지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최원창
- 발행연도
- 2021
- 저작권
- 가천대학교 논문은 저작권에 의해 보호받습니다.
이용수20
이 논문의 연구 히스토리 (4)
2021
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구에서는 Python 프로그램을 활용하여 업무용 건물의 냉동기 에너지 소비량 예측모델을 작성하여 입력 조건 변화에 따른 예측성능을 비교 및 평가하였다. 냉동기 에너지 소비량 예측모델은 랜덤포레스트 (Random Forest)와 인공신경망 (Artificial Neural Networks)을 기반으로 작성하였으며, 입력 조건은 입력 변수의 개수, 훈련 데이터 사이즈, 뉴런의 개수를 변화시켰다. 입력 변수는 냉수공급유량, 냉각수온도, 외기건구온도, 외기습구온도, 외기노점온도, 외기상대습도, 가동시간, 가동날짜로 하였고 데이터를 생성하여 에너지 소비량과 상관관계가 높은 순대로 순차적으로 추가하여 1개에서 8개까지 변경하였으며, 훈련용 데이터 크기는 50%에서 90%, 뉴런의 수는 10개에서 100개까지 변경하였다. 조건 변화에 따른 모델의 예측성능은 통계적 검증지표인 CvRMSE (Coefficient of Variance of Root Mean Squared Error)를 통하여 평가하였다.
입력변수의 개수를 증가시킬수록 정확도가 증가하여, 8개로 하였을 때 랜덤포레스트 모델은 평균 CvRMSE 23.91%, 인공신경망 모델은 평균 17.40%로 ASHRAE 기준을 만족하였다. 훈련 데이터 사이즈를 증가 시에도 역시 두 모델의 예측성능이 향상되었다. 인공신경망 모델은 뉴런의 개수를 증가 시킬수록 예측성능이 향상되었지만 일정 수준에 도달하면 큰 차이를 보이지 않았다.
기계학습 모델을 기반으로 냉동기 에너지소비량 예측성능을 비교 및 평가한 결과, 인공신경망을 이용한 예측모델의 입력변수의 개수, 훈련 데이터 크기, 뉴런의 개수 증가 시에 가장 우수한 성능을 나타내었다. 추후 인공신경망에서 은닉층을 증가시킨 심층신경망 (Deep Neural Network)을 기반으로 냉동기 에너지 소비량 예측모델을 개발하여 인공신경망을 이용한 예측모델과 예측성능을 비교 및 분석하는 연구를 수행할 예정이다.
입력변수의 개수를 증가시킬수록 정확도가 증가하여, 8개로 하였을 때 랜덤포레스트 모델은 평균 CvRMSE 23.91%, 인공신경망 모델은 평균 17.40%로 ASHRAE 기준을 만족하였다. 훈련 데이터 사이즈를 증가 시에도 역시 두 모델의 예측성능이 향상되었다. 인공신경망 모델은 뉴런의 개수를 증가 시킬수록 예측성능이 향상되었지만 일정 수준에 도달하면 큰 차이를 보이지 않았다.
기계학습 모델을 기반으로 냉동기 에너지소비량 예측성능을 비교 및 평가한 결과, 인공신경망을 이용한 예측모델의 입력변수의 개수, 훈련 데이터 크기, 뉴런의 개수 증가 시에 가장 우수한 성능을 나타내었다. 추후 인공신경망에서 은닉층을 증가시킨 심층신경망 (Deep Neural Network)을 기반으로 냉동기 에너지 소비량 예측모델을 개발하여 인공신경망을 이용한 예측모델과 예측성능을 비교 및 분석하는 연구를 수행할 예정이다.
목차
[목 차]■ 【國文抄錄】·····························································ⅰ■ 목차······································································ⅲ■ 표 차례 ··································································ⅴ■ 그림 차례 ································································ⅵ[제목차례]제 1 장 서 론 ······················································ 11.1 연구 배경 및 목적 ················································· 11.2 연구 방법 및 내용 ················································· 4제 2 장 이론적배경 및 관련 연구 ······························· 52.1 이론적 배경 ························································ 52.1.1 랜덤포레스트 ················································· 82.1.2 인공신경망 ·················································· 112.2 관련 연구 ························································· 14제 3 장 예측모델 설계 및 평가 ·································· 163.1 입력 변수 ··························································· 163.1.1 냉동기 운전 데이터 ······································· 173.1.2 입력 변수 선정 ············································· 183.2. 기계학습 모델 설계 ·············································· 203.2.1 랜덤포레스트 모델 설계 ································· 213.2.2 인공신경망 모델 설계 ···································· 233.3. 예측모델 평가방법 ··············································· 25제 4 장 예측결과 및 분석 ········································ 264.1 랜덤포레스트 모델의 예측 성능 ································ 284.1.1 입력변수의 개수 변화 ···································· 284.1.2 훈련 데이터의 크기 변화 ································ 304.2 인공신경망 모델의 예측 성능 ··································· 324.2.1 입력변수의 개수 변화 ···································· 324.2.2 훈련 데이터의 크기 변화 ································ 344.2.3 뉴런의 개수 변화 ········································· 364.3 랜덤포레스트와 인경신경망 모델 비교 분석 ·················· 384.3.1 랜덤포레스트와 인경신경망 모델 비교 ················ 384.3.2 기존연구 결과 비교 분석 ································ 40제 5 장 결론 ······················································ 43■ 참고문헌 ························································ 45■ 부록 ···························································· 50■ Abstract ······················································· 56
최근 본 자료
댓글(0)
0