태양광 전기차의 시공간 발전 잠재량 평가 및 주행·충전 경로 최적화 = Assessment of Spatiotemporal Solar Power Generation Potential and Route Optimization for Solar Electric Vehicles

다국어 초록 (Multilingual Abstract)

Mitigating greenhouse-gas emissions from the transportation sector remains a key requirement for global climate action, and electric vehicles (EVs) are being deployed at scale as a primary pathway. Widespread EV adoption, however, increases electricity demand and heightens reliance on charging infrastructure, which can constrain operational flexibility. Solar electric vehicles (SEVs) integrate photovoltaic modules into the vehicle body to supply electricity during driving and parking, providing an additional onboard energy source when charging access is constrained. In real-world operation, SEV generation varies with solar conditions and spatiotemporal shading from roadside buildings and trees. Realizing SEV benefits therefore requires operational optimization that jointly considers on-road solar generation and charging decisions. This study develops an integrated navigation-based framework that quantitatively assesses SEV solar power generation potential and incorporates it into driving and charging decisions.
To capture spatiotemporal shading induced by roadside environments, a Google Street View (GSV)–based shadow database was constructed and coupled with an SEV-specific power generation model. Deep-learning segmentation was applied to classify the sky, trees, and artificial structures in GSV images. For trees, monthly transmittance coefficients were derived using image-processing techniques to represent partial shading effects from seasonal canopy changes. The mean error of the estimated tree transmittance relative to measurements was 6.4%, and the resulting generation model achieved R² = 0.73 against measured SEV power. Compared with conventional 3D model–based shading approaches, the proposed GSV-based analysis reduces memory use and computational cost while preserving road-level spatiotemporal resolution. This enables efficient estimation of route-dependent generation profiles and facilitates integration into navigation frameworks over large spatial domains.
Using the proposed model, incorporating tree transmittance increased the annual mean estimated SEV solar power generation by 3.2% relative to the no-transmittance assumption, with increases up to 5.8% in winter and 20% on mountainous segments. These results indicate that treating trees as fully opaque can lead to underestimation of SEV solar power generation, and that seasonal variability can be represented more realistically by accounting for partial transmittance. Building-induced shading was also quantified: annual SEV solar power generation decreased by approximately 20% near high-rise buildings compared with low-rise surroundings, and road segments with buildings concentrated on the southern side exhibited 10% lower SEV solar power generation than other orientations. These findings show that weather-only SEV solar power generation estimates are insufficient to capture urban-canyon effects, and that reliable assessment requires explicit consideration of buildings and roadside trees.
An energy-efficient route navigation method was developed to minimize net energy consumption by incorporating the spatiotemporal variability of SEV solar power generation during driving. Under an assumed 2030 fleet size of 107,380 SEVs, selecting the energy-efficient route reduced annual electricity use by 195 MWh and avoided 92 tCO₂eq relative to the shortest route. This demonstrates that embedding segment-level generation variability into route choice can improve both energy efficiency and emissions in dense urban environments.
For long-distance operations, external charging remains necessary; therefore, an SEV-specific driving–charging scheduling navigator was formulated to optimize charging time, location, and amount while accounting for periods and road segments with higher SEV solar power generation potential. The scheduling model was implemented using a hybrid approach combining reinforcement learning and evolutionary strategies. At the 2030 adoption scale (107,380 vehicles), SEV-specific optimization reduced annual external charging electricity by an additional 541 MWh and avoided an additional 257 tCO₂eq compared with the non-optimized SEV baseline. Further benefits were obtained by coupling the SEV-specific schedule with parking-based self-charging: relative to SEV-specific optimization alone, annual external charging electricity decreased by an additional 88 GWh and emissions were reduced by an additional 41.72 ktCO₂eq. These results indicate that adding solar self-charging during parking substantially lowers external electricity dependence and increases fleet-scale emission reductions.
This study quantifies road-environment–driven spatiotemporal shading by integrating GSV-based analysis with tree transmittance modeling, and integrates the resulting high-resolution SEV solar power generation estimates into an optimization-based navigation framework. By jointly accounting for SEV solar power generation variability and battery state-of-charge constraints, the proposed driving and charging navigation improves solar energy utilization and reduces reliance on external electricity. Future work should incorporate real-time traffic and driving patterns, together with forecast-based meteorological information, to provide route-level generation forecasts and advance the framework toward practical deployment.

국문 초록 (Abstract)

전 세계 기후변화 대응을 위해 교통 부문 탄소 배출 저감이 요구되며, 이를 위한 대안으로 전기차(Electric Vehicle, EV) 보급이 확대되고 있다. EV 확산은 전력 수요 증가로 이어지고, 충전 인프라 의존도가 높아 운행 유연성에도 제약을 만든다. 차량에 태양광 모듈을 통합해 주행 및 주차 중 전력을 자가 생산하는 태양광 전기차(Solar Electric Vehicle, SEV)는 추가 전력원을 확보함으로써 충전 여건의 제약이 큰 환경에서도 운행 범위를 확대할 수 있다. SEV 주행 시 도로 환경에서는 일사 조건과 건물 및 수목 그림자가 시공간적으로 변화해 발전량이 변동하므로, 이를 정량적으로 계산하고 주행 및 충전 의사결정에 반영하는 체계가 필요하다. 본 연구에서는 SEV의 시공간 발전 잠재량을 정량화하고, 발전량 변동을 주행 및 충전 경로 선택에 반영하는 최적화 내비게이션을 개발하였다.
도로 주변 환경에 의해 발생하는 시공간 그림자를 반영하기 위해 Google Street View(GSV) 영상 기반 그림자 데이터베이스를 구축하고, 그림자 정보를 입력으로 하는 SEV 전용 발전량 계산 모델을 개발하였다. 딥러닝 분류로 GSV 영상에서 하늘·수목·인공 구조물을 구분하였으며, 수목은 부분 음영 효과를 반영하기 위해 영상처리 기반 월별 투과율 계수를 산정하였다. 수목 투과율의 실측값 대비 평균 오차는 6.4%였고, SEV 발전량 모델은 실측 발전량과 비교해 R²=0.73의 설명력을 보였다. 제안한 GSV 기반 음영 분석은 3D 모델 기반 방법 대비 메모리 및 연산 부담을 낮추고 도로 수준의 높은 시공간 해상도를 확보하였다. 광역 범위에서도 음영을 반영한 발전량 정보를 효율적으로 산정할 수 있어, 경로별 발전량 추정을 내비게이션 의사결정에 통합하는 데 적합하다.
수목 투과율을 반영한 발전 잠재량 분석에서 연평균 발전량은 투과율 미반영 대비 3.2% 증가했으며, 겨울철 최대 5.8%, 산지 구간 최대 20% 증가하였다. 수목을 완전 차폐로 가정할 때 발생하는 발전량 과소 추정을 줄이고, 계절 조건에 따른 발전량 변동을 현실적으로 반영할 수 있음을 보여준다. 도로 인근 건물 영향 분석에서는 고층 건물 인접 시 연간 발전량이 저층 대비 약 20% 감소하였고, 남측에 건물이 집중된 구간은 다른 방향 대비 약 10% 낮게 나타나 건물 배치에 따른 음영 효과가 지배적 요인임을 확인하였다. 따라서 기상 자료에만 기반한 발전량 산정은 도시 협곡 효과를 충분히 반영하기 어렵고, SEV 발전량 산정에는 건물 및 수목 등 공간 구조 정보를 결합한 접근이 요구된다.
SEV의 주행 중 발전량 변동을 반영해 순에너지 소비를 최소화하는 에너지 효율 경로 탐색 내비게이션을 개발하고, 도심 환경에서 적용 효과를 평가하였다. 2030년 SEV 보급 규모(107,380대)에서 SEV가 에너지 효율 경로를 주행할 경우 최단 경로 대비 연간 전력 사용량은 195 MWh 감소하고 온실가스 배출량은 92 tCO₂eq 감축되었다. 도로 구간별 발전량 변동을 경로 의사결정에 직접 반영함으로써, 도심 운행에서 에너지 소비와 탄소 배출을 함께 저감할 수 있음을 확인하였다.
장거리 주행에서는 외부 충전이 불가피하므로, 태양광 발전량을 의사결정에 반영하여 외부 충전의 시점, 위치, 충전량을 최적화하는 SEV 전용 주행 및 충전 스케줄링 내비게이션을 강화학습과 진화전략 기반으로 구축하였다. 2030년 보급 규모(107,380대) 기준 SEV 전용 최적화는 비최적화 대비 연간 외부 충전 전력을 541 MWh 추가 저감하고, 온실가스 배출량을 257 tCO₂eq 추가 감축하였다. 주행-충전 전용 최적화에 주차 중 태양광 자가충전을 결합하면 SEV 전용 최적화 대비 연간 외부 충전 전력이 88 GWh 절감되고, 온실가스 배출량은 41.72 ktCO₂eq 추가 감축되는 것으로 산정되었다. 주차 시간대의 태양광 발전 전력을 활용할 경우 외부 전력 의존도가 낮아지며, 온실가스 감축 효과가 증대된다.
본 연구에서는 수목 투과율을 반영한 GSV 기반 음영 분석으로 도로 환경의 시공간 그림자 영향을 정량화하고, 이를 발전량 계산과 내비게이션 의사결정에 연결하는 통합 프레임워크를 제시하였다. 발전량 변동과 배터리 SoC 제약을 함께 고려한 SEV 전용 주행 및 충전 내비게이션을 개발해 태양광 발전 전력 활용을 높이고 외부 전력 의존도를 저감할 수 있음을 보였다. 향후 실시간 교통·주행 패턴과 예보 기반 기상 정보를 통합한 경로별 발전량 사전 안내 기능을 추가하면, 실사용 수준의 SEV 내비게이션으로 확장 가능하다.

목차 (Table of Contents)

• 1. 서 론 1
• 1.1. 연구배경 및 필요성 1
• 1.2. SEV의 기술 동향과 연구 동향 7
• 1.3. 연구 목적과 논문 구성 23
• 2. 연구 대상 및 분석 조건 설정 27
• 2.1. 주행 경로 설정 및 공간적 특성 분석 27
• 2.2. 기상 데이터 38
• 2.3. 충전 인프라 설정 및 운행 조건 44
• 3. 발전량 계산 및 충전 최적화 모델링 51
• 3.1. GSV 영상 분류 기반 그림자 영향 분석 54
• 3.2. 영상처리를 활용한 수목 투과율 계산 74
• 3.3. 동적 태양광 발전량 계산 84
• 3.4. 에너지 효율 최적경로 탐색 알고리즘 91
• 3.5. SEV 주행 및 충전 스케줄링 최적화 94
• 4. SEV 발전 잠재량 분석 105
• 4.1. 수목 투과율 고려에 따른 SEV 발전 잠재량 106
• 4.2. 주변 건물의 공간적 특성에 따른 발전 잠재량 121
• 4.3. 도로 특성 및 출발 지점에 따른 발전 잠재량 133
• 4.4. SEV 발전량 분석의 타당성 및 확장 가능성 144
• 5. SEV 도심형 에너지 효율 경로 분석 148
• 5.1. 최단경로와 에너지 효율 경로 비교 150
• 5.2. 시간·계절·환경에 따른 에너지 효율 경로 변화 158
• 5.3. 실제 주행 환경에서의 SEV 발전량 모델 검증 165
• 5.4. 전력 사용량과 탄소배출 저감 효과 분석 173
• 5.5. 에너지 효율 경로 내비게이션의 확장 가능성 178
• 6. 장거리 주행을 위한 충전 최적화 분석 181
• 6.1. EV 대비 SEV의 충전 효율 및 비용 효과 분석 185
• 6.2. SEV 전용 충전 최적화 모델 분석 190
• 6.3. 전력 사용량과 탄소배출 저감 효과 분석 201
• 6.4. SEV 충・방전 최적화 모델로의 확장 가능성 209
• 7. 결 론 211
• 참고문헌 213
• Abstract 233