Colombia ha fortalecido sus políticas energéticas para apoyar el desarrollo local y la transición hacia un sistema más sostenible e inclusivo. La Ley 2294 de 2023, que adicionó el artículo 235 a la Ley 1715 de 2014, reconoce y regula las comunidades energéticas como agrupaciones de usuarios que pueden generar, comercializar y usar energía de forma colectiva, especialmente a partir de fuentes renovables, combustibles renovables y recursos energéticos distribuidos. Estas políticas buscan descentralizar la generación eléctrica, mejorar el acceso en zonas vulnerables y fomentar la participación comunitaria en la gestión energética.

Las comunidades energéticas son organizaciones locales constituidas por personas naturales o jurídicas que trabajan juntas para producir y gestionar energía para sus propios fines, promoviendo eficiencia, sostenibilidad y beneficios sociales en sus territorios. Este enfoque permite reducir costos, mejorar la cobertura del servicio eléctrico y fortalecer la autonomía energética de las regiones.

Ejemplos en Colombia: 

• En la ciudad de Medellín, nació la primera comunidad energética en el barrio El Salvador, donde familias instaladas con paneles solares lograron cubrir más del 40 % de su demanda eléctrica con energía generada localmente, reduciendo sus costos y fortaleciendo la resiliencia comunitaria.

• En el departamento de Guainía, se apoyan tres comunidades agrovoltaicas con sistemas solares que garantizan electricidad continua en zonas rurales remotas, mejorando la calidad de vida de sus habitantes.

• En Cali, está en marcha una iniciativa de comunidad energética que beneficiará hasta 2 000 familias en barrios de estratos bajos mediante instalación de sistemas fotovoltaicos para reducir facturas de energía.

Estas experiencias muestran cómo las políticas públicas permiten que las comunidades sean protagonistas de su propio desarrollo energético, promoviendo soluciones colectivas que generan impactos sociales, ambientales y económicos a nivel local.

El hidrógeno se consolida como un vector energético estratégico en la transición energética, especialmente para descarbonizar sectores difíciles de electrificar como la industria pesada, el transporte de larga distancia y el almacenamiento estacional de energía. Actualmente, el desarrollo se centra en el hidrógeno verde, producido mediante electrólisis con energías renovables, junto con avances en eficiencia de electrolizadores, reducción de costos y escalamiento industrial.

A futuro, se espera una mayor integración del hidrógeno en sistemas energéticos híbridos, su uso como materia prima limpia, combustible y medio de almacenamiento, así como el fortalecimiento de cadenas de valor, infraestructura y marcos regulatorios. Su despliegue será clave para lograr metas de neutralidad de carbono, mejorar la flexibilidad del sistema energético y promover nuevas oportunidades tecnológicas e industriales.

No obstante, persisten desafíos relevantes, como la reducción del costo de producción, el desarrollo de infraestructura de transporte y almacenamiento, la eficiencia en conversión energética y la necesidad de políticas claras que impulsen su adopción. Superar estas barreras permitirá acelerar su implementación y maximizar su impacto en la descarbonización global.

La evaluación a escala industrial de la producción de hidrógeno verde es fundamental para determinar la viabilidad técnica, económica y ambiental de su implementación en sistemas energéticos modernos. Este análisis considera variables como disponibilidad de recursos renovables, consumo energético, costos de inversión (CAPEX), costos operativos (OPEX), eficiencia del proceso y reducción de emisiones.

El uso de herramientas de simulación como Aspen Plus permite modelar y optimizar procesos de electrólisis, purificación, compresión, almacenamiento e integración con fuentes renovables. Estas plataformas facilitan la simulación de balances de materia y energía, análisis de sensibilidad, dimensionamiento de equipos y evaluación de escenarios operativos bajo condiciones reales de planta.

A nivel industrial, la modelación ayuda a identificar cuellos de botella, estimar requerimientos energéticos, evaluar configuraciones tecnológicas y analizar la integración del hidrógeno en cadenas de valor como refinación, fertilizantes, movilidad o almacenamiento energético. Además, permite comparar alternativas de diseño y estrategias de operación.

Los sistemas de almacenamiento de energía permiten conservar el excedente energético para utilizarlo cuando la demanda lo requiere. En el ámbito solar térmico, estos sistemas son clave para desacoplar la generación de calor de la disponibilidad de radiación, garantizando suministro continuo incluso en horas nocturnas o periodos nublados. Su papel es fundamental en la transición energética, ya que incrementan la penetración de fuentes renovables, mejoran la estabilidad de los sistemas energéticos y reducen la dependencia de combustibles fósiles.

