2.1 DR 감축량 산정 기법

DR 프로그램에서 감축량(Reduction)의 산정은 참여 고객의 실제 반응성과 제도적 보상 수준을 결정하는 핵심 절차로서, 산정 방식의 정확성과 신뢰성은 DR 제도의 실효성 확보에 있어 매우 중요한 요소이다. 여기서, ‘참여 고객의 실제 반응성’은 DR 이벤트 발생 시 고객이 실제로 전력 사용을 줄였는지, 줄였다면 얼마나 줄였는지를 나타내는 행동 기반 지표로 DR 감축 요청에 고객이 얼마나 효과적으로 반응했는가를 수치적으로 표현한 개념이다^[10-12]. 식 (1)을 통해 고객의 실제 반응성을 계량화함으로써, 정산 신뢰성과 DR 운영 효율성을 동시에 제고할 수 있다.

현재까지 감축량 산정에는 크게 기준부하(Baseline) 방식과 모델 기반 예측(Model-Based Forecasting) 방식이 활용되고 있다. 기준부하 방식은 DR 이벤트가 발생하지 않았을 경우의 가상 전력 소비량을 사전에 산정한 후, 실제 사용량과의 차이를 감축량으로 간주하는 방식이다. 일반적으로는 최근 n일간의 유사 시간대 사용량의 평균을 기준부하로 설정하는 N-Day 평균 방식, 또는 사용량 패턴의 유사도를 고려한 유사일(Matched Day) 방식 등이 사용된다^[13-15]. 이 방식은 구현이 간단하고 제도적 정산에 활용되기 용이하다는 장점이 있으나, 기후 변화, 요일 특성, 고객 행동의 일시적 변화 등을 반영하지 못해 오차가 클 수 있다는 한계가 있다. 특히, ‘고의적 절전’ 또는 ‘비정상적인 사전 조정행위(Gaming)’로 인한 왜곡 가능성도 문제로 지적되고 있다. 모델 기반 예측 은 기준부하 방식의 한계점을 보완하기 위한 방식으로 최근에는 통계적·기계학습 기반의 예측 모델을 활용한 감축량 추정 방식이 주목받고 있다. 회귀분석, 시계열 예측모형(ARIMA, Prophet 등), 의사결정나무 기반 모델(Random Forest, XGBoost), 인공신경망 및 딥러닝 모델(LSTM 등)이 사용되며, 고객의 과거사용 패턴과 외부 요인을 통합하여 보다 정밀한 기준부하를 추정할 수 있다^[16-18]. 모델 기반 방식은 시간대, 기상조건, 고객 유형 등의 상황적 요소를 반영할 수 있어 예측 정밀도가 높고, 이상 감지 및 실시간 적용도 가능하다는 장점이 있다. 그러나 데이터 품질, 모델 해석력 부족, 제도 적용의 복잡성 등은 여전히 극복해야 할 과제로 남아 있다.

2.2 AMI 데이터를 활용한 수요 예측

고도화된 전력 소비 데이터를 제공하는 AMI의 보급 확대는 수요 예측 기술의 정밀화와 DR 운영 고도화에 중요한 전환점을 마련하였다. AMI는 15분 또는 1시간 단위의 고해상도 전력 사용량 데이터를 실시간 또는 준실시간으로 수집할 수 있어, 기존의 월간 혹은 일간 단위 소비 정보에 비해 훨씬 정교한 수요 분석이 가능하다. 초기에는 AMI 데이터를 활용한 수요 예측 연구가 주로 ‘단기 부하 예측(STLF: Short-Term Load Forecasting)’에 집중되었으며, 통계적 기법(ARIMA, 회귀모형 등)과 기계학습 기법(SVR, Random Forest, XGBoost 등)이 널리 활용되었다. 이후 딥러닝 기술의 발달로 LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 등 순환신경망(RNN) 기반 모델이 적용되며, 시계열의 장기 의존성 및 비선형성을 반영하는 성능 개선이 이루어졌다. 최근에는 수요 예측 정확도 향상을 위해 기상 정보, 시간 정보, 고객 메타데이터, 요금제, 이벤트 정보 등 다양한 외부 요인을 통합한 예측 연구가 활발히 이루어지고 있다. AMI 데이터를 기반으로 한 이러한 예측 기술들은 일반적인 부하 예측을 넘어서, DR 감축량 추정, 정산 정밀화, 피크 시 수요 절감 전략 수립 등 다양한 응용 분야로 확장되고 있다^[19-21]. 이에 따라, AMI 기반 예측 기술은 DR 제도의 실효성을 높이는 핵심 기반 기술로 자리 잡고 있다.

2.3 Attention 메커니즘 기반 시계열 예측

전력 수요를 비롯한 시계열 데이터는 시간 축의 연속성과 비선형적 패턴, 외부 요인과의 상호작용이 복합적으로 작용하기 때문에, 단순한 순차 기반 예측만으로는 성능 한계에 직면하는 경우가 많다. 이러한 문제를 해결하기 위해 최근에는 Attention 메커니즘을 도입한 시계열 예측 모델이 활발히 연구되고 있다^[22-24]. Attention 메커니즘은 입력 시퀀스 내 각 시점의 상대적 중요도를 학습하여, 모델이 특정 시점 또는 변수에 더 높은 가중치를 부여하고 이를 기반으로 예측을 수행할 수 있도록 한다. 에너지 분야에서는 특히 LSTM 또는 CNN 기반의 시계열 인코더 구조에 Attention을 결합하여, 전력 수요 예측, 재생에너지 출력 예측, 부하 패턴 분류 등의 정확도를 개선한 연구가 보고되고 있다. 예를 들어, 최근 연구에서는 AMI 데이터를 기반으로 시계열 예측 시 과거의 특정 시간대, 특정 요일, 혹은 특정 기후조건 하의 데이터가 예측에 미치는 영향을 Attention 가중치를 통해 정량화하고, 이를 시각적으로 해석하는 접근이 활용되고 있다. 또한, 복수의 입력 소스(전력 사용량, 기상 데이터, 고객 특성 등)를 통합적으로 다루기 위한 다중 Attention 메커니즘 또한 제안되고 있으며, 이는 각 입력 종류별로 독립적인 중요도 학습이 가능하여 설명력과 예측 정확도 모두를 향상시키는데 효과적인 것으로 나타났다.

2.4 상황인지 모델링 기반 전력 수요 예측

전력 수요는 단순히 시간 흐름에 따라 변화하는 것이 아니라, 기상 조건, 요일, 시간대, 요금제, 고객 특성 등 다양한 상황 정보에 따라 비선형적으로 변화한다. 이에 따라 최근 에너지 예측 분야에서는 이러한 외부 상황 정보를 예측 모델에 통합하여 성능을 향상시키려는 연구가 활발히 진행되고 있다. 예를 들어, 기온, 습도, 일사량 등의 기상 데이터는 냉·난방 부하와 밀접하게 연결되어 있으며, 계절성·시간대와 함께 전력 수요의 단기 및 중기 변화에 영향을 미친다. 또한 요일, 주말·공휴일 여부, 업무 시간 여부와 같은 시간적 정보는 주거용·상업용·산업용 고객군별 전력 사용 패턴 차이를 설명하는 주요 변수로 활용된다. 요금제 정보 역시 중요한 상황 정보로 작용하는데, 계시별 요금제(TOU: Time-of-Use) 또는 실시간 가격제도를 적용받는 고객의 경우 가격 신호에 따라 수요 반응성이 크게 달라진다. 이에 따라 요금 유형이나 가격 민감도와 같은 고객 특성 정보를 함께 반영한 예측 모델이 등장하고 있다. 이러한 상황 정보들은 전통적인 단일 시계열 기반 모델로는 반영이 어렵기 때문에, 최근에는 다중 입력 변수 통합(Multi-input Integration) 방식, 피처 임베딩(Feature Embedding), 상황-Attention 결합 모델 등의 구조가 제안되고 있다^[25-27]. 특히 상황 정보를 개별적으로 인식하여 가중치를 조정할 수 있는 구조는 DR과 같이 복합적인 반응을 요하는 예측 문제에서 더욱 유용하다.

본 연구에서도 이러한 관련 연구들을 바탕으로, 시간 정보, 기상 조건, 고객 계약 특성 등 다양한 상황 정보를 통합적으로 활용하고, 그 중요도를 Attention 메커니즘을 통해 동적으로 반영함으로써 DR 감축량 예측의 정확도와 해석 가능성을 동시에 확보하고자 한다.

3.1 데이터 구성

본 연구에서는 DR 감축량 예측 모델을 개발하기 위하여, 실제 AMI 데이터를 기반으로 고객 단위의 시계열 전력 사용량 데이터와 외부 요인 데이터를 수집하여 통합하였다. 사용된 데이터는 총 1년간(2024년 1월~12월)의 고해상도 전력 사용 정보를 포함하며, 15분 단위로 측정된 시계열 사용량 데이터를 중심으로 구성되었다.

데이터는 경기, 부산·울산, 그리고 광주·전남의 주요 3개 지역의 산업용·상업용 고객을 중심으로 구성되었으며, 총 600호의 고객 데이터를 확보하였다. 본 연구에 활용된 데이터는 다음과 같은 세 가지 범주로 분류된다.

① 시계열 전력 사용량 데이터

AMI 시스템을 통해 수집된 고객 단위의 전력 사용량 (단위: kWh)은 15분 간격으로 측정되며, DR 이벤트 발생 전후 구간을 포함하는 시계열 데이터로 구성

② 상황 정보 (Contextual Information)

예측 정밀도 향상을 위하여, 해당 시점의 기온, 습도, 일사량 등 기상 정보와 함께, 요일, 시간대, 공휴일 여부, 피크 시간대 여부 등 시간적 상황 변수를 포함

③ 고객 메타 정보 및 계약 조건

DR 참여 고객의 계약 전력, 요금제 유형(계시별, 고정요금 등), 산업군(주거용, 상업용, 산업용), DR 참여 이력(횟수, 평균 감축률) 등 고객 특성을 변수로 활용

3.2 AMI 데이터의 이상값 유형 정의 및 전처리

AMI 시스템은 고해상도의 연속 측정 데이터를 제공하는 장점이 있지만, 실측 기반 데이터인 만큼 이상값(Anomaly)이 포함될 수 있다. 이러한 이상 데이터를 제거하거나 보정하지 않으면, 예측 모델이 왜곡된 패턴을 학습하여 성능이 저하될 수 있다. 이에 따라 본 연구에서는 다음과 같은 이상값 탐지 및 전처리 절차를 적용하였다.

① 누락　값(Missing values)

ㆍ 통신 장애, 단말기 오류 등으로 특정 시간대의 데이터가 측정되지 않은 경우

ㆍ 예: 특정 고객의 하루치 또는 특정 시간대 연속 결측 발생

ㆍ 처리방법

- 연속 결측 ≤ 1시간: 양측 평균 선형 보간

- 연속 결측 >1시간: 해당 구간 제거

② 이상치(Outliers)

ㆍ 물리적으로 불가능한 전력 사용량 (예: 음수 값, 극단적인 값 등)

ㆍ 예: 전력 사용량이 -5kWh, 또는 고객 계약전력의 10배 초과 등

ㆍ 처리방법: 설비 상 불가능한 값은 제거 또는 0→NaN 처리 후 보간

③ 고정 값(Frozen values)

ㆍ 동일한 값이 일정 시간 이상 반복되는 경우, 계측기 고장 또는 통신 오류 가능성 존재

ㆍ 예: 4시간 연속으로 동일한 값 유지

ㆍ 처리방법: 일정 시간(예: 1시간) 이상 반복 시 결측 처리

④ 불연속/급격 변화(Spikes)

ㆍ 실제 부하 변화로 보기 어려운 급격한 변동

ㆍ 예: 1시간 내 3배 이상 사용량 급등 또는 급감

ㆍ 처리방법: 전후 시간대 평균과의 차이를 기반으로 비정상 급변 탐지 후 평활화 또는 제거

본 연구에서는 고객별 전력 사용량의 스케일 차이를 보정하고 모델 수렴 속도를 향상시키기 위해, 입력 시계열에 대해 Min-Max 정규화를 적용하였다. 이로써 모든 입력 값이 0~1 범위에 위치하도록 조정되었으며, 예측 모델이 각 고객별 부하 패턴의 상대적 변화를 효과적으로 학습 할 수 있도록 하였다.

그림 2. 전처리 전후 시간대 평균 부하 패턴(1월∼12월)

Fig. 2. Comparison of hourly load profiles before and after data preprocessing (Jan–Dec)

또한, 원시 AMI 시계열 데이터는 단일 시점의 연속 측정값으로 구성되어 있어, 예측 모델이 학습에 활용하기 위한 고정 입력-출력 구조로 직접 활용하기에는 적합하지 않다. 특히 하루 단위로만 감축량을 예측할 경우 전체 학습 샘플 수가 제한적이며, 시간 흐름에 따른 부하 패턴의 복잡성과 상황 정보를 반영하기 어렵다. 이에 본 연구에서는 누락 값 제거 나 이상치 처리 등의 데이터 전처리를 완료한 AMI 시계열 데이터를 그대로 사용하지 않고, 슬라이딩 윈도우 방식을 적용하여 일정 구간의 시계열 입력을 구성하였다. 그림 2는 전처리 전후의 시간대 별 평균 전력 사용량(kWh)을 시각화한 것이다.

그림 2에서와 같이 이상치 및 결측 구간을 보정하기 위하여 이동편균과 보간(interpolation)기법을 적용함으로써 원시 데이터의 급격한 변동성이 완화되어, 전처리 후 부하패턴은 실제보다 다소 매끄럽게 표현되는 경향을 보였다. 파란색 선은 이상값 및 결측값 정제 전의 전력 사용량 평균이며, 주황색 선은 동일 데이터셋에 대해 전처리를 적용한 후의 평균값을 나타낸다. 전처리 과정에서 원시 데이터의 급격한 변동성이 완화되어, 전처리 후 부하패턴은 실제보다 다소 매끄럽게 표현되는 경향을 보였다. 따라서 그림 2의 전처리 후 곡선(주황색)은 변동성이 줄어든 형태로 제시되며, 이는 모델 학습 과정에서 데이터의 안정성을 확보하기 위함이다.

또한, 전처리 전 데이터는 새벽 시간대(0시~6시)에 급격한 상승을 나타내는 등 전형적인 가정용/상업용 부하 패턴과는 상이한 변동을 보였다. 이러한 이상 패턴은 결측 및 이상값(예:음수값, 비정상 고/저치)으로 인해 왜곡된 것으로 판단된다. 반면, 전처리 후의 곡선은 비교적 안정적인 곡선을 이루며, 새벽 시간대의 이상 저사용량이 보정되고, 오전~오후 시간대의 완만한 증가와 하강 흐름을 보이는 등 보다 현실적인 부하 특성을 반영하고 있다. 이를 통해, 제안된 전처리 절차(누락 보정 및 이상값 제거)가 전력 소비 패턴의 왜곡을 효과적으로 완화하고, 예측 모델 학습에 적합한 품질의 데이터를 확보하는 데 기여함을 확인할 수 있다.

뿐만 아니라 본 논문에서는 모델의 예측 정확도 향상을 위해, DR 이벤트 시점의 감축량을 타깃으로 설정함으로써, 예측 가능 샘플 수를 대폭 증가시키고 모델의 학습 효율과 일반화 성능을 동시에 확보하였다. 표 1은 이러한 원시 시계열 데이터와 슬라이딩 윈도우 기반 학습 샘플 간의 구조적 차이를 비교하여, 본 연구에서 제안하는 데이터 구성 방식의 필요성과 장점을 명확히 제시하고자 한다. 입력 변수는 기본적으로 15분 단위 전력 사용량을 중심으로 구성되며, DR 감축량 예측의 정확도를 높이기 위해 고객의 과거사용 패턴뿐만 아니라, 시간대, 기상 조건, 지역, 계약 정보, DR 참여 이력 등 다양한 정적 및 상황 정보를 포함한 입력 변수들을 활용하였다.

4.1 DR 감축량 예측 모델 설계

모델 설계는 크게 세 가지 방향을 중심으로 이루어진다. 첫째, 시계열 소비 데이터의 연속성과 계절성, 추세성 등 시간적 패턴을 효과적으로 반영하기 위한 구조를 도입한다. 둘째, 다양한 정성적·정량적 상황 정보를 모델 내에서 효과적으로 융합하기 위해 상황 정보 인코더 및 Attention 기반 통합 구조를 적용한다. 셋째, 최종 감축량 예측의 해석 가능성과 정책 연계 가능성을 고려하여, 입력 변수별 중요도 분석이 가능한 구조를 반영한다. 이러한 설계 방향은 실제 DR 환경에서 다양한 고객 유형에 대한 감축 예측의 신뢰성과 활용 가능성을 제고하는 데 중점을 둔다. 본 논문에서 제안하는 예측 모델은 다음 세 가지의 구조적 차별성을 가진다.

ㆍ 시간적 특성 반영: 고객 전력 소비 데이터의 시계열적 특성(예: 주기성, 계절성, 추세 등)을 효과적으로 반영할 수 있도록 시계열 기반의 딥러닝 구조를 설계

ㆍ 상황 정보 통합: 요일, 시간대, 기상 조건, 요금제 유형, 과거 DR 참여 이력 등 다양한 외생 변수와 맥락 정보를 모델 입력에 통합함으로써 감축 반응에 영향을 미치는 요인을 정교하게 학습할 수 있도록 함.

ㆍ 모델 해석 가능성 확보: 모델 예측 결과의 해석 가능성을 높이기 위해 어텐션 메커니즘(Attention mechanism)을 도입하고, 입력 변수별 영향도 분석이 가능하도록 설계함으로써 DR 정책 수립 및 활용에 기여할 수 있는 구조를 지향함.

본 논문에서 제안하는 예측 모델의 입력 변수는 고객별 전력 사용량을 중심으로, 시간대별 시계열 소비 패턴과 상황 정보를 함께 포함한다. 표 2와 같이 입력 변수는 크게 시계열 변수와 상황 변수로 구분되고, 복합 정보의 입력을 통해 시간적·상황적 맥락을 반영하는 예측 구조를 구현하였다. 또한, 예측 모델의 학습을 위해 고정된 길이의 과거 시계열 구간을 입력으로 사용하고 해당 구간 이후의 감축량을 예측 대상으로 삼은 슬라이딩 윈도우 기반 시계열 샘플링 기법을 적용하였다. 본 연구에서는 96개의 연속된 15단위 소비량(즉, 하루치 시계열)을 하나의 입력 벡터로 구성하였고, 이에 인접한 다음 시점의 감축량을 타깃으로 설정하였다. 이와 같은 시계열 구조는 시점 간 소비 흐름을 효과적으로 반영하여, DR 감축 반응을 정교하게 학습할 수 있도록 지원한다.

출력 값은 DR 이벤트 시점 t 에서 고객이 실제로 달성한 전력 감축량 $\triangle E_{t}$[kWh]으로 정의된다. 감축량은 사전 산정된 기준부하(Baseline)와 실측 전력 사용량의 차이를 통해 계산하며, 식 (2)과 같이 표현된다.

식 (2)에서 $B_{t}$는 DR 이벤트가 없었을 경우로 가정한 기준부하이고, $P_{t}$는 동일 시점 t에서의 실측 전력 사용량이다. 본 논문의 예측 모델은 입력 윈도우(최근 96개 시점의 소비 패턴 및 상황 정보)를 기반으로 식 (2)의 $\triangle E_{t}$를 연속형 회귀 문제로 추정하도록 학습된다. 이렇게 산출된 감축량 예측 값은 DR 정산 및 인센티브 설계의 기초 자료로 활용될 수 있다.

그림 3. DR 감축량 예측모델 아키텍쳐

Fig. 3. Architecture of DR reduction prediction model

그림 3은 본 논문에서 제안하는 DR 감축량 예측 모델의 아키텍쳐를 입력 인코딩 단계, Attention 인코딩 단계, 그리고 회귀 예측 단계의 세 단계로 나누어 시각화한 것이다. 첫 번째 단계인 ‘입력 인코딩 단계’에서는 고객의 과거 전력 사용량 시계열 데이터를 LSTM(Long Short-Term Memory) 네트워크에 입력하여 시간 의존적인 패턴을 추출한다. 동시에 시간대, 요일, 계약전력, 온도 등 다양한 상황 정보들도 함께 입력되어 추후 ‘Attention 인코딩 단계’에서는 입력된 시계열 특성과 상황 정보 각각에 대해 다중 Attention 모듈을 적용하여 정보 간의 중요도를 동적으로 산출한다. 각 Attention 모듈은 특정 변수와의 관계성을 집중적으로 파악하며, 이를 통해 모델은 예측에 유의미한 특징을 자동으로 선택하고 가중치를 부여한다. 세 번째 단계인 ‘회귀 예측 단계’는 앞선 Attention 결과들을 통합하여 하나의 벡터로 구성한 후, 이 단계는 연속적인 감축량 예측을 목표로 하는 회귀방식으로 설계되었으며, 최종 출력은 DR 시점의 전력 감축량으로 해석된다. 이러한 단계적 구조는 시계열 특성, 상황 맥락, 변수 간 상호작용을 종합적으로 반영하여 예측 성능을 높이는 동시에 해석 가능성을 함께 고려한 설계라 할 수 있다.

4.2 DR 감축량 예측 모델 구현

우리는 실시간 처리 요구가 높은 DR 시스템에서의 예측 모델 구현을 위한 실용적이고 재현 가능한 기반을 마련하기 위해 표 3과 같은 구현 환경을 구축하였다.

배치 크기는 128, 에포크는 최대 100으로 설정하였으며, GPU 환경에서 병렬 연산을 통해 학습 시간을 단축하였다. 이와 같은 학습 구성은 실제 DR 환경에서의 예측 정확도 향상과 함께 실시간 대응 가능성을 고려하여 설계되었다.

또한, 본 연구에서 사용된 AMI 데이터에는 실제 감축량 정보가 포함되어 있지 않다. 이에 따라, 본 논문에서는 사전 정의된 기준부하(Baseline)를 기반으로 가상 감축량(Pseudo Reduction)을 산정하여 예측 모델의 출력과 비교하였다. 우리가 정의한 가상 감축량은 실제 DR 이벤트가 발생하지 않은 기간에도 모델의 예측 성능을 검증하기 위해 산정된 값이다. 구체적으로, 전력거래소(KPX) 및 기존 연구들에서 일반적으로 활용되는 기준부하 산정 절차를 응용하여, 특정 기간의 기준부하와 실제 부하 간의 차이를 가상 감축량으로 정의하였다. 이러한 방식은 DR 성과 평가 및 검증 연구에서 널리 활용되는 접근으로, 기준부하 기반 효과 분석 시 실제 감축량을 대체하는 검증 지표로 활용되고 있다. 따라서 본 연구에서는 가상 감축량을 도입함으로써 실제 이벤트가 부재한 상황에서도 제안 모델의 감축량 예측 성능을 객관적으로 평가하였다.

Baseline은 최근 유사 시간대의 부하 평균을 바탕으로 구성하였으며, 이를 통해 실제 감축량을 근사하였다. 이와 같은 방식은 실측 감축량이 존재하지 않는 데이터 환경에서 DR 예측 모델의 성능을 검증하는 현실적인 접근 방법으로 활용된다.

그림 4. 시간대별 기준 부하 및 실제·예측 감축량 비교

Fig. 4. Comparison of Baseline Load and Actual/Predicted DR Reduction by Time Period

그림 4는 하루를 5개의 시간대(6시∼9시, 9시~14시, 17시~21시, 21시~24시)로 구분하여, 각 시간대별 기준 부하(Baseline Load)와 실제 감축량(Actual Reduction), 예측 감축량(Predicted Reduction)을 시각화한 결과이다. 기준 부하는 회색 선으로 표현되며, 이는 감축 행위가 없을 경우 예상되는 전력 사용량을 의미한다. 실제 감축량과 예측 감축량은 각각 노란색 및 주황색 막대로 나타내었다. 그래프에서 확인할 수 있듯이, 17시~21시 구간은 기준 부하가 가장 높은 피크 시간대로, 실제 감축량과 예측 감축량 역시 가장 높게 나타나며 DR 참여가 집중되는 양상을 보였다. 이는 DR 프로그램이 전력 피크를 효과적으로 완화하는 데 기여할 수 있음을 시사한다. 반면, 6시~9시 구간은 기준 부하가 낮고 감축량 역시 미미하게 나타나, DR 유인 및 필요성이 적은 시점으로 해석된다.

모델의 예측 감축량은 전체적으로 실제 감축량과 유사한 패턴을 보이며, 특히 9시~14시와 17시~21시 시간대에서 높은 일치도를 확인할 수 있었다. 이는 제안한 예측 모델이 시간대별 부하 특성과 감축 패턴을 효과적으로 학습하였음을 의미한다. 또한 예측 값과 실제 값 간의 편차가 크지 않다는 점은 모델의 실효성과 신뢰성을 뒷받침한다.

그림 5. 입력 변수 별 중요도 분석

Fig. 5. Analysis of Feature Importance

그림 5는 제안한 예측 모델이 다양한 상황정보 입력 변수 중 어떤 요소에 주목했는지를 시각화한 것으로, Attention Weight를 기반으로 각 입력 변수의 상대적 중요도를 나타낸다. 분석 결과, '시간대(Hour of day)'가 가장 높은 주의 가중치(0.32)를 차지하여 감축량 예측에 있어 가장 중요한 요소로 작용함을 보여주었다. 이는 전력 수요 및 감축 가능성이 시간대별로 뚜렷한 패턴을 보인다는 점과 일치한다. 다음으로 높은 중요도를 보인 입력 변수는 '기온(Temperature)'으로 0.25의 가중치를 나타냈으며, 이는 냉방 또는 난방에 따른 수요 변동성을 효과적으로 설명할 수 있음을 시사한다. '요일(Day of week)'과 '계약전력(Contract demand)'**은 각각 0.18, 0.15의 중요도를 보였고, 이는 주중·주말에 따른 수요 패턴 변화와 고객의 최대 사용 전력 범위가 감축 가능성에 영향을 미친다는 점을 반영한다. 마지막으로 '구름의 양(Cloudiness)'은 0.10으로 비교적 낮은 중요도를 보였으며, 이는 다른 기상 요소에 비해 감축량 예측에 미치는 영향이 적음을 의미한다. 이러한 분석은 Attention 기반 모델이 복합적인 상황 정보를 학습하고, 실제 예측에 있어 어떤 요인에 더 집중하는지를 직관적으로 확인할 수 있게 해준다. 이를 통해 향후 DR 프로그램 설계 시 주요 영향 인자를 선별하고 모델 해석 가능성을 높이는 데 기여할 수 있다.