김치연
(Chi-Yeon Kim)
1iD
김채린
(Chae-Rin Kim)
1iD
조수환
(Soo-Hwan Cho)
†iD
-
(Dept. of Electrical Engineering, Sangmyung University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Electric Vehicle(EV), EV charging demand forecast, Monte Carlo Simulation, Power demand pattern change, Peak load time change
1. 서 론
2015년 파리기후 협약이 채택됨에 따라 세계적으로 온실가스 감축에 대한 관심이 높아지고 있다. 많은 국가들은 2050년까지 최대 95%의 온실가스
감축 목표를 수립했으며, 우리나라는 2030년까지 BAU 대비 온실가스 37% 감축 목표를 선언하였다(1,2). 온실가스 감축 목표 달성을 위해 이산화탄소 방출의 13.6%를 차지하는 수송부분 세계자동차시장의 패러다임은 기존 내연기관 자동차에서 전기자동차(EV,
Electric Vehicle)로 변화하고 있다. 이에 따라 2017년 중국에서 약 123만대, 미국에서 약 76만대의 EV가 판매되었고, 전 세계적으로
약 310만대가 판매되면서 전년대비 56%가 증가하였으며, 우리나라의 경우 EV 구매 보조금 지원, 세제 해택 등의 국가적 지원 제공을 통해 2030년까지
EV 누적 보급 300만 대를 목표로 정책을 추진하고 있다(3,4).
이러한 EV는 전력계통에 접속하여 전력을 공급받는 새로운 부하형태로 인식되며, EV가 대중화됨에 따라 EV의 충전수요로 인해 최대부하가 증가한다면
안정적인 전력수급을 위해 추가적으로 전력을 생산해야 하고, 경우에 따라 송배전 설비의 증설이 요구되는 등 상당한 비용이 소요될 수 있다. 우리나라에서는
최대부하 시간대에 EV 충전수요가 집중되는 현상을 방지하기 위해 EV의 충전요금을 경부하, 중간부하, 최대부하 시간대에 따라 상이하게 설정하는 ToU(Time-of-Use)
요금제를 적용하고 있다(5). 실제로 EV 사용자의 충전패턴을 살펴보면 전체의 73.3%는 중간부하 시간대에 충전을 수행하고, 특히 귀가 후인 18~23시 사이에 약 58.3%의
EV가 충전을 수행한다. 경부하(23~09시)의 경우 전체의 약 17.3%의 EV가 해당 시간대에 충전을 수행하는데, 심야시간대인 23~05시 사이의
충전율은 2.3%, 05~09시 사이의 충전율은 15.0%를 차지하며, 최대부하 시간대에는 가장 적은 약 9.4%의 EV가 충전을 수행한다(6). 현재 한국전력공사(KEPCO, Korea Electric Power Corpor- ation)에서는 이와 같은 ToU 요금제를 완속충전의 경우
기본요금 및 전력량요금의 할인율을 표 1과 같이 단계적으로 축소하고, 급속충전의 경우에는 시간대에 관계없이 표 1과 같이 충전단가(원/kW)를 점진적으로 증가시킬 예정이지만(7), 귀가 후인 18시 이후 충전의 약 72%가 이루어지는 공동주택의 특성상 이와 같은 충전패턴은 크게 바뀌지 않을 것으로 예상된다(8).
Table 1. Current Status and Prospect of EV Charging Fee
|
충전종류
|
17.1.1~
20.6.30
|
20.7.1~
21.6.30
|
21.7.1~
22.6.30
|
22.7.1~
|
|
완속
충전
|
기본요금
|
100%
|
50%
|
25%
|
0%
|
|
전력량요금
|
50%
|
30%
|
10%
|
0%
|
|
급속충전 (원/kW)
|
173.8
|
255.7
|
350(예상)
|
520(예상)
|
이에 본 논문에서는 약 950세대 공동주택의 실측 데이터를 기반으로 EV 보급률에 따른 EV 충전수요 패턴(시간대별 충전수요)을 고려한 공동주택 전력수요
패턴의 변화를 추정하고자 한다. 하지만 EV의 충전수요 예측은 EV 사용자 개개인의 생활패턴과 이동패턴, 충전위치, 충전시작시간, 배터리 잔량(SoC,
State-of-Charge), EV 보급률 등의 불규칙적 요소들로 인해 일반적인 전력수요 예측보다 더 어렵고 불확실하다. 또한 새로운 부하 유형인
EV는 과거 실측 데이터가 부족하여 충분한 데이터를 요구하는 회귀분석, 시계열분석, 인공지능 기반의 예측 기법은 적합하지 않다
(9). 기존 연구에서는 EV 일 충전수요 패턴을 예측하기 위해 가우시안 분포와 같은 하나의 대표적인 확률 분포를 선택하거나 일 평균 주행거리 데이터만을
활용하여 모든 EV의 SoC를 산정하고, 실제 하루 동안 충전을 수행하는 EV의 대수를 결정하기 위해 일 충전 비율을 가정한 반면
(10-12), 본 논문에서는 시나리오의 신뢰성을 높이기 위해 확률 데이터를 기반으로 모든 EV에 대한 주행거리와 SoC를 각각 산정하고 EV사용자의 충전유형
확률 데이터를 통해 실제 하루 동안 충전을 수행하는 EV의 대수를 시나리오 별로 결정하여 예측에 활용한다. 이를 위해 먼저 2장에서는 EV 사용자들의
설문조사를 통해 EV 일 충전수요 패턴 예측 기법인 Monte Carlo Simulation(MCS)을 위한 확률변수를 확정한다. 다음으로 3장에서는
약 950세대 실제 공동주택의 계절별 전력수요 패턴을 분석하고 MCS 기반 세대 당 EV 보급률에 따른 EV 일 충전수요 패턴을 예측하고 공동주택의
계절별 전력수요 패턴의 변화를 추정하며, 더 나아가 전국 공동주택의 세대 당 EV 보급률을 고려하여 EV의 일 충전수요 패턴 예측에 따른 계절별 전국
전력수요 패턴 및 최대부하 시간대 변화를 추정한다. 마지막으로 4장에서는 본 논문의 결론을 다룬다.
