[논문 리뷰] Multistep Electric Vehicle Charging Station Occupancy Prediction using Mixed LSTM Neural Networks.

Tai-Yu Ma, Sébastien Faye|arXiv (Cornell University)|2021. 06. 10.

Electric Vehicles and Infrastructure참고 문헌 36인용 수 5

한 줄 요약

이 논문은 전기차(EV) 충전소의 충전 상태 이력 시계열과 시간 관련 특징을 별도로 처리하는 혼합 Long Short-Term Memory(LSTM) 신경망을 제안한다. 이는 향후 6단계(60분)까지 충전소 점유율을 예측하는 데 목적이 있다. 모델은 1단계(10분) 예측에서 99.99%의 정확도를 달성했으며, 6단계 예측에서는 81.87%의 정확도를 기록했으며, 기준 모델 대비 각각 22.4%와 6.2% 높은 성능을 보였다.

ABSTRACT

Public charging station occupancy prediction plays key importance in developing a smart charging strategy to reduce electric vehicle (EV) operator and user inconvenience. However, existing studies are mainly based on conventional econometric or time series methodologies with limited accuracy. We propose a new mixed long short-term memory neural network incorporating both historical charging state sequences and time-related features for multistep discrete charging occupancy state prediction. Unlike the existing LSTM networks, the proposed model separates different types of features and handles them differently with mixed neural network architecture. The model is compared to a number of state-of-the-art machine learning and deep learning approaches based on the EV charging data obtained from the open data portal of the city of Dundee, UK. The results show that the proposed method produces very accurate predictions (99.99% and 81.87% for 1 step (10 minutes) and 6 step (1 hour) ahead, respectively, and outperforms the benchmark approaches significantly (+22.4% for one-step-ahead prediction and +6.2% for 6 steps ahead). A sensitivity analysis is conducted to evaluate the impact of the model parameters on prediction accuracy.

연구 동기 및 목표

• 기존의 경제계량 및 시계열 분석 방법을 초월하여 다단계 전기차(EV) 충전소 점유율 예측 정확도를 향상시키는 것.
• 기존 LSTM 모델의 한계를 보완하기 위해 이력 충전 상태 시계열과 시간 관련 특징을 혼합 신경망 아키텍처를 통해 별도로 처리하는 것.
• 더 정확한 점유율 예측을 통해 전기차 운영자 및 사용자에게 불편을 최소화하는 스마트 충전 전략을 개발하는 것.
• 실제 전기차 충전 데이터를 활용하여 제안된 모델의 성능을 최신 기계학습 및 딥러닝 기법들과 비교 평가하는 것.
• 모델 하이퍼파rameter가 예측 정확도에 미치는 영향을 분석하기 위한 민감도 분석 수행

제안 방법

• 제안된 모델는 이력 충전 상태 시계열과 시간 관련 특징이라는 서로 다른 유형의 입력 특징을 별도의 하위 네트워크에서 처리한 후 출력을 융합하는 혼합 LSTM 신경망 아키텍처를 사용한다.
• 모델은 영국 덴디 시의 공공 데이터 포털에서 수집한 실세계 전기차 충전 데이터를 기반으로 훈련되었으며, 여러 충전소의 데이터를 포함한다.
• 시간 관련 특징(예: 일일 시간대, 요일, 계절성)은 순차적 충전 상태 데이터와 별도로 명시적으로 인코딩되어 처리된다.
• 이 아키텍처는 충전 행동의 장기적 의존성을 포착하면서도 일일 및 주간 시간 패턴에 적응할 수 있도록 한다.
• 다단계 이산 예측 프레임워크를 구현하여 10분 간격으로 최대 60분 후까지의 점유율 상태를 예측한다.
• 표준 평가 지표를 사용하여 표준 LSTM, GRU 및 전통적 기계학습 모델과 같은 다양한 기준 모델과의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 이력 충전 시계열과 시간 관련 특징을 별도로 처리하는 혼합 LSTM 아키텍처가 다단계 전기차 충전소 점유율 예측 정확도를 향상시킬 수 있는가?
• RQ2 1단계 및 6단계 예측 수준에서 제안된 모델은 최신 기계학습 및 딥러닝 기법들과 비교해 어떻게 성능을 내는가?
• RQ3 민감도 분석을 통해 핵심 하이퍼파rameter(예: 학습률, LSTM 유닛 수)가 예측 성능에 미치는 영향은 어떠한가?
• RQ4 시간 특징의 통합이 전기차 충전 점유율 예측에서 딥러닝 모델의 예측 능력을 얼마나 향상시키는가?

주요 결과

• 제안된 혼합 LSTM 모델은 1단계 앞서 예측(10분)에서 99.99%의 정확도를 달성했으며, 기준 모델 대비 22.4% 높은 성능을 보였다.
• 6단계 앞서 예측(60분)에서는 81.87%의 정확도를 기록했으며, 다음으로 우수한 기준 모델 대비 6.2% 향상된 성능을 보였다.
• 모델은 별도의 특징 유형을 효과적으로 분리 및 처리할 수 있는 능력 덕분에 다양한 시간 예측 수준에서 뛰어난 일반화 및 강건성을 보였다.
• 민감도 분석 결과, 학습률 및 LSTM 유닛 수와 같은 하이퍼파rameter가 예측 정확도에 상당한 영향을 미치며, 최적 설정에서 가장 높은 성능을 낼 수 있음을 확인했다.
• 시간 관련 특징(예: 일일 시간대, 요일 등)의 통합은 예측 정확도를 크게 향상시켜, 시간 역학을 모델링하는 데 그 중요성을 확인시켰다.
• 결과적으로 혼합 아키텍처 설계가 표준 LSTM 또는 앙상블 모델 대비 다단계 전기차 충전 점유율 예측에서 더 정확하고 안정적인 예측을 가능하게 한다는 것이 확인되었다.