http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
홍예진(Yejin Hong),최영웅(Youngwoong Choi),윤성민(Sungmin Yoon),김용식(Yong-Shik Kim) 대한설비공학회 2020 대한설비공학회 학술발표대회논문집 Vol.2020 No.6
Recently, from the 4th industrial revolution, the demand for intelligent building energy management systems and automatic control technologies is increasing. Since the automatic control technology is based on the measurement data of various real sensors in the building system, a reliable sensing environment is also required. However, as these real sensors are built with non-informative and unstable sensing environments in the building system, there are practical difficulties in developing an advanced and intelligent building energy technology. A virtual sensors can be an alternative to overcome the limitations of real sensors since it can estimate real-time variables that are difficult or impossible to measure in a building. Accordingly, based on autoencoder, this study suggests a system-level virtual sensing method with a strategy to improve the existing virtual sensor accuracy. The performance of suggested virtual sensing methods was evaluated in a district heating system.
공동주택 지역난방시스템의 운전 시그니처 도출을 위한 클러스터링 자동화 방법
홍예진(Yejin Hong),윤성민(Sungmin Yoon),김용식(Yong-Shik Kim) 대한설비공학회 2022 대한설비공학회 학술발표대회논문집 Vol.2022 No.6
최근 4세대 지역난방 목표 달성을 위해 지역난방의 에너지절감 및 효율화가 강조됨에 따라 난방수요건물들의 운전상태 마이닝이 중요해지고 있다. 이러한 건물측 지역난방변온소의 운전상황은 난방에너지 수요패턴 및 운전 시그니처의 군집화로 분석 및 진단할 수 있다. 하지만 기존의 군집화 방법은 운전 시그니처 도출 시 전문가의 개입을 요구함에 따라 실시간 모니터링 및 진단에 어려움이 있다. 이에 지역난방시스템 운전패턴 군집의 자동화가 요구되는 상황이다. 따라서 본 연구에서는 공동주택 지역난방시스템을 대상으로 자동화된 운전 시그니처 도출 방법을 제안한다. 제안된 방법은 지역난방시스템의 운전효율 지표에 기반하여 시그니처 개수를 결정하며, 운전 시그니처 분석 결과 약 42%가 비효율적으로 운전되고 약 11%는 재실자의 열쾌적 불만이 예상됨을 확인하였다.
대용량 데이터 분석을 위한 맵리듀스 기반의 이상치 탐지
홍예진 ( Yejin Hong ),나은희 ( Eunhee Na ),정용환 ( Yonghwan Jung ),김양우 ( Yangwoo Kim ) 한국인터넷정보학회 2017 인터넷정보학회논문지 Vol.18 No.1
가까운 미래에는 빅데이터의 많은 부분을 IoT 데이터가 차지할 것이라는 전망이 나오고 있다. 그에 따라, IoT 데이터의 많은 부분을 차치하는 센서 데이터에 관한 관심과 연구 또한 활발하게 진행되고 있다. 여러 분야에서 활용되고 있는 센서 데이터는 분석할 때 실제와는 다른 값인 이상치를 포함하게 되면 정확한 분석이 어려우며, 왜곡된 결과가 도출되어 활용할 수 없는 경우가 생긴다. 따라서 본 논문에서는 정확한 결과를 도출하기 위해 수집된 원자료를 분석하기 전에 이상치 탐지 및 제거를 하였다. 또한, 점점 늘어나고 있는 대용량의 데이터를 빠르게 처리하기 위해 메모리 접근방식인 스파크를 사용한 분산처리환경에서 처리하였다. 맵리듀스 기반의 이상치 탐지 및 제거는 총 4단계로 나누어 구현하였으며, 각 단계를 매퍼와 리듀스로 구현하였다. 제안한 기법의 평가를 위해서 3가지 환경에서 비교하였으며, 그 결과 이상치 탐지 및 제거를 하고자 하는 데이터의 용량이 커질수록 스파크를 이용한 분산처리환경에서의 처리가 가장 빠르다는 결과를 얻었다. In near future, IoT data is expected to be a major portion of Big Data. Moreover, sensor data is expected to be major portion of IoT data, and its` research is actively carried out currently. However, processed results may not be trusted and used if outlier data is included in the processing of sensor data. Therefore, method for detection and deletion of those outlier data before processing is studied in this paper. Moreover, we used Spark which is memory based distributed processing environment for fast processing of big sensor data. The detection and deletion of outlier data consist of four stages, and each stage is implemented with Mapper and Reducer operation. The proposed method is compared in three different processing environments, and it is expected that the outlier detection and deletion performance is best in the distributed Spark environment as data volume is increasing.