2. Monte Carlo Simulation 기법 기반의 EV 일 충전수요 패턴 예측
새로운 부하형태인 EV의 SoC, 충전시작 시간, 충전방식, 일 주행거리 등의 데이터들은 현재 충분한 실측 데이터가 존재하지 않으므로, EV 일 충전수요
패턴을 예측하기 위해서는 실제 EV 사용자들의 설문조사에 근거한 데이터를 활용하여 확률변수를 확정한다. MCS는 불확실한 입력변수에 대해 확률 분포를
결정하고, 설정한 횟수만큼 난수를 임의로 추출하여 확률을 제시하는 기법으로 확률 기반의 데이터 활용에 있어 가장 널리 사용되는 기법 중 하나이다(13,14). 본 논문에서는 10,000회 반복의 MCS를 통해 EV 일 충전수요 패턴 예측을 수행하며, 그림 1은 EV의 일 충전수요 패턴 예측을 위한 MCS 알고리즘이다.
Fig. 1. Monte Carlo Simulation Algorithm for forecasting of EV charging demand pattern
2.1 EV 운행 특성 분석을 통한 확률변수 확정
2.1.1 EV 종류 별 배터리 충전량 및 SoC 결정
(1) EV 종류 및 비율, 배터리용량, 효율 결정
2017년 9월 말 기준 우리나라에 보급된 EV 대수는 표 2와 같으며, 시뮬레이션을 위해 가장 많이 보급된 3개의 EV인 아이오닉, 쏘울, SM3을 사용한다(15). 아이오닉과 쏘울, SM3의 비율은 각각 전체의 63.50%, 12.74%, 10.99%를 차지하지만, 시뮬레이션에서는 3대의 EV만을 사용하기
위해 비율을 각각 72.80%, 14.61%, 12.60%로 재설정 한다. 또한 아이오닉의 배터리용량과 효율은 각각 28.0kWh, 6.3km/kWh,
쏘울의 배터리용량과 효율은 각각 27.0kwh, 5.0km/kWh, SM3의 배터리용량과 효율은 각각 33.0kWh, 4.4km/kWh로 설정한다.
Table 2. Battery capacity, efficiency, and ratio by EV type
|
EV 종류
|
배터리용량
[kWh]
|
효율
[km/kWh]
|
계약대수
[대]
|
비율
[%]
|
|
아이오닉
|
28.0
|
6.3
|
9,727
|
63.50
|
|
쏘울
|
27.0
|
5.0
|
1,952
|
12.74
|
|
SM3
|
33.0
|
4.4
|
1,683
|
10.99
|
|
트위지
|
6.1
|
7.9
|
740
|
4.83
|
|
쉐보레 볼트
|
60.0
|
5.5
|
530
|
3.46
|
|
i3
|
27.2
|
5.4
|
159
|
1.04
|
|
모델s 90D
|
87.5
|
3.9
|
470
|
3.07
|
|
레이
|
16.0
|
5.0
|
50
|
0.33
|
|
리프
|
30
|
5.0
|
6
|
0.04
|
(2) EV 일 주행거리 결정
표 3은 약 80만대의 자동차 사용자들의 주행거리 구간 별 대수 및 비율이다(16). EV 사용자의 주행거리 구간 및 상세 주행거리를 결정하기 위해 2단계의 난수 추출 작업이 수행된다. 먼저 EV 사용자의 주행거리 구간을 결정하기
위해 0에서 1사이의 난수를 추출한 후, 표 3의 누적비율을 고려하여 각 EV의 주행거리 구간을 결정한다. 다음으로 0에서 1사이의 난수를 한 번 더 추출하여 균일 분포 기반으로 각 EV의 상세
주행거리 값을 결정한다. 그림 2는 $i$번째 EV의 상세 주행거리를 결정하기 위한 위의 2단계 과정으로, 1단계 $i$번째($i$(1)) 난수 추출 결과 0.1215임으로 $i$번째
EV의 주행거리 구간은 0.0822와 0.1994 사이인 10~15km로 결정되며, 2단계 $i$번째($i$(2)) 난수 추출 결과 0.2임으로 $i$번째
EV의 상세 주행거리는 균일 분포 기반 10~15km 사이의 0.2에 해당하는 11km로 결정된다.
