산업 현장 라이트 트럭 전동화를 위한 의사결정 의존형 강건 충전 인프라 계획

초록

본 논문은 산업 현장의 디젤 라이트 트럭을 전기차로 전환하기 위해, 충전기 종류·위치를 동시에 최적화하고 트럭별 충전 스케줄을 결정하는 혼합정수선형프로그램(MILP) 기반 모델을 제시한다. 주차 시간의 불확실성을 머신러닝 기반 클러스터링으로 특징화하고, 충전 선택에 따라 변하는 의사결정 의존형 강건 불확실성 집합을 도입해 두 가지 RO‑DDU 형태로 해결한다. 실제 광산 현장 사례에서 0.1% 이하의 최적성 차이로 실용성을 입증하였다.

상세 분석

이 연구는 라이트‑듀티 트럭의 전동화를 목표로, 충전 인프라 설치와 운영 스케줄링을 하나의 통합 최적화 문제로 정의한다. 모델은 다중 충전기 유형(레벨 1·2와 급속 충전)을 고려한 MILP 형태이며, 트럭이 특정 구역에 도착했을 때 ‘대기·충전·포기’ 중 하나를 선택하도록 하는 스케줄링‑위드‑어보던스(scheduling‑with‑abandonment) 제약을 포함한다. 특히, 대기 시간이 사전 정의된 임계값을 초과하면 트럭이 충전을 포기하도록 함으로써 산업 현장의 엄격한 작업 일정과 운전자의 범위 불안(range anxiety)을 정량화한다.

주차 시간의 확률적 변동성을 모델링하기 위해, 저자들은 GPS·시간·위치 등 10여 개의 컨텍스트 특징을 입력으로 사용해 머신러닝(클러스터링·분류)으로 트럭을 여러 그룹으로 나눈다. 각 클러스터별로 평균·표준편차를 추정하고, 이를 기반으로 ‘특징‑구동 강건 불확실성 집합’을 구성한다. 핵심은 이 집합이 충전 결정(예: 어느 유형의 충전기를 사용할지)에 따라 동적으로 변한다는 점이다. 즉, 의사결정 변수와 불확실성 변수 사이에 의존관계가 존재하므로 전통적인 강건 최적화가 아닌 Decision‑Dependent Robust Optimization (RO‑DDU) 프레임워크를 적용한다.

저자들은 두 가지 의사결정 의존형 불확실성 모델을 제시한다. 첫 번째는 순간적인 충전 선택이 해당 트럭의 주차·충전 지속시간에 직접 영향을 주는 ‘즉시‑의존형’ 모델이며, 두 번째는 클러스터 수준에서 기대 충전 비율이 주차 시간 분포를 조정하는 ‘클러스터‑기대‑의존형’ 모델이다. 각각에 대해 빅‑M 기법과 이중화(dual) 변환을 이용해 MILP 형태로 재구성하고, 해석적 강건 한계와 계산 복잡도를 비교한다.

계산 측면에서는 전체 연간 데이터를 한 번에 풀면 규모가 커져 해결이 어려우므로, 저자들은 (1) 대표 일자를 선택해 단일‑일 모델을 풀고, (2) ‘고정‑최적화(fix‑and‑optimize)’ 휴리스틱을 적용해 롤링 호라이즌 방식으로 연속적인 일일 문제를 순차적으로 해결한다. 이러한 접근법은 최적성 격차를 0.1% 이하로 유지하면서도 실행 시간은 수십 초 수준으로 단축한다.

사례 연구는 200대 트럭이 운영되는 개방형 광산 현장을 대상으로, 8개의 충전 구역에 레벨 2와 급속 충전기를 배치한다. 결과는 (i) 급속 충전기 설치 수는 전체 비용 대비 효율이 낮지만 피크 시간대 대기 감소에 크게 기여, (ii) 의사결정 의존형 불확실성 집합을 적용했을 때 과잉 설치를 방지하고 투자 대비 기대 수익률이 12% 향상됨을 보여준다. 또한, 포기율이 5% 이하로 억제되면서 운전자의 범위 불안도 크게 감소한다.

이 논문은 (1) 충전 인프라와 운영 스케줄을 동시에 최적화하는 통합 모델을 제시, (2) 머신러닝 기반 특징‑구동 강건 불확실성 집합을 도입해 의사결정 의존성을 정량화, (3) 두 가지 RO‑DDU 변형을 비교 분석함으로써 실제 산업 현장에서 적용 가능한 계산 효율성을 확보했다는 점에서 학술적·실무적 의의를 가진다.