--

데이터 마이닝, 기계학습 개론


데이터 마이닝과 기계학습은 자료 탐색을 통해 통계적으로 모형화하여, 이전에 알려지지 않은 유용한 지식을 추출하는 기법이다. 데이터 마이닝과 기계학습이 혼용되어 사용되기도 하나, 그 개념을 살펴보면 다음과 같다.  


데이터 마이닝(Data mining) : 알지 못했던 어떤 정보를 발견하는 것에 집중해 데이터에서 지식발견(KDD, Knowledge Discovery in Databases). 대규모 데이터에서 암묵적인, 이전에 알려지지 않은, 잠재적으로 유용할 것 같은 정보를 추출하는 계적인 과정 


기계학습(Machine learning) : 훈련된 데이터(training data)를 통해 학습된 알려진 속성을 기반으로 모델, 패턴, 어떤 규칙성 등을 발견하고 결과를 예측하는 기법. 경험을 통해서 나중에 유사하거나 같은 일을 더 효율적으로 처리할 수 있도록 시스템의 구조나 파라미터를 바꾸는 것. 알고 있는 것으로부터 모르던 것을 추론하기 위한 알고리즘을 설계하는 것. 



1. 데이터 마이닝


데이터 마이닝은 데이터베이스에서 알지 못했던 지식을 새롭게 발견하는 것을 목적으로 한다. 

지식발견(KDD, Knowledge Discovery in Database)은 다음과 같은 절차를 반복하여 획득한다. 



  1. 데이터 정제(Data Cleaning) : 불필요하거나 일치하지 않는 데이터를 제거
  2. 데이터 통합(Data Integration) : 다수의 데이터 소스들을 결합
  3. 데이터 선택(Data Selection) : 필요한 데이터들을 데이터베이스로부터 검색
  4. 데이터 변환(Data Transformation) : 요약이나 집계 등을 수행해 데이터마이닝을 위한 적합한 형태로 데이터 가공
  5. 데이터 마이닝(Data Mining) : 지능적 방법들을 적용하여 데이터 패턴이나 지식을 축출
  6. 데이터 검증(Data Evaluation) : 데이터 마이닝으로 찾아낸 패턴이나 지식을 검증
  7. 데이터 시각화(Data Presentation) : 발견한 패턴이나 지식을 사용자에게 효과적으로 보여주기 위해 시각화




2. 기계학습


A computer program is said to learn from experience(E) with respect to some class of tasks(T) and performance measure(P), if its performance at tasks in T, as measured by P, improves with experience E" - T. Michell(1997)


기계학습을 통해 어떠한 일(T)을 할지 명확히 하고, 그 일이 얼마나 잘 되었는지 측정할 지 정량화된 값(P)을 정하고, 학습을 위한 충분하고 적절한 경험이나 데이터(E)들이 필요하다.  




연역적 학습(deductive learning)

연역적 추론(deductive inference)을 통한 학습


귀납적 학습(inductive learning)

사례들을 일반화하여 패턴 또는 모델을 추출하는 것

일반적인 기계학습의 대상

학습 데이터를 잘 설명할 수 있는 패턴을 찾는 것

 

오컴의 면도날(Occam's razor)

가능하면 학습 결과를 간단한 형태로 표현하는 것이 좋다. 



2.1. 기계학습의 종류

  • 지도학습(supervised learning) : 입력(문제) - 출력()의 데이터들로 부터 새로운 입력에 대한 출력을 결정할 수 있는 패턴 추출
  • 비지도학습(unsupervised learning) : 출력에 대한 정보가 없는 데이터로 부터 필요한 패턴 추출
  • 반지도학습(semisupervised learning) : 일부 학습 데이터만 출력값이 주어진 상태에서 일반화한 패턴 추출
  • 강화학습(reinforcement learning) : 출력에 대한 정확한 정보를 제공하지는 않지만, 평가정보(reward)는 주어지는 문제에 대해 각 상태에서의 행동(action)을 결정


2.1.1. 지도학습(supervised learning)

  1. 분류(classification)

데이터들을 정해진 몇개의 부류(class)로 대응시키는 문제

분류 문제의 학습 : 학습 데이터를 잘 분류할 수 있는 수학적 함수이나 규칙을 찾는 것


분류기(classifier) : 학습된 함수를 이용하여 데이터를 분류하는 프로그램 


분류기 학습 알고리즘

결정트리(decision tree) 알고리즘, K-근접이웃(K-nearest neighbor, KNN) 알고리즘, 다층 퍼셉트론 신경망(MLP), 딥러닝(deep learning), 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost), 임의 숲(random forest), 확률 그래프 모델(probabilistic graphical model)




  B. 회귀분석(regression)

학습 데이터에 부합되는 출력값이 실수인 함수를 찾는 문제

 

회귀분석의 과정합 대응 방법은 모델의 복잡도(model complexity)를 성능 평가에 반영한다. 

 목적함수 = 오차의 함+(가중치)*(모델 복잡도)




2.1.2 지도학습 (unsupervised learning)


결과정보가 없는 데이터들에 대해서 특정 패턴을 찾는 것 

데이터에 잠재한 구조(structure), 계층구조(hierarchy), 숨겨진 사용자 집단(hidden user group), 사용패턴(usage pattern)을 찾아내는 것. 


  A. 군집화(clustering) 

유사성에 따라 데이터를 분할하는 것. 


