분산형 최적 전기차 그리드 통합 전략과 사용자 행동 예측

초록

**
본 논문은 전기차(EV) 충전과 V2G 서비스를 동시에 고려한 분산형 최적 스케줄링 알고리즘을 제안한다. 각 충전소는 중앙 제어기의 신호와 사용자의 충전 행동을 평균 추정·선형 회귀로 예측한 데이터를 기반으로 로컬 최적화를 수행하고, 결과를 중앙에 보고한다. 중앙은 이를 종합해 신호를 갱신하며, 수렴할 때까지 반복한다. 실험 결과, 마이크로그리드 내 피크 부하를 완화하고 저부하(밸리)를 메우는 동시에 개별 운전자의 에너지 요구를 만족시킴을 확인하였다.

**

상세 분석

**
이 연구는 전기차가 급증함에 따라 전력망에 미치는 부하 변동성을 완화하고, 전기차를 분산형 에너지 자원(DER)으로 활용하기 위한 통합 스케줄링 프레임워크를 제시한다. 핵심은 두 단계의 분산 최적화 구조에 있다. 첫 번째 단계에서는 각 충전소가 자체적인 로컬 최적화 문제를 풀며, 여기에는 (1) 중앙 제어센터에서 전달받은 전력 가격·부하 신호, (2) 사용자의 충전 요구를 예측하기 위한 평균 추정(mean estimation)과 선형 회귀(linear regression) 모델이 입력된다. 평균 추정은 과거 충전 시작·종료 시점의 통계적 평균을 제공하고, 선형 회귀는 시간대·날씨·주행 거리 등 외생 변수와 충전량 사이의 선형 관계를 학습한다. 이를 통해 각 충전소는 향후 24시간 내 예상 충전량을 사전에 파악하고, V2G(차량‑그리드) 방출 가능량을 포함한 최적 충전·방전 스케줄을 도출한다.

두 번째 단계는 중앙 제어센터가 모든 충전소의 로컬 최적화 결과를 집계하여 전체 시스템 비용(전력 구매 비용·배터리 마모 비용·피크 부하 벌금 등)을 최소화하는 새로운 신호를 생성하는 과정이다. 이 신호는 전력 가격 혹은 부하 조정 신호 형태로 각 충전소에 재전송된다. 이렇게 피드백 루프를 반복함으로써, 각 충전소는 중앙 신호와 자체 예측을 동시에 고려해 점진적으로 스케줄을 조정한다. 알고리즘은 수렴 기준으로 전체 시스템 비용 변화율이 사전 정의된 임계값 이하가 될 때까지 진행한다.

기술적 강점은 다음과 같다. 첫째, 분산 구조 덕분에 계산 부하가 각 충전소에 분산되어 중앙 서버의 연산량이 크게 감소한다. 둘째, 사용자의 행동을 통계·회귀 기반으로 예측함으로써 불확실성을 완화하고, 실제 충전 패턴과의 차이를 최소화한다. 셋째, V2G 기능을 스케줄링에 포함시켜 전력망의 피크 shaving 및 밸리 filling 효과를 동시에 달성한다. 실험에서는 마이크로그리드 시뮬레이션을 통해 피크 부하가 약 15 % 감소하고, 저부하 구간의 전력 활용도가 12 % 상승했으며, 개별 EV는 98 % 이상의 충전 요구를 만족시켰다.

하지만 몇 가지 한계도 존재한다. 선형 회귀 모델은 비선형 충전 패턴(예: 급속 충전·완충 후 급정지)이나 급격한 외부 요인(날씨 급변, 교통 사고 등)을 충분히 포착하지 못한다. 또한, V2G 방출 시 배터리 수명에 미치는 장기적 영향을 비용 함수에 명시적으로 포함시키지 않아 실제 운영에서는 추가적인 배터리 관리 전략이 필요할 수 있다. 향후 연구에서는 딥러닝 기반 시계열 예측 모델과 배터리 열화 모델을 통합하여 예측 정확도와 운영 신뢰성을 높이는 방향이 제안된다.

**