[논문]미세먼지와 기상정보 기반의 AHP 분석을 통하여 태양광 발전소 최적입지선정에 대한 사례연구

이건주; 이기현; 강성우

doi:10.12812/ksms.2017.19.4.157

미세먼지와 기상정보 기반의 AHP 분석을 통하여 태양광 발전소 최적입지선정에 대한 사례연구
A Case Study for Analyzing the Optimal Location for A Solar Power Plant via AHP Analysis with Fine Dust and Weather Information 원문보기

대한안전경영과학회지 = Journal of the Korea safety management & science, v.19 no.4, 2017년, pp.157 - 167

이건주 (인하대학교 산업경영공학과) , 이기현 (인하대학교 산업경영공학과) , 강성우 (인하대학교 산업경영공학과)

Abstract ▼ AI-Helper

Solar energy has been known as a successful alternative energy source, however it requires a large area to build power generation facilities compared to other energy sources such as nuclear power. Weather factors such as rainy weather or night time impact on solar power generation because of lack of insolation and sunshine. In addition, solar power generation is vulnerable to external elements such as changes in temperature and fine dust. There are four seasons in the Republic of Korea hereby variations of temperature, insolation and sunshine are broad. Currently factors that cause find dust are continuously flowing in to Korea from abroad. In order to build a solar power plant, a large area is required for a limited domestic land hereby selecting the optimal location for the plant that maximizes the efficiency of power generation is necessary. Therefore, this research analyze the optimal site for solar power generation plant by implementing analytic hierarchy process based on weather factors such as fine dust. In order to extract weather factors that impact on solar power generation, this work conducts a case study which includes a correlation analysis between weather information and power generation.

주제어

AI 본문요약
AI-Helper

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

문제 정의

또한 발전소 설립 시 한정된 국내 토지에 넓은 면적이 필요하므로 발전량의 효율을 극대화 할 수 있는 입지선정 방안이 필요하다. 따라서 본 논문에서는 실제 1년 이상의 발전량과 기상요인 시계열 데이터의 상관분석을 통해 발전량에 영향을 미치는 기상요인을 알아보고 이를 평가기준으로 하는 AHP(Analytic Hierarchy Process)를 통해 최적입지를 선정하고자 한다.
본 연구는 대한민국의 실제 기상데이터와 태양광 발전소의 데이터를 통계적으로 분석하여 각 지역별 (도별) 영향을 끼치는 주요 기상요인을 밝혀냈다. 공통적으로 4가지 기상요인(일조량, 일사량, 습도, 미세먼지)이 발전량과, 기술적 에너지 잠재량과 상관관계가 있으며 일조량과 일사량은 양의 상관관계, 습도와 미세먼지는 음의 상관관계를 가짐을 알 수 있었다.
예측 알고리즘으로 다수의 기저 분류자(분류방법)를 결합한 앙상블 집합을 생성하여 단일 분류자의 예측의 정확도를 개선시키기 위한 목적으로 제안되었다. 앙상블 학습의 목적은 단일 분류자만으로 학습이 어려운 복잡한 패턴을 여러 하위 패턴으로 나누어 효과적인 학습을 가능하게 하고, 하위 패턴의 학습 결과를 결합하여 단일 분류자에 비해 정확한 결과를 얻기 위함에 있다(Myungjong Kim, 2010).
하지만 이 연구는 일사량만을 활용하여 발전량 효율을 분석하였기 때문에, 대기의 오염상태 등을 반영하지 못한다는 한계가 있다. 이러한 점을 극복하기 위해 본 논문에서는 기상요인에 미세먼지라는 대기 오염과 관련된 요인을 추가하여 분석을 실시 하였다. 발전효율에 대한 다른 연구로 패널의 오염도에 따른 발전효율에 대한 연구가 있다.
하지만, 여러 기상요인에 영향을 받는 발전량을 기온 데이터만으로 예측한 모델이기에 보다 다양한 기상요인이 결합 된 예측모델에 비해 정확도가 떨어질 우려가 있고, 장기적인 관점의 예측은 어려울 수 있다는 단점이 있다. 이러한 점을 극복하기 위해 본 논문에서는 기온뿐만 아니라 다른 기상요인을 추가하여 분석을 실시하였다.
하지만 이 연구에서 사용한 청명일사분석법은 운량이 적은 청명상태에서의 측정된 일사량만을 사용하기에 실제 환경에서의 발전량과 차이가 있을 수 있다. 이러한 점을 극복하기 위해 본 논문에서는 실제 환경에서 측정된 일사량을 사용하여 보다 실질적인 분석을 실시하였다.

