Robust Decision-Making for Long-Term Energy Transitions : advancing methods to address deep uncertainty in energy system models

Abstract

Las transiciones energéticas están cada vez más condicionadas por la incertidumbre en torno a la evolución tecnológica, climática, económica y social. En contextos de incertidumbre profunda, los modelos de planificación energética tradicionales—habitualmente basados en supuestos deterministas o probabilísticos—pueden generar estrategias frágiles o desalineadas con la complejidad real. Esta tesis desarrolla y aplica un conjunto de marcos metodológicos orientados a mejorar la robustez, la credibilidad y la relevancia para la toma de decisiones de la planificación energética a largo plazo. Una contribución central de la tesis es el desarrollo de openMASTER, un modelo nacional de optimización energética modular, de código abierto y con un alto nivel de detalle estructural. openMASTER incorpora características avanzadas como la demanda expresada en términos de servicios energéticos, la representación endógena de dinámicas de comportamiento, el tratamiento de vintages tecnológicos y desmantelamientos, la flexibilidad operativa mediante hibernación y reactivación de tecnologías, así como restricciones sobre materias primas. El modelo permite realizar análisis transparentes, extensibles y reproducibles de trayectorias de transición, al tiempo que facilita la integración de metodologías avanzadas de apoyo a la decisión. A partir de esta plataforma de modelado, la tesis introduce tres enfoques metodológicos. El primero es un algoritmo de optimización híbrido que combina optimización robusta y minimax regret, lo que permite aplicar preferencias diferenciadas a las incertidumbres que afectan a la viabilidad del sistema (por ejemplo, la demanda o la disponibilidad de recursos) y a aquellas que influyen en su rendimiento (como los costes). Este marco evita tanto un exceso de conservadurismo frente a la incertidumbre económica como la exposición a vulnerabilidades de inviabilidad, generando estrategias de transición más equilibradas y creíbles. La segunda aportación aborda una simplificación común en los modelos energéticos: la suposición de independencia entre parámetros inciertos. Para superarla, se aplica un método basado en análisis de componentes principales (PCA) que permite incorporar correlaciones empíricamente informadas entre variables como los costes tecnológicos o los precios de los combustibles en marcos de planificación robusta. Al preservar la estructura interna de las incertidumbres, este enfoque modifica de manera sustancial el diseño de estrategias robustas y subraya la importancia de modelar futuros estructuralmente consistentes. El tercer avance metodológico es un marco de apoyo a la decisión basado en escenarios para diseñar paquetes de políticas robustos frente a múltiples objetivos. Combina modelado exploratorio, análisis de importancia de variables mediante SHAP y métricas de robustez multiobjetivo para construir de manera sistemática carteras de políticas que mantengan un desempeño satisfactorio incluso bajo condiciones adversas. Aplicado a un caso de estudio nacional, este enfoque identifica combinaciones coherentes de políticas—en lugar de instrumentos aislados—que contribuyen simultáneamente a la descarbonización, la calidad del aire, los costes y la seguridad energética en condiciones de incertidumbre. En conjunto, estas contribuciones conforman una caja de herramientas original y coherente para la planificación energética robusta, fundamentada tanto en la innovación conceptual como en la aplicabilidad práctica. La tesis demuestra cómo la combinación de avances estructurales en los modelos con un tratamiento riguroso de la incertidumbre permite mejorar la robustez, la interpretabilidad y la credibilidad del apoyo a la decisión. Las metodologías desarrolladas ofrecen un alto potencial de aplicación a desafíos reales, como la descarbonización de sectores de difícil abatimiento, el diseño de estrategias robustas para una movilidad sostenible—incluyendo la planificación de infraestructuras de recarga, los cambios modales y las transiciones de comportamiento bajo incertidumbre—o la gestión estratégica de las dependencias de materiales críticos. Al tender puentes entre la innovación metodológica y las necesidades prácticas de decisión, este trabajo contribuye al desarrollo de estrategias de transición energética más resilientes, transparentes y adaptativas, capaces de resistir una incertidumbre profunda y en constante evolución.

Energy system transitions are increasingly shaped by uncertainty about future technological, climate, economic, and social developments. Under such deep uncertainty, traditional energy planning models—typically based on deterministic or probabilistic assumptions—can produce strategies that are fragile or misaligned with real-world complexity. This thesis develops and applies a set of methodological frameworks to improve the robustness, credibility, and decision relevance of long-term energy planning. A central contribution of the thesis is the development of openMASTER, a modular, open-source, and structurally detailed national energy system optimization model. openMASTER incorporates advanced features such as energy service-based demand, endogenous behavioral dynamics, technology vintages and decommissioning, operational flexibility through technology hibernation and reactivation, and raw material constraints. The model enables transparent, extensible, and reproducible analyses of transition pathways while supporting the integration of advanced decision-support methodologies. Building on this modeling platform, the thesis introduces three methodological approaches. The first is a hybrid optimization algorithm that combines robust optimization and minimax regret, allowing decision-makers to apply differentiated preferences across uncertainties that affect system feasibility (e.g., demand or resource availability) and those that affect performance (e.g., costs). This framework avoids both excessive conservatism regarding economic uncertainty and protection against vulnerability to infeasibility, resulting in more balanced and credible transition strategies. The second contribution addresses a common oversimplification in energy models: the assumption of independence among uncertain parameters. A PCA-based method is applied to incorporate empirically-informed correlations between variables such as technology costs and fuel prices into robust planning frameworks. By preserving the internal structure of uncertainties, this approach significantly alters the design of robust strategies and highlights the importance of modeling structurally consistent futures. The third methodological advance is a scenario-based decision-support framework to design robust policy packages across multiple objectives. It combines exploratory modeling, SHAP-based feature importance analysis, and multi-objective robustness metrics to systematically construct policy portfolios that perform satisfactorily even under adverse conditions. Applied to a national case study, this approach identifies coherent policy combinations—rather than isolated instruments—that support decarbonization, air quality, cost, and energy security under uncertainty. Together, these contributions form a coherent and original toolbox for robust energy planning, grounded in both conceptual innovation and practical applicability. The thesis demonstrates how combining structural modeling advances with rigorous treatment of uncertainty enhances the robustness, interpretability, and credibility of decision support. The methodologies developed in this thesis offer significant potential for application to pressing real-world challenges, such as the decarbonization of hard-to-abate sectors, the design of robust strategies for sustainable mobility—including the planning of charging infrastructure, modal shifts, and behavioral transitions under uncertainty—, or the strategic management of dependencies on critical materials. By bridging methodological innovation and practical decision needs, this work contributes to the development of more resilient, transparent, and adaptive energy transition strategies capable of withstanding deep and evolving uncertainty.