[논문]전력 부하와 학습모델 기반의 전기추진선박의 배터리 연동 전력관리 알고리즘

오지현; 오진석

doi:10.6109/jkiice.2020.24.9.1202

전력 부하와 학습모델 기반의 전기추진선박의 배터리 연동 전력관리 알고리즘
Battery-loaded power management algorithm of electric propulsion ship based on power load and state learning model 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.9, 2020년, pp.1202 - 1208

오지현 (Marine Engineering, Korea Maritime and Ocean University) , 오진석 (Marine Engineering, Korea Maritime and Ocean University)

초록
AI-Helper

현재 4차 산업혁명 시대에 발맞춰서 선박 분야에서는 인공지능 요소를 접목하여 미래를 대비하여야 한다. 그리고 자율운항 선박 등장에 대한 전력관리 분야에서도 이에 대한 대응이 필요하다. 본 연구에서는 머신러닝의 DNN(Deep Neural Network)을 이용한 배터리 연동형 전력관리시스템(BLPMS, Battery Linked Power Management System) 알고리즘을 제안한다. 실험을 위하여 LabView를 통한 선박 데이터를 바탕으로 운항모드별 선박 전력소비량의 패턴을 학습하고 Python을 통해 배터리의 상태를 도출하여 발전기와 배터리의 연동의 유연성을 확인하였다. 실험의 결과 배터리의 충·방전을 통해 발전기의 저부하 운전이 감소되고, LNG의 1%의 연료소모량 감소를 통하여 경제성 및 신뢰성을 확인하였다.

Abstract ▼ AI-Helper

In line with the current era of the 4th Industrial Revolution, it is necessary to prepare for the future by integrating AI elements in the ship sector. In addition, it is necessary to respond to this in the field of power management for the appearance of autonomous ships. In this study, we propose a battery-linked electric propulsion system (BLEPS) algorithm using machine learning's DNN. For the experiment, we learned the pattern of ship power consumption for each operation mode based on the ship data through LabView and derived the battery status through Python to check the flexibility of the generator and battery interlocking. As a result of the experiment, the low load operation of the generator was reduced through charging and discharging of the battery, and economic efficiency and reliability were confirmed by reducing the fuel consumption of 1% of LNG.

주제어

표/그림 (15)

그림 Fig. 1 Proposed power system
그림 Fig. 2 Modeling of PMS
표 Table. 1 Specification of each machine
표 Table. 2 Each load in ship mode
그림 Fig. 3 Modeling of Generator
그림 Fig. 4 Consumed calories of fuel in generator
그림 Fig. 5 Distribution of the total load
그림 Fig. 6 Battery status determination algorithm
그림 Fig. 7 DNN structure
그림 Fig. 8 Battery Status and ship mode during period
그림 Fig. 9 Gas consumption during period without battery
표 Table. 3 Elments of learning model
그림 Fig. 10 Gas consumption by period with battery
그림 Fig. 11 Generator operation pattern by period without battery
그림 Fig. 12 Generator operation pattern by period without battery

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

[1] 이에 더하여 선박의 성능 개선을 위해 실제 운항 데이터를 이용한 데이터 분석을 수행하여 운항 조건에 최적화 되어야 한다. 본 논문에서는 운항데이터를 기반으로 인공지능의한 분야인 딥러닝의 DNN(Deep Neural Network)를 통해 배터리의 상태를 결정할 수 있도록 연구를 수행했다. 그리고 경쟁력 있는 선박 연비 관리를 위해서 기존의 전력관리시스템(PMS, Power Management)과 배터리 연동형 전력관리시스템(BLPMS, Battery Linked Power Management System)을 연료소비량을 비교해보았다.
한다. 본 연구에서는 LNG선박의 Duel Fuel 발전기에서 Gas Mode로만 운전하도록 하여 LNGC의 화물 탱크에서 자연 증발하여 생성되는 BOG를 연료로 하는 발전기를 모델링 하였다. 그림 3은 Wartila 社의 발전기로 W12V50DF(11700kW)와 W8L50DF(7800kW)를 기준으로 모델링하였다.

