KR102012931B1 - 폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법 - Google Patents

폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법 Download PDF

Info

Publication number
KR102012931B1
KR102012931B1 KR1020170163419A KR20170163419A KR102012931B1 KR 102012931 B1 KR102012931 B1 KR 102012931B1 KR 1020170163419 A KR1020170163419 A KR 1020170163419A KR 20170163419 A KR20170163419 A KR 20170163419A KR 102012931 B1 KR102012931 B1 KR 102012931B1
Authority
KR
South Korea
Prior art keywords
agent
zone
data
building
machine learning
Prior art date
Application number
KR1020170163419A
Other languages
English (en)
Other versions
KR20190064111A (ko
Inventor
성윤동
윤기환
송유진
Original Assignee
한국에너지기술연구원
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 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020170163419A priority Critical patent/KR102012931B1/ko
Publication of KR20190064111A publication Critical patent/KR20190064111A/ko
Application granted granted Critical
Publication of KR102012931B1 publication Critical patent/KR102012931B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

일 실시예는, 건물의 일 구역에 설치되는 센서네트워크; 상기 센서네트워크로부터 획득되는 측정데이터를 관리하는 구역에이전트; 상기 구역에이전트로부터 상기 센서네트워크의 설정정보를 포함하는 시스템구성데이터를 수신하여 관리하는 건물에이전트; 및 상기 구역에이전트로부터 수신되는 상기 측정데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 측정데이터 중 일부를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고, 상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하고, 상기 시스템구성데이터를 상기 가상에이전트에 적용시키는 에너지관리시스템을 제공한다.

