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.

본 논문에서는 새로운 스위치드-부스트 4-다리 인버터를 제안한다. 스위치드-부스트 네트워크에서 두 개의 전력 스위치를 제4의 다리로 사용함으로써, 제안하는 인버터는 공통모드 전압을 일정하게 유지하여 누설 전류를 효과적으로 저감한다. 또한 촉통( shoot-through ) 상태의 삽입을 통해 제안 인버터의 신뢰성과 부스트 전압을 보장할 수 있다. 제안 인버터의 동작 원리, 수학적 해석, 제어 방법 및 비교 연구를 제시한다. 마지막으로 1.2-kW 프로토타입 인버터에 대해 시뮬레이션 및 실험 결과를 수행하였다.

분배 네트워크 재구성(DNR)은 스위치의 개방/폐쇄 상태를 변경함으로써 분배 네트워크(DN)의 운영 효율을 향상시킨다. 그러나 수많은 스위치가 복잡하게 연결되어 있기 때문에, 방사형(radial)인지 여부를 판단하기 위한 토폴로지 분석은 많은 시간과 노력이 필요하다. 본 논문은 DN의 근본 구조인 루프(loop)를 기반으로 하는 인코딩 및 디코딩 알고리즘을 제안하여, 임의의 DN에서 전역 최적 구성을 효과적으로 도출한다. 인코딩 알고리즘은 축소(reduction), 단순화(simplification), 루프 검색(loop search)으로 구성되며, DN을 체계적으로 조직화하여 DNR 문제의 탐색 공간을 현저히 감소시킨다. 디코딩 알고리즘은 분기 스위치 집합(branch switch set, BSS) 선택 기준과 데이터 수정으로 구성되며, 방사형 구조를 만족하는 스위치를 전략적으로 선택하기 위한 방법을 제공한다. 또한 가상 분기(virtual branch)를 통해 제안된 알고리즘에 대해 다수의 소스의 독립적 연산을 쉽게 적용할 수 있다. 제안된 알고리즘의 타당성과 성능은 IEEE 33, 69, 118 버스의 DN에서 유전 알고리즘(genetic algorithm, GA)을 사용한 DNR 사례 연구를 통해 검증한다. 더불어 수렴 속도와 전역 최적 탐색률을 향상시키기 위해 2단계 GA 알고리즘을 구현한다. 마지막으로, 제안된 알고리즘의 성능을 다른 방법들과 비교한다.

이 논문에서는 새로운 단상 5레벨 전류원 인버터를 제안한다. 제안된 인버터는 4개의 소형 박막 커패시터를 추가함으로써 중첩 시간을 최소화하면서 개방/단락 회로에 대한 면역성을 제공하여 인버터의 신뢰성을 향상시킨다. 중첩 시간 구간의 감소로 인해 효율과 출력 파형의 품질이 개선된다. 또한 제안된 인버터는 인덕터 전류의 자연스러운 평형을 제공한다. 아울러 n 개의 스위칭 셀은 제안된 N 레벨 인버터로 확장하는 데 사용할 수 있다. 제안된 인버터의 동작 원리, 정상상태 해석, 고장상태 해석 및 파라미터 선택을 제시한다. 더 나아가 제안된 인버터와 다른 5레벨 전류원 인버터들 간의 비교 연구를 다룬다. 마지막으로 제안된 인버터의 타당성을 검증하기 위해 1 kW 프로토타입을 구현한다.

본 연구는 브러시리스 이중여유 유도발전기(Brushless Doubly Fed Induction Generator, DFIG) 기반 풍력 에너지 변환 시스템(WECS)에서 전압 안정성을 향상시키고 동력 추출을 최대화하기 위한 새로운 제어 접근법을 개발한다. 개발된 접근법은 최대전력점추종(Maximum Power Point Tracking, MPPT)을 위해 혼돈 살프 무리 최적화(Chaotic Salp Swarm Optimization, CSSO)로 튜닝된 적응형 신경 퍼지 추론 시스템(Adaptive Neuro Fuzzy Inference System, ANFIS)을 통합하여, 로터 속도의 동적 조정과 토크 제어를 가능하게 함으로써 더 나은 풍력 전력 추출을 달성한다. 제어 프레임워크는 로터 측 컨버터(Rotor Side Converter, RSC)와 그리드 측 컨버터(Grid Side Converter, GSC) 간의 협조 제어를 포함하며, 여기서 GSC는 계통으로의 전력 전달을 제공하고 계통 지지 기능을 제공하는 역할을 수행하고, RSC는 로터 측 토크 및 DC 링크 전압을 관리한다. 변화하는 조건 하에서 계통 안정성을 지원하기 위해 시스템에 무효전력 균형과 전압 조절을 통합하였다. d-q 기준 프레임 기반 전류 제어 전략을 활용함으로써 계통 전류의 고조파 왜곡이 완화된다. 또한 개발된 제어기의 유효성은 MATLAB/Simulink 도구에서 검증되었으며, [Formula: see text]에 대한 추종 효율을 입증하고 추종 속도(0.08s)가 향상되었으며, 총 고조파 왜곡률(THD)은 2.85% 미만으로 감소하였다. 더 나아가 전압 안정성은 유의미한 개선을 보였고, 정상상태 및 동특성 운전 조건 모두에서 고조파 억제와 풍력 에너지 수확 효율이 향상되었음이 확인되었다.

암 검출의 주요 방법 중 하나는 조직병리학적 이미지의 검경(examination)이다. 그러나 전통적인 접근법은 이러한 이미지 분석에 시간이 많이 소요되며 오류가 발생하기 쉽다. 최근 딥러닝의 발전에 따라 연구자들은 조직병리학적 이미지 분석의 정확도와 효율을 향상시키기 위해 이러한 모델을 점점 더 활용하고 있다. 본 연구에서는 진단 정밀도를 높이고 검출 과정을 간소화하기 위해, 유전자 발현 예측과 조직병리학적 이미지 분석을 통합하는 다중 클래스 암 분류를 위한 딥러닝 기반 모델을 제안한다. 이 모델은 유전자 발현 및 암 라벨의 미리 정해진 시퀀스가 종종 누락되어 데이터의 올바른 분류가 어려운 실제 임상 환경에서 사용을 목표로 한다. Fourier Neural Networks (FNN)와 EfficientNetB0를 사용하여 Whole Slide Images (WSIs)로부터 공간 및 주파수 기반 특징을 전체 세트로 추출한다. 최적의 특징 세트를 선택하기 위해 Incremental Principal Component Analysis (IPCA)를 사용하였고, 그 결과로 얻어진 표현(representations)을 패치 수준 특징으로부터 WSI 표현으로 후속 재구성하였다. 고급 딥러닝 모델 중 하나인 DeepONet 모델을 선택하여 생성된 조직병리학적 이미지 특징을 매핑하고 유전자 발현 패턴을 예측한다. 학습 후, 이 모델은 암 유형 분류에서 93%의 정확도를 달성했으며, 다중 암 분류에 대해 허용 가능한 성능을 나타내는 정밀도(precision) 값은 0.92였다. 또한 유전자 발현 예측에서도 Mean Absolute Error (MAE) 0.033, R² 점수 0.765의 성과를 보여 유전자 발현 패턴을 포착하는 데 있어 신뢰성을 입증하였다. 유전자 발현 데이터의 누락 또는 암 유형 분류의 모호함과 같은 실제적 문제를 해결함으로써, 제안된 Dual Deep Learning Model은 종양학에서 정확도를 향상시켜 암 진단을 강화한다. 조직병리학적 이미지 분석과 유전자 발현 예측을 통합함으로써, 이 모델은 자동화된 임상 의사결정을 가능하게 하며 암성 및 비암성 사례를 구별하는 데 견고한 해결책을 제공한다. 접수: 2025년 6월 11일 | 수정: 2025년 8월 15일 | 승인: 2025년 9월 13일 이해상충 저자들은 본 연구에 이해상충이 없음을 선언한다. 데이터 가용성 진술 데이터는 합당한 요청이 있을 경우 교신저자(corresponding author)로부터 이용 가능하다. 저자 기여도 진술 Anju Das: 개념 정립(Conceptualization), 방법론(Methodology), 소프트웨어(Software), 검증(Validation), 형식적 분석(Formal analysis), 조사(Investigation), 자원(Resources), 데이터 큐레이션(Data curation), 원고 작성 – 원초안(Writing – original draft), 시각화(Visualization). Neelima Nizampatnam: 개념 정립(Conceptualization), 방법론(Methodology), 소프트웨어(Software), 검증(Validation), 형식적 분석(Formal analysis), 조사(Investigation), 자원(Resources), 데이터 큐레이션(Data curation), 원고 작성 – 원초안(Writing – original draft). Somnath Ganguly: 조사(Investigation), 데이터 큐레이션(Data curation), 원고 검토 및 편집(Writing – review & editing), 시각화(Visualization), 감독(Supervision), 프로젝트 관리(Project administration). Joon Ho Choi: 검증(Validation), 조사(Investigation), 원고 검토 및 편집(Writing – review & editing), 시각화(Visualization), 감독(Supervision), 프로젝트 관리(Project administration).

본 연구는 외부 불확실성을 고려하여 이중 능동 브리지(Dual Active Bridge, DAB) 컨버터를 효율적으로 운전하기 위한 비취약(non-fragile) 비례-적분(PI) 추종 제어 기법을 제시한다. 주요 목표는 불확실한 조건과 이득 변동에도 불구하고 플랜트 출력이 기준 신호를 정확히 추종하도록 보장하는 것이다. 이론적 기반으로는 Lyapunov-Krasovskii 접근법을 평균 체류 시간(average dwell time, ADT) 방법과 함께 사용하여 시스템의 안정성 조건과 제안된 PI, 수정된 등가 입력 교란(modified equivalent input disturbance, MEID), 및 Astrom 수정 스미스 예측기(Astrom modified Smith predictor, ASP) 기반 제어 기법의 설계 조건을 수립한다. 시스템의 지수적 안정성을 보장하기 위한 충분한 조건은 선형 행렬 부등식(linear matrix inequalities, LMIs)의 형태로 도출된다. 제안된 제어 전략은 전기차(EV) 응용을 위해 특별히 설계된 10 kW DAB 모델을 사용하여 검증하였다. 그 결과, 제안된 제어 기법이 정확한 추종 성능을 제공하며 외부 불확실성을 효과적으로 추정함을 보여준다.

재생에너지 자원(RES)은 현재 에너지 수요를 충족하기 위해 에너지 분야에서 광범위하게 활용된다. 할당된 자원을 과도하게 사용함에 따라 전력 계통을 동기화하기 위해 컨버터를 여러 번 사용해야 하며, 그 결과 전력의 품질이 낮아진다. 복수의 에너지원을 통합함에 따른 불확실성은 배전계통에 반영되었다. 마이크로그리드(MG)가 전환되는 과정에서는 전압 불평형, 전압 팽창/저하, 역률 저하, 전력 과도현상과 같은 주요 전력 품질(PQ) 문제가 나타나며, 총 고조파 왜곡률(THD)도 발생한다. PQ 문제를 감소시키고 모든 상황에서 시스템 신뢰성을 향상시키기 위한 다수의 연구가 진행되어 왔으나, 이러한 모델들은 궁극적으로 최종 사용자에서 양호한 전력 흐름을 달성하는 데 있어 일부 영향을 미친다. 본 연구에서는 태양광(PV), 풍력 터빈 및 배터리를 포함하는 마이크로그리드를 분산에너지자원(DER)으로 구축하였다. 상기 PQ의 어려움을 해결하기 위해 전력 흐름을 관리하는 고유한 조정 시스템을 제안하였다. 제안된 최적 제어기의 입력은 dc 전압, 결합 전압 및 부하 전류로 고려하였으며, 이를 바탕으로 제어기는 삼상 인버터의 펄스 신호를 생성하여 PV와 풍력으로부터의 전력 공급을 감소시켜 일정한 주파수와 역률을 유지하도록 하였다. 제안된 제어기의 최적화 문제는 Fennec Fox Optimization(FFO)를 사용하여 해결하였다. FFO 기반 제어기의 성능은 다양한 PQ 문제 조건에서 분석하였다. 제안된 제어기의 기능은 마이크로그리드를 확장하여 대규모 삼상 구조를 구성함으로써 검증하였다. 수요반응, 선로 임피던스, 부정격(오프 노미널) 시나리오를 포함함으로써 현실적인 마이크로그리드의 타당성을 확인하였다. 제안된 모델은 단순한 마이크로그리드에서 THD 2.2%, 50 Hz, 역률 0.8을 제공한다. 제안된 모델은 일정한 주파수와 역률을 유지하면서 어떤 상황에서도 성능이 잘 완화된다.

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.

본 논문에서는 새로운 스위치드-부스트 4-다리 인버터를 제안한다. 스위치드-부스트 네트워크에서 두 개의 전력 스위치를 제4의 다리로 사용함으로써, 제안하는 인버터는 공통모드 전압을 일정하게 유지하여 누설 전류를 효과적으로 저감한다. 또한 촉통( shoot-through ) 상태의 삽입을 통해 제안 인버터의 신뢰성과 부스트 전압을 보장할 수 있다. 제안 인버터의 동작 원리, 수학적 해석, 제어 방법 및 비교 연구를 제시한다. 마지막으로 1.2-kW 프로토타입 인버터에 대해 시뮬레이션 및 실험 결과를 수행하였다.

분배 네트워크 재구성(DNR)은 스위치의 개방/폐쇄 상태를 변경함으로써 분배 네트워크(DN)의 운영 효율을 향상시킨다. 그러나 수많은 스위치가 복잡하게 연결되어 있기 때문에, 방사형(radial)인지 여부를 판단하기 위한 토폴로지 분석은 많은 시간과 노력이 필요하다. 본 논문은 DN의 근본 구조인 루프(loop)를 기반으로 하는 인코딩 및 디코딩 알고리즘을 제안하여, 임의의 DN에서 전역 최적 구성을 효과적으로 도출한다. 인코딩 알고리즘은 축소(reduction), 단순화(simplification), 루프 검색(loop search)으로 구성되며, DN을 체계적으로 조직화하여 DNR 문제의 탐색 공간을 현저히 감소시킨다. 디코딩 알고리즘은 분기 스위치 집합(branch switch set, BSS) 선택 기준과 데이터 수정으로 구성되며, 방사형 구조를 만족하는 스위치를 전략적으로 선택하기 위한 방법을 제공한다. 또한 가상 분기(virtual branch)를 통해 제안된 알고리즘에 대해 다수의 소스의 독립적 연산을 쉽게 적용할 수 있다. 제안된 알고리즘의 타당성과 성능은 IEEE 33, 69, 118 버스의 DN에서 유전 알고리즘(genetic algorithm, GA)을 사용한 DNR 사례 연구를 통해 검증한다. 더불어 수렴 속도와 전역 최적 탐색률을 향상시키기 위해 2단계 GA 알고리즘을 구현한다. 마지막으로, 제안된 알고리즘의 성능을 다른 방법들과 비교한다.