An Analysis on the Unplanned Outage Occurrence Rates of Korean and Taiwan Nuclear Power Plants

Seong-Yun Shin, 허은녕 (1999) · Geosystem Engineering 2(1):26-29 · DOI ↗

한국·대만 가압경수로 (PLWR) 원전의 unplanned outage 발생률 차이를 학습효과로 설명할 수 있는가를 검정한다. operating cycle 자체가 운영자의 학습 의사결정 결과라는 통찰에서, count 변수와 duration 변수를 jointly modeling 하는 Poisson-Weibull 결합 모형을 제안하고 BUGS 의 깁스 샘플링 으로 추정한다. 누적 운전시간 (Sumup) 의 계수가 음(-)으로 유의하게 reliability 향상을 보이며, Taiwan dummy 의 양(+) 계수는 학습효과가 한국 원전에서 더 크게 나타남을 시사한다.

• RQ: 한국과 대만 원전의 unplanned outage 발생률 차이가 학습효과 (learning by doing) 의 국가간 격차로 설명될 수 있는가? operating cycle 길이 결정에도 학습효과가 반영되는가?
• 방법론: count-data-model, poisson-regression, weibull-duration-model, 깁스 샘플링 (BUGS), bayesian-inference
• 데이터: 한국 8 기 + 대만 2 기 PLWR 원전 (1970-1980년 사이 운영 개시), IAEA PRIS (Power Reactor Information System) 월별 운전일·outage 일지. 첫 fuel cycle 제외 (운영 초기 특수성)
• 주요 발견: Sumup 계수 -0.0764 (유의) — 누적 경험으로 reliability 향상; Taiwan dummy +0.0249 (유의) — Taiwan 원전에서 Sumup 효과가 더 작음; Expersite -0.0293 (유의) — 같은 사이트 다른 원전 경험도 학습 전이; Weibull shape ν = 7.27 > 1 — 운전기간 길수록 refueling outage hazard 증가
• 시사점: 원전 reliability 학습효과는 capacity factor 회귀의 spurious 학습이 아니라 count + duration 결합 모형으로 식별해야 하며, 한국이 도입한 원전 운영 학습이 대만보다 더 효과적이었음을 정량 확인

요약

허은녕 의 1기 (1998-2008) 분석 도구 확립기에서 nuclear-energy-economics 정량 연구의 출발점이 되는 paper. 기존 NPP 학습효과 연구 (Joskow-Rozanski 1979, Lester-McCabe 1993) 는 capacity factor / availability 를 선형 회귀로 분석했으나, Sturm (1991) 이 지적했듯이 production dynamics 를 무시한 이 framework 은 학습이 없을 때조차 spurious 학습효과를 잡아내는 문제가 있었다. 본 연구는 이를 우회하기 위해 unplanned outage hazard 감소를 reliability 학습의 직접 지표로 삼고, count 변수와 operating cycle duration 을 jointly modeling 하는 새 framework 을 제안한다. 핵심 통찰은 operating cycle length 자체가 운영자의 학습 기반 의사결정 (언제 refueling 을 할지) 의 결과라는 점이다.

저자들은 poisson-regression 의 intensity rate $\lambda$ 와 weibull-duration-model 의 hazard scale $\nu$ 모두에 설명변수를 exponential 형태로 삽입했다. likelihood 의 joint 형태가 복잡해지는 문제는 conditional density 만 사용하는 깁스 샘플링 (BUGS 소프트웨어) 로 회피했다. 데이터는 IAEA PRIS 의 한국 8 기 + 대만 2 기 가압경수로 (PLWR) — 양국 모두 자원 빈국으로 원전 의존도가 높고 경제 발전 단계가 유사해 의사결정 heterogeneity 통제가 용이하다. 첫 fuel cycle 의 outage 가 비정상적으로 많아 normal 운영 학습 측정에 noise 가 되므로 제외했다. 결과는 일관되다 — Sumup 의 -0.0764 계수는 누적 운전시간 1 단위 증가 시 outage intensity 가 약 7.4% 감소한다는 의미이고, Taiwan dummy 의 +0.0249 는 이 학습효과가 대만에서 그만큼 약화됨을 보여준다. Expersite 계수도 -0.0293 로 유의해, 같은 site 의 다른 plant 경험까지 학습 전이가 일어남이 확인된다 (대만은 sample plant 가 2 기뿐이라 site dummy 유의성 검정 불가).

본 연구의 한계는 명확하다 — 대만 sample 크기 (2 기) 가 작아 site-specific 효과 비교가 제한적이고, PRIS 데이터의 outage 원인 분류 (mechanical vs operator error) 를 활용하지 않아 학습이 어느 채널을 통해 작동하는지 미시 메커니즘은 미분리 상태로 남는다. 그럼에도 동일 framework 을 Estimating learning effects on nuclear power plants: A count data model with a varying time interval as a duration variable 가 Applied Economics Letters 에 publish 함으로써 허은녕 의 NPP 학습효과 연구 라인이 확립됐다.

핵심 결과

모형 추정 (BUGS Gibbs sampling, posterior mean ± SE)

변수	추정치	Std. Error	Z-value
Constant	0.2042	0.1165	0.139
Sumup (cum. operating time)	−0.0764	0.0367	0.172
Expersite (site-share exp.)	−0.0293	0.0090	−0.263
Taiwan × Sumup	+0.0249	0.0105	−0.282
Sumup$^w$ (Weibull duration)	+0.1049	0.0514	0.407
Taiwan$^w$ × Sumup	+0.0153	0.0910	0.160
Expersite$^w$	+0.0070	0.0131	−0.627
Weibull shape $\nu$	7.2660	0.6640	−0.556

해석: (i) Sumup 의 음(-) 계수는 reliability 가 누적 경험과 함께 증가 — 학습효과의 직접 증거. (ii) Taiwan 양(+) 더미는 대만 plant 의 Sumup 효과 절댓값이 한국보다 작음을 의미. (iii) Expersite 의 음(-) 계수 (한국) 는 같은 사이트 내 다른 plant 운영 경험이 reliability 향상에 기여. (iv) $\nu \approx 7.3 > 1$ 은 operating spell 이 길어질수록 refueling outage hazard 증가 — 합리적. (v) Weibull 의 Sumup$^w$ 양(+) 계수: 누적 경험으로 operating cycle 자체가 길어지며 가동률 향상 가능. (vi) Taiwan$^w$ 더미는 유의하지 않아, cycle 길이 결정 채널의 학습 차이는 검정되지 않음 — 학습효과는 reliability hazard 채널에 한정.

방법론 노트

기존 capacity-factor 선형 회귀가 학습 없는 경우에도 spurious 학습계수를 산출하는 문제를 우회하려면 count 변수와 시간구간의 stochastic 본질을 함께 모형화해야 한다. operating cycle 자체가 운영자의 의사결정 산물이므로 duration 도 종속변수가 된다.

핵심 식 — Poisson count 와 Weibull duration 의 결합 conditional density:

$$f(y_i \mid t_i, \lambda_i) \sim \text{Poisson}(\lambda_i t_i), \quad f(t_i \mid \gamma, \nu) \sim \text{Weibull}(\gamma, \nu)$$

여기서 $y_i$ 는 $i$ 번째 cycle 의 unplanned outage 수, $t_i$ 는 두 refueling 사이 operating spell 길이, $\lambda_i = \exp(x_i^o \beta^o)$ 는 outage intensity rate, $\nu = \exp(x_i^d \beta^d)$ 는 hazard scale, $\gamma$ 는 Weibull shape parameter.

식별 전략은 두 가지 경험 변수 (Sumup = 자기 plant 누적 운전시간, Expersite = 같은 site 의 다른 plant 누적 운전시간) 를 $x_i^o, x_i^d$ 양쪽에 동시 투입해 reliability 채널 (outage hazard 감소) 과 cycle 길이 결정 채널 (refueling timing) 의 학습효과를 분리 추정. joint density 가 닫힌 형태로 도출되지 않으므로 bayesian-inference 의 깁스 샘플링 으로 conditional 분포만으로 추정. BUGS 의 그래프 표현 $P(V) = \prod_v P(v \mid \text{parent}[v])$ 가 복잡 모형의 modular 구축을 가능하게 함. 수렴 검정은 Geweke (1992) 의 Z 통계량 사용, 모든 추정치 |Z| < 2 로 수렴 확인.

연구 계보

본 paper 는 NPP 학습효과의 capacity-factor 선형회귀 전통 (Joskow-Rozanski 1979 RES; Lester-McCabe 1993 RAND J. Econ.) 의 spurious 학습 문제 (Sturm 1991 박사논문, Stanford) 를 count + duration 결합으로 우회한다. 방법론은 Hausman-Hall-Griliches (1984 Econometrica) 의 count data 전통과 King (1989) 의 unified methodology 를 잇고, BUGS 의 Bayesian Gibbs sampling 구현 (Spiegelhalter et al. 1996) 을 사용했다. 허은녕 의 1기 (1998-2008) 분석 도구 확립기의 NPP reliability 학습 라인 첫 paper 로, 자매작 Estimating learning effects on nuclear power plants: A count data model with a varying time interval as a duration variable 가 동일 모형을 Applied Economics Letters 에 동시 publish 했다.

See also

• 허은녕
• Estimating learning effects on nuclear power plants: A count data model with a varying time interval as a duration variable
• Geosystem Engineering
• count-data-model
• poisson-regression
• weibull-duration-model
• 깁스 샘플링
• bayesian-inference
• nuclear-energy-economics
• 학습곡선

인접 그래프

1-hop 이웃 8개

• 인물 2
• 방법론 2
• 수록처 2
• 분류 1
• 논문 1

↻ 초기화

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

이 문서를 가리키는 페이지

논문 (1)

• Estimating learning effects on nuclear power plants: A count data model with a varying time interval as a duration variable