방향성 과전류 계전기(DOCRs)의 협조(coordination)는 현대 전력 보호 시스템의 신뢰성과 견고성을 확보하는 데 핵심적인 역할을 한다. 다중 루프 전력 네트워크에서 최적의 계전기 협조를 달성하는 일은 계전기 동작 시간을 최소화하고, DG 통합의 영향을 고려하면서 time dial settings(TDS)와 plug settings(PS)를 최적 조정하는 것을 동시에 요구하는 복잡한 최적화 문제이다. 제안된 방법은 Quantum-Inspired Adaptive Walrus Optimization Algorithm(QIAWOA)을 사용하며, 이는 양자 영감 원리의 비율을 반영하도록 수정된 군집 기반 인공지능(AI) 기법으로서, 적응형 양자 회전 게이트(adaptive quantum rotation gates)와 같은 원리를 통합하여 탐색 동역학을 향상시키고 정밀한 계전기 협조를 용이하게 한다. QIAWOA의 성능은 IEEE 3, 8, 15-bus 시스템과, 다중모달 및 다목적 최적화 함수(MMOOF)를 포함하는 CEC 2020 벤치마크 스위트를 사용하여 검증된다. QIAWOA는 전역 최적해를 식별하는 데 있어 우수한 능력을 보이며, 계전기 동작 시간을 유의미하게 감소시키고 견고한 협조를 달성한다. 경험적 누적분포함수(CDF), 박스플롯, 히스토그램, 확률 플롯, 분위수-분위수(quantile–quantile, QQ) 플롯을 포함한 종합적인 통계 분석은 제안 방법의 신뢰성과 효율성을 뒷받침한다. 최첨단 자연 영감 기법들과의 비교 평가는 QIAWOA의 향상된 성능을 추가로 강조하며, 이를 복잡한 전력 네트워크에서 보호 시스템 성능을 개선하기 위한 강력한 도구로 자리매김한다.

능동 현가 시스템은 도로 교란 하에서 차량의 승차감과 주행 안정성을 향상시키는 데 핵심적이다. 그러나 이러한 시스템에서 고급 제어기의 매개변수를 튜닝하는 일은 차량 동역학의 비선형성으로 인해 여전히 복잡한 과제로 남아 있다. 본 연구는 사륜(quarter car) 능동 현가 모델의 제어를 두 가지 고급 제어기 구조—여과기를 포함한 비례적분미분(Proportional-Integral-Derivative with filter, PIDN)과 하이브리드 분수차 PI plus PD(Fractional Order PI plus PD, FOPI + FOPD) 제어기—를 사용하여 조사한다. 제어기 성능을 향상시키기 위해 최근 제안된 여섯 가지 메타휴리스틱 알고리즘—교육 경쟁 최적화(Educational Competition Optimizer, ECO), 이스케이프 최적화 알고리즘(Escape Optimization Algorithm, ESC), 파타 모르가나 알고리즘(Fata Morgana Algorithm, FATA), 제이슨 힐링 최적화(Jason Healing Optimization, JHO), 메모리, 진화적 연산자 및 국소 탐색 기반 개선 그레이 울프 최적화(Memory, Evolutionary Operator and Local Search Based Improved Grey Wolf Optimizer, MELGWO), 그리고 성게(Starfish) 최적화 알고리즘(Starfish Optimization Algorithm, SFOA)—을 매개변수 튜닝에 적용한다. MATLAB/Simulink 환경에서 수행한 시뮬레이션 결과는 ESC로 최적화된 FOPI + FOPD 제어기가 진동 억제에 있어 가장 효과적이며, 피크 오버슈트, 정착 시간, 제어 안정성 측면에서 기존 제어 및 퍼지 로직 기반 접근법을 유의미하게 능가함을 보여준다. 이러한 결과는 지능형 현가 시스템 설계를 위해 강건한 최적화 기법과 함께 적절한 제어기 구조를 선택하는 것의 중요성을 강조한다.