Description

폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법{ENERGY MANAGEMENT SYSTEM AND ENERGY MANAGEMENT METHOD INCLUDING FAULT TOLERANT FUNCTION}
본 실시예는 에너지를 관리하는 기술에 관한 것이다.
최근 에너지 수요증가가 빠르게 증가하면서 전력 부족 현상이 심화되고 있다. 이러한 전력 부족 현상을 해소하기 위해, 발전 및 송배전 시설을 추가 설치함에 따라 사회적 비용이 급증하고 있으며, 전력의 공급확대도 지체되고 있는 상황이다. 이에 따라, 정부에서도 과거의 공급중심에서 수요관리 중심의 에너지 정책으로 전환하고 있다.
전력의 수요관리란 소비자들의 전력 사용 패턴 변화를 통해 최소 비용으로 안정적인 전력수요를 충족시키기 위한 방안이다. 전력의 수요관리는 수요반응과 에너지효율향상으로 나눌 수 있다. 이러한 전력 수요관리를 건물, 가정, 공장에 적용할 경우 에너지 수요관리 효과가 크게 나타날 수 있을 것으로 판단된다.
건물의 전력 수요를 관리하는 시스템을 BEMS(Building Energy Management System)라고 하고, BEMS의 관리기기를 건물에이전트라고 부르기도 한다.
한편, 건물 전체에 대해 하나의 수요관리 정책을 적용하는 경우, 서로 다른 구역에 거주하는 사용자들의 서로 다른 요구를 만족시키기 어렵기 때문에, 구역에이전트를 설치하고 각 구역에 대하여 서로 다른 수요관리 정책을 적용시킬 수 있다. 그런데, 이렇게 구역별로 에이전트를 설치하게 되면, 에이전트 개수가 증가하게 되고 유지보수의 측면에서 고장 대응이 어렵게 된다. 뿐만 아니라 일부의 에이전트가 고장나는 경우, 고장된 구역에이전트와 더불어 구역에이전트를 총괄하는 건물에이전트도 정상적인 서비스를 제공하지 못하는 문제가 발생한다.
이러한 배경에서, 본 실시예의 목적은, 폴트 톨러런트(fault tolerant) 기능을 포함하는 에너지 관리 기술을 제공하는 것이다.
전술한 목적을 달성하기 위하여, 일 실시예는, 건물을 구성하는 일 구역의 에너지를 관리하는 구역에이전트; 복수의 상기 구역에이전트로부터 획득되는 구역에이전트데이터를 바탕으로 상기 건물의 에너지를 관리하는 건물에이전트; 복수의 상기 건물에이전트로부터 획득되는 건물에이전트데이터를 바탕으로 커뮤니티의 에너지를 관리하는 커뮤니티에이전트; 및 상기 구역에이전트로부터 수신되는 구역데이터 중 제1구역데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 구역데이터 중 제2구역데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고, 상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하는 에너지관리시스템을 제공한다.
상기 제2기계학습모델은 상기 제2구역데이터 중 제3구역데이터를 시계열데이터로 입력받아 학습될 수 있다.
상기 원격장치는, 고장예측레벨을 포함하여 상기 고장정보를 생성하고, 상기 건물에이전트는, 상기 고장예측레벨이 미리 설정된 기준레벨 이상이면 상기 가상에이전트로 상기 구역에이전트를 대체시킬 수 있다.
상기 건물에이전트는, 상기 고장예측레벨이 상기 기준레벨보다 낮으면 상기 가상에이전트가 상기 구역에이전트에서 수집하는 측정데이터를 백업하도록 제어할 수 있다.
상기 원격장치는, 고장종류를 포함하여 상기 고장정보를 생성하고, 상기 고장종류가 통신고장인 경우, 상기 구역데이터 중 일부가 송수신되지 않도록 상기 구역에이전트를 제어할 수 있다.
상기 건물에이전트는, 상기 통신고장이 일정 시간 이상 지속되면, 상기 가상에이전트로 상기 구역에이전트를 대체시킬 수 있다.
상기 구역데이터에는 데이터별로 중요도가 설정되고, 상기 원격장치는, 상기 구역데이터 중 중요도가 낮은 데이터가 송수신되지 않도록 상기 구역에이전트를 제어할 수 있다.
상기 건물에이전트는, 상기 구역에이전트가 관리하는 센서 및 기기들의 정보를 포함하는 시스템구성데이터를 상기 구역에이전트로부터 수신하고 상기 시스템구성데이터를 상기 가상에이전트에 적용시킬 수 있다.
다른 실시예는, 커뮤니티의 에너지를 관리하는 방법에 있어서, 구역에이전트가 건물을 구성하는 일 구역의 에너지를 관리하는 단계; 건물에이전트가 복수의 상기 구역에이전트로부터 획득되는 구역에이전트데이터를 바탕으로 상기 건물의 에너지를 관리하는 단계; 커뮤니티에이전트가 복수의 상기 건물에이전트로부터 획득되는 건물에이전트데이터를 바탕으로 커뮤니티의 에너지를 관리하는 단계; 원격장치가, 상기 구역에이전트로부터 수신되는 구역데이터 중 제1구역데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 구역데이터 중 제2구역데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 단계; 및 상기 건물에이전트가 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하는 단계를 포함하는 에너지관리방법을 제공한다.
또 다른 실시예는, 건물의 일 구역에 설치되는 센서네트워크; 상기 센서네트워크로부터 획득되는 측정데이터를 관리하는 구역에이전트; 상기 구역에이전트로부터 상기 센서네트워크의 설정정보를 포함하는 시스템구성데이터를 수신하여 관리하는 건물에이전트; 및 상기 구역에이전트로부터 수신되는 상기 측정데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 측정데이터 중 일부를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고, 상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하고, 상기 시스템구성데이터를 상기 가상에이전트에 적용시키는 에너지관리시스템을 제공한다.
상기 가상에이전트는 상기 구역에이전트와 동일한 상기 제1기계학습모델을 이용하여 상기 구역의 에너지수요예측데이터를 획득할 수 있다.
상기 원격장치는, 고장예측레벨을 포함하여 상기 고장정보를 생성하고, 상기 건물에이전트는, 상기 고장예측레벨이 미리 설정된 기준레벨 이상이면 상기 가상에이전트로 상기 구역에이전트를 대체시킬 수 있다.
상기 건물에이전트는, 상기 고장예측레벨이 상기 기준레벨보다 낮으면 상기 가상에이전트가 상기 구역에이전트에서 수집하는 상기 측정데이터를 백업하도록 제어할 수 있다.
상기 원격장치는, 상기 구역에이전트로부터 상기 측정데이터를 수신하고, 상기 측정데이터를 상기 가상에이전트로 전달할 수 있다.
상기 원격장치는, 고장종류를 포함하여 상기 고장정보를 생성하고, 상기 고장종류가 통신고장인 경우, 상기 구역데이터 중 중요도가 기준값보다 낮은 데이터가 송수신되지 않도록 상기 구역에이전트를 제어할 수 있다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 에너지관리시스템에서, 시스템을 구성하는 하드웨어 혹은 소프트웨어에서 결함이나 고장이 발생하더라도 정상적 혹은 부분적으로 기능을 수행할 수 있는 효과가 있다.
도 1은 일 실시예에 따른 에너지관리시스템의 개념도이다.
도 2는 커뮤니티의 계층적 구조를 나타내는 도면이다.
도 3은 커뮤니티 레벨의 시스템 구성도이다.
도 4는 건물 레벨의 시스템 구성도이다.
도 5는 구역 레벨의 시스템 구성도이다.
도 6은 일 실시예에 따른 폴트 톨러런트 기능을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 머신러닝장치의 에이전트블럭의 구성도이다.
도 8은 일 실시예에 따른 에이전트블럭의 내부 구성도이다.
도 9는 일 실시예에 따른 고장감지모델(제2기계학습모델)의 입출력데이터를 나타내는 도면이다.
