최황규
(Hwang Kyu Choi)
1iD
김광호
(Kwang Ho Kim)
†iD
-
(Researcher, Data Science Lab., KEPCO, Seoul, Korea)
-
(Assistant Vice President, Head of Distribution Planning Team, KEPCO, Naju, Korea)
Copyright © The Korean Institute of Illuminating and Electrical Engineers(KIIEE)
Key words
Demand forecasting, Electric vehicle(EV), EV charging demand, EV charging station
1. 서 론
최근의 전기자동차 보급 속도는 수년전만 해도 예상하지 못했던 높은 수준의 증가세를 보이고 있다. 이는 정부의 다양한 전기자동차 보급지원 정책과 더불어
테슬라로 대표되는 전기차의 상품성이 급격히 높아진 것에도 큰 영향이 있다. 또한 예전보다 광범위하게 설치되고 있는 전기차 충전인프라 또한 일반인이
기존 가솔린, 디젤 자동차에서 전기차를 대안으로 생각하게 만드는 주요한 요인이 되고 있다. 2021년 8월에 발표된 정부의 2050 탄소중립시나리오
초안에 따르면 2018년 기준 이산화탄소배출량 대비 2050년의 감축률을 96.3%로 한 1안과 97.3%로 한 2안의 경우, 전체 자동차의 53%가
전기자동차로 대체될 예정이며, 감축률 100%의 3안의 경우는 전기차의 비중이 80% 이상에 달하고 있어서 앞으로 수송분야는 전기차가 주축이 될 것으로
보인다(1). 급격히 늘어난 전기차를 교통환경적 측면에서 큰 문제없이 원활히 운영되도록 하기 위해서는 전기차 충전 인프라가 충분히 확대되어야 한다. 이를 위해서는
전기차의 충전수요 증가를 정확히 예측하여 적절한 장소에 필요한 용량의 충전설비를 설치하고 보강하여야 한다. 또한 운영 측면에서는 단기적으로 충전수요를
예측하여 충전병목현상이 일어나지 않도록 적절히 충전수요를 분산시키는 전략도 필요하다. 전기차 충전시스템의 충전부하는 기존의 전기부하와는 달리 고정되어
있지 않고 지속적으로 이동하는 특징을 갖기 때문에 부하 접속 및 사용량의 불확실성이 크고 예측하기가 매우 어렵다. 따라서 보다 정확한 전기차 충전수요
예측을 위해서 충전수요와 연관된 여러 가지 요소를 도입한 다양한 연구들이 진행되고 있다(2). 전기차 충전기의 충전수요는 충전소의 위치, 전기차의 보급 수준, 전기차 교통량, 시간대, 요일 등에 따라 다양한 패턴을 나타내기 때문에 현재로서는
수요를 추정할 수 있는 여러 가지 요소의 과거 실적 데이터를 바탕으로 예측 모델을 구축하는 것이 가장 적절하다. 모든 충전소에 대해 적용 가능한 일반화된
예측 모델을 만드는 것은 사실 대단히 어렵고 충전소 위치나 구역 특성에 맞는 맞춤형의 예측 모델을 개발하여 활용하는 것이 현재로서는 가장 적절한 접근방법이라고
판단한다. 전력수요의 예측에는 시계열법, 확률적인 해석법, 신경회로망을 포함한 머신러닝 기법 등 다양한 데이터 분석방법이 사용되고 있는데, 최근 데이터
처리 기술의 발전과 모델의 개선으로 인해 신경회로망 예측모델이 비교 우위를 보이고 있다. 신경회로망 모델을 전기차 충전수요 예측에 적용하기 위해서는
수요와 연관된 요소들에 대한 과거 실적치 데이터가 필요하며 정확한 예측모델을 도출하기 위해서는 가능한 많은 양의 데이터가 축적되어야 한다. 그러나
전기차와 충전소 보급이 아직은 초기단계인 현시점에서는 일반화 예측 모델을 만들기에 충분한 양의 데이터를 확보하는 것은 어렵다. 따라서 현재의 데이터
부족은 충전소의 특성에 맞는 모델 구성을 통해 극복하여야 할 것이고 장기적으로 데이터가 축적이 되면 신경회로망을 이용한 예측모델의 성능은 더욱 향상될
것으로 예상한다.
본 연구에서는 전기차의 충전수요를 추정할 수 있는 중요한 요소로 전기차 충전소 인근 도로 교통량을 선택하고 2차적인 요소로 우리나라의 전기차 보급현황을
고려한 전기차 충전수요예측 모델을 개발하였다. 예측모델의 시험 대상으로는 고속도로 휴게소에 설치된 전기차 충전소를 선택하였다. 이는 고속도로의 경우
한국도로공사로부터 비교적 체계화된 교통량 데이타를 확보할 수 있다는 점 때문이었다. 본 연구에서는 1단계로 고속도로 휴게소 접속 도로의 교통량 데이터의
시계열적인 특성을 고려하여 RNN(recurrent neural network)의 한 종류인 LSTM(long short-term memory) 모델을
이용한 전기차 충전수요 예측 모델을 구축하였다. 이를 바탕으로 2단계로 우리나라 전기차의 보급률 통계 정보와 충전소의 전기차 충전실적 정보를 이용하여,
고속도로 전기차 추정통행량 대비 휴게소 충전차량 댓수 및 충전량을 예측하는 모델을 제안하였다. 제안된 모델을 실제 휴게소(죽암 휴게소 서울방향)를
대상으로 모의 테스트 한 결과, 2019년 6월 24일부터 7월 21일 4주간에 대해 충전 EV 댓수 및 충전량 예측에 있어서 각각 MAPE(Mean
Absolute Percentage Error) 3.1%과 2.2%의 정확도를 얻어 향후 전기차 충전수요예측 모델로의 활용가능성을 보였다.
2. 본 론
2.1 고속도로 교통량 및 휴게소 충전량 분석
휴게소를 지나는 고속도로 통행량과 전기차 통행량은 비례한다고 볼 수 있으며 이에 따라 전기차 충전수요도 고속도로 통행량과 깊은 상관관계가 있다고 가정할
수 있다. 예를 들어 Fig. 1과 Fig .2에서 보인 것과 같이 2021년 1월 18일 월요일 죽암휴게소 상하행선 고속도로의 24시간 교통량과 해당 휴게소에 설치된 전기차 충전소의 충전량을
비교하면 그 상관관계를 파악할 수 있다. Fig. 1에서 서울방향 상향선 죽암휴게소의 교통량이 하행성 부산 방향에 비해 상대적으로 높게 나오고 있으며, 이에 따라 서울방향 휴게소의 충전량도 상대적으로
많아짐을 볼 수 있다. 반대로 오후에는 부산방향 휴게소의 교통량과 충전량이 서울방향 휴게소의 교통량과 충전량에 비해 높게 나타나고 있다. 현재는 전체
자동차중 전기차 비율이 매우 낮은 상태라서 만족할 만큼 충분한 상관관계를 보이지는 않으나 향후 전기차 보급이 크게 확대된다면 충분히 주목할 만한 정량적
지표가 될 것으로 판단된다.
Fig. 1. Traffic of expressways neighboring with Jukam rest areas (Seoul/Busan direction, 2021.1.18)
Fig. 2. EV charging demand [kWh] with Jukam rest areas (Seoul/Busan direction, 2021.1.18)
2.2 LSTM 모델을 이용한 전기충전설비 주변 도로 교통량 예측
2.2.1 LSTM 모델 (3-5)
본 논문에서는 1차적으로 전기충전설비 주변을 통과하는 도로의 교통량을 예측하기 위해 RNN의 한종류인 LSTM 모델을 적용하였다. 그림 3에 나타낸
바와 같이 RNN 모델은 시계열 데이터와 같은 순차적인 데이터를 효율적으로 처리하는 신경회로망 알고리즘이다. 여기서 X는 입력층, h는 출력층, A는
은닉층을 나타낸다.
LSTM 모델은 RNN 모델의 구조상 데이터양이 많아지면 오랜 과거의 시계열 데이터가 반영되지 않는 장기 의존성 문제를 해결하기 위해 개발된 모델이다.
Fig. 3에 나타낸 LSTM 구조에서 보듯이 RNN 모델의 은닉층을 망각게이트, 입력게이트, 출력게이트로 변형하여 오랜 과거 시계열 데이터를 현재의 출력층에
반영시킨다. 여기서 X는 입력층, h는 출력층, A는 망각, 입력, 출력 게이트로 변형된 은닉층이다.
