KR101449801B1 - 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 - Google Patents

유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 Download PDF

Info

Publication number
KR101449801B1
KR101449801B1 KR1020120084032A KR20120084032A KR101449801B1 KR 101449801 B1 KR101449801 B1 KR 101449801B1 KR 1020120084032 A KR1020120084032 A KR 1020120084032A KR 20120084032 A KR20120084032 A KR 20120084032A KR 101449801 B1 KR101449801 B1 KR 101449801B1
Authority
KR
South Korea
Prior art keywords
charging
electric vehicle
charging task
task
schedule
Prior art date
Application number
KR1020120084032A
Other languages
English (en)
Other versions
KR20140017278A (ko
Inventor
이정훈
박경린
전홍범
강지현
조영인
Original Assignee
제주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 제주대학교 산학협력단 filed Critical 제주대학교 산학협력단
Priority to KR1020120084032A priority Critical patent/KR101449801B1/ko
Publication of KR20140017278A publication Critical patent/KR20140017278A/ko
Application granted granted Critical
Publication of KR101449801B1 publication Critical patent/KR101449801B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Sustainable Development (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Sustainable Energy (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템이 제공된다. 전기 자동차의 충전 태스크 스케쥴링 방법은 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 모델링하는 단계, 적어도 하나의 충전 태스크의 충전 스케쥴에 대한 복수의 초기 해들을 선택하는 단계, 유전자 알고리즘을 이용하여 상기 복수의 초기 해들을 선택 및 교배함으로써 최적의 해를 충전 스케쥴로서 추출하는 단계를 포함한다.

Description

유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템{Method and system of scheduling in charing tasks for electric vehicles based on genetic algorithms and intial population selection heuristics}
아래의 실시예들은 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템에 관한 것이다.
스마트 그리드(smart grid)는 기존의 전력망에 정보통신기술을 접목해 에너지 네트워크와 통신 네트워크가 합쳐진 지능형 전력망으로 전력공급자와 소비자가 실시간으로 전기사용 관련 정보를 주고받음으로써 에너지 사용을 최적화할 수 있는 차세대 전력망 사업이다. 스마트 그리드의 개발로 에너지 효율이 최적화되고, 태양광과 풍력 등의 신재생 에너지를 안정적으로 이용하며, 전기 자동차에 전기를 충전하는 인프라가 확대되고 있다.
전기 자동차는 대기 오염을 줄일 수 있을 뿐만 아니라, 연료비의 낭비를 줄일 수 있으므로, 전기 자동차의 수요는 지속적으로 증가할 것으로 예상된다.
그러나 전기 자동차는 충전 시간이 길고 충전을 자주 해야하므로, 충전 전략이 중요할 수 있다. 어느 한 시점에 전기 자동차의 충전이 집중되면 충전소에서 전력 수요가 늘어나게 되므로 피크 로드(peak load)가 높아질 수 있다. 이 경우, 피크 로드가 높아지면 전력 비용이 늘어날 뿐 아니라 에너지 효율이 떨어질 수 있다. 또한 전기 자동차의 배터리는 많은 에너지 저장 능력을 필요로 할 뿐만 아니라, 충전할 때 많은 전기적 부하(electric load)가 발생되므로 전기 자동차에 스마트 그리드를 적용시킨 기술이 많이 연구되고 있다.
본 발명의 실시예들은 특정 충전소에서 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용하여 전기 자동차의 충전 순서 및 전력 소모량을 계산함으로써, 최적의 충전 스케쥴을 사용자에게 제공할 수 있는 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템을 제공할 수 있다.
본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 방법은 상기 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 모델링하는 단계; 상기 적어도 하나의 충전 태스크의 충전 스케쥴에 대한 복수의 초기 해들을 선택하는 단계; 및 유전자 알고리즘을 이용하여 상기 복수의 초기 해들을 선택 및 교배함으로써 최적의 해를 충전 스케쥴로서 추출하는 단계를 포함한다.
상기 전기 자동차의 충전 태스크 스케쥴링 방법에서 상기 적어도 하나의 충전 태스크 각각은 상기 적어도 하나의 전기 자동차의 충전 개시와 관련된 활성화 시간, 상기 적어도 하나의 전기 자동차의 충전 종료와 관련된 마감 시간 또는 상기 적어도 하나의 전기 자동차의 충전 동작 길이와 관련된 동작 시간 중 적어도 하나를 포함할 수 있다.
상기 전기 자동차의 충전 태스크 스케쥴링 방법은 상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스를 포함하는 전력 소모 프로필을 생성하는 단계를 더 포함할 수 있다.
상기 충전 태스크를 모델링하는 단계는 상기 전력 소모 프로필에 포함된 상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스를 기초로 상기 충전 태스크를 모델링하는 단계일 수 있다.
상기 최적의 해를 충전 스케쥴로서 추출하는 단계는 상기 활성화 시간, 상기 마감 시간 및 상기 동작 시간에 기초하여 상기 최적의 해를 충전 스케쥴로서 추출하는 단계일 수 있다.
상기 복수의 초기 충전 해들을 선택하는 단계는 상기 적어도 하나의 충전 태스크에 대하여 적어도 하나의 할당 순서를 식별하는 단계; 상기 적어도 하나의 할당 순서 각각에 대응하는 복수의 할당 테이블들을 생성하는 단계; 및 상기 복수의 할당 테이블들 중 적어도 일부를 상기 초기 해들로 결정하는 단계를 더 포함할 수 있다.
상기 적어도 하나의 할당 순서는 상기 적어도 하나의 충전 태스크의 슬랙의 길이, 상기 적어도 하나의 충전 태스크의 동작 시간 또는 슬롯 당 전력 요구량 중 적어도 하나에 의해 결정될 수 있다.
상기 복수의 할당 테이블들을 생성하는 단계는 상기 적어도 하나의 할당 순서 각각에 따라 상기 적어도 하나의 충전 태스크 중 어느 하나의 충전 태스크를 할당하는 단계; 및 상기 적어도 하나의 충전 태스크 중 나머지 충전 태스크를 상기 할당된 어느 하나의 충전 태크스를 고려하여 할당하는 단계를 더 포함할 수 있다.
상기 최적의 해를 충전 스케쥴로서 추출하는 단계는 상기 복수의 초기 해들을 유전자 형태를 갖는 복수의 유전자들로 표현하는 단계; 상기 복수의 유전자들 중에서 부모를 선택하는 단계; 상기 선택된 부모를 교배하여 자식을 획득하는 단계; 및 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하는 단계를 포함할 수 있다.
상기 복수의 유전자들 중에서 부모를 선택하는 단계는 룰렛 휠 선택 방법을 이용하여 상기 복수의 유전자들 중에서 부모를 선택하는 단계일 수 있다.
