[논문]부하 패턴을 고려한 건물의 전력수요예측 및 ESS 운용

황혜미; 박종배; 이성희; 노재형; 박용기

doi:10.5370/kiee.2016.65.9.1486

문제 정의

더불어 본 논문에서는 소규모 건물부하의 특성 상 해당 수요예측 방법이 취약할 수 있는 실시간 정확도 및 갑작스런 부하변동 이벤트에 대한 적응력을 높이기 위하여 별도의 오차보정 방법을 제시하였다. 보정방법은 과거 운전 결과를 바탕으로 발생된 오차의 평균을 실시간 예측 결과에 적용하는 방식을 사용하였다.
제시한 보정 식은 시간 t가 누적될수록 과거 오차에 대한 학습 결과가 누적되는 형태로서 보정 시점 및 시간, 주기 등에 영향을 받을 수 있다. 본 논문에서는 보정계수에 반영하는 시간의 범위에 따른 예측 오차의 변화를 살펴보고, 각 경우의 예측 정확도를 계산하였다. 보정계수의 반영 시간은 현재 예측 시점을 중심으로 과거 수요 전체를 반영하는 누적보정 방식과 현재 시점으로부터 과거 30일 평균, 2주 평균, 1주 평균, 2일 평균, 전날 1일평균을 적용하였으며, 각각의 보정계수를 반영하여 예측 정확도를 계산한 결과는 표 5와 같다.
본 논문에서는 선행 연구의 결과를 바탕으로 예측도가 떨어지는 그룹에 대한 새로운 참조 패턴을 제안하고, 전력 부하 측면에서의 이벤트나 예측 가능한 부하 운영 환경 변동에도 대응할 수 있는 주기별 오차 보정 방안에 관하여 연구하였다. 또한 대상 건물의 에너지저장시스템(ESS) 및 부하예측시스템으로 구성된 에너지관리시스템을 가정하여 부하의 불확실성을 고려한 주기별 오차보정 방식이 부하예측 및 ESS 운영 스케줄링을 통하여 경제적 부하 운영에 미치는 영향을 살펴보았다.
따라서 실제 부하예측시스템이 운영될 경우 급격한 부하 환경 변화에 대응할 수 있는 보정 방안이 필요하다. 본 논문에서는 아래와 같이 예측 주기에 따라 부하의 전력수요 실적과 예측값 사이의 차이를 보정하는 방안을 제시하였다. 여기서, c_t는 시간 t에서의 보정계수, 본 논문은 부하의 전력수요예측을 목적으로, 실제 측정된 전력부하 데이터를 계층적 군집분석 기법을 통하여 결정된 예측 대상패턴을 활용한 수요예측 방안에 관하여 제시하였다. 이중 선행연구를 통하여 결정된 패턴을 토대로, 예측 정확도가 떨어지는 특수 패턴에 대하여 실제로 패턴별 부하 분석을 실시하고 예측력을 높일 수 있도록 참조 수요 패턴 변경을 실시하였다.

