KR102546334B1 - 예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법 - Google Patents

예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법 Download PDF

Info

Publication number
KR102546334B1
KR102546334B1 KR1020200189902A KR20200189902A KR102546334B1 KR 102546334 B1 KR102546334 B1 KR 102546334B1 KR 1020200189902 A KR1020200189902 A KR 1020200189902A KR 20200189902 A KR20200189902 A KR 20200189902A KR 102546334 B1 KR102546334 B1 KR 102546334B1
Authority
KR
South Korea
Prior art keywords
overlapping
point
opfw
output data
fusion weight
Prior art date
Application number
KR1020200189902A
Other languages
English (en)
Other versions
KR20220096992A (ko
Inventor
이석한
송창훈
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020200189902A priority Critical patent/KR102546334B1/ko
Publication of KR20220096992A publication Critical patent/KR20220096992A/ko
Application granted granted Critical
Publication of KR102546334B1 publication Critical patent/KR102546334B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

제1 입력 데이터에 대하여 예측 모델을 이용하여 제1 출력 데이터를 윈도우를 이용하여 부분 예측하는 단계, 상기 부분 예측된 출력을 이용하여 제2 입력 데이터를 생성하는 단계, 및 상기 윈도우를 비중첩 또는 중첩 슬라이딩하여 상기 제2 입력 데이터에 대하여 상기 예측 모델을 이용하여 상기 윈도우 내에서 제2 출력 데이터를 부분 예측하는 단계를 포함하되, 상기 제2 입력 데이터를 생성하는 단계 및 상기 제2 출력 데이터를 부분 예측하는 단계가 반복되는, 장기 미래 예측 방법이 제공된다. 장기 미래 예측 방법에 의하면 배터리의 노화 상태 추정, 주식 분석, 패턴 분석과 같은 시계열 데이터의 장기 미래 변화 예측의 정확도를 높일 수 있다.

Description

예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법{LONG-TERM FUTURE PREDICTION METHOD BASED ON OVERLAPPING OF PREDICTION RESULT AND SPARSE SAMPLING}
본 발명은 장기 미래 예측 방법에 관한 것이다.
배터리는 노화가 진행됨에 따라 건강상태(State of Health, SOH)가 감소하게 되며, 건강상태(SOH)가 80%에 도달하는 지점을 배터리의 EOL(End of Life) 또는 배터리의 교체 시기로 정의하며, 배터리가 EOL에 도달하기까지 남은 수명을 RUL로 정의한다. 배터리 또는 배터리를 사용하는 전기장치의 효율적인 운영을 위해서는 배터리의 RUL 또는 EOL을 정확하게 예측하는 것이 중요하다.
그러나 배터리 노화 상태 추정과 같은 장기 미래 예측은 예측 기간이 늘어날수록 오차가 커지는 경향이 있다. 이에 따라 장기 미래 예측에 있어서 증가하는 오차로 인하여 예측의 정확성이 떨어지는 문제점이 있다.
US 2017/0091615 A1(2017. 03. 30.)
전술한 문제점을 해결하기 위한 본 발명의 목적은 배터리의 노화 상태 추정, 주식 분석, 패턴 분석과 같은 시계열 데이터의 장기 미래 변화 예측의 정확도를 높일 수 있는 방법을 제공하는 것이다.
다만, 본 발명의 해결하고자 하는 과제는 이에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
전술한 문제점을 해결하기 위한 본 발명의 일 실시예에 따른 장기 미래 예측 방법은 제1 입력 데이터에 대하여 예측 모델을 이용하여 제1 출력 데이터를 윈도우를 이용하여 부분 예측하는 단계, 상기 부분 예측된 출력을 이용하여 제2 입력 데이터를 생성하는 단계, 및 상기 윈도우를 비중첩 또는 중첩 슬라이딩하여 상기 제2 입력 데이터에 대하여 상기 예측 모델을 이용하여 상기 윈도우 내에서 제2 출력 데이터를 부분 예측하는 단계를 포함하되, 상기 제2 입력 데이터를 생성하는 단계 및 상기 제2 출력 데이터를 부분 예측하는 단계가 반복된다.
일 측면에 따르면, 상기 방법은 상기 제2 입력 데이터에 중첩 포인트(overlapped point)가 있는 경우 중첩 포인트 융합 가중치(overlapped point fusion weight, OPFW)를 생성하는 단계, 상기 제2 출력 데이터와 실제 데이터를 비교하여 상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하는 단계, 상기 계산된 중첩 포인트 융합 가중치(OPFW)의 오차를 이용하여 상기 중첩 포인트를 융합하는 단계, 및 입력 데이터를 업데이트하는 단계를 더 포함할 수 있다.
일 측면에 따르면, 상기 제2 입력 데이터에 중첩 포인트가 없는 경우 상기 제2 입력 데이터에 대하여 상기 예측 모델을 이용하여 제2 출력 데이터를 부분 예측하는 단계를 더 포함할 수 있다.
일 측면에 따르면, 상기 중첩 포인트는 각 반복에서 부분 예측한 포인트들 중 동일한 위치의 포인트일 수 있다.
일 측면에 따르면, 상기 중첩 포인트 융합 가중치(OPFW)는 각 반복에서 상기 중첩 포인트들을 하나의 포인트로 융합하기 위한 행렬이며, 상기 중첩 포인트 융합 가중치(OPFW)의 원소의 수는 상기 중첩 포인트의 개수와 동일할 수 있다.
일 측면에 따르면, 상기 중첩 포인트 융합 가중치(OPFW)의 원소의 수는 상기 중첩 포인트의 개수와 동일하고, 상기 중첩 포인트 융합 가중치(OPFW)의 원소들의 합은 1일 수 있다.
일 측면에 따르면, 상기 중첩 포인트의 융합은 하기의 수학식
Figure 112020144192063-pat00001
에 의해 수행 - 여기서 o는 융합된 포인트, x1과 x2는 중첩 포인트의 값, w1과 w2는 중첩 포인트 융합 가중치임 - 될 수 있다.
일 측면에 따르면, 상기 제2 출력 데이터와 실제 데이터를 비교하여 상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하는 단계는 벡터 투영에 의해 상기 중첩 포인트 융합 가중치(OPFW)의 오차들의 합을 0으로 만드는 단계를 포함할 수 있다.
일 측면에 따르면, 상기 제1 출력 데이터 및 상기 제2 출력 데이터는 부분 예측한 포인트의 값 및 선형 보간에 의해 계산된 값을 포함할 수 있다.
전술한 문제점을 해결하기 위한 본 발명의 일 실시예에 따른 시계열 데이터의 장기 미래 예측을 위한, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램은 상기 컴퓨터에 의해 실행될 때 상기 컴퓨터가: 제1 입력 데이터에 대하여 예측 모델을 이용하여 제1 출력 데이터를 윈도우를 이용하여 부분 예측하도록 하고, 상기 부분 예측된 출력을 이용하여 제2 입력 데이터를 생성하도록 하고, 그리고 상기 윈도우를 비중첩 또는 중첩 슬라이딩하여 상기 제2 입력 데이터에 대하여 상기 예측 모델을 이용하여 상기 윈도우 내에서 제2 출력 데이터를 부분 예측하도록 하는 명령어들을 포함하되, 상기 제2 입력 데이터를 생성하도록 하는 명령어 및 상기 제2 출력 데이터를 부분 예측하는 명령어는 반복 실행된다.
일 측면에 따르면, 상기 컴퓨터 프로그램은 상기 컴퓨터가: 상기 제2 입력 데이터에 중첩 포인트(overlapped point)가 있는 경우 중첩 포인트 융합 가중치(overlapped point fusion weight, OPFW)를 생성하도록 하고, 상기 제2 출력 데이터와 실제 데이터를 비교하여 상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하도록 하고, 상기 계산된 중첩 포인트 융합 가중치(OPFW)의 오차를 이용하여 상기 중첩 포인트를 융합하도록 하고, 그리고 입력 데이터를 업데이트하도록 하는 명령어들 더 포함할 수 있다.
일 측면에 따르면, 상기 제2 입력 데이터에 중첩 포인트가 없는 경우 상기 제2 입력 데이터에 대하여 상기 예측 모델을 이용하여 제2 출력 데이터를 부분 예측하도록 하는 명령어를 더 포함할 수 있다.
일 측면에 따르면, 상기 중첩 포인트는 각 반복에서 부분 예측한 포인트들 중 동일한 위치의 포인트일 수 있다.
일 측면에 따르면, 상기 중첩 포인트 융합 가중치(OPFW)는 각 반복에서 상기 중첩 포인트들을 하나의 포인트로 융합하기 위한 행렬이며, 상기 중첩 포인트 융합 가중치(OPFW)의 원소의 수는 상기 중첩 포인트의 개수와 동일할 수 있다.
일 측면에 따르면, 상기 중첩 포인트 융합 가중치(OPFW)의 원소의 수는 상기 중첩 포인트의 개수와 동일하고, 상기 중첩 포인트 융합 가중치(OPFW)의 원소들의 합은 1일 수 있다.
일 측면에 따르면, 상기 중첩 포인트의 융합은 하기의 수학식
Figure 112020144192063-pat00002
에 의해 수행 - 여기서 o는 융합된 포인트, x1과 x2는 중첩 포인트의 값, w1과 w2는 중첩 포인트 융합 가중치임 - 될 수 있다.
일 측면에 따르면, 상기 제2 출력 데이터와 실제 데이터를 비교하여 상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하도록 하는 것은 벡터 투영에 의해 상기 중첩 포인트 융합 가중치(OPFW)의 오차들의 합을 0으로 만드는 것을 포함할 수 있다.
일 측면에 따르면, 상기 제1 출력 데이터 및 상기 제2 출력 데이터는 부분 예측한 포인트의 값 및 선형 보간에 의해 계산된 값을 포함할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
전술한 본 발명의 실시예들에 따른 장기 미래 예측 방법에 따르면, 시계열 데이터의 장기 미래 변화 예측의 정확도를 높일 수 있으며, 사용자가 예측 결과를 활용하여 하드웨어를 효율적으로 운용하도록 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 장기 미래 예측 방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 장기 미래 예측 방법의 개념도이다.
도 3은 중첩 포인트 융합 가중치의 오차를 계산하는 과정의 개념도이다.
도 4는 실험에 사용한 배터리의 성능과 노화 조건을 나타낸 것이다.
도 5는 최적의 윈도우 크기를 설정하는 방법을 나타낸 그래프이다.
도 6은 본 발명의 일 실시예에 따른 장기 미래 예측 방법을 적용한 결과를 나타낸 것이다.
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 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
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 출원에서 사용한 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, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 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 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서는 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람이 본 발명을 쉽게 실시할 수 있도록 명확하고 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 장기 미래 예측 방법의 순서도이고, 도 2는 본 발명의 일 실시예에 따른 장기 미래 예측 방법의 개념도이고, 도 3은 중첩 포인트 융합 가중치의 오차를 계산하는 과정의 개념도이다.
도 1 및 도 2를 참조하면, 단계 S101에서는 제1 입력 데이터에 대하여 예측 모델을 이용하여 제1 출력 데이터를 부분 예측한다. 이때 제1 입력 데이터의 길이와 제1 출력 데이터의 길이는 동일하다. 예를 들어, 제1 입력 데이터의 길이가 100이고(즉, 도 2에서 참조번호 210으로 표시된 0번 포인트부터 99번 포인트) 부분 예측 포인트(223)가 5개인 경우 제1 출력 데이터의 길이는 100이고(즉, 100번 포인트부터 199번 포인트), 119번, 139번, 159번, 179번, 및 199번 포인트의 값을 부분 예측한다. 제1 출력 데이터(220)에서 부분 예측 포인트(223)를 제외한 부분(221)은 부분 예측 포인트(223)의 값을 이용하여 선형 보간에 의해 얻을 수 있다.
한편, 예측 모델은 시계열 데이터의 미래 추세를 예측할 수 있는 임의의 기계학습 모델일 수 있으며, 예를 들어, 장단기 메모리(Long-Short Term Memory)일 수 있다. 예측 모델은 실제 데이터를 이용하여 미리 학습된 모델일 수 있다.
단계 S103에서는 중첩 슬라이딩 윈도우(overlapping sliding window)를 이용하여 제2 입력 데이터를 생성한다. 예를 들어, 도 2에서 각 반복마다 중첩 슬라이딩 윈도우가 이동하는 거리가 20이면 1 반복에서 제2 입력 데이터(230)는 제1 입력 데이터(즉, 0 반복의 입력 데이터)에 포함되어 있던 20번 포인트부터 99번 포인트에 해당하는 값(231), 제1 출력 데이터 중 부분 예측 값인 119번 포인트에 해당하는 값(235), 및 선형 보간에 의해 획득한 100번 포인트부터 118번 포인트에 해당하는 값(233)으로 구성될 수 있다. 또한 예를 들어, 2 반복에서 제2 입력 데이터는 제1 입력 데이터에 포함되어 있던 40번 포인트부터 119번 포인트에 해당하는 값, 제1 출력 데이터 중 부분 예측 값인 139번 포인트에 해당하는 값, 및 선형 보간에 의해 획득한 120번 포인트부터 138번 포인트에 해당하는 값으로 구성될 수 있다.
단계 S105에서는 제2 입력 데이터(230)에 중첩 포인트(overlapped point)가 있는 경우 중첩 포인트 융합 가중치(overlapped point fusion weight, OPFW)를 생성한다. 제2 입력 데이터(230)에 중첩 포인트가 없는 경우에는 제2 입력 데이터(230)에 대하여 예측 모델을 이용하여 제2 출력 데이터(240)를 부분 예측한다. 중첩 포인트는 각 반복에서 부분 예측한 포인트들 중 동일한 위치의 포인트를 의미한다. 예를 들어, 도 2에서 중첩 포인트는 제1 출력 데이터(220) 중 139번 포인트와 제2 출력 데이터(240) 중 139번 포인트를 의미할 수 있다.
도 2의 예에서 1 반복의 입력 데이터의 119번 포인트(235)는 1 반복에서 부분 예측한 포인트가 아닌 0 반복의 출력 데이터의 119번 포인트이므로 1 반복의 입력 데이터에는 중첩 포인트가 존재하지 않는다. 따라서 1 반복에서는 중첩 포인트 융합 가중치(OPFW)를 생성하지 않고 제2 출력 데이터(240)를 부분 예측한다.
반면에, 2 반복에서의 입력 데이터(즉, 40번 포인트부터 139번 포인트)의 139번 포인트는 0 반복의 출력 데이터의 139번 포인트와 1 반복의 출력 데이터의 139번 포인트가 중첩되므로 중첩 포인트에 해당한다. 따라서 2 반복에서는 단계 S105에 의해 2 반복에서는 중첩 포인트 융합 가중치(OPFW)가 생성된다.
중첩 포인트 융합 가중치(OPFW)는 각 반복에서 중첩 포인트들을 하나의 포인트로 융합하기 위한 행렬이며, 중첩 포인트 융합 가중치의 원소의 수는 중첩 포인트의 개수와 동일하다. 이때 Softmax 함수를 이용하여 중첩 포인트 융합 가중치(OPFW)의 각 원소들의 합을 1로 만들 수 있다.
단계 S107에서는 중첩 포인트를 융합시킨다. 중첩 포인트의 융합은 중첩 포인트로 구성된 행렬 및 중첩 포인트 융합 가중치(OPFW)로 구성된 행렬의 행렬 곱셈에 의해 수행될 수 있다. 예를 들어, 도 2에서 2 반복의 입력 데이터의 139번 포인트는 수학식 1과 같이 0 반복의 139번 포인트에 해당하는 값(x1)과 1 반복의 139번 포인트에 해당하는 값(x2)으로 구성된 행렬 및 중첩 포인트 융합 가중치(OPFW)(w1, w2)로 구성된 행렬의 행렬 곱셈에 의해 계산될 수 있다.
Figure 112020144192063-pat00003
단계 S103, S105, S107에 의해 제2 입력 데이터가 완성된다.
단계 S109에서는 제2 입력 데이터에 대하여 예측 모델을 이용하여 제2 출력 데이터를 부분 예측한다.
단계 S111에서는 제2 출력 데이터와 실제 데이터를 비교하여 중첩 포인트 융합 가중치(OPFW)의 오차를 계산한다. 중첩 포인트 융합 가중치(OPFW)의 각 원소들의 합을 1로 만들기 위해 중첩 포인트 융합 가중치(OPFW)의 오차들의 합을 0으로 만들 수 있다. 이때, 예를 들어, 벡터 투영(vector projection)에 의해 중첩 포인트 융합 가중치(OPFW)의 오차들의 합을 0으로 만들 수 있다.