Fig. 2. 2 step process for determining the mileage of an EV
Table 3. Number and ratio of cars by mileage section
|
주행거리[km]
|
대수[대]
|
비율[%]
|
누적비율[%]
|
|
0~5
|
5,126
|
0.62
|
0.62
|
|
5~10
|
62,850
|
7.60
|
8.22
|
|
10~15
|
96,913
|
11.73
|
19.95
|
|
15~20
|
107,305
|
12.98
|
32.93
|
|
20~25
|
104,656
|
12.66
|
45.59
|
|
25~30
|
94,271
|
11.41
|
57.00
|
|
30~35
|
80,175
|
9.70
|
66.70
|
|
35~40
|
65,441
|
1.92
|
74.62
|
|
40~45
|
52,417
|
6.34
|
80.96
|
|
45~50
|
40,844
|
4.94
|
85.90
|
|
50~55
|
31,610
|
3.82
|
89.73
|
|
55~60
|
24,241
|
2.93
|
92.66
|
|
60~65
|
17,848
|
2.16
|
94.82
|
|
65~70
|
13,167
|
1.59
|
96.41
|
|
70~75
|
10,093
|
1.22
|
97.63
|
|
75~80
|
7,460
|
0.90
|
98.54
|
|
80~85
|
5,861
|
0.71
|
99.24
|
|
85~90
|
3,841
|
0.46
|
99.71
|
|
90~95
|
1,579
|
0.19
|
99.90
|
|
95~100
|
722
|
0.09
|
99.99
|
|
100 이상
|
105
|
0.01
|
100
|
|
합 계
|
826,525
|
100.00
|
-
|
(3) 충전방식 및 충전속도 결정
EV의 충전방식은 표 4와 같이 급속충전과 완속충전으로 구분되며, 완속충전은 이동형, 벽걸이형, 스탠드형으로 구분된다. 급속충전의 경우 충전속도는 50kW, 비율은 5.70%이며,
완속충전 중 이동형의 충전속도와 비율은 각각 3kW, 60.54%, 벽걸이형의 충전속도와 비율은 각각 7kW, 20.65%, 스탠드형의 충전속도와
비율은 각각 7kW, 13.11%이다(15). 충전방식 및 충전속도 결정을 위해 0에서 1사이의 난수를 추출한 후, 누적비율을 고려하여 충전방식과 충전속도를 결정한다.
Table 4. EV charging method, charging speed and ratio
|
충전 방식
|
충전속도
[kW]
|
비율
[%]
|
누적비율
[%]
|
|
급속
|
50
|
5.70
|
5.70
|
|
완속
|
이동형
|
3
|
60.54
|
66.24
|
|
벽걸이형
|
7
|
20.65
|
86.89
|
|
스탠드형
|
7
|
13.11
|
100.00
|
(4) 배터리 충전량 및 SoC 결정
SoC는 배터리의 잔량으로 EV의 실제 배터리 충전량을 나타내는 지표이다. 식(1)은 EV의 배터리 충전량을 나타내며, 식(2)는 EV의 SoC를 나타낸다.
여기서 $C_{i}$은 $i$번째 EV의 배터리 충전량을, $L_{i}$는 $i$번째 EV의 일 주행거리를, $\mu_{i}$는 $i$번째 EV의
효율을, $N$은 전체 EV 대수를 의미한다.
여기서 $So C_{i}$은 $i$번째 EV의 SoC를, $B_{i}$는 $i$번째 EV의 배터리용량을 의미한다.
2.1.2 일 충전 EV 대수 결정
(1) 충전유형 결정
전체 EV 사용자들의 충전유형은 (1) 틈나는 대로 충전($N_{1}$)과 (2) SoC 기준 충전($N_{2}$)으로 구분되며, 각 유형별 비율은
표 5와 같이 각각 65.1%, 34.9%이다(15). MCS를 위한 EV의 충전유형 및 상세 SoC 기준값을 결정하기 위해 2단계의 난수 추출 작업이 수행된다. 먼저 충전유형 및 SoC 기준 구간을
결정하기 위해 0에서 1사이의 난수를 추출한 후, 표 5의 누적비율을 고려하여 0이상 0.6510이하이면 틈나는 대로, 0.6510초과 1이하이면 SoC 기준 충전으로 EV 사용자의 충전유형을 결정하며,
이때 SoC 기준 충준유형의 EV 사용자들은 난수 추출결과가 0.6688이하이면 SoC 기준 중 90% 이하, 0.6688초과 0.7177이하이면
80% 이하 등 표 5의 누적비율에 따라 SoC 기준 구간을 결정한다. 다음으로 SoC 기준 충전유형의 EV 사용자의 상세 SoC 기준값을 결정하기 위해 0에서 1사이의
난수를 한 번 더 추출하여 균일 분포를 기반으로 상세 SoC 기준값을 결정한다.
Table 5. EV charging type and ratio
|
충전유형
|
비율[%]
|
누적비율[%]
|
|
틈나는대로 충전
|
65.10
|
65.10
|
|
SoC 기준 충전
|
90% 이하
|
1.78
|
66.88
|
|
80% 이하
|
4.89
|
71.77
|
|
70% 이하
|
6.88
|
78.61
|
|
60% 이하
|
3.35
|
81.99
|
|
50% 이하
|
5.13
|
87.12
|
|
40% 이하
|
4.22
|
91.34
|
|
30% 이하
|
4.43
|
95.78
|
|
20% 이하
|
4.22
|
100.00
|
(2) 일 충전 EV 대수 결정
일 충전 EV 대수를 결정하기 위해 틈나는 대로 충전유형에 해당하는 모든 EV 사용자는 하루에 한 번씩 항상 충전한다고 가정하고, SoC 기준 충전유형의
일 충전 EV 대수를 결정하기 위해서 이전 과정에서 결정한 각 EV의 SoC와 상세 SoC 기준값을 비교한다. 만약 SoC가 상세 SoC 기준값보다
작은 경우에는 적어도 하루에 한 번씩 EV를 충전하지만, SoC가 상세 SoC 기준값보다 큰 경우에는 SoC가 SoC 기준값에 도달하여야 EV 충전을
수행한다. 식(3)은 하루에 한 번씩 EV를 충전하지 않는 경우 각 SoC 기준 구간 별 EV 사용자의 1회 충전 일수를 산정하기 위한 식으로, 이때 해당 EV 사용자의
주행거리는 일정하여 매일 동일한 양의 배터리를 소모한다고 가정한다.
