KR102674216B1 - 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 - Google Patents
충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 Download PDFInfo
- Publication number
- KR102674216B1 KR102674216B1 KR1020220054709A KR20220054709A KR102674216B1 KR 102674216 B1 KR102674216 B1 KR 102674216B1 KR 1020220054709 A KR1020220054709 A KR 1020220054709A KR 20220054709 A KR20220054709 A KR 20220054709A KR 102674216 B1 KR102674216 B1 KR 102674216B1
- Authority
- KR
- South Korea
- Prior art keywords
- charging station
- charging
- new
- existing
- demand
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 239000006185 dispersion Substances 0.000 title 1
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000009434 installation Methods 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims description 48
- 210000000349 chromosome Anatomy 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 5
- 230000013011 mating Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000009402 cross-breeding Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2200/00—Type of vehicle
- B60Y2200/90—Vehicles comprising electric prime movers
- B60Y2200/91—Electric vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
Abstract
충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법은 해당 지역의 지리 정보와 기존 충전소 정보를 기반으로 해당 지역을 그리드화하고 분류하는 제1 단계, 커널 밀도 추정과 최근접 이웃 탐색법을 기반으로 신규 충전소 설치에 따른 기존 충전소 및 신규 충전소의 충전 수요를 모델링하는 제2 단계, 및 상기 기존 충전소 및 신규 충전소의 충전 수요에 대한 모델링을 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정하는 제3 단계를 포함할 수 있다.
Description
본 발명은 전기자동차 충전소 최적 위치 선정 방법 및 장치에 관한 발명이다. 보다 상세하게는 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법에 관한 발명이다.
최근 유럽 국가와 중국 등지에서 향후 내연기관 차량의 판매를 금지하는 법안을 통과시키면서, 전기차의 시대가 도래하였다. 또한, 최근 전 세계적 에너지 전환 기조와 더불어 전기자동차의 고질적인 문제점으로 거론되던 배터리 기술이 향상됨에 따라 국내의 전기자동차 보급률이 급증하고 있다. 이에 따라 전기자동차의 충전 수요로 인해 전력 계통 내 부하 증가하며, 이는 계통 관점에서의 신뢰도 저하를 야기할 수 있다.
이러한 전기차 시장의 성장에 전기차 인프라인 전기차 충전소에 대한 문제가 야기되고 있다. 전기차 충전소의 구축은 전기차의 충전 특성에 의해 기존 내연기관 차량의 주유소를 구축할 때의 문제점과 다른 문제를 가지고 있다.
전기차 충전소는 기존 화석연료 차량의 주유소와 달리 특정 충전소에 과도한 부하(Load)가 걸리는 경우, 전력계통 상의 문제, 충전 대기시간 증가에 따른 문제, 충전소의 전력 부족 문제 등을 야기할 수 있다.
기존에 설치된 전기자동차 충전소는 이러한 특성을 고려하지 않고 일정한 기준없이 무분별하게 설치되어 충전소 간 충전량 편차가 크며, 일부 소수의 충전소에 충전 부하가 집중되어 있다는 문제점이 있다. 이는 배전계통에서의 과부하 현상으로 이어질 수 있기 때문에, 충전 부하 분산을 위한 전기자동차 최적 위치 선정이 필요하다.
본 발명의 목적은 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법을 제공하기 위한 것이다.
또한, 본 발명의 목적은 주행자의 행동 특성까지 반영하여 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법을 제공하기 위한 것이다.
또한, 본 발명의 목적은 전기자동차 최적 위치 선정에 관한 것으로, 더욱 상세하게는 주행자의 행동 특성으로 인한 충전소 간 종속성을 고려하여 소수의 충전소에 집중된 충전 부하를 분산시키도록 최적 위치를 선정하는 기법을 제공하기 위한 것이다.
또한, 본 발명의 목적은 게임 이론과 메타 휴리스틱 최적화 기법을 연계하여 만든 혼합 모델인 최적화 기법을 통해 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법을 제공하기 위한 것이다.
또한, 본 발명의 목적은 전기자동차는 일반적인 부하와 달리 계통에 고정된 부하가 아닌 주행자의 행동 특성에 의해 동 특성을 갖는 동적 부하이므로 이러한 동특성을 반영한 전기자동차 충전소 최적 위치 선정 방법을 제공하기 위한 것이다.
본 발명의 실시예에 따른 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법은 해당 지역의 지리 정보와 기존 충전소 정보를 기반으로 해당 지역을 그리드화하고 분류하는 제1 단계; 커널 밀도 추정과 최근접 이웃 탐색법을 기반으로 신규 충전소 설치에 따른 기존 충전소 및 신규 충전소의 충전 수요를 모델링하는 제2 단계; 및 상기 기존 충전소 및 신규 충전소의 충전 수요에 대한 모델링을 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정하는 제3 단계를 포함할 수 있다.
실시 예로, 상기 제1 단계의 전 처리 과정은 대상 지역의 정보와 대상 지역 내의 기존 충전소의 위치 정보를 입력으로 사용하여 해당 지역을 그리드화하고 상기 기존 충전소의 포함 여부에 따라 상기 해당 지역을 분류한다. 상기 제2 단계의 전 처리 과정은 그리드화된 격자 셀의 유동 인구량과 대상 지역 내 기존 충전소의 충전 프로파일 정보를 입력으로 하여 기존 충전소 및 신규 충전소의 충전 수요를 모델링한다. 상기 제3 단계의 전 처리 과정은 격자 셀의 이진 결정 변수 세트를 입력으로 하여, 최적화 모델을 기반으로 상기 신규 충전소의 최적 위치를 선정한다.
