KR101875488B1 - 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법 - Google Patents

인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법 Download PDF

Info

Publication number
KR101875488B1
KR101875488B1 KR1020180033085A KR20180033085A KR101875488B1 KR 101875488 B1 KR101875488 B1 KR 101875488B1 KR 1020180033085 A KR1020180033085 A KR 1020180033085A KR 20180033085 A KR20180033085 A KR 20180033085A KR 101875488 B1 KR101875488 B1 KR 101875488B1
Authority
KR
South Korea
Prior art keywords
humidity
data
temperature
cooling system
air
Prior art date
Application number
KR1020180033085A
Other languages
English (en)
Inventor
윤홍익
Original Assignee
윤홍익
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 윤홍익 filed Critical 윤홍익
Priority to KR1020180033085A priority Critical patent/KR101875488B1/ko
Application granted granted Critical
Publication of KR101875488B1 publication Critical patent/KR101875488B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/64—Airborne particle content
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.
본 발명은 냉방부하 예측을 통해 냉방 시스템을 자동으로 제어하는 장치 및 방법을 제공함에 목적이 있으며, 특히, 공조 영역의 온도, 습도, 엔탈피 등의 외기 상태를 예측하고, 외기 상태와 건물의 특성치를 이용하여 익일의 시간대별 냉방부하 및 온도, 습도, 이산화탄소 농도, 대기 오염도 등을 예측하며, 예측된 값에 기초하여 냉방 시스템을 자동으로 제어할 수 있는 장치 및 그 방법을 제공함에 있다.

Description

인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법{METHOD AND SYSTEM FOR AUTOMATIC CONTROLLING OF AIR CONDITIONER BY USING AN ARTIFICIAL INTELLIGENCE}
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 일 개시에 의하여 본 발명은 공기조화시스템의 최적제어 방법에 관한 것으로, 더욱 상세하게는 건물의 시간별 냉난방부하를 사전에 예측하고, 이 예측된 냉난방부하를 바탕으로 시간별, 계절별로 다른 에너지 요금과 열원별로 달라지는 기기의 성능 등을 고려하여 공기 조화시스템을 숙련된 운전자 없이도 가장 효율적이며 경제적으로 무인 운전할 수 있도록 하는 공기조화시스템의 무인 최적 제어 방법에 관한 것이다.
최근 들어 스마트그리드(smart grid)가 화두가 되고 있다. 스마트그리드의 본래 개념은 발전-송전, 배전-판매의 단계로 이루어지던 기존의 단방향 전력망에 정보기술을 접목하여 전력 공급자와 소비자가 양방향으로 정보를 교환함으로써 에너지 효율을 최적화하는 기술을 가리킨다. 발전소와 송전, 배전 시설과 전력 소비자를 정보통신망으로 연결하고 양방향으로 공유하는 정보를 통하여 전력시스템 전체를 효율적으로 작동시키려는 것이다.
스마트그리드를 통해 구현하려는 최종 목적은 결국 전력소비를 합리화 내지는 최적화하는 것이다. 전통적인 화석 에너지가 고갈되어 감에 따라 전력사용을 모니터링 및 통제하려는 것인데, 스마트그리드를 어떻게 구현할 것인지에 관하여 여러가지 아이디어가 나오고 있다. 스마트그리드를 통해 구현하려는 최종 목적이 전력소비를 최적화하는 것인 이상, 전력소비자, 예컨대 가정이나 사무실, 공장에서 전력사용을 줄이거나 나아가 자연에너지를 적극적으로 활용하지 않는다면 그 효과는 반감될 수밖에 없다. 따라서, 본 발명에서는 스마트그리드의 핵심요체는 전력절감으로 본다.
전력사용이 가장 많은 계절은 여름과 겨울이므로, 이 때의 전력사용을 절감해야 한다. 여름과 겨울의 전력사용이 증가하는 요인은 전기를 이용하는 냉난방기기인 에어컨과 난방기이다. 지금까지는 냉난방 기기의 소비효율을 높이는 것에 주력하였으나, 이들 냉난방 기기가 작동하는 주변 환경을 개선함으로써 냉난방의 필요성을 감소시키는 것이 더욱 효과적이다.
겨울을 예로 들어 설명한다(여름은 정 반대이다). 가정이나 사무실에서 외부와 열을 가장 많이 교환하는 부분은 윈도우(window)이며, 그에 따라 블라인드(커튼)을 설치하여 열이 빠져나가는 것을 방지하려고 한다. 블라인드로 윈도우를 가려줌으로써 윈도우를 통해 열을 뺏기는 것을 방지하고, 이를 통해 실내 온도를 최대한 유지하여 난방부담을 줄이려는 것이다.
하지만 겨울이라도 날씨가 좋은 때에는 오히려 블라인드를 오픈하는 것이 바람직하다. 햇빛이 윈도우를 통해 실내로 들어와서 실내 온도를 올려주기 때문에 블라인드를 오픈하는 것이 실질적으로는 이익이 된다. 반대로, 날씨가 흐리거나 눈이 오는 경우, 또는 햇빛이 좋더라도 외부 온도가 너무 낮은 경우에는 블라인드를 클로즈하는 것이 이익이 되며, 일몰 이후의 저녁시간에는 반드시 블라인드를 클로즈하는 것이 바람직하다.
하지만 날씨가 시시각각으로 변동하기에 냉난방 시스템을 시동시킬지, 어느정도로 가동 시킬지를 그때그때 판단해야 하였으며, 그에 따라 지금까지는 사람이 판단하여 수동으로 냉 난방 시스템을 작동시켰다. 하지만, 사람이 하기에는 매우 번거로운 일이고 사무실이나 공장에서는 작업 집중도를 떨어뜨리며, 특히 사무실이나 공장에 사람이 없을 때에는 이를 관리할 방법이 전혀 없다.
따라서, 기온, 습도, 대기 오염도 등에 따라서 최적으로 공조 시스템을 관리하고자 하는 사용자들의 니즈가 증가하게 되었다.
(선행문헌 1) 일본 등록특허공보 제 3783859호 (2006년 03월 24일 등록) (선행문헌 2) 대한민국 특허공개공보 제 10-2015-0027500호 (2015년 09월 18일 공개)
일 실시예에 의하여, 인공지능 학습 모델을 이용하여 인터넷을 통해 외부 서버로부터 기상 상태에 관련된 정보(예: 외부 온도, 일광정보, 황사 정보, 날씨 정보)를 제공받고 이를 분석함으로써 냉 난방 시스템을 자동으로 제어하여 실내 온도를 양호하게 유지하는 기술을 제공하는 것이 본 발명의 목적이다.
일 실시예에 의하여, 냉방부하 예측을 통해 냉방 시스템을 자동으로 제어하는 방법을 제공할 수 있으며, 본 방법은 기상청 서버로부터 익일의 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도를 포함하는 기상 데이터를 획득하는 단계, 공조 대상 영역의 온도, 습도, CO2농도 및 미세먼지 농도를 포함하는 공조 대상 영역의 컨디션을 일정 시간 간격으로 측정하는 단계, 공조 대상 영역의 온도와 기상 데이터의 온도 데이터를 비교하여 온도 비교값을 산출하고, 온도 비교값과 미리 설정된 표준 온도를 비교하여 제 1 제어값을 결정하는 단계, 공조 대상 영역의 습도와 기상 데이터의 습도 데이터를 비교하여 습도 비교값을 산출하고, 습도 비교값과 미리 설정됨 표준 습도를 비교하여 제 2 제어값을 결정하는 단계, 공조 대상 영역의 CO2 농도와 미리 설정된 표준 CO2 농도 범위를 비교하여 CO2 농도 비교값을 산출하고, CO2농도 비교값에 따라 제 3 제어값을 결정하는 단계, 공조 대상 영역의 미세먼지 농도와 기상 데이터의 황사량, 분진량 및 대기 미세먼지 농도를 비교하여 실내오염 지수를 산출하고, 실내오염 지수에 따라 제 4 제어값을 결정하는 단계, 공존 대상 영역에 연결된 냉방 시스템의 요구 열량과 운전 스케줄을 측정하여 냉방 시스템에 연결된 공급 시스템의 공급열량과 냉방부하를 예측하고, 냉방 부하를 기준으로 시간별, 계절별로 다른 에너지 요금, 운전조건 및 외기상태에 따라 달라지는 공급 시스템의 공급열량과 운전스케줄을 고려하여 제 5 제어값을 결정하는 단계, 제 1 제어값, 제 2 제어값, 제 3 제어값, 제 4 제어값 및 제 5 제어값을 종합하여 냉방 시스템을 제어하는 제어 신호를 생성하는 단계, 제어 신호에 따라 냉방 시스템의 운행을 제어하고, 냉방 시스템의 운행에 따른 시간별 전력량을 측정하는 단계 및 시간별 전력량에 기초하여, 시간대 별로 냉방 시스템의 운행모드를 결정하고, 시간대 별 운행모드에 따라 냉방 시스템의 운행을 자동으로 제어하는 단계를 포함할 수 있다.
일 실시예에 의하여, 다양한 냉방 시스템의 보급 확대에 따라 효율적인 냉방 시스템의 제어가 가능해질 수 있다.
일 실시예에 의하여, 운전자의 경험에 의존하지 않는 자동제어가 가능하게 되면서 에너지 사용 비용의 경제적 절약 효과가 발생할 수 있다.
일 실시예에 의하여, 익일 시간대별 온도, 습도, 일사량 등의 외기 상태를 예측함으로써 익일 시간대별 건물의 냉방부하를 예측할 수 있다. 또한, 예측된 냉방부하, 에너지 원단위, 기기의 특성을 고려하여 냉방 시스템을 최적으로 자동제어할 수 있다.
일 실시예에 의하여, 전력사용량의 예측 및 분산에 의하여 전력피크를 제어할 수 있어, 전력 사용에 대한 계획을 효율적으로 세울 수 있다.
일 실시예에 의하여, 황사, 분진 등의 공기 정화에 따라 냉방 시스템을 제어할 수 있는 바, 다양한 환경에 맞추어 냉방 시스템을 모니터링 할 수 있다.
일 실시예에 의하여, 인공지능 학습 모델을 이용하여 방대한 데이터를 활용하여 최적의 공조시스템 환경을 제공할 수 있다.
도 1은 본 발명의 일 실시예예 의하여 냉방부하 예측을 이용하여 냉방 시스템을 자동으로 제어하는 장치를 개괄적으로 설명하기 위한 도면이다.
도 2는 일 실시예에 의하여, 냉방부하 예측을 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 연결 시스템의 기능적 블록도이다.
도 3은 일 실시예에 의하여, 냉방 시스템을 자동으로 제어하는 방법에 대한 흐름도이다.
도 4는 일 실시예에 의하여 창호의 총합열전달계수의 변화에 따른 전열특성계수의 변화를 나타낸 그래프이다.
도 5는 일 실시예에 의하여 벽체의 총합열전달계수의 변화에 따른 전열특성계수의 변화를 나타낸 그래프이다.
도 6는 인공 뉴럴 네트워크(Artificial Neural Network)를 이용한 딥 러닝 딥 러닝 연산에서 입력으로 제공되는 입력 특징 맵의 데이터와 필터(110-1 내지 110-n)를 도식화한 도면이다.
하기의 설명 및 첨부된 도면은 본 발명에 따른 동작을 이해하기 위한 것이며, 본 기술 분야의 통상의 기술자가 용이하게 구현할 수 있는 부분은 생략될 수 있다.
또한, 본 명세서 및 도면은 본 발명을 제한하기 위한 목적으로 제공된 것은 아니고, 본 발명의 범위는 청구의 범위에 의하여 정해져야 한다. 본 명세서에서 사용된 용어들은 본 발명을 가장 적절하게 표현할 수 있도록 본 발명의 기술적 사상에 부제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 실시 예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예예 의하여 냉방부하 예측을 이용하여 냉방 시스템을 자동으로 제어하는 장치를 개괄적으로 설명하기 위한 도면이다.
일 실시예에 의하여 냉방부하 예측을 이용하여 냉방 시스템을 자동으로 제어하는 장치(100)는 운전자의 경험에 의존하지 않고 최소의 운전비용으로 효율적인 냉방 시스템 제어를 수행할 수 있다. 또한, 냉방 시스템을 자동으로 제어하는 장치(100)는 예측된 냉방부하, 에너지 원단위, 기기의 특성, 기상청의 예보, 현재 공조 영역의 상황, 전력 상태를 예측함으로써 냉방 시스템을 제어할 수 있다.
냉방 시스템을 자동으로 제어하는 장치(100)는 빌딩의 설비, 전력, 조명, 출입, 환경, 방재 등을 모니터링함으로써 빌딩의 설비를 자동으로 제어할 수 있다. 이하에서 다른 도면을 이용하여 자세히 설명하도록 한다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
통신 기술의 발달에 따라 사람들과 교류할 수 있는 다양한 기능들이 사용자 단말에 제공되면서 음성통화, 문자 등을 위한 연락처 뿐 아니라 메신저, 이메일, SNS(Social Network Service) 등의 통신을 위한 연락처도 증가하였다.
이러한 다양한 종류의 통신 채널들에 따른 수많은 연락처를 일일이 기억하는 것은 무리이며, 사용자 편의를 위해 각 통신 채널 프로그램들은 다양한 방법으로 연락처를 추천하는 기능을 제공하고 있다. 그러나, 기존의 연락처 추천 방법은 대부분 통화 횟수 및 통화 시간에 따라 연락처를 단순 추천하는 경우가 대부분이었으며, 이에 따라 사용자의 컨텍스트에 따른 세분화된 연락처 추천의 필요성이 증가하였다.
도 2는 일 실시예에 의하여, 냉방부하 예측을 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 연결 시스템의 기능적 블록도이다.
일 실시예에 의하여, 본 발명은 냉방부하 예측을 통해 냉방 시스템을 자동으로 제어하는 장치(100)를 제공할 수 있으며, 본 장치는 기상청 서버(200)로부터 네트워크(250)를 통해 익일의 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도를 포함하는 기상 데이터를 수신하는 기상 데이터 수신부(110), 공조 대상 영역의 온도, 습도, CO2농도 및 미세먼지 농도를 포함하는 공조 대상 영역의 컨디션을 일정 시간 간격으로 측정하는 센싱부(120), 공조 대상 영역의 온도와 기상 데이터의 온도 데이터를 비교하여 온도 비교값을 산출하고, 온도 비교값과 미리 설정된 표준 온도를 비교하여 제 1 제어값을 결정하는 제 1 제어부(130), 공조 대상 영역의 습도와 기상 데이터의 습도 데이터를 비교하여 습도 비교값을 산출하고, 습도 비교값과 미리 설정됨 표준 습도를 비교하여 제 2 제어값을 결정하는 제 2 제어부(140), 공조 대상 영역의 CO2 농도와 미리 설정된 표준 CO2 농도 범위를 비교하여 CO2 농도 비교값을 산출하고, CO2농도 비교값에 따라 제 3 제어값을 결정하는 제 3 제어부(150), 공조 대상 영역의 미세먼지 농도와 기상 데이터의 황사량, 분진량 및 대기 미세먼지 농도를 비교하여 실내오염 지수를 산출하고, 실내오염 지수에 따라 제 4 제어값을 결정하는 제 4 제어부(160), 공존 대상 영역에 연결된 냉방 시스템의 요구 열량과 운전 스케줄을 측정하여 냉방 시스템에 연결된 공급 시스템의 공급열량과 냉방부하를 예측하고, 냉방 부하를 기준으로 시간별, 계절별로 다른 에너지 요금, 운전조건 및 외기상태에 따라 달라지는 공급 시스템의 공급열량과 운전스케줄을 고려하여 제 5 제어값을 결정하는 제 5 제어부(170) 및 제 1 제어값, 제 2 제어값, 제 3 제어값, 제 4 제어값 및 제 5 제어값을 종합하여 냉방 시스템을 제어하는 제어 신호를 생성하고, 제어 신호에 따라 냉방 시스템(300)의 운행을 제어하고, 냉방 시스템의 운행에 따른 시간별 전력량을 측정하고, 시간별 전력량에 기초하여, 시간대 별로 냉방 시스템의 운행모드를 결정하고, 시간대 별 운행모드에 따라 냉방 시스템의 운행을 자동으로 제어하는 중앙 제어부(180)를 포함하는 것을 특징으로 할 수 있다.
일 실시예예 의하여 냉방 시스템(300)은 공조기, 냉동기, 에어컨 등 공조 대상 영역의 냉온도 조절, 공기 정화조절, 산소 농도 조절 등을 담당하는 기기등을 포함할 수 있다. 이에 한정되지 않는다.
일 실시예에 따른 네트워크(250)는 무선 랜(LAN), 와이파이(Wi-Fi), 3G, 4G, 와이맥스, 와이브로(WiBro), 무선 메시 네트워크, UWB(Ultra wide Band), 지그비, HSDPA(High Speed Downlink Packet Access) 등의 특정 무선통신 규격에 의한 네트워크망에 제한되지 않는다.
기상청 서버(200)는 매일 정해진 시기에 따라 측정되는 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도 등을 포함하는 기상 데이터를 측정할 수 있다. 기상청 서버(200)는 미리 결정된 시기에 따라 측정된 기상 데이터를 냉방 시스템을 자동으로 제어하는 장치(100)에 제공할 수 있다. 기상청 서버(200)는 특정한 지역, 특정한 시간대의 기상 데이터를 냉방 시스템을 자동으로 제어하는 장치(100)에 제공할 수 있다.
도 3은 일 실시예에 의하여, 냉방 시스템을 자동으로 제어하는 방법에 대한 흐름도이다.
일 개시에 의하여 시스톨릭 배열을 이용하여 입력 특징 맵의 데이터와 필터의 웨이트 값의 컨볼루션 연산을 수행하는 프로세서를 포함하는, 인공지능(Artificial Intelligence, AI) 시스템을 이용하여 냉방 시스템을 자동으로 제어하는 방법을 제공할 수 있다.
단계 S301에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 기상청 서버로부터 익일의 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도를 포함하는 기상 데이터를 획득할 수 있다.
단계 S302에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 공조 대상 영역의 온도, 습도, CO2농도 및 미세먼지 농도를 포함하는 공조 대상 영역의 컨디션을 일정 시간 간격으로 측정할 수 있다. 냉방 시스템을 자동으로 제어하는 장치는 덕트용 온도 검출기, 덕트용 온습도 검출기, 실간 차압지시계, 실내용 온습도 검출기, 배관용 온도 검출기 및 CO2 검출 센서 등을 사용하여 공조 대상 영역의 컨디션을 측정할 수 있다.
단계 S303에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 공조 대상 영역의 온도와 기상 데이터의 온도 데이터를 비교하여 온도 비교값을 산출하고, 온도 비교값과 미리 설정된 표준 온도를 비교하되, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 1 학습모델로부터 공조 대상 영역의 적정 온도로서 제 1 제어값을 획득할 수 있다.
단계 S304에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 공조 대상 영역의 습도와 기상 데이터의 습도 데이터를 비교하여 습도 비교값을 산출하고, 습도 비교값과 미리 설정된 표준 습도를 비교하되, 온도, 운량, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 2 학습모델로부터 공조 대상 영역의 적정 습도로서 제 2 제어값을 결정할 수 있다.
일 개시에 따라, 온도 비교값과 미리 설정된 표준온도의 비율이 습도 비교값과 미리 설정된 표준 습도의 비율보다 큰 경우, 제 2 제어값을 0으로 변경하고, 온도 비교값과 미리 설정된 표준온도의 비율이 습도 비교값과 미리 설정된 표준 습도의 비율보다 작은 경우, 제 1 제어값을 0으로 변경할 수 있다.
*단계 S305에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 공조 대상 영역의 CO2 농도와 미리 설정된 표준 CO2 농도 범위를 비교하여 CO2 농도 비교값을 산출하고, CO2농도 비교하되, 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 3 학습모델로부터 공조 대상 영역의 적정 CO2농도로서 제 3 제어값을 결정할 수 있다.
단계 S306에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 공조 대상 영역의 미세먼지 농도와 기상 데이터의 황사량, 분진량 및 대기 미세먼지 농도를 비교하여 실내오염 지수를 산출하고, 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 4 학습모델로부터 공조 대상 영역의 적정 실내오염지수로서의 제 4 제어값을 결정할 수 있다.
단계 S307에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 공조 대상 영역에 연결된 냉방 시스템의 요구 열량과 운전 스케줄을 측정하여 냉방 시스템에 연결된 공급 시스템의 공급열량과 냉방부하를 예측하고, 냉방 부하를 기준으로 시간별, 계절별로 다른 에너지 요금, 운전조건 및 외기상태에 따라 달라지는 공급 시스템의 공급열량과 운전스케줄을 고려하여 학습된 제 5 학습모델로부터 냉방 시스템의 제어값인 제 5 제어값을 결정할 수 있다.
단계 S308에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 제 1 제어값, 제 2 제어값, 제 3 제어값, 제 4 제어값 및 제 5 제어값을 종합하되, 매퍼(mapper)를 이용하여 순차적인 클럭(clock)에 따라 동일한 값을 갖는 데이터가 기설정된 회수만큼 반복되어 곱셈 덧셈 연산기에 입력되도록 입력 특징 맵의 데이터의 순서를 변경하여 입력 특징 맵의 데이터를 시스톨릭 배열로 매핑하고, 매핑된 입력 특징 맵의 데이터 및 필터의 웨이트 값을 시스톨릭 배열 연산기에 입력시켜 컨볼루션 연산(convolution)을 수행하여 컨볼루션 연산된 출력값들을 누적 합산(accumulation)하여 출력 특징 맵(output feature map)을 생성함으로써, 냉방 시스템을 제어하는 제어 신호를 생성할 수 있다.
일 개시에 의하여, 제어 신호를 생성하는 단계는, 입력 특징 맵의 동일한 두 개의 입력 데이터 값이 반복되어 시스톨릭 배열 연산기에 입력되도록 입력 데이터의 입력 순서를 변경하고, 입력 특징 맵의 데이터가 필터의 크기(N)와 동일한 횟수만큼 반복적으로 시스톨릭 배열 연산기에 입력되도록 입력 특징 맵의 데이터의 입력 순서를 변경하는 과정을 반복함으로써 제어 신호를 생성할 수 있다.
예를 들어, 상기 매퍼는 상기 입력 특징 맵의 동일한 두 개의 입력 데이터 값이 반복되어 상기 시스톨릭 배열 연산기에 입력되도록 상기 입력 데이터의 입력 순서를 변경할 수 있다.
냉방 시스템을 제어하는 장치는 매퍼, 시스톨릭 연산기, 및 누산기(adder)를 포함할 수 있다.
시스톨릭 배열 연산기에 입력되는 데이터의 순서를 변경하는 매핑(mapping)을 통해 연산을 수행하는데 소모되는 전력량을 감소시키고, 연산 속도를 증가시키는 제어 신호를 생성할 수 있다.
일 개시에 의하여 냉방 시스템을 제어하는 장치는 매퍼에 의해 시스톨릭 배열로 매핑된 상기 입력 특징 맵의 데이터 중 0값으로 식별된 데이터의 상기 시스톨릭 배열 상에서의 위치 정보를 획득하는 언매퍼(unmapper)를 더 포함하고, 상기 언매퍼는 획득한 상기 0값 데이터의 위치 정보에 기초하여 상기 입력 특징 맵의 각 영역에 대한 출력값들을 누적 합산하도록 상기 누산기를 제어하는 애더 트리 제어 회로(adder-tree control circuit)를 포함할 수 있다.
매퍼는 입력 특징 맵의 데이터 또는 필터의 웨이트 값에 대하여, 순차적인 클럭에 따라 동일한 값을 갖는 데이터가 반복되어 시스톨릭 연산기에 입력되도록 입력 특징 맵의 데이터 또는 필터의 웨이트 값의 입력 순서(sequence)를 변경하는 매핑(mapping)을 수행할 수 있다. 일 실시예에서, 매퍼는 입력 특징 맵의 데이터가 필터의 크기(N)와 동일한 회수만큼 반복적으로 시스톨릭 연산기 내의 곱셈 덧셈 연산기에 입력되도록 입력 특징 맵의 데이터의 입력 순서(sequence)를 변경할 수 있다. 예를 들어, 필터의 크기가 3×3인 경우, 매퍼는 곱셈 덧셈 연산기에 x11, x12, x13, 각각의 입력 데이터가 3번씩 반복하여 입력되도록 입력 특징 맵을 시스톨릭 배열로 매핑할 수 있다. 그러나, 이에 한정되는 것은 아니고, 매퍼는 입력 특징 맵의 데이터를 2번씩 반복되어 곱셈 덧셈 연산기에 입력되도록 입력 특징 맵을 매핑할 수 있다.
시스톨릭 연산기는 복수의 곱셈 덧셈 연산기(Processing Elements)를 포함할 수 있다. 복수의 곱셈 덧셈 연산기 각각은 플립-플롭 회로(flip-flop)로 구성될 수 있다. 복수의 곱셈 덧셈 연산기 각각은 일정한 레이턴시(latency)를 갖는 순차적인 클럭에 따라 입력되는 입력 데이터와 필터의 웨이트 값을 각각 곱하고, 곱해진 값을 더하는 연산을 수행할 수 있다.
누산기(adder)는 입력 특징 맵의 데이터와 필터의 웨이트 값을 곱하여 얻어진 출력 값들을 누적 합산(accumulation)하여 출력 특징 맵을 생성할 수 있다. 누산기는 필터가 입력 특징 맵 상에서 스트라이드(stride) 됨에 따라 변경되는 입력 특징 맵의 데이터와 필터의 웨이트 값의 조합에 기초하여 시스톨릭 배열 연산기의 복수의 곱셈 덧셈 연산기 각각에 의해 계산된 출력 값을 선택할 수 있다. 누산기는 선택한 출력 값들을 누적 합산하여 출력 특징 맵을 생성할 수 있다.
여기서 제어 신호에 의하여 전체적인 냉방 시스템의 제어 방향이 결정될 수 있다.
단계 S309에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 제어 신호에 따라 냉방 시스템의 운행을 제어하고, 냉방 시스템의 운행에 따른 시간별 전력량을 측정할 수 있다.
단계 S310에서, 일 실시예예 의한 냉방 시스템을 자동으로 제어하는 장치(100)는 시간별 전력량에 기초하여, 시간대 별로 냉방 시스템의 운행모드를 결정하고, 시간대 별 운행모드에 따라 냉방 시스템의 운행을 자동으로 제어할 수 있다.
냉방 시스템을 자동으로 제어하는 장치(100)는 시간대 별 운행 모드에 따라 제어 신호를 달리 생성할 수 있고, 이로 인하여 전력 사용이 분산되므로, 냉방 시스템의 전력 피크를 제어할 수 있다.
또한, 제 4 제어값을 결정하는 단계는, 공조 대상 영역 내의 사용자 수를 감지하고, 공조 대상 영역 내 온도 변화율에 따른 제1 열량 및 공조 대상 영역 내 출입하는 열량 변화량에 따른 제 2 열량으로 성립되는 수학식 1을 근거로 제 4 제어값을 결정하는 것을 특징으로 하고,
[수학식1]
Figure 112018028620708-pat00001
여기서, ρ는 밀도(kg/㎥), cp는 비열(W/(㎏K)), V는 체적(㎥), T는 온도(K), h는 열전달 계수, U는 통합열전달계수(W/(㎡K)), A는 면적(㎡),
Figure 112018028620708-pat00002
는 단위 면적당 일사량(W/㎡),
Figure 112018028620708-pat00003
는 창의 차폐계수,
Figure 112018028620708-pat00004
는 질량흐름률(kg/s),
Figure 112018028620708-pat00005
는 내부 발열량(W)을 나타낼 수 있다.
또한, 제 4 제어값이 미리 결정된 임계값보다 높게 측정되는 경우, 송풍기에 가해지는 전력을 자동으로 제어하여 상기 공조 대상 영역을 자동으로 살균 및 탈취하는 살균 및 탈취단계를 더 포함할 수 있다.
일 개시에 의하여 살균 및 탈취 단계는, 탄산칼륨(K2CO3) , 탄산나트륨(Na2CO3) , 염화칼륨(KCl) , D-말티톨(C12H24O11), 황산나트륨(Na2SO4), 글루콘산아연(C12H22O14Zn nH2O(n=0∼3)의 함량 중량비는 13∼20 : 4∼5 : 4∼6 : 2∼7 : 1∼3: 7∼8 인 유해물질 분해제 물에 1:9의 비율로 희석시킨 후, 30 내지 70ml/min 속도로 상기 공조 대상 영역에 분사하는 것을 특징할 수 있다.
