KR102069574B1

KR102069574B1 - 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법

Info

Publication number: KR102069574B1
Application number: KR1020180013617A
Authority: KR
Inventors: 박윤식; 권영탁; 한동우
Original assignee: 엘지전자 주식회사
Priority date: 2018-02-02
Filing date: 2018-02-02
Publication date: 2020-02-11
Also published as: EP3748248A4; US20210041121A1; US11635217B2; KR20190094042A; EP3748248A1; WO2019151681A1

Abstract

본 발명은 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법에 관한 기술로, 본 발명의 일 실시예에 의한 공기조화기는 공기조화기의 동작 구간에서 산출되는 파라미터들에서 공기조화기의 둘 이상의 운전 모드로 구분되는 구간에서 효율적으로 동작할 수 있도록 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간에서 하나 이상의 파라미터를 산출하는 파라미터 생성부와, 상기 파라미터를 학습 인자로 입력받아 상기 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하는 운전 모드를 지시하는 운전 모드 정보를 출력하는 학습부를 포함한다.

Description

인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법{AIR-CONDITIONER BASED ON PARAMETER LEARNING USING ARTIFICIAL INTELLIGENCE, CLOUD SERVER, AND METHOD OF OPERATING AND CONTROLLING THEREOF}

본 발명은 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법에 관한 기술이다.

공기조화기는, 쾌적한 실내 환경을 조성하기 위해 실내로 냉온의 공기를 토출하여, 실내 온도를 조절하고, 실내 공기를 정화하도록 함으로서 인간에게 보다 쾌적한 실내 환경을 제공하기 위해 설치된다.

일반적으로 공기조화기는, 실내에 설치되는 실내기와, 압축기 및 열교환기 등으로 구성되어 실내기로 냉매를 공급하는 실외기를 포함한다.

한편, 공기조화기는, 실내기 및 실외기가 분리되어 제어될 수 있다. 또한 공기조화기는, 실외기에 적어도 하나의 실내기가 연결될 수 있으며, 요청되는 운전 상태에 따라, 실내기로 냉매를 공급하여, 냉방 또는 난방모드로 운전된다.

최근 사용자의 편의를 위해 공기조화기를 제어함에 있어서 사용자가 선호하는 온도에 적합하게 공기조화기를 제어하는 기술이 제시되고 있다. 본 발명의 출원인이 출원한 10-2017-0105041 출원의 경우, 쾌속 모드와 쾌적 모드로 동작하는 과정을 제시한다. 도 1에서 보다 상세히 살펴본다.

도 1은 쾌속 모드와 쾌적 모드로 동작하는 공기조화기의 동작 과정을 보여주는 도면이다. 공기조화기가 ON되면(S21). 소정의 설정온도(Ts)에 따라 공기조화기는 쾌속모드(또는 쾌속 구간)로 운전된다(S22) 이때, 설정온도(Ts)는 사용자가 선택하거나 소정의 조건에 따라 자동으로 설정될 수 있다. 쾌속 모드는 공간을 빠르게 냉방(혹은 난방)시키는 구성이다. 이후, 쾌속모드에서 공기조화기가 최대 냉방능력으로 운전하여 신속하게 실내공간을 냉방(혹은 난방)한다. 이 과정에서 설정온도와 실내온도를 비교하여(S23), 설정 온도에 도달하면, 실내 습도를 확인하고(S24), 실내 습도가 소정 수치 이상이면 제습모드로 운전한다(S26). 한편, 실내 습도가 소정 수치 이하이면 쾌적 모드로 운전한다(S25).

여기서 쾌적 모드(또는 쾌적 구간)란 설정온도(Ts) 보다 높은 새로운 설정 온도(Tsa)를 기준으로 운전하는 것을 의미한다. 환경을 감지하여 냉방 부하를 조절하여 쾌적한 냉방(또는 난방)을 유지하는 절전 기능의 동작을 포함한다. 이는 공기조화기가 켜진 상태에서 최초에는 쾌속 모드로 동작하고 이후 일정한 온도에 도달하면 쾌적 모드로의 동작 전환을 제시한다.

그런데, 이러한 쾌적 모드와 쾌속 모드는 미리 설정된 상태에서 주변 환경의 변화를 동적으로 적용하지 못하는 한계가 있다. 온도의 변화나 재실 인원의 수, 또는 습도 등에 따라 쾌속 모드와 쾌적 모드의 동작에 영향을 주는 변수들이 다양해질 수 있는데 이러한 부분을 반영하는 것에 있어서 한계가 있었다.

따라서, 공기조화기의 실내기는 특정한 공간에 배치되어 동작하는데, 다수의 실내기들이 동작하는 과정에서 파생된 정보들을 취합하여 공기조화기의 성능을 높이는 방안에 대한 연구가 요청되고 있다. 이에, 본 명세서에서는 다수의 실내기들의 동작 과정에서 도출되는 정보를 이용하여 각 실내기들이 다양한 운전 모드의 구간에서 최적으로 동작할 수 있도록 제어하는 방법 및 이를 적용한 공기조화기에 대해 살펴본다.

본 명세서에서는 전술한 문제점을 해결하기 위한 것으로, 공기조화기의 동작 구간에서 산출되는 파라미터들에서 공기조화기의 둘 이상의 운전 모드로 구분되는 구간에서 효율적으로 동작할 수 있도록 학습 기반의 장치와 방법을 제공하고자 한다.

본 명세서에서는 다수의 공기조화기의 실내기가 산출한 파라미터를 학습 인자로 하여 공기조화기의 최적의 운전 모드를 산출하는 장치 및 방법을 제공하고자 한다.

본 명세서에서는 실내기가 동작하는 과정에서 온도를 쾌속으로 변화시키는 과정에서 발생한 파라미터에 기반하여 이후 단계의 운전을 제어하는 장치 및 방법을 제공하고자 한다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 발명의 일 실시예에 의한 공기조화기는 공기조화기의 동작 구간에서 산출되는 파라미터들에서 공기조화기의 둘 이상의 운전 모드로 구분되는 구간에서 효율적으로 동작할 수 있도록 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간에서 하나 이상의 파라미터를 산출하는 파라미터 생성부와, 상기 파라미터를 학습 인자로 입력받아 상기 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하는 운전 모드를 지시하는 운전 모드 정보를 출력하는 학습부를 포함한다.

또한, 전술한 학습부에서 출력된 운전 모드 정보에 따라 송풍부나 실외기 등을 제어하는 공기조화기를 포함한다.

본 발명의 일 실시예에 의한 클라우드 서버는 다수의 공기조화기로부터 각각의 공기조화기에 각각 설정된 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간에서 산출된 하나 이상의 파라미터를 수신하고 이에 대응하는 운전 모드 정보를 각각 다수의 공기조화기에게 각각 전송하여 각각의 공기조화기가 제1냉방 능력으로 운전한 후 제1냉방 능력과 상이한 제2냉방 능력으로 운전하도록 운전 모드를 지시하는 운전 모드 정보를 제공한다.

본 발명의 일 실시예에 의한 학습 기반으로 공기조화기가 구동하는 방법은 학습 기반으로 구동하는 공기조화기의 송풍부가 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간 동안 공기 조화기가 위해 공기를 토출하는 단계, 제1 냉방 능력으로 운전하는 구간에서 파라미터 생성부가 파라미터를 산출하고 학습부가 산출한 파라미터를 학습 인자로 입력받아 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하는 운전 모드 정보를 출력하여 이에 대응하여 공기조화기가 운전하는 단계를 포함한다.

본 발명의 일 실시예에 의한 클라우드 서버가 공기조화기의 구동을 학습 기반으로 제어하는 방법은 공기조화기의 구동을 학습 기반으로 제어하는 클라우드 서버의 통신부가 다수의 공기조화기로부터 각각의 공기조화기에 각각 설정된 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간에서 산출된 하나 이상의 파라미터를 수신하는 단계, 학습부가 수신한 파라미터를 학습 인자로 입력받아 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하도록 제1공기조화기의 운전 모드를 지시하는 운전 모드 정보를 출력하여 각각 다수의 공기조화기에게 각각 전송하여 각각의 공기조화기가 제1냉방 능력으로 운전한 후 제1냉방 능력과 상이한 제2냉방 능력으로 운전하도록 운전 모드를 지시하는 운전 모드 정보를 제공한다.

본 발명의 실시예들을 적용할 경우, 공기조화기는 동작 과정에서 산출된 파라미터를 학습 인자로 하여 그에 대응하는 운전 모드를 산출할 수 있다.

본 발명의 실시예들을 적용할 경우, 클라우드 서버는 다수의 공기조화기가 동작 과정에서 산출하여 제공한 파라미터들에 기반하여 학습 후 각 공기조화기에 적합한 운전 모드를 산출할 수 있다.

본 발명의 일 실시예들을 적용할 경우, 공기조화기가 일정한 목표 도달 온도에 도달하도록 동작한 후, 보다 작은 단위시간당 소비 전력량에 기반하여 목표 도달 온도를 일정 범위 내에 유지할 수 있다.

본 발명의 일 실시예를 적용할 경우, 효율적인 에어컨의 냉방 혹은 난방 제어를 위해 학습 기반 부하를 추정하는 방법 및 이를 적용한 장치를 제공할 수 있다.

본 발명의 효과는 전술한 효과에 한정되지 않으며, 본 발명의 당업자들은 본 발명의 구성에서 본 발명의 다양한 효과를 쉽게 도출할 수 있다.

도 1은 쾌속 모드와 쾌적 모드로 동작하는 공기조화기의 동작 과정을 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 공기조화기의 실내기의 구성을 보여주는 정면도이다.
도 3은 본 발명의 일 실시예에 의한 내적 학습기반 제어 모듈(100)의 구성을 보여주는 도면이다.
도 4는 외적 학습을 수행하는 클라우드 서버(300)와 외적 학습기반 제어 모듈(200)의 관계 및 각 구성요소를 보여주는 도면이다.
도 5는 본 발명의 일 실시예에 의한 내적 학습기반 제어모듈이 학습 인자에서 결과 인자를 산출하는 과정을 보여주는 도면이다.
도 6은 본 발명의 일 실시예에 의한 외적 학습기반 제어모듈이 학습 인자에서 결과 인자를 산출하는 과정을 보여주는 도면이다.
도 7은 본 발명의 일 실시예에 의한 내적 학습기반 제어 모듈이 동작하는 과정을 보여주는 도면이다.
도 8은 본 발명의 일 실시예에 의한 외적 학습기반 제어 모듈이 동작하는 과정을 보여주는 도면이다.
도 9는 본 발명의 일 실시예에 의한 파라미터 생성부가 입력 인자를 산출하는 도면이다.
도 10은 본 발명의 일 실시예에 의한 학습부를 구성하는 학습 알고리즘의 구성을 보여주는 도면이다.
도 11은 본 발명의 일 실시예를 적용하는 경우 운전 모드의 변화를 보여주는 도면이다.
도 12는 본 발명의 일 실시예에 의한 부하 단계에 따른 운전모드 제어부가 운전 모드를 제어하는 과정을 보여주는 도면이다.
도 13는 본 발명의 일 실시예에 의한 학습부의 구성을 도시한 도면이다.
도 14는 본 발명의 일 실시예에 의한 학습부의 예시적 구성을 보여주는 도면이다.
도 15는 본 발명의 일 실시예에 의한 냉방 공기를 토출하는 공기조화기의 파라미터들과 풍속 및 냉방 공기의 제공의 상호작용을 도시한 도면이다.
도 16은 본 발명의 다른 실시예에 의한 난방 공기를 토출하는 공기조화기의 파라미터들과 풍속 및 난방 공기의 제공의 상호작용에 대해 도시한 도면이다.

이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.

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 본질, 차례, 순서 또는 개수 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 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.

본 명세서에서 공조조화기를 구성하는 구성요소로 실외기와 실내기로 구분한다. 하나의 공조 시스템은 하나 이상의 실외기와 하나 이상의 실내기로 구성된다. 실외기와 실내기 사이의 관계는 1:1, 1:N, 또는 M:1이 될 수 있다.

본 발명은 냉방 또는 난방을 제어하는 모든 장치에 적용될 수 있다. 다만, 설명의 편의를 위하여 냉방에 중점을 두고 설명한다. 난방에 적용될 경우에는 온도를 높이는 과정과 높인 온도를 유지하는 메커니즘에 본 발명의 실시예들을 적용할 수 있다.

도 2는 본 발명의 일 실시예에 따른 공기조화기의 실내기의 구성을 보여주는 정면도이다.

공기조화기의 실내기는 천장에 설치되는 매립형 또는 스탠드형이 될 수 있다. 또는 벽에 설치되는 벽걸이형이 될 수도 있고 이동 가능한 형태로 구성될 수 있다. 도 2는 다양한 실시예 중에서 스탠드형 실내기(1)를 제시하고 있으나, 본 발명이 이에 한정되는 것은 아니다. 실내기(1)는 별도의 공간에 배치되는 실외기(2)와 연결될 수 있다.

공조의 대상이 되는 실내의 바닥에 세워져 설치되는 스탠드형 공기조화기로 구성될 수 있으며, 이 경우 공기조화기는 실내의 바닥에 놓여 공조모듈(10)을 지지하는 베이스(20)를 더 포함할 수 있다.

공조모듈(10)은 베이스(20) 위에 올려진 형태로 설치될 수 있고, 이 경우 공조모듈(10)은 실내의 소정 높이에서 공기를 흡입하여 공조시킬 수 있다.

공조모듈(10)은 베이스(20)와 분리 가능하게 결합될 수 있고 일체로 구성될 수도 있다.

공조모듈(10)은 송풍부(15)에서 공기를 토출할 수 있다. 공조모듈(10)은 전면으로 공기를 집중 토출할 수 있으며, 실시예에 따라 측면 또는 상면 등 다양한 방향에 배치된 송풍구에서 공기를 토출할 수 있다. 송풍부(15)는 후술할 운전모드 제어부(190, 290)에 의해 풍속을 제어할 수 있다. 일 실시예로 송풍부(15)는 다수의 단계로 구성된 풍속의 바람을 토출할 수 있으며, 이를 위해 하나 이상의 개별 송풍팬을 제어할 수 있다.

한편, 실내 공기를 흡입하는 흡입부(11, 12)가 공조모듈(10)에 배치될 수 있다. 또한, 외부에서 식별되지 않으나 실내기(1)를 제어하는 제어모듈(100)이 실내기(1) 내에 배치될 수 있다. 설명의 편의를 위해 도 2에서는 점선으로 표시하여 실내기(1) 내부에 배치되는 것으로 표시하였다.

실외기(2)는 송풍부(15)가 토출하는 공기(바람)의 온도를 제어한다. 일 실시예로 실외기(2)의 압축기는 기상 냉매를 고온 고압의 상태로 압축하여 배출하여 냉방 공기를 실내기(1)에 제공할 수 있다. 뿐만 아니라, 실외기(2)는 소정의 열펌프를 이용하여 난방 공기를 실내기(1)에 제공할 수 있다. 실외기(2)가 냉방 또는 난방 공기를 실내기(1)에 제공하는 방식은 다양하게 제시될 수 있으며, 본 발명이 이에 한정되는 것은 아니다.

도 2에서 예시적으로 살펴본 실내기(1)는 실내 공기의 상태를 측정하여 설정된 상태에 도달하도록 운전한다. 그런데, 특정한 상태에 도달하는 과정에서 실내기의 동작이 효율적으로 진행되기 위해서는 특정한 상태 이전, 그리고 특정한 상태 이후의 다양한 요소들을 반영하는 것이 필요하다. 그리고 각 요소들에 기반한 학습 모델을 통해 보다 정밀하게 실내기의 동작을 제어할 경우, 효율적인 운전을 가능하게 한다.

이하 본 명세서에서는 제1실시예로 제어모듈(100)이 실내기(1)에 배치되어 다양한 파라미터를 산출하여 이에 기반하여 학습을 수행한 후, 학습된 결과에 기반하여 실내기에 적합한 운전 모드를 산출하는 구성을 살펴본다. 이를 내적 학습기반(Internal Learning Based) 제어모듈이라고 한다.

또한, 본 명세서에서는 제2실시예로 제어모듈(100)이 실내기(1)에 배치되어 다양한 파라미터를 산출하고, 산출된 결과를 클라우드 서버에 제공하고 클라우드 서버는 다양한 실내기들이 전송한 파라미터에 기반하여 학습을 수행한 후, 학습된 결과에 기반하여 실내기에 적합한 운전 모드를 산출하는 구성을 살펴본다. 이를 외적 학습기반(External Learning Based) 제어모듈이라고 한다.

또한, 본 명세서에서 제1구간이란 설정 온도(사용자가 설정한 목표 온도)에 대응하여 제1냉방 능력(난방의 경우 제1난방 능력)으로 운전하는 구간을 의미한다. 제2구간이란 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력(난방의 경우 제1난방 능력)으로 운전하는 구간을 의미한다. 따라서, 사용자가 특정한 시점에서 에어컨을 작동시키거나, 스마트 케어를 지시한 경우, 공기조화기는 설정 온도에 대응하여 제1냉방 능력(예를 들어 최대 냉방 능력)으로 운전한다. 이를 쾌속 모드라고 지시할 수 있다.

그리고 설정 온도에 도달하였거나, 쾌속 모드에 할당된 최대 시간이 경과한 후에는 앞서 쾌속 모드로 동작하는 과정에서 생성된 파라미터를 학습 인자로 입력받아 제1냉방 능력과 상이한 제2냉방 능력(예를 들어 과부하, 표준 부하, 또는 소부하)로 운전한다. 이를 쾌적 모드라고 지시할 수 있다.

과부하란 풍량 또는 풍속을 증가시키는 것을 일 실시예로 하며, 소부하는 풍량 또는 풍속을 감소시키는 것을 일 실시예로 한다. 표준 부하는 풍량 또는 풍속을 유지하는 것을 일 실시예로 한다.

제1냉방 능력에서는 사용자에게 냉방(혹은 난방)의 기능을 제공하기 위해 최대의 냉방(혹은 난방) 능력에 따라 동작하며, 이후 일정한 수준(또는 시간)에 도달하면 이보다 적은 에너지를 사용하거나, 혹은 쾌적한 상태를 위해 더 많은 에너지를 사용하여 공기조화기가 동작할 수 있다. 제2냉방 능력에 따라 운전하는 과정에서는 점차적으로 온도가 높아질 수 있다. 난방의 경우 그 반대이므로, 제2난방 능력에 따라 운전하는 과정에서 점차적으로 온도가 낮아질 수 있다.

제1구간은 스마트케어와 같이 사용자가 특정한 기능을 선택하거나 최초로 에어컨을 시작하는 파워 온을 선택한 경우 초기 일정기간동안 쾌속 운전을 수행하며, 이후 일정한 온도에 맞추어 운전할 수 있다.

도 3은 본 발명의 일 실시예에 의한 내적 학습기반 제어 모듈(100)의 구성을 보여주는 도면이다.

파라미터 생성부(110)는 실내기(1)에서 측정하거나 센싱하는 온도나 습도, 또는 온도와 습도의 변화율, 각각의 변화에 소요된 시간 등의 파라미터를 생성한다. 센싱부(120)는 파라미터 생성부(110)가 생성하는 파라미터를 위해 온도나 습도를 센싱할 수 있다. 센싱된 값은 파라미터 생성부(110)에 제공되고, 파리미터 생성부(110)는 센싱된 값들을 별도의 메모리에 누적한 후 파라미터를 생성할 수 있다. 따라서, 파라미터 생성부(110)는 실내기(1) 내에 배치되는 제어모듈(100)이 확인할 수 있는 환경인자 및 제품 제어 정보를 기반으로 학습부(160)에 입력할 인자를 도출하는 학습 인자를 추출한다.

목표상태 저장부(130)는 실내기(1)에 설정된 목표 온도 혹은 목표 습도 등의 정보를 포함한다. 목표 상태는 하나 이상의 온도 혹은 하나 이상의 습도를 포함할 수 있다. 또한, 목표상태 저장부(130)는 둘 이상의 온도 혹은 둘 이상의 습도를 선택적으로 포함할 수도 있으며, 이 경우, 어느 값을 현재 동작 중인 실내기(1)의 목표 온도 혹은 목표 습도로 설정할 것인지는 중앙제어부(150)의 제어에 따라 선택 및 설정될 수 있다.

인터페이스부(140)는 사용자가 실내기(1)의 온도나 습도, 풍량이나 풍향 등을 제어할 수 있도록 하는 것으로, 버튼 식 혹은 리모컨 식, 혹은 원격 조정 등의 인터페이스를 제공한다. 또한, 인터페이스부(140)는 송풍부(15)에서 토출하는 공기의 풍속, 풍량 또는 온도를 변경하는 인터럽트 입력을 수신할 수 있다. 인터럽트 입력은 학습부(160)에 소정의 정보로 저장될 수 있다.

학습부(160)는 파라미터 생성부(110)가 생성하는 파라미터들(학습 인자)을 지속하여 누적하고, 누적된 파라미터를 학습부(160) 내부의 딥러닝 구조에 적용하여 지금까지 온도 또는 습도 등의 변화에 기반하여 실내기(1)가 동작할 수 있는 최적의 운전 모드를 산출한다. 운전 모드는 다양한 모드를 포함할 수 있는데, 일 실시예로, 소부하/표준부하/과부하를 3가지의 운전 모드로 포함시킬 수 있다.

학습부(160)의 학습 인자로 입력되는 정보들은 파라미터 생성부(110) 또는 목표상태 저장부(130) 등에서 생성되거나 저장된 정보가 될 수 있으며 그 외에도 중앙제어부(150)에 의해 산출되거나 변환된 정보가 될 수 있다. 학습부(160)는 소정의 학습 알고리즘을 이용하여 부하 단계를 추정할 수 있다.

또는 학습부(160)는 현재까지 동작된 상태를 기준으로 상대적으로 부하 정도를 설정할 수 있다. -10%, -20% 등으로 운전 모드를 설정할 수 있다.

중앙제어부(150)는 각각의 구성요소들을 제어하며 최종적으로 실내기(1)가 동작하는데 필요한 동작 방식을 산출할 수 있다. 실내기(1)의 동작 방식은 다양한 방식으로 구분될 수 있다. 예를 들어, 현재 실내 상태의 부하를 단계별로 추정하여 과부하/표준부하/소부하 등의 운전 모드 정보로 산출할 수 있다. 학습부(160)는 지금까지 온도나 습도의 변화 및 시간 등에 기반하여 현재 실내기(1)가 동작하는데 필요한 운전 모드를 산출하여 그에 따라 중앙제어부(150)는 특정한 부하 상태를 제어할 수 있다.

운전모드 제어부(190)는 중앙제어부(150)가 산출한 운전 모드에 기반하여 운전하는 것으로, 산출되는 모드의 종류에 따라 다변화될 수 있다. 앞서 소부하/표준부하/과부하와 같이 3가지의 운전 모드로 구성되는 경우, 중앙제어부(150)는 전술한 파라미터 생성부(110) 및 학습부(160)에 기반하여 선택된 운전 모드로 3 가지 운전 모드 중에서 선택할 수 있다.

운전모드제어부(190)는 전술한 운전 모드에 기반하여 송풍부(15) 및 실외기(2)를 제어할 수 있다. 예를 들어 송풍부(15)에서 토출할 수 있는 풍속을 제어하거나, 실외기(2)를 구성하는 압축기가 기상 냉매를 압축하여 배출하는 양을 제어하는 등의 제어를 수행할 수 있다.

일 실시예로 운전모드제어부(190)가 설정한 운전 모드가 과부하에 해당하는 경우 송풍부(15)의 풍속 또는 풍량 중 어느 하나 이상을 증가시키고 소부하인 경우에는 송풍부(15)의 풍속 또는 풍량 중 어느 하나 이상을 감소시킬 수 있다. 표준부하의 경우 송풍부(15)의 풍속을 유지할 수 있다. 마찬가지로, 운전모드제어부(190)가 설정한 운전 모드가 과부하에 해당하는 경우, 실외기(2)는 압축기를 가동시켜 최대 출력으로 운전하도록 내부의 압축기를 제어할 수 있다. 또한, 소부하의 경우 압축기에 전원을 오프(OFF)할 수 있다.

운전모드 제어부(190)는 송풍부(15) 및 실외기(2)를 다양한 방식으로 제어할 수 있다. 운전모드가 세밀하게 구분되는 실시예에서는 풍속과 실외기의 압축기 온/오프를 각각 별도로 제어하여 다양한 운전 모드를 구현할 수 있다.

내적 학습 기반 제어모듈(100)을 포함하는 공기조화기의 구성을 정리하면 다음과 같다. 냉방 또는 난방을 위해 실외기로부터 제공받은 공기를 토출하는 송풍부(15), 제1구간에서 하나 이상의 파라미터를 산출하는 파라미터 생성부(110), 파라미터를 학습 인자로 입력받아 제1구간 이후의 제2구간의 운전 모드를 지시하는 운전 모드 정보를 출력하는 학습부(160), 운전 모드 정보에 기반하여 제2구간에서 송풍부(15) 또는 실외기(2)를 제어하는 운전모드 제어부(190), 그리고 파라미터 생성부(110), 학습부(160), 운전모드 제어부(190)를 제어하는 중앙제어부(150)를 포함하며, 제1구간의 단위시간당 소비전력량 보다 제2구간의 단위시간당 소비전력량이 작도록 구성된다. 이는 제1구간에서 쾌속 모드로 동작하며, 쾌속 모드로 동작하는 과정에서 산출된 학습 인자들을 이용하여 쾌속 모드 이후에 이어지는 제2구간인 쾌적모드에서는 작은 소비전력량에 기반하여 공기조화기(1, 2)가 동작할 수 있도록 한다.

산출 가능한 파라미터의 일 실시예로는 제1구간 동안 산출되는 파라미터로, 파라미터는 제1구간(제1냉방 능력, 예를 들어 쾌속 모드로 운전하는 구간)의 시작 시점의 실내 초기 온도, 제1구간의 목표 설정 온도, 제1구간의 미리 설정된 초기 구간의 온도 변화율, 제1구간의 온도 변화율, 및 제1구간의 시작 시점 및 종료 시점 사이의 시간 크기 중 어느 하나 이상이 될 수 있다. 여기서 각 파라미터를 산출하기 위해 센싱부(120) 또는 목표상태 저장부(130)에서 산출된 정보들을 이용할 수 있다.

한편, 제2구간(제2냉방 능력, 예를 들어 쾌적 모드로 운전하는 구간) 동안 공기조화기가 동작하는 과정에서 인터럽트 입력이 인터페이스부 (140)에서 수신되면, 이를 기반으로 학습부(160)를 업데이트 할 수 있다.

보다 상세히, 중앙제어부(150)는 운전 모드 정보와 인터럽트 입력을 학습부(160)에 제공하여 학습부(160)를 업데이트하거나 운전 모드 정보를 업데이트할 수 있다. 그리고 학습부(160)의 업데이트에 의해 변경되거나 혹은 운전 모드 정보가 업데이트되면 다시 운전 모드 제어부(190)에게 업데이트된 운전 모드 정보가 제공될 수 있다.

도 4는 본 발명의 일 실시예에 의한 외적 학습기반 제어 모듈의 구성을 보여준다. 도 4는 외적 학습을 수행하는 클라우드 서버(300)와 외적 학습기반 제어 모듈(200)의 관계 및 각 구성요소를 보여주는 도면이다.

외적 학습기반 제어 모듈(200)의 구성요소 중에서 파라미터 생성부(210), 센싱부(220), 목표상태저장부(230), 인터페이스부(240), 운전모드 제어부(290)는 앞서 도 3에서 살펴본 파라미터 생성부(110), 센싱부(120), 목표상태저장부(130), 인터페이스부(140), 운전모드 제어부(190)와 동일하게 구성될 수 있으므로 도 3의 설명으로 대신한다.

중앙제어부(250)는 각각의 구성요소들을 제어하며 최종적으로 실내기(1)가 동작하는데 필요한 동작 방식을 산출하는데 필요한 파라미터들, 즉 학습인자들을 통신부(280)를 제어하여 클라우드 서버(300)로 전송한다. 클라우드 서버(300)의 서버제어부(350)는 제어모듈(200)이 전송하는 학습 인자를 통신부(380)에서 수신하여, 이를 학습부(360)에 입력하고 해당 제어모듈(200)에 적합한 운전 모드를 산출한다. 산출된 운전 모드에 대한 정보는 통신부(380)를 거쳐서 제어모듈(200)에게 전달된다.

학습부(360)는 도 9와 같이 히든 레이어와 각 입력/출력 인자에 배치되는 링크 혹은 바이어스(bias)나 각 링크의 가중치(weight)를 학습 과정에서 생성할 수도 있고, 외부로부터 업데이트된 정보를 저장할 수 있다. 이 경우 학습부(360)는 버전을 달리하여 클라우드 서버(300)에 저장될 수 있다.

클라우드 서버(300)는 다수의 제어 모듈들로부터 학습 인자를 수신하여 그에 대응하는 운전 모드를 산출할 수 있다. 또한, 다수의 제어 모듈들이 제공하는 학습 인자를 지속적으로 학습부(360)에 입력하여 학습부(360)를 업데이트 시킬 수 있다. 학습부(360)는 소정의 학습 알고리즘을 이용하여 부하 단계를 추정할 수 있다.

도 4의 클라우드 서버(300)를 정리하면 다음과 같다.

통신부(380)는 M개의 공기조화기로부터 제1구간의 운전 모드에서 산출된 하나 이상의 파라미터를 수신하고 이에 대응하는 운전 모드 정보를 각각 M개의 공기조화기에게 전송한다. 그리고 학습부(360)는 M개의 공기조화기 중 제1공기조화기의 파라미터를 학습 인자로 입력받아 제1구간 이후의 제2구간에서의 제1공기조화기의 운전 모드를 지시하는 운전 모드 정보를 출력한다.

제1구간의 제1냉방 능력과 제2구간의 제2냉방 능력은 상이하게 설정될 수 있다. 예를 들어 제1냉방 능력은 최대 냉방 능력에 따라 온도를 급속하게 떨어뜨리도록 풍속 및 풍량, 냉매의 온도 등을 강화시킨 운전 모드가 될 수 있다. 이는 일정한 시간(짧은 시간)동안 빨리 사용자가 쾌적함을 느낄 수 있는 온도의 환경을 제공하기 위함이다. 반면, 제2냉방 능력은 일단 쾌적함을 느낄 수 있는 수준의 온도의 환경이 제공된 후, 이러한 온도를 유지하면서 에너지를 적게 소비하는 것을 의미한다. 또는 쾌적함을 느낄 수 있는 수준의 온도에 도달하지 못한 경우, 풍속 또는 풍량을 증가시키는 제2냉방 능력도 제공될 수 있다.

서버제어부(350)는 학습부(360), 통신부(380)를 제어할 수 있다. 또한, 다수의 공기조회기들 중에서 제1공기조화기의 제1구간의 단위시간당 소비전력량 보다 제1공기조화기의 제2구간의 단위시간당 소비전력량이 작도록 운전 모드 정보가 출력될 수 있다. 출력된 운전 모드 정보는 통신부(380)를 통해 해당 공기조화기(제1공기조화기)에게 전송된다.

각 공기조화기가 전송하는 파라미터의 일 실시예로는 각 공기조화기가 산출한 정보들을 포함한다. 일 실시예로, 제1구간 동안 산출되는 파라미터로, 파라미터는 제1구간의 시작 시점의 실내 초기 온도, 제1구간의 목표 설정 온도, 제1구간의 미리 설정된 초기 구간의 온도 변화율, 제1구간의 온도 변화율, 및 제1구간의 시작 시점 및 종료 시점 사이의 시간 크기 중 어느 하나 이상이 될 수 있다. 여기서 각 파라미터를 산출하기 위해 센싱부(120 ) 또는 목표상태 저장부(130)에서 산출된 정보들을 이용할 수 있다.

도 3 또는 도 4에서 제시된 실시예를 적용할 경우 에어컨 가동 후 목표 온도 도달 시점까지의 환경 인자 및 제어 정보를 학습하여 현재 실내 상태의 부하를 단계(예: 소부하, 표준부하, 과부하) 별로 추정할 수 있다.

또한, 목표 온도 도달 시점까지의 학습 인자와 도달 이후의 냉방(혹은 난방)에 의한 온도 패턴 과의 상관 관계를 학습하고, 설정된 부하에 따른 맞춤 냉방 모드(혹은 맞춤 난방 모드)를 자동으로 운전하여 사용자가 별도로 에어컨을 조작하지 않아도 실내 부하 수준에 따라 목표 온도 도달 이후 절전, 쾌적 냉방(혹은 난방) 모드로 자동 운전이 가능하다.

또한, 각 공기조화기가 제2구간에서 동작하는 과정에서 발생한 인터럽트 입력을 전송하면, 통신부(380)는 각 공기조화기로부터 이러한 인터럽트 입력을 수신하여 이를 기반으로 학습부(360)를 업데이트 할 수 있다.

보다 상세히, 서버제어부(350)는 운전 모드 정보와 인터럽트 입력을 학습부(360)에 제공하여 학습부(360)를 업데이트하거나 운전 모드 정보를 업데이트할 수 있다. 그리고 학습부(360)의 업데이트에 의해 변경되거나 혹은 운전 모드 정보가 업데이트되면 다시 통신부(380)를 경유하여 공기조화기에게 업데이트된 운전 모드 정보가 제공될 수 있다.

도 3 또는 도 4에서 제시된 실시예를 적용할 경우. 에어컨이 목표 온도 도달 이후 공간 크기, 단열 상태, 실내외 온도 차 등의 냉방 효율에 영향을 미치는 환경적 요소를 반영할 수 있도록 부하 수준을 추정하여 목표 온도 도달 이후 효율적으로 냉방 가능하도록 한다. 이는 목표 온도에 도달하는 과정에서 산출되는 다양한 학습 인자를 통해 산출 가능한 결과이다. 목표 온도에 도달하는 과정에서 산출된 학습 인자에 대해 살펴본다.

도 5는 본 발명의 일 실시예에 의한 내적 학습기반 제어모듈이 학습 인자에서 결과 인자를 산출하는 과정을 보여주는 도면이다.

파라미터 생성부(110)는 내적 학습기반 제어모듈(100)이 실내기가 동작하는데 필요한 동작 방식, 즉 운전 모드를 지시하는 결과를 산출할 수 있도록 파리미터, 즉 학습 인자를 산출한다. 파라미터 생성부(110)가 생성하는 파라미터의 일 실시예로, 에어컨이 작동을 시작할 시기에 센싱한 실내 초기 온도, 목표 설정 온도, 그리고 초기 N분 온도 변화율, 쾌속 구간 온도 변화율, 그리고 목표 온도 도달 시간 등이 될 수 있다. 초기 N분 온도 변화율이란, 예를 들어 초기 3분 혹은 초기 5분 동안에 온도가 변화한 비율을 의미한다. 물론, 이는 온도가 변화한 크기를 이용할 수도 있다.

전술한 파라미터들 예시적인 것으로 실내기(1)가 동작을 수행한 시점 혹은 그 과정에서 산출되는 다양한 정보들을 일 실시예로 한다.

파라미터 생성부(110)가 생성한 파라미터들은 제어모듈(100) 내에 입력되고, 제어모듈(100)의 학습부(160)는 입력된 학습 인자들을 이용하여 소정의 학습을 진행한다. 학습부(160)는 딥러닝(deep learning) 모듈을 적용할 수 있다. 그리고 학습부(160)는 입력된 파라미터를 딥러닝을 구성하는 네트워크에 입력하여 소정의 결과 인자, 즉 운전 모드를 산출한다. 파라미터의 일 실시예는 초기 온도(TempInit)와 목표 설정 온도(TempTarget), 초기 3분 온도 변화율(InitRate), 쾌속 구간 온도 변화율(PowerRate), 목표 온도까지 도달한 시간(PowerTime)이다. 산출된 운전모드는 현재의 운전 모드를 기준으로 과부하/표준부하/소부하와 같이 부하를 높이거나 줄이는 것을 지시할 수 있다. 또는 산출된 운전 모드는 현재 동작 모드를 기준으로 부하 조정을 수치적으로 설정할 수 있다.

산출된 동작 모드에 따라 운전모드 제어부(190)는 실내기(1) 또는 실외기(2)를 제어한다.

도 6은 본 발명의 일 실시예에 의한 외적 학습기반 제어모듈이 학습 인자에서 결과 인자를 산출하는 과정을 보여주는 도면이다. 도 6은 다수의 실내기(1) 및 제어모듈들과 클라우드 서버(300)의 학습부(360)가 각 실내기(1)가 동작하는데 필요한 운전 모드의 정보를 산출하는 과정을 보여준다.

제1실내기(1a)의 제어모듈을 구성하는 파라미터 생성부(210a)는 실내기가 동작하는데 필요한 동작 방식, 즉 운전 모드를 지시하는 결과를 산출할 수 있도록 파리미터, 즉 학습 인자를 산출한다. 파라미터 생성부(210a)가 생성하는 파라미터의 일 실시예는 앞서 도 5에서 살펴본 바와 같이, 에어컨이 작동을 시작할 시기에 센싱한 실내 초기 온도, 목표 설정 온도, 그리고 초기 N분 온도 변화율, 쾌속 구간 온도 변화율, 그리고 목표 온도 도달 시간 등이 될 수 있다. 초기 N분 온도 변화율이란, 예를 들어 초기 3분 혹은 초기 5분 동안에 온도가 변화한 비율을 의미한다. 물론, 이는 온도가 변화한 크기를 이용할 수도 있다.

산출된 파라미터는 S31a와 같이 클라우드 서버(300)에게 전송되고 클라우드 서버(300)는 수신된 파라미터를 학습부(360)에 입력한다.

마찬가지로 제2실내기(1b)의 제어모듈을 구성하는 파라미터 생성부(210b) 역시 실내기가 동작하는데 필요한 동작 방식, 즉 운전 모드를 지시하는 결과를 산출할 수 있도록 파리미터, 즉 학습 인자를 산출한다. 그리고 산출된 파라미터는 S31b와 같이 클라우드 서버(300)에게 전송되고 클라우드 서버(300)는 수신된 파라미터를 학습부(360)에 입력한다.

클라우드 서버 내의 학습부(360)는 입력된 입력된 학습 인자들을 이용하여 소정의 학습을 진행한다. 학습부(360)는 딥러닝(deep learning) 모듈을 적용할 수 있다. 그리고 학습부(360)는 입력된 파라미터를 딥러닝을 구성하는 네트워크에 입력하여 소정의 결과 인자, 즉 운전 모드를 산출한다. 이는 각 실내기(1a, 1b) 별로 산출할 수 있다. 그리고 산출된 운전모드는 현재의 운전 모드를 기준으로 과부하/표준부하/소부하와 같이 부하를 높이거나 줄이는 것을 지시할 수 있다. 또는 산출된 운전 모드는 현재 동작 모드를 기준으로 부하 조정을 수치적으로 설정할 수 있다.

실내기(1a, 1b) 별로 산출된 운전 모드는 다시 각각의 실내기들(1a, 1b)에게 전송되고(S32a, S32b), 각 실내기들의 운전모드 제어부(290a, 290b)는 클라우드 서버(300)가 전송한 운전 모드에 따라 동작한다. 즉, 산출된 동작 모드에 따라 운전모드 제어부(290a, 290b)는 실내기(1a. 1b) 또는 실외기(2)를 제어한다.

도 5 및 도 6에서 살펴본 바와 같이, 부하 추정을 위한 환경인자 및 제품 제어 정보를 학습 입력 인자로 적용하여 실내기(1) 내에 배치된 학습부(160) 또는 클라우드 서버(300)에 배치된 학습부(360)에 학습 인자로 입력하고 학습 결과를 도출할 수 있다. 그리고 그 결과는 운전 모드로 지시될 수 있다. 일 실시예로, 부하의 단계별(과부하/표준부하/소부하)로 지시될 수 있다. 또는 현재 동작을 기준으로 +/-로 부하를 설정하거나 혹은 비율(%)로 부하의 조정이 지시될 수 있다.

도 5와 같은 내적 학습기반 제어 모듈에 기반한 부하 추정 방법은 환경인자 및 제품 제어 정보가 학습 인자라는 파라미터로 생성되어 학습부(160)의 학습 인자로 제공되어 학습부(160) 내에 배치된 학습 알고리즘을 적용하여 부하 결과를 도출할 수 있다.

도 6과 같은 외적 학습기반 제어 모듈에 기반한 부하 추정 방법은 환경인자 및 제품 제어 정보가 학습 인자라는 파라미터로 생성되어 클라우드 서버(300)의 학습부(360)의 학습 인자로 제공되어 학습부(360) 내에 배치된 학습 알고리즘을 적용하여 부하 결과를 도출할 수 있다.

도 6과 같은 실시예에서는 각각의 에어컨이 스마트케어를 시작하여 최대 냉방 능력에 따라 동작한 후, 쾌적 모드로 진입했거나 또는 일정한 시간이 경과한 후에 클라우드 서버(300)에게 소정의 파라미터를 전송하여 쾌적 모드에서 수행할 냉방 부하를 설정하는 운전 모드 정보를 수신할 수 있다.

도 7은 본 발명의 일 실시예에 의한 내적 학습기반 제어 모듈이 동작하는 과정을 보여주는 도면이다.

학습 기반으로 구동하는 공기조화기에 있어서, 송풍부(15)가 제1구간 동안 공기 조화기가 냉방 또는 난방을 위해 공기를 토출한다(S40). 제1구간은 쾌속 모드이며, 뒤따르는 제2구간은 쾌적 모드를 일 실시예로 한다. 제1구간은 목표 도달 온도까지 빠른 시간 내에 도달하도록 하는 것을 포함한다. 제2구간은 목표 도달 온도를 기준으로 일정한 오차 범위 내에서 실내 온도를 유지할 수 있는 구간을 의미한다.

파라미터 생성부(110)가 학습부(160)에 입력할 입력 인자, 즉 학습 인자를 산출한다(S41). 즉, 제1구간에서 파라미터 생성부(110)가 다양한 파라미터를 산출할 수 있다. 그리고 학습부(160)에 입력 인자가 제공되면(S42), 이에 따라 학습부(160)가 부하를 추정한다(S43). 일 실시예로, 학습부(160)가 산출한 파라미터를 학습 인자로 입력받아 제1구간 이후의 제2구간의 운전 모드를 지시하는 운전 모드 정보를 출력하는 것을 일 실시예로 한다.

이후, 추정된 부하 단계(출력된 운전 모드 정보)를 중앙 제어부(150)가 운전모드 제어부(190)에게 제공하면(S44), 운전모드 제어부(190)가 실내기(1) 혹은 실외기(2)의 운전 모드를 제어한다(S45).

S44 및 S45를 살펴보면, 중앙제어부(150)가 학습부(160)에서 출력된 운전 모드 정보를 운전모드 제어부(190)에 제공하면, 운전모드 제어부(190)가 운전 모드 정보에 기반하여 제2구간에서 송풍부(15) 또는 실외기(2)를 제어하는 것을 일 실시예로 한다. 도 7의 과정에 기반할 경우 공기조화기의 제1구간의 단위시간당 소비전력량과 제2구간의 단위시간당 소비전력량을 비교할 때, 제2구간의 단위시간당 소비전력량이 작도록 구성된다. 즉, 제1구간에서 빠른 시간 내에 실내 온도가 목표 도달 온도에 도달하도록 쾌속 모드로 동작한 후, 이후 목표 도달 온도에서 작은 소비전력량에 기반하여 목표 도달 온도를 유지시키거나 일정 범위 내에서 실내 온도가 유지되도록 한다. 제2구간의 운전 모드 정보는 학습부(160)가 제1구간에서 산출한 파라미터에 따라 결정된다. 따라서, 제1구간에서 산출되는 파라미터가 상이할 경우, 제2구간의 운전 모드 정보는 달라질 수 있다.

도 8은 본 발명의 일 실시예에 의한 외적 학습기반 제어 모듈이 동작하는 과정을 보여주는 도면이다.

파라미터 생성부(210)가 클라우드 서버(300)의 학습부(360)에 입력할 입력 인자, 즉 학습 인자를 추출한다(S51). 그리고 클라우드 서버(300)에 입력 인자가 전송되면(S52), 클라우드 서버(300)의 학습부(360)가 부하를 추정한다(S53). 이때, 클라우드 서버(300)는 다수의 제품들로부터 학습 인자를 전송받으므로, 각 제품별로 학습 인자를 학습부(360)에 입력하여 제품 별로 부하를 추정할 수 있다. 이후, 클라우드 서버(300)는 추정된 부하 단계를 해당 제품에 전송한다(S54). 각 제품의 중앙 제어부(250)가 운전모드 제어부(290)에게 전송받은 부하 단계를 제공하고, 각 제품의 운전모드 제어부(290)가 실내기(1) 혹은 실외기(2)의 운전 모드를 제어한다(S55).

도 8의 과정을 정리하면 다음과 같다.

클라우드 서버는 다수의 공기조화기의 구동을 학습 기반으로 제어한다. 각 공기조화기들은 제1구간의 운전 모드에서 각각 파라미터 생성부(210)가 파라키터를 산출한다(S51). 그리고 통신부(380)는 다수의 공기조화기 중 제1공기조화기로부터 제1구간의 운전 모드에서 산출된 하나 이상의 파라미터를 수신한다(S52). 이는 계속 누적하여 발생할 수 있으며 다수의 공기조화기가 산출한 파라미터들은 클라우드 서버(300)에 누적될 수 있으며, 클라우드 서버(300)는 데이터베이스를 별도로 구비할 수 있다.

학습부(360)는 각각의 공기조화기로부터 수신한 파라미터를 학습 인자로 입력받아 제1구간 이후의 제2구간에서의 해당 공기조화기의 운전 모드를 지시하는 운전 모드 정보를 출력한다(S53). 그리고 서버제어부(350)의 제어에 의해 통신부(380)는 학습부(360)가 출력한 운전 모드 정보를 각각의 공기조화기들에게 전송할 수 있다.

도 8은 클라우드 서버(300)가 각각의 공기조화기들이 전송한 파라미터들에 기반하여 해당 공기조화기가 제2구간에서 동작하는데 필요한 운전 모드 정보를 제공한다. 이때, 제2구간에서의 운전 모드 정보는 공기조화기의 제1구간의 단위시간당 소비전력량 보다 공기조화기의 제2구간의 단위시간당 소비전력량이 작도록 하는 것을 특징으로 한다.

도 8에서 클라우드 서버의 학습부는 부하를 추정함에 있어서 필요한 다양한 정보들을 학습 과정에서 산출할 수도 있고 외부로부터 직접 수신할 수도 있다. 예를 들어 클라우드 서버의 학습부는 도 10, 도 13 등과 같이 히든 레이어로 구성될 수 있는데, 이들 히든 레이어의 노드 별 설정, 노드 간의 링크 또는 바이어스, 링크 혹은 노드의 가중치 등에 대한 정보는 미리 설정된 후 이후 학습 과정에서 변경될 수 있다. 또한, 외부에서 별도의 모니터링 또는 학습에서 산출된 정보를 학습부에 적용할 수 있다. 여기서 외부란 클라우드 서버와 독립한 별도의 서버를 의미한다. 또는 별도의 메모리 카드와 같은 저장매체를 클라우드 서버에 결합하여 저장매체에 저장된 정보를 학습부에 적용시킬 수 있다.

도 7 또는 도 8의 실시예에 기반할 경우, 효율적인 에어컨 냉방 제어를 위한 학습 기반 부하 추정 방법을 적용할 수 있다. 이 과정에서 제2구간에서의 부하 추정(운전 모드 정보의 출력)은 목표 온도 도달 시점에서 산출되는 환경인자들 및 제어 정보와 목표 온도 도달 시점 이후의 냉방에 의한 온도 패턴 변화에 대한 학습을 통하여 단계 별로 추정 가능하다.

또한, 추정된 부하 수준에 따라 제2구간에서는 절전 또는 쾌적 냉방이 가능하도록 온도가 설정되며 풍량/풍향 등이 가변 되는 운전 모드 정보를 학습부(160, 360)가 출력할 수 있다.

