Implementing Automated Residential Demand Response in South Korea: Consumer Preferences and Market Potential

Kyungbae Lim, 이종수, hyunjoo-lee (2021) · Utilities Policy 70:101223 · DOI ↗

한국 624 명 SP 설문 + 혼합 로짓 (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), 혼합 로짓 (Train 2009 normal random coefficient, no-choice ASC 포함), 베이지안 추정 (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) Forecasting the Future Scale of Vehicle-to-Grid Technology for Electric Vehicles and Its Economic Value as Future Electric Energy Source: The Case of South Korea 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.

요약

본 paper 는 이종수 의 연구 궤적 후기 ICT-에너지 융합 라인 의 분산자원·DR 시장 형성 분기. Forecasting the Future Scale of Vehicle-to-Grid Technology for Electric Vehicles and Its Economic Value as Future Electric Energy Source: The Case of South Korea (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, 혼합 로짓 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. 이종수 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

혼합 로짓 (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. 이종수 author page 의 consumer preference + 시장 시뮬레이션 라인 의 에너지·DR 분기 — Forecasting the Future Scale of Vehicle-to-Grid Technology for Electric Vehicles and Its Economic Value as Future Electric Energy Source: The Case of South Korea (V2G consumer + 시장 시뮬레이션) 의 residential DR 후속 (같은 KEPCO Management Research Institute 의 Kyungbae Lim 의 후속 작업).