Toujours faux, parfois utiles : 5 conseils pour comprendre la valeur et les limites des modèles de décarbonisation
Les modèles sont souvent au centre des discussions sur le changement climatique. Ils permettent d'établir des scénarios futurs très incertains afin d'aider les décideurs à comprendre ce qu'il faut faire et à quel moment.
Les modèles fournissent une base concrète pour la création de politiques, en proposant des scénarios comparables qui abordent le vaste éventail d'options et de voies qui sont sur la table. De manière presque aussi importante, les modèles aident également la communauté climatique à construire des récits accessibles sur les résultats futurs possibles. Ils servent en quelque sorte de fil conducteur pour toutes les conversations et tous les arguments de la communauté climatique, ce qui explique pourquoi vous êtes susceptible d'entendre parler de la nécessité de "maintenir le réchauffement en dessous de 1,5 degré Celsius" par un défenseur, un élu, un universitaire ou un analyste politique.
Le problème est que les modèles sont imprécis.
La plupart des modèles de systèmes énergétiques qui servent de base à l'élaboration des politiques et aux efforts de sensibilisation à toutes les échelles - du local au mondial - sont des optimisations économiques déterministes dont les résultats sont une poignée de scénarios improbables. Ces modèles sont qualifiés de "boîtes noires" car ils cachent de nombreuses hypothèses difficiles à discerner. Ils sont basés sur des informations limitées et construits autour d'hypothèses ou de contraintes conçues pour rendre la complexité de la réalité plus facile à prévoir. Le problème est qu'il y aura toujours une différence entre le "monde des modèles" et le monde réel car, fondamentalement, les êtres humains ne peuvent pas prédire l'avenir.
1. Trouver la solution la moins coûteuse n'est pas la même chose que trouver la meilleure solution
Les modèles de systèmes énergétiques sont généralement conçus pour trouver une solution permettant d'atteindre des émissions nettes nulles à un moment donné et au coût le plus bas. Cependant, ces coûts sont basés sur des projections très incertaines et n'incluent pas les coûts et avantages indirects et difficiles à monétiser d'une transition énergétique, tels que les améliorations de la santé humaine, les implications en termes d'équité et les impacts environnementaux. Par conséquent, ces "solutions les moins coûteuses" pourraient ne pas minimiser les coûts, et encore moins maximiser les avantages auxquels la société accorde la priorité.
Par exemple, une solution à moindre coût peut permettre d'atteindre des émissions nettes nulles en 2050 en autorisant l'utilisation illimitée des combustibles fossiles jusqu'en 2049 avant de passer à une source d'énergie sans carbone plus coûteuse, ce qui permet d'atteindre un objectif final d'émissions nettes nulles. Dans ce scénario, toutefois, les gaz piégeant la chaleur s'accumuleront dans l'atmosphère jusqu'en 2049, accentuant le réchauffement pendant des siècles et ne permettant pas d'atteindre des objectifs climatiques plus larges.
Dans la figure ci-dessous, le gris représente la capacité installée de gaz naturel et la ligne pointillée représente les émissions cumulées. Si les deux panneaux montrent que le gaz naturel atteindra l'objectif de zéro émission d'ici 2050, la voie à suivre pour y parvenir a des implications différentes pour les émissions cumulées. À gauche, les émissions cumulées en 2050 sont élevées parce que le gaz naturel a continué à être utilisé sans relâche jusqu'à ce qu'un passage rapide à des énergies à faible teneur en carbone soit effectué.- de carbone vers 2050, tandis que la figure de droite montre des émissions cumulées plus faibles grâce à une transition régulière vers l'abandon des combustibles fossiles.
Lorsque vous examinez les résultats du modèle énergétique, assurez-vous de comprendre ce qui est minimisé et comment cela s'aligne sur vos valeurs et objectifs généraux. Assurez-vous également d'examiner les hypothèses de coûts, qui peuvent souvent différer d'une organisation à l'autre et refléter leur partialité inhérente en faveur de différentes solutions technologiques. Si vous n'êtes pas d'accord avec les projections incluses concernant les coûts des énergies renouvelables, par exemple, vous devez faire preuve de prudence avant d'accepter les résultats du modèle qui sont basés sur ces estimations de coûts.
2. Nous devons décarboniser l'ensemble de l'économie, et pas seulement le secteur de l'électricité.
Même avec un degré élevé d'électrification (par exemple, passage aux véhicules électriques) et des mesures d'efficacité énergétique, le secteur de l'électricité ne devrait représenter qu'environ la moitié de la demande d'énergie en 2050.1 La demande d'énergie non électrique, sous forme de vecteurs comme le carburant, continuera de provenir des secteurs de l'industrie, des transports, du commerce et de l'agriculture. Étant donné que ces secteurs dits "difficiles à réduire" - pour lesquels les stratégies de décarbonisation sont plus difficiles et les solutions technologiques immatures - sont presque exclusivement non électriques, les modèles qui ne tiennent compte que de la décarbonisation de la demande d'électricité ne parviendront pas à réduire suffisamment les émissions pour atteindre les objectifs climatiques.
Par exemple, si un modèle du secteur de l'électricité ne tient pas compte des électrolyseurs qui génèrent carburants à zéro émission de carbone comme l'hydrogène qui pourrait contribuer à décarboniser la production de ciment et d'acier, la demande future projetée sera sous-estimée. De même, si l'élimination du carbone n'est pas prise en compte dans le modèle du secteur de l'électricité alors qu'elle est nécessaire pour décarboniser l'économie, la demande d'électricité projetée sera également sous-estimée.
Lorsque vous examinez les résultats d'un modèle énergétique, assurez-vous de savoir quels secteurs sont inclus dans la modélisation et comment les secteurs sont liés les uns aux autres. Les modèles " à l'échelle de l'économie " cherchent à décarboniser tous les secteurs, tandis que les modèles " secteur de l'électricité " se concentrent exclusivement sur la décarbonisation du réseau électrique. Là encore, une solution optimale pour le secteur de l'électricité ou même pour le système énergétique sera probablement différente d'une solution optimale pour l'ensemble de l'économie. Assurez-vous que le type de modèle correspond à l'objectif que vous poursuivez en utilisant les résultats du modèle.
3. La fiabilité d'un système électrique est souvent sous-évaluée.
Au fur et à mesure que l'électrification augmente, les pannes d'électricité devraient avoir un impact sociétal plus important. Cependant, les résultats des modèles de décarbonisation ne traitent généralement pas de la fiabilité de l'avenir énergétique projeté, même si les gens en sont venus à s'attendre à un accès fiable à l'électricité dans de nombreuses régions du monde.
Voici quelques indicateurs clés à prendre en compte qui peuvent révéler des problèmes de fiabilité :
- Combien de "années météorologiques" le modèle utilise-t-il ? Les années météorologiques font référence aux données météorologiques qui sont incluses pour déterminer la production d'électricité renouvelable, ainsi que la demande d'énergie pour le chauffage et la climatisation, par exemple. De nombreux modèles utilisent une seule année météorologique passée pour modéliser chaque période jusqu'en 2050. Cela peut conduire à un réseau peu fiable, à la fois parce que la météo a une grande variabilité annuelle et parce que les modèles météorologiques sont susceptibles d'être différents dans les années à venir en raison des effets du changement climatique.
- Comment est équilibrage des charges dans le modèle ? Les opérateurs de réseaux électriques équilibrent l'offre et la demande en quelques fractions de seconde, mais en raison des limites de calcul, les modélisateurs doivent faire des compromis entre la simplification du système et la précision. Une simplification excessive de l'équilibrage du réseau masque d'importantes variations de la demande. Par exemple, la capacité nécessaire pour répondre à la demande quotidienne moyenne ne serait pas suffisante pour répondre à la demande quotidienne de pointe, ce qui se traduirait par un système énergétique sous-dimensionné. Cette situation est particulièrement problématique, car l'un des plus grands défis de la décarbonisation dans le secteur de l'électricité est de répondre de manière cohérente et fiable à la demande de pointe. Une pratique courante consiste à équilibrer l'offre et la demande sur une base horaire, connue sous le nom de "modélisation 8760", d'après le nombre d'heures que compte une année.
- Dans quelle mesure le modèle dépend-il de la flexibilité de la demande? La flexibilité de la demande consiste à déplacer la charge pour que la demande corresponde à l'offre d'électricité aux heures de pointe de la journée. Il peut s'agir de charger les VE la nuit plutôt que le jour, de déplacer la climatisation à différentes heures de la journée et de réduire la réfrigération pour certains clients commerciaux/industriels pendant de courtes périodes. Une forte dépendance à la flexibilité de la demande peut indiquer que le réseau modélisé pourrait être moins fiable en raison d'un décalage quotidien constant entre l'offre et la demande.
Lorsque vous examinez des modèles énergétiques, recherchez les indicateurs clés qui suggèrent comment la fiabilité est intégrée ou exclue du système modélisé. Il ne faut pas tenir pour acquis que le résultat d'un modèle fonctionnera avec une fiabilité élevée et sans pannes.
