1. 서 론

기후 변화와 대기 오염 문제의 심각성이 대두됨에 따라, 온실가스 배출량을 줄일 수 있는 친환경 교통수단으로서 전기차가 주목받고 있다^[1]. 온실가스 감축 목표를 달성하기 위해 많은 국가가 전기차 보급을 위한 구매 보조금, 세제 혜택 등 다양한 유인책을 제공하고 있으며, 주요 자동차 제조사들도 내연기관 차량에서 전기차로 빠르게 전환하고 있다. 국제에너지기구(IEA)의 보고서^[2]에 따르면, 전기차 판매는 지속적으로 증가하여 2024년에는 전 세계 자동차 판매량의 20% 이상을 차지할 것으로 예상된다. 이러한 추세에 발맞춰, 국내에서도 정부가 '제4차 친환경 자동차 기본 계획'을 통해 2025년까지 200만 대의 전기차 보급과 50만 기의 충전시설 구축을 목표로 설정하는 등^[3], 전기차 및 충전 인프라 시장은 더욱 활성화될 전망이다.

전기화(Electrification)의 흐름은 개인용 차량을 넘어 버스와 트럭 등 상업용 차량으로도 확산하고 있다. 상업용 차량은 온실가스 배출의 주원인 중 하나로, 최근 운수 및 물류 기업들이 배출가스가 없는 전기버스 및 트럭으로 차량을 전환하기 시작했다^[4,5]. 특히, 전기버스는 인구 밀집 지역에서의 대기 오염을 크게 줄일 수 있어 공중보건 개선에 기여할 것으로 예상된다. 전 세계적으로 2035년까지 전기버스는 약 7배 증가할 것으로 전망된다^[2]. 한편, 전기버스 도입에 따라, 운수업체들은 기존 버스 차고지를 충전 인프라를 포함하도록 개조하거나 재건축하고 있다. 독일 함부르크의 최대 운송회사인 Hamburger Hochbahn AG는 최근 전기버스 운영을 위해 [그림 1]과 같이 차고지를 전기버스 충전소로 개조하였다^[6]. 국내에서도 경기도 수원시에 96대의 전기버스를 동시에 충전할 수 있는 친환경 전기버스 차고지 겸 충전소가 준공되는 등([그림 2) 인프라의 전환이 확산하고 있으며 이를 통해 버스 차고지는 차량 보관 기능과 전기버스의 충전소 역할을 동시에 수행하도록 진화하고 있다.

전기버스와 충전소가 확산됨에 따라 전력계통(Power grid)과의 연계가 점차 강화되고 있으며, 이로 인해 충전 인프라 부족 및 전력수요 급증 등의 문제가 발생하고 있다. 이를 해결하기 위해 한정된 충전 자원의 효율적 활용을 가능하게 하는 스마트 충전 기술의 필요성이 커지고 있는데, 그 대표적인 예가 양방향 전력 전송을 가능하게 하는 Vehicle-to-Grid (V2G) 기술이다^[8,9]. 기존의 충전 시스템에서는 계통에서 차량으로의 단방향 전송만 가능했으나, V2G 기술을 통해 차량에 저장된 전력을 다시 전력계통으로 공급하는 것이 가능해졌다^[10]. 이 경우, 전기차는 단순한 전력수요자가 아닌 에너지 저장장치로 활용될 수 있으며, 이를 바탕으로 부하의 변동성을 완화하고, 운영비용을 절감하며, 주파수 조정 서비스를 제공하는 등 전력계통 운영의 안정성과 효율성을 향상할 수 있다^[11-13].

그림 1. 독일 Hmaburger Hochbahn AG사가 운영 중인 전기버스 차고지^[6]

Fig. 1. E-bus depot of Hamburger Hochbahn AG^[6]

그림 2. 국내 최대 규모의 전기버스 충전소^[7]

Fig. 2. South Korea’s largest E-bus charging station ^[7]

한편, V2G 기술의 도입은 전력계통 운영에 도움이 될 뿐만 아니라 충전소 운영자에게도 추가 이윤 창출의 기회를 제공한다. 전력가격이 시간대별로 다르다는 점을 활용하여, 전력가격이 낮을 때 차량을 충전하고 가격이 높을 때 일부 전력을 다시 계통에 방전하여 공급함으로써 수익을 창출할 수 있다. 따라서, 차량이 충전소에 머무르는 시간 동안의 충·방전 스케줄을 최적화하여 수익을 극대화하는 것이 중요하다.

V2G 기술 하에서의 충·방전 스케줄 최적화 시, 전기버스와 개인용 전기차 간에 몇 가지 차이점이 존재한다. 먼저, 전기버스는 개인용 전기차보다 배터리 용량이 커 더 많은 전력을 저장할 수 있으며, 이를 통해 더 큰 방전 수익을 얻을 수 있다. 또 다른 차이점은 충전소 운영자가 차량의 스케줄을 사전에 알 수 있는지 여부이다. 개인용 전기차의 경우, 차량의 도착 및 출발시각, 배터리 충전 상태를 충전소 도착 전에 미리 알 수 없는 경우가 대부분이다. 반면, 전기버스의 경우, 차량과 충전소가 동일한 회사에 의해 운영되므로, 운행 스케줄 및 상태를 사전에 파악할 수 있다. 이처럼 상대적으로 적은 불확실성을 바탕으로 효율적인 전기버스 충·방전 스케줄을 수립하는 것이 가능하다.

전기버스의 충·방전 스케줄 수립 시 고려사항 중 하나는 전력계통의 안정성에 기여하는 것이다. 특히, 전력수요가 높은 최대부하 시간대(Peak time)에 계통으로 전력을 공급하여 수요를 평탄화하는 역할을 할 수 있으며, 이를 위해 계통과 충전소 간에 인센티브 계약을 맺을 수 있다. 이를 바탕으로 충전소는 최대부하 시간대에 적극적으로 전력을 공급하며, 계통은 안정성에 기여하는 만큼의 보상을 충전소에 제공한다. 특히, 본 연구에서는 충전소 운영자와 계통 운영자 간에 의무 방전량 계약이 체결된 상황을 가정한다. 해당 계약하에서, 충전소 운영자는 최대부하 시간대의 방전 가능량의 일정 비율 이상을 의무적으로 방전한다. 이러한 형태의 계약은 영국의 Bus2Grid^[14], 미국의 Dominion Energy 사의 전기 스쿨버스 프로그램^[15] 등 V2G 실증 사업 등에서 적용되고 있다.

