Exploring near-optimal energy systems with stakeholders: a novel approach for participatory modelling

Cet article présente une méthodologie participative innovante basée sur des résultats de modélisation quasi-optimaux qui permet aux parties prenantes d'explorer un continuum de conceptions de systèmes énergétiques via une interface interactive, favorisant ainsi un apprentissage engageant et une meilleure compréhension des compromis entre coûts, émissions et vulnérabilité, comme démontré dans le cas de Longyearbyen.

L'essentiel

🌍 Le Problème : La recette de la transition énergétique

Imaginez que vous devez organiser un grand dîner pour toute une ville (Longyearbyen, une petite communauté dans l'Arctique). Votre objectif est de passer d'une cuisine qui pollue énormément (charbon et diesel) à une cuisine propre et durable (éolienne, solaire, hydrogène).

Jusqu'à présent, les experts (les "chefs cuisiniers" mathématiques) disaient : "Voici la recette la moins chère possible. C'est mathématiquement parfait."

Mais il y a un problème : ce que les mathématiques trouvent "parfait" n'est pas toujours ce que les gens veulent.

• Les gens ont peur que le vent fasse trop de bruit.
• Ils veulent que l'électricité ne coûte pas trop cher.
• Ils ont peur que le système s'arrête s'il y a une tempête.
• Ils ne veulent pas voir de grosses éoliennes devant leur fenêtre.

Si on impose seulement la recette "la moins chère", les gens risquent de rejeter le projet, et la transition échouera.

🛠️ La Solution : Un "Simulateur de Cuisine" interactif

Les auteurs de ce papier ont créé un outil génial pour résoudre ce problème. Au lieu de donner une seule réponse aux habitants, ils leur ont donné un jeu vidéo interactif (une interface sur ordinateur).

Voici comment ça marche, avec une analogie :

Imaginez un tableau de bord de voiture de course, mais au lieu de régler la vitesse, vous réglez les ingrédients de votre système énergétique.

• Vous avez des curseurs (des petits boutons qu'on glisse) pour choisir combien d'énergie éolienne, solaire, de stockage de chaleur ou d'hydrogène vous voulez installer.
• La magie : Dès que vous bougez un curseur, le système vous dit instantanément : "Attention ! Si vous mettez plus de solaire, le coût augmente un peu, mais la pollution baisse. Si vous mettez trop d'éolien, le bruit augmente."

Ce n'est pas n'importe quel jeu. Le système est "intelligent". Il est programmé pour ne jamais vous laisser choisir une solution impossible.

• Analogie : C'est comme si vous essayiez de construire une maison. Si vous essayez de mettre un étage trop lourd sur des fondations fragiles, le simulateur vous dit : "Non, ça va s'effondrer !" et il bloque votre main. Vous ne pouvez choisir que des combinaisons qui fonctionnent réellement.

🧪 L'Expérience : Ce que les habitants de Longyearbyen ont fait

Les chercheurs ont invité 126 habitants de Longyearbyen (une ville où il fait très froid et où le climat change vite) à jouer avec cet outil.

Ce qu'ils ont découvert :

1. Les gens ne veulent pas seulement le moins cher : La plupart des participants ont accepté de payer plus cher (parfois beaucoup plus cher) pour avoir un système qui correspondait mieux à leurs valeurs (moins de pollution, plus de sécurité, moins de bruit).
2. Le compromis est difficile : Quand on leur a demandé de tout avoir (pas cher, propre, silencieux, sûr), ils ont réalisé que c'est impossible. Ils ont dû faire des choix difficiles, comme choisir entre "moins de pollution" et "moins de coût".
3. Ils se sentent mieux informés : Au lieu de subir une décision venue d'en haut, ils ont compris pourquoi c'est compliqué. Ils ont dit : "Ah, c'est vrai que c'est difficile de tout avoir !".

💡 La Leçon Principale : La "Zone de l'Optimum"

En mathématiques, il y a un seul point "parfait" (le coût le plus bas). Mais les chercheurs ont montré qu'il existe une immense zone de solutions "presque parfaites".