보다 바람직하게는, 살균 및 탈취 단계는, 탄산칼륨(K2CO3) , 탄산나트륨(Na2CO3) , 염화칼륨(KCl) , D-말티톨(C12H24O11), 황산나트륨(Na2SO4), 글루콘산아연(C12H22O14Zn nH2O(n=0∼3)의 함량 중량비는 15 : 5 : 6 : 5 : 2: 8 인 유해물질 분해제 물에 1:9의 비율로 희석시킨 후, 60ml/min 속도로 상기 공조 대상 영역에 분사하는 것을 특징할 수 있다.
도 4는 일 실시예에 의하여 창호의 총합열전달계수의 변화에 따른 전열특성계수의 변화를 나타낸 그래프이다.
도 4에서는 창호에 대한 전열특성계수를 구하기 위해 EnergyPlus의 데이터베이스에서 제공하는 여러 종류(본 실험에서는 23개)의 창호에 대해 총합열전달계수와 전열특성계수 사이의 관계에 따라 총합열전달계수와 전열특성계수를 도식화 한 것이다.
도 5는 벽체의 총합열전달계수의 변화에 따른 전열특성계수의 변화를 나타낸 그래프이다.
본 발명에서는 건물을 구성하는 다양한 벽체의 구조를 고려한 부하특성계수를 구하기 위해 건물을 구성하는 벽체의 구조를 변수로 하여 각각의 변수를 3가지 조건으로 나누어 분석하였으나, 이때 변수의 조건을 매번 바꾸어 해석하게 되면 경우의 수가 지나치게 많아지기 때문에 이를 해결하기 위해 실험계획법을 이용하여 일정 개수(본 실험에서는 27개)의 벽체를 해석모델로 설정하고, 이들 해석모델에 대해 창호의 전열특성계수를 구할 때와 마찬가지로 총합열전달계수와 전열특성계수 사이의 관계를 살펴보았으며, 그 결과 도 2에서와 같이 벽체에 있어서도 창호에 있어서와 똑같이 총합열전달계수와 전열특성계수는 선형적인 관계로 표현될 수 있음을 확인하였다.
도 6은 일 실시예에 의한 창호의 일사획득계수의 변화에 따른 일사특성계수의 변화를 나타낸 그래프이다.
창호에 대한 일사특성계수를 구하기 위해 본 발명에서는 EnergyPlus의 데이터베이스에서 제공하는 여러 종류의 창호(본 실험에서는 207개)에 대하여 일사획득계수와 일사특성계수 사이의 관계를 살펴보았으며, 그 결과를 도 6에 나타내었다.
도 6에 표시된 그래프에 대해 커브피팅(curve fitting)을 행하게 되면 창호에 대한 일사특성계수를 구할 수 있다.
여기서, 상수 C5,C6 및 C7은 각각 다양한 종류의 창호에 대해 건물에너지 시뮬레이션 프로그램을 사용하여 구할 수 있고, SCwin는 창호에 설치된 외부 차양장치의 일사차폐계수로서 차양의 기하학적 형상과 방위를 고려하여 계산되며 차양이 없는 경우에는 1이 되고, i는 건물 냉난방 공간을 둘러싸고 있는 6개면의 방위를 나타내고, j는 건물의 한 방위면을 구성하는 창호 종류의 수를 나타낸다.
냉방 시스템을 자동으로 제어하는 장치(100)는 외부 단말로 현재 공조 대상 영역의 상태를 전송할 수 있다. 또한, 냉방 시스템을 자동으로 제어하는 장치(100)는 제어 정보를 외부 단말로 전송할 수 있다.
냉방 시스템을 자동으로 제어하는 장치(100)는 외부 단말로부터 제어 정보를 수신하고, 그 제어 정보에 따라서 냉방 시스템을 자동으로 제어할 수 있다.
외부 단말은 스마트폰(Smart Phone), 스마트패드(Smart Pad), PDA(Personal Digital Assistants), 노트북(laptop), 슬레이트 PC(Slate PC), 휴대용 PC 등의 무선 네트워크가 가능한 개인용 연산처리 장치를 포함할 수 있다.
도 6는 인공 뉴럴 네트워크(Artificial Neural Network)를 이용한 딥 러닝 딥 러닝 연산에서 입력으로 제공되는 입력 특징 맵의 데이터와 필터(110-1 내지 110-n)를 도식화한 도면이다.
딥 러닝(Deep Learning) 등을 포함하는 인공지능(AI) 알고리즘은 인공 뉴럴 네트워크(Artificial Neural Network, ANN)에 입력 데이터(10)을 입력시키고, 컨볼루션 등의 연산을 통해 출력 데이터(30)를 학습하는 것을 특징으로 한다. 인공 뉴럴 네트워크는 생물학적 뇌를 모델링한 컴퓨터 과학적 아키텍쳐(Computational Architecture)를 의미할 수 있다. 인공 뉴럴 네트워크 내에서, 뇌의 뉴런들에 해당되는 노드들은 서로 연결되어 있고, 입력 데이터를 처리하기 위하여 집합적으로 동작한다. 다양한 종류의 뉴럴 네트워크들을 예로 들면, 컨볼루션 뉴럴 네트워크(Convolutional Neural Network; CNN), 회귀 뉴럴 네트워크(Recurrent Neural Network; RNN), 딥 빌리프 네트워크(Deep Belief Network; DBN), 제한된 볼츠만 기계(Restricted Boltzman Machine; RBM) 방식 등이 있으나, 이에 제한되지 않는다. 피드-포워드(feed-forward) 뉴럴 네트워크에서, 뉴럴 네트워크의 뉴런들은 다른 뉴런들과의 연결들(links)을 갖는다. 이와 같은 연결들은 뉴럴 네트워크를 통해, 한 방향으로, 예를 들어 순방향(forward direction)으로 확장될 수 있다.
도 6을 참조하면, 인공 뉴럴 네트워크에 입력 데이터(10)가 입력되고, 하나 이상의 레이어(layer)를 포함하는 컨볼루션 뉴럴 네트워크(Convolution Neural Network, CNN)(20)를 통해 출력 데이터(30)가 출력되는 구조가 도시된다. 인공 뉴럴 네트워크는 2개 이상의 레이어를 보유한 딥 뉴럴 네트워크(Deep Neural Network)일 수 있다.
컨볼루션 뉴럴 네트워크(20)는 입력 데이터(10)로부터 테두리, 선 색 등과 같은 "특징들(features)"을 추출하기 위해 이용될 수 있다. 컨볼루션 뉴럴 네트워크(20)는 복수의 레이어를 포함할 수 있다. 각각의 레이어는 데이터를 수신할 수 있고, 해당 레이어에 입력되는 데이터를 처리하여 해당 레이어에서 출력되는 데이터를 생성할 수 있다. 레이어에서 출력되는 데이터는, 컨볼루션 뉴럴 네트워크(20)에 입력된 이미지 또는 입력된 특징 맵(Feature Map)을 하나 이상의 필터(filter)의 웨이트(weight) 값과 컨볼루션 연산하여 생성한 특징 맵일 수 있다. 컨볼루션 뉴럴 네트워크(20)의 초기 레이어들은 입력으로부터 에지들 또는 그레디언트들과 같은 낮은 레벨의 특징들을 추출하도록 동작될 수 있다. 컨볼루션 뉴럴 네트워크(20)의 다음 레이어들은 이미지 내의 눈, 코 등과 같은 점진적으로 더 복잡한 특징들을 추출할 수 있다.
인공 뉴럴 네트워크에 입력으로 제공되는 입력 특징 맵(100) 및 복수의 필터(110-1 내지 110-n)이 도시된다. 입력 특징 맵(100)은 인공 뉴럴 네트워크에 입력되는 이미지의 픽셀 값 또는 수치 데이터의 집합일 수 있으나, 이에 제한되지 않는다. 도 1(b)에서 입력 특징 맵(100)은 인공 뉴럴 네트워크를 통해 학습할 대상이 되는 이미지의 픽셀 값으로 정의될 수 있다. 예를 들어, 입력 특징 맵(100)은 256×256의 픽셀과 K의 깊이(depth)를 가질 수 있다. 그러나, 상기 값은 예시적인 것이고, 입력 특징 맵(100)의 픽셀 크기가 상기 예시로 한정되는 것은 아니다.
필터(110-1 내지 110-n)은 N개로 형성될 수 있다. 복수의 필터(110-1 내지 110-n) 각각은 n by n(n×n)의 웨이트(weight) 값을 포함할 수 있다. 예를 들어, 복수의 필터(110-1 내지 110-n) 각각은 3×3의 픽셀과 K의 깊이값을 가질 수 있다. 그러나, 상기 필터의 크기는 예시적인 것이고, 복수의 필터(110-1 내지 110-n) 각각의 크기가 상기 예시로 한정되는 것은 아니다.
*한편, 상술한 실시예는, 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터에 의해 판독 가능한 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 실시예에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 또한, 상술한 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로 구현될 수 있다. 예를 들어, 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 컴퓨터가 읽고 실행할 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있다.
본 개시에서 설명된 특정 실행들은 일 실시예일 뿐이며, 어떠한 방법으로도 본 개시의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 및 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될수있다.

Claims (3)

  1. 시스톨릭 배열을 이용하여 입력 특징 맵의 데이터와 필터의 웨이트 값의 컨볼루션 연산을 수행하는 프로세서를 포함하는, 인공지능(Artificial Intelligence, AI) 시스템을 이용하여 냉방 시스템을 자동으로 제어하는 방법에 있어서,
    기상청 서버로부터 익일의 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도를 포함하는 기상 데이터를 획득하는 단계;
    공조 대상 영역의 온도, 습도, CO2농도 및 미세먼지 농도를 포함하는 공조 대상 영역의 컨디션을 30분 간격으로 측정하는 단계;
    상기 공조 대상 영역의 온도와 상기 기상 데이터의 온도 데이터를 비교하여 온도 비교값을 산출하고, 상기 온도 비교값과 미리 설정된 표준 온도를 비교하되, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 1 학습모델로부터 상기 공조 대상 영역의 적정 온도로서 제 1 제어값을 획득하는 단계;
    상기 공조 대상 영역의 습도와 상기 기상 데이터의 습도 데이터를 비교하여 습도 비교값을 산출하고, 상기 습도 비교값과 미리 설정된 표준 습도를 비교하되, 온도, 운량, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 2 학습모델로부터 상기 공조 대상 영역의 적정 습도로서 제 2 제어값을 결정하는 단계;
    상기 온도 비교값과 미리 설정된 표준온도의 비율이 상기 습도 비교값과 미리 설정된 표준 습도의 비율보다 큰 경우, 상기 제 2 제어값을 0으로 변경하고, 상기 온도 비교값과 미리 설정된 표준온도의 비율이 상기 습도 비교값과 미리 설정된 표준 습도의 비율보다 작은 경우, 상기 제 1 제어값을 0으로 변경하는 단계;
    상기 공조 대상 영역의 CO2 농도와 미리 설정된 표준 CO2 농도 범위를 비교하여 CO2 농도 비교값을 산출하고, 상기 CO2농도 비교하되, 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 3 학습모델로부터 상기 공조 대상 영역의 적정 CO2농도로서 제 3 제어값을 결정하는 단계;
    상기 공조 대상 영역의 미세먼지 농도와 상기 기상 데이터의 황사량, 분진량 및 대기 미세먼지 농도를 비교하여 실내오염 지수를 산출하고, 온도, 운량, 습도, 일사량, 황사량, 분진량 및 대기 미세먼지 농도에 대한 정보를 추가하여 학습된 제 4 학습모델로부터 상기 공조 대상 영역의 적정 실내오염지수로서의 제 4 제어값을 결정하는 단계;
    상기 공조 대상 영역에 연결된 냉방 시스템의 요구 열량과 운전 스케줄을 측정하여 상기 냉방 시스템에 연결된 공급 시스템의 공급열량과 냉방부하를 예측하고, 상기 냉방 부하를 기준으로 시간별, 계절별로 다른 에너지 요금, 운전조건 및 외기상태에 따라 달라지는 공급 시스템의 공급열량과 운전스케줄을 고려하여 학습된 제 5 학습모델로부터 상기 냉방 시스템의 제어값인 제 5 제어값을 결정하는 단계;
    상기 제 1 제어값, 상기 제 2 제어값, 상기 제 3 제어값, 상기 제 4 제어값 및 상기 제 5 제어값을 종합하되, 매퍼(mapper)를 이용하여 순차적인 클럭(clock)에 따라 동일한 값을 갖는 데이터가 기설정된 회수만큼 반복되어 곱셈 덧셈 연산기에 입력되도록 상기 입력 특징 맵의 데이터의 순서를 변경하여 상기 입력 특징 맵의 데이터를 시스톨릭 배열로 매핑하고, 매핑된 상기 입력 특징 맵의 데이터 및 필터의 웨이트 값을 상기 시스톨릭 배열 연산기에 입력시켜 컨볼루션 연산(convolution)을 수행하여 상기 컨볼루션 연산된 출력값들을 누적 합산(accumulation)하여 출력 특징 맵(output feature map)을 생성함으로써, 상기 냉방 시스템을 제어하는 제어 신호를 생성하는 단계;
    상기 제어 신호에 따라 상기 냉방 시스템의 운행을 제어하고, 상기 냉방 시스템의 운행에 따른 시간별 전력량을 측정하는 단계;및
    상기 시간별 전력량에 기초하여, 시간대 별로 상기 냉방 시스템의 운행모드를 결정하고, 상기 시간대 별 운행모드에 따라 상기 냉방 시스템의 운행을 자동으로 제어하는 단계;를 포함하는, 인공지능 시스템을 이용하여 냉방 시스템을 자동으로 제어하는 방법.
  2. 제 1 항에 있어서,
    상기 제어 신호를 생성하는 단계는,
    상기 입력 특징 맵의 동일한 두 개의 입력 데이터 값이 반복되어 상기 시스톨릭 배열 연산기에 입력되도록 상기 입력 데이터의 입력 순서를 변경하고, 상기 입력 특징 맵의 데이터가 상기 필터의 크기(N)와 동일한 횟수만큼 반복적으로 상기 시스톨릭 배열 연산기에 입력되도록 상기 입력 특징 맵의 데이터의 입력 순서를 변경하는 과정을 반복함으로써 상기 제어 신호를 생성하는, 인공지능 시스템을 이용하여 냉방 시스템을 자동으로 제어하는 방법.
  3. 제 1 항에 있어서, 상기 제 4 제어값을 결정하는 단계는,
    상기 공조 대상 영역 내의 사용자 수를 감지하고, 상기 공조 대상 영역 내 온도 변화율에 따른 제1 열량 및 상기 공조 대상 영역 내 출입하는 열량 변화량에 따른 제 2 열량으로 성립되는 수학식 1을 근거로 상기 제 4 제어값을 결정하는 것을 특징으로 하고,
    [수학식1]
    Figure 112018049056658-pat00006

