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

Deze paper introduceert een nieuwe participatieve modelleringbenadering die stakeholders via een interactieve interface in staat stelt om te kiezen uit een continuüm van bijna-optimale energiesysteemontwerpen, zoals geïllustreerd in Longyearbyen, waardoor ze hun prioriteiten kunnen afwegen tussen kosten, emissies en kwetsbaarheid zonder door aannames beperkt te worden.

De kern

De Energie-Keuken van Longyearbyen: Een Proefje van de Toekomst

Stel je voor dat je in een heel klein dorpje woont, midden in het poolgebied, waar het buiten ijskoud is en de zon soms maandenlang niet opkomt. Dit is Longyearbyen, op Spitsbergen. Tot nu toe draaide hun hele leven op een grote, vieze dieselgenerator (en vroeger op steenkool). Maar het klimaat verandert, en ze moeten overstappen op schone energie.

Het probleem? Energieplanners zitten vaak in hun kantoor en zeggen: "Dit is de goedkoopste oplossing!" Maar voor de mensen die er wonen is 'goedkoop' niet alles. Ze maken zich ook zorgen over: Is het veilig als de wind stilvalt? Ziet het er mooi uit? Is het niet te luidruchtig?

De auteurs van dit artikel hebben een slimme manier bedacht om de inwoners van Longyearbyen te betrekken bij het maken van deze keuze. Ze noemen het een "participatief model", maar laten we het zien als een interactief energie-restaurant.

1. Het Menu: Niet alleen de goedkoopste maaltijd

Normaal gesproken geeft een computermodel je één menu: de goedkoopste optie. Maar in de echte wereld is dat vaak niet wat mensen willen.

De onderzoekers hebben een speciale computer gebruikt die 56.050 verschillende "maaltijden" (energiesystemen) heeft berekend.

• De goedkoopste maaltijd: Dit is de basisoptie.
• De "bijna-goedkoopste" maaltijden: Dit zijn opties die iets duurder zijn, maar misschien wel veel minder CO2 uitstoten, of veiliger zijn als het stormt.

Ze hebben deze 56.050 opties niet als een saaie lijst getoond, maar als een interactief spelletje op een scherm.

2. De Regels van het Spel: De Sliders

De inwoners kregen een scherm met vijf schuifbalken (sliders). Je kunt deze vergelijken met de knoppen op een geluidsmixer, maar dan voor energie:

1. Windmolens
2. Zonnepanelen
3. Groene brandstof importeren
4. Warmte-opslag (zoals een enorme thermoskan)
5. Waterstof-technologie

De magische truc: Je mocht de schuifbalken zover duwen als je wilde, maar de computer hield je binnen de veilige grenzen.

• Vergelijking: Stel je voor dat je in een zwembad mag zwemmen. Je mag overal zwemmen, zolang je maar niet buiten het zwembad (de veilige grens) komt. Als je te ver naar links duwt, zegt het systeem: "Hé, als je zoveel windmolens neemt, moet je ook meer batterijen hebben, anders valt het licht uit!" Het systeem corrigeerde je automatisch zodat je nooit een onveilig systeem koos.

3. Wat zagen de mensen?

Toen de inwoners (126 stuks) aan de slag gingen, gebeurde er iets interessants:

• Ze wilden niet alleen de goedkoopste optie.
• Ze waren bereid om meer te betalen (soms tot wel 90% meer!) om hun dorp veiliger, stiller of groener te maken.
• Ze zagen direct: "Oh, als ik meer zonnepanelen kies, wordt het systeem kwetsbaarder als er een storm komt."

Het was alsof ze voor het eerst konden proeven van de toekomst. Ze zagen dat je niet alles kunt hebben: als je de goedkoopste optie wilt, moet je vaak concessies doen bij de veiligheid of de uitstoot. Maar als je bereid bent om te betalen, kun je een betere balans vinden.

4. Waarom is dit belangrijk?

Vroeger zeiden experts: "Dit is de beste oplossing, doe maar."
Nu zeggen ze: "Kijk eens naar al deze opties. Wat vinden jullie belangrijk?"

