[논문]부하예측 및 태양광 발전예측을 통한 ESS 운영방안(Guide-line) 연구

이기현; 곽경일; 채우리; 고진덕; 이주연

doi:10.14400/jdc.2020.18.12.267

[국내논문] 부하예측 및 태양광 발전예측을 통한 ESS 운영방안(Guide-line) 연구
Through load prediction and solar power generation prediction ESS operation plan(Guide-line) study 원문보기

디지털융복합연구 = Journal of digital convergence, v.18 no.12, 2020년, pp.267 - 278

이기현 (아주대학교 산업공학과) , 곽경일 (아주대학교 산업공학과) , 채우리 (아주대학교 산업공학과) , 고진덕 (아주대학교 산업공학과) , 이주연 (아주대학교 산업공학과)

초록
AI-Helper

에너지 패러다임이 격변하는 시점에서 ESS는 전력부족 및 전력수요관리의 해소와 재생에너지의 증진에 필수적인 요건이다. 이에 본 논문에서는 부하 및 태양광 발전 예측량을 통하여 비용효과적인 ESS Peak-Shaving 운영방안을 제안한다. ESS 운영방안을 위해 통계적 척도인 RMS을 통해 부하 및 태양광 발전 예측하였으며 예측된 부하 및 태양광 발전량을 통해 한 시간 단위의 목표 부하 절감량 Guide-line을 설정하였다. 대상 수용가의 1년 실데이터를 활용한 부하 및 태양광 발전 예측 시뮬레이션으로 2019년 5월 6일 ~ 10일의 부하 및 태양광 발전량을 예측 하였으며 시간별 Guide-line을 설정하였다. 부하 예측 평균오차율은 7.12%였으며, 태양광 발전량 예측 평균오차율은 10.57%를 나타냈다. ESS 운영방안을 통한 시간별 Guide-line 제시를 통해 수용가의 Peak-shaving 최대화에 기여하였음을 확인하였다. 본 논문의 결과를 통해 태양광과 연계하여 화석에너지로 발생하는 환경적인 영향을 최소화하며 신재생에너지를 최대 활용하여 에너지 문제를 줄일 수 있다고 기대한다.

Abstract ▼ AI-Helper

ESS is an essential requirement for resolving power shortages and power demand management and promoting renewable energy at a time when the energy paradigm changes. In this paper, we propose a cost-effective ESS Peak-Shaving operation plan through load and solar power generation forecast. For the ESS operation plan, electric load and solar power generation were predicted through RMS, which is a statistical measure, and a target load reduction guideline for one hour was set through the predicted electric load and solar power generation amount. The load and solar power generation amount from May 6th to 10th, 2019 was predicted by simulation of load and photovoltaic power generation using real data of the target customer for one year, and an hourly guideline was set. The average error rate for predicting load was 7.12%, and the average error rate for predicting solar power generation amount was 10.57%. Through the ESS operation plan, it was confirmed that the hourly guide-line suggested in this paper contributed to the peak-shaving maximization of customers.Through the results of this paper, it is expected that future energy problems can be reduced by minimizing environmental problems caused by fossil energy in connection with solar power and utilizing new and renewable energy to the maximum.

Keyword

표/그림 (19)

그림 Fig. 1. RMS Flow Chart
그림 Fig. 2. RMS Flow Chart
그림 Fig. 3. ESS Operation Plan
그림 Fig. 4. Demand characteristics by time of target customer load
그림 Fig. 5. Electricity demand for one year by target customer
그림 Fig. 6. ADF test for electric power demand for one year of target customer
그림 Fig. 7. 8 May 2019 Forecast and Actual Load Graph
그림 Fig. 8. 9 May 2019 Forecast and Actual Load Graph
그림 Fig. 9. Solar power generation amount per year of target customer
표 Table 1. May 6-10, 2019 Weekday load prediction Error rate
그림 Fig. 10. ADF verification of solar power generation amount per year by target customer
그림 Fig. 11. May 7, 2019 Forecast and Actual Solar Power Graph
그림 Fig. 12. May 10, 2019 Forecast and Actual Solar Power Graph
표 Table 2. May 6-10, 2019 weekday solar power generation forecast error rate
그림 Fig. 14. May 6, 2019 ESS Peak-Shaving operation algorithm result graph
표 Table 3. May 6, 2019 ESS Peak-Shaving operation algorithm result value
그림 Fig. 13. ESS Peak-Shaving virtual device applying DC-Coupling structure
표 Table 4. May 8, 2019 ESS Peak-Shaving operation algorithm result value
그림 Fig. 15. May 8, 2019 ESS Peak-Shaving operation algorithm result graph

