Bridging the climate to energy data gap: simulated annealing for representative climate year selection

본 연구는 대규모 앙상블에서 기후 연도의 고도로 대표적인 부분집합을 선택하기 위해 계절적 슬라이싱 워스터스타인 거리를 활용하는 시뮬레이션 어닐링 최적화 방법을 제안하고 검증하여, 에너지 시스템 모델링을 위한 견고하고 편향되지 않은 입력 자료를 제공하기 위해 기존 관행 및 대체 알고리즘보다 현저히 우수한 성능을 발휘함을 입증한다.

핵심

30 년 후의 날씨를 견딜 수 있는 전력망을 설계하려 한다고 상상해 보세요. 문제는 날씨가 혼돈스럽고 예측 불가능하다는 점입니다. 기후 과학자들은 슈퍼컴퓨터 시뮬레이션을 실행하여 초강풍 연도부터 가뭄까지 모든 가능한 시나리오를 보여주는 180 개의 서로 다른 가능한 연도의 기상 데이터를 생성했습니다.

그러나 실제 전력망을 설계하는 데 사용되는 컴퓨터 모델은 매우 무겁고 느립니다. 이 모델들은 한 번에 180 년 치의 데이터를 처리할 수 없으며, 5 년 또는 30 년 정도의 아주 적은 양의 데이터만 처리할 수 있습니다.

그렇다면 핵심 질문은 어떤 특정 연도들을 선택해야 할까요?

잘못된 연도를 선택하면 온화한 여름에는 잘 작동하지만 추운 겨울에 바람이 불지 않을 때 붕괴되는 전력망을 건설할 수 있습니다. 잘못된 연도를 선택하면 잘못된 인프라에 수십억 달러를 낭비할 수도 있습니다.

기존 방법의 문제점

현재 많은 에너지 계획가들은 연도를 어느 정도 무작위로 선택하거나 단순히 "평균" 연도를 기준으로 선택합니다. 이 논문의 저자들은 이는 무작위 페이지 한 장만 읽어서 도서관 전체를 이해하려는 것과 같다고 말합니다. 이는 계획에 필수적인 극단적 사건 (바람도 햇빛도 없는 기간인 "Dunkelflaute"와 같은) 을 종종 놓치게 만듭니다.

해결책: "스마트 탐색" (시뮬레이션 어닐링)

저자들은 시뮬레이션 어닐링 (Simulated Annealing) 이라는 새로운 방법을 제안합니다.

비유:
안개가 자욱한 광활한 산맥에 있고, 절대적인 가장 낮은 계곡 (최고의 연도 세트) 을 찾고 싶다고 상상해 보세요.

• 무작위 탐색은 지도에 다트를 던져 그곳으로 걸어가는 것과 같습니다. 운이 좋을 수도 있지만, 가장 깊은 계곡을 놓칠 가능성이 높습니다.
• K-Meoids (기존 표준) 는 산들을 클러스터로 묶고 각 그룹의 중심을 선택하는 것과 같습니다. 나쁘지는 않지만, 지형의 구체적인 형태를 놓칠 수 있습니다.
• 시뮬레이션 어닐링은 똑똑하지만 위험을 감수할 용기도 있는 등산객과 같습니다.
  • 등산객은 무작위 지점에서 시작합니다.
  • 주변을 둘러봅니다. 더 낮은 지점을 찾으면 그곳으로 이동합니다.
  • 중요하게도: 때로는 그 산 너머에 더 깊은 계곡이 있는지 확인하기 위해 오르막 (더 나쁜 지점) 으로 한 걸음 내딛을 수도 있습니다.
  • "등산"이 진행됨에 따라 그들은 그런 위험한 오르막길을 오르는 것을 점점 덜 감수하게 되며, 절대적인 바닥을 찾는 데 집중하기 시작합니다.
  • 이는 그들이 작고 얕은 함정 (국소 최소값) 에 갇혀 진정한 최저점 (전역 최소값) 을 놓치는 것을 방지합니다.

"적합도"를 측정하는 방법

선택한 5 년 또는 30 년이 실제로 좋은지 어떻게 알 수 있을까요? 그들은 계절 슬라이스 와세르슈타인 거리 (Seasonal Sliced Wasserstein Distance) 라는 수학적 도구를 사용합니다.

비유:
180 년 치의 기상 데이터를 바람, 햇빛, 온도, 전력 수요 등 여러 재료로 만든 거대하고 복잡한 스무디라고 생각하세요.

• 단순한 평균은 총량이 딸기 양이 적절한지 여부만 확인합니다.
• 이 새로운 도구는 다음을 확인합니다:
  1. 재료: 바람과 햇빛의 양이 적절한가?
  2. 혼합: 재료들이 올바르게 섞였는가? (예: 바람이 많이 불 때 햇빛이 적은가, 아니면 함께 발생하는가?)
  3. 시기: 혼합물이 겨울과 여름에 각각 적절한가? (바람이 많은 여름은 좋지만, 바람이 많은 겨울은 난방에 더 좋습니다. 여름에는 바람이 많지만 겨울에는 잔잔한 연도를 선택하면 테스트에 실패합니다.)

이 도구는 작은 스무디 (선택된 연도) 가 거대한 스무디 (모든 180 년) 와 얼마나 다른지 "점수"를 계산합니다. 점수가 낮을수록 매칭이 더 좋습니다.

그들이 발견한 것

연구자들은 무작위 추측, 필터링된 추측, 그리고 기존 클러스터링 방법과 비교하여 세 가지 시나리오에서 그들의 "스마트 탐색" 방법을 테스트했습니다:

1. 네덜란드만 (30 년).
2. 유럽 전체 (30 년).
3. 유럽 전체 (5 년).

결과:

• 승자: "스마트 탐색" (시뮬레이션 어닐링) 이 일관되게 최고의 연도 세트를 찾았습니다.
• 마법 승수: 이 방법으로 30 년만 선택했을 때, 그 30 년은 настолько 대표성이 있어 130 년에서 140 년 치의 데이터처럼 작용했습니다. 그들은 물리적으로 가진 데이터보다 4 배에서 5 배 더 많은 "가치"를 얻었습니다.
• 현재 관행보다 우수: 그들이 사용한 방법은 주요 유럽 에너지 기관 (ENTSO-E) 이 사용하는 현재 표준보다 2.5 배에서 3.5 배 더 우수합니다.
• 일관성: 운 (우연히 좋은 결과를 얻는 것) 에 크게 의존하는 다른 방법들과 달리, 이 방법은 실행할 때마다 신뢰할 수 있게 작동합니다.

결론

이 논문은 단순히 "더 좋은 연도를 선택하라"고 말하는 것이 아닙니다. 에너지 회사들이 미래를 위한 전력망을 건설할 때 운 좋은 추측에 도박하지 않도록 보장하는 구체적인, 수학적으로 입증된 레시피 (시뮬레이션 어닐링 + 특정 점수 도구) 를 제공합니다. 그들은 전체 기후의 복잡하고 혼돈스러운 현실을 완벽하게 반영하는 작고 신중하게 선택된 표본을 사용하고 있습니다.

"연도"에 대한 마지막 참고사항: 이 논문은 또한 1 월부터 12 월까지가 아닌 4 월 1 일부터 3 월 31 일까지를 "연도"로 정의할 것을 제안합니다. 그 이유는 겨울을 하나의 블록으로 묶어두기 때문입니다. 겨울은 전력망에게 가장 스트레스가 많은 시기 (난방 + 햇빛 부족) 이므로, 겨울을 두 개의 달력 연도로 나누면 데이터가 깨지고 이러한 중요한 한파를 계획하기가 더 어려워집니다.

기술 요약

기술 요약: 시뮬레이티드 어닐링을 통한 기후-에너지 데이터 간극 해소

문제 제기
에너지 시스템 모델은 기상 의존형 재생에너지원을 계획하기 위해 정확한 기후 입력 데이터에 점점 더 의존하고 있습니다. 그러나 기후 과학과 에너지 시스템 모델링 사이에는 근본적인 불일치가 존재합니다. 기후 과학은 극단적 상황을 포함한 가능한 결과의 전체 분포를 포착하기 위해 대규모 앙상블(수백에서 수천 개의 시뮬레이션 연도)을 활용하는 반면, 계산 집약적인 전력 시스템 모델(시간 단위 해상도로 단위 결합, 네트워크 제약 조건, 시장 역학을 처리)은 일반적으로 소수의 연도(1~30 개) 만 처리할 수 있습니다.