도 3 및 도 7과 같이 부하 추정을 위한 학습 로직(학습부, 160)가 제품에 탑재된 경우는 내적 학습기반 제어 모듈(100)이 공기조화기에 설치된 것을 일 실시예로 한다. 또한, 부하 추정을 위한 학습 로직(학습부, 360)가 클라우드 서버에 탑재된 경우 외적 학습기반 제어 모듈(200)이 공기조화기에 설치되고, 클라우드 서버(300)는 제어모듈(200)로부터 환경인자 및 제품 제어 정보를 무선 통신을 통해 수신 후 분석하거나 재학습 할 수 있도록 한다.

도 9는 본 발명의 일 실시예에 의한 파라미터 생성부가 입력 인자를 산출하는 도면이다. 온도를 Y축으로, 시간을 X축으로 하며, 시간의 변화에 따른 온도의 변화를 보여준다. 도 9는 학습을 위한 입력 인자에 대한 예시로, 제품 단에서의 제어 정보 및 시간 대비 온도 변화에 대해 도출된 온도 변화율 등 학습 인자의 산출 예시이다.

앞서 실시예에서 파라미터 생성부가 생성할 수 있는 입력 인자로는 실내 초기 온도, 목표 설정 온도, 그리고 초기 N분 온도 변화율, 쾌속 구간 온도 변화율, 그리고 목표 온도 도달 시간 등을 살펴보았다. 여기서 N은 다양하게 선택될 수 있는데, 도 9의 실시예에서는 3분으로 한다.

도 9에서는 파라미터 생성부(110, 210)가 초기 온도(TempInit)와 목표 설정 온도(TempTarget)를 산출할 수 있음을 보여준다. 초기 온도(TempInit)는 실내의 초기 온도를 센싱부(120, 220)가 센싱하여 산출할 수 있다. 목표 설정 온도(TempTarget)는 목표상태저장부(130, 230)에 저장된 목표 설정 온도에 기반하여 산출된다. 한편, 파라미터 생성부(120, 220)는 초기 3분 온도 변화율(InitRate)을 a/b로 산출할 수 있다.

b는 에어컨이 동작한 후 시간의 경과를 의미한다. 예를 들어 3분 혹은 5분이 될 수 있다. a는 b라는 시간이 경과하는 동안 TempInit에서 온도가 변화한 크기를 의미한다.

한편 쾌속 구간 온도 변화율(PowerRate) 역시 c/d로 산출할 수 있다. c는 TempTarget과 TempInit 사이의 온도 차이를 의미한다. 따라서. c는 "TempInit - TempTarget"이 될 수 있다. 그리고 목표 온도까지 도달한 시간(PowerTime)을 d로 산출할 수 있다. d의 일 실시예로는 최대 M분 동안 최대 냉방 능력으로 운전을 수행하여 설정 온도에 최대한 빨리 도달하는데 필요한 시간을 의미하며 일 실시예로 15분 또는 20분의 시간 크기를 포함한다. 그리고, d 시점에서 쾌적모드(제2구간)에서 수행할 냉방 능력을 설정하여 과부하/표준부하/소부하를 결정할 수 있다.

제1구간(쾌속 모드 또는 쾌속 구간)은 초기에 에이컨이 구동한 후 목표 온도에 도달하도록 운전하는 모드를 의미한다. 일 실시예로, 초기 냉방시 에어컨 최대 냉력으로 목표 설정 온도까지 고속 냉방 운전을 하는 것을 제1구간 모드의 일 실시예로 한다.

도 9에서 목표 온도는 특정한 목표 온도값으로 설정될 수도 있으나, 일정한 범위 내의 온도가 해당할 수도 있다. 예를 들어, 목표 온도값이 20도인경우, 목표 온도에 도달한 것의 일 실시예로 현재 온도가 20도에 도달한 것이 될 수 있다. 그러나, 목표 온도에 도달한 다른 실시예로 현재 온도가 20도를 기준으로 +1도 혹은 -1도의 상태(즉 19도~21도)에 도달한 경우에도 목표 온도에 도달한 것으로 판단할 수 있다.

이는 쾌속 구간을 동작시킬 수 있는 시간적 범위가 미리 설정된 경우에 적용할 수 있다. 예를 들어 최대 쾌속 구간으로 운전할 수 있는 시간(쾌속가능시간)이 10분, 혹은 15분과 같이 미리 정해진 경우를 가정한다. 에어컨이 가동을 시작하여 쾌속가능시간을 넘어서 운전하여도 목표 온도에 도달하지 않은 경우, 파라미터 생성부(110, 210)는 현재 도달한 온도를 목표 온도를 대신하여 학습 인자에 포함될 수 있다.

이후 목표 온도에 도달하면 제1구간(쾌속 구간)에서 제2구간(쾌적 모드 또는 쾌적 구간)으로 변화할 수 있다. 또한 목표 온도에 도달하지 않아도 일정한 시간이 되거나 목표 온도에 근접하면 에어컨의 동작 모드는 쾌적 구간으로 변화할 수 있다. 제2구간(쾌적 구간)은 쾌적 운전을 일 실시예로 하는데, 목표 온도 도달 후 설정 온도 유지하며 오토모드(간접풍)로 동작하는 것을 포함한다.

실내 온도가 목표 온도에 도달하지 않는 상황이란, 공간에 미치는 외부의 영향이 크거나 공간이 넓은 경우 등에 해당할 수 있다. 따라서, 목표 온도에 어느 정도 근접한 경우에도 쾌속 구간(제1구간)에서 쾌적 구간(제2구간)으로 모드를 변경할 수 있다.

이후, 제2구간(쾌적 구간)은 제1구간(쾌속 구간)과 상이한 방식의 운전 모드를 선택할 수 있는데, 앞서 살펴본 바와 같이 학습부(160, 360)는 파라미터 생성부(110, 210)이 생성한 5개의 학습 인자들(TempInit, TempTarget, InitRate, PowerRate, PowerTime)을 이용하여 쾌적구간에서의 에어컨의 동작 모드, 즉 운전 모드를 산출할 수 있다.

도 9에서 살펴본 실시예에 따를 경우, 에어컨이 산출할 수 있는 환경인자들에 기반하여 부하를 추정할 수 있다. 이는 에어컨이 배치된 공간의 냉방 환경이 가지는 특성을 다양한 학습 인자로 산출하여, 이에 기반하여 부하를 산출하는 것을 포함한다. 또한, 부하의 산출은 단순한 함수에 기반한 것이 아니라, 클라우드 서버(300)의 학습부(360) 또는 에어컨 내의 제어모듈(100) 내의 학습부(160)가 제공하는 딥러닝 알고리즘을 이용하여 학습 인자에 대응하는 최적의 부하를 산출할 수 있다. 그 결과, 제2구간에서 부하 단계에 따른 절전 또는 쾌적 냉방 등을 선택하여 에어컨이 동작할 수 있도록 한다.

종래에는 쾌속 구간 이후에 환경적인 변화를 고려하지 않음으로써 쾌속 구간이 종료한 후 쾌적 구간에서 사용자가 다시 온도를 제어하는 문제가 발생할 수 있었으나, 본 발명의 실시예는 초기 학습 및 지속적인 학습에 기반하여 쾌적 구간 상태에서 사용자가 별도의 온도 제어 없이 냉방 상태를 유지할 수 있도록 한다.

특히, 사용자가 별도의 에어컨 조절을 하지 않으면서도 사용자에게 쾌적감을 주기 위해서 초기에는 목표 온도 부근까지 빠르게 냉방(혹은 난방)을 수행하고(제1구간), 목표 온도 부근에 도달하면 냉방 또는 난방을 유지하면서 제1구간의 운전 모드를 그대로 유지할 것인지 혹은 제1구간의 운전 모드보다 더 많은 전력을 소비할 것인지, 혹은 그보다 적은 전력을 소비할 것인지 등을 판단할 수 있다. 일 실시예로 부하 판단을 수행한다.

부하 판단을 위해 학습부(160, 260)에 입력되는 값으로 지금까지 살펴본 제1구간에서 산출되는 시간 혹은 온도의 변화, 초기값, 결과값 혹은 이들의 크기 등을 파라미터로 함을 살펴보았다.

뿐만 아닐, 중앙제어부(150, 250) 또는 클라우드 서버(300)의 서버 제어부(350) 등은 학습 과정에서 산출된 운전 모드에 따라 에어컨이 운전하는 과정에서 온도를 변화시킨 상황이 감지되면, 학습부(160, 360)의 딥러닝을 구성하는 히든 레이어들의 노드 또는 링크들을 재구성하거나 가중치를 변경하여 보다 적합한 운전 모드를 산출할 수 있도록 한다.

도 10은 본 발명의 일 실시예에 의한 학습부를 구성하는 학습 알고리즘의 구성을 보여주는 도면이다. 학습 구조에 대한 설계 예시로, 입력 인자 및 학습 구조를 구성하는 히든 레이어(hidden layer), 출력 인자에 대한 노드 기반의 구조를 보여 주는 예시이다.

파라미터 생성부(110, 210)가 생성한 인자들이 학습부(160, 260)의 입력 레이어(Input Layer)에 입력된다. 5개를 제시하였으나 실시예에 따라 다양한 인자들이 적용될 수 있다.

학습부(160, 260)는 다수의 히든 레이어들이 배치되어 입력된 인자들과 각 레이어의 에지의 상관관계를 산출할 수 있다. 예를 들어 도 10에는 3개의 히든 레이어(Hidden Layer1, Hidden Layer2, Hidden Layer3)이 배치되어 있다.

입력 레이어의 각각의 노드들은 예시적으로 총 5개의 입력 값을 가진다. 5개의 입력 노드에서 입력된 값은 입력 레이어에서 변환을 하거나 혹은 변환 없이 출력될 수 있다.

그리고 이들 입력 레이어에서 출력된 값들은 선택적으로 제1히든 레이어(Hidden layer 1)에서 12개의 노드들의 입력 값이 된다. 마찬가지로 제1히든 레이어(Hidden layer 1)는 입력된 값에 링크들의 가중치를 적용하고 각 노드의 로직에 따라 출력 값을 산출한다.

제1히든 레이어에서 출력된 값은 선택적으로 다시 제2히든 레이어(Hidden layer 2)의 8개의 노드들의 입력 값이 된다. 마찬가지로 제2히든 레이어(Hidden layer 2)는 입력된 값에 링크들의 가중치를 적용하고 각 노드의 로직에 따라 출력 값을 산출한다.

제2히든 레이어에서 출력된 값은 선택적으로 다시 제3히든 레이어(Hidden layer 3)의 4개의 노드들의 입력 값이 된다. 마찬가지로 제3히든 레이어(Hidden layer 3)는 입력된 값에 링크들의 가중치를 적용하고 각 노드의 로직에 따라 출력 값을 산출한다.

마지막으로 출력 노드(Output)은 부하 정도를 3가지의 노드로 산출할 수 있다. 앞서 살펴본 과부하/표준부하/소부하의 경우 각각 Over로 표기된 출력 노드와 Medium으로 표기된 출력 노드, Under로 표기된 출력 노드에 각각의 값이 입력될 수 있다.

일 실시예로, Over로 표기된 출력 노드가 1이고 Medium으로 표기된 출력 노드, Under로 표기된 출력 노드 각각 0인 경우 운전 모드를 과부하로 지시할 수 있다. 한편, Over로 표기된 출력 노드가 1이고 Under로 표기된 출력 노드가 1이며, Medium으로 표기된 출력 노드가 0인 경우, 운전 모드를 표준 부하로 지시할 수 있다.

도 10에서 각 레이어 별 노드 간에 링크는 도시하지 않았다. 학습부(160, 260)가 알고리즘 또는 알고리즘의 구성요소를 조절하는 학습 과정 속에서 링크가 새로이 생성되거나 추가될 수 있으며, 각 링크에 할당되는 가중치 역시 변화될 수 있다. 또한, 히든 레이어의 개수도 증감 가능하며 히든 레이어를 구성하는 노드들의 수 역시 증감 가능하다.

도 10의 히든 레이어들 및 입력인자들은 초기에 입력/결과 인자 추출을　위해　실제 여러 가구에서의 실사용(필드) 데이터와 표준 환경 테스트를 위한 챔버(실험) 데이터를 수집하여 이를 기반으로 사전 학습하여 히든 레이어의　초기 가중치 값을 설정할 수 있다. 이후, 클라우드 서버를 통해, 또는 동일 실내기 내의 제어모듈(100)이 지속적으로 실사용 데이터를 수집할 경우, 전체 데이터에 대한 재학습을　적용하여 히든레이어의 노드 별, 링크 별 가중치 업데이트를 주기적으로 수행할 수 있다.

일 실시예로, 출력 인자에 대한 판단을 위해 에어컨 가동 시 일정 시간에 대한 DB 수집을 하여, 부하 기준 분류에 있어서도 클러스터링 기법(비지도 학습 : k-means 알고리즘)을 활용할 수 있다.

또한, 각 히든 레이어는 일반적인 딥러닝 방식을 그대로 사용할 수도 있으나, 학습을 위한 각 히든 레이어의 구조를 변경하거나 가중치를 업데이트할 수 있는데, 예를 들어 클라우드 서버(300)가 다수의 실내기들이 제공하는 정보들을 DB화 시킨 후 분석하여 도 9의 레이어들 및 노드, 링크의 구조를 변화시킬 수 있다. 또한, 목표 온도 설정 후 쾌적 구간 상태에서 일정 시간 이내에 사용자가 온도를 조절하는 것을 감지하여 이를 반영할 수 있다. 후술할 도 13에서 사용자가 풍속, 풍량 또는 온도 등을 조절하는 것은 인터럽트 입력(Interrupt input)으로 하여 학습부(160, 360)의 입력 노드에 포함될 수 있다.

도 11은 본 발명의 일 실시예를 적용하는 경우 운전 모드의 변화를 보여주는 도면이다.

앞서 도 9에서 살펴본 바와 같이, 파라미터 생성부(110, 210)는 에어컨이 동작을 시작하면 지속적으로 온도를 센싱하여 도 11과 같은 그래프를 산출할 수 있으며, 이 과정에서 학습 인자를 산출할 수 있다. 도 11에서는 3가지의 상이한 산출 그래프를 보여준다. 먼저, 과부하로 운전모드가 산출되는 그래프는 이점쇄선으로 표시된 그래프(G-Over로 지시)이며, 표준부하로 운전모드가 산출되는 그래프(G-Medium으로 지시)는 실선으로 표시된 그래프이며, 소부하로 운전모드가 산출되는 그래프(G-Under로 지시)는 일점쇄선으로 표시된 그래프이다.

제1구간은 압축기가 최대 출력 혹은 많은 출력으로 빠른 시간 내에 온도를 급강하시키는 구간이다. 쾌속 구간을 일 실시예로 한다. 그리고 공간의 상황에 따라 목표 온도(TempTarget)에 도달하거나 혹은 목표 온도에 일정한 온도차이를 두고 도달한 시점이 PowerTime이다. 이 시점에 이르기까지 파라미터 생성부(110, 210)는 다양한 파라미터를 생성하여 이를 학습부(160, 360)에게 제공한다. 학습부(160, 360)는 PowerTime 시점에 제공된 파라미터들을 이용하여 운전 모드를 산출할 수 있다. 61에서 지시하는 시기에 제1구간의 냉방에 따른 변화 패턴을 학습부(160, 360)가 분석할 수 있다. 그리고 제2구간에서의 에어컨이 전력 소비를 줄이면서도 사용자에게 쾌적감을 제공하는 운전 모드를 선택할 수 있다.

변화 패턴에 따라 제1구간에서 목표 온도에 충분히 도달하지 못하거나 온도 도달에 시간이 많이 소요되었거나 혹은 초기 N분 간의 변화율 등을 반영하여 과부하 운전 모드가 학습부(160, 360)에 의해 산출된 경우 G-Over가 지시하는 그래프와 같이 과부하 모드로 에어컨이 동작할 수 있다.

변화 패턴에 따라 제1구간에서 목표 온도에 충분히 도달했거나 온도 도달에 시간이 기준값에 대응하여 소요된 경우, 혹은 초기 N분 간의 변화율 등을 반영하여 현재의 온도 또는 목표 온도를 유지하도록 표준부하 운전 모드가 학습부(160, 360)에 의해 산출된 경우 G-Medium가 지시하는 그래프와 같이 과부하 모드로 에어컨이 동작할 수 있다.

변화 패턴에 따라 제1구간에서 목표 온도 보다 낮은 온도에 도달했거나 온도 도달에 시간이 짧게 소요된 경우, 혹은 초기 N분 간의 변화율 등을 반영하여 소부하 운전 모드가 학습부(160, 360)에 의해 산출된 경우 G-Under가 지시하는 그래프와 같이 과부하 모드로 에어컨이 동작할 수 있다.

목표 온도가 동일한 경우라 하여도, 목표 온도에 도달하기까지의 변화 패턴이 상이한 경우, 에어컨은 상이하게 동작할 수 있다. 즉, 살펴본 학습 인자들의 상이함에 따라 목표 온도에 도달한 이후 냉방에 따른 온도 변화 패턴이 다르게 분석된 결과에 기반할 경우, 실내 환경의 조건에 대응하여 적절하게 더 냉방을 시키거나 혹은 냉방을 줄이는 등의 운전 모드를 수행할 수 있다.

종래에는 상이한 실내 환경 조건으로 인해 동일하게 제1구간에서 냉방(혹은 난방)을 하여도 이후 공간에 따라 약냉방(혹은 약난방) 또는 과냉방(혹은 과난방)의 상황이 발생하였다. 그러나 본 발명의 실시예들를 적용하면 실내 환경 조건에 적절하게 제2구간에서 냉방(혹은 난방)이 가능하므로 에너지 소비를 줄이면서도 쾌적환 실내 환경을 유지할 수 있다.

도 12는 본 발명의 일 실시예에 의한 부하 단계에 따른 운전모드 제어부가 운전 모드를 제어하는 과정을 보여주는 도면이다. 일 실시예로 소부하로 산출된 경우를 살펴본다. 에어컨은 초기 온도(TempInit)에서 목표 온도가 되도록 쾌속 모드로 운전한다. 도 12에서 제1구간으로 표시된 시간 영역에서는 목표 설정 온도에 도달하기 전의 상태이므로 쾌속 모드로 에어컨이 운전할 수 있으며, 이 경우, 에어컨의 최대 냉력을 사용하는 쿨파워 모드로 동작할 수 있다. 이 과정에서 에어컨은 인체를 감지하거나 공간 영역을 감지하여 보다 효과적으로 공간 내의 온도를 낮출 수 있다.

한편, 제2구간으로 표시된 시간 영역은 목표 설정 온도에 도달한 후의 상태이므로 쾌적 모드로 에어컨이 운전할 수 있다. 본 발명의 일 실시예에 의한 제어 모듈의 학습부(160) 또는 클라우드 서버의 학습부(360)는 t1 시점에서 파라미터 생성부(110, 210)가 생성한 학습 인자를 이용하여 운전 모드를 판단한다. 즉, 제2구간에서 에어컨이 동작하는데 필요한 부하를 판단한다. 판단 결과 도 12는 소부하로 판단하여 동작한다. 이는 제1구간의 쾌속 모드 이후 제2구간에서는 인체 순응 시간을 낮추며, 온도를 상승시키고, 풍량을 낮추도록 운전모드 제어부(190, 290)가 실내기 및 실외기 등을 제어할 수 있다.

운전모드 제어부(190, 290)의 소부하 제어에 따라 t1 시점에서 목표 온도의 상태(Temp-a)에서 t2시점에서는 Temp-aa와 같이 온도가 일부 상승하며, t3시점에서 다시 Temp-ab와 같이 온도가 상승하여 Temp-ab로 온도를 유지할 수 있다. 목표 온도는 사용자가 주로 사용하는 온도로 자동 설정되는 것을 일 실시예로 하는데, 최근 N회(예를 들어 20회) 동안 가장 많이 사용자가 설정한 온도가 될 수 있다. 또는 외부의 서버가 현재 온도에 대응하여 빅데이터 기반으로 선호하는 온도가 목표 온도로 설정될 수 있다.

t1에서는 목표 온도까지 도달하는데 산출된 다양한 파라미터에 기반하여 t1 이후의 냉방 능력을 설정할 수 있다. 예를 들어 현재 상태에서 과부하의 냉방 능력을 제공할 것인지, 표준 부하의 냉방 능력을 제공할 것인지 혹은 소부하의 냉방 능력을 제공할 것인지를 기존에 학습된 정보 및 산출 파라미터에 기반하여 설정할 수 있다. 이후 t2, t3 단계에서 점차적으로 냉방 능력을 조절하여 절전 운전으로 동작할 수 있다. 이 과정에서 습도가 높을 경우 별도의 습도 제어 연동에 따라 목표 습도에 맞출 수 있다. 또한, 사용자의 패턴에 따라 온도를 상승시키는 시점(t2, t3) 등을 산출할 수 있다.

도면에 도시되지 않았으나, 표준 부하로 판단될 경우에는 표준 조건으로 인체 순응 시간을 반영하여 온도는 상승시키고 풍량을 약풍으로 전환할 수 있다. 또한, 과부하로 판단될 경우, 인체순응 조건에 따른 온도 상승 없이 풍량을 강화시킬 수 있다.

목표 온도 도달 전/후의 운전 모드에 대한 예시로, 목표 온도 도달 전까지 에어컨 최대 냉력으로 운전하는 모드(제1구간)와 목표 온도 도달 이후는 도달 시점(t1)에서 판단되는 부하에 따라 맞춤 제어하는 운전 모드(제2구간)를 나누어서, t1 시점에서 추정된 부하 단계에 따른 절전, 또는 쾌적 냉방을 위해 온도, 풍량 가변을 통해 다양한 운전 모드를 제공할 수 있다.

이는 에어컨이 동작을 시작할 때의 시작 온도와 목표 온도, 그리고 이 사이에서 발생하는 다양한 환경의 변수들을 학습 인자로 추출하여 최대 냉력을 이용하는 쾌속 모드 이후 쾌적 모드로 에어컨의 동작을 변화시키며, 이 과정에서 사용자가 온도가 더워지는 것을 느끼지 않도록 적합한 부하를 선택하여 에어컨의 동작을 제어할 수 있다.

또한, 다양한 환경 인자를 이용하여 부하를 결정하고 쾌적 모드로 동작하는 과정에서 에어컨의 동작을 제어하는 외부 조작(온도를 증감시키거나 풍량을 조절하는 등)이 발생하면, 외부 조작을 새로운 결과 노드가 되도록 학습부(160, 360)에 입력하여 보다 정확하게 부하를 추정할 수 있도록 한다.

도 12에 제시된 바와 같이, 제2구간에 대해 학습부가 산출하는 운전 모드 정보는 시간 정보(t2, t3) 및 온도 정보(Temp-ab, Temp-aa)를 포함할 수 있다.

도 13은 본 발명의 일 실시예에 의한 학습부의 구성을 도시한 도면이다. 앞서 도 3 또는 도 4의 학습부(160, 360)의 구성을 살펴본다.

학습부(160, 360)는 N개의 파라미터를 입력 노드로 하는 입력 레이어(input)와, 운전 모드 정보를 출력 노드로 하는 출력 레이어(Output)와, 입력 레이어와 출력 레이어 사이에 배치되는 하나 이상의 M 개의 히든 레이어를 포함한다. 파라미터의 실시예로, 앞서 도 5 또는 도 6에서 살펴본 인자들이 될 수 있으나, 이에 한정되지 않는다.

여기서 레이어들의 노드를 연결하는 에지(edge)에는 가중치가 설정되며, 이 가중치 혹은 에지의 유무는 학습 과정에서 추가되거나 제거되거나 혹은 업데이트 될 수 있다. 따라서, 학습 과정에 의해 또는 인터럽트 입력에 의해 k개의 입력 노드와 i개의 출력 노드 사이에 배치되는 노드들 및 에지들의 가중치는 업데이트될 수 있다. 출력 노드는 도 13과 같이 각 모드 별로 1/0 혹은 확률 등의 값을 출력하도록 i개가 배치될 수 있다. 또는 출력 노드는 제1구간의 운전 모드에서 상대적으로 변화해야 하는 요소(+, -, 혹은 +10% 혹은 -20%)를 출력하는 하나의 노드가 배치될 수 있다. 또는 도 12에서 살펴본 t2, t3 또는 Temp-aa, Temp-ab 등이 출력 노드를 구성할 수도 있다.

학습부(160, 360)가 학습을 수행하기 전에는 모든 노드와 에지가 초기값으로 설정될 수 있다. 그러나, 누적하여 정보가 입력될 경우, 도 13의 노드 및 에지들의 가중치는 변경되고, 이 과정에서 제1구간에서 발생한 파라미터들과 제2구간에 적합한 운전 모드 정보의 매칭이 이루어질 수 있다. 특히 클라우드 서버(300)를 이용하는 경우 학습부(360)는 수많은 파라미터들을 수신할 수 있으므로 학습부(360)가 방대한 데이터에 기반하여 학습을 수행할 수 있다.

인터럽트 입력이란 제2구간에 대한 운전 모드 정보를 출력한 후, 사용자에 의해 풍속이나 온도가 변경된 경우 이를 지시하는 정보를 의미한다. 따라서, 제1구간에서 k 개의 파라미터를 입력한 후 제2구간의 운전 모드 정보를 산출한 후, 다시 인터럽트 입력이 수신되면, 이를 별도의 노드(Interrupt P)에 소정의 값을 입력하여 새로운 운전 모드 정보를 산출하거나 학습부(160, 360)를 업데이트 시킬 수 있다.

정리하면, 도 13의 학습부(160, 360)를 구성하는 입력 노드와 출력 노드 사이의 노드 및 에지의 가중치는 학습부(160, 360)의 학습 과정 또는 중앙제어부의 인터럽트 입력에 의해 업데이트될 수 있다.

도 14는 본 발명의 일 실시예에 의한 학습부의 예시적 구성을 보여주는 도면이다. 학습부(160, 360)는 입력으로 5개의 유닛(units), 3개의 히든 레이어, 그리고 출력으로 3개의 유닛으로 구성된다. 제1히든 레이어는 20개의 유닛으로, 제2히든 레이어는 13개의 유닛으로, 그리고 제3히든 레이어는 5개의 유닛으로 구성된다. 각 노드들 사이에는 링크가 항상 배치되며 이 링크의 가중치를 설정할 수 있다.

입력되는 값으로는 실내초기온도, 목표설정온도, 초기 N분(예를 들어 3분) 온도차, 쾌속구간 온도차, 목표온도 도달 시간가 될 수 있다. 이들 5개의 입력값을 조합하여 20개의 유닛으로 매핑하며, 이러한 매핑에 필요한 링크의 가중치(weight)와 바이어스(bias)는 초기에 설정된 값에서 지속적으로 학습을 하며, 학습 과정에서 이들 값은 변경도리 수 있다.

마찬가지로 20개의 유닛에서 제2히든 레이어의 13개의 유닛으로 매핑되고, 제2히든 레이어의 13개의 유닛이 다시 제3레이어의 5개의 유닛으로 매핑된다. 그리고 최종 5개의 유닛에서 3 개의 출력 유닛으로 연결되어 각 출력 유닛은 부하 정도를 대표한다. 즉, 각각의 출력 유닛은 어느 하나로 산출되며 이는 각각 표준부하, 과부하, 소부하로 연결될 수 있다. 물론, 구현 방식에 따라 출력 유닛이 하나이며 출력된 값을 0, 1, 2로 하여 부하 정도를 산출할 수 있다.

각각의 레이어들 사이의 링크 혹은 이들 링크에 가해지는 가중치와 바이어스는 학습 과정에서 계속 변경될 수 있다. 또는, 외부에서 이들 학습부(160, 360)의 정보를 업데이트하여 가중치와 바이어스를 설정할 수도 있다.

일 실시예로, 입력 유닛과 제1히든 레이어의 유닛을 비교하면, 입력되는 노드 1개당 20개의 히든 레이어의 노드의 가중치(weight) 값이 설정 되므로 총 5개 입력 노드에 대한 100개의 가중치가 생성될 수 있다. 또한, 가중치 값과의 곱하기 연산 후 더하기로 추가되는 바이어스값이 연산되므로 총 20개의 바이어스 값이 생성될 수 있다. 또는 바이어스 값 역시 가중치 마다 설정될 수도 있다.

학습부(160, 360)의 각 링크별 가중치와 바이어스가 결정되면, 5개의 파라미터를 학습부(160, 360)에 입력하면 최종적으로 0, 1 또는 2의 값이 산출된다. 산출된 값은 에어컨의 쾌적 모드에서의 부하를 설정하는 운전 모드 정보로 에어컨에게 제공될 수 있다.

입력에서 제1히든레이어에 배치되는 링크에 적용되는 가중치의 집합은 {w1_1, w1_2, ..., w1_i}이며, 바이어스의 집합은 {b1_1, b1_2, ..., b1_20}가 된다. 여기서 i는 20 이상 100(5x20)이하의 값을 가질 수 있다. 도 14에서는 입력 노드와 제1히든레이어의 모든 노드 사이에 링크가 배치되어 i가 100이라는 값을 가진다. 입력된 5개의 인자들에 {w1_1, w1_2, ..., w1_100} 및 {b1_1, b1_2, ..., b1_20}을 적용하여 제1히든레이어의 20개의 유닛의 값으로 입력된다.

제1히든레이어에서 제2히든레이어에 배치되는 링크에 적용되는 가중치의 집합은 {w2_1, w2_2, ..., w2_j}이며, 바이어스의 집합은 {b2_1, b2_2, ..., b2_13}이다. 여기서 j는 20 이상 260(20x13) 이하의 값을 가질 수 있다. 도 14에서는 제1히든레이어와 제2히든레이어 사이의 모든 노드 사이에 링크가 배치되어 j가 260이라는 값을 가진다. 제1히든 레이어의 20개의 유닛의 값에 {w2_1, w2_2, ..., w2_260} 및 {b2_1, b2_2, ..., b2_13}을 적용하여 제2히든레이어의 13개의 유닛의 값으로 입력된다.

제2히든레이어에서 제3히든레이어에 배치되는 링크에 적용되는 가중치의 집합은 {w3_1, w3_2, ..., w3_k}이며, 바이어스의 집합은 {b3_1, b3_2, ..., b3_5}가 된다. 여기서 k는 최소 13 이상 65(5x13) 이하의 값을 가질 수 있다. 도 14에서는 제2히든레이어와 제3히든레이어 사이의 모든 노드 사이에 링크가 배치되어 k가 65라는 값을 가진다. 제2히든레이어의 13개의 유닛의 값에 {w3_1, w3_2, ..., w3_65} 및 {b3_1, b3_2, ..., b3_5}을 적용하여 제3히든 레이어의 5개의 유닛의 값으로 입력된다.

제3히든레이어에서 출력에 배치되는 링크에 적용되는 가중치의 집합은 {w4_1, w4_2, ..., w4_p}이며, 바이어스의 집합은 {b4_1, b4_2, ..., b4_3}가 된다. 여기서 p는 최소 5 이상 15(5x3) 이하의 값을 가질 수 있다. 도 14에서는 제3히든레이어와 출력 사이의 모든 노드 사이에 링크가 배치되어 p가 15라는 값을 가진다. 제3히든레이어의 5개의 유닛의 값에 {w4_1, w4_2, ..., w4_p} 및 {b4_1, b4_2, ..., b4_3}을 적용하여 3개의 출력 유닛으로 연결되어 부하 정도를 산출할 수 있다.

도 15는 본 발명의 일 실시예에 의한 냉방 공기를 토출하는 공기조화기의 파라미터들과 풍속 및 냉방 공기의 제공의 상호작용을 도시한 도면이다. 냉방 공기를 토출하는 제1구간에서 학습부(160, 360)는 실내 초기 온도(TempInit)에 비례하거나, 목표 설정 온도(TempTarget)에 반비례하거나, 초기 구간의 온도 변화율(InitRate)에 반비례하거나, 제1구간의 온도 변화율(PowerRate)에 반비례하거나, 또는 시간 크기(PowerTime)에 비례하여 풍속을 증가시키거나 실외기가 냉방 공기를 증가시켜 제공하도록 제어하는 운전 모드 정보를 출력할 수 있다.

따라서, 학습부(160, 360)가 하나 이상의 히든 레이어로 구성된 경우, 풍속, 풍량 또는 냉방공기와 TempInit/PowerTime 사이에는 가중치가 높거나 비례하는 가중치가 설정된 에지 및 노드가 하나 이상 배치될 수 있다. "비례"로 표시된 사각형은 이러한 에지 및 노드를 형상화한 것이다.

반면, 풍속, 풍량 또는 냉방공기와 TempTarget/InitRate/PowerRate 사이에는 가중치가 낮거나 반비례하는 가중치가 설정된 에지 및 노드가 하나 이상 배치될 수 있다. "반비례"로 표시된 사각형은 이러한 에지 및 노드를 형상화한 것이다.

도 16은 본 발명의 다른 실시예에 의한 난방 공기를 토출하는 공기조화기의 파라미터들과 풍속 및 난방 공기의 제공의 상호작용에 대해 도시한 도면이다.

난방 공기를 토출하는 제1구간에서 학습부(160, 360)는 실내 초기 온도(TempInit)에 반비례하거나, 목표 설정 온도(TempTarget)에 비례하거나, 초기 구간의 온도 변화율(InitRate)에 반비례하거나, 제1구간의 온도 변화율(PowerRate)에 반비례하거나, 또는 시간 크기(PowerTime)에 비례하여 풍속을 증가시키거나 실외기가 난방 공기를 증가시켜 제공하도록 제어하는 운전 모드 정보를 출력할 수 있다.

따라서, 학습부(160, 360)가 하나 이상의 히든 레이어로 구성된 경우, 풍속, 풍량 또는 냉방공기와 TempTarget/PowerTime 사이에는 가중치가 높거나 비례하는 가중치가 설정된 에지 및 노드가 하나 이상 배치될 수 있다. "비례"로 표시된 사각형은 이러한 에지 및 노드를 형상화한 것이다.

반면, 풍속, 풍량 또는 냉방공기와 TempInit/InitRate/PowerRate 사이에는 가중치가 낮거나 반비례하는 가중치가 설정된 에지 및 노드가 하나 이상 배치될 수 있다. "반비례"로 표시된 사각형은 이러한 에지 및 노드를 형상화한 것이다.

도 15 및 도 16에서 제시한 비례/반비례 및 파라미터들은 실시예에 불과하며 다양한 방식으로 선택될 수 있다.

도 13 내지 도 16에 기반할 때, 학습부(160, 360)는 하나 이상의 파라미터를 학습 인자로 입력받는데 학습 인자가 상이할 경우 출력되는 운전 모드 정보가 상이할 수 있다. 예를 들어, 학습부(160, 360)는 제1시점에 입력된 제1학습 인자와 제1시점 이후의 제2시점에 입력된 제2학습 인자가 상이한 경우, 제1시점에서 출력된 제1운전 모드 정보와 상이한 제2운전 모드 정보를 제2시점 이후 산출하여 제1시점 및 제2시점에서 상이하게 제2구간의 운전 모드 정보가 출력된다. 그 결과 제1시점의 제2구간의 운전 모드 정보와 제2시점의 제2구간의 운전 모드 정보가 상이할 수 있다.

본 발명의 실시예를 적용할 경우, 효율적인 에어컨의 냉방 혹은 난방 제어를 위해 학습 기반 부하를 추정하는 방법 및 이를 적용한 장치를 제공할 수 있다. 특히, 본 발명의 실시예들은 에어컨 가동 후 목표 설정 온도 도달 시점 전/후에 대한 환경 인자 및 냉방(혹은 난방)에 따른 온도 패턴의 상관 관계를 학습하여 목표 온도 도달 이후 효율적인 냉방 운전이 가능하도록 부하를 단계별로 추정한다. 따라서, 동일한 목표 온도가 설정된 경우라 하여도 목표 온도에 도달하기 까지의 다양한 환경 인자들은 목표 온도 도달 후의 에어컨의 동작을 상이하게 제어하는 요소가 된다.

본 발명의 실시예에서 제1구간(쾌속 모드)의 단위시간당 소비전력량 보다 제2구간(쾌적 모드)의 단위시간당 소비전력량이 작도록 구성될 수 있다. 이는 제1구간은 초기에 빠른 냉방/난방을 위해 전력을 최대한 이용하는 구간이며 시간이 짧다. 한편, 제2구간은 제1구간에서 제공된 냉방/난방의 수준을 유지하는 것이며 시간이 길다. 따라서, 제1구간의 단위 시간당 소비 전력량은 제2구간의 단위 시간당 소비 전력량 보다 크다. 물론, 제1구간의 시간적 크기 역시 제2구간의 시간적 크기보다 작다. 예를 들어 제1구간은 최대 10분을 넘지 않도록 설정될 수 있으나, 제2구간은 이보다 길게 3시간 혹은 5시간동안 유지될 수 있다.

제2구간은 실내기가 냉방 또는 난방 기능을 제공하는 것을 중단한 시점, 예를 들어, 사용자가 모드를 변환하거나 전원을 끄는 등 별도로 동작을 변경시키는 시점에 중단될 수 있다. 따라서, 제2구간의 초기에는 전력 소비량이 제1구간의 전력 소비량과 비교할 때 같거나 혹은 높을 수도 있다. 그러나 제2구간 전체 시간을 기준으로 단위시간당 평균 소비 전력량(K2)을 산출할 경우 제1구간에서 사용한 단위시간당 평균 소비 전력량(K1)과 비교할 때, K2 < K1을 만족시킨다.

본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니며, 본 발명의 목적 범위 내에서 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 반도체 기록소자를 포함하는 저장매체를 포함한다. 또한 본 발명의 실시예를 구현하는 컴퓨터 프로그램은 외부의 장치를 통하여 실시간으로 전송되는 프로그램 모듈을 포함한다.

이상에서는 본 발명의 실시예를 중심으로 설명하였지만, 통상의 기술자의 수준에서 다양한 변경이나 변형을 가할 수 있다. 따라서, 이러한 변경과 변형이 본 발명의 범위를 벗어나지 않는 한 본 발명의 범주 내에 포함되는 것으로 이해할 수 있을 것이다.

1: 실내기 2: 실외기
15: 송풍부 100, 200: 제어모듈
110, 210: 파라미터생성부 160, 360: 학습부
190, 290: 운전모드 제어부 300: 클라우드 서버

Claims

실외기로부터 제공받은 공기를 토출하는 송풍부;
설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간에서 하나 이상의 파라미터를 산출하는 파라미터 생성부;
상기 파라미터를 학습 인자로 입력받아 상기 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하는 운전 모드를 지시하는 운전 모드 정보를 출력하는 학습부;
상기 운전 모드 정보에 기반하여 상기 송풍부 또는 상기 실외기를 제어하는 운전모드 제어부;
상기 파라미터 생성부, 상기 학습부, 상기 운전모드 제어부를 제어하는 중앙제어부; 및
상기 송풍부에서 토출하는 공기의 풍속, 풍량 또는 온도를 변경하는 인터럽트 입력을 수신하는 인터페이스부를 더 포함하며,
상기 중앙제어부는 상기 제2냉방 능력으로 운전 중 상기 인터페이스부가 상기 인터럽트 입력을 수신하면, 상기 운전 모드 정보와 인터럽트 입력을 상기 학습부에 제공하여 상기 학습부를 업데이트하거나 또는 상기 운전 모드 정보를 업데이트하는, 공기조화기.
제1항에 있어서,
상기 학습부는 상기 제1냉방 능력으로 운전하는 구간의 시작 시점의 실내 초기 온도에 비례하거나, 상기 구간의 목표 설정 온도에 반비례하거나, 상기 구간의 미리 설정된 초기 구간의 온도 변화율에 반비례하거나, 상기 구간의 온도 변화율에 반비례하거나, 또는 상기 구간의 시작 시점 및 종료 시점 사이의 시간 크기에 비례하여 상기 풍속을 증가시키거나 냉방 온도를 증가시키 는, 공기조화기.
제2항에 있어서,
상기 목표 설정 온도는 일정 기간 동안 가장 많이 사용자가 설정한 온도 또는 현재 온도에 대응하여 빅데이터 기반으로 선호하는 온도인,
공기조화기.
제1항에 있어서,
상기 학습부는
상기 파라미터를 입력 노드로 하는 입력 레이어;
상기 운전 모드 정보를 출력 노드로 하는 출력 레이어; 및
상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하며,
상기 입력 노드와 상기 출력 노드 사이의 노드 및 에지의 가중치는 상기 학습부의 학습 과정 또는 상기 인터럽트 입력에 의해 업데이트되는, 공기조화기.
다수의 공기조화기로부터 각각의 공기조화기에 각각 설정된 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간에서 산출된 하나 이상의 파라미터를 수신하고 이에 대응하는 운전 모드 정보를 각각 상기 다수의 공기조화기에게 각각 전송하는 통신부;
상기 다수의 공기조화기 중 제1공기조화기의 상기 파라미터를 학습 인자로 입력받아 상기 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하도록 제1공기조화기의 운전 모드를 지시하는 운전 모드 정보를 출력하는 학습부;
상기 학습부, 상기 통신부를 제어하는 서버제어부를 포함하며,
상기 통신부가 상기 제1공기조화기로부터 상기 제2냉방 능력으로 운전 중 발생한 인터럽트 입력을 수신하면,
상기 서버제어부는 상기 운전 모드 정보와 인터럽트 입력을 상기 학습부에 제공하여 상기 학습부를 업데이트하거나 또는 상기 운전 모드 정보를 업데이트하는, 클라우드 서버.
제5항에 있어서,
상기 학습부는 상기 제1냉방 능력으로 운전하는 구간의 시작 시점의 실내 초기 온도 온도에 비례하거나, 상기 구간의 목표 설정 온도에 반비례하거나, 상기 구간의 미리 설정된 초기 구간의 온도 변화율에 반비례하거나, 상기 구간의 온도 변화율 에 반비례하거나, 또는 상기 구간의 시작 시점 및 종료 시점 사이의 시간 크기에 비례하여 풍속을 증가시키거나 냉방 온도를 증가시키는, 클라우드 서버.
제6항에 있어서,
상기 목표 설정 온도는 일정 기간 동안 가장 많이 사용자가 설정한 온도 또는 현재 온도에 대응하여 빅데이터 기반으로 선호하는 온도인,
클라우드 서버.
제5항에 있어서,
상기 학습부는
상기 파라미터를 입력 노드로 하는 입력 레이어;
상기 운전 모드 정보를 출력 노드로 하는 출력 레이어; 및
상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하며,
상기 입력 노드와 상기 출력 노드 사이의 노드 및 에지의 가중치는 상기 학습부의 학습 과정 또는 상기 인터럽트 입력에 의해 업데이트되는, 클라우드 서버.
학습 기반으로 구동하는 공기조화기에 있어서,
송풍부가 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간 동안 공기 조화기가 공기를 토출하는 단계;
상기 구간에서 파라미터 생성부가 파라미터를 산출하는 단계;
학습부가 상기 산출한 파라미터를 학습 인자로 입력받아 상기 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하는 운전 모드를 지시하는 운전 모드 정보를 출력하는 단계;
중앙제어부가 상기 학습부에서 출력된 상기 운전 모드 정보를 운전모드 제어부에 제공하는 단계;
상기 운전모드 제어부가 상기 운전 모드 정보에 기반하여 상기 상기 송풍부 또는 실외기를 제어하는 단계;
인터페이스부가 제2냉방 능력으로 운전 중 상기 송풍부에서 토출하는 공기의 풍속, 풍량 또는 온도를 변경하는 인터럽트 입력을 수신하는 단계; 및
상기 중앙제어부가 상기 운전 모드 정보와 인터럽트 입력을 상기 학습부에 제공하여 상기 학습부 또는 상기 운전 모드 정보를 업데이트하는 단계를 포함하는, 학습 기반으로 공기조화기가 구동하는 방법.
제9항에 있어서,
상기 운전 모드를 출력하는 단계는 상기 학습부가 상기 제1냉방 능력으로 운전하는 구간의 시작 시점의 실내 초기 온도에 비례하거나, 상기 구간의 목표 설정 온도에 반비례하거나, 상기 구간의 미리 설정된 초기 구간의 온도 변화율에 반비례하거나, 상기 구간의 온도 변화율에 반비례하거나, 또는 상기 구간의 시작 시점 및 종료 시점 사이의 시간 크기에 비례하여 상기 풍속을 증가시키거나 냉방 온도를 증가시키는 단계를 포함하는, 학습 기반으로 공기조화기가 구동하는 방법.
제10항에 있어서,
상기 목표 설정 온도는 일정 기간 동안 가장 많이 사용자가 설정한 온도 또는 현재 온도에 대응하여 빅데이터 기반으로 선호하는 온도인,
, 학습 기반으로 공기조화기가 구동하는 방법.
제9항에 있어서,
상기 학습부는 상기 파라미터를 입력 노드로 하는 입력 레이어와, 상기 운전 모드 정보를 출력 노드로 하는 출력 레이어와, 상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하며,
상기 학습부의 학습 과정 또는 상기 인터럽트 입력에 의해
상기 입력 노드와 상기 출력 노드 사이의 노드 및 에지의 가중치를 업데이트하는 단계를 더 포함하는, 학습 기반으로 공기조화기가 구동하는 방법.
공기조화기의 구동을 학습 기반으로 제어하는 클라우드 서버에 있어서,
통신부가 다수의 공기조화기로부터 각각의 공기조화기에 각각 설정된 설정 온도에 대응하여 제1냉방 능력으로 운전하는 구간에서 산출된 하나 이상의 파라미터를 수신하는 단계;
학습부가 상기 수신한 파라미터를 학습 인자로 입력받아 상기 제1냉방 능력으로 운전하는 구간 이후 상기 제1냉방 능력과 상이한 제2냉방 능력으로 운전하도록 제1공기조화기의 운전 모드를 지시하는 운전 모드 정보를 출력하는 단계;
서버제어부의 제어에 의해 상기 통신부는 학습부가 출력한 상기 운전 모드 정보를 상기 제1공기조화기에게 전송하는 단계;
상기 통신부가 상기 제1공기조화기로부터 상기 제2냉방 능력으로 운전 중 발생한 인터럽트 입력을 수신하는 단계; 및
상기 서버제어부는 상기 운전 모드 정보와 인터럽트 입력을 상기 학습부에 제공하여 상기 학습부 또는 상기 운전 모드 정보를 업데이트하는 단계를 포함하는,
클라우드 서버가 공기조화기의 구동을 학습 기반으로 제어하는 방법.
제13항에 있어서,
상기 운전 모드를 출력하는 단계는 상기 학습부가 상기 제1냉방 능력으로 운전하는 구간의 시작 시점의 실내 초기 온도에 비례하거나, 상기 구간의 목표 설정 온도에 반비례하거나, 상기 구간의 미리 설정된 초기 구간의 온도 변화율에 반비례하거나, 상기 구간의 온도 변화율에 반비례하거나, 또는 상기 구간의 시작 시점 및 종료 시점 사이의 시간 크기에 비례하여 풍속을 증가시키거나 냉방 온도를 증가시키는 단계를 포함하는, 클라우드 서버가 공기조화기의 구동을 학습 기반으로 제어하는 방법.
제14항에 있어서,
상기 목표 설정 온도는 일정 기간 동안 가장 많이 사용자가 설정한 온도 또는 현재 온도에 대응하여 빅데이터 기반으로 선호하는 온도인,
클라우드 서버가 공기조화기의 구동을 학습 기반으로 제어하는 방법.
제13항에 있어서,
상기 학습부는
상기 파라미터를 입력 노드로 하는 입력 레이어와, 상기 운전 모드 정보를 출력 노드로 하는 출력 레이어와, 상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하며,
상기 학습부의 학습 과정 또는 상기 인터럽트 입력에 의해
상기 입력 노드와 상기 출력 노드 사이의 노드 및 에지의 가중치를 업데이트하는 단계를 더 포함하는, 클라우드 서버가 공기조화기의 구동을 학습 기반으로 제어하는 방법.