Comparative analysis of iterative approaches for incorporating learning-by-doing into the energy system models

Hansung Kim, Hwarang Lee, 구윤모, Dong Gu Choi (2020) · energy · DOI ↗

에너지시스템 모형에 learning-by-doing (LBD) 효과 — 누적 설치량 → 단가 하락 — 를 반영하는 3 가지 반복적 (iterative) 접근법 비교 분석. MIP 기반 정식해와 비교해 myopic iterative + repeat-until-convergence iterative 의 장단점 + 제 3 의 수정 접근법 제안. 계산 부담 완화 + 적용성 증대 가 iterative 의 장점, 정확성 부족 (시기 간 상호작용 미반영) 이 약점. 부적절한 적용 시 예산·정책 시점 결정이 크게 달라짐 — 비효율 예산 발생 위험.

RQ: bottom-up-energy-system-model 에 학습-실행 (learning-by-doing) 을 도입하는 3 가지 iterative approach 의 정확성 vs 계산 부담 trade-off 는?
방법론: mixed-integer-programming (MIP) 기반 정식해 + 3 iterative approaches (myopic, repeat-until-convergence, 수정 iterative) 비교 수치 분석
데이터: 에너지 시스템 모형의 학습 곡선 파라미터 (learning rate) + 누적 설치량 → 단가 함수
주요 발견: (1) MIP 정식 — 정확하나 계산 부담 크고 적용성 낮음. (2) Myopic iterative — 시점별 separately optimize, 시기 간 상호작용 미반영. (3) Repeat-until-convergence — 학습 곡선과 실현된 누적량 의 자기일관성 확보. (4) 본 paper 제안 수정 iterative — 학습 곡선 일관성 문제 해결.
시사점: iterative approach 의 부적절한 적용 이 예산 규모·정책 시점 결정 을 크게 바꿈 — 정책 분석가가 모형 선택 의 의미를 명확히 알아야.

Fig. 1 — MIP vs 3 iterative approaches 의 LBD 수렴 패턴 비교.

요약

이 paper 는 구윤모 의 2 기 (2017-2021) 에너지시스템 모형 방법론 라인의 한 갈래. A bottom-up model of industrial energy system with positive mathematical programming (PMP) + 본 paper (LBD iterative) + A hybrid energy system model to evaluate the impact of climate policy on the manufacturing sector: Adoption of energy-efficient technologies and rebound effects (hybrid) 의 방법론 3 부작. Hansung Kim (POSTECH 박사과정) + Dong Gu Choi (POSTECH 교수) 와의 방법론적 협업.

핵심 — 학습-실행 (learning-by-doing) (LBD) 효과는 t 시점 단가 가 t 시점까지 누적 설치량 의 함수라는 내생성 을 도입해 bottom-up-energy-system-model 을 비선형 으로 만든다. MIP 정식: 모든 시점의 누적량 을 동시에 최적화 — 정확하지만 계산 부담 (binary 변수 폭증). Iterative 대안 1 (myopic): 각 시점 separately solve, 다음 시점 비용은 직전 시점 누적량 으로 calibrate. Iterative 대안 2 (repeat-until-convergence): 전체 시점 LP 로 푼 후 학습 곡선 적용 으로 비용 update → 다시 풀기 → 수렴까지. 수정 iterative (본 paper): 두 기존 방법의 학습 곡선 inconsistency 문제를 해결.

핵심 발견: iterative approach 가 MIP 보다 계산 부담 작고 적용성 높음, 그러나 시기 간 상호작용 을 잡지 못해 예산·정책 시점 결정이 다를 수 있음. 수치 예시에서 최적 정책 수단 도입 시점 이 method 별로 상이 — 정책 분석가가 모형 선택의 의미를 인지해야 비효율적 예산 회피 가능.

구윤모 의 연구 궤적 안에서 이 paper 는 2 기 에너지시스템 모형 방법론 라인의 도구 비교 작업. 후속 Economic impacts of carbon capture and storage on the steel industry: A hybrid energy system model incorporating technological change (2022 CCS 학습효과 내생화) 의 직접 방법론 기반.

핵심 결과

Approach	정확성	계산 부담	적용성	시기 간 상호작용
MIP (정식)	높음	매우 큼	낮음	반영
Myopic iterative	낮음	작음	높음	미반영
Repeat-until-convergence iterative	중간	중간	중간	부분 반영
본 paper 수정 iterative	중상	중간	높음	부분 반영 + 일관성

iterative approach 의 부적절한 적용 이 예산 / 정책 시점 결정 크게 바꿈
정확성과 계산 부담의 trade-off — 정책 분석가의 모형 인식 중요

방법론 노트

학습-실행 (learning-by-doing) 학습 곡선:

c_t = c_0 \left( \frac{Q_t}{Q_0} \right)^{-b} = c_0 (\text{cumulative installed capacity})^{-b}

여기서 $b$ = learning index, $1 - 2^{-b}$ = learning rate (누적량 2 배 시 단가 감소율). 에너지시스템 모형의 기간별 비용 이 이전 모든 기간 의 결정에 의존 — 비선형 + 비분리.

MIP 정식: binary 변수 + linearization → 정확하나 size $\propto$ 시간 × 기술 폭증.

Iterative algorithm (수정):

학습 곡선 무시한 LP 으로 시점별 $Q_t$ 추정
$c_t = c_0 Q_t^{-b}$ 로 학습 비용 update
새 비용으로 LP 다시 풀기
수렴 (∥ $Q_t^{(n+1)} - Q_t^{(n)}$ ∥ < $\varepsilon$ ) 까지 반복

연구 계보

이 paper 는 (i) Wright (1936), Argote & Epple (1990) 의 learning-by-doing 본가, (ii) MARKAL ETL (Loulou et al. 2005) 의 learning curve 내생화 정통, (iii) Heuberger et al. (2017) 의 iterative algorithm 라인 — 의 직접 선행. 구윤모 의 연구 궤적 안에서 2 기 에너지시스템 모형 방법론 라인, 후속 Economic impacts of carbon capture and storage on the steel industry: A hybrid energy system model incorporating technological change (2022 CCS 학습) 의 도구 기반.

인접 그래프

1-hop 이웃 10개

인물 4
주제 1
수록처 1
논문 4

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

Comparative analysis of iterative approaches for incorporating learning-by-doing into the energy system models

요약

핵심 결과

방법론 노트

연구 계보

See also

인접 그래프

이 문서를 가리키는 페이지

논문 (2)