기술 요약: 자연재해 대피 중 모바일 충전 트럭의 동적 배치

문제 제기

대규모 자연재해 대피 시 (예: 허리케인) 도로 교통의 전기화는 치명적인 취약점을 초래합니다. 전기차 (EV) 는 내연기관 차량에 비해 주행 거리가 짧고 충전 시간이 더 오래 걸립니다. 대피 조건 하에서 교통 흐름의 시간적 집중은 고정 충전소 (FCS) 를 압도하는 지역적 충전 수요 급증을 유발합니다. 이로 인해 대기 시간이 길어지며, 이는 대피자들이 위험 지역에 더 오래 머무르게 함으로써 그들의 "위험 노출"을 직접적으로 증가시킵니다.

정적 충전 인프라는 이러한 역동적이고 시간에 따라 변하는 수요 패턴에 적응할 유연성이 부족합니다. 모바일 충전 트럭 (MCT) 은 유연한 에너지 공급을 제공하지만, 그 배치에는 세 가지 주요 과제가 존재합니다:

1. 적응형 배치: 정적 할당 규칙은 확률적 수요 변화와 대피의 시간적 중요성을 수용하지 못합니다.
2. 분산 의사결정: FCS 와 MCT 의 수가 증가함에 따라 전역 최적화는 계산적으로 처리 불가능해집니다. 또한, 비상 운영은 본질적으로 분산된 경우가 많아 완전 중앙 집중식 지령의 실행 가능성을 제한합니다.
3. 예측적 네트워크 대응: MCT 는 FCS 에 도달하기 위해 네트워크를 이동해야 합니다. 순간적인 이동 시간 스냅샷에 의존하는 것은 불충분하며, 시스템은 적시 개입을 보장하기 위해 교통 역학과 혼잡 전파를 예측해야 합니다.

방법론: ARMD 프레임워크

저자들은 누적 대기열 유발 위험 노출을 최소화하도록 설계된 오프라인 - 온라인 시스템인 적응형 위험 인지 MCT 배치 (ARMD) 프레임워크를 제안합니다. 이 프레임워크는 문제를 두 개의 결합된 하위 문제로 분해합니다: 위험 인지 MCT 할당 및 동적 MCT 라우팅.

1. 문제 공식화

목표는 대피 기간 동안 총 위험 노출 $R_{tot}$을 최소화하는 것으로, 이는 각 FCS 에서의 시간별 대기열 길이에 곱해진 1 인당 위험 노출의 합으로 정의됩니다. 이 문제는 MCT 가 이산적 의사결정 시점에 FCS 에 할당되고 경로가 지속적으로 업데이트되는 동적 의사결정 과정으로 모델링됩니다.

2. MCT 할당 (Dec-POMDP 및 MAPPO)

계산 복잡성과 분산 실행의 필요성을 해결하기 위해 할당 문제는 **분산 부분 관측 가능 마르코프 의사결정 과정 (Dec-POMDP)**으로 공식화됩니다.

• 에이전트: 각 MCT 는 에이전트입니다.
• 관측: 에이전트들은 전역 상태의 지역적 부분 집합 (위험 수준, 대기열 길이, 사용 가능한 충전기, MCT 상태) 을 관측합니다.
• 알고리즘: 중앙 집중식 훈련 및 분산 실행 (CTDE) 패러다임 하에 다중 에이전트 근접 정책 최적화 (MAPPO) 접근법이 사용됩니다.
  • 관계적 스테이션 인코딩: 멀티헤드 어텐션 메커니즘이 액터 및 크리틱 네트워크에 내장되어 스테이션 간 종속성을 포착하며, 에이전트가 후보 FCS 의 상대적 우선순위를 평가할 수 있도록 합니다.
  • 주기적 관측 증강: 지역 관측의 정보 병목 현상을 완화하기 위해 에이전트들은 지속적 전체 - 전체 통신 없이 주기적 ($\Delta_{aug}$ 간격) 으로 네트워크의 전역 스냅샷을 수신합니다.
• 오프라인 - 온라인 적응:
  • 오프라인: 정책은 실제 데이터 (플로리다주 힐스버러 카운티) 와 확률적 인프라 고장으로 보정된 시뮬레이터에서 사전 훈련됩니다.
  • 온라인: 검색 증강 미세 조정 메커니즘이 사용됩니다. 에이전트는 현재 지역적 맥락에 기반하여 "경험 은행"에서 가장 유사한 과거 경험을 검색합니다. 그런 다음 경량화된 이점 가중 액터 적응이 특정 시나리오에 대한 정책을 정제하기 위해 적용되어 안정성을 보장하고 정책의 편향을 방지합니다.

3. MCT 라우팅 (시공간 예측)

MCT 에 목표 FCS 가 할당되면, 경로는 고정된 경로가 아닌 롤링 호라이즌 전략을 통해 결정됩니다.

• 시공간 이동 시간 예측기 (STPM): 오프라인 훈련된 딥러닝 모델이 단기 이동 시간 역학을 예측합니다. 이는 국소적 혼잡 전파를 포착하는 동적 그래프 컨볼루션과 도로 폐쇄로 인한 우회 등 비국소적 효과 및 장거리 네트워크 상호작용을 모델링하는 전역 멀티헤드 어텐션을 결합합니다.
• 실행: 각 라우팅 업데이트 간격에서 STPM 은 미래 엣지 수준의 이동 시간을 예측합니다. 라우팅 모듈은 이러한 예측을 기반으로 최적 경로를 계산하여 MCT 가 발생하는 혼잡을 사전에 회피할 수 있도록 합니다.

주요 기여

1. 대피를 위한 동적 MCT 배치에 대한 최초의 조사: 본 연구는 고도로 진화하는 대피 조건 하에서 충전 지원을 위한 실시간 동적 MCT 배치를 다루는 최초의 연구로, 정적 인프라 계획을 넘어섰습니다.
2. MAPPO 를 통한 분산 조정: 본 연구는 할당 문제를 Dec-POMDP 로 공식화하고 완전 중앙 집중식 컨트롤러 없이 조정된 의사결정을 가능하게 하는 다중 에이전트 강화학습 접근법을 개발하여 확장성과 실제 운영 제약을 해결했습니다.
3. 예측 역학을 통합한 라우팅: 프레임워크는 단기 혼잡을 예측하기 위한 시공간 이동 시간 예측 모듈을 통합하여 MCT 가 교통에 갇힐 가능성을 줄이고 충전 지원의 적시성을 향상시킵니다.

실험 결과

이 프레임워크는 플로리다주 힐스버러 카운티의 실제 데이터를 사용하여 48 시간 상륙 전 허리케인 대피를 포괄하는 시뮬레이션 환경에서 평가되었습니다.

• 기선 비교: ARMD 는 No-MCT, 탐욕적 지령, 중앙 할당 (CA), 오프라인 고정 최적화 (OF-MIP), 롤링 호라이즌 MIP (RH-MIP), 그리고 제거 버전 (온라인 미세 조정 없는 ARMD-NF, 온라인 라우팅 없는 ARMD-NR) 과 비교되었습니다.
• 수요 변동 하의 성능:
  • 더 평탄한 출발 곡선 (도전적인 수요 패턴) 을 가진 시나리오에서 ARMD 는 No-MCT 기선에 비해 평균 위험 노출 (ARE) 을 71.1% 감소시켜 RH-MIP(69.1%) 와 CA(35.0%) 를 능가했습니다.
  • ARMD 는 집중된 출발과 더 높은 대피 참여 시나리오에서도 일관되게 강력한 성능을 유지하여 강력한 일반화를 입증했습니다.
• 인프라 고장 하의 성능:
  • 고정 충전 인프라 고장(15%~45% 스테이션 사용 불가) 하에서 ARMD 는 No-MCT 대비 ARE 를 **39.3% 에서 60.5%**까지 감소시켰습니다.
  • 도로 링크 고장(용량 감소 또는 네트워크 분열) 하에서 ARMD 는 모든 경우에서 가장 낮은 ARE 를 달성했습니다. 특히 심각한 분열 시나리오에서 ARMD 의 라우팅 적응 능력은 MCT 가 단절된 네트워크 구성 요소에 갇히는 것을 방지했습니다.
• 제거 분석 통찰:
  • 온라인 미세 조정: 변화하는 수요 패턴과 충전기 가용성에 적응하는 데 필수적입니다.
  • 온라인 라우팅: 장거리 재할당 이동 및 높은 교통 수요 또는 네트워크 중단이 있는 시나리오에서 특히 이동 시간을 크게 단축시켰습니다.
• 최적화 벤치마크와의 비교: RH-MIP 이 정적 OF-MIP 보다 우수했지만, ARMD 는 일관되게 더 낮은 위험 피크와 더 빠른 위험 소산을 달성했습니다. 저자들은 이를 ARMD 가 실현된 시스템 상태에 적응하는 위험 인지 상태 - 행동 매핑을 학습할 수 있는 반면, MIP 기반 방법은 오류가 누적될 수 있는 예측된 도착 프로파일에 크게 의존하기 때문이라고 설명합니다.

중요성 및 주장

본 논문은 ARMD 프레임워크가 불확실한 대피 환경에서 모바일 충전 운영을 위한 적시적이고 확장 가능하며 적응형 솔루션을 제공한다고 주장합니다. 정적 인프라 계획에서 역동적이고 위험 인지 자원 배치로 전환함으로써, 이 프레임워크는 비상 충전 시스템의 회복 탄력성을 강화합니다.

저자들은 그들의 접근 방식이 다음과 같은 시나리오에서 특히 효과적이라고 강조합니다:

• 수요 패턴이 역사적 예측에서 벗어날 때 (예: 갑작스러운 급증 또는 평탄한 출발).
• 극한 기상 조건으로 인해 인프라가 저하될 때 (스테이션 고장 또는 도로 폐쇄).
• 위험 구역에서의 대기로 인한 누적 위험을 완화하기 위해 실시간 의사결정이 필요할 때.

본 연구는 오프라인 학습과 온라인 정제를 통합함으로써 기존 최적화 또는 휴리스틱 지령 방법보다 확률적이고 시간에 따라 변하는 대피 특성을 더 효과적으로 처리할 수 있다고 결론지었습니다.