전기차 충전 시설 위치 선정 (국가, 시/도 단위)

이 포스팅에선 전기차 충전 시설의 위치 선정에 대한 방법론 (논문 요약)과 실제 위치 선정을 하는 예시를 보여줍니다. 논문의 저작권 때문에, 직접 그림을 따오지 못하는 점을 양해 부탁드립니다.

 

연구 방법론과 결과 요약

1. 여러 차량 그룹 (승용차, 버스 등)을 동시에 충전할 수 있는 충전기와 시설을 이용자의 통행 비용 및 접근 비용을 최소화 하는 수학적 모델을 개발하여 충전 위치를 선정하였다. 주요 고려사항으로 설치 비용과 충전 시설 대수를 조명하였으며, 충전 시설의 설치는 초기 단계에서 (예: 0대~10대, 단, 서비스 지역의 크기에 따라 다름) 급격하게 베네핏이 증가하나, 점진적으로 이용자 효용이 감소 된다 (한계효과). 따라서 사업을 Phase를 쪼개서 확장할 필요가 있다. (참고문헌 1)

2. 개별 차량 기종점 주행 패턴 샘플(75만개)을 통해서 서비스 지역 도시의 핫 스팟을 추출해 보았다. 이 연구의 의의로썬 단순히 형평성이나 인구 밀도, 해당 지점의 차량 연간 통행량(AADT)을 고려한 위치 선정이 아니라 실제 차량의 주행 궤적을 통해 수요의 관점에서 위치 선정을 계획 할 수 있다는 것을 보여준 사례이다. (참고 문헌2)

 

위치 선정

이러한 결과와 더불어 사회적 형평성 지표 (예: 지역의 소득 수준, 교육 수준, 혹은 낙후 정도를 나타내는 environmental justice index 등) 종합적으로 고려하여, 여러 주(State)에서는 전기차 충전 시설의 위치를 선정하고 있다. 물론 정부기관은 선출 의원(예: 국회의원)의 의견과 해당 도시의 주민 등의 의견을 반영해야 되는 입장이기에, 1차적으로 방법론에 의한 대상 선정을 하고, 2차적으로 주민 투표나 설문 조사와 같은 의견 수렴 과정을 거쳐 최종적인 충전 위치를 선정하게 된다.

알칸소 주교통부에서 1차 선정한 전기차 위치를 이용자 설문에 부치고 있다 (2023년)

예시

다음 예시는 블로그 주인장이 직접 방법론을 참고/개발하여, 데이터 수집에서 부터 가공, 결과까지 나타낸 것이다. 이 방법을 통해 앞서 설명한 수요기반의 위치를 선정하였다.

 

1. 데이터 수집: INRIX란 회사에서 수집한, 유료 개별 차량 기종점 통행 자료를 통해, 약 7일간의 차량 통행을 추출 (트럭 한정)하여 1200여개의 개별 주행 자료를 얻음

2. 데이터 가공: 추출된 데이터를 ArcGIS Pro와 ModelBuilder (ArcGIS에서 제공하는 Python기반의 코딩 프로그램), R 프로그래밍 코드를 활용해 50 마일마다의 절점을 만들고, 이 절점이 가장 많이 교차하는 부분을 대체 연료 도로(AFC) 지도 상에 나타내었다.

지도 상에 표현된 1200여개의 개별 차량 기종점 궤적

• Import the OD data in GeoJSON format into ArcGIS and convert it to a Shapefile
• Add distance fields to the attribute table
• Calculate segment lengths in miles
• Calculate cumulative distances from the starting point
• Identify rows that reach a certain distance threshold (e.g., every 50 miles).
• Extract those rows as a new layer.
• Create 1-mile buffers along the trajectory.
• Use the AFC layer to count the number of these buffers that intersect with AFC segments.
• Visualize the count data to identify potential locations for EV truck charging.

 

 

참고

1. Decarbonizing regional multi-model transportation system with shared electric charging hubs. Transportation Research Part C: Emerging Technologies Volume 144, November 2022

2. Electric vehicle charging demand forecasting using deep learning model. Journal of Intelligent Transportation Systems Technology, Planning, and Operations Volume 26, 2022 - Issue 6

3. Electric vehicle demand estimation and charging station allocation using urban informatics. Transportation Research Part D: Transport and Environment Volume 106, May 2022

4. Understanding the linkage between electric vehicle charging network coverage and charging opportunity using GPS travel data. Transportation Research Part C: Emerging Technologies Volume 98, January 2019, Pages 1-13

5. Electric vehicle fast charging infrastructure planning in urban networks considering daily travel and charging behavior. Transportation Research Part D: Transport and Environment Volume 93, April 2021