[논문 리뷰] A matrix approach to detect temporal behavioral patterns at electric vehicle charging stations

Milan Straka, Lucia Piatriková외 2명|arXiv (Cornell University)|2021. 02. 18.

Electric Vehicles and Infrastructure참고 문헌 6인용 수 4

한 줄 요약

이 논문은 전기차(EV) 충전소에서 시간적 충전 패턴을 탐지하기 위해 행렬 기반 접근법을 제안한다. 두 가지 방법을 사용한다: 사전 정의된 패턴을 위한 규칙 기반 시스템과, 자동 패턴 탐지용 수정된 l-p 노름 거리 측도를 사용한 계층적 클러스터링. 클러스터링 방법은 10개의 명확한 행동 클러스터를 성공적으로 식별했으며, 이는 오전, 저녁, 혼합 충전 패턴을 포함한다. 최적 성능은 o=1, p=2/3에서 달성되었다.

ABSTRACT

Based on the electric vehicle (EV) arrival times and the duration of EV connection to the charging station, we identify charging patterns and derive groups of charging stations with similar charging patterns applying two approaches. The ruled based approach derives the charging patterns by specifying a set of time intervals and a threshold value. In the second approach, we combine the modified l-p norm (as a matrix dissimilarity measure) with hierarchical clustering and apply them to automatically identify charging patterns and groups of charging stations associated with such patterns. A dataset collected in a large network of public charging stations is used to test both approaches. Using both methods, we derived charging patterns. The first, rule-based approach, performed well at deriving predefined patterns and the latter, hierarchical clustering, showed the capability of delivering unexpected charging patterns.

연구 동기 및 목표

• 도착 시간과 연결 지속 시간을 기반으로 전기차 충전소 이용의 시간적 행동 패턴을 식별하는 것.
• 충전 패턴 탐지에 있어 규칙 기반 분류와 비지도 클러스터링을 비교하는 것.
• 수정된 l-p 노름이 계층적 클러스터링에서 패턴 탐지에 사용되는 매트릭스 간 거리 측도로서의 효과를 평가하는 것.
• 유사한 시간적 이용 패턴을 가진 충전소를 그룹화하여 예측 및 시스템 최적화를 향상시키는 것.
• 클러스터링이 스마트 충전과 전력망 안정성 향상에 어떻게 기여할 수 있는지 탐색하는 것.

제안 방법

• 시간대별 도착 시간과 연결 지속 시간을 갖는 충전 매트릭스로 전기차 충전 데이터를 표현한다.
• 사전 정의된 시간 간격과 임계값을 사용한 규칙 기반 접근법을 적용하여 충전소를 알려진 충전 패턴으로 분류한다.
• 수정된 l-p 노름을 매트릭스 간 차이를 측정하는 거리 측도로 사용한다.
• 완전 연결 기반(agglomerative hierarchical clustering)을 사용하여 거리 측도와 결합하여 충전소를 그룹화한다.
• 수정된 l-p 노름의 매개변수 조합(o, p)을 테스트하고 클러스터 분포와 해석 가능성 평가를 통해 클러스터링을 최적화한다.
• 각 클러스터 내에서 요소별 합의 정규화된 히트맵을 사용하여 결과를 시각화한다.

실험 결과

연구 질문

• RQ1 규칙 기반 방법은 전기차 충전소에서 사전 정의된 시간적 충전 패턴을 효과적으로 식별할 수 있는가?
• RQ2 사용자 정의된 매트릭스 거리 측도를 사용한 계층적 클러스터링은 예상치 못한 또는 새로운 충전 패턴을 자동으로 탐지할 수 있는가?
• RQ3 수정된 l-p 노름의 매개변수(o, p) 중 어떤 값 조합이 가장 해석 가능하고 균형 잡힌 클러스터링 결과를 낳는가?
• RQ4 식별된 충전소 클러스터 간 시간적 행동(예: 오전 vs. 저녁 충전)에서 어떤 차이가 있는가?
• RQ5 충전소의 클러스터링이 전기차 충전 행동 예측 모델의 정확도를 얼마나 향상시킬 수 있는가?

주요 결과

• 규칙 기반 접근법은 미리 정의된 패턴(예: 오전 전용 또는 야간 충전)에 따라 충전소를 성공적으로 식별하고 그룹화했다.
• 수정된 l-p 노름을 사용한 계층적 클러스터링은 10개의 명확한 클러스터를 탐지했으며, 이는 주로 짧은, 오전 장시간, 또는 저녁 장시간 충전을 하는 클러스터를 포함한다.
• 클러스터링에 가장 적합한 매개변수 조합은 o=1, p=2/3였으며, 이는 가장 균형 잡히고 해석 가능한 클러스터 분포를 생성했다.
• 클러스터 1은 주로 짧은 충전 지속 시간을 보였고, 클러스터 2, 5, 10는 높은 오전 충전 활동을 보였으며, 클러스터 3과 8은 강한 저녁 충전 패턴을 보였다.
• 나머지 클러스터(4, 6, 7, 9)는 여러 시간대에 걸쳐 균일한 분포를 보이며 혼합 이용 패턴을 나타냈다.
• 본 연구는 매트릭스 기반 클러스터링이 사전 정의된 규칙을 초월해 의미 있는, 직관에 어긋나는 시간적 패턴을 드러내며 스마트 충전 전략을 향상시킬 수 있음을 보여준다.