서론

자동차는 도시부 주요 대기오염원 중 하나로 친환경차 전환 정책은 중요한 대기질 관리 대책 중 하나이다. 특히 버스는 대부분 도시에서 대중교통수단으로 활용되고 있으며, 주행거리가 길고 인구 밀집 지역에서 운행되기 때문에 친환경차 전환에 따른 환경 개선 효과가 우수하다. 국내에서는 2000년대 초반부터 대기질 개선을 위해 경유 시내버스를 천연가스 시내버스로 전환했으며, 현재는 전기버스와 수소버스가 친환경 차종의 주력 모델로 자리매김하고 있다. 국내 전기버스 등록 대수는 2024년 12월 기준 11,570대로, 이는 전체 노선버스의 1/4에 해당하는 규모이다(Ministry of Land, Infrastructure and Transport, 2024).

전기버스 전환을 통해 얻을 수 있는 환경적 편익은 대기오염 개선과 함께 온실가스 배출량 감축도 포함된다. Ashkezari et al.(2024)와 Rupp et al.(2020)은 경유 버스에서 전기 버스로 전환하는 경우 전 주기 온실가스 배출량의 37.5%까지 감축할 수 있다고 분석하였다. 전기버스 전환 효과는 이러한 환경 개선 편익 이외도 연료비 절감으로 인한 사업 수익성 개선, 이용자 측면에서는 차내 공기질과 소음 개선 등 편의성 향상 등도 포함된다. 그러나 이러한 장점에도 불구하고 높은 초기 투자 비용, 부족한 연료 인프라 등은 전기버스로의 전환을 저해하는 요인으로 작동하고 있다. 특히 전기버스는 상대적으로 짧은 주행거리와 긴 충전 시간 제약을 극복할 수 있도록 안정적인 충전 인프라 계획과 운영이 중요하며, 관련 연구로 Dong et al.(2024), Hsu et al.(2021), Kim et al.(2021) 등 다양한 연구가 진행되었다. 이와 관련하여 시내버스의 경우 고정된 노선과 일정으로 운영되기 때문에 운행 범위와 스케줄 관리를 토대로 충전 스케줄링을 효율화할 수 있다는 장점이 있다(Offer et al., 2010).

국내외 전기버스 충전 인프라 유형을 살펴보면 차고지 충전, 경로 중 충전, 이동 중 충전의 세 가지 유형으로 구분할 수 있다(Ashkezari et al., 2024). 차고지 충전은 주로 심야 시간대 차고지에서 충전하는 방식으로, 상대적으로 긴 충전 시간을 확보할 수 있기 때문에 일반적으로 저전력 완속 충전으로 이뤄진다. 경로 충전은 정류장 등 차량이 일시 정차한 장소에서 고전력으로 빠르게 충전하는 방식으로, 운행 중 충전을 통해 주행가능 거리를 연장할 수 있다. 이동 중 충전은 차량 주행 중 무선 충전이나 전차선을 통해 충전하는 방식이며, 경로 충전과 유사하게 주로 급속 충전을 활용하게 된다. 그러나 이동 중 충전 방식은 아직 버스 규모가 크지 않고 인프라 구축 및 운영 비용이 높기 때문에 아직 활용 사례가 많지 않다.

충전 인프라 유형별로 물리적 구조나 충전 시간에 대한 요구 사항이 달라지므로 충전 기술도 각기 다른 기술이 적용된다(Pei et al., 2024). Figure 1에서 정리한 바와 같이 차고지 충전은 주로 플러그인 또는 팬터그래프 방식이 적용되며, 경로 중 충전은 팬터그래프, 배터리 교환, 무선 충전, 이동 중 충전은 무선 충전이나 전차선 방식 등 충전 시간을 단축할 수 있는 기술이 활용된다. 국내에서는 전기버스 초기 보급 단계부터 배터리 교환이나 무선 충전 등 전통적인 플러그인 충전의 단점을 보완할 수 있는 대안 기술 개발이 진행되었다. 배터리 교환 방식과 관련해서는 Kim et al.(2013)과 Yoo et al.(2016) 등이 인프라 배치 최적화와 안전 관리 방안 등에 관한 연구를 수행하였으며, 무선 충전 기술과 관련해서는 Jung et al.(2010)와 Park and Kim(2012) 등이 시스템 요구 사항, 운행 전략, 인프라 구성 등에 관한 연구를 수행하였다. 그러나 이러한 대안 기술은 시범 사업 수준으로 아직 본격적인 상용화에는 이르지 못하고 있다.

Figure 1

Electric bus charging scheme by technology and site adapted from Ashkezari et al., 2024

현재 국내 시내버스는 대부분 차고지 심야 충전 방식으로 운영되는 것으로 알려져 있으나, 아직 전기버스 충전 인프라 기술이나 충전 전략에 관한 연구는 충분하지 않다(Kim and Kim, 2024). 국내에서 전기차 충전 인프라 관련 연구는 주로 승용차 중심 충전 인프라에 초점을 맞추고 있으며, 아직 대형차 전환을 위한 충전 인프라 계획이나 운영 전략에 관한 연구는 많지 않다. 그러나 장기적으로 모든 시내버스가 전기차로 전환된다면, 충전 수요 증가에 효과적으로 대응할 수 있는 인프라 계획이 뒷받침되어야 한다. 따라서 현재 전기버스의 충전 패턴과 충전 특성에 관한 분석은 장래 전기버스 확대를 위한 충전 인프라 계획의 기초자료로서 중요하게 활용될 수 있을 것이다.

본 연구는 국내 시내버스 충전 이력 데이터를 활용하여 차고지 충전 패턴과 개별 차량 충전 특성을 분석하고, 전기버스 확대에 대비한 충전 인프라 개선 방향을 도출하기 위한 목적으로 수행하였다. 여기에서 활용한 자료는 수원여객 수원 북부 공영 차고지(이하 북부차고지)에서 수집된 1년간 충전 이력 데이터로, 해당 차고지는 모든 차량을 전기버스로 전환하고 전기버스 전용 차고지로 운영되고 있다. 충전기를 통해 수집된 충전 이력 데이터는 차고지 전체적인 충전 특성과 개별 차량의 충전 특성 분석에 활용되었다. 이 분석 결과는 현재 국내 전기 시내버스의 충전 특성과 충전 인프라 운영 현황을 살펴보고, 장기적으로 전기버스 확산에 대응하여 효율적인 충전 인프라 계획을 수립하는 데 중요한 기초자료로 활용될 수 있을 것이다.

본 논문의 구성은 다음과 같다. 선행 연구 고찰에서는 전기버스 충전 스케줄링 및 충전 인프라 계획 관련 해외 연구와 전기버스와 충전 인프라 전반에 걸친 국내 연구를 살펴보았다. 기초자료와 분석 방법에서는 원자료와 데이터 처리 과정을 제시하고, 본 연구에서 개별 차량 충전 특성을 식별하기 위해 활용한 가우시안 혼합모델을 설명하였다. 전기버스 충전 패턴 분석 결과에서는 차고지 기준 분석과 개별 차량 기준 분석으로 나누어 논의하였으며, 개별 차량 분석은 운행 노선에 따라 차량 운행 및 충전 특성이 유사하므로 노선별로 묶어 분석을 진행하고 주요 결과를 논의하였다. 결론에서는 차고지 충전 인프라로 운영되는 전기버스 충전 특성과 장래 전기버스 충전 인프라 계획 과정에서 고려되어야 할 주요 논의 사항을 제시하였다.

선행 연구 고찰

해외에서는 2010년대 초반부터 전기버스 계획 과정에서 발생하는 문제점으로서 차량 및 충전 인프라 투자, 충전 인프라 배치, 전기버스 스케줄링 문제, 충전 스케줄링 문제에 관한 연구들이 활발히 진행되고 있다(Perumal et al, 2022). 본 연구의 핵심 주제인 충전 스케줄 관련 연구는 운행 시간 손실을 최소화하고 전력망에 미치는 부하를 완화할 수 있는 최적 스케줄에 초점을 맞추고 있다. 충전 시간 선택은 에너지 비용과 탄소 배출량에 영향을 미치기 때문에 충전 스케줄링은 전기버스 경제성과 환경성을 결정짓는 주요 요인이다. Rupp et al.(2020)은 충전 시간대에 따라 에너지 가격과 탄소배출량이 달라짐에 주목하여, 이를 최적화하기 위한 충전 시간 결정 방안을 제시하였다. McCluskey et al.(2025)는 영국에서 전기버스와 경유 버스의 총 소유 비용을 비교한 결과, 현재 조건에서는 거의 동일한 수준이나 전기버스의 충전 전략에 따라 경제성과 환경성에 유의미한 차이가 발생할 수 있음을 제시했다. Lu et al.(2025)는 현행 전기요금 체계를 반영한 전기버스 최적 충전 및 운행 전략 도출을 위한 수학적 모형을 제시했다. 또한 He et al.(2022)는 충전 인프라 구축 계획과 충전 스케줄링 전략을 통합적으로 고려한 이중 최적화 프레임워크를 개발하였다. 해당 연구는 충전기 설치 위치, 배터리 용량 결정, 충전 스케줄을 동시에 최적화한 후, 이를 기반으로 실시간 충전 스케줄을 조정하는 2단계 최적화 모델을 제안하고 있다. 그러나 선행 연구에서 제시된 충전 스케줄은 실제 버스 운영사의 일상 운영을 더 복잡하게 함으로써 추가 비용이 발생할 수 있으며, 도착 지연 등 동적 변동 요인에 대한 정확한 예측이 어렵기 때문에 현실 적용 가능성은 제한적일 수 있다(Brinkel et al., 2023).

