[논문]시간대별 기온과 전력 사용량의 민감도를 적용한 전력 에너지 수요 예측

김진호; 이창용

doi:10.11627/jkise.2019.42.1.129

시간대별 기온과 전력 사용량의 민감도를 적용한 전력 에너지 수요 예측
The Forecasting Power Energy Demand by Applying Time Dependent Sensitivity between Temperature and Power Consumption 원문보기

Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.42 no.1, 2019년, pp.129 - 136

김진호 (공주대학교 산업시스템공학과) , 이창용 (공주대학교 산업시스템공학과)

Abstract ▼ AI-Helper

In this study, we proposed a model for forecasting power energy demand by investigating how outside temperature at a given time affected power consumption and. To this end, we analyzed the time series of power consumption in terms of the power spectrum and found the periodicities of one day and one week. With these periodicities, we investigated two time series of temperature and power consumption, and found, for a given hour, an approximate linear relation between temperature and power consumption. We adopted an exponential smoothing model to examine the effect of the linearity in forecasting the power demand. In particular, we adjusted the exponential smoothing model by using the variation of power consumption due to temperature change. In this way, the proposed model became a mixture of a time series model and a regression model. We demonstrated that the adjusted model outperformed the exponential smoothing model alone in terms of the mean relative percentage error and the root mean square error in the range of 3%~8% and 4kWh~27kWh, respectively. The results of this study can be used to the energy management system in terms of the effective control of the cross usage of the electric energy together with the outside temperature.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구의 목적이 비교적 짧은 시간(1~2시간) 내의 전력수요 예측이고 전력 사용량은 하루의 주기성이 가장 강함으로, 하루 단위로 전력 수요를 예측해도 모형의 매개변수 값은 변할지라도 모형의 전반적인 형태는 변하지 않음을 예상할 수 있다. 따라서 본 연구에서는 시계열 데이터를 하루 단위로 나누어 분석과 예측을 수행하고자 한다.
이를 위하여 전력 사용량 시계열 데이터 외에 외부 온도 시계열 데이터를 추가적으로 고려하여 온도가 전력 사용량에 미치는 영향을 분석하고, 그 결과를 전력수요 예측에 적용하였다. 또한 설정한 모형의 적합성 및 예측의 정확성 등을 분석하고, 그 결과를 향후 전력 에너지 관리 시스템 개발에 적용할 수 있는 기반을 제공하고자 한다.
본 논문에서는 외부 기온이 전력 사용량에 미치는 영향을 분석한 결과를 바탕으로 전력수요 예측을 위한 모형과 그 방법에 대한 연구를 수행하였다. 이를 위하여 A 테크노 파크에서 201*년에 측정된 전력 사용량 시계열 데이터와 기상청에서 매 시간 제공하는 외부 기온 시계열 데이터를 사용하였다.
본 연구에서는 외부 온도가 전력 사용량에 미치는 영향을 분석하고, 분석 결과를 시간뿐만 아니라 외부 온도를 고려한 전력수요 예측 모형에 대한 연구를 수행하였 다. 이를 위하여 전력 사용량 시계열 데이터 외에 외부 온도 시계열 데이터를 추가적으로 고려하여 온도가 전력 사용량에 미치는 영향을 분석하고, 그 결과를 전력수요 예측에 적용하였다.
본 연구에서는 전력 수요 예측을 위한 시계열 모형으로 선형 모형 중에서 지수평활 모형을 사용하고, 온도에 따른 전력 사용량 민감도를 추가로 적용하여 민감도가 수요 예 측에 미치는 영향을 분석할 수 있는 방법과 모형을 제안한다. 지수평활 모형을 선택한 이유는 다음과 같다.
본 연구의 목적이 비교적 짧은 시간(1~2시간) 내의 전력수요 예측이고 전력 사용량은 하루의 주기성이 가장 강함으로, 하루 단위로 전력 수요를 예측해도 모형의 매개변수 값은 변할지라도 모형의 전반적인 형태는 변하지 않음을 예상할 수 있다. 따라서 본 연구에서는 시계열 데이터를 하루 단위로 나누어 분석과 예측을 수행하고자 한다.

제안 방법

[Figure 1]에서 볼 수 있듯이 전력 사용량 시계열 데이터 {p(i)}에 주기가 있는 것으로 판단됨으로 주기성을 보다 체계적으로 분석하기 위하여 전력 사용량 시계열 데이터에 파워 스펙트럼을 적용하였다. 파워 스펙트럼은 N개의 시계열 데이터 p(1), p(2), .
온도 변화를 고려한 전력 수요 예측 모형을 설정하기 위하여 온도와 전력 사용량 시계열 데이터 사이의 상관 관계를 분석하였다. 분석 결과 두 시계열 데이터 사이에 는 미미한 음의 상관관계가 있었고, 월별 상관관계 분석 에서도 거의 유사한 결과를 얻었다.
위의 결과를 좀 더 세밀하게 분석하기 위하여 시계열 데이터를 월별로 나누어 온도와 전력 사용량 간의 상관 관계를 분석하였다. [Figure 1]은 온도와 전력 사용량의 월별 시계열 데이터에 대하여 상관계수를 계산한 결과이다.
임계 온도보다 낮은 온도에서는 온도가 감소함에 따라 전력 사용량은 증가하였고, 높은 온도에서는 전력 사용량은 감소하였다. 이러한 결과를 회귀 분석을 통하여 정량적으로 전력 수요 예측에 적용하였다.
비 선형 모형이 이에 해당되는데, 예를 들어 SVR 모형은 시계열 데이터를 최적으로 적합시키는 매개변수를 사용할 수 있기 때문에, 모형에 이미 온도의 변화에 따른 전력량 효과를 함축적으로 포함하고 있다. 이를 구체적으로 살펴 보기 위하여 SVR 모형과 SVR에 전력 사용량 민감도를 추가한 모형인 SVR II 등 두 모형을 사용하여 예측 오차를 분석하였다. SVR 모형은 정규 커널(radial basis function)을 사용하였고, 매개변수는 비용 함수 그리고 커널 매개변수 을 사용하였다.
본 연구에서는 외부 온도가 전력 사용량에 미치는 영향을 분석하고, 분석 결과를 시간뿐만 아니라 외부 온도를 고려한 전력수요 예측 모형에 대한 연구를 수행하였 다. 이를 위하여 전력 사용량 시계열 데이터 외에 외부 온도 시계열 데이터를 추가적으로 고려하여 온도가 전력 사용량에 미치는 영향을 분석하고, 그 결과를 전력수요 예측에 적용하였다. 또한 설정한 모형의 적합성 및 예측의 정확성 등을 분석하고, 그 결과를 향후 전력 에너지 관리 시스템 개발에 적용할 수 있는 기반을 제공하고자 한다.
임의로 선택한 10일치 온도와 전력 사용량 시계열 데이터에 대하여 Model (I)과 (II)를 사용하여 하루(t₀=1, n=24) 동안 전력수요를 예측하였다. 두 모형의 예측 성능을 비교하기 위하여 MRPE와 RMSE를 구하였고, 온도에 따른 전력 사용량이 수요 예측에 미치는 영향을 파악 하기 위해서
전력 사용량 시계열 데이터가 하루의 주기를 가짐에 착안하여 하루 동안 동일한 시간 i에서 온도 {τ(i)}에 따른 전력 사용량 {p(i)}의 관계를 조사하였고, 그 결과 중 일부를 [Figure 3]에 나타내었다.
본 연구에서는 201*년 A 테크노파크에서 사용된 전력 시계열 데이터와 기상청에서 제공하는 A 테크노파크 지역의 온도 시계열 데이터 등 2종류의 시계열 데이터를 사용하였다. 전력 사용량은 15분 간격으로 측정되었으나 기상청의 온도 데이터는 1시간 단위로 측정되었기 때문에 시간 단위를 맞추기 위해 1시간 동안 4번 측정된 전력 사용량의 평균값을 전력 사용량 시계열 데이터로 사 용하였다. 따라서 본 연구에서 사용한 시계열 데이터는 시간 i에서 온도 τ(i)와 평균 전력 사용량 p(i)로 구성된 {τ(i)),p(i) | i = 1, 2, .
전력수요 예측을 위한 모형은 온도에 따른 효과를 분석하기 위해 지수평활 모형을 사용하였으며, 온도와 전력 사용량의 관계를 지수평활 모형에 추가적으로 고려하여 새로운 모형을 제안하였다. 두 모형의 성능을 비교하 기 위하여 MRPE와 RMSE 등 예측 오차 척도를 사용하 였고, 실험을 통하여 온도에 따른 전력 사용량의 의존도를 포함한 모형이 보다 효율적임을 입증하였다.

대상 데이터

본 연구에서는 201*년 A 테크노파크에서 사용된 전력 시계열 데이터와 기상청에서 제공하는 A 테크노파크 지역의 온도 시계열 데이터 등 2종류의 시계열 데이터를 사용하였다. 전력 사용량은 15분 간격으로 측정되었으나 기상청의 온도 데이터는 1시간 단위로 측정되었기 때문에 시간 단위를 맞추기 위해 1시간 동안 4번 측정된 전력 사용량의 평균값을 전력 사용량 시계열 데이터로 사 용하였다.
본 논문에서는 외부 기온이 전력 사용량에 미치는 영향을 분석한 결과를 바탕으로 전력수요 예측을 위한 모형과 그 방법에 대한 연구를 수행하였다. 이를 위하여 A 테크노 파크에서 201*년에 측정된 전력 사용량 시계열 데이터와 기상청에서 매 시간 제공하는 외부 기온 시계열 데이터를 사용하였다.

데이터처리

1년 동안 측정된 온도와 전력 사용량 시계열 데이터{τ(i)),p(i) | i = 1, 2, ..., N}를 사용하여 상관계수를 추정했으며, 그 결과 #을 얻었다.
위에서 제안한 두 모형[Model (I)과 (II)]을 단기간 전력 수요 예측에 적용하였다. 제안한 모형의 성능 평가를 위한 예측 정확도 척도로 일반적으로 많이 사용되는 평균 상대 오차 백분율(MRPE, mean relative percentage error)과 평균 제곱근 오차(RMSE, root mean square error)를 사용하였다. 전력 사용량 시계열 데이터 {p(t)lt=1,2,.

이론/모형

SVR 모형은 정규 커널(radial basis function)을 사용하였고, 매개변수는 비용 함수 그리고 커널 매개변수 을 사용하였다.

성능/효과

전력수요 예측을 위한 모형은 온도에 따른 효과를 분석하기 위해 지수평활 모형을 사용하였으며, 온도와 전력 사용량의 관계를 지수평활 모형에 추가적으로 고려하여 새로운 모형을 제안하였다. 두 모형의 성능을 비교하 기 위하여 MRPE와 RMSE 등 예측 오차 척도를 사용하 였고, 실험을 통하여 온도에 따른 전력 사용량의 의존도를 포함한 모형이 보다 효율적임을 입증하였다.
18)의 경우에는 [Figure 4]에서 볼 수 있듯이 대략적인 선형적 관계를 유지하였으나, 업무 시간 외 에는 온도에 따른 전력 사용량의 경향을 정량화하기 힘들 었다. 둘째, 업무 시간의 경우, 임계 온도(critical temperature)를 기준으로 온도에 따른 전력 수요량은 선형적으로 증가 혹은 감소하였다. [Figure 4]을 통해 볼 수 있듯이 t = 15의 경우에는 임계 온도 약 10도(10)를 기준으 로 임계 온도보다 낮은 경우에는 온도가 오름에 따라 대체적으로 전력 사용량이 줄어들고, 임계 온도보다 높은 경우에는 전력 사용량이 증가한다.
이것은 외부 온도의 변화가 전체 전력 사용량에 큰 영향을 미치지 않음을 의미한다. 둘째, 전력수요 예측 오차 중 MRPE는 약 3%~8%(평균 5%)이며, RMSE는 약 4~27kWh(평균 14kWh)로, 예측 오 차가 전력 사용량의 약 5% 정도를 차지하고 있음을 의 미한다. 셋째, 온도를 고려하지 않은 Model (I)과 온도를 고려한 Model (II)에 대한 예측 정확도를 비교한 결과, 표본 9를 제외한 모든 표본에 대하여 Model (II)의 예측율이 높음을 알 수 있다.
온도 변화를 고려한 전력 수요 예측 모형을 설정하기 위하여 온도와 전력 사용량 시계열 데이터 사이의 상관 관계를 분석하였다. 분석 결과 두 시계열 데이터 사이에 는 미미한 음의 상관관계가 있었고, 월별 상관관계 분석 에서도 거의 유사한 결과를 얻었다. 이러한 결과는 외부 온도가 올라감에 따라 전력 사용량은 감소하나 유의한 정도는 아님을 의미한다.
둘째, 전력수요 예측 오차 중 MRPE는 약 3%~8%(평균 5%)이며, RMSE는 약 4~27kWh(평균 14kWh)로, 예측 오 차가 전력 사용량의 약 5% 정도를 차지하고 있음을 의 미한다. 셋째, 온도를 고려하지 않은 Model (I)과 온도를 고려한 Model (II)에 대한 예측 정확도를 비교한 결과, 표본 9를 제외한 모든 표본에 대하여 Model (II)의 예측율이 높음을 알 수 있다. 이것은 온도 변화에 따른 전력 사용량을 추가로 고려한 혼합 모형의 예측 성능이 온도 를 고려하지 않은 모형보다 나음을 의미한다.
주어진 시간대에 대하여 온도와 전력 사용량 사이의 관계를 분석한 결과, 온도와 전력 사용량 사이에는 대략적으로 선형적인 관계가 있으며 임계 온도가 존재함을 알 수 있었다. 임계 온도보다 낮은 온도에서는 온도가 감소함에 따라 전력 사용량은 증가하였고, 높은 온도에서는 전력 사용량은 감소하였다. 이러한 결과를 회귀 분석을 통하여 정량적으로 전력 수요 예측에 적용하였다.
주어진 시간대에 대하여 온도와 전력 사용량 사이의 관계를 분석한 결과, 온도와 전력 사용량 사이에는 대략적으로 선형적인 관계가 있으며 임계 온도가 존재함을 알 수 있었다. 임계 온도보다 낮은 온도에서는 온도가 감소함에 따라 전력 사용량은 증가하였고, 높은 온도에서는 전력 사용량은 감소하였다.
[Table 3]을 통해 크게 3가지를 알 수 있다. 첫째, 온도 변화에 따른 전력 사용량이 수요 예측에 미치는 영향은 표본에 따라 0.04%에서 약 5%까지 다양한데, 평균적으로 약 1.5%를 차지하고 있다. 이것은 외부 온도의 변화가 전체 전력 사용량에 큰 영향을 미치지 않음을 의미한다.

후속연구

본 연구에서는 A테크노파크의 전력량을 사용했는데, 연구 결과 및 동기의 범용성을 위해서는 향후 가정용 전력 사용량에 대한 연구를 추가로 수행할 필요가 있다. 본 연구의 결과는 향후 전력 에너지 시계열 데이터 예측 모형과 전력 소모량 상황을 비교 검토하고, 날씨 등 다양한 정보를 포함한 예측 모형의 신뢰성 검증을 통해 보다 효율적인 에너지 관리를 위한 전력 에너지의 부하 조절과 전력과 가스의 혼용을 위한 의사결정 시스템[9]에 적용 할 수 있을 것으로 판단된다.
본 연구에서는 A테크노파크의 전력량을 사용했는데, 연구 결과 및 동기의 범용성을 위해서는 향후 가정용 전력 사용량에 대한 연구를 추가로 수행할 필요가 있다. 본 연구의 결과는 향후 전력 에너지 시계열 데이터 예측 모형과 전력 소모량 상황을 비교 검토하고, 날씨 등 다양한 정보를 포함한 예측 모형의 신뢰성 검증을 통해 보다 효율적인 에너지 관리를 위한 전력 에너지의 부하 조절과 전력과 가스의 혼용을 위한 의사결정 시스템[9]에 적용 할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	파워 스펙트럼이란?	에서 볼 수 있듯이 전력 사용량 시계열 데이터 {p(i)}에 주기가 있는 것으로 판단됨으로 주기성을 보다 체계적으로 분석하기 위하여 전력 사용량 시계열 데이터에 파워 스펙트럼을 적용하였다. 파워 스펙트럼은 N개의 시계열 데이터 p(1), p(2), ..., p(N)을 주파수 측 면에서 분석하여 시계열 데이터에 내재한 주기성을 규명 하기 위한 방법이다. 주파수 fn = n/N , n = -N/2, n = N/2 에서 전력 사용량 시계열 데이터 {p(i)}에 대한 파워 펙트럼 F(fn)은 아래와 같이 계산할 수 있다.
	한국의 전력 수요의 특징?	전력 수요의 특징 분석 및 예측은 전력 시장의 가격 결정과 전력 계통의 효율적 운용을 위해서 매우 중요하 다. 예를 들어 국내 전력 에너지 소비의 특징 중 하나는 냉난방의 전력의존도가 높아 여름은 물론 겨울에도 전력 피크(peak)가 발생하는 것이다[8]. 이것은 겨울철에도 전력을 사용한 난방 수요가 확대되고 있음을 의미하는 것 으로 지속적인 난방 수요의 확대는 전력 소비의 변동성 을 확대시킬 수 있는 잠재 요인이 되며, 전력 시장의 경 제성과 안정성을 위해 전력수요 예측을 위한 모형 및 알 고리즘 개발의 필요성을 뒷받침한다[7, 20].
	지수평 활 모형의 장점은?	선형 모형 중에서 ARIMA 모형 등은 시계열 데이터 자 체를 적합하지 않는다는 점에서는 지수평활 모형과 유사 한 특징을 가지고 있지만 모형에 포함된 매개변수가 상대 적으로 많기 때문에 추정한 매개변수 값에 따라 성능의 차이가 지수평활 모형에 비하여 클 수 있다. 반면 지수평 활 모형의 매개변수는 평활계수(smoothing coefficient)가 유일하기 때문에 매개변수의 추정으로 인한 복잡성을 피 하고 온도에 따른 전력 사용량의 변화가 예측에 미치는 효과를 보다 명확하게 분석할 수 있는 장점이 있다. 지수평활 모형은 예측할 시점과 가까운 시점의 데이 터에 더 큰 가중치를 부여하고 멀어질수록 가중치를 지 수적으로 줄여나가는 방법으로, 관측치에 대하여 예측치은 일 때

참고문헌 (23)

10.5762/KAIS.2015.16.12.8576 Ahn, B., Choi, H., Lee, H., Regional long-term/midterm load forecasting using SARIMA in South Korea, Journal of the Korea Academia-Industrial Cooperation Society , 2015, Vol. 16, No. 12, pp. 8576-8584.

원문보기 상세보기
10.1109/59.962429 Amjady, N., Short-term hourly load forecasting using time-series modeling with peak load estimation capability, IEEE Trans. on Power Systems , 2002, Vol. 16, No. 4, pp. 798-805.

상세보기
10.1002/9781118619193 Box, G., Jenkins, G., and Reinsel, G., Time Series Analysis : Forecasting and Control, 4th Edition, Wiley, Hoboken, New Jersey, 2008.
10.1016/0364-0213(90)90002-E Elman, J., Finding Structure in Time, Cognitive Science , 1990, Vol. 14, pp. 179-211.
10.1109/MASSP.1984.1162257 Heideman, M., Johnson, D., and Burrus, C., Gauss and the history of the fast Fourier transform, IEEE ASSP Magazine , 1984, Vol. 1, No. 4, pp. 14-21.

상세보기
10.1162/neco.1997.9.8.1735 Hochreiter, S. and Schmidhuber, J., Long short-term memory, Neural Computation , 1997, Vol. 9, pp. 1735-1780.

상세보기
10.5762/KAIS.2015.16.8.5591 Kang et al., BIM-based Data Mining Model for Effective Energy Management, Journal of the Korea Academia- Industrial Cooperation Society , 2015, Vol. 16, pp. 5591-5599.

원문보기 상세보기
Lee et al., A study on the estimation and prediction of electricity peak, Korean Energy Economic Review , 2010, Vol. 9, pp. 83-99.
10.11627/jkise.2016.39.1.064 Lee, C., Song, G,. and Kim, J., A Study on the Prediction of Power Consumption in the Air-Conditioning System by Using the Gaussian Process, Journal of Society of Korea Industrial and Systems Engineering , 2016, Vol. 39, No. 1, pp. 64-72.

원문보기 상세보기
10.11627/jkise.2014.37.2.27 Lee, C., Song, G., and Kim, J., Correlation Analyses of the Temperature Time Series Data from the Heat Box for Energy Modeling in the Automobile Drying Process, Journal of Society of Korea Industrial and Systems Engineering , 2014, Vol. 37, pp. 27-34.

원문보기 상세보기
10.7232/IEIF.2011.24.4.351 Lee, H. and Shin, H., Electricity Demand Forecasting based on Support Vector Regression, IE Interfaces , 2011, Vol. 24, pp. 351-361.

원문보기 상세보기
10.5207/JIEIE.2008.22.2.063 Nam, B., Song, K., Kim, K., and Cha, J., The spatial electric load forecasting algorithm using the multiple regression analysis method, Journal of the Korean Institute of Illuminating and Electrical Installation Engineers , 2008, Vol. 22, No. 2, pp. 63-70.

원문보기 상세보기
Oh, D., The present and future of big data in the electric industry, Journal of the Electric World , 2014, pp. 18-23.
10.1109/59.99410 Papalexopoulos, A. and Hesterberg, T., A Regression- Based Approach to Short-Term System Load Forecasting, IEEE Trans. on Power Systems , 1990, Vol. 4, No. 4, pp. 1535-1547.

상세보기
10.5391/JKIIS.2004.14.5.533 Park, Y. and Wang, B., Neuro-fuzzy model based electrical load forecasting system : Hourly, daily, and weekly forecasting, Journal of Korean Institute of Intelligent Systems , 2004, Vol. 14, No. 5, pp. 533-538.

원문보기 상세보기
R : Holt-Winters Filtering, stat.ethz.ch. Retrieved 2018- 01-05.
10.1109/TPWRS.2002.800992 Saini, L. and Soni, M., Artificial neural network-based peak load forecasting using conjugate gradient methods, IEEE Trans. on Power Systems , 2002, Vol. 17, No. 3, pp. 907-912.

상세보기
10.1016/j.neunet.2014.09.003 Schmidhuber, J., Deep Learning in Neural Networks : An Overview, Neural Networks , 2015, Vol. 61, pp. 85-117.

상세보기
10.1109/59.982201 Senjyu et al., One-Hour-Ahead Load Forecasting Using Neural Network, IEEE Trans. on Power Systems , 2002, Vol. 17, No. 1, pp. 113-118.

상세보기
Shin et al., A volatility analysis of Korean energy consumption, Economic Study , 2015, Vol. 63, pp. 71-119.
Shmueli, G. and Lichtendahl Jr., C., Practical Time Series Forecasting with R : A Hands-On Guide, 2nd Edition, Axelrod schnall publishers, 2018.
Sohn, K., Kim, S., and Shon, E., Fuzzy time series models with triangular fuzzy numbers as parameters, Journal of Korean Data Analysis Society , 2001, Vol. 3, No. 2, pp. 149-162.
Song, J., Seo, S., Yun, S., Kim, Y., and Cho, C., A study on the energy profile analysis and the forecasting method of the retail shop, in the Proceedings of Korean Communication Society of 2016 , pp. 1117-1118.

저자의 다른 논문 :

LOADING...

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