Universidad Nacional de Chimborazo
NOVASINERGIA, 2020, Vol. 3, No. 2, junio-noviembre (47-56)
ISSN: 2631-2654
https://doi.org/10.37135/ns.01.06.04
Artículo de Investigación
http://novasinergia.unach.edu.ec
Análisis multicriterio para la localización de centrales fotovoltaicas
de gran escala
Multicriteria analysis for the location of large-scale photovoltaic plants
María Quinteros
*
, Diego Morales
Jefatura de Posgrados, Universidad Católica de Cuenca, Cuenca, Ecuador, 010101;
dmoralesj@est.ucacue.edu.ec
* Correspondencia: mariaeugenia.quinteros@est.ucacue.edu.ec
Recibido 18 octubre 2020; Aceptado 19 noviembre 2020; Publicado 01 diciembre 2020
Resumen:
La matriz energética del Ecuador supera el 75% de energía renovable, sin embargo,
la fuente principal es la energía hidroeléctrica. Como primer paso hacia la
obtención de una matriz más amigable con el ambiente y más diversa es
fundamental identificar zonas con potencial para la instalación de energías
renovables no convencionales, los Sistemas de Información Geográfico (SIG) son
de gran ayuda para identificar zonas con este potencial. En este estudio se
identifican los posibles sitios para la implantación de centrales solares
fotovoltaicas (CSF) en la Provincia del Azuay mediante los SIG y la Evaluación
Multicriterio (EM). Para valorar la importancia de los criterios se empleó el
Método Analítico Jerárquico (MAJ). Para la obtención de un modelo de capacidad
de acogida (MCA) se integró el modelo de aptitud (MA) en el que se analizaron
criterios económicos y técnicos; y un modelo de impacto (MI) que analizo
variables ambientales. Al integrar los modelos esta metodología permitió la
identificación de zonas para el emplazamiento de estaciones que permitan el
monitoreo de los recursos y el análisis del comportamiento previo a la
implementación de las CSF. Una vez ejecutada la metodología propuesta se
obtiene como resultado dos posibles sitios con características medias para el
emplazamiento de CSF. Como conclusión en base a los indicadores analizados el
Azuay no cuenta con una zona potencialmente adecuada para la instalación de esta
tecnología.
Palabras clave:
Análisis multicriterio, central solar fotovoltaica, energía renovable, método
analítico jerárquico, sistema de información geográfico.
Abstract:
Ecuador's energy matrix exceeds 75% of renewable energy; however,
hydroelectric energy is the primary source. As a first step towards obtaining a
more environmentally friendly and diverse matrix, it is essential to identify areas
with potential for installing non-conventional renewable energies. Geographic
Information Systems (GIS) are of great help to identify areas with this potential.
In this study, the possible sites for implementing photovoltaic solar power plants
(PSPP) in the Azuay Province are identified utilizing GIS and Multicriteria
Evaluation (ME). The Hierarchical Analytical Method (HAM) was used to assess
the criteria's importance. To obtain a host capacity model (HCM), the aptitude
model (AM) was integrated. Economic and technical criteria were analyzed; an
impact model (IM) allowed the analysis of environmental variables. By integrating
the models, this methodology allowed identifying areas for the stations' location
that allow the monitoring of resources and behavior analysis before implementing
the PSPPs. Once the proposed methodology has been executed, two possible sites
with average characteristics are obtained for the PSPP's location. In conclusion,
based on the indicators analyzed, Azuay does not have a potentially suitable area
for installing this technology.
Keywords:
Hierarchical analytical method, geographical information systems, multicriteria
analysis, photovoltaic solar farm, renewable energy.
http://novasinergia.unach.edu.ec 48
1 Introducción
Las Energías Renovables (ER) actualmente se
consideran una opción para el reemplazo de
combustibles fósiles (Aydin, Kentel, & Sebnem
Duzgun, 2013). Estas son favorables en el cuidado del
medio ambiente debido a que ayudan a disminuir las
emisiones de Gases de Efecto Invernadero (GEI) que
deterioran la capa de ozono del planeta (Aydin et al.,
2013).
Las ER están vinculadas a las condiciones globales y
el desarrollo. Para la ejecución de estos proyectos se
deben analizar los criterios económicos, sociales y
ambientales (Cevallos-Sierra & Ramos-Martin, 2018;
Rediske et al., 2020; Sánchez-Lozano, Antunes;,
García-Cascales, & Dias, 2014; Xu, Wei, Ji, Wang, &
Gao, 2019).
En Latinoamérica, hasta el año 2017, Costa Rica,
Brasil y Uruguay han alcanzado una matriz energética
renovable dado que más del 80% de su energía
proviene de fuentes renovables.
Cabe destacar que estos tienen implementadas varias
tecnologías que obtienen ER de diferentes fuentes. En
otros varios países, gracias a las políticas públicas de
estado, se han empezado a implementar ER, no
obstante, se enfocan principalmente en la energía
hidroeléctrica considerada una ER convencional,
descuidando otras fuentes (Cevallos-Sierra & Ramos-
Martin, 2018; Koengkan, Poveda, & Fuinhas, 2019;
Xu et al., 2019).
Con relación a lo anterior, el Ecuador siendo un país
rico en recursos naturales, ha podido usarlos para
producir electricidad durante décadas (Cevallos-Sierra
& Ramos-Martin, 2018). El gobierno ha impulsado
varias regulaciones que pretenden incentivar el uso de
ER en diferentes escalas (Agencia de Regulación y
Control de Electricidad, 2015, 2018, CONELEC
(Consejo Nacional de Electricidad), 2011, 2013).
Según el Balance Nacional de Energía Eléctrica de
febrero de 2020 el país alcanzó el 76.68% de energía
hidroeléctrica, 1.30% de biomasa, 0.26% eólica,
0.13% biogás y 0.11% fotovoltaica, lo que da un total
de 78.48% de energía renovable (Agencia de
Regulación y Control de Electricidad, 2020).
Como se evidencia, el Ecuador cuenta con más del
75% de ER proveniente del recurso hídrico. Un
inconveniente de esta situación es que la generación
continua de energía no es posible mediante el uso de
un solo tipo de tecnología (hidroeléctrica) puesto que
los recursos varían según el clima y la ubicación de la
zona (Aydin et al., 2013).
La Energía Solar (ES) crece de manera acelerada, es
abundante, gratuita y limpia, además, no produce
contaminación hacia el medio ambiente (Fang, Li, &
Song, 2018).
La ES puede cubrir la demanda anual de energía con
un promedio de 1.6 MWh/m
2
por año, aunque la
radiación anual a nivel mundial varía según la
localización geográfica (Siksnelyte-Butkiene,
Zavadskas, & Streimikiene, 2020). La energía solar
fotovoltaica se basa en la utilización de células solares
fabricadas con materiales semiconductores cristalinos
que por efecto fotovoltaico, generan corriente eléctrica
cuando incide sobre los mismos radiación solar
(Ghenai, Albawab, & Bettayeb, 2020). Mediante la
“teoría del balance” desarrollada por Schockley y
Queisser se puede determinar la eficiencia máxima de
un panel, la cual está basada en la capacidad de
conversión de energía luminosa a eléctrica (Torres-
Pacheco, Jurado-Pérez, Granados-Lieberman, &
Lozano-Luna, 2018). La eficiencia de una celda
fotovoltaica se encuentra entre 13 y 16% para paneles
policristalinos y puede alcanzar el 20% en paneles
monocristalinos (Ghenai et al., 2020). Un factor
importante para el análisis de la eficiencia de un panel
es la temperatura ambiente, existe menor producción
de energía mientras más alta sea la temperatura
(Hashemizadeh, Ju, & Dong, 2020), la eficiencia
aumenta a medida que la temperatura se mantiene
menor a los 25°C (Hashemizadeh et al., 2020; Torres-
Pacheco et al., 2018).
Las centrales solares fotovoltaicas (CSF) del país han
demostrado gran eficiencia por su ubicación
privilegiada con respecto al sol, por lo que es
importante promocionar estas tecnologías (Cevallos-
Sierra & Ramos-Martin, 2018). El país cuenta con el
recurso primario; sin embargo, el desarrollo de nuevas
tecnologías se ha visto frenado por la ausencia de
políticas públicas, las cuales se deben a las
fluctuaciones económicas y el lento desarrollo del país
(Xu et al., 2019).
Para la instalación de una central fotovoltaica algunos
criterios deben ser tomados en cuenta, como la
ubicación, minimización de costos con respecto a la
cercanía de infraestructura eléctrica, la potencia
generada, los impactos ambientales, el uso de suelo,
áreas pobladas, entre otros (Al Garni & Awasthi,
2017).
Cevallos (Cevallos-Sierra & Ramos-Martin, 2018)
realizó una Evaluación Multicriterio (EM) en el
Ecuador para encontrar la localización de centrales
eólicas, fotovoltaicas y solares. Se concluye que las
CSF tienen gran potencial en el país, existe mayor
potencial en la Región Andina y la Cordillera de los
Andes. Sin embargo, no existe un análisis específico
para la provincia del Azuay que permita establecer con
más precisión estos sitios maximizando el recurso; en
consecuencia, la potencia en las plantas y
minimizando costos.
Debido a las razones expuestas anteriormente, el
objetivo de esta investigación fue determinar la
ubicación adecuada para el emplazamiento de CSF en
la provincia del Azuay a partir de criterios
económicos, ambientales, sociales y técnicos. Para
que en un futuro este trabajo sirva de guía y posibilite
a los organismos competentes para la toma adecuada
http://novasinergia.unach.edu.ec 49
de decisiones en referencia al uso del recurso solar y
las ER en general.
2 Metodología
El área de estudio está ubicada en la Provincia del
Azuay, en Ecuador. Al sur de la región interandina,
entre las cordilleras Occidental y Oriental. Mismas
que dan lugar a la formación de valles entre la cuenca
del Río Paute y en la cuenca del Río Jubones. Es el
sitio en el cual se encuentran asentados los centros
poblados desde la época colonial, inclusive
previamente a ellos. Aproximadamente tiene una
superficie de 8632.01 km
2
y una altura que oscila entre
los 37 m.s.n.m. en la zona costanera de Camilo Ponce
Enríquez y 4.482 m.s.n.m. en la zona alta del parque
nacional «El Cajas» (Consejo Provincial del Azuay,
n.d.). La provincia está integrada por 15 cantones:
Camilo Ponce Enríquez, Chordeleg, El Pan, Girón,
Guachapala, Gualaceo, Nabón, Oña, Paute, Pucará,
San Fernando, Santa Isabel, Sevilla de Oro, Sígsig y
su capital el cantón Cuenca. Además, cuenta con 61
parroquias rurales (Consejo Provincial del Azuay,
n.d.).
La metodología planteada inició con la revisión
bibliográfica de la literatura en bases científicas que
guíen en la selección de criterios y subcriterios
significativos. Los cuales sirvieron para establecer las
variables que determinen la factibilidad de la
localización de CSF dentro de la provincia.
Consecuentemente se procedió, en las bases de datos
de las páginas oficiales del país, con la obtención de
información en formato shape (.shp) y ráster (.tif). Los
cuales son compatibles para el análisis y
geoprocesamiento en los SIG.
Figura 1: Diagrama de flujo para la localización de CSF mediante el método de EM.
A continuación, se elabora los mapas multi criterio
mediante el geoprocesamiento de la información en el
SIG. Mediante el MAJ (Aggarwal & Singh, 2013) se
realizó la asignación de pesos para cada subcriterio.
Con los pesos obtenidos se procedió a realizar el
cálculo del MA y MI.
Posteriormente, se calculó el MCA integrando los
modelos anteriores, se realizó la asignación de
diferentes pesos y se evaluó los diferentes escenarios
para evitar la subjetividad de los resultados.
http://novasinergia.unach.edu.ec 50
Finalmente, a partir del MCA se puede definir
alternativas para la localización de CSF en la
provincia del Azuay. En la figura 1 se puede visualizar
el flujo de actividades realizadas en el presente
estudio.
2.1 Revisión bibliográfica
En la tabla 1 se realiza la síntesis de la información
recolectada a partir de la revisión bibliográfica para
seleccionar los criterios y subcriterios relevantes para
la localización de CSF.
La EM es un método alternativo que utiliza un gran
número de criterios involucrados en la toma de
decisiones (económicos, ambientales y sociales) de
manera estructurada y objetiva (de Paula et al., 2020).
Varios estudios indican el uso de métodos de EM
mediante SIG. Sintetizando los autores, proponen
modelos capaces de indicar la mejor ubicación para la
implementación de CSF a gran escala usando MAJ
mediante EM en países como Brasil, Arabia Saudita,
España y Tanzania (Al Garni & Awasthi, 2017; Aly et
al., 2017; Gutiérrez & Velazquez, 2018; Rediske et
al., 2020). En Turquía, Aydin et al. (2013) analizó la
ubicación de plantas solares y eólicas mediante la
metodología Ordered Weighted Averging (OWA).
Charabi & Gastli (2011) realizaron la comparación de
las metodologías (OWA) en Omán. En Ecuador,
Cevallos-Sierra y Ramos-Martin (2018) realizaron
una EM para analizar los sitios óptimos para el
emplazamiento de CSF y eólicas mediante SIG. En
China se usó el método Best-Worst Method para
encontrar la mejor ubicación para proyectos solares
fotovoltaicos (Hashemizadeh et al., 2020).
Tabla 1: Criterios para la localización de CSF.
Criterio
Subcriterio
Referencia
Técnico
Pendiente (%)
(Aydin et al., 2013; Cevallos-Sierra & Ramos-Martin, 2018; Gutiérrez
& Velázquez, 2018; Rediske et al., 2020; Sánchez-Lozano et al., 2014;
Aly, Jensen & Pedersen, 2017)
Técnico
Radiación (kWh/m
2
día)
(Aydin et al., 2013; Cevallos-Sierra & Ramos-Martin, 2018; Gutiérrez
& Velázquez, 2018; Al Garni & Awasthi, 2017; Rediske et al., 2020;
Charabi & Gastli, 2011; Sánchez-Lozano et al., 2014; Aly et al., 2017)
Económico
Vías de comunicación
(km)
(Cevallos-Sierra & Ramos-Martin, 2018; Gutiérrez & Velázquez,
2018; Al Garni & Awasthi, 2017; Rediske et al., 2020; Sánchez-
Lozano et al., 2014; Aly et al., 2017)
Económico
Conexión a redes
eléctricas (km)
(Aydin et al., 2013; Cevallos-Sierra & Ramos-Martin, 2018; Gutiérrez
& Velázquez, 2018; Al Garni & Awasthi, 2017; Rediske et al., 2020;
Charabi & Gastli, 2011; Sánchez-Lozano et al., 2014; Aly et al., 2017)
Ambientales
Hidrología (km)
(Aydin et al., 2013; Cevallos-Sierra & Ramos-Martin, 2018; Gutiérrez
& Velázquez, 2018; Charabi & Gastli, 2011; Aly et al., 2017)
Ambientales
Uso de suelo
(Aydin et al., 2013; Cevallos-Sierra & Ramos-Martin, 2018; Gutiérrez
& Velázquez, 2018; Rediske et al., 2020; Charabi & Gastli, 2011;
Sánchez-Lozano et al., 2014; Aly et al., 2017)
Ambientales
Centros poblados (m)
(Aydin et al., 2013; Al Garni & Awasthi, 2017; Rediske et al., 2020;
Sánchez-Lozano et al., 2014; Aly et al., 2017)
Ambientales
Áreas protegidas
(Cevallos-Sierra & Ramos-Martin, 2018; Gutiérrez & Velázquez,
2018; Al Garni & Awasthi, 2017; Charabi & Gastli, 2011; Aly et al.,
2017)
2.2 Obtención de información
Se recopiló información cartográfica de los criterios y
subcriterios de las páginas oficiales GeoPortal del
Instituto Geográfico Militar, Ministerio de Agricultura
y Ganadería, Secretaría Nacional de Planificación y
Desarrollo (SENPLADES), Atlas Solar Global para
ser geoprocesados en los puntos 2.4 al 2.6.
2.3 Asignación de pesos
En este punto, aplicando el MAJ descrito por Saaty en
1980 (Aggarwal & Singh, 2013) , se asignaron los
pesos según la importancia de los criterios
seleccionados anteriormente.
El MAJ descompone un problema principal en
jerarquías. Se divide en tres grupos ordenados
jerárquicamente: objetivo o meta, criterios-
subcriterios y alternativas. Estructurando
piramidalmente la meta se ubica en la cima, los
criterios y subcriterios en la mitad y las alternativas de
decisión en la base (Aggarwal & Singh, 2013). Los
elementos son evaluados en pares con respecto al nivel
anterior. Este método usa una escala del 1 al 9 para
evaluar la relación entre los elementos pares (Pohekar
& Ramachandran, 2004; Saaty, 1987).
http://novasinergia.unach.edu.ec 51
Los subcriterios seleccionados se contrastaron con un
grupo de cuatro expertos según la importancia que
representaba para ellos cada subcriterio con respecto
al anterior, determinando así, establecer los pesos para
cada uno.
2.4 Cálculo del modelo de aptitud
En esta fase se seleccionaron los subcriterios
correspondientes a los criterios técnicos y
económicos. Este modelo sirvió como base para
identificar las alternativas con cada posible
localización para el emplazamiento de CSF en el sitio
de estudio, es decir, brinda una idea preliminar. Para
la construcción de este modelo se escogieron 4
subcriterios significativos, cada subcriterio se presenta
a continuación:
SC1-Pendiente (%): Para la construcción de CSF se
debe evitar pendientes altas, ya que contribuirán al
aumento de costos durante la fase de construcción. Las
pendientes planas o bajas facilitaran la instalación de
los paneles solares.
SC2-Radiación Solar (kWh/m
2
día): La cantidad de
radiación solar es un criterio técnico considerado para
el análisis del emplazamiento de dichas centrales. Este
valor indica la cantidad de energía solar que irradia
sobre alguna superficie durante cierto periodo de
tiempo. Para que un proyecto de generación eléctrica
fotovoltaica se considere viable es de vital importancia
niveles altos de radiación solar.
SC3-Cercanía a vías de comunicación (km): La
cercanía a carreteras es un subcriterio analizado. El
acceso de vehículos hacia la central contribuiría en la
reducción de costos durante la fase de construcción,
operación y mantenimiento, evitando gastos
adicionales como la construcción de nuevas vías para
el acceso.
SC4-Cercanía a redes eléctricas (km): Este subcriterio
está considerado dentro del criterio económico. Si no
se cuentan con líneas de transmisión cercanas será
necesario realizar las instalaciones para llegar a la red,
lo cual contribuirá en el aumento de los costos de
construcción e inversión.
El geoprocesamiento de la cartografía obtenida
anteriormente se realiza en el software ArcMap 10.3
(http://www.esri.com/software/arcgis). El sistema de
coordenadas usado es WGS84 zona 17 S y el tamaño
del píxel será de 15x15 teniendo en cuenta que el
tiempo de procesamiento de los datos es el más eficaz.
Para la obtención de los mapas-multi criterio se
clasificaron primeramente los subcriterios en una
escala del 0 al 15 en intervalos de 5 desde no adecuado
hasta altamente adecuado. Este resultado refleja el
grado de cumplimiento según las características
necesarias para la localización de CSF. A
continuación, en la tabla 2 se puede analizar los
subcriterios con las respectivas restricciones
establecidas en este estudio.
Al establecer la escala planteada fue necesario
normalizar los datos en una escala entre 0 y 1 donde el
valor de 0 indicó los sitios no adecuados y 1 los
altamente adecuados. Esta normalización fue
necesaria para poder geo procesar todos los
subcriterios en base a una misma escala.
Estas capas se integraron mediante la asignación de
pesos a cada subcriterio según su importancia
mediante el MAJ. Se realizó la multiplicación de cada
peso por el subcriterio respectivo y luego se sumó cada
uno de los resultados obtenidos para establecer el MA
como se indica en la ecuación 1.
MA = ω
1
∗ SC
1
+ ⋯ + ω
4
∗ SC
4
(1)
A partir del geoprocesamiento, a cada pixel se le
asignó un valor según el grado de aptitud que
representó cada área en el mapa multicriterio.
Tabla 2: Criterios técnicos y económicos.
Escala
Significado
SC1-Pendiente
(%)
SC2-
Radiación
(kWh/m
2
día)
SC3-Cerca-nia a
carrete-ras (m)
SC4-Cercania a
redes eléctricas (m)
0
No adecuado
> 20
< 3.8
0-240
0-300
> 10000
> 20000
5
Menos adecuado
10 a 20
3.8-4.5
6000-10000
15000-20000
10
Adecuado
5 a 10
4.5-5
3500-6000
6500-15000
15
Altamente adecuado
0 a 5
> 5
240-3500
300-6500
2.5 Cálculo del modelo de impacto
En esta fase se seleccionó criterios correspondientes a
las características ambientales que resultan
determinantes para valorar el impacto causado por el
emplazamiento de CSF. Las alternativas que
produzcan un menor impacto ambiental serán
consideradas como las óptimas para su
implementación. Para la construcción de este modelo
se escogieron 3 subcriterios significativos, cada
subcriterio se presenta a continuación:
SC5-Cercanía al recurso hídrico (km): La cercanía al
recurso hídrico puede facilitar el mantenimiento y la
construcción de la planta, en contraposición, puede
http://novasinergia.unach.edu.ec 52
contribuir a la contaminación del medio ambiente. Por
lo que un punto medio sería considerado la mejor
opción.
SC6-Uso de suelo: Este subcriterio puede afectar al
factor ambiente tanto como al factor económico. Se
debe tener en cuenta que árboles de gran altura pueden
provocar sombra lo que no permitirá el paso de
radiación solar. Suelos aptos para cultivo pueden
afectar a la economía del agricultor de la zona. Suelos
erosionados y vegetación arbustiva pueden ser usados
para la construcción de actividades de generación
eléctrica.
SC7-Cercanía a centros poblados (km): Este
subcriterio se considera controversial, ya que, la
cercanía a centros poblados puede disminuir los costos
de conexión a la red y reducir las pérdidas, no
obstante, al mismo tiempo puede causar un impacto
visual o malestar a la población por la cercanía.
En consecuencia, para la obtención del MI se realizó
el geoprocesamiento siguiendo la metodología del
modelo anterior.
Inicialmente, para la obtención de los mapas-
multicriterio los SC5 y SC7 se clasificaron en una
escala booleana, en donde 0 corresponde a un mayor
impacto y 1 menor impacto, respectivamente como se
observa en la tabla 3.
Tabla 3: Criterio de impacto ambiental.
Escala
SC5-Cercania a
recursos hídricos (m)
SC7-Cercania a
centros poblados
(m)
1-mayor
impacto
0-500
0-5000
0-menor
impacto
> 500
> 5000
Tabla 4: Criterio de impacto ambiental-Uso de suelo.
Escala
SC6-Uso de suelo
1- Mayor
impacto
Asentamientos poblados
Bosque natural
Cuerpos de agua
Páramo
Plantaciones forestales
0,5-Impacto
medio
Arboricultura
Cultivos
Cultivo de ciclo corto
Cultivo indiferenciado
0-Menor
impacto
Área erosionada
Pastos naturales
Pastos plantados
Vegetación arbustiva
La evaluación del SC6 se dividió en 3, los cuales
evaluaron un impacto alto, medio y bajo como se
observa en la tabla 4. Luego estos valores se
normalizaron para obtener una escala entre 0 y 1.
Todas las capas del MI serán normalizadas en una
escala entre 0 y 1 para poder ser integrados. Al igual
que en el modelo anterior, estas capas se integrarán
mediante la asignación de pesos a cada subcriterio
aplicando la metodología MAJ. Se realizó la
multiplicación de cada peso por el subcriterio
respectivo y luego se realiza la suma de cada resultado
como se muestra a continuación en la ecuación 2.
5 5 6 6 7 7
MI SC SC SC
= + +
(2)
A cada píxel del mapa multicriterio obtenido a partir
del geoprocesamiento se le asignó un valor entre 0 y 1
evaluando el nivel de impacto ambiental entre alto y
bajo.
2.6 Modelo de capacidad de acogida
Para encontrar el MCA (ecuación 3) fue necesario
integrar el MA y MI, este modelo permitió visualizar
las alternativas para las zonas óptimas de localización
de CSF.
MCA MA MI
=+
(3)
En este caso para evitar la subjetividad de los datos fue
necesario evaluar tres escenarios, variando los pesos
de los modelos anteriores:
Escenario 1: Considera a β y α como pesos iguales.
Escenario 2: Considera al MA más importante por lo
que asigna a β βel peso equivalente a 0.60 y en el MI
a α el peso de 0.40.
Escenario 3: Considera al MA menos importante por
lo que asigna a β el peso equivalente a 0.40 y al de MI
α un peso equivalente a 0.60.
Al realizar la integración de los mapas se obtuvo un
valor de pixel en una escala entre -1 y 1 en donde los
sitios negativos fueron aquellos que el impacto es
mayor que la aptitud y los valores cercanos a 1 los más
adecuados para el emplazamiento de CSF.
Tabla 5: Valores normalizados de la matriz pareada
criterios técnico y económico-método AHP.
SC1
SC2
SC3
SC4
SC1
0.07
0.14
0.07
0.17
SC2
0.40
0.17
0.60
0.47
SC3
0.27
0.34
0.17
0.18
SC4
0.26
0.35
0.17
0.18
3 Resultados y Discusión
3.1 Método analítico jerárquico
Se realizó la asignación de pesos mediante la
validación de un grupo de cuatro expertos en el área
de interés. Una vez comparados los valores mediante
http://novasinergia.unach.edu.ec 53
una matriz pareada se procedió a verificar la
consistencia de los datos. En la tabla 5 y 6 se presentan
los valores normalizadas para los pesos de cada
subcriterio analizado.
Tabla 6: Valores normalizados de la matriz pareada criterio
ambiental -método MAJ.
SC5
SC6
SC7
SC5
0.27
0.28
035
SC6
0.27
0.28
0.45
SC7
0.45
0.45
0.20
Tras la comprobación de los datos normalizados y la
validación de las matrices, en la tabla 7 se pueden
observar los pesos para cada subcriterio en el caso del
MA y MI, respectivamente.
Tabla 7: Pesos identificados mediante método MAJ.
Modelo
Subcriterio
Pesos
MA
SC1
0.11
SC2
0.41
SC3
0.24
SC4
0.24
MI
SC5
0.3
SC6
0.33
SC7
0.37
Como se aprecia en la tabla anterior en el MA, el
mayor peso es asignado al SC2 y el menor peso al
SC1. En el modelo de impacto el SC7 es considerado
como más importante y el SC5 como menos
importante con respecto a los impactos ambientales.
Estos pesos serán usados posteriormente para la
obtención del MA y MI.
Figura 2: Mapa del modelo de aptitud-Provincia del
Azuay.
3.2 Modelo de aptitud
En este punto se integraron cuatro subcriterios
correspondientes a los criterios técnico y económico.
Mediante el geoprocesamiento de los mapas
multicriterio y la calculadora ráster se obtiene las
siguientes posibles localizaciones para CSF dentro de
la provincial del Azuay, como se observa en la figura
2.
Cada píxel del mapa representa un valor ponderado en
una escala entre 0 y 1. En este punto los pixeles en
color morado (1) son los sitios más adecuados para la
localización de CSF, los puntos de color marrón (0)
son los puntos menos adecuados.
3.3 Modelo de impacto
En este punto se integran 3 subcriterios
correspondientes directamente al impacto ambiental
que pueden ocasionar el emplazamiento de estos
proyectos. Como en el punto anterior se obtiene un
mapa en el que cada pixel representa un valor entre 0
y 1. Los posibles impactos se pueden apreciar en la
figura 3.
Figura 3: Mapa del modelo de impacto-Provincia del Azuay.
Evaluando los 3 subcriterios correspondientes al
impacto ambiental se puede observar que los sitios en
color rojo son los que presentan mayor impacto (1)
para el emplazamiento de CSF, los colores en amarillo
representan los sitios con menor impacto ambiental
(0).
3.4 Modelo de capacidad de acogida
En este caso se integraron los modelos anteriores MA
y MI; como resultado se obtuvo un modelo que
cumpla con las condiciones óptimas para el
emplazamiento de CSF, eliminando los sitios con
mayor impacto ambiental.
http://novasinergia.unach.edu.ec 54
Figura 4: Evaluación de escenarios del modelo de
capacidad de acogida.
Como se observa en figura 4, se evaluaron tres
escenarios variando los pesos a los MA y MI para
evitar la subjetividad de los datos. En el primer
escenario como resultado los valores oscilan en un
rango de -0.5 a 0.43; en el segundo escenario los
valores se encuentran en el rango de -0.4 a 0.518 y en
el tercer escenario desde -0.6 a 0.34.
Al analizar los diferentes escenarios, el segundo nos
brinda mayor proporción de valores positivos
(Asignando al MA β =0.60 y el MI α = 0.40). Por lo
que este escenario nos servirá para obtener un mayor
número de ubicaciones posibles para el objetivo del
estudio, en este caso las aptitudes del terreno superan
los impactos que son generados por la actividad.
Figura 5: Mapa del modelo de capacidad de acogida-
Provincia del Azuay.
En la figura 5 se puede apreciar que los sitios dentro
del escenario 2, en rojo son aquellos que brindan
valores negativos en los cuales no es posible el
emplazamiento de CSF, en este caso los impactos son
mayores que la aptitud. Los sitios en azul son los más
adecuados en donde la aptitud es mayor que el impacto
que puede generar esta actividad.
A cada valor del píxel se le asigna un valor
correspondiente a la escala entre -1 y 1, en este caso el
mayor valor corresponde a 0.518. En la Provincia del
Azuay no se aprecian zonas cercanas a 1.
La provincia del Azuay tiene una extensión
aproximada de 8632.07 km
2
. En la figura 6 se puede
apreciar el área obtenida a partir del MCA de los sitios
no óptimos, medianamente óptimos y óptimos dentro
de la zona de estudio.
Figura 6: Área para emplazamiento de CSF dentro de la
Provincia del Azuay.
Para establecer sitios medianamente óptimos se tomó
en cuenta los valores de píxel en un rango entre 0.5 y
0.75 estableciendo como sitios medianamente
óptimos. Dentro de los sitios medianamente óptimos
se tomó en cuenta las coordenadas del punto medio del
área. En la tabla 8 se pueden apreciar los resultados
correspondientes al área A y B, con la consideración
de los puntos en los que el área es superior a 1 𝑘𝑚
2
.
Tabla 8: Resumen de los sitios medianamente óptimos.
punto
longitud
latitud
altura (msnm)
cantón
área (km
2
)
A
727219.88
9656704.31
3002
Cuenca
1.17
B
727999.38
9658243.83
2964
Cuenca
1.67
http://novasinergia.unach.edu.ec 55
Figura 7. Puntos medianamente óptimos del modelo de capacidad de acogida.
En la figura 7, se observan los sitios medianamente
óptimos para el emplazamiento de CSF.
En el presente estudio se puede observar que la
Provincia del Azuay no alcanza los criterios
necesarios para la instalación de CSF. A pesar que
Cevallos y Ramos (Cevallos-Sierra & Ramos-Martin,
2018) expresan en sus resultados que la Región
Andina del Ecuador es un lugar óptimo para el
emplazamiento de CSF. Según la metodología
planteada en esta investigación, se determina que la
Provincia del Azuay no cumple con todas las
características necesarias para un despliegue a gran
escala de energía fotovoltaica.
4 Conclusiones
Al integrar los modelos anteriores se realizó la
evaluación de tres escenarios para determinar el
mejor MCA. En este caso, el escenario dos presentó
como resultado una mayor cantidad de valores
positivos en los que existen más opciones positivas.
Es decir, más localizaciones potencialmente
utilizables para la instalación de CSF. El escenario
dos representa valores mayores a 0.5 considerando
áreas medianamente optimas; sin embargo, no se
obtienen valores mayores a 0.75 considerados como
óptimos para el monitoreo y el posterior
emplazamiento de CSF. Por lo que se considera que
la provincia del Azuay no es un sitio idóneo para la
implementación de estas tecnologías.
Conflicto de Interés
Los autores declaran que no existe conflicto de
interés.
Referencias
Agencia de Regulación y Control de Electricidad. (2015).
Regulación 004/15. Recuperado de
http://www.regulacionelectrica.gob.ec/wp-
content/uploads/downloads/2015/11/004.pdf
Agencia de Regulación y Control de Electricidad. (2018).
Resolución Nro. Arconel-057/18. Recuperado de
https://www.regulacionelectrica.gob.ec/wp-
content/uploads/downloads/2019/01/Reforma-a-la-
Regulacion-Microgeneracion.pdf
Agencia de Regulación y Control de Electricidad. (2020).
Balance Nacional de Energía Eléctrica. Recuperado
de https://www.regulacionelectrica.gob.ec/balance-
nacional/
Aggarwal, R., & Singh, S. (2013). AHP and Extent Fuzzy
AHP Approach for Prioritization of Performance
Measurement Attributes. International Journal of
Industrial and Manufacturing Engineering, 7(1), 6–
11. https://doi.org/10.1108/IJEM-10-2016-0207
Al Garni, H., & Awasthi, A. (2017). Solar PV power plant
site selection using a GIS-AHP based approach with
application in Saudi Arabia. Applied Energy, 206,
1225–1240.
https://doi.org/10.1016/j.apenergy.2017.10.024
Aly, A., Jensen, S. S., & Pedersen, A. B. (2017). Solar
power potential of Tanzania: Identifying CSP and
PV hot spots through a GIS multicriteria decision
making analysis. Renewable Energy, 113, 159–175.
https://doi.org/10.1016/j.renene.2017.05.077
Aydin, N. Y., Kentel, E., & Sebnem Duzgun, H. (2013).
http://novasinergia.unach.edu.ec 56
GIS-based site selection methodology for hybrid
renewable energy systems: A case study from
western Turkey. Energy Conversion and
Management, 70, 90–106.
https://doi.org/10.1016/j.enconman.2013.02.004
Cevallos-Sierra, J., & Ramos-Martin, J. (2018). Spatial
assessment of the potential of renewable energy: The
case of Ecuador. Renewable and Sustainable Energy
Reviews, 81, 1154–1165.
https://doi.org/10.1016/j.rser.2017.08.015
Charabi, Y., & Gastli, A. (2011). PV site suitability analysis
using GIS-based spatial fuzzy multicriteria
evaluation. Renewable Energy, 36, 2554–2561.
https://doi.org/10.1016/j.renene.2010.10.037
CONELEC (Consejo Nacional de Eléctricidad). (2011).
Regulación N° 003/11 (p. 14). p. 14. Recuperado de
http://www.conelec.gob.ec/normativa/CONELEC
plazos.pdf
CONELEC (Consejo Nacional de Electricidad). (2013).
Codificación Regulación 001/13 (pp. 1–23). pp. 1–
23.
Consejo Provincial del Azuay. (n.d.). Plan de desarrollo y
ordenamiento territorial del Azuay actualizado 2015-
2030. Recuperado de http://app.sni.gob.ec/sni-
link/sni/PORTAL_SNI/data_sigad_plus/sigadplusd
ocumentofinal/0160000190001_PDyOT_AZUAY
2015_17-08-2015_10-02-34.pdf
de Paula, J., Salvador, R., Barros, M., Piekarski, C., da Luz,
L., & de Francisco, A. (2020). A review on Multi-
criteria Decision Analysis in the Life Cycle
Assessment of Electricity Generation Systems.
International Business, Trade and Institutional
Sustainability, 575–590.
https://doi.org/10.1007/978-3-030-26759-9_20
Fang, H., Li, J., & Song, W. (2018). Sustainable site
selection for photovoltaic power plant: An integrated
approach based on prospect theory. Energy
Conversion and Management, 174, 755–768.
https://doi.org/10.1016/j.enconman.2018.08.092
Ghenai, C., Albawab, M., & Bettayeb, M. (2020).
Sustainability indicators for renewable energy
systems using multicriteria decision-making model
and extended SWARA/ARAS hybrid method.
Renewable Energy, 146, 580–597.
https://doi.org/10.1016/j.renene.2019.06.157
Gutiérrez, J., & Velázquez, J. (2018). Metodología para la
localización óptima de instalaciones de energía solar
fotovoltaica en la Isla de Tenerife, España. Congreso
Nacional de Medio Ambiente 2018. Madrid. España.
Hashemizadeh, A., Ju, Y., & Dong, P. (2020). A combined
geographical information system and Best–Worst
Method approach for site selection for photovoltaic
power plant projects. International Journal of
Environmental Science and Technology, 17, 2027–
2042. https://doi.org/10.1007/s13762-019-02598-8
Koengkan, M., Poveda, Y. E., & Fuinhas, J. A. (2019).
Globalisation as a motor of renewable energy
development in Latin America countries.
GeoJournal. 85. 1591-1602.
https://doi.org/10.1007/s10708-019-10042-0
Pohekar, S. D., & Ramachandran, M. (2004). Application
of multicriteria decision making to sustainable
energy planning: A review. Renewable and
Sustainable Energy Reviews, 8, 365–381.
https://doi.org/10.1016/j.rser.2003.12.007
Rediske, G., Siluk, J. C. M., Michels, L., Rigo, P. D.,
Carmen, B., & Cugler, G. (2020). Multicriteria
decision-making model for assessment of large
photovoltaic farms in Brazil. Energy, 197.
https://doi.org/doi.org/10.1016/j.energy.2020.11716
7
Saaty, R. (1987). The analytic hierarchy process - what and
how it is used. Math Modelling, 9, 161–176.
https://doi.org/https://doi.org/10.1016/0270-
0255(87)90473-8
Sánchez-Lozano, J. M., Antunes;, H., García-Cascales, M.
S., & Días, L. C. (2014). GIS-based photovoltaic
solar farms site selection using Electric-Tri:
Evaluating the case for Torre Pacheco, Murcia,
Southeast of Spain. Renewable Energy, 66, 478–494.
https://doi.org/10.1016/j.renene.2013.12.038
Siksnelyte-Butkiene, I., Zavadskas, E., & Streimikiene, D.
(2020). Multi-criteria decision-making (MCDM) for
the assessment of renewable energy technologies in
a household: A review. Energies, 13(5).
https://doi.org/10.3390/en13051164
Torres-Pacheco, S., Jurado-Pérez, F., Granados-Lieberman,
D., & Lozano-Luna, A. (2018). Eficiencia en paneles
solares. Revista Del Diseño Innovativo, 2(2), 9–21.
Xu, X., Wei, Z., Ji, Q., Wang, C., & Gao, G. (2019). Global
renewable energy development: Influencing factors,
trend predictions and countermeasures. Resources
Policy, 63.
https://doi.org/10.1016/j.resourpol.2019.101470
