1 |
1
배터리 사용량 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서,배터리로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 수집하는 단계;상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 및상기 학습된 신경망에 의해, 상기 배터리가 실제 작동한 기간을 산출하는 단계;를 포함하는 신경망 기반의 배터리 사용량 예측 방법
|
2 |
2
제1항에 있어서, 상기 신경망을 학습시키는 단계 이전에,상기 수집된 데이터를 분석하여 상기 수집된 데이터 중 미운용된 기간의 데이터를 삭제함으로써, 상기 수집된 데이터를 전처리하는 단계;를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법
|
3 |
3
제2항에 있어서, 상기 신경망을 학습시키는 단계에서,전처리된 데이터의 일부를 상기 신경망에 입력하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법
|
4 |
4
제1항에 있어서, 상기 신경망을 학습시키는 단계 이전에,상기 수집된 데이터를 특정한 간격으로 분할하는 단계;를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법
|
5 |
5
제1항에 있어서,상기 배터리가 실제 작동한 기간을 주(week), 일(day) 및 시(hour) 중 어느 하나의 단위로 출력하는 단계;를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법
|
6 |
6
배터리 사용량 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서,배터리로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 시계열 데이터 형태로 수집하는 단계;상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계;상기 학습된 신경망에 의해, 상기 수집된 데이터 각각에 대해서 기설정된 데이터 패턴과의 유사도를 측정하여, 상기 수집된 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하는 단계;상기 학습된 신경망에 의해, 상기 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 상기 배터리가 작동하는 구간으로 판단하는 단계; 및상기 구간을 모두 합산하여 상기 배터리가 실제 작동한 기간으로 출력하는 단계;를 포함하는 신경망 기반의 배터리 사용량 예측 방법
|
7 |
7
제6항에 있어서, 상기 신경망을 학습시키는 단계 이전에,상기 수집된 데이터를 분석하여 상기 수집된 데이터 중 미운용된 기간의 데이터를 삭제함으로써, 상기 수집된 데이터를 전처리하는 단계;를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법
|
8 |
8
제7항에 있어서, 상기 신경망을 학습시키는 단계에서,전처리된 데이터의 일부를 상기 신경망에 입력하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법
|
9 |
9
제6항에 있어서, 상기 신경망을 학습시키는 단계 이전에,상기 수집된 데이터를 특정한 간격으로 분할하는 단계;를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법
|
10 |
10
하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및상기 저장된 하나 이상의 인스터럭션들을 실행함으로써,배터리로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 시계열 데이터 형태로 입력받아, 기설정된 데이터 패턴과의 유사도를 측정하여, 상기 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하고, 상기 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 상기 배터리가 작동하는 구간으로 판단하며, 상기 구간을 모두 합산하여 상기 배터리가 실제 작동한 기간으로 출력하는 신경망을 구성하는 하나 이상의 프로세서;를 포함하는 신경망 기반의 배터리 사용량 예측 장치
|
11 |
11
제10항에 있어서,상기 하나 이상의 프로세서는 상기 데이터를 상기 신경망에 입력하기 전에 상기 데이터 중 미운용된 기간의 데이터를 삭제하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 장치
|