도 10은 일 실시예에 따른 에너지관리시스템의 제1예시 제어 흐름도이다.
도 11은 일 실시예에 따른 에너지관리시스템의 제2예시 제어 흐름도이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 1은 일 실시예에 따른 에너지관리시스템의 개념도이다.
도 1을 참조하면, 에너지관리시스템(100)은 커뮤니티 시스템과 클라우드 시스템으로 구성된다.
커뮤니티 시스템에는 적어도 하나 이상의 에이전트장치(110)가 포함되고, 클라우드 시스템에는 적어도 하나 이상의 머신러닝장치(120)가 포함된다. 머신러닝장치(120)는 머신러닝기능을 일부 수행하기 때문에 '머신러닝장치'로 호칭하였으나, 머신러닝기능만 수행하는 것은 아니기 때문에 '원격장치'와 같이 다른 용어로 호칭될 수 있다. 이하에서는 설명의 편의를 위하여 '머신러닝장치'로 호칭하여 설명한다.
에이전트장치(110)는 커뮤니티의 공간 내에 위치하고 있는 다양한 센서들(미터기 포함)로부터 측정데이터를 생성한 후 네트워크를 통해 머신러닝장치(120)로 전송한다. 또한, 에이전트장치(110)는 UI(User Interface)장치를 포함하고 있으면서 UI장치를 통해 사용자로부터 획득한 설정정보를 머신러닝장치(120)로 전송한다.
그리고, 머신러닝장치(120)는 에이전트장치(110)로부터 수신한 측정데이터 및 설정정보를 입력데이터로 하는 기계학습모델을 통해 예측데이터 및 최적화데이터를 생성하여 에이전트장치(110)로 전송한다.
그리고, 에이전트장치(110)는 머신러닝장치(120)로부터 수신한 예측데이터 및 최적화데이터를 이용하여 커뮤니티의 에너지를 관리한다.
에이전트장치(110)가 머신러닝장치(120)로 전송하는 에이전트정보는 측정데이터, 시스템구성데이터, 상태데이터 등을 포함할 수 있다.
측정데이터는 에이전트장치(110)가 관리하는 센서들로부터 획득되는 데이터이다. 에이전트장치(110)는 측정데이터를 머신러닝장치(120)로 전송할 수 있고, 실시예에 따라서는 측정데이터를 가공한 가공데이터를 머신러닝장치(120)로 전송할 수 있다. 혹은 에이전트장치(110)는 측정데이터와 가공데이터를 머신러닝장치(120)로 전송할 수 있다. 이하에서는 에이전트장치(110)가 머신러닝장치(120)로 측정데이터를 전송하는 것으로 설명하는데, 이러한 측정데이터는 가공데이터로 대체되거나 가공데이터와 함께 전송될 수 있는 것으로 이해해야한다.
시스템구성데이터는 에이전트장치(110)가 관리하는 센서들 및 기기들의 정보를 포함할 수 있다. 예를 들어, 시스템구성데이터는 센서들 및 기기들의 종류, 통신주소-예를 들어, IP-, 통신프로토콜 등을 포함할 수 있다. 에이전트장치(110)는 다른 에이전트장치로부터 시스템구성데이터를 전달받아 다른 에이전트장치가 관리하는 센서들 및 기기들을 대신하여 관리할 수 있다.
상태데이터는 에이전트장치(110)의 상태정보, 혹은 에이전트장치(110)가 관리하는 센서들 및 기기들의 상태정보를 포함할 수 있다. 상태정보는 예를 들어, 고장여부에 대한 정보를 포함할 수 있다.
머신러닝장치(120)가 에이전트장(110)로 전송하는 머신러닝정보는 예측데이터, 추정데이터, 최적화데이터 및 제어데이터를 포함할 수 있다. 예측데이터는 에너지수요예측데이터를 포함할 수 있고, 추정데이터는 재실자추정데이터를 포함할 수 있다.
최적화데이터는 에이전트장치(110)가 관리하는 기기들을 제어하는 기기제어데이터를 포함할 수 있다. 에이전트장치(110)는 최적화데이터에 포함된 기기제어데이터에 따라 관리하는 기기들을 제어함으로써 해당 영역의 에너지 사용을 최적화시킬 수 있다.
제어데이터는 머신러닝장치(120)가 에이전트장치(110)를 제어하고자 할 때, 사용하는 데이터로서, 예를 들어, 제어데이터에 따라 에이전트장치(110)의 작동이 개시되거나 작동이 중단될 수 있다. 다만, 제어데이터는 강제적인 신호는 아니어서 제어데이터에 포함된 제어값의 실행 여부는 에이전트장치(110)의 판단에 의해 결정될 수 있다.
커뮤니티에서 에이전트장치(110)는 계층적으로 배치될 수 있고, 각 계층에 배치되는 에이전트장치(110)는 독립적으로 머신러닝장치(120)와 통신하면서 정보를 송수신할 수 있다.
도 2 내지 도 5를 참조하여, 커뮤니티의 계층적 구조를 설명한다.
도 2는 커뮤니티의 계층적 구조를 나타내는 도면이다.
도 2를 참조하면, 최상의 커뮤니티 레벨에 커뮤니티에이전트(CEMA: Community Energy Management Agent)가 위치하고, 다음의 건물 레벨에 커뮤니티에이전트(CEMA)와 연결되는 적어도 하나 이상의 건물에이전트(BEMA: Building Energy Management Agent)가 위치한다. 그리고, 그 다음의 구역 레벨에 각각의 건물에이전트(BEMA)와 연결되는 적어도 하나 이상의 구역에이전트(ZEMA: Zone Energy Management Agent)가 위치하고, 각각의 구역에이전트(ZEMA)에는 최하의 센서네트워크 레벨에 위치하는 에너지기기-예를 들어, HAVC기기, 조명기기 등-와, 개인화기기-예를 들어, PC(Personal Computer) 등-와, 미터기, 센서 등이 위치한다.
도 3은 커뮤니티 레벨의 시스템 구성도이다.
도 3을 참조하면, 커뮤니티에는 적어도 하나 이상의 건물(310)이 위치한다. 그리고, 커뮤니티에는 건물(310)에 속하지 않는 커뮤니티장치들이 포함될 수 있는데, 예를 들어, 커뮤니티에는 커뮤니티부하(320)-가로등, 교통신호시스템 등-가 포함될 수 있다. 그리고, 커뮤니티에는 커뮤니티장치로서, 커뮤니티분산전원(330), 커뮤니티ESS(Energy Storage System, 340), 커뮤니티EV(Electric Vehicle)충전소(350) 등이 포함될 수 있다.
커뮤니티에는 전술한 커뮤니티장치들-커뮤니티부하(320), 커뮤니티분산전원(330), 커뮤니티ESS(340), 커뮤니티EV충전소(350)-이 모두 포함될 수도 있고, 이 중 적어도 하나의 커뮤니티장치만 포함될 수도 있다.
커뮤니티에는 커뮤니티 전체의 에너지를 관리하는 커뮤니티에이전트(CEMA)가 위치한다. 커뮤니티에이전트(CEMA)는 각 건물(310)에 위치하는 건물에이전트(BEMA)와 연결되어 있으면서, 각 건물에이전트(BEMA)를 관장한다. 또한, 커뮤니티에이전트(CEMA)는 각 건물에 속하지 않는 커뮤니티장치들(320, 330, 340, 350)과 연결되어 있으면서, 각 커뮤니티장치들(320, 330, 340, 350)의 상태정보를 획득하고, 각 커뮤니티장치들(320, 330, 340, 350)을 제어한다.
도 4는 건물 레벨의 시스템 구성도이다.
도 4를 참조하면, 각 건물은 적어도 하나 이상의 구역(410)으로 세분된다.
일 실시예에 따른 에너지관리시스템을 구축하는 사람은 각 건물을 복수의 열적구역으로 세분할 수 있다. 여기서, 열적구역이란 열에너지기기-예를 들어, 냉난방기-가 독립적으로 제어되는 구역을 의미할 수 있다. 서로 다른 열적구역은 서로 다른 열적상태로 제어될 수 있다. 예를 들어, 제1열적구역은 실내 온도가 23도로 제어될 수 있고, 제2열적구역은 실내 온도가 28도로 제어될 수 있다.
건물에는 각 구역(410)에 속하지 않는 건물장치들이 포함될 수 있다. 예를 들어, 건물에는 건물부하(420)-엘리베이터부하 등-, 건물분산전원(430), 건물ESS(440), 건물EV충전소(450) 등이 포함될 수 있다.
건물에는 건물 전체의 에너지를 관리하는 건물에이전트(BEMA)가 위치한다. 그리고, 건물에이전트(BEMA)는 각 구역(410)에 위치하는 구역에이전트(ZEMA)와 연결되어 있으면서, 각 구역에이전트(ZEMA)를 관장한다. 또한, 건물에이전트(BEMA)는 각 구역에 속하지 않는 건물장치들(420, 430, 440, 450)과 연결되어 있으면서, 각 건물장치들(420, 430, 440, 450)의 상태정보를 획득하고, 각 건물장치들(420, 430, 440, 450)을 제어한다.
도 5는 구역 레벨의 시스템 구성도이다.
도 5를 참조하면, 각 구역에는 에너지기기(312, 314) 및 개인화기기(316)가 위치할 수 있다.
개인화기기(316)는 개인의 특성이 반영되는 전기기기로서, 예를 들어, PC(Personal Computer), 책상용 스탠드조명 등이 개인화기기(316)에 속한다. 에너지기기(312, 314)는 개인화기기(316)에 해당되지 않는 전기기기로서, 주로 각 구역의 환경을 제어하는 전기기기이다. 예를 들어, HVAC(Heating, Ventilation, Ari Condition)기기(312) 및 조명기기(314)가 에너지기기에 속한다. 기기들(312, 314, 316)에는 기기센서(560)가 부착될 수 있다. 기기센서(560)는 예를 들어, 기기들(312, 314, 316)의 온오프 상태에 대한 센서일 수 있고, 기기들(312, 314, 316)의 에너지사용량을 모니터링하는 미터기일 수 있다.
각 구역에는 복수의 센서들이 위치할 수 있다. 예를 들어, 각 구역에는 온도센서(520), CO2센서(530), 습도센서(540), 조도센서(550) 등이 위치할 수 있다.
센서들(520, 530, 540, 550) 및 기기센서(560)는 센서네트워크(510)를 구성할 수 있다. 그리고, 센서네트워크(510)의 구성들은 구역에이전트(ZEMA)와 통신하면서 측정값을 구역에이전트(ZEMA)로 전달할 수 있다.
구역에는 구역 전체의 에너지를 관리하는 구역에이전트(ZEMA)가 위치한다. 그리고, 구역에이전트(ZEMA)는 센서들(520, 530, 540, 550)로부터 측정데이터를 획득하고, 에너지기기(312, 314) 및 개인화기기(316)로부터 기기에너지사용량데이터(기기에너지사용량데이터는 측정데이터의 일종으로 볼 수 있음)를 획득할 수 있다.
에너지관리시스템은 커뮤니티의 계층적 구조를 이용하여, 에너지수요를 예측할 수 있다.
먼저 각 구역별로 에너지 수요가 예측된다.
각 구역에 위치하는 구역에이전트(ZEMA)는 센서네트워크로부터 획득한 환경데이터 및 전기기기로부터 획득한 기기에너지사용량데이터를 머신러닝장치로 전송하고 구역에너지수요예측데이터를 수신한다.
각 구역별로 에너지 수요가 예측되면, 그 다음으로 각 건물별로 에너지 수요가 예측된다.
각 건물에 위치하는 건물에이전트(BEMA)는 각 구역들에 대한 구역에너지수요예측데이터와 각 구역에 속하지 않는 건물장치들의 상태정보를 머신러닝장치로 전송하고 건물에너지수요예측데이터를 수신한다.
각 건물별로 에너지 수요가 예측되면, 그 다음으로 커뮤니티 전체에 대한 에너지 수요가 예측된다.
커뮤니티에이전트(CEMA)는 각 건물에 대한 건물에너지수요예측데이터와 각 건물에 속하지 않는 커뮤니티장치들의 상태정보를 머신러닝장치로 전송하고 커뮤니티에너지수요예측데이터를 수신한다.
에너지관리시스템은 이러한 계층적인 구조를 통해 각 구역별로 에너지 수요를 예측할 수 있게 된다.
에너지관리시스템은 머신러닝장치를 이용하여 재실자수를 예측할 수 있다.
에너지관리시스템은 구역에 대한 에너지 수요를 예측하기 전에, 각 구역의 재실자수를 예측할 수 있다. 에너지관리시스템은 재실자수를 먼저 예측함으로써 각 구역의 거주자에 대한 사용자 편의성을 높이고 에너지효율도 적절히 유지할 수 있다.
재실자수 예측을 위한 기계학습모델은 온도데이터, 습도데이터, CO2데이터 및 개인화기기 에너지사용량데이터를 입력데이터로 포함할 수 있다. 온도데이터, 습도데이터, CO2데이터 및 개인화기기 에너지사용량데이터는 모두 재실자와 관련된 변수들이다. 예를 들어, 각 구역에서의 재실자수가 증가하면 CO2의 농도가 높아지게 된다. 기계학습모델은 CO2의 농도와 재실자수와의 관계를 학습하고, 예측 단계에서 CO2데이터가 입력되면 이를 통해 재실자수를 예측할 수 있다. 개인화기기 에너지사용량데이터도 재실자수와 밀접한 상관관계를 가질 수 있다. 예를 들어, PC의 에너지사용량이 높은 상태에 있다면 PC를 운영하는 사람이 해당 구역에 있다는 것을 의미할 수 있다. 기계학습모델은 개인화기기의 에너지사용량데이터와 재실자수와의 관계를 학습하고, 예측 단계에서 개인화기기 에너지사용량데이터가 입력되면 이를 통해 재실자수를 예측할 수 있다.
기계학습모델은 조도데이터 혹은 사용자단말과의 근거리통신(블루투스)데이터를 입력데이터로 더 사용할 수 있다. 근거리통신데이터를 생성하기 위해, 각 구역에는 근거리통신장치-예를 들어, 블루투스 장치-가 배치될 수 있다. 이러한 근거리통신장치는 사용자단말-예를 들어, 모바일폰-과 근거리통신을 통해 사용자가 실내에 위치하고 있는지를 판단하고 이를 근거리통신데이터로 생성할 수 있다.
기계학습모델은 온도데이터, 습도데이터, CO2데이터 및 개인화기기 에너지사용량데이터를 모두 입력데이터로 사용할 수도 있으나 실시예에 따라서는 그 중 일부의 데이터만 입력데이터로 사용할 수 있다. 예를 들어, 기계학습모델은 CO2데이터를 입력데이터로 하여 재실자수를 계산할 수 있다. 그리고, 실시예에 따라 온도데이터, 습도데이터 및 개인화기기에 대한 기기에너지사용량데이터를 입력데이터로 더 포함할 수 있다.
기계학습모델은 재실자수 예측데이터와 실측데이터를 비교하여 에러데이터를 생성하고 에러데이터에서의 에러값이 작아지도록 기계학습모델 내의 파라미터 및 구조를 변경할 수 있다. 이때, 각 구역에는 재실자수를 측정하는 센서가 포함되지 않을 수 있다. 이러한 상황에서 실측데이터를 확보하기 위해 기계학습모델은 다른 정보를 활용할 수 있다. 예를 들어, 구역에이전트(ZEMA)에는 UI장치가 포함될 수 있는데, 이러한 UI장치를 통해 비정기적으로 재실자수가 입력되고 이러한 사용자 입력 정보가 기계학습모델의 실측데이터로서 활용될 수 있다.
기계학습모델은 재실자수 뿐만 아니라 재실자패턴도 생성할 수 있다. 재실자패턴이란, 재실여부를 시간의 흐름에 따라 나타내는 값일 수 있는데, 기계학습모델은 이러한 재실자패턴도 생성할 수 있다. 머신러닝장치는 기계학습모델을 통해 재실자수 및 재실자패턴을 포함하는 재실자추정정보를 생성하고 이러한 재실자추정정보를 이용하여 구역에너지수요예측데이터를 생성할 수 있다.
에너지관리시스템은 재실자수 이외에도 구역에 위치하는 기기들에 대한 제어시나리오를 머신러닝장치를 통해 생성할 수 있다. 이때, 머신러닝장치는 사용자편의성을 예측하고, 사용자편의성이 일정한 값 이상으로 유지되도록 제어시나리오를 생성할 수 있다.
한편, 일 실시예에 따른 에너지관리시스템은 폴트 톨러런트 기능을 제공하기 위해 가상에이전트를 생성할 수 있다.
도 6은 일 실시예에 따른 폴트 톨러런트 기능을 설명하기 위한 도면이다.
일 실시예에서 에이전트장치들은 계층적으로 배치될 수 있는데, 이때, 상위에이전트(HEMA)는 고장난 하위에이전트(LEMA)를 대체하는 가상에이전트(VEMA)를 생성하고 가상에이전트(VEMA)가 하위에이전트(LEMA)를 대체할 수 있도록 한다.
상위에이전트(HEMA)는 상대적인 개념으로, 예를 들어, 구역에이전트에 대하여, 건물에이전트 혹은 커뮤니티에이전트가 상위에이전트(HEMA)에 해당되고, 이때, 구역에이전트는 하위에이전트(LEMA)가 될 수 있다. 다른 예로서, 커뮤니티에이전트는 건물에이전트에 대하여 상위에이전트(HEMA)로 기능할 수 있는데, 이때, 건물에이전트는 하위에이전트(LEMA)로 기능할 수 있다.
도 6을 참조하면, 하위에이전트(LEMA)는 네트워크를 통해 센서네트워크(620)로부터 획득되는 측정데이터를 관리할 수 있다. 하위에이전트(LEMA)는 관리대상이 되는 영역-예를 들어, 건물의 일 구역, 혹은 건물 등-에서의 에너지수요예측데이터를 생성하기 위해 센서네트워크(620)로부터 획득된 측정데이터를 머신러닝장치(120)로 전송할 수 있다.
