Optimising for the long game: methodological challenges in energy system optimisation pathways

당신이 오늘부터 2050 년까지 이어지는 거대한 대륙 횡단 도로 여행을 계획하려 한다고 상상해 보세요. 당신은 어떤 차를 사야 할지, 어떤 도로를 건설해야 할지, 그리고 어디에서 주유를 해야 할지 결정해야 하며, 동시에 가능한 한 최소한의 비용만 지출하고 공기를 오염시키지 않으려 노력해야 합니다.

이는 본질적으로 국가들을 위해 **에너지 시스템 최적화 모델 (ESOMs)**이 수행하는 작업입니다. 이러한 컴퓨터 프로그램은 정부와 과학자들이 '네트 제로 (net-zero)'와 같은 기후 목표를 달성하기 위해 수십 년에 걸쳐 전력망과 같은 에너지 시스템이 어떻게 진화해야 하는지 '경로 (pathway)'를 그려내는 데 사용됩니다.

이 논문은 '검토들의 검토 (review of the reviews)'입니다. 저자들은 수백 개의 이러한 컴퓨터 모델을 분석하여 모델을 구축하는 사람들 (모델러) 이 실제로 계산을 어떻게 설정하는지 살펴보았습니다. 그들은 모두가 같은 거대한 문제를 해결하려 노력하고 있지만, 그들이 수학을 설정하는 방식에는 종종 컴퓨터를 속여 오해의 소지가 있는 답변을 내놓게 만드는 숨겨진 결함이 있음을 발견했습니다.

다음은 이 논문이 식별한 네 가지 주요 '함정'으로, 간단한 비유를 통해 설명합니다:

1. '수정구' 문제 (예측)

문제: 컴퓨터가 미래를 얼마나 많이 '볼 수' 있는가?

• 완벽한 예측 (Perfect Foresight): 컴퓨터가 수정구를 가지고 있다고 상상해 보세요. 이 수정구는 2040 년의 휘발유 가격이 정확히 얼마가 될지, 새로운 법률이 언제 통과될지, 그리고 오래된 발전소가 언제 고장 날지 정확히 알고 있습니다. 모든 것을 알기 때문에, 컴퓨터는 수학적으로 '완벽한' 계획을 수립합니다.
  • 문제점: 실제 사람들은 수정구를 가지고 있지 않습니다. 만약 모델이 완벽한 지식을 가정한다면, 2030 년에 휘발유 가격이 비싸질 것을 '알고' 있기 때문에 오늘날 거대한 태양광 농장을 건설할 것을 제안할 수 있습니다. 하지만 실제로는 불확실성 때문에 그것을 건설하지 않을 수도 있습니다. 이는 계획을 지나치게 낙관적으로 보이게 만듭니다.
• 근시안적 (Myopic) 예측: 컴퓨터가 눈가리개를 하고 앞의 몇 걸음만 볼 수 있다고 상상해 보세요. 이는 오늘의 가격만을 기준으로 결정을 내립니다.
  • 문제점: 이는 더 현실적이지만, 장기적으로 나쁜 선택을 초래할 수 있습니다. 컴퓨터는 내년에 더 나은 기술이 등장할 것을 '알지 못하기' 때문에, 오늘 저렴한 석탄 화력 발전소를 건설할 수 있으며, 이는 우리를 더러운 시스템에 묶어둘 수 있습니다.

결론: 대부분의 모델은 계산이 쉽기 때문에 '수정구' 접근 방식 (완벽한 예측) 을 사용하지만, 이는 실제 정책 입안자들이 어떻게 행동하는지를 반영하지 못합니다.

2. '영화의 끝' 문제 (종단 효과)

문제: 영화가 끝날 때 무슨 일이 일어나는가?
40 년간의 도로 여행을 계획하고 있지만, 지도가 2050 년까지만 표시되어 있다고 상상해 보세요.

• 왜곡: 컴퓨터가 2050 년에 가까워질수록 미친 듯이 행동하기 시작합니다. "이봐, 지도가 여기서 끝나는구나! 20 년간 지속되는 차를 살 필요가 없어. 영화가 끝나면 더 이상 사용하지 않을 테니까."라고 생각하게 됩니다.
• 결과: 컴퓨터는 장기 유지보수 비용을 지불할 필요가 없기 때문에, 기간의 끝 직전에 천연가스 터빈과 같은 값싸고 수명이 짧은 차를 구매하기로 선택할 수 있습니다. 풍력 터빈이나 수력 댐과 같은 비싸고 오래 지속되는 투자는 '영화'가 스스로 비용을 회수하기 전에 끊겨 버린다면 돈 낭비처럼 보이므로 무시합니다.
• 해결책: 장기 투자의 전체 가치를 보려면 지도를 2050 년 이후까지 계속 이어가야 합니다. 이 논문은 대부분의 모델이 목표 연도 (예: 2050 년) 에서 바로 멈추는 것을 발견했는데, 이는 장기적인 해결책에 대해 편향을 만듭니다.

3. '흐릿한 사진' 문제 (해상도)

문제: 그림이 얼마나 상세한가?
수학을 빠르게 실행하기 위해 모델러들은 종종 세부 사항을 흐리게 처리해야 합니다.

• 시간적 흐림: 매시간마다 날씨와 에너지 수요를 확인하는 대신, 모델은 한 달에 한 번이나 일 년에 한 번만 확인할 수 있습니다. 이는 움직이는 차가 흐릿하게 보이는 사진을 보는 것과 같습니다. 오후 2 시에 바람이 멈추는 것을 놓칠 수 있으며, 이는 실제 생활에서 작동하지 않는 계획으로 이어질 수 있습니다.
• 공간적 흐림: 모든 마을과 전력선을 살펴보는 대신, 모델은 전체 국가를 하나의 거대한 평평한 덩어리로 취급할 수 있습니다.
• 절충: 이 논문은 이상한 경향을 발견했습니다. 모델은 단기 세부 사항 (시간별 날씨) 을 보는 데는 더 나아지고 있지만, 장기 세부 사항 (수십 년 간의 투자) 을 보는 데는 더 나빠지고 있습니다. 이는 향후 5 분에 대해서는 초점이 선명한 카메라를 가지고 있지만, 향후 50 년에 대해서는 매우 흐릿한 렌즈를 가지고 있는 것과 같습니다.

4. '기다리기 게임' 문제 (투자 역학)

문제: 컴퓨터가 더 좋은 거래를 기다리는가?
컴퓨터가 (또는 추측하여) 태양광 패널이 미래에 더 저렴해질 것을 안다면, 오늘날 아무것도 하지 않고 기다리기로 결정할 수 있습니다.

• 함정: 실제 세계에서는 기술이 개선되기를 '기다리기'만 할 수 없습니다. 우리는 사용법을 배우고 가격을 낮추기 위해 지금 인프라를 건설해야 합니다 (이를 '실천을 통한 학습 (learning by doing)'이라고 합니다).
• 결론: 대부분의 모델은 이를 고려하지 않습니다. 마치 무료로 등장할 '유니콘' 기술을 기다리는 것처럼 행동합니다. 이는 기후 목표에 위험한 행동 지연으로 이어지는 계획을 초래합니다.

큰 그림 결론

저자들은 330 편의 연구를 검토한 결과, 이러한 컴퓨터 모델들이 더 강력해지고 있지만, 이를 설정하는 데 사용하는 규칙은 충분히 개선되지 않았음을 발견했습니다.

• 투명성은 낮음: 많은 연구들이 이러한 규칙을 어떻게 설정했는지 명확히 설명하지 않아 정책 입안자들이 결과를 신뢰하기 어렵습니다.
• '적정점 (Sweet Spot)'의 부재: 우리는 장기적인 계획을 세울 수 있을 만큼 충분히 먼 미래를 내다볼 수 있지만, 동시에 비현실적인 '수정구' 지식을 가정할 만큼 너무 먼 미래까지 보지 않는 모델이 필요합니다. 또한 '영화'가 갑자기 끝나지 않도록 해야 합니다. 그렇지 않으면 장기적으로 실패하는 단기적인 해결책으로 가득 찬 계획으로 끝나게 될 것입니다.

간단히 말해: 이 논문은 이러한 컴퓨터 모델을 마법 같은 블랙박스처럼 취급하는 것을 멈춰야 한다고 주장합니다. 내부의 '게임 규칙'을 설정하는 방식에 훨씬 더 신중해야 합니다. 그렇지 않으면 그들이 제안하는 '최적의' 경로가 실제로 우리를 절벽으로 이끌 수 있습니다.