머신 러닝을 활용한 무선전력전송 코어 및 턴 수 최적 설계 연구 = Optimal Core and Number of Coil Turns Design for Wireless Power Transfer based on Machine Learning

국문 초록 (Abstract)

본 논문에서는 강화학습(RL; Reinforcement Learning)을 통해 도출할 수 있는 무선 전력 전송(WPT; Wireless Power Transfer) 시스템에 적용할 수 있는 코어 구조와 전력 효율을 극대화할 수 있는 최적 코일 턴 수를 찾는 방법론을 제안한다. 무선전력전송 시스템의 경우 시스템 특유의 비선형성으로 인하여 송수신기간의 최적 상호 인덕턴스값을 이론적으로 찾는 것은 사실상 불가능하기 때문에 일반적으로는 유한요소법(FEM; Finite Element Method) 해석에 기반하여 직관적이고 반복적인 프로세스를 구현한다. 하지만 기존의 이러한 방식은 수많은 조합의 존재 가능성과 많은 계산 시간을 필요로 한다는 점에서 선호되지 않는다. 이러한 이유로 인해 비선형적인 시스템을 모델링하고 시뮬레이션하는데 있어서 머신 러닝(ML; Machine Learning)을 적용하는 연구가 각광받고 있다. 머신 러닝을 활용한다면 이론적 해석이 불가능한 모델을 컴퓨터 시뮬레이션을 활용하여 계산할 경우 사람이 직접 계산하는 것보다 더욱 효과적으로 계산할 수 있다는 장점과 더불어 소요 시간을 획기적으로 줄여준다는 장점 또한 가질 수 있다. 제안한 머신 러닝 알고리즘은 머신 러닝 중 강화학습을 활용하여 무선 전기자동차용 IPT에 대해 높은 비정렬 조건에서도 높은 상호 인덕턴스를 갖는 코어를 설계할 수 있음과 동시에 모든 송수신부의 코일 턴 수 조합을 비교하지 않아도 최대 전력 효율을 도출하여 계산 시간을 최소화할 수 있다. 제안한 RL 알고리즘은 기존 존재하던 RL 알고리즘 대비 제안한 RL 알고리즘은 더 적은 에피소드 수로 더 높은 상호 인덕턴스 및 전력 효율을 도출해낼 수 있으며 최대 50%의 계산 시간 단축과 약 2%의 상호 인덕턴스 향상, 그리고 최대 20% 이내의 코일 턴 조합 수에서 최대 전력 효율에 도달하는 결과를 달성하였다. 제안한 알고리즘을 통해 실제 WPT3/Z3 케이스의 자동차 공학회 표준 SAE J2954를 만족하는 WEV IPT 시스템의 프로토타입을 설계 및 제작하였고, 원하는 코어 수를 고려하여 합리적인 비용과 차량 어셈블리의 무게로 제작 가능함을 보여주었다.

목차 (Table of Contents)

• 그림 차례 ⅲ
• 표 차례 ⅴ
• 국문 요지 ⅵ
• 제 1 장 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 내용 및 논문 구성 5
• 제 2 장 머신 러닝 적용 필요성 6
• 2.1 머신 러닝 개요 6
• 2.2 머신 러닝 적용 근거 및 이점 8
• 2.3 강화학습 알고리즘 기본 원리 12
• 제 3 장 제안하는 머신 러닝 기반 알고리즘과 FEM 시뮬레이션 검증 18
• 3.1 FEM 시뮬레이션 모델 정의 18
• 3.2 제안하는 머신 러닝 기반 알고리즘 24
• 3.3 알고리즘 튜닝 30
• 3.4 알고리즘 시뮬레이션 결과 41
• 제 4 장 제안하는 머신 러닝 기반 알고리즘의 실험 모델을 통한 검증 54
• 4.1 제안하는 코어 선택 알고리즘 성능 검증 54
• 4.2 제안하는 코일 턴 수 선택 알고리즘 성능 검증 61
• 제 5장 결론 66
• 참고 문헌 68
• ABSTRACT 72
• 연구 실적 목록 74
• 감사의 글 76