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.29 no.10, 2017년, pp.497 - 503
전병기 (인하대학교 건축공학과 대학원) , 김의종 (인하대학교 건축공학과)
In recent years, studies on the prediction of building load using Artificial Neural Network (ANN) models have been actively conducted in the field of building energy In general, building loads predicted by ANN models show a sharp deviation unless large data sets are used for learning. On the other h...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
국외의 경우 기상 데이터를 기반으로 부하 예측 ANN 모델을 개발하는 연구사례는? | 국외의 경우 기상 데이터를 기반으로 부하예측 ANN 모델을 개발하는 연구가 활발히 진행되었다. 예측 성능이 우수했던 해외 문헌을 조사 해본 결과 Chow and Leung(7)은 홍콩의 과거 4달 동안의 기상 데이터(외기온도, 습도, 강수, 운량, 요일 정보)와 에너지 사용량의 상관관계를 분석해 에너지 요구량을 예측하였다. 제안 모델은 4달 정도의 충분한 과거 데이터를 필요로 한다. | |
인공 신경망 모델이란? | Kim and Hong(1)에 따르면 ANN 모델은 연산처리 속도가 빠르고 신경망이 수용 할 수 있는 범위 내에서 학습이 가능해 주위 환경에 대한 적응력이 뛰어나다고 밝힌 바 있다. 인공 신경망 모델은 주어진 데이터의 뉴런 사이의 연결강도를 조정하여 목표 값에 근접하도록 하는 학습모델이다. 따라서 입력 데이터의 종류와 개수에 따라 예측 성능이 결정되기 때문에 입력 데이터를 선정할 때 신중하여야 한다. | |
ANN 모델의 장점은? | 대부분 과거 에너지 사용 패턴에 근거하여 미래를 예측하는 것으로, 잘 알려진 기법으로는 인공신경망(ANN, Artificial Neural Network) 모델이 있다. Kim and Hong(1)에 따르면 ANN 모델은 연산처리 속도가 빠르고 신경망이 수용 할 수 있는 범위 내에서 학습이 가능해 주위 환경에 대한 적응력이 뛰어나다고 밝힌 바 있다. 인공 신경망 모델은 주어진 데이터의 뉴런 사이의 연결강도를 조정하여 목표 값에 근접하도록 하는 학습모델이다. |
Yang, I. H. and Kim, K. W., 2000, Development of Artificial Neural Network Model for the Prediction of Descending Time of Room Air Temperature, The Society Of Air-Conditioning And Refrigerating Engineers of Korea, Vol. 12, No. 11, pp. 1038-1048.
Baik, Y. K., Yoon, Y. J., and Moon, J. W., 2016, Development of Artificial Neural Network Model for Predicting the Optimal Setback Application of the Heating Systems, Korea Institute of Ecological Architecture And Environment, Vol. 16, No. 3, pp. 89-94.
Baek, C. I., Han, H. T., and Jang, K. J., 2014, Estimation of Building Heating Load using Machine Learning Technique, The Society Of Air-Conditioning And Refrigerating Engineers of Korea, Vol. 16, No. 3, pp. 253-255.
Kong, D. S., Kwak, Y. H., and Huh, J. H., 2010, Artificial Neural Network based Energy Demand Prediction for the Urban District Energy Planning, Architectural Institute of Korea, Vol. 26, No. 2, pp. 221-230.
Kim, H. S., Moon, K. J., and Park, J. H., 1999, Development of Electric Load Forecasting System Using Neural Network, The Korean Institute of Electrical Engineers, pp. 1522-1524.
Chow, T. W. S. and Leung, C. T., 1996, Neural Network based Short-Term Load Forecasting Using Weather Compensation, IEEE Transactions on Power Systems, Vol. 11, No. 4, pp. 1736-1742.
Peng, T. M., Hubele, N. F., and Karady, G. G., 1996, An Adaptive Neural Network Approach To One-Week Ahead Load Forecasting, IEEE Transactions on Power Systems, Vol. 8, No. 3, pp. 1195-1203.
Ekici, B. B. and Aksoy, U. T., 2009, Prediction of Building energy consumption by using artificial neural networks, Advances in Engineering Software, Vol. 40, pp. 356-362.
ASHRAE, 2012, Measurement of energy and demand saving, ASHRAE.
DOE, 1996, Measurement and Verification Guideline for Federal Energy Projects, DOE.
IPMVP/DOE, 2002, International Performance Measurement & Verification Protocol, IPMVP.
Hikmet, K. C. and Murat, A., 2006, Generalized regression neural network in modelling river sediment yield, Advances in Engineering Software, Vol. 37, pp. 63-68.
*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.