Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations

이 논문은 직장 내 전기차 (EV) 충전소에서 수요 요금 (Demand Charge) 을 줄이기 위한 가격 및 전력 통합 최적화 (Joint Price and Power Optimization) 프레임워크를 제안하고, 이를 위해 **모델 예측 제어 (MPC)**를 적용한 방법을 연구한 것입니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Statement)

• 수요 요금의 부담: 미국 상업용 EV 충전소 운영자에게는 전기 사용량 중 최대 전력 소비량 (Peak Power) 에 기반한 '수요 요금'이 전체 전기 비용의 30~70% 를 차지하는 주요 비용 요소입니다.
• 불확실성: EV 충전소에는 차량 도착 시간이 불규칙하고 (Stochastic), 급격한 부하 증가가 발생할 수 있어 기존 최적화 기법으로는 수요 요금을 효과적으로 억제하기 어렵습니다.
• 기존 연구의 한계: 기존 연구들은 주로 전력 스케줄링 최적화에 집중하거나, 고정된 도착/이동 시간을 가정했습니다. 또한, 사용자의 행동을 유도하여 부하를 제어 가능한 상태로 전환시키는 가격 책정 (Pricing) 전략을 통합적으로 고려하지 못했습니다. 특히 직장 충전소는 아침에 충전이 시작되어 오후까지 이어지므로, 아침 시점의 의사결정이 오후의 피크 부하에 큰 영향을 미치지만, 이를 예측하여 대응하는 '예측 능력 (Anticipatory Ability)'이 부족한 경우가 많았습니다.

2. 제안된 방법론 (Methodology)

저자들은 **가격 (Price)**과 **전력 (Power)**을 동시에 최적화하는 프레임워크를 구축하고, 이를 개선하기 위해 다음과 같은 세 가지 제어 전략을 제안했습니다.

A. 통합 최적화 문제 (Joint Price and Power Optimization)

• 사용자 선택 모델: 새로운 사용자가 충전소에 도착하면 운영자는 두 가지 가격 옵션을 제시합니다.
  1. REGULAR (일반): 최대 전력으로 충전 (제어 불가).
  2. SCHEDULED (스케줄링): 사용자가 원하는 시간까지 에너지 공급이 보장되지만, 운영자가 전력 프로파일을 제어 가능.
  3. LEAVE (이탈): 가격이 너무 비싸면 다른 곳으로 이동.
• 목적 함수: 운영자의 기대 이익을 극대화하면서, 수요 요금과 시간대별 요금 (TOU) 비용을 최소화하는 가격과 전력 프로파일을 찾습니다.

B. 피크 전력 관리 개선 전략 (Section III)

기존 최적화 문제 (1) 에 다음과 같은 세 가지 변형을 적용하여 피크 부하를 줄입니다.

1. 반복적 하드 임계값 (Iterative Hard Thresholding): 피크 전력에 대한 하드 제약 조건을 추가하고, 해가 존재하지 않을 때 임계값을 점진적으로 완화하여 최적해를 찾습니다.
2. Softplus 수요 요금 페널티 (Softplus Demand Charge Penalty): 현재 부하가 기존 피크에 근접할 때, 실제 피크가 초과되기 전부터 Softplus 함수를 통해 볼록한 (Convex) 페널티를 부과하여 피크 도달을 억제합니다.
3. 모델 예측 제어 (MPC): 시계열 예측 모델을 활용하여 향후 도착할 차량과 부하를 예측합니다.
   • 예측 모델: 단순 모델 (Naive), 선형 회귀 (Elastic Net), XGBoost 등 3 가지 모델을 테스트했습니다.
   • 작동 원리: 예측된 미래 부하를 고려하여, 피크가 예상되는 시간대에 미리 충전량을 조절하거나 가격을 조정하여 사용자를 '제어 가능한 (SCHEDULED)' 옵션으로 유도합니다.

3. 주요 기여 (Key Contributions)

1. 예측 기반 MPC 도입: 시계열 예측을 통해 수요 급증을 사전에 감지하고 대응하는 MPC 알고리즘을 제안했습니다.
2. 동적 가격을 통한 유연성 확보: 사용자에게 할인 혜택을 제공하여 '제어 가능한 충전 (SCHEDULED)'을 선택하도록 유도함으로써, 운영자가 확보할 수 있는 부하 유연성 (Load Flexibility) 을 극대화했습니다.
3. 성능 검증: 기존 벤치마크 알고리즘 [10] 및 비-MPC 기반의 다른 최적화 기법들보다 수요 요금과 전체 운영 비용 감소 측면에서 우월한 성능을 입증했습니다.

4. 실험 결과 (Results)

• 데이터: 2023 년 'Smart Learning Pilot for EV Charging Stations (SlrpEV)' 플랫폼의 2,274 건의 충전 세션을 기반으로 몬테카를로 시뮬레이션을 수행했습니다.
• 비용 절감 효과:
  • **MPC (XGBoost 기반)**는 벤치마크 대비 수요 요금을 약 14.6% 감소시켰습니다.
  • 전체 운영 비용은 약 4.6% 감소시켰습니다.
  • 비-MPC 기반 방법 (임계값, Softplus) 은 수요 요금을 일부 줄였으나 전체 비용 감소 효과는 미미했습니다.
• 동작 원리:
  • 벤치마크: 에너지가 가장 싼 시간 (심야) 까지 기다렸다가 충전하므로, 피크 시간대에 불규칙한 도착으로 인해 피크 부하가 급증합니다.
  • MPC: 아침 일찍부터 피크가 예상되는 날을 예측하여, 피크 시간대 전에 미리 충전을 진행하거나 SCHEDULED 옵션을 할인하여 부하를 분산시켰습니다.
• 예측 정확도의 역설: 흥미롭게도, 예측 오차 (RMSE) 가 가장 큰 'Naive' 모델이 오히려 피크 전력 감소에 가장 효과적이었습니다. 이는 단순한 예측 정확도보다 **MPC 의 최적화 목적에 부합하는 예측 (예: 새로운 차량이 없을 경우의 기존 프로파일 유지)**이 더 중요함을 시사합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 경제적 가치: 이 연구는 직장 충전소 운영자가 수요 요금을 줄여 수익성을 높일 수 있음을 입증했습니다. 절감된 비용은 운영자 이익으로 남거나 사용자에게 더 낮은 요금을 제공하는 데 활용될 수 있습니다.
• 기술적 실현 가능성: 클라우드 기반의 레벨 2 전력 관리 시스템 (ChargePoint, EVgo 등) 에 통합하여 구현 가능하며, 사용자 행동 데이터에 기반한 가격 인센티브는 높은 수용성을 보입니다.
• 한계 및 향후 과제:
  • 현재 시뮬레이션은 사용자가 충전소를 떠나는 (LEAVE) 행동을 완전히 반영하지 못했습니다.
  • 소규모 충전소 (8 개 충전기) 에서의 실험이었으므로, 대규모 충전소 군집으로 확장 시 법칙의 대수에 의해 부하 곡선이 매끄러워져 예측 및 제어 성능이 더 향상될 것으로 예상됩니다.
  • MPC 출력과 예측 모델 간의 순환 의존성 (Self-referential problem) 을 해결하기 위한 재학습 전략이 필요합니다.

결론적으로, 이 논문은 예측 기반의 MPC 와 동적 가격 책정을 결합한 접근법이 직장 EV 충전소의 수요 요금 문제를 해결하는 가장 효과적인 전략임을 보여주었습니다.