본 연구에서 선정한 뉴저지와 웨스트 버지니아는 도시화 정도에서 큰 차이를 보인다. 2010년을 기준으로 두 지역의 도시화율은 뉴저지 94.7%, 웨스트 버지니아 48.7%로 약 1.9배의 차이가 난다¹⁷⁾. 뉴저지의 경우, 대표적인 주거지역으로서 의료, 교육, 소매, 서비스 등의 산업에 기초하고 있다. 반면에 웨스트 버지니아는 석탄을 포함한 광물자원 및 에너지, 화학 관련 산업이 대부분을 차지하고 있다.

Fig. 2는 각각 뉴저지와 웨스트 버지니아의 2020년 1월부터의 전력 수요 변동을 나타낸다. 주목할 만한 점은 뉴저지의 경우 여름철에 최저 전력 수요와 비교하여 약 2.5-2.8배 이상의 많은 전력 수요가 발생한 반면에, 웨스트 버지니아의 경우 여름과 겨울철에 높은 전력 수요가 나타나지만 최저 전력 수요와 비교하여 1.6-1.8 수준으로 뉴저지에 비해서는 낮은 전력 수요 변동성이 발생하였다는 점이다.

Fig. 2. 
Electricity demand curve for Jan 2020-Jul 2022: (a) New Jersey and (b) West Virginia

이러한 차이가 발생한 원인은 도시화율과 주요 산업의 차이에서 기인하였을 가능성이 있다. 전술한 바와 같이 뉴저지의 경우는 높은 도시화율을 가지는 도심 지역이므로 서비스 분야 산업이 주를 이룬다. 이로 인하여 주거 및 상업 지역에서 여름철에 냉방 등에 의해 전력 수요가 크게 증가했을 가능성이 있다. 반면 웨스트 버지니아의 경우 도시화율이 낮으며 석탄 기반의 산업이 경제의 대부분을 차지하고 있는데, 일반적으로 석탄 등 광물자원 산업 등은 계절에 따라 전력 수요를 크게 변동하게 만들지 않는다. 때문에 여름과 겨울에 난방 및 냉방 등으로 인해 전력 수요가 증가하더라도 그 정도는 크지 않았던 것으로 추정된다. 추가적으로, 뉴저지와 웨스트 버지니아의 연중 평균 온도는 통계적으로 유사한 수준으로 변화하기 때문에 두 지역의 기온 차이에 의한 것은 아닌 것으로 판단된다.

Fig. 3은 뉴저지와 웨스트 버지니아의 전력 수요 예측 결과에 대한 손실 함수를 나타낸다. 손실 함수란 RNN 모델이 최적화하는 대상이기 때문에 손실이 작아질수록 모델이 정답을 잘 맞히는 것이라 해석할 수 있다. 그 결과 두 지역 모두에 대하여 100회의 epoch가 진행됨에 따라 훈련 손실뿐만 아니라 검증 손실 또한 작은 값으로 수렴함을 관찰할 수 있었다.

Fig. 3. 
Model train vs validation loss with increasing epoch: (a) weekly and (b) daily prediction for New Jersey, and (c) weekly and (d) daily prediction for West Virginia

Fig. 4는 뉴저지와 웨스트 버지니아 각각에 대한 1주일 치 전력 수요 예측의 결과이다. 두 연구 결과의 100회 epoch를 기준으로 정략적인 오차값은 Table 3과 같으며 두 지역 모두에서 유사한 수준의 예측 정확도를 보이고 있다.

Fig. 4. 
Weekly electricity demand prediction: (a) New Jersey and (b) West Virginia

또한 Fig. 5는 각각 뉴저지와 웨스트 버지니아의 일일 전력 수요 예측 결과를 확대하여 나타낸다. 이에 대한 정략적인 오차값은 Table 4와 같다. 이때 뉴저지가 웨스트 버지니아에 비해 더 큰 변동성을 가지는 것을 확인할 수 있었는데, 전력 수요 정규화 값을 기준으로 하루 동안 뉴저지는 최대 0.23-0.95의 변동성을, 웨스트 버지니아는 0.28-0.88의 변동성을 나타내었다. 그럼에도 앞선 일주일간 예측과 마찬가지로 낮은 오차값을 가졌으며 두 경우 모두에 대하여 높은 정확도를 보임을 알 수 있었다.

Fig. 5. 
Daily electricity demand prediction: (a) New Jersey and (b) West Virginia

이러한 변동성은 앞서 언급한 바와 같이 산업 구조의 차이에서 기인한 것으로 추정된다. 도시화율이 높아 주거 및 상업 지역이 많은 비율을 차지하는 뉴저지의 경우, 낮 시간에 많은 전력 수요가 발생하고 야간에는 수요가 감소하게 된다. 하지만 석탄 산업이 발달한 웨스트 버니지아에서는 야간에도 관련 공업지대에서 일정량의 전력 수요가 발생할 것이기 때문이다.

앞선 전력 수요 특성 분석 및 예측 과정을 통해 도시화율과 산업 구성이 다른 뉴저지와 웨스트 버지니아에서 어떤 차이점이 관찰되는지 확인할 수 있었다. 더불어 두 지역 모두에서 지난 2년 이상의 전력 수요 데이터를 기반으로 딥러닝을 통해 하루 및 일주일간의 전력 수요를 예측하는 것이 가능함을 확인하였는데 이는 딥러닝을 활용한 전력 수요 예측 기술이 실제 전력망의 운영에 활용될 수 있는 가능성을 보인 것이기도 하다.

또한 각 지역의 전력 수요 특성이 다르며 특히 도시화율이 높고 주요 산업 구성이 서비스 산업에 해당하는 경우, 도시화율이 낮고 주요 산업 구성이 석탄 산업을 포함한 광물자원, 에너지, 화학 산업 분야에 치중된 곳에 비해 전력 수요의 계절간, 주간, 일간 변동성이 더 큰 것을 확인할 수 있었다. 따라서 하이퍼 파라미터 최적화, epoch 횟수의 증가, 최신 알고리즘의 도입 등을 통해 더욱 정확한 예측을 하기 위한 노력이 필요하다.

본 연구는 기존에 딥러닝 알고리즘 자체에만 집중하여 전력망의 수요를 예측하여 왔던 기존의 연구 방식에서 벗어나 각 지역별 특성을 고려하여 전력 수요 패턴을 파악하고, 딥러닝을 활용한 전력 수요의 정확한 예측 가능성을 평가하였다. 이를 기반으로 하루 전 시장을 통한 전력망 안정성 향상 운영 전략의 가능성을 보여주었다는 데 그 의미가 있다.

그러나 본 연구에는 여러 한계점이 존재한다. 우선 실제 전력 수요 예측을 기반으로 전력망을 효율적으로 운영하기 위해서는 하루 단위의 예측뿐만 아니라 시간 단위의 예측 또한 수행되어야 한다. 일반적으로 하루 전 계획 및 시장을 통해 전력망을 효율적으로 운영하는 전략이 많이 제시되고 있으나 신재생 에너지의 비율이 증가함에 따라 변동성 제어가 중요해졌다. 이에 한 시간 단위의 전력 거래 시장이나 전력 사업자를 실시간으로 시장에 참여시키는 방안도 검토되고 있는 바 더 짧은 시간 단위의 정확한 전력 수요 예측 연구가 이루어져야 할 것이다. 더불어 지역의 전반적인 전력 사용의 흐름이나 양상을 거시적으로 파악하기 위해서는 연간 전력 소비량 예측 등 비교적 장기적 시간에 걸친 예측 또한 필요할 것이다.

또한 본 연구에서는 딥러닝에서 널리 활용되어 왔던 RNN 알고리즘을 활용하였다. 하지만 시계열 데이터의 예측에 활용되는 인공지능 알고리즘에는 FNN, DFNN, TCN, ERNN, LSTM, GRU, seq2seq, ARIMA 등 다양한 종류가 있다¹⁸⁾. 따라서 향후 연구에서는 각 지역의 전력 수요 특성에 보다 적합한 알고리즘을 선정하여 이를 분석 및 평가할 필요성이 있을 것이다.