1 |
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); 및상기 모델생성 단계(S30)에서 생성된 렉 고장률 모델을 적용하여 연산된 고장률을 바탕으로 에너지저장장치를 운영하는 모델적용 단계(S40);를 포함하며,상기 전처리 단계(S20)는렉(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); 및상기 불균형처리 단계(S24)에서 균형이 맞춰진 데이터를 훈련데이터, 검증데이터 및 테스트데이터로 분할하는 데이터분할 단계(S25);를 포함하고,상기 데이터분할 단계(S25)는초기 데이터 세트를, 모델 훈련에 사용하기 위한 훈련 세트와 일반화 성능을 추정하는데 사용하기 위한 테스트 세트로 분할하는 제1데이터분할 단계(S251); 및상기 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); 및새로운 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 003c# 은닉 유닛(Hidden Unit) 수 003c#= 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); 및은닉 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
|