KR101779797B1 - 빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법 - Google Patents

빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법 Download PDF

Info

Publication number
KR101779797B1
KR101779797B1 KR1020160053062A KR20160053062A KR101779797B1 KR 101779797 B1 KR101779797 B1 KR 101779797B1 KR 1020160053062 A KR1020160053062 A KR 1020160053062A KR 20160053062 A KR20160053062 A KR 20160053062A KR 101779797 B1 KR101779797 B1 KR 101779797B1
Authority
KR
South Korea
Prior art keywords
object state
energy management
havc
control
space
Prior art date
Application number
KR1020160053062A
Other languages
English (en)
Inventor
이우영
정대수
Original Assignee
(주) 씨이랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 씨이랩 filed Critical (주) 씨이랩
Priority to KR1020160053062A priority Critical patent/KR101779797B1/ko
Application granted granted Critical
Publication of KR101779797B1 publication Critical patent/KR101779797B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Abstract

본 발명은, 제어 대상 공간에 대해 에너지 소비 요인(energy consumption factors)에 따른 오브젝트 상태를 정의하는 빅데이터(big data)를 구축하고, 이로부터 최적의 오브젝트 상태로 자기학습형 HAVC 에너지 관리를 제공함으로써 제어 대상 공간 및 주변 환경의 상태까지 반영한 최적의 HAVC 에너지 관리를 가능하게 하는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법에 관한 것이다.
본 발명은, 제어 대상 공간에 대해 에너지 소비 요인(energy consumption factors)에 따른 오브젝트 상태를 정의하는 빅데이터(big data)를 구축하고, 이로부터 최적의 오브젝트 상태로 자기학습형 HAVC 에너지 관리를 제공함으로써 제어 대상 공간 및 주변 환경의 상태까지 반영하고 타겟 오브젝트 상태(object state)에 성공적으로 도달한 오브젝트 상태(object state) 경로를 저장하고 참조함으로써 최적의 HAVC 에너지 관리의 효율을 증가시키는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법을 제공한다.

Description

빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법 {Self-learning HAVC energy management system using big data, and the operating method thereof}
본 발명은 HAVC 에너지 관리 시스템에 관한 것으로서 제어 대상 공간에 대해 에너지 소비 요인에 따른 오브젝트 상태를 정의하는 빅데이터(big data)를 구축하고, 이로부터 최적의 오브젝트 상태로 자기학습형 HAVC 에너지 관리를 제공함으로써 제어 대상 공간 및 주변 환경의 상태까지 반영하며 타겟 오브젝트 상태(object state)에 성공적으로 도달한 오브젝트 상태(object state) 경로를 저장하고 참조함으로써 최적의 HAVC 에너지 관리의 효율을 증가시키며 제어 대상 공간을 최적의 오브젝트 상태로 관리하는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법에 관한 기술이다.
본 발명에 관련된 배경 기술로서, 도면 제1도에 도시된 WO 2014172389호의 수요 반응 이벤트들 동안 HVAC 시스템 제어 기술이 있다. 이 기술은, 구조물과 연관된 지능형 네트워크-연결 써모스탯을 통해 수요 반응을 실행하기 위한 장치, 시스템들, 방법들 및 관련된 컴퓨터 프로그램 물건. 개시된 시스템들은 구조물에 로케이팅된 지능형 네트워크-연결 써모스탯과 동작하는 에너지 관리 시스템을 포함한다. 써모스탯은 HVAC 시스템을 제어하도록 동작가능하다. DR 이벤트 기간 동안의 제어는 HVAC 시스템의 최적의 제어 궤도에 기초하여 수행될 수 있고, 여기서 제어 궤도는, DR 이벤트 기간 동안의 총 에너지 소모를 나타내는 제 1 팩터, 거주자 불편의 메트릭을 나타내는 제 2 팩터, 및 DR 이벤트 기간에 걸친 에너지 소모율의 편차들을 나타내는 제 3 팩터의 결합을 포함하는 비용 함수와 제어 궤도가 최소화되는 특징이 있다.
본 발명에 관련된 다른 배경 기술로서, 도면 제2도에 도시된 미국 공개특허공보 US2013/0096723 A1호의 빌딩 및 캠퍼스의 에너지와 환경 관리 시스템과 그 방법 기술이 있다. 이 기술은, 에너지와 환경 관리를 위한 데이터를 하나 이상 외부로부터 제공받고 정보처리 시스템으로써 최적의 제어를 위한 시스템과 모델링 툴을 이용하여 정해진 정책에 따라 빌딩 및 캠퍼스의 에너지와 환경을 관리 하는 갓을 특징으로 한다.
본 발명은, 제어 대상 공간에 대해 에너지 소비 요인(energy consumption factors)에 따른 오브젝트 상태를 정의하는 빅데이터(big data)를 구축하고, 이로부터 최적의 오브젝트 상태로 자기학습형 HAVC 에너지 관리를 제공함으로써 제어 대상 공간 및 주변 환경의 상태까지 반영하고 타겟 오브젝트 상태(object state)에 성공적으로 도달한 오브젝트 상태(object state) 경로를 저장하고 참조함으로써 최적의 HAVC 에너지 관리의 효율을 증가시키는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법을 제공하는 것을 해결하고자 하는 과제로 한다.
상기의 과제를 해결하기 위해 본 발명은, 상기 에너지 관리서버(100)에 의해 구동되는 냉난방, 가습 및 제습 설비로써 관리되는 단위 공간인 제어 대상 공간으로부터 에너지 관리서버(100)가 에너지 소비 요인(energy consumption factors)을 오브젝트 상태(object state) 정보로 제공받고, 상기 에너지 소비 요인을 근거로 타겟 오브젝트 상태(object state)에 도달할 수 있는 단계별 오브젝트 상태(object state) 경로를 빅 데이터 구조의 오브젝트 상태(object state) 데이터베이스로부터 추출하여 에너지 소모를 최소로 할 수 있는 HAVC 관리를 수행하고 타겟 오브젝트 상태(object state)에 성공적으로 도달한 오브젝트 상태(object state) 경로를 저장하고 참조하여 성공률이 높은 오브젝트 상태(object state) 경로를 구축하도록 구성된 것을 특징으로 하는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템을 과제의 해결 수단으로 제공한다.
본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법에 의하면, 제어 대상 공간에 대해 에너지 소비 요인(energy consumption factors)에 따른 오브젝트 상태를 정의하는 빅데이터(big data)를 구축하며 타겟 오브젝트 상태(object state)에 성공적으로 도달한 오브젝트 상태(object state) 경로를 저장하고 참조함으로써 최적의 HAVC 에너지 관리의 효율을 증가시키는 자기학습형 HAVC 에너지 관리를 제공함으로써 제어 대상 공간 및 주변 환경의 상태까지 반영한 최적의 HAVC 에너지 관리를 가능하게 하는 기술적 효과를 제공한다.
도면 제1도는 배경기술로서 수요 반응 이벤트들 간의 HVAC 시스템 제어 기술
도면 제2도는 다른 배경 기술로서 빌딩 및 캠퍼스의 에너지와 환경 관리 시스템과 그 방법 기술
도면 제3도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법의 기본 작용
도면 제4도는 본 발명의 에너지 소비 요인(energy consumption factors)에 따른 에너지 관리서버의 냉난방, 가습 및 제습 제어 관계
도면 제5도는 본 발명의 오브젝트 상태(object state) 정보
도면 제6도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템에서 현재 오브젝트 상태(current object state)로부터 타겟 오브젝트 상태(target object state)로 제어되는 일실시예
도면 제7도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 작용
도면 제8도는 본 발명의 빅 데이터를 이 용한 자기학습형 HAVC 에너지 관리 시스템의 팩터 스페이스(factor space)
도면 제9도는 본 발명의 빅 데이터를 이용한 자 기학습형 HAVC 에너지 관리 시스템의 팩터 스페이스(factor space)에 대한 자기학습 작용
도면 제10도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템에 있어서 에너지 관리서버(100)의 구성
도면 제11도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동 방법의 흐름도
이하의 내용은 단지 본 발명의 원리를 예시한다. 이에 따라 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한, 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다. 예를 들어, 프로세서 또는 이와 유사한 개념으로 표시된 기능 블록을 포함하는 도면에 도시된 다양한 소자의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. '프로세서'에 의해 제공되는 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다. 또한, '프로세서'와 유사한 개념으로 제시되는 용어의 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니 되고, 제한 없이 디지털 신호 프로세서(DSP) 내지 마이크로프로세서 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지 관용의 다른 하드웨어도 포함될 수 있다.