실시 예로, 상기 제2 단계에서 상기 기존 충전소의 24시간 동안의 전기차 도착 정보를 기반으로 도착 수요에 대한 확률 밀도 함수를 커널 밀도 추정 (Kernel Density Estimation) 기법을 통해 추정하고, 상기 추정된 확률 밀도 함수를 이산 확률 함수로 변환하여 시간 별 도착 확률을 도출하고, 상기 기존 충전소에 도착 횟수와 충전량의 피어슨 상관 계수 (Pearson Correlation Coefficient)를 이용하여 선형 계수를 구한 후, 상기 도출된 시간 별 도착 확률과 각 충전소의 하루 평균 전기자동차 도착 대수를 기반으로 시간별 충전 수요를 추정하고, 상기 기존 충전의 충전 수요를 계산할 수 있다.
실시 예로, 상기 제2 단계에서 최근접 이웃 탐색법을 통해 충전소가 없는 각 격자 셀에서 가장 가까운 충전소를 탐색 - 거리 공간상에 n개의 점과 가장 가까운 점을 찾고자 하는 쿼리 점 q가 주어졌을 때, 상기 쿼리 점 q에서 가장 가까운 점 p를 찾아 상기 신규 충전소를 설치하고, p는 충전소가 없는 격자 셀이고 q는 충전소가 설치되어 격자 셀로 구분 - 하고, 충전소가 없는 각 격자 셀의 유동인구가 상기 가장 가까운 충전소를 방문할 것이라는 가정하에 상기 가장 가까운 충전소의 근처의 유동인구량 합을 산정할 수 있다.
실시 예로, 상기 제2 단계에서 상기 신규 충전소가 설치 전 상기 기존 충전소에 산정되어 있던 격자 셀들에 포함된 유동인구량의 합인 제1 값과 상기 가장 가까운 충전소의 근처의 유동인구량 합인 제2 값에 기초하여, 상기 신규 충전소가 설치된 후, 상기 기존 충전소에서 상기 신규 충전소로 충전 부하가 옮겨갈 확률을 산정할 수 있다.
실시 예로, 상기 제2 단계에서 상기 기존 충전소에서 상기신규 충전소로 충전 부하가 옮겨갈 확률과 상기 신규 충전소가 설치 전 상기 기존 충전소의 충전 수요를 기반으로 상기 기존 충전소의 변경된 수요와 상기 신규 충전소의 수요를 추정할 수 있다.
실시 예로, 상기 제3 단계에서 상기 기존 충전소의 변경된 수요 및 상기 신규 충전소의 충전 수요를 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 상기 가장 가까운 충전소의 위치로부터 세부적으로 조정할 수 있다.
실시 예로, 상기 제3 단계에서 상기 해당 지역 내의 모든 충전소 중 가장 높은 충전 부하를 가지는 충전소의 충전 부하를 최소화하기 위한 목적함수를 미니맥스 기법 을 통해 최적화하고, 상기 신규 충전소의 설치 개수 N은 으로 결정되고, C1은 상기 기존 충전소가 설치되어 있지 않은 격자 셀의 개수이고, Sc1은 상기 신규 충전소의 설치 여부에 따라 0과 1로 이루어진 이진 결정 변수 집합인 것을 특징으로 한다.
실시 예로, 상기 제3 단계에서 상기 기존 충전소를 포함하지 않는 각 격자 셀에 기초한 각 염색체의 조합으로 초기 자손 세트를 생성하고, 상기 각 염색체의 이진 변수들은 충전 수요 모듈에 입력하여, 상기 기존 충전소 및 상기 신규 충전소의 충전 수요를 도출할 수 있다.
실시 예로, 상기 제3 단계에서 상기 초기 자손 세트를 구성하는 염색체 개수만큼 충전 수요량 중 최대값들을 도출하고, 상기 유전 알고리즘을 통해 상기 초기 자손 세트의 상기 최대값들에서 최소값을 다시 선택하고, 상기 초기 자손 세트에서 임계치 이하의 최대 충전 수요를 가지는 염색체들을 선택하고, 상기 선택된 염색체들을 기반으로 교배, 교차, 변이를 거쳐 새로운 자손 세트를 생성할 수 있다.
실시 예로, 상기 제3 단계에서 상기 새로운 자손 세트를 기반으로 Maximizer와 Minimizer가 교대로 다시 최대값들과 최소값을 선택하는 것을 반복하고, 상기 유전 알고리즘을 통해 상기 새로운 자손 세트의 상기 최대값들에서 최소값을 다시 선택하여 상기 다시 선택된 최소값이 상기 임계치 이하의 최대 충전 수요로 수렴되는지 여부를 판단하고, 상기 다시 선택된 최소값이 상기 임계치 이하의 최대 충전 수요로 수렴되는 것으로 판단되면, 상기 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정할 수 있다.
본 발명의 실시예에 따라 제안된 기법을 통해 신규 전기자동차 충전소 위치를 선정한다면, 소수의 충전소에 집중되어 있던 충전 부하를 분산시킴으로써 특정 배전 선로의 과부하 현상 해소에 기여할 수 있다.
본 발명의 실시예에 따르면, 신규 충전소 설치 위치에 따른 부하 분산 정도를 수량화함으로써 전기자동차 충전소 사업자 측면에서의 경제성 또는 사용자 측면에서의 이용 효율에 대한 지표를 제공할 수 있다.
도 1a는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 기법의 모식도를 나타낸 도면이다.
도 1b는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 기법을 수행하는 장치의 구성도이다.
도 2는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 대상 지역 그리드화 과정을 나타내는 도면이다.
도 3은 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 신규 및 기존 충전소 간 종속성을 고려한 신규 충전소 설치에 따른 충전 수요 모델링 과정을 나타낸 도면이다.
도 4는 신규 충전소 설치 후 최근접 충전소가 신규 충전소로 바뀌는 격자 셀들이 생성되는 예시와 이에 따라 기존 및 신규 충전소 충전 수요 모델링을 수행하는 예시를 나타낸 도면이다.
도 5는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 충전 수요 모델링 모듈을 기반으로 충전소 최적 위치 선정을 위한 최적화 모듈을 나타낸 도면이다.
도 1b는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 기법을 수행하는 장치의 구성도이다.
도 2는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 대상 지역 그리드화 과정을 나타내는 도면이다.
도 3은 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 신규 및 기존 충전소 간 종속성을 고려한 신규 충전소 설치에 따른 충전 수요 모델링 과정을 나타낸 도면이다.
도 4는 신규 충전소 설치 후 최근접 충전소가 신규 충전소로 바뀌는 격자 셀들이 생성되는 예시와 이에 따라 기존 및 신규 충전소 충전 수요 모델링을 수행하는 예시를 나타낸 도면이다.
도 5는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 충전 수요 모델링 모듈을 기반으로 충전소 최적 위치 선정을 위한 최적화 모듈을 나타낸 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고 유사하게 제2 구성 요소는 제1 구성 요소로도 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시 예들을 상세히 설명한다. 그러나 특허출원의 범위가 이러한 실시 예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
이하에서는 본 발명의 구체적인 내용에 대해 도면을 참조하여 상세히 설명하도록 한다. 도 1a는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 기법의 모식도를 나타낸 도면이다. 한편, 도 1b는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 기법을 수행하는 장치의 구성도이다.
도 1a에 도시된 바와 같이, 본 발명에 따른 전기자동차 충전소 최적 위치 선정 기법(1)은 대상 지역 그리드화 모듈 (2), 신규 및 기존 충전소의 충전 수요 모델링 모듈 (3), 최종적인 충전소 최적 위치 선정을 위한 최적화 모듈(4)을 포함할 수 있다. 도 1b를 참조하면, 장치(100)는 입력부(110), 제어부(120), 메모리(130) 및 출력부(140)를 포함하도록 구성될 수 있다. 입력부(110)는 사용자 입력에 의해 대상 지역을 선정하도록 구성될 수 있다. 메모리(130)는 기존 충전소 위치, 충전 프로파일 정보 등을 저장하도록 구성될 수 있다. 제어부(120)는 대상지역을 그리드화하고, 신규 충전소와 기존 충전소에 대한 수요를 모델링하여 신규 충전소의 위치를 최적화하도록 구성될 수 있다. 출력부(140)는 신규 충전소의 최적 위치를 화면에 표시하도록 구성될 수 있다.
제어부(120)는 해당 지역의 지리 정보와 기존 충전소 정보를 기반으로 해당 지역을 그리드화하고 분류하도록 구성된다. 제어부(120)는 커널 밀도 추정과 최근접 이웃 탐색법을 기반으로 신규 충전소 설치에 따른 기존 충전소 및 신규 충전소의 충전 수요를 모델링하도록 구성된다. 제어부(120)는 기존 충전소 및 신규 충전소의 충전 수요에 대한 모델링을 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정하도록 구성된다.
구체적으로 본 발명에 전기자동차 충전소 최적 위치 선정 방법은 이하 도면을 참조하여 상세하게 설명한다. 도 2는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 대상 지역 그리드화 과정을 나타내는 도면이며 그리드화 및 분류 방법은 다음과 같다.
단계 S110에서 해당 그리드의 격자 셀을 기존 충전소를 포함하는 셀(10)과 포함하지 않는 셀(20)로 분류한다. 신규 충전소 설치 후, 단계 S120에서는 상기 단계 S110에서 분류된 기존 충전소를 포함하지 않는 셀을(20) 신규 충전소를 포함하는 셀(30)과 포함하지 않는 셀(40)로 다시 분류한다. 이때, 각 격자 셀은 유동인구량 데이터를 포함하고 있으며, 이는 교통량 데이터로 대체할 수 있다.
본 발명은 전기자동차 주행자가 가까운 충전소를 선호한다고 가정한다. 신규 충전소 설치 시, 전기자동차 주행자 입장에서 신규 충전소가 기존에 이용하던 충전소보다 가까울 경우 기존 충전소 대신 신규 충전소를 이용한다. 이를 기존 충전소의 충전 부하가 신규 충전소로 이동하는 것으로 해석하며, 이는 기존 충전소와 신규 충전소가 설치 위치에 따라 종속성을 가짐을 의미한다. 본 발명은 이러한 종속성의 수식화를 통해, 신규 충전소 위치에 따른 신규 및 기존 충전소의 충전 수요를 모델링(3)한다. 이를 고려하여 부하가 집중된 기존 충전소 주변에 신규 충전소를 설치하여 충전 부하의 분산을 도모한다.
도 3은 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 신규 및 기존 충전소 간 종속성을 고려한 신규 충전소 설치에 따른 충전 수요 모델링 과정을 나타낸 도면이다. 기존 및 신규 충전소의 충전 수요를 모델링하는 방법은 다음과 같다.
먼저, S210 단계에서는 기존 충전소의 24시간 동안의 전기차 도착 정보를 기반으로 도착 수요에 대한 확률 밀도 함수를 커널 밀도 추정 (Kernel Density Estimation) 기법을 통해 추정한다. 커널 밀도 추정은 비모수적 통계법 중 하나로, 특정 커널 함수의 조합으로 주어진 데이터 샘플의 확률 밀도를 추정하는 기법이다. 해당 데이터가 특정 확률 분포 함수를 따르지 않을 때 주로 적용된다. 이때, 기존 충전소마다 확률 밀도 함수를 생성한다. 즉, 설치되어 있는 기존 충전소의 수만큼 확률 밀도 함수가 생성된다. 이는 각 기존 충전소의 주변 환경에 따라 다른 도착 프로파일을 따르기 때문에 이를 고려하기 위함이다.
단계 S220에서는 각 추정된 확률 밀도 함수를 이산 확률 함수로 변환하여 시간 별 도착 확률을 도출한다. 즉, 도출된 도착 확률은 기존 충전소에 전기자동차 1대가 해당 시간에 도착할 확률을 의미한다.
단계 S230에서 기존 충전소의 도착 횟수와 충전량의 피어슨 상관 계수 (Pearson Correlation Coefficient)를 이용하여 선형 계수를 구한 후, 도출된 시간 별 도착 확률과 각 충전소의 하루 평균 전기자동차 도착 대수를 기반으로 단계 S240에서 시간별 충전 수요를 추정한다. 다음 수학식 1은 단계 S240에서 기존 충전소의 충전 수요를 계산하는 계산식이다.
위 수학식 1에서 CSi,t는 t시간에 i번째 기존 충전소의 충전 수요 추정량이며, C는 단계 S230에서 피어슨 상관 계수 분석을 통해 도출된 선형 계수이다. Pi,t는 단계 S220에서 도출된 t시간에 i번째 기존 충전소의 도착 확률, EVi는 i 번째 충전소의 하루 평균 전기자동차 도착 대수이다. EVpen는 전기자동차 보급률을 의미한다.
단계 S250에서는 신규 충전소 설치 후, 기존 충전소에서 신규 충전소로 충전 부하가 옮겨갈 확률을 산정한다. 해당 확률을 산정하기 위해서, 최근접 이웃 탐색법 (Nearest Neighbor Search)을 기반으로 신규 충전소로 옮겨간 충전 수요를 추정한다. 최근접 이웃 탐색법은 일반적으로 데이터의 유사도를 확인하기 위해 사용되며 거리 공간상에 n개의 점과 가장 가까운 점을 찾고자 하는 쿼리 점 q가 주어졌을 때, 쿼리 점에서 가장 가까운 점 p를 찾는 기법이다. 본 발명에서는 해당 최근접 이웃 탐색법을 유사도 평가가 아닌 주행자에게 가장 가까운 충전소를 탐색하기 위해 사용된다. 따라서, p는 충전소가 없는 격자 셀이고 q는 충전소가 설치되어 격자 셀로 구분된다. 최근접 이웃 탐색법을 통해 충전소가 없는 각 격자 셀에서 가장 가까운 충전소가 탐색되며, 충전소가 없는 격자 셀의 유동인구가 가장 가까운 충전소를 방문할 것이라는 가정하에 충전소 근처의 유동인구량 합을 산정한다. 본 발명에서는 충전소 근처의 유동인구량과 충전소의 도착 횟수가 밀접한 관계가 있음을 확인하여 유동인구량 정보를 활용하며, 이는 교통량 정보로 대체될 수 있다.
따라서 신규 충전소 설치 시, 상술된 최근접 이웃 탐색법에 의해 각 격자 셀로부터 가장 가까운 충전소가 바뀔 수 있고, 이에 따라 주행자가 기존 충전소에서 신규 충전소를 방문하게 된다. 이를 고려하여, 본 발명에서는 신규 충전소로 산정된 유동인구량에 따라 기존 충전소에서 신규 충전소로 충전 부하가 이동한다고 가정한다. 다음 수학식 2는 기존 충전소에서 신규 충전소로 충전 부하가 옮겨갈 확률을 계산하는 수학식이다.
위 수학식 2에서 αi,j는 i번째 기존 충전소에서 번째 신규 충전소로 충전 부하가 옮겨갈 확률을 나타내며, ∑θi,j는 신규 충전소 설치 후 i번째 기존 충전소에서 j번째 신규 충전소로 최근접 충전소가 바뀐 격자 셀들에 포함된 유동인구량의 합이다. Φi은 신규 충전소 설치 전, i번째 충전소에 산정되어 있던 격자 셀들에 포함된 유동인구량의 합이다. 즉, 기존 충전소에서 신규 충전소로 충전 부하가 옮겨갈 확률은 최근접 이웃 탐색법에 의해 이동한 격자 셀들에 포함된 유동인구량에 비례한다.
도 4는 신규 충전소 설치 후 최근접 충전소가 신규 충전소로 바뀌는 격자 셀들이 생성되는 예시와 이에 따라 기존 및 신규 충전소 충전 수요 모델링을 수행하는 예시를 나타낸 도면이다. 도 4(a)를 참조하면, 신규 충전소 설치 후 최근접 충전소가 신규 충전소로 바뀌는 격자 셀들이 생성됨에 따라 수학식 2와 같이 i번째 기존 충전소에서 j번째 신규 충전소로 충전 부하가 이동할 확률을 산출할 수 있다.
도 4(b)를 참조하면, 기존 충전소 및 신규 충전소 충전 수요 모델링 과정을 나타낸다. 도 3 및 도 4(b)를 참조하면, S260 단계에서는 단계 S250에서 도출된 기존 충전소에서 신규 충전소로 충전 부하가 옮겨갈 확률과 단계 S240에서 도출한 신규 충전소 설치 전 기존 충전소의 충전 수요를 기반으로 기존 충전소 및 신규 충전소 수요를 추정한다. 수학식 3은 신규 충전소 설치 후 기존 및 신규 충전소의 수요 모델을 계산하는 수학식이다.
위 수학식 3에서 은 신규 충전소 설치 후 t시간에서 i번째 기존 충전소의 충전 수요를 나타내며, 는 충전 수요가 i번째 기존 충전소에서 신규 충전소들로 떠나는 확률의 합이며, 이에 따라 는 기존 충전소에 남아있는 기존 충전 수요의 비율을 나타낸 것이다. 는 t시간에서 j번째 신규 충전소의 충전 수요를 나타내며, 는 기존 충전소들로부터 j번째 신규 충전소로 옮겨온 충전량의 합으로 j번째 신규 충전소의 충전 수요 모델을 의미한다. 따라서, 위의 수학식 3은 최종적인 기존 및 신규 충전소의 충전 수요를 나타낸다.
본 발명에서는 소수의 충전소에 집중된 충전 부하를 분산시키는 것으로, 이를 위한 목적함수는 해당 지역 내의 모든 충전소 중 가장 높은 충전 부하를 가지는 충전소의 충전 부하를 최소화하기 위한 목적으로 수학식 4와 같이 나타낼 수 있다.
그리고, 제약조건은 아래 수식과 같다.
신규 전기자동차 충전소 설치 개수 :
위 수식 4의 제약조건에서 N은 신규로 설치하고자 하는 충전소 개수를 의미하며, C1은 기존 충전소가 설치되어 있지 않은 격자 셀의 개수를 의미한다. Sc1는 0과 1로 이루어진 이진 결정 변수 집합으로, 즉, 해당 집합은 C1개의 원소로 구성되며 각 원소들은 0 또는 1값을 가진다. 다시 말해, 만약 집합 Sc1에서 임의의 c1번째 원소가 1이라면 c1번째 격자 셀에 신규 충전소가 설치됨을 의미하고, 0이라면 설치되지 않음을 의미한다. 따라서, 만약 N이 10이면 해당 지역 내에 신규로 설치되는 충전소 개수가 10임을 나타낸다.
위 수학식 4에 명시된 최적화 문제는 미분이 불가능하고 완전한 방정식의 형태로 나타나지 않으며, 이진 결정 변수를 가지는 혼합 정수 비선형 계획법이다. 따라서, 전역 최적해를 구하기 위해서 메타 휴리스틱 기법을 적용한다.
도 5는 본 발명에 따른 전기자동차 충전소 최적 위치 선정 시스템의 충전 수요 모델링 모듈을 기반으로 충전소 최적 위치 선정을 위한 최적화 모듈을 나타낸 도면이다.
본 발명은 메타 휴리스틱 기법중 하나인 유전 알고리즘과 게임 이론 중 하나인 미니맥스 이론을 연계하여 해당 최적화 문제의 최적해를 탐색한다.
유전 알고리즘은 최적화 문제에서 전역 최적해를 탐색하는 알고리즘으로서, 다윈의 적자 생존 이론을 기본 개념으로 한다. 생물의 진화를 모방한 진화 연산의 대표적인 기법으로, 최적해를 찾아가는 과정에서 교배, 교차, 변이와 같은 과정을 거친다. 유전 알고리즘을 최적화 문제에 적용하기 위해서는 해를 염색체 형식으로 표현할 수 있어야 한다. 해당 문제에서 염색체 형식은 이진 변수로 구성된 Sc1이 적용된다.
미니맥스 이론은 게임 및 결정이론에서 사용하는 개념으로 최악의 경우 발생 가능한 손실을 최소화 한다는 규칙이다. 본 발명에서는 궁극적으로 해당 지역 내의 최대 충전 부하를 신규 충전소를 통해 줄이는 것을 목적으로 하므로, 해당 최적화 문제에서 최악의 경우 발생가능한 손실을 지역 내 최대 충전 부하로 정의한다. 미니맥스 이론에서는 Maximizer과 Minimizer라는 두 명의 참가자가 존재하고 두 참가자는 순차적으로 번갈아가며 최대값과 최솟값을 선택한다. 본 발명에서는 Maximizer는 이며, Minimizer는 유전알고리즘으로 정의한다.
도 5에 도시된 바와 같이, 초기 자손 세트는 염색체의 조합으로 이루어져 있으며 랜덤으로 생성된다. 이때, 염색체의 길이는 C1 (기존 충전소를 포함하지 않는 격자 셀의 개수)이다. 즉, 각 염색체는 상술한 바와 같이 결정 변수 집합인 Sc1이다.
각 염색체의 이진 변수들은 충전 수요 모듈에 입력되고 기존 및 신규 충전소의 충전 수요가 도출된다.
이때, Maximizer인 가 도출된 충전 수요량 중 최대값을 선택한다. 따라서 자손 세트를 구성하는 염색체 개수만큼 최대값들이 도출되고, Minimizer인 유전알고리즘은 자손 세트의 최대값들 중 최소값을 다시 선택한다. 선택 후, 우월한 유전자 (자손 세트 중 비교적 작은 최대 충전 수요를 가지는 염색체들)를 기반으로 다시 교배, 교차, 변이를 거쳐 새로운 자손 세트를 생성한다.
생성된 자손 세트를 기반으로 다시 Maximizer와 Minimizer가 번갈아가며 최대값과 최솟값을 선택을 반복한다. 상술된 과정을 해가 최적해로 수렴할 때까지 반복한다. 해당 과정을 반복함으로써, 미니맥스 이론 기반 유전 알고리즘은 소수의 충전소에 집중된 충전 부하의 분산을 극대화하도록 신규 충전소 위치를 선택하는 방향으로 최적해를 탐색하게 된다.
이하, 본 발명을 통해 청구하고자 하는 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법에 대해 전술한 기술적 특징 및 설명을 참조하여 상세하게 설명한다. 상기 방법은 도 1b의 장치(100)의 프로세서 (또는 제어부(120))에 의해 수행될 수 있다. 상기 방법은 도 2의 제1 단계(S110), 도 3의 제2 단계(S210-260) 및 제3 단계(S300)를 포함하도록 구성될 수 있다.
제1 단계(S110)에서 해당 지역의 지리 정보와 기존 충전소 정보를 기반으로 해당 지역을 그리드화하고 분류할 수 있다. 제2 단계(S210-250)에서 커널 밀도 추정과 최근접 이웃 탐색법을 기반으로 신규 충전소 설치에 따른 기존 충전소 및 신규 충전소의 충전 수요를 모델링할 수 있다. 제3 단계(S300)에서 기존 충전소 및 신규 충전소의 충전 수요에 대한 모델링을 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정할 수 있다.
제1 단계(S110)의 전 처리 과정에서 대상 지역의 정보와 대상 지역 내의 기존 충전소의 위치 정보를 입력으로 사용하여 해당 지역을 그리드화하고 상기 기존 충전소의 포함 여부에 따라 상기 해당 지역을 분류할 수 있다. 이와 관련하여, 대상 지역과 해당 지역은 동일한 의미로 해석될 수 있다. 또는 대상 지역은 해당 지역을 포함하는 더 넓은 의미로 해석될 수 있다.
제2 단계(S210-S260)의 전 처리 과정에서 그리드화된 격자 셀의 유동 인구량과 대상 지역 내 기존 충전소의 충전 프로파일 정보를 입력으로 하여 기존 충전소 및 신규 충전소의 충전 수요를 모델링할 수 있다. 제3 단계(S260)의 전 처리 과정에서 격자 셀의 이진 결정 변수 세트를 입력으로 하여, 최적화 모델을 기반으로 상기 신규 충전소의 최적 위치를 선정할 수 있다.
제2 단계(S210)에서 기존 충전소의 24시간 동안의 전기차 도착 정보를 기반으로 도착 수요에 대한 확률 밀도 함수를 커널 밀도 추정 (Kernel Density Estimation) 기법을 통해 추정할 수 있다. 제2 단계(S220)에서 추정된 확률 밀도 함수를 이산 확률 함수로 변환하여 시간 별 도착 확률을 도출할 수 있다. 제2 단계(S230)에서 기존 충전소에 도착 횟수와 충전량의 피어슨 상관 계수 (Pearson Correlation Coefficient)를 이용하여 선형 계수를 구한다. 이후, 상기 도출된 시간 별 도착 확률과 각 충전소의 하루 평균 전기자동차 도착 대수를 기반으로 시간별 충전 수요를 추정(S240)할 수 있다. 이에 따라, 기존 충전의 충전 수요를 계산할 수 있다.
제2 단계(S250)에서 최근접 이웃 탐색법을 통해 충전소가 없는 각 격자 셀에서 가장 가까운 충전소를 탐색할 수 있다. 이와 관련하여, 거리 공간상에 n개의 점과 가장 가까운 점을 찾고자 하는 쿼리 점 q가 주어졌을 때, 상기 쿼리 점 q에서 가장 가까운 점 p를 찾아 상기 신규 충전소를 설치할 수 있다. p는 충전소가 없는 격자 셀이고 q는 충전소가 설치되어 격자 셀로 구분될 수 있다. 제2 단계(S250)에서 충전소가 없는 각 격자 셀의 유동인구가 상기 가장 가까운 충전소를 방문할 것이라는 가정하에 상기 가장 가까운 충전소의 근처의 유동인구량 합을 산정할 수 있다.
제2 단계(S250)에서 상기 신규 충전소가 설치된 후, 상기 기존 충전소에서 상기 신규 충전소로 충전 부하가 옮겨갈 확률을 산정할 수 있다. 이와 관련하여, 신규 충전소가 설치 전 상기 기존 충전소에 산정되어 있던 격자 셀들에 포함된 유동인구량의 합인 제1 값과 상기 가장 가까운 충전소의 근처의 유동인구량 합인 제2 값에 기초하여, 상기 확률을 산정할 수 있다.
제2 단계(S260)에서 상기 기존 충전소에서 상기 신규 충전소로 충전 부하가 옮겨갈 확률과 상기 신규 충전소가 설치 전 상기 기존 충전소의 충전 수요를 기반으로 상기 기존 충전소의 변경된 수요와 상기 신규 충전소의 수요를 추정할 수 있다. 제3 단계(S300)에서 상기 기존 충전소의 변경된 수요 및 상기 신규 충전소의 충전 수요를 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 상기 가장 가까운 충전소의 위치로부터 세부적으로 조정할 수 있다.
제3 단계(S300)에서 상기 해당 지역 내의 모든 충전소 중 가장 높은 충전 부하를 가지는 충전소의 충전 부하를 최소화하기 위한 목적함수를 미니맥스 기법 을 통해 최적화할 수 있다. 상기 신규 충전소의 설치 개수 N은 으로 결정될 수 있다. C1은 상기 기존 충전소가 설치되어 있지 않은 격자 셀의 개수이고, Sc1은 상기 신규 충전소의 설치 여부에 따라 0과 1로 이루어진 이진 결정 변수 집합인 것을 특징으로 한다.
제3 단계(S300)에서 상기 기존 충전소를 포함하지 않는 각 격자 셀에 기초한 각 염색체의 조합으로 초기 자손 세트를 생성할 수 있다. 상기 각 염색체의 이진 변수들은 충전 수요 모듈에 입력하여, 상기 기존 충전소 및 상기 신규 충전소의 충전 수요를 도출할 수 있다. 구체적으로, 상기 초기 자손 세트를 구성하는 염색체 개수만큼 충전 수요량 중 최대값들을 도출할 수 있다. 상기 유전 알고리즘을 통해 상기 초기 자손 세트의 상기 최대값들에서 최소값을 다시 선택할 수 있다. 상기 초기 자손 세트에서 임계치 이하의 최대 충전 수요를 가지는 염색체들을 선택할 수 있다. 상기 선택된 염색체들을 기반으로 교배, 교차, 변이를 거쳐 새로운 자손 세트를 생성할 수 있다.
제3 단계(S300)에서 상기 새로운 자손 세트를 기반으로 Maximizer와 Minimizer가 교대로 다시 최대값들과 최소값을 선택하는 것을 반복할 수 있다. 상기 유전 알고리즘을 통해 상기 새로운 자손 세트의 상기 최대값들에서 최소값을 다시 선택하여 상기 다시 선택된 최소값이 상기 임계치 이하의 최대 충전 수요로 수렴되는지 여부를 판단할 수 있다. 상기 다시 선택된 최소값이 상기 임계치 이하의 최대 충전 수요로 수렴되는 것으로 판단되면, 상기 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정할 수 있다.
이상에서는 본 발명에 따른 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법에 대해 설명하였다. 이러한 본 발명에 따른 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법의 기술적 효과는 다음과 같이 요약될 수 있다.
본 발명의 실시예에 따라 제안된 기법을 통해 신규 전기자동차 충전소 위치를 선정한다면, 소수의 충전소에 집중되어 있던 충전 부하를 분산시킴으로써 특정 배전 선로의 과부하 현상 해소에 기여할 수 있다.
본 발명의 실시예에 따르면, 신규 충전소 설치 위치에 따른 부하 분산 정도를 수량화함으로써 전기자동차 충전소 사업자 측면에서의 경제성 또는 사용자 측면에서의 이용 효율에 대한 지표를 제공할 수 있다.
본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들에 대한 설계 및 파라미터 최적화는 별도의 소프트웨어 모듈로도 구현될 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.
Claims (10)
- 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법에 있어서, 상기 방법은 장치의 프로세서에 의해 수행되고, 상기 방법은,
해당 지역의 지리 정보와 기존 충전소 정보를 기반으로 해당 지역을 그리드화하고 분류하는 제1 단계;
커널 밀도 추정과 최근접 이웃 탐색법을 기반으로 신규 충전소 설치에 따른 기존 충전소 및 신규 충전소의 충전 수요를 모델링하는 제2 단계; 및
상기 기존 충전소 및 신규 충전소의 충전 수요에 대한 모델링을 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정하는 제3 단계를 포함하며,
상기 제1 단계의 전 처리 과정은,
대상 지역의 정보와 대상 지역 내의 기존 충전소의 위치 정보를 입력으로 사용하여 해당 지역을 그리드화하고 상기 기존 충전소의 포함 여부에 따라 상기 해당 지역을 분류하며,
상기 제2 단계의 전 처리 과정은,
그리드화된 격자 셀의 유동 인구량과 대상 지역 내 기존 충전소의 충전 프로파일 정보를 입력으로 하여 기존 충전소 및 신규 충전소의 충전 수요를 모델링하고,
상기 제3 단계의 전 처리 과정은,
격자 셀의 이진 결정 변수 세트를 입력으로 하여, 최적화 모델을 기반으로 상기 신규 충전소의 최적 위치를 선정하는, 방법. - 제1 항에 있어서,
상기 제2 단계에서,
상기 기존 충전소의 24시간 동안의 전기차 도착 정보를 기반으로 도착 수요에 대한 확률 밀도 함수를 커널 밀도 추정 (Kernel Density Estimation) 기법을 통해 추정하고,
상기 추정된 확률 밀도 함수를 이산 확률 함수로 변환하여 시간 별 도착 확률을 도출하고,
상기 기존 충전소에 도착 횟수와 충전량의 피어슨 상관 계수 (Pearson Correlation Coefficient)를 이용하여 선형 계수를 구한 후, 상기 도출된 시간 별 도착 확률과 각 충전소의 하루 평균 전기자동차 도착 대수를 기반으로 시간별 충전 수요를 추정하고,
상기 기존 충전의 충전 수요를 계산하는, 방법. - 제2 항에 있어서,
상기 제2 단계에서,
최근접 이웃 탐색법을 통해 충전소가 없는 각 격자 셀에서 가장 가까운 충전소를 탐색 - 거리 공간상에 n개의 점과 가장 가까운 점을 찾고자 하는 쿼리 점 q가 주어졌을 때, 상기 쿼리 점 q에서 가장 가까운 점 p를 찾아 상기 신규 충전소를 설치하고, p는 충전소가 없는 격자 셀이고 q는 충전소가 설치되어 격자 셀로 구분 -하고,
충전소가 없는 각 격자 셀의 유동인구가 상기 가장 가까운 충전소를 방문할 것이라는 가정하에 상기 가장 가까운 충전소의 근처의 유동인구량 합을 산정하는, 방법. - 제3 항에 있어서,
상기 제2 단계에서,
상기 신규 충전소가 설치 전 상기 기존 충전소에 산정되어 있던 격자 셀들에 포함된 유동인구량의 합인 제1 값과 상기 가장 가까운 충전소의 근처의 유동인구량 합인 제2 값에 기초하여, 상기 신규 충전소가 설치된 후, 상기 기존 충전소에서 상기 신규 충전소로 충전 부하가 옮겨갈 확률을 산정하는, 방법. - 제4 항에 있어서,
상기 제2 단계에서,
상기 기존 충전소에서 상기신규 충전소로 충전 부하가 옮겨갈 확률과 상기 신규 충전소가 설치 전 상기 기존 충전소의 충전 수요를 기반으로 상기 기존 충전소의 변경된 수요와 상기 신규 충전소의 수요를 추정하는, 방법. - 제5 항에 있어서,
상기 제3 단계에서,
상기 기존 충전소의 변경된 수요 및 상기 신규 충전소의 충전 수요를 기반으로 미니맥스 기법과 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 상기 가장 가까운 충전소의 위치로부터 세부적으로 조정하는, 방법. - 제1 항에 있어서,
상기 제3 단계에서,
상기 해당 지역 내의 모든 충전소 중 가장 높은 충전 부하를 가지는 충전소의 충전 부하를 최소화하기 위한 목적함수를 미니맥스 기법()을 통해 최적화하고,
상기 신규 충전소의 설치 개수 N은 으로 결정되고,
C1은 상기 기존 충전소가 설치되어 있지 않은 격자 셀의 개수이고, Sc1은 상기 신규 충전소의 설치 여부에 따라 0과 1로 이루어진 이진 결정 변수 집합인 것을 특징으로 하는, 방법. - 제7 항에 있어서,
상기 제3 단계에서,
상기 기존 충전소를 포함하지 않는 각 격자 셀에 기초한 각 염색체의 조합으로 초기 자손 세트를 생성하고,
상기 각 염색체의 이진 변수들은 충전 수요 모듈에 입력하여, 상기 기존 충전소 및 상기 신규 충전소의 충전 수요를 도출하는, 방법. - 제8 항에 있어서,
상기 제3 단계에서,
상기 초기 자손 세트를 구성하는 염색체 개수만큼 충전 수요량 중 최대값들을 도출하고,
상기 유전 알고리즘을 통해 상기 초기 자손 세트의 상기 최대값들에서 최소값을 다시 선택하고,
상기 초기 자손 세트에서 임계치 이하의 최대 충전 수요를 가지는 염색체들을 선택하고,
상기 선택된 염색체들을 기반으로 교배, 교차, 변이를 거쳐 새로운 자손 세트를 생성하는, 방법. - 제9 항에 있어서,
상기 제3 단계에서,
상기 새로운 자손 세트를 기반으로 Maximizer와 Minimizer가 교대로 다시 최대값들과 최소값을 선택하는 것을 반복하고,
상기 유전 알고리즘을 통해 상기 새로운 자손 세트의 상기 최대값들에서 최소값을 다시 선택하여 상기 다시 선택된 최소값이 상기 임계치 이하의 최대 충전 수요로 수렴되는지 여부를 판단하고,
상기 다시 선택된 최소값이 상기 임계치 이하의 최대 충전 수요로 수렴되는 것으로 판단되면, 상기 유전 알고리즘을 연계한 최적화 기법을 이용하여 상기 신규 충전소의 최적 위치를 선정하는, 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2023/000106 WO2023128735A1 (ko) | 2022-01-03 | 2023-01-03 | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220000517 | 2022-01-03 | ||
KR20220000517 | 2022-01-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230105298A KR20230105298A (ko) | 2023-07-11 |
KR102674216B1 true KR102674216B1 (ko) | 2024-06-12 |
Family
ID=87159912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220054709A KR102674216B1 (ko) | 2022-01-03 | 2022-05-03 | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102674216B1 (ko) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012105544A1 (ja) | 2011-02-03 | 2012-08-09 | 日本電気株式会社 | 充電器配置計画支援装置、充電器配置計画支援方法、及びプログラム |
US20130222158A1 (en) | 2012-02-23 | 2013-08-29 | Jing D. Dai | Electric vehicle (ev) charging infrastructure with charging stations optimumally sited |
US20160300170A1 (en) | 2015-04-08 | 2016-10-13 | Gufei Sun | Optimized placement of electric vehicle charging stations |
KR102259675B1 (ko) | 2020-01-17 | 2021-06-01 | 한전케이디엔주식회사 | 전기차 충전소 최적 위치 추천 시스템 및 그 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130089909A (ko) * | 2012-01-11 | 2013-08-13 | 한국항공대학교산학협력단 | 전기버스 충전시설 위치선정방법 |
KR102023163B1 (ko) * | 2017-11-06 | 2019-09-19 | 제주대학교 산학협력단 | 유전 알고리즘에 기초한 전기 자동차 충전기 위치 선정 기법 |
KR102298279B1 (ko) | 2019-09-20 | 2021-09-07 | 주식회사 알고리고 | 전기차 충전소의 부하 분산을 이용한 신규 충전소의 설치 위치 추천 장치 및 방법 |
KR20210034269A (ko) * | 2019-09-20 | 2021-03-30 | 주식회사 알고리고 | 전기차 충전소의 부하 분산 및 인공신경망을 이용한 신규 충전소의 설치 위치 추천 장치 |
-
2022
- 2022-05-03 KR KR1020220054709A patent/KR102674216B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012105544A1 (ja) | 2011-02-03 | 2012-08-09 | 日本電気株式会社 | 充電器配置計画支援装置、充電器配置計画支援方法、及びプログラム |
US20130222158A1 (en) | 2012-02-23 | 2013-08-29 | Jing D. Dai | Electric vehicle (ev) charging infrastructure with charging stations optimumally sited |
US20160300170A1 (en) | 2015-04-08 | 2016-10-13 | Gufei Sun | Optimized placement of electric vehicle charging stations |
KR102259675B1 (ko) | 2020-01-17 | 2021-06-01 | 한전케이디엔주식회사 | 전기차 충전소 최적 위치 추천 시스템 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20230105298A (ko) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
CN103295074B (zh) | 具有最佳定位的充电站的电动车辆(ev)充电基础设施的方法和*** | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN113239198B (zh) | 一种地铁客流预测方法、装置及计算机存储介质 | |
CN111222705B (zh) | 一种非线性充电车辆路径优化方法 | |
CN116316612B (zh) | 自动机器学习的新能源功率云边协同预测方法及*** | |
Deepanraj et al. | Intelligent wild geese algorithm with deep learning driven short term load forecasting for sustainable energy management in microgrids | |
KR102298279B1 (ko) | 전기차 충전소의 부하 분산을 이용한 신규 충전소의 설치 위치 추천 장치 및 방법 | |
CN115438879B (zh) | 基于改进混合算法的电动汽车充电站选址定容方法及装置 | |
Vasant et al. | Optimal power allocation scheme for plug-in hybrid electric vehicles using swarm intelligence techniques | |
CN117498400A (zh) | 一种分布式光伏与储能数据的处理方法及*** | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Suresh et al. | Probabilistic LSTM-Autoencoder based hour-ahead solar power forecasting model for intra-day electricity market participation: A Polish case study | |
CN111311001A (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN114638434A (zh) | 可变公交区域站点优化方法、设备及计算机存储介质 | |
CN117353359B (zh) | 电池联合储能供电方法及*** | |
KR102674216B1 (ko) | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 | |
Zhang et al. | Optimized scheduling for urban-scale mobile charging vehicle | |
Pourvaziri et al. | Planning of electric vehicle charging stations: An integrated deep learning and queueing theory approach | |
Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
Ma et al. | An agent-based training system for optimizing the layout of AFVs' initial filling stations | |
CN114037480A (zh) | 面向新城市的新能源车充电桩需求预测及部署优化方法 | |
WO2023128735A1 (ko) | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 | |
Kebir et al. | Modified minimum spanning tree for optimised DC microgrid cabling design | |
Vijay et al. | Multi objective queue theory based optimal planning of rapid charging stations and distributed generators in coupled transportation and distribution network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |