[논문 리뷰] Managing Overstaying Electric Vehicles in Park-and-Charge Facilities

Arpita Biswas, Ragavendran Gopalakrishnan외 1명|arXiv (Cornell University)|2016. 04. 19.

Electric Vehicles and Infrastructure참고 문헌 10인용 수 10

한 줄 요약

이 논문은 전기자동차(EV)의 과도한 주차를 줄이기 위해 동적 페널티 프레임워크를 제안하며, 사용자 행동을 모델링하고 UCB 기반 온라인 학습을 활용하여 이용률과 수익을 균형 있게 조절한다. 런던 주차 충전 데이터를 활용한 실험적 검증 결과, 최적의 페널티는 이용률과 수익을 모두 증가시키며 과도한 주차를 크게 감소시킴을 보여준다.

ABSTRACT

With the increase in adoption of Electric Vehicles (EVs), proper utilization of the charging infrastructure is an emerging challenge for service providers. Overstaying of an EV after a charging event is a key contributor to low utilization. Since overstaying is easily detectable by monitoring the power drawn from the charger, managing this problem primarily involves designing an appropriate "penalty" during the overstaying period. Higher penalties do discourage overstaying; however, due to uncertainty in parking duration, less people would find such penalties acceptable, leading to decreased utilization (and revenue). To analyze this central trade-off, we develop a novel framework that integrates models for realistic user behavior into queueing dynamics to locate the optimal penalty from the points of view of utilization and revenue, for different values of the external charging demand. Next, when the model parameters are unknown, we show how an online learning algorithm, such as UCB, can be adapted to learn the optimal penalty. Our experimental validation, based on charging data from London, shows that an appropriate penalty can increase both utilization and revenue while significantly reducing overstaying.

연구 동기 및 목표

• 완전 충전 후 전기자동차(EV)의 과도한 주차로 인한 충전 인프라의 낮은 이용률 문제를 해결하기 위해.
• 불확실한 주차 시간으로 인한 사용자 수용도 저하를 고려할 때, 과도한 주차를 막는 높은 페널티와의 상충 관계를 모델링하기 위해.
• 사용자 행동과 대기 동역학을 함께 모델링하여 최적의 페널티 수준을 결정함으로써 이용률과 수익을 극대화하는 프레임워크를 개발하기 위해.
• 시스템 파라미터가 알려지지 않은 상황에서 다중 암반 밴딧 기법을 활용해 최적의 페널티를 온라인으로 학습할 수 있도록 하기 위해.
• 런던의 실세계 전기차 충전 데이터를 사용하여 프레임워크를 실증적으로 검증하기 위해.

제안 방법

• 프레임워크는 현실적인 사용자 행동 모델과 대기 시스템 역학을 통합하여, 페널티 수준이 EV의 입구, 충전, 과도 주차 행동에 미치는 영향을 포괄적으로 기록한다.
• 일일 수익을 페널티 수준의 함수로 모델링하며, 불확실성 하에서 기대 수익을 극대화하는 것을 목표로 한다.
• UCB-PC 알고리즘은 UCB1에서 유도되어 무한 수평선 학습을 처리하도록 조정되었으며, 각 페널티 수준을 '팔'로 간주하고 일일 수익을 보상으로 간주한다.
• 알고리즘은 각 페널티 수준에 대한 평균 일일 수익을 추정하고, 상한 신뢰구간을 사용하여 탐색과 이용의 균형을 유지한다.
• 손실는 O(log K)로 경계되며, 이는 알고리즘이 시간이 지남에 따라 최적의 페널티 수준으로 수렴함을 보장한다.
• 실제 런던 충전 데이터를 사용하여 시뮬레이션을 통해 동적 페널티 적용과 수익 추적을 수행함으로써 방법을 검증한다.

실험 결과

연구 질문

• RQ1 다양한 외부 충전 수요 상황에서 주차-충전 시설의 이용률과 수익을 극대화하는 데 최적의 페널티 수준은 무엇인가?
• RQ2 기본 사용자 행동 및 수익 분포가 알려지지 않은 상황에서 최적의 페널티를 실시간으로 학습할 수 있는 방법은 무엇인가?
• RQ3 주차 시간의 불확실성으로 인한 사용자 수용도 유지와 과도한 주차 방지를 위한 상충 관계는 어떻게 평가할 수 있는가?
• RQ4 실제로 수익 극대화 페널티가 이용률 극대화 페널티에 얼마나 가까운가?
• RQ5 UCB와 같은 온라인 학습 알고리즘이 동적 주차-충전 환경에서 알려지지 않은 시스템 파라미터에 효과적으로 적응할 수 있는가?

주요 결과

• 최적의 페널티 수준은 전기자동차의 과도한 주차를 크게 감소시키며 동시에 이용률과 수익을 증가시킴을 확인함.
• 수익 극대화 페널티는 이론적 최대 수준에 매우 가까운 이용률을 달성하여 높은 효율성을 보임.
• UCB-PC 알고리즘은 시간이 지남에 따라 최적의 페널티를 성공적으로 학습하였으며, 손실가 O(log K)로 경계되어 수렴함을 보장함.
• 프레임워크는 다양한 수준의 외부 충전 수요 상황에서도 견고한 성능을 보이며 적응 가능성을 입증함.
• 런던 충전 데이터를 활용한 실증 결과는 동적 페널티 조정이 인프라 효율성 향상에 측정 가능한 기여를 한다고 확인함.
• 이 연구는 너무 높은 페널티가 전기자동차 사용자를 회피하게 만들 수 있으며, 중간 정도로 데이터 기반으로 설정된 페널티가 체계 성능을 최적화할 수 있음을 드러냄.