http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
박래진(Rae-jin Park),김정환(Jeong-Hwan Kim),정승민(Seungmin Jung) 한국신재생에너지학회 2021 한국신재생에너지학회 학술대회논문집 Vol.2021 No.7
우리나라를 포함하여 세계 각국이 온실가스로 인한 환경문제가 심화되어 짐에 따라 친환경 에너지 정책을 시행하고 있다. 그로 인해 국가 차원의 대응으로 온실가스의 자발적 감축 의무를 이행하고 있으며 신재생에너지 보급·확대를 통해 친환경 에너지정책을 주도하고 있다. 특히 경제적인 효율성으로 인해 태양광과 풍력 중심의 신재생발전이 점증하는 형태로 구조전환이 이루어지고 있다. 국제재생에너지기구(IRENA)에 따르면 세계 재생에너지 발전설비는 2017년 기준 2,179 GW 규모로 2008년 이후 연평균 8.4% 증가하였으며 그 중 풍력발전은 23.6%의 비중을 차지하고 있다. 세계 풍력 발전 설비 규모는 2017년 513.9 GW로 2008년 이후 연평균 18.1% 증가하며 급속한 성장을 보이고 있다. 하지만 풍력발전의 경우 급격하게 변동하는 풍속으로 인해 발전 전력의 크기를 조정할 수 없어 계통에 연계 시 불안정을 초래할 수 있다. 풍력발전의 설비용량이 증가함에 따라 계통 운영의 안정성을 높이고 전력수급의 균형을 유지하기 위해 예측시스템의 정확성이 중요시되고 있으며 다양한 연구가 진행되어지고 있다. 기존의 머신러닝을 활용한 풍력발전 예측 시스템의 경우, 풍속과 발전량 데이터를 시스템의 입력으로 설정하여 발전량을 예측한다. 이러한 방법은 급격한 변동성을 갖는 기후의 특성으로 인해 풍속과 발전량에 대한 일관된 경향성을 분석하기 어려워 장기간 예측 시 정확도가 감소될 수 있다. 또한, 시뮬레이션 환경에서 실제 풍력발전기의 출력 특성을 고려한 검증을 진행하기 어려워 발전 예측량에 대한 신뢰도가 감소될 수 있다. 본 논문에서는 풍황데이터를 이용한 발전량의 예측 정확도를 향상시키기 위해, 풍속을 포함한 환경 데이터를 입력 데이터 셋으로 설정하고 머신러닝 알고리즘에 적용하여 발전량을 예측하고자 한다. 또한, 실제 풍력발전기를 고려한 시뮬레이션 환경에서 기기의 출력 특성을 반영하여 예측 발전량 비교 및 검증을 수행하고자 한다.
하수관거 직경과 심도를 고려한 하수관거 플라스틱 받침기초의 안전성 평가를 위한 해석연구
박래진(Park, Rae-Jin),박종섭(Park Jong-Sup) 한국산학기술학회 2015 한국산학기술학회논문지 Vol.16 No.6
하수관거 시설은 현장 시공시 다짐 불량 및 뒤채움재의 품질관리 미흡으로 인해 하수관거의 이격 및 부등침하가 발생되고, 이음부나 관의 손상이 심화되는 경우 누수가 발생된다. 노후화로 인해 유지 및 보수, 신설 비용은 매년 증가하고, 누수로 인한 인접 매립시설물 및 지하수로의 유입으로 인해 오염사례가 보고된 바 있으며, 최근에는 싱크홀의 문제를 야기하 여 사회적 관심이 증대되었다. 따라서 많은 연구자들에 의해 하수관거의 기초에 대한 채움재관련 연구가 오랫동안 연구되어 왔으며, 신재생재료에 대한 관심 수요가 증가하여 재생재료를 활용한 연구들도 활발히 진행되고 있다. 본 연구에서는 하수관 거를 지지하는 기초의 안전성과 경제성을 동시에 지닌 재활용재료를 활용한 조립식 하수관거 기초에 대해 연구를 진행하였 으며, 사후처방방식이 아닌, 시공단계에서 사전예방하기 위해 관경 600mm, 700mm, 800mm의 대형 하수관거를 선정하여 적 절한 설계 하중을 산출하고 매립 심도별 안전성에 관한 연구를 수행하였다. 본 연구결과는 신형식 하수관거 기초의 유사연구 에 널리 활용 될 수 있을 것이다. Improper backfill materials and compaction controls under pipelines have become one of the major causes of failure in many sewage pipeline systems. A study on backfill materials and compaction controls has been considered for a long time. However, structural supporters under the pipe were recently concerned because of pipeline repair and maintenance. This paper presents a prefabricated plastic foundation for supporting a sewage pipe system and increasing the performance function of the pipes. Several analytical models for the plastic foundations were investigated using finite-element program, ABAQUS, for checking safety. Comparing with the results of analyses, some of economic design sections based on the sizes of pipe diameters, 600mm, 700 and 600mm, were evaluated. These results could be applied to a pipeline system with a prefabricated plastic foundation with respect to pipe diameters and buried depths.
풍력발전 예측시스템 검증을 위한 LSTM 기반 실시간 시뮬레이션 연구
박래진(Rae-Jin Park),김정환(Jeong-Hwan Kim),채성기(Seongki Chae),정승민(Seungmin Jung) 대한전기학회 2021 대한전기학회 학술대회 논문집 Vol.2021 No.7
풍력발전설비의 출력은 풍속, 공기 밀도 등과 같은 요인에 따라 높은 출력변동이 발생하여 전력시스템에 교란을 일으킬 수 있다. 이에 따라 안정적으로 전력시스템 운영하기 위해 시계열 기반의 예측 기법을 활용한 발전량 예측이 요구되는 추세이다. 본 논문에서는 환경데이터 셋을 고려하여 발전량을 예측하는 방법을 제시하며. 이는 기존의 방법에 비해 정확성 향상을 도모하여, 계통운영에 활용이 가능하다. 예측시스템은 Long short term memory(LSTM) 알고리즘을 적용하였고 제시한 기법은 (RTDS)실시간 시뮬레이터를 통해 유효성을 검증하였다.
정확도 향상을 위한 CNN-LSTM 기반 풍력발전 예측 시스템
박래진 ( Rae-jin Park ),강성우 ( Sungwoo Kang ),이재형 ( Jaehyeong Lee ),정승민 ( Seungmin Jung ) 한국신·재생에너지학회 2022 신재생에너지 Vol.18 No.2
In this study, we propose a wind power generation prediction system that applies machine learning and data mining to predict wind power generation. This system increases the utilization rate of new and renewable energy sources. For time-series data, the data set was established by measuring wind speed, wind generation, and environmental factors influencing the wind speed. The data set was pre-processed so that it could be applied appropriately to the model. The prediction system applied the CNN (Convolutional Neural Network) to the data mining process and then used the LSTM (Long Short-Term Memory) to learn and make predictions. The preciseness of the proposed system is verified by comparing the prediction data with the actual data, according to the presence or absence of data mining in the model of the prediction system.