Sustainable Electricity Demand Forecasting and Risk Management under Transformative Technologies = 대전환 기술 환경을 고려한 지속가능한 전력 수요 예측 및 리스크 관리

국문 초록 (Abstract)

전 세계 전력 수요는 대전환 기술의 확산과 함께 구조적 변화를 겪고 있다. 특히 AI 데이터센터와 전기차(EV) 도입의 가속화는 전력 소비의 규모뿐 아니라 시간적·공간적 분포까지 바꾸고 있으며, 이로 인해 기존의 안정성을 전제로 한 수요–공급 계획 체계가 점차 한계에 직면하고 있다. AI 데이터센터는 고밀도의 지속적 기반부하를 형성하고, EV 충전은 특정 시공간에 집중되는 부하를 만들어냄으로써 장기적인 예측 불확실성과 시스템 리스크를 크게 증가시키고 있다. 이러한 변화는 단순한 수요 증가를 넘어 전력 설비 포화, 국지적 정체, 대규모 정전과 같은 재난 수준의 위험으로 확장될 수 있기 때문에, 기존의 단일 예측값 중심 접근을 넘어 확률적, 구조적 관점의 수요 예측이 요구된다.
본 연구는 이러한 문제의식을 바탕으로, 대전환 기술이 야기하는 전력 수요 변화를 독립적으로 파악할 수 있는 모듈형 예측 체계를 설계하였다. 전통적 요인(GDP, 인구 등)으로 설명되는 기저 수요와 AI, EV 확산에 따른 기술기반 수요를 구조적으로 분리함으로써, 기술 확산이 전력 수요의 수준과 변동성을 어떻게 변화시키는지를 분명하게 계량화하였다. 이를 토대로 ARIMAX와 Prophet 모델을 활용하여 2025년부터 2050년까지의 미국 전력 수요를 예측하였으며, 두 모델의 추세 안정성, 외생 변수 민감도, 충격 반응 특성을 비교함으로써 기술 확산 환경에서의 모델별 활용 가능성을 규명하였다.
예측의 불확실성을 정량화하기 위해 몬테카를로 기반 확률적 예측 절차를 도입하였다. 이 접근은 단일 예측값이 아닌 잠재적 수요 범위 전체를 분석함으로써 장기 예측에서 필연적으로 증가하는 변동성과 위험도를 보다 현실성 있게 해석할 수 있도록 한다. 본 연구는 또한 생성형 AI의 대표 기법인 확산(Diffusion) 모델을 장기 전력 수요 예측에 적용하여, 비선형적 불확실성 누적과 비대칭적 위험 구조를 반영하는 확률 분포 기반의 예측 결과를 제시하였다. 이는 기존 연구들이 단기 부하 예측에 국한된 것과 달리, 대전환 기술 요인을 조건 변수로 통합하고 장기 예측에 적용한 최초의 사례라는 점에서 학술적 의의를 갖는다.
ARIMAX, Prophet, Diffusion 모델을 동일한 외생변수 및 동일 기간 조건에서 비교한 분석 또한 본 연구의 중요한 특징이다. 이를 통해 각 모델이 제공하는 설명력, 추세 안정성, 확률적 적합도 등 상이한 장점을 구조적으로 파악할 수 있었고, 장기, 고불확실성 환경에서 어떤 접근법이 어떤 정책·운영 목적에 적합한지 판단할 수 있는 근거를 마련하였다. 이러한 통합적 분석은 향후 전력계획에서 특정 모델의 우월성을 주장하기보다는, 목적 기반 모델 선택과 위험 기반 의사결정이 중요하다는 점을 강조한다.
종합하면, 본 연구는 기술 주도의 구조적 전력 수요 변화를 분해하여 분석하고, 장기 불확실성을 확률 분포로 표현하며, 다양한 예측 접근법을 통합적으로 비교할 수 있는 분석 프레임워크를 제시한다. 특히 제안된 프레임워크는 모듈형 구조를 기반으로 설계되어, 향후 새로운 전력 수요원이 등장하더라도 예측 아키텍처의 근본적 변경 없이 확장이 가능하며, 기술 확산에 수반되는 불확실성을 체계적으로 관리할 수 있는 기반을 제공한다. 이는 대전환 기술이 지배하는 미래 환경에서 탄력적이고 지속 가능한 전력 시스템 계획을 지원하는 실질적인 방법론적 기여로 평가된다.

