• KIEAE Journal
• /
• 제17권1호
• /
• pp.77-82
• /
• 2017

In power supply systems for urban areas, issues such as a progressive tax have escalated recently. In this regard, photovoltaic power generation, which is appraised as an alternative power generation system, is drawing attention increasingly for its high stability and applicability to existing infrastructure. This study assessed the realistic feasibility of photovoltaic power generation and also analyzed the economic benefits expected when it is linked with green roof, which is likely to promote ecological functions in urban areas, based on the Seoul solar map, RPS, and actual monitoring data. The economics analysis of 30kW photovoltaic power generation applied with the monthly average horizontal solar radiation of six grades in the Seoul solar map showed that positive NPV was up to grade 4, while grade 5 or poorer showed negative NPV and indicated that it is difficult to assure appropriate feasibility. Compared with non-afforestation, when green roof was applied, monthly average power improvement efficiency was 7.2% at highest and 3.7% at lowest based on yearly actual monitoring data. The annual average was 5.3%, and the efficiency was high relatively in summer, including September and November. As for the economic benefits expected when 30kw photovoltaic power generation is combined with green roof based on the average horizontal solar radiation of grade 1 in the Seoul solar map, SP has improved 0.2 years to 7.4 years, and EP has improved 0.5 years to 8.3 years.

• 한국터널지하공간학회 논문집
• /
• 제21권3호
• /
• pp.419-432
• /
• 2019

대부분 딥러닝 모델의 학습은 입력값과 입력값에 따른 출력값이 포함된 레이블링 데이터(labeling data)를 학습하는 지도 학습(supervised learning)으로 진행된다. 레이블링 데이터는 인간이 직접 제작하므로 데이터의 정확도가 높다는 장점이 있지만 비용과 시간의 문제로 인해 데이터의 확보에 많은 노력이 소요된다. 그리고 지도 학습의 목표는 정탐지 데이터(true positive data)의 인식 성능 향상에 초점이 맞추어져 있으며, 오탐지 데이터(false positive data)의 발생에 대한 대처는 미흡한 실정이다. 본 논문은 터널 관제센터에 투입된 딥러닝 모델 기반 영상유고 시스템의 모니터링을 통해 정탐지와 레이블링 데이터의 학습으로 예측하기 힘든 오탐지의 발생을 확인하였다. 오탐지의 유형은 작업차량의 경광등, 터널 입구부에서 반사되는 햇빛, 차선과 차량의 일부에서 발생하는 길쭉한 검은 음영 등이 화재와 보행자로 오탐지되고 있었다. 이러한 문제를 해결하기 위해 현장에서 발생한 오탐지 데이터와 레이블링 데이터를 동시에 학습하여 딥러닝 모델을 개발하였으며, 그 결과 기존 레이블링 데이터만 학습한 모델과 비교하면 레이블링 데이터에 대한 재추론 성능이 향상됨을 알 수 있었다. 그리고 오탐지 데이터에 대한 재추론을 한 결과 오탐지 데이터를 많이 포함하여 학습한 모델일 경우 보행자의 오탐지 개수가 훨씬 줄었으며, 오탐지 데이터의 학습을 통해 딥러닝 모델의 현장 적용성을 향상시킬 수 있었다.