När det gäller att förutsäga kostnaderna för nya energisystem och tekniker, forskare måste överväga inlärningshastigheter, som är uppskattade mått på tekniska framsteg. Faktiskt, tekniska framsteg är vanligtvis förknippade med högre teknisk prestanda och billigare produktionskostnader.

Forskare vid Institutet för avancerade hållbarhetsstudier (IASS), Universitetet i Potsdam och ETH Zürich har nyligen genomfört en studie som undersöker i vilken utsträckning uppskattningar av inlärningshastigheten faktiskt återspeglar tekniska framsteg, och om de kan påverkas av andra faktorer som växelkursfluktuationer. Deras papper, publiceras i Naturenergi , bygger på resultat som samlats in i deras tidigare forskning, antyder en koppling mellan växelkurser och globala inlärningshastigheter.

"När man avslutade ett tidigare dokument om inlärningshastigheter för att koncentrera solenergi, vi beslutade att ändra basvalutan för analysen från euro – vilket var vettigt för CSP, eftersom det huvudsakligen byggdes i Europa – till dollar, som är standardvalutan i globala ekonomiska analyser, "Johan Lilliestam, en av forskarna som genomförde studien, berättade för TechXplore. "Genom att göra det här, våra resultat förändrades, vilket var förvånande för oss - en effekt som vi aldrig hade hört talas om i litteraturen om inlärningshastighet."

Efter att denna tidigare tidning publicerades, Lilliestam och hans kollegor bestämde sig för att undersöka sina observationer ytterligare för att bättre förstå varför och hur valet av valuta kan påverka inlärningshastigheten. I deras nya studie, de genomförde en serie analyser som syftade till att avslöja hur valet av valuta för en given teknik, vilket till viss del är godtyckligt, ytterst påverkar den empiriska observationen av inlärningshastigheter.

Forskarna ville också kvantifiera denna "växelkurseffekt" och introducera en metod för att kompensera för denna bias. En sådan metod skulle i slutändan kunna möjliggöra mer exakta empiriska uppskattningar av tekniska framsteg i ett globalt sammanhang.

"Vi konverterade rådata – projektkostnader, uttryckt i valutan i landet för varje projekt – i olika basvalutor, så att all data är på lika villkor, " förklarade Lilliestam. "När valutor fluktuerar mot varandra, kostnaderna för projekt varierar när de uttrycks i olika valutor och kan överdriva eller maskera den tekniska förbättringen som inlärningshastighetsmåttet är tänkt att mäta."

Den unika metoden de utvecklade gjorde att Lilliestam och hans kollegor kunde beräkna inlärningshastigheter i flera valutor, visar hur stor effekten de tidigare observerat faktiskt är. I deras tidning, de fokuserade på ett illustrativt fall, den för storskaliga solcellsanläggningar över 5 MW.

Senare, forskarna tog också fram en uppsättning ekvationer för att filtrera bort effekten av valutafluktuationer över en viss tidsperiod. Med hjälp av dessa ekvationer, forskare borde kunna ta fram mått som är mer anpassade till vad inlärningsgraden faktiskt är tänkt att mäta:teknisk förbättring inom ett specifikt forskningsområde.

"Våra resultat visar ett annat fall av hur svårt det är att göra empirisk forskning:Det finns massor av störande och förvirrande faktorer, och det är svårt att veta vilka som är viktiga, " sa Lilliestam. "För vårt samhälle, det finns två viktiga konsekvenser. Först, vi visar att tidigare globala uppskattningar av inlärningstakten kan påverkas av växelkurseffekten och att denna effekt kan vara stor. Andra, vårt resultat är mycket viktigt för forskare och analytiker som använder uppskattningar av inlärningshastighet i sina modeller, speciellt för de som kör optimeringsmodeller."

Optimeringsmodeller är beräkningstekniker som kan användas för att förutsäga den bästa lösningen på ett givet problem. Eftersom de flesta för närvarande använda optimeringsmodeller föredrar billigare tekniker baserat sina analyser på globala inlärningshastigheter, även en liten skillnad i procent kan påverka deras slutresultat, identifiera specifik teknik som mer fördelaktig eller lämplig för en viss användning.

Optimeringsmodeller används nu flitigt, både för vetenskaplig analys och policyrådgivning, så deras användning av partiska inlärningshastigheter kan i slutändan resultera i orealistiska policyer och tekniska implementeringar. Genom att förbättra precisionen i uppskattningar av inlärningshastigheten, metoden som introducerades av Lilliestam och hans kollegor skulle därmed också kunna påverka resultaten av dessa modeller, leder till effektivare och mer fördelaktiga teknikrelaterade policyer.

"Vi undersöker nu hur politik påverkar teknisk förändring, så att utföra analyser som är tillämpliga på samma område, men fokusera mer på drivkrafterna för tekniskt lärande än sätt att bedöma lärande, " tillade Lilliestam.

© 2020 Science X Network