http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 김백천(Baekcheon Kim) (검색결과 5 건)
- 무료
- 기관 내 무료
- 유료
-
계절별 기상조건에 기반한 태양광 발전량 예측에 관한 연구
김백천(Baekcheon Kim),정승환(Seunghwan Jung),김민석(Minseok Kim),김종근(Jonggeun Kim),김성신(Sungshin Kim) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.2
태양광 발전량 예측은 태양광 발전 시스템을 연계하여 운용되는 마이크로그리드의 전력공급 안정성을 향상시키기 위해 필요하다. 하지만 태양광 발전은 계절별 특성 및 기상조건에 따라 발전량이 다르기 때문에 예측하기 어렵다. 따라서 본 논문에서는 기상 및 발전량 데이터를 계절 및 날씨에 따라 분류하고, 분류된 데이터에 각각 Long Short-Term Memory(LSTM)를 이용하여 태양광 발전량 예측 방법을 제안한다. 제안된 방법의 성능을 비교하기 위해 계절만 고려한 모델, 날씨별 모델과 비교하였다. 실험결과, 계절 및 날씨에 따라 분류된 데이터를 이용하여 모델을 구현하였을 때, 기존 방법들보다 예측성능이 더 우수한 것을 확인할 수 있었다. The solar power generation forecasting is necessary to improve the power supply stability of microgrids operated in connection with the solar power generation system. However, it is difficult to forecast solar power due to anomalous seasonal characteristics and weather conditions. Therefore, the proposed method classifies meteorological and power generation data by season and weather, and then predicts solar power generation by Long Short-Term Memory (LSTM) using the classified data. Weather conditional model and seasonal model are used to verify the performance of the proposed method. Experimental results show that model using classified data by season and weather is outperforms than conventional models.
-
kNN-LSTM을 이용한 시간별 일사량 예측 성능 개선에 관한 연구
김민석(Minseok Kim),정승환(Seunghwan Jung),김백천(Baekcheon Kim),김진용(Jin Yong Kim),김성신(Sungshin Kim) 한국지능시스템학회 2022 한국지능시스템학회논문지 Vol.32 No.3
세계 에너지시장 동향 및 재생에너지 관련 제도 개선으로 태양광발전 보급이 증가하고 있다. 태양광발전은 탄소를 발생시키지 않으면서 발전할 수 있다는 점에서 유망한 대체 에너지원이다. 하지만, 이러한 재생에너지를 이용한 전력원은 자연에너지를 이용하는 특성상 불안전한 발전출력으로 인해 발전량 예측, 유지보수 및 관리 시스템이 필요하다. 태양광 발전량을 예측하기 위해서는 먼저 태양광 발전에 가장 많은 영향을 미치는 일사량을 예측해야 하므로 이와 관련된 연구가 지속적으로 수행되고 있다. 따라서, 본 논문에서는 kNN-LSTM (k-Nearest Neighbor and Long Short-Term Memory) 기반 일사량 예측 방법을 제안한다. 제안된 방법은 kNN을 이용하여 전 날 일사량 패턴과 유사한 과거 데이터를 탐색한 다음 LSTM에 입력변수로 사용하여 다음 날의 시간별 일사량을 예측한다. 실험 결과, 제안된 방법이 서포트 벡터 회귀, 인공신경망 및 LSTM에 비해 계절에 따른 청명한 날과 흐린 날 모두 효과적으로 예측할 수 있음을 확인하였다. The supply of solar power is increasing owing to global energy market trends and the improvement of new and renewable energy-related systems. solar power is a promising alternative energy source in that it can make electricity without generating carbon. However, since the power generation output is unstable due to the nature of using solar energy, a power generation prediction, maintenance, and management system is required. To predict the amount of solar power generation, it is necessary to forecast solar radiation that has the most influence on the solar power generation. Therefore, research related to this has been continuously being conducted. In this paper, we propose a method for forecasting solar radiation based on k-Nearest Neighbor and Long Short-Term Memory (kNN-LSTM). The proposed method uses kNN to search training data similar to the previous day"s solar radiation pattern and then uses it as an input variable to LSTM to forecasting the hourly solar radiation of the next day. The experimental results show that the proposed method can effectively predict both seasonal sunny and cloudy days compared to the conventional method by comparing it with Support Vector Regression, Artificial Neural Network and LSTM.
-
-
Auto-associative Kernel Regression을 이용한 화력발전소 고장탐지 및 고장변수 식별에 대한 연구
김민석(Minseok Kim),정승환(Seunghwan Jung),김백천(BaekCheon Kim),장재열(Jaeyel Jang),유재영(Jaeyenog Yoo),김성신(Sungshin Kim) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.5
원활한 전력공급을 위한 발전설비의 증축 및 기존 발전설비의 노후화로 인해 최근 발전공정에서 발생한 고장사례와 비계획정지의 횟수가 급격히 증가하고 있는 추세이다. 따라서 발전공정의 가용성, 안전성, 신뢰성을 보장하기 위한 데이터기반 고장탐지 및 진단에 관련된 연구가 활발히 진행되고 있다. 본 논문에서는 화력발전소에서 수집된 데이터에 Auto-associative Kernel Regression (AAKR)을 적용하였다. AAKR의 고장탐지 절차는 오프라인, 온라인 과정으로 나누어진다. 오프라인 과정에서는 대상시스템의 다변량 샘플을 이용하여 고장탐지를 위한 문턱값과 대역폭파라미터를 설정한다. 온라인 과정에서는 메모리에 저장된 학습데이터와 검증데이터의 유사도를 계산한다. 계산된 유사도에 따라 학습데이터의 가중치를 할당하고, 추정벡터 및 탐지지수를 계산한 후, 오프라인 과정으로부터 설정된 문턱값을 이용하여 고장탐지 및 기여도 분석을 수행하였다. AAKR을 이용한 고장탐지의 성능을 검증하기 위해서 정상데이터에 인위적으로 외란을 섞은 고장데이터를 생성하여 고장탐지를 수행한 결과, AAKR을 이용한 고장탐지방법이 고장구간을 적절히 탐지할 수 있음을 보여준다. The number of unexpected failures and shutdowns of the recent power generation process has been increasing sharply due to the expansion of power generation facilities for smooth power supply and the deteriorating of existing power plants. In this paper, Auto-associative Kernel Regression (AAKR) was applied to collect data from thermal power plants. There are two processes in the applied method, offline and online. In the offline process, a threshold and a bandwidth parameter for fault detection are set using multivariate samples of the terget system that were normally operated. And in the online process, the similarities between training data stored in memory and validation data is computed. The weight of training data is allocated according to the calculated similarity. After calculating estimated vector and detection indices, and fault detection and contribution analysis were performed using the threshold value set in the offline process. Fault data were generated by artificial disturbance mixed with normal data to verify the performance of the fault detection. Results of the fault detection using AAKR show that a failure intervals can be adequately detected.
-
트리형 자료분석을 통한 노드 네트워크 모델 기반 트래픽 제어 자동화
하대건(Daekeon Ha),김은경(Eun Kyeong Kim),김진용(Jin Yong Kim),김백천(Baekcheon Kim),김성신(Sungshin Kim) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.5
다수의 AGV를 고정 경로계획으로 운용할 때 충돌 방지를 위해 구역제한 기법을 통한 제어를 일반적으로 사용한다. 이러한 운용 방식은 실시간으로 최적화된 경로를 탐색할 필요가 없으며, 발생할 수 있는 트래픽 상황이 한정되어 있기 때문에 연산량이 적고, 알고리즘이 간단하며 직관적이다. 하지만 동시에 운용되는 AGV 수가 증가하고, 작업 공간의 크기가 커짐에 비례하여, 트래픽 상황에 대한 경우의 수가 기하급수적으로 늘어난다. 수많은 트래픽 경우의 수를 전문가의 경험적인 노하우에 의존하는 것에는 한계가 있으며, 신뢰성과 안전성이 낮아진다. 따라서 본 논문은 작업 환경을 구성하는 맵 데이터를 기반으로 트리 자료구조로 데이터 전처리를 실행하고, 자료구조 탐색을 통한 트래픽 규칙 생성 자동화 방안을 고안하였다. 성능 검증을 위해 생성된 트래픽 규칙을 시뮬레이션 프로그램에 등록하여 실험하였으며, 실험 결과 제안하는 방법을 통해 운반 횟수 증가, 차량별 대기 시간 감소 등 성능이 개선됨을 확인하였다. When operating multiple AGVs as fixed path plan, control method to prevent collision using area constrain technique is commonly used. This technique do not require real-time optimized path exploration, and due to the limited traffic conditions that can occur, the computation is low, the algorithm is simple, and intuitive. However, as proportionally the number of AGVs operating at the same time and the increase in the size of the workspace, the number of traffic situations increases exponentially. Furthermore, there is a limit to relying on expert empirical know-how in the number of traffic cases, resulting in lower reliability and safety. Therefore, this paper executes data preprocessing as a tree data structure based on map data comprising the work environment, and suggests a traffic rule generation method through data structure exploration. As the experimental results, the proposed method can improve the performances with respect to number of conveyances and reduced waiting time.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
