WO2023128735A1 - 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
- WO2023128735A1 WO2023128735A1 PCT/KR2023/000106 KR2023000106W WO2023128735A1 WO 2023128735 A1 WO2023128735 A1 WO 2023128735A1 KR 2023000106 W KR2023000106 W KR 2023000106W WO 2023128735 A1 WO2023128735 A1 WO 2023128735A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- charging station
- charging
- new
- existing
- demand
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000009434 installation Methods 0.000 claims abstract description 11
- 210000004027 cell Anatomy 0.000 claims description 39
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 238000007667 floating Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 230000013011 mating Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 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
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 108700003861 Dominant Genes Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009402 cross-breeding Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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"
-
- 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
Definitions
- the present invention relates to a method and apparatus for selecting an optimal location for an electric vehicle charging station. More specifically, the present invention relates to a method for selecting an optimal location for an electric vehicle charging station for charging load distribution.
- the growth of the electric vehicle market is causing problems with electric vehicle charging stations, which are electric vehicle infrastructure.
- the construction of an electric vehicle charging station has problems different from those of building a gas station for an existing internal combustion engine vehicle due to the charging characteristics of an electric vehicle.
- electric vehicle charging stations can cause problems in the power system, problems due to increased waiting time for charging, and power shortage at charging stations when an excessive load is applied to a specific charging station.
- An object of the present invention is to provide a method for selecting an optimal location for an electric vehicle charging station for charging load distribution.
- an object of the present invention is to provide a method for selecting an optimal location for an electric vehicle charging station for distributing a charging load by reflecting behavioral characteristics of a driver.
- an object of the present invention relates to the selection of the optimal location for an electric vehicle, and more particularly, a technique for selecting the optimal location to distribute the charging load concentrated on a small number of charging stations in consideration of the dependency between charging stations due to the driver's behavioral characteristics. is to provide
- an object of the present invention is to provide a method for selecting the optimal location of an electric vehicle charging station for charging load distribution through an optimization technique, which is a hybrid model created by linking game theory and meta-heuristic optimization technique.
- an object of the present invention is to provide a method for selecting an optimal location for an electric vehicle charging station that reflects such dynamic characteristics since an electric vehicle, unlike general loads, is not a load fixed to a system but a dynamic load having dynamic characteristics due to the driver's behavioral characteristics. .
- a method for selecting an optimal location for an electric vehicle charging station for charging load distribution includes a first step of gridifying and classifying a corresponding region based on geographic information and existing charging station information of the region; A second step of modeling charging demand of an existing charging station and a new charging station according to the installation of a new charging station based on kernel density estimation and a nearest neighbor search method; and a third step of selecting an optimal location for the new charging station by using an optimization technique in conjunction with a minimax technique and a genetic algorithm based on the modeling of the charging demand of the existing and new charging stations.
- a new electric vehicle charging station location is selected through the proposed technique according to an embodiment of the present invention, it can contribute to solving the overload phenomenon of a specific distribution line by distributing the charging load concentrated on a small number of charging stations.
- 1A is a diagram showing a schematic diagram of a technique for selecting an optimal location for an electric vehicle charging station according to the present invention.
- 1B is a block diagram of an apparatus for performing an electric vehicle charging station optimal location selection technique according to the present invention.
- FIG. 2 is a diagram illustrating a process of gridizing a target area of the system for selecting an optimal location for an electric vehicle charging station according to the present invention.
- FIG. 3 is a diagram showing a charging demand modeling process according to the installation of a new charging station in consideration of the dependency between new and existing charging stations of the system for selecting the optimal location for an electric vehicle charging station according to the present invention.
- FIG. 4 is a diagram showing an example in which grid cells in which the closest charging station is replaced with a new charging station are generated after a new charging station is installed, and an example in which charging demand modeling of existing and new charging stations is performed accordingly.
- FIG. 5 is a diagram showing an optimization module for selecting the optimal location of a charging station based on the charging demand modeling module of the system for selecting the optimal location of an electric vehicle charging station according to the present invention.
- first or second may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another, e.g. without departing from the scope of rights according to the concept of the present invention, a first component may be termed a second component and similarly a second component may be termed a second component. A component may also be referred to as a first component.
- FIG. 1A is a diagram showing a schematic diagram of a technique for selecting an optimal location for an electric vehicle charging station according to the present invention.
- Figure 1b is a block diagram of a device for performing the electric vehicle charging station optimal location selection technique according to the present invention.
