지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 전준현
- 발행연도
- 2022
- 저작권
- 동국대학교 논문은 저작권에 의해 보호받습니다.
이용수21
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
전지를 장기간 안전하게 운용하고, 높은 성능을 유지하기 위해서는 정확한 SOC(State of Charge) 예측이 중요하다. 정확한 SOC 예측은 전지의 과충전(Over Charging)과 과방전(Over Discharging)을 방지함으로써 전지의 열화 현상을 줄이고, 화재 및 폭발 사고를 예방할 수 있다.
본 논문에서는 바나듐 레독스 흐름전지(Vanadium Redox Flow batteries, VRFBs)의 정확한 SOC 추정을 위하여 전처리 기법이 적용된 트랜스포머(Advanced Transformer) 딥러닝 방법을 제안한다. 트랜스포머 딥러닝 네트워크에는 순환신경망(RNN, Recurrent Neural Network)과 CNN(Convolutional Neural Network) 구조를 포함하지 않는다. 오직 Attention 기법만으로 입력된 시계열 데이터들 간의 상관관계를 딥러닝 학습하고 예측한다.
시뮬레이션 결과, 제안한 방식은 시계열 데이터 예측으로 가장 많이 사용되는 LSTM(Long Short Term Memory) 방식보다 44% MSE(Mean Square Error) 감소에 따른 정확도 향상을 나타냈으며, 기존 트랜스포머 방식보다도 9% 이상의 성능향상(MSE 감소)을 보였다. 본 논문을 통하여 제안된 기술이 바나듐 레독스 흐름전지 SOC의 정확한 예측을 위한 학습 방식으로 적합하다는 것을 알 수가 있다.
본 논문에서는 바나듐 레독스 흐름전지(Vanadium Redox Flow batteries, VRFBs)의 정확한 SOC 추정을 위하여 전처리 기법이 적용된 트랜스포머(Advanced Transformer) 딥러닝 방법을 제안한다. 트랜스포머 딥러닝 네트워크에는 순환신경망(RNN, Recurrent Neural Network)과 CNN(Convolutional Neural Network) 구조를 포함하지 않는다. 오직 Attention 기법만으로 입력된 시계열 데이터들 간의 상관관계를 딥러닝 학습하고 예측한다.
시뮬레이션 결과, 제안한 방식은 시계열 데이터 예측으로 가장 많이 사용되는 LSTM(Long Short Term Memory) 방식보다 44% MSE(Mean Square Error) 감소에 따른 정확도 향상을 나타냈으며, 기존 트랜스포머 방식보다도 9% 이상의 성능향상(MSE 감소)을 보였다. 본 논문을 통하여 제안된 기술이 바나듐 레독스 흐름전지 SOC의 정확한 예측을 위한 학습 방식으로 적합하다는 것을 알 수가 있다.
목차
제1장 서 론 1제2장 이론적 배경 3제1절 SOC (State of Charge) 3제2절 레독스 흐름전지(RFBs, Redox Flow Batteries) 5제3절 LSTM(Long Short-Term Memory) 7제4절 시계열 데이터 예측을 위한 트랜스포머 알고리즘 9제3장 시뮬레이션 12제1절 LSTM 모델 예측 14제2절 트랜스포머 모델 예측 17제3절 학습 데이터 전처리 후 예측 20제4장 결 과 25제5장 결 론 26
최근 본 자료
댓글(0)
0