Fig. 3. Structure of RNN model
2.2.2 교통량 데이터
본 연구에서는 서울방향 죽암휴게소의 전기차 충전설비를 대상으로 모델을 구축, 검증하였다. LSTM 예측 모델 구축을 위해 해당 휴게소를 지나가는 신탄진
IC-남청주 IC의 시간당 교통량 데이터가 사용되었다. 2019년 3월 1일부터 6월 23일까지의 데이터를 사용하여 LSTM 예측 모델을 학습하였으며
2019년 6월 24일부터 7월 21일까지 4주간의 매시간 교통량에 대해 예측을 시행하였다. Fig. 4는 전체 데이터 중 2019년 6월 24일부터 1주일 기간에 대한 시간당 교통량 데이터를 예시로 나타낸 그래프이다.
Fig. 4. Traffic data for 1 week from June 24, 2019
2.2.3 고속도로 교통량 예측 모델
휴게소 전기차 충전설비를 지나는 고속도로 교통량을 예측하기 위한 예측 알고리즘은 Tensorflow 라이브러리를 사용한 LSTM 모델로 구현하였다.
이때, 실행을 위한 주요 파라미터들은 Table 1과 같다. LSTM 모델의 단계수는 24이며, 각 단계의 은닉층 수는 5이며, 셀에는 1개 입력 즉, 시간에 해당하는 교통량이 입력된다. 또한, 출력은
예측 교통량 출력 1개로 구성된다.
Table 1. Parameters for LSTM model
|
|
Input cells
|
Steps
|
Hidden layers
|
Output cells
|
Learning rate
|
Epoch
|
|
LSTM model
|
1
|
24
|
5
|
1
|
0.001
|
20
|
2.2.4 예측 결과
Fig. 5는 2019년 6월 24일부터 7월 21일 4주간의 매시간 교통량에 대해 예측 테스트를 시행한 결과를 나타낸 것이다. 결과에서 4주간의 평균 절대오차(Mean
Absolute Percentile Error) 값은 6.92%이었다. 또한 평균 제곱근 오차(Root Mean Square Error)는 161.70으로
나타났다. 여기서 결과값인 평균 제곱근 오차 RMSE(Root Mean Square Error)는 다음 식과 같이 표현된다.
Fig. 5. Experimental results of traffic prediction
2.3 도로 교통량 기반의 전기차 충전수요예측
2.3.1 도로교통량 기반의 수요예측 절차
본 연구에서는 2.2절에서 기술한 방법으로 1차적으로 전기차 충전소와 인접한 도로의 교통량을 시간대별로 예측을 한 후에 전기차의 보급률 통계와 해당
충전소의 전기차 충전실적 정보를 이용하여 다음과 같이 2차적인 예측절차를 진행한다. 본 연구에서는 교통량을 기반으로 한 전기차 충전수요예측에 적합한
대상으로 고속도로 휴게소의 전기충전소를 선택하였다.
1) 1단계 : 예측일 휴게소 고속도로 전체 교통량 예측 (total_traffic)
앞 절에서 기술한 것과 같이 LSTM 모델을 사용하여 예측 대상일의 휴게소 인근 고속도로의 24시간 전체 교통량을 예측한다. 본 연구에서는 한국도로공사
고속도로 공공데이터 포탈(data.ex.go.kr)을 통해서 데이터를 수집하였다.
2) 2단계 : 예측일 휴게소 고속도로 전기차 교통량 예측 (ev_traffic)
고속도로를 통과하는 자동차를 일반자동차와 전기차로 구분하는 것은 현재로서는 불가능하기 때문에 현시점 보급된 전기차의 비율을 이용하여 전기차 교통량을
추산한다. 전기차 교통량은 전국 차량댓수에 대한 전기차 보급댓수의 비율을 이용하여 추정한다. 본 연구에서는 정부 정보공개포탈(open.go.kr)에서
제공하는 통계청의 우리나라 자동차 등록자료 월단위 통계를 사용하였다.
3) 3단계 : 예측일 휴게소 충전 전기차 댓수 (no_ev_charging)
2단계에 추정한 고속도로 전기차 교통량 중에 해당 휴게소로 진입하여 충전할 전기차의 댓수를 예측하여야 한다. 이를 위해 이전 달의 전기차 교통량(추정값)
대비 해당 휴게소에서 충전한 전기차 댓수(실제값)의 비율을 구한 후, 그 비율을 2단계에서 구한 전기차 교통량 예측값에 곱해서 해당 휴게소에 진입후
충전할 전기차의 댓수를 추정한다. 추산식은 다음과 같다.
여기서 A : 직전 4개월 휴게소 충전 전기차 댓수(실제값), B : 직전 4개월 휴게소 통과 전기차 교통량(추정값)을 나타낸다.
4) 4단계 : 예측일의 휴게소 충전수요량 (energy_ev_charging)
3단계에서 추정한 충전 전기차 댓수에 전기차 대당 평균 충전량을 곱하여 예측일의 충전수요량을 예측한다. 이때 전기차 대당 평균 충전량은 직전 4개월의
휴게소 총충전량과 충전 차량 댓수를 이용하여 구하게 된다. 추산식은 다음과 같다.
여기서 C : 직전 4개월 해당 휴게소 충 충전량(실제값), D : 직전 4개월 해당 휴게소 충전 전기차 댓수(추정값)를 나타낸다. 본 연구에서는
정부 정보공개포탈(open.go.kr)을 통해 환경공단에서 제공한 고속도로 휴게소 설치 전기차 충전소의 충전량 데이터를 이용하였다.
2.3.2 예측 결과 및 평가
본 연구에서 제안한 전기차 충전설비의 충전수요량 예측모델을 서울 방향의 죽암휴게소를 대상으로 테스트하였다. 2019년 6월 24일에서 7월 21일까지
4주간의 예측기간에 대해 시행하였다. 현재의 전기차 보급현황을 고려할 때 시간당 전기차 충전댓수는 매우 적고 패턴 또한 대단히 불규칙하기 때문에
예측에 유의미한 충전 댓수를 사용하기 위해서 본 평가에서는 3단계와 4단계에서 각 시간대의 충전댓수를 오전과 오후로 통합 구분하여 오전과 오후시간대의
충전량을 예측하고 4주간의 전체의 충전량 및 충전 전기차 댓수 예측오차를 평가하였다. 검증에 사용한 실적 데이터는 Table 2와 같다.
Table 2. Data list
|
Parameters
|
Used data
|
Note
|
|
LSTM learning data
|
Sintanjun IC-Namcheongju IC
hourly traffic data
|
Jan. 1. 2019
～ Jun. 23. 2019
|
|
The number of cars supplied nationwide(inland)
|
23,081,151
|
2019
|
|
The number of EV supplied nationwide(inland)
|
71,640
|
2019
|
|
The number of cars passed by the rest area
|
6,452,840
|
Mar.～Jun. 2019
|
|
The number of EV passed by the rest area
|
20,029
|
Estimated value
|
|
The number of EV charged in the rest area
|
1,045
|
Mar.～Jun. 2019
|
|
The ratio of passed EV and charged EV
|
0.05218
|
Estimated value
|
제안한 모델에 따라 오전/오후 시간대별로 예측한 충전량과 충전 EV 댓수를 4주 검증기간 전체에 대하여 더해 실제값과 비교한 결과, 절대오차가 각각
3.1%와 2.2%로 나타나 정확한 예측 수행이 가능함을 보였다. 예측 결과를 Table 3에 나타내었다.
Table 3. EV charging forecast results
|
|
Actual value
|
Forecasted value
|
Absolute percentage error
|
|
The number of charging EV
|
289
|
280
|
3.1%
|
|
Charging
demand (kWh)
|
5,042
|
4,929
|
2.2%
|
예측 시간대를 좀더 짧게 하여 오전/오후 또는 24시간별로 충전량을 예측할 경우에는 시간대별로 적게는 3%에서 많게는 40～50%의 예측오차가 발생하는데
이는 전기차의 보급이 아직 충분하지 않아 통과 교통량 대비 충전차량의 추산치가 불안정한 이유라고 판단된다. 전기차 보급이 미미한 현 상황에서 시간대별
예측 정확도는 떨어지나 4주간 전체의 충전량 및 충전 전기차 댓수에 대한 예측 결과는 우수하게 나타난 것을 볼 때, 제안한 교통량 기반의 전기차 충전
수요 예측 모델이 충전수요의 패턴을 비교적 잘 추정하는 것으로 평가할 수 있다. 향후 전기차 관련 충전인프라가 충분히 확장될 경우 유의미한 통계데이터를
얻어 시간대별 예측정확도를 높일 수 있을 것으로 기대한다.
4. 결 론
본 연구에서는 특정 전기차 충전설비의 전기차 충전수요를 도로 교통량 기반으로 예측하는 모델을 제안하였다. 본 예측 모델에서는 1차적으로 LSTM 기법을
이용하여 해당 구역, 특히 충전설비가 위치한 인접 도로의 교통량을 예측하고 시간당으로 예측한 교통량에 대해 전기차 보급현황, 충전소의 전기차 충전실적
정보를 적용하여 해당 구역의 전기차 충전 수요 댓수 및 충전량을 추산하는 방법을 제시하였다. 제안한 모델을 현재 비교적 정확한 데이터를 수집할 수
있는 고속도로 휴게소의 전기차 충전설비를 대상으로 검증해본 결과, 검증 대상에 대해 오차 2～3%의 정확도를 보여 향후 전기차 충전수요 예측에 있어서
교통량 기반 모델의 하나로 적절히 활용할 수 있을 것으로 판단하였다. 특히 전기차 및 전기차 충전설비 보급이 더욱 활발하게 이루어져서 데이터 분석에
충분한 수준의 관련 실적 데이터가 확보되는 가까운 미래에는 더욱 정확한 예측모델로 확장될 것으로 기대한다. 또한 요일별과 오전/오후 시간대별로 상반되게
나타나는 상하행선 고속도로 통행량과 이에 따른 충전수요의 변화가 나타나는 고속도로 휴게소에 대해 배터리를 이용한 이동형 충전시스템과 본 연구에서 제시한
전기차 충전설비의 충전수요예측 모델을 활용한다면 최적의 전기차 충전설비 운영 전략(6)을 수립할 수 있을 것으로 기대하며, 향후 관련 연구를 진행할 계획이다.
Acknowledgements
본 연구는 2018년도 산업통상자원부 광역협력권산업육성사업(과제번호: P0004701)의 지원을 받아 수행되었음.
References
Carbon Neutral Committee , 2021, 2050 Carbon Neutral Senario in Korea, 1st Edition,
2050 Carbon Neutral Committee, Korea
Bae Seong-U, Im Dong-Yeong, 2017, Reviews of Eletric Vehicle Charging Power Demand
Forecasting Researches, KIEE Magazine The Korean Institute of Electrical Engineers,
Vol. 66, No. 12, pp. 40-49
Olah C., 2015, Understanding LSTM Networks, Colah’s blog, https://colah.github.io/posts/2015-08-Understanding-LSTMs
Chung H. C., 2019, Prediction for Energy Demand Using 1D-CNN and Bidirectional LSTM
in Internet of Energy, Journal of Institute of Korean Electrical and Electronics Engineers,
Vol. 23, No. 1, pp. 134-142
Kim K.H., Chang B., Choi H.K., 2019, Deep Learning Based Short-term Electric Load
Forecasting Models using One-Hot Encoding, Journal of Institute of Korean Electrical
and Electronics Engineers, Vol. 23, No. 3, pp. 852-857
Minstry of Trade , Industry and Energy , 2021, EV Charging System Contributing to
Grid Integrated Self-propelled Smart ESS, Research Report of 2018 Promotion of Regional
Economic Zone Industry Program, Minstry of Trade, Industry and Energy
Biography
He received B.S. degree in Electronics Eng. from Kyungbook National University in
1984, M.S. degree and Ph.D. degree in Electric and Electronics Eng. from KAIST in
1986 and 1989, respectively.
Since 1990, he has been a professor in Dept. of Computer Science and Eng., Kangwon
National University.
His research interests include data base design and deep learning application.
He received B.S., M.S., and Ph.D. degree in Electrical Eng. from Seoul National University
in 1988, 1990, and 1994, respectively.
Since 1995, he has been a professor in Dept. of Electrical and Electronics Eng., Kangwon
National University.
His research interests include power system and electrical installation analysis and
AI applications.