본 연구는 V2G 기술이 도입된 환경에서의 충전소 운영 최적화 문제를 다룬다. 특히, 본 논문에서는 여러 대의 버스를 운영하며 자체적으로 보유하고 있는 전기버스 차고지에서 V2G 시스템을 운용할 수 있는 운송회사의 의사결정 문제를 고려한다. 버스 운행 스케줄, 필요 전력, 시간별 전력가격 등의 데이터가 주어질 때, 각 버스의 충·방전 스케줄을 수립하기 위해 혼합정수선형계획법(Mixed Integer Linear Programming, MILP) 기반 최적화 모형을 제안한다. 해당 모형은 1)충·방전으로 발생하는 총비용 최소화 및 2)최대부하 시간대의 방전량 최대화의 두 가지 목적함수를 고려한다. 다중 목적함수를 가지는 최적화 모형 해결을 위해 계층적 접근법(Hierarchical approach)을 사용한다. 또한, 문제 규모 증가에 따른 복잡도 증가를 해결하기 위해 최적화 모형 기반 휴리스틱 해법을 제시한다. 제안한 모형 및 해법의 성능을 검증하기 위해, 서울 소재 버스 차고지 데이터를 바탕으로 실험을 수행한다. 실험 결과를 통해 규칙 기반(Rule-based) 의사결정 알고리즘에 비해 제안한 최적화 모형 및 해법의 성능이 우수함을 확인한다.

본 논문의 구성은 다음과 같다. 1장에서는 연구의 배경과 필요성에 대해 논의하였으며, 2장에서는 기존 문헌을 검토한다. 3장에서는 최적화 모형과 계층적 접근법을 소개한다. 4장에서는 휴리스틱 접근법을 제안한다. 5장에서는 서울 소재의 버스 차고지 데이터를 기반으로 실험을 진행하고 결과를 분석한다. 6장에서는 결론을 도출하고 추후 연구 계획을 제시한다.

2. 문헌 연구

V2G 기술의 도입이 전력시스템에 미치는 영향에 관해 다양한 연구가 이루어지고 있다. 국내 연구 결과에 따르면, 제주도 실증 운영에서 수요반응 프로그램에 V2G 시스템을 적용하여 5만 대의 전기차가 최대부하 시간대 중 1시간 동안 용량의 50%를 역송전할 경우, 500MW급 석탄 화력 발전소에서 1시간 동안 발전하는 전력량에 해당함을 보였다^[16]. 특히 대중교통 시스템과 V2G의 통합은 대규모 비용 절감과 수익 창출의 잠재력을 가지며 이를 바탕으로 대중교통의 전기화 및 지속 가능한 에너지 전환을 촉진할 수 있다^[17].

V2G 기술을 통해 전력 공급자는 수익을 얻을 수 있지만, 전기차 사용자들은 배터리 열화 등 수익성 악화 요소가 존재한다^[18,19]. 또한, 개별 사용자가 V2G 시스템을 이용할 경우 제한된 배터리 용량으로 인해 충분한 경제적 이익을 얻기 어려우며, 인센티브, 수익 공유 등 적절한 보상 정책을 통해 시스템 참여를 유도해야 한다^[21,22]. 이에 ^[22]은 충전소 운영자와 V2G 시스템 관리자의 수익이 균형을 유지하기 위한 전기차 방전 인센티브 조정을 다뤘다. V2G 인센티브 구조를 통해 일정 시간 전력을 공급하도록 계약된 사용자와 그렇지 않은 사용자를 구분한 충·방전 최적화 모형을 제시했다.

^[23]에서는 V2G 시스템의 공정성과 참여 촉진을 위해 인센티브의 필요성을 제기했다. 해당 연구에서는 전기차 소유주의 유형을 분류한 후 전략을 도출했는데, 방전을 회피하는 차량이 충전시설을 다수 점유하는 경우 공정한 충전 및 방전 기회를 제공할 수 없으며, 동시에 시스템의 전력 지원능력 자체가 저하될 수 있다고 지적했다. 따라서 인센티브를 통해 전기차 소유주들이 방전에 참여하도록 유도해야 함을 보였다. ^[24]는 전력 주파수 조정 과정에서 발생하는 순이익을 최대화해 차주에게 인센티브로 제공하는 모형을 제안함으로써 V2G의 경제적 가능성을 설명했다. 또한, 차종별로 모형을 시뮬레이션한 결과, 주행 효율성이 높은 차량일수록 주파수 조정에 자주 참여할 수 있어 더 큰 이익을 얻을 수 있다고 분석했다.

한편, 전기차 충전소의 운영을 다룬 대부분의 선행연구는 개인용 전기차의 충전소를 대상으로 한다. 이 경우, 각 차량이 충전소에 도착하는 시간과 출발하는 시간이 불확실할 뿐 아니라, 잔여 배터리 용량과 충전 요구량이 달라 개별 차량에 대한 충전 스케줄을 수립하는 것이 어렵다. 따라서 대부분의 연구는 전기차들을 몇 개의 군집으로 묶고, 해당 군집에 대한 운영 계획을 수립하였다. 이러한 접근방식은 전반적인 전기차 충전소 운영에 도움을 줄 수 있으나 구체적으로 차량별 충전 계획을 수립하기 어렵다는 단점이 존재한다.

V2G 기술 도입 시, 충전뿐 아니라 방전 스케줄까지 수립해야 한다. ^[25]은 V2G가 도입된 주차장에서의 충·방전 스케줄 최적화를 다뤘다. 해당 연구에서는 공간뿐만 아니라 시설 사용을 금지하는 특정 시간대를 제약으로 고려하여 충전 및 방전 스케줄을 최적화하고, 경제적 편익을 분석했다. 이상의 선행연구들은 V2G 시스템 도입에 따른 긍정적 효과를 다방면에 걸쳐 입증하였으며, V2G가 실제 도입되어 양방향 전력 거래가 활성화되기 위해서는 방전에 따른 적절한 보상이 필요함을 보였다. 또한, 주행 효율성이 V2G 참여 시 수익성에 중요한 요인이라는 결과를 고려할 때, 계절별 에너지 소모량 및 전력가격의 차이를 고려하여 실험을 수행할 필요가 있다.

3. 최적화 모형

본 연구에서는 V2G 기술이 도입된 전기버스 충전소에서의 충·방전 스케줄링 문제를 다룬다. 계획 기간(Planning horizon) 동안의 시간대별 전력 충·방전 가격이 주어져 있으며, 이를 바탕으로 최적의 충·방전량을 결정한다. 본 연구에서는 충전소와 계통 운영자가 방전량에 대한 계약을 맺은 상황을 가정한다. 충전소 운영자는 최대부하 시간대에 최대 방전 가능량의 일정 비율을 의무적으로 방전하기로 계약되어 있다.

각 버스의 제원으로부터 배터리의 용량 및 충·방전 효율이 주어지며 충전기의 최대 충·방전 용량 및 충전기 대수가 문제의 파라미터로 주어진다. 특히, 본 연구에서는 [그림 3]과 같이 충전기당 포트가 두 개인 듀얼포트 충전 시스템을 다룬다. 해당 충전기는 연결된 포트 수에 따라 충·방전 속도 및 최대 용량을 조절할 수 있다. 한 차량에 포트를 두 개 연결하여 급속 충전을 할 수 있으며, 포트를 하나씩 연결하여 두 대의 차량을 동시에 완속 충전하는 것도 가능하다. 단위시간 당 최대 충·방전량은 연결된 포트 개수에 비례한다고 가정한다. 계획 기간 내의 버스 운행 스케줄은 사전에 정해져 있으며, 각 운행에 소모되는 전력량 역시 데이터로 주어진다. 버스가 운행을 위한 필수 요구량만큼 충전하지 못한 경우, 외부로부터 긴급하게 충전할 수 있으며, 이때 발생하는 비용은 일반 충전비용보다 크다고 가정한다.

그림 3. GM의 듀얼포트 충전 시스템^[26]

Fig. 3. GM Dual-port charging system^[26]

최적화 모형 수립을 위해 버스와 시구간의 집합을 각각 $I=\{1,\: ...,\: NI\}$, $T=\{1,\: ...,\: NT\}$로 정의한다. 집합 $T$는 계획 기간을 이산화한 구간의 집합이며, 최대부하 시간대에 속하는 구간 집합을 $H⊆ T$로 표기한다. 버스 $i$의 운행 횟수를 $NJ_{i}$, 운행의 집합을 $J_{i}=\left\{1,\: ...,\: NJ_{i}\right\}$로 표기한다. 버스 $i$가 $j$번째 운행을 위해 충전소를 떠나는 시간과 운행 후 돌아오는 시간을 각각 $s_{ij}$, $t_{ij}$로 표기하고 $\left[s_{ij,\:}s_{ij}+1,\: \cdots ,\: t_{ij}\right]=S_{ij}$로 정의한다. 각 운행은 시간의 오름차순으로 정렬되어 있다고 가정한다. 즉, $1\le s_{i1}<t_{i1}<s_{i2}<t_{i2}<\cdots <s_{i NJ_{i}}<t_{i NJ_{i}}\le NT$이다. 버스 $i$가 운행 중인 시간의 집합은 $S_{i}$, 충전소에 머무르는 시간은 $T_{i}$로 표기한다. 즉, $S_{i}=\cup_{j=1}^{NJ_{i}}S_{ij}$이며 $T_{i}=T\diagdown S_{i}$이다.

집합 $P=\{1,\: ...,\: NP\}$은 충전 시 사용 가능한 포트 수의 집합을 나타내며, 본 연구에서는 듀얼포트 충전기를 고려하므로 $NP = 2$이다. 해당 집합은 충전 모드의 집합으로도 해석 가능한데, $p=1$은 단일 포트를 이용한 완속 충전, $p=2$는 듀얼포트를 이용한 급속 충전을 나타낸다. 버스 운행 시 소모되는 전력량, 버스 배터리 용량, 충전기의 수, 최대 충전량 및 효율, 전력 충·방전 가격 등 최적화 모형에 사용된 매개변수는 [표 1]에 나타나 있다.

표 1 집합, 매개변수 및 결정변수

Table 1 Sets, parameters, and variables

최적화 모형에서 사용되는 결정변수는 다음과 같다. 이진 변수 $xr_{ itp}$와 $yr_{ itp}$는 버스 $i$가 구간 $t$ 에 포트 $p$ 로 충전 및 방전을 하는지 여부를 나타낸다. 버스 $i$의 구간 $t$에서의 충·방전량은 연속형 변수 $x_{it }$, $y_{ it}$ 로 나타내며, 연속형 변수 $u_{i t}$는 SoC (State-of-Charge) 수준, 즉 배터리 잔여량을 나타낸다. 운행에 필요한 전력이 부족할 경우, 외부로부터 긴급 충전을 하며, 해당 충전량은 변수 $z_{i t}$로 나타낸다. 정의된 결정변수를 이용해 아래와 같이 제약식을 정의한다.

제약식 (1)과 (2)는 각각 최대 충·방전량 제약을 나타내며, 사용하는 포트 수에 따라 단위 시간당 최대 충전량 $K^{ch_{p}}$ 및 방전량 $K^{dis_{p}}$이 존재함을 표현한다. 제약식 (3)은 한 차량이 동시에 충전과 방전을 동시에 할 수 없음을 의미한다. 제약식 (4)는 동시에 사용 가능한 최대 포트 수는 충전기 대수와 충전기별 포트 수의 곱으로 제한됨을 나타낸다. 제약식 (5)와 (6)은 배터리 SoC 수준의 균형제약을 나타낸다. 제약식 (5)는 버스가 충전소에 있을 때 $t$시점의 SoC 수준은 $t-1$ 시점의 SoC 수준에 순 충전량을 더한 값임을 나타내며, 충·방전 효율을 나타내는 매개변수 $\eta_{i}^{ch}$와 $\eta_{i}^{dis}$를 고려한다. 제약식 (6)은 버스의 $j$번째 운행으로 인한 SoC 수준의 변화를 나타내며, 제약식 (7)은 배터리 용량 제약을 나타낸다. 제약식 (8)은 각 버스가 운행을 시작하는 시점에서의 최소 SoC 수준에 대한 제약을 의미하며, 해당 수준은 배터리 용량의 비율로 주어진다. 제약식 (9)와 (10)는 각 결정변수의 이진 제약과 비음 제약을 의미한다.

제안하는 최적화 모형의 목적함수는 두 종류이다. 첫 번째 목적함수는 최대부하 시간대에서의 방전량-충전량 값을 최대화하는 것으로, 아래의 수식 (11)과 같이 표현된다.

