[논문]수소 충전소 최적 위치 선정을 위한 기계 학습 기반 방법론

김수환; 류준형

doi:10.9713/kcer.2020.58.4.573

수소 충전소 최적 위치 선정을 위한 기계 학습 기반 방법론
A Machine Learning based Methodology for Selecting Optimal Location of Hydrogen Refueling Stations 원문보기

Korean chemical engineering research = 화학공학, v.58 no.4, 2020년, pp.573 - 580

초록
AI-Helper

최근 석유를 대체할 수송 에너지원으로 수소에 대한 관심이 커지고 있다. 수소의 장점을 극대화하기 위해서는 수소 충전소가 많이 보급되어야 한다. 본 논문은 수소 충전소를 보다 가깝게 이용 할 수 있는 최적 위치 선정 방법론을 제안하였다. 기존 에너지의 공급처인 주유소와 천연가스 충전소의 위치를 우선 참고하고, 인구, 등록 차량 수 등의 데이터를 추가 반영하여 수소자동차의 예상 충전 수요를 계산하였다. 기계 학습(machine learning) 기법 중 하나인 k-중심자 군집화(k-medoids Clustering)를 이용하여 예상 수요에 대응하는 최적 수소 충전소 위치를 계산하였다. 제안된 방법의 우수성은 서울의 사례를 통해 수치적으로 설명하였다. 본 방법론과 같은 데이터 기반 방법은 향후 수소의 보급 속도를 높여 환경친화적인 경제 체계를 구축하는데 기여할 수 있을 것이다.

Abstract ▼ AI-Helper

Hydrogen emerged as a sustainable transport energy source. To increase hydrogen utilization, hydrogen refueling stations must be available in many places. However, this requires large-scale financial investment. This paper proposed a methodology for selecting the optimal location to maximize the use of hydrogen charging stations. The location of gas stations and natural gas charging stations, which are competing energy sources, was first considered, and the expected charging demand of hydrogen cars was calculated by further reflecting data such as population, number of registered vehicles, etc. Using k-medoids clustering, one of the machine learning techniques, the optimal location of hydrogen charging stations to meet demand was calculated. The applicability of the proposed method was illustrated in a numerical case of Seoul. Data-based methods, such as this methodology, could contribute to constructing efficient hydrogen economic systems by increasing the speed of hydrogen distribution in the future.

주제어

표/그림 (11)

그림 Fig. 2. Types of hydrogen refueling stations by hydrogen supply [6].
그림 Fig. 1. PEM fuel cell principle of operation [4].
그림 Fig. 3. An illustration of clustering procedure: (a) Input data (b) Seed point selection (c) Iteration 2 (d) Iteration n (e) Final closeting [20].
그림 Fig. 4. Flowchart of k-medoids clustering [20].
표 Table 1. Goal of supplying hydrogen vehicles and hydrogen refueling station for domestic demand [22]
표 Table 2. The number of populations and vehicles at individual administrative district of Seoul
표 Table 3. Estimated number of hydrogen electric vehicles and expected number of hydrogen refueling stations
그림 Fig. 5. An illustration of gas station locations in Seoul.
그림 Fig. 6. Expected optimal locations of hydrogen refuelling stations when k is 4.
그림 Fig. 7. Expected optimal location of hydrogen stations in Seoul. (a) k=4, (b) k = 13, (c) k =28, and (d) k = 109
표 Table 4. Results of k-medoids closeting in target station of Seoul

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

수소 충전소와 관련되어도 몇 가지 지적할 필요가 있다. 본 연구에서는 기존의 자료를 바탕으로 수소 충전소의 위치를 선정하고자 했다. 본 논문에서는 일차적으로 각 지역의 기존 주유소와 충전소를 바탕으로 시작하여 연도별 수소 차량의 수를 예상하여 수소 충전소의 수와 위치를 추정했다.
본 연구에서는 수소 충전소의 위치가 기존의 주유소나 LPG충전소를 대체하는 것을 기준으로 하였기에 새로운 위치를 제시하거나 기존에 서울에 이미 있는 수소 충전소의 위치를 고려하지 못하였다. 그렇기에 기준에 만족 하는 주유소나 충전소가 없던 종로구는 한계 점이 있다.
본 연구에서는 전략적인 의사결정에 최근 새롭게 주목받는 기계학습기반 방법론을 이용하고자 한다. 수송용 에너지원에 대해서는 석유 주유소와 LPG 충전소를 많이 있기 때문에 이에 대한 데이터들이 많이 있기 때문이다.
본 연구에서는 정부 DATA API는 공개된 주유소, LPG 충전소의 위치와 기타 지리 정보와 통행량 데이터를 활용하여 앞으로 도입될 수소 충전소의 위치를 제안하고자 한다. 현재 서울의 주유소(539개소), LPG충전소(78개소)로 총 617개소가 있으며, Table 3에 따르면 차량의 수는 승용 차량만 2,534,451대가 등록되어 있다.
본 연구에서 제시한 연구 또한 이러한 시대적 흐름과 연계되어 있다. 본 연구에서는 효과적인 수소 충전 인프라를 위해 기계 학습 기법 중 하나인 k-medoids 클러스터링 방법을 사용하여 충전소의 위치를 계산하는 방법론을 제시하였다.

가설 설정

19로 가장 낮다. 2018년에 0.9천대의 차량 중 서울에 배정된 차량이 수가 20%(전체 인구 중 서울에 살고 있는 사람의 수)라고 한다면 1인당 차량 보유 수를 참고하여 각 구에 향후 같은 비율로 수소 차량이 구매될 수 있다고 가정 하였다. 이에 따른 연도별 수소 차량의 수를 예측에 사용하였다.
또한 Maximal Covering 문제는 후보지 안에서 최대 수요를 만족하는 한정된 설비의 위치를 정하는데 관심을 두었다[8]. Set Covering 문제를 활용한 연구에서는, 각 운전자의 일상적인 선택을 결합하고, 운전자가 하루에 한 번만 주유를 한다는 가정으로 사례를 단순화 하였다. 문제의 크기가 증가하더라도, 계산 시간이 효과적으로 감소하는 효과를 보였다[9].
각각 변수 p가 있는 n개의 개체를 주어진 k개의 (k<n) 클러스터 한다고 가정한다.
우선 가장 대표적인 자동차연료인 휘발유와 LPG, LNG의 충전소 위치가 자동차의 수요가 가장 많은 곳에 위치한다고 가정하였다. 또한 기존의 화석에너지 자동차의 대체재인 수소 차량의 충전을 위한 수소충전소의 위치도 교통량이나 수요가 많은 것으로 입증된 기존의 주유소를 대체하여 입점할 것이라고 가정했다. 즉 기존의 주유소와 LPG, LNG 충전소 위치가 곧 수소 충전소의 위치가 될 것이기에 수소 차량의 수요량을 먼저 예측 하였다.
본 연구에서 도입된 방법은 향후 확대, 발전시킬 수 있다. 먼저 의사결정에 지리적 정보뿐만 아니라, 투자비용을 고려하는 것도 고려할 수 있을 것이다. 또한 클러스터의 개수를 결정하는데 집중할 수도 있다.
본 연구에서는 앞으로 설치될 수소 충전소의 최적 위치를 선정하기 위해 다음과 같은 가정을 하였다. 우선 가장 대표적인 자동차연료인 휘발유와 LPG, LNG의 충전소 위치가 자동차의 수요가 가장 많은 곳에 위치한다고 가정하였다. 또한 기존의 화석에너지 자동차의 대체재인 수소 차량의 충전을 위한 수소충전소의 위치도 교통량이나 수요가 많은 것으로 입증된 기존의 주유소를 대체하여 입점할 것이라고 가정했다.

제안 방법

Step 2. D에서 medoid가 되지 못한 데이터 항목들을 가까운 medoid를 중심으로 클러스터링을 한다.
Fig. 5에서 표시한 주유소와 충전소의 위치를, Scatter 그래프로 변환하여 표시하고, 2019년 기준인 k의 개수가 4인 경우에 대하여, k-medoids clustering을 실행하였다. Fig.
수소 충전소의 위치 선정에 대한 이전 연구들을 살펴본다. 그 다음에 기계 학습에 기반한 수소 충전소 위치 선정 방법론을 제시하였다. 서울의 사례를 통해 제안된 방법을 시연하고, 그 결과에 대해 토론이 이어진다.
구체적으로 k-medoids는 임의의 점을 중심점으로 사용 하는 k-means[19]와 달리 기존의 데이터의 한 점을 기준으로 사용하여 데이터를 분할하는 클러스터링 방법이다[20]. 데이터들을 클러스터로 구분하여 유클리드 거리를 계산하고 그룹화하고, 비-유사도나 비용 함수의 합을 최소화하는 방향으로 진행 한다. 이러한 과정을 통해, 하나로 묶인 클러스터의 데이터들은 유사도가 높아지며, 다른 클러스터와의 유사도는 떨어지게 된다.
본 논문에서 제안한 방법은 파이썬 라이브러리 googlemaps, geopandas, pandas, numpy, matplotlib, seaborn, geopy, folium를 이용하여 k-medoids 알고리즘을 구현하였다. 계산은 i9-9900KS CPU@ 4.
본 연구에서는 기존의 자료를 바탕으로 수소 충전소의 위치를 선정하고자 했다. 본 논문에서는 일차적으로 각 지역의 기존 주유소와 충전소를 바탕으로 시작하여 연도별 수소 차량의 수를 예상하여 수소 충전소의 수와 위치를 추정했다. 연도가 지남에 따라 수소차가 늘어서 처음 4곳에서 시작한 수소충전소는 2040년에는 109곳으로 증가 시키려고 계획하고 있다.
2019년 서울의 수소 차량 보유 대수 591대에 적용하여 2019년에는 4곳의 수소충전소가 필요할 것으로 예상할 수 있다. 이 계산을 활용하여 연도별 예상 수소 충전소의 수를 k-medoids 계산에서 k값으로 활용 하여 클러스터의 수를 정하였다. 예를 들면, 2019년의 예상 수소충전소수는 4곳으로 2019년의 k-medoids의 k값은 4로 계산하였다.
또한 클러스터의 개수를 결정하는데 집중할 수도 있다. 이 논문에서는 정부의 수소 충전소 발전 계획에 따라 k값을 고려하였다. 하지만 임의의 지역에서 k의 값을 최적화하는 방법을 개발할 수도 있을 것이다.
이렇게 구해진 예상 부지 후보 중 비지도 학습법인 k-medoids 클러스터링을 활용하여 연차 별로 수소 충전소로 전환할 수 있는 부지를 선정하고자 한다.
모든 점에서 medoids까지 거리의 합을 계산하고 합이 이전과 같다면 알고리즘을 정지하고 값을 내보낸다. 이번 연구에서는 max iteration은 200, tolerance를 0.1로 설정하여 계산을 진행했다. 알고리즘은 다음과 같다.
또한 기존의 화석에너지 자동차의 대체재인 수소 차량의 충전을 위한 수소충전소의 위치도 교통량이나 수요가 많은 것으로 입증된 기존의 주유소를 대체하여 입점할 것이라고 가정했다. 즉 기존의 주유소와 LPG, LNG 충전소 위치가 곧 수소 충전소의 위치가 될 것이기에 수소 차량의 수요량을 먼저 예측 하였다.
초기 중심자 선택 – 유클리드 거리를 사용하여 모든 객체 쌍의 거리를 계산한다.

대상 데이터

FRLM에서는 가능성 있는 충전소의 모든 조합을 추론 해야하기 때문에, 그 조합의 수가 많아 질수록, 계산이 복잡해지고, 속도가 늦어지기 때문에 heuristic 알고리즘이 필요하다. FRLM을 플로리다의 수소충전소 부지 선정에 적용하였다[17]. 수소경제인프라구축과관련되어미국의국립재생에너지 연구소(National Renewable Energy Laboratory, NREL)에서는 지리 정보 체계(Geographic Information System, GIS)를 활용하여 인구, 교통량, 소득 수준 등의 자료를 활용하여 인프라 구축을 할 수 있다고 발표 하였다[18].
기존 국내 수소 충전소에 관한 연구 중 융복합 충전소의 부지에 관한 연구[23]에서 제시된 부지 모델로 최소 990 m² 이상의 부지를 확보한다면, 기존의 주유소나 LPG 충전소를 개조할 수 있다고 제시하였다. 이를 적용하여 서울의 예로 서울시내 539개의 주유소와 78개의 LPG충전소 중 조건에 부합하는 208개의주유소와 78개의 충전소를 선정하였다. 특이점으로 서울 25개의 구 중에서, 종로구는 LPG충전소가 없고, 부지면적이 990 m²을 넘는 후보지가 없기에 이번 계산에서는 제외하였다.

데이터처리

Step 3. 클러스터링된 데이터의 data point와 medoid의 거리를 계산하여 전과 비교한다.

