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

Il documento presenta un nuovo approccio di modellazione partecipativa basato su risultati near-ottimali che coinvolge gli stakeholder nella scelta flessibile di configurazioni energetiche, permettendo di analizzare le loro priorità e i compromessi tra costi, emissioni e vulnerabilità, come dimostrato nel caso di Longyearbyen.

L'essenziale

Immagina di dover progettare la casa perfetta per una piccola comunità che vive in un luogo remoto e gelido, come Longyearbyen, un villaggio nell'Artico norvegese. Fino a poco tempo fa, questa casa veniva riscaldata e illuminata bruciando carbone, ma il clima sta cambiando e la comunità vuole passare a un'energia più pulita.

Il problema è: come si fa?

Di solito, gli esperti di energia usano computer super-potenti per trovare la soluzione "matematicamente perfetta", ovvero quella che costa meno soldi. Ma c'è un grosso difetto: la soluzione più economica non è sempre quella che la gente vuole o che si adatta meglio alla loro vita. È come se un architetto ti dicesse: "Ecco la casa più economica, ma non ha finestre e devi dormire nel freddo".

La nuova idea: Il "Menu" delle Energie

Gli autori di questo studio hanno pensato: "E invece di dare una sola risposta, diamo alla gente un menu?".

Hanno creato un gioco interattivo (un'interfaccia digitale) per i cittadini di Longyearbyen. Immaginalo come un mixer per DJ, ma invece di mixare musica, si mixano le fonti energetiche:

• Quanto vento usare?
• Quanto sole?
• Quanto idrogeno?
• Quanto accumulare calore?

I cittadini potevano spostare delle manopole (slider) su questo mixer. Ogni volta che spostavano una manopola, il computer calcolava istantaneamente cosa sarebbe successo: quanto sarebbe costato, quanta CO2 sarebbe stata emessa, quanto il sistema sarebbe stato fragile in caso di tempesta.

La scoperta: La gente non vuole solo risparmiare

Ecco la parte più interessante. Quando gli esperti hanno guardato i risultati, hanno scoperto una cosa sorprendente: nessuno ha scelto la soluzione più economica.

Anche se il computer diceva "Ehi, se usi meno pannelli solari e più diesel (o idrogeno) risparmi un sacco di soldi", i cittadini hanno detto: "No, grazie". Hanno scelto soluzioni che costavano di più, ma che:

1. Inquinavano meno.
2. Erano più sicure (meno rischio di restare al buio).
3. Avevano un impatto visivo migliore (meno turbine eoliche brutte da vedere).

È come se in un ristorante, invece di ordinare il piatto più economico che ti fa venire fame, tutti ordinassero il piatto più sano e gustoso, anche se costa il doppio, perché per loro la salute vale più dei soldi risparmiati.

Il compromesso (il "Dolore" della scelta)

Il gioco ha costretto le persone a fare i compromessi. Non potevano avere tutto gratis.

• Se volevano zero emissioni, dovevano accettare un sistema più costoso.
• Se volevano risparmiare, dovevano accettare un sistema più fragile o più inquinante.

All'inizio, alcuni pensavano: "Voglio solo risparmiare!". Ma dopo aver giocato con le manopole e visto che per risparmiare dovevano sacrificare la sicurezza o l'ambiente, hanno cambiato idea. Hanno capito che la transizione energetica è come un equilibrio su una corda: devi bilanciare costi, sicurezza e ambiente.

Perché è importante?

Questo studio ci insegna due cose fondamentali:

1. Non basta fare i conti: Per cambiare il mondo (o anche solo un piccolo villaggio artico), non basta la matematica fredda. Bisogna ascoltare le persone.
2. La gente è più intelligente di quanto pensiamo: Quando le persone capiscono davvero le opzioni e i compromessi, sanno prendere decisioni migliori di quelle che gli esperti avevano previsto.

In sintesi, gli autori hanno creato un ponte tra la fredda matematica dei computer e il cuore delle persone. Hanno mostrato che, quando diamo alle persone gli strumenti giusti per capire la complessità, non scelgono la strada più facile, ma quella che sentono più giusta per il loro futuro.

