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
- 허견
- 발행연도
- 2022
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
해양오염 방지를 위한 UN 산하 국제해사기구의 선박 배출가스 규제인 IMO 2020으로 조선, 해운 시장의 패러다임 전환이 시작되었다.
지금까지의 환경에 대한 문제가 유해 오염 물질을 발생시키는 육상에서의 공장과 자동차 등에 집중 되었다면, 이제 우리나라의 수출입 물동량 90%를 담당하는 해상의 선박도 환경오염에 대해 관심을 받게 된 것이다. 이에 대비하여 선박 장비의 효율적 운영을 통한 환경오염 물질 발생을 최소화 하는 노력과 함께 장기적으로는 친환경 선박 확대가 필요한 상황이다. 최근 친환경선박의 하나로 전기추진선박에 대한 관심이 높아지고 있으며, 이러한 선박 장비의 효율적 운영과 전기추진선박의 건조를 위한 선박 전력 부하 예측은 선행되어야 할 중요한 연구분야이다.
대한민국 해군은 일반 선박과 비교하여 많은 전기에너지를 사용하는 전투함을 운용하고 있어 전력사용량 예측은 더욱 중요한 의미를 가진다. 점차 발전하고 있는 무기체계는 더 많은 전기에너지가 필요하며, 레일 건 같은 고출력 에너지 무기체계의 등장으로 함정의 전기에너지는 더 이상 충분히 제공되는 자원을 넘어 작전 운영을 결정하는 필수적 요소이다.
선박의 단기 전력 부하 예측의 가능성을 확인하기 위해 4개월간 수집된 실제 가스 운반선 운영 데이터를 활용하였다. 가스 운반선은 적재된 가스의 안전한 이송을 위한 액화 상태를 유지 하기 위해 각종 펌프와 이송장비들이 설치 되어 있고 이는 지속적으로 변화하는 해상에서의 외부환경 요인과 가스 상태에 따라 작동하게 되어 변화가 크고 불규칙적인 전력 부하 패턴을 가지게 됨으로 효과적인 발전기 운영을 위한 정확한 예측을 필요로 한다. 이러한 가스 운반선의 비선형적 특성을 가지는 전력 부하를 물리적 모델을 사용하여 예측하는 것은 제한적임으로 심층 신경망 방식을 사용하여 전력부하 예측을 실시하였고, 예측에 적합한 데이터 셋을 구성하기 위해 전력부하와의 관련성 및 상관관계 분석을 통해 400개의 데이터를 14개의 데이터로 전처리 하였다. 이후, 선박의 전력부하 데이터 특성을 고려한 예측 알고리즘을 선택하고 Hyperparameter 최적화를 통해 과적합 방지와 예측 성능을 향상시켰으며 실험과정에서, 일반적으로 예측 성능이 우수하다고 보고된 CNN + LSTM과 같은 하이브리드 모델이 가스운반선의 전력부하 예측에는 적합하지 않은 이유와 과적합 방지를 위한 정칙화 적용 시 적절한 Dropout rate의 중요성을 실험을 통해 확인하였다.
지금까지의 환경에 대한 문제가 유해 오염 물질을 발생시키는 육상에서의 공장과 자동차 등에 집중 되었다면, 이제 우리나라의 수출입 물동량 90%를 담당하는 해상의 선박도 환경오염에 대해 관심을 받게 된 것이다. 이에 대비하여 선박 장비의 효율적 운영을 통한 환경오염 물질 발생을 최소화 하는 노력과 함께 장기적으로는 친환경 선박 확대가 필요한 상황이다. 최근 친환경선박의 하나로 전기추진선박에 대한 관심이 높아지고 있으며, 이러한 선박 장비의 효율적 운영과 전기추진선박의 건조를 위한 선박 전력 부하 예측은 선행되어야 할 중요한 연구분야이다.
대한민국 해군은 일반 선박과 비교하여 많은 전기에너지를 사용하는 전투함을 운용하고 있어 전력사용량 예측은 더욱 중요한 의미를 가진다. 점차 발전하고 있는 무기체계는 더 많은 전기에너지가 필요하며, 레일 건 같은 고출력 에너지 무기체계의 등장으로 함정의 전기에너지는 더 이상 충분히 제공되는 자원을 넘어 작전 운영을 결정하는 필수적 요소이다.
선박의 단기 전력 부하 예측의 가능성을 확인하기 위해 4개월간 수집된 실제 가스 운반선 운영 데이터를 활용하였다. 가스 운반선은 적재된 가스의 안전한 이송을 위한 액화 상태를 유지 하기 위해 각종 펌프와 이송장비들이 설치 되어 있고 이는 지속적으로 변화하는 해상에서의 외부환경 요인과 가스 상태에 따라 작동하게 되어 변화가 크고 불규칙적인 전력 부하 패턴을 가지게 됨으로 효과적인 발전기 운영을 위한 정확한 예측을 필요로 한다. 이러한 가스 운반선의 비선형적 특성을 가지는 전력 부하를 물리적 모델을 사용하여 예측하는 것은 제한적임으로 심층 신경망 방식을 사용하여 전력부하 예측을 실시하였고, 예측에 적합한 데이터 셋을 구성하기 위해 전력부하와의 관련성 및 상관관계 분석을 통해 400개의 데이터를 14개의 데이터로 전처리 하였다. 이후, 선박의 전력부하 데이터 특성을 고려한 예측 알고리즘을 선택하고 Hyperparameter 최적화를 통해 과적합 방지와 예측 성능을 향상시켰으며 실험과정에서, 일반적으로 예측 성능이 우수하다고 보고된 CNN + LSTM과 같은 하이브리드 모델이 가스운반선의 전력부하 예측에는 적합하지 않은 이유와 과적합 방지를 위한 정칙화 적용 시 적절한 Dropout rate의 중요성을 실험을 통해 확인하였다.
목차
그 림 차 례 iii표 차 례 v국 문 요 약 vi제 1 장 서 론 11.1. 연구 배경 11.2. 연구 목표 41.3. 논문 개요 52장 이론적 배경 62.1. 예측 방법 선정 62.2. 심층 신경망 이론 72.2.1. CNN (Convolutional Neural Networks) 72.2.2. LSTM (Long Short-Term Memory) 92.2.3. Bi-LSTM (Bidirectional Long Short Term Memory) 102.3. 정칙화(Regularization) 112.3.1. Dropout 112.3.2. 잔차 학습 (Residual network) 12제 3 장 데이터 전처리 133.1. 실험 대상 함정과 예측 목표 설정 133.2. 데이터 구성 16제 4 장 실험 결과 및 분석 194.1. 실험 수행 과정 194.2. 적합한 심층 신경망 알고리즘 224.2.1. 기본 알고리즘 구성 224.2.2. Case 1 (CNN + LSTM) 실험결과 244.2.3. Case 2 (CNN + Bi-LSTM) 실험결과 244.2.4. Case 3 (Bi-LSTM) 실험결과 254.2.5. Case 4 (LSTM) 실험결과 254.3. Hyperparameter 최적화 294.3.1. Dropout 비율 0.1 실험결과 294.3.2. Dropout 비율 0.4 실험결과 294.3.3. Dropout 비율 0.6 실험결과 304.3.4. Dropout 비율에 따른 예측 결과 분석 314.3.5. 4 layer 실험 결과 324.3.6. 8 layer 실험 결과 324.3.7. Layer 구조에 따른 예측 결과 분석 334. 4. 최적화된 예측 모델 구성 354. 5. 예측 모델의 활용 37제 5 장 결 론 38참 고 문 헌 40영 문 요 약 45
최근 본 자료
댓글(0)
0