Opschalen gaat beter met kleinere units

Leercurven uit onderzoek tonen lagere opschaalkosten bij kleine units

In het kader van de energietransitie en het Klimaatakkoord wordt er hard gewerkt aan nieuwe, duurzame technologieën. Eenmaal volwassen is het een zaak van zo snel mogelijk opschalen. De bijhorende kosten zijn onder meer afhankelijk van de snelheid waarmee wetenschappers tijdens die opschaalfase kunnen leren en verbeteringen kunnen doorvoeren. Op basis van een onderzoek door wetenschappers Bart Sweerts, Remko Detz en Bob van der Zwaan, lijken die kosten lager te zijn wanneer in de opschaalfase wordt gewerkt met kleine unitgroottes in grote aantallen in plaats van units met een steeds grotere capaciteit.

 

Learning by doing

De wetenschappers Bart Sweerts, Remko Detz en Bob van der Zwaan zijn vanuit hun functie bij verschillende instanties betrokken bij de ontwikkeling van technologieën die samenhangen met duurzame energievoorzieningen (zie kader). Remko Detz: “Onder meer door het Klimaatakkoord is de aandacht voor dit type ontwikkeling groot; zowel ten aanzien van de energievraag, de opslag als de opwekking van duurzame energie. Daarbij is iedereen zich bewust van het feit dat het belangrijk is om geschikt bevonden technologieën zo snel mogelijk op te schalen. Tijdens het opschalen vindt ‘learning by doing’ plaats. Dit betekent dat mensen leren en verbeteren gedurende alle processen en innovaties rondom een technologie. Zowel in de laboratorium- als de exploitatiefase. Dit leerproces gaat door tot de gewenste of benodigde capaciteit is bereikt.”

Leercurve

De kostenreducties ten aanzien van de toepassing van een bepaalde technologie die behaald worden tijdens dit leerproces, bepalen de zogenaamde ‘leercurve’. In de literatuur wordt de leercurve, zijnde: de empirisch waargenomen historische ervaringen met betrekking tot een bepaalde technologie, veelal uitgedrukt door de geïnstalleerde capaciteit gedurende de tijd cumulatief weer te geven (Cumulative Installed Capacity of kortweg: CIC) in relatie tot de kosten. De leerratio (Learning Rate of LR) komt vervolgens overeen met de steilheid van de curve en wordt meestal uitgedrukt in de mate waarin de kosten veranderen bij het verdubbelen van de CIC (in procenten). Wanneer een leercurve eenmaal is vastgesteld op basis van historische data, is het mogelijk om de kosten te voorspellen die gepaard gaan met verdere groei van die technologie.

Hoe belangrijk deze kennis is, blijkt uit het volgende voorbeeld. Gegeven: een energietechnologie waarvan de capaciteit wordt opgeschaald van 1 MW naar 1 TW CIC. Deze verdubbeling van ongeveer twintig keer is reëel en illustratief voor de opschaling van succesvolle technologieën in de energiesector. Wanneer de leercurve 4% bedraagt, zullen de kosten voor iedere extra geïnstalleerde MW – vanaf het punt dat de 1 TW is bereikt – 38 keer hoger zijn dan bij een leercurve van 20%. De kosten die betrekking hebben op het traject van 1 MW naar 1 TW zullen in het eerste geval 25 keer hoger liggen. De leercurve is dus niet zomaar een getal maar een factor om serieus rekening mee te houden. Zeker wanneer snelheid bij de opschaling is gewenst.

Leercurve methode bij opkomende technologieen

Om een betrouwbare leercurve te kunnen vaststellen voor een specifieke technologie, is het noodzakelijk om empirische gegevens te verzamelen van meervoudige verdubbelingen van de CIC. Idealiter is de capaciteitsvermeerdering in een aantal ordes van grootte.

Remko Detz: “Deze voorwaarden maken het relatief lastig om de leercurve op te stellen voor opkomende technologieën voor duurzame energiesystemen zoals de systemen waarmee wij bezig zijn. Data voor kosten en capaciteiten zijn immers in onvoldoende mate beschikbaar omdat deze technologieën zich nog in de beginfase van hun ontwikkeling bevinden. Daarbij is het lastig dat de wetenschap van vele factoren die een rol spelen in de leercurve, nog niet begrijpt hoe deze van invloed zijn op de verschillen in leercurven. Laat staan dat we exact weten wat de invloed is van combinaties van factoren op de bij­horende kosten van de ontwikkeling van nieuwe technologieën. Om deze reden zijn we op zoek gegaan naar andere fysieke aspecten die indicatief zijn voor de leercurve van een technologie.”

Grootte van de units

Inspiratie voor het bijbehorende onderzoek is onder meer ontstaan toen Bob van der Zwaan betrokken raakte bij het werk van Eric Dahlgren en Klaus Lackner tijdens zijn periode aan Columbia University in New York (Dahlgren et al.). Zij onderzochten de traditionele focus op schaalvoordelen van individuele stroomgeneratoren door deze onder te verdelen in schaalvoordelen die ontstaan door de individuele generatoren te vergroten en voordelen die ontstaan door grotere aantallen van juiste kleinere exemplaren te maken. Dahlgren et al. geven aan dat de behaalde kostenreductie in beide gevallen ongeveer hetzelfde is en dat “groter is beter” dus niet per se opgaat. [1] Remko Detz: “Traditioneel neigen we naar het vergroten van units omdat het logisch lijkt dat nieuwe technologieën hiermee zo kostengunstig mogelijk zijn op te schalen. Anderzijds is er iets voor te zeggen om de technologieën juist in kleinere producten toe te passen en deze vervolgens in grotere aantallen te produceren. Pv-panelen zijn bijvoorbeeld in een kleinere uitvoering eenvoudiger aan te passen – en hiermee te verbeteren – waardoor de snelheid waarmee de technologie zich richting een volwassen stadium beweegt toeneemt. Dit maakt het ook eenvoudiger om in een vroeg stadium onbruikbare of ongunstige ontwerpen te schrappen en bovendien: massaproductie en automatisering maken een snellere en robuuste implementatie van innovaties mogelijk en leiden zo eveneens tot een steilere leercurve. Tot slot zijn er voordelen te behalen door grotere flexibiliteit die gepaard gaan met kleinere units. Zo zijn ze soms makkelijker te produceren of op locatie te monteren of te implementeren. Dit levert tevens financiële voordelen op.”

Literatuurstudie

Om hun gedachtegang te staven, hebben de drie wetenschappers uit de wetenschappelijke literatuur data gedestilleerd van een groot aantal verschillende energietechnologieën die leercurves behandelen. Deze data zijn geanalyseerd waarna de bijbehorende leercurven zijn opgenomen in een lijst die in drie technologie categorieën is verdeeld: energievraag, energieopslag en energielevering. Technologieën die horen bij de energievraag betreffen uiteenlopende thuistoepassingen, transportvoertuigen en verwarmingsmechanismen. Energieopslag gaat over verschillende soorten batterijen, elektrolysers, brandstofcellen en hydro-elektrische systemen (waterkracht).

Tot de energieleveranciers behoren diverse hernieuwbare energietechnologieën, nucleaire elektriciteitsopwekking en elektriciteitscentrales op fossiele brandstoffen. Tabel 1 geeft een overzicht van de verzameling leercurves waaruit onder meer is op te merken dat binnen alle categorieën grote verschillen bestaan tussen de steilste en de vlakste leercurve.

 

 

Steilere leercurve voor kleinere unitgrootte

De onderzoekers maakten een inschatting van de individuele grootte in MW voor 41 technologieën en legden op basis van deze gegevens een relatie tussen de leercurve van ieder van de 41 technologieën en de unitgrootte. De resultaten van de drie categorieën samen zijn weergegeven in Figuur 1.

De vraaggrafiek kenmerkt zich door het grootste aantal hoge leerratio’s: acht van de achttien technologieën hebben hier een leerratio van meer dan 20% terwijl hier ook het grootste aantal kleinere unitgroottes voorkomt. In de twee andere categorieën zijn mindertechnologieën die de leerratio van 20% overstijgen. Bij energieopslag hebben lithium-ion batterijen de hoogste leerratio terwijl de lijst in de categorie productie wordt aangevoerd door PV-panelen. De slechtst scorende technologie ten aanzien van de leercurve betreft waterkracht.

 

Leercurve pv

Een van de mooiste leercurven die we kennen uit het hoofdstuk ‘ontwikkeling duurzame energietechnologieën’ is die van PV. Dit hangt samen met het feit dat er vanaf het begin van de ontwikkeling van deze technologie data beschikbaar zijn over kosten en jaarlijkse capaciteit addities. Het gaat hierbij dan vooral om de leercurve waarin de moduleprijs wordt uitgezet tegen de cumulatieve verzendingen van modules; dus niet totale kosten voor pv. De leercurve laat gemiddeld een LR zien van circa 23% (wat al redelijk hoog is). De laatste circa 10 jaar lijkt er een knik in de curve te zijn gekomen die zelfs een LR van 40% laat zien. Kortom, de LR van pv is hoog en is wellicht te verklaren door de kleine unit-size. Figuur afkomstig uit presentatie van Markus Fischer gehouden op de 11e editie van ITRPV. Webseminar van 9 juni 2020

In cijfers

Gemiddeld genomen is op basis van de grafiek te concluderen dat de leerratio bij technologieën met een kleinere unitgrootte (< 10 kW) gemiddeld hoger is (LR > 17%) ten opzichte van technologieën met een gemiddelde grootte (10 kW – 100 MW; 11% < LR < 17%) en grote afmetingen (> 100 MW, LR < 11%). Hoewel de correlatie niet sterk is (R2 = 0.22), lijkt het er toch op dat er een verband bestaat: de kosten die gepaard gaan met het opschalen van kleinere units in grote aantallen leidt tot snellere kostenreductie dan het vergroten van de capaciteit per unit. Dit als gevolg van een steilere leercurve voor technologieën met een kleinere unitgrootte. Remko Detz: “Deze voorzichtige conclusie pleit ervoor dat bij opkomende technologieën de aandacht van wetenschappers en systeembouwers zich wellicht meer moet richten op het beperken van de unitgrootte en het produceren van grotere aantallen. Niet alleen met betrekking tot het verbeteren van de leercurve, maar tevens omdat dit kan leiden tot een snellere adoptie van de technologie. De bijbehorende investeringsrisico’s zijn immers veel lager.”

 

 

 

Meer onderzoek nodig

Hij vervolgt: “We beseffen natuurlijk goed dat de conclusie nog niet ‘keihard’ is. Daarvoor speelden er tijdens het onderzoek nog te veel onzekerheden. Zo is er een groot aantal verschillende methodes in de literatuur te vinden waarmee leercurves worden berekend. Dit maakt het direct al lastig om de leercurven van verschillende technologieën onderling te vergelijken. Bovendien blijft de vraag of het wel relevant is om een verband te zoeken tussen unitgrootte en leercurve aangezien het verband niet voor elke individuele technologiecategorie aanwezig is. Ten derde is het niet altijd duidelijk wat nu precies de factoren zijn die de kosten verlagen; terwijl dit toch de gegevens zijn waarop de meeste leercurven zijn gebaseerd. Tot slot willen we opmerken dat de potentie van ‘learning by doing’ significant varieert bij de verschillende technologieën in de verschillende fasen van volwassenheid. Kortom: er zal meer onderzoek nodig zijn om deze onzekerheden weg te nemen of te verkleinen zodanig dat er een meer eenduidige en betrouwbaarder conclusie kan worden getrokken ten aanzien van het verband tussen unitgrootte, leercurve en kosten. Tot die tijd denk ik echter dat het zeker een factor is die gedurende de ontwikkeling en opschaling van een technologie moet worden meegenomen.”

 

 

 

Over Bart Sweerts

Bart Sweerts werkte als junior onderzoeker bij de afdeling energietransitie van TNO. Hier richtte hij zich op de ontwikkeling van energietechnologieën en de implementatie ervan. Op dit moment werkt Bart bij Shell waar hij zich bezighoudt met optimalisatie van assets.

Over Remko Detz

Remko Detz werkt als wetenschapper bij de afdeling energietransitie van TNO en tevens als gastwetenschapper bij de Universiteit van Amsterdam. Zijn onderzoek richt zich op de ontwikkeling van energietechnologieën vanaf de eerste onderzoeksfase tot aan een volledig, in de samenleving geïntegreerd systeem. Zijn interesse gaat vooral uit naar hernieuwbare brandstoffen en materialen.

Over Bob van der Zwaan

Bob van der Zwaan is hoofdonderzoeker bij de afdeling energietransitie bij TNO, professor duurzame energietechnologie aan de Universiteit van Amsterdam en adjunct professor van de afdeling International Relations aan de Johns Hopkins University’s School of Advanced Interna­tional Studies in Bologna. Hij is opgeleid in natuurkunde (Utrecht en CERN), economie (Cambridge) en internationale betrekkingen (Geneva) en bekleedt functies in Columbia, Harvard en Stanford Universities.

Referenties

[1] Eric Dahlgren, Caner Göçmen, Klaus Lackner & Garrett van Ryzin, Small Modular Infrastructure, The Engineering Economist, 58:231–264, 2013

Dit artikel is gebaseerd op het artikel ‘Evaluating the role of unit size in learning-by- doing of energy technologies’; verschenen in Joule 4, 967–974, May 20, 2020 ª 2020 Elsevier Inc.