두 번째 목적함수는 비용 최소화이다. 일반 충전 및 긴급 충전 시에는 각각 $P_{t}^{ch}$와 $P_{t}^{\exp }$의 단위 비용이 발생하며, 방전 시에는 $P_{t}^{dis}$만큼의 단위 수익이 발생한다. 총비용을 최소화하는 함수는 아래의 수식 (12)와 같이 표현된다.

다중 목적함수를 가진 최적화 모형을 해결하기 위해 계층적 접근법을 사용한다. 계층적 접근법은 각 목적함수에 우선순위를 부여하고, 이 순서대로 단일 목적함수를 가지는 최적화 모형을 반복해서 푼다. 매 단계에서, 앞선 단계에서 구한 목적함수 값을 제약으로 반영하여 여러 목적함수를 고려한다. 본 연구에서는 최대부하 시간대의 최대 순방전량을 파악하고, 이 값의 일정 비율(예. 90%) 이상을 방전한다는 제약하에서 비용을 최소화하는 2단계 계층적 접근법을 사용한다. 따라서, 먼저 최대부하 시간의 순방전량을 최대화하는 아래의 첫 번째 최적화 문제 ($prob 1$)를 푼다.

$\{\max imize\;(11) \;| \;Constraints(1)-(10)\}$ $\; $ $(prob 1)$

위 문제를 풀어서 얻은 목적함수 값을 $obj_{1}$로 표기하고, 이를 두 번째 모형에 반영하기 위해 최대부하 시간의 순방전량이 $obj_{1}$의 일정 비율 이상이어야 한다는 아래의 제약식 (13)을 정의한다. 해당 비율은 문제의 파라미터로 $W$로 표기한다.

위의 제약이 추가된 모형에서 목적함수 (12)를 최소화하는 최적화 문제 ($prob 2$)를 풀어 최종적으로 해를 구한다.

$\{\max imize\;(12)\;| \; Constraints(1)-(10),\: (13)\}$ $\; $ $(prob 2)$

이와 같은 2단계 구조는 단일 목적함수로는 표현하기 어려운 최대 방전량 기반의 방전계약과 운영 비용 효율성 간의 균형을 수리적으로 다룰 수 있다는 장점이 있다.

4. 휴리스틱 알고리즘

4.1 First-Come First-Served (FCFS) 알고리즘

본 절에서는 버스가 충전소에 도착하는 순서대로 충전기를 할당하는 방식의 First-Come-First-Served (FCFS) 알고리즘에 대해 설명한다. FCFS 알고리즘은 실제 현장에서 전기버스 충전순서를 결정하는 방식을 기반으로, 사전에 설정한 간단한 규칙에 따라 버스의 충·방전 여부 및 상태를 결정한다. 해당 알고리즘은 매 시구간마다 충전기를 점유하고 있는 차량과 충전 대기중인 차량의 목록, 각 차량의 충전량 정보를 입력값으로 받는다. 현재 상태에서 빈 충전기가 있거나 대기 차량이 없을 경우에는 현재의 충전기 점유상태가 유지된다. 충전이 필요한 대기 차량이 있고 여유 충전기가 없는 경우, 현재 충전기 점유 중인 차량 중 충전이 필요 없는 차량이 있는지 확인하여, 있다면 제거하고 충전이 필요한 차량을 새롭게 할당하는 방식으로 시구간별 충전기 할당을 결정한다. 할당이 끝난 후, 최대부하 시간대 여부, 충전기의 가용성 등에 따라 [표 2]와 같은 의사결정 규칙을 적용하여 충전, 방전, 대기 등의 상태를 결정한다. 해당 알고리즘에서는 항상 최대 용량만큼 충·방전을 수행한다고 가정한다.

FCFS 알고리즘의 의사 코드는 [알고리즘 1]과 같다. 먼저 버스가 운행 중인지 여부를 확인한다(3-6 행). 버스가 운행 중이 아닐 경우, 즉 충전소에 있을 경우 도착 순서에 따라 충전기를 분배하기 위해 각 버스가 이전 시점에 충전기를 점유했는지 여부와 대기열의 상태를 확인한다.

표 2 FCFS 알고리즘에서의 의사결정 규칙

Table 2 Decision rules for FCFS algorithm

$required_{i t}$	$peak_{t}$	$available$	$state_{i t}$
T	T	T	charge
T	T	F	wait
T	F	T	charge
T	F	F	wait
F	T	T	discharge
F	T	F	stop
F	F	T	charge
F	F	F	stop

알고리즘 1 FCFS 알고리즘의 의사 코드

Algorithm 1 Pseudocode for FCFS algorithm

이를 위해, 충전기를 점유하고 있는 차량의 집합($B_{charging}$)과, 충전소에서 대기하고 있는 차량의 집합($B_{waiting}$)을 정의한다. 또한, 버스 $i$의 충전 필요 여부($required$)를 확인하는데, 현재 SoC 수준 $u_{i t}$가 $B_{i}\times R$ 이하일 경우에 참값을 가진다. 만약, 현재 충전기에 대한 대기열이 있고, 해당 버스가 충전이 필요한 상태가 아님에도 불구하고 충전기를 점유하고 있다면 해당 버스를 충전기에서 제거하고 대기 중인 버스를 새롭게 할당한다(8-14 행). 이외의 상황에 대해서는 버스의 충전 필요 여부($required$), 현재 최대부하 시간대인지($peak_{t}$), 충전기가 부족한지 ($available =True$ if $| B_{charging}| <Q$) 여부에 따라 [표 2]와 같은 의사결정 규칙에 따라 상태를 결정한다(16 행).

FCFS 알고리즘은 시구간의 개수와 충전기 수에 비례하는 선형 시간 복잡도를 가지며 도착한 순서에 따라 버스를 배정하여 버스 간의 공정성을 보장할 수 있다. 하지만 충·방전의 중요도 및 우선순위를 고려하지 않기 때문에, 효율성이 저하될 수 있다.

4.2 LP-based Heuristic (LPBH) 알고리즘

본 절에서는 앞서 제안한 최적화 모형 기반의 휴리스틱 알고리즘을 제안한다. 해당 알고리즘은 MILP 모형의 선형계획(Linear Programming, LP) 완화 문제를 반복적으로 풀면서 이진 변수를 고정해 나가는 방식으로 정수 가능해를 찾는다. 이와 같은 LP 기반 휴리스틱 (LP-based heuristic, LPBH) 알고리즘은 대규모 MILP 문제에 대해 빠른 시간내에 가능해를 찾을 수 있다는 장점이 있다.

LPBH 알고리즘의 의사 코드는 [알고리즘 2]과 같다. 먼저 이진 변수의 집합 $V$와, 0과 1로 고정된 이진 변수의 집합 $V_{0}$과$V_{1}$를 정의한다. 집합 $V_{0}$과$V_{1}$에 속하는 변수를 각각 0과 1로 고정한 후 LP 완화 문제를 푼다(5 행). 모든 이진 변수가 0 또는 1의 값을 가질 경우 알고리즘을 종료한다(6-8 행). 그렇지 않을 경우, 고정되지 않은 각 변수의 값과 가까운 정수의 차이를 확인하고 그 차이가 임계값 $\tau$이내일 경우, 해당 변수를 반올림한 값으로 고정한다(9-17 행). 임계값 $\tau$의 초기값으로는 0.1을 사용하였으며, 매 반복단계 종료 후, 고정된 변수의 개수 및 남은 계산시간을 반영하여 $\tau$의 값을 갱신하며(22 행), 갱신 파라미터 $\omega$의 값은 0.01을 사용하였다.

알고리즘 2 LPBH 알고리즘의 의사 코드

Algorithm 2 Pseudocode for LPBH algorithm

임계값 기준으로 고정된 변수가 없을 경우, 아직 고정되지 않은 변수 중 LP 해의 값이 0 또는 1에 가장 가까운 변수 $\delta$개를 선택하여 이들을 해당 값으로 고정한다(18-21 행). 이때, $\delta =NP\times Q$로 설정하였다. 모든 이진 변수가 0이나 1로 고정되거나, 최대 반복횟수에 도달할 경우 알고리즘이 종료되며, 최대 반복횟수는 $"\max er=100"$로 설정하였다. 이후, 집합 $V_{0}$과 $V_{1}$에 속한 변수들을 고정한 후 MILP를 풀어 가능해를 얻는다.

5. 실험 결과 및 분석

5.1 실험 환경 및 파라미터

제안한 최적화 모형 및 알고리즘의 성능을 평가하기 위해 계산실험을 수행하였다. 실험을 위해 서울시 도봉구 버스 차고지의 데이터를 활용하였다. 총 15대의 전기버스가 운영되고 있으며, 주간에 운영하는 150번, 160번 버스와 심야에 운영하는 N16 버스가 있다. 차고지에는 총 5기의 DC Combo 2 (CCS 2) 타입의 듀얼포트 충전기가 있으며, 따라서 총 10개의 포트가 있다. 노선별 차종과 주요 제원은 [표 3]와 같다. N16 버스는 야간버스로 주간 버스에 비해 소모 전력량이 많지만, 배터리 용량이 상대적으로 크다. 또한, 계절별로 에너지 효율이 달라, 운행 당 소모 전력량 $C_{ij}$ 역시 계절별로 상이하다.

계획 기간은 5일로 설정하였으며, 5분 단위로 이산화하여 총 1440개의 구간을 생성하였다. 계획 기간 동안 각 노선의 첫차/막차 시간, 배차 간격, 운행 소요시간을 고려하여 [그림 4]과 같이 차량 운행 스케줄을 구성하였다. 차고지에 있는 구간을 노란색, 운행 중인 시간을 녹색으로 나타냈다. 해당 스케줄을 기본으로, 다양한 환경을 고려하기 위해 파라미터의 값을 변경하며 실험을 수행하였다. 차량 대수는 $N I=\{15,\: 30,\: 45\}$를 사용했다. 차량 대비 충전기 수의 비율은 파라미터 $CR=\{low,\: mid,\: high\}$로 나타냈으며, 각각 차량 수 대비 1/3, 2/3, 3/3 수준의 충전기가 있음을 나타낸다. 예를 들어, $N I=30$, $CR=low$일 경우, 충전기는 10대이다. 충전기 포트당 150kW를 충·방전할 수 있으며, 충·방전 효율을 나타내는 파라미터 $\eta_{i}^{ch}/\eta_{i}^{dis}$는 0.95로 설정하였다. 최소 방전량 제약식 (13)에서의 비율을 나타내는 파라미터 $W$는 0.9로 설정했다.

표 3 도봉 차고지의 전기버스 운영 환경

Table 3 Electric bus operating environment in Dobong depot.

Bus	# 150	# 160	# N16
First/Last Departure Time	04:00/22:00	04:00/22:10	23:50/03:45
Trip Interval (min)	6	6	15
Trip Distance (km)	36.9	34.8	38.7
# of Trips per Day	4	4	3
Fleet Size	14		1
Bus Model	Hypers 1611		Hypers 1612
Battery Capacity (kWh)	259		350
Energy Consumption (kWh/km)	0.89 (Spring/Fall) 1.44 (Summer/Winter)		1.12 (S/F) 1.55 (S/W)
Driving Range (km)	292 (S/F) 180 (S/W)		314 (S/F) 226 (S/W)
Energy Consumption per Trip (kWh)	32.7 (S/F) 53.1 (S/W)	30.9 (S/F) 50.1 (S/W)	43.2 (S/F) 60.0 (S/W)

그림 4. 전기버스 운행 스케줄

Fig. 4. Baseline schedule for electric buses

전력 구매가격은 계시별 요금제(Time-of-Use, TOU)를 사용하였으며, 계절 및 시간에 따른 부하시간 여부는 [표 4], 시간별 전력 구매가격은 [그림 5]과 같다. 구매가격과 달리 V2G 시스템에서의 방전을 통한 전력 판매가격은 인센티브 정책에 따라 달라진다. 본 연구에서는 방전가격이 V2G 시스템 운영에 미치는 영향을 분석하기 위해 두 종류의 시나리오를 고려하였다.

첫 번째 시나리오는 방전량에 비례하여 수익을 얻는 방식으로, 방전요금은 TOU 요금에 일정 비율의 인센티브를 더한 값으로 정해진다. 방전량이 많을수록 수익이 증가하는 직관적인 방식으로 관련 연구에서 널리 사용되는 요금체계이다. 첫 번째 시나리오 하에서, 충전가격 $P_{t}^{ch}$는 TOU 요금과 동일하며, 방전가격 $P_{t}^{dis}$는 $(1+\alpha)TOU$이다. 인센티브 파라미터 $\alpha$는 0, 0.1, 0.3 값을 사용해 인센티브가 없는 경우와 10%, 30%인 상황을 비교하였다.