이론/모형

경로 기반 통행량 입지 모형(Flow capacity location model, FCLM)[14]는 경로 상에 충전소가 있고, 그에 상응하는 충전량을 통해 입지를 선정하는 방식이지만 주행 중에 추가 주유를 할 수도 있다는 점을 고려하지 못했다. FCLM을 greedy 알고리즘과 결합하여 캐나다의 수소 충전소 위치를 선정한 모델이 있으며, 하루 종일 교통량을 시뮬레이션 하기 위해 아침 피크 시간 교통량을 적용하였다[15]. 이를 보완하는 항속거리를 고려한 흐름 급유 위치 모델(Flow refueling location model, FRLM)[16]이 제안 되었다.
이 방법에 의한 모델은 NP-hard로 알려져 있어, 계산 시간이 기하급수적으로 증가하기 때문에, heuristic 방법을 이용하여 모델의 해를 계산한다. P-median 모델을 주행 시간을 지리 정보 시스템과 결합하여 캘리포니아의 수소 충전소 부지 선정에 사용하였다[11].
위 문헌 조사에서 아직까지는 기계 학습을 이용한 데이터 기반 방법은 사용되지 못했다. 본 연구에서는 기계 학습 방법 중에서 k-medoids 군집화 방법을 이용하고자 한다.
P-Median 방법[10]은 공장, 물류센터 혹은 주유소 등의 후보지들 중에서, 최소 수송비용으로 모든 수요를 충족하는 최적화에 관심을 두었다. 이 방법에 의한 모델은 NP-hard로 알려져 있어, 계산 시간이 기하급수적으로 증가하기 때문에, heuristic 방법을 이용하여 모델의 해를 계산한다. P-median 모델을 주행 시간을 지리 정보 시스템과 결합하여 캘리포니아의 수소 충전소 부지 선정에 사용하였다[11].
지리적 정보를 위하여 본 연구에서는 API를 이용하였다. API는 어플리케이션을 만들기 위한 하위 함수, 프로토콜, 도구들과 데이터 집합을 의미한다.

후속연구

따라서 화학 및 공정 산업 및 여러 분야에서 데이터들을 분석, 가공, 활용하여 새로운 부가가치를 만들어 낼 수 있는 시대가 되었다. 공정 데이터 분석 방법은 향후 다양한 공정 시스템 분야에 크게 기여할 것이다. 기존의 수학적 모델을 구축하고, 그 구축된 체계 내에서 최적의 의사 결정을 내리던 시도 대신에 대규모 데이터들에서 유사성과 패턴을 발견하여 모델의 신뢰성을 확보하기 어렵거나, 모델의 적당한 형태가 외부 요인에 따라 변동해야 하는 경우가 많아지면서 이러한 데이터 기반 방법이 다시 각광받고 있다.
본 연구에서 도입된 방법은 향후 확대, 발전시킬 수 있다. 먼저 의사결정에 지리적 정보뿐만 아니라, 투자비용을 고려하는 것도 고려할 수 있을 것이다.
즉 클러스터 수가 커졌을 때 이전보다 향상되지 않을 경우 이전의 클러스터 수를 해당 문제의 클러스터 수로 설정할 수 있다. 본 연구의 확대를 통해 보다 현실적인 수소 충전소 위치 결정을 할 수 있고 그로 인한 효용성도 커질 것이다.
한정된 자원을 소비자들의 만족도를 극대화시킬 수 있도록, 전략적인 의사결정을 통하여 충전소를 선택적으로 건설 한다면, 이러한 수요와 공급의 견제의 문제를 해결할 수 있다. 소비자들의 상대적인 만족도도 높아질 것이며, 추가적인 수소 자동차 보급을 확대시킬 수 있을 것이다. 이로 인해 수소 인프라 확장에 참여하도록 투자를 끌어들일 것이다.
또한 이미 토지 가격이 비싼 지역의 경우도 경제적 타당성을 만족하지 못할 수도 있다. 추후 교통량이나 선호도 등 기타 요소를 추가적으로 고려하여 기존의 충전소와 새로운 충전소의 위치를 추천하는 등 다른 연구가 필요한 것으로 사료 된다.
이 논문에서는 정부의 수소 충전소 발전 계획에 따라 k값을 고려하였다. 하지만 임의의 지역에서 k의 값을 최적화하는 방법을 개발할 수도 있을 것이다. 일반적으로 최적 클러스터의 수를 결정하는데 있어, 경험 법칙으로는 데이터의 수가 n일 때 k값은 #라는 어림값을 이용할 수 있다.
일반적으로 최적 클러스터의 수를 결정하는데 있어, 경험 법칙으로는 데이터의 수가 n일 때 k값은 #라는 어림값을 이용할 수 있다. 한편 클러스터의 수를 순차적으로 늘려가면서, 그 결과를 분석하는 방법을 이용할 수도 있을 것이다. 즉 클러스터 수가 커졌을 때 이전보다 향상되지 않을 경우 이전의 클러스터 수를 해당 문제의 클러스터 수로 설정할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	수소의 장점은 무엇인가?	한편 대체 수송용 에너지로 수소에 대한 관심이 증대되고 있다[1,2]. 수소는 에너지 생산 후 부산물이 물만 발생하는 청정에너지원으로, 화석연료, 원자력, 신재생에너지 등의 다양한 에너지에서 얻을 수 있다는 장점을 가지고 있다[3].
	수소 충전소는 수소의 공급 형태에 따라 어떻게 구분되는가?	수소 충전소는 수소 전기차의 연료인 수소를 공급하는 설비로서 수소의 공급 형태에 따라, 외부에서 수소를 생산하여 공급하는 offsite 방식과 자체에서 수소를 생산하는 on-site방식으로 구분된다(Fig. 2 참조).
	수소전기차의 장점은 무엇인가?	수소전기차는 수소와 산소의 화학반응을 통해 전기를 생산하여 모터를 구동하는 자동차이다. 긴 주행거리와 짧은 충전시간 등의 장점을 가진다. 수소는 외부에서 충전해서 차량내 탱크에 저장한 후 차량의 산소흡입장치를 통해 정화 후 스택에 공급한다.

참고문헌 (24)

Sharaf, Z., "An Overview of Fuel Cell Technology: Fundamentals and Applications," Renew. Sust. Energ. Rev., 32, 810-853(2014).
Kim, Y. P., "Air Pollution in Seoul Caused by Aerosols," J. Korean Soc. Atmos., 22(5), 535-553(2006).
Patnaik, P., "A comprehensive Guide to the Hazardous Properties of Chemical Substances," Wiley-Interscience, 402(2007).
Pandian, M. S., "Efficiency and Economics Analysis of Proton Exchange Membrane Fuel Cell," 2010 Conference Proceedings IPEC, Singapore, 875-880(2010).
H2Korea, "A Study on the Establishment of Hydrogen Fuel Price and Supply Management for Transportation," MTI(2017).
EM Solution Co., LTD. , "Review of Hydrogen Station Construction Regulations," (2018).
Garfinkel, R. S. and Nemhauser, G. L., "Integer Programming," Wiley(1972).
Church, R., "The Maximal Covering Location Problem," Rsai, 32(1), 101-118(1974).
Kang, J. E. and Recker, W., "Strategic Hydrogen Refueling Station Locations with Scheduling and Routing Considerations of Dividual Vehicles," Transp. Sci., 49(4), (2014).
Hakimi, S. L., "Optimum Locations of Switching Centers and the Absolute Centers and Medians of a Graph," Oper. Res., 12 (3), 450-459(1964).

상세보기
Nicholas, M. A., Handy, S. L. and Sperling, D., "Using Geographic Information Systes to Evaluate Siting and Networks of Hydrogen Stations," Transp Res Rec, 1880(1), 126-134(2004).
Church, R. and Velle, C. R., "The Maximal Covering Location Problem," Pap. Reg. Sci., 32(1), 101-118(1974).
Frade, et al., "Optimal Location of Charging Stations for Electric Vehicles in a Neighborhood in Lisbon, Portugal," Transp Res Rec., 158, 6582-6588(2011).
Hodgson, "A Flow-Capturing Location-Allocation Model," Geogr. Anal., 22(3), 270-279(1990).

상세보기
Hodgson et al., "Applying the Flow-capturing Location-allocation Model to An Authentic Network: Edmonton, Canda," Eur. J. Oper. Res., 90(30), 427-443(1996).
Lim, K., "The Flow-refueling Location Problem for Alternativefuel Vehicles," Socio-Econ Plan Sci., 39(2), 125-145(2005).
Kuby, et al., "Optimization of Hydrogen Stations in Florida Using the Flow-refueling Location Model," Int. J. Hydrogen Energy, 34(15), 6045-6064(2009).

상세보기
Melendez, M., "A. Milbrandt, Geographically-based Hydrogen Demand and Infrastructure Deployment Scenario," Nrel(2008).
Steinhaus, H., "Sur la Division Des Corp Materiels en Parties," Bull. Acad. Polon. Sci. IV (C1.III), 801-804(1956).
Kaufmann, L. and Rousseeuw, P., "Clustering by Means of Medoids," Data Analysis based on the L1-Norm and Related Methods. 405-416(1987).
Margaret, H. D., "Data Mining, Introductory and Advanced Topics," Prentice Hall(2002).
MTI, "Roadmap to the Revitalization of the Hydrogen Economy," (2019).
Park, J. W., Hun, Y. S., "A Study on Site to Build Hydrogen Multi Energy Filling Station in Domestic LPG Station," Trans. Korean Hydrog. New Energy Soc., 28(6), 642-648(2017).
Transportation Safety Authority, "Driving Distance Statistics," 2014-2018(2019).

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증