임채영
(Chae-Young Lim)
1iD
여채은
(Chae-Eun Yeo)
1iD
김경호
(Kyung-Ho Kim)
†iD
-
(Dept. of Energy Environment IT Convergence center, Institute for Advanced Engineering,
Republic of Korea.
E-mail : cy.lim@dankook.ac.kr, yce@iae.re.kr )
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
Smart Factory, Air Compressor, Flow pattern prediction, Deep Learning, Convolutional neural network, LSTM, Mixed Model
1. 서 론
현대 제조업 공장에서는 에너지 관리 효율성을 높이기 위해 FEMS(Facility Energy Management System)와 같은 에너지 관리
시스템을 도입하여 대량의 데이터를 축적하고 있다[1-2]. 이와 같은 시스템은 공장에서 발생하는 에너지 소비 데이터를 실시간으로 수집하고 이를 분석하여 공장 운영의 최적화를 목적으로 한다. 그러나 많은
공장에서 비싼 비용을 지불하여 방대한 데이터를 축적하고 있음에도 불구하고, 이 데이터는 단순히 모니터링과 간단한 통계 분석, 그리고 사용량 파악에만
그치고 있어 그 활용도가 낮은 실정이다[2-3]. 이러한 문제를 해결하기 위해 축적된 데이터를 기반으로 공장 운영을 개선할 필요가 있다. 제조 공정에서 에너지 절감을 위한 여러 가지 방안 중 하나는
공기 압축기 운영의 최적화이다. 공기 압축기는 제조업 공정에서 중요한 역할을 하며, 효율적인 운영을 통해 공장의 에너지 소비를 크게 줄일 수 있다.
특히 공기 압축기는 전체 공장 에너지 소비의 30% 이상을 차지할 수 있어 그 중요성이 강조되고 있다[3-4]. 그러나 제조 산업의 특성상 항상 숙련된 전문가에 의해 운영되는 것은 어렵다. 숙련된 운영자가 부재할 경우 비동기적인 운영이 이루어지며, 이는 공장
전체의 에너지 효율성을 저하시키는 주요 원인이 된다. 특히 공기 압축기의 경우, 정확한 제어 설정에 대한 명확한 지침이 없는 경우가 많다. 이로 인해
동일한 공정 조건에서도 비정상적인 운영 상태가 발생할 수 있으며, 이는 에너지 낭비로 이어진다[5-6]. 예를 들어, 미국 에너지부(DOE)의 연구에 따르면 공기 압축기의 비효율적인 운영은 최대 25%의 에너지 낭비를 초래할 수 있다[7-8]. 이는 공기 압축기 운영을 최적화하기 위한 정확한 지침과 제어 전략의 중요성을 잘 보여준다. 따라서, 제조 공정에서 에너지 절감을 이루기 위해서는
각 공정에 맞는 제어를 제시할 수 있는 가이드라인이 반드시 필요하다. 이러한 가이드라인은 숙련된 운영자가 부재할 때에도 공장의 운영자가 일관된 방식으로
압축기를 제어할 수 있도록 도와주며, 이를 통해 에너지 절감과 공정 효율성을 동시에 달성할 수 있습니다[9]. 특히 최근에는 디지털 트윈(Digital Twin) 기술을 활용한 스마트 팩토리 솔루션이 주목받고 있으며, 이를 통해 공기 압축기와 같은 중요
설비의 실시간 모니터링 및 최적화가 가능해지고 있다[10-11]. 즉, 에너지 절감을 위한 공장 설비 운영 최적화는 숙련된 전문가의 지식에 의존하지 않고도 일정한 성능을 보장할 수 있는 제어 가이드라인이 필요하다.