상술한 목적, 특징 및 장점들은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 더욱 분명해 질 것이다. 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명한다.
본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법은 공간 내 HAVC(heating, ventilation, and air conditioning) 에너지 관리 기술에 모두 적용할 수 있으며, 이하에서는 본 발명의 특징적 구성을 명확히 하기 위해 빌딩 내 공간에 대한 HAVC 에너지 관리 기술을 예로 들어 설명한다.
HAVC(heating, ventilation, and air conditioning) 관리 시스템은 주어진 공간 내의 온도와 습도를 포함하는 환경을 제어한다.
만약 공간 내에서 온도만을 제어한다면 그 관리는 단순할 수 있다. 현재 실내의 온도가 목표 온도(target temperature)보다 낮다면 목표 온도에 도달할 때까지 히터를 가동하고, 실내의 온도가 목표 온도(target temperature)보다 높다면 목표 온도로 낮아질 때까지 냉방 장치를 가동하면 되기 때문이다. 그러나 공간 내 제어 대상이 온도와 습도를 포함하는 복수의 환경 변수라면 그 제어에 따른 에너지 관리가 필요하다.
예를 들어 현재 실내의 온도가 높고 습도가 낮아, 쾌적한 상태를 보장하는 목표값까지 온도를 하강시키고 습도를 상승시키는 관리가 필요하다면;
첫번째 방법으로서, 가습 장치를 가동하여 습도를 상승시키고 다음으로 냉방장치를 목표 온도에 도달하도록 가동하는 방법
두번째 방법으로서, 먼저 냉방장치를 목표 온도에 도달하도록 가동하고 이어서 가습/제습 장치를 가동하여 습도를 조절하는 방법
세번째 방법으로서, 냉방장치를 가동하고 목표 온도에 도달하기 전에 가습/제습 장치를 가동하여 목표 습도에 대해 실내의 습도를 조절하는 방법
을 고려할 수 있다.
첫번째 방법은 현재 실내의 높은 온도에서 습도가 먼저 조절되므로 냉방장치로써 목표 온도에 도달한 이후 실내의 상대 습도가 목표값보다 높아져 다시 제습 장치를 가동해야 할 수도 있다. 이에 대해 두번째 방법은 목표 온도에 도달한 이후 실내의 습도를 조절하므로 에너지의 소모를 줄일 수 있게 된다. 세번째 방법은 목표 온도에 도달하기 이전에 실내의 습도와 목표 습도와의 차이값만을 조절하므로 에너지의 세 방법 중 가장 적은 에너지로써 실내의 온도와 습도를 제어할 수 있게 된다.
네번째 대안으로서, 현재 실내의 온도와 습도보다도 건물 외부 공기의 온도와 습도가 쾌적한 상태를 보장하는 목표값에 근접한다면, 먼저 실내의 공기를 건물 외부 공기로 환기시키고 다음으로 냉난방 장치를 가동하고 이어서 가습/제습 장치로써 습도를 조절함으로써 상기의 세 방법보다도 더 적은 에너지로써 HAVC 관리를 달성할 수 있다.
이러한 HAVC 관리에 있어서, 온도와 습도를 포함하는 복수의 환경 변수를 각각 세분화하여 HAVC 관리를 수행하면 보다 효율적인 HAVC 에너지 관리가 가능하다. 본 발명은 최적의 에너지 관리를 수행하는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법을 제공한다.
도면 제3도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법의 기본 작용을 예시한다. 빌딩 내 관리 대상 공간(room)을 대상으로 하는 자기학습형 HAVC(heating, ventilation, and air conditioning) 에너지 관리 시스템을 예로 들면, 본 발명은 에너지 관리서버(100)가 관리 대상 빌딩으로부터 에너지 소비 요인(energy consumption factors)을 오브젝트 상태(object state) 정보로 제공받아 냉난방, 가습 및 제습 설비를 구동한다. 상기 관리 공간(room)은 에너지 관리서버(100)에 의해 구동되는 냉난방, 가습 및 제습 설비로써 관리되는 단위 공간을 의미하며, 상기 관리 공간(room)의 냉난방 설비는 환기의 기능도 제공할 수 있다. 이때 에너지 관리서버(100)는 상기 에너지 소비 요인을 근거로 타겟 오브젝트 상태(object state)에 도달할 수 있는 단계별 오브젝트 상태(object state) 경로를 빅 데이터 구조의 오브젝트 상태(object state) 데이터베이스로부터 추출하여 에너지 소모를 최소로 할 수 있는 HAVC 관리를 수행한다.
도면 제4도는 본 발명의 에너지 소비 요인(energy consumption factors)에 따른 에너지 관리서버(100)의 냉난방, 가습 및 제습 제어 관계를 도시한다. 에너지 관리서버(100)에 의해 구동되는 냉난방, 가습 및 제습 설비로써 관리되는 각각의 단위 공간인 관리 공간(room)은 에너지 소비 요인(energy consumption factors) 정보를 제공한다. 상기 에너지 소비 요인은, 점유요인(OF: occupational factor), 공간요인(SF: spatial factor), 지역요인(RF: regional factor). 기후요인(CF: climatic Factor)로 구분되며 관리 공간(room)으로부터 현재의 요인값(factor values)이 오브젝트 상태(object state) 정보로 제공된다. 에너지 관리서버(100)는 관리 공간(room)으로부터 제공되는 오브젝트 상태(object state) 정보를 근거로 관리 공간(room)에 대한 냉난방, 가습 및 제습 제어를 수행한다. 이때 냉난방 제어는 환기의 기능으로 제공될 수도 있다.
도면 제5도는 본 발명의 오브젝트 상태(object state) 정보를 도시한다. 본 발명의 오브젝트 상태(object state) 정보는, 관리 공간 ID(roomID), 관리 공간 명칭(roomName), 에너지 소비 요인(energy consumption factors)과 세부 변수(variables)를 포함한다. 상기 에너지 소비 요인은, 점유요인(OF: occupational factor), 공간요인(SF: spatial factor), 지역요인(RF: regional factor). 기후요인(CF: climatic factor)로 구분된다.
상기 에너지 소비 요인으로서 점유요인(OF: occupational factor), 공간요인(SF: spatial factor)은 관리 공간 내부로부터 제공되는 요인들이다.
점유요인(OF: occupational factor)은 0...9까지 10단계의 행동 인덱스로 구분되며, 상기 행동 인덱스는 관리 공간 내 위치한 사람들의 움직임에 따라 결정된다. 예를 들어 관리 공간이 사무공간일 경우 점유 요인은 낮은 단계의 행동 인덱스가 되고, 관리 공간이 실내 체육시설인 경우 높은 단계의 행동 인덱스가 된다. 상기 행동 인덱스는 관리 공간 내 위치한 사람들의 움직임을 감지하는 인체 적외선 센서로 감지되고 입력될 수 있다.
상기 에너지 소비 요인으로서 공간요인(SF: spatial factor)은, 사용율, 용적, 실내온도, 상대습도로 설정되며 0...9까지 10단계로 구분된다. 여기서 사용율은 관리 공간의 사용 빈도가 높을수록, 예를 들어 관리 공간이 병원이나 주거 환경인 경우 공간 용인은 높은 단계가 된다. 용적은 관리 공간의 체적(volume)으로서 관리 공간의 크기에 따라 미리 계산되어 제공될 수 있다. 실내온도와 상대습도는 관리 공간 내에 설치된 온도 센서와 습도 센서로부터 제공되며, 각각의 최대-최소값의 범위를 10단계로 구분하여 처리한다.
에너지 소비 요인으로서 지역요인(RF: regional factor)과 기후요인(CF: climatic factor)은, 관리 공간의 외부로부터 제공받는 요인들이다.
지역요인(RF: regional factor)은 관리 공간의 지리적 위치와 관리 공간 외부의 대기 품질로서 대기중 이산화탄소, 오존, 미세먼지(분진, 황사)의 물리량을 의미한다. 관리 공간의 지리적 위치는 0...99까지 100개의 지역으로 구분한다. 또한 대기중 이산화탄소, 오존, 미세먼지(분진, 황사)의 물리량은 각각 감지 수단으로써 제공하며 각각의 감지값은 0...9까지 10단계로 구분 처리된다.
기후요인(CF: climatic factor)은 캘린더 정보를 포함한다. 상기 캘린더 정보는 일주일 단위로 1년을 0...51의 값으로 표현하여 제공된다. 또한 상기 기후요인(CF)은, 관리 공간이 위치한 지역의 외기온도, 외기습도, 외기압, 강우, 강설, 안개, 풍속, 일조량의 정보가 각각 0...9까지 10단계로 구분 처리된다.
따라서 본 발명의 오브젝트 상태(object state) 정보는 관리 공간의 내부 및외부 상태를 표현하며, 상술한 에너지 소비 요인(energy consumption factors)과 세부 변수(variables)를 이용하면 임의의 공간에 대한 상태를 표현할 수 있다. 전술한 에너지 소비 요인들의 세부 변수를 고려하면 지역요인(RF: regional factor)에서 관리 공간의 지리적 위치 0...99, 기후요인(CF)의 캘린더 정보 0...51, 그리고 다른 16개의 세부 변수들은 0...9까지의 10단계 정보로 처리되므로 임의의 공간에 대한 오브젝트 상태(object state) 정보는 총 51 x 10exp(18) 가지의 오브젝트 상태를 정의하는 빅데이터(big data)가 된다.
도면 제6도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템에서 현재 오브젝트 상태(current object state)로부터 타겟 오브젝트 상태(target object state)로 제어되는 일실시예를 도시한다. 도시된 예는, 제어 대상 공간에 대해 현재 오브젝트 상태(currnet object state)로부터 타겟 오브젝트 상태(target object state)에 도달하는 다중의 경로를 HAVC 에너지 관리 시스템에서 독출하고 이로부터 최적의 제어 경로를 추출하여 자기학습형 HAVC를 수행하는 경로 상의 오브젝트 상태(object state)를 도시한다. 최적의 제어 경로 상에서 현재 오브젝트 상태로부터 터겟 오브젝트 상태로 제어가 진행될 때 0...9의 10단계로 감지되어 입력되는 제어 대상 공간의 실내온도는 7에서 5단계, 상대습도는 3에서 5단계로 제어될 수 있다. .
도면 제7도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 작용을 도시한다. 도면 제5도에서 설명한 바와 같이 본 발명에서 임의의 공간에 대한 오브젝트 상태(object state) 정보는 에너지 소비 요인(energy consumption factors)과 세부 변수(variables)로써 정의될 수 있다. 따라서 임의의 제어 대상 공간에 대해 자기학습형 HAVC 에너지 관리 시스템을 적용하면 현재 제어 대상 공간의 오브젝트 상태(object state)가 초기 상태(initial state)로 설정되고, 제어 대상 공간에 대해 목표로 하는 오브젝트 상태(object state)가 타겟 상태(target state)로 정의될 수 있다. 이를 근거로 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템은 도면 제5도의 총 51 x 10exp(18) 가지의 오브젝트 상태를 정의하는 빅데이터(big data)를 이용한다. 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템은 임의의 오브젝트 상태(object state)로부터 에너지 소비 요인들의 세부 변수들의 단계별로 복수의 오브젝트 상태(object state)를 거쳐 설정된 타겟 상태(target state)에 도달할 수 있으며 이러한 도달 경로는 에너지 소비 요인들의 세부 변수들의 단계와 처리 순서에 따라 다중의 경로로 존재한다.
또한 본 발명의 자기학습형 HAVC 에너지 관리 시스템은, 상기와 같은 오브젝트 상태를 정의하는 빅데이터(big data)를 이용하여 하나의 오브젝트 상태(object state)로부터 다음의 오브젝트 상태(object state)로 제어하기 위한 비용을 계산한다.
예를 들어 냉방 장치인 경우, 오브젝트 상태(object state) 정보에서 제어 대상 공간의 용적과 냉방 장치의 BTU(British termal unit) 및 기기의 전력값을 이용하여 하나의 오브젝트 상태(object state)로부터 다음의 오브젝트 상태(object state)에 도달하기까지 필요한 전력량이 계산될 수 있다. 난방장치 또한 제어 대상 공간의 용적과 난방 기기의 발열량을 이용하여 필요한 구동비용이 계산될 수 있다. 가습 제습 설비는 제어 대상 공간의 용적과 상대습도 정보를 이용하여 다음의 오브젝트 상태(object state)에 도달하기까지 필요한 전력량이 계산된다.
상기와 같은 오브젝트 상태(object state)간의 비용(cost)는, 하나의 오브젝트 상태(object state)로부터 다음의 오브젝트 상태(object state)로 제어하기 위한 가중치(weight)로 할당된다.
따라서 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템은, 현재 제어 대상 공간의 오브젝트 상태(object state)가 초기 상태(initial state)로 설정되고, 제어 대상 공간에 대해 목표로 하는 오브젝트 상태(object state)가 타겟 상태(target state)로 정의되면, 초기 상태(initial state)로부터 타겟 상태(target state)에 도달하는 단계별 오브젝트 상태(object state)들로써 구성되는 다중의 경로가 추출된다.
본 발명은 제어 대상 공간에 대해 초기 상태(initial state)로부터 타겟 상태(target state)에 도달하는 다중의 경로를 대상으로 최적 경로 검출 알고리듬을 적용하여 에너지 소비를 최적화시키는 제어 경로를 선택한다. 상기 에너지 소비를 최적화시키는 제어 경로를 검출하는 알고리듬은 다음과 같다.
