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.28 no.9, 2016년, pp.355 - 360
Continuing to the modeling of heating load, this paper, as the second part of consecutive works, presents LS-SVM (least square support vector machine) based model of winter time apartment hot water supply load in a district heating system, so as to be used in prediction of heating energy usage. Simi...
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
동절기 공동주택(apartment)의 열부하는 무엇으로 구성되는가? | 동절기 공동주택(apartment)의 열부하는 난방 부하와 온수급탕부하로 구성된다. 본 연구는 지역난방을 사용하는 공동주택 동절기 열부하의 수요 예측에 활용될 수 있는 모델 구축을 목적으로 수행된 연구의 두 번째 결과로서, 선행연구의 난방부하 모델링(1)에 이어 공동주택의 동절기 온수급탕부하의 모델링에 관한 것이다. | |
LS-SVM 기반 모델이 비선형성 및 분산도가 대단히 강한 데이터가 모델링에 사용되는 경우에는 어떠한가? | LS-SVM 기반 모델의 일반화 성능은 모델링에 사용되는 데이터의 수가 증가함에 따라 증가한다. 그러나 비선형성 및 분산도가 대단히 강한 데이터가 모델링에 사용되는 경우에는, 사용되는 데이터 수의 증가에 따라 모델의 예측정도가 향상되기는 하나 한계점이 존재(10)하는 것으로 알려져 있다. 동시에 모델링에 사용되는 데이터 수의 증가는 식(4)의 연산에서 요구되는 역행렬 계산시간의 급격한 증대와 연산을 위한 대용량 메모리의 필요성 등과 같은 문제들을 유발하며, 따라서 실제 구현이 현실적으로 어려워지는 문제가 발생되는 것으로 알려지고 있다. | |
공동주택의 동절기 온수급탕부하는 무엇의 의해 결정되는가? | 공동주택의 동절기 온수급탕부하는, 난방부하의 경우에서와 유사하게, 사용 시간, 공통주택의 유형(면적), 세대수, 거주 인원, 외기온도 그리고 급탕열교환기 2차측 급수 온도와 같은 다양한 인자들을 독립변수로 하는 비선형적 관계에 의해 결정된다. 따라서 공동주택 온수급탕부하의 수요 예측은, 비록 그 필요성은 명백하나, 실제적 실용 가능 수준으로 추론될 수 있는 방법의 현실화에는 지극한 한계가 존재하고 있는 부분이다. |
Werner, S. E., 1984, The heat load in district heating systems, Ph.D. Thesis, Chalmers University of Technology, Sweden.
Heller, A. J., 2002, Heat load modeling for large systems, Applied Energy, Vol. 72, No. 1, pp. 371-387.
Koive, T. A. and Toode, A., 2006, Trends in domestic hot water consumption in Estonian apartment building, Proc. Estonian Academy of Science Engineering, Vol. 12, No. 1, pp. 72-80.
Evarts, J. C. and Swan, L. G., 2013, Domestic hot water consumption estimates for solar heating thermal sizing, Energy and Buildings, Vol. 58, pp. 58-65.
Suykens, J. A. K., 2002, Least square support vector machine, Singapore, World Science Pub.
Suykens et al., 2002, Weighted least squares support vector machines : robustness and space approximation, Neurocomputing, Vol. 48, No. 1-4, pp. 85-105.
Gavin et al., 2002, Improved sparse least squares support vector machines, Neurocomputing, Vol. 48, No. 1-4, pp. 1025-1031.
Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer.
Baudat, G. and Anouar, F., 2003, Feature vector selection and projection using kernels, Neurocomputing, Vol. 55, No. 1-2, pp. 21-38.
An, S., Liu, W., and Venkatesh, S., 2007, Fast cross validation algorithms for least squares support vector machines and kernel ridge regression, Pattern Recognition, Vol. 40, No. 8, pp. 2154-2162.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.