사용자 EV 충전데이터를 이용한 기계학습 기반의 V2G 충전 스케줄러

Abstract

현대사회에서 자동차는 생활에 필수 요소로 자리 잡았다. 그러나 자동차의 확대보급과 산업발달에 따른 대기오염의 심화는 전 세계적인 문제로 떠올랐다. 이를 해결하기 위해 오늘날 운행 중 대기오염물질을 배출하지 않는 전기자동차(Electronic Vehicle, EV)로의 전환이 적극적으로 이루어지고 있으며, 신재생에너지 중 보급된 EV의 배터리를 집약하여 하나의 발전소로 활용하는 V2G(Vehicle-to-grid) 기술 개발에 관심이 집중되고 있다. 그 중 V2G 충전에 다양한 연구가 이루어지고 있으나, 국내에서 발표된 기존의 V2G 충전방법은 전력공급 효율화에 초점을 맞추고 있어 종종 EV의 충분한 이동 거리를 확보하지 못하는 문제점이 있다. 이를 해결하기 위해 본 논문에서는 기계학습을 이용한 V2G 충전 스케줄러를 제안한다. 제안 V2G 충전 스케줄러의 개발을 위해 기계학습에 필요한 사용자 EV 충전 데이터를 확보하고, 적합한 기계학습 알고리즘을 선정하였다. 선정한 기계학습 알고리즘을 이용하여 단순 충전방식인 Before-Discharging, After- Charging(BDAC), 예측 충전용량 반복 방식인 Capacity-Repeat, Charging- Discharging(CRCD), 예측 충전시간 반복 방식인 Time-Repeat, Charging- Discharging(TRCD)의 3종류의 스케줄러를 개발하였다. 세 스케줄러 모두 EV와 충전소의 연결시간을 기계학습을 통해 예측한 데이터를 기반으로 동작한다. 이때 기계학습에는 EV 사용자의 충전 데이터를 사용한다. BDAC는 1차 충전 이후 남은 예측 연결시간의 100분의 50 동안 전력을 역송하는 방전을 수행하고, 나머지 시간을 재충전하는 스케줄러이다. CRCD는 1차 충전 이후 남은 예측 연결시간 동안 EV의 충전용량을 예측하여 그 용량만큼 방전과 충전을 반복하는 스케줄러이다. 마지막으로 BDAC는 1차 충전 이후 남은 예측 연결시간 동안 EV의 충전시각을 예측하여 그 시각만큼 방전과 충전을 반복하는 스케줄러로 구현하였다. 제안 V2G 스케줄러의 성능평가를 위해 기존 개발된 V2G 스케줄러를 시뮬레이션 모델링하여 평균 충전량(SoC)과 전력공급량을 비교하였다. 그 결과 SoC가 기존 대비 최대 20% 향상되었고, Worst-Case에서 제안 V2G 스케줄러가 기존보다 5배 많은 SoC를 기록하였다. 이것은 기온과 전력망 상태 등 외부 요건에 의존하는 기존보다 EV 사용자의 데이터를 활용하는 제안 V2G 스케줄러가 충전 SoC 측면에서 개선된 것을 입증하였다. 전력공급량 평가에서도 기존에 비해 일정한 전력량을 제공함으로써 안정적인 전력원으로써 효용성을 보여주었다. 이 실험을 통해 제안 V2G 충전 스케줄러가 EV의 이동 거리 확보에서 개선된 측면과 신재생에너지 발전원으로써의 실용성을 입증하였다.; Today, The car is essential element for human life. But Air pollution by expanding and distributing cars and industrial development has become a serious problem. To solve this problem, the transition from internal combustion engine cars to electric vehicles that do not emit air pollutants is being actively carried out, and Attention is focusing on V2G technology, which uses EV's batteries as a single power plant among renewable energy sources. Among them, various studies are being conducted on how to charge V2G, but the existing V2G charging methods announced in Korea often do not have enough travel distance for EVs. To solve this, V2G charging scheduler using mechanical learning is proposed in this paper. In order to develop the proposed V2G charging scheduler, we collected user EV charging data needed for machine learning and selected appropriate machine learning algorithms through comparative experiments. Based on the selected machine learning algorithm, three schedulers were developed: simple BDAC(Before-Discharging, After-Charging), CRCD(Capacity-Repeat, Charging-Discharging) with predicted charging capacity repetition, and TRCD(Time-Repeat, Charging-Discharging) with predicted charging time repetition. The BDAC is a scheduler that performs a discharge that backfeed for half of the predicted connection time remaining after the primary charge, and the other half that executes recharging. CRCD is a scheduler that predicts the EV's charging capacity during the predicted connection time remaining after the first charge and repeats charge and discharge by that size. Finally, TRCD is a scheduler that predicts the charging time of the EV for the remaining predicted connection time after the first charge and repeats charging and discharging for that time. Performance evaluation was performed through simulation modeling of existing scheduler and proposed V2G charging scheduler. The items were evaluated for average charge (SoC) and power supply measure. As a result, the average SoC improved by up to 20% over then the existing scheduler, and in the worst case scenario, it recorded 5 times more SoC charge than the pre-scheduler. Also the power supply measurement assessment showed that the deviation in the supply volume was lower than the pre-scheduler, enabling stable power supply. Through this experiment, the proposed V2G charging scheduler demonstrated improved aspects in travel distance for EV and practicality as a renewable energy source.