초록 ▼

Ⅳ. 연구개발결과
1. 철도 차랑별 전력 DB 스키마 구축 및 상태기반 영향 분석
열차 전력 소모 및 효율 예측 모델을 구축함으로써 에너지 절감 운행방법을 도출할 뿐만 아니라 효율적인 관리 지원이 필요하다. 주요노선 차량별 전력 DB, 차량데이터 DB, 선로데이터 DB, 운행데이터 DB를 통해 차량별 전력 DB 스키마를 구축하였다. 또한, 차량 속도에 따른 전압 및 전류 데이터 처리하였으며, 전력 상태기반 영향 분석과 전력 소비 증가/감소 요소별 분석을 시행하였다.

2. 강화학습용 열차제어 및 전력소비 예측

Ⅳ. 연구개발결과
1. 철도 차랑별 전력 DB 스키마 구축 및 상태기반 영향 분석
열차 전력 소모 및 효율 예측 모델을 구축함으로써 에너지 절감 운행방법을 도출할 뿐만 아니라 효율적인 관리 지원이 필요하다. 주요노선 차량별 전력 DB, 차량데이터 DB, 선로데이터 DB, 운행데이터 DB를 통해 차량별 전력 DB 스키마를 구축하였다. 또한, 차량 속도에 따른 전압 및 전류 데이터 처리하였으며, 전력 상태기반 영향 분석과 전력 소비 증가/감소 요소별 분석을 시행하였다.

2. 강화학습용 열차제어 및 전력소비 예측 시뮬레이터 제작
시뮬레이터 구축, 시뮬레이션 결과와 실측치 비교를 통한 검증이 필요하다. 시뮬레이션을 수행하며 측정된 전력소비 모델과 실측치 비교를 통하여 검증하여 평균 2%오차, 최대 5% 오차를 내었다. 또한, 강화학습 속도 개선을 위해 다중 제어명령 및 상태 전송과 타임태그 추가를 통한 가상 시간 시뮬레이션으로 시뮬레이션 시간 1/20로 단축하였다.

3. 강화학습 최적구조 도출
열차자동운행에 적합한 강화학습 구조 도출 및 테스트 베드 검증이 필요하다. 이를 위하여 Random Delay 보상을 위한 DCAC에서의 partial trajectory resampling 기법에 대한 연구를 이루었다. 또한, 범용 성능 검증 플랫폼(MuJoCo-Swimmer)에 Random Delay를 반영하기 위한 Wrapper 구현하였다.

(출처 : 요약문 9p)

Abstract ▼

Ⅳ. Results
1. Construction of electric power DB schema for each railroad vehicle and analysis of state-based impact
By establishing a train power consumption and efficiency prediction model, it is necessary not only to derive an energy-saving operation method, but also to support efficient man

Ⅳ. Results
1. Construction of electric power DB schema for each railroad vehicle and analysis of state-based impact
By establishing a train power consumption and efficiency prediction model, it is necessary not only to derive an energy-saving operation method, but also to support efficient management. The electric power DB schema for each vehicle was constructed through the main route vehicle-specific power DB, vehicle data DB, track data DB, and operation data DB. In addition, voltage and current data according to vehicle speed were processed, and power state-based influence analysis and power consumption increase/decrease factors were analyzed.

2. Train control and power consumption prediction simulator for reinforcement learning
It is necessary to build a simulator and verify it by comparing simulation results with actual values. The simulation was performed and verified by comparing the measured power consumption model with the actual value, resulting in an average error of 2% and a maximum error of 5%. In addition, in order to improve the speed of reinforcement learning, the simulation time was reduced to 1/20 through virtual time simulation through transmission of multiple control commands and status and addition of time tags.

3. Deriving the optimal structure for reinforcement learning
It is necessary to derive a reinforcement learning structure suitable for automatic train operation and verify the test bed. To this end, a study was conducted on the partial trajectory resampling technique in DCAC for random delay compensation. In addition, a wrapper was implemented to reflect the random delay in the general-purpose performance verification platform (MuJoCo-Swimmer).

(source : SUMMARY 11p)

목차 Contents

• 표지 ... 1
• 제 출 문 ... 6
• 보고서 요약서 ... 7
• 요 약 문 ... 8
• SUMMARY ... 10
• Contents ... 13
• 목차 ... 14
• 표목차 ... 15
• 그림목차 ... 18
• 제1장 연구개발과제의 개요 ... 23
• 제1절 연구개발 배경 ... 25
• 제2절 연구개발 목표 및 내용 ... 28
• 제2장 국내외 기술개발 현황 ... 31
• 제1절 기술개발 동향 ... 33
• 제2절 연구개발 현황 ... 39
• 제3장 연구개발 수행 내용 및 결과 ... 47
• 제1절 철도 차량별 전력 DB 스키마 구축 및 상태기반 영향 분석 ... 49
• 제2절 강화학습용 열차제어 및 전력소비 예측 시뮬레이터 제작 ... 97
• 제3절 강화학습 최적구조 도출 ... 137
• 제4장 목표 달성도 및 관련 분야 기여도 ... 163
• 제1절 목표 달성도 ... 165
• 제2절 관련 분야 기여도 ... 171
• 제5장 연구개발 결과의 활용 계획 ... 172
• 제1절 활용성 및 파급효과 ... 174
• 제2절 기대효과 ... 175
• 참고문헌 ... 177
• 끝페이지 ... 178