    여기서, ρ는 밀도(kg/㎥), cp는 비열(W/(㎏K)), V는 체적(㎥), T는 온도(K), h는 열전달 계수, U는 통합열전달계수(W/(㎡K)), A는 면적(㎡),
    Figure 112018049056658-pat00007
    는 단위 면적당 일사량(W/㎡),
    Figure 112018049056658-pat00008
    는 창의 차폐계수,
    Figure 112018049056658-pat00009
    는 질량흐름률(kg/s),
    Figure 112018049056658-pat00010
    는 내부 발열량(W)을 나타내는, 인공지능 시스템을 이용하여 냉방 시스템을 자동으로 제어하는 방법.
KR1020180033085A 2018-03-22 2018-03-22 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법 KR101875488B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180033085A KR101875488B1 (ko) 2018-03-22 2018-03-22 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180033085A KR101875488B1 (ko) 2018-03-22 2018-03-22 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101875488B1 true KR101875488B1 (ko) 2018-07-06

Family

ID=62921027

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180033085A KR101875488B1 (ko) 2018-03-22 2018-03-22 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101875488B1 (ko)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108386971A (zh) * 2018-01-28 2018-08-10 浙江博超节能科技有限公司 中央空调节能自控系统
CN109695944A (zh) * 2018-11-29 2019-04-30 中国汽车工业工程有限公司 一种基于多模型深度学习的涂装新风空调的控制方法
KR102081912B1 (ko) 2018-11-15 2020-02-26 광주과학기술원 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법
KR102114989B1 (ko) 2019-12-10 2020-05-26 한국산업기술시험원 심층 강화 학습 알고리즘을 적용한 공기조화기 정밀 학습 시스템 및 그 방법
KR102131414B1 (ko) 2019-12-31 2020-07-08 한국산업기술시험원 사용자 위치정보와 거주 기후 조건하에서 심층 강화 학습 알고리즘을 적용한 공기조화기 예비 냉난방 에너지절약 학습 시스템 및 그 방법
KR102193222B1 (ko) * 2020-05-08 2020-12-21 이수한 빌딩 자동 제어 시스템
WO2020262717A1 (ko) * 2019-06-24 2020-12-30 엘지전자 주식회사 공간의 온도 변화에 기반하여 공조 부하를 예측하는 방법 및 이를 구현하는 공기조화기
KR102227514B1 (ko) 2020-08-25 2021-03-12 한국산업기술시험원 심층 강화학습 알고리즘을 활용한 공기조화기 컴포넌트 운전포인트 서치 시스템
JP2021141581A (ja) * 2020-02-28 2021-09-16 株式会社リコー 人工知能に基づく応答アクションを自動的に生成するための領域に関する条件の追跡
CN113865027A (zh) * 2021-09-29 2021-12-31 海信（山东）空调有限公司 二氧化碳收集装置的控制方法及装置、空调器和存储介质
KR102388757B1 (ko) * 2020-11-06 2022-04-21 (주)비에이에너지랩 가상 센서를 이용한 스마트 빌딩 안전 제어 시스템
KR20220072158A (ko) 2020-11-25 2022-06-02 중앙대학교 산학협력단 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템
CN114992772A (zh) * 2022-06-20 2022-09-02 华北电力科学研究院有限责任公司 空调温控负荷集群可调节潜力评估方法、装置及存储介质
US11475640B2 (en) 2020-02-28 2022-10-18 Manuel Martinello Detection-area fencing with polarity and object ingress/egress monitoring
CN116147130A (zh) * 2023-04-18 2023-05-23 杭州行至云起科技有限公司 智能家居控制系统及其方法
KR20230101526A (ko) * 2021-12-29 2023-07-06 주식회사 에코시안 인공지능 기반 건물에너지 절감 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140128024A (ko) * 2013-04-26 2014-11-05 (주)나오디지탈 환경정보를 기반으로 하는 건물 자동제어 장치
KR20160011034A (ko) * 2014-07-21 2016-01-29 (주)제이엔지에너지스 모바일 단말 연동 공조 제어 방법
JP2016099050A (ja) * 2014-11-21 2016-05-30 三菱電機株式会社 空気清浄機とその運転管理システム
KR101724135B1 (ko) * 2016-10-27 2017-04-06 유병훈 건물 자동제어 네트워크 및 사물인터넷을 이용한 개별 실내환경 제어시스템 및 제어방법
US20180075338A1 (en) * 2016-09-12 2018-03-15 International Business Machines Corporation Convolutional neural networks using resistive processing unit array