상기 전기 자동차의 충전 태스크 스케쥴링 방법은 상기 선택된 부모의 유전자들 사이의 교차점을 랜덤하게 선택하는 단계를 더 포함할 수 있다.
상기 선택된 부모를 교배하여 자식을 획득하는 단계는 상기 선택된 교차점을 기초로 상기 선택된 부모를 교배하여 자식을 획득하는 단계일 수 있다.
상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하는 단계는 상기 자식의 슬롯당 전력 수요를 계산하는 단계; 상기 자식의 피크 로드를 계산하는 단계; 및 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하기 위하여 상기 슬롯당 전력 수요 및 상기 피크 로드를 사용하는 단계를 포함할 수 있다.
상기 전기 자동차의 충전 태스크를 스케쥴링하는 시스템은
메모리; 프로세서; 및 상기 적어도 하나의 전기 자동차와 데이터 통신을 수행하기 위한 통신 인터페이스를 포함할 수 있다.
상기 프로세서는 상기 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 모델링할 수 있고, 상기 적어도 하나의 충전 태스크를 상기 메모리에 저장하고, 상기 적어도 하나의 충전 태스크의 충전 스케쥴에 대한 복수의 초기 해들을 선택할 수 있으며, 유전자 알고리즘을 이용하여 상기 복수의 초기 해들을 선택 및 교배함으로써 최적의 해를 충전 스케쥴로서 추출할 수 있다.
상기 프로세서는 상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스를 포함하는 전력 소모 프로필을 생성할 수 있고, 상기 전력 소모 프로필을 상기 메모리에 저장할 수 있다.
상기 프로세서는 상기 전력 소모 프로필에 포함된 상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스를 기초로 상기 충전 태스크를 모델링할 수 있다.
상기 프로세서는 상기 적어도 하나의 전기 자동차의 충전 개시와 관련된 활성화 시간, 상기 적어도 하나의 전기 자동차의 충전 종료와 관련된 마감 시간 또는 상기 적어도 하나의 전기 자동차의 충전 동작 길이와 관련된 동작 시간 중 적어도 하나를 포함하는 상기 충전 태스크를 모델링할 수 있고, 상기 충전 태스크를 상기 메모리에 저장할 수 있다.
상기 프로세서는 상기 활성화 시간, 상기 마감 시간 및 상기 동작 시간에 기초하여 상기 최적의 해를 충전 스케쥴로서 추출할 수 있다.
상기 프로세서는 상기 적어도 하나의 충전 태스크에 대하여 적어도 하나의 할당 순서를 식별하고, 상기 적어도 하나의 할당 순서 각각에 대응하는 복수의 할당 테이블들을 생성할 수 있고, 상기 복수의 할당 테이블들을 상기 메모리에 저장할 수 있다.
상기 프로세서는 상기 복수의 할당 테이블들 중 적어도 일부를 상기 초기 해들로 결정하여 상기 복수의 초기 충전 해들을 선택할 수 있다.
상기 프로세서는 상기 적어도 하나의 충전 태스크의 슬랙의 길이, 상기 적어도 하나의 충전 태스크의 동작 시간 또는 슬롯 당 전력 요구량 중 적어도 어느 하나에 의해 상기 적어도 하나의 할당 순서가 결정될 수 있다.
상기 프로세서는 상기 적어도 하나의 할당 순서 각각에 따라 상기 적어도 하나의 충전 태스크 중 어느 하나의 충전 태스크를 할당하고, 상기 적어도 하나의 충전 태스크 중 나머지 충전 태스크를 상기 할당된 어느 하나의 충전 태크스를 고려하여 할당하여 상기 복수의 할당 테이블들을 생성할 수 있다.
상기 프로세서는 상기 복수의 초기 해들을 유전자 형태를 갖는 복수의 유전자들로 표현하고, 상기 복수의 유전자들 중에서 부모를 선택하고, 상기 선택된 부모를 교배하여 자식을 획득하며, 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하여 상기 최적의 해를 충전 스케쥴로서 추출할 수 있다.
상기 프로세서는 상기 자식의 슬롯당 전력 수요를 계산하고, 상기 자식의 피크 로드를 계산하며, 상기 슬롯당 전력 수요 및 상기 피크 로드를 사용하여 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단할 수 있다.
본 발명의 실시예들은 특정 충전소에서 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용하여 전기 자동차의 충전 순서 및 전력 소모량을 계산함으로써, 최적의 충전 스케쥴을 사용자에게 제공할 수 있는 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템을 제공할 수 있다.
도 1은 전기 자동차가 충전을 위해 방문하는 충전소의 충전 시스템 모델을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 방법을 나타낸 동작 흐름도이다.
도 3은 도 2에 도시된 단계 210을 보다 구체적으로 나타낸 동작 흐름도이다.
도 4는 도 2에 도시된 단계 220을 보다 구체적으로 나타낸 동작 흐름도이다.
도 5는 도 2에 도시된 단계 230을 보다 구체적으로 나타낸 동작 흐름도이다.
도 6은 본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 시스템을 나타낸 블록도이다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 전기 자동차가 충전을 위해 방문하는 충전소의 충전 시스템을 나타낸 도면이다.
도 1을 참조하면, 전기 자동차를 충전하기 위해서 충전소를 방문하는 경우 충전소는 스케쥴러(scheduler)(110), 컨트롤러(controller)(120), 스위치 레이어(on/off switch layer)(130)으로 구성될 수 있다.
사용자는 차량 네트워크(vehicular network)(150)를 통하여 충전소에 전기 자동차의 충전을 예약할 수 있다. 이때 사용자는 전기 자동차의 충전을 위한 요구 사항들을 차량 네트워크(150)를 통하여 입력하거나, 충전소에서 충전 설비를 통해 입력할 수 있다. 상기 요구 사항들은 차량 종류(vehicle type), 예상 도착 시간(estimated arrival time), 희망 충전 종료 시간(the desired service completion time), 충전량(charging amount)일 수 있다.
사용자가 상기 요구 사항들을 입력하면, 스케쥴러(110)는 전력 소모 프로필(power consumption profile)을 제공한다. 상기 전력 소모 프로필은 차량 정보 데이터베이스(vehicle information database)로부터 차량 종류에 따라 다른 정보를 제공할 수 있다. 그리고 상기 전력 소모 프로필은 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스(Dynamics)에 대한 정보를 포함할 수 있다.
그리고 스케쥴러(110)는 상기 전력 소모 프로필을 이용하여 충전 태스크(charging task)를 모델링한다. 따라서 최적의 스케쥴을 추출하기 위해서는 전력 소모 프로필의 정확성이 무엇보다 중요하다. 이 경우 스케쥴러(110)는 충전 스케쥴이 사용자가 입력한 요구 사항들을 만족하는지 여부 및 상기 충전 스케쥴이 이미 계획되어 있던 다른 충전 스케쥴을 실행할 수 없게 하는지 여부에 대해 조사할 수 있다.
