[논문 리뷰] A Deep Learning Approach for Macroscopic Energy Consumption Prediction with Microscopic Quality for Electric Vehicles

Ayman Moawad, Krishna Murthy Gurumurthy외 5명|arXiv (Cornell University)|2021. 11. 24.

Transportation Planning and Optimization인용 수 4

한 줄 요약

이 논문은 대규모 고정밀 시뮬레이션 데이터셋을 활용하여 미세한 속도 프로파일이 필요 없이 고수준의 경로 데이터만을 사용해 전기차의 매크로스코픽 에너지 소비를 예측하는 딥러닝 모델을 제안한다. 세부 차량 동역학 정보가 가림됨에도 불구하고, 높은 정확도(R² > 0.98)와 낮은 추론 지연(예측당 ≤50 ms)을 달성하여 POLARIS와 같은 대규모 교통 시뮬레이션에 실시간 통합이 가능하다.

ABSTRACT

This paper presents a machine learning approach to model the electric consumption of electric vehicles at macroscopic level, i.e., in the absence of a speed profile, while preserving microscopic level accuracy. For this work, we leveraged a high-performance, agent-based transportation tool to model trips that occur in the Greater Chicago region under various scenario changes, along with physics-based modeling and simulation tools to provide high-fidelity energy consumption values. The generated results constitute a very large dataset of vehicle-route energy outcomes that capture variability in vehicle and routing setting, and in which high-fidelity time series of vehicle speed dynamics is masked. We show that although all internal dynamics that affect energy consumption are masked, it is possible to learn aggregate-level energy consumption values quite accurately with a deep learning approach. When large-scale data is available, and with carefully tailored feature engineering, a well-designed model can overcome and retrieve latent information. This model has been deployed and integrated within POLARIS Transportation System Simulation Tool to support real-time behavioral transportation models for individual charging decision-making, and rerouting of electric vehicles.

연구 동기 및 목표

• 세부 속도 프로파일이 필요 없이 경로 수준의 입력만을 사용해 전기차의 정확한 매크로스코픽 에너지 소비 예측을 가능하게 하기 위해.
• 미세한 동역학 정보가 가려진 상태에서 대규모 고정밀 시뮬레이션 데이터를 활용해 잠재적인 정보 손실 문제를 해결하기 위해.
• POLARIS에 경량이고 확장 가능한 에너지 예측 모델을 통합하여 대규모 교통 시스템에서 실시간 행동 모델링을 지원하기 위해.
• 다양한 운전 행동과 시나리오 조건 하에서 충전 수요 예측, 경로 선택 및 전력망 영향 분석을 향상시키기 위해.
• 딥러닝 모델이 내부 동역학 정보가 가려진 집계 수준의 데이터에서 의미 있는 에너지 소비 패턴을 복원할 수 있음을 입증하기 위해.

제안 방법

• 연구는 다양한 시나리오(차량 유형, 운전 행동, 충전 패턴 등) 하에서 greater Chicago 지역의 이동을 모의하는 POLARIS 에이전트 기반 시뮬레이션 프레임워크를 사용한다.
• 고정밀 에너지 소비 값은 물리 기반 시뮬레이션 툴인 Autonomie를 사용해 생성되며, 차량-경로 에너지 결과의 대규모 데이터셋을 생성한다.
• 입력 데이터에서 미세한 속도 동역학 정보는 가려지며, 링크 길이, 평균 속도, 도로 유형 등의 매크로스코픽 경로 수준 특성만 남는다.
• 컨볼루션 및 순환 신경망 아키텍처를 조합한 딥러닝 모델이 가려진 데이터셋에서 훈련되어 링크 수준의 에너지 소비를 예측한다.
• 특성 공학은 차량 클래스, 배터리 용량, 교통 조건 등의 관련 물리적 및 행동적 요인을 입력 표현에 효과적으로 통합하도록 세밀하게 설계된다.
• 모델는 POLARIS 내부에 통합되어 최소한의 성능 오버헤드(예측당 ≤50 ms)로 실시간 에너지 및 SOC 예측을 지원한다.

실험 결과

연구 질문

• RQ1 미세한 속도 프로파일에 접근할 수 없지만 매크로스코픽 경로 입력만을 사용해 딥러닝 모델이 전기차의 링크 수준 에너지 소비를 정확하게 예측할 수 있는가?
• RQ2 내부 동역학 정보가 가려진 상태에서 훈련된 모델이 에너지 소비를 지배하는 잠재적 물리적 관계를 어느 정도 복원할 수 있는가?
• RQ3 대도시 지역의 다양한 차량 유형, 교통 조건 및 시나리오 변동에서 모델의 성능는 어떻게 스케일링되는가?
• RQ4 대규모 실시간 교통 시뮬레이션 환경에서 모델의 계산 효율성은 어떠한가?
• RQ5 이러한 모델은 충전 및 경로 선택 의사결정을 지원하기 위해 POLARIS와 같은 대규모 에이전트 기반 시스템에 효과적으로 통합될 수 있는가?

주요 결과

• 딥러닝 모델은 미세한 속도 데이터가 없음에도 링크 수준의 에너지 소비 예측에서 R² 점수가 0.98 이상을 달성하여 높은 정확도를 입증한다.
• 모델은 낮은 추론 지연을 유지하여 예측당 ≤50 ms의 시간이 소요되며, 대규모 시뮬레이션에서 실시간 배포가 가능하다.
• 모델은 집계 데이터에서 잠재된 물리적 관계를 효과적으로 복원하며, 유사한 환경에서 세부 속도 프로파일에 의존하는 전통적 방법보다 뛰어난 성능을 보인다.
• POLARIS에 모델를 통합함으로써 높은 시뮬레이션 성능를 유지하며 전체 런타임과 확장성에 미치는 영향은 최소한이다.
• 이러한 접근은 지역 충전 수요 및 SOC 고갈 예측을 정확하게 가능하게 하여, 에코루팅, 플릿 관리 및 전력망 계획 등 다양한 응용 분야를 지원한다.
• 결과적으로 대규모, 다양한, 체계적인 시뮬레이션 데이터셋은 딥러닝 기반 에너지 예측에서 누락된 미세한 데이터를 상쇄할 수 있음을 시사한다.