[논문 리뷰] Mind the Gap: Modelling Difference Between Censored and Uncensored Electric Vehicle Charging Demand

Frederik Boe Hüttel, Filipe Rodrigues외 1명|arXiv (Cornell University)|2023. 01. 16.

Electric Vehicles and Infrastructure인용 수 4

한 줄 요약

이 논문은 충전소가 혼잡하거나 경쟁 서비스가 존재함으로써 관측되지 않은 수요를 고려하여 잠재적 전기자동차(EV) 충전 수요를 추정하기 위해 검열 인지 기계학습 모델을 제안한다. 코펜하겐의 내연기관 차량(ICE)의 GPS 트래잭터리 데이터를 활용하여, 최대 61%의 수요가 검열됨을 입증하였고, 특히 검열된 분위수 회귀 모델이 기존 모델보다 예측 및 불확실성 추정에서 유의미하게 뛰어난 성능을 보였다.

ABSTRACT

Electric vehicle charging demand models, with charging records as input, will inherently be biased toward the supply of available chargers. These models often fail to account for demand lost from occupied charging stations and competitors. The lost demand suggests that the actual demand is likely higher than the charging records reflect, i.e., the true demand is latent (unobserved), and the observations are censored. As a result, machine learning models that rely on these observed records for forecasting charging demand may be limited in their application in future infrastructure expansion and supply management, as they do not estimate the true demand for charging. We propose using censorship-aware models to model charging demand to address this limitation. These models incorporate censorship in their loss functions and learn the true latent demand distribution from observed charging records. We study how occupied charging stations and competing services censor demand using GPS trajectories from cars in Copenhagen, Denmark. We find that censorship occurs up to $61\%$ of the time in some areas of the city. We use the observed charging demand from our study to estimate the true demand and find that censorship-aware models provide better prediction and uncertainty estimation of actual demand than censorship-unaware models. We suggest that future charging models based on charging records should account for censoring to expand the application areas of machine learning models in supply management and infrastructure expansion.

연구 동기 및 목표

• 제한된 충전소 용량과 경쟁으로 인해 발생하는 관측된 수요의 편향을 해결하기 위해.
• 관측된 충전 기록이 고용도 또는 경쟁 환경에서 특히 진정한 잠재 수요를 과소평가함을 입증하기 위해.
• 관측되지 않은 데이터에서 진정한 수요 분포를 학습하는 검열 인지 모델을 개발하고 검증하기 위해.
• 실제 반성적 시나리오에서 기존 모델과 비교하여 검열 인지 모델의 성능을 평가하기 위해.
• 모든 관측되지 않은 수요를 추정함으로써 더 정확한 인프라 계획 및 운영 의사결정 지원을 위해.

제안 방법

• 내연기관 차량(ICE)의 GPS 트래잭터리 데이터를 전기차 사용자 행동의 대체 지표로 활용하였으며, 이 차량들이 전기차라고 가정하였다.
• 충전소 가용성과 경쟁의 정도에 따라 배터리 소모 및 충전 행동을 모델링하여 전기차 충전 수요를 시뮬레이션하였다.
• 검열을 손실 함수에 통합하여 잠재 수요를 추정하기 위해 토비트 모델과 검열된 분위수 회귀 모델과 같은 검열 인지 모델을 적용하였다.
• 동일한 이동 경로를 다양한 수준의 충전소 혼잡도와 경쟁 충전 제공업체의 점유율 하에서 재평가하는 반성적 시나리오를 구성하였다.
• 관측된 충전 기록을 사용하여 모델을 校정하였으며, 충전소 용량과 경쟁자 존재로 인한 수요의 상한선을 명시적으로 모델링하였다.
• 적합도 및 불확실성 추정 지표를 사용하여 검열 인지 모델과 검열 무시 모델 간의 성능을 비교함으로써 모델 성능을 검증하였다.

Figure 1: The figure shows the two instances of censoring of electric vehicle (EV) charging demand Left: The demand is censored due to lost opportunities, where EV drivers can not charge due to occupied charging stations. Right: The demand is censored due to competing services, where EV drivers can

실험 결과

연구 질문

• RQ1 코펜하겐과 같은 도시 환경에서 충전소 혼잡도 및 경쟁 서비스로 인해 전기차 충전 수요가 얼마나 검열되는가?
• RQ2 검열 인지 모델은 기존 기계학습 모델에 비해 잠재 충전 수요 예측 및 불확실성 추정에서 어떻게 다른가?
• RQ3 검열이 인프라 계획 및 운영 의사결정의 수요 예측 정확도에 어떤 영향을 미치는가?
• RQ4 경쟁 충전 제공업체의 점유율이 다양한 시나리오에서 검열 인지 모델의 성능에 어떤 영향을 미치는가?
• RQ5 전기차 전용 데이터가 없는 상황에서 내연기관 차량의 GPS 트래잭터리가 전기차 수요의 잠재적 추정에 신뢰할 수 있는 대체 지표가 될 수 있는가?

주요 결과

• 코펜하겐의 특정 지역에서는 충전소 혼잡도 및 경쟁으로 인해 최대 61%의 잠재 전기차 충전 수요가 검열된다.
• 검열 인지 모델, 특히 검열된 분위수 회귀 모델이 토비트 모델보다 더 뛰어난 적합도와 신뢰할 수 있는 불확실성 추정을 제공한다.
• 특히 경쟁이 치열하거나 혼잡도가 높은 상황에서 검열 인지 모델은 검열을 무시하는 모델보다 유의미하게 뛰어난 성능을 보이며 진정한 수요를 예측한다.
• 연구 결과는 검열을 간과할 경우 체계적인 수요 과소평가가 발생함을 입증하였으며, 이는 표준 모델이 인프라 계획에 있어 유용성이 제한됨을 시사한다.
• 비전기차의 GPS 트래잭터리 데이터를 전기차 행동의 대체 지표로 활용함으로써 실제 전기차 데이터가 없더라도 현실적인 수요 검열 반성적 시뮬레이션을 가능하게 하였다.
• 향후 전기차 충전 수요 모델은 정확도 향상과 전략적 인프라 확장을 지원하기 위해 검열 메커니즘을 통합해야 한다는 점을 시사한다.

Figure 2: Illustration of the experimental procedure. Firstly, the GPS trajectories of Internal Combustion Engine (ICE) vehicles are modelled as EVs using Algorithm 1 (for detailed information, refer to Appendix A ). Subsequently, the observed charging demand and the true demand are derived from the