여기서 $D_{m,\:i}$는 $m$번째 SoC 기준 구간에 해당하는 $i$번째 EV 사용자의 1회 충전 일수를, $So C_{m,\:i}기준 값$은
$m$번째 SoC 기준 구간에 해당하는 $i$번째 EV의 상세 SoC 기준값을, $m$이 1~8인 경우는 각각 SoC 기준 90% 이하 ~ 20%
이하인 구간을 의미한다.
식(4)는 각 SoC 기준 구간의 전체 1회 평균 충전 일수를 산정하기 위한 식으로 다음과 같다.
여기서 $Avg_{.}D_{m}$는 $m$번째 SoC 기준 구간 전체 EV의 1회 평균 충전 일수를 의미하며, $N_{2,\:m}$은 $m$번째 SoC
기준 구간에 해당하는 EV 대수를 의미한다.
식(5)은 각 SoC 기준 구간 별 일 충전 EV 대수를 산정하기 위한 식으로 다음과 같다.
여기서 $N_{actual,\:m}$은 $m$번째 SoC 기준 구간에 해당하는 EV의 일 충전 대수를 의미한다.
그러므로 틈나는 대로 충전유형의 모든 EV와 각 SoC 기준 구간 별 일 충전 EV의 대수를 합산하여 MCS를 위한 일 충전 EV 대수($N_{actual}$)를
결정한다.
2.1.3 충전시작 시간 결정 및 충전종료 시간 계산
(1) 충전시작 시간 결정
EV의 일 충전수요 패턴을 예측하기 위해 이전 단계에서 결정한 모든 일 충전 EV 각각에 대한 충전시작 시간을 결정한다. 표 6은 표 7은 각각 시간대별 EV 충전시작 시간 데이터와 시간대별 EV 충전장소에 대한 데이터로(6,17), 가정에서 충전을 수행하는 EV 사용자의 충전시작 시간 구간 및 상세 충전시작 시간을 결정하기 표 6과 표 7의 비율을 고려하여 균일 분포를 기반으로 EV사용자의 상세 충전시작 시간을 결정한다.
Table 6. Ratio of EV Charging start time
|
시간
|
비율
[%]
|
누적비율
[%]
|
시간
|
비율
[%]
|
누적비율
[%]
|
|
1~2
|
0.4
|
0.4
|
13~14
|
1.9
|
27.8
|
|
2~3
|
0.4
|
0.8
|
14~15
|
1.1
|
28.9
|
|
3~4
|
0.0
|
0.8
|
15~16
|
2.3
|
31.2
|
|
4~5
|
0.0
|
0.8
|
16~17
|
1.1
|
32.3
|
|
5~6
|
2.6
|
3.4
|
17~18
|
7.9
|
40.2
|
|
6~7
|
1.1
|
4.5
|
18~19
|
6.8
|
47.0
|
|
7~8
|
3.4
|
7.9
|
19~20
|
10.9
|
57.9
|
|
8~9
|
7.9
|
15.8
|
20~21
|
8.6
|
66.5
|
|
9~10
|
7.1
|
22.9
|
21~22
|
15.8
|
82.3
|
|
10~11
|
0.4
|
23.3
|
22~23
|
16.2
|
98.5
|
|
11~12
|
2.6
|
25.9
|
23~24
|
1.1
|
99.6
|
|
12~13
|
0.0
|
25.9
|
24~1
|
0.4
|
100.0
|
Table 7. Ratio of EV charging location
|
시간
|
가정
[%]
|
공공장소
[%]
|
휴게소
[%]
|
공중전화
[%]
|
상업건물
[%]
|
기타
[%]
|
|
24~6
|
80.0
|
17.0
|
1.0
|
0.0
|
1.0
|
1.0
|
|
6~9
|
50.0
|
41.7
|
3.3
|
1.7
|
3.3
|
0.0
|
|
9~12
|
50.0
|
38.9
|
7.4
|
0.0
|
3.7
|
0.0
|
|
12~15
|
38.7
|
35.5
|
16.1
|
6.5
|
3.2
|
0.0
|
|
15~18
|
46.2
|
19.2
|
11.5
|
3.8
|
19.2
|
0.0
|
|
18~21
|
58.8
|
25.0
|
5.0
|
1.3
|
8.8
|
1.3
|
|
21~24
|
71.6
|
25.4
|
0.0
|
0.0
|
3.0
|
0.0
|
(2) 충전종료 시간 계산
충전종료 시간은 식(6)와 같이 충전시작 시간에 충전소요 시간을 더함으로써 결정하며, 충전소요 시간 EV의 SoC, 배터리용량, 충전방식의 충전속도를 통해 계산된다. 이때
충전종료 시간 계산의 높은 정확성을 위해 1분 단위로 계산한다.
여기서 $F_{i}$는 $i$번째 EV의 충전종료 시간을, $S_{i}$는 $i$번째 EV의 충전시작 시간을, $x_{i}$는 $i$번째 EV의 충전소요
시간을 의미한다.
2.1.4 EV의 일 충전수요 패턴 예측
식(7)은 일 충전 EV의 분 단위 충전수요 패턴 예측 결과를 나타내는 식이다.
여기서 $E$는 모든 일 충전 EV의 분 단위 충전수요 패턴 예측 결과를, $V_{i}$는 $i$번째 EV의 충전속도를 의미하며, $t_{i,\:j}$는
$i$번째 EV가 충전을 수행하는 시간으로 충전시작 시간($S_{i}$)과 충전종료 시간($F_{i}$) 사이의 값은 1, 그 이외 구간에서는 0의
값을 갖는다.
3. Monte Carlo Simulation 기법 기반 공동주택 EV 일 충전수요 패턴 예측 결과
3.1 공동주택 전력수요 패턴 분석
EV의 일 충전수요 패턴에 따른 공동주택 전력수요 패턴의 변화를 추정하기 위해 약 950세대 실제 공동주택 A의 전력수요 패턴을 분석한다. 그림 3은 공동주택 A의 2018년 실측 데이터 기반 계절별 평균 전력수요 패턴으로 계절은 봄/가을(3월 ~ 5월/9월 ~ 10월), 여름(6월~8월),
겨울(11월~2월)로 구분되며, 이때 각 계절별 전력수요는 EV의 충전수요를 포함하지 않는다. 공동주택 A의 전력수요 패턴의 경우 먼저 새벽 5시를
기점으로 모든 계절에 최소 전력수요가 나타나고, 기상 후 아침활동 기간 및 외출준비로 인해 9시까지 전력수요가 급증하는 것을 볼 수 있다. 또한 여름을
제외한 낮 시간동안은 외출 및 출근으로 전력수요가 감소하는 경향을 보이며, 여름의 경우에는 최고기온이 분포된 낮 시간대에 냉방부하의 사용으로 다른
계절과는 다른 패턴을 보인다. 퇴근 후인 19시 이후에는 조명기기, 가전제품 등으로 모든 계절에 대해 전력수요가 다시 급증한다. 표 8은 공동주택 A의 계절별 최대 평균 전력수요로 여름의 경우 591.52kW로 계절 중 가장 높고, 겨울은 546.96kW, 봄/가을은 530.58kW로
계절 중 가장 낮다.
Fig. 3. Seasonal average power demand pattern based on actual data for apartment A
in 2018
Table 8. Seasonal maximum average power demand in apartment A
|
계절
|
최대 평균 전력수요[kW]
|
|
봄/가을
|
530.58
|
|
여름
|
591.52
|
|
겨울
|
546.96
|
Table 9. Ratio and number of EVs per household in apartment A
|
세대 당 EV 비율[%]
|
EV 대수[대]
|
|
현재
|
6
|
|
5
|
47
|
|
10
|
95
|
|
15
|
142
|
|
20
|
190
|
3.2 EV 일 충전수요 패턴 예측에 따른 공동주택 전력수요 패턴의 변화
공동주택 A의 세대 당 EV 비율에 따른 계절별 전력수요 패턴의 변화를 추정하기위해 표 9와 같이 EV의 대수를 가정한다. 표 9는 현재 공동주택 A의 실제 EV 수(6대)와 세대 당 EV 비율에 따른 대수를 보여주고, 그림 4는 세대 당 EV 비율에 따른 MCS 기반 EV 일 충전수요 패턴 예측 결과로 두 가지의 Case(Maximum Case, Expected Case)로
구분된다. 이때 Maximum case(점선)는 10,000번의 MCS를 반복 수행한 결과 시간대별 충전수요의 최댓값을, Expected Case(실선)은
시간대별 충전수요의 평균값을 나타낸다. 그림 4에 따르면 EV의 충전패턴은 공동주택의 전력수요 패턴과 유사한 경향을 보이는데, 새벽 5시부터 EV의 충전수요가 증가하고 최대부하 시간대인 13~17시에
감소하며, 퇴근 이후인 17시 이후에 다시 급증하는 모습을 보인다.
Table 10. Seasonal maximum average power demand and growth rate of apartment A considering
the ratio of EV per household
|
Maximum Case
|
세대 당 EV 비율
|
봄/가을
|
여름
|
겨울
|
|
최대 평균
전력수요[kW]
|
증가율
[%]
|
최대 평균
전력수요[kW]
|
증가율
[%]
|
최대 평균
전력수요[kW]
|
증가율
[%]
|
|
0%
|
530.58
|
-
|
591.52
|
-
|
546.96
|
-
|
|
현재
|
567.87
|
7.03
|
629.40
|
6.40
|
584.65
|
6.89
|
|
5%
|
600.02
|
13.09
|
661.55
|
11.84
|
616.80
|
12.77
|
|
10%
|
641.62
|
20.93
|
703.15
|
18.87
|
658.40
|
20.37
|
|
15%
|
673.64
|
26.96
|
735.17
|
24.28
|
690.41
|
26.23
|
|
20%
|
701.23
|
32.16
|
762.76
|
28.95
|
721.64
|
31.94
|
|
Expected Case
|
세대 당 EV 비율
|
봄/가을
|
여름
|
겨울
|
|
최대 평균
전력수요[kW]
|
증가율
[%]
|
최대 평균
전력수요[kW]
|
증가율
[%]
|
최대 평균
전력수요[kW]
|
증가율
[%]
|
|
0%
|
530.58
|
-
|
591.52
|
-
|
546.96
|
-
|
|
현재
|
533.13
|
0.48
|
594.07
|
0.43
|
549.51
|
0.47
|
|
5%
|
548.29
|
3.34
|
609.82
|
3.09
|
565.06
|
3.31
|
|
10%
|
574.72
|
8.32
|
636.25
|
7.56
|
591.49
|
8.14
|
|
15%
|
600.71
|
13.22
|
662.24
|
11.96
|
617.49
|
12.89
|
|
20%
|
622.66
|
17.35
|
684.19
|
15.67
|
639.44
|
16.91
|
Fig. 4. Prediction result of daily charging demand patterns for EVs based on MCS considering
the ratio of EVs per household in apartment A
그림 5는 세대 당 EV 비율에 따른 EV의 일 충전수요 패턴을 고려한 공동주택 A의 계절별 평균 전력수요 패턴의 변화이다. 봄/가을철의 경우, 세대 당
EV 비율이 0%일 때 530.58kWh인 최대 평균 전력수력수요는 Maximum Case인 경우 EV의 비율이 현재일 때 567.87kW로 0%
대비 7.03%로 증가하고, 5%일 때 600.02kW로 13.09%, 10%일 때 641.62kW로 20.93%, 15%일 때 673.64kW로
26.96%, 20%일 때 701.23kW로 32.16% 증가한다. Expected Case인 경우에는 각각 533.13kW로 0.48%, 548.29kW로
3.34%, 574.72kW로 8.32%, 600.71kW로 13.22%, 622.66kW로 17.35%로 증가하며, 다른 계절의 EV 비율 별 최대
평균 전력수요와 증가율은
표 10과 같다.
그림 5에 따르면 기존의 공동주택 전력수요는 유사한 패턴의 EV 충전수요에 의해 출근 시간대인 5~9시와 퇴근 이후인 17시 이후에 전력수요가 더욱 급증하는
모습을 보이며, 특히 여름과 겨울철의 경우 17시 이후 냉난방 부하의 사용으로 봄/가을철에 비해 높은 수준의 전력수요를 보인다.
Fig. 5. Seasonal power demand patterns of apartment A considering EVs daily charging
demand patterns
3.3 전국 공동주택의 EV 보급률에 따른 최대부하 시간대 변화
전국 전력수요의 약 14%를 차지하는 주택용 전력수요의 패턴 변화는 전국 전력수요의 패턴 변화에 영향을 미치게 되며, 특히 전체 주거형태의 약 75%
이상을 차지하는 공동주택의 전력수요 패턴 변화는 가장 큰 영향을 미치게 된다. 또한 사물인터넷(IoT, Internet of Things)이 실현되면서
스마트 헬스케어 기능을 갖춘 전천후 생활보조주택(AAL, Ambient Assisted Living)기반 공동주택 공급이 증가함에 따라 공동주택의
비중은 매년 꾸준하게 증가하는 경향을 보이고 있다(18). 이에 따라 전국 공동주택의 EV 보급이 증가하게 되면 EV 충전수요로 인해 기존 전국 전력수요의 최대부하 시간대가 계시별(ToU, Time-of-Use)
요금제의 중간부하 시간대로 이동하게 되고, 최대부하 시간대에 발전량이 풍부한 태양광 보급률에 따라 이와 같은 변화는 더욱 빨라질 것으로 예상된다.
본 논문에서는 전국 공동주택 EV의 충전수요에 따른 계절별 전국 전력수요의 패턴 및 최대부하 시간대의 변화를 추정하기 위해 표 11을 참고하여 전국 공동주택의 세대 별 EV 보급률에 따라 EV 대수를 표 12와 같이 가정하며, 이때 표 11은 통계청에서 제공해주는 2018년 실측 데이터를 기반으로 한 주거형태 별 세대 수 및 비율에 대한 데이터이다. 또한 태양광 발전량이 최대부하 시간대
변화에 미치는 영향을 확인하기 위해 2018년의 각 계절별로 태양광 발전량이 가장 큰 날짜인 2018년 5월 4일(봄/가을철), 2018년 6월 21일(여름철),
2018년 11월 1일(겨울철)의 실측 전력수요 데이터를 활용한다. 그림 6은 전국 공동주택의 세대 당 EV 비율에 따른 EV의 일 충전수요 패턴을 고려한 계절별 전국 전력수요 패턴의 변화를 보여주고, 표 13은 각 계절별 전국 전력수요의 최대부하 시간대를 보여주며, 표 14는 ToU 요금제의 계절별 부하 구분을 보여준다.
Table 11. Number and ratio of households by type of residence
|
주거형태
|
세대 수[호]
|
비율[%]
|
|
단독주택
|
3,948,984
|
22.66
|
|
공동주택
|
아파트
|
10,826,044
|
77.34
|
|
연립주택
|
508,664
|
|
다세대주택
|
2,139,885
|
|
합계
|
17,423,577
|
100.00
|
Table 12. Ratio and number of EVs per household of apartments nationwide
|
세대 당 EV 비율[%]
|
EV 대수[대]
|
|
현재
|
57,289
|
|
5
|
673,730
|
|
10
|
1,347,459
|
|
15
|
2,021,189
|
|
20
|
2,694,919
|
|
25
|
3,368,648
|
Fig. 6. Seasonal power demand patterns considering EVs daily charging demand patterns
of apartments nationwide
Table 13. Change of seasonal peak load time considering the ratio of EVs per household
of apartments nationwide
|
세대 당 EV 비율
[%]
|
최대부하 시간
|
|
봄/가을
|
여름
|
겨울
|
|
현재
|
17:00
|
17:00
|
10:00
|
|
5
|
17:00
|
17:00
|
19:00
|
|
10
|
20:00
|
17:00
|
19:00
|
|
15
|
20:00
|
17:00
|
19:00
|
|
20
|
20:00
|
17:00
|
19:00
|
|
25
|
20:00
|
18:00
|
19:00
|
Table 14. Seasonal load classification of the ToU tariff
|
구분
|
봄/가을철
(3월~5월/
9월~10월)
|
여름철
(6월~8월)
|
겨울철
(11월~2월)
|
|
경부하
|
23:00~09:00
|
23:00~09:00
|
23:00~09:00
|
|
중간
부하
|
09:00~10:00
12:00~13:00
17:00~23:00
|
09:00~10:00
12:00~13:00
17:00~23:00
|
09:00~10:00
12:00~17:00
20:00~22:00
|
|
최대
부하
|
10:00~12:00
13:00~17:00
|
10:00~12:00
13:00~17:00
|
10:00~12:00
17:00~20:00
22:00~23:00
|
표 13과 14에 따르면, 봄/가을철의 경우 냉난방 부하의 미사용으로 오후 시간대에 낮은 수준의 전력수요를 보여 전국 공동주택 세대 당 EV 비율이 5~10%일
때 최대부하 시간이 경부하 시간대인 20시로 이동하게 되고, 여름철의 경우에는 냉방 부하의 사용으로 최대부하 시간대인 13~17시에 높은 수준의 전력수요를
보여 전국 공동주택 세대 당 EV 비율이 20~25%일 때 최대부하 시간이 경부하 시간대인 18시로 이동하게 된다. 하지만 겨울철의 경우 전국 공동주택
세대 당 EV 비율이 현재~5%일 때 최대부하 시간대가 10시에서 19시로 이동하지만, 겨울철에는 난방 부하의 사용으로 인해 낮, 오후 시간대 모두에
대해 높은 수준의 전력수요를 보여 이동된 19시는 여전히 최대부하 시간대에 해당한다. 전국 공동주택 EV 충전수요에 따른 계절별 최대부하 시간대의
이동은 ‘재생에너지 3020 이행계획’에 맞춰 2030년까지 국내 태양광 설비용량을 36.5GW까지 확대함에 따라, 태양광 발전 시간대이자 최대부하
시간대인 9~17시 사이의 전력수요가 급감하게 되어 모든 계절에 대해 더욱 빨라질 것으로 예상된다
(19). 이에 따라 본 논문에서는 기존 ToU 요금제의 부하 구분 재조정 필요성에 대해 제시하며, EV 보급이 계속해서 증가하게 되면 전국 전력수요의 최대부하
시간대는 EV 충전수요의 최대 시간대인 22시로 이동하게 되어 기존의 수요반응(DR, Demand Response) 발령 시간대인 9~20시(12~13시
제외)는 더 이상 적합하지 않게 되므로 DR 발령 시간 재조정의 필요성 역시 제시한다.
4. 결 론
본 논문에서는 Monte Carlo Simulation 기반 EV의 일 충전수요 패턴 예측과 약 950세대 공동주택의 실측 전력수요 패턴을 활용하여
EV 보급률에 따른 공동주택 전력수요 패턴의 변화를 추정하였고, 더 나아가 전국 공동주택의 EV 보급률에 따른 전국 전력수요 패턴의 변화 및 최대부하
시간대의 변화를 추정하였다. Monte Carlo Simulation은 불확실한 입력변수에 대해 확률 분포를 결정하고, 설정한 횟수만큼 난수를 임의로
추출하여 확률을 제시하는 기법으로 과거 실측 데이터가 부족한 EV의 충전수요 패턴을 예측하기에 적합한 방법 중 하나이다. EV 보급률에 따른 EV
일 충전수요 패턴을 예측하기 위해 EV 사용자의 설문조사를 활용하여 SoC, 충전방식, 일 주행거리 등 입력 데이터의 확률변수를 확정하고, 세대 당
EV 비율에 따라 시뮬레이션을 수행하여 Maximum Case와 Expected Case로 결과를 도출하였다.
EV 일 충전수요 패턴 예측 수행 결과, EV 충전수요의 패턴은 출근 시간대인 5~9시, 퇴근 이후인 17시 이후에 급증하여 실제 공동주택의 전력수요
패턴과 유사한 패턴을 보여 특히 오후 시간대의 공동주택 전력수요를 급증시킴을 확인하였다. 이에 따라 전국 전력수요의 약 14%를 차지하는 주택용 전력수요
중 75% 이상을 차지하는 공동주택의 전력수요 패턴 변화는 기존 최대부하의 시간대를 ToU 요금제의 경부하 시간대로 이동시키게 되는데, 봄/가을철의
경우에는 전국 공동주택 세대 당 EV 비율이 5~10%일 때, 여름철의 경우에는 전국 공동주택 세대 당 EV 비율이 20~25%일 때 최대부하 시간대가
중간부하 시간대로 이동함을 확인하였다. 이와 같은 본 논문의 공동주택 전력수요 패턴 변화 및 전국 전력수요 패턴 변화 추정 결과는 기존 ToU 요금제
부하 구분 및 DR 발령시간 재조정의 필요성을 제시하고, 추후의 수용가 단위 DR 전략 수립에 중요한 자료로 활용 가능할 것으로 사료된다.
향후 연구에서는 EV 보급률 증가와 더불어 태양광 보급률 증가에 따른 공동주택 전력수요 패턴 및 전국 전력수요 패턴의 변화 추정에 대한 연구가 필요할
것으로 생각된다.
Acknowledgements
This research was funded by a 2020 research Grant from Sang- myung University.
References
KEPCO Economy & Management Research Institute, January 2016, Major Contents of Paris
Agreement and Power Sector Issues, Technical Report
Manhee Lee, Sun-Kyoung Park, December 2017, Assessment of Korea’s GHG Reduction Targets
through Comparative Analysis of OECD Countries’ Nationally Determined Contributions
(NDCs), Journal of Climate Change Research, Vol. 8, No. 4, pp. 313-327
Korea Petroleum AsSoCiation, July 2018, Worldwide Electric Vehicle Distribution Trends,
Technical Report
Ministry of Trade, Industry and Energy, October 2019, Future Automobile Industry
Development Strategy, Technical Report
Korea Electric Power Corporation, 2013, Electric Price
Ministry of Environment, May 2017, A Study on the activation of Electric Vehicle
Supply through Survey and Analysis of Actual Purchaser Utilization, Technical Report
Ministry of Trade,Industry and Energy, December 2019, A Reasonable Improvement of
the Electricity Price Discount System for 19 Years Sunset
Sung-il Shin, Og-man Choi, Jin-Woo Lee, November 2019, A Study on Demand Prediction
of EV Charging Infrastructure In Apartment Complex, The Korean Institute of Illuminating
and electrical Installation Engineers
Chunlin GUO, Wenbo Qi, Hang Du, Pengxin Hou, Xiao Xiangning and, September 2012, A
Method of Electric Vehicle Charging Load Forecasting Based on the Number of Vehicles,
International Conference on Sustainable Power Generation and Supply
Seong-U Bae, Dong-Yeong Im, December 2017, Research Trend of Electric Vehicle Charging
Power Demand Forecast, The Korean Institute of Electrical Engineers, Vol. 66, No.
12, pp. 41-49
Wanhee Byun, Kihong Lee, Sanghyuk Lee, Hoyoung Kee, June 2012, Demand Forecasts Analysis
of Electric Vehicles for Apartment in 2020, J. Korea Inst. Intell. Transp. Syst.,
Vol. 11, No. 3, pp. 81-91
Luo Zhuowei, Song Yonghua, Hu Zechun, Xu Zhiwei, Yang Xia, Zhan Kaiqiao, July 2011,
Forecasting charging load of plug-in electric vehicles in China, 2011 IEEE Power and
Energy Society General Meeting
A Macdonald Iain, July 2009, Comparison of Sampling Techniques on the Performance
of Monte-Carlo Based Sensitivity Analysis, In Proceedings of the 11th IBPSA Conference
Wenjun Liao, Michael L. Alles, En Xia Zhang, Daniel M. Fleetwood, Robert A. Reed,
Robert A. Weller, Ronald D. Schrimpf, July 2019, Monte Carlo Simulation of Displacement
Damage in Graphene, IEEE Transaction on Nuclear Science, Vol. 66, No. 7, pp. 1730-1731
Ministry of Trade, Industry and Energy, November 2017, 2017 Electric Vehicle Survey
Results Report, Technical Reprot
The Seoul Institute, December 2017, Recent Trend of Environmentally Friendly Vehicles
and Seoul Policy Direction, Technical Reprot
Ministry of Trade, Industry and Energy, December 2016, A Feasibility Analysis of
New Energy Industry Based on Market Water Availability Analysis, Technical Reprot
Korea Research Institute for Human Settlements, December 2018, A Study on the Mid
and Long-Term Real Estate Market Forecast and Policy Measures for Stable Market Management,
Technical Reprot
Ministry of Trade, Industry and Energy, December 2017, Renewable Energy 3020 Implementation
Plan
저자소개
He received his B.S. degree in electronic engineering from Kwangwoon University in
2017. He is currently pursuing his M.S. degree in the Dept. of electrical engineering
at Sang- myung University.
Tel: 02-2287-7665
E-mail : cusdl0413@naver.com
She is currently a undergraduate student in the Dept. of electrical engineering at
Sang- myung University.
Tel: 02-2287-7665
E-mail : happy980320@naver.com
He received his B.S. and Ph.D. degree in electrical engineering from Korea University
in 2002 and 2009, respectively.
He worked for Samsung Electronics as a mobile engineer from 2002 to 2004 and Korea
Atomic Energy Research Institute(KAERI) as a senior researcher form 2009 to 2011.
He is currently an associate professor of the Dept. of electrical engineering at Sangmyung
University.
Tel: 02-781-7503
E-mail : shcho@smu.ac.kr