KR102554902B1

KR102554902B1 - The Method that Estimate Energy Consumption of Group Households based on Federated Learning, and The System and Computer-readable Medium for Performing The Same

Info

Publication number: KR102554902B1
Application number: KR1020230024338A
Authority: KR
Inventors: 손성용; 박건준
Original assignee: 가천대학교 산학협력단
Priority date: 2022-12-29
Filing date: 2023-02-23
Publication date: 2023-07-12

Abstract

본 발명은 연합학습에 기반한 그룹세대의 에너지소비량 추정방법, 및 이를 수행하는 시스템, 컴퓨터-판독가능 매체로서, 중앙서버가 보유중인 글로벌모델을 복수의 그룹세대서버에 송신하고, 각각의 그룹세대서버는 각각 보유중인 에너지소비량정보를 기반으로 상기 글로벌모델을 학습시켜 개별학습모델로 업데이트하고, 상기 개별학습모델의 성능을 판단하여 상기 중앙서버로 송신하고, 상기 중앙서버는 상기 복수의 그룹세대서버로부터 수신한 복수의 개별학습모델을 기존에 보유한 상기 글로벌모델에 적용시켜 업데이트하고, 각각의 그룹세대서버가 중앙서버로부터 최종 수신한 업데이트된 글로벌모델을 통해 산출된 시간당 예측에너지소비량을 중앙서버에 송신하고, 상기 중앙서버는 수신한 예측에너지소비량에 기초하여 상기 복수의 그룹세대 전체의 총 예측에너지소비량을 산출하는, 연합학습에 기반한 그룹세대의 에너지소비량 추정방법, 및 이를 수행하는 시스템, 컴퓨터-판독가능 매체에 관한 것이다.The present invention is a method for estimating energy consumption of a group household based on federated learning, a system for performing the same, and a computer-readable medium, which transmits a global model possessed by a central server to a plurality of group household servers, and each group household server learns the global model based on the energy consumption information each possesses, updates it to an individual learning model, determines the performance of the individual learning model, and transmits it to the central server, and the central server receives information from the plurality of group generation servers. The received plurality of individual learning models are applied to the existing global model and updated, and each group generation server transmits the predicted energy consumption per hour calculated through the updated global model finally received from the central server to the central server. , The central server calculates the total predicted energy consumption of all the plurality of group households based on the received predicted energy consumption, a method for estimating energy consumption of group households based on federated learning, and a system for performing the same, computer-readable It's about the media.

Description

The Method that Estimate Energy Consumption of Group Households based on Federated Learning, and The System and Computer-readable Medium for Performing The Same }

연합학습이란 여러 위치에서 분산 저장된 데이터를 직접 공유하지 않으면서 서로 협력하여 AI모델을 학습시킬 수 있는 분산형 머신러닝기법을 뜻한다. 이미 다양한 산업계가 빅데이터를 통해 AI모델을 구축 및 활용하며, 기존의 방식과는 차이가 있는 상기 연합학습을 예의주시하고 있다. 또한 데이터가 경쟁력인 시대에서 디지털 기술이 발전함에 따라 데이터의 양과 활용이 급증하며, 동시에 데이터의 중요성이 높아지고, 데이터를 생성, 수집 및 학습하는 기술에 대한 수요 또한 늘고 있다. 상기 연합학습에서는 개별 데이터를 중앙서버로 전달하지 않고, 상기 중앙서버의 AI모델을 클라이언트로 보내 상기 클라이언트가 각각의 데이터로 모델을 학습시킨다. 그리고 상기 중앙서버는 개별 클라이언트에서 학습된 모델을 모아 최적의 AI모델을 만든다. 그러나 일부 클라이언트가 비정상적인 데이터를 보유하고 있을 경우, 상기 비정상적인 데이터에 의해 학습된 AI모델이 상기 중앙서버에서 취합되어 상기 클라이언트 전역의 모델이 오염될 수 있다. 이로 인해 모델의 성능이 저하되는 문제점이 발생하므로, 이러한 문제점을 방지할 수 있는 기술의 개발이 필요한 상황이다.Federated learning refers to a distributed machine learning technique that allows AI models to be trained in cooperation without directly sharing distributed and stored data in multiple locations. Already, various industries are building and utilizing AI models through big data, and are paying close attention to the above federated learning, which is different from the existing method. In addition, as digital technology develops in an era where data is competitive, the amount and use of data rapidly increase, and at the same time, the importance of data increases, and the demand for technology to create, collect, and learn data is also increasing. In the federated learning, individual data is not transmitted to the central server, but the AI model of the central server is sent to the client, and the client learns the model with each data. And the central server collects models learned from individual clients to create an optimal AI model. However, if some clients have abnormal data, the AI models learned by the abnormal data are collected in the central server, and the models across the clients may be contaminated. This causes a problem in which the performance of the model is degraded, so it is necessary to develop a technology that can prevent this problem.

최근에는 4차 산업혁명이 시작되면서 우리가 사용하는 에너지에 대한 관리의 필요성이 부각되고 있다. 따라서 효율적인 에너지 사용은 피할 수 없는 전 세계적인 추세이며, 그 방법이 EMS (Energy Management System)이라고 할 수 있다. 에너지 관리 시스템이라고 불리는 EMS는 다양한 분야에서 적용되어 의미가 조금씩 다르지만, 가장 기본적인 의미는 정보통신 기술(ICT)을 이용해 에너지 사용 상황을 최적으로 파악하고 관리해 비효율적인 에너지 사용을 줄임으로써 능동적으로 에너지 관리를 가능하게 하는 시스템(IT 소프트웨어)을 말한다. 이처럼 정보의 중요성으로 인해 정보의 보안성 또한 주의요소가 되었다. 그렇기에 일부 클라이언트는 각자가 보유하고 있는 정보의 보안성을 이유로 정보를 중앙서버에 제공하지 않는 경우가 있다. 이러한 경우 정보의 공백을 해결하고 정확도 높은 결과를 도출할 수 있는 기술의 개발이 필요한 상황이다.Recently, with the start of the 4th industrial revolution, the need to manage the energy we use has been highlighted. Therefore, efficient energy use is an unavoidable global trend, and its method can be called EMS (Energy Management System). EMS, called energy management system, is applied in various fields and has slightly different meanings, but the most basic meaning is to actively manage energy by reducing inefficient energy use by optimally identifying and managing energy use using information and communication technology (ICT). It refers to the system (IT software) that makes it possible. Due to the importance of information, security of information has also become a cautionary factor. Therefore, there are cases in which some clients do not provide information to the central server for reasons of security of the information they possess. In this case, it is necessary to develop a technology that can solve the information gap and derive highly accurate results.

본 발명은 연합학습에 기반한 그룹세대의 에너지소비량 추정방법, 및 이를 수행하는 시스템, 컴퓨터-판독가능 매체로서, 중앙서버가 보유중인 글로벌모델을 복수의 그룹세대서버에 송신하고, 각각의 그룹세대서버는 각각 보유중인 에너지소비량정보를 기반으로 상기 글로벌모델을 학습시켜 개별학습모델로 업데이트하고, 상기 개별학습모델의 성능을 판단하여 상기 중앙서버로 송신하고, 상기 중앙서버는 상기 복수의 그룹세대서버로부터 수신한 복수의 개별학습모델을 기존에 보유한 상기 글로벌모델에 적용시켜 업데이트하고, 각각의 그룹세대서버가 중앙서버로부터 최종 수신한 업데이트된 글로벌모델을 통해 산출된 시간당 예측에너지소비량을 중앙서버에 송신하고, 상기 중앙서버는 수신한 예측에너지소비량에 기초하여 상기 복수의 그룹세대 전체의 총 예측에너지소비량을 산출하는, 연합학습에 기반한 그룹세대의 에너지소비량 추정방법, 및 이를 수행하는 시스템, 컴퓨터-판독가능 매체를 제공하는 것을 목적으로 한다.The present invention is a method for estimating energy consumption of a group household based on federated learning, a system for performing the same, and a computer-readable medium, which transmits a global model possessed by a central server to a plurality of group household servers, and each group household server learns the global model based on the energy consumption information each possesses, updates it to an individual learning model, determines the performance of the individual learning model, and transmits it to the central server, and the central server receives information from the plurality of group generation servers. The received plurality of individual learning models are applied to the existing global model and updated, and each group generation server transmits the predicted energy consumption per hour calculated through the updated global model finally received from the central server to the central server. , The central server calculates the total predicted energy consumption of all the plurality of group households based on the received predicted energy consumption, a method for estimating energy consumption of group households based on federated learning, and a system for performing the same, computer-readable It aims to provide a medium.

상기와 같은 과제를 해결하기 위하여 본 발명의 일 실시예는, 중앙서버 및 복수의 그룹세대서버에 의하여 수행되는 연합학습에 기반한 그룹세대의 에너지소비량 추정방법으로서, 상기 에너지소비량 추정방법은 모델학습단계; 및 모델추론단계;를 포함하고, 상기 모델학습단계는, 복수의 그룹세대서버 각각에 의하여, 상기 중앙서버로부터 에너지소비량을 예측하는 글로벌모델을 수신하는 글로벌모델수신단계; 복수의 그룹세대서버 각각에 의하여, 상기 복수의 그룹세대서버 각각이 보유한 시간에 따른 에너지소비량정보를 이용하여 상기 글로벌모델을 학습시켜 상기 글로벌모델을 개별학습모델로 업데이트하는 개별학습단계; 복수의 그룹세대서버 각각에 의하여, 상기 글로벌모델과 각각의 개별학습모델의 성능을 비교하여, 상기 개별학습모델이 상기 글로벌모델보다 성능이 향상된 경우, 해당 개별학습모델을 상기 중앙서버로 송신하는 개별학습모델송신단계; 및 중앙서버에 의하여, 1 이상의 그룹세대서버로부터 수신한 1 이상의 개별학습모델을 상기 글로벌모델에 적용하여, 글로벌모델을 업데이트하는 글로벌모델업데이트단계;를 포함하고, 상기 모델추론단계는, 복수의 그룹세대서버 각각에 의하여, 최종 수신한 글로벌모델을 이용하여 각각의 그룹세대에서 예측되는 예측에너지소비량을 산출하여, 상기 예측에너지소비량을 상기 중앙서버로 송신하는 개별예측송신단계; 및 중앙서버에 의하여, 수신한 복수의 예측에너지소비량에 기초하여, 복수의 그룹세대에서의 총 예측에너지소비량을 산출하는 총예측에너지산출단계;를 포함하는, 연합학습에 기반한 그룹세대의 에너지소비량 추정방법을 제공한다.In order to solve the above problems, an embodiment of the present invention is a method for estimating energy consumption of a group household based on federated learning performed by a central server and a plurality of group household servers, the energy consumption estimation method comprising a model learning step. ; and a model inference step, wherein the model learning step comprises: a global model receiving step of receiving, by each of a plurality of group generation servers, a global model for predicting energy consumption from the central server; an individual learning step of updating the global model to an individual learning model by learning the global model using energy consumption information according to time possessed by each of the plurality of group generation servers, by each of the plurality of group generation servers; Each of the plurality of group generation servers compares the performance of the global model and each individual learning model, and when the individual learning model has improved performance than the global model, the corresponding individual learning model is transmitted to the central server. learning model transmission step; and a global model updating step of updating the global model by applying, by the central server, one or more individual learning models received from one or more group generation servers to the global model, wherein the model reasoning step includes a plurality of groups. an individual predictive transmission step of calculating, by each household server, predicted energy consumption predicted in each group household using the finally received global model, and transmitting the predicted energy consumption to the central server; and a total predicted energy calculation step of calculating the total predicted energy consumption in a plurality of group households based on the plurality of predicted energy consumption received by the central server; estimating the energy consumption of group households based on combined learning. provides a way

본 발명의 일 실시예에서는, 상기 글로벌모델은, 상기 복수의 그룹세대서버 각각에서의 상기 에너지소비량정보, 상기 현재시간정보 및 기상정보에 기초하여, 해당 그룹세대의 시간당 예측에너지소비량을 산출하는 학습된 인공신경망 기반의 모델에 해당할 수 있다.In one embodiment of the present invention, the global model calculates the predicted energy consumption per hour of the corresponding group household based on the energy consumption information, the current time information, and weather information in each of the plurality of group household servers. may correspond to a model based on an artificial neural network.

