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
- 김덕환
- 발행연도
- 2023
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수8
이 논문의 연구 히스토리 (3)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
바닥 난방 시스템을 사용하는 일반주택에서, 급격한 외부 기상상태의 변화 및 주택과 보일러 특성에 따른 열 이동 등 다양한 변수를 고려하여 실내쾌적성을 유지함과 동시에 난방 가스 소비량을 최소화하는 것이 중요하다. 본 논문에서는 LSTM(Long short-term memory)을 활용하여 일반주택의 실내온도 예측을 수행하였다. 시간에 따른 보일러 운영정보 및 외부 기상상태 정보 중 실내온도와 연관이 있는 변수를 학습 인자로 선정하였다. LSTM 딥러닝 모델에 학습시킨 후 MAE(Mean Absolute Error), RMSE(Root Mean Square Error), 혼동행렬(confusion matrix)을 평가지표로 선정하여 학습된 모델의 성능을 평가하였다. 학습 파라미터들의 최적화를 수행한 결과 MAE는 0.3780, RMSE는 0.5306, 범주별 평균 정확도는 94%로 우수한 성능을 확인하였다. 그리고 한 시간 전의 데이터만 학습, 두 시간 전의 데이터만 학습, 앞의 두 시간대를 하나로 합쳐 학습하여 성능을 비교하였다. 결과적으로, 한 시간 전과 두 시간 전의 시간대를 하나로 합쳐 학습한 결과가 가장 우수하였음을 확인하였다.
목차
제 1 장 서론 10제 2 장 실내온도 예측의 이론적 배경 11제 3 장 데이터 구축 143.1. 데이터 수집 143.2. 데이터 히트맵 153.3. 데이터 전처리 17제 4 장 실내온도 예측모델 실험 및 평가 184.1. LSTM 선정 배경 184.2. LSTM Base line 204.3. 평가지표 224.4. 모델 최적화 234.4.1. 밀집층의 노드 개수 최적화 234.4.2. 드롭아웃 비율 최적화 244.4.3. L2 정규화 264.4.4. 배치사이즈 최적화 274.4.5. 다중 시간 데이터 열 변화에 따른 추이 294.4.6. LSTM을 활용한 실내온도 예측모델의 최적화 결과 32제 5 장 결론 37참고문헌 39
최근 본 자료
댓글(0)
0