동적 충전 요청과 시간변화 도로망을 고려한 전기차 최적 충전 안내 전략

본 논문은 전기차(EV)의 급증과 제한된 주행 거리로 인해 발생하는 ‘충전 요청’ 문제를, 시간에 따라 변동하는 도로 교통 상황과 결합하여 다루는 새로운 모델을 제시한다. 연구는 크게 네 부분으로 구성된다. 첫 번째 부분에서는 기존 연구들을 검토한다. 기존의 EV 경로 최적화 연구는 주로 정적 네트워크를 전제로 하여, 충전소 위치 선정, 충전 비용, 대기 시간 등을 고려했지만, 실시간 교통 변동이나 동적 충전 요청을 충분히 반영하지 못했다는 점을 지적한다. 특히, Hung & Michailidis(2015)의 큐잉 기반 동적 전략은 시간변화 도로 특성을 무시하고, 일정 속도와 에너지 소비를 가정했다는 한계가 있다. 두 번째 부분에서는 문제 정의와 수학적 모델링을 제시한다. 도로망은 시간 슬롯 t∈{1,…,T} 로 이산화하고, 각 링크 a∈A에 대해 시간 t에서의 주행 시간 τₐ(t)와 에너지 소비 Eₐ(t) 를 정의한다. 이 값들은 실제 교통 흐름에 따라 일정 구간 내에서 무작위로 변한다. 노드 집합 V는 일반 노드와 충전소 노드로 구분되며, 충전 요청은 일반 노드에서만 발생한다. 각 요청 i는 목적지 t_i^d와 남은 에너지 t_i^e 를 포함한다. 세 번째 부분에서는 두 가지 충전 안내 전략을 설계한다. 1) **주행 거리 최소화 전략**: 각 요청에 대해 도달 가능한 충전소 집합 S_i 를 구하고, 해당 충전소까지의 최단 거리(시간 가중치 τₐ(t) 기반)를 계산한다. 목표는 Σ_i d(i, s_i) 를 최소화하는 것이며, 이는 시간변화 네트워크 상에서 동적 최단 경로 문제로 변환된다. 제약식은 남은 에너지 t_i^e 가 경로상의 총 에너지 소비를 초과하지 않도록 설정한다. 2) **차량 수 최소화 전략**: 충전소별 현재 대기 차량 수와 예상 도착 차량 흐름을 동적 재귀 방정식으로 모델링한다. 각 충전소 j에 대해 예상 차량 수 N_j(t) 를 계산하고, N_j(t) 가 최소인 충전소를 선택한다. 여기서는 충전소 용량, 현재 대기열, 그리고 요청 i가 해당 충전소에 도달할 가능성을 모두 고려한다. 두 전략 모두 ‘도달 가능성 보장’이라는 핵심 제약을 갖는다. 이는 선택된 충전소까지의 에너지 소비가 요청 i의 남은 에너지 t_i^e 이하가 되도록 하는 제약식으로 구현된다. 또한, 시간 슬롯이 바뀔 때마다 네트워크 가중치가 업데이트되므로, 실시간 재계산이 필요하지만, 논문은 동적 프로그래밍 기반의 효율적인 알고리즘을 제시해 계산 복잡도를 O(|V|·|A|·T) 수준으로 유지한다. 네 번째 부분에서는 시뮬레이션 실험을 통해 두 전략의 성능을 평가한다. 실험 환경은 가상의 도시 도로망(노드 200개, 충전소 20개)이며, 시간 슬롯 길이는 5분으로 설정하였다. 파라미터 변동은 다음과 같다: (1) 충전 요청 발생 빈도(저·중·고), (2) 교통 변동 폭(±10%, ±30%), (3) 충전소 용량(소·중·대), (4) 배터리 용량(소·중·대), (5) 시간 슬롯 길이(1분·5분·10분). 주요 평가 지표는 평균 주행 거리, 평균 대기 시간, 충전소 이용률, 그리고 충전소 포화율이다. 결과는 다음과 같다. - 주행 거리 최소화 전략은 전체 평균 주행 거리를 12~18% 감소시켰으며, 특히 교통 변동이 큰 경우에도 도달 가능성을 100% 유지했다. - 차량 수 최소화 전략은 평균 대기 시간을 20~35% 감소시켰고, 충전소 포화율을 15% 이하로 낮추어 서비스 만족도를 크게 향상시켰다. - 두 전략 모두 요청 발생 빈도가 높을수록 성능 차이가 확대되었으며, 교통 변동 폭이 클수록 차량 수 최소화 전략의 이점이 두드러졌다. 논문의 기여는 크게 세 가지이다. 첫째, 동적 충전 요청과 시간변화 도로망을 동시에 고려한 새로운 문제 정의와 동적 재귀 방정식 모델을 제시하였다. 둘째, 운전자 관점(주행 거리)과 운영자 관점(차량 수) 두 가지 목표에 기반한 두 개의 최적 충전 안내 전략을 설계하고, 각각의 도달 가능성을 보장하였다. 셋째, 다양한 시뮬레이션 시나리오를 통해 전략별 장단점을 정량적으로 분석하고, 실제 적용 시나리오(운전자 편의 우선 vs 충전소 효율 우선)에 대한 구체적인 권고안을 제시하였다. 마지막으로, 연구의 한계와 향후 과제도 논의한다. 현재 모델은 충전 비용, 충전 속도, 배터리 열 관리 등 물리적 제약을 단순화했으며, 대규모 도시 전체 네트워크에 대한 확장성 검증이 부족하다. 향후 연구에서는 다목적 최적화(시간·거리·비용·에너지)를 통합하고, 강화학습 기반 실시간 정책 학습을 도입해 복합적인 상황에 대응할 수 있는 프레임워크를 구축할 필요가 있다.