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140128024A (ko) * 2013-04-26 2014-11-05 (주)나오디지탈 환경정보를 기반으로 하는 건물 자동제어 장치
KR20160011034A (ko) * 2014-07-21 2016-01-29 (주)제이엔지에너지스 모바일 단말 연동 공조 제어 방법
JP2016099050A (ja) * 2014-11-21 2016-05-30 三菱電機株式会社 空気清浄機とその運転管理システム
US20180075338A1 (en) * 2016-09-12 2018-03-15 International Business Machines Corporation Convolutional neural networks using resistive processing unit array
KR101724135B1 (ko) * 2016-10-27 2017-04-06 유병훈 건물 자동제어 네트워크 및 사물인터넷을 이용한 개별 실내환경 제어시스템 및 제어방법

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108386971A (zh) * 2018-01-28 2018-08-10 浙江博超节能科技有限公司 中央空调节能自控系统
KR102081912B1 (ko) 2018-11-15 2020-02-26 광주과학기술원 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법
CN109695944A (zh) * 2018-11-29 2019-04-30 中国汽车工业工程有限公司 一种基于多模型深度学习的涂装新风空调的控制方法
WO2020262717A1 (ko) * 2019-06-24 2020-12-30 엘지전자 주식회사 공간의 온도 변화에 기반하여 공조 부하를 예측하는 방법 및 이를 구현하는 공기조화기
US11761659B2 (en) 2019-06-24 2023-09-19 Lg Electronics Inc. Method for predicting air-conditioning load on basis of change in temperature of space and air-conditioner for implementing same
KR102114989B1 (ko) 2019-12-10 2020-05-26 한국산업기술시험원 심층 강화 학습 알고리즘을 적용한 공기조화기 정밀 학습 시스템 및 그 방법
KR102131414B1 (ko) 2019-12-31 2020-07-08 한국산업기술시험원 사용자 위치정보와 거주 기후 조건하에서 심층 강화 학습 알고리즘을 적용한 공기조화기 예비 냉난방 에너지절약 학습 시스템 및 그 방법
US11475640B2 (en) 2020-02-28 2022-10-18 Manuel Martinello Detection-area fencing with polarity and object ingress/egress monitoring
JP2021141581A (ja) * 2020-02-28 2021-09-16 株式会社リコー 人工知能に基づく応答アクションを自動的に生成するための領域に関する条件の追跡
US11556098B2 (en) 2020-02-28 2023-01-17 Ricoh Company, Ltd. Tracking conditions concerning an area to automatically generate artificial intelligence based responsive actions
KR102193222B1 (ko) * 2020-05-08 2020-12-21 이수한 빌딩 자동 제어 시스템
KR102227514B1 (ko) 2020-08-25 2021-03-12 한국산업기술시험원 심층 강화학습 알고리즘을 활용한 공기조화기 컴포넌트 운전포인트 서치 시스템
KR102388757B1 (ko) * 2020-11-06 2022-04-21 (주)비에이에너지랩 가상 센서를 이용한 스마트 빌딩 안전 제어 시스템
KR20220072158A (ko) 2020-11-25 2022-06-02 중앙대학교 산학협력단 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템
CN113865027A (zh) * 2021-09-29 2021-12-31 海信（山东）空调有限公司 二氧化碳收集装置的控制方法及装置、空调器和存储介质
KR20230101526A (ko) * 2021-12-29 2023-07-06 주식회사 에코시안 인공지능 기반 건물에너지 절감 장치 및 방법
KR102623325B1 (ko) * 2021-12-29 2024-01-10 주식회사 에코시안 인공지능 기반 건물에너지 절감 장치 및 방법
CN114992772A (zh) * 2022-06-20 2022-09-02 华北电力科学研究院有限责任公司 空调温控负荷集群可调节潜力评估方法、装置及存储介质
CN114992772B (zh) * 2022-06-20 2023-07-28 华北电力科学研究院有限责任公司 空调温控负荷集群可调节潜力评估方法、装置及存储介质
CN116147130A (zh) * 2023-04-18 2023-05-23 杭州行至云起科技有限公司 智能家居控制系统及其方法

Similar Documents

Publication Publication Date Title
KR101875488B1 (ko) 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법
KR101875489B1 (ko) 냉방 시스템을 자동으로 제어하는 장치 및 방법
Amasyali et al. Machine learning for occupant-behavior-sensitive cooling energy consumption prediction in office buildings
Tien et al. A vision-based deep learning approach for the detection and prediction of occupancy heat emissions for demand-driven control solutions
Mofidi et al. Intelligent buildings: An overview
Javed et al. Smart random neural network controller for HVAC using cloud computing technology
Eini et al. Smart building management system: Performance specifications and design requirements
Baldi et al. Model-based and model-free “plug-and-play” building energy efficient control
WO2019063079A1 (en) SYSTEM, DEVICE AND METHOD FOR OPTIMIZING ENERGY AND COMFORT IN AN IMMOTIC ENVIRONMENT
Kurian et al. Robust control and optimisation of energy consumption in daylight—artificial light integrated schemes
CN108536030A (zh) 一种基于anfis算法的智能家居系统及其工作方法
Tabrizchi et al. Estimates of residential building energy consumption using a multi-verse optimizer-based support vector machine with k-fold cross-validation
Lachhab et al. Energy-efficient buildings as complex socio-technical systems: approaches and challenges
CN105652677A (zh) 一种基于用户行为分析的智能家居控制方法、装置和系统
Omarov et al. Design of fuzzy logic based controller for energy efficient operation in smart buildings
CN113902582A (zh) 一种楼宇综合能源负荷预测方法及系统
CN112272074A (zh) 一种基于神经网络的信息传输速率控制方法及系统
Michailidis et al. Embedding autonomy in large-scale IoT ecosystems using CAO and L4G-CAO
KR20210093015A (ko) 시계열 데이터 예측 방법 및 이를 포함하는 장치
Crispim et al. Prediction of the solar radiation evolution using computational intelligence techniques and cloudiness indices
CN105241001A (zh) 一种参数调整方法及空调
May The reinforcement learning method: A feasible and sustainable control strategy for efficient occupant-centred building operation in smart cities
Omarov Development of fuzzy based smart building energy and comfort management system
Kim et al. Model predictive lighting control for a factory building using a deep deterministic policy gradient
Lavanya et al. Microclimatic HVAC system for nano painted rooms using PSO based occupancy regression controller

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant