Kartene vi bruker til å planlegge energifremtiden vår, har blindsoner. Vi spurte dem som lager kartene hvor de er.

Når politikere diskuterer tiltak for å kutte utslipp, når Statnett planlegger nettinvesteringer, eller når forskere anslår hvor mye vindkraft Norge trenger i 2050, støtter de seg ofte på samme type verktøy: energisystemmodeller. Dette er store matematiske datamodeller som simulerer hvordan hele energisystemet kan utvikle seg de neste tiårene. De har blitt noen av de viktigste verktøyene for å planlegge energiomstillingen.

Men en modell er alltid en forenkling av virkeligheten. Det interessante spørsmålet er ikke om energisystemmodeller tar feil, men hvor feilene er, og hva vi kan gjøre med det.

Dette er temaet for den første rapporten fra FME InterPlay, et norsk forskningssenter som forsker på hvordan vi kan ta bedre beslutninger for integrerte energisystemer. I stedet for bare å lese hva forskningen sier, spurte vi 21 norske modelleringsmiljøer direkte: Hvor er blindsonene i modellene deres? Svarene ble gitt anonymt av forskere og eksperter fra miljøer i akademia, forskningsinstitutter, offentlig forvaltning og næringslivet. Det er verdt å merke seg at undersøkelsen er besvart av forskere, ikke av modellene selv. Svarene bygger derfor på forskernes egne erfaringer og oppfatninger etter å ha brukt modellene i praksis. De gir et bilde av hvordan modellene oppleves, men representerer ikke nødvendigvis den objektive sannheten om modellenes egenskaper eller ytelse.

Hva er en energisystemmodell? En energisystemmodell er et dataverktøy som brukes til å utforske hvordan energisystemet kan utvikle seg i framtiden. Modellen beskriver blant annet energiproduksjon, strømnett, industri, bygninger og transport. Forskerne kan bruke den til å undersøke spørsmål som dette: Hvis vi skal nå klimamålene og derfor bruke mye mer strøm enn i dag, hvilke kombinasjoner av vindkraft, solkraft, vannkraft, lager og nettutbygging kan dekke behovet? Videre, hvordan kan fjernvarme og energieffektivisering redusere behovet for strøm? Modellene leter som regel etter løsningene som oppfyller målene til lavest mulig kostnad.

En ærlig bekjennelse om modellenes svakheter

Tanken bak anonymiseringen var å gjøre det enklere å være åpen om svakhetene.

De fleste modellmiljøene mener at modellene ofte kan overvurdere lønnsomheten i fornybar kraft. Samtidig kan de favorisere store sentraliserte løsninger sammenlignet med lokale alternativer.

På den andre siden pekte mange på at modellene ofte undervurderer to utfordringer som går igjen i den norske energidebatten: begrensninger i strømnettet og behovet for fleksibilitet i energisystemet. Med fleksibilitet mener vi muligheten til å bruke, lagre eller produsere strøm på ulike tidspunkt slik at tilbud og etterspørsel alltid er i balanse. Fleksibilitet handler om å bruke energi på riktig tidspunkt. For eksempel kan strømforbruk flyttes til timer med mye fornybar kraft, eller oppvarming kan skje med andre energikilder når strømprisen er høy.

Hvorfor skjer dette? Årsaken er ikke nødvendigvis feil data, men at alle modeller må forenkle virkeligheten på ulike måter. For å kunne analysere utviklingen av et helt lands energisystem fram mot 2050, må modellene forenkle en svært kompleks virkelighet. Når detaljer forsvinner, kan viktige utfordringer bli mindre synlige. For eksempel kan en modell behandle hele Sør-Norge som ett område, slik at flaskehalser i strømnettet ikke fanges opp. Den kan også beskrive et helt år med noen få «typiske døgn», og dermed glatte ut kalde og vindstille perioder som i praksis er avgjørende for hvor mye strømproduksjon, lagring og fleksibilitet systemet trenger. Dette er det vi kaller strukturell usikkerhet: usikkerhet som skyldes hvordan modellen er bygget opp, ikke hvilke tall som mates inn i den.

To typer usikkerhet: Inndatausikkerhet skyldes forutsetningene som mates inn i en modell (for eksempel anslag for framtidige teknologikostnader, brenselpriser og etterspørsel). Strukturell usikkerhet skyldes modellens egen oppbygning: hvor finmasket den deler inn tid og rom, og hvilke mekanismer i den virkelige verden den forenkler bort. Den siste typen er vanskeligere å oppdage, fordi den er bakt inn i selve verktøyet.

Hvis en modell systematisk undervurderer flaskehalser i nettet og behovet for fleksibilitet, kan energisystemet den kaller «optimalt», se billig og elegant ut på papiret, men vise seg vanskelig å gjennomføre i praksis. Og når Norge står foran store beslutninger om elektrifisering, nettutbygging, energieffektivisering, og ny industri, er dette mer enn en akademisk problemstilling.

Diagnostisert, men ikke behandlet

Det kanskje mest tankevekkende funnet er ikke skjevhetene i seg selv, men hvordan de blir møtt. På spørsmål om hvordan de vanligvis forholder seg til kjente svakheter ved modellene, svarte de fleste gruppene det samme: de omtaler dem. Et forbehold i rapporten, et avsnitt om begrensninger, en kvalitativ vurdering av hvilke resultater man kan feste lit til. Utover dette blir usikkerhet i inndataene som regel håndtert med sensitivitetsanalyse, det vil si at man tester hvordan resultatene fra modellen endrer seg når inndataene endres.