본 발명의 일 실시예에서는, 상기 복수의 그룹세대서버는 각각의 서버별로 상이한 에너지소비량정보를 보유하고, 상기 에너지소비량정보는 해당 그룹세대서버에 접속되는 복수의 세대별 에너지소비량들의 총합에 기초할 수 있다.In one embodiment of the present invention, the plurality of group household servers hold different energy consumption information for each server, and the energy consumption information may be based on the total sum of energy consumption for each of a plurality of households connected to the corresponding group household server. can

본 발명의 일 실시예에서는, 복수의 그룹세대서버 각각에 의하여 학습된 개별학습모델은, 각각의 그룹세대서버가 각각 보유한 해당 에너지소비량정보를 통해 자체학습되어, 서로 다른 알고리즘으로 학습된 인공신경망 기반의 모델에 해당할 수 있다.In one embodiment of the present invention, the individual learning model learned by each of the plurality of group generation servers is self-learned through the corresponding energy consumption information held by each group generation server, and is based on an artificial neural network learned with different algorithms. may correspond to the model of

본 발명의 일 실시예에서는, 상기 총예측에너지산출단계는, 상기 중앙서버가 복수의 그룹세대서버 전부로부터 각각 같은 수만큼 상기 에너지소비량정보를 수신하였을 경우, 상기 복수의 그룹세대 각각의 예측에너지소비량의 총합에 기초하여 상기 복수의 그룹세대에서의 총 예측에너지소비량을 산출할 수 있다.In one embodiment of the present invention, the total predicted energy calculation step may include the predicted energy consumption of each of the plurality of group households when the central server receives the same number of energy consumption information from all of the plurality of group household servers. Total predicted energy consumption in the plurality of group households may be calculated based on the sum of .

본 발명의 일 실시예에서는, 상기 총예측에너지산출단계는, 상기 중앙서버가 일부의 그룹세대서버에게만 에너지소비량정보를 수신한 경우, 상기 일부의 그룹세대서버로부터 수신한 예측에너지소비량의 총합을 산출하고, 산출된 상기 예측에너지소비량의 총합; 및 상기 일부의 그룹세대의 수 대비 전체 그룹세대의 수;에 기초하여 상기 복수의 그룹세대에서의 총 예측에너지소비량을 산출할 수 있다.In one embodiment of the present invention, the total predicted energy calculation step, when the central server receives energy consumption information from only some of the group household servers, calculates the total of the predicted energy consumption received from some of the group household servers. and the total sum of the calculated predicted energy consumption; and the total number of group households compared to the number of partial group households; the total predicted energy consumption in the plurality of group households may be calculated.

본 발명의 일 실시예에서는, 상기 개별학습모델송신단계에서 상기 복수의 그룹세대 각각에 의하여 상기 중앙서버로 송신된 복수의 개별학습모델 각각의 수가 완전히 일치하지 않는 경우, 상기 총예측에너지산출단계는, 각 그룹세대로부터 수신한 개별학습모델의 수에 기초하여 각 그룹세대별 예측에너지소비량에 서로 다른 가중치를 설정하고, 상기 각 그룹세대의 예측에너지소비량 및 해당 예측에너지소비량에 상응하는 서로 다른 가중치에 기초하여 상기 복수의 그룹세대에서의 총 예측에너지소비량을 산출할 수 있다.In one embodiment of the present invention, in the individual learning model transmission step, when the number of each of the plurality of individual learning models transmitted to the central server by each of the plurality of group generations does not completely match, the total prediction energy calculation step , Based on the number of individual learning models received from each group generation, different weights are set for the predicted energy consumption of each group generation, and the predicted energy consumption of each group generation and the different weights corresponding to the predicted energy consumption Based on this, it is possible to calculate the total predicted energy consumption in the plurality of group households.

본 발명의 일 실시예에서는, 상기 중앙서버는 상기 복수의 그룹세대서버와 통신을 수행하고, 각각의 그룹세대서버는 복수의 세대단말과 통신을 수행하며 복수의 해당 세대별 에너지소비량정보를 수신할 수 있다.In one embodiment of the present invention, the central server communicates with the plurality of group household servers, and each group household server communicates with a plurality of terminals of the household and receives energy consumption information for each household. can

본 발명의 일 실시예에서는, 상기 개별학습모델송신단계는, 상기 글로벌모델에 과거의 에너지소비량정보, 해당 시간정보 및 해당 기상정보를 입력하고, 각각의 개별학습모델에 과거의 에너지소비량정보, 해당 시간정보 및 해당기상정보를 입력하고, 상기 글로벌모델에서 도출되는 예측에너지소비량정보 및 상기 각각의 개별학습모델에서 도출되는 예측에너지소비량정보를 과거의 해당 시간에 실제로 발생한 에너지소비량정보와 비교하여 각각의 개별학습모델의 성능을 판단할 수 있다.In one embodiment of the present invention, the step of transmitting the individual learning model inputs past energy consumption information, corresponding time information, and corresponding weather information to the global model, and inputs past energy consumption information and corresponding weather information to each individual learning model. Time information and corresponding weather information are input, and the predicted energy consumption information derived from the global model and the predicted energy consumption information derived from each individual learning model are compared with the energy consumption information that actually occurred at the corresponding time in the past. The performance of individual learning models can be judged.

상기와 같은 과제를 해결하기 위하여 본 발명의 일 실시예는, 중앙서버 및 복수의 그룹세대서버를 포함하고, 연합학습에 기반한 그룹세대의 에너지소비량 추정방법을 수행하는 시스템으로서, 상기 연합학습에 기반한 그룹세대의 에너지소비량 추정방법을 수행하는 시스템은 모델학습부; 및 모델추론부;를 포함하고, 상기 모델학습부는, 복수의 그룹세대서버 각각에서, 상기 중앙서버로부터 에너지소비량을 예측하는 글로벌모델을 수신하는 글로벌모델수신부; 복수의 그룹세대서버 각각에서, 상기 복수의 그룹세대서버 각각이 보유한 시간에 따른 에너지소비량정보를 이용하여 상기 글로벌모델을 학습시켜 상기 글로벌모델을 개별학습모델로 업데이트하는 개별학습부; 복수의 그룹세대서버 각각에서, 상기 글로벌모델과 각각의 개별학습모델의 성능을 비교하여, 상기 개별학습모델이 상기 글로벌모델보다 성능이 향상된 경우, 해당 개별학습모델을 상기 중앙서버로 송신하는 개별학습모델송신부; 및 중앙서버에서, 1 이상의 그룹세대서버로부터 수신한 1 이상의 개별학습모델을 상기 글로벌모델에 적용하여, 글로벌모델을 업데이트하는 글로벌모델업데이트부;를 포함하고, 상기 모델추론부는, 복수의 그룹세대서버 각각에서, 최종 수신한 글로벌모델을 이용하여 각각의 그룹세대에서 예측되는 예측에너지소비량을 산출하여, 상기 예측에너지소비량을 상기 중앙서버로 송신하는 개별예측송신부; 및 중앙서버에서, 수신한 복수의 예측에너지소비량에 기초하여, 복수의 그룹세대에서의 총 예측에너지소비량을 산출하는 총예측에너지산출부;를 포함하는, 연합학습에 기반한 그룹세대의 에너지소비량 추정방법을 수행하는 시스템을 제공한다.In order to solve the above problems, an embodiment of the present invention is a system that includes a central server and a plurality of group household servers and performs a method for estimating energy consumption of group households based on federated learning. The system for performing the method of estimating the energy consumption of group households includes a model learning unit; and a model reasoning unit, wherein the model learning unit includes: a global model receiving unit receiving a global model for predicting energy consumption from the central server in each of a plurality of group generation servers; In each of the plurality of group generation servers, an individual learning unit for learning the global model using energy consumption information according to time possessed by each of the plurality of group generation servers and updating the global model to an individual learning model; In each of the plurality of group generation servers, the performance of the global model and each individual learning model is compared, and if the individual learning model has improved performance than the global model, the individual learning model is transmitted to the central server. model transmission unit; and a global model update unit for updating the global model by applying one or more individual learning models received from one or more group generation servers in the central server to the global model, wherein the model reasoning unit includes a plurality of group generation servers. an individual prediction transmitter for calculating predicted energy consumption predicted in each group generation using the last received global model, and transmitting the predicted energy consumption to the central server; And a total predicted energy calculation unit for calculating total predicted energy consumption in a plurality of group households based on the plurality of predicted energy consumption received from the central server; energy consumption estimation method of group households based on federated learning, including provides a system that performs

본 발명의 일 실시예에서는, 상기 총예측에너지산출부는, 상기 중앙서버가 일부의 그룹세대서버에게만 에너지소비량정보를 수신한 경우, 상기 일부의 그룹세대서버로부터 수신한 예측에너지소비량의 총합을 산출하고, 산출된 상기 예측에너지소비량의 총합; 및 상기 일부의 그룹세대의 수 대비 전체 그룹세대의 수;에 기초하여 상기 복수의 그룹세대에서의 총 예측에너지소비량을 산출할 수 있다.In one embodiment of the present invention, the total predicted energy calculation unit, when the central server receives energy consumption information from only some of the group household servers, calculates the total amount of predicted energy consumption received from the some of the group household servers; , the sum of the calculated predicted energy consumption; and the total number of group households compared to the number of partial group households; the total predicted energy consumption in the plurality of group households may be calculated.

상기와 같은 과제를 해결하기 위하여 본 발명의 일 실시예는, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템에서 중앙서버 및 복수의 그룹세대서버에 의하여 수행되는 연합학습에 기반한 복수의 그룹세대의 에너지소비량 추정방법을 구현하기 위한 컴퓨터-판독가능 매체로서, 상기 컴퓨터-판독가능 매체는, 상기 컴퓨팅시스템으로 하여금 이하의 단계들을 수행하도록 하는 컴퓨터 실행가능 명령어들을 포함하고, 상기 이하의 단계들은: 상기 에너지소비량 추정방법은 모델학습단계; 및 모델추론단계;를 포함하고, 상기 모델학습단계는, 복수의 그룹세대서버 각각에 의하여, 상기 중앙서버로부터 에너지소비량을 예측하는 글로벌모델을 수신하는 글로벌모델수신단계; 복수의 그룹세대서버 각각에 의하여, 상기 복수의 그룹세대서버 각각이 보유한 시간에 따른 에너지소비량정보를 이용하여 상기 글로벌모델을 학습시켜 상기 글로벌모델을 개별학습모델로 업데이트하는 개별학습단계; 복수의 그룹세대서버 각각에 의하여, 상기 글로벌모델과 각각의 개별학습모델의 성능을 비교하여, 상기 개별학습모델이 상기 글로벌모델보다 성능이 향상된 경우, 상기 개별학습모델을 상기 중앙서버로 송신하는 개별학습모델송신단계; 및 중앙서버에 의하여, 1 이상의 그룹세대서버로부터 수신한 1 이상의 개별학습모델을 상기 글로벌모델에 적용하여, 글로벌모델을 업데이트하는 글로벌모델업데이트단계;를 포함하고, 상기 모델추론단계는, 복수의 그룹세대서버 각각에 의하여, 최종 수신한 글로벌모델을 이용하여 각각의 그룹세대에서 예측되는 예측에너지소비량을 산출하여, 상기 예측에너지소비량을 상기 중앙서버로 송신하는 개별예측송신단계; 및 중앙서버에 의하여, 수신한 복수의 예측에너지소비량에 기초하여, 복수의 그룹세대에서의 총 예측에너지소비량을 산출하는 총예측에너지산출단계;를 포함하는, 컴퓨터-판독가능 매체를 제공한다.In order to solve the above problems, an embodiment of the present invention is a plurality of group generations based on federated learning performed by a central server and a plurality of group generation servers in a computing system including one or more processors and one or more memories. A computer-readable medium for implementing a method for estimating energy consumption, the computer-readable medium comprising computer-executable instructions for causing the computing system to perform the following steps, wherein the following steps: The energy consumption estimation method includes a model learning step; and a model inference step, wherein the model learning step comprises: a global model receiving step of receiving, by each of a plurality of group generation servers, a global model for predicting energy consumption from the central server; an individual learning step of updating the global model to an individual learning model by learning the global model using energy consumption information according to time possessed by each of the plurality of group generation servers, by each of the plurality of group generation servers; Each of the plurality of group generation servers compares the performance of the global model and each individual learning model, and when the individual learning model has improved performance than the global model, the individual learning model is transmitted to the central server. learning model transmission step; and a global model updating step of updating the global model by applying, by the central server, one or more individual learning models received from one or more group generation servers to the global model, wherein the model reasoning step includes a plurality of groups. an individual predictive transmission step of calculating, by each household server, predicted energy consumption predicted in each group household using the finally received global model, and transmitting the predicted energy consumption to the central server; and a total predicted energy calculation step of calculating, by the central server, a total predicted energy consumption amount in a plurality of group households based on the received plurality of predicted energy consumption amounts.

본 발명의 일 실시예에서는, 각 그룹세대서버가 중앙서버를 경유하지 않고 해당 그룹세대서버에서 각각 글로벌모델을 자체학습하여 모델의 학습과정 중 발생하는 네트워크 지연 발생 및 정보의 유출로 인한 보안문제 발생을 경감시키는 효과를 발휘할 수 있다.In one embodiment of the present invention, each group generation server self-learns a global model in the corresponding group generation server without going through the central server, resulting in network delays and information leaks that occur during the model learning process. can exert an alleviating effect.

본 발명의 일 실시예에서는, 연합학습을 통해 중앙서버는 각 그룹세대의 시간당 에너지소비량에 대한 특정 패턴을 취합하여 글로벌모델을 업데이트하여 정확도 높은 에너지소비량을 예측하는 효과를 발휘할 수 있다.In one embodiment of the present invention, through federated learning, the central server collects specific patterns of energy consumption per hour of each group household and updates the global model to exert an effect of predicting energy consumption with high accuracy.

본 발명의 일 실시예에서는, 각 그룹세대서버에서 개별학습모델의 성능을 글로벌모델의 성능과 비교하여 안정적인 연합학습 및 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량의 추정 성능을 높이는 효과를 발휘할 수 있다.In one embodiment of the present invention, the performance of the individual learning model in each group generation server is compared with the performance of the global model to achieve stable federated learning and an effect of increasing the estimation performance of the total predicted energy consumption per hour across a plurality of group generations. can

본 발명의 일 실시예에서는, 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 추정하는 과정 중 일부 그룹세대서버만 중앙서버로 정보를 송신한 경우, 정보를 송신한 상기 일부 그룹세대서버의 수에 기반하는 가중치를 설정하는 보정과정을 통해 정보의 공백을 해결하고, 상기 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량 추정의 정확도를 높이는 효과를 발휘할 수 있다.In an embodiment of the present invention, when only some group household servers transmit information to the central server during the process of estimating the total predicted energy consumption per hour in a plurality of group households, the number of the partial group household servers that have transmitted information Through a correction process of setting weights based on , it is possible to solve the gap in information and increase the accuracy of estimating the total predicted energy consumption per hour in all of the plurality of group households.

본 발명의 일 실시예에서는, 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 추정하는 과정 중 중앙서버가 각 그룹세대서버로부터 수신한 개별학습모델의 수가 다를 경우, 상기 개별학습모델의 수에 기반하는 가중치를 설정하는 보정과정을 통해 상기 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량 추정의 정확도를 높이는 효과를 발휘할 수 있다.In one embodiment of the present invention, when the number of individual learning models received by the central server from each group household server is different during the process of estimating the total predicted energy consumption per hour in a plurality of group households, the number of individual learning models An effect of increasing the accuracy of estimating the total predicted energy consumption per hour in all of the plurality of group households can be exhibited through a correction process of setting the based weight.

본 발명의 일 실시예에서는, 건물 단위 및 마이크로그리드 수준의 데이터 공유가 어려운 환경에서의 에너지관리를 연합학습을 통해 안정적인 활용이 가능한 효과를 발휘할 수 있다.In an embodiment of the present invention, energy management in an environment where data sharing at the building unit and microgrid level is difficult can be achieved through federated learning.

도 1은 본 발명의 일 실시예에 따른 연합학습에 기반한 그룹세대의 에너지소비량 추정시스템의 구성요소를 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 연합학습에 기반한 그룹세대의 에너지소비량 추정방법의 수행단계를 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 글로벌모델의 학습과정을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 복수의 그룹세대 전체에서의 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 그룹세대에서의 시간당 예측에너지소비량을 예측하는 글로벌모델을 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 그룹세대서버 전체가 예측에너지소비량정보를 제공했을 경우 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 일부 그룹세대서버만 예측에너지소비량정보를 제공했을 경우 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 그룹세대서버마다 송신한 개별학습모델의 수가 다를 경우 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 예시적으로 도시한다.1 schematically illustrates components of a system for estimating energy consumption of a group household based on federated learning according to an embodiment of the present invention.
2 schematically illustrates the steps of performing a method for estimating energy consumption of a group household based on federated learning according to an embodiment of the present invention.
3 schematically illustrates a learning process of a global model according to an embodiment of the present invention.
4 schematically illustrates a process of calculating total predicted energy consumption in all of a plurality of group households according to an embodiment of the present invention.
5 schematically illustrates a global model for predicting hourly predicted energy consumption in a group household according to an embodiment of the present invention.
6 schematically illustrates a process of calculating total predicted energy consumption when all group generation servers provide predicted energy consumption information according to an embodiment of the present invention.
7 schematically illustrates a process of calculating total predicted energy consumption when only some group household servers provide predicted energy consumption information according to an embodiment of the present invention.
8 schematically illustrates a process of calculating a total predicted energy consumption when the number of individual learning models transmitted to each group generation server is different according to an embodiment of the present invention.
9 illustratively illustrates the internal configuration of a computing device according to an embodiment of the present invention.

이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.In the following, various embodiments and/or aspects are disclosed with reference now to the drawings. In the following description, for purposes of explanation, numerous specific details are set forth in order to facilitate a general understanding of one or more aspects. However, it will also be appreciated by those skilled in the art that such aspect(s) may be practiced without these specific details. The following description and accompanying drawings describe in detail certain illustrative aspects of one or more aspects. However, these aspects are exemplary and some of the various methods in principle of the various aspects may be used, and the described descriptions are intended to include all such aspects and their equivalents.

또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.Moreover, various aspects and features will be presented by a system that may include a number of devices, components and/or modules, and the like. It should also be noted that various systems may include additional devices, components and/or modules, and/or may not include all of the devices, components, modules, etc. discussed in connection with the figures. It must be understood and recognized.

본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다."Example", "example", "aspect", "exemplary", etc., used herein should not be construed as preferring or advantageous to any aspect or design being described over other aspects or designs. . The terms '~unit', 'component', 'module', 'system', 'interface', etc. used below generally mean a computer-related entity, and for example, hardware, hardware It may mean a combination of and software, software.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.Also, the terms "comprises" and/or "comprising" mean that the feature and/or element is present, but excludes the presence or addition of one or more other features, elements and/or groups thereof. It should be understood that it does not.

또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.In addition, terms including ordinal numbers, such as first and second, may be used to describe various components, but the components are not limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention. The terms and/or include any combination of a plurality of related recited items or any of a plurality of related recited items.

또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.In addition, in the embodiments of the present invention, unless otherwise defined, all terms used herein, including technical or scientific terms, are generally understood by those of ordinary skill in the art to which the present invention belongs. has the same meaning as Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the embodiments of the present invention, an ideal or excessively formal meaning not be interpreted as

도 1은 본 발명의 일 실시예에 따른 연합학습에 기반한 그룹세대의 에너지소비량 추정시스템의 구성요소를 개략적으로 도시한다.1 schematically illustrates components of a system for estimating energy consumption of a group household based on federated learning according to an embodiment of the present invention.

도 1에 도시된 바와 같이, 본 발명의 연합학습에 기반한 그룹세대의 에너지소비량 추정방법은 중앙서버(1000) 및 해당 중앙서버(1000)와 접속되는 복수의 그룹세대서버(2000.1 내지 2000.N, 이하 2000)에 의해 수행된다.As shown in FIG. 1, the method for estimating the energy consumption of a group household based on federated learning of the present invention includes a central server 1000 and a plurality of group household servers (2000.1 to 2000.N, 2000 below).

또한, 상기 중앙서버(1000)는 상기 복수의 그룹세대서버(2000)와 통신을 수행하고, 각각의 그룹세대서버(2000)는 복수의 세대단말(3000)과 통신을 수행하며 복수의 해당 세대별 에너지소비량정보를 수신한다.In addition, the central server 1000 communicates with the plurality of group generation servers 2000, and each group generation server 2000 communicates with a plurality of terminals 3000 of a plurality of corresponding generations. Receive energy consumption information.

구체적으로, 중앙서버(1000)는 복수의 그룹세대서버(2000)와 통신을 수행하고, 상기 복수의 그룹세대서버(2000)는 각각의 그룹세대서버(2000)에 접속되는 복수의 세대단말(3000)과 상호간의 통신을 수행한다. 상기 복수의 세대단말(3000)에서 해당 그룹세대서버(2000)로 세대별 시간당 에너지소비량정보가 송신되고, 복수의 세대별 시간당 에너지소비량의 총합으로 해당 그룹세대의 시간당 에너지소비량정보가 생성되어 해당 그룹세대서버(2000)에 기록 및 저장된다.Specifically, the central server 1000 communicates with a plurality of group generation servers 2000, and the plurality of group generation servers 2000 connect a plurality of generation terminals 3000 to each group generation server 2000. ) and mutual communication. Hourly energy consumption information per household is transmitted from the plurality of household terminals 3000 to the corresponding group household server 2000, and energy consumption information per hour of the corresponding group household is generated as the sum of the energy consumption per hour per household. It is recorded and stored in the generation server (2000).

도 1에 도시된 바와 같이, 상기 중앙서버(1000)와 통신하는 그룹세대서버(2000)의 수는 자연수 N에 해당되어 경우에 따라 달라질 수 있고, 상기 그룹세대서버(2000)마다 접속되는 세대단말(3000)의 수 또한 경우에 따라 달라질 수 있다. 또한, 각각의 세대단말(3000)이 송신하는 세대별 시간당 에너지소비량정보는 상이할 수 있으므로, 상기 각각의 그룹세대서버(2000)는 각각 상이한 해당 그룹세대의 시간당 에너지소비량정보가 기록 및 저장될 수 있다. 본 발명에 대한 이해의 편의를 위해 이후 전술되는 시간당 에너지소비량은 세대별 시간당 에너지소비량의 총합인 그룹세대의 시간당 에너지소비량에 해당한다.As shown in FIG. 1, the number of group generation servers 2000 communicating with the central server 1000 corresponds to a natural number N and may vary depending on the case, and a household terminal connected to each group generation server 2000. The number of (3000) may also vary depending on the case. In addition, since the energy consumption information per hour for each household transmitted by each household terminal 3000 may be different, each group household server 2000 may record and store the energy consumption per hour information of each different corresponding group household. there is. For the convenience of understanding the present invention, the energy consumption per hour described above corresponds to the energy consumption per hour of a group household, which is the sum of the energy consumption per hour for each household.

도 2는 본 발명의 일 실시예에 따른 연합학습에 기반한 그룹세대의 에너지소비량 추정방법의 수행단계를 개략적으로 도시한다.2 schematically illustrates the steps of performing a method for estimating energy consumption of a group household based on federated learning according to an embodiment of the present invention.

도 2에 도시된 바와 같이, 중앙서버(1000) 및 복수의 그룹세대서버(2000)에 의하여 수행되는 연합학습에 기반한 그룹세대의 에너지소비량 추정방법으로서, 상기 에너지소비량 추정방법은 모델학습단계; 및 모델추론단계;를 포함하고, 상기 모델학습단계는, 복수의 그룹세대서버(2000) 각각에 의하여, 상기 중앙서버(1000)로부터 에너지소비량을 예측하는 글로벌모델을 수신하는 글로벌모델수신단계(S100); 복수의 그룹세대서버(2000) 각각에 의하여, 상기 복수의 그룹세대서버(2000) 각각이 보유한 시간에 따른 에너지소비량정보를 이용하여 상기 글로벌모델을 학습시켜 상기 글로벌모델을 개별학습모델로 업데이트하는 개별학습단계(S200); 복수의 그룹세대서버(2000) 각각에 의하여, 상기 글로벌모델과 각각의 개별학습모델의 성능을 비교하여, 상기 개별학습모델이 상기 글로벌모델보다 성능이 향상된 경우, 해당 개별학습모델을 상기 중앙서버(1000)로 송신하는 개별학습모델송신단계(S300); 및 중앙서버(1000)에 의하여, 1 이상의 그룹세대서버(2000)로부터 수신한 1 이상의 개별학습모델을 상기 글로벌모델에 적용하여, 글로벌모델을 업데이트하는 글로벌모델업데이트단계(S400);를 포함하고, 상기 모델추론단계는, 복수의 그룹세대서버(2000) 각각에 의하여, 최종 수신한 글로벌모델을 이용하여 각각의 그룹세대에서 예측되는 예측에너지소비량을 산출하여, 상기 예측에너지소비량을 상기 중앙서버(1000)로 송신하는 개별예측송신단계(S500); 및 중앙서버(1000)에 의하여, 수신한 복수의 예측에너지소비량에 기초하여, 복수의 그룹세대에서의 총 예측에너지소비량을 산출하는 총예측에너지산출단계(S600);를 포함한다.As shown in FIG. 2, a method for estimating energy consumption of a group household based on federated learning performed by a central server 1000 and a plurality of group generation servers 2000, the method comprising: a model learning step; and a model inference step, wherein the model learning step is a global model receiving step of receiving a global model for predicting energy consumption from the central server 1000 by each of the plurality of group generation servers 2000 (S100). ); Each of the plurality of group generation servers 2000 learns the global model using energy consumption information according to time possessed by each of the plurality of group generation servers 2000, and updates the global model to an individual learning model. Learning step (S200); Each of the plurality of group generation servers 2000 compares the performance of the global model and each individual learning model, and if the individual learning model has improved performance than the global model, the corresponding individual learning model is transferred to the central server ( 1000) transmitting the individual learning model (S300); and a global model updating step (S400) of updating the global model by applying one or more individual learning models received from one or more group generation servers 2000 to the global model by the central server 1000, In the model reasoning step, each of the plurality of group generation servers 2000 calculates the predicted energy consumption predicted in each group generation using the finally received global model, and calculates the predicted energy consumption using the central server 1000. ) Individual predictive transmission step (S500) for transmission; and a total predicted energy calculation step (S600) of calculating, by the central server 1000, a total predicted energy consumption amount in a plurality of group households based on the received plurality of predicted energy consumption amounts.

구체적으로, 상기 모델학습단계는 모델학습부에 의해 수행되고, 복수의 그룹세대의 시간당 에너지소비량 추정의 정확도를 높이기 위해 인공신경망 기반의 모델을 학습시킨다. 상기 모델학습부는 상기 글로벌모델수신단계(S100)를 수행하는 글로벌모델수신부, 상기 개별학습단계(S200)를 수행하는 개별학습부, 상기 개별학습모델송신단계(S300)를 수행하는 개별학습모델송신부 및 상기 글로벌모델업데이트단계(S400)를 수행하는 글로벌모델업데이트부를 포함한다.Specifically, the model learning step is performed by a model learning unit, and an artificial neural network-based model is trained to increase the accuracy of estimating the energy consumption per hour of a plurality of group generations. The model learning unit includes a global model receiving unit performing the global model receiving step (S100), an individual learning unit performing the individual learning step (S200), an individual learning model transmitting unit performing the individual learning model transmitting step (S300), and A global model update unit performing the global model update step (S400) is included.

상기 글로벌모델수신단계(S100)는 복수의 그룹세대서버(2000) 각각에 의해 수행되고, 상기 복수의 그룹세대서버(2000) 각각이 상기 중앙서버(1000)로부터 시간당 에너지소비량을 예측할 수 있는 인공신경망 기반의 글로벌모델을 수신한다. 한편, 상기 글로벌모델은 각각의 그룹세대서버(2000)로부터 현재시간정보, 현재기상정보 및 해당 그룹세대에서의 시간당 에너지소비량정보를 입력 받고, 해당 그룹세대의 시간당 예측에너지소비량을 산출하는 역할을 수행하는 모델에 해당한다.The global model receiving step (S100) is performed by each of a plurality of group generation servers 2000, and each of the plurality of group generation servers 2000 has an artificial neural network capable of predicting energy consumption per hour from the central server 1000. Receive a global model based on On the other hand, the global model plays a role of receiving current time information, current weather information, and hourly energy consumption information from each group household server 2000, and calculating the predicted energy consumption per hour of the group household. corresponds to the model that

상기 개별학습단계(S200)는 상기 복수의 그룹세대서버(2000) 각각에 의해 수행되고, 상기 복수의 그룹세대서버(2000) 각각은 해당 그룹세대서버(2000) 각각이 보유한 시간당 에너지소비량정보에 기반하여 상기 중앙서버(1000)로부터 수신한 상기 글로벌모델을 학습시킨다. 상기 글로벌모델은 과거의 시간당 에너지소비량정보를 입력 받아 현재 또는 미래의 시간당 에너지소비량정보를 예측하도록 학습되고, 상기 개별학습단계(S200)는 상기 글로벌모델을 학습시킨 후, 상기 글로벌모델을 해당 그룹세대서버(2000) 각각의 개별학습모델로 업데이트한다. 상기 시간당 에너지소비량정보는 그룹세대서버(2000) 각각이 보유한 상이한 정보에 해당하므로, 해당 그룹세대서버(2000) 각각이 보유한 개별학습모델은 서로 다른 알고리즘으로 학습된, 서로 별개의 모델에 해당된다.The individual learning step (S200) is performed by each of the plurality of group generation servers 2000, and each of the plurality of group generation servers 2000 is based on energy consumption information per hour possessed by each group generation server 2000. Then, the global model received from the central server 1000 is learned. The global model is learned to predict current or future energy consumption information per hour by receiving past energy consumption information per hour, and in the individual learning step (S200), after learning the global model, the global model is converted to the corresponding group generation. The server 2000 updates each individual learning model. Since the energy consumption information per hour corresponds to different information possessed by each group generation server 2000, the individual learning models possessed by each group generation server 2000 correspond to separate models learned with different algorithms.

상기 개별학습모델송신단계(S300)는 상기 복수의 그룹세대서버(2000) 각각에 의해 수행되고, 상기 복수의 그룹세대서버(2000) 각각은 상기 글로벌모델수신단계(S100)에서 수신한 상기 글로벌모델과 해당 그룹세대서버(2000) 각각이 업데이트한 각각의 개별학습모델의 성능을 비교한다. 상기 개별학습모델송신단계(S300)는 상기 글로벌모델에 의해 도출되는 시간당 예측에너지소비량정보; 및 상기 개별학습모델에 의해 도출되는 시간당 예측에너지소비량정보;를 기반 진실(Ground Truth)에 해당하는 실제의 시간당 에너지소비량정보와 비교하고, 상기 실제의 시간당 에너지소비량정보와 더 유사한 시간당 예측에너지소비량정보를 도출한 모델의 성능이 더 좋다고 판단한다. 상기 개별학습모델의 성능이 상기 글로벌모델의 성능보다 좋다고 판단되는 경우, 상기 개별학습모델송신단계(S300)는 상기 개별학습모델을 상기 중앙서버(1000)로 송신한다.The individual learning model transmitting step (S300) is performed by each of the plurality of group generation servers 2000, and each of the plurality of group generation servers 2000 receives the global model received in the global model receiving step (S100). and the performance of each individual learning model updated by each group generation server (2000) is compared. The individual learning model transmission step (S300) includes predicted energy consumption information per hour derived by the global model; and predicted energy consumption information per hour derived by the individual learning model; is compared with actual energy consumption information per hour corresponding to the ground truth, and predicted energy consumption information per hour more similar to the actual energy consumption information per hour. It is judged that the performance of the model derived from is better. When it is determined that the performance of the individual learning model is better than that of the global model, the individual learning model transmission step (S300) transmits the individual learning model to the central server (1000).

상기 글로벌모델업데이트단계(S400)는 상기 중앙서버(1000)에 의해 수행되고, 상기 복수의 그룹세대서버(2000)로부터 수신한 복수의 개별학습모델을 상기 중앙서버(1000)가 보유하고 있던 상기 글로벌모델에 적용하여, 상기 글로벌모델을 업데이트한다. 상기 글로벌모델은 상기 복수의 개별학습모델 각각이 학습한 알고리즘의 특성을 취합하여 업데이트되어, 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 산출할 때 예측의 정확도를 높이는 효과를 발휘할 수 있다.The global model updating step (S400) is performed by the central server 1000, and the plurality of individual learning models received from the plurality of group generation servers 2000 are stored in the global model. Applied to the model, the global model is updated. The global model is updated by collecting the characteristics of the algorithms learned by each of the plurality of individual learning models, thereby increasing the prediction accuracy when calculating the total predicted energy consumption per hour in all of the plurality of group generations.

바람직하게는, 상기 중앙서버(1000)는 업데이트된 글로벌모델을 다시 상기 복수의 개별학습모델에 각각 송신하여 상기 모델학습단계를 반복적으로 수행하는 것이 가능하고, 모델의 학습이 반복됨에 따라 상기 글로벌모델의 시간당 예측에너지소비량의 산출 성능이 더욱 좋아지는 것을 기대할 수 있다.Preferably, the central server 1000 transmits the updated global model to each of the plurality of individual learning models to perform the model learning step repeatedly, and as the learning of the model is repeated, the global model It can be expected that the calculation performance of predicted energy consumption per hour will be further improved.

상기 모델추론단계는 모델추론부에 의해 수행되고, 상기 모델학습단계에서 연합학습을 통해 업데이트된 글로벌모델을 통해 복수의 그룹세대 전체의 시간당 총 예측에너지소비량을 추정한다. 상기 모델추론부는 상기 개별예측송신단계(S500)를 수행하는 개별예측송신부 및 상기 총예측에너지산출단계(S600)를 수행하는 총예측에너지산출부를 포함한다.The model reasoning step is performed by the model reasoning unit, and in the model learning step, the total predicted energy consumption per hour of the entire plurality of group households is estimated through a global model updated through federated learning. The model reasoning unit includes an individual prediction transmission unit that performs the individual prediction transmission step (S500) and a total prediction energy calculation unit that performs the total prediction energy calculation step (S600).

상기 개별예측송신단계(S500)는 상기 복수의 그룹세대서버(2000) 각각에 의하여 수행되고, 상기 중앙서버(1000)로부터 최종적으로 수신한 업데이트된 글로벌모델을 이용하여 각각의 그룹세대에서의 시간당 예측에너지소비량을 산출한다. 이후 상기 개별예측송신단계(S500)는 산출된 상기 각각의 그룹세대에서의 시간당 예측에너지소비량정보를 중앙서버(1000)로 송신한다.The individual prediction transmission step (S500) is performed by each of the plurality of group generation servers 2000, and hourly prediction in each group generation using the updated global model finally received from the central server 1000. Calculate energy consumption. Thereafter, in the individual prediction transmission step (S500), the calculated information on predicted energy consumption per hour in each group household is transmitted to the central server (1000).

상기 총예측에너지산출단계(S600)는 상기 중앙서버(1000)에 의하여 수행되고, 상기 중앙서버(1000)는 상기 복수의 그룹세대서버(2000)로부터 수신한 각각의 시간당 예측에너지소비량정보를 취합하여 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 산출한다. 상기 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 산출하는 방법에 대한 자세한 설명은 도 6 내지 도 8에서 후술하도록 한다.The total predicted energy calculation step (S600) is performed by the central server 1000, and the central server 1000 collects the predicted energy consumption information per hour received from the plurality of group generation servers 2000, Calculate the total predicted energy consumption per hour in all of the plurality of group households. A detailed description of a method for calculating the total predicted energy consumption per hour in all of the plurality of group households will be described later with reference to FIGS. 6 to 8 .

도 3은 본 발명의 일 실시예에 따른 글로벌모델의 연합학습과정을 개략적으로 도시한다.3 schematically illustrates a federated learning process of a global model according to an embodiment of the present invention.

도 3에 도시된 바와 같이, 중앙서버(1000) 및 그룹세대서버(2000)는 상호간의 통신을 통해 글로벌모델을 업데이트하여 시간당 에너지소비량의 예측 성능을 향상시킨다. 또한, 복수의 그룹세대서버(2000) 각각에 의하여 학습된 개별학습모델은, 각각의 그룹세대서버(2000)가 각각 보유한 해당 에너지소비량정보를 통해 자체학습되어, 서로 다른 알고리즘으로 학습된 인공신경망 기반의 모델에 해당한다.As shown in FIG. 3 , the central server 1000 and the group generation server 2000 update the global model through mutual communication to improve the performance of predicting energy consumption per hour. In addition, the individual learning model learned by each of the plurality of group generation servers 2000 is self-learned through the corresponding energy consumption information held by each group generation server 2000, and is based on an artificial neural network learned with different algorithms. corresponds to the model of

구체적으로, 도 3의 (a)는 시간당 에너지소비량을 예측할 수 있는 글로벌모델이 각각의 그룹세대서버(2000)로 송신되는 과정을 도시한다. 본 발명의 일 실시예에서는, 초기에 각각의 그룹세대서버(2000)에는 글로벌모델이 탑재되어 있지 않거나, 학습되지 않은 글로벌모델이 탑재되어 있을 수 있고, 상기 각각의 그룹세대서버(2000)는 상기 중앙서버(1000)로부터 수신한 글로벌모델로 기존의 글로벌모델을 업데이트하거나 신규 입력할 수 있다. 또한 각각의 그룹세대서버(2000)가 상기 중앙서버(1000)로부터 수신하는 글로벌모델은 동일한 기계학습모델임이 바람직하다.Specifically, (a) of FIG. 3 illustrates a process in which a global model capable of predicting energy consumption per hour is transmitted to each group generation server 2000 . In one embodiment of the present invention, each group generation server 2000 may not initially have a global model loaded or may have a global model that has not been learned, and each group generation server 2000 may have the With the global model received from the central server 1000, an existing global model may be updated or newly input. In addition, it is preferable that the global model that each group generation server 2000 receives from the central server 1000 is the same machine learning model.

도 3의 (b)는 상기 그룹세대서버(2000)가 과거의 시간당 에너지소비량정보를 기반으로 상기 글로벌모델을 학습시키는 과정을 도시한다. 학습이 수행되기 전 각각의 그룹세대서버(2000)에 탑재되는 글로벌모델은 상기 중앙서버(1000)로부터 수신한 모델로 모두 동일하나, 상기 그룹세대서버(2000)로 송신된 이후에는 각각의 그룹세대서버(2000)가 보유한 상이한 정보를 통해 학습됨으로써 각각의 해당 글로벌모델은 그룹세대서버(2000)별로 상이한 알고리즘을 포함하는 개별학습모델로 업데이트된다.3(b) shows a process in which the group generation server 2000 learns the global model based on past energy consumption information per hour. The global models loaded in each group generation server 2000 before learning are all identical to the models received from the central server 1000, but after being transmitted to the group generation server 2000, each group generation By learning through different information held by the server 2000, each corresponding global model is updated to an individual learning model including a different algorithm for each group generation server 2000.

도 3의 (c)는 상기 그룹세대서버(2000)가 상기 글로벌모델과 해당 개별학습모델의 성능을 비교하여 해당 개별학습모델이 상기 글로벌모델보다 성능이 좋은 경우 해당 개별학습모델을 상기 중앙서버(1000)로 송신하는 과정을 도시한다. 모델의 성능은 각 개별학습모델 및 상기 글로벌모델이 과거에 대한 임의의 시간당 에너지소비량정보를 기반으로 도출하는 각각의 시간당 에너지소비량정보를 해당 시간에 발생한 실제의 시간당 에너지소비량정보와 비교하여 판단한다. 상기 개별학습모델에서 도출된 시간당 에너지소비량정보가 상기 글로벌모델에서 도출된 시간당 에너지소비량정보에 비해 해당 시간에 발생한 실제의 시간당 에너지소비량정보와 더 유사하다면 해당 개별학습모델은 상기 글로벌모델보다 성능이 좋다고 판단되어 상기 중앙서버(1000)로 송신된다.In (c) of FIG. 3, the group generation server 2000 compares the performance of the global model and the corresponding individual learning model, and if the corresponding individual learning model has better performance than the global model, the corresponding individual learning model is transferred to the central server ( 1000) shows the process of transmitting. The performance of the model is determined by comparing each hourly energy consumption information derived from each individual learning model and the global model based on arbitrary hourly energy consumption information for the past with actual hourly energy consumption information generated at that time. If the hourly energy consumption information derived from the individual learning model is more similar to the actual hourly energy consumption information generated at the corresponding time than the hourly energy consumption information derived from the global model, the individual learning model has better performance than the global model. It is determined and transmitted to the central server (1000).

도 3의 (d)는 상기 중앙서버(1000)가 상기 글로벌모델을 복수의 그룹세대서버(2000)로부터 수신한 각각의 개별학습모델을 기반으로 업데이트하는 과정을 도시한다. 상기 중앙서버(1000)는 각각의 그룹세대서버(2000)로부터 수신한 상기 각각의 개별학습모델을 취합하여 상기 중앙서버(1000)에 탑재되어 있던 기존의 글로벌모델을 업데이트한다. 바람직하게는 업데이트된 글로벌모델은 상기 기존의 글로벌모델에 대비하여 시간당 에너지소비량 예측의 정확도가 향상된 기계학습모델일 수 있다. 한편 본 발명의 다른 실시예에서는, 복수의 그룹세대서버(2000) 전체에서 상기 기존의 글로벌모델에 비해 성능이 더 좋은 개별학습모델을 찾지 못하여 상기 중앙서버(1000)로 어떠한 개별학습모델을 송신하지 못하는 경우 상기 중앙서버(1000)는 상기 기존의 글로벌모델을 업데이트하지 않고 사용할 수 있다.3(d) shows a process in which the central server 1000 updates the global model based on individual learning models received from a plurality of group generation servers 2000. The central server 1000 collects the individual learning models received from each group generation server 2000 and updates the existing global model loaded in the central server 1000 . Preferably, the updated global model may be a machine learning model with improved accuracy of energy consumption prediction per hour compared to the existing global model. Meanwhile, in another embodiment of the present invention, no individual learning model is transmitted to the central server 1000 because an individual learning model with better performance than the existing global model is not found in all of the plurality of group generation servers 2000. If not, the central server 1000 may use the existing global model without updating it.

도 4는 본 발명의 일 실시예에 따른 복수의 그룹세대 전체에서의 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.4 schematically illustrates a process of calculating total predicted energy consumption in all of a plurality of group households according to an embodiment of the present invention.

도 4에 도시된 바와 같이, 상기 복수의 그룹세대서버(2000)는 각각의 서버별로 상이한 에너지소비량정보를 보유하고, 상기 에너지소비량정보는 해당 그룹세대서버(2000)에 접속되는 복수의 세대별 에너지소비량들의 총합에 기초한다.As shown in FIG. 4, the plurality of group household servers 2000 have different energy consumption information for each server, and the energy consumption information is stored in the energy consumption information for each of the plurality of households connected to the corresponding group household server 2000. based on the sum of consumptions.

구체적으로, 상기 복수의 그룹세대서버(2000)는 각각의 그룹세대서버(2000)에 접속된 세대단말(3000)로부터 수신한 과거의 세대별 시간당 에너지소비량정보의 총합에 해당하는 과거의 해당 그룹세대에서의 시간당 에너지소비량정보를 보유한다. 상기 과거의 세대별 시간당 에너지소비량정보는 각 세대별로 서로 상이하므로, 각 그룹세대서버(2000)가 보유한 시간당 에너지소비량정보 또한 서로 상이하다. 각각의 과거의 그룹세대의 시간당 에너지소비량은 상기 최종 수신한 글로벌모델에 입력되고, 각각의 그룹세대에서의 시간당 예측에너지소비량이 산출된다. 상기 중앙서버(1000)는 그룹세대에서의 시간당 예측에너지소비량정보를 상기 복수의 그룹세대서버(2000)로부터 수신하고, 취합하여 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 산출한다.Specifically, the plurality of group generation servers 2000 corresponds to the sum of energy consumption information per hour for each generation received from the generation terminal 3000 connected to each group generation server 2000 in the past. It holds energy consumption information per hour in Since the energy consumption information per hour for each generation in the past is different from each other for each generation, the energy consumption information per hour possessed by each group household server 2000 is also different from each other. The energy consumption per hour of each past group generation is input to the finally received global model, and the predicted energy consumption per hour in each group generation is calculated. The central server 1000 receives information on predicted energy consumption per hour in group households from the plurality of group household servers 2000, collects them, and calculates total predicted energy consumption per hour in all of the plurality of group households.

도 5는 본 발명의 일 실시예에 따른 그룹세대에서의 시간당 예측에너지소비량을 예측하는 글로벌모델을 개략적으로 도시한다.5 schematically illustrates a global model for predicting hourly predicted energy consumption in a group household according to an embodiment of the present invention.

도 5에 도시된 바와 같이, 상기 글로벌모델은, 상기 복수의 그룹세대서버(2000) 각각에서의 상기 에너지소비량정보, 상기 현재시간정보 및 기상정보에 기초하여, 해당 그룹세대의 시간당 예측에너지소비량을 산출하는 학습된 인공신경망 기반의 모델에 해당한다.As shown in FIG. 5, the global model calculates the predicted energy consumption per hour of the corresponding group household based on the energy consumption information, the current time information, and weather information in each of the plurality of group household servers 2000. It corresponds to a model based on a learned artificial neural network that calculates

구체적으로, 상기 글로벌모델은 상기 현재시간정보 및 상기 기상정보를 통해 특정시간 및 특정날씨에 따라 특수하게 변하는 에너지소비량의 패턴을 고려하고, 상기 과거의 시간당 에너지소비량정보를 기반으로 현재 또는 미래의 시간당 예측에너지소비량정보를 도출한다. 상기 현재시간정보의 예시로서, 상기 주간 근무시간대에는 에너지소비량이 평소보다 많아지고, 주간 심야시간대에는 에너지소비량이 평소보다 적어진다. 또한 상기 기상정보의 예시로서, 기온이 급격히 떨어지거나 오르는 경우 세대별 에너지소비량이 평소보다 많아진다. 이와 같이 본 발명의 실시예로서 다양한 환경을 고려하여 글로벌모델을 학습시키고, 상기 글로벌모델을 통해 시간당 예측에너지소비량을 산출함으로써 시간당 에너지소비량 예측의 정확도를 높이는 효과를 발휘할 수 있다.Specifically, the global model considers a pattern of energy consumption that specifically changes according to a specific time and specific weather through the current time information and the weather information, and based on the energy consumption information per hour in the past, present or future per hour Derive predicted energy consumption information. As an example of the current time information, energy consumption is higher than usual in the daytime working hours, and energy consumption is smaller than usual in the middle of the daytime. In addition, as an example of the weather information, when the temperature drops or rises rapidly, energy consumption per household increases more than usual. As such, as an embodiment of the present invention, by learning a global model in consideration of various environments and calculating predicted energy consumption per hour through the global model, it is possible to exhibit an effect of increasing the accuracy of energy consumption prediction per hour.

도 6은 본 발명의 일 실시예에 따른 그룹세대서버(2000) 전체가 예측에너지소비량정보를 제공했을 경우 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.6 schematically illustrates a process of calculating the total predicted energy consumption when the entire group generation server 2000 according to an embodiment of the present invention provides predicted energy consumption information.

도 6에 도시된 바와 같이, 상기 총예측에너지산출단계(S600)는, 상기 중앙서버(1000)가 복수의 그룹세대서버(2000) 전체로부터 상기 에너지소비량정보를 수신하였을 경우, 상기 복수의 그룹세대 각각의 예측에너지소비량의 총합에 기초하여 상기 복수의 그룹세대 전체에서의 총 예측에너지소비량을 산출한다.As shown in FIG. 6, in the total predicted energy calculation step (S600), when the central server 1000 receives the energy consumption information from all of the plurality of group generation servers 2000, the plurality of group households A total predicted energy consumption in all of the plurality of group households is calculated based on the sum of each predicted energy consumption.

구체적으로, 상기 개별예측송신단계(S500) 중 복수의 그룹세대서버(2000) 전체가 시간당 예측에너지소비량정보를 상기 중앙서버(1000)로 송신하였을 경우, 상기 총예측에너지산출단계(S600)에서 상기 중앙서버(1000)는 각각의 그룹세대서버(2000)로부터 수신한 상기 각각의 그룹세대에서의 시간당 예측에너지소비량의 총합으로 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 산출한다. 바람직하게는, 도 6에 도시된 글로벌모델에서 도출되는 그래프에서의 빗금친 영역은 과거의 시간당 에너지소비량에 기반하여 생성된 현재 또는 미래의 시간당 예측에너지소비량정보를 포함한다.Specifically, when all of the plurality of group generation servers 2000 transmit hourly predicted energy consumption information to the central server 1000 during the individual prediction transmission step (S500), the total predicted energy calculation step (S600) The central server 1000 calculates the total predicted energy consumption per hour in all of the plurality of group households as the sum of the predicted energy consumption per hour in each group household received from each group household server 2000 . Preferably, a hatched area in the graph derived from the global model shown in FIG. 6 includes information on predicted energy consumption per hour in the present or future generated based on energy consumption per hour in the past.

도 7은 본 발명의 일 실시예에 따른 일부 그룹세대서버(2000)만 예측에너지소비량정보를 제공했을 경우 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.FIG. 7 schematically illustrates a process of calculating total predicted energy consumption when only some group generation servers 2000 provide predicted energy consumption information according to an embodiment of the present invention.

도 7에 도시된 바와 같이, 상기 총예측에너지산출단계(S600)는, 상기 중앙서버(1000)가 일부의 그룹세대서버(2000)에게만 에너지소비량정보를 수신한 경우, 상기 일부의 그룹세대서버(2000)로부터 수신한 예측에너지소비량의 총합을 산출하고, 산출된 상기 예측에너지소비량의 총합; 및 상기 일부의 그룹세대의 수 대비 전체 그룹세대의 수;에 기초하여 상기 복수의 그룹세대에서의 총 예측에너지소비량을 산출한다.As shown in FIG. 7, in the total predicted energy calculation step (S600), when the central server 1000 receives energy consumption information from only some group generation servers 2000, the some group generation servers ( 2000), calculates the sum of predicted energy consumption received from, and calculates the sum of the predicted energy consumption; and the total number of group households compared to the number of partial group households; a total predicted energy consumption in the plurality of group households is calculated.

구체적으로, 상기 개별예측송신단계(S500) 중 복수의 그룹세대서버(2000) 중 일부 그룹세대서버(2000)만 시간당 예측에너지소비량정보를 상기 중앙서버(1000)로 송신하였을 경우, 상기 총예측에너지산출단계(S600)에서 상기 중앙서버(1000)는 상기 일부 그룹세대서버(2000) 각각으로부터 수신한 시간당 예측에너지소비량의 총합으로 상기 일부 그룹세대에서의 시간당 총 예측에너지소비량을 산출하고, 산출된 상기 일부 그룹세대에서의 시간당 총 예측에너지소비량에 상기 일부 그룹세대의 수에 대한 복수의 그룹세대 전체의 수의 비율을 곱하여 상기 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 산출한다.Specifically, when only some of the group generation servers 2000 among the plurality of group generation servers 2000 transmit hourly predicted energy consumption information to the central server 1000 during the individual prediction transmission step (S500), the total predicted energy In the calculation step (S600), the central server 1000 calculates the total predicted energy consumption per hour in the partial group households as the sum of the predicted energy consumption per hour received from each of the partial group household servers 2000, and calculates the calculated total predicted energy consumption per hour. The total predicted energy consumption per hour in all of the plurality of group households is calculated by multiplying the ratio of the total number of group households to the number of the partial group households by the total predicted energy consumption per hour in some group households.

임의의 그룹세대서버(2000)가 정보의 보안성 등을 이유로 상기 중앙서버(1000)로 정보를 송신하지 않아서 상기 중앙서버(1000)가 복수의 그룹세대 전체의 시간당 총 예측에너지소비량을 산출하는데 문제가 생길 경우 이와 같이 정보를 송신한 그룹세대의 수 및 복수의 그룹세대 전체의 수에 기반하여 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 추정하여, 시간당 에너지소비량 예측의 정확성을 높이는 효과를 발휘할 수 있다.Any group household server 2000 does not transmit information to the central server 1000 for reasons such as security of information, so the central server 1000 calculates the total predicted energy consumption per hour of a plurality of group households. If this occurs, the total predicted energy consumption per hour is estimated based on the number of group households that have transmitted information and the total number of group households, thereby increasing the accuracy of energy consumption prediction per hour. can exert

도 8은 본 발명의 일 실시예에 따른 그룹세대서버(2000)마다 송신한 개별학습모델의 수가 다를 경우 총 예측에너지소비량을 산출하는 과정을 개략적으로 도시한다.8 schematically illustrates a process of calculating the total predicted energy consumption when the number of individual learning models transmitted by each group generation server 2000 according to an embodiment of the present invention is different.

도 8에 도시된 바와 같이, 상기 개별학습모델송신단계(S300)에서 상기 복수의 그룹세대서버(2000) 각각에 의하여 상기 중앙서버(1000)로 송신된 복수의 개별학습모델 각각의 수가 완전히 일치하지 않는 경우, 상기 총예측에너지산출단계(S600)는, 각 그룹세대로부터 수신한 개별학습모델의 수에 기초하여 각 그룹세대별 예측에너지소비량에 서로 다른 가중치를 설정하고, 상기 각 그룹세대의 예측에너지소비량 및 해당 예측에너지소비량에 상응하는 서로 다른 가중치에 기초하여 상기 복수의 그룹세대에서의 총 예측에너지소비량을 산출한다.As shown in FIG. 8, in the individual learning model transmission step (S300), the number of individual learning models transmitted to the central server 1000 by each of the plurality of group generation servers 2000 does not completely match. If not, in the total predicted energy calculation step (S600), different weights are set for the predicted energy consumption for each group generation based on the number of individual learning models received from each group generation, and the predicted energy for each group generation is set. Total predicted energy consumption in the plurality of group households is calculated based on the consumption amount and different weights corresponding to the predicted energy consumption amount.

구체적으로, 전술하였듯이 상기 모델학습단계를 통해 상기 복수의 그룹세대서버(2000) 각각은 해당 개별학습모델의 성능에 대한 비교 및 판단을 수행한다. 그런데 해당 개별학습모델은 성능에 따라 상기 중앙서버(1000)로의 송신여부가 판단되기 때문에, 상기 중앙서버(1000)가 수신하는 개별학습모델의 수는 각각의 그룹세대서버(2000)마다 다를 수 있다. 이런 경우 상기 글로벌모델업데이트단계(S400)에서 상기 중앙서버(1000)에 있던 글로벌모델은 상기 개별학습모델의 수에 기반하여 각 알고리즘이 취합되어 업데이트된다.Specifically, as described above, through the model learning step, each of the plurality of group generation servers 2000 compares and determines the performance of the corresponding individual learning model. However, since the transmission of the corresponding individual learning model to the central server 1000 is determined according to performance, the number of individual learning models received by the central server 1000 may be different for each group generation server 2000. . In this case, in the global model updating step (S400), the global model in the central server 1000 is updated by collecting each algorithm based on the number of individual learning models.

도 8은 본 발명의 일 실시예를 도시한 것으로, 상기 모델학습단계 중 그룹세대서버#1이 1개의 개별학습모델을 상기 중앙서버(1000)에 송신하고, 그룹세대서버#2가 2개의 개별학습모델을 상기 중앙서버(1000)에 송신하고, 그룹세대서버#3이 3개의 개별학습모델을 상기 중앙서버(1000)에 송신하였을 경우, 상기 중앙서버(1000)가 상기 1개의 개별학습모델, 상기 2개의 개별학습모델 및 상기 3개의 개별학습모델을 취합하여 글로벌모델을 업데이트한다. 이 때, 전술하였듯이 각각의 그룹세대서버(2000)가 보유하는 개별학습모델은 각 그룹세대서버(2000)마다 상이한 알고리즘으로 학습된 모델이므로, 실시예가 가장 많은 상기 그룹세대서버#3이 송신한 개별학습모델의 알고리즘이 시간당 예측에너지소비량을 더 정확하게 산출할 수 있다. 그러므로 상기 중앙서버(1000)는 상기 글로벌모델을 상기 그룹세대서버#1에서 학습된 알고리즘보다 상기 그룹세대서버#3에서 학습된 알고리즘에 유사하게 업데이트한다. 이후 상기 그룹세대서버#1, 상기 그룹세대서버#2 및 상기 그룹세대서버#3은 상기 중앙서버(1000)로부터 업데이트된 글로벌모델을 최종 수신한다. 이 때 그룹세대서버(2000)에서 최종 수신한 글로벌모델에 의해 도출된 시간당 예측에너지소비량에 복수의 그룹세대서버(2000)로부터 수신한 총 개별학습모델의 수;에 대한 상기 중앙서버(1000)가 해당 그룹세대서버(2000)로부터 수신한 개별학습모델의 수;의 비율에 해당하는 가중치를 곱하여 상기 개별학습모델의 수에 따라 가중치가 적용된 시간당 예측에너지소비량을 산출한다. 본 발명의 일 실시예로서 도 8에 도시된 바와 같이, 상기 그룹세대서버#1의 시간당 예측에너지소비량에는 1/1+2+3의 가중치를 곱하고, 상기 그룹세대서버#2의 시간당 예측에너지소비량에는 2/1+2+3의 가중치를 곱하고, 상기 그룹세대서버#3의 시간당 예측에너지소비량에는 3/1+2+3의 가중치를 곱한다. 마지막으로 상기 중앙서버(1000)는 해당 가중치가 곱해진 각 그룹세대에서의 시간당 예측에너지소비량의 총합에 상기 그룹세대서버(2000)의 수를 곱해서 상기 그룹세대 전체에서의 시간당 총 예측에너지소비량을 보정한다. 이와 같이 그룹세대서버(2000)마다 송신하는 개별학습모델의 수가 다양한 환경에서도 상기 가중치를 이용하여 상기 그룹세대 전체에서의 시간당 총 예측에너지소비량 추정의 정확도를 높이는 효과를 발휘할 수 있다.8 shows an embodiment of the present invention. During the model learning step, group generation server #1 transmits one individual learning model to the central server 1000, and group generation server #2 transmits two individual learning models. When the learning model is transmitted to the central server 1000 and group generation server #3 transmits three individual learning models to the central server 1000, the central server 1000 transmits the one individual learning model, The global model is updated by combining the two individual learning models and the three individual learning models. At this time, as described above, since the individual learning model possessed by each group generation server 2000 is a model learned with a different algorithm for each group generation server 2000, the individual learning model transmitted by the group generation server #3 with the most examples The algorithm of the learning model can more accurately calculate the predicted energy consumption per hour. Therefore, the central server 1000 updates the global model to be similar to the algorithm learned in the group generation server #3 rather than the algorithm learned in the group generation server #1. Thereafter, the group generation server #1, the group generation server #2, and the group generation server #3 finally receive the updated global model from the central server 1000. At this time, the central server 1000 for the total number of individual learning models received from the plurality of group generation servers 2000 in the hourly predicted energy consumption derived by the global model finally received by the group generation server 2000 The ratio of the number of individual learning models received from the corresponding group generation server 2000 is multiplied by a weight corresponding to the number of individual learning models to calculate the predicted energy consumption per hour to which the weight is applied. 8 as an embodiment of the present invention, the predicted energy consumption per hour of the group household server #1 is multiplied by a weight of 1/1+2+3, and the predicted energy consumption per hour of the group household server #2 is multiplied by a weight of 2/1+2+3, and the predicted energy consumption per hour of the group generation server #3 is multiplied by a weight of 3/1+2+3. Finally, the central server 1000 corrects the total predicted energy consumption per hour in all group households by multiplying the total sum of predicted energy consumption per hour in each group household multiplied by the corresponding weight by the number of group household servers 2000. do. As such, even in an environment in which the number of individual learning models transmitted to each group generation server 2000 varies, the accuracy of estimating the total predicted energy consumption per hour in the entire group generation can be increased by using the weight.

한편 본 발명의 다른 실시예에서는, 상기 중앙서버(1000)가 각 그룹세대서버(2000)로부터 각각의 과거에 해당하는 시간당 에너지소비량정보를 수신하고, 각각의 시간당 에너지소비량의 총합에 기초하여 상기 업데이트된 글로벌모델을 통해 상기 복수의 그룹세대 전체에서의 총 예측에너지소비량을 산출할 수 있다. 바람직하게는, 도 8에서 도시된 예시의 경우에, 상기 그룹세대서버#1의 시간당 에너지소비량, 상기 그룹세대서버#2의 시간당 에너지소비량 및 상기 그룹세대서버#3의 시간당 에너지소비량 각각에 1:2:3의 비만큼 가중치를 설정하여 총합을 산출하고, 이후 전술한 과정과 마찬가지로 상기 그룹세대서버(2000)의 수를 곱해서 복수의 그룹세대 전체에서의 총 에너지소비량을 보정한다. 상기 중앙서버(1000)는 보정된 복수의 그룹세대 전체에서의 총 에너지소비량을 상기 업데이트된 글로벌모델에 입력하여 상기 복수의 그룹세대 전체에서의 시간당 총 예측에너지소비량을 산출할 수 있다.Meanwhile, in another embodiment of the present invention, the central server 1000 receives hourly energy consumption information corresponding to each past from each group generation server 2000, and updates the information based on the total sum of each hourly energy consumption. It is possible to calculate the total predicted energy consumption in all of the plurality of group households through the global model. Preferably, in the case of the example shown in FIG. 8, 1: A total sum is calculated by setting weights at a ratio of 2:3, and thereafter, the total energy consumption of a plurality of group households is corrected by multiplying the number of group generation servers 2000 in the same manner as in the above process. The central server 1000 may input the corrected total energy consumption of a plurality of group households into the updated global model to calculate the total predicted energy consumption per hour of the plurality of group households.

도 9는 본 발명의 일 실시예에 따른 컴퓨팅장치(11000)의 내부 구성을 예시적으로 도시한다.9 illustratively illustrates an internal configuration of a computing device 11000 according to an embodiment of the present invention.

도 1에 대한 설명에서 언급된 중앙서버(1000) 및 복수의 그룹세대서버(2000)는 후술하는 도 9에 도시된 컴퓨팅장치(11000)의 구성요소를 포함할 수 있다.The central server 1000 and the plurality of group generation servers 2000 mentioned in the description of FIG. 1 may include components of the computing device 11000 shown in FIG. 9 to be described later.

도 9에 도시한 바와 같이, 컴퓨팅장치(11000)은 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. As shown in FIG. 9, a computing device 11000 includes at least one processor 11100, a memory 11200, a peripheral interface 11300, an input/output subsystem ( It may include at least an I/O subsystem (11400), a power circuit (11500), and a communication circuit (11600).

구체적으로, 상기 메모리(11200)는, 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 상기 메모리(11200)는 상기 컴퓨팅장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그 밖에 다양한 데이터를 포함할 수 있다.Specifically, the memory 11200 is, for example, a high-speed random access memory (high-speed random access memory), a magnetic disk, SRAM (SRAM), DRAM (DRAM), ROM (ROM), flash memory or non-volatile memory can include The memory 11200 may include a software module, a command set, or other various data necessary for the operation of the computing device 11000.

이때, 상기 프로세서(11100)나 상기 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 상기 메모리(11200)에 액세스하는 것은 상기 프로세서(11100)에 의해 제어될 수 있다. 상기 프로세서(11100)은 단일 혹은 복수로 구성될 수 있고, 연산처리속도 향상을 위하여 GPU 및 TPU 형태의 프로세서를 포함할 수 있다.In this case, access to the memory 11200 from other components, such as the processor 11100 or the peripheral device interface 11300, may be controlled by the processor 11100. The processor 11100 may be composed of single or multiple processors, and may include GPU and TPU type processors in order to improve calculation processing speed.

상기 주변장치 인터페이스(11300)는 상기 컴퓨팅장치(11000)의 입력 및/또는 출력 주변장치를 상기 프로세서(11100) 및 상기 메모리 (11200)에 결합시킬 수 있다. 상기 프로세서(11100)는 상기 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 상기 컴퓨팅장치(11000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.The peripheral interface 11300 may couple input and/or output peripherals of the computing device 11000 to the processor 11100 and the memory 11200 . The processor 11100 may execute a software module or instruction set stored in the memory 11200 to perform various functions for the computing device 11000 and process data.

상기 입/출력 서브시스템(11400)은 다양한 입/출력 주변장치들을 상기 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 상기 입/출력 서브시스템(11400)은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 상기 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 상기 입/출력 주변장치들은 상기 입/출력 서브시스템(11400)을 거치지 않고 상기 주변장치 인터페이스(11300)에 결합될 수도 있다.The input/output subsystem 11400 can couple various input/output peripherals to the peripheral interface 11300. For example, the input/output subsystem 11400 may include a controller for coupling a peripheral device such as a monitor, keyboard, mouse, printer, or touch screen or sensor to the peripheral device interface 11300 as needed. there is. According to another aspect, the peripheral input/output devices may be coupled to the peripheral device interface 11300 without going through the input/output subsystem 11400.

상기 전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 상기 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.The power circuit 11500 may supply power to all or some of the terminal's components. For example, the power circuit 11500 may include a power management system, one or more power sources such as a battery or alternating current (AC), a charging system, a power failure detection circuit, a power converter or inverter, a power status indicator, or It may include any other components for power generation, management and distribution.

상기 통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅장치와 통신을 가능하게 할 수 있다. 또는, 상술한 바와 같이 필요에 따라 상기 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅장치와 통신을 가능하게 할 수도 있다.The communication circuit 11600 may enable communication with another computing device using at least one external port. Alternatively, as described above, the communication circuit 11600 may include an RF circuit and transmit/receive an RF signal, also known as an electromagnetic signal, to enable communication with another computing device.

이러한 도 9의 실시예는, 상기 컴퓨팅장치(11000)의 일례일 뿐이고, 상기 컴퓨팅장치(11000)는 도 9에 도시된 일부 컴포넌트가 생략되거나, 도 9에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2 개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅장치는 도 9에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 상기 통신 회로(1160)에 다양한 통신방식(Wi-Fi, 3G, LTE, 5G, 6G, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 상기 컴퓨팅장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.The embodiment of FIG. 9 is only an example of the computing device 11000, and the computing device 11000 may omit some components shown in FIG. 9 or may further include additional components not shown in FIG. , may have a configuration or arrangement that combines two or more components. For example, a computing device for a communication terminal in a mobile environment may further include a touch screen or a sensor in addition to the components shown in FIG. 9 , and the communication circuit 1160 may include various communication methods (Wi-Fi, 3G, LTE, 5G, 6G, Bluetooth, NFC, Zigbee, etc.) may include a circuit for RF communication. Components that may be included in the computing device 11000 may be implemented as hardware including one or more signal processing or application-specific integrated circuits, software, or a combination of both hardware and software.

본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 어플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 이용자 단말에 설치될 수 있다. 일 예로, 파일 배포 시스템은 이용자 단말이기의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.Methods according to embodiments of the present invention may be implemented in the form of program instructions that can be executed through various computing devices and recorded in computer readable media. In particular, the program according to the present embodiment may be composed of a PC-based program or a mobile terminal-specific application. An application to which the present invention is applied may be installed in a user terminal through a file provided by a file distribution system. For example, the file distribution system may include a file transmission unit (not shown) that transmits the file according to a request of a user terminal.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of hardware components and software components. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA) , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅장치 상에 표준편차되어서, 표준편차된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. You can command the device. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be standardized on a networked computing device and stored or executed in a standardized manner. Software and data may be stored on one or more computer readable media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.As described above, although the embodiments have been described with limited examples and drawings, those skilled in the art can make various modifications and variations from the above description. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved. Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

Claims

A method for estimating the energy consumption of a group household based on federated learning performed by a central server and a plurality of group household servers,
The energy consumption estimation method includes a model learning step; And a model inference step; including,
In the model learning step,
a global model receiving step of receiving, by each of the plurality of group generation servers, a global model for predicting energy consumption from the central server;
an individual learning step of updating the global model to an individual learning model by learning the global model using energy consumption information according to time possessed by each of the plurality of group generation servers, by each of the plurality of group generation servers;
Each of the plurality of group generation servers compares the performance of the global model and each individual learning model, and when the individual learning model has improved performance than the global model, the corresponding individual learning model is transmitted to the central server. learning model transmission step; and
A global model update step of updating the global model by applying, by the central server, one or more individual learning models received from one or more group generation servers to the global model;
The model inference step,
an individual predictive transmission step of calculating, by each of the plurality of group generation servers, predicted energy consumption predicted in each group household using the finally received global model, and transmitting the predicted energy consumption to the central server; and
A method for estimating energy consumption of group households based on federated learning, including a total predicted energy calculation step of calculating total predicted energy consumption in a plurality of group households based on the plurality of predicted energy consumption received by the central server. .

The method of claim 1,
The global model is
Based on federated learning, corresponding to a learned artificial neural network-based model that calculates the predicted energy consumption per hour of the corresponding group household based on the energy consumption information, current time information, and weather information in each of the plurality of group household servers A method for estimating the energy consumption of group households.

The method of claim 1,
The plurality of group generation servers have different energy consumption information for each server,
The method of estimating energy consumption of a group household based on federated learning, wherein the energy consumption information is based on the sum of energy consumption amounts for each of a plurality of households connected to the corresponding group household server.

The method of claim 1,
The individual learning models learned by each of the plurality of group generation servers,
A method for estimating the energy consumption of group households based on federated learning, which is self-learned through the corresponding energy consumption information held by each group household server and corresponds to an artificial neural network-based model learned with different algorithms.

The method of claim 1,
The total predicted energy calculation step,
When the central server receives the energy consumption information from all of the plurality of group household servers,
A method for estimating energy consumption of group households based on federated learning, wherein the total predicted energy consumption in all of the plurality of group households is calculated based on the sum of the predicted energy consumption of each of the plurality of group households.

The method of claim 1,
The total predicted energy calculation step,
When the central server receives energy consumption information from only some group household servers,
Calculate the total amount of predicted energy consumption received from the part of the group generation server;
the sum of the calculated predicted energy consumption; and the total number of group households compared to the number of some of the group households.

The method of claim 1,
In the individual learning model transmission step, if the number of each of the plurality of individual learning models transmitted to the central server by each of the plurality of group households does not completely match,
The total predicted energy calculation step,
Based on the number of individual learning models received from each group generation, different weights are set for the predicted energy consumption for each group generation,
A method for estimating the energy consumption of group generations based on federated learning, which calculates the total predicted energy consumption in the plurality of group households based on the predicted energy consumption of each group household and different weights corresponding to the predicted energy consumption.

The method of claim 1,
The central server communicates with the plurality of group generation servers,
A method for estimating energy consumption of group households based on federated learning, wherein each group household server communicates with a plurality of household terminals and receives energy consumption information for each household.

The method of claim 1,
In the step of transmitting the individual learning model,
Enter past energy consumption information, corresponding time information, and corresponding weather information into the global model,
Past energy consumption information, corresponding time information, and corresponding weather information are entered into each individual learning model,
A federation that determines the performance of each individual learning model by comparing the predicted energy consumption information derived from the global model and the predicted energy consumption information derived from each individual learning model with energy consumption information that actually occurred at the corresponding time in the past. A method for estimating energy consumption of group households based on learning.

A system that includes a central server and a plurality of group household servers and performs an energy consumption estimation method for group households based on federated learning,
The system for performing the method of estimating the energy consumption of group households based on the combined learning includes a model learning unit; And a model inference unit; including,
The model learning unit,
a global model receiving unit receiving a global model for estimating energy consumption from the central server in each of the plurality of group generation servers;
In each of the plurality of group generation servers, an individual learning unit for learning the global model using energy consumption information according to time possessed by each of the plurality of group generation servers and updating the global model to an individual learning model;
In each of the plurality of group generation servers, the performance of the global model and each individual learning model is compared, and if the individual learning model has improved performance than the global model, the individual learning model is transmitted to the central server. model transmission unit; and
In the central server, a global model update unit for updating the global model by applying one or more individual learning models received from one or more group generation servers to the global model;
The model reasoning unit,
an individual prediction transmission unit which calculates predicted energy consumption predicted in each group household using the global model finally received in each of the plurality of group generation servers and transmits the predicted energy consumption to the central server; and
Based on the plurality of predicted energy consumption received from the central server, a total predicted energy calculation unit for calculating the total predicted energy consumption in a plurality of group households; system to perform.

The method of claim 10,
The global model is
Based on federated learning, corresponding to a learned artificial neural network-based model that calculates the predicted energy consumption per hour of the corresponding group household based on the energy consumption information, current time information, and weather information in each of the plurality of group household servers A system that performs the method of estimating the energy consumption of group households.

The method of claim 10,
The individual learning models learned by each of the plurality of group generation servers,
A system that self-learns through the corresponding energy consumption information possessed by each group household server and performs an energy consumption estimation method for group households based on federated learning, corresponding to an artificial neural network-based model learned with different algorithms.

The method of claim 10,
The total predicted energy calculation unit,
When the central server receives energy consumption information from only some group household servers,
Calculate the total amount of predicted energy consumption received from the part of the group generation server;
the sum of the calculated predicted energy consumption; and the total number of group households compared to the number of partial group households.

The method of claim 10,
If the number of individual learning models transmitted to the central server by each of the plurality of group households in the individual learning model transmission unit does not completely match,
The total predicted energy calculation unit,
Based on the number of individual learning models received from each group generation, different weights are set for the predicted energy consumption for each group generation,
A method for estimating the energy consumption of a group generation based on federated learning, which calculates the total predicted energy consumption in the plurality of group households based on the predicted energy consumption of each group household and different weights corresponding to the predicted energy consumption system to do.

A computer-readable medium for implementing a method for estimating energy consumption of a plurality of group households based on federated learning performed by a central server and a plurality of group generation servers in a computing system including one or more processors and one or more memories, wherein the The computer-readable medium includes computer-executable instructions for causing the computing system to perform the following steps;
The following steps are:
The energy consumption estimation method includes a model learning step; And a model inference step; including,
In the model learning step,
a global model receiving step of receiving, by each of the plurality of group generation servers, a global model for predicting energy consumption from the central server;
an individual learning step of updating the global model to an individual learning model by learning the global model using energy consumption information according to time possessed by each of the plurality of group generation servers, by each of the plurality of group generation servers;
Each of the plurality of group generation servers compares the performance of the global model and each individual learning model, and when the individual learning model has improved performance than the global model, the individual learning model is transmitted to the central server. learning model transmission step; and
A global model update step of updating the global model by applying, by the central server, one or more individual learning models received from one or more group generation servers to the global model;
In the model inference step,
an individual predictive transmission step of calculating, by each of the plurality of group generation servers, predicted energy consumption predicted in each group household using the finally received global model, and transmitting the predicted energy consumption to the central server; and
A total predicted energy calculation step of calculating, by the central server, a total predicted energy consumption in a plurality of group households based on the received plurality of predicted energy consumption amounts; A computer-readable medium comprising a.