그리고, 머신러닝장치(120)는 이러한 측정데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 해당 영역의 에너지수요예측데이터를 생성할 수 있다. 그리고, 하위에이전트(LEMA)는 에너지수요예측데이터를 바탕으로 생성되는 최적화데이터에 따라 해당 영역의 기기(610)를 제어할 수 있다.
한편, 머신러닝장치(120)는 하위에이전트(LEMA)로부터 수신되는 측정데이터를 이용하여 하위에이전트(LEMA)에 대한 고장정보를 생성할 수 있다. 예를 들어, 머신러닝장치(120)는 하위에이전트(LEMA)로부터 수신되는 측정데이터 중 일부를 입력데이터로 포함하는 제2기계학습모델을 통해 하위에이전트(LEMA)에 대한 고장정보를 생성할 수 있다.
생성된 고장정보는 상위에이전트(HEMA)로 전송되어 활용될 수 있다. 상위에이전트(HEMA)는 고장정보를 확인하고, 하위에이전트(LEMA)에 고장이 발생한 것으로 판단되거나 고장이 발생할 것으로 예측되는 경우, 가상에이전트(VEMA)를 생성하고 가상에이전트(VEMA)로 하여금 하위에이전트(LEMA)를 대체하도록 할 수 있다.
가상에이전트(VEMA)는 하드웨어적으로 상위에이전트(HEMA)와 같은 하드웨어에 속할 수 있다. 가상에이전트(VEMA)는 소프트웨어적으로 생성되는 것으로 상위에이전트(HEMA)는 관리 대상이 되는 하위에이전트(LEMA)의 개수 이상으로 가상에이전트(VEMA)를 생성할 수 있는 하드웨어적인 사양을 가지고 있을 수 있다.
가상에이전트(VEMA)가 하위에이전트(LEMA)를 대체하게 되면 기존의 데이터 송수신 경로가 변경될 수 있다. 예를 들어, 하위에이전트(LEMA)가 대체되기 이전에는 도 6에 도시된 경로1을 따라 데이터가 송수신될 수 있다. 센서네트워크(620)에서 생성된 측정데이터는 경로1을 따라 하위에이전트(LEMA)로 전송되고, 다시 하위에이전트(LEMA)는 경로1을 따라 측정데이터를 머신러닝장치(120)로 전달할 수 있다. 그리고, 머신러닝장치(120)는 경로1을 따라 에너지수요예측데이터 및/또는 최적화데이터를 하위에이전트(LEMA)로 전송할고, 하위에이전트(LEMA)는 경로1을 따라 제어신호를 기기(610)로 전송할 수 있다.
가상에이전트(VEMA)가 하위에이전트(LEMA)를 대체하는 시점부터는 데이터 송수신 경로가 경로1에서 경로2로 변경될 수 있다. 센서네트워크(620)에서 생성된 측정데이터는 네트워크를 거쳐 경로2를 따라 가상에이전트(VEMA)로 전송될 수 있다. 이때, 하드웨어적으로 가상에이전트(VEMA)와 상위에이전트(HEMA)가 같은 장치에 설치되어 있기 때문에 실질적으로 측정데이터는 상위에이전트(HEMA)를 거쳐 가상에이전트(VEMA)로 전달되는 것으로 이해될 수 있다.
그리고, 가상에이전트(VEMA)는 전달받은 측정데이터를 머신러닝장치(120)로 전송하고, 머신러닝장치(120)는 경로2를 통해 에너지수요예측데이터 및/또는 최적화데이터를 가상에이전트(VEMA)로 전송할 수 있다. 그리고, 가상에이전트(VEMA)는 경로2를 통해 기기(610)로 제어신호를 전송할 수 있다.
데이터 송수신 경로의 변경은 네트워크 설정의 변경을 통해 이루어지거나 라우터 등의 설정 변경을 통해 이루어지거나 센서네트워크(620), 기기(610) 등의 설정 변경을 통해 이루어질 수 있다.
한편, 머신러닝장치(120)는 에이전트별로 독립적인 블럭을 생성하고 관리할 수 있다.
도 7은 일 실시예에 따른 머신러닝장치의 에이전트블럭의 구성도이고, 도 8은 일 실시예에 따른 에이전트블럭의 내부 구성도이다.
도 7을 참조하면, 머신러닝장치(120)는 각 에이전트별로 독립적인 에이전트블럭(710a, 710b, 710c)을 생성하고 관리할 수 있다. 예를 들어, 머신러닝장치(120)는 구역에이전트 각각에 대하여 구역에이전트블럭(710a)을 생성하고, 건물에이전트 각각에 대하여 건물에이전트블럭(710b)을 생성하며, 커뮤니티에이전트 각각에 대하여 커뮤니티에이전트블럭(710c)을 생성할 수 있다.
도 8을 참조하면, 에이전트블럭(710)은 예측데이터 및/또는 최적화데이터를 생성하는 부분과 고장정보를 생성하고 대응하는 부분들을 포함할 수 있다.
에이전트장치로부터 수신되는 각종 데이터들은 데이터수신부(810)를 거쳐 전처리부(822, 832, 842)로 전송될 수 있다. 전처리부(822, 832, 842)는 노이즈를 제거하는 필터링 기능을 포함할 수 있고, 로데이터(raw data)를 가공하여 2차데이터를 생성할 수 있다. 예를 들어, 전처리부(822, 832, 842)는 전압데이터 및 전류데이터를 이용하여 전력데이터를 생성할 수 있다. 전처리부(822, 832, 842)에서 처리된 데이터는 후속되는 블럭으로 전달될 수 있다.
제1전처리부(822)에서 처리된 데이터는 재실자추정부(824)로 전달될 수 있다. 재실자추정부(824)는 전달되는 데이터를 입력데이터로 포함하는 제3기계학습모델을 통해 특정 영역의 재실자를 추정할 수 있다. 추정된 재실자수 혹은 재실자패턴은 데이터송신부(850)를 통해 에이전트장치로 전송될 수 있고, 다른 블럭-예를 들어, 예측부(834)-에서 활용될 수 있다.
제2전처리부(832)에서 처리된 데이터는 예측부(834)로 전달될 수 있다. 예측부(834)는 전달되는 데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 특정 영역의 에너지수요예측데이터를 생성할 수 있다. 예를 들어, 구역에이전트에 대응되는 에이전트블럭(710)의 예측부(834)는 구역에이전트로부터 수신되는 구역데이터 중 제1구역데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 해당 구역의 에너지수요예측데이터를 생성할 수 있다. 제1구역데이터는 예를 들어, 센서네트워크에서 생성되는 측정데이터이거나 사용자의 설정에 의해 생성되는 사용자데이터-예를 들어, 사용자가 선호하는 실내온도, 실내조도 등-를 포함할 수 있다.
예측부(834)에서 생성된 에너지수요예측데이터는 데이터송신부(850)를 통해 에이전트장치로 전송될 수 있고, 다른 블럭-예를 들어, 최적화부(836)-에서 활용될 수 있다.
최적화부(836)는 예측부(834)에서 생성된 에너지수요예측데이터 및 사용자데이터를 입력데이터로 포함하는 제4기계학습모델을 통해 해당 영역의 최적화데이터를 생성할 수 있다. 그리고, 최적화데이터는 데이터송신부(850)를 통해 에이전트장치로 전송될 수 있다.
제3전처리부(842)에서 처리된 데이터는 고장감지부(844)로 전달될 수 있다. 고장감지부(844)는 전달되는 데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 에이전트장치의 고장정보를 생성할 수 있다. 예를 들어, 구역에이전트에 대응되는 에이전트블럭(710)의 고장감지부(844)는 구역에이전트로부터 수신되는 구역데이터 중 제2구역데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 구역에이전트의 고장정보를 생성할 수 있다. 제2구역데이터는 예를 들어, 기기들 및 센서네트워크에 대한 상태데이터, 전력을 소비하는 기기에 대한 제어데이터, 전력을 소비하는 기기의 에너지사용량데이터, 센서네트워크에 대한 제어데이터, 센서네트워크의 측정데이터, 전력을 발전하는 기기에 대한 제어데이터, 전력을 발전하는 기기의 에너지발전량데이터, 외부 시스템에서 연계된 기기에 대한 제어데이터, 외부 시스템에서 연계된 기기로부터 수신한 데이터 등일 수 있다.
