| 1 |
1
배터리 잔존량 추정 장치에 있어서,충전 시작 전압과 적분 충전 전류에 대한 정보를 출력하는 배터리;상기 배터리로부터 충전 시작 전압과 적분 충전 전류를 입력 파라메터로 입력받아, 입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network) 또는 입력 레이어, 퍼지화 레이어, 규칙 레이어, 정규화 레이어, 비퍼지화 레이어, 합계 뉴런 레이어로 구성되는 ANFIS(Adaptive Neuro-Fuzzy Inference System) 처리한 후에 적분 방전 전류를 출력 파라메터로 출력하는 신경망 처리부; 및 상기 신경망 처리부로부터 출력되는 적분 방전 전류에 따라 아래 수학식 1을 토대로 배터리의 SOC를 산출하는 SOC 산출부;를 구비함을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정장치
|
| 2 |
2
제1항에 있어서, 상기 가중치는, GD(Gradient Descent Training Method), LM(Levenberg-Marquardt Training Method), SCG(Scaled Conjugate Gradient Training Method) 중 어느 한 방식으로 훈련됨을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정장치
|
| 3 |
3
제2항에 있어서,상기 GD에 따르는 학습방법은, 상기 GD의 사용에 따라 가중치를 변화하며, 상기 신경망 처리부의 출력노드에서 역방향으로 전송되는 에러값은 아래 수학식 2d에 의해 계산되고, 상기 히든 레이어와 상기 출력 레이어 사이의 가중치에 대한 비용함수의 기울기와 가중치(wjk)는 아래 수학식 3 및 4에 의해 계산되고, j번째 히든 노드에서의 에러 신호와 입력 레이어와 히든 레이어 사이의 보정된 가중치(Wji)는 아래 수학식 5 내지 수학식 7에 의해 계산되는 것을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정장치
|
| 4 |
4
제1항에 있어서, 상기 입력 레이어를 구성하는 뉴런들은 아래 수학식 16으로 표현되며,상기 퍼지화 레이어를 구성하는 뉴런들은 아래 수학식 17에 정의된 벨 활성화 펑션을 가지며, 상기 규칙 레이어를 구성하는 뉴런들은 아래 수학식 18에 따라 획득되며,상기 정규화 레이어의 출력은 아래 수학식 19에 따라 결정되고, 상기 비퍼지화 레이어를 구성하는 뉴런들은 아래 수학식 20에 따라 규칙의 가중치가 적용된 결과값을 산출하며, 상기 합계 뉴런 레이어의 뉴런은 모든 비퍼지화 뉴런들의 출력을 더하여 전체 ANFIS의 출력으로 아래 수학식 21에 따라 생성하는 것을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정장치
|
| 5 |
5
제1항에 있어서,상기 배터리는 태양 에너지 발전 장치로부터 전기 에너지를 제공받아 충전하는 것을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정장치
|
| 6 |
6
배터리 잔존량 추정방법에 있어서,배터리가 태양 에너지 발전 장치로부터 전기 에너지를 제공받아 충전하며 충전 시작 전압과 적분 충전 전류에 대한 정보를 출력하는 단계;신경망 처리부가, 상기 배터리로부터 충전 시작 전압과 적분 충전 전류를 입력 파라메터로 입력받아,입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network) 또는 입력 레이어, 퍼지화 레이어, 규칙 레이어, 정규화 레이어, 비퍼지화 레이어, 합계 뉴런 레이어로 구성되는 ANFIS(Adaptive Neuro-Fuzzy Inference System) 처리한 후에 적분 방전 전류를 출력 파라메터로 출력하는 단계; 및 SOC 산출부가, 상기 신경망 처리부로부터 출력되는 적분 방전 전류에 따라 아래 수학식 1을 토대로 배터리의 SOC를 산출하는 단계;를 포함하는 것을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정방법
|
| 7 |
7
제6항에 있어서, 상기 가중치는, GD(Gradient Descent Training Method), LM(Levenberg-Marquardt Training Method), SCG(Scaled Conjugate Gradient Training Method) 중 어느 한 방식으로 훈련됨을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정방법
|
| 8 |
8
제7항에 있어서, 상기 GD에 따르는 학습방법은, 상기 GD의 사용에 따라 가중치를 변화하며, 상기 신경망 처리부의 출력노드에서 역방향으로 전송되는 에러값은 아래 수학식 2d에 의해 계산되고, 상기 히든 레이어와 상기 출력 레이어 사이의 가중치에 대한 비용함수의 기울기와 가중치(wjk)는 아래 수학식 3 및 4에 의해 계산되고, j번째 히든 노드에서의 에러 신호와 입력 레이어와 히든 레이어 사이의 보정된 가중치(Wji)는 아래 수학식 5 내지 수학식 7에 의해 계산되는 것을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정방법
|
| 9 |
9
제6항에 있어서, 상기 입력 레이어를 구성하는 뉴런들은 아래 수학식 16으로 표현되며,상기 퍼지화 레이어를 구성하는 뉴런들은 아래 수학식 17에 정의된 벨 활성화 펑션을 가지며, 상기 규칙 레이어를 구성하는 뉴런들은 아래 수학식 18에 따라 획득되며,상기 정규화 레이어의 출력은 아래 수학식 19에 따라 결정되고, 상기 비퍼지화 레이어를 구성하는 뉴런들은 아래 수학식 20에 따라 규칙의 가중치가 적용된 결과값을 산출하며, 상기 합계 뉴런 레이어의 뉴런은 모든 비퍼지화 뉴런들의 출력을 더하여 전체 ANFIS의 출력으로 아래 수학식 21에 따라 생성하는 것을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정방법
|
| 10 |
10
제6항에 있어서,상기 배터리는 태양 에너지 발전 장치로부터 전기 에너지를 제공받아 충전하는 것을 특징으로 하는 신경회로망 기반 배터리 잔존량 추정방법
|
