---
type: paper
slug: kyungbae-lim-2021-residential-demand-response
title: >-
  Implementing Automated Residential Demand Response in South Korea: Consumer
  Preferences and Market Potential
authors:
  - '[[kyungbae-lim]]'
  - '[[jongsulee]]'
  - '[[hyunjoo-lee]]'
year: 2021
venue: '[[utilities-policy]]'
volume: '70'
pages: '101223'
doi: 10.1016/j.jup.2021.101223
categories:
  - '[[energy-economics]]'
  - '[[ict-policy]]'
methods:
  - '[[discrete-choice-experiment]]'
  - '[[mixed-logit]]'
  - '[[bayesian-estimation]]'
  - '[[market-simulation]]'
themes:
  - '[[demand-response]]'
  - '[[smart-grid]]'
  - '[[data-privacy]]'
  - '[[peak-load-reduction]]'
  - '[[aggregator-market]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# Implementing Automated Residential Demand Response in South Korea: Consumer Preferences and Market Potential

*[[kyungbae-lim]], [[jongsulee]], [[hyunjoo-lee]] (2021)* · [[utilities-policy]] 70:101223 · [DOI ↗](https://doi.org/10.1016/j.jup.2021.101223)

> 한국 624 명 SP 설문 + [[mixed-logit]] (Bayesian Gibbs sampling, 200 만 draws) 으로 *자동 가정용 DR 프로그램* 의 5 속성 (외부 운영자 제어, 모니터링 서비스, 데이터 공유 수준, 월 전기료 인하율, 계약 기간) 별 이질적 선호 추정. **월 전기료 인하 가중치 가 44.6% 로 가장 큼**, 데이터 공유는 *consumption-only* 양 (+1.371) vs *personal info* 음 (−1.184) — 명확한 *privacy-cost trade-off*. 시나리오 시뮬레이션 — *Optimal DR (1% 보상 + 데이터 미공유) 가 수도권 54%·비수도권 42% 즉시 수용*; 20% 보상 시 *수도권 60.6% 참여 → 여름 피크 1.74 GW 감축* (44 GW 일일 최대 격차 의 *3.9%*).

- **RQ**: 한국 *가정용 자동 DR 프로그램* 의 *DR 속성별 이질적 소비자 선호* 는? 도시·연령·전기료 수준 별로 차별적인가? *3 가지 정책 시나리오 (optimal·open data·long-term)* 의 시장 잠재력 + 여름 피크 감축 규모는?
- **방법론**: [[discrete-choice-experiment]] (5 속성 × 162 alternative → 18 fractional factorial → 6 choice set × 3 alternative + no-choice), [[mixed-logit]] (Train 2009 normal random coefficient, no-choice ASC 포함), [[bayesian-estimation]] (Train 2009 Matlab code, burn-in 20,000 + 2M draws 의 every 10th), [[market-simulation]] (3 시나리오 + 보상 sensitivity)
- **데이터**: Gallup 온라인 설문 (2019 년 7-10 월), 한국 20-59 세 *624 명* purposive quota sampling. 월 전기료 41-60 천 KRW 가 49.5%, 수도권 거주 60.8%. 5 속성: (1) 제어 주체 (가정 / 외부 운영자), (2) 모니터링 (전일 예측 / 실시간 / 실시간+최적화), (3) 데이터 공유 (없음 / 사용량만 / 사용량+개인정보), (4) 월 전기료 인하 (10/20/30%), (5) 계약 기간 (12/24/36 개월)
- **주요 발견**: (i) **속성별 상대적 중요도 (RI)**: 월 전기료 인하 44.61% > 데이터 공유 (sum 30.71%) > 계약 기간 6.02% > 외부 운영자 3.30%. (ii) **데이터 공유의 *비대칭***: 사용량만 +1.371, *사용량+개인정보* −1.184 — *개인정보 노출 강한 거부*. (iii) **외부 운영자 평균 음 (−0.275) 이지만 수도권 interaction +0.477** — 수도권은 자동 제어에 *더 우호*. (iv) **고전기료 가구 × 데이터 공유 interaction −2.418** — *고소비 가구의 데이터 공유 거부 강함*. (v) **3 시나리오 시장 잠재력** (20% 보상 시): Optimal DR 수도권 60.6% / 비수도권 48.9% → 1.74 GW + 1.47 GW = **3.2 GW 피크 감축** (44 GW 일일 최대 격차 의 7.2%). Open data DR 수도권 0.91% (개인정보 우려), Long-term DR 수도권 32.1%. (vi) **LNG 900 MW 회피 위한 필요 가구 수**: 340 만 가구 (전체 의 15%).
- **시사점**: (a) *데이터 공유 의 binary asymmetry* — *consumption-only data → 신중한 default*. AMI 빅데이터의 *anonymization* + *개인정보 분리* 가 시장 형성의 핵심 enabler. (b) *Optimal DR (운영자 제어 + 실시간 + 최적화) 의 *높은 초기 수용*: 1% 보상에도 50%+ 참여 — 금전 외 *환경·기술 access 동기* 시사. (c) *KPX 의 1,300 KRW/kWh 보상 (도매가 13 배) 의 *지속 가능성 의문* — 비용편익 균형 정책 설계 필요. (d) [[kyungbae-lim-2020-v2g-forecast-economic-value]] 의 V2G 와 함께 *분산자원 적층* 의 시장 형성 정책 시사.

