[논문]공동주택 전력 소비 데이터 분석 및 딥러닝을 사용한 전력 소비 예측

유남조; 이은애; 정범진; 김동식

doi:10.7471/ikeee.2019.23.4.1373

공동주택 전력 소비 데이터 분석 및 딥러닝을 사용한 전력 소비 예측
Analysis of Apartment Power Consumption and Forecast of Power Consumption Based on Deep Learning 원문보기

전기전자학회논문지 = Journal of IKEEE, v.23 no.4, 2019년, pp.1373 - 1380

유남조 (Dept. of Electronics Engineering, Hankuk University of Foreign Studies) , 이은애 (Dept. of Electronics Engineering, Hankuk University of Foreign Studies) , 정범진 (Dept. of Electrical and Information Engineering, Seoul National University of Science and Technology) , 김동식 (Dept. of Electronics Engineering, Hankuk University of Foreign Studies)

초록
AI-Helper

에너지의 생산 효율성을 증가시키기 위해 최근 스마트그리드 기술 중 지능형 검침 시스템(AMI, advanced metering infrastructure)의 개발이 활발히 진행되고 있다. 전력 소비 데이터를 분석하고 소비 패턴을 예측하는 일은 AMI에서 핵심적인 부분이다. 본 논문에서는 수집된 전력 소비 데이터를 분석하고 발생할 수 있는 오류들을 정리하였으며 소비 패턴을 월별로 k-means 군집화 알고리즘을 사용하여 분석하였다. 또한 deep neural network를 이용하여 소비 패턴을 예측하였는데, 가구별 하루 전력 사용량 예측의 어려움을 극복하기 위하여 전력 사용량을 100개의 군집으로 분류하여 이 군집의 하루 평균으로 다음날 군집의 평균을 예측하였다. 실제 AMI에서의 전력 데이터를 사용하여 오류들을 분석하였으며 군집화 방법을 도입하여 성공적으로 전력 소비 예측이 가능하였다.

Abstract ▼ AI-Helper

In order to increase energy efficiency, developments of the advanced metering infrastructure (AMI) in the smart grid technology have recently been actively conducted. An essential part of AMI is analyzing power consumption and forecasting consumption patterns. In this paper, we analyze the power consumption and summarized the data errors. Monthly power consumption patterns are also analyzed using the k-means clustering algorithm. Forecasting the consumption pattern by each household is difficult. Therefore, we first classify the data into 100 clusters and then predict the average of the next day as the daily average of the clusters based on the deep neural network. Using practically collected AMI data, we analyzed the data errors and could successfully conducted power forecasting based on a clustering technique.

주제어

표/그림 (9)

그림 Fig. 1. Example of a structure of the AMI system. 그림 1. AMI 시스템 구성의 예
그림 Fig. 2. Daily power usage of a household: (a) yesterday, (b) today. 그림 2. 한 가구의 하루 전력 사용량: (a) 어제 (b) 오늘
그림 Fig. 3. Designed DNN model. 그림 3. 설계한 DNN 모델
그림 Fig. 4. Monthly average power consumption with respect to time. 그림 4. 월 간 평균 전력 사용량
그림 Fig. 5. Monthly average temperature. 그림 5. 월 간 평균 기온
그림 Fig. 6. Clusters of average power consumption for different households: (a) February, (b) August. 그림 6. 가구별 전력 평균 사용량 군집화: (a) 2월, (b) 8월
그림 Fig. 7. Example of a prediction result for time (Example 1): (a) Input: consumption pattern of the previous day. (b) Output: consumption patterns of the next day and its forecasting. 그림 7. 소비 패턴 예측 결과 1 (a) 입력: 전날 소비 패턴 (b) 출력: 다음날 소비 패턴과 예측(MAPE= 3.67%)
그림 Fig. 8. Example of a prediction result for time (Example 2): (a) Input: consumption pattern of the previous day. (b) Output: consumption patterns of the next day and its forecasting. 그림 8. 소비 패턴 예측 결과 2 (a) 입력: 전날 소비 패턴 (b) 출력: 다음날 소비 패턴과 예측(MAPE= 4.08%)
그림 Fig. 9. Example of a prediction result for time (Example 3): (a) Input: consumption pattern of the previous day. (b) Output: consumption patterns of the next day and its forecasting. 그림 9. 소비 패턴 예측 결과 3 (a) 입력: 전날 소비 패턴 (b) 출력: 다음날 소비 패턴과 예측(MAPE= 4.09%)

