An LSTM Neural Network Model for Forecasting Daily Peak Electric Load of EV Charging Stations

EV 충전소의 일별 최대전력부하 예측을 위한 LSTM 신경망 모델

Abstract

As the electric vehicle (EV) market in South Korea grows, it is required to expand charging facilities to respond to rapidly increasing EV charging demand. In order to conduct a comprehensive facility planning, it is necessary to forecast future demand for electricity and systematically analyze the impact on the load capacity of facilities based on this. In this paper, we design and develop a Long Short-Term Memory (LSTM) neural network model that predicts the daily peak electric load at each charging station using the EV charging data of KEPCO. First, we obtain refined data through data preprocessing and outlier removal. Next, our model is trained by extracting daily features per charging station and constructing a training set. Finally, our model is verified through performance analysis using a test set for each charging station type, and the limitations of our model are discussed.

국내 전기차 (EV: Electric Vehicle) 시장이 성장함에 따라, 빠르게 증가하는 EV 충전 수요에 대응하기 위한 충전설비의 확충이 요구되고 있다. 이와 관련하여, 종합적인 설비 계획을 수립하기 위해서는 미래 시점의 충전 수요량을 예측하고 이를 바탕으로 전력설비 부하에 미치는 영향을 체계적으로 분석하는 것이 필요하다. 본 논문에서는 한국전력공사의 EV 충전 데이터를 이용하여 충전소 단위의 일별최대부하를 예측하는 LSTM(Long Short-Term Memory) 신경망 모델을 설계 및 개발한다. 이를 위해, 먼저 데이터 전처리 및 이상치 제거를 통해 정제된 데이터를 얻는다. 다음으로, 충전소 단위의 일별 특징들을 추출하여 훈련 데이터 집합을 구성하여 일별 최대 전력부하 예측 모델을 학습시킨다. 마지막으로 충전소 유형 별 테스트 집합을 이용한 성능 분석을 통해 예측 모델을 검증하고 이의 한계점을 논의한다.

1. 서론

전 세계적으로 확산되고 있는 친환경 정책에 따라 기존 내연기관 차량의 배출가스를 규제하고 이를 대체하기 위한 전기차(EV: Electric Vehicle) 산업의 저변이 확대되고 있다. 국내의 경우, 정부 및 지자체에서 전기차 구입 보조금을 지원하면서 EV가 꾸준히 보급되고 있으며, 2019년 기준으로 약 9만대가 등록되어 있다[1]. 또한, 정부의 친환경차 보급 로드맵에 따르면, 2025년까지 약 25만대의 EV를 보급해 산업수요에서 차지하는 비중을 14.4% 까지 향상시키는 것을 목표로 하고 있다. 이러한 EV 보급 계획에 따른 전력 수요를 충족하기 위해 EV 충 전설비 또한 전국적으로 확충되고 있으며, 현재 약 3천개 의 EV충전소에 8천개의 충전기가 운영되고 있다[2].

전력계통 측면에서는 그동안 EV 충전이 전력부하의 주요 요소로 고려되지 않았지만, 최근 이를 포함한 모델링을 통해 향후 배전망에 미치는 영향을 분석하는 것이 강조되고 있으며, 이를 통해 종합적이고 장기적인 설비 계획을 수립할 수 있다. 이와 관련하여, 본 논문에서는 EV 충전 데이터를 이용하여 충전소 단위의 일별 최대전 력부하(daily peak electric load)를 예측하기 위한 LSTM (Long Short-Term Memory[3]) 신경망 모델을 설계 및 개발한다. 사용한 데이터셋은 한국전력공사에서 제공된 약 2년 5개월 기간의 EV 충전 데이터이다.

본 논문의 구성은 다음과 같다. 2장에서는 최대전력부 하 예측 문제를 다룬 기존 연구들을 소개한다. 3장에서는 EV 충전 데이터의 전처리 및 정제 과정을 설명하고, 4장 에서는 최대전력부하 예측 문제를 정의하고 이를 해결하기 위한 LSTM 모델의 설계 내용을 설명한다. 5장에서는 부하예측 모델의 학습 결과 및 예측 성능을 검증하며, 마 지막으로 6장에서 결론을 맺는다.

2. 관련 연구

시계열 데이터 분석을 통해 건물전기수요[4], EV전력 수요[5], 계통한계가격[6] 등 전력 분야의 다양한 예측 문제를 해결하기 위한 연구들이 수행되었다. 본 논문에서 다루는 EV 충전소의 일별 최대전력부하 예측은 단기부 하예측(Short Term Load Forecasting) 문제로 분류되며 이와 관련된 연구는 다음과 같다.

Jain[7]은 인공신경망(Artificial Neural Network) 기법을 이용하여 단기전력부하를 예측하였다. 또한, 예측 성능을 향상시키기 위해 평균부하 및 최대부하를 이용하여 데이터 군집화를 수행한 뒤, 군집별 예측 모델을 생성하였다. 이와 유사하게 Dong et al.[8]은 합성곱 신경망 (Convolution Neural Network)과 K-평균 군집화 기반의 부 하예측 기법을 제안하였다. 두 연구는 공통적으로 전력 데이터의 군집화를 통해 부하예측의 정확성을 높이고자 하였다. 그러나, 본 논문에서는 주어진 EV 충전 데이터의 규모가 크지 않으므로 군집화를 적용하지 않았다.

최근에는 스마트 그리드로부터 방대한 전력 데이터가 수집됨에 따라, 대규모 시계열 처리 및 장기의존성 모델링에 장점을 가지는 딥러닝 기법을 단기부하 예측 문제에 적용하고 있다[9,11]. Ryu et al.[9]은 스택 형태로 구성한 복수의 RBM(Restricted Boltzmann Machine[10])을 이용하여 단기부하 예측을 수행하는 기법을 제안하였다. 또한, 성능 분석을 통하여 기존의 통계 기법(Holt-Winters[14], ARIMA[16])과 비교하여 높은 예측 성능을 보였다. Rahman et al.[11]은 시계열 모델링에 적합한 순환신경망 (RNN: Recurrent Neural Network) 기법을 적용한 전력부 하 예측 모델을 제안하였다.

본 논문에서는 RNN과 비교하여 기울기소실 문제와 장기의존성 모델링에 장점을 가지는 LSTM 모델을 이용하여 최대전력부하 예측 모델을 설계 및 개발한다.

3. EV 충전 데이터 전처리

본 논문에서 사용한 EV 충전 데이터셋은 총 13 종의 데이터 항목으로 구성되며, 2016년 1월 1일부터 2018년 5월 21일까지의 기간 동안에 수집된 총 445, 704건의 데이 터로 구성된다. 이로부터 특징 집합 추출에 필요한 분석 데이터셋을 얻기 위해 다음과 같은 전처리 및 정제 과정을 수행하였다.

(표 1) EV 충전 데이터셋 요약

(Table 1) Summary of the EV charging dataset

3.1 유효하지 않은 데이터 제거

원본 데이터의 전처리 과정에서 발견된 정합성 문제 유형은 다음과 같다.

• 데이터 타입 오류: 실수형 데이터인 충전기 최대용량 값에 단위 문자열(“kW”)이 포함된 경우(예: 7.7kW, 50kW).

• 결측치: 충전기 최대용량 값이 누락된 경우

• 유효하지 않은 값: 충전기 최대용량 0인 경우. 충전량 이 0 또는 비정상적으로 큰 값인 경우(예: 5, 146). 충전시간이 유효하지 않은 경우(예: -1:-3:-7).

위에서 정의한 정합성 문제에 해당되는 데이터는 정 제되거나 분석 데이터셋에서 제외하였다. 특히, 충전량의 경우, 0~5, 146 범위 내에서 분포하는데, 전기차 모델의 배터리 용량을 고려한 상한 값을 설정하는 것이 필요하다. 아래 그림 1은 전체 충전량의 누적 히스토그램을 나타내며, 이를 바탕으로 64.36kW를 상한 값으로 설정하였 다. 그 이유는 상한 값이 전체 데이터의 상위 99.95%에 해당되며, 2016~2018년에 출시되었던 대부분의 전기차 모델의 배터리 용량이 60kW 이하이기 때문이다(테슬라 모델 예외). 따라서, 충전량의 유효 범위는 0 < 충전량 < 64.36으로 설정하고, 범위 외의 데이터를 제거하였다.

(그림 1) 충전량의 누적 히스토그램

(Figure 1) Cumulative histogram of amount of charge

3.2 충전량/충전시간을 고려한 이상치 제거

정합성 및 유효성을 만족하는 데이터의 경우에도, 이상치가 다수 존재한다면 예측모델의 학습을 왜곡시키고 성능을 저해할 수 있다. 본 논문에서는 충전 시간에 대비 해 충전량이 비정상적으로 적거나 많은 경우를 이상치로 간주하고, 이를 판별하기 위한 최대 대비 실제 충전량 (OMC: observation/maximum amount of charge)을 다음과 같이 정의한다.

• x⁽ⁱ⁾: 데이터섹 내의 i번째 데이터

•x⁽ⁱ⁾_amt: 데이터 x⁽ⁱ⁾의 충전량

•x⁽ⁱ⁾_max: 데이터 x⁽ⁱ⁾의 충전기 최대용량

•x⁽ⁱ⁾_ct: 데이터 x⁽ⁱ⁾의 충전시간

\(x_{\text {omc }}^{(i)}=\frac{x_{a m t}^{(i)}}{x_{\max }^{(i)} \times x_{c t}^{(i)}}\)       (1)

아래 그림 2는 측정된 OMC 값의 산포도를 나타내며, 대부분의 데이터가 1.0 내외에서 분포하는 것을 알 수 있다. OMC 값은 최대로 가능한 충전량 대비 실제 충전량 의 비율이므로, 이론적으로는 1.0을 초과할 수 없다. 그러나, 충전기 최대용량(x⁽ⁱ⁾_max)은 표준규격이므로, 실제 충전 기 별로 충전속도가 미세하게 다를 수 있으므로, 이를 고 려하여 OMC 이상치를 판별하기 위한 기준이 필요하다.

(그림 2) 충전량/OMC 값

(Figure 2) Amount of charge/OMC values

사분범위(IQR: interquartile range)을 이용한 이상치 제거 방법[12]은 다수의 이상치가 분포한 데이터에 강건하므로, 이를 OMC 값의 이상치 판별에 적용한다. IQR은 상위 75%(Q3)과 상위 25%(Q1) 값의 차이를 나타낸다.

\(I Q R=Q 3-Q 1\)       (2)

위의 IQR 개념을 적용하여 이상치는 Q1과 Q3를 기준으로 1.5IQR 만큼 값이 작거나 큰 경우로 정의된다. 즉, 이상치 여부를 결정하는 상한(upper fence, f₃)과 하한 (lower fence, f₁)는 다음과 같이 정의된다.

\(f_{3}=Q 3+1.5 I Q R\)       (3)

\(f_{1}=Q 1-1.5 I Q R\)       (4)

(그림 3) IQR 기반 이상치 정의

(Figure 3) Defnition of IQR-based outliers

위에서 정의된 이상치 상한(f₃)에 따라, f3 ≤ x⁽ⁱ⁾_omc 인 경우, 이상치로 판단한다. 반면에 이상치 하한(f₁)의 경우, 수식 1에 따르면, x⁽ⁱ⁾_omc가 항상 양의 실수이므로 f₁과 관계 없이 x⁽ⁱ⁾_omc ≤ 0 인 경우 이상치로 판단한다. 결론적으로, 0 < x⁽ⁱ⁾_omc < f₃범위 내의 데이터는 정상 데이터이며, 그 외의 데이터는 이상치로서 제거하였다. 그 결과, 총 399, 390건의 정제된 데이터(원본 데이터 대비 89.6%)를 얻었으며 이로부터 예측 모델의 특징 집합을 추출한다.

(그림 4) 이상치를 제거한 정제된 데이터

(Figure 4) Refined data without the outliers

4. EV 부하예측모델 설계

EV 충전소에는 일반적으로 다수의 충전기가 설치되어 운영되고 있다. 이러한 EV 충전소의 충전 패턴은 충전소의 용도 및 지역별 특성에 따라 상이하기 때문에 이를 고려한 예측 모델 설계가 필요하다. 본 장에서는 최대 전력부하 예측 문제를 정의하고, 이를 해결하기 위한 LSTM 기반 예측 모델의 설계 내용을 설명한다.

4.1 최대전력부하 예측 문제

최대전력부하는 지정된 기간 내에서 발생한 전력부하 의 최대값이며, 본 논문에서 다루는 예측 대상은 EV 충 전소의 일별 최대전력부하이다. 충전소의 부하는 충전소 에 설치된 충전기들의 충전부하 총합으로 정의할 수 있으며, 일별 최대전력부하는 일일 동안 측정된 충전소 부하 중 가장 큰 값이다. 이의 예측을 통해 EV 충전이 배전망에 미치는 영향을 분석할 수 있으며, 더 나아가 EV 충전부하를 고려한 배전설비 확충계획 수립에 유용한 정보를 제공할 수 있다.

(그림 5) 일별 최대전력부하의 개념

(Figure 5) Concept of daily peak electric loads

4.2 특징 설계 및 추출

목적 변수인 충전소의 일별 최대전력부하는 개별 충 전기의 부하로부터 계산된다. 본 논문에서는 충전기부하계산의 복잡도와 측정의 정밀성 사이의 절충(trade-off)을 고려하여 시간 별 부하를 측정하였다.

• x^(k,i): 특정 충전기 c^(k)의 i번째 충전 데이터

• x^{(k, i)}_amt : 데이터 x^(k,i)의 충전량

•x^(k,i)_ct:데이터 x^(k,i)의 충전시간

•x^(k,i)_st: 데이터 x^(k,i)의 충전 시작시간(시간 단위)

•x^(k,i)_et: 데이터 x^(k,i)의 충전 종료시간(시간 단위)

위의 정의를 토대로 특정 시간 구간(x^(k,i)_st ~ x^(k,i)_et) 동안의 충전기 c^(k)의 부하 c^(k)_load는 다음과 같이 정의된다.

\(c_{l o a d}^{(k)}\left(x_{s t}^{(k, i)}, x_{e t}^{(k, i)}\right)=\frac{x_{a m t}^{(k, i)}}{x_{c t}^{(k, i)}}\)       (5)

예를 들어 ‘2016-01-01 17:20:00’~‘2016-01-01 18:50:00’ 사이에 발생한 충전기 c(k)의 충전량(x^(k,i)_amt)이 30kW, 충전시간(x^(k,i)_ct)이 1.5시간, 그리고 충전 시작시간(x^(k,i)_st) 및 종료시간(x^(k,i)_et)이 각각 '2016-01-01 17:00:00'와 '2016-01-01 18:00:00'일 때, 해당 시간 구간의 충전기 부하(c^(k)_load)는 30kW/1.5시간 = 20kWh로 계산된다. 이렇게 시간 별로 측정된 충전기들의 부하 총합이 충전소의 부하가 되며, 일 일 중에 가장 큰 값을 일별 최대전략부하로 계산한다. 아래 그림 6은 제주 본부의 종합경기장 충전소의 일별 최대전력부하를 나타낸다. 측정된 최대값, 중위값 그리고 최소값은 각각 200.31, 131.69, 32.72kWh 이다.

(그림 6) 샘플 충전소의 일별 최대전력부하

(Figure 6) Daily peak electric loads of the sample station

모든 충전소의 일별 최대전력부하를 예측할 수 있는 단일 예측 모델을 생성하기 위해 다음과 같은 특징 집합 을 설계하였다.

• 충전소 ID: 충전소 고유의 충전 패턴을 학습하기 위한 특징이며, one-hot 인코딩을 통해 이진 벡터로 표현됨.

• 요일: 요일 별 상이한 충전 패턴을 학습하기 위한 특 징이며, ont-hot 인코딩을 통해 이진 벡터로 표현됨.

• 일별 완속 충전 횟수: 1일 동안의 완속 충전 횟수 총합

• 일별 급속 충전 횟수: 1일 동안의 급속 충전 횟수 총합

• 일별 완속 충전량: 1일 동안의 완속 충전량 총합

• 일별 급속 충전량: 1일 동안의 급속 충전량 총합

4.3 LSTM 신경망 모델 설계

본 논문에서는 비즈니스 프로세스[13] 및 헬스케어 [14] 분야 등 다양한 시계열 예측에 사용되는 LSTM 신경망 모델[3]을 기반으로 일별 최대전력부하 예측모델을 설계한다. LSTM은 많은 기계학습 모델들이 가지고 있는 기울기 소실 문제(gradient vanishing problem)와 데이터 장 기 의존성(long-term dependency) 모델링 문제에서 상대적으로 좋은 성능을 보인다. LSTM 신경망을 구성하는 각각의 셀은 다음과 같은 게이트들로 구성된다.

• 망각 게이트(forget gate): LSTM 셀 상태에서 어떤 정보를 버릴지 결정

• 입력 게이트(input gate): LSTM 셀 상태에 어떤 정보가 추가될지 결정

• 출력 게이트(output gate): 출력될 정보를 선택

위와 같이, LSTM 셀에 포함된 게이트들은 정보를 선택적으로 허용 및 차단하기 위한 장치이며, 입력 벡터, 이전 셀의 출력 값(예: h_t-1), 활성화 함수(sigmoid, hyperbolic tangent), 그리고 단순 연산(덧셈, 곱셈)으로 구성되어 있다[15].

(그림 7) LSTM 셀 구조 (Figure 7)

The structure of an LSTM cell

LSTM 모델의 초매개변수(hyperparameter) 값은 다음 표 2와 같이 설정하였다. 예비 실험의 결과를 통해 히든 레이어 및 노드 수를 각각 3과 150으로 설정하였다. 이는 변수 값을 증가시켜도 예측 성능에 미치는 영향이 적었기 때문이며, 학습율과 학습 횟수 또한 모델의 오버슈팅 (overshooting)과 과적합(overfitting)을 최소화하기 위해 각각 0.001과 1~600으로 설정하였다.

(표 2) LSTM 모델의 하이퍼 파라미터 설정

(Table 2) Hyperparameters setting of the LSTM model

시퀀스 길이의 경우, 모델 학습의 계산 복잡성에 대한 제약과 주간 주기성(weekly seasonality)을 고려하여 7로 설정하였다. 즉, 과거 7일 동안의 특징 값을 LSTM에서 처리하여 다음날의 최대전력부하를 예측한다.

(그림 8) 입력 시퀀스 처리 과정

(Figure 8) Procedure of the input sequence processing

5. 실험 및 분석

본 장에서는 일별 최대전력부하 예측을 위한 LSTM 모델의 학습 결과와 예측 정확성을 검증하기 위한 성능 평가 결과에 대해 설명한다.

5.1 LSTM 모델 학습

LSTM 예측 모델의 학습 및 성능 측정을 위한 실험 환 경을 다음 표 3과 같이 구성하였다.

(표 3) 실험환경 구성

(Table 3) Experimental setup

다음 그림 9는 학습 횟수(epoch)에 따라 측정한 모델 학습 결과를 나타낸다. 학습 횟수 1회와 100회의 경우과 소적합(underfitting)인 반면에 600회의 경우 모델 적합도 가 높은 수준으로 학습되었다. 그러나, 학습 결과에서 다수의 과소적합된 데이터가 발견되며, 이에 대한 주요 원인은 EV 데이터에 포함된 다수의 결측치로 추정된다. 그러므로, 향후 EV 데이터의 효과적인 결측치 보정을 통해 모델 적합도 및 예측 성능의 향상을 기대할 수 있다.

5.2 성능 평가

학습된 LSTM 모델의 예측 성능을 검증하기 위해서 다음과 같이 시계열 예측 문제에 널리 적용되는 통계적 기법들을 비교군으로 선택하였다.

• 지수평활법(exponential smoothing[16], 이하 ES): 과거의 모든 시계열 자료를 사용하여 선형 예측하는 방법으로서, 최근 시계열 자료에 높은 가중치를 부여한다.

• SARIMA(Seasonal Auto Regressive Integrated Moving Average[17]): 계절성의 특성을 가지는 시계열 예측에 많이 사용되는 기법으로서 자기회귀(auto regression), 차분(differencing), 오차에 대한 자기회귀, 그리고 계절 주기를 모델링하는 요소들로 구성된다.

• TBATS[18]: 다중계절성(multiple seasonality) 모델링이 가능하며 SARIMA 모델과 비교하여 일반적으로 장기적 시계열 예측에서 더 좋은 성능을 보인다.

위의 세 가지 모델과 예측 성능을 비교하기 위하여 평 균절대오차(MAE: Mean Absolute Error)를 적용하여 각 모델의 예측오차를 측정하였다.

• n: 샘플 충전소의 데이터 수

• y_i: i번째 일별 최대전력부하 관측 값

• \(\hat{y_i}\): i번째 일별 최대전력부하 예측 값

\(M A E=\frac{1}{n} \sum_{i=1}^{n}\left|y_{i}-\hat{y}_{i}\right|\)       (6)

(그림 9) 예측 모델의 학습 결과와 관측/예측 값 간의 상관도

(Figure 9) The result of the prediction model training and correlations between actual/predicted values

추가적으로 EV 충전 데이터에 포함된 다수의 결측치들을 고려하여, 실험 데이터셋에는 결측치 비율이 10% 미만의 충전소 데이터들을 사용하였으며, 데이터 빈도에 따라서 총 4개의 충전소 그룹으로 분류하였다.

(표 4) 데이터 빈도에 따른 충전소 분류

(Table 4) Classification of the station by data frequency

다음 표 5는 테스트 데이터를 이용하여 충전소 그룹별로 측정한 모델들의 예측 오차를 나타낸다. 총 4개의 그룹 중에서 3개의 충전소 그룹에 대해서 LSTM 모델이 가장 낮은 예측오차를 보였으며, 그 다음으로 TBATS, SARIMA 그리고 ES 모델 순으로 예측 성능을 보였다. 최상위 빈도의 충전소 그룹(501~)의 경우 높은 빈도에 비해 충전소 수가 3개이므로 LSTM 학습에 필요한 훈련 데이터셋이 충분하지 않았기 때문에 낮은 성능을 보인 것으로 판단된다.

(표 5) 충전소 그룹 별 MAE

(Table 5) MAE over all the station groups

본 실험의 한계점으로서, EV 충전 데이터에 포함된 결측치의 보정 과정을 고려하지 않았고, 일별 예측 문제임을 고려할 때 주어진 훈련 데이터셋의 크기가 충분하지 않은 것으로 판단된다. 결과적으로 모델의 예측성능이 비교 그룹 대비 높았으나, 실용적인 측면에서 성능을 개선하기 위한 후속 연구가 필요하다.

6. 결론

본 논문에서는 증가하는 EV 충전 수요에 대비하기 위해 충전소 단위의 일별 최대전력부하 예측을 위한 LSTM 모델을 설계 및 개발했다. 모델의 학습을 위해 충전소별, 요일 별, 그리고 완속/급속 충전 패턴을 고려한 특징 집합을 설계 및 적용하였다. 또한, 제안한 모델의 성능을 검증하기 위하여 기존의 시계열 예측 모델(지수평활법, SARIMA 그리고 TBATS)을 이용하여 성능평가를 실시하였으며, 그 결과 총 4개의 경우 중 3개의 경우에서 가장 높은 예측 성능을 보였다. 향후 연구로서, 예측 모델의 성능을 개선하기 위해 EV 데이터 특성을 고려한 보정 기 법을 연구하고자 한다.