초기 상태(initial state)로부터 타겟 상태(target state)에 도달하기까지 추출된 경로 상의 n 번째 오브젝트 상태(object state)에 있어서, 각각의 오브젝트 상태(object state)간 가중치 wi, 초기 상태(initial state)로부터 n번째 오브젝트 상태(object state)에 도달하기까지의 비용 g(n), n 번째 오브젝트 상태(object state)로부터 타겟 상태(target state)에 도달하기까지 예상되는 비용을 h(n)이라 하면, 타겟 상태(target state)에 도달하기까지 최적의 제어 경로는 다음의 함수 f(n)으로 도출된다.
Figure 112016041558891-pat00001
따라서 제어 대상 공간에 대해 초기 상태(initial state)로부터 타겟 상태(target state)에 도달하는 다중의 경로 각각에 대해 f(n)을 구하고 상기 f(n)이 최소값을 가지는 경로를 취하여 제어함으로써 최적의 에너지를 소비하는 자기학습형 HAVC 에너지 관리를 수행할 수 있다.
도면 제8도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 팩터 스페이스(factor space)를 도시한다. 도면 제5도와 제7도에서 설명한 바와 같이 본 발명의 오브젝트 상태(object state) 정보는 총 51 x 10exp(18) 개의 빅데이터(big data)가 되고, 제어 대상 공간에 대해 초기 상태(initial state)로부터 타겟 상태(target state)에 도달하는 경로는 다중으로 존재한다. 따라서 본 발명에서는 임의의 초기 상태(initial state)로부터 임의의 타겟 상태(target state)에 도달하는 제어 경로와 오브젝트 상태(object state)간 가중치를 미리 연산하여 HAVC 에너지 관리 시스템의 팩터 스페이스(factor space)로 구축한다. 상기 팩터 스페이스(factor space)는 HAVC 에너지 관리 시스템의 데이터베이스로 구축되며, 도시된 바와 같이 에너지 소비 요인으로서, 점유요인(OF), 공간요인(SF), 지역요인(RF). 기후요인(CF) 별로 구분하여 구축함으로써 시스템의 접근성을 개선할 수도 있다.
도면 제9도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 팩터 스페이스(factor space)에 대한 자기학습 작용을 도시한다. 본 발명의 오브젝트 상태(object state) 정보는 빅데이터(big data)가 되고, 제어 대상 공간에 대해 초기 상태(initial state)로부터 타겟 상태(target state)에 도달하는 경로는 다중으로 존재한다. 본 발명은 임의의 초기 상태(initial state)로부터 임의의 타겟 상태(target state)에 도달하는 제어 경로와 오브젝트 상태(object state)간 가중치를 미리 연산하여 HAVC 에너지 관리 시스템의 팩터 스페이스(factor space)로 구축하고, 제어 대상 공간에 대해 현재 오브젝트 상태(currnet object state)로부터 타겟 오브젝트 상태(target object state)에 도달하는 다중의 경로를 팩터 스페이스(factor space)로부터 독출하여 이로부터 최적의 제어 경로를 추출하고 자기학습형 HAVC 제어를 수행한다. 이때 팩터 스페이스(factor space)로부터 추출된 최적의 경로가 현재 오브젝트 상태(currnet object state)로부터 타겟 오브젝트 상태(target object state)까지 성공적으로 수행되는 경우, 상기 최적의 경로는 제어 대상 공간에 대한 제어 로그(control log) 정보로 저장되고 이후 최적 경로를 산출하는 데 우선적으로 참조되도록 한다. 이러한 과정을 통해 제어 대상 공간에 대한 제어 로그(control log) 정보가 누적됨에 따라 HAVC 에너지 관리 시스템이 참조할 수 있는 최적의 경로가 자기학습 방식으로 구축될 수 있다.
도면 제10도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템에 있어서 에너지 관리서버(100)의 구성을 도시한다. 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템에 있어서, 관리 대상 공간으로부터 에너지 소비 요인(energy consumption factors)을 제공받아 냉난방, 가습 및 제습 설비를 구동하는 에너지 관리서버(100);를 구비하고, 상기 에너지 관리서버(100)는; 자기학습형 HAVC 에너지 관리를 수행하는 프로세서(102); 상기 프로세서(102)에 접속되어 에너지 소비 요인 정보를 제공하는 에너지 소비 요인 입력모듈(104);과 상기 프로세서(102)에 접속되어 자기학습형 HAVC 에너지 관리 제어 출력을 제공하는 냉방제어 모듈(116a), 난방제어 모듈(116b), 가습제어 모듈(116c), 제습제어 모듈(116d); 관리 대상 공간의 초기 오브젝트 상태(initial object state)와 타겟 오브젝트 상태(target object state)별로 오브젝트 상태(object state)의 경로를 저장하는 팩터 스페이스 데이터베이스(108a: factor space database); 상기 팩터 스페이스 데이터베이스(108a)로부터 추출된 최적의 경로들 중 현재 오브젝트 상태(currnet object state)로부터 타겟 오브젝트 상태(target object state)까지 성공적으로 수행된 최적의 경로가 저장되는 제어로그 데이터베이스(108b); 상기 프로세서(102)에 접속되어 팩터 스페이스 데이터베이스(108)로부터 오브젝트 상태(object state)의 경로를 독출(read out)하고 제어로그 데이터베이스(108b)에 성공적으로 수행된 최적의 경로를 저장하는 데이터 베이스 관리 모듈(106); 관리 대상 공간에 대해 설정된 타겟 오브젝트 상태(target object state) 정보를 저장하는 타겟 오브젝트 상태 저장부(110); 오브젝트 상태(object state)의 경로상의 오브젝트 상태 간 비용을 연산하여 가중치로 제공하는 가중치 연산 유닛(112); 팩터 스페이스 데이터베이스(108)로부터 독출된 오브젝트 상태(object state)의 경로들 중 최적의 제어 경로를 저장하는 최적 제어경로 저장부(114);를 구비하여 구성된다.
상기 에너지 소비 요인 입력모듈(104)에 제공되는 에너지 소비 요인은, 점유요인(OF: occupational factor), 공간요인(SF: spatial factor), 지역요인(RF: regional factor). 기후요인(CF: climatic factor)로 구분되고, 상기 점유요인으로서 제어 대상 공간으로부터 감지 수단을 통해 0...9까지 10단계의 행동 인덱스가 제공되고; 상기 공간요인으로서 0...9까지 10단계로 각각 구분되는 사용율, 용적, 실내온도, 상대습도가 제어 대상 공간으로부터 감지 수단을 통해 제공되며; 지역요인은, 0...99까지 100개의 지역으로 구분되는 관리 공간의 지리적 위치 정보와 관리 공간 외부의 대기 품질로서 대기중 이산화탄소, 오존, 미세먼지(분진, 황사)의 물리량이 감지 수단을 통해 각각 0...9까지 10단계로 제공되고; 상기 기후요인은 일주일 단위로 1년을 0...51의 값으로 구분하는 캘린더 정보, 관리 공간이 위치한 지역의 외기온도, 외기습도, 외기압, 강우, 강설, 안개, 풍속, 일조량의 정보가 각각 0...9까지 10단계로 구분되어 제공된다.
도면 제11도는 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동 방법을 흐름도로 도시한 것이다. 이하 도면을 통해 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동 방법을 설명한다.
- S100 : 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동이 개시되는 단계;
- S110 : 제어 대상 공간에 대한 현재의 오브젝트 상태(cuerrent object state)와 타겟 오브젝트 상태(target object state) 정보가 에너지 관리서버(100)로 입력되는 단계;
- S120 : 에너지 관리서버(100)에 의해 입력된 현재의 오브젝트 상태가 타겟 오브젝트 상태인지를 판단하는 단계;
- S130 : 상기 단계 S120에서 현재의 오브젝트 상태가 타겟 오브젝트 상태가 아닌 경우, 에너지 관리서버(100)에 의해 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들을 제어 로그 데이터베이스(108b)로부터 독출하는 단계;
- S140 : 상기 단계 S130에서 제어 로그 데이터베이스(108b)로부터 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들이 독출되었는지 유부를 에너지 관리서버(100)가 판단하는 단계;
- S150 : 상기 단계 S140에서 제어 로그 데이터베이스(108b)로부터 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들이 독출되지 않은 경우, 팩터 스페이스 데이터베이스(108)로부터 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들을 독출하는 단계;
- S160 : 상기 단계 S150에서 팩터 스페이스 데이터베이스(108)로부터 독출된 복수 경로들 각각의 가중치를 이용하여 최적의 경로를 산출하는 단계;
- S170 : 상기 단계 S160에서 산출된 최적의 경로를 에너지 관리서버(100)에 저장하는 단계;
- S180 : 상기 저장된 최적의 경로를 참조하여 에너지 관리서버(100)가 현재의 오브젝트 상태로부터 최적의 경로 상의 다음번 오브젝트 상태로 제어출력을 제공하여 HAVC 제어를 수행하는 단계;
- S190 : 상기 단계 S180에서 HAVC 제어를 수행한 후 제어 대상 공간에 대한 현재의 오브젝트 상태를 에너지 관리서버(100)가 입력받는 단계;
- S200 : 상기 단계 S190에서 HAVC 제어를 수행한 제어 대상 공간의 오브젝트 상태가 최적의 경로 상의 다음번 오브젝트 상태인지 에너지 관리서버(100)가 판단하는 단계;
- S210 : 상기 단계 S200에서 제어 대상 공간의 오브젝트 상태가 최적의 경로 상의 다음번 오브젝트 상태이면, 상기 제어 대상 공간의 오브젝트 상태가 타겟 오브젝트 상태(target object state)인지 에너지 관리서버(100)가 판단하는 단계;
- S220 : 상기 단계 S210에서 제어 대상 공간의 오브젝트 상태가 타겟 오브젝트 상태(target object state)인 것으로 판단되는 경우 에너지 관리서버(100)는 최적의 경로 정보를 제어 로그 데이터베이스(108b)에 저장하는 단계;
- S230 : 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동 종료 요청이 입력되었는지 에너지 관리서버(100)가 판단하는 단계;
- S240 : 상기 단계 S230에서 구동 종료 요청이 입력된 것으로 판단되면 에너지 관리서버(100)는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동을 종료하는 단계;
로 구성된다.
===========================================================
- 상기 단계 S120에서, 에너지 관리서버(100)에 의해 입력된 현재의 오브젝트 상태가 타겟 오브젝트 상태인 것으로 판단되면 에너지 관리서버(100)는 상기 단계 S110을 반복 수행한다.
===========================================================
- 상기 단계 S140에서, 제어 로그 데이터베이스(108b)로부터 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들이 독출된 것으로 판단되면 에너지 관리서버(100)는 상기 S160 단계로 점프하여 독출된 복수의 경로들 중 최적의 경로를 산출한다.
===========================================================
- 상기 단계 S200에서 제어 대상 공간의 오브젝트 상태가 최적의 경로 상의 다음번 오브젝트 상태가 아닌 것으로 판단되면, 에너지 관리서버(100)는 S130으로 점프하여 새로운 최적 경로를 산출한다.
===========================================================
- 상기 단계 S210에서, 제어 대상 공간의 오브젝트 상태가 타겟 오브젝트 상태(target object state)가 아닌 것으로 판단되면 에너지 관리서버(100)는 단계 S180으로 점프하여 다음번 오브젝트 상태로 제어출력을 제공하여 HAVC 제어를 수행하도록 한다.
===========================================================
- 상기 단계 S230에서, 구동 종료 요청이 입력되지 않은 경우 에너지 관리서버(100)는 단계 S110으로 점프하여 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리를 계속 수행한다.
===========================================================
이상과 같이 설명된 본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법에 의하면, 제어 대상 공간에 대해 에너지 소비 요인(energy consumption factors)에 따른 오브젝트 상태를 정의하는 빅데이터(big data)를 구축하고, 이로부터 최적의 오브젝트 상태로 자기학습형 HAVC 에너지 관리를 제공함으로써 제어 대상 공간 및 주변 환경의 상태까지 반영하며 타겟 오브젝트 상태(object state)에 성공적으로 도달한 오브젝트 상태(object state) 경로를 저장하고 참조함으로써 최적의 HAVC 에너지 관리의 효율을 증가시킨다.
본 발명의 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템 및 그 구동 방법은, 비록 한정된 실시 예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
100 : 에너지 관리서버 102 : 프로세서
104a : 점유요인 입력모듈 104b : 공간요인 입력모듈
104c : 지역요인 입력모듈 104d : 기후요인 입력모듈
106 : 검색모듈 108 : 팩터 스페이스 데이터베이스
110 : 타겟 오브젝트 상태 저장부 112 : 가중치 연산 유닛
114 :최적 제어경로 저장부 116a : 냉방제어 모듈
116b : 난방제어 모듈 116c : 가습제어 모듈
116d : 제습제어 모듈

Claims (11)

  1. HAVC 에너지 관리를 수행하는 프로세서(102)와, 상기 프로세서(102)에 접속되어 에너지 관리 제어 출력을 제공하는 냉방제어 모듈(116a), 난방제어 모듈(116b), 가습제어 모듈(116c), 제습제어 모듈(116d)을 구비한 에너지 관리서버(100)로 구성된, 빅 데이터를 이용한 자기학습형 HAVC(heating, ventilation, and air conditioning) 에너지 관리 시스템에 있어서,

    상기 프로세서(102)에 접속되어,
    관리 공간 내 위치한 사람들의 움직임에 따라 결정되는 0...9까지 10단계의 행동 인덱스인 점유요인(OF: occupational factor)과,
    제어 대상 공간의 사용율, 용적, 실내온도, 상대습도로 설정되며 0...9까지 10단계로 제공되는 공간요인(SF: spatial factor),
    일주일 단위로 1년을 0...51의 값으로 표현하는 캘린더 정보와, 관리 대상 공간이 위치한 지역의 외기온도, 외기습도, 외기압, 강우, 강설, 안개, 풍속, 일조량의 정보가 각각 0...9까지 10단계로 구분되어 제공되는 기후요인(CF: climatic factor)을 포함하는 에너지 소비 요인 정보를 제공하는 에너지 소비 요인 입력모듈(104);과,

    상기 에너지 소비 요인 정보에 따라 관리 대상 공간의 초기 오브젝트 상태(ini tial object state)와 타겟 오브젝트 상태(target object state)별로 오브젝트 상태(object state)의 단계별 경로를 저장하는 팩터 스페이스 데이터베이스(108a: factor space database);

    상기 팩터 스페이스 데이터베이스(10 8a)로부터 추출된 최적의 경로들 중 현재 오브젝트 상태(currnet object state)로부터 타겟 오브젝트 상태( target object state)까지 성공적으로 수행된 최적의 경로가 저장되는 제어로그 데이터베이스(108b);

    상기 프로세서(102)에 접속되어 팩터 스페이스 데이터베이스(108)로부터 오브젝트 상태(object state)의 경로를 독출(read out)하고 제어로그 데이터베이스(108b)에 성공적으로 수행된 최적의 경로를 저장하는 데이터 베이스 관리 모듈(106); 관리 대상 공간에 대해 설정된 타겟 오브젝트 상태(target object state) 정보를 저장하 는 타겟 오브젝트 상태 저장부(110);

    오브젝트 상태(object state)의 경로상의 오브젝트 상태 간 비용을 연산하여 가중치로 제공하는 가중치 연산 유닛(112);

    팩터 스페이스 데이터베이스(108)로부터 독출된 오브젝트 상태(object state)의 경로들 중 최적의 제어 경로를 저장하는 최적 제어경로 저장부(114);

    를 구비하여 구성된 것을 특징으로 하는 빅 데이터를 이용한 자기학습형 HAVC(heating, ventilation, and air conditioning) 에너지 관리 시스템
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. HAVC 에너지 관리를 수행하는 프로세서(102)와, 상기 프로세서(102)에 접속되어 에너지 관리 제어 출력을 제공하는 냉방제어 모듈(116a), 난방제어 모듈(116b), 가습제어 모듈(116c), 제습제어 모듈(116d)을 구비한 에너지 관리서버(100)로 구성된, 빅 데이터를 이용한 자기학습형 HAVC(heating, ventilation, and air conditioning) 에너지 관리 시스템의 구동 방법에 있어서,

    - S100 : 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동이 개시되는 단계;
    - S110 : 제어 대상 공간에 대해, 점유요인(OF: occupational factor), 공간요인(SF: spatial factor), 기후요인(CF: climatic factor)을 포함하는 에너지 소비 요인 정보에 따라 각각 결정되는 현재의 오브젝트 상태(cuerrent object state)와 타겟 오브젝트 상태(target object state) 정보가 에너지 관리서버(100)로 입력되는 단계;
    - S120 : 에너지 관리서버(100)에 의해 입력된 현재의 오브젝트 상태가 타겟 오브젝트 상태인지를 판단하고 에너지 관리서버 (100)에 의해 입력된 현재의 오브젝트 상태가 타겟 오브젝트 상태인 것으로 판단되면 상기 에너지 관리서버(100) 가 상기 단계 S110을 반복 수행하는 단계;
    - S130 : 상기 단계 S120에서 현재의 오브젝트 상태가 타겟 오브젝트 상태가 아닌 경우, 에너지 관리서버(100)에 의해 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들을 제어 로그 데이 터베이스(108b)로부터 독출하는 단계;
    - S140 : 상기 단계 S130에서 제어 로그 데이터베이스(108b)로부 터 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들이 독출되었는지 유부를 에너지 관리 서버(100)가 판단하고, 제어 로그 데이터베이스(108b)로부터 현재의 오브젝트 상태로부터 타겟 오브젝트 상 태까지의 복수 경로들이 독출된 것으로 판단되면 에너지 관리서버(100)는 S160 단계로 점프하여 독출된 복수의 경로들 중 최적의 경로를 산출하는 단계;
    - S150 : 상기 단계 S140에서 제어 로그 데이터베이스(108b)로부터 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들이 독출되지 않은 경우, 팩터 스페이스 데이터베 이스(108)로부터 현재의 오브젝트 상태로부터 타겟 오브젝트 상태까지의 복수 경로들을 독출하는 단계;
    - S160 : 상기 단계 S150에서 팩터 스페이스 데이터베이스(108)로부터 독출된 복수 경로들 각각의 가중치를 이용하여 최적의 경로를 산출하는 단계;
    - S170 : 상기 단계 S160에서 산출된 최적의 경로를 에너지 관리서버(100)에 저장하는 단계;
    - S180 : 상기 저장된 최적의 경로를 참조하여 에너지 관리서버(100)가 현재의 오브젝트 상태로부터 최적의 경로 상의 다음번 오브젝트 상태로 제어출력을 제공하여 HAVC 제어를 수 행하는 단계;
    - S190 : 상기 단계 S180에서 HAVC 제어를 수행한 후 제어 대상 공간에 대한 현재의 오브 젝트 상태를 에너지 관리서버(100)가 입력받는 단계;
    - S200 : 상기 단계 S190에서 HAVC 제어를 수행한 제어 대상 공간의 오브젝트 상태가 최적의 경로 상의 다음번 오브젝트 상태인지 에너지 관리서버(100)가 판 단하고, 제어 대상 공간의 오브젝트 상태가 최적의 경로 상의 다음번 오브젝트 상태가 아닌 것으로 판단되면, 에너지 관리서버(100)는 S130으로 점프하여 새로운 최적 경로를 산출하는 단계;
    - S210 : 상기 단계 S200에서 제어 대상 공간의 오브젝트 상태가 최적의 경로 상의 다음번 오브젝트 상태이면, 상기 제어 대상 공간의 오브젝트 상태가 타겟 오브젝트 상태(target object state)인지 에너지 관리서버(100)가 판단하고, 제어 대상 공간의 오브젝트 상태가 타겟 오브젝트 상태(target object state)가 아닌 것으로 판단되면 에너지 관리서버(100)는 단계 S180으로 점프하여 다음번 오브젝트 상태로 제어출력을 제공하여 HAVC 제어를 수행하는 단계;
    - S220 : 상기 단계 S210에서 제어 대상 공간의 오브젝트 상태 가 타겟 오브젝트 상태(target object state)인 것으로 판단되는 경우 에너지 관리서버(100)는 최적의 경로 정보를 제어 로그 데이터베이스(108b)에 저장하는 단계;
    - S230 : 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동 종료 요청이 입력되었는지 에너지 관리서버(100)가 판단하고, 구동 종료 요청이 입력되지 않은 경우 에너지 관리서버(100)는 단계 S110으로 점프하여 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리를 계속 수행하는 단계;
    - S240 : 상기 단계 S230에서 구동 종료 요청이 입력된 것으로 판단되면 에너지 관리서버(100)는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동을 종료하는 단계;
    로 구성된 것을 특징으로 하는 빅 데이터를 이용한 자기학습형 HAVC 에너지 관리 시스템의 구동 방법
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
KR1020160053062A 2016-04-29 2016-04-29 빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법 KR101779797B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160053062A KR101779797B1 (ko) 2016-04-29 2016-04-29 빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160053062A KR101779797B1 (ko) 2016-04-29 2016-04-29 빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법

Publications (1)

Publication Number Publication Date
KR101779797B1 true KR101779797B1 (ko) 2017-09-19

Family

ID=60033567

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160053062A KR101779797B1 (ko) 2016-04-29 2016-04-29 빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법

Country Status (1)

Country Link
KR (1) KR101779797B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190140810A (ko) 2018-05-22 2019-12-20 주식회사 석영시스템즈 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
KR20200017604A (ko) 2018-08-02 2020-02-19 한국에너지기술연구원 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템
KR20200034023A (ko) * 2018-09-12 2020-03-31 주식회사 석영시스템즈 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190140810A (ko) 2018-05-22 2019-12-20 주식회사 석영시스템즈 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
KR20200017604A (ko) 2018-08-02 2020-02-19 한국에너지기술연구원 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템
KR20200034023A (ko) * 2018-09-12 2020-03-31 주식회사 석영시스템즈 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법
KR102198817B1 (ko) 2018-09-12 2021-01-05 주식회사 석영시스템즈 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법

Similar Documents

Publication Publication Date Title
US10584892B2 (en) Air-conditioning control method, air-conditioning control apparatus, and storage medium
US20200257257A1 (en) Apparatus and method for controlling comfort temperature of air conditioning device or air conditioning system
US10935270B2 (en) Electronic device and air-conditioning control method therefor
CN107355941B (zh) 空调控制方法及装置
EP3186687B1 (en) Hvac control system and methods for operating same
CN108302719B (zh) 多联机空调系统的控制方法、装置、系统和存储介质
CN110726217B (zh) 空调器的控制方法及装置
CN110701750B (zh) 运行控制方法、运行控制装置、空调器和存储介质
KR101779797B1 (ko) 빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법
EP2647921A1 (en) HVAC controller for setting a setback value as a function from a recovery time
US20210254851A1 (en) Air conditioning control device and air conditioning control method
KR101261198B1 (ko) 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 실내온도 하강 제어방법
CN109140660A (zh) 用于空调的智能控温装置方法及装置、空调、存储介质
KR20170109794A (ko) 중소형 건물에서 실시간 실내 온도 부하를 통한 공조기기의 쾌적 및 에너지 절감 운영 방법
US10496057B2 (en) HVAC system, a method for operating the HVAC system and a HVAC controller configured for the same
CN113934152A (zh) 一种设备控制方法和装置、电子设备和存储介质
CN114838470A (zh) 一种暖通空调的控制方法和系统
WO2011147297A1 (en) Methods for energy saving on electrical systems using habit oriented control
CN111256325A (zh) 温度控制方法、空气调节设备及控制设备和存储介质
CN110762735B (zh) 控制空调设备的方法及装置
JP6259597B2 (ja) 空調システム及び空調方法
CN105241001A (zh) 一种参数调整方法及空调
CN111442498A (zh) 空气调节设备及其控制方法、装置、电子设备
KR101779804B1 (ko) 빅 데이터를 이용한 적응형 havc 에너지 관리 시스템 및 그 구동 방법
JPWO2017029722A1 (ja) コントローラ、機器制御方法、及び、プログラム

Legal Events

Date Code Title Description
GRNT Written decision to grant