최근에는 전기버스 규모가 증가하면서 실제 운행 환경에서 수집되는 데이터를 활용한 연구도 증가하는 추세이다. Tian et al.(2025)은 캐나다 몬트리올에서 운행 중인 전기버스 29대의 운행 데이터를 토대로 에너지 소비량을 분석하였으며, 여기에 기온 및 도로 조건 변화가 에너지 소비에 미치는 영향을 분석하였다. Brinkel et al.(2023)은 네덜란드에서 수집된 차고지 기반 전기버스 충전 데이터를 토대로 다양한 충전 전략의 경제성과 전력망 영향을 평가하였으며, Szürke(2025)는 헝가리에서 수집된 13대의 전기 시내버스 충전 이력 데이터를 이용하여 온실가스 배출량을 산정하였으며, 다양한 충전 전략을 통해 상당한 배출량 감축 효과가 발생함을 보여주고 있다.

국내 전기버스 충전 관련 연구는 주로 버스 충전 시간 제약을 극복하기 위한 대안 시스템 개발과 응용에 초점이 맞춰져 있다. 전기버스가 최초 도입된 2010년대 초반부터 대안 기술로 배터리 교환 방식과 무선 충전 기술에 관한 연구가 진행되고 있다. 배터리 교환 시스템을 위한 충전 인프라 배치 최적화와 안전 관리 방안에 대한 연구로는 Kim et al.(2013)과 Yoo et al.(2016) 등이 있으며, 무선 충전 기술과 관련해서는 시스템 요구 사항을 분석하고 운행 전략과 인프라 구성 방안에 관한 연구로서 Jung et al.(2010)과 Park and Kim(2012) 등이 있다. 그러나 이러한 대안 기술은 시범 사업 수준에 머물렀으며, 아직 본격적인 상용화 단계에는 이르지 못하고 있다.

국내에서도 일부 전기버스 충전 스케줄링 관련 연구가 존재한다. Kim et al.(2015), Park et al.(2014) 등의 연구는 초기 전기버스 전환을 위한 충전소의 최적 입지 선정과 충전 계획 수립에 관한 내용을 다루고 있으며, Chang et al.(2023)은 제한된 계약 전력량 조건에서 충전 대기 시간을 최소화할 수 있는 전력 배분 방안 등 최적 충전 스케줄링을 연구한 바 있다. 아직 국내에는 전기버스 충전 이력 데이터를 활용한 연구 사례는 없으나, 실제 충전 이력 데이터를 활용한 연구로는 Kim and Park(2025), Park and Kim(2023) 등이 각각 승용차와 화물차의 충전 패턴을 분석한 바 있다. 본 연구는 국내에서 실제 전기버스 충전 이력 데이터를 활용한 연구라는 점에서 선행 연구와 차별화되며, 차고지 기반 충전 인프라 운영 현황과 전기버스 충전 패턴을 이해할 수 있는 기초 연구로서 향후 연구에 활용될 수 있을 것이다.

기초자료와 분석 방법

1. 기초자료

본 연구에서 활용한 기초자료는 북부차고지(경기도 수원시 장안구 경수대로 1220번길)에서 2023년 1월 1일부터 2023년 12월 31일까지 수집된 충전 이력 데이터이다. 북부차고지 규모는 총 박차대수 86대로 모든 주차면에서 충전할 수 있도록 200kW 충전기 49기가 구축되어 있으며, 충전기는 2개 충전구(디스펜서)로 구성되어 있어서 1기당 버스 2대 동시 충전이 가능하므로 최대 98대까지 충전할 수 있다. Figure 2는 차고지의 충전기 배치와 구성을 보여준다. 차고지를 운영하는 수원여객은 북부차고지에서 운행하는 모든 차량을 전기버스로 전환한 상태로, 전기버스 모델은 모두 에디슨모터스(현 KGM 커머셜)사의 이-화이버드 모델이다.

Figure 2

Configuration of e-bus charging at Bukbu depot

북부차고지 운행 차량은 총 10개 노선에 투입되고 있으며 총 103대가 운행되고 있다. 노선별 인가 거리와 인가 대수 규모는 Table 1과 같으며, 노선 운행거리(왕복 기준)는 최소 20.8km에서 최대 64.9km 범위이며, 1대당 1일 운행거리는 최소 203.9km에서 최대 278.0km 범위에 있다. 98번 노선을 제외한 모든 노선에는 204kWh 배터리를 탑재한 전기버스가 운행 중이며, 98번 노선에는 272kWh급 배터리를 탑재한 최신 모델이 투입되고 있다.

