뉴럴 네트워크를 이용한 리튬이온 배터리의 잔량 변화 분석
Analysis of The Remaining Amount Variation of A Lithium-ion Battery Using A Neural Network
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
끊임없이 변화하는 정보사회에 들어서면서 세계의 정보통신의 방법이 유선 통신에서 무선 통신으로 바뀌었고, 무선 휴대용 단말기를 통해 정보를 교환할 수 있다. 휴대용 단말들은 복잡한 구조를 가지고 있으며, 정보의 수집, 준비 및 탐색을 하는 기능을 한다. 휴대성을 강조하기 위해 VLSI 반도체 기술, 최적화된 전원관리 기술을 채택하여 시간과 장소에 관계없이 쉽고 편리하게 정보를 교환하도록 설계되었다. 휴대용 단말은 더욱 안정적이고 신뢰할 수 있는 시스템이 요구된다. 이러한 요구 사항을 만족시키기 위해 배터리 소모량을 모니터링 하는 전원 모니터링시스템에 대해 연구하였다. 첫 번째로 리튬 이온 전지 배터리의 집적 회로를 통해 소비되는 배터리 양을 측정하였다. 두 번째로 뉴럴 네트워크를 이용하여 첫 번째 단계에서 얻은 데이터를 시뮬레이션 하였다. 배터리의 남은 전력량은 비선형 특성으로 인해 숫자로 표현하기가 어렵다. 따라서 역전파 알고리즘을 사용하여 선형 특성을 얻을 수 있도록 함수를 최적화하였다. 마지막으로 실제 측정을 통해 얻은 데이터와 뉴럴 네트워크로 구한 데이터를 비교한 후 그래프로 나타내었다. 두 데이터의 비교 결과 실험과 시뮬레이션 데이터가 거의 비슷하였다.
Abstract
Lithium-ion cells that are mounted on portable information terminals are almost impossible to find a matching cell due to various variables and unique characteristics. The method of calculating the remaining amount in a portable information terminal is an important item in terms of reliability of the terminal. In this paper, in order to measure the remaining amount of a specific lithium-ion cell, a measurement method is proposed that improves precision with a certain reference item for each element. First, the residual data value of the actual measured lithium-ion cell was trained using the error back propagation algorithm of the neural network. Second, computer simulation using Matlab was used as a type of residual quantity measurement method to make nonlinear numerical data relatively linear while reducing the error from the actual measured value for the residual information value. This method showed an unstable start in the initial state, but the result was relatively similar to the original data value as it went through the learning process of the actual measured data. This remaining amount measurement algorithm is an effective method that can be applied to portable information terminals. The analysis of the remaining amount variation of a lithium-ion battery using a neural network will be applicable to all IT devices as well as portable information terminals.
참고문헌 (18)
- Research Park, "LG Chemical Ltd", LG Chemical Company, ~, pp.Battery research center OCT-1-1998 (1998)
- B. C. Lee, "Characteristic analysis of nonlinear dynamics system using chaos theory", Ph.D, pp.1995
- D. S. Kim, "Neural network theory and application(I)", Hi-TECH Information, ~ (1992)
- E. K. Wsel, "Wireless multimedia communications addison-wesley wireless communication series" (1998), Addison-Wesley
- P. Lettieri, "Advances in wireless terminals", IEEE Personal Communication Magazine Special Issues on Wireless Data, ~ (1999)
- M. Langkvist, "Classification and segmentation of satellite orthoimagery using convolutional neural networks", Remote Sensing, 8, pp.329~350 (2016)
- A. Karpathy, "Neural networks part 1: setting up the architecture, Notes for CS231n Convolutional Neural Networks for Visual Recognition", pp.2017
- E. Maggiori, "Convolutional neural networks for large-scale remote-sensing image classification", IEEE Transactions on Geoscience and Remote Sensing, 55(2), pp.645~657 (2017)
- H-Y. Han, "Recognition of korean isolated digits using classification and prediction neural networks", Korea Information and Communications Society, 24(12B) (1999)
- Amary, "Introduction to neural network" (1991), Treecaps WS
- Y. C. Kwon, "Experience sensitive binary neural network", Ph. D, pp.1995
- D. H. Lee, "Experience sensitive binary neural network", ITC-CSCC’98, II, pp.1049~1052 (1998)
- 김성진, "RAM을 이용한 경험유관축적 신경망 모델", 전자공학회논문지 - CI, 41(02), pp.141~148 (2004), 대한전자공학회
- C-S. Bae, "Direct controller for nonlinear system using a neural network", KIIECT, 5(1), pp.7~12 (2012)
- 권오성, "태양광 전력 기반의 컨벌루션 신경망 설계와 숫자 인식률 개선", 한국지식정보기술학회 논문지, 14(1), pp.93~101 (2019), 한국지식정보기술학회[DOI]
- 강부식, "Word2Vec과 심층 신경망을 활용한 영화추천 시스템의 정확도 개선", 한국지식정보기술학회 논문지, 13(5), pp.561~568 (2018), 한국지식정보기술학회[DOI]