메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
전병기 (인하대학교) 김의종 (인하대학교)
저널정보
대한설비공학회 대한설비공학회 학술발표대회논문집 대한설비공학회 2022년도 동계학술발표대회 논문집
발행연도
2022.11
수록면
223 - 226 (4page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
직달일사와 산란일사를 분류하는 과정은 보다 정밀한 방위별 일사량 및 발전량을 예측하거나 이를 기반으로 건물에서 예측 제어를 위해 필수적으로 선행되어야 한다. 하지만 대부분의 직산분리 모델은 해외의 기상 발생패턴을 통계적으로 분석해 개발되었기 때문에 우리나라의 지역적 특성을 반영하지 않는 경우 계산된 일사 값은 큰 오차를 보인다. 이에 본 연구에서는 강화학습 알고리즘을 통해 발생되는 오차를 학습하여 기존 직산분리 모델의 정확도를 개선하는 직산분리 모델을 제안하였다. 제안된 모델은 오랜기간 동안 누적된 기상 데이터가 없는 현장을 가정하여 약 2주 동안의 기상데이터만을 학습하였다. 시뮬레이션 결과 제안된 모델은 학습기간과 유사한 겨울철(2월) 16W/㎡ 수준의 오차를 보였으며, 여름철(7월)에는 27W/㎡ 수준의 오차를 보이며 기존 직산분리 모델의 오차를 개선하는 성능을 보였다.
#Deep learning(딥러닝) #Horizontal irradiance(수평면 전일사량) #Reinforcement learning(강화학습) #Decomposition model(직산분리 모델)

목차

Abstract
1. 서론
2. 강화학습 기반 직산 분리 모델
3. 시뮬레이션 결과 및 분석
4. 결론
References

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0