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 : 윤석만 ( Seokmann Yoon ) (검색결과 2 건)
- 무료
- 기관 내 무료
- 유료
-
축열 및 방열에 따른 지중계간 축열시스템의 해석적 연구
김단은(Daneun Kim),황석화(Seokhwa Hwang),허재혁(Jaehyeok Heo),윤석만(Seokmann Yoon),윤린(Rin Yun) 대한설비공학회 2019 대한설비공학회 학술발표대회논문집 Vol.2019 No.11
본 연구에서는 TRNSYS를 활용해 킨텍스에 적용 예정인 태양열 및 지중 계간축열 건물 냉난방 시스템을 모델링 하였다. 지중축열 운전 시 지중축열조 온도변화와 지중축열조의 전달되는 열에너지를 해석하였고, 방열시 히트펌프 용량변화에 따른 지중축열조의 온도변화를 고찰하였다. 지중축열조 보어홀의 개수 및 보어홀의 깊이와 간격은 각각 90개, 43.6m, 2.5m이고, 히트펌프의 용량은 160 ㎾에서 740 ㎾까지 네 단계로 변경하였다. 축열기간은 1월부터 9월 동안이고, 방열기간인 10월부터 다음 해 2월까지이다. 히트펌프 용량이 증가할수록 지중 축열조의 평균온도는 급격하게 감소하는 경향을 나타냈다. 히트펌프의 용량이 160 ㎾인 경우 방열 운전의 최종 2월 말 지중축열조의 평균온도는 29.38℃, 태양축열조의 평균온도는 28.33℃로 다른 세 개의 히트펌프 용량의 평균 지중온도 중 가장 높은 온도를 나타냈다. 히트펌프용량이 740 ㎾인 경우 지중축열조 온도는 14.52℃로 20℃ 이하로 낮아지는 결과를 보인다.
-
실시간 열량계 정보를 활용한 단기 열 수요 예측 모델 개발에 관한 연구
송상화 ( Sang Hwa Song ),신광섭 ( Kwangsup Shin ),이재훈 ( Jaehun Lee ),정윤재 ( Yunjae Jung ),이재승 ( Jaeseung Lee ),윤석만 ( Seokmann Yoon ) (사)한국빅데이터학회 2020 한국빅데이터학회 학회지 Vol.5 No.2
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 예츢된다. 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 accordingly. In this study, a heat demand forecasting model is proposed considering real-time calorimeter information from local heat demands. Previous models considered ambient temperature and heat demand history data to predict future heat demands. To improve forecast accuracy, the proposed heat demand forecast model added big data from real-time calorimeters installed in the heat demands within the target region. By employing calorimeter information directly in the model, it is expected that the proposed forecast model is to reflect heat use pattern of each demand. Computational experiemtns based on the actual heat demand data shows that the forecast accuracy of the proposed model improved when the calorimeter big data is reflected.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