Dit onderzoek laat zien dat als je mensen betrekt bij het plannen van hun eigen toekomst, ze slimmer beslissingen nemen. Ze begrijpen dat er geen "magische oplossing" is. Ze zien de afwegingen (de trade-offs) en voelen zich gehoord.

Kortom:
De onderzoekers hebben een virtuele proefkeuken gebouwd voor Longyearbyen. In plaats van een voorschrift te geven, gaven ze de inwoners de lepel en lieten ze zelf proeven welke smaken (energie-opties) ze het lekkerst vonden, terwijl ze tegelijkertijd leerden dat je niet alle smaken tegelijk kunt eten zonder je portemonnee te leeg te maken.

Dit is een nieuwe manier om samen de toekomst te bouwen: niet door te zeggen wat er moet gebeuren, maar door samen te ontdekken wat er kan gebeuren.

Technische samenvatting

Probleemstelling

De overgang naar duurzame energiesystemen vereist niet alleen technologische innovatie, maar ook maatschappelijke acceptatie en politieke haalbaarheid. Traditionele energiemodellering focust vaak uitsluitend op kostenefficiëntie (kostoptimalisatie). Dit leidt tot een beperkt scala aan scenario's die vaak gebaseerd zijn op aannames van onderzoekers en weinig ruimte laten voor de complexe, soms tegenstrijdige prioriteiten van lokale belanghebbenden (zoals emissies, kwetsbaarheid, landschapsimpact en energiekosten).

Bestaande participatieve tools (zoals simulators of technologie-portefeuilles) vereenvoudigen vaak de onderliggende systeeminteracties en kunnen de complexiteit van variabele hernieuwbare energie, opslag en netbalancering niet volledig weergeven. Er is een behoefte aan een methode die belanghebbenden in staat stelt om te navigeren binnen een ruimtelijk continuüm van haalbare oplossingen, waarbij ze trade-offs kunnen verkennen zonder de technische realiteit van het energiesysteem te schenden.

Methodologie

De auteurs introduceren een nieuw raamwerk voor participatief modelleren dat gebruikmaakt van Near-Optimal Modelling (specifiek Modelling-to-Generate-Alternatives of MGA) gekoppeld aan een interactieve interface.

1. Casestudy Locatie: Longyearbyen, Spitsbergen (Noorwegen). Een geïsoleerd, niet-aangesloten energiesysteem dat momenteel overgaat van kolen naar diesel, maar te maken heeft met extreme klimaatverandering.
2. Het Onderliggende Model (PyPSA-LYB):
   • Een geoptimaliseerd energiemodel dat elektriciteit, warmte en transport omvat.
   • Het model bevat technologieën zoals wind, zonne-energie, waterstof, warmteopslag, en import van groene brandstoffen.
   • Beperkingen: Kolen en kernenergie zijn uitgesloten op basis van politieke doelen (klimaatdoelstellingen 2030/2050), hoewel diesel nog steeds als back-up aanwezig is.
3. Near-Optimale Ruimte (MGA):
   • In plaats van één kostenoptimale oplossing te berekenen, genereerden de auteurs 56.050 haalbare energiesysteemconfiguraties.
   • Deze oplossingen liggen binnen een near-optimal space: systemen die maximaal 125% duurder zijn dan het kostenoptimum, maar beter presteren op andere objectieven (zoals lagere emissies of hogere veiligheid).
   • De ruimte wordt geometrisch benaderd als een convex polytoop.
4. Interactieve Interface:
   • Deelnemers (N=126) kregen toegang tot een webinterface met schuifbalken voor vijf sleuteltechnologieën: wind, zonne-energie, import van groene brandstoffen, warmteopslag en waterstofinfrastructuur.
   • Dynamische Validatie: De interface beperkt de schuifbalken dynamisch zodat gebruikers alleen haalbare combinaties kunnen selecteren die binnen de near-optimal ruimte vallen. Onhaalbare combinaties worden visueel gemarkeerd (rood).
   • Interpolatie: Voor elke selectie worden real-time indicatoren (zoals CO2-uitstoot, energieprijzen, kwetsbaarheid) berekend door te interpoleren tussen de vooraf berekende 56.050 oplossingen.
5. Datacollectie:
   • Deelnemers in Longyearbyen (lokaal bevolking) gebruikten de tool in openbare ruimtes.
   • Ze moesten trade-offs maken en prioriteiten stellen (bijv. emissies vs. kosten).
   • Na het ontwerpen van hun systeem gaven ze feedback over hun keuzes en bereidheid om extra kosten te maken.

Belangrijkste Bijdragen

• Nieuwe Participatieve Methode: Dit is, voor zover bekend, de eerste toepassing waarbij belanghebbenden direct kunnen interageren met een groot, near-optimaal oplossingsruimte van een energiemodel, in plaats van slechts vooraf gedefinieerde scenario's te beoordelen.
• Behoud van Systeemcomplexiteit: In tegenstelling tot vereenvoudigde tools, houdt deze methode rekening met de complexe interacties tussen variabele hernieuwbare energie, opslag en back-up generatie.
• Transparantie en Lerend Vermogen: De tool maakt de onderliggende aannames en trade-offs zichtbaar, waardoor deelnemers beter geïnformeerd worden over de consequenties van hun keuzes.
• Validatie van "Revealed Preferences": De studie vergelijkt wat mensen zeggen dat ze willen (stated preferences) met wat ze doen wanneer ze geconfronteerd worden met de technische realiteit (revealed preferences).

Resultaten

• Afwijking van Kostoptimum: Deelnemers wijken consequent af van de kostenefficiënte oplossing. De gemiddelde "slack" (extra kosten ten opzichte van het optimum) was 81%, met een mediaan van 91%. Dit toont aan dat belanghebbenden bereid zijn aanzienlijk meer te betalen voor andere waarden.
• Prioriteiten: De meest geprioriteerde criteria waren emissies (69%), kwetsbaarheid (49,2%) en elektriciteitsprijs (47%).
• Technologievoorkeuren:
  • Hoewel zonne-energie en waterstof in het kostenoptimum vaak worden uitgesloten, investeerden deelnemers hierin aanzienlijk.
  • Er was een duidelijke voorkeur voor minder invasieve technologieën (zoals zonne-energie) ten koste van visuele impact (minder windmolens).
• Trade-offs en Complexiteit: Deelnemers erkenden dat het balanceren van meerdere doelen complex is. De correlatiematrix toonde aan dat prioritering van emissies leidde tot meer zonne-energie, terwijl prioritering van kwetsbaarheid leidde tot meer warmteopslag.
• Kloof tussen Stated en Revealed Willingness-to-Pay: Hoewel deelnemers in de enquête gemiddeld slechts 15% extra kosten accepteerden, kozen ze in de praktijk voor systemen die 91% duurder waren. Dit suggereert dat de kosten in de abstracte context van de tool minder tastbaar waren dan in het dagelijks leven, of dat de gemeenschap verwacht dat de staat de kosten draagt.
• Feedback: Sommige deelnemers gaven aan dat de tool hen bewust maakte van de complexiteit ("goed om te zien hoe ingewikkeld het is"), terwijl anderen pleitten voor technologieën die niet beschikbaar waren in de tool (zoals terugkeer naar kolen of kernenergie).

Betekenis en Conclusie

De studie demonstreert dat near-optimal modelling een krachtig instrument is voor participatief beleidsvorming. Het stelt beleidsmakers en onderzoekers in staat om:

1. De legitimiteit van energietransities te vergroten door lokale prioriteiten direct te integreren.
2. De sociale haalbaarheid te testen voordat grote investeringen worden gedaan.
3. Te begrijpen dat kostoptimaliteit vaak niet overeenkomt met wat de maatschappij wenst.

De tool helpt om de "zwarte doos" van energiemodellering te openen en laat zien dat er geen enkele perfecte oplossing bestaat, maar een continuüm van haalbare opties waarbij maatschappelijke keuzes centraal staan. Ondanks de beperkingen (zoals de korte interactietijd en de specifieke context van Longyearbyen), biedt deze aanpak een blauwdruk voor hoe complexe energiedilemma's in andere regio's kunnen worden aangepakt met behulp van transparante, data-gedreven participatie.