충전 스케쥴이 결정되면 결정된 충전 스케쥴은 사용자에게 전달된다. 이 때, 사용자는 결정된 충전 스케쥴에 따라 충전을 할 것인지, 재 협상을 할 것인지 또는 다른 충전소에서 충전을 할 것인지에 대해 선택할 수 있다.
컨트롤러(120)는 스케쥴러(110)가 추출한 충전 스케쥴에 따라 전기 자동차에 대한 전력 공급을 제어할 수 있다. 또한 사용자가 충전소에 입장하면, 전기 자동차(140)는 스위치 레이어(130)에 연결된 복수의 충전기들 중 어느 하나를 할당 받고, 상기 할당 받은 충전기에 플러그로 연결되어 충전할 수 있다. 이 때, 스케쥴러(110)는 충전소 내부에 있거나, 인터넷을 통한 원격 충전 서버에 의해 운영될 수 있다.
고 용량의 서버는 시간 집중적인 어플리케이션을 위해 처리 능력(computing power)을 제공할 수 있다. 예를 들면, SAE J1772 시리즈는 전기 커넥터 및 충전 시스템 아키텍처를 위해 물리적, 전기적, 통신 프로토콜, 성능 요건의 표준을 정의할 수 있다. 스케쥴러(110)는 전기 자동차 충전 서비스를 상기 표준에 의해 운영 할 수 있다. 차량 네트워크(150)는 휴대폰 네트워크, 자동차 애드 혹(ad hoc) 네트워크, 자동차 텔레매틱스(telematics) 시스템 등을 이용하여 전기 자동차와 스케쥴러 상호 간의 연결망을 제공해 줄 수 있다.
도 2는 본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 방법을 나타낸 동작 흐름도이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 방법은 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 모델링한다.
전기 자동차의 충전 태스크 스케쥴링 방법은 실시간 운영체제(real-time operating system)에서의 스케쥴링 프로세스와 유사하다. 상기 전기 자동차의 충전 태스크 스케쥴링 방법과 상기 실시간 동작 시스템에서의 스케쥴링 프로세스의 유사점은 충전 동작이 실행 시간, 시작 시간 및 마감 시간을 갖는 태스크로서 모델링 되어 있는 것이다. 그러나 차이점은 상기 전기 자동차의 충전 태스크 스케쥴링 방법에서의 충전 태스크들은 설정된 총 전력이 예정된 전력량을 넘지 않는 한도 내에서 동시에 실행될 수 있다는 것이다.
또한, 본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 방법은 적어도 하나의 충전 태스크의 충전 스케쥴에 대한 복수의 초기 해들을 선택한다.
유전자 알고리즘의 초기 해는 해가 크고 복잡할수록 전체 알고리즘에 많은 영향을 미친다. 따라서 초기 해의 적합성이 높다면, 유전자 알고리즘은 더 나은 결과를 도출할 수 있다.
유전자 알고리즘에서, 초기 해의 선택에 따라 해당 문제에서 그 결과가 가능 해(feasible solution) 또는 부분 해(partial solution) 가 될 수 있다. 초기 해의 선택 방법은 주어진 최적화 문제를 해결하기 위해 완전한 알고리즘(complete algorithm) 또는 휴리스틱 기반의 접근 방법을 사용한다. 유전자 알고리즘에서 초기 해의 다양성은 더 나은 결과를 찾기 위한 확률을 높일 수 있다. 상기 다양성은 그레펜스텟 바이어스 공식(Grefenstette bias formula) 및 불확정 엔트로피를 통한 유전자 레벨과, 해밍 거리(hamming distance)와 이웃을 통한 염색체 레벨 및 질량 중심을 통한 해 집단 레벨로 나타낼 수 있다. 이 기법은 해 집합에서 랜럼하게 선택된 유전자들의 메트릭(metric)을 제공할 수 있다. 또한 다양성 계산을 위한 연산 시간이 필요할 수 있고, 초기 해 집단의 선택으로 인하여 더 나은 결과를 추출할 수 있고, 반복 횟수를 줄일 수 있다.
또한, 본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 방법은 유전자 알고리즘을 이용하여 복수의 초기 해들을 선택 및 교배함으로써 최적의 해를 충전 스케쥴로서 추출한다.
일반적으로, 태스크 스케쥴링은 복잡하고, 시간 소모가 크며, 또한 태스크의 수에 따라 많은 영향을 받는 문제가 있다. 따라서 이는 기존의 최적화 기법으로는 해결하기 어려우며, 실제 시스템에서 실행 시간이 매우 큰 난점이 있다. 이를 해결하기 위해, 유전자 알고리즘은 자연선택 및 유전의 원리를 기초한 효율적인 탐색 기법을 제공할 수 있다.
휴리스틱 기반의 접근 방법(heuristic-based approach)은 주로 경험적인 정보들을 이용하여 정확한 계산 결과를 획득할 수 있다. 상기 휴리스틱 기반의 접근 방법이 빠르고 효율성이 높은 경우에는, 더 나은 결과를 도출하기 위하여 초기 해 및 유전자 알고리즘을 사용할 수 있다. 이러한 전략은 휴리스틱 기반의 접근 방법의 시간 효율성과 유전자 알고리즘의 반복적인 진화를 결합시킨 것이다. 따라서 이러한 전략에 기초한 전기 자동차의 충전 태스크 스케쥴링 방법은 충전소에서 피크 로드(peak load)를 감소시키는 것을 목적으로 하여, 특정 시간 간격에서 집중적인 전력 수요의 문제를 해결하게 할 수 있다.
도 3은 도 2에 도시된 단계 210을 보다 구체적으로 나타낸 동작 흐름도이다.
도 3을 참조하면, 단계(210)는 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스(dynamics)를 포함하는 전력 소모 프로필(power consumption profile)을 생성한다(310).
상기 충전 전력의 다이내믹스(dynamics)는 상기 전기 자동차의 충전 단계(charging stage), 잔존량(remaining amount), 차량 종류 등에 따라 다양하게 나타날 수 있다. 상기 전기 자동차의 충전 태스크 스케쥴링 방법은 차량 네트워크를 통해 상기 전기 자동차의 잔존량 및 충전 단계를 식별할 수 있다.