El uso de materiales de cambio de fase (PCM) representa una solución eficiente para el almacenamiento térmico. Estos materiales absorben y liberan grandes cantidades de energía durante su proceso de fusión y solidificación, permitiendo almacenar calor con alta densidad energética y en rangos de temperatura casi constantes. Entre sus ventajas destacan la mayor capacidad de almacenamiento por unidad de volumen, la mejora en la eficiencia térmica y la reducción de pérdidas energéticas.

Emplear PCM autóctonos aporta beneficios adicionales, como menor impacto ambiental, reducción de costos logísticos y aprovechamiento de recursos locales. En condiciones de alta montaña, donde existen variaciones térmicas significativas y desafíos operativos, esta estrategia favorece la resiliencia, sostenibilidad y adaptación tecnológica. El desarrollo de un sistema de almacenamiento solar térmico basado en PCM locales contribuye así a soluciones energéticas más limpias, eficientes y adecuadas al contexto geográfico.

La transformación química de la EPH permite modificar su estructura molecular para mejorar propiedades fisicoquímicas y térmicas clave en aplicaciones como materiales de cambio de fase (PCM). Mediante procesos como funcionalización, copolimerización o adición de grupos reactivos, es posible optimizar parámetros como temperatura de fusión, estabilidad térmica, capacidad de almacenamiento de energía y conductividad térmica.

Estas modificaciones buscan superar limitaciones como subenfriamiento, baja estabilidad o degradación tras ciclos térmicos repetidos, permitiendo un desempeño más eficiente y confiable en sistemas de almacenamiento térmico.

En el contexto de la transición energética, el desarrollo de PCM basados en EPH transformada resulta estratégico, ya que contribuye a mejorar la eficiencia energética, facilitar la integración de energías renovables y optimizar la gestión térmica en edificaciones e industrias. Esto favorece la reducción del consumo energético y de emisiones, impulsando soluciones sostenibles y resilientes.

El análisis de sistemas de energía solar térmica integrados con materiales de cambio de fase (PCM) requiere herramientas avanzadas de simulación capaces de representar fenómenos dinámicos de transferencia de calor. En este contexto, TRNSYS se destaca como una plataforma ampliamente utilizada para modelar, simular y evaluar el desempeño energético de sistemas térmicos complejos. El uso de TRNSYS permite analizar el comportamiento transitorio de colectores solares, tanques de almacenamiento con PCM, intercambiadores de calor y estrategias de control, considerando perfiles reales de radiación solar y temperatura. Para Colombia, esta aproximación es especialmente relevante debido a la diversidad climática del país, donde la irradiación, humedad y variaciones térmicas cambian significativamente entre regiones.

La simulación facilita la optimización del diseño del sistema, la selección adecuada del PCM (temperatura de cambio de fase, calor latente, conductividad térmica), y la evaluación de indicadores como fracción solar, eficiencia térmica y reducción de consumo energético. Estas herramientas permiten reducir incertidumbre técnica, costos experimentales y riesgos en la implementación. En el marco de la transición energética, la modelación con TRNSYS apoya la integración eficiente de tecnologías solares térmicas, promoviendo soluciones sostenibles para calefacción, agua caliente sanitaria y aplicaciones industriales, adaptadas a las condiciones específicas del territorio colombiano.

Los modelos de programación lineal entera mixta (MILP) son herramientas matemáticas utilizadas para apoyar la toma de decisiones complejas en sistemas energéticos. Combinan variables continuas (como niveles de generación o flujos de energía) con variables enteras o binarias (por ejemplo, selección de tecnologías o estados de operación), lo que permite representar de forma realista el comportamiento de infraestructuras energéticas.

En planificación energética, los modelos MILP se emplean para optimizar el diseño, expansión y operación de sistemas eléctricos y térmicos. Permiten determinar qué tecnologías instalar, en qué capacidad y bajo qué estrategias de operación, buscando minimizar costos, emisiones o riesgos, mientras se cumplen restricciones técnicas, económicas y ambientales.

La relevancia de estos modelos radica en su capacidad para integrar múltiples criterios dentro de un marco cuantitativo riguroso. En el contexto de la transición energética, se convierten en herramientas clave para diseñar sistemas más eficientes, confiables y sostenibles.

