A Hierarchical Stochastic Model Predictive Control Framework for Integrated Request-aware Charge Scheduling and Service Allocation

기술 요약: 통합 요청 인지형 충전 스케줄링 및 서비스 할당을 위한 계층적 확률적 모델 예측 제어 프레임워크

문제 정의
본 논문은 유연한 A-to-B 렌탈 모델 하에서 운영되는 모빌리티 온 디맨드 전기차(MoD-EV) 플릿이 직면한 운영상의 과제를 다룹니다. 이 환경에서 차량은 충전소(CS)에서 대여되어 다른 충전소로 반납되며, 여행 예약 시 거리나 경로에 대한 정확한 정보가 결여되어 있습니다. 플릿 운영자는 다음과 같은 복잡한 최적화 문제에 직면합니다:

1. 확률적 수요: 고객의 렌탈 요청은 불확실하고 간헐적입니다.
2. 동적 가격 책정: 전기 요금은 시간에 따라 변동합니다.
3. 비선형 배터리 역학: 기존 문헌에서는 온도 효과, 개방 회로 전압(OCV) 변화, 용량 퇴화와 같은 비선형 동작을 단순화하는 경우가 많으나, 정확한 모델링을 위해서는 이를 포착해야 합니다.
4. 확장성: 대규모 플릿을 위한 중앙 집중식 최적화 접근 방식은 혼합 정수 제약 조건과 예측 호라이즌의 크기로 인한 조합적 특성 때문에 계산 불가능성(intractability) 문제를 겪습니다.

핵심 목표는 배터리 건강을 해치지 않으면서 불확실성 하에서 서비스 신뢰성(렌탈 요청 충족)을 보장하며 총 운영 비용(전기, 스위칭, 배터리 퇴화)을 최소화하는 것입니다.

방법론
저자들은 확률적, 다목적 모델 예측 제어(MPC) 프레임워크를 기반으로 한 **통합 충전 관리 및 서비스 할당 메커니즘(iCMS)**을 제안합니다.

1. 배터리 모델링:

   • 본 연구는 내부 온도, 충전 상태(SOC), 단자 전압을 포착하는 향상된 등가 회로 모델(ECM)을 사용하여 배터리 역학을 표현합니다.
   • 선형 계획법 프레임워크 내에서 비선형성을 처리하기 위해, 저자들은 배터리 역학 및 용량 퇴화 모델에 대한 **구간 선형 근사(piece-wise linear approximation)**를 채택했습니다. SOC 범위를 상호 배타적인 세그먼트로 나누어 혼합 정수 선형 계획법(MILP)을 사용할 수 있도록 했습니다.
   • 단순한 집계 비용 모델을 넘어, 평균 SOC, SOC 편차 및 충전량에 기반한 퇴화를 정량화하기 위해 순환 용량 퇴화 모델이 통합되었습니다.

2. 확률적 최적화 (기회 제약 MPC):

   • 프레임워크는 불확실한 주행 요청을 처리하기 위해 **기회 제약(chance constraints)**을 포함합니다. 특정 매개변수 분포를 가정하는 대신, 모델은 역사적 데이터 시나리오를 사용하여 확률적으로 서비스 수준 제약(예: 특정 신뢰 수준 $\alpha_{CON}$으로 수요가 충족됨을 보장)을 강제합니다.
   • 목적 함수는 전기 비용, 배터리 퇴화 비용, 충전 모드 전환 비용의 가중 합을 최소화합니다.

3. 계층적 분산 솔루션:

   • 중앙 집중식 MILP 공식의 계산 복잡성을 해결하기 위해, 저자들은 2단계 계층적 분산 알고리즘을 개발했습니다:
     • 상위 단계 (주행 할당): 축소된 차수 모델(reduced-order model)을 통해 플릿 전체의 고수준 서비스 할당 및 차량 출발 시간($t_{dep}$)을 최적화하며 기회 제약을 충족합니다.
     • 하위 단계 (충전 스케줄링): 개별 유휴 EV를 위한 분산 최적화 문제가 해결됩니다. 각 차량은 상위 단계에서 제공된 출발 시간, 로컬 배터리 역학, 전기 가격을 바탕으로 상세한 충전 시퀀스(전류, 모드 전환)를 결정합니다.

주요 기여
본 논문은 다음과 같은 구체적인 기여를 주장합니다:

• 통합 메커니즘: 확률적 요청 하에서의 서비스 할당과 비선형 배터리 역학을 동시에 처리하는 통합 프레임워크 개발.
• 고급 배터리 모델링: 단순한 SOC 선형 모델에 의존하는 대신, 비선형 역학을 포착하는 파라미터 배터리 모델과 상세한 순환 용량 퇴화 모델의 적용.
• 계산 효율성: 의사 결정 효율성을 높이기 위해 비선형 역학에 대한 구간 선형 완화(piece-wise linear relaxation)를 통한 MILP 문제 구축.
• 이산 모드 전환: 전이 오토마타(transition automata)를 포함한 이산 충전 동작(V2G 방전, 다중 충전 모드 및 OFF 상태 포함)의 공식화.
• 확장 가능한 아키텍처: 중앙 집중식 문제를 분해하여 계산 복잡성을 줄이는 계층적 분산 알고리즘을 개발함으로써 대규모 플릿의 실시간 구현 가능성 확보.

결과 및 평가
프레임워크는 300대의 EV와 싱가포르 도매 전기 가격 및 역사적 수요 데이터를 사용하여 24시간 호라이즌 동안 평가되었습니다. 제안된 방법(중앙 집중식 iCMS 및 분산형 iCMS)을 BAU 휴리스틱 및 Laxity 기반 충전(LC) 방식과 비교하였습니다.

• 비용 효율성: 제안된 iCMS 방식은 BAU 및 LC보다 크게 우수한 성능을 보였습니다. 분산형 iCMS(D-iCMS)는 가장 낮은 배터리 퇴화 비용($5.2 vs. BAU의 $21.04)과 최적에 가까운 전기 비용($138.38 vs. BAU의 $193.95)을 달-성했습니다.
• 부하 프로필: 중앙 집중식 방식(C-iCMS)은 저가 기간을 공격적으로 활용하여 가장 낮은 전기 비용을 달성했으나, 3.89라는 높은 최대-평균 전력비(PAR)를 기록했습니다. D-iCMS는 2.33의 적절한 PAR를 가진 균형 잡힌 솔루션을 제공했습니다.
• 확률적 성능: 다양한 신뢰 수준에 대한 분석 결과, 신뢰 수준이 높아질수록 예측 비용과 실제 비용 간의 편차가 작아져 더 견고한 솔루션을 얻을 수 있으나, 자원 활용도가 높아지는 결과가 나타났습니다.
• 계산 확장성: 실행 시간 분석 결과, 중앙 집중식 방식은 예측 호라이즌과 샘플링 간격이 증가함에 따라 계산 시간이 기하급수적으로 증가하는 문제를 겪었습니다. 반면, 분산형 D-iCMS 방식은 문제를 분해함으로써 낮은 실행 시간(예: 30분 간격에 대해 1.3초)을 유지하여 실시간 애플리케이션에 적합함을 보여주었습니다.
• 하이퍼파라미터 민감도: 스위칭 비용 및 페널티 계수의 영향을 분석한 결과, 이러한 파라미터 조정을 통해 운영자가 그리드 평활도(낮은 퇴화) 또는 운영 타당성(낮은 페널티) 중 우선순위를 정할 수 있음을 보여주었습니다.

의의
본 논문은 이 연구를 플릿 관리를 위한 실질적인 의사결정 지원 도구로 포지셔ชัน합니다. 저자들은 제안된 프레임워크가 다음과 같은 점을 통해 이론적 배터리 모델링과 운영 현실 사이의 간극을 메운다고 주장합니다:

1. 피크 부하 영향을 완화하면서 가격 인센티브를 활용하는 그리드 대응형 디스패칭을 가능하게 합니다.
2. 조절 가능한 비용 함수 가중치를 통해 상충하는 목표(전기 비용, 서비스 신뢰성, 배터리 수명) 사이의 균형을 맞추는 메커니즘을 제공합니다.
3. 분산 계산을 통한 확장성을 제공하여, 중앙 집중식 솔버의 계산적 한계에 부딪히지 않고 플릿 운영 규모를 확장할 수 있게 합니다.

저자들은 10% SOC 이산화(discretization)가 실행 시간과 정확도 사이의 균형을 맞추는 견고한 시작점을 제공하지만, 비선형 역학과 확률적 수요를 동시에 처리할 수 있는 본 프레임워크의 능력이 기존의 단순화된 스케줄링 전략보다 상당한 진보를 나타낸다고 결론짓습니다.