전력 소모 프로필은 고정된 길이의 슬롯에 맞게 정렬된 전력 요구량에 관한 정보를 포함할 수 있다. 각각의 단일 슬롯에서는 자동 전압 조정(automatic voltage regulation)을 이용하여 전력 소모를 일정하게 할 수 있다. 상기 전기 자동차의 충전 태스크 스케쥴링 방법은 스케쥴 세분화(granularity) 및 연산 시간에 의한 충전 시스템의 요구 사항에 맞게 상기 슬롯의 길이를 조절할 수 있다. 따라서 전기 자동차의 충전 태스크 스케쥴링 방법은 상기 슬롯의 크기에 영향을 받을 수 있다.
상기 슬롯의 길이의 단위는 실제 쓰이는 시간 단위와 일치 시킨다. 예를 들어 상기 슬롯의 길이는 10분 등으로 설정할 수 있다. 그리고 충전 작업은 효율적인 스케쥴링을 위해 각각의 슬롯의 처음부터 시작한다.
또한, 단계(210)는 활성화 시간(activation time), 마감 시간(deadline) 및 동작 시간(operation length)을 획득한다(320).
상기 활성화 시간은 전기 자동차의 예상 도착 시간을 약간의 여유 시간을 포함하여 나타낸 것이다. 전기 자동차의 도착 시간을 항상 정확하게 예측할 수는 없지만, 상기 전기 자동차의 충전 태스크 스케쥴링 방법은 교통 정보 및 효율적인 경로 탐색 알고리즘을 이용한 컴퓨터 통신 기술을 통하여 예측 오차를 줄일 수 있다.
전기 자동차의 도착 시간이 활성화 시간보다 빠르다면, 전기 자동차는 충전을 위해 대기해야 한다. 이 경우, 대기하는 전기 자동차를 위한 대기 공간 및 충전 잭(jack)이 마련되어 있음을 가정할 수 있다.
그리고 전기 자동차가 활성화 시간에 도착하지 않는 경우에는, 상기 전기 자동차의 충전 태스크 스케쥴링 방법은 즉시 변경된 상황에 맞춰 스케쥴을 다시 추출할 수 있다.
마감 시간은 사용자가 차량 네트워크 또는 충전소에서 충전 설비를 통해 입력한 희망 충전 종료 시간을 의미한다.
동작 시간은 상기 전기 자동차가 충전을 위해 필요한 실제적인 슬롯의 전체 길이를 의미한다. 그리고 상기 동작시간은 상기 전기 자동차의 전력 소모 프로필에 포함된 충전 전력의 다이내믹스를 이용하여 생성된다.
또한, 단계(210)는 상기 활성화 시간, 상기 마감 시간 및 상기 동작 시간을 이용하여 충전 태스크를 모델링한다(330).
전기 자동차의 충전 태스크 스케쥴링 방법에서 전기 자동차 각각의 충전 작업은 각각의 충전 태스크로서 모델링이 될 수 있다.
상기 충전 태스크 Ti 는Ai, Di, Ui 의 집합으로 정의될 수 있다. 이 때 Ai는 Ti의 활성화 시간, Di는 Ti의 마감시간, Ui는 Ti의 동작 시간을 의미한다. 따라서 전기 자동차의 충전 태스크 스케쥴링 방법은 충전 태스크를 전기 자동차 각각의 활성화 시간, 마감시간 및 동작 시간을 포함한 집합으로 모델링할 수 있다.
도 4는 도 2에 도시된 단계 220을 보다 구체적으로 나타낸 동작 흐름도이다.
도 4를 참조하면, 단계(220)는 적어도 하나의 충전 태스크에 대하여 적어도 하나의 할당 순서를 식별한다(410).
특정 충전소에서는 적어도 하나의 충전 태스크가 있으며, 어떠한 충전 태스크가 먼저 할당되는지에 따라 전체 스케쥴링 결과가 달라질 수 있다.
상기 할당 순서는 슬랙(slack), 동작 시간 및 슬롯 당 전력 요구량(per-slot power demand)에 따른 기준으로 설정될 수 있다.
우선, 슬랙은 마감 시간 및 상기 마감 시간과 관련된 제약 조건을 만족할 수 있는 가장 늦은 시작 시간 사이의 차이로 정의될 수 있다. 이 때, 충전 태스크의 슬랙이 커질수록 해당 충전 태스크를 위하여 할당할 수 있는 슬롯들의 범위가 넓어지므로, 전기 자동차의 충전 태스크 스케쥴링 방법이 해당 충전 태스크를 스케쥴링 할 수 있는 옵션이 더 많아진다. 따라서, 슬랙의 크기에 따라 충전 태스크 집합을 정렬하는 경우, 전기 자동차의 충전 태스크 스케쥴링 방법은 더 적은 스케쥴링 옵션을 갖는 충전 태스크들이 먼저 배치되도록 충전 태스크 집합을 정렬할 수 있다. 즉, 전기 자동차의 충전 태스크 스케쥴링 방법은 상대적으로 더 많은 스케쥴링 옵션을 가지는 충전 태스크들을 상기 스케쥴링 옵션이 적은 충전 태스크들이 타임 슬롯들을 할당 받은 이후에 스케쥴링 함으로써, 최종 스케쥴링 결과로 피크 로드를 감소시키는 스케쥴링 결과를 도출할 수 있다.
또한, 동작 시간이 큰 충전 태스크는 상기 할당 테이블에서 더 많은 슬롯을 할당할 수 있다. 따라서 전기 자동차의 충전 태스크 스케쥴링 방법은 동작 시간이 짧은 충전 태스크를 상기 할당 테이블에서 우선적으로 할당하고 동작 시간이 긴 충전 태스크를 나중에 할당 할 수 있다. 그 결과로 슬롯당 전력 요구량이 분산 배치되게 스케쥴링 됨으로써, 피크 로드를 감소시킬 수 있다.
또한, 전기 자동차의 충전 태스크 스케쥴링 방법은 슬롯 당 전력 요구량에 따라 충전 태스크 집합을 정렬할 수 있다. 여기서 슬롯 당 전력 요구량은 충전 태스크의 동작 시간 동안의 평균 전력 요구량을 의미한다.
즉, 복수의 충전 태스크들이 동일한 슬롯에서 큰 전력을 요구한다면 피크 로드가 증가하므로, 전기 자동차의 충전 태스크 스케쥴링 방법은 슬롯 당 전력 요구량이 큰 충전 태스크들을 먼저 스케쥴링 하도록 할 수 있다. 이 경우, 슬롯 당 전력 요구량이 작은 충전 태스크들이 나중에 스케쥴링 됨에 따라, 슬롯당 전력 요구량이 분산 배치되게 스케쥴링 됨으로써, 피크 로드를 감소시킬 수 있다.
또한 단계(220)는 상기 적어도 하나의 할당 순서 각각에 대응하는 복수의 할당 테이블들을 생성한다(420).
전기 자동차의 충전 태스크 스케쥴링 방법은 M × N 크기의 할당 테이블을 이용하여 스케쥴링을 할 수 있다. 상기 할당 테이블은 복수의 슬롯들 중 적어도 하나의 충전 태스크가 어느 슬롯에 할당되는지를 나타낸다.
이 경우, M은 슬롯의 개수에 대응되고, N은 전기 자동차의 개수에 대응된다. 또한 M의 크기는 스케쥴링 윈도(scheduling window)에 대응될 수 있으며, 이는 충전소가 전기 자동차의 충전 예약을 고려하여 정할 수 있다. 따라서 충전소는 복수의 충전 태스크들의 마감 시간을 고려하여 M의 크기를 결정할 수 있다. 예를 들어 M의 크기를 20개, 슬롯의 길이를 10분으로 가정하면, 스케쥴링 윈도는 200분이 된다.
전기 자동차의 충전 태스크 스케쥴링 방법은 할당 테이블의 첫 번째 열부터 충전 스케쥴을 할당할 수 있다. 우선, 전기 자동차의 충전 태스크 스케쥴링 방법은 각 충전 태스크마다 모든 가능한 스케쥴을 탐색할 수 있다. 즉, Ti 에 대해서 (D_i-A_i) C U_i 개의 스케쥴을 생성할 수 있다. 그러나 M과 N의 크기가 큰 경우에는 스케쥴러의 연산 시간이 매우 많이 소요될 수 있다. 이를 해결하기 위해 기본 전략(basic strategy)을 이용할 수 있다. 상기 기본 전략은 할당 테이블에서 처음 충전 태스크에서 Ti -1까지 할당된 스케쥴을 조사하고, Di - Ai 슬롯들 중에서 가장 전력 소모량이 적은 Ui 개의 슬롯들을 충전 태스크 Ti에 할당하는 것이다. 따라서 상기 기본 전략은 O(1)의 복잡도(complexity)를 이용하여 Ti외의 다른 충전 태스크의 할당에 대해 더 자세히 조사할 수 있다.
그러나 상기 기본 전략은 할당 순서에 따라 그 결과가 달라질 수 있다. 즉, 할당 테이블에 어떤 충전 태스크의 스케쥴이 첫 번째 열에 할당되는지가 중요할 수 있다. 따라서 상기 기본 전략과 상기 할당 순서에 따라 충전 태스크를 할당 한다면 충전 스케쥴의 피크 로드를 줄일 수 있다.
또한 처음에 할당되는 충전 태스크는 이전에 할당된 스케쥴이 없으므로, 어떤 슬롯이 가장 전력 소모량이 적은 슬롯인지 알 수 없어 기본 전략을 적용할 수 없다. 전기 자동차의 충전 태스크 스케쥴링 방법은 스케쥴 할당에 다른 제약이 없다면, 처음에 할당되는 충전 태스크의 스케쥴을 할당 테이블에 연속된 Ui개의 슬롯이 할당되게 할 수 있다. 그러나 이는 이후에 할당되는 충전 태스크가 선택할 수 있는 옵션이 줄어들게 할 수 있다. 따라서 충전 태스크 스케쥴링 방법은 처음에 할당되는 충전 태스크의 스케쥴에 대해 Di - Ai 슬롯들 중에서 Ui 개의 슬롯을 랜덤(random)하게 할당하는 방식을 이용할 수 있다. 이 경우 공간 탐색 복잡도가 할당 테이블에 연속된 Ui 개의 슬롯이 할당될 때 보다 몇 배나 증가될 수 있지만, 랜덤 할당 방법 역시 O(N2)의 복잡도가 부가된 O(1)의 복잡도가 유지된다.
또한, 단계(220)는 복수의 할당 테이블 중 적어도 일부를 초기 해들로 결정한다(430).
전기 자동차의 충전 태스크 스케쥴링 방법은 상기 적어도 하나의 할당 순서 및 상기 기본 전략을 이용하여 상기 복수의 할당 테이블들을 생성한 후, 전체의 상기 복수의 할당 테이블들을 유전자 알고리즘의 복수의 초기 해들로 선택할 수 있다.
도 5는 도 2에 도시된 단계 230을 보다 구체적으로 나타낸 동작 흐름도이다.
도 5를 참조하면, 단계(230)는 유전자 알고리즘의 복수의 초기 해들을 유전자(chromosome) 형태를 갖는 복수의 유전자들로 표현한다(510).
유전자 알고리즘에서, 상기 복수의 초기 해들은 상기 활성화 시간, 상기 마감 시간 및 상기 동작 시간을 만족시키는 할당 테이블들로 구성되어 있다.
전기 자동차의 충전 태스크 스케쥴링 방법은 상기 복수의 초기 해들을 유전자 형태를 갖는 복수의 유전자들로 표현하고, 상기 복수의 유전자들 중에서 부모를 선택하는 단계, 상기 선택된 부모를 교배하여 자식을 획득하는 단계 및 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하는 단계를 반복하여 더 좋은 결과를 갖는 스케쥴을 추출할 수 있다. 즉, 각각의 진화 단계는 적어도 하나의 후보 해의 해집단(population)을 만들고, 적합도 함수(fitness function)에 따라 해집단을 평가하여 가장 피크 로드가 작은 스케쥴을 추출할 수 있다. 적합도 함수는 유전자 알고리즘에 의하여 도출한 해가 유전자 알고리즘의 목적에 얼마나 근접한 것인지에 대하여 평가하는 성능 지수를 계산하기 위하여 사용되는 목적 함수이다. 전기 자동차의 충전 태스크 스케쥴링 방법은 유전자 알고리즘에 의해 획득한 자식의 피크 로드를 이용하여 적합도 함수를 설정할 수 있다.
전기 자동차의 충전 태스크 스케쥴링 방법은 상기 복수의 초기 해들을 유전자 형태를 갖는 복수의 유전자들로 표현할 수 있다. 이 때, 상기 유전자는 고정된 길이를 갖는 이진 정수 벡터로 표현된다. 각각의 벡터 구성요소는 각 충전 태스크의 할당 맵(allocation map)을 가리킨다. 전기 자동차의 충전 태스크 스케쥴링 방법은 충전 태스크 Ti 에서, Ui 슬롯을 반드시 Ai 슬롯과 Di 슬롯의 사이에서 선택한다. 예를 들면, 충전 태스크 Ti 에서 Di - Ai 가 5 이고, Ui 가 3 이라고 하면, 상기 충전 태스크 Ti 에서 (0, 0, 1, 1, 1) 부터 (1, 1, 1, 0, 0) 까지 범위를 갖는 5C3 개의 선택 가능한 할당 맵이 생성된다. 이 경우, 1 은 대응하는 슬롯에서 충전을 하는 것을 의미한다. 1 에서 0 으로의 변화는 중단을 의미하고, 0 에서 1 으로의 변화는 충전의 재개를 의미한다.
상기 각각의 유전자의 벡터 성분은 십진법으로 표현할 수 있다. 예를 들어 상기 충전 태스크 Ti 의 벡터 성분이 11 이라고 한다면, 상기 Ti 의 할당 맵은 (0, 1, 0, 1, 1) 이다. 또한, Ti 의 슬롯 당 전력 요구량이 (2, 3, 4) 이고 Ai 가 15 인 경우에는 상기 유전자는 (0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 3, 4) 으로 맵핑될 수 있다. 이와 같이 상기 전기 자동차의 충전 태스크 스케쥴링 방법은 상기 대응하는 각각의 상기 할당 테이블을 할당 벡터로서 변환할 수 있다.
또한, 단계(230)는 상기 복수의 유전자 중에서 부모를 선택(selection)한다(520).
전기 자동차의 충전 태스크 스케쥴링 방법은 최적의 해를 찾기 위하여 유전자 알고리즘의 선택과 교배의 과정을 반복한다. 선택은 적합도 함수를 이용하여 교차에 쓰이는 두 개의 부모를 고르는 방법이다. 전기 자동차의 충전 태스크 스케쥴링 방법은 룰렛 휠 선택 (Roulette Wheel Selection) 방법을 사용하여 선택 단계를 진행할 수 있다. 상기 룰렛 휠 선택 방법은 교배시 더 나은 적합도를 갖는 자식을 획득할 수 있는 확률을 높여줄 수 있다.
또한, 단계(230)는 상기 선택된 부모를 교배(reproduction)하여 자식을 획득한다(530).
교배는 선택된 더 나은 적합도를 갖는 자식을 획득하기 위해 두 부모들을 이용하는 것을 의미한다. 상기 교배는 상기 두 부모들의 유전자에서 한 쌍의 교차점을 랜덤하게 선택하고, 교차점을 기준으로 두 부모들의 유전자의 부분열을 바꾸는 과정을 진행한다. 교배는 해집합에 존재하는 기존의 유전자와 동일한 유전자를 획득할 수 있다. 이는 기존의 유전자에 비해 개선된 결과를 나타내지 않는다. 따라서 상기 동일한 유전자들 중 하나의 유전자는 교배를 통하여 획득된 새로운 유전자로 대체될 수 있다.
또한, 단계(230)는 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단한다(540).
돌연변이(mutation)는 하나의 유전자에서 적어도 하나의 벡터 요소가 허용 범위를 넘어서 변화한 것을 의미한다. 따라서 전기 자동차의 충전 태스크 스케쥴링 방법에서 돌연변이는 금지된다.
그리고 전기 자동차의 충전 태스크 스케쥴링 방법은 충전 스케쥴이 적합한지 여부를 평가하기 위하여, 상기 충전 스케쥴의 슬롯 당 전력 수요와 피크 로드를 계산한다. 전기 자동차의 충전 태스크 스케쥴링 방법은 상기 충전 스케쥴의 슬롯 당 전력 수요와 상기 피크 로드를 이용하여 유전자 알고리즘의 반복으로 생성된 복수의 스케쥴들 중에서 피크 로드가 가장 작은 스케쥴을 상기 전기 자동차의 스케쥴로 추출할 수 있다. 즉, 적합도 함수를 이용하여 생성된 자식에 대응하는 스케쥴이 적합한지 여부를 판단하고, 적합하다면 상기 생성된 자식에 대응하는 스케쥴을 전기 자동차의 충전 스케쥴로 추출한다. 그러나 상기 생성된 자식에 대응하는 스케쥴이 적합하지 않다면, 다시 새로운 부모를 선택하고, 상기 부모를 교배하여 새로운 자식을 획득한다. 상기 적합도 함수는 유전자 알고리즘에 의하여 도출한 개개의 해가 유전자 알고리즘의 목적에 얼마나 근접한 것인지에 대하여 평가하는 성능 지수를 계산하기 위하여 사용되는 목적 함수이다. 전기 자동차의 충전 태스크 스케쥴링 방법에서는 상기 피크 로드가 작을수록 좋은 성능 지수를 나타내는 것으로 설정할 수 있다.
또한 수 많은 반복으로 인해 상기 해집단에서는 우성의 비율이 높아지고, 그 결과로서 더 좋은 결과를 갖는 스케쥴을 추출할 수 있다. 그러나 수 많은 반복으로 생성된 상기 해집단의 스케쥴의 결과가 처음에 생성된 자식에 대응하는 충전 스케쥴보다 피크 로드가 더 클 수도 있다.
그리고 전기 자동차의 충전 태스크 스케쥴링 방법은 시간 제약을 받기 쉽다. 그러나 전기 자동차의 충전 태스크 스케쥴링 방법이 유효한 범위를 갖는 할당 벡터들을 선택하므로, 상기 시간 제약을 만족시킬 수 있다.
상술한, 전기 자동차의 충전 태스크 스케쥴링 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
도 6은 본 발명의 일실시예에 따른 전기 자동차의 충전 태스크 스케쥴링 시스템을 나타낸 블록도이다.
도 6을 참조하면, 프로세서(610)는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 모델링한다. 이때, 충전 태스크는 활성화 시간, 마감 시간 및 동작 시간의 집합일 수 있다. 그리고 적어도 하나의 충전 태스크를 메모리(620)에 저장할 수 있다.
또한, 상기 프로세서(610)는 적어도 하나의 충전 태스크의 충전 스케쥴에 대한 복수의 초기 해들을 선택할 수 있다. 상기 프로세서(610)는 할당 순서를 식별하고, 적어도 하나의 할당 순서 각각에 대응하는 복수의 할당 테이블들을 생성하고, 복수의 할당 테이블들 중 적어도 일부를 초기 해들로 결정할 수 있다. 그리고 복수의 할당 테이블들 및 복수의 초기 해들을 메모리(620)에 저장할 수 있다.
또한, 상기 프로세서(610)는 유전자 알고리즘을 이용하여 복수의 초기 해들을 선택 및 교배함으로써 최적의 해를 충전 스케쥴로서 추출할 수 있다. 상기 프로세서는 복수의 초기 해들을 유전자 형태를 갖는 복수의 유전자들로 표현하고, 복수의 유전자들 중에서 부모를 선택하고, 선택된 부모를 교배하여 자식을 획득하며, 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단할 수 있다. 그리고 복수의 유전자들, 부모 및 자식을 메모리(620)에 저장할 수 있다.
또한 전기 자동차의 충전 태스크 스케쥴링 시스템은 통신 인터페이스(630)를 이용하여 전기 자동차와 데이터 통신을 수행할 수 있다. 사용자는 상기 통신 인터페이스(630)을 통하여 사용자의 요구 사항을 입력할 수 있고, 상기 충전 태스크의 충전 스케쥴에 대한 정보를 수신할 수 있다.
도 6에 도시된 전기 자동차의 충전 태스크 스케쥴링 시스템에서는 도 1 내지 도 5를 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (20)

  1. 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크(charging task)를 스케쥴링하는 방법에 있어서,
    상기 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크 ― 상기 적어도 하나의 충전 태스크는 상기 적어도 하나의 전기 자동차의 예상 도착 시간과 관련된 활성화 시간, 상기 적어도 하나의 전기 자동차의 희망 충전 종료 시간을 나타내는 마감 시간 및 상기 적어도 하나의 전기 자동차의 충전 동작 길이와 관련된 동작 시간을 포함함 ― 를 모델링하는 단계;
    상기 적어도 하나의 충전 태스크에 대한 적어도 하나의 할당 순서 ― 상기 적어도 하나의 할당 순서는 상기 마감 시간과 관련된 슬랙의 길이, 상기 동작 시간 또는 상기 동작 시간 동안의 평균 전력 요구량을 나타내는 슬롯 당 전력 요구량 중 적어도 하나에 의해 결정됨 ― 를 기초로 상기 적어도 하나의 충전 태스크의 충전 스케쥴에 대한 복수의 초기 해들을 선택하는 단계; 및
    유전자 알고리즘을 이용하여 상기 복수의 초기 해들을 선택 및 교배함으로써 최적의 해를 충전 스케쥴로서 추출하는 단계
    를 포함하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스(dynamics)를 포함하는 전력 소모 프로필(power consumption profile)을 생성하는 단계
    를 더 포함하고,
    상기 충전 태스크를 모델링하는 단계는
    상기 전력 소모 프로필에 포함된 상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스를 기초로 상기 충전 태스크를 모델링하는 단계인 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  4. 제1항에 있어서,
    상기 최적의 해를 충전 스케쥴로서 추출하는 단계는
    상기 활성화 시간, 상기 마감 시간 및 상기 동작 시간에 기초하여 상기 최적의 해를 충전 스케쥴로서 추출하는 단계인 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  5. 제1항에 있어서,
    상기 복수의 초기 해들을 선택하는 단계는
    상기 적어도 하나의 충전 태스크에 대하여 상기 적어도 하나의 할당 순서를 식별하는 단계;
    상기 적어도 하나의 할당 순서 각각에 대응하는 복수의 할당 테이블들을 생성하는 단계; 및
    상기 복수의 할당 테이블들 중 적어도 일부를 상기 초기 해들로 결정하는 단계
    를 더 포함하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  6. 삭제
  7. 제5항에 있어서,
    상기 복수의 할당 테이블들을 생성하는 단계는
    상기 적어도 하나의 할당 순서 각각에 따라 상기 적어도 하나의 충전 태스크 중 어느 하나의 충전 태스크를 할당하는 단계; 및
    상기 적어도 하나의 충전 태스크 중 나머지 충전 태스크를 상기 할당된 어느 하나의 충전 태크스를 고려하여 할당하는 단계
    를 더 포함하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  8. 제1항에 있어서,
    상기 최적의 해를 충전 스케쥴로서 추출하는 단계는
    상기 복수의 초기 해들을 유전자(chromosome) 형태를 갖는 복수의 유전자들로 표현하는 단계;
    상기 복수의 유전자들 중에서 부모(parents)를 선택하는 단계;
    상기 선택된 부모를 교배(reproduction)하여 자식(child)을 획득하는 단계; 및
    상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하는 단계
    를 포함하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  9. 제8항에 있어서,
    상기 복수의 유전자들 중에서 부모를 선택하는 단계는
    룰렛 휠 선택(Roulette Wheel Selection) 방법을 이용하여 상기 복수의 유전자들 중에서 부모를 선택하는 단계인 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  10. 제8항에 있어서,
    상기 선택된 부모의 유전자들 사이의 교차점을 랜덤하게 선택하는 단계
    를 더 포함하고,
    상기 선택된 부모를 교배하여 자식을 획득하는 단계는
    상기 선택된 교차점을 기초로 상기 선택된 부모를 교배하여 자식을 획득하는 단계인 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  11. 제8항에 있어서,
    상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하는 단계는
    상기 자식의 슬롯당 전력 수요(per-slot power requirement)를 계산하는 단계;
    상기 자식의 피크 로드(peak load)를 계산하는 단계; 및
    상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하기 위하여 상기 슬롯당 전력 수요 및 상기 피크 로드를 사용하는 단계
    를 포함하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 방법.
  12. 제1항, 제3항 내지 제5항, 제7항 내지 제11항 중 어느 한 항의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  13. 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템에 있어서,
    메모리;
    프로세서; 및
    상기 적어도 하나의 전기 자동차와 데이터 통신을 수행하기 위한 통신 인터페이스
    를 포함하고,
    상기 프로세서는
    상기 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크 ― 상기 적어도 하나의 충전 태스크는 상기 적어도 하나의 전기 자동차의 예상 도착 시간과 관련된 활성화 시간, 상기 적어도 하나의 전기 자동차의 희망 충전 종료 시간을 나타내는 마감 시간 및 상기 적어도 하나의 전기 자동차의 충전 동작 길이와 관련된 동작 시간을 포함함 ― 를 모델링하여, 상기 적어도 하나의 충전 태스크를 상기 메모리에 저장하고,
    상기 적어도 하나의 충전 태스크에 대한 적어도 하나의 할당 순서 ― 상기 적어도 하나의 할당 순서는 상기 마감 시간과 관련된 슬랙의 길이, 상기 동작 시간 또는 상기 동작 시간 동안의 평균 전력 요구량을 나타내는 슬롯 당 전력 요구량 중 적어도 하나에 의해 결정됨 ― 를 기초로 상기 적어도 하나의 충전 태스크의 충전 스케쥴에 대한 복수의 초기 해들을 선택하며, 유전자 알고리즘을 이용하여 상기 복수의 초기 해들을 선택 및 교배함으로써 최적의 해를 충전 스케쥴로서 추출하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템.
  14. 제13항에 있어서,
    상기 프로세서는
    상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스를 포함하는 전력 소모 프로필을 생성하여, 상기 전력 소모 프로필을 상기 메모리에 저장하고,
    상기 전력 소모 프로필에 포함된 상기 적어도 하나의 전기 자동차 각각에 의해 요구되는 충전 전력의 다이내믹스를 기초로 상기 충전 태스크를 모델링하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템.
  15. 제13항에 있어서,
    상기 프로세서는
    상기 활성화 시간, 상기 마감 시간 및 상기 동작 시간에 기초하여 상기 최적의 해를 충전 스케쥴로서 추출하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템.
  16. 제13항에 있어서,
    상기 프로세서는
    상기 적어도 하나의 충전 태스크에 대하여 적어도 하나의 할당 순서를 식별하고, 상기 적어도 하나의 할당 순서 각각에 대응하는 복수의 할당 테이블들을 생성하여, 상기 복수의 할당 테이블들을 상기 메모리에 저장하고,
    상기 복수의 할당 테이블들 중 적어도 일부를 상기 초기 해들로 결정하여 상기 복수의 초기 해들을 선택하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템.
  17. 삭제
  18. 제16항에 있어서,
    상기 프로세서는
    상기 적어도 하나의 할당 순서 각각에 따라 상기 적어도 하나의 충전 태스크 중 어느 하나의 충전 태스크를 할당하고, 상기 적어도 하나의 충전 태스크 중 나머지 충전 태스크를 상기 할당된 어느 하나의 충전 태크스를 고려하여 할당하여 상기 복수의 할당 테이블들을 생성하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템.
  19. 제13항에 있어서,
    상기 프로세서는
    상기 복수의 초기 해들을 유전자 형태를 갖는 복수의 유전자들로 표현하고, 상기 복수의 유전자들 중에서 부모를 선택하고, 상기 선택된 부모를 교배하여 자식을 획득하며, 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하여 상기 최적의 해를 충전 스케쥴로서 추출하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템.
  20. 제19항에 있어서,
    상기 프로세서는
    상기 자식의 슬롯당 전력 수요를 계산하고, 상기 자식의 피크 로드를 계산하며, 상기 슬롯당 전력 수요 및 상기 피크 로드를 사용하여 상기 자식에 대응하는 충전 스케쥴이 적합한지 여부를 판단하는 적어도 하나의 전기 자동차 각각에 대한 적어도 하나의 충전 태스크를 스케쥴링하는 컴퓨팅 시스템.
KR1020120084032A 2012-07-31 2012-07-31 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 KR101449801B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120084032A KR101449801B1 (ko) 2012-07-31 2012-07-31 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120084032A KR101449801B1 (ko) 2012-07-31 2012-07-31 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20140017278A KR20140017278A (ko) 2014-02-11
KR101449801B1 true KR101449801B1 (ko) 2014-10-28

Family

ID=50265961

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120084032A KR101449801B1 (ko) 2012-07-31 2012-07-31 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101449801B1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281889B (zh) * 2014-10-08 2016-02-24 国家电网公司 电动汽车ev充电负荷多目标随机规划方法
KR101866645B1 (ko) * 2016-06-30 2018-06-12 한국과학기술원 전기차 충전 제어 장치 및 방법
CN106484026B (zh) * 2016-11-15 2018-10-30 北京信息科技大学 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置
CN109886468B (zh) * 2019-01-22 2020-12-08 河海大学 基于改进的自适应遗传算法的充电站规划方法
CN111416165B (zh) * 2020-03-25 2021-05-18 华中科技大学 一种液态金属电池充电方法及系统
CN111639866B (zh) * 2020-06-03 2024-01-26 国网上海市电力公司 基于遗传算法的储能充电站的储能容量的配置方法
CN111666681B (zh) * 2020-06-03 2024-03-22 重庆大学 基于改进遗传算法的pbs缓冲区车辆排序调度方法
CN117955111B (zh) * 2024-03-27 2024-07-12 佰聆数据股份有限公司 一种配变容量负载均衡方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000209707A (ja) * 1999-01-07 2000-07-28 Mitsubishi Electric Corp 電気自動車の充電計画装置
JP2007166855A (ja) * 2005-12-16 2007-06-28 Central Res Inst Of Electric Power Ind 発電機起動停止計画の作成方法、作成装置及び作成プログラム
JP2008067481A (ja) * 2006-09-06 2008-03-21 Univ Of Ryukyus 電力供給設備の運用支援方法および装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000209707A (ja) * 1999-01-07 2000-07-28 Mitsubishi Electric Corp 電気自動車の充電計画装置
JP2007166855A (ja) * 2005-12-16 2007-06-28 Central Res Inst Of Electric Power Ind 発電機起動停止計画の作成方法、作成装置及び作成プログラム
JP2008067481A (ja) * 2006-09-06 2008-03-21 Univ Of Ryukyus 電力供給設備の運用支援方法および装置

Also Published As

Publication number Publication date
KR20140017278A (ko) 2014-02-11

Similar Documents

Publication Publication Date Title
KR101449801B1 (ko) 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템
Sassi et al. Electric vehicle scheduling and optimal charging problem: complexity, exact and heuristic approaches
Ghamami et al. Planning charging infrastructure for plug-in electric vehicles in city centers
Vagropoulos et al. Real-time charging management framework for electric vehicle aggregators in a market environment
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
KR101566715B1 (ko) 충전 우선순위를 이용한 효율적인 전기자동차 충전 방법 및 시스템
CN108334991B (zh) 一种电动汽车充电站规划方法及系统
Atallah et al. Optimal supercharge scheduling of electric vehicles: Centralized versus decentralized methods
Cai et al. Model predictive control for EV aggregators participating in system frequency regulation market
Bayram et al. A probabilistic capacity planning methodology for plug-in electric vehicle charging lots with on-site energy storage systems
Lee et al. Genetic algorithm-based charging task scheduler for electric vehicles in smart transportation
Lam et al. Coordinated autonomous vehicle parking for vehicle-to-grid services
Lee et al. Dual battery management for renewable energy integration in EV charging stations
Arango Castellanos et al. Design and simulation of a control algorithm for peak-load shaving using vehicle to grid technology
Ramezani et al. A simulation environment for smart charging of electric vehicles using a multi-objective evolutionary algorithm
Dharavat et al. Impact of plug-in electric vehicles on grid integration with distributed energy resources: A review
Korotunov et al. Genetic algorithms as an optimization approach for managing electric vehicles charging in the smart grid.
KR101372695B1 (ko) 전기 자동차의 충전 태스크 스케쥴링 방법 및 그 방법을 이용한 장치
WO2014050735A1 (ja) 情報処理装置、電力需要体、情報処理方法、及びプログラム
Kumar et al. Efficiency evaluation of coordinated charging methods used for charging electric vehicles
Hussain et al. Mobility-aware vehicle-to-grid (V2G) optimization for uniform utilization in smart grid based power distribution network
CN102982391B (zh) 基于分散搜索算法的停车场pev充放电优化调度方法
Lee et al. Relocation action planning in electric vehicle sharing systems
JP2016226091A (ja) 充電設備運用支援装置、充電設備運用支援プログラム、および充電システム
KR102191026B1 (ko) 네트워크 플로우 모델 기반의 ev 주차 슬롯 할당 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20171113

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee