저전력 MCU 기반의 NNoM을 활용한 경량화 딥러닝 모델 구축과 배터리 상태와 환경 예측을 통한 스마트 조명 시스템 개발
Development of a smart lighting system using a lightweight deep learning model based on low-power MCU and NNoM for battery state and environmental prediction
- 주제(키워드) 저전력 MCU , 임베디드 , 다중분류 , 경량화 , NNoM , CNN , RNN , 재생에너지
- 주제(DDC) 621
- 발행기관 아주대학교 IT융합대학원
- 지도교수 김영진
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 IT융합대학원 IT융합공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000033985
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
옥외 조명은 야간의 안전한 환경 조성을 위한 요소로 20세기에 이르러 중요하게 여겨져 왔다. 이후 서양에서 범죄감소를 목적으로 조명개선 사업과 함께 야외 조명의 효과에 대한 분석 연구가 1960년대부터 진행되어 왔다. 현대에 이르러서는 조명과 예술적인 연출을 통해 도시 이미지 개선을 위한 연구가 진행되고 있다. 이에 전 세계적으로 옥외 조명 설치가 증가 하고 있음에도 불구하고 조명이 필요한 곳에 설치를 못하는 현실적 문제가 있다. 인적이 드문 지역, 외진 곳, 인구 밀도가 낮은 곳, 오지 등에서 현실적인 비용 문제와 전력망 인프라 구축 문제로 설치가 미뤄지고 있는 상황이다. 또한, 전력망 인프라 구축에 대한 국가적 정책이 변화하고 있는 상황이다. 기후 대응을 위해 150여 개국이 탄소중립을 선언하며 국가별 정책 전환에 대한 논의가 진행 중 이다. 이를 실천하고자 국내의 경우 재생에너지를 활용해 조명 시스템을 운영하여 탄소중립에 대응하고 있으나 재생에너지의 날씨의 영향으로 조명 시스템의 작동 시간 문제가 발생되고 있다. 날씨와 계절에 영향을 크게 받는 재생에너지 조명 시스템은 안전한 환경을 보장하지 못하여 야간 보행, 도로 이용 등의 제약 및 안전 위협을 준다. 본 논문에서는 인적이 드문 지역, 외진 곳, 전력망 설치가 어려운 곳에 설치가 쉽도록 친환경 재생에너지를 활용한 '친환경 독립 재생에너지 조명 시스템'을 개발하고자 한다. 이에 재생에너지를 활용한 탄소중립 기여하고 인공지능을 활용한 독립형 전력분배를 통해 기존 제품 대비 작동 시간을 향상시키고자 한다. 재생에너지를 활용해 어디든 저비용으로 쉽게 설치가 가능하도록 하며, 인공지능을 탑재하여 저전력 MCU 기반의 딥러닝 경량화 모델링을 통해 실시간 배터리 상태 및 주변 환경을 예측하고 배터리 용량 분배 및 광원 출력을 조절하여 제품의 작동 시간을 극대화하여 기존의 작동 시간 문제를 개선한 실용성 있는 기술을 제안하고자 한다.
more목차
1. 서론 1
2. 관련 연구 3
2.1. 조명이 범죄 예방에 미치는 영향 및 야외 보행이 불안한 이유 3
2.2. 전력 공급망 인프라 구축의 현실적ㆍ물리적 제약 4
2.3. 재생에너지 활용성 향상을 위한 저전력 MCU기반 딥러닝 모델링 5
3. 연구 동기 및 기여 9
3.1. 재생에너지를 활용한 조명 시스템의 작동 시간 문제 9
3.2. 친환경 독립 재생에너지 조명 시스템의 작동 시간 극대화 10
4. 제안 기법 11
4.1. 재생에너지 활용한 환경 예측 11
4.1.1. 재생에너지 활용한 제품 제작 11
4.1.2. 한국 일출ㆍ일몰 시간 파악 13
4.1.3. 딥러닝 Dataset 구조 14
4.2. NNoM 프레임워크를 활용한 다중분류 18
4.2.1. NNoM 프레임워크를 활용한 다중분류 예측 구조 18
4.2.2. 배터리 수명 및 계절에 따른 클래스 구분 19
4.3. 배터리 상태에 따른 에너지 소모 조절 20
4.3.1. 배터리 용량별 에너지 출력 조절의 필요성 20
4.3.2. KS 조도 기준에 부합한 출력 조절 21
5. 실험 및 결과 22
5.1 실험 환경 구축 22
5.1.1. 재생에너지 데이터 수집 환경 구축 22
5.1.2. 딥러닝 다중분류 예측 검증 환경 구축 23
5.1.3. 조도 측정 검증 환경 구축 24
5.2. 실험 결과 25
5.2.1. 태양광 패널을 활용한 일출ㆍ일몰 데이터 25
5.2.2. 저전력 MCU 모델 예측 정확도 및 모델링 속도 분석 데이터 27
5.2.3. PWM 출력별 조명 조도 측정 데이터 34
5.2.4. 다중분류 예측을 통한 에너지 출력 소모 결과 데이터 36
6. 결론 40
참고문헌 41
Abstract 42
