[논문 리뷰] Predicting Electric Vehicle Charging Station Usage: Using Machine Learning to Estimate Individual Station Statistics from Physical Configurations of Charging Station Networks

Anshul Ramachandran, Ashwin Balakrishna외 2명|arXiv (Cornell University)|2018. 04. 02.

Electric Vehicles and Infrastructure참고 문헌 3인용 수 6

한 줄 요약

이 논문은 물리적 네트워크 레이아웃에서 개별 전기차 충전설비(EVSE) 사용을 예측하기 위해 신경망을 활용한 기계학습 접근법을 제안한다. 이는 비용이 많이 드는 시뮬레이션을 회피하는 방식이다. 시뮬레이션된 데이터로 훈련된 모델은 과적합이 최소화된 채로 정확하고 빠른 EVSE 전력 사용 예측을 가능하게 하여 충전소 구성의 빠른 최적화를 가능하게 한다.

ABSTRACT

Electric vehicles (EVs) have been gaining popularity due to their environmental friendliness and efficiency. EV charging station networks are scalable solutions for supporting increasing numbers of EVs within modern electric grid constraints, yet few tools exist to aid the physical configuration design of new networks. We use neural networks to predict individual charging station usage statistics from the station's physical location within a network. We have shown this quickly gives accurate estimates of average usage statistics given a proposed configuration, without the need for running many computationally expensive simulations. The trained neural network can help EV charging network designers rapidly test various placements of charging stations under additional individual constraints in order to find an optimal configuration given their design objectives.

연구 동기 및 목표

• EV 충전소 네트워크의 물리적 구성 최적화를 위한 확장 가능한 도구의 부족을 해결한다.
• 개별 EVSE 사용을 추정하기 위해 계산 비용이 많이 드는 스케줄링 시뮬레이션에 대한 의존도를 줄인다.
• 공간 레이아웃 특징만을 기반으로 하여 EVSE 전력 사용을 빠르고 일반화 가능한 기계학습 모델을 개발한다.
• 변압기 용량 제한과 주차 행동과 같은 실제 제약 조건 하에서 EVSE 네트워크의 설계 반복을 신속하게 가능하게 한다.
• EV 충전소 네트워크 설계자들이 레이아웃 간 상호 교환 관계를 효율적으로 평가할 수 있는 실용적이고 구현 가능한 도구를 제공한다.

제안 방법

• 설정 가능한 제약 조건을 가진 레이아웃 생성 알고리즘을 사용해 합성된 전기차 충전 네트워크 레이아웃을 생성했다.
• 실제 데이터 패턴을 반영한 도착/이석 시간과 충전 프로파일을 포함한 현실적인 전기차 행동을 시뮬레이션했다.
• 기본 진단 전력 사용량을 계산하기 위해 적응형 충전 네트워크(ACN) 스케줄링 알고리즘을 적용했다.
• 입구까지의 거리, 도로 인접성, 지역 주변 구조와 같은 공간적 특징을 신경망의 입력으로 추출했다.
• 전력 사용량 예측을 위해 피드포워드 신경망을 훈련시켰으며, 훈련 안정성을 향상시키기 위해 입력 및 출력 전처리(예: 로그 변환)를 적용했다.
• 다양한 아키텍처와 전처리 전략에 대해 샘플 내 및 샘플 외 평균 제곱오차를 사용해 모델 성능을 평가했다.

실험 결과

연구 질문

• RQ1 전체 스케줄링 시뮬레이션을 실행하지 않고도 물리적 레이아웃 특징에서 기계학습 모델이 개별 EVSE 전력 사용을 정확하게 예측할 수 있는가?
• RQ2 입력 전처리(예: 로그 변환)는 모델 수렴과 예측 정확도에 어떤 영향을 미치는가?
• RQ3 아키텍처 설계(예: 은닉층 수, 뉴런 수)가 모델 성능과 일반화 능력에 얼마나 큰 영향을 미치는가?
• RQ4 입력으로 입구까지의 거리를 포함시키면 예측 정확도가 향상되는가, 아니면 척도 차이로 인해 불안정성이 유발되는가?
• RQ5 훈련된 모델이 새로운 레이아웃으로 일반화될 수 있으며, EVSE 네트워크 기획자들이 사용할 수 있는 확장 가능한 설계 도구로 활용될 수 있는가?

주요 결과

• 로그 변환된 타겟과 64개의 뉴런을 가진 단일 은닉층을 사용한 모델 3이 낮은 샘플 외 오차, 수렴성, 과적합 없이 최적의 균형을 이뤘다.
• 타겟 값에 로그 변환을 적용함으로써 원시 전력 값 직접 예측에 비해 훈련 안정성이 크게 향상되고 기울기 변동성이 감소했다.
• 두 번째 은닉층을 추가한 경우 수렴이 불량하고 훈련 패턴을 암기하는 경향이 나타나 과적합과 일반화 능력 저하가 발생했다.
• 가장 가까운 문까지의 거리를 입력 특징으로 포함시켰을 때 샘플 내 및 샘플 외 오차가 모두 증가하여, 이 특징이 척도 문제로 인해 규모 기반으로 안정적이지 않거나 정규화가 필요할 수 있음을 시사했다.
• 모델는 새로운 레이아웃에 대해 강력한 일반화 능력을 보였으며, 훈련 전반에 걸쳐 검증 오차가 훈련 오차와 유사하게 유지되어 과적합이 발생하지 않았다.
• 최종 모델는 웹 포털에 성공적으로 구현되어 정성적 평가 및 전문가 평가를 거쳐 도메인 전문가들로부터 긍정적인 피드백을 받았다.