머신러닝으로 전기차 초고속 충전을 싸게 할 수 있다?
재생 에너지로 이뤄진 집에서 전기자동차 '빨리', '저렴'하게 충전하기
해당 글은 어느 한 전자전기공학부 학사생이 영어 공부 겸 산업 공부를 하기 위해
매일 30분씩 영어 논문을 읽고 정리한 요약집입니다.
이 분야를 잘 모르는 사람도 읽고 이해할 수 있는 글을 작성하기 때문에
다소 깊이가 얕게 느껴지실 수 있습니다.
안녕하세요. 저번 글에 이어 두 번째 논문 리뷰 작성입니다.
오늘 논문의 키워드는 #머신러닝 #재생에너지 #전기자동차 #고속충전 입니다.
이 키워드로 한 번 주제를 예상해 보시겠어요?
바로 부제목에서도 확인하실 수 있듯이 이번 주제는
'재생에너지를 이용해 가정에서 어떻게 전기자동차를 효율적으로 충전할 수 있을까?' 입니다.
지난번 논문 리뷰에 이어서 이번에도 에너지 관련 논문 리뷰인데요, 저는 2023년 5월 경에 디스토피아 배경의 영화와 소설들을 접하며 지구의 지속가능성을 위한 에너지 연구에 관심을 가지게 되었고 이렇게 전기자동차 논문까지 읽어보게 되었습니다.
1. 논문 제목
Machine Learning-Based Sizing of a rebewable -battery system for grid connected homes with fast-charging electric vehicle.
집에서 빠르게 전기자동차를 충전하기 위해 재생가능 배터리 시스템 사이즈를 머신러닝 기반으로 연구하기
2. 논문 한 줄 요약
'머신 러닝을 이용하여' '재생가능 배터리 시스템으로 이뤄진 집에서' '전기자동차를 효율적으로 충전하는 방법' 연구
3. 논문 내용 요약
간단히 말해 이겁니다.
'여러 재생에너지 공급원으로부터 들어오는 가정 전기를 어떤 비율로 사용해야 전기자동차를 빠르고 저렴하게 충전할 수 있을까?'.
그래서 이 연구는 그 비율을 머신러닝의 알고리즘 중 하나인 Supervised learning (지도학습)을 이용해 도출해 내며 최적 비율과 충전 시간대를 결과로 내놓습니다.
2. 연구 과정 및 이론
우선 서로 다른 에너지 근원 간의 '비율' 비교가 제일 중요합니다. 예를 들어 한 집에 10만큼의 전기가 들어온다고 가정했을 시, 5는 태양, 3은 풍력 그리고 2는 수력 발전의 비율로 에너지를 공급해야 가장 빨리 그리고 싸게 전기자동차를 충전할 수 있는 것입니다.
이 비율은 해당 논문에서 supervised model의 인공지능을 이용해 구합니다. 더 자세한 내용을 아래에서 하나하나 간단하게 알아봅시다.
결론적으로 우린 머신러닝을 이용해 재생에너지가 어느 비율로 사용될 때 가장 적은 비용으로 고속충전을 할 수 있는지를 알 수 있습니다. 그럼 이 머신러닝이 어떻게 작용하길래 그걸 알아내는 걸까요? 여기에선 머신러닝의 supervised learning, 지도학습을 사용합니다.
이건 뭐냐고요? 인공지능을 공부하게 되면 초반에 알게 되는 내용인데요, 일반적으로 머신러닝 알고리즘은 지도학습(supervised learning)과 비지도학습(unsupervised learning)과 다른 두 알고리즘으로 구분할 수 있습니다. 다른 두 알고리즘은 준지도학습과 강화학습이며 이 둘은 혼동을 방지하기 위해 다음에 기회가 될 때 살펴보고 이번엔 앞의 두 개만 살펴보겠습니다.
지도학습은 머신러닝 알고리즘 훈련 데이터에 레이블 'label'이라고 불리는 정답이 담긴 데이터를 학습시킵니다. 즉 질문과 답이 정해져 있는 데이터 세트들을 많이 넣어 머신러닝을 훈련시키는 것이지요. 비지도학습은 반대로 알고리즘에 레이블이 아닌 데이터들만을 넣어주어 비지도학습 알고리즘으로 머신러닝이 알아서 학습하도록 된 시스템입니다.
위의 사진을 참고하여 설명하겠습니다. 물론 사진을 다 이해하실 필요는 없으시며 이 과정을 이해하는 데에 꼭 필요한 부분만 살펴봅시다. 우선 ⓐ는 알고리즘을 학습시킬 데이터들입니다. 이 데이터들은 여태까지의 에너지, 비용, 기술 등에 대한 데이터들입니다. 이 모든 데이터들을 학습시킨 뒤 나중에 실제로 내가 궁금한 질문을 넣었을 때 이 데이터들에 기반한 대답을 얻어낼 수 있지요.
예를 들어서 한 해의 서울 봄 기온 평균 데이터를 입력했을 때 그다음 계절인 여름의 평균 기온 예측과 그에 따른 소비 패턴을 예측하는 알고리즘을 만들고 싶다고 가정합시다. 그땐 우린 학습 데이터에 서울의 5년간의 날씨, 경제 등에 대한 데이터들을 입력하여 알고리즘을 트레이닝시킨 뒤, 이번 연도 봄 기온 데이터를 입력값으로 넣어 원하는 결과를 얻어낼 수 있는 것입니다.
다시 위의 사진으로 돌아와서, 여러 데이터로 학습된 인공지능에 우리가 답이 없는 데이터를 입력하면, 알고리즘은 여러 처리와 반복을 거친 뒤 예측된 답을 도출합니다. 이때 알고리즘은 인간의 뇌를 모방한 Neural Network, 줄여서 NN으로 여러 처리를 한 뒤 대답을 도출해 냅니다. ⓑ을 보시면 Iteration <=1000을 보실 수 있는데 이는 우리 뇌를 닮은 NN을 여러 번 돌려 최대한 정확한 값을 내기 위한 과정이라고 볼 수 있습니다. 그 결과 ⓒ과 같이 최저 가격을 찾을 수 있고 그때 알고리즘은 종료되고 우리에게 답을 알려줍니다.
다시 정리해서, 이미 있는 데이터와 정답들을 입력해서 훈련시킨 알고리즘에 내가 궁금한 답이 없는 데이터를 넣어 NN으로 여러 처리를 거친 뒤 가장 정확한 결괏값을 알려주는 것입니다.
이 표에서 우린 x축과 y축을 확인하면 됩니다. x축에서 알고리즙에 학습시킨 데이터 세트들의 개수이며 y축은 그때 찾아낸 최저 가격입니다. 데이터 수가 많아질수록 최저가격은 줄어들고 어느 시점부터 더 이상 줄지 않고 평탄한 라인을 타고 있는 것을 확인할 수 있습니다.
3. 논문 결론
이러한 과정을 거쳐 이 연구에서는 두 가지 결론을 도출해 냈습니다. 첫 번째는 sizing model은 10가지의 시나리오, 즉 10가지의 서로 다른 비율들이 있다는 것입니다. 이 10가지 비율로 에너지를 공급했을 시에 우리는 최소의 전기세로 가장 빠른 충전이 가능합니다.
두 번째는 이러한 비율의 에너지로 충전할 때, 어느 시간대에 충전하는 것이 가장 빠르고 최소의 비용이 되는가이며 이를 critical hour라고 표현하고 있습니다. 이 시간대는 오후 8시부터 자정까지입니다. 즉 이 시간 안에 충전을 했을 때에 제일 효율적인 충전이 가능한 것입니다.
마지막으로 이 연구에서 밝힌 further work에 대해 알아보겠습니다. 이 연구는 미래에 Vehicle to Grid와 Vehicle to Home의 sizing model로 확장될 수 있습니다. Vehicle to grid는 자동차에서 전력생산으로 전력을 보내는 것이며, vehicle to home은 자동차에서 가정으로 전력을 보내는, 즉 우리가 현재 이용하는 에너지 공급 방향의 역으로 전력을 이동시키는 것에 대한 연구입니다.
예를 들어 전기차를 타고 남은 전기를 가정으로 당겨와 쓰는 상황이라고 생각하면 됩니다. 현실적으로 생각하면 캠핑장에 가서 자동차에 플러그를 꽂고 자동차에 남은 전기로 티비를 켜는 것으로 비유할 수 있을 거 같습니다.
(4) 나의 생각
이처럼 오늘 논문에서는 전기자동차를 효율적으로 충전하는 방법에 대해 알아봤는데요, 아직 집에서 개인적으로 전기자동차를 충전하기까지는 노력과 연구가 더 필요할 것으로 생각합니다. 하지만 만약 실행 단계에 접어든다면 개인의 집보다는 아파트 단지처럼 다세대 주택에서 시범 운행을 보인 뒤 점차 늘려가면 좋을 것으로 보입니다. 작은 동네에도 전기차 보급을 위해 하나가 아닌 여러 충전소를 설치하고 전기차 사용을 장려하면 좋을 거 같습니다.
하지만 만약 지도학습이 아닌 다른 알고리즘으로 연구 됐다면 어떠한 결과가 나올지 궁금하지만 여러 알고리즘의 특징과 장단점을 비교하여 상황에 맞는 알고리즘을 쓰면 될 것입니다.
이렇게 재생에너지, 전기자동차 관련 논문을 읽으니 최근의 전기자동차 기술과 산업에 대해 궁금증이 생겨 알아보고자 합니다.
마지막으로 인공지능의 학습 알고리즘을 정리해 놓은 어느 한 블로그 링크를 걸어두도록 하겠습니다. https://stickie.tistory.com/43