전기버스 충전 데이터는 충전기 운영 시스템을 통해 수집되며, 충전 차량과 충전기 식별 정보, 충전 이벤트 일자 및 시간, 충전량, 배터리 SOC(State of charge) 상태 정보 등을 포함하고 있다(Table 2 참조). 본 연구에서 활용한 충전 데이터는 충전구 기준으로 총 153,382건이다.

2. 분석 방법

충전구 기준 충전 데이터로 구성된 원자료를 차량 기준 데이터로 변환하기 위하여 다음과 같이 데이터 전처리를 시행하였다. 첫 번째, 원자료 중 충전량 또는 충전 시간 오류가 있는 이상치를 제거하였으며, 충전 이력 정보가 너무 적은 차량은 분석 대상에서 제외하였다. 두 번째, 버스 1대가 동일 충전기의 충전구 2개를 동시에 이용한 경우, 충전구 기준 2개의 충전 데이터를 하나의 충전 이벤트로 간주하여 병합하였다. 세 번째, 전체 차량 중 2개 이상 다중 노선에 투입된 차량과 단일 노선에 투입된 차량을 구분하였다. 다중 노선 투입 차량은 투입 노선에 따라 다른 충전 패턴을 보이기 때문에 분석의 일관성을 위하여 개별 차량 분석에서는 제외하였다.

그 결과 북부차고지에서 발생한 차량 기준 충전 이력 데이터는 총 91,586건의 유효 데이터를 취득했으며, 이 중 단일 노선 차량 데이터는 80,848건, 다중 노선 차량 데이터는 10,738건이다. 단일 노선 데이터 중 37번 노선은 차고지 충전소 이외 회차 지점 충전소를 함께 이용하고 있어서 부분적인 충전 데이터만 포함하고 있기 때문에 개별 차량 분석에서는 제외하였다. 따라서 최종적으로 개별 차량 분석에 활용된 단일 노선 차량의 충전 이력 데이터는 총 78,928건이다.

충전 특성 분석은 차고지 기준 분석과 개별 차량(노선별) 분석으로 나누어 진행되었다. 차고지 기준 분석은 차고지 전체 충전 데이터 91,586건을 대상으로 시간대별 충전량 분포, 1대당 평균 충전 빈도와 충전량 및 충전 시간 등을 분석했다. 충전 특성에 기후 및 계절적 요인이 미치는 영향을 살펴보기 위하여 연간 평균값과 월별ㆍ계절별 평균값을 비교 분석하였다. 개별 차량 분석은 동일 노선을 운행하는 차량의 경우 충전 패턴이 유사하기 때문에 노선별로 집계하여 분석하였다. 전체 충전 이력 데이터 중 다중 노선 투입 차량의 경우 현재 충전 데이터만으로 노선별 운행 기간을 정확히 식별하기 어렵기 때문에, 단일 노선 차량의 충전 데이터 총 78,928건에 한정하여 분석을 수행하였다.

노선별 충전 특성을 특징짓는 변수로는 충전 이벤트 사이 시간 간격을 나타내는 충전 간격을 활용했다. 충전 간격은 장기간 충전 이력 데이터를 활용해 연속된 충전이 어떤 간격으로 이뤄지는지 묘사할 수 있는 변수로서, 차량별 충전 간격 분포를 통해 충전 패턴의 이질성을 파악할 수 있다. 충전 간격은 연속된 2개의 충전 세션에서 전자의 충전 시작 시간과 후자의 충전 시작 시간 사이 간격으로 산출되며 Equation 1과 같이 표현할 수 있다(Kim and Park, 2025).

where λ_ij is j th charging interval of individual i, and t_ij is the start time of charging session j.

본 연구에서는 노선별 충전 간격 분포를 도출하였으며, 해당 분포를 근사하는 방법으로 가우시안 혼합모델(GMM, Gaussian Mixture Model)을 활용하였다. GMM은 관측값들이 여러 개의 가우시안 분포로부터 확률적으로 생성되었다는 가정에서 각 성분의 조합을 통해 전체 데이터의 분포를 근사하는 모수적 확률 밀도함수로 표현된다(Equation 2).

where πk is a mixed weight for component k which meets ∑k=1Kπk=1, N(χ|μχ,∑k)is multivariate normal distribution with mean vector μχand covariance matrix ∑k, and χ is a posterior probability of belonging to the distribution.

GMM 파라미터 추정은 EM(Expectation-Maximization) 알고리즘을 통해 이루어진다. 이 알고리즘은 관측값에 대해 현재 추정된 파라미터 하에서 군집별 소속 확률을 계산하는 기대 단계(E-step)와 이를 바탕으로 혼합 가중치, 평균, 공분산을 재계산하는 최대화 단계(M-step)를 반복 수행함으로써 전체 로그 우도를 점진적으로 증가시키면서 파라미터를 갱신한다(Reynolds, 2015). 최적 모형 선정 지표는 베이즈 정보 기준(BIC, Bayesian Information Criterion)과 아카이케 정보 기준(AIC, Akaike’s Information Criterion)을 활용했다. 선정 기준은 AIC와 BIC의 감소율을 기반으로 특정 임계값에서 감소율이 완만해질 때를 최적 군집 수로 간주하였다. 본 연구는 Python 기반의 머신 러닝 라이브러리인 scikit-learn의 GaussianMixture 모듈을 활용하여 GMM 분석을 수행하였다.

Figure 3은 데이터 수집과 전처리, 차고지 기준 분석 및 노선별 분석 등 전체적인 수행 과정과 주요 내용을 보여주고 있다.

Figure 3

Research procedure

시내버스 충전 패턴 분석

1. 차고지 기준 분석

1) 시간대별 충전량

차고지 충전 특성을 살펴보기 위해 우선 시간대별 충전 수요를 분석하였다. 시내버스 운행 일정은 대부분 1일 단위로 수립되기 때문에 충전 스케줄 분석의 기본 단위도 1일로 설정하였으며, 시간대별 충전량 분포를 통해 차고지에서 발생하는 충전 수요의 시간적 분포를 살펴보았다.

1년 동안 충전 데이터를 토대로 시간대별 충전량을 산출한 결과, Figure 4와 같이 자정에 충전량이 가장 많고, 오전 5시에 가장 충전량이 적게 나타났다. 첨두시인 자정에 발생한 충전량은 연간 총 831MWh이며, 비첨두시인 오전 5시에는 거의 충전 활동이 없다. 시간대별 분포를 살펴보면, 차량 운행이 종료되는 오후 10시부터 오전 5시까지 심야 충전량은 전체 충전량의 48%를 차지하며, 주간 시간대 충전량은 약 52%를 차지하고 있다. 심야 시간대는 상대적으로 전기 요금이 저렴하고 장시간 충전 시간 확보가 가능하므로 모든 차량이 기초 충전으로 활용하지만, 낮 시간대 충전은 운전자 휴식 시간을 이용해 단시간에 충전하는 방식으로 주행거리를 연장하는 기회 충전 형태로 활용되고 있다.

Figure 4

Total charging amount at depot by time of day

다음 계절적 요인이 시간대별 충전 수요 분포에 미치는 영향을 살펴보기 위해 계절별 충전량 분포를 분석하였다. 계절 구분은 전력 요금제 체계에 따라 봄은 3월부터 5월, 여름은 6월부터 8월, 가을은 9월부터 11월, 겨울은 12월부터 2월로 구분하였으며, 계절별 1일 평균 충전량으로 환산하여 비교하였다. 그 결과, Figure 5와 같이 심야 시간 충전량은 계절별로 큰 차이가 없으나, 주간 시간대 충전량 분포는 계절에 따라 다소 차이가 있는 것으로 나타났다. 특히 겨울에는 주간 충전량이 가장 많은데, 이는 기온 영향으로 에너지 소비량이 늘어나므로 기회 충전량이 더 늘어나는 것으로 추정된다. 여름의 경우 오후 2시 이후 충전량이 급격히 낮아지는데, 이는 여름철 첨두 부하 시간대로 전기 요금 단가가 높은 시간대이므로 충전을 회피하는 경향을 보인다. 이와 같이 차고지 충전 전략은 특히 기회 충전이 이뤄지는 낮 시간대에는 계절에 따라 다른 양상을 보이며, 현행 전력 요금 체계에 따라 에너지 비용을 최소화할 수 있도록 관리되고 있음을 알 수 있다.

Figure 5

Seasonal charging amount at depot by time of day

2) 차량 평균 충전 특성

차고지 전체 차량을 대상으로 평균 충전 빈도와 충전량 및 충전 시간을 분석하였다. 그 결과, Table 3과 같이 1대당 1일 평균 충전 빈도는 3.6회이며, 일평균 충전량은 248kWh, 일평균 충전 시간은 145분으로 나타났다. 1일 충전 빈도는 3.6회로 다소 높은 편이며 이는 심야 충전과 함께 낮 동안 기회 충전이 자주 발생하고 있음을 보여준다. 충전 시간은 심야 충전과 주간 충전을 모두 포함한 시간이며, 충전량은 하루 동안 주행거리와 에너지 소비량을 반영하고 있는데 실제 분석 기간 동안 차량 1대당 일평균 주행거리는 241km로 나타났다.

월별 충전 특성을 분석한 결과, Table 4와 같이 1월에 일평균 충전 빈도가 3.96회로 가장 높고 충전량과 충전 시간도 모두 가장 큰 값을 보인다. 1월 충전량은 연중 가장 낮은 10월의 충전량보다 약 38% 이상 큰 값을 보이는데, 이는 겨울철 에너지 소비량이 많고 충전량도 더 늘어남을 의미한다. 충전 시간은 기온의 영향으로 겨울과 여름철에 더 길어진다. 따라서 충전량 관리는 최대 수요가 발생하는 겨울철 수요 관리가 중요하며, 충전 시간에 대한 스케줄 관리는 겨울과 여름철을 모두 고려해야 함을 알 수 있다.

2. 노선별 분석

1) 충전 간격 분포

노선별 충전 특성으로는 단일 노선 투입 차량 총 71대를 대상으로 차량별 충전 간격을 산출하였다. 차량별 충전 데이터 수집 기간은 최소 142일에서 최대 365일까지 다양하게 나타났다. 충전 간격 분포를 분석한 결과는 Figure 6과 같다. 여기에서 x축은 시간 단위로 표기된 충전 간격이며, y축은 해당 간격의 발생 빈도를 나타낸다. Figure 6에서 보듯이 동일 노선에서 운행하는 차량은 모두 충전 간격 분포도 유사한 형태를 보이며, 이 분포는 다수의 특정 값에 빈도가 집중되는 GMM에 근사한 형태이나 좌편향된 비대칭 형상으로 나타났다.

Figure 6

The comparison of charging interval distribution of electric buses by route

본 연구는 노선별 운행 차량의 데이터를 합산하여 총 7개 노선의 충전 간격 분포를 분석하였으며, GMM 분석 수행에 앞서 정규성 가정을 충족하기 위하여 충전 간격 변수 값에 자연 로그 변환을 적용하였다. GMM 분석에서 최적 모형 선정은 군집 수를 1개에서 5개까지 증가시키며 AIC와 BIC를 산출했다. Figure 7은 98번 노선의 분석 사례를 보여주는데, 여기서 AIC와 BIC는 군집 수가 2개일 때 가장 낮게 나타났으므로 군집수가 2개인 GMM을 최적 모형으로 선정하였다.

Figure 7

Example of GMM component estimation and AIC/BIC comparison for Route 98

노선별로 최적 모형을 산정한 결과는 Table 5와 같다. 모든 노선의 충전 간격 분포는 군집 수가 2개 또는 3개인 GMM으로 근사할 수 있으며, 군집별 충전 간격 평균값은 2~3시간 범위와 6~9시간 범위에 존재한다. 이는 버스 충전은 주기적인 특징이 있으며 낮 시간대 짧은 충전과, 심야 시간대 긴 충전이 공존하는 특징을 보여준다. 7개 노선 중 98번 노선은 다른 노선에 비해 상대적으로 긴 충전 간격의 구성비가 크지만, 그 외 노선의 경우 짧은 충전 간격의 구성비가 더 크다. 이것은 98번 노선의 충전 간격이 상대적으로 더 길고 충전 빈도가 더 낮다는 것을 의미하는데, 해당 노선 투입 차량은 배터리 용량이 큰 최신 모델이 운행되고 있어서 상대적으로 충전 간격이 길고 충전 횟수가 작은 것으로 판단된다.

2) 시간대별 충전 시간, 충전량, SOC 수준

노선별 충전 간격 분포가 장기간에 걸친 충전 패턴을 보여준다면, 1일 단위 충전 특성은 시간대별 충전 시간, 충전량, 충전 시 SOC 수준 등을 통해 분석하였다. 노선별 분석 결과는 대체로 유사한 패턴을 보였기 때문에 98번 노선을 대표 사례로 선정하여 분석 결과를 살펴보았다. 98번 노선 차량의 전체 충전 데이터를 토대로 Figure 8과 같은 산점도를 도출하였다. 여기에서 x축은 시간대(충전 시작 시간 기준)를 나타내며, y축은 순서대로 충전 시간, 충전량, 충전 시 SOC 수준을 가리킨다.

시간대별 충전 시간을 살펴보면 Figure 8(a)와 같이 두 개 영역으로 구분된다. 오전 8시부터 오후 10시까지는 발생하는 충전은 충전 시간이 50분 미만으로 대체로 짧지만, 오후 10시부터 오전 5시까지는 충전 시간이 100분 이상 150분 사이에 있어서 상대적으로 길다. 시간대별 충전량은 Figure 8(b)와 같이 오전 8시부터 오후 10시까지 발생하는 충전은 100kWh 이하로 충전량이 비교적 작고, 오전 시간대 충전량이 오후 시간대 충전량보다 다소 크다. 즉 오후 충전은 심야 충전으로 연기할 수 있도록 충전량을 줄이는 경향이 있으며, 심야 시간대 충전량은 150~200kWh 범위로 대부분 완전 충전이 이뤄진다. 배터리 SOC 수준을 살펴보면 Figure 8(c)와 같이 충전량과 유사한 형태를 보인다. 오전 시간대 충전은 대부분 SOC 50% 이상 높은 수준에서 이뤄지지만, 오후 시간대로 갈수록 SOC 수준은 점차 낮아지며 오후 10시 이후에는 대부분 SOC 20% 이하에서 충전하게 된다.

Figure 8

Scatter plot of charging session data of Route 98 by charging characteristics

3. 주요 결과 논의

본 연구는 차고지 충전을 주 충전 방식으로 운영하는 수원여객 북부차고지를 대상으로 전기 시내버스의 충전 특성을 분석하였으며 주요 결과를 논의하면 다음과 같다.

북부차고지는 모든 차량이 심야 시간대 충전이 가능하도록 차고지 충전 인프라를 구축한 상황이며, 심야 충전을 주 충전 방식으로 활용하고 있다. 그러나 대부분 차량은 204kWh 배터리를 탑재하고 있어서 심야 충전만으로 1일 운행에 충분한 충전량 확보가 어렵다. 따라서 심야 충전과 함께 운행 중 기회 충전을 병행하는 형태로 운영되고 있으며, 차고지 전체 평균 충전 횟수는 1일 3.6회로 나타났다. 기회 충전은 상대적으로 짧은 시간 동안 급속 충전하여 주행가능 거리를 연장하는 방식이며, 심야 시간을 제외한 운행 중 충전량은 전체 충전량의 50% 이상을 차지하고 있다. 그러나 배터리 용량이 커질수록 운행 중 충전 필요성은 낮아지게 된다. 실제 대용량 배터리를 탑재한 최신 모델을 운행하는 98번 노선의 경우 다른 노선보다 충전 간격이 더 길게 나타났다. 이러한 결과는 전기버스 배터리 용량과 주행가능 거리가 충전 스케줄에 가장 큰 영향을 미치는 요인으로 충전 인프라 계획과 운영 전략 수립 과정에서도 적정 배터리 용량이 고려되어야 함을 보여준다.

전기버스 충전 패턴에 계절적 요인이 미치는 영향을 살펴보면, 겨울에는 에너지 소비량이 증가하고 충전 효율이 낮기 때문에 운행 중 기회 충전 빈도가 늘어나고 1일 충전량도 더 커지게 된다. 월별 충전량을 비교하면 1월에 1일 평균 충전량 296kWh로 가장 크게 나타났으며, 이는 충전량이 가장 적은 10월과 비교할 때 38% 이상 높은 수준이다. 여름의 충전량은 겨울보다는 적은 편이나, 충전 시간은 봄·가을보다 길어지게 된다. 따라서 안정적인 충전 인프라 운영을 위해서는 계절과 기후적 요인을 반영한 동적 스케줄 관리가 필요하다.

전기버스 충전 스케줄은 운행 노선에 맞춰 수립되게 되므로 노선별로 서로 다른 충전 패턴을 보인다. 노선별 충전 간격 분포를 살펴본 결과, 대체로 규칙적인 충전 패턴을 보이며 특정 시간 간격에 집중되는 경향을 보인다. 그러나 기상 요인, 운행 환경 변화 등 예측할 수 없는 동적 요인으로 인해 충전 스케줄 변동이 발생하게 되며, 그 결과 충전 간격 분포는 2개 또는 3개 군집으로 구성된 GMM으로 근사할 수 있었다. 노선 운행 차량의 시간대별 충전 데이터를 살펴보면 운행 중 기회 충전과 심야 시간 기초 충전을 반복하는 형태가 뚜렷하다. 낮 동안에는 충전량이 작고 충전 시간이 짧지만, 심야 시간 충전은 100% 완충으로 진행되며 충전 시 SOC 수준도 20% 내외로 충전량이 많고 충전 시간도 길다. 따라서 심야 충전 비중이 높아질수록 차고지에 안정적인 충전 공간 확보가 중요하며, 첨두 수요를 분산할 수 있도록 효율적인 충전 스케줄 수립이 중요해지게 될 것이다.

결론

시내버스의 전기차 전환은 대중교통수단에서 발생하는 온실가스 및 대기오염물질 배출 저감을 통해 환경적 개선 효과를 가져올 뿐만 아니라, 연료비 절감과 이용자 편의성 향상 등 다양한 사회·경제적 편익을 기대할 수 있다. 그러나 전기버스의 짧은 주행거리와 긴 충전 시간 등 기술적 제약을 극복하기 위해서는 효율적인 충전 인프라 계획이 필수적이다.

본 연구는 전기버스 충전 인프라 계획을 위한 기초자료로서 실제 충전 패턴을 파악하고자 수원여객 북부차고지에서 운행되는 전기 시내버스의 충전 이력 데이터를 분석하였다. 북부차고지는 모든 차량을 전기버스로 전환하기 위해 차고지에 전기버스 전용 충전 인프라를 구축하여 운영 중이다. 1년 동안 충전 이력 데이터를 분석한 결과, 해당 차고지의 전기버스는 심야 충전과 운행 중 기회 충전을 병행하는 충전 패턴을 보이는 것으로 나타났다. 이러한 충전 패턴이 가능한 이유는 북부차고지가 심야 충전의 안정성을 위해 모든 차량이 충전기에 원활히 접근할 수 있는 안정적인 환경을 갖추고 있기 때문이다. 대부분 차량은 운행 중 차고지에 접근이 용이한 노선에 배차되고 있기 때문에, 에너지 비용 절감과 충분한 충전 시간 확보에 유리한 심야 충전을 기초 충전으로 활용하면서, 동시에 주행 중 기회 충전을 통해 부족한 주행거리를 보완하게 된다.

본 연구의 한계로는 차고지 충전이 가능한 전기버스에 한정하여 충전 패턴을 분석했다는 점을 들 수 있다. 북부차고지의 경우 노선 재배치와 차고지 개량 등을 통해 모든 차량이 차고지에서 충전 가능한 환경으로 조성되어 있다. 국내 운수사 대부분 역시 차고지 충전을 기본 충전으로 활용하고 있으나, 100% 전기버스 전환에 충분한 충전기를 확보한 경우는 많지 않다. 대부분 버스 차고지는 도심에 자리잡고 있기 때문에 충전기 설치를 위한 추가 부지 확보가 어렵다. 또한 운행 중 충전 장소나 충전 시간을 확보하기 어려운 노선도 존재한다. 따라서 지속적인 전기버스 전환을 위해서는 다음과 같은 충전 인프라 관련 논의가 필요하다.

우선 운수사 입장에서는 전기버스 전환을 위해서는 기초 충전 장소로서 차고지 리모델링과 확장 계획이 수반되어야 한다. 심야 충전은 현재 전력망 여건에서 충전 단가가 가장 낮고, 충분한 충전 시간을 확보할 수 있다는 점에서 효율적인 충전 방식이다. 만약 차고지에 플러그인 충전기 설치가 어려운 경우 무선 충전, 배터리 교환형 시스템 등 대안 기술 검토도 필요하다. 여기에 덧붙여 전기버스 특성을 고려하여 기존 노선을 조정하거나 새로운 차고지 배치 계획 등을 검토하는 것도 대안이 될 수 있을 것이다.

또한 전기버스 충전 인프라 계획은 배터리 용량을 포함한 전기버스 성능과 사양을 반영하여 수립되어야 할 것이다. 장거리 노선의 경우, 배터리 용량을 증대시켜 안정적인 주행거리를 확보하는 것도 전기버스 전환을 촉진하는 방안이 될 수 있다. 그러나 선행 연구에서 논의한 바와 같이 배터리 용량이 커질수록 전기버스의 경제성은 낮아질 수 있고, 심야 충전을 위한 공간 확보나 효율적인 충전 스케줄과 같은 문제가 발생할 수 있다. 따라서 적정 배터리 용량 선정은 충전 인프라 계획과 충전 전략에 연동하여 검토되어야 할 것이다.

앞으로 노선버스의 전기버스 전환을 가속하기 위해서는 차고지 이외 운행 중 충전이 가능한 공용 충전인프라 구축이 필요하다. 지방정부는 대중교통계획의 일환으로 노선버스 운행 지원을 위한 공용 충전 인프라 구축을 검토해야 할 것이다. 만약 버스 운행이 집중되는 지역에 공용 충전 인프라를 설치한다면 차고지 충전소 부담을 줄이고 안정적인 운행을 보장할 수 있다. 또한 전기버스 운행 대수가 늘어남에 따라 이러한 공용 인프라의 경제성도 개선될 수 있을 것이다.

장기적으로 대중교통 부문 탄소중립 실현을 위해서는 전기버스 증가로 늘어나는 전력 수요에 대한 지속가능한 대책 마련도 중요하다. 전기버스 계획 과정에서 에너지저장 장치(ESS, Energy storage system)의 활용을 통한 수요 분산, 재생에너지 활용과 전 주기 배출량을 고려한 최적 충전 스케줄과 관련한 추가 연구가 필요하다. 또한 지속가능한 전기버스 확산을 위해서는 전기버스 인프라 배치, 차량 및 인프라 투자에 따른 경제성 분석, 배터리 수명 분석 등에 관한 후속 연구도 보완되어야 할 것이다.