[논문 리뷰] Electric Vehicle Driver Clustering using Statistical Model and Machine Learning

Yingqi Xiong, Bin Wang외 2명|arXiv (Cornell University)|2018. 02. 12.

Electric Vehicles and Infrastructure참고 문헌 10인용 수 3

한 줄 요약

이 논문은 UCLA와 산타모니카의 실세계 충전 데이터를 기반으로 전기자동차(EV) 운전자를 군집화하는 통계 모델링과 기계학습을 융합한 하이브리드 접근법을 제안한다. 역사적 기록에 대해 비지도 군집화와 다층 퍼셉트론을 적용함으로써, 스마트 충전 스케줄링과 부하 예측을 위한 강력한 교차검증 성능을 달성한 일일 전날 예측이 가능한 EV 주차 지속시간 및 부하 예측을 가능하게 한다.

ABSTRACT

Electric Vehicle (EV) is playing a significant role in the distribution energy management systems since the power consumption level of the EVs is much higher than the other regular home appliances. The randomness of the EV driver behaviors make the optimal charging or discharging scheduling even more difficult due to the uncertain charging session parameters. To minimize the impact of behavioral uncertainties, it is critical to develop effective methods to predict EV load for smart EV energy management. Using the EV smart charging infrastructures on UCLA campus and city of Santa Monica as testbeds, we have collected real-world datasets of EV charging behaviors, based on which we proposed an EV user modeling technique which combines statistical analysis and machine learning approaches. Specifically, unsupervised clustering algorithm, and multilayer perceptron are applied to historical charging record to make the day-ahead EV parking and load prediction. Experimental results with cross-validation show that our model can achieve good performance for charging control scheduling and online EV load forecasting.

연구 동기 및 목표

• 분포 시스템에서 에너지 관리를 복잡하게 만드는 예측할 수 없는 EV 충전 행동의 과제를 해결하기 위해.
• 실세계 EV 충전 데이터를 사용하여 운전자 행동 패턴을 포착하는 사용자 모델링 기법을 개발하기 위해.
• 최적의 스케줄링을 위해 일일 전날 EV 주차 지속시간 및 부하 예측을 정확하게 가능하게 하기 위해.
• 통계 분석과 기계학습을 융합하여 예측 성능을 향상시키기 위해.
• UCLA와 산타모니카 스마트 충전 인fra구조에서의 실제 데이터셋을 기반으로 모델을 검증하기 위해.

제안 방법

• UCLA와 산타모니카 시의 스마트 충전 인fra구조에서 수집한 실세계 EV 충전 데이터셋을 활용하였다.
• 충전 시작 시각, 지속시간, 에너지 소비량과 같은 행동 패턴을 기반으로 EV 운전자를 군집화하기 위해 비지도 군집화 알고리즘을 적용하였다.
• 군집화된 운전자 프로파일에서 향후 충전 행동을 모델링하고 예측하기 위해 다층 퍼셉트론(MLP) 신경망을 활용하였다.
• 역사적 충전 기록의 통계 분석과 기계학습을 융합하여 예측 정확도를 향상시켰다.
• 일일 전날 주차 및 부하 예측 작업의 모델 성능 평가를 위해 교차검증을 사용하였다.
• 향상된 EV 부하 프로파일 예측을 위해 군집화 결과를 MLP의 입력 특징으로 통합하였다.

실험 결과

연구 질문

• RQ1 충전 행동에 기반한 EV 운전자 군집화가 일일 전날 부하 예측 정확도를 향상시키는가?
• RQ2 통계 군집화와 다층 퍼셉트론의 통합이 EV 부하 예측에 얼마나 효과적인가?
• RQ3 제안된 모델이 EV 충전 스케줄링의 불확실성을 어느 정도 감소시키는가?
• RQ4 다양한 도시 환경에서의 실세계 데이터셋에서 모델의 성능은 어떠한가?
• RQ5 운전자 행동 군집화가 스마트 충전 제어 시스템의 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 교차검증을 통한 일일 전날 EV 주차 및 부하 예측에서 제안된 모델이 강력한 성능을 보였다.
• 통계 군집화와 다층 퍼셉트론의 통합은 기준 방법 대비 예측 정확도를 크게 향상시켰다.
• 모델은 다양한 도시 환경에서의 실세계 EV 충전 데이터의 행동 패턴을 효과적으로 포착하였다.
• 군집화 접근법은 충전 세션 파라미터의 불확실성을 감소시켜 보다 신뢰할 수 있는 스케줄링을 지원하였다.
• 모델은 UCLA와 산타모니카의 데이터셋 간에서 뛰어난 강건성과 일반화 능력을 보였다.
• 결과는 스마트 그리드 응용 분야에서 확장 가능한 EV 사용자 모델링을 위한 통합 통계 및 기계학습 기법의 유용성을 뒷받침한다.