다국어 초록 (Multilingual Abstract)

The global electricity landscape is undergoing rapid structural transformation as transformative technologies such as artificial intelligence (AI) data centers and electric vehicles (EVs) expand at an unprecedented pace. These technologies not only increase overall electricity consumption but also reshape its temporal and spatial distribution, weakening long-standing assumptions of demand stability. AI data centers create persistent, high-density base-load demand, while EV charging generates locally concentrated and temporally synchronized loads. As these dynamics intensify, uncertainty in long-term electricity forecasting increases, along with risks related to supply demand imbalance, grid congestion, and, in extreme cases, system-wide disruptions or disaster-level events. These challenges highlight the need for forecasting frameworks that go beyond single point estimation and incorporate structured uncertainty assessment to support adaptive, risk-aware electricity system planning.
This dissertation presents a modular forecasting framework capable of isolating and quantifying the impacts of transformative technologies on electricity demand. Baseline demand driven by traditional macroeconomic factors such as GDP, population, and labor force is separated from technology-induced demand generated by AI data center expansion and EV adoption. This structural decomposition enables the model to capture heterogeneous and nonlinear demand characteristics that are not adequately represented in conventional econometric or univariate time series models.
Using ARIMAX and Prophet models, long-term electricity demand in the United States from 2025 to 2050 is forecasted under a consistent set of exogenous variables. Prophet exhibits strong trend stability and delivers the highest deterministic accuracy, while ARIMAX shows sensitivity to structural shocks, making it suitable for policy-oriented scenario analysis. To address the limitations of purely deterministic forecasts, Monte Carlo simulation is incorporated to generate probabilistic prediction intervals. This approach enables interpretation of long-horizon uncertainty and provides insight into potential system stress scenarios posed by unexpected technology adoption patterns or extreme demand outcomes.
A further contribution of this dissertation is the application of a diffusion-based generative model to long-term electricity demand forecasting. While diffusion models have been used primarily in image and video generation and, more recently, in short-term load forecasting, this study applies the method to the 2025–2050 horizon and incorporates AI and EV indicators as conditional drivers. The diffusion model captures nonlinear uncertainty accumulation and asymmetric risk structures, offering a probabilistic representation of tail events such as extreme peak loads or localized grid stress that conventional models cannot adequately express.
The comparative analysis of ARIMAX, Prophet, and diffusion models under identical conditions is another distinctive component of this research. Each model reveals different strengths in explanatory power, trend robustness, and probabilistic coverage. This integrated comparison provides a foundation for model selection based on risk-centered planning objectives rather than reliance on any single forecasting methodology.
Overall, this dissertation offers a coherent analytical framework that decomposes technology-driven structural demand shifts, represents long-term uncertainty through probabilistic distributions, and compares multiple forecasting approaches under a unified structure. The modular design of the proposed framework further enables the integration of additional emerging electricity demand sources without fundamental changes to the forecasting architecture, thereby supporting scalable and risk-aware electricity planning under technological uncertainty. In an era shaped by transformative technologies, the proposed methodology supports the development of resilient, sustainable, and forward-looking power systems under increasingly uncertain future conditions.

목차 (Table of Contents)

• List of Figures vi
• List of Tables x
• Abstract xiii
• Chapter 1. Introduction 1
• 1.1. Research Motivation 1
• 1.2. Research Objectives 4
• 1.3. Definition and Diffusion of Transformative Technologies 5
• 1.4. Outline of the Dissertation 8
• Chapter 2. Literature Review 11
• 2.1. Sustainable Power System Research Trends 11
• 2.2. Electricity Demand Forecasting Methods 13
• 2.3. The Impact of AI and EV Adoption on Electricity Demand 17
• 2.4. Forecasting Uncertainty and Simulation Based Quantification 27
• Chapter 3. Strategic Scenarios for Addressing Electrical Power Supply and Demand Imbalances 33
• 3.1. Risk Analysis of the Electricity System 33
• 3.1.1. Practical Constraints on Expanding Electricity Supply 34
• 3.1.2. Surge in Electricity Demand and Increasing Grid Complexity 37
• 3.2. Transformation of the Electricity Industry 41
• 3.2.1. Evolving Requirements within the Electricity Industry 41
• 3.2.2. Structural Transformation of the Electricity Industry 43
• 3.3. Response Strategies and Policy Recommendations 45
• 3.3.1. Response Strategies for Electricity Supply 47
• 3.3.2. Response Strategies for Electricity Demand and Brokerage 49
• 3.4. Scenario Analysis and Strategic Recommendations 53
• 3.4.1. Scenario Analysis 53
• 3.4.2. Necessity of Integrated Strategies and Policy Implications 56
• Chapter 4. Design of Forecasting Framework Reflecting Transformative Technologies (AI and EV) 58
• 4.1. Mathematical Modeling 58
• 4.1.1. Principles of ARIMAX Model Series 58
• 4.1.2. Principle of Prophet Model 68
• 4.2. Simulation Design and Implementation 72
• 4.2.1. A New Framework for Mid to Long Term Electricity Demand Forecasting 72
• 4.2.2. Simulation and Performance Evaluation Method 74
• 4.3. Results and Analysis 77
• 4.3.1. Model Verification and Performance Evaluation 78
• 4.3.2. Electricity Demand Forecast Incorporating AI Data Centers and EVs 88
• 4.3.3. Expansion Potential of Electricity Demand Forecasting 95
• 4.4. Discussion and Implications 100
• Chapter 5. Quantifying and Analyzing Forecast Uncertainty 102
• 5.1. Mathematical Modeling 102
• 5.1.1. Forecast Uncertainty in Electricity Demand and the Need for Prediction Intervals 102
• 5.1.2. Concept of Prediction Intervals and Uncertainty Quantification 103
• 5.1.3. Structure of the ARIMAX Model and Prediction Interval Estimation 104
• 5.1.4. Structure of the Prophet Model and Prediction Interval Estimation 106
• 5.2. Simulation Design and Implementation 110
• 5.2.1. Overview and Research Design 110
• 5.2.2. Model Configuration 111
• 5.3. Results and Analysis 117
• 5.3.1. Annual Electricity Demand Forecast Results 117
• 5.3.2. Interpretation of Prediction Intervals 119
• 5.3.3. Comparison of Prediction Interval Widths 121
• 5.4. Discussion and Implications 126
• Chapter 6. Diffusion Model-based Probabilistic Forecasting 129
• 6.1. Research Motivation and Contribution 129
• 6.2. Mathematical Modeling 134
• 6.2.1. Forward Diffusion Process 135
• 6.2.2. Reverse Diffusion Process 136
• 6.2.3. Conditional Diffusion 137
• 6.2.4. Training Objective 137
• 6.3. Simulation Design and Implementation 138
• 6.4. Results and Analysis 142
• 6.4.1. Forecast Trajectories and Probabilistic Intervals 143
• 6.4.2. Comparative Performance Analysis 144
• 6.4.3. Stability and Reproducibility Analysis 145
• 6.5. Electricity Demand Forecasting Extension for Emerging Transformative Technologies: A Quantum Computing Case Study 147
• 6.5.1. Structural Modeling of Quantum Computing Electricity Demand 148
• 6.5.2. Scenario Design for Quantum Computing Diffusion 151
• 6.5.3. Quantitative Magnitude and Long-Term Impacts of QC Electricity Demand 152
• 6.5.4. Structural Interpretation of Quantum Computing Impacts and the Role of Diffusion Uncertainty 155
• 6.6. Discussion and Implications 157
• Chapter 7. Conclusions 161
• 7.1. Summary and Key Findings 161
• 7.2. Policy Implications 163
• 7.3. Limitations and Future Directions 165
• 7.4. Concluding Reflection 166
• References 168
• Appendix 176
• Appendix A. Pseudo Code for ARIMA(2,1,2)-Based Electricity Demand Forecasting 176
• Appendix B. Pseudo Code for ARIMA(0,2,1)-Based Electricity Demand Forecasting 177
• Appendix C. Pseudo Code for ARIMAX with Only Basic Data 179
• Appendix D. Pseudo Code for Optimal p,d,q with AIC 181
• Appendix E. Pseudo Code for Evaluating ARIMAX Model with Historical Data (2000-2024) 183
• Appendix F. Pseudo Code for ARIMAX with AI DC and EV 184
• Appendix G. Pseudo Code for Comparison of ARIMAX and Prophet with AI DC and EV 186
• Appendix H. Pseudo Code for Prophet Tunned Parameters 188
• Appendix I. Pseudo Code for Uncertainty Quantification of Forecasting by ARIMAX Model 191
• Appendix J. Pseudo Code for Uncertainty Quantification of Forecasting by Prophet Model 194
• Appendix K. Pseudo Code for Forecasting by Diffusion Model 198
• Appendix L. Pseudo Code for Diffusion Forecasting with QC Scenario 203
• Appendix M. Case Studies Code and Data Availability 207
• Korean Abstract 208