KR102159817B1 - 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 - Google Patents

딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 Download PDF

Info

Publication number
KR102159817B1
KR102159817B1 KR1020200038344A KR20200038344A KR102159817B1 KR 102159817 B1 KR102159817 B1 KR 102159817B1 KR 1020200038344 A KR1020200038344 A KR 1020200038344A KR 20200038344 A KR20200038344 A KR 20200038344A KR 102159817 B1 KR102159817 B1 KR 102159817B1
Authority
KR
South Korea
Prior art keywords
layer
data
energy storage
storage device
deep learning
Prior art date
Application number
KR1020200038344A
Other languages
English (en)
Inventor
김강산
Original Assignee
주식회사 대건소프트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 대건소프트 filed Critical 주식회사 대건소프트
Priority to KR1020200038344A priority Critical patent/KR102159817B1/ko
Application granted granted Critical
Publication of KR102159817B1 publication Critical patent/KR102159817B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

본 발명은 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 관한 것으로서, 더욱 상세하게는 딥러닝을 통한 고장률 모델로 에너지저장장치를 운영하는 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램을 제공한다.

Description

딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 {ENERGY STORAGE DEVICE THROUGH DEEP LEARNING OPERATION METHOD AND RECORDING MEDIUM STORING PROGRAM FOR EXECUTING THE SAME, AND COMPUTER PROGRAM STORED IN RECORDING MEDIUM FOR EXECUTING THE SAME}
본 발명은 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 관한 것으로서, 더욱 상세하게는 딥러닝을 통한 고장률 모델로 에너지저장장치를 운영하는 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 관한 것이다.
전력은 물리적으로 전력 생산량과 전력 사용량이 실시간으로 일치해야 하는 특성이 있다.
따라서, 별도의 보조 시스템을 사용하지 않으면, 전력 사용량이 적은 시간대에 전기에너지를 저장해 놓았다가 전력 사용량이 많은 시간대에 저장해 놓은 전기에너지를 사용하는 것과 같은 효율적인 전력 시스템 운영이 불가능하다.
에너지저장장치(ESS : Energy Storage System)는 필요에 따라 전력을 충/방전할 수 있는 기기이다.
최근 전력전자 기술과 에너지 저장 기술의 급격한 발전으로 에너지저장장치(ESS)의 전력계통 연계가 지속적으로 증가하고 있다.
전력계통 연계 에너지저장장치(ESS)는 주파수 유지, 신재생 에너지원 출력의 간헐성 감소, 첨두부하 감소, 전기요금 감소, 비상용 발전 등 다양한 목적으로 사용될 수 있다.
따라서, 에너지저장장치(ESS)의 사용에 따른 수명에 대한 연구가 필요하며, 에너지저장장치(ESS)의 수명 감소 비용을 고려한 운영이 필요하다.
이를 위해, 추가적으로 센서를 장착하게 되면, 에너지저장장치(ESS)의 제작이 복잡해지고, 이에 따라 제작비용이 상승하는 문제가 있다.
한국등록특허 [10-1445738]에서는 전력 사용량 데이터베이스를 이용하여 전기에너지 저장량을 조정하는 전력저장 장치 및 그 운영 방법이 개시되어 있다.
한국등록특허 [10-1445738](등록일자: 2014년09월23일)
따라서, 본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 추가적인 센서의 설치를 필요치 않으면서, 기존의 데이터를 기반으로 한 딥러닝을 통한 고장률 모델로 에너지저장장치를 운영하는 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램을 제공하는 것이다.
본 발명의 실 시예들의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법은, 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 딥러닝을 통한 에너지저장장치 운영 방법에 있어서, 상기 연산처리수단이 에너지저장장치의 각각의 렉(Rack)과 관련된 특성 데이터를 수집하는 데이터수집 단계(S10); 상기 연산처리수단이 상기 데이터수집 단계(S10)에서 수집된 데이터를 모델 생성을 위해 가공하는 전처리 단계(S20); 상기 연산처리수단이 상기 전처리 단계(S20)에서 전처리된 데이터를 이용하여 딥러닝을 통해 렉 고장률 모델을 만드는 모델생성 단계(S30); 및 상기 모델생성 단계(S30)에서 생성된 렉 고장률 모델을 적용하여 연산된 고장률을 바탕으로 에너지저장장치를 운영하는 모델적용 단계(S40);를 포함하는 것을 특징으로 한다.