고장감지부(844)는 고장정보를 생성하고, 고장정보를 데이터송신부(850)를 통해 에이전트장치로 전송할 수 있고, 다른 블럭-예를 들어, 고장처리부(846)-로 전달할 수 있다.
고장처리부(846)는 고장정보를 바탕으로 하위에이전트장치의 고장을 판단하고, 고장에 대응하는 제어프로세스를 생성하여 상위에이전트장치로 전송할 수 있다.
도 9는 일 실시예에 따른 고장감지모델(제2기계학습모델)의 입출력데이터를 나타내는 도면이다.
도 9를 참조하면, 고장감지모델(910)은 기기, 센서네트워크 및 에이전트장치에 대한 상태데이터, 전력을 소비하는 소비기기에 대한 제어데이터, 전력을 소비하는 소비기기의 에너지사용량데이터, 센서네트워크에 대한 제어데이터, 센서네트워크의 측정데이터, 전력을 생산하는 발전기기에 대한 제어데이터, 전력을 생산하는 발전기기에 대한 에너지발전량데이터, 외부 시스템연계기기에 대한 제어데이터, 외부 시스템연계기기로부터 수신하는 데이터 등을 입력데이터로 포함할 수 있다.
그리고, 고장감지모델(910)은 고장정보를 생성할 수 있다. 고장정보는 고장여부정보를 포함할 수 있다. 고장여부정보는 고장여부 및 고장종류를 포함할 수 있다. 고장종류는 예를 들어, 통신고장, 시스템고장 등일 수 있다.
고장정보는 고장예측정보를 포함할 수 있다. 고장예측정보는 고장예측레벨 및 고장종류를 포함할 수 있다. 고장예측레벨은 에이전트장치가 고장날 가능성을 나타내는 값으로 예를 들어, 고장예측레벨이 10단계로 구성될 경우, 고장예측레벨이 10이면 고장이고, 고장예측레벨이 1이면 고장의 초기 단계일 수 있다.
고장정보는 실측데이터와 비교될 수 있는데, 고장정보와 실측데이터의 차이는 에러데이터로서 고장감지모델(910)로 피드백될 수 있다. 고장감지모델(910)은 에러데이터에 포함된 에러값이 작아지도록 내부 변수를 학습시킬 수 있다.
고장감지모델(910)로 입력되는 데이터 중 일부는 시계열데이터일 수 있다. 고장감지모델(910)은 이러한 시계열데이터를 입력받아 학습될 수 있다. 여기서, 시계열데이터는 포함된 정보가 생성된 시간을 확인할 수 있는 데이터로서, 시계열데이터는 정보와 함께 정보의 생성 시간을 포함하거나, 일정한 주기로 생성되는 정보를 포함할 수 있다. 예를 들어, 고장감지모델(910)은 상태데이터를 주기적으로 수신할 수 있는데, 고장감지모델(910)은 상태데이터의 지속 시간, 상태데이터가 누락되는 빈도 등으로 고장정보를 생성할 수 있다.
도 10은 일 실시예에 따른 에너지관리시스템의 제1예시 제어 흐름도이다.
도 10을 참조하면, 머신러닝장치는 고장정보를 확인하고 고장종류가 통신고장인지 판단할 수 있다(S1002).
그리고, 머신러닝장치는 고장종류가 통신고장인 경우(S1002의 YES), 에이전트장치의 데이터량을 조정할 수 있다(S1004). 예를 들어, 머신러닝장치는 구역에이전트에 대한 고장정보에 대하여, 고장종류가 통신고장인 경우, 구역에이전트로부터 수신하는 구역데이터 중 일부가 송수신되지 않도록 구역에이전트로 제어신호를 송신할 수 있다.
이때, 송수신이 제한되는 데이터는 중요도가 낮은 데이터일 수 있다. 구역데이터에는 데이터별로 중요도가 설정될 수 있는데, 머신러닝장치는 구역데이터 중 중요도가 낮은 데이터가 송수신되지 않도록 구역에이전트를 제어할 수 있다.
구체적으로, 머신러닝장치는 S1004 단계에서, 중요도레벨변수를 증가시키고 중요도레벨변수에 해당되는 데이터가 송수신되지 않도록 에이전트장치를 제어할 수 있다.
그리고, 머신러닝장치는 통신고장이 일정 시간 이상 지속되면, 상위에이전트가 가상에이전트로 하위에이전트를 대체시키도록 제어할 수 있다.
다른 예로서, 머신러닝장치는 통신고장이 지속되고, 중요도레벨변수가 미리 설정된 값(N, N은 자연수) 이상이 되면(S1006에서 NO1), 상위에이전트가 가상에이전트로 하위에이전트를 대체시키도록 제어할 수 있다.
그리고, 머신러닝장치는 통신고장이 지속되고, 중요도레벨변수가 미리 설정된 값(N, N은 자연수)보다 작으면(S1006에서 YES), 일정 주기시간만큼씩 대기하고 S1004 단계를 재수행할 수 있다.
그리고, 머신러닝장치는 고장이 지속되지 않는 경우(S1006에서 NO2), 상황을 종료시킬 수 있다.
고장종류가 통신고장이 아닌 경우(S1002에서 NO), 혹은 통신고장이 일정 시간 이상 지속되어 가상에이전트가 하위에이전트를 대체하도록 하는 경우, 상위에이전트는 가상에이전트를 생성하고 초기화시킬 수 있다(S1008). 그리고, 고장난 하위에이전트를 경유하던 통신경로는 가상에이전트를 경유하는 통신경로로 재설정될 수 있다(S1010).
도 11은 일 실시예에 따른 에너지관리시스템의 제2예시 제어 흐름도이다.
도 11을 참조하면, 머신러닝장치는 고장예측레벨이 발생하면, 상위에이전트로 하여금 가상에이전트를 생성하고 가상에이전트를 초기화하도록 할 수 있다(S1102). 상위에이전트는 하위에이전트가 관리하는 센서 및 기기들의 정보를 포함하는 시스템구성데이터를 하위에이전트 혹은 머신러닝장치로부터 수신하고 수신된 시스템구성데이터를 가상에이전트에 적용시킬 수 있다.
머신러닝장치는 고장정보에 포함된 고장예측레벨을 미리 설정된 기준레벨(L, L은 자연수)과 비교할 수 있다(S1104).
고장예측레벨이 미리 설정된 기준레벨 이상이 되는 경우(S1104에서 NO), 가상에이전트로 하위에이전트를 대체시키고 통신경로를 재설정할 수 있다(S1112). 그리고, 머신러닝장치 혹은 상위에이전트는 하위에이전트를 종료시키거나 하위에이전트의 데이터 송수신을 차단할 수 있다(S1114).
고장예측레벨이 미리 설정된 기준레벨보다 낮으면(S1104에서 YES), 상위에이전트는 가상에이전트가 하위에이전트에서 수집하는 데이터-예를 들어, 측정데이터-를 백업하도록 가상에이전트를 제어할 수 있다(S1106). 이때, 가상에이전트는 머신러닝장치로부터 데이터를 전달받을 수 있다.
머신러닝장치는 계속해서 고장예측레벨을 모니터링하고, 고장예측레벨이 기준레벨보다 낮으면(S1108에서 YES), 데이터를 백업하는 S1106 단계를 재수행할 수 있다.
그리고, 고장예측레벨이 기준레벨 이상으로 높아지면(S1108에서 NO), 상위에이전트는 통신경로를 재설정하고(S1112), 하위에이전트를 종료시킬 수 있다(S1114).
이상에서 설명한 바와 같이 본 실시예에 의하면, 에너지관리시스템에서, 시스템을 구성하는 하드웨어 혹은 소프트웨어에서 결함이나 고장이 발생하더라도 정상적 혹은 부분적으로 기능을 수행할 수 있는 효과가 있다.
이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 삭제
  2. 건물을 구성하는 일 구역의 에너지를 관리하는 구역에이전트;
    복수의 상기 구역에이전트로부터 획득되는 구역에이전트데이터를 바탕으로 상기 건물의 에너지를 관리하는 건물에이전트;
    복수의 상기 건물에이전트로부터 획득되는 건물에이전트데이터를 바탕으로 커뮤니티의 에너지를 관리하는 커뮤니티에이전트; 및
    상기 구역에이전트로부터 수신되는 구역데이터 중 제1구역데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 구역데이터 중 제2구역데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고,
    상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하며,
    상기 제2기계학습모델은 상기 제2구역데이터 중 제3구역데이터를 시계열데이터로 입력받아 학습하는 에너지관리시스템.
  3. 건물을 구성하는 일 구역의 에너지를 관리하는 구역에이전트;
    복수의 상기 구역에이전트로부터 획득되는 구역에이전트데이터를 바탕으로 상기 건물의 에너지를 관리하는 건물에이전트;
    복수의 상기 건물에이전트로부터 획득되는 건물에이전트데이터를 바탕으로 커뮤니티의 에너지를 관리하는 커뮤니티에이전트; 및
