KR101959886B1 - Server and method for determining actuator parameter of greenhouse - Google Patents

Server and method for determining actuator parameter of greenhouse Download PDF

Info

Publication number
KR101959886B1
KR101959886B1 KR1020160109842A KR20160109842A KR101959886B1 KR 101959886 B1 KR101959886 B1 KR 101959886B1 KR 1020160109842 A KR1020160109842 A KR 1020160109842A KR 20160109842 A KR20160109842 A KR 20160109842A KR 101959886 B1 KR101959886 B1 KR 101959886B1
Authority
KR
South Korea
Prior art keywords
greenhouse
parameter
driver
determining
model
Prior art date
Application number
KR1020160109842A
Other languages
Korean (ko)
Other versions
KR20180024171A (en
Inventor
박한솔
권용식
김병수
이준희
김탁곤
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020160109842A priority Critical patent/KR101959886B1/en
Publication of KR20180024171A publication Critical patent/KR20180024171A/en
Application granted granted Critical
Publication of KR101959886B1 publication Critical patent/KR101959886B1/en

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
    • G06Q50/02—Agriculture; Fishing; Mining
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Abstract

온실의 구동기의 파라미터를 결정하는 서버는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 온실 데이터 수집부, 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 온실 모델링부 및 온실 모델로부터 구동기의 파라미터를 도출하는 파라미터 추출부를 포함하고, 파라미터는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다. A server for determining a parameter of a driver of a greenhouse includes a greenhouse data collection unit for collecting greenhouse data including at least one of setting information, environment information, and driver information, a greenhouse for generating a greenhouse model using an artificial neural network And a parameter extracting unit for deriving a parameter of the driver from the modeling unit and the greenhouse model, and the parameter may be a value for determining a proportional control parameter for each driver of the greenhouse.

Description

온실의 구동기의 파라미터를 결정하는 서버 및 방법{SERVER AND METHOD FOR DETERMINING ACTUATOR PARAMETER OF GREENHOUSE}TECHNICAL FIELD [0001] The present invention relates to a server and a method for determining a parameter of a driver of a greenhouse.

본 발명은 온실의 구동기의 파라미터를 결정하는 서버 및 방법에 관한 것이다. The present invention relates to a server and method for determining parameters of a driver of a greenhouse.

시설 재배는 온실의 환경 조절로 노지에서는 재배가 어려운 시기에 노지보다 좋은 환경 조건을 만들어 고품질의 작물을 생산하는 농업이다. 온실은 유리 온실, 비닐 온실, 태양광 병용형, 인공광 이용 식물 공장 등 다양한 형태로 구현되고 있다. Facility cultivation is an agriculture that produces high quality crops by making environment conditions better than the nogi in the difficult times of cultivation in the Nogi by the environmental control of the greenhouse. The greenhouse is implemented in various forms such as a glasshouse, a vinyl greenhouse, a solar combined type, and an artificial light plant.

시설 재배에서는 작물의 생산성 향상, 고품질의 작물을 수확하기 위해 정밀한 복합 환경을 조성할 필요가 있다. 종래의 온실의 복합 환경 제어 기술은 온실에서 센서, 구동기 및 제어기가 연결되어 환경 제어를 수행하고 제어기와 중앙 시스템이 연결되어 온실 제어 상황을 모니터링하는 방식을 사용한다.In plant cultivation, it is necessary to establish a precise hybrid environment to improve crop productivity and harvest high quality crops. Conventional greenhouse complex environmental control technology uses a method of monitoring the greenhouse control situation by connecting the sensor, the driver and the controller in the greenhouse to perform the environment control and the controller and the central system being connected.

종래의 온실 제어 시스템에 따르면, 온실 제어에 영향을 줄 수 있는 외부 조건, 예컨대, 지역별 기후, 온실 구조 등의 변화가 다양한 경우, 최적화된 온실 제어가 어렵다. According to the conventional greenhouse control system, it is difficult to control the optimized greenhouse when there are various changes in external conditions that may affect the greenhouse control, for example, regional climate, greenhouse structure, and the like.

또한, 종래의 온실 제어 시스템에 따르면 비례 제어 파라미터 값이 고정되어 있거나, 비례 제어 파라미터 값을 농가주가 직접 변경하여야 하는 문제점이 있다. 또한, 국내 대부분의 농가는 고령화로 접어들면서, 노인들이 온실 제어 시스템의 비례 제어 파라미터 값을 직접 설정하여 온실 제어 시스템을 다루는 데는 많은 어려움이 있다. Further, according to the conventional greenhouse control system, there is a problem that the proportional control parameter value is fixed or the proportional control parameter value must be directly changed by the farm owner. In addition, most farmers in Korea have difficulty in dealing with the greenhouse control system by setting the proportional control parameter value of the greenhouse control system for the elderly as aging.

선행 기술인 한국공개특허 제2015-0069580호에는 사용자단말로부터 선택작물에 대한 작물의 육성활동정보를 수신하고, 사용자가 구매한 선택작물의 재배에 필요한 아이템 및 수신한 육성활동정보에 따라 선택 작물의 육성상태를 연산하고, 외부서버로부터 환경통계 정보를 수신하여 환경통계정보에 따라 선택작물의 육성상태를 조정하여 생성된 육성결과를 사용자 단말로 전송하는 구성이 개시되어 있다. Korean Patent Laid-Open Publication No. 2015-0069580 discloses a method of cultivating selected crops according to the items necessary for cultivation of the selected crops purchased by the user and the information of the cultivation activities received by the user, The environmental statistics information is received from the external server, the cultivation status of the selected crop is adjusted according to the environmental statistical information, and the cultivation result generated is transmitted to the user terminal.

온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하고, 생성한 온실 모델로부터 온실의 구동기의 파라미터를 도출하고자 한다. 또한, 도출한 구동기의 파라미터를 이용하여 온실의 각 구동기에 대한 비례 제어 파라미터를 결정하고자 한다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다. We generate a greenhouse model using artificial neural network with input of greenhouse data and derive parameters of the driver of the greenhouse from the generated greenhouse model. In addition, the proportional control parameter for each driver of the greenhouse is determined using the parameters of the derived driver. It is to be understood, however, that the technical scope of the present invention is not limited to the above-described technical problems, and other technical problems may exist.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 온실의 구동기의 파라미터를 결정하는 서버는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 온실 데이터 수집부; 상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 온실 모델링부; 및 상기 온실 모델로부터 구동기의 파라미터를 도출하는 파라미터 추출부를 포함하고, 상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다. According to a first aspect of the present invention, there is provided a server for determining parameters of a driver of a greenhouse, the greenhouse for collecting greenhouse data including at least one of setting information, environment information, A data collecting unit; A greenhouse modeling unit for generating a greenhouse model using an artificial neural network that receives the greenhouse data as input; And a parameter extractor for deriving a parameter of a driver from the greenhouse model, and the parameter may be a value for determining a proportional control parameter for each driver of the greenhouse.

일예에 있어서, 상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 파라미터 전송부를 더 포함하고, 상기 온실 데이터 수집부는 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집할 수 있다. In one example, the apparatus further includes a parameter transmission unit for transmitting the parameter to the greenhouse control system of the greenhouse, and the greenhouse data collector may collect the greenhouse data from the greenhouse control system.

일예에 있어서, 상기 파라미터는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값 중 적어도 하나를 포함할 수 있다. In one example, the parameter may comprise at least one of a maximum P-band temperature value, a maximum external temperature limit value, a maximum wind speed limit value, a minimum P-band temperature value, a minimum external temperature limit value and a minimum wind speed limit value .

일예에 있어서, 상기 온실 모델링부는 상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실을 모델링하는 플랜트 모델링부; 상기 환경 정보에 기초하여 상기 가상 온실의 환경을 모델링하는 센서 모델링부; 및 상기 구동기 정보에 기초하여 각 구동기를 모델링하는 컨트롤 모델링부를 포함할 수 있다. In one example, the greenhouse modeling unit may include a plant modeling unit that models a virtual greenhouse based on the setting information and the driver information; A sensor modeling unit for modeling the environment of the virtual greenhouse based on the environmental information; And a control modeling unit that models each driver based on the driver information.

일예에 있어서, 상기 파라미터 추출부는 전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출할 수 있다. 상기 파라미터 추출부는 상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 평가 범위 결정부; 및 상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정하고, 각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 파라미터 세트 결정부를 포함할 수 있다. In one example, the parameter extracting unit may derive a plurality of parameters of the driver based on a global search method. The parameter extracting section may include an evaluation range determining section that determines an evaluation range of each of the plurality of parameters and divides the evaluation range into a plurality of sections; And a parameter determining unit that determines a plurality of input parameter sets by combining parameter values corresponding to each of the plurality of sections of the plurality of parameters and sequentially simulates each input parameter set through the greenhouse model to determine an optimal parameter set And a set determining unit.

일예에 있어서, 상기 파라미터 세트 결정부는 상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 비례 제어 파라미터 결정부; 및 상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하고, 상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 입력 파라미터 세트 평가부를 포함할 수 있다. In one example, the parameter set determination unit may include: a proportional control parameter determination unit that determines a proportional control parameter of each driver based on the input parameter sets; And determining a root mean square error (RMSE) of each input parameter set by applying the proportional control parameter to the greenhouse model, and determining an optimum parameter set based on an average square root error of each input parameter set, And an input parameter set evaluation unit for determining the input parameter set evaluation unit.

일예에 있어서, 상기 설정 정보는 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값이고, 상기 환경 정보는 상기 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나를 포함할 수 있다. In one embodiment, the setting information is a target set value for at least one of temperature, humidity, and carbon dioxide, and the environment information includes at least one of an internal temperature of the greenhouse, an external temperature, an internal humidity, a wind speed, .

일예에 있어서, 상기 구동기 정보는 상기 온실의 각 구동기의 설치 정보 및 각 구동기의 사용 이력을 포함할 수 있다. In one embodiment, the driver information may include installation information of each driver of the greenhouse and usage history of each driver.

일예에 있어서, 상기 인공 신경망을 이용한 온실 모델은 리벤버그-마카드 역전파(levenberg-marquardt backpropagation) 알고리즘에 기초하여 생성될 수 있다. In one example, a greenhouse model using the artificial neural network may be generated based on a Levenberg-marquardt backpropagation algorithm.

본 발명의 제 2 측면에 따른 온실 제어 시스템은 온실의 환경 정보 및 구동기 정보를 모니터링하는 센서부; 설정 정보, 상기 환경 정보 및 상기 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버로 전송하는 전송부; 상기 파라미터 결정 서버에 의해 결정된 파라미터 세트를 수신하는 수신부; 및 상기 수신한 파라미터 세트에 기초하여 각 구동기를 제어하는 제어부를 포함하고, 상기 수신한 파라미터 세트는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고, 상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출될 수 있다. A greenhouse control system according to a second aspect of the present invention includes a sensor unit for monitoring environmental information and driver information of a greenhouse; A transmitting unit for transmitting the greenhouse data including at least one of the setting information, the environment information, and the driver information to the parameter determination server; A receiving unit for receiving a parameter set determined by the parameter determination server; And a controller for controlling each driver based on the received parameter set, wherein the received parameter set includes a plurality of parameter values for determining a proportional control parameter for each driver of the greenhouse, Can be derived from a greenhouse model using an artificial neural network.

일예에 있어서, 상기 각 구동기의 제어를 위한 기본 설정 값 및 상기 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 고급 설정 값을 저장하는 데이터베이스를 더 포함할 수 있다. 상기 데이터베이스는 상기 수신한 파라미터 세트로 상기 고급 설정 값을 업데이트할 수 있다. The apparatus may further include a database for storing a basic setting value for controlling each driver and an advanced setting value for determining a proportional control parameter for each driver. The database may update the advanced setting value with the received parameter set.

본 발명의 제 3 측면에 따른 온실의 구동기의 파라미터를 결정하는 방법은 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 단계; 상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 단계; 및 상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계를 포함하고, 상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다. According to a third aspect of the present invention, there is provided a method for determining a parameter of a driver of a greenhouse, comprising: collecting greenhouse data including at least one of setting information, environment information, and driver information; Generating a greenhouse model using an artificial neural network in which the greenhouse data is input; And deriving a parameter of the driver from the greenhouse model, the parameter being a value for determining a proportional control parameter for each driver of the greenhouse.

일예에 있어서, 상기 온실 모델을 생성하는 단계는 상기 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 상기 온실 모델을 생성할 수 있다. In one embodiment, the step of generating the greenhouse model may generate the greenhouse model by learning a virtual greenhouse for a predetermined period based on the greenhouse data.

일예에 있어서, 상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 단계를 더 포함하고, 상기 온실 데이터를 수집하는 단계는, 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집할 수 있다. In one example, the method further comprises transmitting the parameter to the greenhouse control system of the greenhouse, wherein collecting the greenhouse data may collect the greenhouse data from the greenhouse control system.

일예에 있어서, 상기 온실 모델은 상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실이 모델링된 플랜트 모델, 상기 환경 정보에 기초하여 상기 가상 온실의 환경이 모델링된 센서 모델 및 상기 구동기 정보에 기초하여 각 구동기가 모델링된 컨트롤 모델을 포함할 수 있다. In one example, the greenhouse model may include a plant model modeled on the basis of the setting information and the driver information, a sensor model modeled on the environment of the virtual greenhouse based on the environment information, The actuator may include a modeled control model.

일예에 있어서, 상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는 전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출할 수 있다. 상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는 상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 단계; 상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정하는 단계; 및 각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 단계를 포함할 수 있다. In one example, deriving driver parameters from the greenhouse model may derive a plurality of parameters of the driver based on a global search method. Deriving the parameters of the driver from the greenhouse model includes: determining an evaluation range of each of the plurality of parameters and dividing the evaluation range into a plurality of sections; Determining a plurality of input parameter sets by combining parameter values corresponding to each of the plurality of intervals of the plurality of parameters; And sequentially simulating each set of input parameters through the greenhouse model to determine an optimal set of parameters.

일예에 있어서, 상기 최적의 파라미터 세트를 결정하는 단계는 상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 단계; 및 상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하는 단계; 및 상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 단계를 포함할 수 있다. In one example, determining the optimal parameter set may include determining a proportional control parameter of each driver based on the set of input parameters; And applying the proportional control parameter to the greenhouse model to determine a root mean square error (RMSE) of each input parameter set; And determining the optimal parameter set based on a mean square root error of each input parameter set.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.The above-described task solution is merely exemplary and should not be construed as limiting the present invention. In addition to the exemplary embodiments described above, there may be additional embodiments described in the drawings and the detailed description of the invention.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 고정된 비례 제어 파라미터의 도출이 아닌, 온실 데이터에 따라 가변적으로 적응되는 비례 제어 파라미터를 결정함으로써 온실의 구동기 제어에 대한 정확성을 높일 수 있다. 또한, 온실 제어 시스템으로부터 수집된 온실 데이터를 통해 온실 모델을 생성하기 때문에 온실의 환경 변화를 예측할 수 있다. 또한, 온실의 크기, 재질 구조에 상관없이 전역 탐색법을 이용하여 계절별로 또는 온실별로 최적의 구동기의 파라미터를 도출하고, 도출된 파라미터를 온실 모델을 통해 시뮬레이션하여 최적의 파라미터 세트를 결정할 수 있어 실제 온실에서의 실험 대비 시간과 비용을 절감할 수 있다. 또한, 최적의 비례 제어 파라미터를 이용하여 온실의 구동기를 제어하기 때문에 작물 재배를 위한 최적의 재배 환경을 제공할 수 있고, 온실 제어 시스템의 조작 숙련도, 작물 재배 기술의 편차를 최소화할 수 있고, 균일한 품질의 작물 생산량을 최대화할 수 있다. According to any one of the above-mentioned objects of the present invention, the accuracy of the driver control of the greenhouse can be improved by determining the proportional control parameter that is variably adapted according to the greenhouse data, rather than deriving the fixed proportional control parameter. In addition, since the greenhouse model is generated through the greenhouse data collected from the greenhouse control system, the environmental change of the greenhouse can be predicted. In addition, it is possible to derive optimal driver parameters for each season or greenhouse using global search method regardless of the size and material structure of the greenhouse, and determine the optimal parameter set by simulating the derived parameters through the greenhouse model. It can save time and money compared to experimentation in the greenhouse. In addition, since the driver of the greenhouse is controlled by using the optimal proportional control parameter, it is possible to provide an optimal cultivation environment for cultivation of crops, minimize the operational skill of the greenhouse control system and deviation of the cultivation technique, It is possible to maximize the production of crops of one quality.

도 1은 본 발명의 일 실시예에 따른, 온실 구동기의 파라미터 결정 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른, 도 1에 도시된 파라미터 결정 서버의 블록도이다.
도 3a 및 3b는 본 발명의 일 실시예에 따른, 인공 신경망을 이용한 온실 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 4a 및 4b는 본 발명의 일 실시예에 따른, 구동기의 파라미터를 도출하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른, 도 1에 도시된 온실 제어 시스템의 블록도이다.
도 6은 본 발명의 일 실시예에 따른, 파라미터 결정 서버에서 온실의 구동기의 파라미터를 결정하는 방법을 나타낸 동작 흐름도이다.
도 7은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 온실의 구동기를 제어하는 방법을 나타낸 동작 흐름도이다.
도 8은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 각 구동기의 파라미터를 설정하기 위한 제어 시스템을 예시적으로 도시한 도면이다.1 is a configuration diagram of a parameter determination system of a greenhouse actuator according to an embodiment of the present invention.
2 is a block diagram of the parameter determination server shown in FIG. 1 according to an embodiment of the present invention.
3A and 3B illustrate a method of generating a greenhouse model using an artificial neural network according to an embodiment of the present invention.
4A and 4B are diagrams for explaining a method of deriving a parameter of a driver according to an embodiment of the present invention.
5 is a block diagram of the greenhouse control system shown in FIG. 1, in accordance with one embodiment of the present invention.
6 is a flowchart illustrating a method for determining parameters of a driver of a greenhouse in a parameter determination server according to an exemplary embodiment of the present invention.
7 is a flowchart illustrating a method of controlling a driver of a greenhouse in a greenhouse control system according to an embodiment of the present invention.
8 is an exemplary diagram illustrating a control system for setting parameters of each driver in a greenhouse control system according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, which will be readily apparent to those skilled in the art. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. In order to clearly illustrate the present invention, parts not related to the description are omitted, and similar parts are denoted by like reference characters throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. Throughout the specification, when a part is referred to as being "connected" to another part, it includes not only "directly connected" but also "electrically connected" with another part in between . Also, when an element is referred to as "comprising ", it means that it can include other elements as well, without departing from the other elements unless specifically stated otherwise.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. In this specification, the term " part " includes a unit realized by hardware, a unit realized by software, and a unit realized by using both. Further, one unit may be implemented using two or more hardware, or two or more units may be implemented by one hardware.

본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다. In this specification, some of the operations or functions described as being performed by the terminal or the device may be performed in the server connected to the terminal or the device instead. Similarly, some of the operations or functions described as being performed by the server may also be performed on a terminal or device connected to the server.

이하, 첨부된 구성도 또는 처리 흐름도를 참고하여, 본 발명의 실시를 위한 구체적인 내용을 설명하도록 한다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Reference will now be made in detail to embodiments of the present invention, examples of which are illustrated in the accompanying drawings.

도 8은 본 발명의 일 실시예에 따른, 온실 제어 시스템에서 각 구동기의 파라미터를 설정하기 위한 제어 시스템을 예시적으로 도시한 도면이다. 8 is an exemplary diagram illustrating a control system for setting parameters of each driver in a greenhouse control system according to an embodiment of the present invention.

도 8을 참조하면, 제어 시스템은 각 구동기의 파라미터를 설정하기 위해 각 구동기를 선택하기 위한 구동기 선택 영역(800)을 포함할 수 있다. 또한, 제어 시스템은 각 구동기의 기본 설정 값을 입력하기 위한 기본 설정 입력 영역(810) 및 고급 설정 값을 입력하기 위한 고급 설정 입력 영역(820)을 제공할 수 있다.Referring to FIG. 8, the control system may include a driver selection area 800 for selecting each driver to set parameters of each driver. In addition, the control system may provide a basic setting input area 810 for inputting basic setting values of each driver and an advanced setting input area 820 for inputting advanced setting values.

예를 들면, 기본 설정 값은 작동 시간, 작동 조건, 상대 시간, 풍향창 최소 위치, 풍향창 최대 위치, 반풍향 최소 위치, 반풍향 최대 위치를 포함할 수 있다. 각 구동기는 기본 설정 값에 따라 동작하게 된다. 또한, 고급 설정 값은 천창 작동 온도폭, 작동 1회 열림값, 대기 시간 온도 차, 작동 대기 시간 최소, 작동 대기 시간 최대, 이중창 작동 온도 폭, 풍향창 최소 P밴드, 풍향창 최대 P밴드, 반풍향 최소 P밴드, 반풍향 최대 P밴드, 외부 최저 온도, 외부 최대 온도 등을 포함할 수 있다. 이러한 고급 설정 값은 각 구동기의 사양, 계절 온실의 환경 등에 따라 다르게 설정되는 것이 바람직하다.For example, the default settings may include operating time, operating conditions, relative time, wind direction window minimum position, wind direction window maximum position, half wind direction minimum position, and half wind direction maximum position. Each actuator operates according to the default setting. In addition, the advanced setting values include the skylight operating temperature width, the opening time of the operation, the waiting time temperature difference, the operation standby time min, the operation waiting time maximum, the duplex window operating temperature width, the wind direction window minimum P band, A wind direction minimum P band, a half wind direction maximum P band, an external minimum temperature, an external maximum temperature, and the like. It is preferable that these advanced set values are set differently depending on the specifications of each driver, the environment of the seasonal greenhouse, and the like.

고급 설정 값은 후술할 각 구동기의 파라미터로서, 각 구동기의 비례 제어 파라미터를 결정하기 위한 값일 수 있다. 고급 설정 값에 따라 각 구동기의 비례 제어 파라미터가 결정되고, 비례 제어 파라미터에 따라 각 구동기가 동작하게 된다.The advanced setting value may be a value for determining the proportional control parameter of each driver as a parameter of each driver to be described later. The proportional control parameter of each driver is determined according to the advanced setting value, and each driver is operated according to the proportional control parameter.

하지만, 대부분의 농가주는 이러한 고급 설정 값에 대한 이해가 부족하여, 고급 설정 값을 초기값으로 고정하여 온실을 운영하고 있는 실정이다. However, most farmers do not have an understanding of these advanced settings, so they are operating the greenhouse by fixing the advanced settings to their initial values.

본 발명에 따르면, 각 구동기의 파라미터로서, 각 구동기의 비례 제어 파라미터를 결정하기 위한 값(고급 설정 값)을 결정하여 온실에 제공함으로써, 온실 운영을 도울 수 있다.According to the present invention, as a parameter of each driver, a value (advanced setting value) for determining the proportional control parameter of each driver is determined and provided to the greenhouse, thereby helping the greenhouse operation.

도 1은 본 발명의 일 실시예에 따른, 온실 구동기의 파라미터 결정 시스템의 구성도이다.1 is a configuration diagram of a parameter determination system of a greenhouse actuator according to an embodiment of the present invention.

도 1을 참조하면, 온실 구동기의 파라미터 결정 시스템은 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)을 포함할 수 있다. 다만, 이러한 도 1의 온실 구동기의 파라미터 결정 시스템은 본 발명의 일 실시예에 불과하므로 도 1을 통해 본 발명이 한정 해석되는 것은 아니며, 본 발명의 다양한 실시예들에 따라 도 1과 다르게 구성될 수도 있다.Referring to FIG. 1, a parameter determination system of a greenhouse actuator may include a parameter determination server 100 and a plurality of greenhouse control systems 110. However, the present invention is not limited to FIG. 1 because the parameter determining system of the greenhouse driving apparatus of FIG. 1 is only an embodiment of the present invention, and the present invention is not limited to FIG. It is possible.

일반적으로, 도 1의 온실 구동기의 파라미터 결정 시스템의 각 구성요소들은 네트워크(120)를 통해 연결된다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(network)의 일례에는 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 3G, 4G, 5G 등이 포함되나 이에 한정되지는 않는다. Generally, the components of the parameter determination system of the greenhouse driver of FIG. 1 are connected through a network 120. The network refers to a connection structure in which information can be exchanged between each node such as terminals and servers. Examples of such a network include a 3rd Generation Partnership Project (3GPP), a Long Term Evolution (LTE), a WIMAX World Interoperability for Microwave Access, Wi-Fi, 3G, 4G, and 5G.

파라미터 결정 서버(100)는 복수의 온실 제어 시스템(110)로부터 각 온실의 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집할 수 있다. The parameter determination server 100 can collect greenhouse data including at least one of setting information, environment information, and driver information of each greenhouse from a plurality of greenhouse control systems 110. [

파라미터 결정 서버(100)는 복수의 온실 제어 시스템(110)로부터 수신된 각 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 온실 제어 시스템 (110) 별로 생성할 수 있다. The parameter determination server 100 may generate a greenhouse model using an artificial neural network that receives each greenhouse data received from a plurality of greenhouse control systems 110 for each greenhouse control system 110. [

파라미터 결정 서버(100)는 온실 제어 시스템(110) 별로 생성된 온실 모델 각각으로부터 각 온실 제어 시스템(110)의 각 구동기의 파라미터를 도출하고, 도출된 각 구동기의 파라미터를 각 온실 제어 시스템(110)에게 전송할 수 있다. The parameter determination server 100 derives the parameters of the respective drivers of the respective greenhouse control systems 110 from the greenhouse models generated for each greenhouse control system 110 and supplies the parameters of the derived drivers to the respective greenhouse control systems 110. [ Lt; / RTI >

복수의 온실 제어 시스템(110) 각각은 복수의 센서와 복수의 구동기로 구성되어 있고, 복수의 센서를 통해 온실의 내부 환경 정보를 측정하고, 복수의 구동기를 통해 온실의 내부 환경을 조절할 수 있다. 예를 들면, 복수의 센서는 온실 내 온도를 측정하는 온도 센서, 습도를 측정하는 습도 센서, 광량을 측정하는 광센서 등을 포함할 수 있다. 구동기는 온실 내 다양한 환경을 조절할 수 있는 다양한 종류의 구동기로 구성될 수 있다. 예를 들면, 구동기는 온실에서 재배하는 작물에 양액을 제공하는 양액기, 온실 내 난방을 수행하는 난방기, 온실 외부로부터의 빛을 차단하는데 사용되는 커튼 구동기, 천창 및 측창 등을 포함할 수 있다. Each of the plurality of greenhouse control systems 110 is composed of a plurality of sensors and a plurality of drivers and can measure the internal environment information of the greenhouse through a plurality of sensors and adjust the internal environment of the greenhouse through a plurality of drivers. For example, the plurality of sensors may include a temperature sensor for measuring the temperature in the greenhouse, a humidity sensor for measuring humidity, an optical sensor for measuring the amount of light, and the like. The driver can be composed of various types of drivers that can control various environments in the greenhouse. For example, the driver may include a fluids supplying the nutrient solution to crops grown in the greenhouse, a heater performing heating in the greenhouse, a curtain driver used to cut off light from outside the greenhouse, a skylight and a side window.

복수의 온실 제어 시스템(110)은 온실의 환경 정보 및 온실 제어 시스템(110)에 설치된 각 구동기의 구동기 정보를 모니터링하고, 온실 데이터(설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함)를 파라미터 결정 서버(100)에게 전송할 수 있다. The plurality of greenhouse control systems 110 monitor environmental information of the greenhouse and driver information of each driver installed in the greenhouse control system 110 and store the greenhouse data (including at least one of the setting information, the environment information and the driver information) To the decision server (100).

복수의 온실 제어 시스템(110)은 파라미터 결정 서버(100)에 의해 결정된 파라미터 세트를 수신하고, 수신한 파라미터 세트에 기초하여 각 구동기를 제어할 수 있다. A plurality of greenhouse control systems 110 can receive the parameter sets determined by the parameter determination server 100 and control each driver based on the received parameter sets.

이하에서는 도 1의 온실 구동기의 파라미터 결정 시스템의 각 구성요소의 동작에 대해 보다 구체적으로 설명한다. 도 2는 본 발명의 일 실시예에 따른, 도 1에 도시된 파라미터 결정 서버(100)의 블록도이다. Hereinafter, the operation of each component of the parameter determination system of the greenhouse drive of FIG. 1 will be described in more detail. 2 is a block diagram of the parameter determination server 100 shown in FIG. 1 according to an embodiment of the present invention.

도 2를 참조하면, 파라미터 결정 서버(100)는 온실 데이터 수집부(200), 온실 모델링부(210), 파라미터 추출부(220) 및 파라미터 전송부(230)를 포함할 수 있다. 여기서, 온실 모델링부(210)는 플랜트 모델링부(212), 센서 모델링부(214) 및 컨트롤 모델링부(216)를 포함하고, 파라미터 추출부(220)는 평가 범위 결정부(222) 및 파라미터 세트 결정부(224)를 포함하고, 파라미터 세트 결정부(224)는 비례 제어 파라미터 결정부(226) 및 입력 파라미터 세트 평가부(228)을 포함할 수 있다. 다만, 도 2에 도시된 파라미터 결정 서버(100)는 본 발명의 하나의 구현 예에 불과하며, 도 2에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다.  2, the parameter determination server 100 may include a greenhouse data collection unit 200, a greenhouse modeling unit 210, a parameter extraction unit 220, and a parameter transmission unit 230. The greenhouse modeling unit 210 includes a plant modeling unit 212, a sensor modeling unit 214 and a control modeling unit 216. The parameter extracting unit 220 includes an evaluation range determining unit 222, And the parameter set determination unit 224 may include a proportional control parameter determination unit 226 and an input parameter set evaluation unit 228. [ However, the parameter determination server 100 shown in FIG. 2 is only one embodiment of the present invention, and various modifications are possible based on the components shown in FIG.

온실 데이터 수집부(200)는 온실 제어 시스템(111)로부터 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집할 수 있다. 여기서, 설정 정보는 예를 들면, 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값일 수 있다. 환경 정보는 예를 들면, 온실의 속성(온실 유형, 크기, 재질 등), 온실 내부 및 외부 정보 등을 포함할 수 있다. 환경 정보는 예를 들면, 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나를 포함할 수 있다. 구동기 정보는 예를 들면, 온실의 각 구동기(예컨대, 커튼, 유동팬, 배기팬, 보온덮개, 관수, 천창 및 측창 등)의 설치 정보(구동기 보유, 종류, 위치에 대한 정보) 및 각 구동기의 사용 이력(시간별 구동기의 온오프 정보)을 포함할 수 있다. The greenhouse data collecting unit 200 can collect greenhouse data including at least one of setting information, environment information, and driver information from the greenhouse control system 111. Here, the setting information may be, for example, a target setting value for at least one of temperature, humidity, and carbon dioxide. The environmental information may include, for example, the properties (greenhouse type, size, material, etc.) of the greenhouse, interior and exterior information of the greenhouse, and the like. The environmental information may include, for example, at least one of the internal temperature of the greenhouse, the external temperature, the internal humidity, the wind speed, the wind direction and the rainfall. The driver information includes, for example, installation information (information on driver retention, type, and position) of each driver (e.g., curtain, flow fan, exhaust fan, heat shield, And a use history (on / off information of the driver by time).

예를 들면, 온실 데이터 수집부(200)는 온실 제어 시스템(111)에 설치된 복수의 센서에 의해 측정되는 환경 정보를 센서 노드를 통해 수집할 수 있다. 환경 정보는 온도 센서에 의해 측정된 온실의 내/외부 온도, 습도 센서에 의해 측정된 온실 습도, 풍속 센서에 의해 측정된 풍속 및 풍향 등을 포함할 수 있다. For example, the greenhouse data collecting unit 200 can collect environmental information measured by a plurality of sensors installed in the greenhouse control system 111 through the sensor node. The environmental information may include the inside / outside temperature of the greenhouse measured by the temperature sensor, the greenhouse humidity measured by the humidity sensor, the wind speed and the wind direction measured by the wind speed sensor, and the like.

온실 데이터 수집부(200)는 온실 제어 시스템(111)으로부터 온실 데이터를 실시간으로 수집할 수 있다. The greenhouse data collecting unit 200 can collect greenhouse data from the greenhouse control system 111 in real time.

온실 모델링부(210)는 온실 데이터에 기초하여 인공 신경망을 이용하여 복수의 온실 모델을 생성할 수 있다. 온실 모델링부(210)는 예를 들어, 리벤버그-마카드 역전파(levenberg-marquardt backpropagation) 알고리즘에 기초하여 인공 신경망을 이용한 온실 모델을 생성할 수 있다. The greenhouse modeling unit 210 can generate a plurality of greenhouse models using the artificial neural network based on the greenhouse data. The greenhouse modeling unit 210 may generate a greenhouse model using an artificial neural network based on, for example, a levenberg-marquardt backpropagation algorithm.

도 3a를 참조하면, 인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 조정하여 학습하는 통계적 학습 알고리즘이다. 이러한 인공 신경망은 훈련 데이터를 통해 학습된 속성에 기초하여 예측 모델을 생성할 수 있다. Referring to FIG. 3A, an artificial neural network is a statistical learning algorithm in which artificial neurons (nodes) forming a network by synaptic connections learn by adjusting the binding strength of synapses through learning. Such an artificial neural network can generate a prediction model based on learned attributes through training data.

도 3b를 참조하면, 파라미터 결정 서버(100)는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터(310)를 입력으로 하는 인공 신경망(320)을 이용한 온실 모델(330)을 생성할 수 있다. 예를 들면, 파라미터 결정 서버(100)는 온실의 천창 각도, 외부 온도, 광량, 풍속 등을 인공 신경망의 입력 파라미터로 사용함으로써 온실의 내부 온도에 대한 온실 모델(330)을 생성할 수 있다. 3B, the parameter determination server 100 generates a greenhouse model 330 using an artificial neural network 320 that receives greenhouse data 310 including at least one of setting information, environment information, and driver information can do. For example, the parameter determination server 100 can generate the greenhouse model 330 for the internal temperature of the greenhouse by using the angle of the roof of the greenhouse, the external temperature, the amount of light, the wind speed, and the like as input parameters of the artificial neural network.

온실 모델링부(210)는 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 복수의 온실 모델(예컨대, 가상 온실의 모델, 가상 온실의 환경 모델, 구동기 모델)을 생성할 수 있다. The greenhouse modeling unit 210 can generate a plurality of greenhouse models (for example, a model of a virtual greenhouse, an environment model of a virtual greenhouse, and a driver model) by learning a virtual greenhouse for a predetermined period based on the greenhouse data.

구체적으로, 플랜트 모델링부(212)는 설정 정보 및 구동기 정보에 기초하여 가상 온실을 모델링할 수 있다. Specifically, the plant modeling unit 212 can model the virtual greenhouse based on the setting information and the driver information.

플랜트 모델링부(212)는 적어도 하나의 설정 정보 및 구동기 정보를 인공 신경망 알고리즘의 입력 값으로 하여 온실의 온도, 습도, 이산화탄소(CO2)의 증감분을 출력으로 하는 가상 온실의 모델링을 수행할 수 있다.The plant modeling unit 212 may perform modeling of a virtual greenhouse using at least one setting information and driver information as input values of an artificial neural network algorithm and outputting an increase / decrease of temperature, humidity, and carbon dioxide (CO 2 ) .

예를 들면, 플랜트 모델링부(212)는 비선형 모델의 학습 알고리즘을 이용하여 온실의 온도, 습도, 이산화탄소(CO2)에 대한 가상 온실의 모델링을 수행할 수 있다. 여기서, 온실 온도, 온실 습도, 온실 이산화탄소는 온실의 구조, 크기, 재료, 외부 환경에 따라 다양한 형태를 가지므로 일정한 함수식으로 표현하기 불가능하다. 따라서, 플랜트 모델링부(212)는 비선형 모델을 나타내기 위한 학습 알고리즘인 인공 신경망 알고리즘을 적용하여 온실 온도, 온실 습도, 온실 이산화탄소 및 구동기 정보에 기초한 가상 온실의 모델링을 수행할 수 있다. For example, the plant modeling unit 212 can model a virtual greenhouse for temperature, humidity, and carbon dioxide (CO 2 ) of a greenhouse using a learning algorithm of a non-linear model. Here, the greenhouse temperature, the greenhouse humidity, and the greenhouse carbon dioxide can not be expressed by a certain function formula since they have various forms depending on the structure, size, material, and external environment of the greenhouse. Accordingly, the plant modeling unit 212 can model the virtual greenhouse based on the greenhouse temperature, the greenhouse humidity, the greenhouse carbon dioxide, and the driver information by applying the artificial neural network algorithm, which is a learning algorithm for representing the nonlinear model.

센서 모델링부(214)는 환경 정보에 기초하여 가상 온실의 환경을 모델링할 수 있다. 센서 모델링부(214)는 적어도 하나의 환경 정보를 인공 신경망 알고리즘의 입력 값으로 하여 환경 정보의 출력값에 대응하는 가상 온실의 환경을 모델링할 수 있다. The sensor modeling unit 214 can model the environment of the virtual greenhouse based on the environment information. The sensor modeling unit 214 may model the environment of the virtual greenhouse corresponding to the output value of the environment information by using at least one environment information as an input value of the artificial neural network algorithm.

컨트롤 모델링부(216)는 구동기 정보에 기초하여 각 구동기를 모델링할 수 있다. 컨트롤 모델링부(216)는 복수의 구동기 각각에 대하여 구동기 정보를 인공 신경망 알고리즘의 입력 값으로 하여 각 구동기 정보의 출력값에 대응하는 각각의 구동기 모델링을 수행할 수 있다. The control modeling unit 216 may model each driver based on the driver information. The control modeling unit 216 may perform driver modeling corresponding to the output value of each driver information by using the driver information as input values of the artificial neural network algorithm for each of the plurality of drivers.

파라미터 추출부(220)는 온실 모델로부터 구동기의 파라미터를 도출할 수 있다. 여기서, 파라미터는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값으로 온실의 설정 정보, 환경 정보 및 구동기 정보에 따라 가변되는 값일 수 있다. 이러한, 파라미터에는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값 중 적어도 하나가 포함될 수 있다.The parameter extracting unit 220 can derive the parameter of the driver from the greenhouse model. Here, the parameter is a value for determining the proportional control parameter for each driver of the greenhouse, and may be a value varying according to the greenhouse setting information, the environment information, and the driver information. These parameters may include at least one of a maximum P-band temperature value, a maximum external temperature limit value, a maximum wind speed limit value, a minimum P-band temperature value, a minimum external temperature limit value and a minimum wind speed limit value.

예를 들면, 파라미터 추출부(220)는 구동기로서 천창에 대하여, 천창을 제어하는 구동기의 비례 제어 파라미터의 결정을 위한 값으로서, 천창의 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값을 도출할 수 있다. For example, the parameter extracting unit 220 may calculate, as a driver, the maximum p-band temperature value of the skylight, the maximum external temperature threshold value, the maximum wind speed Limit value, minimum P-band temperature value, minimum external temperature limit value, and minimum wind speed limit value.

한편, 기존의 비례 제어 파라미터를 결정하기 위한 구동기의 파라미터는 기설정된 값으로 고정되어 있어서 관리자가 목표 온도를 설정하더라도 목표 온도에 대한 최적화된 온실 제어를 하기 어려웠다. 따라서, 파라미터 추출부(220)는 온실별로 온실을 정밀하게 제어하기 위해, 구동기의 복수의 파라미터(비례 제어 파라미터의 결정을 위한 값)를 전역 탐색법에 기초하여 도출할 수 있다. On the other hand, the parameters of the driver for determining the conventional proportional control parameters are fixed to predetermined values, so that even if the manager sets the target temperature, it is difficult to perform the optimized greenhouse control on the target temperature. Therefore, the parameter extracting unit 220 can derive a plurality of parameters (values for determining the proportional control parameters) of the driver based on the global search method, in order to precisely control the greenhouse for each greenhouse.

도 4a 및 4b는 본 발명의 일 실시예에 따른, 구동기의 파라미터를 도출하는 방법을 설명하기 위한 도면이다.4A and 4B are diagrams for explaining a method of deriving a parameter of a driver according to an embodiment of the present invention.

도 4a 및 도 4b를 참조하면, 평가 범위 결정부(222)는 복수의 파라미터(400) 각각의 평가 범위(410)를 결정하고, 평가 범위(410)를 복수의 구간(420)으로 분할할 수 있다. 여기서, 복수의 파라미터(400)는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값을 포함할 수 있다. 예를 들면, 평가 범위 결정부(222)는 계절에 기초하여 최대 P-밴드 온도값에 대한 평가 범위를 18~22도로 결정하고, 최대 P-밴드 온도값에 대한 평가 범위를 5개의 구간(제 1 구간은 18도, 제 2 구간은 19도, 제 3 구간은 20도, 제 4 구간은 21도, 제 5 구간은 22도)으로 분할할 수 있다. 다른 예로, 최소 P-밴드 온도값에 대한 평가 범위가 4~6도인 경우, 평가 범위 결정부(222)는 최소 P-밴드 온도값에 대한 평가 범위를 3개의 구간(제 1 구간은 4도, 제 2 구간은 5도, 제 3 구간은 6도)으로 분할할 수 있다. 4A and 4B, the evaluation range determination unit 222 determines the evaluation range 410 of each of the plurality of parameters 400 and divides the evaluation range 410 into a plurality of sections 420 have. Here, the plurality of parameters 400 may include a maximum P-band temperature value, a maximum external temperature limit value, a maximum wind speed limit value, a minimum P-band temperature value, a minimum external temperature limit value, and a minimum wind speed limit value. For example, the evaluation range determining unit 222 determines the evaluation range for the maximum P-band temperature value from 18 to 22 degrees based on the season, and sets the evaluation range for the maximum P-band temperature value to five intervals The first section is 18 degrees, the second section is 19 degrees, the third section is 20 degrees, the fourth section is 21 degrees, and the fifth section is 22 degrees). As another example, when the evaluation range for the minimum P-band temperature value is 4 to 6 degrees, the evaluation range determination unit 222 sets the evaluation range for the minimum P-band temperature value to three intervals (the first interval is 4 degrees, The second section is 5 degrees, and the third section is 6 degrees).

파라미터 세트 결정부(224)는 복수의 파라미터(400) 별로 각 구간에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트(440)를 결정할 수 있다. 파라미터 세트 결정부(224)는 복수의 파라미터(400) 별로 각 구간에 해당하는 모든 파라미터 값을 조합하여 가능한 모든 입력 파라미터 세트(400)를 추출할 수 있다.The parameter set determination unit 224 can determine a plurality of input parameter sets 440 by combining parameter values corresponding to each interval according to the plurality of parameters 400. [ The parameter set determination unit 224 can extract all possible input parameter sets 400 by combining all the parameter values corresponding to the respective intervals according to the plurality of parameters 400. [

예를 들면, 파라미터 세트 결정부(224)는 제 1 차 입력 파라미터 세트로서 (최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값, 최소 풍속 한계값) = (18도, 23도, 1m/s, 4도, 17도, 0m/s)를 결정하고, 제 2 차 입력 파라미터 세트로서 (최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값, 최소 풍속 한계값) = (19도, 23도, 1m/s, 4도, 17도, 0m/s)를 결정할 수 있다. For example, the parameter set determination unit 224 determines, as a first set of input parameters, a set of first input parameters (a maximum P-band temperature value, a maximum external temperature limit value, a maximum wind speed limit value, a minimum P- , The minimum wind speed limit value) = (18 degrees, 23 degrees, 1 m / s, 4 degrees, 17 degrees, 0 m / s) (19 degrees, 23 degrees, 1 m / s, 4 degrees, 17 degrees, 0 m / s) of the minimum wind speed limit value, the minimum wind speed limit value, the minimum P- .

파라미터 세트 결정부(224)는 결정된 복수의 입력 파라미터 세트(440)를 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트(430)를 결정할 수 있다. The parameter set determination unit 224 can sequentially determine the plurality of input parameter sets 440 determined through the greenhouse model to determine the optimal parameter set 430. [

예를 들어, 비례 제어 파라미터 결정부(226)는 각 입력 파라미터 세트(440)에 기초하여 각 구동기의 비례 제어 파라미터를 결정할 수 있다. For example, the proportional control parameter determiner 226 may determine the proportional control parameters of each driver based on each input parameter set 440. For example,

입력 파라미터 세트 평가부(228)는 온실 모델에 비례 제어 파라미터를 적용하여(즉, 컨트롤 모델링부(216)를 통해 각 구동기에 해당 비례 제어 파라미터를 적용함) 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하고, 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 최적의 파라미터 세트(430)를 결정할 수 있다. The input parameter set evaluation unit 228 applies a proportional control parameter to the greenhouse model (i.e., applies the proportional control parameter to each driver through the control modeling unit 216), and calculates a mean square root error The Mean Square Error (RMSE), and determine the optimal set of parameters 430 based on the mean square root error of each set of input parameters.

다시 도 2를 참조하면, 파라미터 전송부(230)는 온실의 온실 제어 시스템(111)으로 파라미터를 전송할 수 있다. Referring again to FIG. 2, the parameter transmission unit 230 may transmit the parameters to the greenhouse control system 111 of the greenhouse.

한편, 당업자라면, 온실 데이터 수집부(200), 온실 모델링부(210), 플랜트 모델링부(212), 센서 모델링부(214), 컨트롤 모델링부(216), 파라미터 추출부(220), 평가 범위 결정부(222), 파라미터 세트 결정부(224), 비례 제어 파라미터 결정부(226) 입력 파라미터 세트 평가부(228) 및 파라미터 전송부(230) 각각이 분리되어 구현되거나, 이 중 하나 이상이 통합되어 구현될 수 있음을 충분히 이해할 것이다. Those skilled in the art will appreciate that those skilled in the art will appreciate that a greenhouse data collection unit 200, a greenhouse modeling unit 210, a plant modeling unit 212, a sensor modeling unit 214, a control modeling unit 216, a parameter extraction unit 220, The parameter set determination unit 224 and the proportional control parameter determination unit 226. The input parameter set evaluation unit 228 and the parameter transmission unit 230 may be implemented separately or at least one of them may be integrated As will be appreciated by those skilled in the art.

도 5는 본 발명의 일 실시예에 따른, 도 1에 도시된 온실 제어 시스템(111)의 블록도이다. 5 is a block diagram of the greenhouse control system 111 shown in FIG. 1, in accordance with one embodiment of the present invention.

도 5를 참조하면, 온실 제어 시스템(111)은 센서부(500), 전송부(510), 수신부(520), 제어부(530) 및 데이터베이스(540)를 포함할 수 있다. 다만, 도 5에 도시된 온실 제어 시스템(111)은 본 발명의 하나의 구현 예에 불과하며, 도 5에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다. 5, the greenhouse control system 111 may include a sensor unit 500, a transmission unit 510, a reception unit 520, a control unit 530, and a database 540. However, the greenhouse control system 111 shown in FIG. 5 is only one embodiment of the present invention, and various modifications are possible based on the components shown in FIG.

센서부(500)는 온실의 환경 정보 및 구동기 정보를 모니터링할 수 있다. 여기서, 환경 정보는 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나이고, 구동기 정보는 온실의 각 구동기의 설치 정보 및 각 구동기의 사용 이력을 포함할 수 있다. 예를 들면, 센서부(500)는 온실 제어 시스템(111)에 설치된 복수의 센서를 통해 온실의 환경 정보 및 구동기 정보를 모니터링할 수 있다. The sensor unit 500 can monitor environmental information and driver information of the greenhouse. Here, the environmental information may include at least one of the internal temperature of the greenhouse, the external temperature, the internal humidity, the wind speed, the wind direction, and the rainfall, and the driver information may include installation information of each driver of the greenhouse and usage history of each driver. For example, the sensor unit 500 can monitor environmental information and driver information of the greenhouse through a plurality of sensors installed in the greenhouse control system 111. [

전송부(510)는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버(100)로 전송할 수 있다. 여기서, 설정 정보는 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값일 수 있다. The transmission unit 510 may transmit the greenhouse data including at least one of the setting information, the environment information, and the driver information to the parameter determination server 100. Here, the setting information may be a target setting value for at least one of temperature, humidity, and carbon dioxide.

수신부(520)는 파라미터 결정 서버(100)에 의해 결정된 파라미터 세트를 수신할 수 있다. 여기서, 파라미터 세트는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고, 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출된 것일 수 있다.The receiving unit 520 can receive the parameter set determined by the parameter determination server 100. [ Here, the parameter set may include a plurality of parameter values for determining proportional control parameters for each driver of the greenhouse, and may be derived from a greenhouse model using an artificial neural network with greenhouse data input.

제어부(530)는 수신한 파라미터 세트에 기초하여 각 구동기를 제어할 수 있다. 예를 들어, 제어부(530)는 수신한 파라미터 세트에 기초하여 각 구동기의 비례 제어를 결정하고, 결정된 비례 제어에 기초하여 각 구동기를 제어할 수 있다.The control unit 530 can control each driver based on the received parameter set. For example, the control unit 530 may determine the proportional control of each driver based on the received parameter set, and may control each driver based on the determined proportional control.

데이터베이스(540)는 각 구동기의 제어를 위한 기본 설정 값(810) 및 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 고급 설정 값(820)을 저장할 수 있다. The database 540 may store a default setting value 810 for controlling each driver and an advanced setting value 820 for determining a proportional control parameter for each driver.

데이터베이스(540)는 수신한 파라미터 세트로 고급 설정 값(820)을 업데이트할 수 있다. 예를 들어, 제어부(530)는 고급 설정 값(820)에 기초하여 각 구동기의 비례 제어를 결정하고, 결정된 비례 제어에 기초하여 각 구동기를 제어할 수 있다.The database 540 may update the advanced settings value 820 with the received parameter set. For example, the control unit 530 may determine the proportional control of each driver based on the advanced setting value 820, and may control each driver based on the determined proportional control.

데이터베이스(540)는 온실 제어 시스템(111) 내부의 각 구성요소들 간에 입력 및 출력되는 데이터를 저장하고, 온실 제어 시스템(111)과 온실 제어 시스템(111) 외부의 구성요소들간에 입력 및 출력되는 데이터를 저장한다. 이러한 데이터베이스부(540)의 일 예에는 온실 제어 시스템(111) 내부 또는 외부에 존재하는 ROM(Read Only Memory), RAM(Random Access Memory), 플래쉬메모리 및 메모리카드 등이 포함된다. The database 540 stores data to be input and output between respective components in the greenhouse control system 111 and stores the data input and output between the components outside the greenhouse control system 111 and the greenhouse control system 111 And stores the data. One example of such a database unit 540 includes a ROM (Read Only Memory), a RAM (Random Access Memory), a flash memory, a memory card, and the like existing inside or outside the greenhouse control system 111.

한편, 당업자라면, 센서부(500), 전송부(510), 수신부(520), 제어부(530) 및 데이터베이스(540) 각각이 분리되어 구현되거나, 이 중 하나 이상이 통합되어 구현될 수 있음을 충분히 이해할 것이다. Those skilled in the art will appreciate that the sensor unit 500, the transmission unit 510, the reception unit 520, the control unit 530, and the database 540 may be separately implemented, or at least one of them may be integrated I will fully understand.

도 6은 본 발명의 일 실시예에 따른, 파라미터 결정 서버(100)에서 온실의 구동기의 파라미터를 결정하는 방법을 나타낸 동작 흐름도이다. FIG. 6 is a flowchart illustrating a method of determining a parameter of a driver of a greenhouse in the parameter determination server 100, according to an embodiment of the present invention.

도 6에 도시된 실시예에 따른 구동기의 파라미터 결정 방법은 도 1 내지 도 5에 도시된 실시예에 따른 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 5의 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에 관하여 기술된 내용은 도 6에 도시된 실시예에 따른 구동기의 파라미터 결정 방법에도 적용될 수 있다. The parameter determination method of the driver according to the embodiment shown in FIG. 6 includes the steps of the parameter determination server 100 and the plurality of greenhouse control systems 110 according to the embodiment shown in FIGS. 1 to 5, . Therefore, the contents described with respect to the parameter determination server 100 and the plurality of greenhouse control systems 110 of Figs. 1 to 5 are not limited to the driver parameter determination method according to the embodiment shown in Fig. 6 Can be applied.

도 6을 참조하면, 단계 S601에서 파라미터 결정 서버(100)는 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집할 수 있다. Referring to FIG. 6, in step S601, the parameter determination server 100 may collect greenhouse data including at least one of setting information, environment information, and driver information.

단계 S603에서 파라미터 결정 서버(100)는 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성할 수 있다. 여기서, 온실 모델은 설정 정보 및 구동기 정보에 기초하여 가상 온실이 모델링된 플랜트 모델, 환경 정보에 기초하여 가상 온실의 환경이 모델링된 센서 모델 및 구동기 정보에 기초하여 각 구동기가 모델링된 컨트롤 모델을 포함할 수 있다. In step S603, the parameter determination server 100 can generate a greenhouse model using an artificial neural network that inputs greenhouse data. Here, the greenhouse model includes a plant model in which a virtual greenhouse is modeled based on setting information and driver information, a sensor model in which the environment of the virtual greenhouse is modeled based on environment information, and a control model in which each driver is modeled based on driver information can do.

단계 S605에서 파라미터 결정 서버(100)는 온실 모델로부터 구동기의 파라미터를 도출할 수 있다. 여기서, 파라미터는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값일 수 있다. In step S605, the parameter determination server 100 can derive the parameter of the driver from the greenhouse model. Here, the parameter may be a value for determining a proportional control parameter for each driver of the greenhouse.

도 6에는 도시되지 않았으나, 단계 S605 이후에 파라미터 결정 서버(100)는 온실의 온실 제어 시스템(111)으로 파라미터를 전송할 수 있다. Although not shown in FIG. 6, after step S605, the parameter determination server 100 can transmit the parameters to the greenhouse control system 111 of the greenhouse.

도 6에는 도시되지 않았으나, 단계 S603에서 파라미터 결정 서버(100)는 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 온실 모델을 생성할 수 있다. Although not shown in FIG. 6, in step S603, the parameter determination server 100 can generate a greenhouse model by learning a virtual greenhouse for a predetermined period based on greenhouse data.

도 6에는 도시되지 않았으나, 단계 S601에서 파라미터 결정 서버(100)는 온실 데이터를 온실 제어 시스템(111)으로부터 수집할 수 있다. Although not shown in FIG. 6, the parameter determination server 100 can collect greenhouse data from the greenhouse control system 111 in step S601.

도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 전역 탐색법에 기초하여 구동기의 복수의 파라미터를 도출할 수 있다. Although not shown in FIG. 6, in step S605, the parameter determination server 100 can derive a plurality of parameters of the driver based on the global search method.

도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 복수의 파라미터 각각의 평가 범위를 결정하고, 평가 범위를 복수의 구간으로 분할하고, 복수의 파라미터의 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 복수의 입력 파라미터 세트를 결정할 수 있다. Although not shown in Fig. 6, in step S605, the parameter determination server 100 determines the evaluation range of each of the plurality of parameters, divides the evaluation range into a plurality of sections, and calculates a parameter corresponding to each of a plurality of sections of the plurality of parameters Values can be combined to determine a plurality of sets of input parameters.

도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 결정된 복수의 입력 파라미터 세트를 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정할 수 있다. Although not shown in FIG. 6, in step S605, the parameter determination server 100 can sequentially determine a plurality of determined input parameter sets through a greenhouse model to determine an optimal parameter set.

도 6에는 도시되지 않았으나, 단계 S605에서 파라미터 결정 서버(100)는 각 입력 파라미터 세트에 기초하여 각 구동기의 비례 제어 파라미터를 결정하고, 온실 모델에 비례 제어 파라미터를 적용하여 각 입력 파라미터 세트의 평균 제곱근 오차를 결정하고, 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 최적의 파라미터 세트를 결정할 수 있다. Although not shown in FIG. 6, in step S605, the parameter determination server 100 determines the proportional control parameters of each driver based on the respective input parameter sets, applies a proportional control parameter to the greenhouse model, and calculates an average square root of each input parameter set An error can be determined, and an optimal parameter set can be determined based on an average square root error of each input parameter set.

상술한 설명에서, 단계 S601 내지 S605는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. In the above description, steps S601 to S605 may be further divided into further steps or combined into fewer steps, according to an embodiment of the present invention. Also, some of the steps may be omitted as necessary, and the order between the steps may be changed.

도 7은 본 발명의 일 실시예에 따른, 온실 제어 시스템(111)에서 온실의 구동기를 제어하는 방법을 나타낸 동작 흐름도이다.7 is a flowchart illustrating a method of controlling a driver of a greenhouse in a greenhouse control system 111, according to an embodiment of the present invention.

도 7에 도시된 실시예에 따른 구동기 제어 방법은 도 1 내지 도 6에 도시된 실시예에 따른 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 6의 파라미터 결정 서버(100) 및 복수의 온실 제어 시스템(110)에 관하여 기술된 내용은 도 7에 도시된 실시예에 따른 구동기 제어 방법에도 적용될 수 있다. The driver control method according to the embodiment shown in FIG. 7 includes steps that are performed in a time-series manner in the parameter determination server 100 and the plurality of greenhouse control systems 110 according to the embodiment shown in FIGS. 1 to 6 . Therefore, the contents described with respect to the parameter determination server 100 and the plurality of greenhouse control systems 110 of Figs. 1 to 6 can be applied to the driver control method according to the embodiment shown in Fig. 7, have.

도 7을 참조하면, 단계 S701에서 온실 제어 시스템(111)은 온실의 환경 정보 및 구동기 정보를 모니터링할 수 있다. Referring to FIG. 7, in step S701, the greenhouse control system 111 may monitor environmental information and driver information of the greenhouse.

단계 S703에서 온실 제어 시스템(111)은 설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버(100)에게 전송할 수 있다. In step S703, the greenhouse control system 111 can transmit the greenhouse data including at least one of the setting information, the environment information, and the driver information to the parameter determination server 100. [

단계 S705에서 온실 제어 시스템(111)은 파라미터 결정 서버(100)에 의해 결정된 파라미터 세트를 수신할 수 있다. 여기서, 수신한 파라미터 세트는 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고, 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출될 수 있다. The greenhouse control system 111 can receive the parameter set determined by the parameter determination server 100 in step S705. Here, the received parameter set includes a plurality of parameter values for determining proportional control parameters for each driver of the greenhouse, and can be derived from a greenhouse model using an artificial neural network that receives greenhouse data.

단계 S707에서 온실 제어 시스템(111)은 수신한 파라미터 세트에 기초하여 각 구동기를 제어할 수 있다. In step S707, the greenhouse control system 111 can control each driver based on the received parameter set.

상술한 설명에서, 단계 S701 내지 S707은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. In the above description, steps S701 to S707 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present invention. Also, some of the steps may be omitted as necessary, and the order between the steps may be changed.

본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. One embodiment of the present invention may also be embodied in the form of a recording medium including instructions executable by a computer, such as program modules, being executed by a computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. In addition, the computer-readable medium may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes any information delivery media, including computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transport mechanism.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다. It will be understood by those skilled in the art that the foregoing description of the present invention is for illustrative purposes only and that those of ordinary skill in the art can readily understand that various changes and modifications may be made without departing from the spirit or essential characteristics of the present invention. will be. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single entity may be distributed and implemented, and components described as being distributed may also be implemented in a combined form.

본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다. It is intended that the present invention covers the modifications and variations of this invention provided they come within the scope of the appended claims and their equivalents. .

100: 파라미터 결정 서버
110: 복수의 온실 제어 시스템
200: 온실 데이터 수집부
210: 온실 모델링부
212: 플랜트 모델링부
214: 센서 모델링부
216: 컨트롤 모델링부
220: 파라미터 추출부
222: 평가 범위 결정부
224: 파라미터 세트 결정부
226: 비례 제어 파라미터 결정부
228: 입력 파라미터 세트 평가부
230: 파라미터 전송부
500: 센서부
510: 전송부
520: 수신부
530: 제어부
540: 데이터베이스100: Parameter determination server
110: Multiple greenhouse control systems
200: Greenhouse Data Collection Unit
210: Greenhouse modeling unit
212: Plant modeling unit
214: Sensor modeling unit
216: Control Modeling Unit
220:
222: evaluation range determining unit
224: Parameter set determination unit
226: Proportional control parameter determination unit
228: input parameter set evaluation unit
230: Parameter transfer unit
500:
510:
520: Receiver
530:
540: Database

Claims (20)

온실의 구동기의 파라미터를 결정하는 서버에 있어서,
설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 온실 데이터 수집부;
상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 온실 모델링부; 및
상기 온실 모델로부터 구동기의 파라미터를 도출하는 파라미터 추출부
를 포함하고,
상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값이고,
상기 파라미터 추출부는 전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출하고,
상기 파라미터 추출부는 복수의 입력 파라미터 세트를 결정하고, 각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 파라미터 세트 결정부를 포함하고,
상기 파라미터 추출부는
상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 평가 범위 결정부를 더 포함하고,
상기 파라미터 추출부는 상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 상기 복수의 입력 파라미터 세트를 결정하는 것인, 파라미터 결정 서버.
A server for determining parameters of a driver of a greenhouse,
A greenhouse data collecting unit for collecting greenhouse data including at least one of setting information, environment information, and driver information;
A greenhouse modeling unit for generating a greenhouse model using an artificial neural network that receives the greenhouse data as input; And
A parameter extracting unit for deriving a parameter of a driver from the greenhouse model,
Lt; / RTI >
Wherein said parameter is a value for determining a proportional control parameter for each driver of said greenhouse,
Wherein the parameter extracting unit derives a plurality of parameters of the driver based on a global search method,
Wherein the parameter extracting section includes a parameter set determining section that determines a plurality of input parameter sets and sequentially simulates each input parameter set through the greenhouse model to determine an optimum parameter set,
The parameter extracting unit
Further comprising an evaluation range determination unit that determines an evaluation range of each of the plurality of parameters and divides the evaluation range into a plurality of sections,
Wherein the parameter extracting unit determines the plurality of input parameter sets by combining parameter values corresponding to each of the plurality of intervals of the plurality of parameters.
제 1 항에 있어서,
상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 파라미터 전송부를 더 포함하고,
상기 온실 데이터 수집부는 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집하는 것인, 파라미터 결정 서버.
The method according to claim 1,
Further comprising a parameter transmission unit for transmitting the parameter to the greenhouse control system of the greenhouse,
Wherein the greenhouse data collection unit collects the greenhouse data from the greenhouse control system.
제 1 항에 있어서,
상기 파라미터는 최대 P-밴드 온도값, 최대 외부 온도 한계값, 최대 풍속 한계값, 최소 P-밴드 온도값, 최소 외부 온도 한계값 및 최소 풍속 한계값 중 적어도 하나를 포함하는 것인, 파라미터 결정 서버.
The method according to claim 1,
Wherein said parameter comprises at least one of a maximum P-band temperature value, a maximum external temperature limit value, a maximum wind speed limit value, a minimum P-band temperature value, a minimum external temperature limit value and a minimum wind speed limit value, .
제 1 항에 있어서,
상기 온실 모델링부는
상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실을 모델링하는 플랜트 모델링부;
상기 환경 정보에 기초하여 상기 가상 온실의 환경을 모델링하는 센서 모델링부; 및
상기 구동기 정보에 기초하여 각 구동기를 모델링하는 컨트롤 모델링부
를 포함하는 것인, 파라미터 결정 서버.
The method according to claim 1,
The greenhouse modeling unit
A plant modeling unit for modeling the virtual greenhouse based on the setting information and the driver information;
A sensor modeling unit for modeling the environment of the virtual greenhouse based on the environmental information; And
A control modeling unit for modeling each driver based on the driver information,
And a parameter determination server.
삭제delete 삭제delete 제 1 항에 있어서,
상기 파라미터 세트 결정부는
상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 비례 제어 파라미터 결정부; 및
상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하고, 상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 입력 파라미터 세트 평가부
를 포함하는 것인, 파라미터 결정 서버.
The method according to claim 1,
The parameter set determination unit
A proportional control parameter determination unit for determining a proportional control parameter of each of the drivers based on the input parameter sets; And
Determining a root mean square error (RMSE) of each input parameter set by applying the proportional control parameter to the greenhouse model, and determining the optimal parameter set based on an average square root error of each input parameter set The input parameter set evaluating unit
And a parameter determination server.
제 1 항에 있어서,
상기 설정 정보는 온도, 습도, 이산화탄소 중 적어도 하나에 대한 목표 설정 값이고,
상기 환경 정보는 상기 온실의 내부 온도, 외부 온도, 내부 습도, 풍속, 풍향, 강우 중 적어도 하나인 것인, 파라미터 결정 서버.
The method according to claim 1,
Wherein the setting information is a target set value for at least one of temperature, humidity, and carbon dioxide,
Wherein the environment information is at least one of an internal temperature of the greenhouse, an external temperature, an internal humidity, a wind speed, a wind direction, and rainfall.
제 1 항에 있어서,
상기 구동기 정보는 상기 온실의 각 구동기의 설치 정보 및 각 구동기의 사용 이력을 포함하는 것인, 파라미터 결정 서버.
The method according to claim 1,
Wherein the driver information includes installation information of each driver of the greenhouse and usage history of each driver.
제 1 항에 있어서,
상기 인공 신경망을 이용한 온실 모델은 리벤버그-마카드 역전파(levenberg-marquardt backpropagation) 알고리즘에 기초한 것인, 파라미터 결정 서버.
The method according to claim 1,
Wherein the greenhouse model using the artificial neural network is based on a Levenberg-marquardt backpropagation algorithm.
온실 제어 시스템에 있어서,
온실의 환경 정보 및 구동기 정보를 모니터링하는 센서부;
설정 정보, 상기 환경 정보 및 상기 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 파라미터 결정 서버로 전송하는 전송부;
상기 파라미터 결정 서버에 의해 결정된 파라미터 세트를 수신하는 수신부; 및
상기 수신한 파라미터 세트에 기초하여 각 구동기를 제어하는 제어부
를 포함하고,
상기 수신한 파라미터 세트는, 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 복수의 파라미터 값을 포함하고,
상기 수신한 파라미터 세트는, 상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델로부터 도출된 것이고,
상기 수신한 파라미터 세트는, 전역 탐색법에 기초하여 도출된 것이고,
상기 수신한 파라미터 세트는, 복수의 입력 파라미터 세트가 결정되고, 각 입력 파라미터 세트가 상기 온실 모델을 통해 순차적으로 시뮬레이션됨으로써 결정된 최적의 파라미터 세트이고,
상기 복수의 입력 파라미터 세트는,
상기 구동기의 복수의 파라미터 각각의 평가 범위가 결정되고, 상기 평가 범위가 복수의 구간으로 분할되고, 상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값이 조합됨으로써 결정되는, 온실 제어 시스템.
In a greenhouse control system,
A sensor unit for monitoring environmental information and driver information of the greenhouse;
A transmitting unit for transmitting the greenhouse data including at least one of the setting information, the environment information, and the driver information to the parameter determination server;
A receiving unit for receiving a parameter set determined by the parameter determination server; And
A controller for controlling each driver based on the received parameter set;
Lt; / RTI >
Wherein the received parameter set includes a plurality of parameter values for determining a proportional control parameter for each driver of the greenhouse,
Wherein the received parameter set is derived from a greenhouse model using an artificial neural network in which the greenhouse data is input,
The received parameter set is derived based on the global search method,
Wherein the received parameter set is an optimal set of parameters determined by determining a plurality of input parameter sets, each input parameter set being sequentially simulated through the greenhouse model,
Wherein the plurality of input parameter sets comprise:
Wherein an evaluation range of each of a plurality of parameters of the driver is determined and the evaluation range is divided into a plurality of sections and parameter values corresponding to each of the plurality of sections of the plurality of parameters are combined.
제 11 항에 있어서,
상기 각 구동기의 제어를 위한 기본 설정 값 및 상기 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 고급 설정 값을 저장하는 데이터베이스
를 더 포함하는 것인, 온실 제어 시스템.
12. The method of claim 11,
A database storing basic setting values for controlling the drivers and advanced setting values for determining proportional control parameters for the respective drivers;
Wherein the greenhouse control system further comprises:
제 12 항에 있어서,
상기 데이터베이스는 상기 수신한 파라미터 세트로 상기 고급 설정 값을 업데이트하는 것인, 온실 제어 시스템.
13. The method of claim 12,
And the database updates the advanced setting value with the received parameter set.
파라미터 결정 서버에 의해 수행되는 온실의 구동기의 파라미터를 결정하는 방법에 있어서,
설정 정보, 환경 정보 및 구동기 정보 중 적어도 하나를 포함하는 온실 데이터를 수집하는 단계;
상기 온실 데이터를 입력으로 하는 인공 신경망을 이용한 온실 모델을 생성하는 단계; 및
상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계
를 포함하고,
상기 파라미터는 상기 온실의 각 구동기에 대한 비례 제어 파라미터의 결정을 위한 값이고,
상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는,
전역 탐색법에 기초하여 상기 구동기의 복수의 파라미터를 도출하는 것이고,
상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는,
복수의 입력 파라미터 세트를 결정하는 단계; 및
각 입력 파라미터 세트를 상기 온실 모델을 통해 순차적으로 시뮬레이션하여 최적의 파라미터 세트를 결정하는 단계
를 포함하고,
상기 온실 모델로부터 구동기의 파라미터를 도출하는 단계는,
상기 복수의 파라미터 각각의 평가 범위를 결정하고, 상기 평가 범위를 복수의 구간으로 분할하는 단계; 및
상기 복수의 파라미터의 상기 복수의 구간 각각에 해당하는 파라미터 값을 조합하여 상기 복수의 입력 파라미터 세트를 결정하는 단계
를 더 포함하는 것인, 파라미터 결정 방법.
A method for determining parameters of a driver of a greenhouse performed by a parameter determination server,
Collecting greenhouse data including at least one of setting information, environment information, and driver information;
Generating a greenhouse model using an artificial neural network in which the greenhouse data is input; And
Deriving a parameter of the driver from the greenhouse model
Lt; / RTI >
Wherein said parameter is a value for determining a proportional control parameter for each driver of said greenhouse,
Deriving a parameter of a driver from the greenhouse model comprises:
Deriving a plurality of parameters of the driver based on a global search method,
Deriving a parameter of a driver from the greenhouse model comprises:
Determining a plurality of input parameter sets; And
Sequentially simulating each input parameter set through the greenhouse model to determine an optimal parameter set
Lt; / RTI >
Deriving a parameter of a driver from the greenhouse model comprises:
Determining an evaluation range of each of the plurality of parameters and dividing the evaluation range into a plurality of sections; And
Determining a plurality of input parameter sets by combining parameter values corresponding to each of the plurality of intervals of the plurality of parameters
Further comprising the steps of:
제 14 항에 있어서,
상기 온실 모델을 생성하는 단계는
상기 온실 데이터에 기초하여 기설정된 기간 동안 가상 온실을 학습하여 상기 온실 모델을 생성하는 것인, 파라미터 결정 방법.
15. The method of claim 14,
The step of generating the greenhouse model
And the greenhouse model is generated by learning a virtual greenhouse for a predetermined period based on the greenhouse data.
제 14 항에 있어서,
상기 온실의 온실 제어 시스템으로 상기 파라미터를 전송하는 단계를 더 포함하고,
상기 온실 데이터를 수집하는 단계는, 상기 온실 데이터를 상기 온실 제어 시스템으로부터 수집하는 것인, 파라미터 결정 방법.
15. The method of claim 14,
Further comprising transmitting said parameter to a greenhouse control system of said greenhouse,
Wherein collecting the greenhouse data collects the greenhouse data from the greenhouse control system.
제 14 항에 있어서,
상기 온실 모델은 상기 설정 정보 및 상기 구동기 정보에 기초하여 가상 온실이 모델링된 플랜트 모델, 상기 환경 정보에 기초하여 상기 가상 온실의 환경이 모델링된 센서 모델 및 상기 구동기 정보에 기초하여 각 구동기가 모델링된 컨트롤 모델을 포함하는 것인, 파라미터 결정 방법.
15. The method of claim 14,
Wherein the greenhouse model includes a plant model in which a virtual greenhouse is modeled based on the setting information and the driver information, a sensor model in which an environment of the virtual greenhouse is modeled based on the environment information, And a control model.
삭제delete 삭제delete 제 14 항에 있어서,
상기 최적의 파라미터 세트를 결정하는 단계는,
상기 각 입력 파라미터 세트에 기초하여 상기 각 구동기의 비례 제어 파라미터를 결정하는 단계; 및
상기 온실 모델에 상기 비례 제어 파라미터를 적용하여 상기 각 입력 파라미터 세트의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 결정하는 단계; 및
상기 각 입력 파라미터 세트의 평균 제곱근 오차에 기초하여 상기 최적의 파라미터 세트를 결정하는 단계
를 포함하는 것인, 파라미터 결정 방법.15. The method of claim 14,
Wherein determining the optimal parameter set comprises:
Determining a proportional control parameter of each driver based on the set of input parameters; And
Determining a root mean square error (RMSE) of each input parameter set by applying the proportional control parameter to the greenhouse model; And
Determining the optimal parameter set based on a mean square root error of each input parameter set
/ RTI >
KR1020160109842A 2016-08-29 2016-08-29 Server and method for determining actuator parameter of greenhouse KR101959886B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160109842A KR101959886B1 (en) 2016-08-29 2016-08-29 Server and method for determining actuator parameter of greenhouse

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160109842A KR101959886B1 (en) 2016-08-29 2016-08-29 Server and method for determining actuator parameter of greenhouse

Publications (2)

Publication Number Publication Date
KR20180024171A KR20180024171A (en) 2018-03-08
KR101959886B1 true KR101959886B1 (en) 2019-03-19

Family

ID=61726089

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160109842A KR101959886B1 (en) 2016-08-29 2016-08-29 Server and method for determining actuator parameter of greenhouse

Country Status (1)

Country Link
KR (1) KR101959886B1 (en)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102166146B1 (en) * 2018-11-15 2020-10-15 한국과학기술연구원 Apparatus and Method for Controlling Multiple windows in a greenhouse
KR102369167B1 (en) * 2020-01-10 2022-03-03 (주)알파랩에이아이 management system for smart-farm machine learning
KR102264227B1 (en) * 2020-12-17 2021-06-11 주식회사 다함 Precision control system of smart greenhouse

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140077720A (en) * 2012-12-14 2014-06-24 한국전자통신연구원 Method for control of greenhouse based on learning and control system thereof
KR20140143272A (en) * 2013-06-05 2014-12-16 순천대학교 산학협력단 System and method for providing optical growth environments in cultivation under structure
KR20150072616A (en) * 2013-12-20 2015-06-30 한국전자통신연구원 Method for adaptive greenhouse control

Also Published As

Publication number Publication date
KR20180024171A (en) 2018-03-08

Similar Documents

Publication Publication Date Title
Abioye et al. A review on monitoring and advanced control strategies for precision irrigation
US10349584B2 (en) System and method for plant monitoring
KR101811640B1 (en) Prediction apparatus and method for production of crop using machine learning
KR20170028721A (en) System for controling greenhouse environment and parameter of controller of greenhouse
Martinović et al. Greenhouse microclimatic environment controlled by a mobile measuring station
Hongkang et al. Recurrent neural network model for prediction of microclimate in solar greenhouse
KR102267180B1 (en) Air conditioning system and controlling method thereof
KR101959886B1 (en) Server and method for determining actuator parameter of greenhouse
WO2018101848A1 (en) Predictive dynamic cloud based system for environmental sensing and actuation and respective method of operation
KR20130049567A (en) Device and method for monitoring/measuring plants
US20220248616A1 (en) Irrigation control with deep reinforcement learning and smart scheduling
CN104075402A (en) Intelligent air conditioner control method and system
KR20220071405A (en) Agricultural support system and method using big data of smart farm
Medina-Ruíz et al. Mathematical modeling on tomato plants: A review
CN112465109A (en) Green house controlling means based on cloud limit is in coordination
KR102519017B1 (en) Misbehavior Detection System for network of Smart Greenhouse Farming network and the Method thereof
KR102166146B1 (en) Apparatus and Method for Controlling Multiple windows in a greenhouse
KR20180029381A (en) Appratus for controlling environment in the protected horticulture and method for using the same
KR102387765B1 (en) Method and apparatus for estimating crop growth quantity
Ferreira et al. Evolutionary multiobjective design of radial basis function networks for greenhouse environmental control
KR20220024480A (en) Information processing devices and methods
Bontsema et al. On-line estimation of the transpiration in greenhouse horticulture
KR102380989B1 (en) Smart farm control device providing growth recipe information for crops grown in smart farm and method of operating the same
WO2020255678A1 (en) Information processing device and method
Ahmad et al. Neural network modeling and identification of naturally ventilated tropical greenhouse climates

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant