[논문 리뷰] Human-in-the-loop MGA to generate energy system design options matching stakeholder needs

Francesco Lombardi, Stefan Pfenninger|arXiv (Cornell University)|2024. 07. 19.

Real-time simulation and control systems인용 수 4

한 줄 요약

이 논문은 인간이 참여하는 흐름(HITL)을 통합한 새로운 모델링을 제안하며, 에너지 시스템 설계 최적화 과정에서 이해관계자 선호도를 반복적으로 개선함으로써 MGA 탐색 공간을 조정한다. 초도 설계 공간과의 상호작용을 통해 선호도를 확보하고, 이를 강화 목표로 변환함으로써 '인간이 훈련한' 설계 공간을 생성함으로써 이해관계자 우선순위와의 일치도를 크게 향상시키고 공감대 형성 가능성을 높인다. 포르투갈 에너지 시스템에 대한 통제 실험에서 공감대 관련 설계 비율이 1%에서 18%로 증가함을 입증하였다.

ABSTRACT

The common use of cost minimisation to support energy system design decisions hides from view many economically comparable design options that stakeholders may prefer. Modelling to generate alternatives (MGA) is increasingly popular as a way to go beyond least-cost designs, providing stakeholders with diverse portfolios to appraise. However, generating all the feasible designs is not computationally viable; modellers must choose what design features to generate diversity around, despite not knowing which trade-offs matter the most in practice. Therefore, MGA alone cannot ensure the generation of design options that match stakeholder needs. To address this shortcoming, we propose a human-in-the-loop (HITL) approach that automatically integrates stakeholder preferences into MGA. We elicit preferences by letting stakeholders interact with a tentative MGA design space. Hence, we decode those preferences to feed them back to the MGA algorithm and perform a guided search. This search produces a human-trained design space with more designs that mirror the elicited preferences. A synthetic experiment for the Portuguese energy system shows that HITL-MGA may facilitate consensus formation, promising to accelerate technically and socially feasible energy transition decisions.

연구 동기 및 목표

• 기존의 비용 최적화 모델링 방식이 실현 가능하지만 비최적의 설계(실용적 이점이 있는 설계)를 간과하는 한계를 해결한다.
• 특히 대규모 고해상도 모델에서 모든 실현 가능한 에너지 시스템 설계 옵션을 생성하는 데 있어 계산상의 비현실성 문제를 해결한다.
• 실제 의사결정에 가장 관련성이 높은 특징으로 향하는 탐색 다양성을 높이기 위해 이해관계자 지식을 MGA 워크플로우에 통합한다.
• 자동화된 선호도 기반 설계 공간 개선을 통해 모델러가 기술적·사회적으로 실현 가능한 에너지 전환 경로를 공동으로 생산할 수 있는 방법을 개발하고 검증한다.
• HITL-MGA가 다수의 상충되는 이해관계자 선호도와 일치하는 설계 비율을 증가시켜 공감대 형성 능력을 향상시키는 효과를 입증한다.

제안 방법

• 초기 단계에서 임시 MGA 생성 설계 공간과의 상호작용을 통해 이해관계자 선호도를 확보한다.
• 상위 평가를 받은 설계에서 통계적으로 특징적인 기술적 특징을 식별함으로써 이해관계자 선호도를 정량적 강화 목표로 변환한다.
• SPORES MGA 알고리즘의 수정 버전을 사용하여 지도된 탐색을 수행하며, 강화 계수(b 및 c)를 해석된 선호도에 따라 조정하여 원하는 특징을 우선순위에 두도록 한다.
• 임계값 기반 특징 탐지 방법을 적용하여 통계적으로 특징적인 기술적 특징, 즉 이해관계자 선호도와 관련된 특징을 식별한다.
• 업데이트된 강화 목표를 반영하여 MGA 알고리즘 재실행을 통해 인간이 훈련한 설계 공간을 새롭게 생성한다.
• 다중기준 의사결정 분석(MCDA)을 사용하여 인간이 훈련한 설계 공간의 성능을 평가함으로써 이해관계자 선호도와의 일치도 및 공감대 형성 가능성을 평가한다.

Figure 1: Conceptual representation of the proposed HITL-MGA workflow and of the controlled experiment we carry out in this study to test the workflow. The theoretical framework we propose envisions that we collect the high-level system design preferences arising from a first iteration of an MGA des

실험 결과

연구 질문

• RQ1 이해관계자 선호도가 자동화된 MGA 워크플로우에 효과적으로 확보되고 인코딩되어 에너지 시스템 설계 옵션 생성을 이끌 수 있는가?
• RQ2 인간이 참여하는 접근 방식을 통해 이해관계자 선호도를 통합할 경우, 기존 MGA 대비 생성된 설계 옵션의 이해관계자 요구사항과의 일치도가 얼마나 향상되는가?
• RQ3 HITL-MGA 접근 방식은 상충되는 우선순위를 가진 이해관계자 간의 공감대 형성 잠재력에 어떤 영향을 미치는가?
• RQ4 MGA 프레임워크 내에서 이해관계자 선호도를 해석하고 강화 목표로 번역하는 데 있어 계산적 및 방법론적 트레이드오프는 무엇인가?
• RQ5 HITL-MGA 접근 방식은 통제된 합성 실험을 넘어서 실제 이해관계자 참여에 일반화될 수 있는가?

주요 결과

• HITL-MGA 접근 방식은 MCDA 점수의 25% 이내에 속하는 설계 옵션 비율을 기존 MGA 설계 공간의 1%에서 인간이 훈련한 설계 공간의 18%로 증가시켰다. 이는 높은 공감대 가능성을 의미한다.
• 이 방법은 이해관계자 선호도 중 11개 중 10개에 대해 일치도를 향상시켰으며, 온전한 풍력 발전의 지역 집중 감소 및 특정 기술의 총 투자 제한 등이 포함되었다.
• 유일하게 향상되지 않은 선호도는 전체 인프라 투자량을 낮추는 것이었으며, 이는 강화 기반 해석 방식이 투자 확대를 선호하기 때문에 모델 수준의 갈등이 발생한 결과였다.
• 민감도 분석 결과, 특징 해석 시 임계값 선택이 강화 목표의 분포에 영향을 미치며, 더 엄격한 임계값은 더 많은 특징에 강화 목표를 분배함으로써 특정 선호도에 대한 영향을 약화시킬 수 있음을 보여주었다.
• 인간이 훈련한 설계 공간은 기존 MGA 공간에 존재하지 않았던 타협 솔루션(예: 제한된 옥외 풍력 설치, 낮은 지역 집중도)의 발견을 가능하게 하였다.
• 본 연구는 HITL-MGA가 이해관계자와 함께 모델 결과를 공동 생산함으로써 에너지 전환 경로의 관련성과 사회적 실현 가능성을 크게 향상시킬 수 있음을 입증한다.

Figure 2: Stylised representation of the SPORES algorithm, in its standard ( a ) and HITL ( b ) formulations. Starting from the cost-optimal solution, the algorithm iteratively looks for additional feasible and only marginally costlier system designs in parallel batches. The standard formulation ( a