제안 방법

AHP를 통한 의사결정을 위해 (2)에서 유의미한 상관관계를 보인 일사량, 일조량, 습도, 미세먼지 4가지 요인을 평가기준으로 선정하고 토지면적과 가격을 고려하여 광역시, 특별시를 제외한 전국 9개 도를 대안으로 선정하였다. 선정한 평가기준과 대안을 포함하여 작성한 의사결정 계층구조는 [Figure 4] 와 같다.
먼저 발전량에 영향을 미치는 예상요인으로 태양광 발전과 관련된 선행연구에서 사용한 일조량, 기온, 일사량, 습도 4가지 요인에 대기오염도를 반영하기 위한 미세먼지를 추가하여 총 5가지 기상요인을 선정하였다 (Lee Ki Rim et al., 2016). 선정한 예상요인이 실제로 발전량에 영향을 미치는지 알아보기 위해 이론과 실제 두가지 측면에서 1차 상관분석을 실시하였다.
본 논문은 기상요소와 발전량의 상관관계를 분석하여 발전량에 주요한 영향을 끼치는 요소를 측정하였으며 이를 태양광 발전소의 최적입지를 결정하는 AHP의 평가기준으로 채택하였다. 이를 바탕으로 경상남도가 태양광 발전소의 입지로 가장 적합하며 전라북도가 가장 적합하지 않은 것으로 분석되었다.
, 2010). 위의 두 사례 모두 특정 지역에서의 최적입지순위를 선정하였으나, 본 논문에서는 보다 넓은 범위로의 적용을 위해 광역시, 특별시를 제외한 국내 9개 도의 입지순위를 제시한다.
발전량 예측과 관련된 다른 연구로 섬이나 산과 같이 제한된 상황에서 이미 축적된 데이터에 앙상블 학습 알고리즘을 적용하여 예측모델을 개발한 연구가 있다. 이 연구에서 개발한 예측 모델은 실시간 정보가 아닌 이미 수집된 발전량과 기온데이터를 활용해 실제 태양광 발전량을 단기 예측하였다(Hyun jin Lee, 2016). 하지만, 여러 기상요인에 영향을 받는 발전량을 기온 데이터만으로 예측한 모델이기에 보다 다양한 기상요인이 결합 된 예측모델에 비해 정확도가 떨어질 우려가 있고, 장기적인 관점의 예측은 어려울 수 있다는 단점이 있다.
특히 본 논문의 사례연구에서 사용하는 AHP를 활용한 태양광 발전소 입지분석에 관한 선행연구로 내륙지역의 발전소 설립의 제한사항을 해결하기 위해 수상태양광 발전소의 입지조건을 분석한 연구가 있다. 이 연구에서는 GIS와 AHP를 활용하여 국내 두 지역의 수상 태양광 발전소 입지조건을 분석하였다(Lee Ki Rim et al., 2016). AHP를 활용한 입지분석에 관한 또다른 연구로 국내 한 지역의 지역 내 태양광 발전시설 최적 입지 선정을 진행한 연구가 있다.
이 연구에서는 경제성 분석 프로그램 ‘RETScreen’을 이용하여 국내 두 지역의 태양광 발전소 설립 예정지의 경제성을 평가 하였다(Sung-Hun Lee et al., 2011).
AHP를 활용한 입지분석에 관한 또다른 연구로 국내 한 지역의 지역 내 태양광 발전시설 최적 입지 선정을 진행한 연구가 있다. 이 연구에서는 토지이용, 표고, 경사향, 경사도, 도로, 하천의 6가지 평가기준을 갖는 AHP 분석과 GSIS를 활용해 발전소 설립 후보지를 적절성에 따라 등급화 하였다(Lee Ji Young et al., 2010). 위의 두 사례 모두 특정 지역에서의 최적입지순위를 선정하였으나, 본 논문에서는 보다 넓은 범위로의 적용을 위해 광역시, 특별시를 제외한 국내 9개 도의 입지순위를 제시한다.
미세먼지가 발전량에 미치는 영향을 분석한 선행연구인 ‘SolarCell의 미세먼지 오염 정량화에 관한 연구’에 따르면 농도가 낮을 때 미세먼지는 발전량에 영향을 미치지 않지만, 일정 농도를 넘어서면 태양광 발전량을 감소시킨다(Seung-min Lee, 2015). 이러한 선행연구의 이론을 바탕으로 본 논문에서는 2014년 영암발전소의 발전가능시간(10시~17시)의 발전량과 일 평균 미세먼지 등 약 18,600개의 CSV셀 데이터를 수집하여 일부 일자를 선택해 미세먼지 농도 구간별 2차 상관분석을 실시하였고 결과는 [Figure 3]과 같다. 2차 상관분석에서 상관계수는 선택 된 데이터의 수를 감안하여 켄달의 등위상관계수(Kendall's tau)를 사용하였다.
쌍대비교의 평가과정에서 평가대상의 수가 늘어나면 평가자는 평가의 일관성을 잃어버리게 될 수 있다. 이를 방지하고 평가자가 내린 판단의 일관성여부를 판단하기 위해 쌍대비교 시 일관성평가를 실시한다. 일관성평가에서는 일반적으로 CR(Consistency ration ; 일관성 비율)의 값을 기준으로 CR 값이 0.
3에서 얻은 가중치를 Matrix로 정리한 뒤 Matrix product를 통해 대안의 종합중요도를 계산한 결과이다. 일사량과 일조량은 발전량과 양의 상관관계를 가지므로 가중치를 그대로 사용했고, 습도와 미세먼지는 발전량과 음의 상관관계를 가지므로 가중치를 음의 값으로 보정하여 사용하였다. 종합중요도의 순서는 최적 입지순위와 같다.

대상 데이터

기술적 에너지 잠재량은 ‘신재생에너지 데이터센터’의 ‘자원지도시스템’, 미세먼지 외 기상 요인은 기상청의 ‘기상자료개방포털’, 미세먼지는 ‘에어코리아’의 데이터를 사용하였으며, 영암발전소의 발전량 및 설비용량은 ‘공공 데이터 포털’의 데이터를 사용하였다 (Korea Institute of Energy Research New-Renewable Energy Resource Center, 2017 ; Korea Meteorological Administration, 2017 ; Air Korea, 2017 ; Open Data Portal, 2017)
, 2016). 본 논문의 연구에서는 태양광 에너지의 기술적 잠재량을 비롯하여 101개의 기상청 관측소의 기상 관측값, 2014년 영암발전소의 발전량 및 설비용량 데이터 등 약 7,000,000개의 CSV셀 데이터를 수집, 분석하였다. 기술적 에너지 잠재량은 ‘신재생에너지 데이터센터’의 ‘자원지도시스템’, 미세먼지 외 기상 요인은 기상청의 ‘기상자료개방포털’, 미세먼지는 ‘에어코리아’의 데이터를 사용하였으며, 영암발전소의 발전량 및 설비용량은 ‘공공 데이터 포털’의 데이터를 사용하였다 (Korea Institute of Energy Research New-Renewable Energy Resource Center, 2017 ; Korea Meteorological Administration, 2017 ; Air Korea, 2017 ; Open Data Portal, 2017)

데이터처리

객관적인 척도 설정을 위해 평가요소에 대한 상관관계 분석결과를 활용하여 쌍대비교표를 작성하였다. 척도는 9점 척도를 적용하였으며, [Table 2] 는 9점 척도의 척도(중요도)별 의미를 표현한 것이다.
, 2016). 선정한 예상요인이 실제로 발전량에 영향을 미치는지 알아보기 위해 이론과 실제 두가지 측면에서 1차 상관분석을 실시하였다. [Figure 2]는 이론적 수치인 ‘기술적 에너지 잠재량’(A) 과 실제적 수치인 ‘2014년 영암발전소 실제 발전량’(B) 의 예상요인에 대한 1차 상관분석 결과이며, 이 때 상관계수는 피어슨 곱적률 상관계수(Pearson's product-moment coefficients of correlation)이다.
73의 매우 큰 상관계수 차이를 보여 확실한 상관관계를 특정하기 어려웠다. 이러한 불확실성을 제거하고 명확한 영향요인을 선정하기 위해 미세먼지와 발전량의 상관관계에 대한 2차 상관분석을 실시하였다.

이론/모형

2차 상관분석에서 상관계수는 선택 된 데이터의 수를 감안하여 켄달의 등위상관계수(Kendall's tau)를 사용하였다.

성능/효과

‘일사량’과 ‘일조량’은 (A)와 (B)에서 모두 강한 양의 상관관계를 보였으며, ‘습도’는 (A)에서 상관계수가 |0.3| 미만으로 특별한 상관관계가 없었지만, (B)를 통해 확인한 결과 실제상황에서 상관계수가 약 –0.53으로 중간정도의 음의 상관관계를 보였다.
(b)의 결과를 종합하면 ‘발전량’은 ‘일사량’, ‘일조량’과 높은 수준의 양의 상관관계를 ‘습도’, ‘미세먼지’와는 중간 수준의 음의 상관관계를 가지고 있으며, ‘미세먼지’의 상관관계는 미세먼지의 수치가 100이상일 때 발현된다.
1차 상관분석의 결과를 자세히 살펴보면 ‘기온’은 (A)와 (B)에서 모두 상관계수가 |0.3| 미만으로 특별한 상관관계가 없었으며, 상관계수의 차이 또한 0.075 수준으로 크지 않았다.
2차 상관분석 결과를 살펴보면 미세먼지 농도가 100미만 일 때는 일관성 없는 상관관계를 보이거나 특별한 상관관계가 없지만 100이상의 농도에서 넘어가면 미세먼지와 발전량은 음의 상관관계를 가진다. 결론적으로 (a)와 (b)의 결과를 종합하면 ‘발전량’은 ‘일사량’, ‘일조량’과 높은 수준의 양의 상관관계를 ‘습도’, ‘미세먼지’와는 중간 수준의 음의 상관관계를 가지고 있으며, ‘미세먼지’의 상관관계는 미세먼지의 수치가 100이상일 때 발현된다.
계산결과를 살펴보면 평가기준의 가중치는 일사량(0.38), 일조량(0.38), 습도(0.14), 미세먼지(0.09) 순으로 나타났고, CR Value가 0.1 미만으로 일관성 있는 척도 설정이 이루어졌다.
본 연구는 대한민국의 실제 기상데이터와 태양광 발전소의 데이터를 통계적으로 분석하여 각 지역별 (도별) 영향을 끼치는 주요 기상요인을 밝혀냈다. 공통적으로 4가지 기상요인(일조량, 일사량, 습도, 미세먼지)이 발전량과, 기술적 에너지 잠재량과 상관관계가 있으며 일조량과 일사량은 양의 상관관계, 습도와 미세먼지는 음의 상관관계를 가짐을 알 수 있었다. 특히 미세먼지의 경우 약 100 이상의 미세먼지 농도에서 뚜렷한 음의 상관관계를 가졌다.
특히 미세먼지의 경우 약 100 이상의 미세먼지 농도에서 뚜렷한 음의 상관관계를 가졌다. 상관관계 분석결과를 통해 양의 상관관계를 가지는 일조량과 일사량은 발전량을 증가시킬 수 있는 기상요인이고, 반대로 음의 상관관계를 가지는 습도와 미세먼지는 발전량을 감소시킬 수 있는 요인임을 알 수 있다. 따라서 적절한 입지선정을 위해 일조량과 일사량이 높고 미세먼지 농도와 습도가 낮은 지역을 선택하는 것이 바람직할 것이다.
상대비중 계산 결과를 살펴보면 일사량은 전라남도(0.21), 일조량은 경기도(0.19), 습도는 제주도(0.19), 미세먼지는 충청북도(0.20)가 가장 높은 가중치를 보이며, 4가지 결과 모두 CR Value가 0.1 미만으로 일관성 있는 결과를 얻었다.
따라서 적절한 입지선정을 위해 일조량과 일사량이 높고 미세먼지 농도와 습도가 낮은 지역을 선택하는 것이 바람직할 것이다. 이러한 결과를 근거로 각 기상요인을 태양광 발전소 최적입지를 선정하는 AHP의 평가기준으로 채택하였으며, 분석결과경상남도, 전라남도, 경상북도, 경기도, 충청북도, 강원도, 제주도, 충청남도, 전라북도 순으로 높은 입지 적합도를 보였다. 이 결과는 차후 신규 신재생에너지 발전소의 적절한 입지선정에 기여할 수 있을 것이다.
본 논문은 기상요소와 발전량의 상관관계를 분석하여 발전량에 주요한 영향을 끼치는 요소를 측정하였으며 이를 태양광 발전소의 최적입지를 결정하는 AHP의 평가기준으로 채택하였다. 이를 바탕으로 경상남도가 태양광 발전소의 입지로 가장 적합하며 전라북도가 가장 적합하지 않은 것으로 분석되었다.

후속연구

상관관계 분석결과를 통해 양의 상관관계를 가지는 일조량과 일사량은 발전량을 증가시킬 수 있는 기상요인이고, 반대로 음의 상관관계를 가지는 습도와 미세먼지는 발전량을 감소시킬 수 있는 요인임을 알 수 있다. 따라서 적절한 입지선정을 위해 일조량과 일사량이 높고 미세먼지 농도와 습도가 낮은 지역을 선택하는 것이 바람직할 것이다. 이러한 결과를 근거로 각 기상요인을 태양광 발전소 최적입지를 선정하는 AHP의 평가기준으로 채택하였으며, 분석결과경상남도, 전라남도, 경상북도, 경기도, 충청북도, 강원도, 제주도, 충청남도, 전라북도 순으로 높은 입지 적합도를 보였다.
이러한 결과를 근거로 각 기상요인을 태양광 발전소 최적입지를 선정하는 AHP의 평가기준으로 채택하였으며, 분석결과경상남도, 전라남도, 경상북도, 경기도, 충청북도, 강원도, 제주도, 충청남도, 전라북도 순으로 높은 입지 적합도를 보였다. 이 결과는 차후 신규 신재생에너지 발전소의 적절한 입지선정에 기여할 수 있을 것이다.
특히 태양광 에너지 발전량과 설비용량의 경우 각 발전소별 자료를 찾기가 매우 어려웠으며, 일부 기상관측자료는 결측이 많아 신뢰도의 문제로 연구에 사용할 수 없었다. 차후 본 연구에서 다룬 미세먼지 외에 다른 대기오염요소에 대한 분석이나 산업적인 관점에서 토지가격 등을 고려한 복합적인 입지선정 연구가 진행된다면 입지선정의 적합도를 높일 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	앙상블 학습의 목적은 무엇인가?	예측 알고리즘으로 다수의 기저 분류자(분류방법)를 결합한 앙상블 집합을 생성하여 단일 분류자의 예측의 정확도를 개선시키기 위한 목적으로 제안되었다. 앙상블 학습의 목적은 단일 분류자만으로 학습이 어려운 복잡한 패턴을 여러 하위 패턴으로 나누어 효과적인 학습을 가능하게 하고, 하위 패턴의 학습 결과를 결합하여 단일 분류자에 비해 정확한 결과를 얻기 위함에 있다(Myungjong Kim, 2010).
	태양광 발전의 비효율성이란 무엇을 의미하는가?	지구로 도달하는 태양광에너지는 인류의 에너지 사용량을 충당하기에 충분한 양이지만, 이를 활용하는 태양광 발전은 에너지 밀도가 낮고 기상요인과 지역 등 환경적인 영향을 많이 받아 효율적인 이용이 어렵다(Sung-Hun Lee et al., 2011).
	태양광 에너지의 단점은 무엇인가?	신재생 에너지의 하나인 태양광 에너지는 오래 전부터 이러한 대체에너지원의 하나로 주목 받고 있다(Seung-min Lee, 2016). 하지만 태양광 에너지는 원자력 등 타 에너지원에 비해 발전 설비를 짓는데 넓은 면적이 필요하다는 점과 기상요인에 영향을 많이 받기 때문에 일조량, 일사량이 부족한 우천 시나 야간에는 발전이 불가능하다는 단점이 있다(Seung-min Lee, 2016 ; Lee Ki Rim et al., 2016).

참고문헌 (20)

Ministry of Foreign Affairs Climate Change, Energy & Environmental Affairs Bureau Green Economy & Environmental Diplomacy Division. (2017). Climate Environmental Diplomation Handbook. Preface
Euichan Jeon (2016). An alternative of thermal power generation through Atmospheric Environment Improvement and greenhouse gas reduction. Journal of Electrical World Monthly Magazine. 475, 48-52.
Seung-min Lee. (2016). A Study on Fine Dust Quantification of Solar Cell
Lee Ki Rim, Lee Won Hee. (2016). Floating Photovoltaic Plant Location Analysis using GIS. Journal of the Korean Society for Geo-spatial Information Science, 24(1), 51-59.

원문보기 상세보기
Sung-Hun Lee, Hyeong-Cheol Choi, Dong-Keun Lee, Jin-O Kim. (2011). Economic Evaluation Method for Photovoltaic System Development using Insolation Data Analysis. Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, 25(10), 38-46.
No Sang-Tae. (2014). Comparison of Measured and Predicted Photovoltaic Electricity Generation and Input Options of Various Softwares. The International Journal of The Korea Institute of Ecological Architecture and Environment, 14(6), 87-92.
Myungjong Kim. (2010). Optimal Selection of Classifier Ensemble Using Genetic Algorithms. Journal of Intelligence and Information Systems, 16(4), 99-112.
Hyun jin Lee. (2016). The Development of the Predict Model for Solar Power Generation based on Current Temperature Data in Restricted Circumstances. Journal of Digital Contents Society, 17(3), 157-164.

원문보기 상세보기
Sung-Bae Yum, Hong-Kyoo Choi, Young-Jun Choi, Seong-goo Hong, Tae-Hoon Kim. (2009). Solar Photovoltaic According to Installation of Cooling System). Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, 23(5), 66-71.
Da-Han Lee, Myung-Su Kim, Jong-Bae Park. (2017). Solar Power Generation Difference by Region's Solar Radiation. The Korean Institute of Electrical Engineers Summer Conference 2017, 80-81.
J.K.Kaldellis, P.Fragos, M.Kapsali. (2011) Systematic experimental study of the pollution deposition impact on the energy yield of photovoltaic installations. Renewable energy. pp.2717-2724
Jeong Hon Song, Taehwan Kim, Won Hyoung Ryu, Hyoung Hee Cho. (2015). Study on Complex Efficiency Reduction by Increasing Temperature and Pollutant of Photovoltaic Module. Spring & Fall Conferences on the Korean Society of Mechanical Engineers
Lee Yea-Ji, Kim Yong-Shik. (2017). Prediction and Accuracy Analysis of Photovoltaic Module Temperature based on Predictive Models in Summer. Journal of the Korean Solar Energy Society, 37(1), 25-38.

원문보기 상세보기
Saaty. T (1996). The Analytic Hierarchy Process, RWS Publications.
Kim Nam-Hyun, Kweon Soon-Jo, Cho Moon-Sik. (2005). The Study of Developing Evaluation Standard of Selecting a Tourism Development Project Applying AHP(Analytic Hierarchy Program). Journal of Tourism Sciences, 29(1), 249-266.
Lee Kang-Won, Shon Howoong. (2016). Geo-Spatial Information System. Goomibook, 388
Lee Ji Young, Kang In Joon. (2010). A Study of PV System Facilities Using Geo-Spatial Information System. Journal of the Korean Society for Geo-spatial Information Science, 18(2), 99-105.
Haeil Ahn. (2007). A Comparative Study on Weight and Eigenvalue Calculation for Analytic Hierarchy Process on Decision Making. Spring joint Conference on Korean Operations Research And Management Society , 953-960.
Kil Kon Ko, Kyoung Jun Lee (2001). Statistical Characteristics of Response consistency Parameters in Analytic Hierarchy Process. Journal of the Korean Operations Research and Management Science Society, 26(4), 71-82.
Ministry of Trade, Industry and Energy , Korea Energy Agency New & Renewable Energy Center. (2016). NEW & RENEWABLE ENERGY WHITE PAPER. 104-110.

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