    상기 구역에이전트로부터 수신되는 구역데이터 중 제1구역데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 구역데이터 중 제2구역데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고,
    상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하며,
    상기 원격장치는 고장예측레벨을 포함하여 상기 고장정보를 생성하고,
    상기 건물에이전트는, 상기 고장예측레벨이 미리 설정된 기준레벨 이상이면 상기 가상에이전트로 상기 구역에이전트를 대체시키는 에너지관리시스템.
  4. 제3항에 있어서,
    상기 건물에이전트는,
    상기 고장예측레벨이 상기 기준레벨보다 낮으면 상기 가상에이전트가 상기 구역에이전트에서 수집하는 측정데이터를 백업하도록 제어하는 에너지관리시스템.
  5. 건물을 구성하는 일 구역의 에너지를 관리하는 구역에이전트;
    복수의 상기 구역에이전트로부터 획득되는 구역에이전트데이터를 바탕으로 상기 건물의 에너지를 관리하는 건물에이전트;
    복수의 상기 건물에이전트로부터 획득되는 건물에이전트데이터를 바탕으로 커뮤니티의 에너지를 관리하는 커뮤니티에이전트; 및
    상기 구역에이전트로부터 수신되는 구역데이터 중 제1구역데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 구역데이터 중 제2구역데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고,
    상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하며,
    상기 원격장치는, 고장종류를 포함하여 상기 고장정보를 생성하고, 상기 고장종류가 통신고장인 경우, 상기 구역데이터 중 일부가 송수신되지 않도록 상기 구역에이전트를 제어하는 에너지관리시스템.
  6. 제5항에 있어서,
    상기 건물에이전트는,
    상기 통신고장이 일정 시간 이상 지속되면, 상기 가상에이전트로 상기 구역에이전트를 대체시키는 에너지관리시스템.
  7. 제5항에 있어서,
    상기 구역데이터에는 데이터별로 중요도가 설정되고,
    상기 원격장치는,
    상기 구역데이터 중 중요도가 낮은 데이터가 송수신되지 않도록 상기 구역에이전트를 제어하는 에너지관리시스템.
  8. 건물을 구성하는 일 구역의 에너지를 관리하는 구역에이전트;
    복수의 상기 구역에이전트로부터 획득되는 구역에이전트데이터를 바탕으로 상기 건물의 에너지를 관리하는 건물에이전트;
    복수의 상기 건물에이전트로부터 획득되는 건물에이전트데이터를 바탕으로 커뮤니티의 에너지를 관리하는 커뮤니티에이전트; 및
    상기 구역에이전트로부터 수신되는 구역데이터 중 제1구역데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 구역데이터 중 제2구역데이터를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고,
    상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하며,
    상기 건물에이전트는, 상기 구역에이전트가 관리하는 센서 및 기기들의 정보를 포함하는 시스템구성데이터를 상기 구역에이전트로부터 수신하고 상기 시스템구성데이터를 상기 가상에이전트에 적용시키는 에너지관리시스템.
  9. 삭제
  10. 삭제
  11. 건물의 일 구역에 설치되는 센서네트워크;
    상기 센서네트워크로부터 획득되는 측정데이터를 관리하는 구역에이전트;
    상기 구역에이전트로부터 상기 센서네트워크의 설정정보를 포함하는 시스템구성데이터를 수신하여 관리하는 건물에이전트; 및
    상기 구역에이전트로부터 수신되는 상기 측정데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 측정데이터 중 일부를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고,
    상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하고, 상기 시스템구성데이터를 상기 가상에이전트에 적용시키며,
    상기 가상에이전트는 상기 구역에이전트와 동일한 상기 제1기계학습모델을 이용하여 상기 구역의 에너지수요예측데이터를 획득하는 에너지관리시스템.
  12. 건물의 일 구역에 설치되는 센서네트워크;
    상기 센서네트워크로부터 획득되는 측정데이터를 관리하는 구역에이전트;
    상기 구역에이전트로부터 상기 센서네트워크의 설정정보를 포함하는 시스템구성데이터를 수신하여 관리하는 건물에이전트; 및
    상기 구역에이전트로부터 수신되는 상기 측정데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 측정데이터 중 일부를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고,
    상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하고, 상기 시스템구성데이터를 상기 가상에이전트에 적용시키며,
    상기 원격장치는 고장예측레벨을 포함하여 상기 고장정보를 생성하고,
    상기 건물에이전트는 상기 고장예측레벨이 미리 설정된 기준레벨 이상이면 상기 가상에이전트로 상기 구역에이전트를 대체시키는 에너지관리시스템.
  13. 제12항에 있어서,
    상기 건물에이전트는,
    상기 고장예측레벨이 상기 기준레벨보다 낮으면 상기 가상에이전트가 상기 구역에이전트에서 수집하는 상기 측정데이터를 백업하도록 제어하는 에너지관리시스템.
  14. 제13항에 있어서,
    상기 원격장치는,
    상기 구역에이전트로부터 상기 측정데이터를 수신하고, 상기 측정데이터를 상기 가상에이전트로 전달하는 에너지관리시스템.
  15. 건물의 일 구역에 설치되는 센서네트워크;
    상기 센서네트워크로부터 획득되는 측정데이터를 관리하는 구역에이전트;
    상기 구역에이전트로부터 상기 센서네트워크의 설정정보를 포함하는 시스템구성데이터를 수신하여 관리하는 건물에이전트; 및
    상기 구역에이전트로부터 수신되는 상기 측정데이터를 입력데이터로 포함하는 제1기계학습모델을 통해 상기 구역의 에너지수요예측데이터를 생성하고, 상기 측정데이터 중 일부를 입력데이터로 포함하는 제2기계학습모델을 통해 상기 구역에이전트의 고장정보를 생성하는 원격장치를 포함하고,
    상기 건물에이전트는 상기 고장정보에 따라 상기 구역에이전트를 대체하는 가상에이전트를 생성하고, 상기 시스템구성데이터를 상기 가상에이전트에 적용시키며,
    상기 원격장치는, 고장종류를 포함하여 상기 고장정보를 생성하고, 상기 고장종류가 통신고장인 경우, 상기 측정데이터 중 중요도가 기준값보다 낮은 데이터가 송수신되지 않도록 상기 구역에이전트를 제어하는 에너지관리시스템.
KR1020170163419A 2017-11-30 2017-11-30 폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법 KR102012931B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170163419A KR102012931B1 (ko) 2017-11-30 2017-11-30 폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170163419A KR102012931B1 (ko) 2017-11-30 2017-11-30 폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법

Publications (2)

Publication Number Publication Date
KR20190064111A KR20190064111A (ko) 2019-06-10
KR102012931B1 true KR102012931B1 (ko) 2019-08-21

Family

ID=66848842

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170163419A KR102012931B1 (ko) 2017-11-30 2017-11-30 폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법

Country Status (1)

Country Link
KR (1) KR102012931B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190429B (zh) * 2020-01-13 2022-03-18 南京航空航天大学 一种基于强化学习的无人机主动容错控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101343450B1 (ko) * 2012-08-29 2013-12-20 한국에너지기술연구원 전력망 최적화 정보를 생성하는 방법 및 에이전트 장치
KR101724135B1 (ko) * 2016-10-27 2017-04-06 유병훈 건물 자동제어 네트워크 및 사물인터넷을 이용한 개별 실내환경 제어시스템 및 제어방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101439614B1 (ko) * 2012-07-24 2014-09-12 주식회사 효성 에이전트 기반 에너지 관리 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101343450B1 (ko) * 2012-08-29 2013-12-20 한국에너지기술연구원 전력망 최적화 정보를 생성하는 방법 및 에이전트 장치
KR101724135B1 (ko) * 2016-10-27 2017-04-06 유병훈 건물 자동제어 네트워크 및 사물인터넷을 이용한 개별 실내환경 제어시스템 및 제어방법

Also Published As

Publication number Publication date
KR20190064111A (ko) 2019-06-10

Similar Documents

Publication Publication Date Title
KR101873333B1 (ko) 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템
Xu et al. Toward software defined smart home
Geraldo Filho et al. Energy-efficient smart home systems: Infrastructure and decision-making process
Wang et al. Multimedia communications over cognitive radio networks for smart grid applications
KR101908515B1 (ko) 에너지 관리 시스템, 에너지 관리 방법 및 에너지 수요 예측 방법
KR101917375B1 (ko) 기계학습을 활용한 에너지관리시스템 및 에너지관리방법
US9588506B1 (en) Automation devices, systems, architectures, and methods for energy management and other applications
US11394573B2 (en) Energy virtualization layer with a universal smart gateway
EP3487025B1 (en) Autonomous community energy management system and method
Li et al. Optimization of free space optical wireless network for cellular backhauling
Challen et al. IDEA: Integrated distributed energy awareness for wireless sensor networks
US10361584B2 (en) System for managing energy, method of managing energy, and method of predicting energy demand
US8581439B1 (en) Automation devices, systems, architectures, and methods including controllable transfer switches
de Farias et al. A control and decision system for smart buildings using wireless sensor and actuator networks
Ashraf et al. TOPSIS-based service arbitration for autonomic internet of things
KR102012931B1 (ko) 폴트 톨러런트 기능을 포함하는 에너지관리시스템 및 에너지관리방법
CN114245957A (zh) 对能量交换的控制
Rehman et al. IoT-enabled smart socket
Xu et al. Distributed load shedding for microgrid with compensation support via wireless network
JP2018026033A (ja) 電力需要制御システム、電力需要制御方法、アグリゲータシステム、需要家電力管理システム、及びプログラム
KR101579847B1 (ko) 수요반응 서버, 단말 및 제어방법
US20180317175A1 (en) Method for securing availability of mobile terminal device and information processing device
CN108292122B (zh) 数据和能源存储互联网架构内的分布式信息代理间的通信
Dinusha Rathnayaka et al. Energy resource management in smart home: State of the art and challenges ahead
Minh et al. Managing heterogeneous WSNs in smart cities: Challenges and requirements

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant