[논문]신경회로망과 하절기 온도 민감도를 이용한 단기 전력 수요 예측

하성관; 김홍래; 송경빈

신경회로망과 하절기 온도 민감도를 이용한 단기 전력 수요 예측
Short-Term Load Forecasting Using Neural Networks and the Sensitivity of Temperatures in the Summer Season 원문보기

전기학회논문지. The transactions of the Korean Institute of Electrical Engineers. A / A, 전력기술부문, v.54 no.6, 2005년, pp.259 - 266

하성관 (중부발전(주)) , 김홍래 (순천향대 공대 정보기술공학부) , 송경빈 (숭실대 공대 전기제어시스템공학부)

Abstract ▼ AI-Helper

Short-term load forecasting algorithm using neural networks and the sensitivity of temperatures in the summer season is proposed. In recent 10 years, many researchers have focused on artificial neural network approach for the load forecasting. In order to improve the accuracy of the load forecasting, input parameters of neural networks are investigated for three training cases of previous 7-days, 14-days, and 30-days. As the result of the investigation, the training case of previous 7-days is selected in the proposed algorithm. Test results show that the proposed algorithm improves the accuracy of the load forecasting.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러므로 많은 수의 파라미터로 구성된 신경회로망보다 적은 수의 파라미터로 구성된 신경회로망이 overfitting 이 일어날 확률이 적으며, 또한 꼭 필요한 데이터들로 학습되고 오염되지 않은 데이터로 학습된다면 이 문제를 해결할 수 있으리라 생각한다. 그러므로 본 논문에서는 오버피팅의 원인이 신경회로망의 블랙박스 안에 많은 수의 변수들과 뉴런들에의해 일어남을 고려하여 최대한 간략하고 컴팩트한 모델을 구현하고자 하였다.
이 방법은 반복 계산량이 적을 뿐 아니라 예측 일의 수요 패턴 또한 정규화를 통해 나타내기 때문에 각 요일의 패턴을 안정적으로 나타낼 수 있다. 모든 과정을 통해 신경회로망이 컴팩트하면서도 높은 수렴성을 갖고, 예측 정확도에 훼손이 없도록 함으로써 정확한 단기 전력 수요예측을 이루려고 노력하였다.
본 논문에서는 전력 수요 예측의 정확성을 잃지 않으면서도 적은 입력값으로 예측할 수 있는 컴팩트한 신경회로망 알고리즘을 제안한다. 최소 구조를 갖기 위해 필수적인 입력값만을 선정하였으며 학습 오차 수렴 범위 안에 수렴이 잘되도록 하기 위해 입력값의 크기 조정을 하였다.
신경회로망은 비선형적인 특성을 갖는 전력 수요 패턴을 예측하는 매우 적합하다. 본 논문은 이러한 신경회로망의 특징을 살리고 입력값 선정과 학습 케이스 선정 등과 같이 예측 정확성에 영향을 주는 요인에 대해 과거 논문을 조사하고 평가하여 최소 신경회로망을 제안한다.
또한 신경회로망의 블랙박스 안에 변수들과 뉴런들은 입력값의 수에의해도 오버피팅이 일어날 수 있다. 이를 해결하기 위해 입력값선정에 대해 조사하였다. 그리고 신경회로망이 잘못된 입력 데이터 선정에의한 결점에 민감함을 고려하여 예측을 크게 떨어뜨리는 데이터 요소를 제거하기 위해 특수 일은 제외하였으며, 입력값을 요일 특징별로 분류하고 입력값의 전처리 과정을 두어 학습 시에 수렴성을 높이도록 하였다.

제안 방법

신경회로망을 이용한 단기 전력 수요예측 방법을 통하여 1996년을 봄, 여름, 가을로 한 주씩 평일을 선택하여 예측하여 보았다. 이를 비교하기 위하여 한국전력공사 전력연구원의 탑다운 방식"을 통하여 예측한 예측값과 비교하여 정확도를 개선하였다. 그리고 각 계절마다 온도 민감도를 고려하여 예측한 예측값을 추가하여 6개의 입력값으로 신경회로망으로 학습한 후의 최종 결과값도 비교하여 개선된 예측의 정확도를 확인하였다.
특수 일의 경우, 3월 1일.(삼일절), 8월 15일(광복절), 12월 25일(성탄절)인 특수 일은 각각 마다 수요 특징을 갖으나, 본 논문에서는 제안한 신경회로망 알고리즘이 특수 일에 대한 고려가 없었음으로 퍼지 신형 회귀 분석법을 사용하여 예측하였다. [28]
7월과 8월 각각의의 값 중 양의 값과 음의 값을 갖는 것을 조사하고 양과 음 각각의 값들을 모두 합한 뒤 평균한다. 온도 민감도의 불량 정보는 제거한다.
H. S. Hippert의 논문은 신경회로망의 문제점들을 1991년부터 1999년에 게재된 40여 편의 신경회로망을 이용한 전력수요예측 관련 논문들을 조사하여 이슈별로 분류하고 제안된 논문들의 디자인과 테스트 방법들을 평가하였다. 표1은 신경회로망을 이용한 논문들의 특징을 나타낸다.
여름은 온도와 수요와의 상관관계가 크므로 이를 고려해 줄 때 더욱 정확한 예측이 가능하기 때문이다. [26] 온도 민감도를 사용하여 최대 전력수요 예측값을 구하고 그 값을 신경회로망의 6번째 입력값으로 사용하여 학습하여 예측하였다.
△T(온도의 변화량)와 ZXd(수요의 변화량)를 사용하여 온도 민감도를 계산한다.
결과를 더욱 자세히 알아보기 위해 199% 년도 3월, 8월, 12월의 24 시간별 예측을 한 후 예측 오차를 논문[2] 와 비교하였다. 표 6에 24시간 평균 오차를 표 7에 최대 오차를 나타내었다.
이에 반해 두 번째 경우는 반복 회수 동안 오차범위 안으로 오차값이 수렴하였다. 그러므로 두 번째 방법, 즉 입력값과 목표값의 크기 범위는 (- G 0의 값을 갖는 경우로 선택하고 학습 전에 입력값과 목표값을 조절한 후 학습하였다.
각 계절별 한 주간의 수요를 정규화하였을 때 거의 같은 패턴을 가지고 있음을 알 수 있다. 그러므로 우리는 우선 평일(화~금), 월, 토, 일각 요일별로 학습 케이스를 분류하였다. 그리고 각 케이스별로 학습 케이스의 개수를 7개, 14개, 30개로 하여 신경회로망 알고리즘을 이용하여 예측하여 비교하였다.
이를 비교하기 위하여 한국전력공사 전력연구원의 탑다운 방식"을 통하여 예측한 예측값과 비교하여 정확도를 개선하였다. 그리고 각 계절마다 온도 민감도를 고려하여 예측한 예측값을 추가하여 6개의 입력값으로 신경회로망으로 학습한 후의 최종 결과값도 비교하여 개선된 예측의 정확도를 확인하였다. 봄, 여름, 가을 계절에 따라 보았을 때 온도에 영향을 받는 여름의 예측 오차가 가장 컸다.
그러므로 우리는 우선 평일(화~금), 월, 토, 일각 요일별로 학습 케이스를 분류하였다. 그리고 각 케이스별로 학습 케이스의 개수를 7개, 14개, 30개로 하여 신경회로망 알고리즘을 이용하여 예측하여 비교하였다. 이와 같이 3가지로 나누어 예측한 이유는 학습 케이스의 개수에 따라 예측의 정확도가 얼마만큼 차이가 나는지 알기 위해서이다.
본 논문에서는 하나의 출력을 갖는 신경회로망을 이용하여 예측 일의 최대값을 예측하였다. 그리고 예측 일 전 3주의 같은 요일을 갖는 24시간 데이터를 정규화한 후 평균하여 예측값에 곱하여 24 시간별 수요를 예측하였다. 이 방법은 반복 계산량이 적을 뿐 아니라 예측 일의 수요 패턴 또한 정규화를 통해 나타내기 때문에 각 요일의 패턴을 안정적으로 나타낼 수 있다.
참고 논문[7]은 은닉층의 개수를 6, 8, 10, 12개로 케이스를 구성하여 시뮬레이션하였다. 그중에서 8개의 은닉층을 갖는 구조가 가장 좋은 정확도를 보이므로 이를 본 논문도 똑같이 사용하였다.
또한 입력값과.목표값으로 이루어진 학습 케이스의 구성 개수를 과거 7일, 14일, 30일로 세 케이스로 구성하여 보았다. 그리고 시뮬레이션을 통하여 이 중에서 수렴성이 높으면서 학습에 필요한 최소의 학습 케이스를 선정하였다.
우리는 이 값 중 시간별 주기는 이미 평일, 토, 일, 월로 4개의 수요 패턴으로 나누어져 있음으로 입력값에서 제외하였다. 본 논문에서는 필수 입력값으로 수요와 온도를 사용하여 예측하였다.
하나는 출력의 값을 24개 갖는 병렬 형태의 신경회로망을 사용하는 경우와 하나의 전력 수요의 시간당 출력 또는 최대 전력 수요 값을 내는 경우를 들 수 있다. 본 논문에서는 하나의 출력을 갖는 신경회로망을 이용하여 예측 일의 최대값을 예측하였다. 그리고 예측 일 전 3주의 같은 요일을 갖는 24시간 데이터를 정규화한 후 평균하여 예측값에 곱하여 24 시간별 수요를 예측하였다.
신경회로망을 이용한 단기 전력 수요예측 방법을 통하여 1996년을 봄, 여름, 가을로 한 주씩 평일을 선택하여 예측하여 보았다. 이를 비교하기 위하여 한국전력공사 전력연구원의 탑다운 방식"을 통하여 예측한 예측값과 비교하여 정확도를 개선하였다.
여름기간 동안에 수요예측의 정확성을 증가시키기 위하여 온도의 민감도를 도입하였다. 온도 민감도를 고려한 상세한 예측과정은 다음과 같다.
이러한 문제를 피하기 위해 원본 데이터의 크기를 조절하는 것이 필요하다. 우리는 이를 위해 두 가지 경우를 가지고 크기를 조절하여 보았다.
이렇게 요일별 학습 케이스와 계절별 온도 민감도 고려를 결정한 후, 신경회로망의 학습 시 수렴성을 높이기 위해 표준편차를 이용해 입력값과 목표값의 크기를 (-GC) 로 조정한다. 이렇게 조정된 입력값과 목표값은 오차 역전파 알고리즘을 통해 학습된다.
또한 너무 많은 경우 오버피팅이 일어나게 된다. 이를 위해 많은 대안 수를 선택하고 시뮬레이션하면서 그 결과를 통해 은닉층의 뉴런의 수를 선택하였다. 또한 학습 케이스 수에 따라서도 예측 정확도가 달라지며 수렴성도 크게 차이가 난다.
특히 여름은 냉방 부하 사용의 급증으로 온도에 따라 수요가 민감하게 변하게 된다. 이를 위해 본 논문에서는 여름 기간 동안에 수요예측의 정확성을 증가시키기 위하여 온도의 민감도를 도입하여 예측한 값을 신경회로망의 입력값으로 추가하여 사용한다.
그러므로 적당한 학습 케이스의 수를 선정하는 것이 중요하다. 이를 위해, 봄과 여름의 2003년, 1996년 한 주평 일만을 학습 케이스의 개수 7개, 14개, 30개로 다르게 하여 예측하여 보았다.
여름의 경우 냉방 부하의 사용 급증으로 온도에 따른 수요 변동을 고려하지 않는다면 예측 정확도가 크게 떨어지게 된다. 이를 해결하기 위해 온도 민감도를 고려하여 예측된 수요 값을 신경회로망의 6번째 입력값으로 추가하였으며 예측의 정확성을 향상시키고자 하였다.
여름은 온도와 부하 사이의 상관관계가 큼으로 이 값을 입력값에 추가하는 것은 예측의 정확도를 향상시키게 된다. 이에 대한 결과를 알아보기 위해, 2003년과 2002년의 7월부터 8월까지의 기간을 5개의 입력을 갖는 경우와 6개의 입력을 갖는 경우 두 가지로 예측하여 보았다.
본 논문에서는 전력 수요 예측의 정확성을 잃지 않으면서도 적은 입력값으로 예측할 수 있는 컴팩트한 신경회로망 알고리즘을 제안한다. 최소 구조를 갖기 위해 필수적인 입력값만을 선정하였으며 학습 오차 수렴 범위 안에 수렴이 잘되도록 하기 위해 입력값의 크기 조정을 하였다. 또한 입력값과.
오차범위 안에 수렴하지 않을 경우 105만큼 학습한 뒤 수행을 멈추도록 하였다. 프로그램은 MATLAB으로 코딩했으며, 입력 데이터는 txt 파일 형식으로 입력되었다.

대상 데이터

또한 학습 케이스 수에 따라서도 예측 정확도가 달라지며 수렴성도 크게 차이가 난다. 그러므로 7개, 14개, 30개의 학습 케이스를 선정, 예측하여 이중 가장 좋은 결과를 갖는 학습 케이스를 선정하도록 하였다.

데이터처리

모든 예측값은 다음식과 같이 절대 값 평균 오차를 가지고 비교 분석하였다.
제안된 알고리즘을 이용하여 1995년 3월, 8월, 12월 24시간 평균 오차, 최대 오차를 단기전력 수요예측 논문[2]과 비교하였다.

성능/효과

1995년 3월, 8월, 12월을 예측해 본 결과, 각각 24시간 평균 오차는 1.21%, 2.23%, 1.69%로 정확하였으며 최대 오차 역시 2.76%, 4.44%, 3.40%로 정확하였다.
결과적으로 30개의 학습 케이스가 7개의 학습 케이스를 사용한 것보다 약간 더 좋은 결과를 보여 지만 그렇게 큰 차이가 없으므로 7개의 학습 케이스를 선정하여도 무방하다. 또한 30개의 학습 케이스와 14개의 학습 케이스를 사용하여 학습하는 경우는 정해진 반복 횟수 안에서 오차범위 안에 들어가지 못하는 경우가 대부분이였다.
봄, 여름, 가을 계절에 따라 보았을 때 온도에 영향을 받는 여름의 예측 오차가 가장 컸다. 그리고 특이한 점은 봄과 가을의 경우 온도 민감도를 고려한 예측값을 신경회로망의 입력값으로 추가하지 않고 5개의 입력값으로만 예측하였을 경우 더욱 좋은 예측 결과를 보임을 알 수 있었다. 이는 봄과 가을과 같이 온도와 부하 사이의 상관관계가 적은 시기에 온도 민감도를 고려한 예측값을 추가하여도 신경회로망의 학습을 향상시키지 못함을 알 수 있다.
또한 학습 케이스 선정 중 특수 일이나 이벤트가 들어갈 경우 학습 오차에 큰 영향을 끼치게 되므로 이를 제외한다. 본 논문은 학습 케이스를 3가지로 두었을 때 비교해본 결과 7개의 학습 케이스의 경우, 수렴성 가장 좋았으며 오차도 정확하였다.
이에 반해, 여름의 경우 온도 민감도를 고려한 예측값을 추가하였을 때 더욱 좋은 결과를 보였다. 여름은 온도와 부하 사이의 상관관계가 큼으로 이 값을 입력값에 추가하는 것은 예측의 정확도를 향상시키게 된다.

후속연구

하지만 입력값과 데이터값, 파라미터 중 몇 개의 데이터가 오류에의해 손상된다면 신경회로망 역시 overfitting 문제를 일으킬 가능성이 높아진다. 그러므로 많은 수의 파라미터로 구성된 신경회로망보다 적은 수의 파라미터로 구성된 신경회로망이 overfitting 이 일어날 확률이 적으며, 또한 꼭 필요한 데이터들로 학습되고 오염되지 않은 데이터로 학습된다면 이 문제를 해결할 수 있으리라 생각한다. 그러므로 본 논문에서는 오버피팅의 원인이 신경회로망의 블랙박스 안에 많은 수의 변수들과 뉴런들에의해 일어남을 고려하여 최대한 간략하고 컴팩트한 모델을 구현하고자 하였다.
미래의 전력시장에서 전력수요 예측은 시장 운용자에게는 안정적이고 경제적인 시장 운영, 발전사와 수요자에게는 경쟁적인 시장에서의 입찰 전략을 세우는 데 중요한 정보를 제공한다. 본 알고리즘은 최소 구조를 사용하여 빠른 시간에 정확한 예측이 가능함으로써 미래의 전력시장에서 실시간 단기 전력 수요 예측 데이터를 제공할 것이다.
한 해마다 발생하는 이벤트는 선거, 태풍, 연말연시 등이 있으며 이로 인해 전력 수요 예측 오차는 커지게 된다. 향후에 이벤트와 수요와의 상관관계를 조사하고 해결 방안을 연구하여 더욱 정확한 예측이 이루어져야 할 것이다.
향후에는 월드컵과 같은 사회적 이벤트가 전력 수요에 끼치는 영향을 고려한 단기 전력수요 예측 알고리즘을 개발한다면 보다 정확한 미래의 수요를 예측할 수 있을 것이다.

참고문헌 (28)

H. S. Hippert, C. E. Pedriera, and R. C. Souza, 'Neural Networks for Short-term Load forecasting: A Review and Evaluation', IEEE Trans. Power Systems, Vol. 16, no. 1, pp. 44-55, 2001

상세보기
지평식, 남상천, 임재윤, 김정훈, '분류된 부하패턴을 근거로 한 단기 전력 수요 예측', 대한전기학회논문지, 제 47권, 제 3호, pp. 269-275, 1998년 3월
S. T. Chen, D. C. Yu, and A. R. Moghaddanmjo, 'Weather sensitive short-term load forecasting using nonfully connected artificial neural network,' IEEE Trans. Power Systems, Vol. 7, no. 3, pp. 1098-1105, 1992

상세보기
K. L. Ho, Y. Y. Hsu, and C. C. Yang, 'Short-term load forecasting using a multilayer neural network with an adaptive learning algorithm,' IEEE Trans. Power Systems, vol. 7, no. 1, pp. 141-149, 1992

상세보기
K. H. Kim, J. K. Park, K. J. Hwang, and S. H. Kim, 'Implementation of hybrid short-term load forecasting in an autonomous power system using artificial neural networks,' IEEE Trans. Power Systems, vol. 10, no. 3, pp. 1534-1539, 1995

상세보기
D. C. Park, M. A. EI-Sharkawi, R. J. Marks II, L. E. Atlas, and M. J. Damborg, 'Electric load forecasting using an artifircial neural network,' IEEE Trans. Power Systems, vol. 6, no. 2, pp. 442-449, 1991

상세보기
T. M. Peng, N. F. Hubele, and G. G. Karady, 'Advancement in the application of neural networks for short-term load forecasting,' IEEE Trans. Power Systems, vol. 7, no. 1, pp. 250-257, 1992

상세보기
A. S. Alfuhaid, M. A. EI-Sayed, and M. S. Mahmoud, 'Cascaded artificial neural networks for short-term load forecasting,' IEEE Trans. Power Systems, vol. 12, no. 4, pp. 1524-1529, 1997

상세보기
A. G. Bakirtzis, V.Petridis, S. J. Kiartzis, M. C. Alexiadis, and A. H. Maissis, 'A neural network short term load forecasting model for the Greek power system,' IEEE Trans. Power Systems, vol. 11, no. 2, pp. 858-863, 1996

상세보기
M. H. Choueiki, C. A. Mount-Campbell, and S. C. Ahalt, 'Building a 'Quasi Optimal' neural network to solve the short-term load forecasting problem,' IEEE Trans. Power Systems, vol. 12, no. 4, pp.1432-1439, 1997

상세보기
M. H. Choueiki, C. A. Mount-Campbell, and S. C. Ahalt, 'Implementing a weighted least squares procedure in training a neural network to solve the short-term load forecasting problem,' IEEE Trans. Power Systems, vol. 12, no. 4, pp. 1689-1694, 1997

상세보기
T. W. S. Chow and C. T. Leung, 'Neural network based short-term load forecasting using weather compensation,' IEEE Trans. Power Systems, vol. 11, no. 4., pp. 1736-1742, 1996

상세보기
I. Drezga and S. Rahman, 'Input Variable Selection for ANN-based Short-term Load Forecasting,' IEEE Trans. on Power Systems, Vol. 13, No. 4, pp. 1238-1244, Nov. 1998

상세보기
A. Khotanzard, R. Afkhami-Rohani, T. L. Lu, A. Abaye, M. Davis, and D. J. Maratukulam, 'ANNSTLF-A neural-network-based electric laod forecasting system,' IEEE T. Neural Nets., vol. 8, no. 4, pp. 835-846, 1997

상세보기
A. Khotanzard, R. Afkhami-Rohani, and D. Maratukulam, 'ANNSTLF-Artificial neural network short-term load forecasting-Generation three,' IEEE Trans. Power Systems, vol. 13. no. 4, pp. 1413-1422, 1998

상세보기
A. Khotanzad, R. C. Hwang, A. Abaye, and D. Maratukulam, 'An adaptive modular artificial neural network hourly load forecaster and its implementation at electric utilities,' IEEE Trans. Power Systems, vol. 10, no. 3, pp. 1716-1722, 1995

상세보기
S. J. Kiartzis, C. E. Zoumas, J. B. Theocharis, A. G. Bakirtzis, and V. Petridis, 'Short-term load forecasting in an autonomous power system using artificial neural networks,' IEEE Trans. Power systems, vol. 12, no. 4, pp. 1591-1596, 1997

상세보기
R. Lamedica, A. Prudenzi, M. Sfoma, M. Caciotta, and V. O. Cencelli, 'A neural network based technique for short-term forecasting of anomalous load periods,' IEEE Trans. Power Systems, vol. 11, no. 4, pp. 1749-1756, 1996

상세보기
K. Y. Lee, Y. T. Cha, and J. H. Park, 'Short-term load forecasting using an artificial neural network,' IEEE Trans. Power Systems, vol. 7, no. 1, pp. 124-132, 1992

상세보기
C. N. Lu, H. T. Wu, and S. Vemuri, 'Neural network based short term load forecasting,' IEEE Trans. Power Systems, vol. 8, no. 1, pp. 336-342, 1993

상세보기
O. Mohammed, D. Park, R. Mercant, T. Dinh, C. Tong, A. Azeem, J. Farah, and C. Drake, 'Practical experiences with an adaptive and neural network short-term load forecasting system,' IEEE Trans. Power Systems, vol. 10, no. 1, pp. 254-265, 1995

상세보기
A. D. Papalexopoulos, S. Hao, and T. M. Peng, 'And implementation of a neural network based load forecasting model for the EMS,' IEEE Trans. Power Systems, vol. 9, no. 4, pp. 1956-1962, 1994

상세보기
A. Piras, A. Germond, B. Buchenel, K. Imhof, and Y. Jaccard, 'Heterogeneous artificial neural network for short term electrical load forecasting,' IEEE Trans. Power Systems, vol. 11, no. 1, pp. 397-402, 1996

상세보기
D. Srinivasan, A. C. Liew, and C. S. Chang, 'Forecasting daily load curves using a hybrid fuzzy-neural approach,' lEE Proc.-Gener. Transm. Distrib., vol. 141, no. 6, pp. 561-567, 1994

상세보기
K. Liu, S. Subbarayan, R. R. Shoults, M. T. Manry, C. Kwan, F. L. Lewis, and J. Naccari, 'Comparison of very short-term load forecasting techniques,' IEEE Trans. Power Systems, vol. 11, no. 2, pp. 877-992, 1996

상세보기
송경빈, 하성관, '단기수요예측 알고리즘', 대한전기학회논문지, 제 53A권, 제 10호, pp. 529-535, 2004년 10월

원문보기 상세보기
전력수급계획 및 운용해석 종합시스템 개발에 관한 연구(2차년도 중간보고서), 전력연구원, TM94YJ15.9705, 1996
K.-B. Song, Y.-S. Baek, D. H. Hong, and G. Jang, 'Short-Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method', IEEE Transactions on Power Systems, Vol. 20, No.1, pp. 96-101, February 2005

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증