제안 방법

본 논문에서는 운항데이터를 기반으로 인공지능의한 분야인 딥러닝의 DNN(Deep Neural Network)를 통해 배터리의 상태를 결정할 수 있도록 연구를 수행했다. 그리고 경쟁력 있는 선박 연비 관리를 위해서 기존의 전력관리시스템(PMS, Power Management)과 배터리 연동형 전력관리시스템(BLPMS, Battery Linked Power Management System)을 연료소비량을 비교해보았다.[2]
방전 상태의 판단은 발전기 효율 용량보다 선박 부하가 크며, 배터리의 SOC(State of Charge) 여부에 따라 발전기의 효율 지점까지 출력을 내주도록 판단한다. 그리고 발전기의 효율지점 83%를 기준으로 배터리의 충·방전량을 결정하도록 하였다. 표 3은 DNN 구조에 사용된 라벨링한 입력 모델을 나타낸다.
선박의 운항모드, 발전기 운용 상태 등의 특성을 DNN을 통해 학습하여 배터리의 상태를 출력하였다. 또한 기존의 전력관리시스템과 배터리 연동형 전력관리시스템에 따른 연료 소모량 및 발전기 운용상태를 비교 및 분석해보았다. 이는 DNN기법 이외의 다른 인공지능 기법을 이용해서 다각도로 연구를 수행하도록 기반을 마련하였다.
전력관리시스템은 다중 시스템으로 다중발전기 제어, 부하에 따른 발전기 시동 및 정지 제어 등을 수행한다. 본 논문에서는 기존의 PMS를 구현하기 위해 랩뷰를 통해 부하 정지 및 기동과 발전시스템을 랩뷰를 통해 모델링을 수행하였다.
각 은닉층에서는 64, 128, 64개의 node로 설정하였다. 본 연구에서는 DNN 구조에 ReLU(Rectifier linea unit) 함수를 활성화 함수로 적용하여 가중치 재추정이 더욱 용이하게 만들었다. ReLU함수는 음수에서 출력값이 0으로 활성이 되지 않으며 양수에서는 기울기가 항상 1로 일정하기 때문에 시그모이드 함수에서 발생하는 기울기가 사라지는 문제를 해결한다.
위 과정을 거쳐 도출한 최빈부하는 표 2와 같이 정하여 조합에 따른 가능한 부하를 설정하였다[5]. 본 연구에서는 정상상태의 부하 용량과 과도상태의 최대 전압강하로부터의 발전 용량 도출 식의 평균값을 도출하여 표 1과 같이 발전기 용량을 선정하였다. 표 2는 선박의 운항상태에 따른 부하별 출력을 나타내고 있다.
이용하였다. 선박의 운항모드, 발전기 운용 상태 등의 특성을 DNN을 통해 학습하여 배터리의 상태를 출력하였다. 또한 기존의 전력관리시스템과 배터리 연동형 전력관리시스템에 따른 연료 소모량 및 발전기 운용상태를 비교 및 분석해보았다.
위의 PMS와 발전시스템의 모델링의 변수를 입력하기 위해 시나리오가 필요한데, 본 연구에서는 선박에서 항차 관련 정보를 작성한 기관항해요약일지(Abstract Log)를 바탕으로 작성하였다. 그림 5는 작성한 시나리오 시간순서에 따라 선박의 요구 부하의 변화를 나타낸다.
학습 모델로 이용된 선박의 시나리오를 데이터 전처리 과정을 통해 각 입력 요소에 레이블을 제시하였다. 전력시스템에 영향을 주는 많은 요소들이 있지만 너무 많은 입력데이터는 각 데이터 간의 중복된 정보와 상관성에 의해 판단 모델의 노이즈 발생의 원인이 되므로 최소한의 입력데이터를 선택하는 것이 유리하다.
그림 3은 Wartila 社의 발전기로 W12V50DF(11700kW)와 W8L50DF(7800kW)를 기준으로 모델링하였다. 해당 발전기의 SGC(Specific Gas Consumption) 곡선을 사용하여 발전기 출력에 따른 연료 소모량을 산출할 수 있도록 구성하였다. 두 발전기는 Gas mode로 운전 시 83% 효율 지점이 가장 높음을 나타내고 있다.

대상 데이터

본 연구에서는 LNG선박의 Duel Fuel 발전기에서 Gas Mode로만 운전하도록 하여 LNGC의 화물 탱크에서 자연 증발하여 생성되는 BOG를 연료로 하는 발전기를 모델링 하였다. 그림 3은 Wartila 社의 발전기로 W12V50DF(11700kW)와 W8L50DF(7800kW)를 기준으로 모델링하였다. 해당 발전기의 SGC(Specific Gas Consumption) 곡선을 사용하여 발전기 출력에 따른 연료 소모량을 산출할 수 있도록 구성하였다.
있다. 본 논문에서 사용된 DNNe 10N개의 입력데이터와 3개의 은닉층, 그리고 배터리 상태의 대기, 충전, 방전 3개의 출력으로 구성되어 있다. 각 은닉층에서는 64, 128, 64개의 node로 설정하였다.
그림 5는 작성한 시나리오 시간순서에 따라 선박의 요구 부하의 변화를 나타낸다. 시나리오의 기간은 대상 선박의 3항차에 해당하는 3월 6일부터 5월 15일까지 대략 2개월 기간의 정보를 포함한다.

이론/모형

ReLU함수는 음수에서 출력값이 0으로 활성이 되지 않으며 양수에서는 기울기가 항상 1로 일정하기 때문에 시그모이드 함수에서 발생하는 기울기가 사라지는 문제를 해결한다. 그리고 데이터를 분류하기 위하여 Softmax함수를 사용하였다. Softmax 함수는 계산되어나온 값들을 확률로 나타나게 해주는 함수이다.
본 연구에서는 전기추진선박을 대상으로 모델링한 시나리오 부하데이터를 바탕으로 머신러닝의 DNN 기법을 이용하였다. 선박의 운항모드, 발전기 운용 상태 등의 특성을 DNN을 통해 학습하여 배터리의 상태를 출력하였다.

후속연구

선박의 경우 육상과는 다르게 독립적인 전력시스템을 구성하며, 선박의 운항 특성상 안전운항을 위해 전력시스템은 매우 중요하다. [1] 이에 더하여 선박의 성능 개선을 위해 실제 운항 데이터를 이용한 데이터 분석을 수행하여 운항 조건에 최적화 되어야 한다. 본 논문에서는 운항데이터를 기반으로 인공지능의한 분야인 딥러닝의 DNN(Deep Neural Network)를 통해 배터리의 상태를 결정할 수 있도록 연구를 수행했다.
또한 선박의 운용 모드에 따라 사용하는 장비가 달라짐에 따라 부하의 특성이 차이가 나므로 발전기 여유율을 고려하며 배터리 충방전을 결정할 수 있다. 향후 환경과 상호 작용하는 강화학습을 통한 연구를 진행하여 선박의 운용 모드에 따라 전력소모의 여유전력 산정 및 발전 효율점을 도출하여 전력관리시스템의 성능을 향상시킬 수 있다.

참고문헌 (7)

D. H. Kim, S. J. Han, and B. K. Jung, "A Machine Learning-Based Method to Predict Engine Power," Journal of the Korean Society of Marine Environment & Safety, vol. 25, no. 7, pp. 851-857, Dec. 2019.

원문보기 상세보기
Y. M. Kang, and J. S. Oh, "Energy savings in ship power systems by using batteries," Journal of the Korean Society of Marine Engineering, vol. 41, no. 6, pp. 576-582, July. 2017.

상세보기
J. Y. Hwang, and C. H. Jeon, "A Study on the Application of Domestic ferry to a Battery Propulsion Ship connected with Photovoltaic System," The Korean Society Of Marine Environment & Safety, vol. 25, no. 7, pp. 945-952, Dec. 2019.

원문보기 상세보기
H. K. Ku, and H. R. Seo, "Lithium-ion Battery Energy Storage System for Power Quality Improvement in Electrical Propulsion Ships." The Transactions of the Korean Institute of Power Electronics, vol. 20, no. 4, pp. 351-355, Aug. 2015.

원문보기 상세보기
J. H. Jang, "A Study on Energy Management of Hybrid Power Source for Electric Propulsion System by LCS," Ph. D. dissertation, Korea Maritime & Ocean University Engineering, korea, 2019.
J. H. Lee, and J. S Oh, "Optimization Power Management System for electric propulsion system," Journal of the Korea Institute of Information and Communication Engineering, vol. 23, no. 8, pp. 923-929, Aug. 2019.

원문보기 상세보기
J. H. Kang, and H. H. Lee, "Analysis of Real Ship Operation Data using a Smart Ship Platform," Journal of the Korean Society of Marine Environment & Safety, vol. 25, no. 6, pp. 649-657, Oct. 2019.

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증