[논문]진동수주 파력발전장치를 위한 머신러닝 기반 압력 예측모델 설계 및 분석

서동우; 허태상; 김명일; 오재원; 조수길

doi:10.5762/kais.2020.21.11.672

진동수주 파력발전장치를 위한 머신러닝 기반 압력 예측모델 설계 및 분석
A Design and Analysis of Pressure Predictive Model for Oscillating Water Column Wave Energy Converters Based on Machine Learning 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.11, 2020년, pp.672 - 682

서동우 (한국과학기술정보연구원 가상설계센터) , 허태상 (한국과학기술정보연구원 가상설계센터) , 김명일 (한국과학기술정보연구원 가상설계센터) , 오재원 (선박해양플랜트연구소) , 조수길 (선박해양플랜트연구소)

초록
AI-Helper

최근 다양한 산업/제조 현장에서 운영 효율화를 위한 디지털 트윈(digital twin) 기술 연구가 활발하게 수행 중이고, 화석 연료의 점진적 고갈과 환경오염 문제는 파력발전소와 같은 신재생/친환경 발전방식을 요구한다. 하지만, 파도의 에너지에 의해서 전기를 생산하는 파력발전에서 변동성이 높은 파도에너지에 의해서 발전량과 고장 등의 운영효율화 요소가 밀접하게 관련되어 있어 이들 사이의 관계를 이해하고 예측하는 것이 매우 중요하다. 따라서 첫 번째로 파고 데이터, 진동수주(OWC: Oscillating Water Column, 이하 OWC) 챔버의 센서 데이터 등과 같은 변동성이 높은 데이터 간에 의미 있는 상관관계 도출이 필요하다. 두 번째로 도출된 상관관계를 기반으로 추출된 데이터로 예측 상황을 학습함으로써 원하는 정보를 예측할 수 있는 방법론 연구가 이루어져야 한다. 본 연구에서는 파력발전 시스템의 디지털 트윈으로 스마트 운용 및 유지보수가 가능하도록 실제 파력발전소의 IoT 센서 데이터를 이용하여 OWC의 압력 예측을 위해 머신러닝 프레임워크를 활용한 워크플로우 기반의 학습모델을 설계하고, 검증 및 평가 데이터셋을 통한 압력 예측분석의 유효성을 확인한다.

Abstract ▼ AI-Helper

The Korea Nowadays, which is research on digital twin technology for efficient operation in various industrial/manufacturing sites, is being actively conducted, and gradual depletion of fossil fuels and environmental pollution issues require new renewable/eco-friendly power generation methods, such as wave power plants. In wave power generation, however, which generates electricity from the energy of waves, it is very important to understand and predict the amount of power generation and operational efficiency factors, such as breakdown, because these are closely related by wave energy with high variability. Therefore, it is necessary to derive a meaningful correlation between highly volatile data, such as wave height data and sensor data in an oscillating water column (OWC) chamber. Secondly, the methodological study, which can predict the desired information, should be conducted by learning the prediction situation with the extracted data based on the derived correlation. This study designed a workflow-based training model using a machine learning framework to predict the pressure of the OWC. In addition, the validity of the pressure prediction analysis was verified through a verification and evaluation dataset using an IoT sensor data to enable smart operation and maintenance with the digital twin of the wave generation system.

주제어

표/그림 (22)

그림 Fig. 1. OWC wave energy converter and air turbine
그림 Fig. 2. Development process of pressure predictive model based on machine learning in OWC
표 Table 1. KNIME feature
그림 Fig. 3. Location of sensors and wave power plant
그림 Fig. 4. Workflow for correlation analysis
그림 Fig. 5. Metanode workflow for detail correlation analysis
표 Table 2. Data selection
표 Table 3. Raw data collected from wave-height meter
표 Table 4. Raw data related to chamber, power generation (such as internal pressure, RPM, torque, etc). Data selection
그림 Fig. 6. Analysis result of wave with power generator
그림 Fig. 7. Schematic layout of OWC
표 Table 5. Result of Correlation analysis
그림 Fig. 8. Preprocessing workflow to build a dataset
그림 Fig. 9. Building Predictive model according to dataset
표 Table 6. Feature Engineering for data preprocessing
그림 Fig. 10. Input/target feature criteria setting for building dataset
그림 Fig. 11. Target feature and prediction method
그림 Fig. 12. Development process of pressure prediction model
그림 Fig. 13. Structure of Bigdata & AI platform
그림 Fig. 14. Workflow for implementation of machine learning algorithms
그림 Fig. 15. Workflow for prediction evaluation
그림 Fig. 16. Training and evaluation result

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 현재 운용 중인 용수 파력발전소의 IoT 센서 데이터 기반으로 디지털 트윈의 요소기술인 기계학습 기반의 예측 기술을 적용하여 그 유효성을 확인하였다. 파력발전소의 경우 파고 데이터, OWC의 센서 데이터 등과 같은 다수의 파라미터에 의해 의미 있는 데이터 정의와 함께 다수의 파라미터로부터 상관관계를 분석하고 이를 통해 원하는 정보를 예측할 수 있는 방법론 연구를 수행하였다.
본 연구에서는 대규모 센서 데이터 수집과 시간 소요가 많은 인공지능 계산 지원을 위한 플랫폼을 개발하였다. 빅데이터 기반의 고성능 데이터 분석 및 처리 플랫폼 구조는 Fig.
본 연구에서는 챔버의 압력을 예측하여 발전기 제어로 전력생산을 극대화하고 사전 고장방지를 목적으로 한다. 수집되는 센서 데이터를 기반으로 데이터 상관분석을 포함한 데이터 전처리와 머신러닝을 적용한 예측모델을 설계하고 학습모델의 평가로 챔버의 압력 예측분석의 유효성을 검증한다.

제안 방법

Fig. 15과 같이 머신러닝 모델에 맞게 예측값을 비교하기 위한 추가적인 메타노드를 구성하였고, 결과를 스코어와 그래프로 표현하도록 설계하였다.
Fig. 4 상관관계 분석 워크플로우는 파고계 데이터의 영향을 확인하기 위해 48시간 파고계로부터 측정된 파고 데이터의 Target feature(압력)와 전력간의 상관관계 분석을 목적으로 설계되었고 파고계 데이터의 경우 파랑에너지(파고2x파주기)로 변환하여 활용하였다.
우선적으로 Feature들의 상관관계 분석을 수행하기 위해 계측 주기가 다른 센서 데이터들의 간격을 맞추기 위한 처리와 포맷을 맞추는 전처리를 수행하였다. Target Feature(압력)를 선정하고 Taget Feature을 기준으로 센서 데이터의 Feature별 상관관계 분석을 수행하여 Input Feature를 선정하는 데이터셋 구축 방안을 수립하고 이를 수행하였다.
OWC 파력발전장치의 압력에너지 예측을 위해 다양한 머신러닝 학습모델을 활용하였다. 각 학습모델을 하나의 전처리 프로세스와 연결하여 병렬로 학습을 수행하도록 구성하였고, 머신러닝 방법을 메타노드로 구성하여 병렬 학습이 가능하도록 하였다. 적용한 머신러닝 알고리즘으로는 선형회귀 알고리즘, 머신러닝 앙상블 기법 중 과적합(overfitting) 방지가 가능하고, 분산/병렬 처리가 가능한 XGBoost 알고리즘, 딥러닝 기반 LSTM 알고리즘이며, 입력 레이어, 히든레이어, 출력 레이어 등을 추가적으로 구성하여 워크플로우를 설계하였다.
시계열을 고려한 데이터 분석을 위하여 데이터의 시계열과 기간을 입력하여 처리할 수 있도록 노드를 구성하였고 해당 데이터를 구성하기 위한 노드를 추가적으로 디자인하여 데이터의 필터링, 병합, 컬럼 변경 등의 처리를 지원하도록 하였다. 데이터 내 각각의 클래스들이 차지하는 데이터의 비율이 균일하지 않고 한쪽으로 치우친 데이터 불균형(imbalanced data)을 해소하기 위해 분류 알고리즘의 성능을 향상시키거나, 학습 전에 리샘플링(re-sampling)을 통해 학습셋 내의 클래스 균형을 맞추는 방법을 고려하여 높은 비중을 차지하는 클래스의 값을 임의로 제거하는 오버샘플링(over-sampling)과 낮은 비중을 차지하는 클래스의 값을 임의로 늘리는 언더샘플링(under-sampling)을 시도하였다.
데이터 분석 모델을 구축하기 위해 오픈소스 기반의 KNIME 플랫폼과 Tensorflow 활용하여 데이터 통합, 변환, 분석, 가시화 등의 머신러닝에 필요한 일련의 프로세스를 처리하고, 머신러닝 알고리즘을 검증하기 위해 머신러닝 프레임워크인 Tensorflow를 이용해서 DT(Decision Tree), RF(Random Forest), SVM, RNN 등의 알고리즘을 적용·시험하여 OWC 예측에 가장 효과적인 기법을 제시하고, 향후 센서의 종류/위치/데이터가 변경되는 경우에도 핵심 기법의 수정 없이 활용 가능한 학습모델 개발하였다.
따라서 파고 데이터를 활용하는 것은 시간 지연과 편차의 문제로 활용하는데 제약이 있어 OWC와 발전기 데이터를 활용하기 위한 분석을 수행하였다. OWC와 발전기 데이터를 활용하는 이유는 Fig.
이때, 데이터셋을 나누고 학습 노드와 예측 노드를 이용하여 예측 결과 값을 계산한다. 또한, 목적에 적합한 학습모델 구성을 위하여 파이썬(Python) 기반의 코드로 필요한 모델을 추가로 구현하였다.
학습 속도 및 정확도 측면에서 이점을 가지기 위해 특정 시간 동안에 피크 압력치가 발생할 경우 0, 그렇지 않은 경우를 1로 지정하여 분류 문제로 단순화하였다. 또한, 압력에 대해 일정한 시간(1분 40초)동안의 시계열 데이터를 입력 특성으로 지정하여 1일 100개의 입력과 1개의 대상 특성으로 구성된 985개의 레코드를 가지는 데이터셋을 구축하였다.
이는 데이터 정제/변환, 분석, 모델링, 시각화 및 출력까지 한 번에 동작하며, 모든 메뉴 및 과정은 GUI로 구현한 워크플로우에서 제공된다. 먼저 다양한 머신러닝 기법 적용 및 테스트를 통해 최적의 기법(조합) 선정하기 위해 머신러닝 방법을 메타노드로 구성하여 병렬 학습이 가능하도록 구성하고 선형회귀 분석을 위한 알고리즘을 적용하여 분석을 수행하여 예측에 적합한 모델을 선별하였다.
본 연구는 구축한 데이터셋은 대상 특성이 ‘0’과 ‘1’로 구성되어 있어 분류 방법을 활용할 수 있으나, 더 높은 정확도와 유연성을 확보하기 위해 회귀분석 출력층의 활성화 함수를 분류함수 형태로 수정하여 학습에 활용하였다.
빅데이터 플랫폼의 워크플로우 기능을 활용하여 OWC 압력 예측에 적합한 워크플로우 기반의 학습모델 구축하였다. 이는 데이터 정제/변환, 분석, 모델링, 시각화 및 출력까지 한 번에 동작하며, 모든 메뉴 및 과정은 GUI로 구현한 워크플로우에서 제공된다.
12에서와 같이 워크플로우 기반의 학습모델을 구축하여 모델별로 학습을 통해 적정한 모델을 선정한다. 선정된 학습모델로 테스트셋을 이용하여 예측 정확도와 정밀도 수준을 평가한다.
본 연구에서는 챔버의 압력을 예측하여 발전기 제어로 전력생산을 극대화하고 사전 고장방지를 목적으로 한다. 수집되는 센서 데이터를 기반으로 데이터 상관분석을 포함한 데이터 전처리와 머신러닝을 적용한 예측모델을 설계하고 학습모델의 평가로 챔버의 압력 예측분석의 유효성을 검증한다. 본 논문의 구성을 살펴보면, 2장에서는 관련 연구로써 OWC 파력발전장치, 데이터 분석 플랫폼 및 머신러닝에 대해 소개하고 3장에서 OWC 압력 예측 학습모델 설계 부분으로 데이터 수집, 입력 데이터의 상관분석, 데이터셋 설계 및 구축을 논한다.
8은 상관관계 분석을 위한 전처리 워크플로우를 구성하여 파고 데이터들을 폴더에서 읽어서 파일 목록을 얻고 이를 통해 입력 데이터를 고려하였다. 시계열을 고려한 데이터 분석을 위하여 데이터의 시계열과 기간을 입력하여 처리할 수 있도록 노드를 구성하였고 해당 데이터를 구성하기 위한 노드를 추가적으로 디자인하여 데이터의 필터링, 병합, 컬럼 변경 등의 처리를 지원하도록 하였다. 데이터 내 각각의 클래스들이 차지하는 데이터의 비율이 균일하지 않고 한쪽으로 치우친 데이터 불균형(imbalanced data)을 해소하기 위해 분류 알고리즘의 성능을 향상시키거나, 학습 전에 리샘플링(re-sampling)을 통해 학습셋 내의 클래스 균형을 맞추는 방법을 고려하여 높은 비중을 차지하는 클래스의 값을 임의로 제거하는 오버샘플링(over-sampling)과 낮은 비중을 차지하는 클래스의 값을 임의로 늘리는 언더샘플링(under-sampling)을 시도하였다.
예측모델은 일반적으로 올바른 데이터를 가정으로 작동하기 때문에 파고계 데이터와 내부 압력 및 발전데이터의 분석을 통한 학습 데이터 생성을 위한 정제 방법 도출한다. 우선적으로 Feature들의 상관관계 분석을 수행하기 위해 계측 주기가 다른 센서 데이터들의 간격을 맞추기 위한 처리와 포맷을 맞추는 전처리를 수행하였다. Target Feature(압력)를 선정하고 Taget Feature을 기준으로 센서 데이터의 Feature별 상관관계 분석을 수행하여 Input Feature를 선정하는 데이터셋 구축 방안을 수립하고 이를 수행하였다.
파력발전소의 경우 파고 데이터, OWC의 센서 데이터 등과 같은 다수의 파라미터에 의해 의미 있는 데이터 정의와 함께 다수의 파라미터로부터 상관관계를 분석하고 이를 통해 원하는 정보를 예측할 수 있는 방법론 연구를 수행하였다. 원시 데이터셋을 기반으로 Feature Engineering을 통해 머신러닝 모델에 적합한 Feature를 도출하고 데이터 전처리와 거친 데이터를 기반으로 머신러닝의 여러 모델에 학습시켜 스코어가 높은 모델을 선정하였다. 그 결과, RNN의 확장형인 LSTM 알고리즘이 예측 정확도가 높은 모델임을 확인하였고, 정확도와 정밀도는 각각 88%, 85%로 나타났다.
각 학습모델을 하나의 전처리 프로세스와 연결하여 병렬로 학습을 수행하도록 구성하였고, 머신러닝 방법을 메타노드로 구성하여 병렬 학습이 가능하도록 하였다. 적용한 머신러닝 알고리즘으로는 선형회귀 알고리즘, 머신러닝 앙상블 기법 중 과적합(overfitting) 방지가 가능하고, 분산/병렬 처리가 가능한 XGBoost 알고리즘, 딥러닝 기반 LSTM 알고리즘이며, 입력 레이어, 히든레이어, 출력 레이어 등을 추가적으로 구성하여 워크플로우를 설계하였다. 이때, 데이터셋을 나누고 학습 노드와 예측 노드를 이용하여 예측 결과 값을 계산한다.
최종적인 딥러닝 학습은 파라미터 최적화를 수행한 파라미터 결과(LSTM Layer : 2, optimizer : adam, batch_size : 30, epochs :100)를 토대로 수행하였다.
분석 기법은 SWAN 모델과 선형 상관(Linear Correlation)을 사용하여 분석하였다. 파랑 에너지와 압력 데이터는 시간 축을 맞추기 위하여 계측된 파랑 에너지의 최소 간격인 30분을 기준으로 하였으며, Fig. 6은 48시간 동안 30분 단위의 분석을 수행하였다. 지리적으로 떨어져 있는 파고 센서와 파력발전소의 영향을 분석하기 위하여 SWAN모델을 활용하였고, 분석결과 30분이라는 다소 긴 시간에도 불구하고 1km라는 거리로 인한 시간 지연과 편차로 인하여 이를 활용하기는 어려운 것으로 판단되었다.
본 연구는 현재 운용 중인 용수 파력발전소의 IoT 센서 데이터 기반으로 디지털 트윈의 요소기술인 기계학습 기반의 예측 기술을 적용하여 그 유효성을 확인하였다. 파력발전소의 경우 파고 데이터, OWC의 센서 데이터 등과 같은 다수의 파라미터에 의해 의미 있는 데이터 정의와 함께 다수의 파라미터로부터 상관관계를 분석하고 이를 통해 원하는 정보를 예측할 수 있는 방법론 연구를 수행하였다. 원시 데이터셋을 기반으로 Feature Engineering을 통해 머신러닝 모델에 적합한 Feature를 도출하고 데이터 전처리와 거친 데이터를 기반으로 머신러닝의 여러 모델에 학습시켜 스코어가 높은 모델을 선정하였다.
실(real) 데이터 기반의 학습모델을 개발하기 위해 실제 시험·운용 중인 OWC 파력발전 시스템의 외부파랑과 OWC 파고계 등에서 생산되는 센서 데이터 확보하였다. 필터링 등의 데이터 전처리 후에 학습셋(training set), 테스트셋(test set)으로 분류하여 학습모델 개발에 활용하였다.
10, Fig 11과 같은 기준을 토대로 OWC 압력 예측을 위한 학습 데이터셋을 구축했다. 학습 속도 및 정확도 측면에서 이점을 가지기 위해 특정 시간 동안에 피크 압력치가 발생할 경우 0, 그렇지 않은 경우를 1로 지정하여 분류 문제로 단순화하였다. 또한, 압력에 대해 일정한 시간(1분 40초)동안의 시계열 데이터를 입력 특성으로 지정하여 1일 100개의 입력과 1개의 대상 특성으로 구성된 985개의 레코드를 가지는 데이터셋을 구축하였다.

대상 데이터

데이터 수집은 Table 2와 같이 외부파랑 정보 수집을 위한 OWC 파고계 데이터와 OWC와 파력발전소 데이터를 선정하였다.
실(real) 데이터 기반의 학습모델을 개발하기 위해 실제 시험·운용 중인 OWC 파력발전 시스템의 외부파랑과 OWC 파고계 등에서 생산되는 센서 데이터 확보하였다.
실제 시험·운용 중인 OWC 파력발전 시스템의 외부파랑 확보를 위하여 Fig. 3 같이 파력발전소에서 1km 거리에 있는 OWC 파고계에서 생산되는 Table 3 센서 데이터를 확보하여 활용하였다.
입력 데이터는 Table 3 파고, Table 4 수주실 정보를 포함한 발전기 데이터를 선정하고, 파력발전소에서 1km에서 떨어진 파고계의 데이터와 발전소의 영향에 대하여 분석하는 데 활용하였다.

이론/모형

14는 OWC 파력발전장치의 압력에너지 예측을 위해 설계한 워크플로우 방식의 머신러닝 프로세스이며, 학습을 수행하기 위해 활용된 학습모델들을 나타낸다. OWC 파력발전장치의 압력에너지 예측을 위해 다양한 머신러닝 학습모델을 활용하였다. 각 학습모델을 하나의 전처리 프로세스와 연결하여 병렬로 학습을 수행하도록 구성하였고, 머신러닝 방법을 메타노드로 구성하여 병렬 학습이 가능하도록 하였다.
개발된 학습모델에 대해 테스트셋을 이용하여 예측 정확도를 평가하였고, 가장 신뢰 있는 정확도를 가지는 모델을 개발하기 위해 베이지안 최적화(Bayesian Optimization) 기법을 이용하였다.
5는 상관관계 분석을 위한 [파고수주형 발전기] 메타노드의 상세설계로 데이터 전처리와 상관관계 분석을 위한 워크플로우이며 상관관계 분석을 위한 전처리 과정에서는 정규화 등의 전처리 등을 수행하였다. 분석 기법은 SWAN 모델과 선형 상관(Linear Correlation)을 사용하여 분석하였다. 파랑 에너지와 압력 데이터는 시간 축을 맞추기 위하여 계측된 파랑 에너지의 최소 간격인 30분을 기준으로 하였으며, Fig.

성능/효과

원시 데이터셋을 기반으로 Feature Engineering을 통해 머신러닝 모델에 적합한 Feature를 도출하고 데이터 전처리와 거친 데이터를 기반으로 머신러닝의 여러 모델에 학습시켜 스코어가 높은 모델을 선정하였다. 그 결과, RNN의 확장형인 LSTM 알고리즘이 예측 정확도가 높은 모델임을 확인하였고, 정확도와 정밀도는 각각 88%, 85%로 나타났다. 본 연구를 통해, 파력발전기의 발전량과 고장 등에 밀접한 관계가 있는 OWC의 압력을 예측함으로 운영의 효율화를 기대할 수 있었고, 파력발전 시스템의 디지털 트윈으로 스마트 운용에 필요한 머신러닝 기술의 유효성을 확인할 수 있었다.
그 결과, RNN의 확장형인 LSTM 알고리즘이 예측 정확도가 높은 모델임을 확인하였고, 정확도와 정밀도는 각각 88%, 85%로 나타났다. 본 연구를 통해, 파력발전기의 발전량과 고장 등에 밀접한 관계가 있는 OWC의 압력을 예측함으로 운영의 효율화를 기대할 수 있었고, 파력발전 시스템의 디지털 트윈으로 스마트 운용에 필요한 머신러닝 기술의 유효성을 확인할 수 있었다.
비지도 학습은 입력 데이터만을 가지는 레이블이 없는 데이터(unlabeled data)를 이용하여 학습법으로 입력 데이터의 특성을 이용하여 비슷한 특성을 가진 데이터들끼리 무리 짓는 군집화(clustering)가 대표적이다. 본 연구의 압력 예측은 연속적인 입력 데이터에 대해 연속적인 출력 데이터를 추론하는 회귀분석 알고리즘에 적합하다 할 수 있다. 대표적인 회귀분석 알고리즘으로는 LR(Linear Regression), SVR(Support Vector Regression), Ensemble methods, RT(Regression Tree), NN(Neural Networks), DL(Deep Learning) 등이 있고 딥러닝로 많이 활용되는 알고리즘으로는 CNN(Convolutional Neural Networks), RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory) 등이 있다[14-16].
5는 48시간 동안 1초 단위의 OWC와 발전기의 상관관계 분석결과를 보여준다. 분석결과 OWC의 압력과 전력량 등의 발전기 데이터들과는 높은 양의 상관관계를 가짐을 볼 수 있다. 따라서 OWC 압력이 파력발전기의 운영을 위해서 매우 주요한 변수임을 추측할 수 있어 머신러닝을 활용한 OWC의 미래 데이터 예측이 파력발전기를 운영하는데 있어 매우 중요하다고 볼 수 있다.
6은 48시간 동안 30분 단위의 분석을 수행하였다. 지리적으로 떨어져 있는 파고 센서와 파력발전소의 영향을 분석하기 위하여 SWAN모델을 활용하였고, 분석결과 30분이라는 다소 긴 시간에도 불구하고 1km라는 거리로 인한 시간 지연과 편차로 인하여 이를 활용하기는 어려운 것으로 판단되었다.
16은 머신러닝 학습 및 평가의 결과를 실시간으로 제공하는 그림으로 사용자가 결과를 다양한 관점에서 검토할 수 있도록 해주었다.학습결과 RNN을 확장/개선한 LSTM 모델의 정확도(Accuracy)는 88%로 가장 높았으며, 학습에 활용되지 않은 테스트 데이터셋을 압력에너지 예측에 활용했을 때의 정밀도(Precision)는 81% 수준으로 나타났다. 결과에서 정확도는 모델이 데이터를 얼마나 정확하게 분류했는지의 지표이다.

후속연구

본 연구에서는 IoT 센서로부터 충분한 데이터가 확보되지 않아 기술적용의 타당성 연구로 일부 제한되었다. 향후에는 OWC 파력발전기의 스마트 운용 및 유지보수를 위한 정확성을 높인 예측분석 모델 설계와 실시간의 대규모 데이터 분석 연구가 추가적으로 요구된다.
향후에는 OWC 파력발전기의 스마트 운용 및 유지보수를 위한 정확성을 높인 예측분석 모델 설계와 실시간의 대규모 데이터 분석 연구가 추가적으로 요구된다. 특히 입력 벡터 수의 증가와 이에 따른 학습 및 분석 소요시간의 급격한 증가 문제가 예상되기 때문에 이에 따른 머신러닝 기반의 OWC 압력 예측모델 고도화, 딥러닝 모델의 하이퍼파라미터(hyperparameter) 튜닝으로 정확성 향상 연구와 실시간 대규모 센서 데이터 처리를 위한 분산/병렬 기반의 학습 환경에 대한 후속연구가 필요하다.
본 연구에서는 IoT 센서로부터 충분한 데이터가 확보되지 않아 기술적용의 타당성 연구로 일부 제한되었다. 향후에는 OWC 파력발전기의 스마트 운용 및 유지보수를 위한 정확성을 높인 예측분석 모델 설계와 실시간의 대규모 데이터 분석 연구가 추가적으로 요구된다. 특히 입력 벡터 수의 증가와 이에 따른 학습 및 분석 소요시간의 급격한 증가 문제가 예상되기 때문에 이에 따른 머신러닝 기반의 OWC 압력 예측모델 고도화, 딥러닝 모델의 하이퍼파라미터(hyperparameter) 튜닝으로 정확성 향상 연구와 실시간 대규모 센서 데이터 처리를 위한 분산/병렬 기반의 학습 환경에 대한 후속연구가 필요하다.

참고문헌 (19)

H. S. Lee, J. S. Oh, "Study of Power Output Characteristics of Wave Energy Conversion System According to Turbine Installation Method Combined with Breakwater", Journal of Ocean Engineering and Technology, Vol.29, No.4, pp.317-321, Aug. 2015. DOI: http://dx.doi.org/10.5574/KSOE.2015.29.4.317

원문보기 상세보기
J. S. Kim, J. Y. Park, J. S. Choi, S. H. Shin, "Analysis of Wave Energy Resource in the West Sea of Jeju based on Wave Observation Data", Journal of the Korean Society for Marine Environment & Energy, Vol.23, No.1, pp.37-46, Feb. 2020. DOI: https://doi.org/10.7846/JKOSMEE.2020.23.1.37

상세보기
K. H. Lee, J. H. Lee, I. H. Jeong, D. S. Kim, "3-Dimensional numerical analysis of air flow inside OWC type WEC equipped with channel of seawater exchange and wave characteristics around its structure (in case of regular waves)", Journal of Korean Society of Coastal and Ocean Engineers, Vol.30, No.6, pp.242-252, Dec. 2018. DOI: https://doi.org/10.9765/KSCOE.2018.30.6.253

원문보기 상세보기
M. Kharati-Koopaee, A. Fathi-Kelestani, "Assessment of oscillating water column performance: Influence of wave steepness at various chamber lengths and bottom slopes", Renewable Energy, Vol.147, pp.1595-1608, Mar. 2020. DOI: https://doi.org/10.1016/j.renene.2019.09.110

상세보기
R. Cascajo, E. Garcia, E. Quiles, A. Correcher, F. Morant, "Integration of marine wave energy converters into seaports: a case study in the Port of Valencia", Energies, Vol.12, No.5, pp.787. Feb. 2019. DOI: https://doi.org/10.3390/en12050787

상세보기
Y. Cui, Z. Liu, X. Zhang, C. Xu, "Review of CFD studies on axial-flow self-rectifying turbines for OWC wave energy conversion", Ocean Engineering, Vol.175, pp.80-102, Feb. 2019. DOI: http://dx.doi.org/10.1016/j.oceaneng.2019.01.040

상세보기
C. Roh, K. H. Kim, J. H. Kim, K. Y. Hong, "A Comparison of PWM methods for Power Converter of OWC Wave Power Generation System", Journal of Korean Society for Marine Environment & Energy, Vol.22, No.2, pp.84-94, May. 2019 DOI: https://doi.org/10.7846/jkosmee.2019.22.2.84

상세보기
S. Park, KH Kim, B. W. Nam, JS Kim, K. Hong. "A Study on the Performance Evaluation of the OWC WEC Applicable to Breakwaters using CFD", J. of the Korean Society for Marine Environment & Energy, Vol.21, No.4, pp.317-327, Nov. 2018. DOI: https://doi.org/10.7846/JKOSMEE.2018.21.4.317

상세보기
H. A. Abdelhafez, A. Amer. "The Challenges of Big Data Visual Analytics and Recent Platforms", World of Computer Science & Information Technology Journal, Vol.9, No.6, pp.28-33, 2019.
A. Fillbrunn, C. Dietz, J. Pfeuffer, R. Rahn, G. A. Landrum, M. R. Berthold, "KNIME for reproducible cross-domain analysis of life science data", Journal of Biotechnology, Vol.261, pp.149-156. Nov. 2017. DOI: http://dx.doi.org/10.1016/j.jbiotec.2017.07.028

상세보기
S. Bonthu, K. H. Bindu, "Review of Leading Data Analytics Tools", International Journal of Engineering & Technology, Vol.7, No.3.31, pp.10-15, 2018. DOI: http://dx.doi.org/10.14419/ijet.v7i3.31.18190
Y. G. Kim, K. I. Moon, "Clustering of Smart Meter Big Data Based on KNIME Analytic Platform. The Journal of The Institute of Internet", Broadcasting and Communication, Vol.20, No.2, pp.13-20, Apr. 2020. DOI: https://doi.org/10.7236/JIIBC.2020.20.2.13

원문보기 상세보기
Datasolution. Predictive analysis solution, KNIME Analytics Platform [Internet], c2016 [cited 2016], Available From: http://www.datasolution.kr (accessed Aug. 10, 2020)
P. L. Bartlett, P. M. Long, G. Lugosi, A. Tsigler, "Benign overfitting in linear regression", Proceedings of the National Academy of Sciences, March 2020. DOI: https://doi.org/10.1073/pnas.1907378117

상세보기
M. Sevkli, A. Z. Sevkli, O. Cosgun, "Comparison of Data Mining and Mathematical Models for Estimating Fuel Consumption of Passenger Vehicles", MWAIS 2019 Proceedings, 34, 2019.
D. Qin, J. Yu, G. Zou, R. Yong, Q. Zhao, B. Zhang, "A Novel Combined Prediction Scheme Based on CNN and LSTM for Urban PM2.5 Concentration", IEEE Access, 7, 20050-20059, Feb. 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2897028

상세보기
S. Thapa, Z. Zhao, B. Li, L. Lu, D. Fu, X. Shi, B. Tang, H. Qi, "Snowmelt-Driven Streamflow Prediction Using Machine Learning Techniques (LSTM, NARX, GPR, and SVR)", Water, Vol.12, No.6, pp.1734, Feb. 2020. DOI: http://dx.doi.org/10.3390/w12061734

상세보기
Y. Duan, L. V. Yisheng, F. Y. Wang, "Travel time prediction with LSTM neural network", 2016 ITSC, IEEE, Rio de Janeiro, Brazil, pp.1053-1058, Nov. 2018. DOI: http://dx.doi.org/10.1109/ITSC.2016.7795686
X. Song, Y. Liu, L. Xue, J. Wang, J. Zhang, J. Wang, Z. Cheng, "Time-series well performance prediction based on Long Short-Term Memory (LSTM) neural network model", Journal of Petroleum Science and Engineering, 186, 106682. 2020 DOI: http://dx.doi.org/10.1016/j.petrol.2019.106682

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