• Analogie : Imaginez une montagne. Le sommet le plus bas (le coût minimal) est un point précis. Mais juste à côté, il y a des milliers d'autres points qui sont presque aussi bas, mais qui offrent une vue magnifique (moins de pollution) ou un chemin plus sûr (plus de sécurité).
• L'outil permet aux gens d'explorer cette "zone" et de choisir leur propre chemin, plutôt que de suivre un seul sentier imposé par les experts.

🏁 Conclusion

Ce papier nous dit que pour réussir la transition énergétique, il ne suffit pas d'avoir les meilleurs mathématiques. Il faut impliquer les gens.

En leur donnant un outil pour explorer les options et comprendre les compromis (le "trade-off"), on obtient deux choses :

1. Des systèmes énergétiques que les gens acceptent vraiment.
2. Des citoyens qui comprennent la complexité du problème et qui sont prêts à faire des compromis réalistes.

C'est comme passer d'un chef qui dicte le menu à un dîner où tout le monde participe à la création du repas, en sachant exactement ce que chaque ingrédient coûte et apporte. Résultat : tout le monde est plus heureux, même si le repas n'est pas le moins cher possible !

Résumé technique

1. Problématique

La transition énergétique vers des systèmes durables nécessite non seulement des changements technologiques, mais aussi une forte acceptation sociale et politique. Cependant, les approches de modélisation énergétique traditionnelles se concentrent souvent sur l'optimisation des coûts (solution « coût-optimal »), ce qui peut masquer la diversité des solutions possibles et ignorer les priorités locales (émissions, vulnérabilité, impact visuel, etc.).

Le défi principal réside dans le manque d'outils permettant aux parties prenantes (habitants, décideurs) d'explorer de manière holistique l'espace des solutions réalisables. Les outils participatifs existants utilisent souvent des scénarios pré-sélectionnés ou des portefeuilles technologiques simplifiés qui ne capturent pas les interactions complexes du système (intermittence des renouvelables, stockage, équilibre offre-demande). Cela limite la capacité des citoyens à comprendre les compromis (trade-offs) réels et à exprimer leurs préférences au-delà du seul critère économique.

2. Méthodologie

L'article présente un cadre novateur combinant la Modélisation pour Générer des Alternatives (MGA - Modelling-to-Generate-Alternatives) et une interface interactive participative.

• Contexte d'étude : Le cas de Longyearbyen (Svalbard), une communauté arctique isolée, dépendante du diesel et confrontée à un réchauffement climatique accéléré. Le système énergétique est hors réseau (off-grid), ce qui simplifie la modélisation tout en rendant les compromis critiques.
• Modélisation (PyPSA-LYB) :
  • Utilisation du modèle d'optimisation énergétique PyPSA pour générer un espace de solutions « quasi-optimales » (near-optimal).
  • Au lieu de chercher uniquement la solution la moins chère, le modèle génère 56 050 configurations de systèmes énergétiques réalisables dont les coûts sont inférieurs à 125 % du coût optimal.
  • Ces solutions couvrent un espace convexe de compromis entre différents objectifs (coûts, émissions, sécurité d'approvisionnement).
• Interface Interactive :
  • Développement d'une interface web permettant aux utilisateurs de manipuler cinq variables clés via des curseurs (sliders) : investissement dans l'éolien, le solaire, les importations de carburants verts, le stockage de chaleur et l'infrastructure hydrogène.
  • Contrainte de faisabilité dynamique : L'interface restreint dynamiquement les plages des curseurs pour garantir que toute combinaison sélectionnée par l'utilisateur reste dans l'espace des solutions réalisables (ne dépasse pas le budget de 125 % et assure l'approvisionnement énergétique).
  • Interpolation : Les métriques de performance (prix de l'électricité, émissions de CO2, vulnérabilité, impact visuel, etc.) sont calculées en temps réel par interpolation linéaire entre les solutions pré-calculées, offrant un retour immédiat sur les conséquences des choix.
• Collecte de données :
  • 126 habitants de Longyearbyen ont interagi avec l'outil dans des espaces publics.
  • Les participants ont défini leurs propres systèmes, puis ont indiqué leurs priorités (métriques à minimiser) et leur volonté de payer (coût supplémentaire acceptable).

3. Contributions Clés

• Approche MGA Participative : C'est la première application de la méthode MGA couplée à une interface interactive pour l'engagement direct des parties prenantes dans la planification énergétique. Contrairement aux études précédentes utilisant des préférences synthétiques, cette méthode permet aux utilisateurs d'explorer l'espace des solutions par eux-mêmes.
• Préservation de la Complexité du Système : L'outil maintient la complexité des interactions systémiques (renouvelables variables, stockage, backup) tout en restant accessible, contrairement aux outils de simulation simplifiés qui échouent à capturer ces dynamiques.
• Limitation de l'Optimisation par les Coûts : Le cadre démontre comment élargir le champ de vision au-delà du coût optimal pour inclure des critères sociaux et environnementaux, réduisant ainsi les biais des chercheurs.
• Outil d'Apprentissage : L'interface sert d'outil pédagogique permettant aux participants de visualiser la complexité des compromis et de mieux comprendre les implications de leurs choix.

4. Résultats

• Déviation par rapport à l'optimum économique : Les participants s'écartent systématiquement de la solution coût-optimal. La médiane du « coût de relâchement » (slack) est de 91 % par rapport au coût optimal, indiquant une forte volonté d'investir dans d'autres objectifs (émissions, sécurité) au détriment de l'efficacité économique pure.
• Priorités des participants :
  • Les métriques les plus prioritaires sont les émissions (69 %), la vulnérabilité du système (49,2 %) et le prix de l'électricité (47 %).
  • Les participants privilégient souvent des technologies moins invasives ou plus propres (solaire, stockage d'hydrogène) même si elles sont plus coûteuses dans le modèle.
• Gestion des compromis : La majorité des participants (57 %) ont tenté de prioriser trois métriques ou plus, ce qui a forcé des arbitrages complexes. L'outil a permis de réussir à améliorer les métriques prioritaires pour la plupart des groupes, bien que cela ait entraîné des coûts plus élevés.
• Écart Préférences déclarées vs Révélées : Il existe un fossé significatif entre la volonté de payer déclarée (médiane de 15 % de surcoût) et les coûts réels des systèmes choisis (médiane de 91 %). Cela suggère que les participants sous-estiment le coût réel des compromis ou supposent que la communauté (subventionnée par l'État norvégien) paiera la différence.
• Feedback qualitatif : Les participants ont trouvé l'outil informatif et ont mieux compris la complexité des transitions énergétiques. Certains ont exprimé le désir de technologies non incluses (charbon, nucléaire), révélant des opinions divergentes sur la trajectoire idéale.

5. Signification et Implications

• Légitimité Sociale : En impliquant les citoyens dans la conception de scénarios réalistes, ce processus renforce la légitimité des décisions énergétiques et la faisabilité politique des transitions.
• Nouveaux Paradigmes de Planification : L'étude démontre que l'optimisation stricte des coûts est insuffisante pour la planification énergétique sociale. Les solutions « quasi-optimales » offrent une diversité de voies qui peuvent mieux répondre aux attentes sociétales.
• Transfertabilité : Bien que l'étude soit centrée sur Longyearbyen, le cadre conceptuel et l'outil sont applicables à d'autres communautés, en particulier celles isolées ou confrontées à des défis de transition énergétique complexes.
• Avenir de la Modélisation Participative : L'article plaide pour une intégration plus précoce des parties prenantes dans le processus de modélisation (co-conception des métriques et des scénarios) et suggère des améliorations futures, comme l'utilisation de méthodes « Human-in-the-loop » pour générer des alternatives en temps réel plutôt que par pré-calcul.

En conclusion, cette recherche propose une méthode robuste pour naviguer dans les compromis complexes de la transition énergétique, transformant la modélisation technique en un outil de dialogue démocratique et d'apprentissage collectif.