지식의 분포와 흐름, 진화과정을 추적하고 해석하는 시스템
인포리언스는 대용량의 문서 세트에 포함된 “지식의 분포와 흐름, 진화과정을 추적하고 해석하는 시스템 (가칭:ShadowKernel)”을 개발하고 있습니다.
ShadowKernel은 다음과 같은 기능을 탑재하고 있습니다.
- 지식의 구성과 흐름을 시각화
- 특수한 흐름이 나타난 부분에 대한 해석을 자동 추출
- 분석한 내용을 바탕으로 사용자의 질문에 응답
본 글은 ShadowKernel을 활용하여 작성하였습니다.
태양광 에너지 발전량을 연구하는 모습의 상상도 (ChatGPT 생성)
태양광 에너지 분야의 세부 연구 주제
태양광 에너지 분야의 논문들을 모아 15개의 세부 주제로 묶어 본 결과는 다음과 같습니다.
- 0: “나노물질과 반도체의 전자 구조” – 이 주제는 전자 구조, 필드 이펙트, 전송 전자 현미경, 나노클러스터 등에 대한 논문들을 다룹니다. 여기에 속한 논문들은 전자 구조에 초점을 맞추고, 이를 통해 나노물질과 반도체의 전도도를 향상시킬 potential application를 모색합니다.
- 1: “고효율 태양전지 개발” – 이 주제는 효율적인 태양전지(pscs)생산에 사용되는 인공물질과 기술들에 대한 논문들로 구성되어 있습니다. 고품질의 Perovskite를 사용한 효율적인 광전지의 개발을 주요 목표로 하고 있습니다.
- 2: “필름 기반 태양에너지 수확” – 이 주제는 필름 성장, 태양에너지 전지 소재 개발, Chemical Vapor Deposition 등에 관련된 논문들을 포함합니다. 이들은 필름의 결정질을 강화하고, 높은 효율의 태양에너지 전지를 생성하기 위해 광전화학을 사용합니다.
- 3: “유기 태양 에너지: 효율성 향상 전략” – 이 주제는 기반 OSCs, non-fullerene 수용체를 사용한 충전 전송, 효율적인 광전지 등에 대한 논문들로 구성되어 있습니다. 이 논문들은 유기 태양 에너지의 개선된 효율성을 목표로 합니다.
- 4: “재생 에너지와 태양 광 발전” – 이 주제는 재생 가능 에너지 출처(특히 태양 에너지)와 그들의 애플리케이션을 다루는 주제와 관련이 있습니다. 논문들의 주요 내용은 태양광 발전과 그 효율을 향상시키는 방법에 초점을 맞추고 있습니다.
- 5: “태양빛을 이용한 수소 에너지 전환” – 이 주제는 태양빛을 사용한 활성 사이트, 전체 반응, 및 광촉매 및 광전기화학 적용을 통한 향상된 수소 에너지 전환에 대한 논문들을 다룹니다.
- 6: “고효율 이차전지의 개발” – 이 주제는 원자층 증착, ZnO AL, Chemical Vapor Deposition 같은 기술을 사용하여 이차전지의 효율성을 향상시킬 방법에 대해 논의하는 논문들로 구성되어 있습니다.
- 7: “폴리머 태양전지” -이 주제는 receptors and donors, PEDOT PS 등에 관한 처리 방법론과 함께 폴리머 태양 전지의 중요성을 탐구하는 논문들입니다.
- 8: “나노입자를 이용한 태양전지 개선”- 이 주제는 fullerene 태양전지와 골드 나노입자와 같은 물질을 사용하여 효율적인 태양 전지를 개발하는 방법에 대한 논문들로 구성되어 있습니다.
- 9: “고품질의 Perovskite 태양전지” – 이 주제는 단결정 형태의 하이브리드 Perovskite의 충전 전송과 태양 전지의 효율적인 운용에 대해 탐구하는 논문들을 다룹니다.
- 10: “fullerene 기반 태양전지 설계” -이 주제는 필드 이펙트, donor receptors 등을 포함하는 여러 물질 및 기술을 사용하여 fullerene 기반의 태양 전지를 설계하고 향상시키는 방법에 대한 논문들로 구성되어 있습니다.
- 11: “나노구조를 통한 태양전지 효율 향상” – 이 주제는 충전 전송, 필드 이펙트, donor receptors 등을 사용하여 광전지나 fullerene의 효율성을 향상시키는 방법에 대한 논문들로 구성되어 있습니다.
- 12: “유기 염료 민감형 태양전지” – 이 주제는 새로운 유기 염료, Cyclopentadithiophene 등을 활용하여 기존의 태양전지보다 효율적인 염료 민감형 태양전지를 개발하는 논문들로 구성되어 있습니다.
- 13: “실리콘 기반 태양전지의 개선” – 이 주제는 실리콘 필름, Passivation layer, 플래티넘 나노 입자의 활용 등을 통한 실리콘 기반 태양전지의 성능 향상에 초점을 맞춘 논문들로 구성되어 있습니다.
- 14: “유기 풀러렌 광전지의 효율성 향상” – 이 주제는 유기 fullerene 광전자의 충전 전송, donor receptors, 전자-홀 쌍, fullerene 광 전지 등을 활용하여 광 전지의 효율성을 향상시키려는 논문들로 구성되어 있습니다.
Deep learning의 비중이 커진다.
위의 그림은 2010년부터 최근까지 태양광 에너지의 전체 분야에서 deep learning이 차지하는 비중이 점점 커지고 있음을 보여줍니다.
그러나 모든 세부 주제에서 비중이 커진 것은 아니다.
위의 그림은 15개 세부 분야에서의 비중을 보여줍니다. 이 그림을 보면, 태양광 에너지의 모든 세부 주제에서 deep learning의 비중이 골고루 커진 것이 아니라, 특정 세부 주제에서만 눈에 띄게 커졌음을 보여주고 있습니다.
Deep learning의 비중이 커진 세부 주제의 번호는 4이고 해당 세부 주제의 주요 키워드들은 [‘solar photovoltaic’, ‘renewable energy’, ‘dc dc’, ‘photovoltaic power generation’, ‘integrated photovoltaic bipv’, ‘photovoltaic renewable’, ‘renewable solar’, ‘electric renewables’]입니다. 위에서 언급했듯이, 이 세부 주제는 재생 가능 에너지 출처(특히 태양 에너지)와 그들의 애플리케이션을 다루는 주제와 관련이 있습니다. 논문들의 주요 내용은 태양광 발전과 그 효율을 향상시키는 방법에 초점을 맞추고 있습니다.
Deep learning의 활용 패턴
Deep learning의 비중이 커진 세부 주제에서 보여주고 있는 deep learning 접근 방법들은 다음과 같습니다.
2018년에는 선형 확률 신호 모델, 신경망, 그리고 deep learning 네트워크를 사용하여 수행된 예측 연구가 Science Robotics와 Machine Learning 저널에 발표되었습니다.
2019년, 단기 태양광 발전량을 예측하기 위한 하이브리드 앙상블 deep learning 프레임워크가 제안되었습니다. 이 프레임워크는 딥러닝과 강화학습을 결합하여 건물 에너지 관리 시스템의 스케줄 최적화를 온라인으로 수행합니다.
2020년에는 deep learning 기반의 Long Short-Term Memory(LSTM)을 사용하여 하루치 전기구매를 줄이기 위해 태양광 발전 예측 프로필을 사용한 최적화 연구가 이루어졌습니다. 본 연구에서는 deep learning PV 발전 예측 모델을 제안합니다.
2021년, 글로벌 수평 일사량(GHIS)을 1시간 앞서 예측하기 위한 deep learning 기반 하이브리드 방법이 도입되었습니다. 이 방법은 딥 타임 시리즈 클러스터링을 기반으로 합니다.
2022년에는 시간 단위 예측을 위한 하이브리드 deep learning 방법(SSA-RNN-LSTM)이 제안되었습니다. 이는 3D-GIS와 deep learning을 통합하여 접근하는 새로운 방식입니다.
이러한 연구들은 deep learning이 태양광 발전 예측, 에너지 관리 최적화, 그리고 에너지 시스템 전반에 있어 중요한 역할을 할 수 있음을 보여줍니다. 다양한 모델과 프레임워크가 제안되었으며, 이들은 에너지 예측의 정확성과 효율성을 크게 개선할 잠재력을 가지고 있습니다.
참고문헌
2018
2019
2020
2021
2022
답글 남기기