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
- 2023
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수17
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 논문은 데이터 기반 인공지능 기법을 사용하여 전기자동차 배터리 잔존 용량(State-of-Charge, SOC) 추정 시 발생하는 센서의 측정오차 및 통신 간 누락 데이터에 강건한 배터리 SOC 추정 기법을 제안한다. 전기자동차 주행 중 배터리의 SOC를 실시간 온라인으로 정확하게 추정하기 위해서는 진동 및 센서의 고장 및 통신 오류로 인해 발생하는 Non-gaussian 노이즈, 데이터 결측과 같은 이상치에 정확하고, 동시에 빠른 추정 속도의 인공지능 모델이 필요하다. 전기자동차 배터리로부터 측정이 가능한 정보인 전압, 전류, 온도 데이터를 바탕으로 합성곱 게이트 순환 유닛(Convolutional Gated Recurrent Unit, ConvGRU) 딥러닝 모델을 적용하여 SOC 추정 정확도를 향상시켰다. 또한 최대 상호 코렌트로피(Maximum Correntropy Criterion, MCC) 손실함수를 사용하여 Non-gaussian noise가 포함된 데이터에 대한 SOC 추정 정확도 향상에 있어서 존재하는 한계를 극복하였다. 전기자동차의 도심 주행, 고속 감·가속 주행, 공격적인 도시 및 고속도로 혼합 주행 환경을 반영한 실주행 사이클 데이터를 사용하여 제안하는 인공지능 모델의 성능을 검증하였다. 실험은 Non-gaussian 노이즈와 결측 데이터에 강건한 정도 및 SOC 추정 정확도 측면에서 비교되었으며, Python 기반 Keras 라이브러리를 사용한 Tensorflow2 환경에서 구현하였다. 연구 결과 ConvGRU-MCC 딥러닝 모델의 SOC 추정 성능이 이상치가 포함된 각 주행 모드에서 비교되는 기존 ConvGRU-MSE 조합 모델에 비해 최대 12.44%p 더 강건한 성능을 가진다. 또한 혼합 노이즈가 포함된 데이터에 대해 기존 수식, 모델링, 머신러닝, 딥러닝 기반 SOC 추정 기법들과 SOC 추정 결과를 비교하였다. 그 결과 기존 SOC 추정 기법의 오차는 최소 8.93%, 최대 21.37%의 낮은 추정 성능을 보인 반면, 제안하는 ConvGRU-MCC 모델의 경우 5.01% 오차로 우수한 SOC 추정 성능을 보였다.
목차
제 1 장 서 론 11.1 연구 배경 11.2 연구 내용 및 기여도 5제 2 장 SOC 정의 및 배터리 충·방전 프로파일 72.1 리튬 이온 배터리 72.2 SOC 정의 82.3 전기자동차 배터리 충·방전 프로파일 92.4 Non-Gaussian 노이즈 및 데이터 결측 12제 3 장 SOC 추정을 위한 딥러닝 모델 143.1 시계열 회귀 분석을 위한 딥러닝 143.2 GRU 딥러닝 모델 153.3 ConvGRU 딥러닝 모델 173.4 Gramian Angular Fields 기반 시계열 데이터 이미지화 19제 4 장 딥러닝 모델 손실함수 기법 214.1 손실함수 개념 214.2 Maximum Correntropy Criterion 손실함수 22제 5 장 제안한 전기자동차 배터리 SOC 추정 기법 245.1 ConvGRU 기반 SOC 추정 방법 245.2 ConvGRU 모델의 SOC 추정 성능 평가 265.3 MCC 손실함수의 이상치에 대한 강건성 평가 295.4 제안하는 ConvGRU-MCC 모델의 SOC 추정 성능 평가 36제 6 장 결 론 39참 고 문 헌 41ABSTRACT 45
최근 본 자료
댓글(0)
0