![Fig. 1 — 3 시나리오 × 수도권/비수도권 의 보상 sensitivity. Optimal DR (a) 가 1% 부터 수도권 54%·비수도권 42% 의 *높은 초기 수용*, Open data DR (b) 는 20% 보상에도 수도권 19%·비수도권 36% 의 *낮은 수용* — 개인정보 노출 의 strong negative.](/papers/202106_LimK_Implementing_automated_residential_demand_response_in_South_Korea_Consumer_preferences_and_market_potential/fig2.jpeg)

## 요약

본 paper 는 [[jongsulee]] 의 *연구 궤적* *후기 ICT-에너지 융합 라인* 의 *분산자원·DR 시장 형성* 분기. [[kyungbae-lim-2020-v2g-forecast-economic-value]] (Energy & Environment 2020) 의 *V2G consumer + 시장 분석* 의 *residential DR 후속*. 기존 DR 문헌 (Faruqui-Sergici 2010 의 15 개 미국 실험, Vassileva et al. 2012 의 660 스웨덴 가구, Good 2019 의 행동경제학 접근, Yoshida-Tanaka-Managi 2017 의 일본 dynamic pricing) 은 *가격 메커니즘* 또는 *행동경제학적 동기* 한 갈래에 집중했으나, *자동화 (운영자 원격 제어) + 데이터 보안 + 계약 기간* 의 *프로그램 design attribute* 의 통합 평가는 드물었다. 본 paper 의 conceptual move 는 — *5 속성 SP DCE* 를 *Bayesian mixed logit* 으로 추정해 *이질적 선호 분포* 를 산출 + *3 시나리오 + 보상 sensitivity* 시뮬레이션으로 *시장 잠재력 + 여름 피크 감축 규모* 의 정량 산출.

방법론은 두 stage. 첫째, [[mixed-logit]] 의 정규 random coefficient 추정 — [[discrete-choice-experiment]] 의 효용 함수 (Eq. 1) 에 *외부 운영자 dummy × 수도권 거주 interaction*, *데이터 공유 dummy × 월 전기료 interaction* 포함. *No-choice option* (현재 서비스 유지) 의 ASC 포함으로 *DR 전체에 대한 거부 선호* 식별. Bayesian estimation 의 *Gibbs sampling* — burn-in 20,000 + 200 만 draws 의 every 10th 보유 (Train 2009). 결과 — 월 전기료 인하 평균 +1.856 (가장 큰 정 효과), 데이터 사용량만 공유 +1.371, *사용량+개인정보* 공유 −1.184 의 *명확한 binary asymmetry*. 외부 운영자 제어 평균 −0.275 이지만 *수도권 interaction* +0.477 — 수도권은 *자동 원격 제어 우호*. 고전기료 가구 × 데이터 공유 interaction −2.418 — *고소비 가구가 데이터 노출 거부 강함*.

둘째, 시나리오 시뮬레이션. 3 가지 DR 프로그램 type — (1) Optimal DR (외부 운영자 + 실시간+최적화 + 데이터 미공유 + 1 년 계약), (2) Open Data DR (외부 운영자 + 실시간 + 사용량+개인정보 공유 + 1 년), (3) Long-term DR (외부 운영자 + 실시간 + 데이터 미공유 + 4 년). 월 전기료 인하 1-30% 변화에 따른 수용률 sensitivity. **Optimal DR 은 1% 인하 만으로 수도권 54%·비수도권 42% 수용** — *환경적 관심 + 신기술 access* 가 금전 외 동기. **Open Data DR 은 20% 인하에도 수도권 19%·비수도권 36% — 유일하게 수도권 < 비수도권**, 개인정보 노출 우려 강함. **Long-term DR 은 20% 보상 시 수도권 91%·비수도권 88%** — 보상 sensitivity 최대. 여름 피크 감축 계산: $\text{Load} = N \times \text{acceptance}\% \times 0.3\,\text{kW/가구} \times 87\%$ (에어컨 보급률). Optimal DR 시나리오 → 수도권 1,745 MW + 비수도권 1,465 MW = **3.21 GW** (44 GW 일일 최대 격차 의 7.2%).

한계는 명시적: (i) 1 차 참여 의사만 측정 — *유지·탈퇴 의사* 미반영, (ii) 인구통계학적 (연령·소득) controls 데이터 부족, (iii) 환경·생태적 동기 의 *직접 측정 부재*, (iv) SP 의 *hypothetical bias* 미보정, (v) DR 의 *cost-effectiveness* (운영자·소비자·aggregator 각자 관점) 미분석. [[jongsulee]] 의 *V2G·DR consumer choice 라인* (anchor: kyungbae-lim 의 두 paper) — 후속 작업은 *aggregator 경제성* + *time-varying 선호 동학* 으로 확장 가능.

## 핵심 결과

**Mixed logit 추정 (Table 4)**

| 속성 | Mean | SD | RI |
|---|---:|---:|---:|
| External Operator | **−0.2747** | 1.3864 | 3.30% |
| Day-ahead monitoring | +0.4307 | 0.9440 | 5.18% |
| Real-time + optimization | +0.4322 | 1.4616 | 5.20% |
| **Data: consumption only** | **+1.371** | 1.0836 | 16.48% |
| **Data: consumption + personal** | **−1.1836** | 2.1534 | 14.23% |
| **Monthly bill reduction** | **+1.8556** | 1.7587 | **44.61%** |
| Contract duration | −0.2085 | 0.7272 | 6.02% |
| No choice | +0.4151 | 4.6539 | 4.99% |
| **External Op × Metro** | **+0.4765** | 1.4067 | (interaction) |
| **Data shared × Bill** | **−2.4182** | 1.9326 | (interaction) |

(SD 가 모두 유의 — *random coefficient 의 이질성* 정당화)

**시나리오 시장 잠재력 + 여름 피크 감축 (Table 6)**

| | Optimal DR | Open Data DR | Long-term DR |
|---|---:|---:|---:|
| 수용률 수도권 | **60.6%** | 0.91% | 32.1% |
| 수용률 비수도권 | 48.9% | 2.1% | 22.7% |
| **피크 감축 수도권 (MW)** | **1,745** | 26 | 923 |
| 피크 감축 비수도권 (MW) | 1,465 | 64 | 679 |
| **총 피크 감축 (GW)** | **3.21** | 0.09 | 1.60 |
| 일일 최대 격차 비율 (44 GW) | **7.2%** | 0.2% | 3.6% |

> **정량 결론.** (i) Optimal DR 의 *수도권 + 비수도권 합 3.21 GW 피크 감축* — *LNG 900 MW 3.5 기 대체 가능*. (ii) Open Data DR 의 *시장 collapse* — 개인정보 노출이 DR market 의 *deal-breaker*. (iii) Long-term DR 의 *3.6% 격차 감축* — 4 년 계약의 *stable revenue* 시장 design 가능성.

## 방법론 노트

[[mixed-logit]] (Train 2009 *Discrete choice methods with simulation*) 의 random coefficient 모형. 효용함수:

$$
V_{nj} = \beta_n^{controller} D_{j,controller} + \beta_n^{metro} (D_{j,controller} D_{n,metro}) + \sum_k \beta_n^k D_{j,k} + \beta_n^{saving} X_{j,saving} + \beta_n^{contract} X_{j,contract} + \beta_n^{nochoice} D_{j,nochoice}
$$

각 $\beta_n^k \sim N(b_k, w_k)$. 선택 확률:

$$
P_{nj} = \int \frac{e^{\beta_n' x_{nj}}}{\sum_i e^{\beta_n' x_{ni}}} f(\beta) \, d\beta
$$

폐쇄형 해가 없어 시뮬레이션 추정. Bayesian estimation 으로 $b$, $W$, $\beta_n$ 의 conditional draws Gibbs sampling — Matlab + Train 2009 code. Burn-in 20,000 + 2M draws 의 every 10th. 정규 분포 사용 (log-normal 등 bounded distribution 대비 researcher bias 감소, Train-Sonnier 2005). 식별은 (i) 5 속성 × 18 alternative × 6 choice set 의 orthogonal fractional factorial design, (ii) random coefficient SD 의 유의성 — 이질성의 정당화, (iii) interaction term 의 demographic mediator, (iv) no-choice ASC 의 *프로그램 전체 거부* 분리.

여름 피크 감축 계산:

$$
\text{Load} = N_{\text{household}} \times \text{Acceptance}\% \times 0.3\,\text{kW/가구} \times 0.87
$$

여기서 0.3 kW/가구 = 가정용 DR 의 일순 냉방부하 감축 (MOTIE 2018), 0.87 = 에어컨 보급률 (Gallup 2018). 식별 가정: (i) SP 응답이 실제 참여 의사 근사, (ii) AC 보급률·dr capacity 의 unif. 적용, (iii) rebound effect 미반영.

## 연구 계보

본 paper 는 (a) Train (2009) *DCMS* 의 mixed logit + Bayesian estimation 방법론 정통, (b) Faruqui-Sergici (2010 *J Reg Econ*), Vassileva et al. (2012 *Energy*), Yoshida-Tanaka-Managi (2017 *J Econ Struct*) 의 *residential DR consumer preference* literature, (c) Labeeuw-Stragier-Deconinck (2014 *IEEE Trans Smart Grid*) 의 *active demand reduction capacity* 분석, (d) Good (2019 *Appl Energy*), Hall-Jeanneret-Rai (2016 *Energy Policy*), Parrish et al. (2020 *Energy Policy*) 의 *행동경제학적 DR* literature, (e) Cardenas-Amin-Schwartz (2012), Bhattarai et al. (2019), Ghosal-Conti (2019) 의 *AMI 데이터 보안* literature 의 통합. [[jongsulee]] author page 의 *consumer preference + 시장 시뮬레이션* 라인 의 *에너지·DR 분기* — [[kyungbae-lim-2020-v2g-forecast-economic-value]] (V2G consumer + 시장 시뮬레이션) 의 *residential DR 후속* (같은 KEPCO Management Research Institute 의 [[kyungbae-lim]] 의 후속 작업).

## See also

- [[mixed-logit]]
- [[discrete-choice-experiment]]
- [[bayesian-estimation]]
- [[demand-response]]
- [[smart-grid]]
- [[data-privacy]]
- [[peak-load-reduction]]
- [[aggregator-market]]
- [[jongsulee]]
- [[kyungbae-lim]]
- [[kyungbae-lim-2020-v2g-forecast-economic-value]]
- [[utilities-policy]]