È come se avessimo dato alla comunità una bussola invece di una mappa già disegnata: hanno scoperto che la rotta migliore non è quella dritta e veloce, ma quella che protegge meglio la loro casa dal freddo e dal futuro.

Sommario tecnico

Titolo

Esplorazione di sistemi energetici near-ottimali con gli stakeholder: un nuovo approccio per la modellazione partecipativa.

1. Il Problema

La transizione verso sistemi energetici sostenibili richiede non solo innovazione tecnologica, ma anche un ampio coinvolgimento sociale e politico per garantire legittimità e fattibilità. Tuttavia, la modellazione energetica partecipativa attuale presenta diverse lacune:

• Opacità delle scelte: Spesso gli stakeholder vengono presentati con un numero limitato di scenari pre-selezionati dai ricercatori, basati su presupposti normativi che possono limitare la diversità delle opzioni.
• Focus sull'ottimalità dei costi: La maggior parte dei modelli energetici si concentra esclusivamente sulla soluzione a costo minimo, ignorando soluzioni "near-ottimali" (leggermente più costose) che potrebbero offrire vantaggi significativi in termini di emissioni, sicurezza o accettazione sociale.
• Mancanza di interazione olistica: Gli strumenti interattivi esistenti (es. portfolio tecnologici o scenari di simulazione semplificati) spesso non riescono a catturare la complessa interazione tra fonti rinnovabili variabili, accumulo e generazione di backup, né a garantire che le scelte degli utenti siano tecnicamente fattibili.
• Divario tra preferenze dichiarate e rivelate: Esiste una discrepanza tra ciò che gli stakeholder dicono di preferire (spesso a basso costo) e le scelte che fanno quando devono bilanciare obiettivi multipli in un contesto reale.

2. Metodologia

Gli autori propongono un nuovo framework basato sul Modelling-to-Generate-Alternatives (MGA) applicato alla pianificazione energetica partecipativa. Il caso di studio è Longyearbyen, un insediamento artico remoto nelle isole Svalbard, Norvegia, che sta affrontando una transizione dal carbone al diesel e successivamente a fonti rinnovabili.

Componenti chiave della metodologia:

• Modello di Ottimizzazione (PyPSA-LYB): È stato utilizzato un modello di ottimizzazione del sistema energetico (PyPSA) per l'intera isola, coprendo elettricità, riscaldamento, trasporti e industria. Il modello include generatori diesel esistenti, eolico, solare, stoccaggio termico, idrogeno e importazione di combustibili verdi.
• Generazione dello Spazio Near-Ottimale: Invece di cercare solo la soluzione a costo minimo, il team ha generato 56.050 configurazioni fattibili che rientrano in uno spazio near-ottimale. Queste soluzioni sono fino al 125% più costose rispetto all'ottimo economico, ma offrono diversità strutturale.
• Interfaccia Interattiva: È stato sviluppato un'interfaccia utente che permette ai partecipanti di regolare cinque dimensioni chiave tramite slider (investimenti in: eolico, solare, importazione di combustibili verdi, stoccaggio di calore, infrastruttura idrogeno).
  • Vincoli di Fattibilità: L'interfaccia utilizza un algoritmo dinamico per limitare i movimenti degli slider all'interno dello spazio near-ottimale pre-calcolato. Questo impedisce agli utenti di selezionare configurazioni tecnicamente impossibili (es. blackout energetici).
  • Interpolazione: Le metriche di risultato (costo, emissioni, vulnerabilità, ecc.) vengono interpolate in tempo reale tra le 56.050 soluzioni pre-calcolate, fornendo feedback immediato sulle conseguenze delle scelte.
• Coinvolgimento degli Stakeholder: Tra il 11 e il 15 marzo 2024, 126 residenti di Longyearbyen hanno interagito individualmente con l'interfaccia in spazi pubblici, selezionando le loro configurazioni preferite e fornendo feedback qualitativi.