또한, 상기 데이터수집 단계(S10)의 특성 데이터는 렉 인가전압, 셀 전압, SOC 및 온도 중 선택되는 복수의 데이터인 것을 특징으로 한다.
또, 상기 전처리 단계(S20)는 렉(Rack) 및 시간을 기준으로 특성 데이터를 그룹화 시키는 그룹화 단계(S22); 상기 그룹화 단계(S22)에서 그룹화된 특성 데이터를 평균이 0이 되고, 표준편차가 1이 되도록 표준화 시키는 표준화 단계(S23); 상기 표준화 단계(S23)에서 표준화된 특성 데이터의 균형을 맞추는 불균형처리 단계(S24); 및 상기 불균형처리 단계(S24)에서 균형이 맞춰진 데이터를 훈련데이터, 검증데이터 및 테스트데이터로 분할하는 데이터분할 단계(S25);를 포함하는 것을 특징으로 한다.
또한, 상기 전처리 단계(S20)는 상기 그룹화 단계(S22) 이전에, 전압 관련 계측 값이 "0" 인 데이터를 삭제하는 결측값처리 단계(S21);를 포함하는 것을 특징으로 한다.
또, 상기 불균형처리 단계(S24)는 오버샘플링 기법을 사용하여 데이터 불균형을 처리하는 것을 특징으로 한다.
또한, 상기 데이터분할 단계(S25)는 초기 데이터 세트를, 모델 훈련에 사용하기 위한 훈련 세트와 일반화 성능을 추정하는데 사용하기 위한 테스트 세트로 분할하는 제1데이터분할 단계(S251); 및 상기 제1데이터분할 단계(S251)에서 분할된 훈련 세트 중 일부를 검증 데이터로 사용하기 위한 검증 세트로 분할하는 제2데이터분할 단계(S252);를 포함하는 것을 특징으로 한다.
또, 상기 모델생성 단계(S30)는 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는 연산레이어층과 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 드롭아웃층 및 은닉 유닛(Hidden Unit) 수를 1로 결정하고, 활성화 함수로 시그모이드(sigmoid) 함수를 사용하는 결과레이어층을 포함하되, 상기 연산레이어층은 하위 층으로 갈수록 은닉 유닛(Hidden Unit) 수가 줄어드는 것을 특징으로 하고, 상기 드롭아웃층은 연산레이어층 간 또는 연산레이어층과 결과레이어층 간에 배치되는 것을 특징으로 하며, 상기 결과레이어층은 최 하위 층에 배치되는 것을 특징으로 하는 고장모델생성 단계(S31); 상기 고장모델생성 단계(S31)를 통해 예측된 고장률과 실측된 고장률을 근거로 정밀도, 재현율, F1-점수 중 선택된 어느 하나의 손실함수를 적용하여 손실점수를 산출하는 손실함수적용 단계(S32); 및 새로운 기울기의 정보만 반영하는 RMSprop 옵티마이저를 사용하여 결과에 따른 손실 함수의 값 또는 기울기를 최소화하는 방향으로 최적값인지를 확인하고, 최적값이 아니면 가중치값을 변경하여 상기 고장모델생성 단계(S31)부터 재 수행하도록 하는 옵티마이저 단계(S33);를 포함하는 것을 특징으로 한다.
또한, 상기 고장모델생성 단계(S31)는 레이블 수 < 은닉 유닛(Hidden Unit) 수 <= 2n+ 레이블의 수 (n은 레이어(layer) 수) 가 되도록 은닉 유닛(Hidden Unit) 수를 결정하고, 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는 제1레이어 단계(S311); 드롭아웃을 사용하여, 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 제2레이어 단계(S312); 상기 제1레이어 단계(S311) 보다 은닉 유닛(Hidden Unit) 수를 반으로 줄이고, 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는 제3레이어 단계(S313); 드롭아웃을 사용하여, 일정 비율(40%)의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 제4레이어 단계(S314); 및 은닉 유닛(Hidden Unit) 수를 1로 결정하고, 활성화 함수로 시그모이드(sigmoid) 함수를 사용하는 제5레이어 단계(S315);를 포함하는 것을 특징으로 한다.
또, 본 발명의 일 실시예에 따르면, 상기 딥러닝을 통한 에너지저장장치 운영 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체가 제공되는 것을 특징으로 한다.
아울러, 본 발명의 일 실시예에 따르면, 상기 딥러닝을 통한 에너지저장장치 운영 방법을 구현하기 위해, 컴퓨터 판독 가능한 기록매체에 저장된 프로그램이 제공되는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램에 의하면, 추가적인 센서의 설치를 필요치 않으면서, 기존의 데이터를 기반으로 한 딥러닝을 통한 고장률 모델로 에너지저장장치를 운영함으로써, 추가 센서의 설치 없이 에너지저장장치의 상태(고장률)에 따른 에너지저장장치의 운영이 가능하여, 에너지저장장치의 수명을 연장시킬 수 있음과 동시에 에너지저장장치를 보다 효율적으로 관리할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 흐름도.
도 2는 도 1의 일 실시예에 따른 전처리 단계의 흐름도.
도 3은 도 2에 결측값처리 단계가 추가된 예를 보여주는 흐름도.
도 4는 도 2의 일 실시예에 따른 데이터분할 단계의 흐름도.
도 5는 도 1의 일 실시예에 따른 모델생성 단계의 흐름도.
도 6은 도 5의 일 실시예에 따른 고장모델생성 단계의 흐름도.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명을 더욱 상세하게 설명한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 또한, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 흐름도이고, 도 2는 도 1의 일 실시예에 따른 전처리 단계의 흐름도이며, 도 3은 도 2에 결측값처리 단계가 추가된 예를 보여주는 흐름도이고, 도 4는 도 2의 일 실시예에 따른 데이터분할 단계의 흐름도이며, 도 5는 도 1의 일 실시예에 따른 모델생성 단계의 흐름도이고, 도 6은 도 5의 일 실시예에 따른 고장모델생성 단계의 흐름도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 딥러닝을 통한 에너지저장장치 운영 방법에 있어서, 데이터수집 단계(S10), 전처리 단계(S20), 모델생성 단계(S30) 및 모델적용 단계(S40)를 포함한다.
데이터수집 단계(S10)는 상기 연산처리수단이 에너지저장장치의 각각의 렉(Rack)과 관련된 특성 데이터를 수집한다.
에너지저장장치에는 다수의 렉(Rack)이 구비될 수 있고, 렉(Rack)은 다수의 모듈(Module)이 구비될 수 있으며, 모듈(Module)은 다수의 셀(Cell)이 구비될 수 있다.
렉(Rack)은 실질적인 출력전압과 동일한 전압을 인가하는 단위로, 렉(Rack) 간에는 병렬로 연결되어, 렉(Rack)의 증가는 용량의 증가를 의미한다.
모듈(Module) 간에는 직렬로 연결되며, 실질적인 교체단위가 된다.
상기 데이터수집 단계(S10)는 렉(Rack)과 관련된 특성 데이터(이하, 렉데이터)를 수집하는데, 렉데이터는 PMS(Power Management System) 또는 BMS(Battery Management System) 등으로부터 수집할 수 있다.
이때, 수집된 렉데이터는 데이터 베이스에 저장할 수 있으며, 원격지에 있는 데이터 베이스 서버로 전송하여 처리하는 것도 가능하다.
렉데이터는 순차적으로 수집하는 것도 가능하지만 전체를 동시에 수집하는 것도 가능하며, 가능하면 전체를 동시에 수집하는 것이 바람직하다.
이는, 동일 시간에 발생된 현상을 파악하기 위함이다.
전처리 단계(S20)는 상기 연산처리수단이 상기 데이터수집 단계(S10)에서 수집된 데이터를 모델 생성을 위해 가공한다.
상기 전처리 단계(S20)는 수집된 데이터를 그대로 사용 할 수 없기 때문에 모델 생성을 위해 사용가능한 데이터로 가공한다.
모델생성 단계(S30)는 상기 연산처리수단이 상기 전처리 단계(S20)에서 전처리된 데이터를 이용하여 딥러닝을 통해 렉 고장률 모델을 만든다.
상기 모델생성 단계(S30)는 딥러닝을 통해 렉 고장률 모델을 만든다.
딥러닝에는 신경망 등을 이용할 수 있다.
모델적용 단계(S40)는 상기 모델생성 단계(S30)에서 생성된 렉 고장률 모델을 적용하여 연산된 고장률을 바탕으로 에너지저장장치를 운영한다.
모델을 통해 나온 고장률을 이용하여 아래의 공식을 산출할 수 있다.
고장률 = [Prack1, Prack2, ... , Prackn],
P=Max(0,고장률),
Figure 112020033069771-pat00001
(여기서, Prackn은 n번째 렉 고장률, P는 최대고장률, Max(0,x)는 렐루(ReLU) 함수, Ratio는 고장률에 따른 출력비율을 나타낸다.)
이진 분류에서 0.6의 확률은 고장인지 정상인지 판단하기 애매한 수준이기 때문에 고장률이 0.6 이하면 실제 그 렉에서 고장이 발생할 가능성이 적다고 보고 정상으로 판단할 수 있다.
고장률이 0.6, 0.9 사이이면 고장이 발생할 가능성이 어느 정도 있다고 보고 에너지저장장치의 출력을 조절할 수 있다.
예를 들어, 정상상태에서 에너지저장장치의 출력값에 Ratio 값을 곱한 만큼 출력값이 결정되도록 할 수 있다.
고장률이 0.9 이상이면 실제 고장이 발생할 가능성이 굉장히 높기 때문에 출력을 0으로 만들어 운영을 하지 않는 것이 바람직하다.
렉 고장률 모델을 생성하는 것은 에너지저장장치 내부에서 구현될 수도 있지만 에너지저장장치 외부에 구현될 수도 있으며, 외부에 구현될 경우 서버에서 만들어 PMS 또는 BMS 등으로 전송하여, PMS 또는 BMS 등에서 적용하여 사용할 수 있도록 할 수 있다.
PMS를 예로 설명하면, PMS는 서버에서 받은 모델에 렉데이터를 적용하고, 렉 고장률 모델을 이용하여 출력값을 산출하며, 이렇게 산출된 출력값을 PCS에 적용하여 경고, 조절, 정지 등 에너지저장장치를 운영할 수 있다.
경고는 경고 신호만 보내어 관리자가 사고 발생 전에 미리 대처하도록 하기 위한 것이고, 조절은 불균형 상태의 렉(Rack)을 탈락 시키는 등의 제어를 할 수 있으며, 정지는 에너지저장장치의 가동을 정지시켜 더 큰 사고 발생을 방지하는 것이다.
이때, 불균형 상태의 렉(Rack)을 탈락 시키면, 불균형 상태의 렉(Rack)을 별도의 밸런싱을 거친 후 다시 연결시켜 사용할 수 있다.
본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법에서 데이터수집 단계(S10)의 특성 데이터는 렉 인가전압, 셀 전압, SOC 및 온도 중 선택되는 복수의 데이터인 것을 특징으로 할 수 있다.
렉 고장률과 상관관계가 높은 특성 데이터 부터 순차적으로 적용할 수 있으나, 적용되는 특성 데이터의 종류가 많을수록 연산에 필요로 하는 시간이 길어지는 문제가 있어, 다음과 같은 특성 데이터를 사용하는 것이 바람직하다.
렉 인가전압은 렉에 인가된 총 전압을 말하는 것이며, 일반적으로 DC 전압(DC voltage)에 해당된다.
셀 전압으로는 최대 셀 전압(max_cell_voltage), 최소 셀 전압(min_cell_voltage) 및 최대 최소 셀 전압 차이(diff_max_min_cell) 등을 특성 데이터로 사용할 수 있다.
최대 셀 전압(max_cell_voltage)은 렉에 포함된 셀(cell) 중에서 최대 전압 값을 의미하고, 최소 셀 전압(min_cell_voltage)은 렉에 포함된 셀 중에서 최소 전압 값을 의미하며, 최대 최소 셀 전압 차이(diff_max_min_cell)는 최대 셀 전압과 최소 셀 전압 차이로, 최대 최소 셀 전압 = 최대 셀 전압 - 최소 셀 전압의 단순한 연산으로 구할 수 있다.
최대 최소 셀 전압 차이가 필요한 이유는 리튬 이온 배터리에서 셀 전압 차이가 에너지저장장치에 영향을 미치기 때문이다.
SOC(State Of Charge)는 렉의 충전 상태, 충전 비율을 나타내는 값이다.
온도로는 최대 모듈 온도(max_temperature), 최소 모듈 온도(min_temperature) 등을 특성 데이터로 사용할 수 있다.
최대 모듈 온도(max_temperature)는 렉에 포함된 모듈(module) 중 최대 온도 값을, 최소 모듈 온도(min_temperature)는 렉에 포함된 모듈 중 최소 온도 값을 의미한다.
렉 고장률과 렉 인가전압, 셀 전압, SOC 및 온도가 렉 고장률에 미치는 연관성을 살펴보면 다음과 같다.
온도 : 리튬이온 배터리는 온도가 낮은 환경에서는 배터리 속의 리튬 이온을 포함한 양이온과 음이온의 속도가 줄면서 전지의 내부 저항이 증가하게 되어 성능이 떨어지므로 렉 고장률과 온도가 상관관계가 있다.
셀 전압 : 대부분의 리튬이온 배터리는 공칭전압 3.7v 만충 전압 4.2v이고, 만충 전압을 넘어가게 되면 과충전이 일어난다. 또한 과방전(2.7v ~ 2.5v) 상태 까지 전압이 내려가면 전극 영구 손상으로 인해 충전이 어려울 수 있어, 렉 고장률과 셀 전압이 상관관계가 있다.
렉 인가전압: 직렬로 연결된 셀 전압의 합이 렉 인가 전압이고, 각 렉마다 이 렉인가 전압이 동일하게 유지되야 배터리 수명이나 안정성이 높아지므로, 렉 고장률과 렉 인가전압이 상관관계가 있다.
SOC: 렉 인가전압에서 사용가능한 범위를 %로 나타낸 걸로 제조사 마다 다르지만 보통 5% ~ 95%를 사용하고, 렉 인가전압과 마찬가지로 렉마다 동일하게 유지되어야 하므로, 렉 고장률과 SOC가 상관관계가 있다.
도 ２에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 전처리 단계(S20)는 그룹화 단계(S22), 표준화 단계(S23), 불균형처리 단계(S24), 데이터분할 단계(S25)를 포함할 수 있다.
그룹화 단계(S22)는 렉(Rack) 및 시간을 기준으로 특성 데이터를 그룹화 시킨다.
보통에 전처리 과정에서 표준화 할 때는 전체 데이터의 평균과 표준편차를 이용한다.
하지만 렉(Rack)은 병렬로 구성이 되어 있기 때문에 같이 연결 되어 있는 렉 사이의 관계가 중요하다.
만약 전체 데이터의 표준화를 진행하면 의미 없는 데이터가 산출 된다.
따라서, 렉데이터를 같이 연결되어 있는 렉으로 그룹화 하고, 같은 시간을 기준으로 그룹화 하여 렉데이터의 표준화를 진행하는 것이 바람직하다.
표준화 단계(S23)는 상기 그룹화 단계(S22)에서 그룹화된 특성 데이터를 평균이 0이 되고, 표준편차가 1이 되도록 표준화 시킨다.
렉데이터 특성 값은 서로 다른 스케일을 가지고 있고, 이 값을 그대로 이용하게 되면 스케일이 큰 특성만 학습하는데 영향을 미치게 될 수 있다.
따라서 평균이 0이고, 표준편차가 1인 표준화를 진행하는 것이 바람직하다.
불균형처리 단계(S24)는 상기 표준화 단계(S23)에서 표준화된 특성 데이터의 균형을 맞춘다.
머신 러닝 모델을 평가하는 것과 별개로 클래스 불균형은 모델이 훈련되는 동안 학습 알고리즘 자체에 영향을 미치게 된다.
일반적으로 머신 러닝 알고리즘은 훈련하는 동안 처리한 샘플에서 계산한 보상 또는 비용 함수의 합을 최적화한다.
결정 규칙은 다수 클래스 쪽으로 편향되기 쉽다.
알고리즘이 훈련 과정에서 비용을 최소화하거나 보상을 최대화하기 위해 데이터 셋에서 가장 빈도가 높은 클래스의 예측을 최적화하는 모델을 학습한다.
일반 적인 고장 분석 데이터의 특성상 찾고자하는 데이터의 타겟(고장)의 수가 매우 극소수인 케이스가 많다.
이런 비대칭 데이터셋에서 딥러닝을 하게 되면 정확도(accuracy)가 높아도 재현율(recall, 실제 고장 예측 확률)이 급격히 작아지는 현상이 발생하게 된다.
예를 들어 100개의 데이터 중 5개가 고장이면, 모두 정상이라고 예측해도 정확도가 95%가 나오게 된다.
이러한 데이터 불균형을 처리하기 위해서 언더 샘플링, 오버 샘플링, SMOTE(Synthetic Minority Over-sampling Technique)등을 사용할 수 있다.
데이터분할 단계(S25)는 상기 불균형처리 단계(S24)에서 균형이 맞춰진 데이터를 훈련데이터, 검증데이터 및 테스트데이터로 분할한다.
상기 데이터분할 단계(S25)는 머신 러닝 모델을 학습시키고 훈련된 모델의 성능을 검증하기 위해 데이터를 분할한다.
모델 검증에는 보편적인 홀드아웃 교차 검증 기법과 k-겹 교차 검증 등을 사용할 수 있다.
도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 전처리 단계(S20)는 상기 그룹화 단계(S22) 이전에, 전압 관련 계측 값이 "0" 인 데이터를 삭제하는 결측값처리 단계(S21)를 포함할 수 있다.
렉데이터 특성상 센서가 계측을 못했을 시 0이라는 값을 줄때가 종종 존재 한다.
이런 결측값이 있는 상태로 모델을 만들게 될 경우 변수간의 관계가 왜곡될 수 있기 때문에 모델의 정확성이 떨어지게 된다.
그러나, 리튬 이온 배터리의 경우 전압이 "0"이 될 수가 없다.