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 ESS를 활용하여 수용가의 전력피크를 감소시키기 위한 제어방안을 제시하고자 한다. 피크제어를 위한 에너지는 태양광으로부터 발전된 에너지를 활용하는 것을 전제로 하며 ESS 운영방안에 따라 계통으로부터 오는 에너지에 대한 기여를 낮춤으로 신재생에너지의 기여도를 높이고 그 효과를 통한 운영방안 시뮬레이션으로 확인하고자 한다.
피크제어를 위한 에너지는 태양광으로부터 발전된 에너지를 활용하는 것을 전제로 하며 ESS 운영방안에 따라 계통으로부터 오는 에너지에 대한 기여를 낮춤으로 신재생에너지의 기여도를 높이고 그 효과를 통한 운영방안 시뮬레이션으로 확인하고자 한다.
본 논문의 ESS 운영을 위한 알고리즘은 부하예측과 태양광 발전예측 알고리즘을 제안하고 예측된 태양광 발전량의 변동에 따른 적절한 피크전력의 절감량을 가이드해줌으로써 ESS의 운영을 최적으로 제안 한다. 앞선 선행연구에서 부하예측, 태양광 발전량의 분석 모델들을 살펴본 바와 같이 부하예측은 예측 대상이 되는 날짜의 요일, 계절, 특수일의 여부의 따라 고유한 특성을 나타낸다.

가설 설정

H사와 동일하게 구성하였다. 가상 장치의 구조는 Fig. 13과 같이 태양광 발전, ESS, PCS, 수용가는 DC-Coupling으로 가정한다. DC-Couplinge 태양광발전이 발생하면 ESS로 저장할 수 있으며 잉여 발전량은수용가로 보낼 수 있는 구조를 가진다.
DC-Couplinge 태양광발전이 발생하면 ESS로 저장할 수 있으며 잉여 발전량은수용가로 보낼 수 있는 구조를 가진다. 각각 시스템에 대한 성능에 대해서는 ESS는 2MW 용량과 PCS는 1MW로설정하였다.

제안 방법

부하예측 알고리즘은 비용의 효과성과 예측 정확성 두가지의 효율을 얻기 위하여 통계적 척도를 통한 예측 방법론을 제안한다. 앞서 수용가의 부하 패턴의 안정성을파악하기 위하여 ADF(Augmented Dickey- Fuller)검정을 통해 부하간의 패턴이 안정성이 있다는 것을 확인한다.
제안한다. 앞서 수용가의 부하 패턴의 안정성을파악하기 위하여 ADF(Augmented Dickey- Fuller)검정을 통해 부하간의 패턴이 안정성이 있다는 것을 확인한다. ADF 검정의 식은 다음과 같다.
태양광 발전 예측 알고리즘은 예측하고자 하는 날과 과거 데이터에 대해서 최소간극을 고려하기 위해 RMS를 적용하였으며 전력 공급량 데이터는 오전 7시부터 시작하여 1시간 단위로 하루 총 24개의 데이터를 사용한다. 두 날을 x, y로 설정하여 적용한 RMS 식은 다음과 같이 정의된다.
본 논문에서 제안하는 ESS Peak-Shaving 운영방안은 시간당 부하 목표 절감량 Guide-line을 설정하고 수용가의 계통으로부터 오는 에너지에 대한 기여를 낮추어 신재생에너지의 활용을 최대화한다.
부하 데이터를 사용했다. 부하데이터의 구성은 전력요금 산정의 기준이 되는 15분 단위로 하여 0:15분부터 24:00까지 하루 총 96개의 구분이 이루어진다.
부하예측 알고리즘은 통계적 척도인 RMS를 통하여부하예측을 했다. 통계적 방법론을 사용하기 위하여 대상부하의 수요의 특성과 부하의 안정성을 파악했다.
했다. 통계적 방법론을 사용하기 위하여 대상부하의 수요의 특성과 부하의 안정성을 파악했다. Fig.
4 와 같이 일주일간 시간대별 수요 특성을 확인해 평일인월요일부터 금요일까지 부하패턴의 차이가 크지 않은 것을 확인할 수 있다. 단기적으로 확인하였을 때 부하패턴의 변화가 적은 것을 확인하였지만 1년간의 장기간으로부하패턴을 확인하였을 때 Fig4.와 같이 부하패턴의 변화가 적은지 확인하기 위하여 프로그램 언어 중 하나인 Python을 통하여 ADF 검정을 실행하였다.
태양광 발전 예측 알고리즘을 적용하기 위하여 대상태양광 발전 데이터의 패턴이 안정성이 있는지 2018년 7월 1일부터 2019년 6월 31일까지 1년간의 태양광 발전 데이터를 통하여 ADF 검정을 실행하였다.
5월 6일부터 10일까지 예측한 태양광 데이터의 성능평가를 확인하기 위하여 MAPE를 통한 부하 오차율을 계산하였다. 부하의 오차율은 다음 Table 2와 같으며 평균 10.
태양광 에너지의 최대 활용을 목표로 하며 부하예측과 태양광발전 예측 시뮬레이션을 진행한 2019년 5월 6일부터 5 월 10일까지의 1시간 간격으로 Guide-line을 설정하는 시뮬레이션을 진행하였다.
태양광발전량이 저조한 날이었으며그 결과 ESS 충방전은 07시부터 09시까지 발전된 태양광 발전량만 ESS 충전을 하게 되며 충전된 에너지를 통해 태양광 발전이 저조해지는 17시부터 23시전까지 균등한 방전을 하여 수용가의 부하절감을 하였다. 그 외 태양광 발전이 일어난 시간대에는 수용가로 태양광 발전 에너지를 보내줌으로써 수용가의 Peak-Shaving을 하였다.
본 논문에서는 비용 효과적이며, 시스템의 안정성에유리한 통계적 방법론인 RMS를 통하여 부하예측 알고리즘과 태양광 발전 알고리즘을 제안하였으며 해당 방법론을 통하여 실데이터를 활용한 부하 및 태양광 발전 예측시뮬레이션을 하였다. 또한 대상 수용가의 Peak-Shaving운영방안 시뮬레이션을 통해 한 시간 단위의 Guide-line을 확인하였다.
하였다. 또한 대상 수용가의 Peak-Shaving운영방안 시뮬레이션을 통해 한 시간 단위의 Guide-line을 확인하였다.
부하예측 시뮬레이션에서는 대상 수용가의 부하패턴의 유사성을 확인하고자 ADF 검정을 통해 시계열적 안정성을 확인하였으며 부하패턴이 유사하게 반복된다는것을 근거로 2019년 5월 6일부터 5월 10일까지의 실데이터와 예측 데이터를 비교분석하였다. 오차율을 확인한결과 평균 오차율은 7.
태양광발전 시뮬레이션 결과에서는 대상 수용가의 태양광 발전량의 패턴을 확인하고자 ADF 검정을 통하여시계열적 안정성을 확인하였다. 태양광 발전량 패턴의 유사성을 근거로 2019년 5월 6일부터 5월 10일까지 태양광 발전량 예측을 하였으며 실데이터와 비교 분석하였으며 MAPE를 통한 성능평가 결과 평균 10.
Peak-Shaving을 위한 운영방안 시뮬레이션 결과에서는 부하 사용량 및 태양광 발전량을 통해 예측한 2019 년 5월 6일부터 5월 10일의 데이터 중 태양광 발전량이 저조한 5월 6일과 발전량이 가장 높은 5월 8일의 Peak-Shaving을 위한 한 시간 단위의 예측 Guide-line을 제시하였다. 이를 통하여 태양광 에너지의 최대 사용과 이를 이용한 부하의 Peak -Shaving의 최대화에 기여하였음을 확인하였다.

대상 데이터

부하예측 알고리즘 시뮬레이션을 위해 광주 소재해있는 H사의 2018년 7월 1일부터 2019년 6월 31일까지 1 년간의 부하 데이터를 사용했다. 부하데이터의 구성은 전력요금 산정의 기준이 되는 15분 단위로 하여 0:15분부터 24:00까지 하루 총 96개의 구분이 이루어진다.
실데이터를 활용한 부하예측 시뮬레이션을 하기 위하여 2019년도 5월 6일부터 5월 10일까지 평일 5일의 부하 데이터를 예측하여 비교 분석을 하였다. 다음 Fig.
부하 데이터와 동일하게 광주에 소재해있는 H사의 2018년 7월 1일부터 2019년 6월 31일까지 1년간의 태양광 발전 데이터를 활용하여 본 절의 태양광 발전 예측알고리즘 시뮬레이션을 검증한다. 태양광 발전 데이터의구성은 1시간 단위로 하여 1시부터 24시까지 하루 총 24개의 구분이 이루어진다.
부하예측 알고리즘과 동일하게 대상 태양광 발전 데이터 중 2019년 5월 6일부터 5월 10일의 예측 데이터와 실제 데이터를 비교분석하였다.

데이터처리

간극이 유의미한 것이라 해석할 수 있다. 비교 대상이 되는 두 날의 변화하는 값의 크기에 대한 통계적 척도인 제곱평균제곱근(Root Mean Square, RMS)을 통하여 과거 데이터와의 최대의 유사도를 나타내는 최소간극으로 부하예측을 한다.
부하예측 알고리즘을 통하여 예측한 시뮬레이션의 성능평가를 위하여 부하예측 성능평가에 주로 사용되는 절대 평균 백분율 오차(Mean Absolute Percent Error, MAPE)를 사용하여 오차율을 확인한다. MAPE의 식은 다음과 같다
위 그림과 같이 예측한 부하데이터의 성능평가를 확인하기 위하여 MAPE를 통한 부하 오차율을 계산하였다. 2019년 5월 6일부터 10일까지의 하루 부하의 오차율은 다음 Table.

이론/모형

또한 인공지능 기법과 같은 예측모델을 사용하면 예측의 정확도가 높아져 ESS의 운전 신뢰성이 높아질 수 있지만 ESS 시스템을 구성하는 하위 컴포넌트에서 추가적인 투자와 구성해야 하는 시스템이 필요하게 되어 비용 효과적으로 극대화 될 수는 없다. 본 논문에서는 이러한 단점을 보완하고자 비용 가치적 차원에서 접근하여 ESS 시스템의 단순화하기 위해 통계적 척도를 통한 예측 방법론을 적용하였다. Peak-Shaving 운영방안에서는 부하& 태양광발전량 예측 알고리즘을 통한 예측데이터로 Peak-Shaving을 위한 한 시간 단위의 유동적인 Guide-Line을 제시한다.
Peak-Shaving 시뮬레이션을 위하여 ESS 가상 장치를 구성하였으며 가상 장치의 성능은 김해지역 주조업체인 H사와 동일하게 구성하였다. 가상 장치의 구조는 Fig.

성능/효과

검증을 통하여 부하간의 특징이 시계열적으로 안정되어 있음을 확인할 수 있으며 이는 특정날짜간의 부하 패턴의 간극이 유의미한 것이라 해석할 수 있다. 비교 대상이 되는 두 날의 변화하는 값의 크기에 대한 통계적 척도인 제곱평균제곱근(Root Mean Square, RMS)을 통하여 과거 데이터와의 최대의 유사도를 나타내는 최소간극으로 부하예측을 한다.
과거 특정한 날의 15분 단위 부하 값이다. RMS 결과값이 높으면 15분 단위 부하 예측량과 과거의 15분 단위부하 예측 값의 통계적 척도가 높다는 것을 의미하며 과거데이터와 예측값의 간극이 최소가 된다는 특성을 갖는다. RMS의 적용 알고리즘의 순서도는 Fig.
6은 ADF 검정결과 P-Value = 0으로 시계열적으로 부하간의 패턴이안정되어 있는 것을 알 수 있다. 이는 RMS 예측 방법론을 통하여 예측하고 자하는 날과 유사한 과거의 부하패턴으로 부하예측이 가능함을 확인할 수 있다.
파란색 막대그래프는 ESS의 충·방전량이며, 노란색 막대그래프는 시간당 Peak-Shaving을 위한 Guide-line 값이다. 태양광발전량이 저조한 날이었으며그 결과 ESS 충방전은 07시부터 09시까지 발전된 태양광 발전량만 ESS 충전을 하게 되며 충전된 에너지를 통해 태양광 발전이 저조해지는 17시부터 23시전까지 균등한 방전을 하여 수용가의 부하절감을 하였다. 그 외 태양광 발전이 일어난 시간대에는 수용가로 태양광 발전 에너지를 보내줌으로써 수용가의 Peak-Shaving을 하였다.
이는 1MW 이상 태양광발전이 일어난 시간대에는 수용가에 Peak-Shaving을 해주는 동시에 ESS에도 충전이가능하다. 따라서 2019년 5월 6일과 같은 흐린 날에 비해 부하 예측 절감량이 더 높으며, 가이드라인도 상대적으로 더 Peak-Shaving을 해줌을 알 수 있다.
도움을 줄 수 있을 것이다. 또한 Guide- line을 통해 태양광 에너지의 최대 사용과 이를 이용한 부하의 Peak-Shaving의 최대화에 기여하였음을 확인하였다.
예측 데이터를 비교분석하였다. 오차율을 확인한결과 평균 오차율은 7.12%가 나타났으며 예측하고자 하는 날이 과거 1년간의 데이터의 최대 범위나 최소 범위를 벗어나게 되면 오차율을 증가한다는 단점이 있었다.
안정성을 확인하였다. 태양광 발전량 패턴의 유사성을 근거로 2019년 5월 6일부터 5월 10일까지 태양광 발전량 예측을 하였으며 실데이터와 비교 분석하였으며 MAPE를 통한 성능평가 결과 평균 10.57%의 오차율을 나타냈다. 이는 전운량, 온도, 습도 등의 기상조건과같이 주요한 다양한 변수가 존재하지만 단변량으로 태양광 발전을 예측한 한계가 있었다.
제시하였다. 이를 통하여 태양광 에너지의 최대 사용과 이를 이용한 부하의 Peak -Shaving의 최대화에 기여하였음을 확인하였다. 반면에 기상조건이 좋지 않아 태양광 발전량이 상대적으로 적은 날은 목표 부하 절감량이 맑은 날과 비교하여 상대적으로 저조한 것을 확인하였다.
이를 통하여 태양광 에너지의 최대 사용과 이를 이용한 부하의 Peak -Shaving의 최대화에 기여하였음을 확인하였다. 반면에 기상조건이 좋지 않아 태양광 발전량이 상대적으로 적은 날은 목표 부하 절감량이 맑은 날과 비교하여 상대적으로 저조한 것을 확인하였다.

후속연구

Fig 14와 Fig 15의 ESS 충·방전 시뮬레이션을 통해 1시간 간격의 Guide -line을 확인하였으며 해당일 운영에 도움을 줄 수 있을 것이다. 또한 Guide- line을 통해 태양광 에너지의 최대 사용과 이를 이용한 부하의 Peak-Shaving의 최대화에 기여하였음을 확인하였다.
본 논문에서 제안한 ESS Peak-Shaving 알고리즘은 시간별, SOC 상태, 부하상태에 따라 Guide-linee 변화되기 때문에 최적의 운영을 예상할 수 있으며 이를 통해 상시 피크제어로 인한 국내전력계통의 안정화에 기여할 것으로 기대된다.
대한 대응이 필요하다. 이는 전날 태양광 발전량의 일부를 ESS에 저장하거나 심야전력을 ESS에 저장하는 방법으로 피크 전력 감소에 대한 추가연구가 필요하다.
마지막으로 본 논문의 결과를 통해 태양광과 연계하여 화력, 석탄발전으로 발생하는 환경적인 영향을 최소화 하며 더욱 나아가서 전력용량을 낮출 수 있도록 신재생에너지를 최대 활용하여 에너지 문제를 줄일 수 있다고 기대된다.

참고문헌 (17)

S. D Park. (2006). Climate change convention and technical countermeasures against global warming. Journal of Energy and Climate Change, 1(1), 1-12.
S.W Park (2016). Post-2020 Climate Regime and Paris Agreement - Key Issues and Agreed Results of UNFCCC COP 21 -. Environmental laws and policies, 16(), 285-322.
Lee, Wongoo, KIM, Kang-Won, KIM, Balho H. (2016). A Research on PV-connected ESS dissemination strategy considering the effects of GHG reduction. Journal of energy engineering, 25(2), 94.0-100.0.
Korea Energy Economics Institute, "Analyzing the effect of demand management for energy storage systems (ESS) and a study on market creation," Basic Research Report 14-23, 2014.
S. Singh, S. Hussain and M. A. Bazaz, "Short term load forecasting using artificial neural network," 2017 Fourth International Conference on Image Information Processing (ICIIP), Shimla, 2017, pp. 1-5.
Q. Wang, B. Zhou, Z. Li and J. Ren, "Forecasting of short-term load based on fuzzy clustering and improved BP algorithm," 2011 International Conference on Electrical and Control Engineering, Yichang, 2011, pp. 4519-4522.
J.B Park, S.H Moon, S.H Lee, H.M Hwang, Y.G Park. (2014). Development of Building Electricity Load Forecasting Algorithm for Economic EMS Operations. Journal of The Korean Data Analysis Society, 16(5), 2457-2468.
Colak, M. Yesilbudak, N. Genc and R. Bayindir, "Multi-period Prediction of Solar Radiation Using ARMA and ARIMA Models," 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), Miami, FL, 2015, pp. 1045-1049.
Yanting Li, Yan Su, Lianjie Shu, "An ARMAX model for forecasting the power output of a grid connected photovoltaic system", Renewable Energy, Volume 66, 2014, Pages 78-89, ISSN 0960-1481

상세보기
M. Detyniecki, C. Marsala, A. Krishnan and M. Siegel, "Weather-based solar energy prediction," 2012 IEEE International Conference on Fuzzy Systems, Brisbane, QLD, 2012, pp. 1-7.
C. Pan and J. Tan, "Day-Ahead Hourly Forecasting of Solar Generation Based on Cluster Analysis and Ensemble Model," in IEEE Access, vol. 7, pp. 112921-112930, 2019.

상세보기
J.W Lee, G.J Kim, S.C Yoon, S.D Jang. (2017). Development and verification of a solar power generation system prediction model. Journal of the Korean Society of Facility Engineering, (), 454-457.
D.H Lee, K.H Kim. (2019). A deep learning-based long-term solar power generation prediction technique using climate and seasonal information. The Korean Journal of Electronic Commerce, 24(1), 1-16.
D.H Kim, K.H Cho, H.A Park, E.S Kim. (2017). Optimal Operation Research Followed by Pattern Analysis of Charging and Discharging ESS of Industrial customer. Proceedings of the Korean Institute of Electrical Engineers, (), 646-647.
J.W Im, D.H Han, S.Y Kim, C.H Ban, J.M Choi, G.H Choi. (2012). PV System with Battery Storage using Peak-cut Algorithm. Proceedings of the Power Electronics Society Conference, (), 135-136.
W.J Lee, J.S Jung. (2017). Development of optimal ESS charging/discharging algorithm using load prediction and solar power generation prediction. Proceedings of the Korean Institute of Electrical Engineers, (), 638-639.
S.H Park, G.H Lee, M.S Chung, U-ri Chae, J.Y Lee. (2019). Solar ESS Peak-cut Simulation Model for Customer. Journal of Digital Convergence, 17(7), 131-138.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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