제안 방법

패턴 1과 3은 특이 수요를 나타내는 그룹들로서, 유사 연구들에서도 이러한 특수 경부하 기간의 예측에 대한 정확도를 높이기 위한 연구가 꾸준히 진행되어 오고 있다[3],[6],[8]. 따라서 본 논문에서는 대상 부하의 수요 패턴의 특성을 확인하여 오차 발생 원인을 파악하고, 예측 정확도를 향상시킬 수 있는 참조 수요를 찾아내어 패턴 1과 3에 대한 새로운 참조 패턴을 제안하였다.
따라서 본 논문에서는 대상 부하의 수요예측을 위한 부하 패턴 1과 3의 참조 수요를 모두 ‘직전 휴일’로 표 3과 같이 제안하였다.
본 논문에서는 선행 연구의 결과를 바탕으로 예측도가 떨어지는 그룹에 대한 새로운 참조 패턴을 제안하고, 전력 부하 측면에서의 이벤트나 예측 가능한 부하 운영 환경 변동에도 대응할 수 있는 주기별 오차 보정 방안에 관하여 연구하였다. 또한 대상 건물의 에너지저장시스템(ESS) 및 부하예측시스템으로 구성된 에너지관리시스템을 가정하여 부하의 불확실성을 고려한 주기별 오차보정 방식이 부하예측 및 ESS 운영 스케줄링을 통하여 경제적 부하 운영에 미치는 영향을 살펴보았다.
이로써 대상 부하의 패턴 그룹은 우선 평일과 휴일로 나뉘고, 평일은 일반 평일과 연휴 전후 평일로 1차 분류되었다. 또한 실제 계측 데이터의 전력 수요특성 분석을 통하여, 국내 일반적인전력 수요의 특성을 반영한 평일 월요일, 화요일~금요일의 전력수요 패턴과 연휴 전후 휴일의 수요 특성도 함께 부하 그룹에 반영하였다.
우선 보정 기법을 적용하지 않고 제안된 수요 예측 기법에 따라 48시간 동안의 부하를 예측하고, TOU 요금을 기반으로 해당기간 동안의 ESS 스케줄링을 실시하였다. 또한 제시한 보정기법 중 누적보정과 최근 1일 보정을 실시한 결과를 바탕으로 수요예측을 실시한 후 이에 대한 ESS 스케줄링을 시뮬레이션하였다. 그림 5는 보정 기법이 적용되지 않은 상태에서의 ESS 운영결과를 나타내며, 그림 5는 보정기법을 사용한 상태에서의 수요예측결과와 각각의 보정기법을 사용하였을 경우의 24시간 ESS 스케줄링결과이다.
본 논문에서는 보정계수에 반영하는 시간의 범위에 따른 예측 오차의 변화를 살펴보고, 각 경우의 예측 정확도를 계산하였다. 보정계수의 반영 시간은 현재 예측 시점을 중심으로 과거 수요 전체를 반영하는 누적보정 방식과 현재 시점으로부터 과거 30일 평균, 2주 평균, 1주 평균, 2일 평균, 전날 1일평균을 적용하였으며, 각각의 보정계수를 반영하여 예측 정확도를 계산한 결과는 표 5와 같다. 표의 결과에서도 볼 수 있듯이 보정 전에 비하여 보정 후의 예측 오차가 더 작은 것을 볼 수 있으며, 또한 보정계수 산출에 반영되는 시간이 짧을수록 보정에 의한 예측 정확도가 더 높아지는 것을 확인할 수 있었다[7].
더불어 본 논문에서는 소규모 건물부하의 특성 상 해당 수요예측 방법이 취약할 수 있는 실시간 정확도 및 갑작스런 부하변동 이벤트에 대한 적응력을 높이기 위하여 별도의 오차보정 방법을 제시하였다. 보정방법은 과거 운전 결과를 바탕으로 발생된 오차의 평균을 실시간 예측 결과에 적용하는 방식을 사용하였다. 제시한 보정방법의 효과 및 경제적 부하운영의 영향은 에너지저장장치 운영을 가정한 시뮬레이션을 통하여 확인할 수 있었으며, 본 연구 결과는 소규모 부하의 전력 수요예측을 통한 부하관리 및 에너지관리시스템 분야에서 효율적으로 사용될 수 있을 것으로 판단된다.
선행연구를 통하여, 대상 부하의 전력수요 예측을 위한 부하(한국에너지기술연구원 제1연구동)의 전력데이터(1분)를 수집하고, 일별 전력수요(1440분)에 따라 군집분석을 실시하였다. 군집분석은 월별 날짜(24시간, 1440분)를 중심으로 전력 수요량이 비슷한 날짜들을 그룹화하기 위하여, 계층적 군집분석(Hierarchical Clustering Method)을 활용하였다[11].
연구를 통하여 제시된 예측 방법 및 오차보정 기법이 실제 수요 예측시스템에 적용될 경우의 영향을 평가하기 위하여, 본 논문에서는 제안된 예측 방법이 적용된 부하수요예측 시스템과 오차 보정기법을 적용할 에너지저장시스템(ESS)을 가정하고, 제안된 시간대별 수요 예측 및 보정 결과에 따라 48시간 ESS의 충/방전 스케줄링을 시뮬레이션하였다.
완성된 패턴에 대한 전력수요예측 결과는 수집된 대상 부하의 전력수요 데이터를 활용하여, 2015년 1월 1일부터 7월 15일까지의 전력부하 수요를 군집분석을 통하여 세분화된 부하 패턴별로 예측한 후, 각 패턴별로 오차를 평가하였다. 이때 그룹 패턴별 예측의 정확도를 평가하기 위하여 절대비율오차(Absolute Percent Error, APE)를 활용하였으며 단순회귀모형의 결정계수 R²(Coefficient of Determination, R-square)을 계산하여 예측값과 실제값 사이의 타당성을 검증하였다[13].
우선 보정 기법을 적용하지 않고 제안된 수요 예측 기법에 따라 48시간 동안의 부하를 예측하고, TOU 요금을 기반으로 해당기간 동안의 ESS 스케줄링을 실시하였다. 또한 제시한 보정기법 중 누적보정과 최근 1일 보정을 실시한 결과를 바탕으로 수요예측을 실시한 후 이에 대한 ESS 스케줄링을 시뮬레이션하였다.
이로써 대상 부하의 패턴 그룹은 우선 평일과 휴일로 나뉘고, 평일은 일반 평일과 연휴 전후 평일로 1차 분류되었다. 또한 실제 계측 데이터의 전력 수요특성 분석을 통하여, 국내 일반적인전력 수요의 특성을 반영한 평일 월요일, 화요일~금요일의 전력수요 패턴과 연휴 전후 휴일의 수요 특성도 함께 부하 그룹에 반영하였다.
즉, 소규모 특정 부하에서는 부하의 수요 및 변동 특성, 변동량을 충분히 반영할 수 있는 예측 방법이 필요하다. 이를 위한 선행 연구에서, 우선 한국에너지기술연구원(Korea Institute of Energy Research, KIER)의 건물 부하를 대상으로, 기존의 전력계통 수요예측과는 달리 예측 대상을 사전에 정의하지 않고 자율적으로 그룹핑하여 부하에 가장 적합한 예측 대상을 도출하고, 예측 대상그룹에 대한 부하 수요패턴을 작성하였다. 또한 건물의 수요패턴에 따라 예측 정확도를 평가하여 일부 특수 패턴에 대한 결과를 제외하고, 전반적으로 높은 예측 정확도를 나타내고 있음을 확인하였다[9]-[10].
이와 같은 방식으로 수요 예측을 위하여 도출된 최종 부하패턴은 총 7가지(패턴1 특수 휴일, 패턴2 일반 주말, 패턴3 연휴 전/후 주말, 패턴4 일반 평일(월요일), 패턴5 일반 평일(화요일~금요일), 패턴6 연휴 전/후 평일(월요일), 패턴7 연휴 전/후 평일(화요일~금요일))이고, 기존의 다양한 연구 결과를 바탕으로 표 1과 같이 각각의 패턴에 –365일, -7일, -14일, -3일, -1일, -14일, -1일의 전력수요 참조 날짜를 적용하여 패턴별 수요예측을 수행하였다[6],[7],[9],[12].
본 논문은 부하의 전력수요예측을 목적으로, 실제 측정된 전력부하 데이터를 계층적 군집분석 기법을 통하여 결정된 예측 대상패턴을 활용한 수요예측 방안에 관하여 제시하였다. 이중 선행연구를 통하여 결정된 패턴을 토대로, 예측 정확도가 떨어지는 특수 패턴에 대하여 실제로 패턴별 부하 분석을 실시하고 예측력을 높일 수 있도록 참조 수요 패턴 변경을 실시하였다. 그 결과 기존 연구 결과보다 우수한 예측 정확도를 확보할 수 있었으며, 이로써 부하 고유의 특성이 반영된 건물의 전력 수요를 고도의 예측 기법 없이도 높은 정확도의 예측 결과를 얻을 수 있음을 확인하였다.
그림 5와 6에서 보는 바와 같이, 보정전후 및 부하의 보정방식(누적보정 및 1일 보정)에 따라 부하예측은 시간이 지날수록 각기 다른 결과를 나타내었고 이에 따른 ESS 운영 스케줄의 차이를 확인할 수 있다. 좀 더 명확한 예측 보정의 효과를 입증하기 위하여, 표 6과 같이 부하 및 ESS 운영 스케줄 결과를 바탕으로 1일 동안의 전력요금을 계산하여 비교하여 보았다.

대상 데이터

군집분석은 월별 날짜(24시간, 1440분)를 중심으로 전력 수요량이 비슷한 날짜들을 그룹화하기 위하여, 계층적 군집분석(Hierarchical Clustering Method)을 활용하였다[11]. 분석에 활용된 데이터는 실제 계측된 데이터 2013년 4월 9일~2015년 7월 15일 중에서2013년과 2014년 데이터이며, 이중 해당 날짜에 왜곡된 데이터가 있는 날짜가 포함된 달은 전체 군집 특성에 영향을 미칠 수 있으므로 제외하였다. 계층적 군집분석의 평균연결법(Average Linkage Method)을 적용하여 군집분석을 수행한 결과, 그림 2에서 보는 바와 같이 크게 부하 그룹을 평일과 휴일 그룹으로 나타내었으며, 이중 연휴 전 평일은 일반 평일에 속하긴 하지만 다른 수요 양상을 나타내는 것을 확인하였다[9].

데이터처리

완성된 패턴에 대한 전력수요예측 결과는 수집된 대상 부하의 전력수요 데이터를 활용하여, 2015년 1월 1일부터 7월 15일까지의 전력부하 수요를 군집분석을 통하여 세분화된 부하 패턴별로 예측한 후, 각 패턴별로 오차를 평가하였다. 이때 그룹 패턴별 예측의 정확도를 평가하기 위하여 절대비율오차(Absolute Percent Error, APE)를 활용하였으며 단순회귀모형의 결정계수 R²(Coefficient of Determination, R-square)을 계산하여 예측값과 실제값 사이의 타당성을 검증하였다[13].
따라서 본 논문에서는 대상 부하의 수요예측을 위한 부하 패턴 1과 3의 참조 수요를 모두 ‘직전 휴일’로 표 3과 같이 제안하였다. 이때 이전 방식과의 예측 정확도 비교는 평균절대오차(Mean Absolute Percent Error), MAPE를 활용하였으며 계산 방법은 식 (3)과 같다.

이론/모형

선행연구를 통하여, 대상 부하의 전력수요 예측을 위한 부하(한국에너지기술연구원 제1연구동)의 전력데이터(1분)를 수집하고, 일별 전력수요(1440분)에 따라 군집분석을 실시하였다. 군집분석은 월별 날짜(24시간, 1440분)를 중심으로 전력 수요량이 비슷한 날짜들을 그룹화하기 위하여, 계층적 군집분석(Hierarchical Clustering Method)을 활용하였다[11]. 분석에 활용된 데이터는 실제 계측된 데이터 2013년 4월 9일~2015년 7월 15일 중에서2013년과 2014년 데이터이며, 이중 해당 날짜에 왜곡된 데이터가 있는 날짜가 포함된 달은 전체 군집 특성에 영향을 미칠 수 있으므로 제외하였다.
여기서 누적보정은 전술하였듯이 과거데이터 전체의 오차평균을 반영한 것이고 1일 보정은 예측 시점에서 24시간 과거 데이터의 오차 평균을 반영한 것이다. 또한 시뮬레이션에 사용된 ESS 최적 운용 프로그램은 현재 한국에너지기술연구원에 설치되어 있는 신재생에너지 통합모니터링시스템을 활용하였고, 전력요금은 TOU 요금제를 활용하였다[14],[15].

성능/효과

수정 제안된 참조수요 패턴을 적용하여 동일한 예측기간(2015년 1월 1일~2015년 7월 15일) 동안 패턴별 예측 수요를 예측한 결과, 대상 부하의 전력수요는 표 4와 같다. 결과에서 보는 바와 같이 패턴 1의 경우에는 수정 패턴을 적용하였을 때, APE를 활용한 예측 정확도는 99.33%로 수정 전의 결과(APE 22.62%)와비교하여 정확도가 97% 향상되었다. 패턴 3 역시 APE 기준 예측 정확도가 80.
분석에 활용된 데이터는 실제 계측된 데이터 2013년 4월 9일~2015년 7월 15일 중에서2013년과 2014년 데이터이며, 이중 해당 날짜에 왜곡된 데이터가 있는 날짜가 포함된 달은 전체 군집 특성에 영향을 미칠 수 있으므로 제외하였다. 계층적 군집분석의 평균연결법(Average Linkage Method)을 적용하여 군집분석을 수행한 결과, 그림 2에서 보는 바와 같이 크게 부하 그룹을 평일과 휴일 그룹으로 나타내었으며, 이중 연휴 전 평일은 일반 평일에 속하긴 하지만 다른 수요 양상을 나타내는 것을 확인하였다[9].
이중 선행연구를 통하여 결정된 패턴을 토대로, 예측 정확도가 떨어지는 특수 패턴에 대하여 실제로 패턴별 부하 분석을 실시하고 예측력을 높일 수 있도록 참조 수요 패턴 변경을 실시하였다. 그 결과 기존 연구 결과보다 우수한 예측 정확도를 확보할 수 있었으며, 이로써 부하 고유의 특성이 반영된 건물의 전력 수요를 고도의 예측 기법 없이도 높은 정확도의 예측 결과를 얻을 수 있음을 확인하였다.
그 결과, 표 6에서 보는 바와 같이 보정 전 수요 예측에 대한 1일 전력요금보다 보정에 의한 예측력 향상 및 ESS의 운영 효과로 인하여, 보정 후 1일 전력요금이 감소하였음을 볼 수 있다.해당 보정 방식은 보정 주기가 짧고 보정 데이터가 많이 쌓일수록 그 효과가 커지게 되므로, 실제 시스템을 지속적으로 운영하는 경우 예측 및 보정의 효과는 더욱 커질 것으로 판단된다.
02%로 약 95% 증가한 결과를 나타내었다. 또한 전체 MAPE는 패턴 1만 수정한 경우 15.6%에서14.26%로 약 9% 예측 정확도가 향상되었고, 패턴 3만 수정한 경우에는 2.4%, 패턴 1과 3 모두를 수정하여 반영한 경우는13.88%로 수정 전에 비하여 전체 예측 정확도가 11.5% 향상되었음을 확인하였다.
본 논문에서 제시한 예측 방법은 개별 건물 부하에 대한 단기 전력수요예측 방법으로서 예측 방법이 비교적 간단하고 예측 시스템 구축 시 쉽게 운영할 수 있다는 장점을 가진다. 하지만 대상 부하가 소규모 건물 부하이고 일정 기간 내에서 과거 전력수요 실적을 기반으로 예측되므로 부하 운영 환경이 급격히 변화하는 경우에는 예측 오차가 커질 가능성이 있다.
이 역시 참조 수요는 –14일을 활용하고 있지만, 실제 데이터를 바탕으로 분석한 결과, 그림 4에서 보는 바와 같이 부하 환경 조건이 비슷한 ‘최근 휴일’의 수요와 더 유사한 부하 수준을 나타내고 있음을 확인하였다.
전력수요예측에 대한 오차율은 결과에서 보는 바와 같이 전체7개 패턴에 대한 예측 오차가 0.0048%, 예측 정확도(1-APE)는 99.9952%로 매우 높게 나타났으며, 결정계수 역시 0.9058로서 해당 예측 방식은 타당한 것을 알 수 있다. 하지만 특수 휴일(패턴1)과 연휴전후 주말(패턴 3)에서 패턴별 예측 정확도는 10% 이상 떨어지는 것을 볼 수 있다.
제시한 보정 식은 시간 t가 누적될수록 과거 오차에 대한 학습 결과가 누적되는 형태로서 보정 시점 및 시간, 주기 등에 영향을 받을 수 있다. 본 논문에서는 보정계수에 반영하는 시간의 범위에 따른 예측 오차의 변화를 살펴보고, 각 경우의 예측 정확도를 계산하였다.

후속연구

보정방법은 과거 운전 결과를 바탕으로 발생된 오차의 평균을 실시간 예측 결과에 적용하는 방식을 사용하였다. 제시한 보정방법의 효과 및 경제적 부하운영의 영향은 에너지저장장치 운영을 가정한 시뮬레이션을 통하여 확인할 수 있었으며, 본 연구 결과는 소규모 부하의 전력 수요예측을 통한 부하관리 및 에너지관리시스템 분야에서 효율적으로 사용될 수 있을 것으로 판단된다.

핵심어	질문	논문에서 추출한 답변
	대규모 부하의 수요 예측에 관한 기존의 연구의 문제점은?	이러한 대규모 부하의 수요 예측에 관한 연구는 크게 과거시계열적인 특성을 바탕으로 예측 방법을 고도화하거나 기상 및 이벤트와 같은 요소와의 관계를 규명하는 방향으로 이루어져왔다. 하지만 기존의 연구들은 대부분 부하의 변동성이나 불확실성이 그리 크지 않은, 국내 전력 계통을 대상으로 하는 대규모 부하에 대한 예측 연구들이 주를 이루고 있다[1]-[8].
	예측을 통한 전력 수요 결과는 어디에 활용되는가?	전력수요예측은 현재에도 수많은 연구가 진행되고 있고 점차 고도화되는 예측기법들이 개발되고 있으며, 대부분 국내 전체 계통의 전력 수요를 대상으로 한다. 예측을 통한 전력 수요 결과는 전력 계통 내의 발전기 운영예비력이나 기동정지계획 등 전력 계통의 수급 운용에 활용되고 있으며, 계통의 안정적이고 경제적인운용을 위하여 상당히 중요한 역할을 담당한다. 이러한 전력수요예측은 비단 대규모 전력 계통에 국한된 것은 아니다.
	대규모 부하의 수요 예측에 관한 연구는 어떤 방향으로 이루어져 왔는가?	전력수요예측에 관한 연구는 이미 통계적, 수리적 방법으로 다양하게 연구되어 오고 있으며 상당히 훌륭한 예측 결과가 나오고 있다. 이러한 대규모 부하의 수요 예측에 관한 연구는 크게 과거시계열적인 특성을 바탕으로 예측 방법을 고도화하거나 기상 및 이벤트와 같은 요소와의 관계를 규명하는 방향으로 이루어져왔다. 하지만 기존의 연구들은 대부분 부하의 변동성이나 불확실성이 그리 크지 않은, 국내 전력 계통을 대상으로 하는 대규모 부하에 대한 예측 연구들이 주를 이루고 있다[1]-[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

부하 패턴을 고려한 건물의 전력수요예측 및 ESS 운용
Load Forecasting and ESS Scheduling Considering the Load Pattern of Building 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

부하 패턴을 고려한 건물의 전력수요예측 및 ESS 운용 Load Forecasting and ESS Scheduling Considering the Load Pattern of Building 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

황혜미 (19) 박종배 (75) 노재형 (22) 박용기 (8)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

부하 패턴을 고려한 건물의 전력수요예측 및 ESS 운용
Load Forecasting and ESS Scheduling Considering the Load Pattern of Building 원문보기

AI 본문요약
AI-Helper