[논문 리뷰] A Stochastic Model for Uncontrolled Charging of Electric Vehicles Using Cluster Analysis

Constance Crozier, Thomas Morstyn외 1명|arXiv (Cornell University)|2019. 07. 17.

Electric Vehicles and Infrastructure참고 문헌 26인용 수 9

한 줄 요약

이 논문은 K-means 군집화를 사용하여 전기자동차(EV) 시범 데이터와 국가 수준의 이동 설문 조사 데이터를 융합함으로써, 차량 사용을 단일 매개변수로 압축하는 확률적 모델을 제안한다. 이 모델은 실제 충전 시간으로부터 10분 이내에 80%의 정확도로 충전 수요를 예측하며, 기존의 전통적인 가정보다 뚜렷이 뛰어나며, 특히 중부 지역과 같은 지역에서는 100% 전기자동차 보급 시 ADMD가 거의 두 배로 증가할 수 있음을 드러낸다.

ABSTRACT

This paper proposes a probabilistic model for uncontrolled charging of electric vehicles (EVs). EV charging will add significant load to power systems in the coming years and, due to the convenience of charging at home, this is likely to occur in residential distribution systems. Estimating the size and shape of the load will allow necessary reinforcements to be identified. Models predicting EV charging are usually based on data from travel surveys, or from small trials. Travel surveys are recorded by hand and typically describe conventional vehicles, but represent a much larger and more diverse sample of the population. The model here utilizes both sources: trial data to parameterize the model, and survey data as the model input. Clustering is used to identify modes of vehicle use, thus reducing vehicle use to a single parameter -- which can be incorporated into the model without adding significant computational burden. Two case studies are included: one investigating the aggregated charging of 50 vehicles, and one predicting the increase in after diversity maximum demand for different regions of the UK.

연구 동기 및 목표

• 차량 사용과 충전 행동의 변동성을 정확히 반영하는 비제어형 전기자동차 충전을 위한 확률적 모델을 개발하기 위해.
• 충전이 최종 이동 후에 발생한다고 가정함으로써 피크 수요를 과도하게 추정하거나, 작은 규모의 편향된 시범 데이터에 의존하는 기존 모델의 한계를 해결하기 위해.
• 고해상도 시범 데이터와 대규모 국가 수준의 이동 설문 조사 데이터를 융합하여 분포망 영향을 정확하게 예측할 수 있도록 하기 위해.
• 특히 후분산 최대수요(ADMD)에 대한 영향의 지역적 변동성을 정량화하기 위해.
• 현재의 전기자동차 영향 추정치가 피크 수요를 과대평가하고 있으며, 이는 이전에 상정된 것보다 더 높은 수준의 전기자동차 보급 가능성을 시사하기 위해.

제안 방법

• 차량 사용 패턴을 단일 군집 기반 매개변수로 압축하기 위해, 전기자동차 시범 데이터에 K-means 군집화를 적용하여 세 가지의 고유한 차량 사용 모드를 식별한다.
• 시범 데이터에서 조건부 확률 분포를 유도하여, 충전 상태(SOC), 시간대, 요일 유형 및 차량 사용 모드에 기반한 충전 행동을 모델링한다.
• 몬테카를로 시뮬레이션을 사용하여 이 분포에서 표본을 추출함으로써 확률적 충전 프로파일을 생성하며, 이는 각 지자체에 대한 국가 이동 설문 조사(NTS) 데이터에 적용된다.
• 지역별 ADMD(후분산 최대수요)는 영국 에너지 소비 및 요금 데이터에서 유도된 기존 가정용 부하 프로파일에 예측된 전기자동차 충전 프로파일을 중첩시켜 추정한다.
• 예측된 충전 시간을 실제 시범 데이터와 비교하여 모델을 검증하며, 성능은 시간 창 정확도로 측정된다.
• 모든 영국 지자체에서 100% 전기자동차 보급을 시뮬레이션하기 위해, 각 지역당 200회의 시뮬레이션 런을 수행하여 전기자동차 영향의 지리적 변동성을 평가한다.

실험 결과

연구 질문

• RQ1 혼합된 데이터 소스를 사용하여 비제어형 전기자동차 충전 행동을 정확하게 표현할 수 있는 확률적 모델을 어떻게 개발할 수 있는가?
• RQ2 차량 사용 모드의 군집화가 모델 정확도와 계산 효율성에 얼마나 기여하는가?
• RQ3 이 모델의 예측 정확도는 충전이 최종 이동 후에만 발생한다고 가정하는 전통적 가정과 비교해 볼 때 어떻게 다른가?
• RQ4 영국 전역에서 전기자동차 충전이 저압(LV) 분포망의 ADMD에 미치는 영향의 지역적 변동성은 어떠한가?
• RQ5 이 모델의 피크 수요 추정치는 기존의 가정과 비교해 어떻게 다른가, 그리고 분포망 강화에 대한 함의는 무엇인가?

주요 결과

• 모델은 실제 충전 이벤트의 80%를 실제 충전 시간으로부터 10분 이내에 정확히 예측하였으며, 이는 충전이 최종 이동 후에만 발생한다고 가정하는 전통적 방법(정확도 42%)보다 뚜렷이 뛰어나다.
• 모델이 예측한 피크 충전 수요는 전통적 가정(최종 이동 후 충전)을 사용한 추정치보다 30% 낮았다.
• 시범 참가자들은 국가 평균보다 훨씬 더 긴 거리를 이동하였으며, 이는 시범 데이터를 일반 대상으로 확장할 경우 충전 수요가 과대평가됨을 시사한다.
• 런던에서는 100% 전기자동차 보급으로 인한 ADMD 증가율이 미미한 반면, 중부 지역에서는 높은 차량 사용률과 낮은 기준 수요로 인해 ADMD가 거의 두 배로 증가할 수 있다.
• 모델은 차량 사용 패턴과 기존 부하 프로파일의 지역적 변동성을 고려해야 하며, 단일 국가 수준의 모델은 지역망 영향을 잘못 반영할 수 있음을 시사한다.
• 실제 충전 행동을 반영할 경우 피크 수요가 감소하므로, 이전에 추정된 것보다 더 높은 수준의 전기자동차 보급이 분포 수준에서 가능할 수 있음을 시사한다.