도 3을 참조하면, 예를 들어, 2 반복에서 점선으로 표현된 박스의 중첩 포인트(301, 303)를 수학식 1과 같은 방법에 의해 융합(305)하여 입력 데이터를 생성하고, 생성한 입력 데이터에 대하여 출력 데이터를 부분 예측 및 선형 보간한다. 이렇게 생성된 출력 데이터와 실제 데이터(307)을 비교하여 중첩 포인트 융합 가중치(OPFW)의 오차를 계산할 수 있고, 이에 의해 입력 데이터에 의해 변화한 출력 데이터 사이의 관계를 알 수 있다.
단계 S113에서는 중첩 포인트 융합 가중치(OPFW)를 업데이트한다. 도 2의 예에서, 단계 S111 및 단계 S113은 아래의 과정을 통해 수행될 수 있다.
Figure 112020144192063-pat00004
Figure 112020144192063-pat00005
Figure 112020144192063-pat00006
Figure 112020144192063-pat00007
Figure 112020144192063-pat00008
Figure 112020144192063-pat00009
Figure 112020144192063-pat00010
수학식 2 내지 수학식 8에서, k는 예측된 포인트들 사이를 선형 보간해주는 것을 의미하고, t는 실제값이고,
Figure 112020144192063-pat00011
는 예측한 점이고, o는 중첩 포인트를 융합한 포인트이고, w는 중첩 포인트 융합 가중치(OPFW)의 원소이다.
충분한 정확도를 갖는 중첩 포인트 융합 가중치(OPFW)를 얻을 때까지 상술한 단계들이 반복될 수 있다.
도 4 내지 도 6은 본 발명의 일 실시예에 따른 장기 미래 예측 방법을 적용한 실험 결과를 나타낸 것이다. 실험에서는 시계열 데이터로서 배터리의 건강상태(State of Health, SOH)를 예측하였다.
도 4는 실험에 사용한 배터리의 성능과 노화 조건을 나타낸 것이다.
도 4를 참조하면, 배터리의 모델명은 CS2이며, 총 6개의 배터리를 노화시킨 데이터를 Maryland로부터 획득하여 사용하였다. 6개의 배터리 모두 충전 조건은 동일하며, 방전 시 방전 전류는 0.55A, 1.1A로 일정하게 유지하였다. 사이클은 각 배터리를 1회 충전 및 방전할 때마다 수집한 건강 상태(SOH) 값의 수를 의미한다. 6개의 배터리 데이터 중 33, 34, 35, 36은 학습 데이터로 사용하였고, 37은 검증 데이터로 사용하였으며, 38은 실험 데이터로 사용하였다.
도 5는 최적의 윈도우 크기를 설정하는 방법을 나타낸 그래프이다.
도 5를 참조하면, 학습시킨 예측 모델의 입력 크기는 100이고, 출력 크기는 5이다. 0번 포인트부터 99번 포인트까지 100개의 값이 입력되면 119번, 139번, 159번, 179번, 199번 포인트의 값들을 예측하고, 99번 포인트부터 199번 포인트 사이를 선형 보간하여 100번 포인트부터 199번 포인트까지의 값들을 추정한다. 추정된 100번 포인트부터 199번 포인트까지의 값은 다음 반복에서 입력 데이터로 사용되며, 이를 이용해 200번 포인트부터 299번 포인트의 값들을 추정하였다.
최적의 희소 샘플링 방법과 윈도우 사이즈를 알아내기 위해 희소 샘플링의 개수를 5, 10, 전체로 설정하였고, 윈도우 사이즈를 50, 100, 200으로 설정하였다. 도 5의 각 그래프에 기재된 수치는 수학식 9에 의해 계산된 오차를 의미한다. 실험 결과 희소 샘플링의 개수는 5, 윈도우 사이즈는 100일 때 오차가 최소화되는 것을 확인할 수 있었다.
Figure 112020144192063-pat00012
도 6은 본 발명의 일 실시예에 따른 장기 미래 예측 방법을 적용한 결과를 나타낸 것이다.
도 6의 (a)는 중첩이 없는 예측 방법을 사용한 결과로서, 슬라이딩 윈도우 사이즈는 100이다. 이 결과는 모델의 출력값을 선형 보간한 후 얻은 100개의 값을 그대로 다음 반복에서 입력값으로 사용한다.
도 6의 (b)는 중첩 방법을 적용하여 실험한 결과로서, 슬라이딩 윈도우 사이즈는 20이다. 실험 시 슬라이딩 윈도우 사이즈가 20이므로 모델의 입력값은 0~99, 20~119, 40~130의 순으로 진행되며, 매 단계에서 얻어지는 중첩 포인트들은 학습된 중첩 포인트 융합 가중치(OPFW)를 통해 하나의 값으로 융합된 후 다음 반복에서 입력값으로 사용된다.
도 6의 (c)는 (b)의 일부분을 확대한 것으로서, 검정색 선(662)은 배터리의 실제 EOL(End of Life)을 의미하고, 빨간색 선(661)은 예측된 EOL을 의미한다. 오차는 1 사이클로 측정되었다.
표 1은 중첩 방법을 사용하지 않은 경우와 사용한 경우의 결과를 나타낸 것이다. 중첩 없이 사용한 방법은 오차 사이클이 8로 측정되었고, 중첩 방법을 사용한 결과가 더 뛰어난 것을 알 수 있다. 여기서, RMSE는 수학식 9에 의해 계산하였고, 정확도는 수학식 10에 의해 계산하였다.
Figure 112020144192063-pat00013
Figure 112020144192063-pat00014
전술한 본 발명에 따른 장기 미래 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상에서 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (18)

  1. 컴퓨팅 장치에 의해 수행되는 장기 미래 예측 방법에 있어서,
    제1 입력 데이터에 대하여 예측 모델을 이용하여 제1 출력 데이터를 부분 예측하는 단계;
    중첩 슬라이딩 윈도우를 이용하여 상기 제1 입력 데이터로부터 제2 입력 데이터를 생성하는 단계; 및
    상기 제2 입력 데이터에 중첩 포인트(overlapped point)가 있으면 중첩 포인트 융합 가중치(overlapped point fusion weight, OPFW)를 생성하고, 상기 중첩 포인트가 없으면 상기 제2 입력 데이터에 대하여 상기 예측 모델을 이용하여 제2 출력 데이터를 부분 예측하는 단계를 포함하고,
    상기 제2 입력 데이터를 생성하는 단계 및 상기 제2 출력 데이터를 부분 예측하는 단계가 반복되는, 장기 미래 예측 방법.
  2. 제1항에 있어서,
    상기 중첩 포인트 융합 가중치를 생성한 후,
    상기 제2 출력 데이터와 실제 데이터를 비교하여 상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하는 단계;
    상기 계산된 중첩 포인트 융합 가중치(OPFW)의 오차를 이용하여 상기 중첩 포인트를 융합하는 단계; 및
    입력 데이터를 업데이트하는 단계를 더 포함하는, 장기 미래 예측 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 중첩 포인트는 상기 제2 출력 데이터를 부분 예측하는 단계가 반복될 때 부분 예측한 포인트들 중 동일한 위치의 포인트인, 장기 미래 예측 방법.
  5. 제1항에 있어서,
    상기 중첩 포인트 융합 가중치(OPFW)는 상기 제2 출력 데이터를 부분 예측하는 단계가 반복될 때 상기 중첩 포인트를 하나의 포인트로 융합하기 위한 행렬이며, 상기 중첩 포인트 융합 가중치(OPFW)의 원소의 수는 상기 중첩 포인트의 개수와 동일한, 장기 미래 예측 방법.
  6. 제5항에 있어서,
    상기 중첩 포인트 융합 가중치(OPFW)의 원소들의 합은 1인, 장기 미래 예측 방법.
  7. 제2항에 있어서,
    상기 중첩 포인트의 융합은 하기의 수학식
    Figure 112020144192063-pat00015

    에 의해 수행되는 - 여기서 o는 융합된 포인트, x1과 x2는 중첩 포인트의 값, w1과 w2는 중첩 포인트 융합 가중치임 -, 장기 미래 예측 방법.
  8. 제2항에 있어서,
    상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하는 단계는,
    벡터 투영에 의해 상기 중첩 포인트 융합 가중치(OPFW)의 오차들의 합을 0으로 만드는 단계를 포함하는, 장기 미래 예측 방법.
  9. 제1항에 있어서,
    상기 제1 출력 데이터 및 상기 제2 출력 데이터는 부분 예측한 포인트의 값 및 상기 부분 예측한 포인트의 값을 선형 보간에 의해 계산된 값을 포함하는, 장기 미래 예측 방법.
  10. 시계열 데이터의 장기 미래 예측을 위한, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은, 상기 컴퓨터에 의해 실행될 때 상기 컴퓨터가:
    제1 입력 데이터에 대하여 예측 모델을 이용하여 제1 출력 데이터를 부분 예측하는 단계;
    중첩 슬라이딩 윈도우를 이용하여 상기 제1 입력 데이터로부터 제2 입력 데이터를 생성하는 단계; 및
    상기 제2 입력 데이터에 중첩 포인트(overlapped point)가 있으면 중첩 포인트 융합 가중치(overlapped point fusion weight, OPFW)를 생성하고, 상기 중첩 포인트가 없으면 상기 제2 입력 데이터에 대하여 상기 예측 모델을 이용하여 제2 출력 데이터를 부분 예측하는 단계를 수행하도록 하는 명령어들을 포함하되,
    상기 제2 입력 데이터를 생성하는 단계 및 상기 제2 출력 데이터를 부분 예측하는 단계는 반복되는, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  11. 제10항에 있어서,
    상기 제2 입력 데이터로부터 상기 중첩 포인트 융합 가중치가 생성된 후,
    상기 제2 출력 데이터와 실제 데이터를 비교하여 상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하는 단계;
    상기 계산된 중첩 포인트 융합 가중치(OPFW)의 오차를 이용하여 상기 중첩 포인트를 융합하는 단계; 및
    입력 데이터를 업데이트하는 단계를 수행하도록 하는 명령어들 더 포함하는, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  12. 삭제
  13. 제10항에 있어서,
    상기 중첩 포인트는 상기 제2 출력 데이터를 부분 예측하는 단계가 반복될 때 부분 예측한 포인트들 중 동일한 위치의 포인트인, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  14. 제10항에 있어서,
    상기 중첩 포인트 융합 가중치(OPFW)는 상기 제2 출력 데이터를 부분 예측하는 단계가 반복될 때 상기 중첩 포인트들을 하나의 포인트로 융합하기 위한 행렬이며, 상기 중첩 포인트 융합 가중치(OPFW)의 원소의 수는 상기 중첩 포인트의 개수와 동일한, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  15. 제14항에 있어서,
    상기 중첩 포인트 융합 가중치(OPFW)의 원소들의 합은 1인, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  16. 제11항에 있어서,
    상기 중첩 포인트의 융합은 하기의 수학식
    Figure 112020144192063-pat00016

    에 의해 수행되는 - 여기서 o는 융합된 포인트, x1과 x2는 중첩 포인트의 값, w1과 w2는 중첩 포인트 융합 가중치임 -, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  17. 제11항에 있어서,
    상기 중첩 포인트 융합 가중치(OPFW)의 오차를 계산하도록 하는 단계는, 벡터 투영에 의해 상기 중첩 포인트 융합 가중치(OPFW)의 오차들의 합을 0으로 만드는 것을 포함하는, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
  18. 제10항에 있어서,
    상기 제1 출력 데이터 및 상기 제2 출력 데이터는 부분 예측한 포인트의 값 및 상기 부분 예측한 포인트의 값을 선형 보간에 의해 계산된 값을 포함하는, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
KR1020200189902A 2020-12-31 2020-12-31 예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법 KR102546334B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200189902A KR102546334B1 (ko) 2020-12-31 2020-12-31 예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200189902A KR102546334B1 (ko) 2020-12-31 2020-12-31 예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법

Publications (2)

Publication Number Publication Date
KR20220096992A KR20220096992A (ko) 2022-07-07
KR102546334B1 true KR102546334B1 (ko) 2023-06-22

Family

ID=82398790

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200189902A KR102546334B1 (ko) 2020-12-31 2020-12-31 예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법

Country Status (1)

Country Link
KR (1) KR102546334B1 (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170132730A (ko) * 2014-12-31 2017-12-04 상명대학교 천안산학협력단 왈시 하다마드 변환을 위한 회귀 분석 방법
US20170091615A1 (en) 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
KR102041683B1 (ko) * 2017-11-09 2019-12-11 주식회사 투그램시스템즈 결함 예측 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"스트림 데이터 예측을 위한 슬라이딩 윈도우 기반 점진적 회귀분석", 정보과학학회논문지: 데이터베이스 제34권 제6호(pp. 483-492), 2007.*

Also Published As

Publication number Publication date
KR20220096992A (ko) 2022-07-07

Similar Documents

Publication Publication Date Title
Memarzadeh et al. Optimal planning and learning in uncertain environments for the management of wind farms
US10366330B2 (en) Formal verification result prediction
US20160239592A1 (en) Data-driven battery aging model using statistical analysis and artificial intelligence
Lassaigne et al. Approximate planning and verification for large Markov decision processes
US20220027536A1 (en) Method and system for generating training data for a machine learning model for predicting performance in electronic design
CN110990135B (zh) 基于深度迁移学习的Spark作业时间预测方法和装置
US20210319154A1 (en) Sampling device, sampling method, and non-transitory computer-readable storage medium for storing sampling program
JP2022545250A (ja) スマートコントラクト処理方法、システム、コンピュータ機器、および読み取り可能な記憶媒体
US20220206072A1 (en) Technique for estimation of internal battery temperature
CN105550393A (zh) 一种支持方案快速生成的枪械变型设计方法
Balaji et al. On the complexity of value iteration
Amorim et al. A new word embedding approach to evaluate potential fixes for automated program repair
KR102546334B1 (ko) 예측 결과의 중첩과 희소 샘플링에 기초한 장기 미래 예측 방법
Frehse An introduction to hybrid automata, numerical simulation and reachability analysis
Forootani et al. A stochastic dynamic programming approach for the machine replacement problem
US20200327393A1 (en) Optimization system and control method for optimization system
CN110717601B (zh) 一种基于有监督学习和无监督学习的反欺诈方法
Even-Dar et al. Planning in POMDPs using multiplicity automata
Pilch Development of an event-based simulator for model checking hybrid Petri nets with random variables
CN117688881B (zh) 基于人工智能的集成电路验证方法、装置及存储介质
KR102608732B1 (ko) 대체 필터의 동작 방법 및 이를 이용한 자료 동화 방법
Shi MambaLithium: Selective state space model for remaining-useful-life, state-of-health, and state-of-charge estimation of lithium-ion batteries
Jansen et al. The COMICS tool-Computing minimal counterexamples for discrete-time Markov chains
WO2024080142A1 (ja) シミュレーションモデル構築方法、及び、シミュレーション方法
Chen et al. A GKPCA-NHSMM based methodology for accurate RUL prognostics of nonlinear mechanical system with multistate deterioration

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right