Probabilistic Electric Vehicle Availability Modelling from Large-Scale Travel Survey Data for Grid Integration Studies

기술 요약: 대규모 여행 조사 데이터를 활용한 확률적 전기차 가용성 모델링: 그리드 통합 연구를 중심으로

문제 제기
전기차(EV) 가용성을 정확하게 추정하는 것은 차량-그리드 통합(V2G) 잠재력을 평가하기 위한 전제 조건이다. 그러나 기존의 그리드 통합 연구는 고정된 야간 충전 시간대나 일정한 자택 체류 시간과 같은 결정론적 가정에 자주 의존한다. 이러한 접근 방식은 인간의 이동성 행동과 충전 제약에 내재된 확률성을 간과하며, 결과적으로 가용 유연성을 체계적으로 과대평가하게 만든다. 또한, 영국 국가 여행 조사(NTS)와 같은 대규모 여행 조사 데이터셋은 상세한 경험적 데이터를 제공함에도 불구하고, 모빌리티 데이터를 그리드 관련 가용성 표현으로 변환하는 표준화된 방법론의 부재로 인해 전력 시스템 모델에 통합하는 데 한계가 있다.

방법론
본 연구는 다음의 4가지 단계를 통합하여 EV 가용성을 모델링하는 포괄적인 확률적 프레임워크를 제안한다:

1. 데이터 재구성: 2023년 영국 국가 여행 조사(NTS)의 여정 단위 기록을 처리하여 일일 모빌리티 체인을 재구성하였다. 데이터셋은 유효성을 기준으로 필터링되었으며, 분석 샘플은 10,044건의 여정으로 구성되었다. 차량 가용성은 30분 단위 시간 격자로 이산화되어, 차량이 존재(자택/그리드 접속 가능)하거나 부재하는 이진 상태(binary state)로 정의되었다.
2. 통계적 모델링: 출발 및 귀가 시간 분포를 가우시안 혼합 모델(GMM)을 사용하여 특성화하였다. 모델 적합도와 복잡도 사이의 균형을 맞추고 잠재적 행동 클래스(예: 통근자, 유연 근무자)를 포착하기 위해 베이지안 정보 기준(BIC)을 통해 최적의 혼합 성분 수를 결정하였다.
3. 확률 과정 표현: 시간적 가용성 역학은 비균질(시간 가변적) 마르코프 과정을 사용하여 모델링되었다. 이 접근 방식은 시간의 함수로서 상태 간 전이 확률을 포착하며, 이는 비정상적(non-stationary)인 일일 모빌리티 패턴을 반영한다.
4. 연결성 보정: 물리적 존재와 그리드 연결성 사이의 간극을 해결하기 위해 조건부 플러그인 확률 $P_{plug}(t)$를 도입하였다. 이는 시립 EV 데포의 경험적 충전 세션 데이터를 사용하여 보정되었다. V2G를 위한 유효 가용성 $A(t)$는 차량이 존재하고 동시에 플러그인이 연결된 결합 확률으로 정의된다: $A(t) = \phi(t) \cdot P_{plug}(t)$.

모델은 도착/출발 타이밍에 대한 통계적 충실도를 확보하고 체류 시간 특성을 평가하기 위해 EVFLEET GPS 데이터로 검증되었다.

주요 결과

• 다중 모드 모빌리티: GMM 분석 결과, 이동 행동은 다중 모드(multi-modal) 특성을 보였으며, 출발 시간은 오전 피크(08:09)에, 귀가 시간은 저녁 피크(17:37)에 집중되었다. 약 40%의 이동 행동이 지배적인 통근 모드 외의 범주에 속하며, 이는 단일 모드 결정론적 모델에서 무시되는 상당한 변동성을 유발한다.
• 이중 딥(Double-Dip) 가용성 구조: 모델링된 차량 존재 확률은 "이중 딥" 구조를 보인다. 가용성은 10:30에 0.42로 최저치까지 떨어졌다가 약간 회복된 후, 이른 오후(13:00–14:00)에 다시 0.25로 하락했다가 21:00까지 0.87로 회복된다.
• 플러그인 행동의 영향: 평균 모빌리티 가용성은 0.78이지만, 경험적 플러그인 확률(평균 0.57)을 통합하면 평균 유효 가용성은 약 0.25로 감소한다. 이는 모빌리티 전용 추정치와 비교했을 때 가용 용량이 구조적으로 67.9% 감소함을 의미한다.
• 시스템 차원의 과대평가: 결정론적 최적 조류 계산(OPF) 공식(가용성 100% 가정)을 적용할 경우, 확률적 모델(780 kW vs. 320 kW)에 비해 피크 용량을 2.4배 과대평가한다. 이러한 불일치는 가용성이 가장 낮은 정오 시간대에 가장 두드러진다.
• 검증: 모델은 도착 및 출발 시간에 대해 EVFLEET GPS 데이터와 강한 일치성을 보였다(피크 정렬 오차 ±30분 이내). 그러나 경험적 데이터는 합성 분포보다 더 두꺼운 꼬리(tail)를 가진 체류 시간 분포를 보였으며, 이는 극단적인 비활동 이벤트가 추가적인 분산을 유발함을 시사한다.

의의 및 주장
본 논문은 EV 가용성이 다중 모드 모빌리티 행동과 조건부 충전 연결성의 상호작용에 의해 구조적으로 제약된다고 주장한다. 주요 기여는 결정론적 가정이 유발하는 체계적 편향을 정량화한 것이다. 저자들의 주장은 다음과 같다:

1. 결정론적 모델은 불충분하다: 이 모델들은 단순히 무작위 오차를 도입하는 것이 아니라, 실행 불가능한 디스패치 스케줄과 V2G 자원의 과잉 약속을 초래하는 체계적 편향을 생성한다.
2. 집계가 제약을 제거하지는 않는다: 확률적 변동성과 달리, 물리적 존재와 통합된 가용성 사이의 간극은 구조적이다. 플러그인 행동 제약이 남아 있기 때문에, 차량 보유 대수를 늘리는 것이 V2G 용량의 비례적 증가로 이어지지는 않는다.
3. 방법론적 발전: 제안된 프레임워크는 대규모 모빌리티 데이터와 전력 시스템 응용 분야 사이의 간극을 메우는 확장 가능하고 데이터 기반적인 방법론을 제공하며, 보다 현실적인 V2G 잠재력 평가를 가능하게 한다.
4. 운영적 시사점: 결과는 시간대별 빈닝(binning)이 EV 플릿 스케줄링에 구조적으로 부적절함을 시사한다. 향후 그리드 통합 전략은 디스패치 가능한 유연성을 과대평가하는 것을 피하기 위해 시간 가변적 가용성 분포를 포함하고 행동 제약을 명시적으로 모델링해야 한다.