본 연구는 대규모 재생에너지(RES)를 갖는 하이브리드 전력 시스템(HPS)에서 부하주파수제어(LFC)를 조사한다. 지능형 단독형 HPS가 개발되었으며, 이는 계통-차량(grid-to-vehicle) 모드에서 다양한 전력 생성 단위, 가변 부하, 전기자동차(EV)를 통합한다. 디젤 엔진 발전기(DEG)는 변동하는 RES 출력 하에서 계통 운전을 안정화하고 주파수를 조정하기 위한 백업 지원을 제공한다. 풍력 터빈 블레이드 피치와 DEG 속도 조정기를 제어하기 위해 2개의 견고한 제어기가 설계된다. 비례적분미분(proportional-integral-derivative, PID), 3자유도 PID(three-degree-of-freedom PID, 3DOF-PID), 퍼지-3자유도 PID(fuzzy-3DOF-PID) 등 3가지 제어 전략이 구현되며, 매개변수는 준-대립 기반 고래 최적화(quasi-oppositional-based whale optimization) 알고리즘을 통해 최적화된다. 비교 분석 결과, Fuzzy-3DOF-PID 제어기가 우수한 성능을 달성하여 감점 지표(figure of demerit)를 최소화하고 동적 응답을 개선한다. OPAL-RT 시뮬레이터를 이용한 실시간 검증을 통해 제안 방법의 실용적 실현 가능성이 확인된다. 확장성을 평가하기 위해, 최적화된 제어기를 IEEE 39-bus 테스트 시스템에 적용한다. 그 결과, Fuzzy-3DOF-PID 제어기는 상당한 부하 변동과 재생에너지 간헐성 하에서 효과적인 주파수 조정을 보장하면서 감쇠 및 안정도 여유를 향상시키는 것으로 나타난다. 본 연구는 RES가 통합된 HPS를 위한 견고하고 확장 가능한 LFC 프레임워크를 제시하며, 계통 안정성을 향상시키고 향후 스마트 그리드 응용을 지원한다.

의학 영상은 현대 의료에서 핵심적인 역할을 하며, 인체의 복잡한 구조와 기능을 시각적으로 파악할 수 있는 창을 제공한다. 그러나 다양하고 대표성 있는 의료 영상의 부족은 연구 진전을 크게 제한한다. 현재 딥러닝 알고리즘은 진단 과정을 자동화하기 위해 의료 영상 분야에 점차 도입되고 있다. 이러한 알고리즘의 성공은 방대하고 다양한 데이터셋에 크게 의존한다. 데이터가 충분하지 않으면 알고리즘의 학습과 검증이 저해되어, 성능 저하, 편향된 결과, 그리고 일반화 능력의 감소로 이어진다. 본 논문에서는 Convolutional Autoencoder(CA)를 활용하여 의학 영상을 합성적으로 생성하는 선도적인 접근법을 제안한다. 생성된 합성 영상은 기존 데이터베이스에 추가되어 증강 데이터셋을 구성한다. 이후 이 증강 데이터셋을 합성곱 신경망으로 분류에 활용한다. 실험은 공개적으로 이용 가능한 데이터셋인 흉부 CT 스캔 데이터셋과 IQ-OTH/NCCD 폐암 데이터셋에서 수행되었다. CA의 합성 이미지 생성 능력은 뒤집기(flip), 회전(rotating), 전단(shearing), 이동(shifting), 확대(zooming), 부분 샘플링(sub-sampling)과 같은 전통적 증강 방법과 비교하였다. 그 결과, CA 기반 증강 데이터셋은 정확도 91%를 달성한 반면, 전통적 증강 기반 데이터셋은 83%에 그쳤다.