[논문 리뷰] Demand Prediction and Placement Optimization for Electric Vehicle Charging Stations

Ragavendran Gopalakrishnan, Arpita Biswas외 4명|arXiv (Cornell University)|2016. 04. 19.

Electric Vehicles and Infrastructure참고 문헌 20인용 수 25

한 줄 요약

이 논문은 캐논칼 코herence 분석(CCA)을 사용한 다중 시각적 수요 예측과 혼합 패킹-커버링 최적화 모델을 통합하여 전기자동차(EV) 충전소 배치를 최적화하는 새로운 프레임워크를 제안한다. 이 방법은 배낭 문제와 집합 커버 알고리즘을 조합한 반복 휴리스틱을 사용하며, 예산 제약 조건 하에서 수요 만족도와 실현 가능성 측면에서 단순 휴리스틱 대비 10–20% 향상된다.

ABSTRACT

Effective placement of charging stations plays a key role in Electric Vehicle (EV) adoption. In the placement problem, given a set of candidate sites, an optimal subset needs to be selected with respect to the concerns of both (a) the charging station service provider, such as the demand at the candidate sites and the budget for deployment, and (b) the EV user, such as charging station reachability and short waiting times at the station. This work addresses these concerns, making the following three novel contributions: (i) a supervised multi-view learning framework using Canonical Correlation Analysis (CCA) for demand prediction at candidate sites, using multiple datasets such as points of interest information, traffic density, and the historical usage at existing charging stations; (ii) a mixed-packing-and- covering optimization framework that models competing concerns of the service provider and EV users; (iii) an iterative heuristic to solve these problems by alternately invoking knapsack and set cover algorithms. The performance of the demand prediction model and the placement optimization heuristic are evaluated using real world data.

연구 동기 및 목표

• 서로 의존적인 전기자동차 보급과 충전소 배치 문제를 해결하되, 상호 의존성에 기반하여 접근한다.
• 서비서 제공자와 사용자 간의 갈등 목표를 균형 잡는다: 서비스 제공자는 수요 만족도를 극대화하고, 사용자는 접근성과 기다림 시간을 최소화한다.
• 예산과 커버리지 제약 조건 하에서 확장 가능한 최적의 충전소 배치 솔루션을 개발한다.
• 다단계(다기능) 배치 및 다수의 제공자에게 정부 보조금을 배분할 수 있도록 프레임워크를 확장한다.
• 다양한 원천(예: 교통, POI, 역사적 사용 데이터)의 실세계 데이터를 통합하여 희소한 데이터 조건에서도 수요 예측 정확도를 향상시킨다.

제안 방법

• 후보 위치에서의 수요 예측을 위해 다원적 데이터 소스(POI, 교통 밀도, 역사적 사용량)를 융합하기 위해 캐논칼 코herence 분석(CCA) 기반의 지도 학습 다중 시각 학습 프레임워크를 활용한다.
• 배치 문제를 혼합 패킹-커버링 정수 프로그래밍 문제로 공식화한다: 예산 및 슬롯 용량 제약 조건 하에 수요 만족도(패킹)를 극대화하면서 동시에 모든 위치가 접근 가능한 반경 내에 있도록 커버리지(커버링)를 보장한다.
• 대기 시간을 큐잉 모델을 통해 모델링하여 각 충전소에 필요한 최소 슬롯 수를 산정하고, 이를 사전 처리 단계에서 설정 비용으로 변환한다.
• 반복 휴리스틱(IPAC)을 설계하여 배낭 문제(예산 제약 하의 수요 극대화)와 집합 커버링 문제(커버리지 보장)를 번갈아가며 해결한다.
• 시간에 따라 변화하는 예산, 동적 수요 예측, 기존 충전소에 슬롯을 추가할 수 있는 기능을 고려하여 다기능 배치를 지원하기 위해 프레임워크를 확장한다.
• 정부 보조금 배분을 위해 다차원 배낭 제약 조건을 통합하여 제공자와 공공 자금 수요를 균형 잡는 방식으로 프레임워크를 적응시킨다.

실험 결과

연구 질문

• RQ1 희소한 역사적 데이터 조건에서도 다양한 소스의 다원적 데이터(POI, 교통, 역사적 사용량)를 효과적으로 융합하여 후보 위치에서의 전기차 충전 수요를 어떻게 정확하게 예측할 수 있는가?
• RQ2 서비스 제공자(수요, 예산)와 전기차 사용자(접근성, 낮은 대기 시간) 간의 갈등 목표를 함께 최적화할 수 있는 충전소 위치 선정 방법은 무엇인가?
• RQ3 실세계 제약 조건 하에서 혼합 패킹-커버링 시설 위치 문제를 효율적이고 확장 가능한 방식으로 해결할 수 있는 휴리스틱 접근은 무엇인가?
• RQ4 수요 증가에 대응하여 기존 충전소를 확장할 수 있는 기능을 포함하여 시간에 따라 점진적으로 배치를 수행할 수 있도록 프레임워크를 어떻게 확장할 수 있는가?
• RQ5 공공 및 민간 예산 제약 조건을 충족시키면서도 다수의 서비스 제공자에게 정부 보조금을 배분할 수 있도록 최적화 모델을 어떻게 적응시킬 수 있는가?

주요 결과

• CCA 기반 다중 시각 학습 모델은 POI, 교통, 역사적 사용량 등의 다양한 데이터 소스를 효과적으로 융합하여 후보 위치에서의 충전 수요를 더 정확하게 예측한다.
• 제안된 IPAC 휴리스틱은 실현 가능성과 총 수요 만족도 측면에서 단순 휴리스틱 대비 10–20% 높은 성능을 기록하며, 특히 엄격한 예산 제약 조건 하에서 뚜렷한 우수성을 보인다.
• 혼합 패킹-커버링 공식화는 통합된 비용 모델링을 통해 수요 극대화, 커버리지, 대기 시간 제약 조건을 효과적으로 균형 잡는 데 성공한다.
• 시간에 따라 변화하는 예산과 동적 수요를 모델링함으로써 프레임워크는 점진적 배치를 지원하며, 새로운 충전소를 설치하는 대신 기존 충전소를 확장할 수 있는 선택지를 제공한다.
• 다차원 배낭 제약 조건을 통합하여 정부 보조금 배분 기능을 확장함으로써 다수의 제공자 간 협업이 가능해지며, 공공 자금 전략을 지원한다.
• 실세계 데이터를 활용한 실증 평가 결과, 자원이 제한된 상황에서 휴리스틱이 기초 방법 대비 실용적 배치 시나리오에서 뛰어난 성능을 보였다.