표 4 계시별 요금제 적용시간

Table 4 Time-of-Use (TOU) table.

Time-of-Use	Summer	Spring/Fall	Winter
Off-peak	22~08	22~08	22~08
Mid-peak	08~11 12~13 18~22	08~11 12~13 18~22	08~11 12~16 19~22
On-peak (H)	11~12 13~18	11~12 13~18	09~12 16~19

그림 5. 계시별 요금제에 따른 전력가격

Fig. 5. Time-of-Use (TOU) price

두 번째 시나리오는 방전량이 특정 임계값을 초과할 때 고정된 보상을 받는 방식이다. 특히, 임계값이 최대 방전량에 대한 비율로 결정되는 방식을 가정한다. 만약 최대 방전량의 90% 이상을 방전하도록 계약을 한다면 비율은 90%로 고정적이지만, 계절 및 시간대에 따라 최대 방전량이 다를 수 있어 임계값이 달라진다. 예를 들어, 가을철 최대 방전량이 100일 경우, 90 이상 방전하면 고정 보상을 지급받는다. 반면, 여름철에는 전력 소모량이 많아 최대 방전량이 50인 경우, 45 이상 방전하면 동일한 보상을 받게 된다. 이러한 방식은 계절적 차이로 인해 최대 방전량이 달라지는 상황에서도 사용자가 일관된 보상을 받을 수 있다는 특징이 있다. 두 번째 시나리오 하에서, 최적화 모형은 방전으로 인한 수익을 명시적으로 고려하지 않으며 방전량에 대한 조건은 제약식 (13)을 통해 반영한다. 해당 제약식을 만족할 경우 방전 보상이 추후에 정산되는 것으로 가정하였다. 이 경우 목적함수의 $P_{t}^{ch}$는 TOU 요금과 동일하며 $P_{t}^{dis}$는 0이다.

앞서 정의된 파라미터들의 조합에 대해 각각 3개의 인스턴스를 생성하여 실험을 수행하였으며, 3개 인스턴스의 평균값을 실험 결과로 나타내었다. 모든 알고리즘과 최적화 모형은 Python 언어를 사용하여 구현하였으며, MILP/LP를 해결하기 위해 상용 소프트웨어인 Gurobi 10.0.1를 사용하였다. 계산실험의 시간제한은 300초로 설정하였다.

5.2 시나리오 1 실험 결과

시나리오 1에 대한 결과는 [표 5]와 같다. 열 ‘Net Discharging Amount at Peak Time’은 최대부하 시간의 순방전량을 나타낸다. 열 ‘Cost Saving’은 양방향 충·방전이 가능할 때의 비용($\cos t _{1}^{V2G}$)과, 충전만 가능한 경우의 비용($\cos t ^{chargin g}$)의 차이를 나타내며, V2G를 통한 비용 절감 효과를 나타낸다. 이 값이 양수일 경우 V2G를 통해 비용을 절감했음을 의미하며, 음수일 경우 오히려 비용이 증가함을 의미한다. 열‘Solution Time’은 최적화 모형의 풀이 시간을 나타낸다. 각 열의 하위 열은 인센티브 수준을 의미하며 인센티브가 전력가격의 0%, 10%, 30%인 경우의 실험 결과를 나타낸다.

표 5 시나리오 1 실험 결과

Table 5 Experiment results for scenario 1

Season	#Bus ($N I$)	Charger Ratio ($CR$)	Net Discharging Amount at Peak Time (kWh)			Cost Saving ($\cos t^{chargin g}$-$\cos t^{V2G_{1}}$) (100,000 KRW)			Solution Time (s)
			Incentive at Peak Time (%)
			0	10	30	0	10	30	0	10	30
Spring /Fall	15	low	11,070	11,070	11,070	-0.86	0.28	3.85	2.1	2.1	5.6
		mid	15,568	15,568	15,568	-1.25	0.28	5.31	1.5	1.6	3.0
		high	16,163	16,163	16,163	-1.26	0.28	5.44	0.8	0.8	1.1
	30	low	20,242	20,242	20,242	-1.58	0.54	6.58	4.4	4.3	11.8
		mid	26,858	26,858	26,858	-2.22	0.53	9.09	2.5	2.5	3.4
		high	26,858	26,858	26,858	-2.22	0.53	9.09	1.8	1.8	2.6
	45	low	30,973	30,973	30,973	-2.01	1.26	10.39	7.0	7.0	27.6
		mid	37,939	37,939	37,939	-2.68	1.26	13.12	3.8	3.8	4.9
		high	37,939	37,939	37,939	-2.69	1.26	13.11	2.6	2.6	3.5
Summer	15	low	9,175	9,175	9,175	1.46	4.16	9.56	85.3	156.7	5.3
		mid	13,907	13,907	13,907	11.50	15.48	23.44	2.9	2.9	2.9
		high	14,526	14,526	14,526	12.31	16.37	24.49	0.7	0.7	0.7
	30	low	16,469	16,469	16,469	-13.42	-8.66	0.86	112.9	88.0	117.1
		mid	23,879	23,879	23,879	4.61	11.61	25.62	3.0	2.9	2.9
		high	23,879	23,879	23,879	4.61	11.61	25.62	1.6	1.6	1.6
	45	low	24,763	24,763	24,763	-19.73	-12.52	1.93	265.1	192.1	300.0
		mid	33,155	33,155	33,155	1.33	11.12	30.70	4.4	4.3	4.2
		high	33,155	33,155	33,155	1.33	11.12	30.70	2.6	2.5	2.5
Winter	15	low	13,668	13,668	13,668	7.80	11.12	17.77	2.2	2.2	2.4
		mid	13,668	13,668	13,668	7.80	11.12	17.77	1.4	1.3	1.3
		high	13,668	13,668	13,668	7.80	11.12	17.77	0.7	0.7	0.7
	30	low	23,460	23,460	23,460	1.20	7.13	19.00	4.5	4.6	4.5
		mid	23,460	23,460	23,460	1.20	7.13	19.00	3.0	2.9	2.9
		high	23,460	23,460	23,460	1.20	7.13	19.00	1.6	1.6	1.6
	45	low	35,960	35,960	35,960	5.02	14.15	32.42	7.4	7.2	7.2
		mid	35,960	35,960	35,960	5.02	14.15	32.42	4.3	4.2	4.3
		high	35,960	35,960	35,960	5.02	14.15	32.42	2.6	2.5	2.5

표를 통해, 최대부하 시간의 순방전량은 버스 수가 많아질수록 증가함을 확인할 수 있다. 이는 가용한 자원이 많아질수록 충·방전 자유도가 높아져 원하는 시점에 충·방전하는 것이 가능하기 때문이다. 충전기의 수가 증가할수록 방전량이 증가하는 경향을 보이지만 충분한 자유도를 제공하는 수준을 넘어서면 더 이상 순방전량이 증가하지 않음을 확인할 수 있다. 특히, 겨울철의 경우 파라미터 $CR$의 값에 무관하게 최대 방전량이 일정한 수준을 보인다. 순방전량은 방전 인센티브 수준에 무관한데, 이는 최적화 모형의 1단계 목적함수인 최대부하 시간의 순방전량 값이 인센티브에 따라 변하지 않기 때문이다.

계절별로는 봄/가을, 겨울, 여름 순으로 최대부하 시간에서의 순방전량이 적은 것을 확인할 수 있다. 이는 계절별 전력 사용량 및 전력가격의 구조와 관련이 있다. 운행에 필요한 전력량이 많을수록 운행 종료 이후 다음 운행을 위해 충전해야 하는 양이 많아지고, 이로 인해 방전의 자유도가 감소하여 최대부하 시간에서의 방전량이 줄어든다. 따라서, 운행시 필요 전력이 제일 적은 봄/가을에 많은 양을 방전할 수 있으며, 겨울과 여름에는 상대적으로 적은 양을 방전한다. 전력가격 구조를 살펴보면 겨울의 전력가격은 최대부하 시간대 사이에 상대적으로 긴 중간부하 시간이 있어 충분한 충전이 가능하고 이후 최대부하 시간에서 많은 방전을 수행할 수 있다. 반면, 여름의 경우 최대부하 시간대 사이의 중간부하 시간이 비교적 짧아 충분한 충전을 하지 못하여 최대부하 시간에 많은 방전을 수행하기 어렵다. 계절별 충·방전 패턴은 [그림 6]과 같으며, 지면 제약 상 계획기간의 초반 3일 동안의 패턴을 나타냈다. 파란색 선은 시간에 따른 SoC 수준 변화를 의미하며 모든 버스의 SoC 수준을 합해서 나타냈다. 녹색과 붉은색 막대는 각각 순충전량과 순방전량을 나타낸다. 그림을 통해, 각 계절별로 최대부하 시간대에 방전이 이루어지며 나머지 시간대에는 주로 충전이 이루어짐을 확인할 수 있다. 최대부하 시간대 사이의 중부하 시간대에는 방전을 위해 많은 충전이 이루어짐을 볼 수 있으며, 특히 겨울의 경우 12시에서 16시로 중간부하 시간이 길어, 다른 계절에 비해 더 많은 양을 충전하여 이후 최대부하 시간대에 더 많은 방전을 할 수 있음을 확인할 수 있다.

그림 6. 계절별 충방전 패턴

Fig. 6. Seasonal charging and discharging patterns

비용 측면에서는 봄/가을에 인센티브가 없는 경우를 제외한 대부분의 경우에 V2G 도입 시에 비용을 더 절감할 수 있다. 봄/가을의 경우 최대부하 시간대와 나머지 시간대의 전력가격 사이의 차이가 상대적으로 작아 양방향 전력거래를 통해 얻을 수 있는 추가적인 이익이 미미하며, 오히려 최소 방전량 제약으로 인해 V2G 기술이 적용되지 않았을 때에 비해 더 높은 비용이 발생할 수 있다.

표 6 시나리오 2 실험 결과

Table 6 Experiment results for scenario 2

Season	$N I$	$CR$	Net Discharging at Peak (kWh)	Additional Cost (100,000 KRW)	Ratio (KRW/kWh)	Solution Time (s)
Spring /Fall	15	low	10,811	12.26	113.4	2.7
		mid	14,592	16.50	113.1	1.5
		high	14,773	16.71	113.1	0.8
	30	low	19,553	22.70	116.1	4.4
		mid	25,799	29.71	115.2	2.5
		high	25,799	29.71	115.2	1.8
	45	low	30,058	34.68	115.4	6.7
		mid	36,667	42.10	114.8	3.7
		high	36,667	42.10	114.8	2.6
Summer	15	low	8,786	26.61	302.9	77.8
		mid	12,866	29.42	228.7	2.1
		high	13,088	29.39	224.6	0.7
	30	low	15,487	63.63	410.9	137.3
		mid	22,567	68.08	301.7	3.0
		high	22,567	68.08	301.7	1.6
	45	low	23,448	95.81	408.6	279.3
		mid	31,533	100.54	318.8	3.9
		high	31,533	100.54	318.8	2.6
Winter	15	low	12,694	25.53	201.1	2.4
		mid	12,694	25.53	201.1	1.4
		high	12,694	25.53	201.1	0.7
	30	low	22,669	58.37	257.5	4.3
		mid	22,669	58.37	257.5	3.0
		high	22,669	58.37	257.5	1.8
	45	low	34,851	86.61	248.5	7.3
		mid	34,851	86.61	248.5	4.2
		high	34,851	86.61	248.5	2.5

따라서, 봄/가을에 양방향 전력거래를 활성화하기 위해서는 인센티브 도입이 필요하며, 10%, 30% 수준의 인센티브 하에서는 V2G 도입을 통해 비용을 절감할 수 있음을 확인할 수 있다. 반면, 여름과 겨울에는 인센티브가 없더라도 양방향 전력거래를 통해 이윤이 발생한다. 이는 여름/겨울의 경우 최대부하 시간대와 나머지 시간대의 전력가격이 차이가 커 경부하/중간부하 시간대에 충전하고 이를 최대부하 시간대에 방전하는 방식으로 충분한 이윤을 얻을 수 있기 때문이다. 또한, 이윤의 폭은 인센티브가 높아질수록 커짐을 확인할 수 있다. 한편, 여름이더라도 버스가 30대 혹은 45대인 경우 충전기의 수가 적으면 비용이 오히려 증가할 수 있다. 이를 통해, V2G 기술을 통해 비용을 절감하기 위해서는 적절한 수의 충전기를 보유하는 것이 필요함을 알 수 있다. 인스턴스별 문제 풀이 시간은 버스의 수가 증가할수록 증가하고 충전기가 많아질수록 감소하는 경향을 보인다. 버스가 많고 충전기가 적어질 수록 여러 대의 버스가 제한된 충전기를 놓고 경쟁해야 하므로 문제의 복잡도가 증가하고 더 많은 계산 시간이 소요된다. 그럼에도 불구하고, 대부분의 경우에 합리적인 시간 내에 최적화 모형을 해결해 최적해를 구할 수 있음을 확인할 수 있다.

5.4 알고리즘별 결과 비교

본 절에서는 최적화 모형(MILP)의 성능을 4장에서 제안한 FCFS, LPBH 알고리즘의 성능과의 비교한다. 실험 결과는 [표 7]와 같다. 표를 통해 알 수 있듯이, FCFS는 MILP에 비해 좋지 못한 결과를 보이는데, 이는 FCFS가 단순한 규칙에 기반해 결정하기 때문에, 수익을 극대화하는 적절한 충·방전 시점을 찾지 못하기 때문이다. 또한, FCFS는 가격 변화와 같은 외부 요소를 고려하지 않기 때문에 인스턴스의 특성을 반영하지 못한다는 단점이 있다. 반면 MILP는 목표 방전량을 만족시키며 비용을 최소화하기 때문에 상대적으로 효과적인 결과를 도출한다.

한편, LPBH 알고리즘을 통해 얻은 해는 MILP를 통해 얻은 최적해에 비해 성능이 떨어지지만 FCFS의 해에 비해서는 좋은 성능을 보임을 확인할 수 있다. LPBH 알고리즘의 장점은 계산시간이 상대적으로 짧다는 점이 있다. 특히, 버스의 규모가 증가하거나 충전기의 수가 줄어들어 문제의 복잡도가 증가할 경우, MILP는 최적해를 찾기까지 필요한 계산시간이 급격하게 증가하는데, 이러한 경우에 LPBH 알고리즘이 상대적으로 장점이 있다. 이를 확인하기 위해 계산시간을 600초로 제한하고, 버스의 수를 90대까지 늘리며 추가 실험을 수행했으며, [그림 7]에 버스 수에 따른 계산시간의 변화를 나타냈다. 버스 수에 따라 MILP의 계산시간이 빠르게 증가하여 제한 시간에 도달한 반면, LPBH는 계산시간의 증가속도가 완만함을 확인할 수 있다. 따라서, 전기버스 환경의 규모가 증가하는 상황에서 빠르게 결과를 도출해야할 경우 LPBH가 MILP의 효과적인 대안이 될 수 있다.

그림 7. 버스 수에 따른 계산시간

Fig. 7. Computation time for different number of buses

6. 결 론

본 연구에서는 V2G 기술이 적용된 전기버스 충전소에서의 버스 충·방전 스케줄 문제를 다루었다. 목적함수로는 최대부하 시간대의 계통 안정화를 위한 방전량 최대화와 충전소 운영 비용 최소화 두 가지를 고려하였다. 복수의 목적함수를 다루기 위해 계층적 접근법을 활용한 MILP 최적화 모형을 제안하였으며, 이 모형을 통해 V2G 도입 시의 전력계통 안정화 및 운영비용 절감 효과를 분석하였다. 실험 결과, V2G를 도입함으로써 비용을 절감할 수 있음을 확인하였으며, 최대부하 시간대에 전력을 방전하여 계통 안정화에 기여할 수 있음을 보였다. 특히, 충·방전 가격의 차이가 상대적으로 적은 봄/가을의 경우를 제외한 여름과 겨울에는 대부분의 경우에 최대부하 시간대의 최대 방전 가능량의 90% 이상을 충족하는 제약 하에서도 추가 수익을 창출할 수 있음을 확인하였다. 또한, 인센티브의 수준 및 계통과의 계약 시나리오에 따른 방전량 및 비용의 차이에 대해서도 분석하였다. 버스 규모가 증가함에 따라 계산시간이 지수적으로 증가하는 MILP 모형의 단점을 보완하기 위해 LP 기반의 휴리스틱 알고리즘을 제안하였으며, 실험을 통해 제한적인 시간 내에 해를 구하는 데 성공적임을 확인하였다.

본 연구를 통해 전기버스가 최대부하 시간에 전력을 방전하여 전력계통의 부하를 완화하는데 기여할 수 있고, 계절적 요인과 충전 인프라의 규모가 충·방전 효율성에 미치는 영향을 확인했다. 이 결과는 V2G 기술이 전기버스 운영에서 경제적 효율성과 전력계통 안정화에 실질적으로 기여할 수 있음을 시사한다. 방출 전력에 대한 인센티브 정책을 두 개의 시나리오로 나눠 실험하였으며, 이 결과는 향후 V2G 시스템이 실제로 도입된 환경에서 방전가격에 대한 가이드라인으로 활용될 수 있다. 본 연구는 서울시 도봉구에 위치한 전기버스 차고지 데이터를 수집하여 실험을 진행하였다. 다양한 운영 환경에서의 적용 가능성을 추가적으로 분석하기 위해 다양한 특성을 갖는 데이터에 대해 추가적인 실험을 수행할 필요가 있다. 또한 현실의 제약을 반영하여 추후 연구에서는 다양한 전기차 유형과 충전 인프라 시나리오를 고려한 확장된 모형을 개발할 필요가 있다. 본 연구에서 제안한 최적화 모형 기반의 LPBH 알고리즘의 성능 개선을 위한 추가적인 연구도 필요하다. 예를 들어, 계획 기간의 길이가 길어질 경우, 최적화 모형을 한 번에 해결하기 어려운데, 이를 위해 계획기간을 분할하여 반복적으로 해결하는 Rolling-horizon 알고리즘과의 결합을 통해 제안한 알고리즘 성능을 향상시킬 수 있다.

또한, 충전기 고장, 전기버스의 도착 지연 등 실제 운영 환경에서 발생할 수 있는 불확실성 요소를 고려하는 것도 중요한 추후 연구 방향이다. 특히, 전기버스의 도착시간이 예정보다 늦어지는 경우를 고려하여 불확실성 하에서도 강건한 스케줄을 수립하기 위한 Robust Optimization 기법 등을 활용할 수 있다. 이와 같은 추가 연구를 통해 V2G 기술의 실용성을 강화하고 전기자동차와 전력계통 사이의 상호작용을 최적화하는 데 기여할 수 있을 것으로 기대된다.