4. Les scénarios du modèle ne sont pas des prédictions de l'avenir
Les résultats des modèles sont présentés sous forme de scénarios qui représentent une façon dont l'avenir peut se dérouler. Par exemple, un scénario peut montrer la décarbonisation du secteur de l'électricité par le biais d'une énergie renouvelable à 100 % uniquement, tandis qu'un autre peut représenter un avenir avec des énergies renouvelables et carburants à zéro émission de carbone. Bien que les scénarios soient destinés à réduire la complexité, ils ne sont que des histoires sur la façon dont le monde pourrait se terminer et ne sont pas fondés sur la probabilité ou les risques. Parce qu'ils peuvent être convaincants, ils peuvent nous amener à négliger une grande variété de résultats plus probables et conduire à un excès de confiance dans la prise de décision.
Les scénarios doivent également être interprétés avec prudence car ils ne facilitent pas la prise de décision en fonction du risque. Outre le fait qu'ils ne permettent pas de déterminer la probabilité qu'un avenir donné se produise, les scénarios ne décrivent pas les conséquences d'une erreur. Cela ne nous permet pas de prendre des décisions qui minimisent le regret des actions que nous prenons et maximisent la probabilité d'une décarbonisation réussie. Au lieu de cela, comme il est difficile de savoir quels scénarios sont les plus susceptibles de se produire, nous devrions chercher à voir quelles voies de décarbonisation peuvent être couronnées de succès dans un éventail de scénarios ; plutôt que de deviner à quel avenir nous serons confrontés, nous devrions planifier une décarbonisation réussie dans une variété de futurs.
Lorsque vous utilisez les résultats d'un modèle, assurez-vous de comprendre que les scénarios décrits ne sont que des exemples uniques qui illustrent une version possible de l'avenir. Ne confondez pas le résultat d'un scénario avec la prédiction d'une trajectoire probable, ni avec une solution fondée sur le risque pour atténuer les émissions énergétiques. Réfléchissez de manière critique au degré de transparence de la conception du scénario et à la motivation qui sous-tend le choix du scénario. Méfiez-vous des efforts de modélisation qui tirent des conclusions sur la base d'un seul scénario ou qui font des recommandations en fonction d'un ensemble limité d'histoires futures.
5. Les modèles ne doivent pas présumer des miracles
L'évaluation de la plausibilité est une étape cruciale de l'examen critique des résultats d'un modèle.
La plausibilité, ou son absence, peut prendre de nombreuses formes. Par exemple, les résultats d'un modèle peuvent montrer que l'hydrogène remplace le gaz naturel dans les centrales électriques en quelques années seulement, sans décrire comment ou quand les pipelines d'hydrogène ou d'autres moyens logistiques de distribution de l'hydrogène seraient établis. En outre, les modèles peuvent être basés sur l'hypothèse que le monde en développement restera à de faibles niveaux de consommation d'énergie, alors qu'en réalité, il est plausible et moralement souhaitable de supposer que la consommation d'énergie par habitant va augmenter. Troisième exemple, les résultats d'un modèle peuvent montrer le commerce de l'électricité entre États, pays ou régions sans tenir compte du défi réel que représentent le choix de l'emplacement, le financement et la construction d'un vaste réseau de transmission. D'autres exemples courants sont l'hypothèse de coûts irréalistes (ou l'omission de certains coûts), des délais excessivement courts pour l'introduction de nouvelles infrastructures (sans tenir compte des données historiques ou des limites de la chaîne d'approvisionnement), et des niveaux élevés de participation des consommateurs aux politiques de décarbonisation (comme la flexibilité de la demande).
Lors de l'évaluation des résultats du modèle, tenez compte de la faisabilité de la mise en œuvre et de la plausibilité des hypothèses d'entrée. Remettez en question les conditions favorables nécessaires qui ont été exclues du modèle et évaluez la faisabilité de leur mise en œuvre technique et économique dans les délais impartis. Enfin, vérifiez que le contexte social supposé qui permet aux résultats du modèle de réussir la décarbonisation est également plausible.
Créer de meilleurs modèles
Nous ne devons pas seulement apprendre à évaluer les modèles climatiques existants de manière plus critique ; les membres de la communauté de la modélisation doivent également abandonner l'optimisation traditionnelle au profit d'approches analytiques holistiques pour couvrir les risques et donner la priorité à la résilience des systèmes. En divulguant mieux les hypothèses implicites de la modélisation et de la planification, une meilleure modélisation du climat peut fournir aux décideurs politiques les outils nécessaires pour soutenir une transition énergétique plus réalisable, plus fiable et plus responsable sur le plan social.
L'équipe d'analyse des systèmes énergétiques de CATF adopte une approche interdisciplinaire pour illustrer des voies de transition du système énergétique robustes, fondées sur le risque et réalisables. L'objectif du programme est d'aborder systématiquement les limites de la modélisation soulignées ci-dessus, et d'ancrer les efforts programmatiques de CATFdans un cadre de faisabilité économique, sociopolitique et institutionnelle.
