Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

기술 요약: 케냐 선불형 전력망의 도시 주거용 전력 소비 예측 모델링

문제 제기
정확한 전력 부하 예측은 그리드 안정성, 수익 계획 및 에너지 관리에 있어 매우 중요하며, 특히 선불 계량기가 주요 결제 시스템으로 자리 잡은 급격한 도시화 지역에서 더욱 그러하다. 그러나 기존의 예측 모델들은 종종 서구 시장의 가설—즉, 냉난방(HVAC) 사용으로 인한 기상 변화에 대한 높은 민감도와 상당한 단기 가격 탄력성—에 의존하는 경향이 있다. 이러한 가정은 필수적인 기저 부하 활동에 의해 소비가 결정되고, 기후 조절이나 즉각적인 요금 탄력성보다는 선불 잔액에 의해 제약을 받는 사하라 이남 아프리카의 맥락에서는 유효하지 않을 수 있다. 또한, 고급 머신러닝(ML) 모델의 "블랙박스" 특성은 투명한 통찰력을 필요로 하는 정책 입안자들에게 활용도를 제한한다. 본 연구는 케냐 선불 부문의 주거용 수요를 결정하는 진정한 동인을 이해하는 데 대한 격차를 해소하고, 복잡한 ML 아키텍처가 특정 환경에서 단순한 통계적 접근 방식보다 의미 있는 이점을 제공하는지 평가한다.

방법론
본 연구는 2017년 1월부터 2026년 4월까지의 종단적 데이터셋을 활용하며, 에너지·석유 규제국(EPRA)으로부터 수집한 과거 소비 기록, 기상 변수 및 요금 정보를 통합한다.

• 특징 공학(Feature Engineering): 본 프레임워크는 단기 지속성과 연간 계절성을 포착하기 위해 자기회귀 특징(Lag 1, Lag 2, Lag 12 kWh)을 활용한다. 외생 변수로는 월평균 기온, 냉방도일(CDD) 및 요금 매개변수(Lifeline Rate 및 Limit)가 포함된다.
• 모델링 프레임워크: XGBoost(Extreme Gradient Boosting) 모델을 전통적인 OLS(Ordinary Least Squares) 회귀 모델과 비교 벤치마킹하는 비교 접근법을 채택한다.
• 검증 전략: 정보 누출(information leakage)을 방방지하기 위해 엄격한 시계열 검증 전략을 사용하였다. 20172024년 데이터는 훈련 및 하이퍼파라미터 최적화에 사용되었으며, 20252026년 데이터는 오직 표본 외(out-of-sample) 테스트를 위해 예약되었다.
• 설명 가능성(XAI): 본 연구는 특징 기여도를 정량화하고 XGBoost 모델을 해석하기 위해 **SHAP(SHapley Additive exPlanations)**을 통합한다.
• 진단: 다중공선성 확인을 위한 분산 팽창 요인(VIF) 검사, 자기상관/편자기상관 분석(ACF/PACF), 계절성 분해, 그리고 서로 다른 예측 변수 그룹의 기여도를 격리하기 위한 절제 연구(ablation studies)를 포함한다.

주요 결과

1. 역사적 행동의 지배력: 상관관계 분석과 SHAP 값은 과거의 소비 행동이 미래 수요의 주요 결정 요인임을 밝혀냈다. 시차 기반의 자기회귀 변수(특히 Lag 1 및 Lag 2)는 기상이나 요금 변수의 영향력을 훨씬 상회하는 가장 높은 예측 영향력을 나타냈다.
2. 모델 성능의 유사성: 그보다 높은 복잡성에도 불구하고, XGBoost 모델은 OLS 모델과 대등한 수준의 예측 성능을 달age했다. XGBoost 모델은 약간 낮은 평균 절대 오차(MAE)를 보였으나, OLS는 약간 더 낮은 평균 제곱근 오차(RMSE)를 기록했다. 이는 데이터셋 내의 예측 정보가 주로 선형적이며 단순한 자기회귀 관계에 의해 포착될 수 있음을 시사한다.
3. 외생 변수의 제한된 영향: 기상(CDD) 및 요금 변수는 예측 정확도 향상에 미미한 개선만을 가져왔다. 절제 연구 결과, 이러한 변수들을 "Lag 전용" 모델에 추가하더라도 RMSE의 감소 폭은 무시할 만한 수준이었다.
4. 행동적 지속성: 자기상관 진단과 계절성 분해는 주거용 수요가 가격 변화나 기상 변동성에 대한 즉각적인 반응보다는 강력한 시간적 지속성과 반복되는 소비 패턴에 의해 통제됨을 나타낸다.

의의 및 주장
본 논문은 케냐 선불 부문의 주거용 전력 수요가 서구 문헌에서 흔히 가정되는 기상 민감도나 가격 탄력성이 아니라, 주로 행동적 지속성과 반복되는 소비 패턴에 의해 결정된다고 주장한다.

• 방법론적 기여: 본 연구는 계산 효율적이고 투명한 통계 모델(예: OLS)이 선불 환경에서 신뢰할 수 있는 수요 추정치를 제공할 수 있음을 입증하며, 점점 더 복가한 ML 아키텍처가 항상 우수한 성능을 위해 필수적이라는 가설에 도전한다.
• 정책적 시사점: 연구 결과는 단기 주거용 수요가 완만한 요금 조정에 대해 상대적으로 비탄력적임을 시사한다. 정책 입안자들은 요금 개정 후 즉각적인 수요 감소를 기대해서는 안 되며, 가구들은 필수 서비스를 우선시하고 가용 크레딧에 따라 안정적인 사용 습관을 유지하기 때문이다.
• 운영적 가치: 본 연구는 해석 가능한 예측 프레임워크의 가치를 강조한다. 과거 사용 기록이 지배적인 동인임을 식별함으로써, 유틸리티 기업은 복잡하고 불투명한 모델을 구축하기보다 정확한 과거 사용 기록을 유지하는 데 우선순위를 두어 운영 의사결정과 이해관계자의 신뢰를 높일 수 있다.

결론적으로, 본 연구는 케니의 선불형 그리드에 있어 첨단 AI의 "블랙박스"는 단순한 자기회귀 모델에 비해 추가적인 예측 능력을 거의 제공하지 못하며, 단기 부하 예측을 위해서는 외부 경제적 또는 기후적 변수를 모델링하는 것보다 선불 소비자들의 행동적 관성을 이해하는 것이 더 중요하다는 점을 시사한다.