y 10 mil variables exógenas. Representa 14 países individualmente y 12 regiones locales, todo se agrega en hace 26 regiones globales. Los sectores analizados se dividen en 11 actividades. Los datos de entrada proceden tanto de la IEA, del EuroStat y del Banco Mundial (Álvarez, 2004).

POLES se divide en dos grandes segmentos generales de cómputo: por un lado, hay una integración vertical que calcula la oferta y demanda energética de cada región, y