일반군집화(hard clustering): 데이터는 하나의 군집에만 소속. K-means 알고리즘

퍼지군집화(fuzzy clustering): 데이터가 여러 군집에 부분적으로 소속, 소속정도의 합은 1이 됨, 퍼지 k-means 알고리즘


  B. 밀도 추정

부류별 데이터를 만들어 냈을 것으로 추정되는 확률 분포를 찾는 것

  C. 차원 축소

고차원의 데이터를 정보의 손실을 최소화하면서 저차원으로 변환하는 것


주성분 분석(PCA, Principle component analysis)

분산이 큰 소수의 축들을 기준으로 데이터를 사상(projection)하여 저차원으로 변환

데이터의 공분산행렬(covariance matrix)에 대한 고유값(eigenvalue)가 큰 소수의 고유벡터(eigenvector)를 사상 축으로 선택


   D. 이상치(outlier) 탐지

이상치(outlier) : 다른 데이터와 크게 달라서 다른 메커니즘에 의해 생성된 것이 아닌지 의심스러운 데이터, 관심 대상

잡음(noise) : 관측 오류, 시스템에서 발생하는 무작위적인 오차, 관심 대상이 아니고 제거해야할 대상



2.1.3. 강화학습(reinforced learning)


학습 알고리즘이 환경(enviroment)와 상호작용을 통해 보상(reward)이 최대가 되도록 주어진 상태(state)에서 취할 수 있는 적합한 행동(action)을 찾는 것

시행착오(trial and error)적인 방법으로 적합한 행동을 탐색함





2.2. 기계학습을 활용한 에너지 소비 패턴 분석 방법


비지도학습(Unsupervised learning)으로 분류되는 군집 분석(Clustering)방법

지도학습(Supervised learning)으로 구분되는 분류 분석(Classification) 방법


군집분석(Clustering)방법은 

특정 분류 기준을 사용하지 않고 대표적인 에너지 소비 패턴을 구분하고 싶은 경우일 때 사용

즉, 분류 기준을 가지고 있지 않을 때 사용.

적절한 기준에 대하여 동일한 군집에 속하는 관측값들을 서로 유사한 여러 개의 부분집합으로 할당하는 방법.

종류로는 K-means clustering, K-medoids clustering 등 있다. 


K-means clustering 알고리즘 : clustering 기법 중 가장 기본. 데이터를 사전 정의된 목표 cluster 수인 K개 만큼의 구릅으로 분류. 적정한 크기의 목표 군집 수 K 값을 선정해야 한다. 이를 위해서 2부터 수십 개의 K 값에 대한 variance 비율을 구하고, 일정 비율 이상을 가지는 K 값을 선택하는 과정이 필요하다. 이 때 variance 비율은 군집으로 설명되는 variance를 전체 데이터의 variance로 나눈 값을 의미한다. 


K-medoids clustering 알고리즘 : K-means clustering 알고리즘과 유사하나, random하지 않은 분류 결과를 도출하는 특징을 가진다. 



분류분석(Classification)방법은 

분석하고자 하는 대상에 미리 알고 있는 에너지 소비 패턴이 있는 경우일 때 사용

즉, 분류 기준을 가지고 있을 때 사용. 


분류 결과가 사전 정의된 분류 기준에 영향을 받을 수 밖다는 단점이 있지만,

분류 기준을 알기 때문에 도출된 패턴의 의미를 이해하기 쉬운 장점이 있다.  

분류 기준이 분석 결과에 영향을 지대하게 미치기 때문에, 분류 기준 설정에 주의가 필요하다. 


종류로 Artificial Neural Network(ANN), Support Vector Machine(SVM), K-Nearest Neighbor(KNN) 등이 있다. 


KNN 알고리즘 : SVM이나 ANN 알고리즘과 달리, 먼저 학습하지 않고 새로운 패턴과 가장 가까운 K개의 패턴을 찾아서 에너지 소비 패턴을 분류한다. 

따라서 적절한 K 값을 사용하는 것이 필요하다. 여러 K 값에 대한 오분류율을 구한 후, 낮은 오분류율을 보이는 K 값을 선택하는 과정을 거친다. 

KNN 알고리즘은 random process를 포함하기 때문에 여러 번의 테스트가 필요하다. 
















참고

[1] 인공지능, 충북대 이건명 교수 kocw 강의

[2] Machine learning 기법을 이용한 BEMS 에너지 데이터 분석 사례, 윤영란, 문현준, 설비저널 Vol. 45

[3] 인공지능과 BEMS, 김원욱, 설비저널 Vol. 45



--

__

2016. 11. 15 작성

'Energy Analysis' 카테고리의 다른 글

기계학습, 데이터 마이닝 개론  (0) 2016.11.15
데이터 종류  (0) 2014.11.13
TLC 와 ERC  (0) 2013.10.08
일사 Radiation  (0) 2013.10.03
Weather data 기상데이터  (0) 2013.10.03
CLTD에 의한 부하계산법  (0) 2013.05.21



--

데이터 종류


데이터는 숫자형 데이터와 문자형 데이터로 구분할 수 있다.  






1. 숫자 데이터






1.1 상수 (constant) 


프로그램에서 데이터의 크기나 양을 나타내는데 사용된 숫자


상수는 소숫점의 포함여부에 따라 정수(integer) 상수와 실수(floating point) 상수로 구분. 

마찬가지로 상수나 수식의 결과를 저장하는 공간인 변수 역시 정수형 변수와 실수형 변수로 구분. 


1.2 정수 (integer)



* 정수형과 실수형의 데이터를 구분하는 이유

그 값을 컴퓨터 내부적으로 표현하고 저장하는 방법이 다르기 때문이다. 


만약 정수형 데이터를 1 byte 크기로 표현한다면 다음과 같이 부호를 구분할 sign bit(ⓢ) 1 개를 포함하여 8 bit로 표현한다. 

양수일 경우에 부호 bit는 0, 음수는 1로 구분한다.




1.3 실수 (float)


소숫점을 포함하는 실수 상수를 저장하기 위해서는 실수형 변수가 필요하며, 소숫점을 포함한 연산 결과를 얻으려면 실수 상수나 실수형 변수를 사용해야 한다. 


실수형 데이터는 정수형 데이터와는 달리 지수형으로 표현한다. 
4 byte(32 bit)의 크기를 갖는 float 형의 표현은 다음과 같이 s로 표현한 부호(sign) bit 부분, 지수(exponent) 부분 그리고 가수(mantissa) 부분으로 나누어 표현. 




2. 문자 데이터


컴퓨터에서 사용되는 모든 데이터들은 2진수 즉, 0과 1의 코드로 표현되고 저장됨. 그러므로 데이터가 숫자이던 문자이던 간에 2 진수 즉, 숫자로 변환되어 처리된다.


따라서 문자형 변수 ch1에는 문자로서의 'A'가 저장되는 것이 아니라 문자 'A'를 나타내는 숫자 즉, 2진수 코드(code)로 표현되어 저장된다. 컴퓨터에서 표현해야 할 모든 문자 각각에 대한 고유의 코드는 ASCII(아스키)로 약속되어 있다. 


ASCII(American Standard Code for Information Interchange)는 미국표준협회에서 정한 정보 교환 표준 코드이며, 각 문자에 대한 고유 코드를 정의하고 있다. 예를 들어 문자 'A'와 문자로서의 '1' 을 char 형의 1 byte 크기로 표현한다면 숫자(2진수)로 표현된 ASCII 코드로 변환되어 저장된다.





--

__

2014. 11. 13 작성



'Energy Analysis' 카테고리의 다른 글

기계학습, 데이터 마이닝 개론  (0) 2016.11.15
데이터 종류  (0) 2014.11.13
TLC 와 ERC  (0) 2013.10.08
일사 Radiation  (0) 2013.10.03
Weather data 기상데이터  (0) 2013.10.03
CLTD에 의한 부하계산법  (0) 2013.05.21

*랩뷰 레지듀얼 전압 제거하기

http://forums.ni.com/t5/Multifunction-DAQ/Residual-voltage-on-AO-channel/m-p/217699/highlight/true#M12457


랩뷰(LabVIEW)프로그래밍 튜토리얼_ Intro

http://blog.naver.com/vikaly/80069903296 



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제1강

http://blog.naver.com/vikaly/80069905393 



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제2강

http://blog.naver.com/vikaly/80070080150 (새 창으로 열기)

랩뷰기본설정



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제3강

http://blog.naver.com/vikaly/80072385941 (새 창으로 열기)

데이터타입



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제4강

http://blog.naver.com/vikaly/80086513649 (새 창으로 열기)

데이터타입 숫자형



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제5강

http://blog.naver.com/vikaly/80087108527 (새 창으로 열기)

데이터타입 불리언, 문자열



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제6강

http://blog.naver.com/vikaly/80087389534 (새 창으로 열기)

데이터타입 컨트롤, 인디케이터



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 부록1

http://blog.naver.com/vikaly/80087452003 (새 창으로 열기)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제7강

http://blog.naver.com/vikaly/80090203111 (새 창으로 열기)

데이터타입 배열, 클러스터, 행렬



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제8강

http://blog.naver.com/vikaly/80090370964 (새 창으로 열기)

숫자형함수



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제9강

http://blog.naver.com/vikaly/80090777826 (새 창으로 열기)

숫자형함수 (몫&나머지, 복합연산, 식 노드, 변환)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제10강

http://blog.naver.com/vikaly/80092309292 (새 창으로 열기)

숫자형함수 변환



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제11강

http://blog.naver.com/vikaly/80092423712 (새 창으로 열기)

숫자형함수 변환, 복소수, 상수



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제12강

http://blog.naver.com/vikaly/80092581048 (새 창으로 열기)

코딩빨리하기



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제13강

http://blog.naver.com/vikaly/80092857122 (새 창으로 열기)

구조함수, For루프, While루프



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제14강

http://blog.naver.com/vikaly/80093039293 (새 창으로 열기)

구조함수, For루프, While루프 (시프트 레지스터)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제15강

http://blog.naver.com/vikaly/80094291821 (새 창으로 열기)

구조함수, For루프, While루프 (타이밍)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제16강

http://blog.naver.com/vikaly/80094358841 (새 창으로 열기)

구조함수, For루프, While루프 (오토 인덱싱)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제17강

http://blog.naver.com/vikaly/80094521098 (새 창으로 열기)

구조함수, 케이스구조 (조건 터미널 : 숫자형)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제18강

http://blog.naver.com/vikaly/80094801865 (새 창으로 열기)

구조함수, 케이스구조



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제19강

http://blog.naver.com/vikaly/80094960306 (새 창으로 열기)

구조함수, 시퀀스구조 (레이스 컨디션)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제20강

http://blog.naver.com/vikaly/80095255625 (새 창으로 열기)

구조함수, MathScript노드, 수식노드



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제21강

http://blog.naver.com/vikaly/80095408795 (새 창으로 열기)

디버깅 (실행 하이라이트, 프로브, 단계별 실행, 브레이크 포인트)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제22강

http://blog.naver.com/vikaly/80095876339 (새 창으로 열기)

불리언함수



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제23강

http://blog.naver.com/vikaly/80096391255 (새 창으로 열기)

비교함수 (선택함수, 최대최소 함수, 범위내 확인과 강제변환)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제24강

http://blog.naver.com/vikaly/80096518012 (새 창으로 열기)

배열함수 (배열 크기, 배열 인덱스. 배열 부분 대체, 배열에 삽입, 배열로부터 삭제, 배열 잘라내기, 배열 초기화, 배열 만들기)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제25강

http://blog.naver.com/vikaly/80096878459 (새 창으로 열기)

배열함수 (배열 최대 최소, 배열 차원 변경, 1D 배열 정렬, 1D 배열 검색, 1D 배열 분리, 1D 배열 뒤집기, 1D 배열 회전, 1D 배열 보간) 



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제26강

http://blog.naver.com/vikaly/80104036995 (새 창으로 열기)

배열함수 (1D 배열 임계점, 1D 배열 끼워넣기, 1D 배열 부분제거, 2D 배열 전치, 배열을 클러스터로)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 부록1

http://blog.naver.com/vikaly/80104245006 (새 창으로 열기)

강제변환점



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 부록1

http://blog.naver.com/vikaly/80104841704 (새 창으로 열기)

단축키 (각주)



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제27강

http://blog.naver.com/vikaly/80105748741 (새 창으로 열기)

에러핸들링



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제28강

http://blog.naver.com/vikaly/80107230634 (새 창으로 열기)

타임스탬프, UI꾸미기



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제29강

http://blog.naver.com/vikaly/80107412352 (새 창으로 열기)

타이밍함수 (틱 카운트, 기다림, 다음 ms 배수까지 기다림, 



랩뷰(LabVIEW)프로그래밍 튜토리얼_ 제30강

http://blog.naver.com/vikaly/80112872740 (새 창으로 열기)

타이밍함수, 숫자형컨트롤 (날짜 / 시간을 초로 얻기, 문자열로 얻기,

'Energy Analysis > LabVIEW' 카테고리의 다른 글

랩뷰강의  (0) 2014.07.23

ERC & TLC


에너지 시스템이나 구성 요소의 비정상 제어는 

ERC(energy rate control)과 TLC(temperature level control)으로 2가지 기본적인 방법이 있다. 


1. ERC(Energy Rate Control)

ERC에서는 모델들은 공간으로부터의 순 취득 및 손실된 양에 근거하여 에너지 부하를 계산한다.

ERC의 장점은 구조체의 비정상 부하의 단일한 결정으로 연속적인 시뮬레이션을 할 수 있다.


2. TLC(Temperature Level Control)

TLC는 냉난방 기기 제어를 이전 온도를 기준으로 하는 것

TLC의 장점은 건물과 기기의 상호작용에 대한 보사 상세하고 실제에 가까운 시뮬레이션을 할 수 있다. 그러나 부하는 냉온열원에 의존하기 때문에 연속적인 시뮬레이션에서 데이터를 재이용하는 것은 어렵다. 


TRNSYS에서 TLC는 0과 1사이의 제어함수(control function, )에 의존한다. 

TLC에는 2가지 유형이 일반적으로 사용되는데, 

비례제어(proportional control)과 온오프제어(on/off control)가 있다.

[각주:1]



2013. 10. 08 작성



아직 저도 이해를 잘 못했어요 ㅎㅎ첨언이 있다면 댓글 달아주세요 ㅎ

  1. TRNSYS 17 a TRaNsient SYstem Simulation program Volume 4 Mathematical Reference [본문으로]

'Energy Analysis' 카테고리의 다른 글

기계학습, 데이터 마이닝 개론  (0) 2016.11.15
데이터 종류  (0) 2014.11.13
TLC 와 ERC  (0) 2013.10.08
일사 Radiation  (0) 2013.10.03
Weather data 기상데이터  (0) 2013.10.03
CLTD에 의한 부하계산법  (0) 2013.05.21



--

일사(Solar radiation)의 개요 


복사: 물체로부터 방출되는 전자기파의 총칭으로 적외선, 가시광선, 자외선, X선 등이며, 절대온도가 0이 아닌 모든 물체는 복사에너지를 흡수하고, 그 물체 스스로 복사에너지를 전자기파의 형태로 방출한다.

- 태양복사(단파복사) : 태양으로부터 복사되는 전자파의 총칭으로 일사라고 한다. 파장범위(0.3 ~ 4㎛)

- 지구복사(장파복사) : 지구표면으로부터 복사되는 전체 적외복사를 말한다. 파장범위(4㎛ ~ )


일사 : 태양복사(단파복사)를 말하며, 태양상수는 1.96㎈/㎠·min이나, 지표에 도달할 때까지 일사의 감쇠요인 등으로 실제적인 지표 도달 복사는 1.4 ~ 1.5 ㎈/㎠·min이다.

- 일사의 감쇄요인

* 오존, 수증기, 이산화탄소, 산소기체 등에 의한 흡수 

* 공기분자, 먼지 등에 의한 흡수·산란

* 큰 알갱이의 물방울과 부유먼지에 의하여 흡수·산란

* 구름에 의한 반사 : 두꺼운 구름인 경우 70 ~ 80% 반사[각주:1]


일사의 분류



[각주:2]



전천일사(global solar radiation) 

직달일사와 산란일사를 포함한 일사량. 수평면일사라고도 한다. 


직달일사(direct solar radiation)  

대기에 산란, 흡수,감퇴되지 않고,지표면까지 수직으로 도달되는 일사.


산란일사(scattered radiation) 

태양으로부터 구름, 먼지 등에 산란되어 지표에 도달하는 복사광선, 입사각도 다름

전천일사 측정시 수광부에 쬐이는 직사광선을 차광장치로 가려서 측정한다.

* 구름이 없을 경우 전천일사량의 1/10보다 적다


반사일사(Reflected radiation)

전천일사계를 지상 1~2m 높이에 태양광에 대해 반대 방향(지면쪽)을 향하도록 설치하여 측정한다.




일사계의 종류


- 직달일사계(pyrheliometer)

* 열전퇴일사계(thermopile pyrheliometer)

· Angstrom직달일사계

· Eppley직달일사계

* 은반일사계(silver-disk pyrheliometer)


- 전천일사계(pyranometer)

* 열전퇴 전천일사계(thermopile pyranometer)

· Eppley 전천일사계

· Moll-Gorczinski 전천일사계

* 바이메탈 전천일사계(Robitzsch일사계) 




일조(Sunshine)의 개요[각주:3] 


일조시간이라 함은 태양광선이 구름이나 안개 등에 차단되지 않고 지표면을 비친 시간을 말한다. 


만약 지평선까지 장애물이 없는 지방에서 종일 구름이나 안개 등으로 일광의 장애가 없었다면 이 지방의 일조시간은 태양이 동쪽 지평선에 나타나면서부터 서쪽 지평선으로 사라질 때까지의 시간 즉, 가조시수와 거의 일치하게 된다. 


그러나, 대부분 지형적인 영향(위도에 따라 지평선을 기선으로 일출, 일몰을 결정함)등으로 가조시수와 일조시간은 일치하지 않는다. 


가조시간 산출공식

sin (1/2)t =[sin{45 °+((φ+σ+γ)/2)} sin{45 °-((φ-σ-γ)/2)}/cosφcosσ]1/2 

t:일출로부터 일남중 시각까지 또는 일남중 시각으로부터 일몰시각까지의 시간을 각도로 표시한 것

φ:위도, σ:태양의 적위(赤緯), γ:지평굴절도로서 34분이다.


위 식에서 구한 값을 2배(주간의 시간수를 표시하는 각도)하고 15로 제(위도 15도가 1시간에 해당)한 것이 가조시수이다. 


일조시간은 소수1위까지 시간의 백분율로 표시하며, 일조시간을 가조시수로 나눈 것을 일조율이라고 한다. 일조율은 백분율로 표시하고 소수1위까지 산출한다. 


현재 가장 많이 쓰이며 비교적 정확도가 높은 일조계로 세가지 유형이 있다. 즉, 태양열을 직접적으로 이용하는 것(Cambell-Stokes일조계), 태양 빛의 감광지에 대한 감광작용을 이용한 것 (Jordan일조계), 일사량을 관측하여 일조시간을 환산하는 것(회전식 일사계)이 있으며, 이 중 회전식 일조계는 일조관측의 정확도가 다른 일조계보다 높지만 경제적인 부담으로 널리 보급되어 있지 않다. 


--


__

2013. 10. 03 작성



  1. http://www.kemco.or.kr/iecenter/community/blog_board_view.asp?page=1&nRowPerPage=10&svc_1=424&svc_2=1695&svc_3=&svc_4=&svc_5=&svc_6=&svc_7=&svc_8=&svc_9=&svc_10=&svc_11=&svc_12=&svc_13=&svc_14=&svc_15=&svc_16=&svc_17=&svc_18=&page22=1&BILLB_ID=19934 [본문으로]
  2. http://www.kocw.net/home/common/contents/document/region/2010/08/01/08_01_06_green02.pdf [본문으로]
  3. http://www.kemco.or.kr/iecenter/community/blog_board_view.asp?page=1&nRowPerPage=10&svc_1=424&svc_2=1695&svc_3=&svc_4=&svc_5=&svc_6=&svc_7=&svc_8=&svc_9=&svc_10=&svc_11=&svc_12=&svc_13=&svc_14=&svc_15=&svc_16=&svc_17=&svc_18=&page22=1&BILLB_ID=19933 [본문으로]

'Energy Analysis' 카테고리의 다른 글

데이터 종류  (0) 2014.11.13
TLC 와 ERC  (0) 2013.10.08
일사 Radiation  (0) 2013.10.03
Weather data 기상데이터  (0) 2013.10.03
CLTD에 의한 부하계산법  (0) 2013.05.21
건물 에너지 소비량 예측 기술  (0) 2013.04.25

기상데이터






건축물에서 사용되는 에너지 분석을 위한

기상데이터는 크게 두 가지로 구분된다. 


1. 설비 설계용 기상데이터

공조설비 용량 산정을 위해 사용된다. 

건물의 최대부하를 계산하여 열원기기의 용량을 결정할 때 이용하는 것으로, 기상 관측값을 통계처리함으로써 냉난방용 각각의 설계조건을 결정하는 것이다. 하루의 기상 자료를 준비하여 이를 통해 최대 부하 조건을 결정하게 된다. 



2. 연간 기상데이터

연간 에너지 소비량 산정을 위한 시뮬레이션용이다. 

1년동안(8760시간)의 기상 데이터로 이뤄져 있어 연간 부하 계산 프로그램이나 시스템 시뮬레이션 프로그램의 기상 데이터로 이용된다. 


공조설계와 관련되는 기상요소에는

기온, 습도, 일사량, 천공복사량, 풍향, 풍속, 지중온도, 기압 등이 있다. 


TRNSYS나 EnergyPlus에서 사용되는 기상 데이터는 TMY, EPW 등이 있다.


TMY (Typical Meteorological Year)


TMY(Typical Meteorological Year) 형태의 기상 파일 

TMY 형태의 기상데이터는 

특정한 지역의 1년 이상의 데이터를 축적해 놓고 연간 평균으로 계산한 결과값들이다. 


TMY 데이터는 주로 건물의 냉난방 비용 산출을 위한 시뮬레이션이나 태양광 및 태양열 시설을 설계할 때 이용한다. 


TMY는 1948년부터 1980년까지 미국 내 229개 지역의 기상 데이터를 모았으며, 

TMY2는 1991년부터 2005년 이후까지 미국 뿐만 아니라 세계 각지의 1020여개 지역의 기상 데이터를 제공하고 있다.


TMY 데이터는 1년동안의 시간당 일사량과 기상 요소들로 이뤄져 있다. 



EPW (EnergyPlus Weather data)

미국 에너지성 DOE 

EnergyPlus simulation weather data downlaod link

http://apps1.eere.energy.gov/buildings/energyplus/weatherdata_about.cfm


weather data information

http://apps1.eere.energy.gov/buildings/energyplus/pdfs/weatherdatainformation.pdf

http://apps1.eere.energy.gov/buildings/energyplus/pdfs/bibliography/whichweatherdatashouldyouuseforenergysimulations.pdf?utm_source=EnergyPlus&utm_medium=redirect&utm_campaign=EnergyPlus%2Bredirect%2B1

'Energy Analysis' 카테고리의 다른 글

데이터 종류  (0) 2014.11.13
TLC 와 ERC  (0) 2013.10.08
일사 Radiation  (0) 2013.10.03
Weather data 기상데이터  (0) 2013.10.03
CLTD에 의한 부하계산법  (0) 2013.05.21
건물 에너지 소비량 예측 기술  (0) 2013.04.25

1. 개요


CLTD(Cooling Load Temperature Differential Method)는 ASHRAE에서 정하는 부하계산법의 하나로, 

정확하게는 CLTD/SCL/CLF법이라 한다.


(1) CLTD : 창문, 지붕, 벽과 같은 외피를 통한 전도열 계산시 이용되는 것으로 Δt의 일종이다.

(2) SCL(Solar Cooling Load) : 투과에 의한 일사부하를 의미한다.

(3) CLF(Cooling Load Factor) : 사람, 조명, 기기로부터 획득된 실내취득부하를 의미한다.


2. 각 인자(factor)의 의미


(1) CLTD

외벽이나 지붕 등이 일사를 받아 온도가 상승할 때 나타나는 복사, 대류, 전도 요소의 시간적 지연 즉, 바닥, 가구 등의 축열에 의해 시간지연 발생을 고려하는 것으로 다음과 같이 계산한다.

        

        q=k·A·(CLTD)


(2) 전도열 계산시에 적용되는 온도차의 변천과정

① 외기 중 최고온도와 대상실의 온도차

② TAC(Technical Advisory Committee)온도 : 냉난방 설계 외기온도를 결정할 때, 냉난방기간(난방시에는 12, 1, 2, 3월의 2904시간, 냉방시에는 6, 7, 8, 9월의 2928시간)중 외기설정온도 밖으로 벗어나는 비율(%)을 TAC온도 위험률 몇 %온도라 하며, 일반적으로 TAC 2.5%, TAC 5%가 사용되며, 우리나라는 2.5%를 기준으로 한다.

③ ETD(상당온도차) : 외기온도에 일사의 영향을 고려한 온도차

④ TETD(total equivalent temperature difference) : 상당외기온도차에 축열에 의한 시간지연을 고려한 온도차

⑤ CLTD : 상당외기온도차 + 축열시간지연 + 벽체 등의 온도상승에 의한 복사, 대류, 전도 요소의 시간적 지연을 고려한 온도차


(3) SCL

일사부하에 영향을 미치는 위도, 방향, 시각, 내부마감재의 종류 등을 고려한 요소로 아래와 같이 계산한다.


         q = A(SC)(SCL)


여기서, SC : 차폐계수(shading coefficient), A : 면적을 나타낸다.


(4) CLF

투과일사량, 전등, 인체, 기구류 등의 실내발열체에 의한 실내 구조체의 축열로 구조체 온도가 상승할 때까지의 시간적 지연을 고려한 인자를 말한다. 각 인자에 대한 계산식은 다음과 같다.

 

인체부하 : q(현열) = N×CLF×(sensible heat gain/인)

          q(잠열) = N×CLF×(latent heat gain/인)

전등 : q(전등) = W×Fue×Fs×(CLF)

기구류 : q(기구) = P×Ef×(CLF)


2013. 05. 21. 작성


[1] http://www.ieme.co.kr/board/board_view.asp?idx=11&tp=03_technique&ppt=1&board_name=inno_7&gotopage=7&l_num=7&search=&searchname=

[2] http://www.kumhomecheng.co.kr/sub/r2-12.htm

'Energy Analysis' 카테고리의 다른 글

데이터 종류  (0) 2014.11.13
TLC 와 ERC  (0) 2013.10.08
일사 Radiation  (0) 2013.10.03
Weather data 기상데이터  (0) 2013.10.03
CLTD에 의한 부하계산법  (0) 2013.05.21
건물 에너지 소비량 예측 기술  (0) 2013.04.25



--

건물 에너지 소비량 예측 기술

원하는 실내 온도와 습도를 유지하기 위해 필요한 에너지를 예측하는 기술은 크게 단일척도방식, 단순다중척도방식, 정밀시뮬레이션 방식이 있다.[각주:1]


1. 단일척도 방식

정적열부하 계산(Steady state method)으로 축열개념을 포함하기 어려우며 건물의 부하특성에 따른 설비기기의 동작상태를 시간에 따라 나타낼 수 없다. 수계산으로 계산이 가능하다. 


(1) Degree Day Method

주거용 건물의 난방부하를 추정. 기준온도는 18도로 한다. 정확히는 화씨 65도(섭씨 18.3도)  


여기서, Q18은 건물의 연간 난방부하, KA는 총열손실(외피+환기 열손실), HDD18은 연간난방도일을 뜻한다


(2) 수정 Degree Day Method

기존 DD법의 문제를 보완한 것으로, 내부 발생열과 취득열량의 열손실량이 균형을 이룰 때 난방부하는 18도와 일평균 기온차가 비례한다는 가정한 것. 

(P. 내부 발생열이 외기가 낮을 수록 더 발생하는 점이 고려된 것 같다)


여기서 CD는 보정계수로 0.5~0.8 값을 가진다.


(3) 가변 Degree Day Method

기존 DD법에 균형점(BPT)온도의 개념을 도입한 방법이다. 균형점 온도란, 건물의 태양복사열 취득과 내부 발생열을 고려한 부하가 0이 되는 온도를 말한다


2. 단순 다중 척도 방식

DD법의 결점을 보완한 방식으로 한가지 이상의 환경변수를 이용하여 건물의 에너지를 해석하는 방법이다. 

정적열부하 해석방법인 동시에 동적인 개념이 가미된 방식으로 수계산으로 가능하다.


(1) BIN method

냉난방 부하계산의 연간 에너지 절감 예측 방법으로 여러가지 외기 조건에 일어나느 순간 열부하를 계산하고, 그 결과를 외기 조건을 포함한 BIN에 따라 실내의 열부하를 가중하는 계산 방법이다. BIN 이란, 외기온도범위 내 발생 빈도수(Hours of Occurrence) 말한다. 보통 BIN 온도 간격은 3도(화씨 5도)이다. 

(Q. BIN의 빈도수는 어찌 산출하는거지? 하루 평균온도? 단위시간당 온도? A. 단위시간 당 평균온도를 구해 해당하는 온도범위를 찾아 추가)

중요한 몇 개의 변수를 사용해 서로다른 외기 조건에서 계산된 열부하를 지정한 온도간격의 빈도수(BIN)와 곱하여 산출한다. 


(2) 수정 BIN method

기존의 BIN method에 다변부하의 개념을 추가도입하여 태양열 취득과 내부 발생열을 고려하였다. 태양열 취득의 평균 분포 패턴, 기기와 조명의 사용분포 패턴, CLTD를 사용하여 시간에 따른 다변부하를 계산하였다.   



3.  정밀 시뮬레이션 방법

정적 열부하 계산법과 달리 동적 열부하 계산법(Dynamic method)은 1년동안의 표준기상데이터를 활용하는 것으로, 구조체에 열이 저장되고 방열되는 축열의 상태를 고려하여 해석하며, 설비기기의 종류와 특성에 따른 매시간당의 에너지균형을 기본모델로 이용하여 에너지소모실태를 더욱 정밀하게 해석할 수 있다. 

대표적인 동적열부하 계산프로그램은 미국의 DOE-2, BLAST, EnergyPlus, TRNSYS, 유럽의 ESP-r, 일본의 HASP/ACLD 등이 있다.  국내에서도 KAREN, BES2000 등 동적에너지해석프로그램이 개발되고 있으나 DOE-2, EnergyPlus, TRNSYS, ESP-r가 주로 사용되고 있다.


(1) CLTD, SCL, CLF Method에 의한 부하 계산

CLTD (Cooling Load Temperature Difference) 창문, 지붕, 벽과 같은 표면을 통한 전도열 획득

SCL (Solar Cooling Load) 투과에 의한 태양열 획득

CLF (Cooling Load Factor) 조명, 사람, 장비로부터 열취득 계산


(2) TFM(Transfer Function Method) 부하 계산법

ASHRAE에서 채택된 기본 방법으로 가장 정확한 부하계산법 중 하나로 TEM에 의한 부하계사은 전도전달함수(Conduction Transfer Function)에 근거하고 있다. 냉방부하계산시 공간에서 일어나는 여러 가지 형태의 복잡한 열취득(태양열, 외피를 통한 열전도, 인체, 조명, 기기의 발열 등)과 그때 일어나는 복사 및 대류현상, 그리고 축열체의 축열 및 방열을 포함하고 있다.

 


2013. 04. 25 작성 시작


Reference 

건물에너지해석
국내도서
저자 : 인하대학교 건축환경설비 연구실
출판 : 도서출판건기원 2004.01.10
상세보기


--

__

2014. 05. 26 작성



  1. TRNSYS를 이용한 건물 에너지 해석 [본문으로]
  2. 수정 BIN법에 의한 건물에너지 해석 프로그램 개발에 대한 연구, 조동우 외 4명 [본문으로]

'Energy Analysis' 카테고리의 다른 글

데이터 종류  (0) 2014.11.13
TLC 와 ERC  (0) 2013.10.08
일사 Radiation  (0) 2013.10.03
Weather data 기상데이터  (0) 2013.10.03
CLTD에 의한 부하계산법  (0) 2013.05.21
건물 에너지 소비량 예측 기술  (0) 2013.04.25

학과 수업을 별 생각없이 수강신청했다가 난데없이 '포트란'이라는 프로그램을 이용해 

프로그래밍을 하여 제출하라는 과제를 받았다. 지금껏 컴퓨터 프로그래밍은 뭔지도 모르는 문외한에게 너무하신 거 아냐? ㅎㅎㅎ


포트란은 뭐고 REFPROP은 도대체 뭐야? ㅎ

알고보니 포트란은 C언어 같은 프로그래밍 언어고 REFPROP은 NIST에서 제공하는 프로그램이어서 포트란과 연계가 된단다 ㅡㅡ;;


어쨋거나 


포트란과 REFPROP을 이용해 R-22 냉매사이클을 그려내는 것이 우선 목표!!


우선 교수님께 필요한 설치파일을 받아 Install


1. Visual Studio 설치

2. Fortran 설치

3. REFPROP을 C:\Program files 에 붙여놓기


뭐 여기까지는 너무나 순탄 ㅎ 막 프로그래밍 다 할 수 있을 것 같아 

하지만 고생은 여기서 부터 시작이지 ㅎㅎㅎ


우선 새로운 프로젝트를 열자! 확장명은 .F90과 .For 두가지가 있는데 

For - fortran 77 버전 (Fixed type) - 지정된 자리에 명령문을 써야한다는 단점;

F90 - Fortran 90 버전 (Free type)


아무래도 최신버전으로 선택!


이제 Solution Explorer (Ctrl+Alt+L)을 열어 Source File 폴더 아래로 

REFPROP 폴더를 만들고 REFPROP 파일(FOR 확장자)들을 넣어준다



이제 준비는 끝!! 본격적으로 코딩에 들어가자!


'Energy Analysis > Fortran + REFPROP' 카테고리의 다른 글

Fortran 도전기- 1. 첫걸음  (6) 2013.04.17
  1. 궁금이 2013.06.29 04:43

    포트란 오랜만이네요 ^^
    최근에 다시 하려니까 버전이 맞지 않아서 꽤나 헤매고 있습니다
    visual studio는 있는데, fortran구하기가 여간 쉽지않네요
    그나마 구한 fortran도 계속 연동되지 않아서 헤매고 있어요
    혹시 visual studio 설치 이후에 fortran을 어떻게 설치하고 연동했는지 알수 있을까요

    • 행복지구 2013.06.29 23:27 신고

      저 같은 경우 위에 방식으로 붙여넣었더니 자동으로 연동되더라구요.
      visual studio버전을 높은 것을 써도 같은 방법으로 했더니 연동되었어요. Fortran 버전은 얼마인지는 확인해보지 않았지만 같은 방법으로 하시면 될것같아요.

  2. 궁금이 2013.06.30 12:51

    아.. 저는 아무리 설치해도, 프로젝트 만들기에서 fortran과 관련된 것들이 전혀 뜨지 않아서요. 다시 설치를 해봐야 할 것 같네요..

    • 행복지구 2013.06.30 23:37 신고

      아~제가Refrop이랑 헷갈렸나봐요 ㅎFortran은 visual studio의 옵션에 따라 설치가 되는 것으로 알고있어요. 비쥬얼스투디오를 설치한 뒤에 fortran을 구해서 추가 설치해도 되는 것으로 알고있어요. 저는 하나의 패키지도 되어있는 정품을 사용했던터라 다른경우는 잘모르겠네요

  3. 답답이 2013.07.29 15:49

    안녕하세요 저는 c++을 이용해서 REFPROP와 연동시키려고 하는 학생입니다.
    인터넷에서 운영자님의 글을 보고 제가 하고자 하는 것과 가장 비슷한 블로그 내용을 올려주셔서 참고하고 있습니다. 다만 문제는 저는 포트란이 아니라 C++을 이용하는 것인데요...
    가능하다면 C++에서 REFPROP를 연동시키는 방법에 대해서 알려주실 수 없을까해서 문의드립니다...
    포트란과 비슷한 방법으로 될거라 생각하고 해보려 하는데 잘 안되네요..
    ㅠㅠ 정말 많이 찾아보아도 운영자님의 블로그 만큼 자세히 나와있는 곳이 없어서 이렇게 연락드립니다. 가능하시다면 답변 주시면 정말 감사하겠습니다.
    혹시 이곳에서 답변이 어렵다면
    hisung-jun@hanmail.net로 메일 주셔도 감사하겠습니다. 즐거운 하루 되세요!

+ Recent posts