[논문 리뷰] Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand

Frederik Boe Hüttel, Inon Peled외 2명|arXiv (Cornell University)|2021. 06. 21.

Electric Vehicles and Infrastructure참고 문헌 20인용 수 18

한 줄 요약

이 논문은 공개된 데이터셋을 사용하여 충전소 간의 공간-시간 상관관계를 모델링함으로써 전기자동차(EV) 충전 수요를 예측하기 위해 시간적 그래프 컨볼루션 네트워크(T-GCN)를 제안한다. T-GCN는 CNN, CNN+LSTM 및 기존 기준 모델보다 뛰어나며, 단기 및 장기 예측 수준에서 가장 낮은 RMSE를 기록한다. 1일 예측의 경우 RMSE가 61±8이며, 30일 예측의 경우 161±15이다.

ABSTRACT

Electric vehicles can offer a low carbon emission solution to reverse rising emission trends. However, this requires that the energy used to meet the demand is green. To meet this requirement, accurate forecasting of the charging demand is vital. Short and long-term charging demand forecasting will allow for better optimisation of the power grid and future infrastructure expansions. In this paper, we propose to use publicly available data to forecast the electric vehicle charging demand. To model the complex spatial-temporal correlations between charging stations, we argue that Temporal Graph Convolution Models are the most suitable to capture the correlations. The proposed Temporal Graph Convolutional Networks provide the most accurate forecasts for short and long-term forecasting compared with other forecasting methods.

연구 동기 및 목표

• 녹색 에너지 통합과 인프라 계획을 지원하기 위해 EV 충전 수요를 정확하게 예측하는 데 도전한다.
• 기존 방법들이 충전소 간 공간 상관관계를 忽시하거나 비공개 데이터에 의존하는 한계를 극복한다.
• 대규모 예측을 위해 공개 가능한 EV 충전 데이터셋을 사용하는 것의 실현 가능성과 효과성을 입증한다.
• 기존의 시계열 및 컨볼루션 모델과 비교하여 그래프 기반 딥러닝 모델, 특히 T-GCN의 성능을 평가한다.
• 그래프 신경망을 사용한 EV 충전 수요 예측 분야의 향후 연구를 위해 재현 가능하고 오픈소스 프레임워크를 제공한다.

제안 방법

• 노드가 충전소를 나타내고, 간선이 공간적 근접성 또는 상관관계를 표현하는 그래프로 EV 충전 네트워크를 모델링한다.
• 그래프 컨볼루션과 순환층(LSTM)을 결합한 시간적 그래프 컨볼루션 네트워크(T-GCN)를 적용하여 동적 공간-시간 의존성을 포착한다.
• 비교를 위해 래스터 지ap 표현을 대체 공간 인코딩으로 사용하며, 격자 셀은 그 안에 포함된 충전소의 수요를 집계한다.
• 2012년부터 2019년까지의 이전 일일 에너지 수요 데이터를 사용해 모델을 훈련하며, 단기 예측에는 30일, 장기 예측에는 120일의 입력 시퀀스를 사용한다.
• ADAM 옵timizer를 사용하고, 1000 에포크 동안 L2 정규화(λ = 10⁻³)가 포함된 손실 함수로 모델을 최적화한다.
• Keras와 스타리얼 그래프 라이브러리를 사용해 모델을 구현하여 그래프 연산을 수행하며, GitHub를 통해 재현 가능하고 오픈 액세스를 보장한다.

실험 결과

연구 질문

• RQ1 공개 가능한 EV 충전 데이터셋이 수요 예측의 정확성과 비교 가능성을 지원할 수 있는가?
• RQ2 T-GCN와 같은 그래프 기반 모델은 기존의 시계열 및 컨볼루션 모델과 비교해 EV 충전 수요 예측에서 어떻게 성능을 냈는가?
• RQ3 충전소 간 공간 상관관계가 수요 예측 정확도에 얼마나 기여하는가?
• RQ4 네트워크를 그래프로 모델링하는 것이 래스터 기반 또는 집계된 시계열 접근 방식보다 더 높은 성능을 내는가?
• RQ5 T-GCN는 EV 충전 수요의 단기(1–7일) 및 장기(30일) 시간 패턴을 효과적으로 포착할 수 있는가?

주요 결과

• T-GCN 모델은 모든 예측 수준에서 가장 낮은 RMSE를 기록했으며, 1일 예측 시 RMSE가 61±8, 7일 예측 시 184±9, 30일 예측 시 161±15였다.
• AR(30) 기준 모델(30일 예측 RMSE 252)에 비해 T-GCN는 오차를 36.5% 감소시켜 뚜렷한 향상을 보였다.
• 1일 예측에서 T-GCN는 CNN+LSTM 모델보다 28.4% 우수했고, 30일 예측에서는 7.5% 향상되어 그래프 기반 모델링의 우수성을 입증했다.
• 그래프 기반 접근 방식은 래스터 기반 컨볼루션 방법보다 미세한 공간적 차이와 상호 충전소 상관관계를 더 잘 포착했다.
• T-GCN를 포함한 모든 모델은 주간 수요 패턴을 성공적으로 포착했으며, 주말에는 수요가 낮아지는 경향을 보여, 시간적 학습의 강력함을 입증했다.
• 공개된 데이터셋의 사용은 재현 가능하고 투명한 벤치마킹을 가능하게 하여 EV 인프라 연구 분야의 광범위한 채택을 지원했다.