Dette er ærlig vitenskapelig praksis, men det er ingen løsning. Mer systematiske grep, som å øke detaljeringsgraden der det betyr noe, koble modeller sammen eller optimere for flere mål samtidig, brukes langt sjeldnere. Det er nettopp i gapet mellom å kjenne til en skjevhet og å rette den opp, og i arbeidet med å få inn flere modellperspektiver, at vi vil sette inn innsatsen i FME InterPlay.

Ingen enkeltmodell har alle svarene, derfor må modellene snakke sammen

Det opplagte svaret på en «for enkel» modell er å gjøre den mer detaljert. Men detaljer har en pris: regnetiden vokser raskt, og på et tidspunkt blir modellen rett og slett uløselig eller for stor til å håndtere. Man kan ikke bygge én modell som samtidig fanger opp investeringsbeslutninger med tiårshorisont, kraftflyt time for time i hver del av nettet og konsekvenser for naturmangfold.

Et alternativ er modellkobling: å koble sammen spesialiserte modeller slik at hver av dem bidrar med det den er best på. En langsiktig investeringsmodell kan foreslå et energisystem for 2050, og en detaljert kraftmarkedsmodell kan så teste dette systemet time for time og melde tilbake hvor det svikter.

Undersøkelsen viser at norske fagmiljøer allerede kobler sammen ulike modeller i stor grad. Samtidig viser den hvorfor resultatene ikke alltid blir så gode som håpet. Modellene som kobles sammen bygger ofte på ulike antakelser om framtiden. Bare rundt en tredjedel av modellmiljøene oppga at de viktigste forutsetningene var fullt samordnet mellom modellene.

Hvis modellene legger til grunn ulike antakelser om framtidige energipriser, energibruk eller teknologikostnader, kan resultatene bli sprikende eller lite konsistente. Omtrent like mange av miljøene var misfornøyde som fornøyde med tidligere erfaringer med modellkobling.

Et av de viktigste forslagene handler ikke om nye modeller, men om noe mer grunnleggende: bedre samordning av data og forutsetninger. I rapporten foreslår vi en felles «modellhub» der data og scenarioforutsetninger lagres og forvaltes uavhengig av de enkelte modellene. Da kan alle modellene i en analyse bygge på det samme bildet av framtiden.

Billigst er ikke det samme som best

Det finnes også en mer grunnleggende begrensning. De fleste energisystemmodeller er utviklet for å finne de mest kostnadseffektive måtene å dekke energibehovet på. Men virkelige beslutninger handler om mer enn kostnader alene. Prisen på en vindpark sier for eksempel lite om konsekvensene for naturmangfold, landskap eller reindrift. Derfor er ikke den billigste løsningen nødvendigvis den beste eller den som har størst oppslutning i samfunnet.

Undersøkelsen viste at hensyn som naturmangfold, miljøpåvirkning og hvordan mennesker faktisk tar valg, ofte faller utenfor modellene. Naturmangfold er et talende eksempel. Mange modeller tar hensyn til arealbruk, men det betyr ikke nødvendigvis at de fanger opp naturverdiene som finnes i områdene. Ofte representeres naturen gjennom noen få begrensninger eller indikatorer, mens de komplekse sammenhengene mellom arter, naturtyper og økosystemer i liten grad fanges opp.

En lovende vei videre er det som kalles «modelling to generate alternatives». I stedet for å lete etter én billigste løsning, brukes modellen til å finne flere løsninger som koster litt mer. Da blir det lettere å velge alternativer som også tar hensyn til natur, arealbruk, forsyningssikkerhet og andre samfunnsmål. For mange er et litt dyrere energisystem et mye bedre energisystem.

Hvorfor dette angår flere enn modellmiljøet

Energiomstillingen blir stadig mer kompleks. Vi skal elektrifisere transport og industri, bygge ut ny kraftproduksjon og samtidig ta hensyn til natur, arealbruk og forsyningssikkerhet. Derfor blir energisystemmodeller stadig viktigere. Valgene de belyser handler om milliarder av kroner og kan få varige konsekvenser for natur, lokalsamfunn og energisystemet i flere tiår framover.

Rapporten vår viser ikke at energisystemmodeller er «tull med tall». Den gir oss et bedre kart over hvor modellene har sine blindsoner, blant annet knyttet til strømforbruk, strømnett, fleksibilitet og hensyn som ikke kan måles i kroner og øre. Samtidig peker den ut en retning for videre forskning. Vi har identifisert blindsonene. Neste steg er å fylle dem inn.

Pernille M. Sire Seljom leder InterPlays forskningsområde 1: Integrerte energisystemmodeller, og hun er hovedforfatter av FME InterPlay-rapporten «Advancing Integrated Energy System Modelling: Research Gaps and Priorities» (Chang, Seljom, Sazon, Reigstad, Backe & Straus, 2026), den første leveransen fra InterPlays forskningsområde 1. Hele rapporten er tilgjengelig her: Advancing Integrated Energy System Modelling: Research Gaps and Priorities.