3. Contributi Chiave

• Nuovo Framework Partecipativo: Prima applicazione su larga scala di metodi near-ottimali (MGA) in un'interfaccia interattiva per coinvolgere stakeholder reali (non sintetici) nella progettazione di sistemi energetici.
• Gestione della Complessità: Capacità di presentare uno spazio di soluzioni vasto e diversificato mantenendo la coerenza tecnica del sistema (bilanciamento domanda-offerta, intermittenza delle rinnovabili), cosa che gli strumenti precedenti non riuscivano a fare in modo efficace.
• Strumento di Apprendimento: L'interfaccia funge da strumento educativo, permettendo ai partecipanti di comprendere i trade-off complessi (es. costo vs. vulnerabilità vs. emissioni) in modo tangibile.
• Rilevamento delle Preferenze Reali: Il metodo permette di osservare come gli stakeholder bilanciano effettivamente obiettivi multipli quando costretti a fare scelte vincolate dalla realtà fisica del sistema.

4. Risultati Principali

L'analisi dei dati raccolti dai 126 partecipanti rivela diversi pattern significativi:

• Deviazione dall'Ottimo di Costo: I partecipanti si sono costantemente discostati dalla soluzione a costo minimo. La maggior parte ha accettato un aumento dei costi significativo (valore mediano di slack del 91% rispetto all'ottimo) per migliorare altri obiettivi.
• Priorità Multiple: Il 57% dei partecipanti ha dichiarato di prioritizzare tre o più metriche contemporaneamente (es. emissioni, vulnerabilità, prezzo dell'elettricità).
• Trade-off Specifici:
  • Chi privilegiava le emissioni tendeva a investire di più nel solare.
  • Chi privilegiava la vulnerabilità (sicurezza di approvvigionamento) investiva di più nello stoccaggio di calore e nelle rinnovabili variabili.
  • Chi era sensibile all'impatto visivo riduceva l'investimento nell'eolico a favore del solare e dei combustibili verdi importati.
• Divario Preferenze Dichiarate vs. Rivelate: C'è una forte discrepanza tra la disponibilità a pagare dichiarata (mediana del 15% di aumento rispetto all'ottimo) e il costo effettivo delle soluzioni scelte (mediana del 91%). Questo suggerisce che, quando confrontati con la realtà dei trade-off, gli utenti sono disposti a scegliere soluzioni molto più costose per ottenere benefici non monetari, anche se non ammetterebbero esplicitamente di voler pagare così tanto.
• Feedback Qualitativo: I partecipanti hanno apprezzato la complessità del processo, sentendosi meglio informati. Alcuni hanno espresso desideri per tecnologie non incluse nel modello (es. ritorno al carbone o nucleare), evidenziando come la partecipazione possa rivelare opinioni profonde legate all'identità locale o alla percezione della sicurezza.

5. Significato e Implicazioni

Questo studio dimostra che l'integrazione di metodi near-ottimali nella modellazione partecipativa può trasformare il processo di pianificazione energetica:

• Legittimità Sociale: Coinvolgere i cittadini nella definizione dei trade-off aumenta la legittimità delle decisioni politiche e riduce il rischio di opposizione sociale alle infrastrutture.
• Oltre il Costo: Sposta il focus dalla ricerca della soluzione "più economica" alla ricerca della soluzione "socialmente accettabile", riconoscendo che la fattibilità politica è spesso più vincolante di quella economica.
• Scalabilità: Sebbene testato a Longyearbyen, il framework è applicabile ad altre comunità energetiche isolate o complesse, offrendo un modello per gestire la transizione energetica in modo inclusivo e tecnicamente robusto.
• Politiche Pubbliche: Fornisce ai decisori politici una visione chiara delle priorità reali della popolazione, aiutando a progettare politiche che bilancino costi, sicurezza e sostenibilità ambientale in modo più efficace.

In sintesi, l'articolo propone un cambio di paradigma: da una modellazione che dice agli stakeholder cosa è possibile, a una che permette agli stakeholder di esplorare e definire cosa è desiderabile all'interno dei vincoli fisici ed economici reali.