최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기설비공학논문집 = Korean journal of air-conditioning and refrigeration engineering, v.22 no.11, 2010년, pp.798 - 804
New methodology is proposed to predict the hourly cooling load of the next day using maximum/minimum temperature and building area. The maximum and minimum temperature are obtained from forecasted weather data. The cooling load parameters related to building area are set through a database provided ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
건물 구조체의 복잡한 열적 동특성을 해석하여 냉방 부하를 예측하는 방법에는 무엇이 있는가? | 건물의 시간별 냉방 부하 패턴을 예측하는 방법은 건물 구조체의 복잡한 열적 동특성을 해석하여 냉방 부하를 예측하는 방법이 있다. 이러한 방법에는 건물 구조체의 열평형 방정식에 대한 주기경계 조건을 적용하여 계산하는 주파수 응답법,(3) Z-변환이론을 기초로 한 방법으로 응답계수와 전도전달 함수를 포함하여 건물의 동특성을 해석하는 Z-변환법,(4) 열평형법의 열전달모델을 상당외기 온도와 표면 온도 사이에서 일어나는 단일열전달로 단순화시켜서 해석하는 복사시급수법(RTS)(5) 등이 있다. 이러한 방법들은 건물의 물리적 특성을 고려하고, 건물에 대한 상세한 자료를 입력하기 때문에 비교적 정확한 냉방부하 예측 결과를 얻을 수 있으나 에너지 해석 전문가가 아닌 일반 건물 관리자나 운용자가 사용하기에는 매우 어렵다. | |
건물의 에너지 사용량 분포는? | 특히 2000년 기준으로 전체 에너지 수요의 22%가 건물부문이 차지하고 있으며 2010년에는 26%, 2020년에는 27%로 확대될 것으로 예상된다.(1) 건물의 에너지 사용량 분포는 전체 건물 에너지 수요의 50%가 냉ㆍ난방과 관련된 공조설비에 사용되어 지고 있으며 냉방용 에너지 수요가 지속적으로 증가되고 있다.(2) 따라서 건물 에너지 수요의 30% 이상을 차지하고 있는 냉방 에너지를 절감하기 위해 최근에는 빙축열, 수축열, 지열, 지역냉방과 같은 환경 친화적이고, 에너지 절약적인 공조 시스템이 건물의 냉방에 적용 및 확산되고 있다. | |
인공지능 알고리즘을 사용한 통계적인 방법은 어떤 방법인가? | 이러한 방법들은 건물의 물리적 특성을 고려하고, 건물에 대한 상세한 자료를 입력하기 때문에 비교적 정확한 냉방부하 예측 결과를 얻을 수 있으나 에너지 해석 전문가가 아닌 일반 건물 관리자나 운용자가 사용하기에는 매우 어렵다. 건물의 시간별 냉방부하를 예측하는 또 한 가지 방법은 인공지능 알고리즘을 사용한 통계적인 방법으로 건물에서 발생하는 물리적인 고려가 필요 없으며 건물의 과거에 기록된 실제 냉방부하 데이터를 입력시켜 학습한 결과를 예측 냉방부하로 도출하는 방법이다.(6-8) 이 방법을 통해 냉방부하를 예측할 경우 고전적인 방법에 비해 사용하기에는 편리하지만 과거 실측 데이터가 많을수록 학습의 결과로부터 얻어지는 예측 부하가 정확해 지기 때문에 신규 건물이나 과거 데이터가 충분히 축적되지 못한 건물에는 적용할 수 없다. |
Energy Statistical Yearly Report, 2009, Korea Energy Economic Institute.
Statistical Analysis on the Electric Power Consumption of Individual Usage of Building, 2002, Korea Energy Management Corporation.
Davies, M. G., 1983, Transmission and storage characteristics of sinusoidally excited wall-A Review, Applied Energy, Vol. 15, pp. 167-231.
Seem, J. E. et al., 1989, Transfer functions for efficient calculation of multidimensional transient heat transfer, ASME J. of Heat Transfer, Vol. 111.
Spilter, J. D., Fisher, D. E. and Pedersen, C. O., 1997, The radiant time series cooling load calculation procedure, ASHRAE Transactions, Vol. 103, No. 2, pp. 503-515.
Hou, Z., Lian, Z., Yao, Y. and Yuan, X., 2006, Cooling-load prediction by the combination of rough set theory and an artifical neural-network based on data-fusion technique, Applied Energy, Vol. 83, pp. 1033-1046.
Yang, J., Rivard, H and Zmeureanu, R., 2005, On-line building energy prediction using adaptive artifical neural network, Energy and Building, Vol. 37, pp. 1250-1259.
Li, O., Meng, Q., Yoshino, H and Mochida, A., 2009, Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural network, Energy Conversion and Management, Vol. 50, pp. 90-96.
Yoo, S. H., Lee, J. M., Han, K. H. and Han, S. H., 2006, A study on prediction of temperature and humidity for estimation of cooling load, Korean Journal of Air-Conditioning and Refrigeration Engineering, Vol. 19, No. 5, pp. 394-402.
Yoo, S. H., Han, K. H., Lee, J. M. and Han, S. H., 2006, A study on estimation of cooling load for effective control of ice thermal storage system, Korean Journal of Air-Conditioning and Refrigeration Engineering, Vol. 19, No. 5, pp. 394-402.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.