AI 본문요약
AI-Helper

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

문제 정의

본 장에서는 AMI 기술개발 중 지능형 전력량계를 통해 수집된 소비자들의 전력 소비 데이터를 분석하고 발생할 수 있는 오류들을 정의하여 보정 방법에 대해 고찰한다. 발생한 데이터 오류를 보정할 수 있는 방법은 다양하게 존재하는데 본 논문에서 데이터 오류의 보정은 딥러닝 과정에서 훈련 데이터를 만드는 것을 목적으로 보정을 하였다.
본 논문에서는 공동주택의 원격검침 시스템에서 수집된 한 시간 단위 전력 소비 데이터를 분석하였고 발생할 수 있는 오류들을 정의하고 보정하는 방법에 대해서 연구하였다. 공동주택에서 전력 소비 패턴을 월별로 평균 및 k-means 군집화 알고리즘을 사용하여 분석하였으며 전력 소비 패턴을 100개의 군집으로 분류하고 군집의 평균으로 다음 날의 전력소비 패턴을 DNN으로 예측하는 방법을 제안하였다.
본 논문에서는 딥러닝을 이용한 전력 소비 패턴 예측의 성능을 높이기 위해 각 가구의 하루 전력 사용량을 예측하는 것이 아닌 k-means 군집화 알고리즘을 사용하여 가구들을 분류하고 군집에 속한 가구들의 하루 전력 사용량을 평균하여 다음날 전력 사용량의 평균을 예측한다. 분류한 군집의 개수는 총 100개로 나누었으며 각 가구의 한 달 동안 전력 사용량의 평균을 분류하였고 주말을 제외한 주중 데이터만 사용하였다.
본 논문에서는 원격검침이 구축된 공동주택에서 수집된 공동주택 전력 소비 데이터를 분석하여 수집과정에서 발생할 수 있는 오류들을 정의하고 보정방법에 대해 서술한다. 또한 아홉 달(1월～9월)의 한 시간 단위 전력 사용 데이터를 분석하고 k-means 알고리즘을 사용하여 군집화 작업을 하여 전력 소비 패턴을 분석하고 DNN(deep neural network)를 사용하여 전력 소비 패턴을 예측한다.
본 장에서는 AMI 기술개발 중 지능형 전력량계를 통해 수집된 소비자들의 전력 소비 데이터를 분석하고 발생할 수 있는 오류들을 정의하여 보정 방법에 대해 고찰한다. 발생한 데이터 오류를 보정할 수 있는 방법은 다양하게 존재하는데 본 논문에서 데이터 오류의 보정은 딥러닝 과정에서 훈련 데이터를 만드는 것을 목적으로 보정을 하였다.

제안 방법

또한 전력 사용량은 온도에 영향을 받음을 확인하였다. k-means 군집화 알고리즘을 사용하여 월별로 공동주택에 전력 소비 패턴을 분석하였으며 딥러닝을 이용하여 전력 소비 패턴을 예측하였다. 정량적, 정성적으로 예측 소비 패턴과 실제 소비패턴을 비교 분석해 보면 정확하게 예측됨을 확인하였다.
본 논문에서는 공동주택의 원격검침 시스템에서 수집된 한 시간 단위 전력 소비 데이터를 분석하였고 발생할 수 있는 오류들을 정의하고 보정하는 방법에 대해서 연구하였다. 공동주택에서 전력 소비 패턴을 월별로 평균 및 k-means 군집화 알고리즘을 사용하여 분석하였으며 전력 소비 패턴을 100개의 군집으로 분류하고 군집의 평균으로 다음 날의 전력소비 패턴을 DNN으로 예측하는 방법을 제안하였다. 제안한 다음 날의 전력 소비 예측 결과에 대해서는 정량적, 정성적으로 예측하여 성능이 우수함을 확인하였다.
본 논문에서는 한 달 동안 각 가구의 평균 사용량을 구하고 k-means 알고리즘을 사용하여 총 6개의 군집으로 분류하였다[10]. 다음과 같은 방법으로 1월부터 9월까지 전력 소비 데이터를 분류하여 가구들의 소비 패턴을 월별로 비교 분석한다.
본 논문에서는 원격검침이 구축된 공동주택에서 수집된 공동주택 전력 소비 데이터를 분석하여 수집과정에서 발생할 수 있는 오류들을 정의하고 보정방법에 대해 서술한다. 또한 아홉 달(1월～9월)의 한 시간 단위 전력 사용 데이터를 분석하고 k-means 알고리즘을 사용하여 군집화 작업을 하여 전력 소비 패턴을 분석하고 DNN(deep neural network)를 사용하여 전력 소비 패턴을 예측한다. 이때 제한적인 데이터를 가지고 예측의 정확도를 개선하기 위해서 데이터를 군집화하여 분류하였으며, 딥러닝 모델을 학습하기 위한 데이터의 개수를 증가시켜 효율성을 높이고 모델의 정확도를 높이는 방법을 제안하였다[9].
본 논문에서는 한 달 동안 각 가구의 평균 사용량을 구하고 k-means 알고리즘을 사용하여 총 6개의 군집으로 분류하였다[10]. 다음과 같은 방법으로 1월부터 9월까지 전력 소비 데이터를 분류하여 가구들의 소비 패턴을 월별로 비교 분석한다.
본 장에서는 공동주택 전력 소비 패턴을 분석하고 제안하는 방법인 군집화를 이용한 전력 소비 패턴 예측의 결과를 고찰한다. 본 논문에서 사용한 데이터는 공동주택 1월부터 9월까지 총 2700세대의 시간별 전력 소비 데이터이며 개인정보 비식별 데이터로 학술적 연구에만 사용하는 데이터이다.
본 장에서는 앞 장에서 서술한 오류들을 보정하고 1월부터 9월까지 소비 패턴을 분석한 뒤 k-means 알고리즘을 이용하여 월별로 가구마다 사용 패턴을 분석하는 방법에 대해 서술한다. 사용한 전력 소비 데이터는 주중 데이터만을 사용하였다.
본 장에서는 전력 소비 패턴 예측을 딥러닝 모델로 예측하는 방법을 제안한다[13].
수집된 전력 소비 데이터는 1월부터 9월까지 총 2700세대의 전력 사용량이다. 월별로 평균 사용량을 비교하기 위해 한 달 동안 각 가구의 전력 사용량을 평균하였으며 월별로 공동주택 전체 소비 패턴을 비교 분석한다.
또한 아홉 달(1월～9월)의 한 시간 단위 전력 사용 데이터를 분석하고 k-means 알고리즘을 사용하여 군집화 작업을 하여 전력 소비 패턴을 분석하고 DNN(deep neural network)를 사용하여 전력 소비 패턴을 예측한다. 이때 제한적인 데이터를 가지고 예측의 정확도를 개선하기 위해서 데이터를 군집화하여 분류하였으며, 딥러닝 모델을 학습하기 위한 데이터의 개수를 증가시켜 효율성을 높이고 모델의 정확도를 높이는 방법을 제안하였다[9].
여기서 입력층은 분류된 군집의 하루 시간별 전력 사용량의 평균과 하루 시간별 온도를 입력으로 한다. 총 두 개의 히든 레이어를 지나 다음 날 분류된 군집의 하루 시간별 전력 사용량의 평균을 출력으로 하여 예측한다. 모델을 훈련하기 위해 사용된 데이터는 1월부터 9월의 전력 소비 데이터를 사용 하였으며 검증을 위한 데이터는 각 월의 마지막 날을 사용하였다.

대상 데이터

총 두 개의 히든 레이어를 지나 다음 날 분류된 군집의 하루 시간별 전력 사용량의 평균을 출력으로 하여 예측한다. 모델을 훈련하기 위해 사용된 데이터는 1월부터 9월의 전력 소비 데이터를 사용 하였으며 검증을 위한 데이터는 각 월의 마지막 날을 사용하였다. 또한 딥러닝 모델을 사용하여 전력 소비 패턴을 예측하고 정확도 평가를 위해서 본 논문에서는 평균절대비율오차(MAPE, mean absolute percentage error)를 구하였다.
본 장에서는 공동주택 전력 소비 패턴을 분석하고 제안하는 방법인 군집화를 이용한 전력 소비 패턴 예측의 결과를 고찰한다. 본 논문에서 사용한 데이터는 공동주택 1월부터 9월까지 총 2700세대의 시간별 전력 소비 데이터이며 개인정보 비식별 데이터로 학술적 연구에만 사용하는 데이터이다.
본 논문에서는 딥러닝을 이용한 전력 소비 패턴 예측의 성능을 높이기 위해 각 가구의 하루 전력 사용량을 예측하는 것이 아닌 k-means 군집화 알고리즘을 사용하여 가구들을 분류하고 군집에 속한 가구들의 하루 전력 사용량을 평균하여 다음날 전력 사용량의 평균을 예측한다. 분류한 군집의 개수는 총 100개로 나누었으며 각 가구의 한 달 동안 전력 사용량의 평균을 분류하였고 주말을 제외한 주중 데이터만 사용하였다. 설계한 딥러닝 모델은 DNN을 사용하였으며 모델의 구성은 그림 3과 같다[14].
본 장에서는 앞 장에서 서술한 오류들을 보정하고 1월부터 9월까지 소비 패턴을 분석한 뒤 k-means 알고리즘을 이용하여 월별로 가구마다 사용 패턴을 분석하는 방법에 대해 서술한다. 사용한 전력 소비 데이터는 주중 데이터만을 사용하였다.
수집된 전력 소비 데이터는 1월부터 9월까지 총 2700세대의 전력 사용량이다. 월별로 평균 사용량을 비교하기 위해 한 달 동안 각 가구의 전력 사용량을 평균하였으며 월별로 공동주택 전체 소비 패턴을 비교 분석한다.

데이터처리

모델을 훈련하기 위해 사용된 데이터는 1월부터 9월의 전력 소비 데이터를 사용 하였으며 검증을 위한 데이터는 각 월의 마지막 날을 사용하였다. 또한 딥러닝 모델을 사용하여 전력 소비 패턴을 예측하고 정확도 평가를 위해서 본 논문에서는 평균절대비율오차(MAPE, mean absolute percentage error)를 구하였다.

이론/모형

분류한 군집의 개수는 총 100개로 나누었으며 각 가구의 한 달 동안 전력 사용량의 평균을 분류하였고 주말을 제외한 주중 데이터만 사용하였다. 설계한 딥러닝 모델은 DNN을 사용하였으며 모델의 구성은 그림 3과 같다[14].

성능/효과

1월부터 9월까지 공동주택 전력 사용량 데이터를 분석해보면 전반적으로 전력 소비 패턴은 유사하지만 사용량에 차이가 있음을 확인하였다. 또한 전력 사용량은 온도에 영향을 받음을 확인하였다.
그림 4는 월별로 모든 가구의 전력 사용량을 평균한 것을 나타낸 것이며 그림 5는 월별 평균 기온을 나타낸다. 1월부터 9월까지 전력 사용량의 평균을 확인해 보면 7월 평균 전력 소비 데이터는 1월부터 6월, 9월의 평균 전력 소비 데이터보다 사용량이 많음을 알 수 있고 가장 많은 사용량을 가지는 월은 8월임을 알 수 있다. 특히 오후 시간대인 12시부터 15시까지의 전력 소비량은 8월이 가장 많다.
1월부터 9월까지 공동주택 전력 사용량 데이터를 분석해보면 전반적으로 전력 소비 패턴은 유사하지만 사용량에 차이가 있음을 확인하였다. 또한 전력 사용량은 온도에 영향을 받음을 확인하였다. k-means 군집화 알고리즘을 사용하여 월별로 공동주택에 전력 소비 패턴을 분석하였으며 딥러닝을 이용하여 전력 소비 패턴을 예측하였다.
이때 적산량, 사용량 역시 일치하는 값이 전송되기 때문에 하나의 데이터를 제거해줌으로써 보정할 수 있다. 본 논문에 사용된 전력 소비 데이터에서 한달 동안 발생한 duplicate data error는 약 1.90% 정도로 발생한다.
식 3에서의 x(t)는 누락된 데이터의 값이고, t는 시 단위 시간을 의미한다. 본 논문에서 사용된 전력 소비 데이터에서 한 달 동안 발생하는 비율은 약 0.13%이다.
발생하는 오류는 날짜, 호수 정보가 정상적이지 못한 상태이다. 본 논문에서 사용된 전력 소비 데이터에서 한 달 동안 발생하는 비율은 약 0.1ppm으로 낮은 확률을 가진다.
(t)는 보정된 전력 사용량을 의미하며, p(t)는 식 1에서 구한 시간 t에 대한 전날, 다음날 사용 비율의 평균이다. 본 논문에서 사용된 전력 소비 데이터에서 한 달 동안 발생하는 비율은 약 0.29%이다.
k-means 군집화 알고리즘을 사용하여 월별로 공동주택에 전력 소비 패턴을 분석하였으며 딥러닝을 이용하여 전력 소비 패턴을 예측하였다. 정량적, 정성적으로 예측 소비 패턴과 실제 소비패턴을 비교 분석해 보면 정확하게 예측됨을 확인하였다.
공동주택에서 전력 소비 패턴을 월별로 평균 및 k-means 군집화 알고리즘을 사용하여 분석하였으며 전력 소비 패턴을 100개의 군집으로 분류하고 군집의 평균으로 다음 날의 전력소비 패턴을 DNN으로 예측하는 방법을 제안하였다. 제안한 다음 날의 전력 소비 예측 결과에 대해서는 정량적, 정성적으로 예측하여 성능이 우수함을 확인하였다.

후속연구

따라서 공동주택의 전체 전력 소비량의 평균을 예측하는 것이 효율적이다. 하지만 본 연구에서는 하루 단위 모든 가구의 전력 사용량을 평균하여 예측하기에는 데이터의 개수가 너무 부족하여 딥러닝을 이용하여 예측하기에는 제한적이어서 다른 방법을 제시한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트그리드란?	그로 인해 전력시스템의 효율성을 증가시키는 전력망과 정보통신기술을 융합한 스마트그리드 기술이 개발되고 있다. 스마트그리드란 전력공급자와 소비자가 실시간 사용 정보를 교환하여 에너지 사용량 예측과 생산의 운용으로 에너지 효율을 최대화하는 차세대 전력망이다. 이 기술을 통해 단방향성의 중앙집중형 계통운영에서 중앙의 전력운영 시스템과 다수의 수요자원, 소규모 분산전원 등이 상호 유기적이며 복합적으로 거래 및 운영되는 실시간 양방향성의 계통운영으로 전환된다.
	최근 스마트그리드 기술 중 에너지의 생산 효율성을 증가시키기 위한 노력은?	에너지의 생산 효율성을 증가시키기 위해 최근 스마트그리드 기술 중 지능형 검침 시스템(AMI, advanced metering infrastructure)의 개발이 활발히 진행되고 있다. 전력 소비 데이터를 분석하고 소비 패턴을 예측하는 일은 AMI에서 핵심적인 부분이다.
	스마트그리드 기술의 긍정적인 의의	스마트그리드란 전력공급자와 소비자가 실시간 사용 정보를 교환하여 에너지 사용량 예측과 생산의 운용으로 에너지 효율을 최대화하는 차세대 전력망이다. 이 기술을 통해 단방향성의 중앙집중형 계통운영에서 중앙의 전력운영 시스템과 다수의 수요자원, 소규모 분산전원 등이 상호 유기적이며 복합적으로 거래 및 운영되는 실시간 양방향성의 계통운영으로 전환된다. 스마트그리드 기술 중 핵심적인 기술로 최근에 주목받는 것이 지능형 검침 시스템(AMI, advanced metering infrastructure)이다[1].

참고문헌 (14)

N. G. Myoung, Y. H. Kim and S. Y. Lee, "A study on AMI system of KEPCO," The Journal of Korean Institute of Communications and Information Sciences, Vol.35, No.8, pp.1251-1258, 2010. DOI: 10.1109/ictc.2010.5674795
J. Jung and C. Seo, "An efficient method for meter data collection in AMI system," The Journal of Korean Institute of Communications and Information Sciences, Vol.43, No.8, pp.1311-1320, 2018. DOI: 10.7840/kics.2018.43.8.1311

상세보기
D. S. Kim, B. J. Chung and Y. M. Chung, "Statistical learning for service quality estimation in broadband PLC AMI," Energies, Vol.12, No.4, 2019. DOI: 10.3390/en12040684

상세보기
S. M. Jeong and H. Lee, "A consideration on the value evaluation of AMI data as big data," Proc. KIEE Summer Conf., pp.45-46, 2014.
Y. I. Kim, H. J. Kim, A. K. Bae, B. S. Kim and Y. H. Shin, "Apparatus and method for data processing of energy management system," Proc. KIEE Summer Conf., pp.192-193, 2014.
J. H. Chow, F. F. Wu, J. J. Momoh, "Applied Mathematics for Restructured Electric Power Systems: Optimization, Control and Computational Intelligence," Power Electronics and Power Systems, Springer, pp.269-285, 2005. DOI: 10.1007/0-387-23471-3_1
A. Goia, C. May and G. Fusai, "Functional clustering and linear regression for peak load forecasting," International Journal of Forecasting, Vol.26. pp.700-711, 2010. DOI: 10.1016/j.ijforecast.2009.05.015

상세보기
N. Amral, C. S. Ozveren and D. King, "Short term load forecasting using multiple linear regression," IEEE Trans. UPEC, Vol.42, pp. 1192-1198, 2007. DOI: 10.1109/upec.2007.4469121
T. Hossen, S. J. Plathottam, R. K. Angamuthu, P. Ranganathan and H. Salehfar, "Short-term load forecasting using deep neural networks (DNN)," IEEE Trans. NAPS, Vol.1, pp.1-6, 2017. DOI: 10.1109/naps.2017.8107271
B. A. Smith, P. Gas, J. Wong and R. Rajagopal, "A simple way to use interval data to segment residential customers for energy efficiency and demand response program targeting," ACEEE Proc., Vol.5, pp.374-386, 2012.
H. H. Bock, "Clustering methods: a history of k-means algorithms," Selected Contributions in Data Analysis and Classification, pp.161-172, 2007. DOI: 10.1007/978-3-540-73560-1_15
A. Likas, N. Vlassis and J. J. Verbeek, "The global k-means clustering algorithm," Pattern Recognition, Vol.36, pp.451-461, 2003. DOI: 10.1016/s0031-3203(02)00060-2

상세보기
D. C. Park, M. A. El-Sharkawi, R. J. Marks, L. E. Atlas and M. J. Damborg, "Electric load forecasting using an artificial neural network," IEEE Trans. on Power Systems, Vol.6, No.2, pp.442-449, 1991. DOI: 10.1109/59.76685
T. W. S. Chow and C. T. Leung, "Neural network based short-term load forecasting using weather compensation," IEEE Trans on Power Systems, Vol.11, No.4, pp.1736-1742, 1996. DOI: 0.1109/59.544636

상세보기

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