방향성 과전류 계전기(DOCRs)의 적절한 협조(coordination)는 전력 시스템에서 매우 중요하다. 다중 루프 전력 시스템에서의 DOCR 협조는 최적화 문제로 표현된다. 본 연구의 목적은 주(主) 및 예비(backup) DOCRs와의 효과적인 협조를 통해 DOCRs의 총 동작 시간을 최소화함으로써 보호 시스템의 성능을 향상시키되, 협조 제약 조건을 허용 범위 내에 유지하는 데 있다. DOCRs의 협조 문제는 Fractional Order Derivative Moth Flame Optimizer(FODMFO)라는 새로운 적용 전략을 개발하여 해결한다. 이 접근법은 기존 나방-불꽃 알고리즘의 수학적 모델에 분수미적분(fractional calculus, FC)의 개념을 통합하여 최적화 기법의 특성을 개선하는 것을 포함한다. 이후 FODMFO 접근법은 표준 전력 시스템에서의 DOCRs 협조 문제, 특히 IEEE 3, 8, 15 버스 시스템과 단일봉(unimodal) 및 다중봉(multimodal) 함수를 포함한 11개의 벤치마크 함수에 대해 시험한다. 제안된 방법으로부터 얻은 결과와 최근 개발된 다른 알고리즘과의 비교 결과는 FOD와 MFO의 결합이, 각 도구의 개별 강점을 활용하고 전역 최적해를 식별함으로써 최적화 기법의 전반적 효율을 향상시키며, DOCRs의 총 동작 시간을 최적 값까지 최소화함을 보여준다. 상자-그림(box-plot), 히스토그램, 경험적 누적분포함수(empirical cumulative distribution function) 시연, 그리고 각 구분된 시뮬레이션에서 관찰되는 최소 적합도(fitness) 진화의 형태를 포함하는 철저한 통계 연구를 통해 FODMFO의 신뢰성, 강건성(strength), 그리고 의존가능성(dependability)이 지지된다. 이러한 자료에 근거할 때, FODMFO가 다른 현대적 자연 모사 기반 알고리즘 및 기존(전통적) 알고리즘을 능가함이 명백하다.

지구온난화와 화석연료 고갈의 맥락에서, 전기차(EV)는 탄소 배출과 화석연료 소비를 모두 줄이기 위한 수단으로서 점점 더 인기를 얻고 있다. 그러나 EV 보급의 확대와 함께 EV 충전 전력 수요가 증가함에 따라, 기존 발전소는 더 많은 연료를 필요로 하게 되고 탄소 배출이 증가한다. 이는 기후변화 완화 및 화석연료 의존도 감소를 위해 EV 도입을 촉진하려는 목표가 중대한 도전에 직면할 수 있음을 시사한다. 따라서 EV 충전소에 재생에너지 발전을 도입하여, 친환경적인 방식으로 EV 보급의 효과를 극대화할 필요가 있다. 본 논문은 EV 충전소를 위한 최적의 재생에너지 발전 시스템을 제안하는 것을 목적으로 하며, 특히 해당 정류장의 실제 부하 프로파일의 활용, 탄소 배출과 경제성 평가의 고려, 그리고 한국 내 특정 입지에 대한 사례 연구에 초점을 둔다. 사례 연구로서 한국의 한 EV 충전소를 선정하고, HOMER 소프트웨어를 활용하여 탄소 배출 및 경제성 평가를 비교하기 위해 재생에너지 비율(REF)을 0%, 25%, 50%, 75%, 100%로 고려하였다. 또한 입지의 기후 특성을 고려한 최적 운전 전략을 도출하기 위해 25% REF를 갖는 시스템을 분석하였다. 그 결과, 해당 부지의 기상 특성으로 인해 PV/ESS 시스템 구성이 PV, WT 및 ESS를 포함한 모든 REF 사례 중에서 가장 경제적인 것으로 나타났으며, 경제성 및 탄소 배출 측면에서 REF가 25% 미만인 시스템이 가장 최적이었다.

방향성 과전류 계전기(DOCRs)의 협조(coordination)는 현대 전력 보호 시스템의 신뢰성과 견고성을 확보하는 데 핵심적인 역할을 한다. 다중 루프 전력 네트워크에서 최적의 계전기 협조를 달성하는 일은 계전기 동작 시간을 최소화하고, DG 통합의 영향을 고려하면서 time dial settings(TDS)와 plug settings(PS)를 최적 조정하는 것을 동시에 요구하는 복잡한 최적화 문제이다. 제안된 방법은 Quantum-Inspired Adaptive Walrus Optimization Algorithm(QIAWOA)을 사용하며, 이는 양자 영감 원리의 비율을 반영하도록 수정된 군집 기반 인공지능(AI) 기법으로서, 적응형 양자 회전 게이트(adaptive quantum rotation gates)와 같은 원리를 통합하여 탐색 동역학을 향상시키고 정밀한 계전기 협조를 용이하게 한다. QIAWOA의 성능은 IEEE 3, 8, 15-bus 시스템과, 다중모달 및 다목적 최적화 함수(MMOOF)를 포함하는 CEC 2020 벤치마크 스위트를 사용하여 검증된다. QIAWOA는 전역 최적해를 식별하는 데 있어 우수한 능력을 보이며, 계전기 동작 시간을 유의미하게 감소시키고 견고한 협조를 달성한다. 경험적 누적분포함수(CDF), 박스플롯, 히스토그램, 확률 플롯, 분위수-분위수(quantile–quantile, QQ) 플롯을 포함한 종합적인 통계 분석은 제안 방법의 신뢰성과 효율성을 뒷받침한다. 최첨단 자연 영감 기법들과의 비교 평가는 QIAWOA의 향상된 성능을 추가로 강조하며, 이를 복잡한 전력 네트워크에서 보호 시스템 성능을 개선하기 위한 강력한 도구로 자리매김한다.

능동 현가 시스템은 도로 교란 하에서 차량의 승차감과 주행 안정성을 향상시키는 데 핵심적이다. 그러나 이러한 시스템에서 고급 제어기의 매개변수를 튜닝하는 일은 차량 동역학의 비선형성으로 인해 여전히 복잡한 과제로 남아 있다. 본 연구는 사륜(quarter car) 능동 현가 모델의 제어를 두 가지 고급 제어기 구조—여과기를 포함한 비례적분미분(Proportional-Integral-Derivative with filter, PIDN)과 하이브리드 분수차 PI plus PD(Fractional Order PI plus PD, FOPI + FOPD) 제어기—를 사용하여 조사한다. 제어기 성능을 향상시키기 위해 최근 제안된 여섯 가지 메타휴리스틱 알고리즘—교육 경쟁 최적화(Educational Competition Optimizer, ECO), 이스케이프 최적화 알고리즘(Escape Optimization Algorithm, ESC), 파타 모르가나 알고리즘(Fata Morgana Algorithm, FATA), 제이슨 힐링 최적화(Jason Healing Optimization, JHO), 메모리, 진화적 연산자 및 국소 탐색 기반 개선 그레이 울프 최적화(Memory, Evolutionary Operator and Local Search Based Improved Grey Wolf Optimizer, MELGWO), 그리고 성게(Starfish) 최적화 알고리즘(Starfish Optimization Algorithm, SFOA)—을 매개변수 튜닝에 적용한다. MATLAB/Simulink 환경에서 수행한 시뮬레이션 결과는 ESC로 최적화된 FOPI + FOPD 제어기가 진동 억제에 있어 가장 효과적이며, 피크 오버슈트, 정착 시간, 제어 안정성 측면에서 기존 제어 및 퍼지 로직 기반 접근법을 유의미하게 능가함을 보여준다. 이러한 결과는 지능형 현가 시스템 설계를 위해 강건한 최적화 기법과 함께 적절한 제어기 구조를 선택하는 것의 중요성을 강조한다.

방향성 과전류 계전기(DOCRs)의 적절한 협조(coordination)는 전력 시스템에서 매우 중요하다. 다중 루프 전력 시스템에서의 DOCR 협조는 최적화 문제로 표현된다. 본 연구의 목적은 주(主) 및 예비(backup) DOCRs와의 효과적인 협조를 통해 DOCRs의 총 동작 시간을 최소화함으로써 보호 시스템의 성능을 향상시키되, 협조 제약 조건을 허용 범위 내에 유지하는 데 있다. DOCRs의 협조 문제는 Fractional Order Derivative Moth Flame Optimizer(FODMFO)라는 새로운 적용 전략을 개발하여 해결한다. 이 접근법은 기존 나방-불꽃 알고리즘의 수학적 모델에 분수미적분(fractional calculus, FC)의 개념을 통합하여 최적화 기법의 특성을 개선하는 것을 포함한다. 이후 FODMFO 접근법은 표준 전력 시스템에서의 DOCRs 협조 문제, 특히 IEEE 3, 8, 15 버스 시스템과 단일봉(unimodal) 및 다중봉(multimodal) 함수를 포함한 11개의 벤치마크 함수에 대해 시험한다. 제안된 방법으로부터 얻은 결과와 최근 개발된 다른 알고리즘과의 비교 결과는 FOD와 MFO의 결합이, 각 도구의 개별 강점을 활용하고 전역 최적해를 식별함으로써 최적화 기법의 전반적 효율을 향상시키며, DOCRs의 총 동작 시간을 최적 값까지 최소화함을 보여준다. 상자-그림(box-plot), 히스토그램, 경험적 누적분포함수(empirical cumulative distribution function) 시연, 그리고 각 구분된 시뮬레이션에서 관찰되는 최소 적합도(fitness) 진화의 형태를 포함하는 철저한 통계 연구를 통해 FODMFO의 신뢰성, 강건성(strength), 그리고 의존가능성(dependability)이 지지된다. 이러한 자료에 근거할 때, FODMFO가 다른 현대적 자연 모사 기반 알고리즘 및 기존(전통적) 알고리즘을 능가함이 명백하다.

지구온난화와 화석연료 고갈의 맥락에서, 전기차(EV)는 탄소 배출과 화석연료 소비를 모두 줄이기 위한 수단으로서 점점 더 인기를 얻고 있다. 그러나 EV 보급의 확대와 함께 EV 충전 전력 수요가 증가함에 따라, 기존 발전소는 더 많은 연료를 필요로 하게 되고 탄소 배출이 증가한다. 이는 기후변화 완화 및 화석연료 의존도 감소를 위해 EV 도입을 촉진하려는 목표가 중대한 도전에 직면할 수 있음을 시사한다. 따라서 EV 충전소에 재생에너지 발전을 도입하여, 친환경적인 방식으로 EV 보급의 효과를 극대화할 필요가 있다. 본 논문은 EV 충전소를 위한 최적의 재생에너지 발전 시스템을 제안하는 것을 목적으로 하며, 특히 해당 정류장의 실제 부하 프로파일의 활용, 탄소 배출과 경제성 평가의 고려, 그리고 한국 내 특정 입지에 대한 사례 연구에 초점을 둔다. 사례 연구로서 한국의 한 EV 충전소를 선정하고, HOMER 소프트웨어를 활용하여 탄소 배출 및 경제성 평가를 비교하기 위해 재생에너지 비율(REF)을 0%, 25%, 50%, 75%, 100%로 고려하였다. 또한 입지의 기후 특성을 고려한 최적 운전 전략을 도출하기 위해 25% REF를 갖는 시스템을 분석하였다. 그 결과, 해당 부지의 기상 특성으로 인해 PV/ESS 시스템 구성이 PV, WT 및 ESS를 포함한 모든 REF 사례 중에서 가장 경제적인 것으로 나타났으며, 경제성 및 탄소 배출 측면에서 REF가 25% 미만인 시스템이 가장 최적이었다.

본 연구는 머신러닝 기법을 활용하여 태양광(PV) 시스템에서 고장 진단의 성능 평가 방법론을 제안한다. 사용된 기법에는 Random Forest, k-Nearest Neighbors(kNN), Naive Bayes가 포함된다. 실제 데이터는 3kW PV 테스트베드에서 수집하였으며, 정상 상태와 중대한 고장 상태를 나타내는 8개 클래스로 분류하였다. 각 클래스에 대해 혼동행렬과 이에 대응하는 관련 지표를 사용하여 클래스별 성능 평가를 수행한다. 결과는 Random Forest 모델이 정확도, 정밀도, 재현율 및 F1 점수 측면에서 다른 모델들보다 우수함을 보여준다. 특히 정상 조건(Class 0 및 Class 7)에서 뛰어난 성능을 보이며, 주요 고장 유형(Class 1 및 Class 6)에서도 안정적인 성능을 유지한다. kNN 모델은 Class 0에서 허용 가능한 성능을 제공하지만 일부 고장 유형에서는 한계를 나타낸다. Naive Bayes 모델은 가장 낮은 성능을 보이며 대부분의 고장 유형을 정확하게 처리하는 데 있어 상당한 어려움을 겪는다.

반도체 소재에 대한 광범위한 연구에도 불구하고, 반도체 내 광학 양자 천이에서 온도와 자기장이 미치는 영향은 아직 충분히 이해되지 않았다. 따라서 본 연구에서는 반도체 소재 내 전자–압전-음파(phonon) 상호작용 시스템에서 온도 및 자기장에 따른 광학 양자 천이선 특성(OQTLP)을 선형(line shapes; LS)과 선폭(line widths; LW)을 포함하여 조사하였다. 투영(projection) 기반 방정식과 평형 평균 투영(equilibrium average projection)을 통합하는 이론적 틀을 GaAs 및 CdS에 적용하였다. 유사하게, LW는 대부분의 온도 구간에서 정사각 우물(quare-well) 구속 퍼텐셜을 가정할 때 자기장에 따라 전반적으로 증가하였다. 그러나 저온에서 높은 자기장에서는 GaAs의 경우 LW가 감소하였다. 또한 LW는 온도 상승에 따라 증가하였다. 더 나아가 양자 천이 과정을 분석하기 위해, Landau 준내 및 Landau 준간 천이에 대한 LW와 LS를 비교하였다. 그 결과, GaAs와 CdS에서 양자 천이의 온도 의존성은 주로 준내(Landau 준내) 천이가 지배하는 것으로 나타났다.

방향성 과전류 계전기(DOCRs)의 효율적인 협조는 전력계통(EPSs)의 안정성과 신뢰성을 유지하는 데 필수적이다. 복잡한 전력 네트워크에서 DOCR 협조를 최적화하는 과제는 최적화 문제로 모델링된다. 본 연구는 DOCR의 누적 동작 시간(cumulative operating time)을 최소화함으로써 보호 시스템의 성능을 향상시키는 것을 목표로 한다. 이는 협조 시간 간격(CTIs)이 미리 정해진 한계(0.2~0.5 s) 내에 유지되도록 하면서, 주계전기와 예비계전기를 효과적으로 동기화함으로써 달성된다. 이 도전에 대응하기 위해 새로운 최적화 전략인 분수미분 워(war) 옵티마이저(FODWO; fractional-order derivative war optimizer)가 제안된다. 이 혁신적 접근은 분수 미적분(FC; fractional calculus)의 원리를 기존 워 최적화(WO; war optimization) 알고리즘에 통합하여, 최적화 성질을 유의미하게 향상시킨다. 분수차수 미분(FODs; fractional-order derivatives)을 도입하면 복잡한 최적화 지형을 탐색하는 알고리즘의 능력이 강화되어 국소 최소값을 회피하면서 전역 최적해를 보다 효율적으로 도출할 수 있다. 그 결과 DOCR의 누적 동작 시간이 감소하고 보호 시스템의 신뢰성이 향상된다. FODWO 방법은 IEEE 3, 8, 15 버스 시스템을 포함한 표준 EPS들 및 단봉(unimodal)과 다봉(multimodal) 문제를 아우르는 11개의 벤치마크 최적화 함수에 대해 엄격하게 검증되었다. 비교 분석은 분수차수 미분(FODs)을 WO에 통합하면 그 효율이 향상되어 전역 최적해를 달성하고, 전통적인 WO 알고리즘과 비교하여 3, 8, 15 버스 시스템의 경우 각각 DOCR 누적 동작 시간을 3%, 6%, 3% 감소시킨다는 것을 보여준다. FODWO의 효과를 검증하기 위해 박스 플롯(box plots), 분위수–분위수(quantile–quantile; QQ) 플롯, 경험적 누적분포함수(ECDF; empirical cumulative distribution function), 그리고 시뮬레이션 전반에 걸친 최소 피트니스 진화(minimal fitness evolution)를 포함한 종합적인 통계 분석을 수행하였다. 이러한 분석은 FODWO 접근법의 견고성, 신뢰성, 일관성을 확인해준다. 비교 평가는 FODWO가 다른 최신 자연모사(nature-inspired) 알고리즘 및 전통적 최적화 방법을 능가함을 보여주며, EPS에서 DOCR 협조를 위한 매우 효과적인 도구임을 시사한다.