$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

실시간 열량계 정보를 활용한 단기 열 수요 예측 모델 개발에 관한 연구
Development of Short-term Heat Demand Forecasting Model using Real-time Demand Information from Calorimeters 원문보기

The journal of Bigdata = 한국빅데이터학회지, v.5 no.2, 2020년, pp.17 - 27  

송상화 (인천대학교 동북아물류대학원) ,  신광섭 (인천대학교 동북아물류대학원) ,  이재훈 (인천대학교 동북아물류대학원) ,  정윤재 (인천대학교 동북아물류대학원) ,  이재승 (한국지역난방공사 미래개발원) ,  윤석만 (한국지역난방공사 미래개발원)

초록
AI-Helper 아이콘AI-Helper

지역난방 시스템은 서비스 지역 내 열 수요처들을 네트워크로 연결하여 중앙의 저비용 고효율 열 생산설비를 통해 열을 공급하는 에너지 시스템이다. 효율적인 열 공급 시시스템 운영을 위하여 지역 내 열 수요를 정확하게 예측하고 이를 바탕으로 열 생산 계획을 최적화하는 것이 중요하다. 본 연구에서는 지역 내 열수요처별 열 사용량 패턴에 대한 빅데이터 정보로 기계실별 실시간 열량계 정보를 반영한 열수요 예측모형을 제시하였다. 기존에도 열 수요예측에 활용되던 지역 전체 열수요 실적 합계와 함께 수요처별로 설치되어 있는 열량계로부터 실시간으로 수집한 개별 열수요 실적을 예측모형에 반영함으로써 열 수요처별로 상이한 열사용 패턴을 반영한 열 수요 예측이 가능할 것으로 기대된다. 지역난방 기업의 실제 열수요 실적을 바탕으로 열수요 예측 정확도를 측정한 결과 계절에 상관없이 기본 모형 대비 열량계 빅데이터를 반영할 경우 정확도가 올라가는 것으로 분석되었으며, 향후 열수요처별 다양한 형태의 데이터를 추가로 반영함으로써 열 수요 예측 정확도 향상이 가능할 것으로 예측된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

District heating system supplies heat from low-cost high-efficiency heat production facilities to heat demand areas through a heat pipe network. For efficient heat supply system operation, it is important to accurately predict the heat demand within the region and optimize the heat production plan a...

주제어

#수요예측   #지역난방   #열량계   #회귀분석  

참고문헌 (10)

  1. 김제현, 이지은, 김태형, 함경선, "기상 데이터를 활용한 공동주택 열수요 예측에 관한 연구". 한국정보과학회 학술발표논문집, pp.1331-1333. 2018. 

  2. Baltputnis, K., Petrichenko, R., & Sauhats, A., "ANN-based city heat demand forecast". Paper presented at the 2017 IEEE Manchester PowerTech, pp.1-6, 2017. 

  3. Petrichenko, R., Baltputnis, K., Sauhats, A., & Sobolevsky, D., "District heating demand short-term forecasting". Paper presented at the 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), pp.1-5, 2017. 

  4. Sandberg, A., Wallin, F., Li, H., & Azaza, M., "An analyze of long-term hourly district heat demand forecasting of a commercial building using neural networks". Energy Procedia, Vol.105, pp.3784-3790, 2017. 

    상세보기 crossref

  5. Idowu, S., Saguna, S., Ahlund, C., & Schelen, O., "Forecasting heat load for smart district heating systems: A machine learning approach". Paper presented at the 2014 IEEE International Conference on Smart Grid Communications (SmartGridComm), pp.554-559, 2014. 

  6. Zhang, W., Niu, P., Li, G., & Li, P., "Forecasting of turbine heat rate with online least squares support vector machine based on gravitational search algorithm". Knowledge-Based Systems, Vol.39, pp.34-44, 2013. 

    상세보기 crossref

  7. Protic, M., Shamshirband, S., Petkovic, D., Abbasi, A., Kiah, M. L. M., Unar, J. A., & Raos, M., "Forecasting of consumers heat load in district heating systems using the support vector machine with a discrete wavelet transform algorithm". Energy, Vol.87, pp.343-351, 2015. 

    상세보기 crossref

  8. Rahman, A., & Smith, A. D., "Predicting heating demand and sizing a stratified thermal storage tank using deep learning algorithms". Applied Energy, Vol.228, pp.108-121, 2018. 

    상세보기 crossref

  9. Lu, K., Meng, X. R., Sun, W. X., Zhang, R. G., Han, Y. K., Gao, S., & Su, D., "GRU-based encoder-decoder for short-term CHP heat load forecast". Paper presented at the IOP Conference Series: Materials Science and Engineering, 392(6) 062173, 2018. 

    상세보기 crossref

  10. Kuan, L., Zhenfu, B., Xin, W., Xiangrong, M., Honghai, L., Wenxue, S., & Zhimin, L., "Short-term CHP heat load forecast method based on concatenated LSTMs". Paper presented at the 2017 Chinese Automation Congress (CAC), pp.99-103, 2017. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로