- the method for selecting the optimal location for an electric vehicle charging station according to the present invention (1) includes a target area gridization module (2), a charging demand modeling module for new and existing charging stations (3), and a final optimal location for a charging station.
- Optimization module 4 for selection may be included.
- the device 100 may include an input unit 110 , a control unit 120 , a memory 130 and an output unit 140 .
- the input unit 110 may be configured to select a target area by user input.
- the memory 130 may be configured to store existing charging station locations, charging profile information, and the like.
- the controller 120 may be configured to grid the target area and optimize the location of the new charging station by modeling the demand for the new charging station and the existing charging station.
- the output unit 140 may be configured to display the optimum location of the new charging station on the screen.
- the control unit 120 is configured to grid and classify the corresponding region based on geographical information and existing charging station information of the corresponding region.
- the control unit 120 is configured to model the charging demand of the existing charging station and the new charging station according to the installation of the new charging station based on the kernel density estimation and the nearest neighbor search method.
- the control unit 120 is configured to select an optimal location for the new charging station by using an optimization technique in conjunction with a minimax technique and a genetic algorithm based on modeling of charging demand of existing and new charging stations.
- FIG. 2 is a diagram showing a process of gridizing a target area of the system for selecting an optimal location for an electric vehicle charging station according to the present invention, and a method of gridization and classification is as follows.
- step S110 the lattice cells of the corresponding grid are classified into cells 10 including existing charging stations and cells 20 not including them.
- step S120 the cells 20 that do not include the existing charging station classified in step S110 are again classified into cells 30 including the new charging station and cells 40 not including the new charging station.
- each grid cell includes floating population data, which can be replaced with traffic data.
- the present invention assumes that an electric vehicle driver prefers a nearby charging station.
- the new charging station is used instead of the existing charging station.
- This is interpreted as the charging load of the existing charging station moving to the new charging station, which means that the existing charging station and the new charging station have dependencies depending on the installation location.
- the present invention models (3) the charging demand of new and existing charging stations according to the location of the new charging station through the formulation of this dependency. Considering this, new charging stations are installed around existing charging stations where the load is concentrated to promote distribution of the charging load.
- FIG. 3 is a diagram showing a charging demand modeling process according to the installation of a new charging station in consideration of the dependency between new and existing charging stations of the system for selecting the optimal location for an electric vehicle charging station according to the present invention.
- the method for modeling the charging demand of existing and new charging stations is as follows.
- a probability density function for arrival demand is estimated through a kernel density estimation technique based on the arrival information of electric vehicles for 24 hours at the existing charging station.
- Kernel density estimation is one of the non-parametric statistical methods and is a technique for estimating the probability density of a given data sample with a combination of specific kernel functions. It is mainly applied when the data in question do not follow a certain probability distribution function.
- a probability density function is generated for each existing charging station. That is, as many probability density functions as the number of installed existing charging stations are generated. This is to take this into account because each existing charging station follows a different arrival profile according to its surrounding environment.
- each estimated probability density function is converted into a discrete probability function to derive an arrival probability for each time. That is, the derived arrival probability means the probability that one electric vehicle arrives at the existing charging station at the corresponding time.
- step S230 a linear coefficient is obtained using the Pearson Correlation Coefficient of the number of arrivals at the existing charging station and the amount of charge, and then based on the derived probability of arrival by time and the average number of arrivals of electric vehicles per day at each charging station in step S240.
- Estimate hourly charging demand The following Equation 1 is a calculation formula for calculating the charging demand of the existing charging station in step S240.
- Equation 1 above CS i,t is an estimated charging demand of the i-th existing charging station at time t, and C is a linear coefficient derived through Pearson's correlation coefficient analysis in step S230.
- P i,t is the arrival probability of the ith existing charging station at time t derived in step S220, and EV i is the average number of electric vehicles arriving at the ith charging station per day.
- EV pen refers to the penetration rate of electric vehicles.
- step S250 after the new charging station is installed, a probability that the charging load is transferred from the existing charging station to the new charging station is calculated.
- the charging demand that has moved to the new charging station is estimated based on the nearest neighbor search method.
- the nearest neighbor search method is generally used to check the similarity of data and is a technique for finding the closest point p to a query point given a query point q to find the closest point to n points on a distance space.
- the nearest neighbor search method is used to search for a charging station closest to the driver, not to evaluate the similarity. Therefore, p is a grid cell without a charging station and q is a grid cell with a charging station installed.
- the nearest charging station is searched for in each lattice cell without a charging station, and the sum of the floating population near the charging station is calculated under the assumption that the floating population of the lattice cell without a charging station will visit the nearest charging station.
- floating population information is utilized by confirming that there is a close relationship between the floating population near the charging station and the number of arrivals at the charging station, which can be replaced with traffic information.
- a charging station closest to each lattice cell may be changed by the above-described nearest neighbor search method, and accordingly, a driver visits a new charging station from an existing charging station.
- Equation 2 it is assumed that the charging load moves from the existing charging station to the new charging station according to the floating population calculated at the new charging station. Equation 2 below is an equation for calculating the probability of a charging load moving from an existing charging station to a new charging station.
- ⁇ i,j represents the probability of a charging load moving from the i-th existing charging station to the new charging station
- ⁇ i,j is the closest proximity from the i-th existing charging station to the j-th new charging station after the new charging station is installed. It is the sum of the foot traffic included in the grid cells where the charging station has been changed.
- ⁇ i is the sum of the floating population included in the grid cells calculated at the ith charging station before the new charging station was installed. That is, the probability of a charging load moving from an existing charging station to a new charging station is proportional to the amount of floating population included in grid cells moved by the nearest neighbor search method.
- FIG. 4 is a diagram showing an example in which grid cells in which the closest charging station is replaced with a new charging station are generated after a new charging station is installed, and an example in which charging demand modeling of existing and new charging stations is performed accordingly.
- the probability of a charging load moving from the i-th existing charging station to the j-th new charging station can be calculated as shown in Equation 2 can
- Equation 3 is an equation for calculating demand models of existing and new charging stations after the new charging station is installed.
- Equation 3 above represents the charging demand of the ith existing charging station at time t after the installation of the new charging station, is the sum of the probabilities that charging demand leaves the i-th existing charging station to new charging stations, whereby represents the percentage of existing charging demand remaining at existing charging stations.
- Represents the charging demand of the jth new charging station at time t denotes the charging demand model of the j-th new charging station as the sum of the charging amounts transferred from the existing charging stations to the j-th new charging station. Therefore, Equation 3 above represents the final charging demand of existing and new charging stations.
- the charging load concentrated on a small number of charging stations is distributed, and the objective function for this purpose is to minimize the charging load of the charging station having the highest charging load among all charging stations in the region. It can be expressed as in Equation 4 .
- N means the number of charging stations to be newly installed
- C1 means the number of grid cells in which no existing charging stations are installed.
- S c1 is a set of binary decision variables composed of 0 and 1, that is, the set consists of C1 elements, and each element has a value of 0 or 1. In other words, if any c1-th element in the set S c1 is 1, it means that a new charging station is installed in the c1-th grid cell, and if it is 0, it means that it is not installed. Therefore, if N is 10, it indicates that the number of newly installed charging stations in the corresponding area is 10.
- Equation 4 The optimization problem specified in Equation 4 above is non-differentiable and does not appear in the form of a complete equation, and is a mixed integer nonlinear programming method with binary decision variables. Therefore, a meta-heuristic technique is applied to find the global optimal solution.
- FIG. 5 is a diagram showing an optimization module for selecting the optimal location of a charging station based on the charging demand modeling module of the system for selecting the optimal location of an electric vehicle charging station according to the present invention.
- the present invention searches for an optimal solution of a corresponding optimization problem by linking genetic algorithm, one of meta-heuristic techniques, and minimax theory, one of game theory.
- a genetic algorithm is an algorithm that searches for a global optimal solution in an optimization problem, and has Darwin's theory of survival of the fittest as its basic concept. It is a representative technique of evolutionary calculation that imitates the evolution of living things. It goes through processes such as crossover, crossover, and mutation in the process of finding an optimal solution.
- the solution In order to apply the genetic algorithm to an optimization problem, the solution must be expressed in chromosomal form.
- the chromosome format is S c1 , which consists of binary variables.
- the minimax theory is a concept used in game and decision theory, and is a rule that minimizes possible losses in the worst case. Since the present invention ultimately aims to reduce the maximum charging load in the region through a new charging station, the worst-case possible loss in the optimization problem is defined as the maximum charging load in the region.
- the minimax theory there are two participants, Maximizer and Minimizer, and the two participants select the maximum and minimum values sequentially and alternately.
- the maximizer , and the Minimizer is defined as a genetic algorithm.
- the initial progeny set consists of a combination of chromosomes and is generated randomly.
- the length of the chromosome is C1 (the number of lattice cells not including the existing charging station). That is, each chromosome is S c1 , which is a set of decision variables, as described above.
- the binary variables of each chromosome are input into the charging demand module, and the charging demand of existing and new charging stations is derived.
- the maximizer selects the maximum value among the derived charging demand. Therefore, maximum values are derived as many as the number of chromosomes constituting the offspring set, and the genetic algorithm, which is a minimizer, selects the minimum value among the maximum values of the offspring set again. After selection, a new set of offspring is created through crossbreeding, crossover, and mutation based on the dominant gene (chromosomes with relatively small maximum filling demands among the set of offspring).
- the Maximizer and Minimizer alternately select the maximum and minimum values.
- the above-described process is repeated until the solution converges to the optimal solution.
- the genetic algorithm based on the minimax theory searches for an optimal solution in the direction of selecting a new charging station location to maximize the distribution of the charging load concentrated on a small number of charging stations.
- the method may be performed by a processor (or controller 120) of the device 100 of FIG. 1B.
- the method may be configured to include a first step (S110) of FIG. 2, a second step (S210-260) and a third step (S300) of FIG.
- the corresponding region may be gridded and classified based on geographic information and existing charging station information of the region.
- the second step ( S210 - 250 )
- an optimal location of the new charging station may be selected using an optimization technique in conjunction with a minimax technique and a genetic algorithm based on the modeling of the charging demand of the existing and new charging stations.
- the corresponding area can be gridded by using information on the target area and location information of existing charging stations in the target area as inputs, and the corresponding area can be classified according to whether the existing charging stations are included or not. there is.
- the target area and the corresponding area may be interpreted in the same meaning.
- the target region may be interpreted in a broader sense including the region.
- the charging demand of existing and new charging stations can be modeled by using the floating population of gridded grid cells and charging profile information of existing charging stations in the target area as inputs.
- the optimal location of the new charging station may be selected based on the optimization model by using the binary decision variable set of the lattice cell as an input.
- a probability density function for arrival demand may be estimated through a kernel density estimation technique based on EV arrival information for 24 hours at an existing charging station.
- the probability density function estimated in the second step (S220) may be converted into a discrete probability function to derive the arrival probability for each time.
- a linear coefficient is obtained using the Pearson Correlation Coefficient of the number of arrivals at the existing charging station and the charging amount.
- hourly charging demand may be estimated based on the derived probability of arrival by hour and the average number of arrivals of electric vehicles per day at each charging station (S240). Accordingly, the charging demand of the existing charging can be calculated.
- a nearest charging station may be searched for in each lattice cell without a charging station through a nearest neighbor search method.
- the new charging station may be installed by finding a point p closest to the query point q.
- p is a lattice cell without a charging station
- q is a lattice cell with a charging station installed.
- the sum of the floating population in the vicinity of the nearest charging station can be calculated under the assumption that the floating population of each grid cell without a charging station will visit the nearest charging station.
- the probability is calculated based on the first value, which is the sum of the floating population included in the grid cells calculated in the existing charging station before the new charging station is installed, and the second value, which is the sum of the floating population in the vicinity of the nearest charging station. can do.
- the changed demand of the existing charging station and the demand of the new charging station are determined based on the probability of a charging load moving from the existing charging station to the new charging station and the charging demand of the existing charging station before the new charging station is installed. can be estimated
- the optimal location of the new charging station is determined from the location of the nearest charging station by using an optimization technique in conjunction with a minimax technique and a genetic algorithm. can be fine-tuned.
- an objective function for minimizing the charging load of the charging station having the highest charging load among all charging stations in the corresponding area is minimax technique can be optimized through
- the installed number N of the new charging stations is can be determined by C1 is the number of lattice cells in which the existing charging station is not installed, and Sc1 is a set of binary decision variables consisting of 0 and 1 depending on whether the new charging station is installed.
- an initial progeny set may be generated by combining each chromosome based on each lattice cell not including the existing charging station.
- the binary variables of each chromosome may be input to the charging demand module to derive the charging demand of the existing charging station and the new charging station.
- the maximum values of the charging requirements may be derived as many as the number of chromosomes constituting the initial progeny set.
- the genetic algorithm may again select a minimum value from the maximum values of the initial set of progeny. Chromosomes with maximum filling demand below a threshold may be selected from the initial progeny set. Based on the selected chromosomes, a new progeny set may be generated through mating, crossover, and mutation.
- the maximizer and the minimizer may alternately select the maximum values and the minimum values based on the new descendant set.
- a minimum value among the maximum values of the new descendant set may be reselected to determine whether the reselected minimum value converges to the maximum charging demand below the threshold value.
- an optimal location of the new charging station may be selected using an optimization technique linked to the genetic algorithm.
- a new electric vehicle charging station location is selected through the proposed technique according to an embodiment of the present invention, it can contribute to solving the overload phenomenon of a specific distribution line by distributing the charging load concentrated on a small number of charging stations.
- the software code may be implemented as a software application written in any suitable programming language.
- the software code may be stored in a memory and executed by a controller or processor.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (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.
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.
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.
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; 및상기 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.
- 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.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2022-0000517 | 2022-01-03 | ||
KR20220000517 | 2022-01-03 | ||
KR1020220054709A KR102674216B1 (ko) | 2022-01-03 | 2022-05-03 | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 |
KR10-2022-0054709 | 2022-05-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023128735A1 true WO2023128735A1 (ko) | 2023-07-06 |
Family
ID=86999748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2023/000106 WO2023128735A1 (ko) | 2022-01-03 | 2023-01-03 | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2023128735A1 (ko) |
Citations (5)
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 |
KR20190051235A (ko) * | 2017-11-06 | 2019-05-15 | 제주대학교 산학협력단 | 유전 알고리즘에 기초한 전기 자동차 충전기 위치 선정 기법 |
KR20210034269A (ko) * | 2019-09-20 | 2021-03-30 | 주식회사 알고리고 | 전기차 충전소의 부하 분산 및 인공신경망을 이용한 신규 충전소의 설치 위치 추천 장치 |
-
2023
- 2023-01-03 WO PCT/KR2023/000106 patent/WO2023128735A1/ko unknown
Patent Citations (5)
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 |
KR20190051235A (ko) * | 2017-11-06 | 2019-05-15 | 제주대학교 산학협력단 | 유전 알고리즘에 기초한 전기 자동차 충전기 위치 선정 기법 |
KR20210034269A (ko) * | 2019-09-20 | 2021-03-30 | 주식회사 알고리고 | 전기차 충전소의 부하 분산 및 인공신경망을 이용한 신규 충전소의 설치 위치 추천 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
CN109271015B (zh) | 一种降低大规模分布式机器学习***能耗的方法 | |
WO2019216449A1 (ko) | 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치 | |
WO2009099283A2 (ko) | 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법 | |
WO2011040659A1 (ko) | 무선 센서 네트워크에서 소비 에너지와 서비스 품질을 고려한 데이터 송신 방법 | |
CN101299198B (zh) | 一种动态自适应的网格数据迁移方法 | |
CN110490429A (zh) | 基于ssa算法智能楼宇微电网家用负荷快速调度方法 | |
CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
CN111291921A (zh) | 一种基于改进人工蜂群算法的群控电梯调度优化方法 | |
CN108416500B (zh) | 一种基于pddl多星协同任务规划方法、设备及存储设备 | |
Vasant et al. | Optimal power allocation scheme for plug-in hybrid electric vehicles using swarm intelligence techniques | |
CN115438879A (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 | |
CN110610273A (zh) | 一种车机协同巡检方法 | |
CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和*** | |
WO2023128735A1 (ko) | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 | |
CN115269159A (zh) | 基于人工智能与边缘计算支持的调度***与方法 | |
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 | |
CN117539619A (zh) | 基于云边融合的算力调度方法、***、设备和存储介质 | |
CN114971428B (zh) | 一种基于多源工单数据的工程师繁忙预估方法及*** | |
WO2022045697A1 (ko) | 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 | |
KR102674216B1 (ko) | 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법 | |
WO2022092690A1 (ko) | 시공간 특성에 따른 긱 서비스 예측 시스템 및 그 방법 | |
CN112886589B (zh) | 基于社区挖掘的供电分区方法、***、终端、介质及配电网 | |
CN113642796B (zh) | 基于历史数据的动态共享电动自动驾驶车辆路径规划方法 | |
CN115361453A (zh) | 一种面向边缘服务网络的负载公平卸载与迁移方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23735167 Country of ref document: EP Kind code of ref document: A1 |