[논문 리뷰] Energy Spatio-Temporal Pattern Prediction for Electric Vehicle Networks

Qinglong Wang|arXiv (Cornell University)|2018. 02. 14.

Electric Vehicles and Infrastructure참고 문헌 33인용 수 3

한 줄 요약

이 논문은 실제 베이징 택시 운행 경로에서 유도된 공간적 및 시간적 특징을 활용하여 도시 규모 지역에서 전기자동차(EV)에 축적된 전력 에너지를 추정하기 위한 시공간 예측 프레임워크를 제안한다. 신경망 기반 공간 예측기와 선형 체인 CRF 기반 시간 예측기를 조합하여 전역적으로 NMSE(정규화 평균 제곱 오차)가 0.1 이하를 유지하며 스마트 그리드 통합 및 EV 충전 관리에 높은 정확도를 보여준다.

ABSTRACT

Information about the spatio-temporal pattern of electricity energy carried by EVs, instead of EVs themselves, is crucial for EVs to establish more effective and intelligent interactions with the smart grid. In this paper, we propose a framework for predicting the amount of the electricity energy stored by a large number of EVs aggregated within different city-scale regions, based on spatio-temporal pattern of the electricity energy. The spatial pattern is modeled via using a neural network based spatial predictor, while the temporal pattern is captured via using a linear-chain conditional random field (CRF) based temporal predictor. Two predictors are fed with spatial and temporal features respectively, which are extracted based on real trajectories data recorded in Beijing. Furthermore, we combine both predictors to build the spatio-temporal predictor, by using an optimal combination coefficient which minimizes the normalized mean square error (NMSE) of the predictions. The prediction performance is evaluated based on extensive experiments covering both spatial and temporal predictions, and the improvement achieved by the combined spatio-temporal predictor. The experiment results show that the NMSE of the spatio-temporal predictor is maintained below 0.1 for all investigate regions of Beijing. We further visualize the prediction and discuss the potential benefits can be brought to smart grid scheduling and EV charging by utilizing the proposed framework.

연구 동기 및 목표

• 도시 지역 내 대규모 EV가 운반하는 시공간적 전력 에너지 패턴을 모델링하고 예측하기 위해.
• 예측된 에너지 가용성에 기반한 스케줄링 및 V2G 서비스를 통해 EV와 스마트 그물 간의 더 스마트한 상호작용을 가능하게 하기 위해.
• 정확한 지역별 에너지 예측을 통해 EV 충전 서비스 제공자의 에너지 관리 효율성을 향상시키기 위해.
• 실제 운행 경로 데이터를 활용하여 병합된 공간 및 시간 예측기의 성능을 개별 모델과 대비하여 평가하기 위해.

제안 방법

• EV 운행 경로에서 신경망을 활용해 공간적 특징을 추출하여 지역별 에너지 분포 패턴을 모델링한다.
• 시간적 에너지 변화를 선형 체인 조건부 랜덤 필드(CRF)로 모델링하여 충전 상태(SOC)의 시계열 역학을 포착한다.
• 정규화 평균 제곱 오차(NMSE)를 최소화하는 최적의 조합 계수를 통해 공간 및 시간 예측기를 통합한다.
• 베이징 택시의 실시간 GPS 및 SOC 데이터를 활용해 16개 도시 지역을 대상으로 시공간 예측기의 훈련 및 평가를 수행한다.
• 공간 및 시간 예측의 상호보완적 강점을 활용하기 위해 가중 융합 전략을 도입하여 오차를 감소시킨다.
• 베이징 4차 고속도로권 전역의 실시간 집계 에너지 예측을 시각화하여 실용적 유용성을 입증한다.

실험 결과

연구 질문

• RQ1 도시 규모 지역 전역에서 집계된 EV 에너지의 시공간 패턴은 얼마나 정확하게 예측될 수 있는가?
• RQ2 공간적 특징과 시간적 특징 중 어느 것이 향후 EV 에너지 가용성 예측에 더 기여하는가?
• RQ3 병합된 시공간 예측기는 개별 공간 또는 시간 모델보다 예측 정확도에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ4 더 긴 예측 시간 간격(예: 2~3시간 후)으로 갈수록 예측 성능은 어떻게 저하되는가?
• RQ5 정확한 에너지 패턴 예측의 실용적 함의는 스마트 그리드 스케줄링 및 EV 충전 서비스에 어떤 영향을 미치는가?

주요 결과

• 모든 16개의 베이징 조사 지역에서 시공간 예측기는 NMSE가 0.1 이하로 유지되어 높은 예측 정확도를 보였다.
• 병합된 예측기는 개별 공간 및 시간 예측기보다 우수한 성능을 보이며, 상호보완적인 오차 감소 효과를 입증했다.
• 3시간 후 예측에 대해 시공간 예측기의 NMSE는 최대 0.09에 도달했으며, 이는 장기 예측 능력이 뛰어나다는 것을 시사한다.
• 시간 예측기만으로도 장기 간격에서 약간의 성능 향상을 보이며, 시계열 예측에서의 안정성을 확인했다.
• 공간 예측기는 장기 예측 간격에서 시간이 지남에 따라 공간 상관관계가 약화되면서 성능 저하가 더 심각하게 나타났다.
• 시각화 결과에 따르면, 중심 도심 지역(3차 고속도로 내부)이 더 높은 집계 에너지를 보이며, 실제 교통 및 에너지 사용 패턴과 일치함을 확인했다.