이를 위해 축적된 데이터를 기반으로 한 정교한 예측 모델과 제어 전략을 도입하는 것이 중요하다. 이러한 전략은 공장의 전반적인 에너지 효율을 높일
뿐만 아니라, 장기적으로 비용 절감 및 생산성 향상에도 기여할 수 있다[12-13]. 이에 따라, 본 논문에서는 제조 공정에서 발생하는 전력 데이터를 활용하여 기계 학습기반의 공기압축기의 유량 패턴을 예측하는 모델을 제안하여, 효율적인
운영이 가능함을 보여 주었다. 이 논문의 구성은 다음과 같다. 2장에서는 사용된 인공지능 모델을 설명하고, 유량패턴 예측에 적용할 수 있는 모델에
관해 논의한다. 3장에서는 CNN 및 LSTM 기반의 모델 설계와 구현에 대해 설명한다. 4장에서는 설계된 예측 모델 을 통해 성능을 검증하는 과정을
제시한다. 마지막으로 5장에서는 본 연구의 결론을 내리고, 향후 연구 방향에 대해 논의한다.
2. 기존 예측 알고리즘 및 머신러닝 모델
인공신경망은 포유류의 중추 신경계 연구에서 영감을 받아 설계된 머신러닝 모델의 일종으로 서로 연결된 많은 뉴런으로 구성되어 있다[14]. 인공신경망은 데이터를 입력받는 입력층, 데이터를 출력하는 출력층, 그리고 입력층과 출력층 사이의 은닉층으로 구성되며, 은닉층의 구조에 따라 ANN,
LSTM, CNN, 오토인코더(autoencoder; AE), GAN 등으로 구분된다[15]. 인공신경망은 학습을 통해 뉴런 간의 연결 강도를 조절하여 문제 해결 능력을 가지게 된다.
2.1 CNN(Convolutional Neural Network)
CNN(Convolutional Neural Network)은 인공신경망의 한 종류로, 구성은 [그림 1]과 같이 일반적인 신경망에 합성곱 계층(Convolution Layer)과 풀링 계층(Pooling Layer)을 추가한 구조로 구성된다. Convolution
Layer가 먼저 이미지를 처리하여 공간적인 특성을 추출하고, Pooling Layer가 이 특성 중 중요한 부분을 강조하며 이미지 크기를 줄이는
과정을 반복하여 특징을 두드러지게 한다. 마지막 단계의 Dense Layer(완전 연결 계층)로 추출한 특징을 바탕으로 이미지의 종류를 분류한다.
그림 1. 전형적인 CNN의 구조
Fig. 1. Convolution Neural Network structure
2.2 오토인코더(Autoencoder)
오토인코더(Autoencoder)는 입력 데이터를 인코딩(압축)한 후 다시 디코딩(복원)하여 원래 데이터를 재구성하는 비지도 학습 모델이다. 오토인코더는
주로 입력 데이터의 중요한 특징을 추출하고, 불필요한 정보나 노이즈를 제거하는 역할을 수행한다[16]. 이 모델은 학습된 데이터와 유사한 데이터를 입력받았을 때 높은 복원 성능을 보이며, 결과적으로 복원 오차가 작아진다. 반면, 변칙적이거나 학습되지
않은 데이터를 입력받으면 복원 성능이 저하되어 복원 오차가 크게 나타나는 경향이 있다[17-18]. 이러한 오토인코더의 특성은 이상 탐지(Anomaly Detection) 분야에서 유용하게 활용된다. 정상 데이터를 학습한 오토인코더는 학습된 패턴에
대한 높은 복원 성능을 가지지만, 정상 데이터와 다른 변칙적인 데이터에 대해서는 복원 오차가 커지기 때문에, 이를 이용해 데이터가 정상인지 여부를
판단할 수 있다. 이러한 원리를 이용하면 시스템이나 네트워크, 공정 데이터에서 이상 징후를 효과적으로 탐지할 수 있다. [그림 2]은 오토인코더의 구조와 데이터 흐름을 간략하게 나타낸 도식이다.
그림 2. 오토인코더의 개략도
Fig. 2. Schematic Diagram of an Autoencoder
2.3 LSTM(long short-term memory)
순환신경망(RNN)의 장기 의존성 문제를 해결하기 위해, Hochreiter와 Schmidhuber는 1997년에 Long Short-Term Memory
(LSTM) 구조를 제시했다. LSTM은 장기적인 데이터를 학습하고 유지할 수 있도록 설계되어, 기존 RNN이 긴 시퀀스를 처리할 때 겪는 한계를
극복한다. LSTM은 RNN과 유사한 체인 구조를 유지하면서도, 각 셀 안에 입력 게이트, 망각 게이트, 출력 게이트와 같은 여러 비선형 게이트와
메모리 셀을 포함하고 있다[19]. 이러한 게이트들은 데이터의 흐름을 선택적으로 제어하며, 중요한 정보를 오래 보존하거나 불필요한 정보를 제거함으로써 긴 시간 동안의 데이터 학습이
가능하게 한다. LSTM은 RNN에서 자주 발생하는 기울기 소실 문제를 효과적으로 해결하며, 더 긴 시퀀스 데이터에 대한 학습 및 처리가 가능하다[20].
식 (1)~(3)은 망각게이트, 입력게이트, 출력게이트를 의미하며 식 (4), (5)출력값과 입력값을 의미한다[21]. [그림 3]는 식 (1)~(6)에 의해 계산되는 LSTM의 구조와 데이터의 흐름을 시각화 하였다.
그림 3. LSTM 구조 및 데이터의 흐름
Fig. 3. Long Short-Term Memory Neural Network
2.4 GRU(Gated Recurrent Unit)
GRU는 LSTM에서 영감을 받아 더 간략한 구조를 가지는 RNN 프레임워크 일종이다. GRU는 2014년 최초로 제안한 방법이며, LSTM과 유사하게
게이트 개념을 사용하지만, 조금 더 간소화하였다[22]. GRU는 LSTM의 셀 상태가 존재하지 않고, 은닉층만을 가지며, 은닉층 값이 LSTM 셀 상태 역할을 대신한다.
2.5 CNN-LSTM
CNN-LSTM은 컨볼루션 계층에서 합성곱 연산을 하는 필터가 시퀀스 위를 슬라이딩하여 인접 데이터에 대한 공간적 특성을 추출하고, 시간 정보 파악에
최적화된 알고리즘인 LSTM을 지나며 시간적 특성을 반영하는 것이 주요 특징이다. 연구에 활용한 CNN-LSTM 구조는 컨볼루션 계층, 풀링 계층,
LSTM 층으로 구성되며, 입력 데이터에 대한 합성곱 연산 후 활성화 함수를 통해 특징을 추출한다. 이후 풀링계층에서 검출된 특징 데이터를 크기를
줄여주는 작업을 수행하고, LSTM 계층을 통해 시계열 예측을 수행한다.
3. 제안된 CNN, LSTM 및 Mixed 모델 설계
3.1 데이터 수집 및 전처리
본 연구에서는 2021년 9월 27일부터 2022년 10월 3일까지 일주일 동안 매 시간 간격으로 데이터를 수집하여 압축 공기 사용 패턴을 분석하였다.
데이터 수집을 위해 공기 압축기의 구성 확인 절차를 거친 후, 데이터를 수집하였다. 압력 측정은 맥동 현상을 최소화하기 위해 밸브를 조여서 압력을
안정적으로 유지하는 방법을 사용하였으며, 측정위치는 흡입 필터의 위치에서 측정하였다. 그리고 리시버 탱크를 사용하여 압축 공기를 채우고 압력을 수집하였으며,
전력은 전력 분석계를 통해 주 전동기 및 부속 기기의 총 입력 전력을 측정하였다.
공기 압축기의 유량 측정은 유량계를 사용하여 측정하는 것이 가장 정확하고 신뢰성 높은 결과를 제공할 수 있지만, 유량계 설치를 위해서는 공기 압축기를
정지시키고 압축 공기를 배출한 후에 유량계 장착을 위한 포트 가공 등의 복잡한 과정이 필요하다. 이러한 절차는 실험 환경에서 시간과 비용을 증가시키는
요인이 될 수 있다. 따라서 본 연구에서는 체적이 이미 알려진 리시버 탱크에 압축 공기를 충전할 때, 탱크의 초기 압력과 최종 압력, 그리고 초기
압력에서 최종 압력에 도달하는 데 걸리는 시간과 압력 용기의 공기 온도를 기준으로 유량을 계산하는 방법을 사용하였다. 이러한 방법은 직접적인 유량계
측정보다 절차가 간단하지만, 정확성과 정밀성 측면에서는 제한이 있을 수 있다. 측정 절차를 엄격히 준수하고 계측 및 계산을 수행한다면 충분히 정밀도
있는 결과를 얻을 수 있다. 공기 압축기의 토출량은 다음 식 (7)을 이용하여 계산하며, 공기 압축기의 유량을 평가하는데 유효한 접근법이며, <표 1>은 이를 위한 파라미터이다.
공기 압축기 A의 평균 사용량은 103㎥/h 이고, 최고사용량은 180㎥/h 이며, 공기 압축기 B의 평균 사용량은 117㎥/h이고, 최고사용량은
270㎥/h 이며 공기량과 패턴은 [그림 4]과 같다.
그림 4. 압축공기량 및 패턴
Fig. 4. Compressed Air Quantity and Pattern
표 1 공기압축기의 유량 평가 파라미터
Table 1 Flow Rate Evaluation Parameters for Air Compressors
|
구분
|
동력
|
공기량
|
압력
|
효율
|
|
공기
압축기
|
21 kW
|
2.8 ㎥/min
|
7
BAR
|
70.3 %
|
3.2 CNN 및 LSTM , Mixed 모델 설계
CNN 모델구조 설계는 TensorFlow와 Keras라이브러리를 활용하여 구현된다. [그림 5]와 같이 32개의 필터를 사용하는 일차원 합성곱 계층 Conv1D를 사용하며, 활성화함수는 ReLU를 사용하였고, 풀링 창 크기가 2인 MaxPooling1D
계층을 사용하고 생성된 다차원 출력을 일차원 형태로 변환하기 위해 Flatten 계층을 사용한다. 32개의 유닛을 가진 Dense 계층은 ReLU
활성화 함수를 사용한다. Dense 계층은 활성화 함수를 softmax 를 사용한다.
그림 5. CNN과 LSTM 모델 구조
Fig. 5. CNN and LSTM Model Structure
LSTM 모델은 32개의 유닛을 갖는 두 개의 LSTM 레이어로 구성후에, ReLU 활성화 함수로 밀집층(Dens layer)구성하고, 소프트 맥스(softmax)
활성화 함수를 사용하여 결과를 출력한다.
4. 예측 성능 평가
4.1 제안된 모델링과 성능평가 과정
논문에서는 제안하는 CNN+LSTM 혼합 모델의 성능을 확인하기 위하여 현재 시점을 기준으로 1분후의 시점에서의 상태 변수 예측을 수행하였다. 제안하는
혼합 모델의 CNN은 32개의 필터와 5개의 커널로 Conv1D을 구성하고, 활성화 함수는 ReLU를 사용하며, MaxPooling1D에서 다운샘플링하고
정규화한다. LSTM 레이어는 64개의 유닛과 32개의 유닛으로 각각 구성한다. 최적화 함수들은 동일하게 적용하였으며, 여기서 사용되는 활성화 함수
역시 ‘Relu’, sigmoid’을 사용되었으며, 최적화 함수는 ‘Adam’을 적용하였다. 제안된 모델의 성능평가 과정은 [그림 6]과 같다.
그림 6. 제안된 모델링의 훈련 및 성능평가 과정
Fig. 6. Training and Performance Evaluation Process of the Proposed Model
4.2 모델 예측 성능 평가
모델성능에 대한 검증은 [그림 5]와 같이 혼합 모델, LSTM 모델, CNN 모델, MLP 모델들과 비교 평가하였고, 1 Epoch 당 소비되는 시간기준으로 혼합모델이 학습 속도가
가장 빨랐다.17 Epoch에서 검증 정확도는 점진적으로 증가하며, Training 정확도에 가까워진 것을 확인할 수 있다. 이는 Training을
통해 모델이 더욱 정교해지고, Validation 데이터 셋의 기본 패턴을 더 예측하는 것을 의미한다. <표 2>은 Confusion matrix을 사용한 CNN 모델의 결과이고, 그림 7은 CNN모델의 Training & Validation Loss 그래프이다.
비선형 압축 공기의 유량 패턴 예측은 시간적 패턴이 핵심 요소로 작용한다. 그러나 본 연구에서 CNN 모델을 그대로 적용했을 때 0.54의 낮은 정확도를
보였으며, 이는 CNN의 특성상 시계열 예측에 부적합하다는 점을 시사한다. CNN은 주로 이미지나 2차원 데이터에서 국소적 패턴을 인식하는 데 강점을
지니고 있지만, 시간적 흐름을 반영하는 데에는 한계가 존재한다. 이러한 시간적 의존성 부족은 시계열 데이터의 연속적 변화나 패턴을 학습하는 데 있어서
큰 제약으로 작용하며, 특히 비선형 압축 공기의 유량 예측과 같은 시계열 문제에서는 더욱 두드러지게 나타난다. CNN은 주어진 데이터의 특정 시점의
특성을 독립적으로 처리하기 때문에, 시간에 따른 데이터 간의 상관관계나 변화 양상을 효과적으로 포착하지 못한다. 즉, CNN 계층은 데이터의 공간적
특성을 추출하는 데 최적화되어 있으나, 시계열 예측 문제에서는 연속적 흐름을 학습하지 못하는 구조적 한계를 가진다. 그 결과, 비선형적이고 동적인
시간 변화를 반영해야 하는 유량 패턴 예측에서 CNN 모델은 시간적 의존성을 적절히 반영하지 못해 낮은 예측 성능을 보인다.
따라서 비선형 압축 공기의 유량 패턴을 효과적으로 예측하기 위해서는 시간적 의존성을 학습할 수 있는 LSTM과 같은 순환 신경망 계열 모델을 도입하거나,
CNN과 LSTM을 결합한 하이브리드 모델을 적용하는 것이 보다 유리하다. 이러한 모델은 CNN의 공간적 패턴 학습 능력과 LSTM의 시간적 패턴
학습 능력을 모두 활용하여, 비선형 시계열 데이터의 복합적 특성을 보다 정교하게 반영할 수 있다.
그림 7. CNN 모델의 Training & Validation Loss 그래프
Fig. 7. Training & Validation Loss of the CNN Model
표 2 CNN 모델의 Confusion matrix 결과
Table 2 Confusion Matrix Results of the CNN Model
|
구분
|
Accuracy
|
Precision
|
Recall
|
RMSE
|
|
CNN
|
0.54
|
0.20
|
0.20
|
0.20
|
그림 8은 LSTM 모델의 Training & Validation Loss 그래프로 전반적으로 제안 모델의 학습 속도와 학습 상태가 상대적으로 우수함을 알
수 있으나, 감소하는 Epoch 추세를 보면, 이는 모델이 학습 데이터 이외의 데이터에 대해 일부 한계를 가질 수 있음을 나타낸다. <표 3>는 Confusion matrix로 Accuracy는 98.3%로, 대부분의 예측을 정확하게 수행하였음 나타낸다.
그림 9은 CNN+LSTM 혼합 모델의 Training & Validation Loss 그래프이며, <표 4>는 Confusion matrix값으로 RMSE는 0.013로 실제데이터에 대한 예측 성능이 우수함을 나타내고 있다. LSTM 모델에 비해 다소
낮은 성능을 보여주었으나 높은 정밀도와 재현율로 인해 실제 데이터에 대한 예측 성능이 높을 것으로 해석된다.
그림 8. LSTM 모델의 Training & Validation Loss
Fig. 8. Training & Validation Loss of the LSTM Model
표 3 LSTM 모델의 Confusion matrix 결과
Table 3 Confusion Matrix Results of the LSTM Model
|
구분
|
Accuracy
|
Precision
|
Recall
|
RMSE
|
|
LSTM
model
|
0.983
|
0.998
|
0.986
|
0.019
|
그림 9. 혼합모델의 Training & Validation Loss
Fig. 9. Training & Validation Loss of the Mixed Model
표 4 혼합모델의 Confusion matrix 결과
Table 4 Confusion Matrix Results of the Mixed Model
|
구분
|
Accuracy
|
Precision
|
Recall
|
RMSE
|
|
Mixed
model
|
0.937
|
0.799
|
0.798
|
0.013
|
전통적 머신러닝 모델(SVM, KNN, Decision Tree)은 단일 시점의 특성을 기반으로 예측하는 경우가 많고, 시계열 데이터의 시간적 패턴을
학습하지 않기에, 제안된 CNN과 LSTM의 결합을 통해 기존 모델의 한계를 보완하여 복잡한 시계열 데이터의 패턴을 더 정교하게 예측할 수 있는 구조를
제공한다. 이를 통해 공기 압축기와 같은 제조 장비의 사용 패턴을 효과적으로 예측하여, 스마트 팩토리 등에서의 에너지 소비를 최적화하고 효율성을 높이는
데 기여할 수 있다.
5. 결 론
본 연구에서는 비선형 압축 공기의 유량 패턴 예측을 위해 다양한 모델의 적용 가능성을 평가하였다. CNN, LSTM, 그리고 CNN+LSTM Mixed
모델을 비교한 결과, 유량 패턴 예측에서 각 모델의 특징에 따른 성능 차이가 명확하게 드러났다. CNN 모델은 공간적 패턴 학습에 강점이 있으나,
시계열 데이터의 시간적 의존성을 충분히 반영하지 못해 유량 패턴 예측에서 낮은 정확도를 보였다. 반면, LSTM 모델은 시간적 흐름을 반영할 수 있는
구조적 특성 덕분에 유량 예측에서 뛰어난 성능을 나타냈다. 특히 CNN과 LSTM을 결합한 Mixed 모델은 공간적 특성 추출과 시간적 의존성 학습을
동시에 수행함으로써 유량 패턴 예측에 가장 적합한 성능을 보였다. 따라서 비선형적인 유량 패턴 예측을 위해서는 시간적 의존성을 학습할 수 있는 모델이
필수적이며, CNN+LSTM과 같은 Mixed 구조가 최적의 예측 성능을 제공할 수 있음을 확인하였다
본 연구는 수집데이터를 기반으로 인공지능 모델의 성능을 평가하고, 가장 적합한 모델을 제안함으로써 공기압축기 사용하는 공정에서의 에너지 소비를 예측하는
데 기여했다. 그러나 더욱 다양한 환경 변수와 데이터를 포함한 모델의 확장 연구가 필요하다.
향후 연구에서는 데이터의 양을 늘리고, 다양한 산업 분야와 공정에 적용할 수 있는 예측 모델을 개발함으로써 더욱 정교하고 신뢰성 있는 결과를 도출할
수 있을 것이다. 이러한 발전을 통해 스마트 팩토리뿐만 아니라 다양한 제조업 공정에서 실시간으로 최적화된 운영 전략을 수립하고 에너지 소비를 줄일
수 있는 체계를 구축할 수 있을 것이다. 이는 향후 디지털 트윈 기술과 인공지능 기반 예측 모델이 산업 전반에 걸쳐 실질적인 에너지 효율 향상에 기여할
수 있는 중요한 기초 자료가 될 것이다.
Acknowledgements
This work was supported by Institute of Information & communications Technology Planning
& Evaluation (IITP) grant funded by the Korea government (MSIT) (No.RS-2023-00233745,
Development and performance evaluation of data center cooling system using liquefied
gas cooling heat)
References
Ministry of Trade, Industry and Energy (MOTIE), “2020 Energy Survey Results,” 2022.
Available online : http://english.motie.go.kr/www/main.do.
C. Y. Lim, “Design and Implementation of IEC 62541-based Industry Internet of Things
Simulator for Meta-Factory,” The Journal of the Convergence on Culture Technology
(JCCT), vol. 9, no. 3, pp. 789–795, 2023. DOI : 10.17703/JCCT.2023.9.3.789
C. E. Yeo, “Energy Consumption Analysis of Batch Type Heating Process for Energy Savings
in Food Processing Plants,” The Journal of the Convergence on Culture Technology (JCCT),
vol. 9, no. 3, pp. 817–823, 2023. DOI : 10.17703/JCCT.2023.9.3.817
I. G. Yeo, “Pay Attention FEMS Strengthened Regulations Greenhouse Gas Energy,” Korea
Heating Air-Conditioning Refrigeration & Renewable Energy News (KHARN), Seoul, Republic
of Korea, 2020.
M. M. Comesaña, “Prediction of building’s thermal performance using LSTM and MLP neural
networks,” Energies, vol. 10, no. 7439, 2020.
C. Y. Lim, “Design and Performance Evaluation of Digital Twin Prototype Based on Biomass
Plant,” The Journal of the Convergence on Culture Technology (JCCT), vol. 9, no. 5,
pp. 935–940, 2023. DOI : 10.17703/JCCT.2023.9.5.935.
C. Lee, “Prediction performance analysis of artificial neural network model by input
variable combination for residential heating loads,” Energies, vol. 14, no. 756, 2021.
J. Runge, “Forecasting energy use in buildings using artificial neural networks: A
review,” Energies, vol. 12, no. 3254, 2019.
J. S. Choi, “LSTM-based power load prediction system design for store energy saving,”
Journal of Korea Information and Electronics Communication Technology, vol. 14, pp.
307–313, 2021.
C. Y. Lim, “Artificial Neural Network-based Thermal Environment Prediction Model for
Energy Saving of Data Center Cooling Systems,” The Journal of the Convergence on Culture
Technology (JCCT), vol. 9, no. 6, pp. 883–888, 2023. DOI : 10.17703/JCCT.2023.9.6.889
W. S. Jeon, “GIS-Based Prediction of electricity consumption for apartment complex
by using machine learning,” Journal of the Korean Institute of Communication and Information
Sciences, vol. 1, pp. 407–408, 2022.
J. Qunlong, “A study on energy consumption prediction from building energy management
system data with missing values using SSIM and VLSW algorithms,” Journal of the Korean
Institute of Electrical Engineers, vol. 70, pp. 1–540, 2021.
M. Ito, “Textbooks of Machine Learning with Python,” K. -S. Park, Translator, Hanvit
Media, Seoul, Republic of Korea, 2020.
C. Y. Lim, “Designing Digital Twin Concept Model for High-Speed Synchronization,”
The Journal of the Convergence on Culture Technology (JCCT), vol. 9, no. 6, pp. 245–250,
2023. DOI : 10.17703/JCCT.2023.9.6.245
B. R. Park, “Performance tests on the ANN model prediction accuracy for cooling load
of buildings during the setback period,” Journal of Korea Institute of Ecological
Architecture and Environment, vol. 17, pp. 83–88, 2017.
A. Sadeghi, “An intelligent model to predict energy performances of residential buildings
based on deep neural networks,” Energies, vol. 13, no. 571, 2020.
W. Choi, “Multi-objective optimization of flexible wing using multidisciplinary design
optimization system of aero-nonlinear structure interaction based on support vector
regression,” Journal of the Korean Society for Aeronautical and Space Sciences, vol.
43, pp. 601–608, 2015.
S. Oh, “Comparison of a response surface method and artificial neural network in predicting
the aerodynamic performance of a wind turbine airfoil and its optimization,” Applied
Sciences, vol. 10, no. 6277, 2020.
C. Sudheer, “A hybrid SVM-PSO model for forecasting monthly streamflow,” Neural Computing
and Applications, vol. 24, pp. 1381–1389, 2014.
J. B. Kim, “Comparison of MLR and SVR based linear and nonlinear regressions Compensation
for wind speed prediction,” Journal of the Korean Institute of Electrical Engineers,
vol. 65, pp. 851–856, 2016.
B. C. Oh, “Development of SVR-based short-term load forecasting algorithm,” Journal
of the Korean Institute of Electrical Engineers, vol. 68, pp. 95–99, 2019.
E. Ceperic, “A strategy for short-term load forecasting by support vector regression
machines,” IEEE Transactions on Power Systems, vol. 28, pp. 4356–4364, 2013.
저자소개
2020 to Present: Energy Environment IT Convergence Group, Plant Engineering Center,
Institute for Advanced Engineering, Korea.
2025 : Ph.D. in Control and Signal Processing Engineering, Dankook University, Korea.
E-mail : cy.lim@dankook.ac.kr
2021 to Present: Energy Environment IT Convergence Group, Plant Engineering Center,
Institute for Advanced Engineering, Korea.
E-mail : yce@iae.re.kr
1996 : MS, 1999 : Ph.D at Keio University, Japan.
2000 to 2006 : Principal Research Engineer in Samsung Advanced Institute of Technology(SAIT).
2006 to Present: Professor in Department of Electronic and Electrical Engineering,
Dankook University, Korea.
E-mail : aonami@dankook.ac.kr