ENTSO-E 의 유럽 자원 적정성 평가 (ERAA) 에서 사용되는 것과 같은 이러한 대표 연도 선정에 대한 현재 관행은 종종 무작위 선택, 목표 기간 주변의 의사 무작위 선택, 또는 K-메로이드 클러스터링과 같은 검증되지 않은 방법에 의존합니다. 이러한 접근 방식은 명시적인 대표성 기준이 부족하여 편향된 투자 결정을 초래하고, 부실한 방법론으로 인해 배제된 합리적인 기상 조건에 대비하지 못한 에너지 시스템을 위험에 빠뜨릴 수 있습니다. 대규모 앙상블에서 소집합을 선택하는 것은 "조합 폭발"을 수반하는 조합 문제입니다 (예: 180 개 중 30 개를 선택하면 약 $1.3 \times 10^{34}$개의 조합이 발생함). 이로 인해 포괄적인 탐색은 불가능해집니다.

방법론
본 연구는 대규모 앙상블에서 완전한 기후 연도의 대표적 하위 집합을 선택하기 위한 최적화 방법으로서 **시뮬레이티드 어닐링 (SA)**을 제안합니다. 이 접근 방식은 무작위 탐색 (RS), 필터링된 무작위 탐색 (FRS), K-메로이드 클러스터링이라는 세 가지 대안적 방법과 비교 평가되었습니다.

• 데이터 소스: 본 연구는 팬-유럽 기후 데이터베이스 (PECD) 를 활용하였으며, 구체적으로는 SSP2-4.5 시나리오 하의 6 개 CMIP6 모델 × 30 년 (2016~2045) 에 해당하는 180 개의 기후 연도를 사용했습니다.
• 변수: 비선형성을 고려하기 위해 원시 기상 필드가 아닌 파생된 에너지 영향 변수에 대해 선택이 수행됩니다. 여기에는 해상/육상 풍력 발전, 태양광 발전, 다양한 수력 발전 유형, 전력 수요, 잔여 부하가 포함되며, 국가 수준 (NUTS0) 에서 일 평균으로 집계됩니다.
• 비용 함수 (대표성 지표): 본 연구는 **계절별 슬라이스된 와asser슈타인 거리 (SSWD)**를 사용합니다.
  • 와asser슈타인 거리: 한 확률 분포를 다른 분포로 변환하는 데 필요한 '작업'을 정량화하는 최적 수송 지표로, 변수 간의 결합 의존 구조와 상관관계를 포착합니다.
  • 슬라이스 근사: 고차원 데이터를 효율적으로 처리하기 위해 다변량 데이터를 무작위 1 차원 선에 투영한 후 1 차원 와asser슈타인 거리를 계산하여 평균화합니다.
  • 계절별 확장: 계절적 편향 (예: 바람이 많은 여름이 바람이 적은 겨울을 상쇄하는 경우) 을 방지하기 위해 데이터 세트를 연장된 겨울 (10 월3 월) 과 여름 (4 월9 월) 으로 나눕니다. SSWD 는 두 계절 거리의 최댓값으로 정의되어 두 계절이 모두 적절히 대표되도록 보장합니다.
• 알고리즘:
  • 시뮬레이티드 어닐링: 후보 하위 집합의 연도를 반복적으로 교환하고, 국소 최소값을 탈출하기 위해 점진적으로 감소하는 확률로 더 나쁜 해를 수용하는 확률적 최적화 알고리즘입니다.
  • K-메로이드: 연도를 클러스터링하고 각 클러스터의 가장 중심적인 구성원 (메로이드) 을 선택합니다.
  • 필터링된 무작위 탐색: 비용이 많이 드는 SSWD 를 계산하기 전에 평균 차이 및 에너지 거리와 같은 저렴한 사전 필터를 적용하여 부적합한 후보를 제거합니다.
• 실험 설계: 세 가지 사례 연구가 수행되었습니다: (1) 네덜란드를 위한 30 년, (2) 유럽을 위한 30 년, (3) 유럽을 위한 5 년. 각 방법은 일관성을 평가하기 위해 '운 (luck)' 및 '취약성 (fragility)' 지표를 사용하여 25 회 실행되었습니다.

주요 결과
세 가지 사례 연구 전반에 걸쳐 시뮬레이티드 어닐링은 일관되게 가장 대표적인 하위 집합을 생성했습니다:

• 성능: SA 는 모든 경우에서 가장 낮은 SSWD 점수를 달성했습니다. 30 년 유럽 사례에서 SA 하위 집합은 현재 ENTSO-E 관행 (ERAA25) 보다 약 2.5~3.5 배 더 대표적이었으며, 이는 후자가 SA 의 30 년과 비교하여 36 년을 사용했음에도 불구하고 달성한 결과입니다.
• 유효 표본 크기: SA 가 선택한 하위 집합은 실제 크기의 4~5 배에 해당하는 '유효 표본 크기'를 달성했습니다. 예를 들어, 네덜란드를 위한 최상의 30 년 SA 하위 집합은 통계적으로 140 년의 무작위 추출 중 중간 품질에 해당했습니다.
• 일관성: SA 는 낮은 '운' 및 '취약성' 지표를 보여주어 초기 조건에 관계없이 안정적인 성능을 입증했습니다. 반면, 필터링된 무작위 탐색은 단일 추출 시나리오에서는 잘 수행되었으나 고차원 (유럽) 사례에서는 크게 저하되어 종종 과도하게 제한적인 사전 필터링으로 인해 단순 무작위 탐색보다 더 나쁜 결과를 보였습니다.
• 비교: K-메로이드는 일관되게 2 위를 기록했으나, SA 와 동일한 방식으로 결합 분포의 대표성을 직접 최적화하지는 않았습니다.

의의 및 주장
본 논문은 제안된 SA+SSWD 접근 방식이 검증되고 응용 분야에 구애받지 않는 기후 연도 선택 방법을 제공함으로써 대규모 앙상블을 다루는 기후 과학과 소규모 하위 집합을 다루는 에너지 시스템 모델링 사이의 간극을 해소한다고 주장합니다.

• 객관적 정량화: 본 연구는 관례나 검증되지 않은 무작위 추출에 의존하는 대신 대표성을 객관적으로 정량화하고 최적화해야 한다고 주장합니다.
• 견고성: 에너지 특화 처리 이전에 입력 데이터 세트를 최적화함으로써 (하향식 접근), 기후 변동성에 대해 검증된 소스 데이터가 모든 에너지 연구에 입력되도록 보장합니다. 이는 대표성이 부족한 시작점으로 인해 하류 모델이 편향되는 것을 방지합니다.
• 일반적 적용 가능성: 이 방법론은 에너지 시스템 모델링에 국한되지 않으며, 풍력 발전량 평가, 건물 에너지 시뮬레이션, 수문학적 연구, 농업 영향 모델링을 포함한 대규모 데이터 세트에서 대표적 완전 기간을 선택해야 하는 모든 분야에 적용 가능합니다.
• 실용적 권장 사항: 저자들은 SSWD 지표를 사용한 시뮬레이티드 어닐링을 사용하고, 근사 최적을 보장하기 위해 여러 반복을 실행하며, 겨울철 자원 적정성 스트레스 사건을 보존하기 위해 기후 연도를 수문 연도 (4 월 1 일~3 월 31 일) 로 정의할 것을 권장합니다.

본 연구는 SA 가 전역 최적을 보장하지는 않지만 (무차별 대입 평가의 비실용성으로 인해), 여러 실행에 걸쳐 일관된 성능을 발휘하고 현재 산업 관행을 크게 능가할 수 있는 능력을 갖추고 있으므로, 대표적 기후 연도를 선택하기 위한 우월한 표준이 된다고 결론지었습니다.