⚡ electrical engineering

Electric Vehicle Charging Profile Forecasting Using Hybrid Models

본 논문은 배터리 인식 스케줄링 및 출발 시간 추정을 개선하기 위해 다양한 정보 가용성 하에서 그 효과를 평가하는 단일 및 집계 수준 모두에서 개별 전기차 충전 프로파일을 예측하기 위한 하이브리드 경량 방법을 제안한다.

원저자: Riccardo Ramaschi, Mario Paolone, Sonia Leva

게시일 2026-05-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Riccardo Ramaschi, Mario Paolone, Sonia Leva

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 바쁜 고속도로 휴게소의 관리자라고 상상해 보십시오. 다만 주유 펌프 대신 전기차 (EV) 를 위한 급속 충전소가 있다는 점이 다릅니다. 가장 큰 과제는 각 차량이 얼마나 많은 전기가 필요한지, 그리고 충전이 완료되는 데 얼마나 걸릴지를 정확히 아는 것입니다. 추측을 잘못하면 다른 모든 차량을 위한 전력이 부족해질 수 있고, 불필요하게 차량이 더 오래 대기하게 될 수도 있습니다.

이 논문은 전기차의 충전 방식을 충전 전과 충전 중 모두 정확히 예측하도록 설계된"스마트 추측자"시스템을 제시합니다. 이탈리아와 스위스의 연구자들이 저자로 참여한 이 연구는 두 가지 서로 다른 사고 방식을 결합한 하이브리드 도구를 구축하여 이러한 예측을 수행했습니다.

다음은 간단한 비유를 통해 설명한 그들의 시스템 작동 방식입니다:

1. 두 단계 예측 게임

이 시스템은 용의자를 만나기 전과 후에 사건을 해결하는 탐정처럼 두 가지 명확한 단계로 운영됩니다.

단계 A: "연결 전" 추측 (차량이 도착하기 전)
차량이 플러그를 꽂기 전에도 시스템은"맹목적인"추측을 해야 합니다. 차량의 배터리 크기나 내부에 남아 있는 전하량을 정확히 알 수 없기 때문입니다.

비유: 호스로 버킷을 채우는 데 얼마나 걸릴지 추측해 보십시오. 하지만 버킷의 크기도, 이미 얼마나 차 있는지도 모릅니다.
도구: 연구자들은"랜덤 포레스트"(과거 데이터에서 학습하는 컴퓨터 두뇌의 일종) 를 사용하여 차량의 배터리 크기와 외부 기온을 기반으로 충전 속도를 추측합니다.
반전: 종종 정확한 배터리 크기를 알 수 없기 때문에, 그들은"가우시안 혼합 모델"(유사한 것들을 그룹화하는 통계 도구) 을 사용하여 시간대와 과거 패턴을 기반으로 가장 가능성 있는 배터리 크기를 추정합니다.

단계 B: "연결 후" 정제 (차량이 플러그를 꽂은 후)
차량이 플러그를 꽂으면 시스템은 실시간 데이터를 얻습니다. 실제 흐르는 전력과 배터리 수치가 상승하는 것을 목격하게 됩니다.

비유: 이제 실제 버킷과 흐르는 물을 보게 되었으니, 추측을 멈추고 측정을 시작할 수 있습니다. 현재 흐름을 과거에 본 수천 개의 다른 버킷들과 비교하여 가장 유사한 것이 무엇인지 확인합니다.
도구: 시스템은 간단한"유클리드 거리"방법을 사용합니다. 차량의 현재 행동을 살펴보고 과거 충전 세션 기록에서"가장 가까운 일치"를 찾습니다. 그런 다음 예측을 1 분마다 업데이트하여 진실에 더 가깝게 만듭니다.

2."시간 여행"문제

이 논문은"시간 전위 (Time Transposition)"라고 불리는 까다로운 문제를 강조합니다.

문제: 시스템은 특정 배터리 수준에서 차량이 얼마나 많은 전력이 필요한지 예측하는 데 뛰어납니다 (예:"배터리 50% 에서 차량은 100kW 가 필요합니다"). 하지만 충전소는 그 시점이 언제가 될지 알아야 합니다 (예:"15 분 후에 50% 에 도달합니다").
비유: 차량의 속도를 아는 것은 쉽습니다. 하지만 다음 출구에 정확히 언제 도착할지 아는 것은 더 어렵습니다. 특히 초기 연료량이나 탱크 크기를 모를 때는 더욱 그렇습니다.
연구: 저자들은 이 정보를 잘못 얻었을 때 어떤 일이 발생하는지 테스트했습니다. "모든 것을 완벽하게 안다"에서부터"아무것도 모른다"에 이르기까지 여덟 가지 다른 시나리오를 시뮬레이션했습니다.

3. 발견한 내용 (결과)

연구자들은 스위스의 공개 데이터셋 (1,878 건의 충전 세션) 에서의 실제 데이터로 시스템을 테스트했습니다. 그들이 발견한 바는 다음과 같습니다:

"연결 후"업데이트의 강력함: 시스템은 차량이 충전됨에 따라 훨씬 더 좋아집니다. 충전 10 분째가 되면 예측 오차가 크게 감소했습니다 (약 40% 에서 16% 로). 그러나 약 10 번의 업데이트 후에는 정확도가 더 이상 향상되지 않았고 때로는 약간 악화되기도 하여, 추측을 정제할 때 멈추어야 하는"최적의 지점"이 있음을 시사합니다.
배터리 크기가 핵심: 총 소요 시간과 총 에너지를 예측할 때 배터리 크기를 아는 것이 가장 중요한 요소입니다. 배터리 크기를 잘못 추측하면 전체 타임라인이 틀어집니다.
충전 상태 (SoC) 가 분포에 미치는 영향: 차량이 도착했을 때 배터리가 얼마나 차 있는지 (SoC) 를 알면 예측이 더 수렴하여 가능한 결과들의"분포"를 좁히는 데 도움이 됩니다. 그러나 출발 시 충전 상태 (운전자가 원하는 충전량) 를 추측하는 것은 예상만큼 항상 도움이 되지는 않았습니다. 이는 모델이 해당 숫자를 추측할 때 약간의 편향이 있었기 때문일 것입니다.
"정보 없음"시나리오: 시스템이 모든 것 (배터리 크기, 도착 시 충전량, 출발 시 충전량) 을 추측해야 하더라도, 아예 데이터가 없는 것보다는 여전히 더 좋았지만 오차는 훨씬 더 컸습니다.

요약

간단히 말해, 이 논문은 전기차 충전을 예측하기 위한 경량화된 2 단계 시스템을 소개합니다. 이는 과거와 날씨에 기반한 통계적"최선의 추측"으로 시작하여, 차량이 플러그를 꽂으면"실시간 매칭"모드로 전환합니다.

핵심 교훈은 시스템이 잘 작동하지만, 최종 타임라인의 정확도는 배터리 크기를 아는 것에 크게 의존한다는 점입니다. 이를 잘못 파악하면 전체 일정이 왜곡됩니다. 배터리 크기를 정확히 파악하면, 차량이 충전을 시작하자마자 시스템이 타임라인을 매우 빠르게 정제할 수 있습니다. 저자들은 이 방법이 방대하고 복잡한 컴퓨터 시스템 없이도 전력망이 증가하는 전기차 수를 관리하는 데 도움이 되는 유망하고 효율적인 방법이라고 결론지었습니다.

기술 요약: 하이브리드 모델을 활용한 전기차 충전 프로파일 예측

문제 제기
전기차 (EV) 의 빠른 보급 확대와 급속 충전소 (FCS) 의 확충은 전력 수요의 정확한 예측을 요구합니다. 기존 문헌은 집계된 수요 예측을 광범위하게 다루고 있으나, 개별 전기차 충전 프로파일 예측은 상대적으로 미개척된 영역입니다. 정확한 개별 프로파일은 배터리 인지형 스케줄링, 충전소 수준 예측의 세분화된 업데이트, 그리고 이탈 시간 추정에 필수적입니다. 그러나 기존 접근법은 정밀한 공개 데이터셋의 부재, 독점적 배터리 관리 시스템 (BMS) 에 대한 의존성, 그리고 딥러닝 모델의 높은 계산 요구사항이라는 난관에 직면해 있습니다. 더 나아가, '시간 변환 (time transposition)' 즉, 전력 대 충전 상태 (SoC) 프로파일을 전력 대 시간 곡선으로 변환하는 데 있어 상당한 격차가 존재합니다. 이 변환은 도착/이탈 시점의 SoC, 이탈 시간, 배터리 용량과 같은 정보에 의존하는데, 이러한 정보는 연결 전에는 종종 알려지지 않거나 추정되어야 하므로 예측 정확도를 저해할 수 있습니다.

방법론
저자들은 충전 전과 충전 중 충전 프로파일을 추정하기 위해 두 가지 구별된 인스턴스를 포함하는 하이브리드 경량 예측 도구를 제안합니다. 이 모델은 로잔 연방 공과대학교 (EPFL) 의 DESL 에서 제공된 1,878 건의 3 급 (L3) FCS 충전 세션에 대한 공개 데이터셋과 주변 온도 데이터를 활용합니다.

연결 전 추정 (Pre-Connection):
- 목적: 전기차 연결 전에 충전 프로파일 (전력 대 SoC) 의 초기 추정을 생성합니다.
- 특징: 모델은 배터리 용량 ( $C$ ) 과 도착 시 주변 온도 ( $T_{ta}$ ) 를 사용합니다.
- 용량 추정: 실제 용량은 알려지지 않을 수 있으므로, K-폴드 교차 검증 (CV) 을 수행하는 단변량 가우시안 혼합 모델 (GMM) 을 사용하여 과거 분포를 기반으로 $C$ 를 추정합니다.
- 프로파일 예측: 랜덤 포레스트 (RF) 회귀 분석기가 SoC 를 전력에 매핑하는 전체 충전 프로파일 ( $CP_{ta}$ ) 을 예측합니다. 훈련 데이터는 과거 세션의 SoC 기반 보간을 통해 구성되며, 고정된 길이의 표현을 보장하기 위해 상수 외삽을 통해 확장됩니다.
- SoC/시간 예측: 시간 변환을 처리하기 위해 시간대별로 최적화된 GMM 기반 모델이 도착 및 이탈 SoC ( $SoC_{ta}$ , $SoC_{td}$ ) 를 예측합니다.
연결 후 추정 (Post-Connection):
- 목적: 롤링 호라이즌 프레임워크를 사용하여 충전 세션 중 프로파일을 지속적으로 정교화합니다.
- 방법: 유클리드 거리를 기반으로 한 경량 통계적 접근법이 사용됩니다. 각 시간 단계 $t_i$ 에서 모델은 배터리 용량과 $t_i$ 까지의 실현된 전력 이력을 포함하는 입력 벡터를 구성합니다. 이를 과거 실현값 행렬과 비교하여 가장 가까운 일치 항목 ( $j^*$ ) 을 찾은 후, 해당 과거 프로파일 세그먼트를 사용하여 예측을 업데이트합니다.
시간 변환:
- 모델은 간단한 전기차 대리 모델을 사용하여 SoC 기반 프로파일을 시간 기반 곡선으로 변환합니다. 이 과정은 정보 가용성 수준 (알려진 대 추정된 $C$ , $SoC_{ta}$ , $SoC_{td}$ ) 이 다양한 조건 하에서 평가됩니다.

주요 기여

하이브리드 예측 도구: 본 논문은 초기 프로파일 추정을 위한 지도 학습 접근법 (RF) 과 실시간 정교화를 위한 통계적 거리 기반 방법을 결합한 포괄적인 도구를 제시합니다.
정확도 정량화: 이 연구는 모델의 예측 정확도를 정량화하여 순차적 업데이트를 통한 개선을 입증합니다.
정보 영향 분석: 저자들은 충전 프로파일의 시간 변환에 대한 정보 가용성 (용량, 도착 SoC, 이탈 SoC) 의 구체적인 영향을 파악하기 위해 제거 분석 (ablation-like analysis) 을 수행합니다.

결과

예측 성능: 순차적 정교화는 정확도를 크게 향상시킵니다. 연결 전 예측 (추정된 용량 포함) 의 중앙값 포락선 가중 평균 절대 오차 (EMAE) 는 약 40% 입니다. 연결 후 업데이트를 거친 후, 10 번째 반복 시 중앙값 EMAE 는 약 16% 로 감소합니다. 10 회 반복을 넘어서면 오차가 안정화되거나 약간 증가하여 정교화를 위한 최적의 중단 지점을 시사합니다.
용량 추정: GMM 기반 용량 추정기는 실제 배터리 용량의 분포를 성공적으로 재현하지만, 오차 범위가 넓어 초기 예측에 영향을 미칠 수 있습니다.
시간 변환 시나리오: $C$ $C$ , $SoC_{ta}$ $S o C_{t a}$ , $SoC_{td}$ $S o C_{t d}$ 의 가용성에 관해 8 가지 시나리오가 테스트되었습니다.
- 용량 ( $C$ ): 용량 추정 오차는 전력 곡선에서 체계적인 스케일링 오차를 초래하며, 충전 시간 및 에너지 지표의 편향에 상당한 영향을 미칩니다. $C$ 를 알면 분포가 대칭성 쪽으로 이동합니다.
- SoC 정보: $SoC_{ta}$ 및 $SoC_{td}$ 의 오차는 주로 전력 곡선의 스케일링이 아닌 시간적 정렬 (분산) 에 영향을 미칩니다.
- 복합 영향: 모든 변수가 알려진 경우, 시간 변환된 프로파일의 중앙값 EMAE 는 약 45% 로 감소합니다. 연구는 오차가 누적되지만, 편향에 있어 용량이 지배적인 요인인 반면 SoC 정보는 오차 분포의 확산에 주로 영향을 미친다고 지적합니다.
- 편향 관찰: 모델은 대부분의 시나리오에서 충전 시간을 과소평가하는 경향 (양의 시간 오차) 을 보입니다.

의의 및 주장
본 논문은 개별 전기차 충전 프로파일 예측과, 특히 불확실한 정보 조건 하에서의 시간 변환 분석에 관한 문헌의 격차를 해소했다고 주장합니다. 저자들은 하이브리드 방법이 빈번한 재학습이 필요한 딥러닝 아키텍처의 무거운 계산 비용을 피하면서도 롤링 호라이즌 응용에 적합한 계산 효율적인 솔루션을 제공한다고 주장합니다.

이 연구는 개별 프로파일 예측이 상대적으로 미개척된 영역임에도 불구하고, 그리드 관리 및 배터리 인지형 스케줄링에 실질적인 이점을 제공한다고 강조합니다. 그러나 저자들은 이러한 세분화된 예측의 이점이 가용 정보의 변동적인 정도에 의해 저해될 수 있음을 겸손하게 지적합니다. 결과는 체계적 편향을 줄이기 위해서는 배터리 용량의 정확한 지식이 가장 중요하며, SoC 정보는 시간 및 에너지 추정치의 분산을 줄이는 데 결정적임을 시사합니다. 향후 작업은 더 넓은 데이터베이스를 통합하고 모델을 다른 최첨단 기준선과 비교 평가할 계획입니다.

1. 두 단계 예측 게임

2."시간 여행"문제

3. 발견한 내용 (결과)

요약

유사한 논문