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
- 배성우
- 발행연도
- 2022
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수19
이 논문의 연구 히스토리 (3)
2022
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 특징 추출 기법과 딥러닝을 사용한 배터리 노화 상태 추정 방법을 제안한다. 데이터 기반 노화 상태 추정 방법을 배터리에 적용할 경우, Health Indicator를 훈련 데이터로 사용한다. 하지만, 많은 충·방전 사이클에서 Health Indicator를 추출하는 것은 한계점을 가진다. 본 논문에서는 이러한 문제를 보완하기 위해 특징 추출 기법과 딥러닝을 사용한 배터리 노화 상태 추정 방법을 제안한다. 특징 추출 기법은 의미 있는 데이터를 식별하고 추출하는 과정으로, 추정 성능을 향상할 수 있다는 장점이 있다. 제안하는 방법은 특징 추출 기법으로 시계열 특징 추출 방법을 사용하였다. 먼저 다른 Health Indicator보다 측정하기 쉬운 특정 전압 구간의 방전 시간을 Health Indicator로 추출하였으며 해당 데이터에 시계열 특징 추출을 적용해 특징을 생성하였다. 이후 다항 차수 변환과 피어슨 상관관계를 통해 배터리 노화 상태와 상관관계가 높은 데이터를 추출해 본 논문에서 제안하는 새로운 특징을 생성하였다. 이러한 특징 추출 과정을 거친 후 여러 입력을 출력에 매핑하여 학습할 수 있다는 장점이 있는 딥러닝 모델을 적용하였다. 딥러닝 모델은 새로운 특징들과 배터리 노화 상태의 관계를 도출하는 데 적용된다. 딥러닝과 특징 추출 기법을 함께 적용하였을 때 기존의 방법과 비교했을 때 배터리 노화 상태 추정 성능을 향상할 수 있었다. 제안하는 방법은 Mean Absolute Error(MAE) 평가 방법으로 추정 성능을 평가했을 때 0.3887%의 높은 정확도를 보였다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0