Pyomo es una librería de Python diseñada para formular y resolver modelos de optimización matemática de forma flexible y estructurada. En problemas de planificación, Pyomo permite representar decisiones estratégicas como asignación de recursos, expansión de capacidad, programación de operaciones y evaluación de escenarios, integrando variables continuas, enteras y binarias dentro de un mismo marco de modelación.

Su importancia radica en la capacidad de construir modelos rigurosos y transparentes que incorporan restricciones técnicas, económicas y ambientales. En ámbitos como la planificación energética, logística o industrial, Pyomo facilita la optimización de costos, emisiones, eficiencia o confiabilidad, permitiendo analizar trade-offs y respaldar decisiones complejas con bases cuantitativas sólidas.

El uso de Pyomo destaca por su integración con el ecosistema Python, lo que permite combinar optimización con análisis de datos, simulación, machine learning y visualización. Además, es compatible con múltiples solvers (CPLEX, Gurobi, GLPK, CBC, IPOPT), ampliando su aplicabilidad en modelos lineales, no lineales y MILP

En coherencia con la importancia de las competencias analíticas y computacionales en la toma de decisiones, se estructuraron talleres prácticos orientados a la formulación e implementación de modelos de optimización en Python. Estos espacios académicos facilitaron el desarrollo de habilidades en modelación matemática, análisis de escenarios y optimización de procesos, con aplicaciones en distintos sectores industriales y energéticos.

Estos talleres consistieron en construir los siguientes modelos de optimización en el lenguaje Python, usando la librería Pyomo y el entorno Google Colab para facilitar la visualización de este.

Taller 1. 

Un ingeniero químico busca ajustar x1: Temperatura del reactor (°C) y x2: Tiempo de residencia (min). Para maximizar el rendimiento del producto y minimizar el costo operativo, bajo ciertas restricciones.

Funciones objetivo (lineales)

1. Maximizar el rendimiento del producto: f1 = 2x1 + 3x2

2. Minimizar el costo operativo: f2 = 4x1 + 5x2

Restricciones

x1+2x2≤180

x1≥50

x2≥10

x1,x2≤100

Solución obtenida por asistentes:

https://colab.research.google.com/drive/1MIjH-gMyfTtaAuUobuFQVw8E8Q5qVdmM?usp=sharing

Taller 2.

Una empresa produce dos  mezclas M1 y M2. Cada mezcla usa cierto recursos y tiene:

• costo por unidad

• calidad (puntaje)

Queremos maximizar la calidad total y minimizar el costo total al mismo tiempo

Datos

Mezcla Costo ($/kg) Calidad (puntaje) Recurso A (kg)  Recurso B (kg)
M1 15 50 3 2

M2 10 30 2 4

Restricciones

3x1 + 2x2 <= 60 (Recurso A)

2x1 + 4x2 <= 80 (Recurso B)

x1 + x2 >= 5  (Demanda mínima)

x1,x2 >= 0

Objetivos:

Z1 = 50x1 + 30x2 (maximizar calidad)

Z2 = 15x1 + 10x2 (minimizar costo) 

Solución obtenida por asistentes:

https://colab.research.google.com/drive/1IC10a9LIaRnEIexBdSl7S01bgAUAFEQc?usp=sharing

Taller 3.

Una empresa produce dos productos x1 y x2. El area de planeacion desea determinar las cantidades optimas de producción de cada uno para minimizar simultaneamente dos objetivos contrapuestos:

1. costo total de producción:  f1 = x1 + 2x2

2. Desviación respecto a la producción ideal: f2 = (x1-1)^2 + (x2-2)^2

Las operaciones están sujetas a las siguientes restricciones:

1. demanda mínima total: 3x1 + 4x2 >= 1

2. Capacidad máxima de producción: x1+x2 <= 5

3. No negatividad: x1,x2 >= 0

Solución obtenida por asistentes:

https://colab.research.google.com/drive/1wjt_X2llwkn2TEUmBVbkv9IivDKbIjhR?usp=sharing

Taller 4.

El problema plantea la planificación de la producción de dos bienes, x1 y x2, buscando equilibrar dos objetivos en conflicto: maximizar la ganancia económica (4x1 + 3x2) y minimizar el consumo energético (2x1 + 4x2). La empresa está limitada por disponibilidad de recursos (2x1 + x2 <=8), un nivel mínimo de producción combinada (x1 + 2x2>=6), y la no negatividad de las variables. 

Solución obtenida por asistentes:

https://colab.research.google.com/drive/1TwnFPSWGjja3csnjPZiBo52Vq8YSoVR-?usp=sharing