따라서, "0"으로 나온 전압 값은 결측값으로 판단하고, 전압 값이 "0"인 데이터는 전부 삭제하는 것이 바람직하다.
본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 불균형처리 단계(S24)는 오버샘플링 기법을 사용하여 데이터 불균형을 처리하는 것을 특징으로 할 수 있다.
오버샘플링 기법은 데이터에서 상대적으로 소수를 차지하는 클래스(minority class) 데이터를 랜덤으로 선택하여 데이터에서 상대적으로 다수를 차지하는 클래스(majority class)의 수 만큼 복사본을 만들어, 두 클래스가 동일한 수가 되도록 하는 것이다.
이는, 에너지저장장치 에서도 정상 상태의 레이블이 대다수를 차지하고, 고장상태의 레이블은 소수를 차지하기 때문이며,
따라서, 오버샘플링 기법을 이용하여 고장상태의 레이블의 복사본을 정상상태의 레이블 만큼 늘리는 것이 바람직하다.
도 ４에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 데이터분할 단계(S25)는 제1데이터분할 단계(S251) 및 제2데이터분할 단계(S252)를 포함할 수 있다.
제1데이터분할 단계(S251)는 초기 데이터 세트를, 모델 훈련에 사용하기 위한 훈련 세트와 일반화 성능을 추정하는데 사용하기 위한 테스트 세트로 분할한다.
제2데이터분할 단계(S252)는 상기 제1데이터분할 단계(S251)에서 분할된 훈련 세트 중 일부를 검증 데이터로 사용하기 위한 검증 세트로 분할한다.
에너지저장장치의 경우, 사용되는 데이터의 양이 많기 때문에 홀드 아웃 교차 검증 기법을 사용하는 것이 바람직하다.
홀드 아웃 교차 검증 기법은 초기 데이터셋을 별도의 훈련 세트와 테스트 세트로 나누고, 훈련 세트는 모델 훈련에 사용하고 테스트 세트는 일반화 성능을 추정하는데 사용한다.
이때, 데이터셋을 분할 하기 전에 데이터셋을 랜덤하게 섞는 것이 바람직하다.
이렇게 섞인 데이터셋에서 80% 정도는 훈련데이터로 사용하고, 20% 정도는 테스트 데이터로 사용할 수 있다. 그리고 훈련데이터 중에 일부를 검증 데이터로 사용할 수 있다.
이후 계층화를 통해 훈련 데이터와 테스트 데이터 클래스 레이블 비율을 동일하게 맞출 수 있다.
도 ５에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 모델생성 단계(S30)는 고장모델생성 단계(S31), 손실함수적용 단계(S32) 및 옵티마이저 단계(S33)를 포함할 수 있다.
고장모델생성 단계(S31)는 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는 연산레이어층과 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 드롭아웃층 및 은닉 유닛(Hidden Unit) 수를 1로 결정하고, 활성화 함수로 시그모이드(sigmoid) 함수를 사용하는 결과레이어층을 포함하되, 상기 연산레이어층은 하위 층으로 갈수록 은닉 유닛(Hidden Unit) 수가 줄어드는 것을 특징으로 하고, 상기 드롭아웃층은 연산레이어층 간 또는 연산레이어층과 결과레이어층 간에 배치되는 것을 특징으로 하며, 상기 결과레이어층은 최 하위 층에 배치되는 것을 특징으로 한다.
상기 고장모델생성 단계(S31)는 딥러닝을 수행하는 단계로, 연산레이어층 사이 또는 연산레이어층과 결과레이어층 사이에 드롭아웃층을 형성하여 과대적합을 줄이면서 일반화를 시킨다.
손실함수적용 단계(S32)는 상기 고장모델생성 단계(S31)를 통해 예측된 고장률과 실측된 고장률을 근거로 정밀도, 재현율, F1-점수 중 선택된 어느 하나의 손실함수를 적용하여 손실점수를 산출한다.
에너지저장장치의 경우 데이터의 불균형이 심하기 때문에 재현율을 손실함수로 사용하여 손실점수를 산출하는 것이 더욱 바람직하다.
따라서, 손실점수 = TP/(TP + FN)
(여기서, TP는 실제 고장의 수, FN은 거짓 정상의 수)
로 나타낼 수 있다.
옵티마이저 단계(S33)는 새로운 기울기의 정보만 반영하는 RMSprop 옵티마이저를 사용하여 결과에 따른 손실 함수의 값 또는 기울기를 최소화하는 방향으로 최적값인지를 확인하고, 최적값이 아니면 가중치값을 변경하여 상기 고장모델생성 단계(S31)부터 재 수행하도록 한다.
딥러닝은 깊어지면 연산이 많아져서 매우 느려진다. 그래서 파라미터수가 높아서 연산이 많은 신경망 학습을 빠르게 하는 옵티마이저(Optimization)를 사용하는 것이 바람직하다.
옵티마이저는 경사하강법(SGD), AdaGrad, RMSprop 등이 있고, 수많은 테스트 결과, RMSprop를 사용하는 것이 바람직하다.
딥러닝 모델은 결과에 따른 손실 함수의 값을 최소화하는 방향으로 최적의 값을 찾는것이 목표라 할 수 있다.
일반적으로 확률적 경사하강법(SGD)을 사용 하지만 기울기가 작아지는 방향으로만 이동하기 때문에 비효율적이고 시간이 오래 걸리게 되는 문제가 있다.
AdaGrad는 기울기가 점점 사라지게 되는 Vanishing gradient 문제가 있다.
RMSprop는 과거의 모든 기울기를 균일하게 더하지 않고 새로운 기울기의 정보만 반영하기 때문에 학습률이 덜 떨어지게 되어 가장 바람직하다 볼 수 있다.
도 ６에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법의 고장모델생성 단계(S31)는 제1레이어 단계(S311), 제2레이어 단계(S312), 제3레이어 단계(S313), 제4레이어 단계(S314) 및 제5레이어 단계(S315)를 포함할 수 있다.
제1레이어 단계(S311)는 레이블 수 < 은닉 유닛(Hidden Unit) 수 <= 2n+ 레이블의 수 ( n은 레이어(layer) 수) 가 되도록 은닉 유닛(Hidden Unit) 수를 결정하고, 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용한다.
상기 제1레이어 단계(S311)는 입력 층으로 상기 전처리 단계(S20)에서 전처리 과정을 거쳐 나온 데이터를 입력 받는다.
은닉 유닛(Hidden Unit)은 레이블 개수 보다 큰 값을 선택해야 정보 소실이 안 되고 과소 적합을 피할 수 있다.
또한, 너무 큰 값을 선택 하게 되면 과대 적합이 될 수 있다.
따라서, 적절한 값을 선택해야 하는데 수많은 테스트 결과, 아래의 범위에서 선택을 하는 것이 바람직하다.
레이블 수 < 은닉 유닛 수 <= 2n + 레이블의 수 (n은 layer 수)
딥러닝 층에 적용하기 위한 활성화 함수에는 시그모이드 함수(sigmoid), Tanh 함수(Hyperbolic tangent function), ReLU(Rectified Linear Unit) 등 여러 활성화 함수가 있다.
수많은 테스트 결과, 학습 층에서 렐루(ReLU) 함수를 사용하고, 출력 층에서 시그모이드(sigmoid) 함수를 사용하는 것이 바람직하다.
시그모이드(sigmoid) 함수는 주로 신경망에서 사용하는 활성화 함수로 계단함수에 비해 완만하게 변화하면서 가중치 값을 전달하는 비선형 함수이다.
렐루(ReLU) 함수는 0보다 작은 값이 나온 경우 0을 반환하고, 0보다 큰 값이 나오면 그 값을 그대로 반환 한다.
또한, 기울기가 0 또는 1의 값을 가지고 있기 때문에 보통 딥러닝 중 발생하는 Gradient Vanishing 문제가 발생하지 않아 Layer를 더 많이 쌓을 수 있다.
또한 다른 활성화 함수에 비해 빠른 속도로 연산이 된다.
이때, 출력값은 다음과 같이 나올 수 있다.
Figure 112020033069771-pat00002
(여기서, z는 가중치, b는 랜덤한 편향값, w는 랜덤한 가중치, x는 렉데이터 특성값을 의미한다.)
제2레이어 단계(S312)는 드롭아웃을 사용하여, 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만든다.
상기 제2레이어 단계(S312)는 과대 적합을 줄이기 위해 드롭아웃을 사용한다.
이때, 일정 비율은 수많은 테스트 결과, 30~40%를 사용하는 것이 바람직하다.
예를 들어, 7개의 특성 중 3개를 랜덤으로 선택해서 Layer에서 계산될 때 특성 값을 0으로 만들 수 있다. 이렇게 함으로써 각 특성 사이의 관계를 끊고 과대 적합을 줄이고 일반화를 할 수 있다.
제3레이어 단계(S313)는 상기 제1레이어 단계(S311) 보다 은닉 유닛(Hidden Unit) 수를 반으로 줄이고, 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는
상기 제3레이어 단계(S313)는 상기 제1레이어 단계(S311)에서 했던 작업을 반복한다.
즉, 학습 층에서 렐루(ReLU) 함수를 사용하고, 출력 층에서 시그모이드(sigmoid) 함수를 사용한다.
대신에 은닉 유닛 수를 반으로 줄여 과대 적합을 줄인다.
제4레이어 단계(S314)는 드롭아웃을 사용하여, 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만든다.
상기 제4레이어 단계(S314)는 상기 제2레이어 단계(S312)에서 했던 작업을 반복한다.
즉, 과대 적합을 줄이기 위해 드롭아웃을 사용한다.
제5레이어 단계(S315)는 은닉 유닛(Hidden Unit) 수를 1로 결정하고, 활성화 함수로 시그모이드(sigmoid) 함수를 사용한다.
마지막 출력 층인 상기 제5레이어 단계(S315)는 구하고자 했던 고장률을 출력한다.
이 모델은 정상, 고장을 판단하는 이진 분류 문제이고 확률로 나와야 하기 때문에 은닉 유닛 수는 1로 결정되고, 활성화 함수로 시그모이드 함수를 사용한다.
이상에서 본 발명의 일 실시예에 따른 딥러닝을 통한 에너지저장장치 운영 방법에 대하여 설명하였지만, 딥러닝을 통한 에너지저장장치 운영 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 및 딥러닝을 통한 에너지저장장치 운영 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 프로그램 역시 구현 가능함은 물론이다.
즉, 상술한 딥러닝을 통한 에너지저장장치 운영 방법은 이를 구현하기 위한 명령어들의 프로그램이 유형적으로 구현됨으로써, 컴퓨터를 통해 판독될 수 있는 기록매체에 포함되어 제공될 수도 있음을 당업자들이 쉽게 이해할 수 있을 것이다. 다시 말해, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어, 컴퓨터 판독 가능한 기록매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 상기 컴퓨터 판독 가능한 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, USB 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 다양한 변형 실시가 가능한 것은 물론이다.
S10: 데이터수집 단계 S20: 전처리 단계
S21: 결측값처리 단계 S22: 그룹화 단계
S23: 표준화 단계 S24: 불균형처리 단계
S25: 데이터분할 단계
S251: 제1데이터분할 단계 S252: 제2데이터분할 단계
S30: 모델생성 단계
S31: 고장모델생성 단계
S311: 제1레이어 단계 S312: 제2레이어 단계
S313: 제3레이어 단계 S314: 제4레이어 단계
S315:　제5레이어 단계
S32:　손실함수적용 단계 S33:　옵티마이저 단계
S40:　모델적용 단계

Claims (10)

  1. 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 딥러닝을 통한 에너지저장장치 운영 방법에 있어서,
    상기 연산처리수단이 에너지저장장치의 각각의 렉(Rack)과 관련된 특성 데이터를 수집하는 데이터수집 단계(S10);
    상기 연산처리수단이 상기 데이터수집 단계(S10)에서 수집된 데이터를 모델 생성을 위해 가공하는 전처리 단계(S20);
    상기 연산처리수단이 상기 전처리 단계(S20)에서 전처리된 데이터를 이용하여 딥러닝을 통해 렉 고장률 모델을 만드는 모델생성 단계(S30); 및
    상기 모델생성 단계(S30)에서 생성된 렉 고장률 모델을 적용하여 연산된 고장률을 바탕으로 에너지저장장치를 운영하는 모델적용 단계(S40);
    를 포함하며,
    상기 전처리 단계(S20)는
    렉(Rack) 및 시간을 기준으로 특성 데이터를 그룹화 시키는 그룹화 단계(S22);
    상기 그룹화 단계(S22)에서 그룹화된 특성 데이터를 평균이 0이 되고, 표준편차가 1이 되도록 표준화 시키는 표준화 단계(S23);
    상기 표준화 단계(S23)에서 표준화된 특성 데이터의 균형을 맞추는 불균형처리 단계(S24); 및
    상기 불균형처리 단계(S24)에서 균형이 맞춰진 데이터를 훈련데이터, 검증데이터 및 테스트데이터로 분할하는 데이터분할 단계(S25);
    를 포함하고,
    상기 데이터분할 단계(S25)는
    초기 데이터 세트를, 모델 훈련에 사용하기 위한 훈련 세트와 일반화 성능을 추정하는데 사용하기 위한 테스트 세트로 분할하는 제1데이터분할 단계(S251); 및
    상기 제1데이터분할 단계(S251)에서 분할된 훈련 세트 중 일부를 검증 데이터로 사용하기 위한 검증 세트로 분할하는 제2데이터분할 단계(S252);
    를 포함하며,
    상기 모델생성 단계(S30)는
    출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는 연산레이어층과 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 드롭아웃층 및 은닉 유닛(Hidden Unit) 수를 1로 결정하고, 활성화 함수로 시그모이드(sigmoid) 함수를 사용하는 결과레이어층을 포함하되, 상기 연산레이어층은 하위 층으로 갈수록 은닉 유닛(Hidden Unit) 수가 줄어드는 것을 특징으로 하고, 상기 드롭아웃층은 연산레이어층 간 또는 연산레이어층과 결과레이어층 간에 배치되는 것을 특징으로 하며, 상기 결과레이어층은 최 하위 층에 배치되는 것을 특징으로 하는 고장모델생성 단계(S31);
    상기 고장모델생성 단계(S31)를 통해 예측된 고장률과 실측된 고장률을 근거로 정밀도, 재현율, F1-점수 중 선택된 어느 하나의 손실함수를 적용하여 손실점수를 산출하는 손실함수적용 단계(S32); 및
    새로운 기울기의 정보만 반영하는 RMSprop 옵티마이저를 사용하여 결과에 따른 손실 함수의 값 또는 기울기를 최소화하는 방향으로 최적값인지를 확인하고, 최적값이 아니면 가중치값을 변경하여 상기 고장모델생성 단계(S31)부터 재 수행하도록 하는 옵티마이저 단계(S33);
    를 포함하고,
    상기 고장모델생성 단계(S31)는
    레이블 수 < 은닉 유닛(Hidden Unit) 수 <= 2n+ 레이블의 수 ( n은 레이어(layer) 수) 가 되도록 은닉 유닛(Hidden Unit) 수를 결정하고, 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는 제1레이어 단계(S311);
    드롭아웃을 사용하여, 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 제2레이어 단계(S312);
    상기 제1레이어 단계(S311) 보다 은닉 유닛(Hidden Unit) 수를 반으로 줄이고, 출력 층에서 시그모이드(sigmoid) 함수를 사용하고, 학습 층에서 렐루(ReLU) 함수를 사용하는 제3레이어 단계(S313);
    드롭아웃을 사용하여, 일정 비율(40%)의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 제4레이어 단계(S314); 및
    은닉 유닛(Hidden Unit) 수를 1로 결정하고, 활성화 함수로 시그모이드(sigmoid) 함수를 사용하는 제5레이어 단계(S315);
    를 포함하며,
    상기 모델적용 단계(S40)는 렉 고장률 모델을 이용하여 고장률을 연산하고, 미리 결정된 고장률에 따른 출력비율에 따라 출력값을 조절하는 것을 특징으로 하는 딥러닝을 통한 에너지저장장치 운영 방법.
  2. 제1항에 있어서,
    상기 데이터수집 단계(S10)의 특성 데이터는
    렉 인가전압, 셀 전압, SOC 및 온도 중 선택되는 복수의 데이터인 것을 특징으로 하는 딥러닝을 통한 에너지저장장치 운영 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 전처리 단계(S20)는
    상기 그룹화 단계(S22) 이전에,
    전압 관련 계측 값이 "0" 인 데이터를 삭제하는 결측값처리 단계(S21);
    를 포함하는 딥러닝을 통한 에너지저장장치 운영 방법.
  5. 제1항에 있어서,
    상기 불균형처리 단계(S24)는
    오버샘플링 기법을 사용하여 데이터 불균형을 처리하는 것을 특징으로 하는 딥러닝을 통한 에너지저장장치 운영 방법.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제 1항, 제2항, 제4항 및 제 5항 중 선택되는 어느 한 항에 기재된 딥러닝을 통한 에너지저장장치 운영 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
  10. 제 1항, 제2항, 제4항 및 제 5항 중 선택되는 어느 한 항에 기재된 딥러닝을 통한 에너지저장장치 운영 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 프로그램.
KR1020200038344A 2020-03-30 2020-03-30 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 KR102159817B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200038344A KR102159817B1 (ko) 2020-03-30 2020-03-30 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200038344A KR102159817B1 (ko) 2020-03-30 2020-03-30 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Publications (1)

Publication Number Publication Date
KR102159817B1 true KR102159817B1 (ko) 2020-09-24

Family

ID=72706467

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200038344A KR102159817B1 (ko) 2020-03-30 2020-03-30 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Country Status (1)

Country Link
KR (1) KR102159817B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
US20220092366A1 (en) * 2020-09-24 2022-03-24 Sri International Region metrics for class balancing in machine learning systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101445738B1 (ko) 2013-04-30 2014-11-03 주식회사 케이디파워 전력 사용량 데이터베이스를 이용하여 전기에너지 저장량을 조정하는 전력저장 장치 및 그 운영 방법
KR20150087958A (ko) * 2014-01-23 2015-07-31 주식회사 포스코아이씨티 배터리 랙의 에러 발생 시 비상 운전이 가능한 배터리 에너지 저장 시스템 및 배터리 에너지 저장 시스템의 비상 운전 방법
KR20160146032A (ko) * 2015-06-11 2016-12-21 삼성전자주식회사 배터리의 상태를 추정하는 장치 및 방법
KR20190078705A (ko) * 2017-12-14 2019-07-05 (주)넷케이티아이 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101445738B1 (ko) 2013-04-30 2014-11-03 주식회사 케이디파워 전력 사용량 데이터베이스를 이용하여 전기에너지 저장량을 조정하는 전력저장 장치 및 그 운영 방법
KR20150087958A (ko) * 2014-01-23 2015-07-31 주식회사 포스코아이씨티 배터리 랙의 에러 발생 시 비상 운전이 가능한 배터리 에너지 저장 시스템 및 배터리 에너지 저장 시스템의 비상 운전 방법
KR20160146032A (ko) * 2015-06-11 2016-12-21 삼성전자주식회사 배터리의 상태를 추정하는 장치 및 방법
KR20190078705A (ko) * 2017-12-14 2019-07-05 (주)넷케이티아이 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Machine Learning blog, Neural Network(2016.01.30.) 1부.* *
빅데이터분석기법을 이용한 소상공인 신용평가모형구축 연구, 신용보증재단중앙회(2019.12.31.) 1부.* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220092366A1 (en) * 2020-09-24 2022-03-24 Sri International Region metrics for class balancing in machine learning systems
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112379269B (zh) * 2020-10-14 2024-03-05 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置

Similar Documents

Publication Publication Date Title
Gan et al. Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles
CN110161425B (zh) 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN113052464B (zh) 电池储能系统可靠性评估方法及系统
Shah et al. State of charge, remaining useful life and knee point estimation based on artificial intelligence and Machine learning in lithium-ion EV batteries: A comprehensive review
KR102159817B1 (ko) 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
CN115330275B (zh) 一种退役电池的梯次利用方法及装置
WO2024045567A1 (zh) 电池寿命预测方法、系统、终端设备及计算机可读介质
US11635467B2 (en) Evaluation device, computer program, and evaluation method
CN112305441B (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN113866641A (zh) 一种锂离子电池的故障检测方法及装置
Xu et al. Safety warning analysis for power battery packs in electric vehicles with running data
Harippriya et al. Battery management system to estimate battery aging using deep learning and machine learning algorithms
Jeng et al. Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model
CN111257770A (zh) 一种电池包功率估算方法
Liu et al. Online diagnosis and prediction of power battery voltage comprehensive faults for electric vehicles based on multi-parameter characterization and improved K-means method
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN108629079B (zh) 一种航天器锂离子蓄电池组全寿命周期健康状态评价方法
CN112937369B (zh) 一种基于马氏过程的动力电池组主动均衡控制方法
CN116653608A (zh) 电动汽车充电保护、控制方法、装置及存储介质
CN116842464A (zh) 一种电池系统soc估计方法
Mehta et al. A Comprehensive study of Machine Learning Techniques used for estimating State of Charge for Li-ion Battery
CN115808632A (zh) 电池一致性检测方法、检测装置、计算机设备及存储介质
Ganesh et al. Prediction of residual energy in batteries using CNN-BiGRU and attention mechanism model
CN116804715A (zh) 一种判断导致电池系统出现不一致原因的方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant