KR102071960B1 - 에어컨이 설치된 공간의 인공지능 학습에 기반하여 파라미터를 설정하는 제어장치 - Google Patents

Abstract

본 발명은 에어컨이 설치된 공간에 대한 인공지능 학습에 기반하여 파라미터를 설정하는 제어 장치에 관한 것으로, 본 발명의 일 실시예에 의한 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치는 하나 이상의 실내기 또는 하나 이상의 실외기로부터 운전 싸이클에서 생성된 정보 및 현장 정보를 수신하는 통신부, 수신한 정보에 기반하여 실내기 또는 실외기가 배치된 공간의 열역학적 모델을 생성하는 모델링부, 제1모델링 싸이클과 열역학적 모델에 운전 파라미터를 반복 적용하여 실내기 또는 실외기가 배치된 환경에 대응하며 제1모델링 싸이클과 상이한 제2모델링 싸이클에 대응하는 파라미터를 산출하는 파라미터 산출부, 현장 정보와 운전 싸이클에서 생성한 정보를 입력층으로 하며 파라미터를 출력층으로 하며 입력층과 출력층을 연결하는 하나 이상의 히든층을 포함하는 학습부, 및 중앙제어부를 포함한다.

Description

에어컨이 설치된 공간의 인공지능 학습에 기반하여 파라미터를 설정하는 제어장치{CONTROL DEVICE OF CONFIGURING PARAMETER BASED ON ARTIFICIAL INTELLIGENT LEARNING OF SPACE WHERE THE AIR-CONDITIONER IS INSTALLED}

본 발명은 에어컨이 설치된 공간에 대한 학습에 기반하여 파라미터를 설정하는 제어 장치에 관한 기술이다.

오피스텔, 대형 사무실, 병원 등의 대형 빌딩은 중앙에서 제어하는 공조 시스템(일명 시스템 에어컨)이 설치된다. 다양하게 분리된 공간에는 다수의 실내기들이 배치되며, 이들 실내기와 일대일 혹은 다대일의 관계로 실외기들이 배치된다. 공조 시스템의 공조 능력을 높이기 위해서는 많은 수의 실외기와 실내기가 설치된 공간에 적합하게 운전하는 것이 필요하다.

도 1은 종래 기술의 구성에 관한 도면이다. 출원인이 과거에 출원한 출원번호 10-2015-0004221를 살펴보면, 도 1에 제시된 바와 같이 운전 모드를 선택(S1)하여 압축기의 압축 압력에서 산출되는 절대값(S3)에 기반하여 엔진의 알피엠을 조절(S4)하는 기술을 제시하고 있다. 이는 에어컨의 동작 상태에 기반하여 실외기의 동작을 제어하는 기술을 제시하고 있다.

그런데, 이러한 종래 기술은 에어컨이 동작하는 부하 상황을 완전히 반영하지 못하고 있다. 특히, 부하 상황에서 중요한 에어컨이 설치된 공간에 대한 정보를 반영하지 못한다. 따라서, 에어컨이 설치된 공간의 정보를 반영하여 에어컨의 동작을 제어하는 방법 및 이를 구현하는 장치가 필요하다.

본 명세서에서는 전술한 문제점을 해결하기 위한 것으로, 실제 에어컨이 설치되어 동작하는 현장의 정보를 반영하여 시스템 에어컨이 동작할 수 있도록 한다.

본 명세서에서는 에어컨이 설치된 현장 정보와 에어컨의 운전 과정에서 산출되는 정보들에 기반하여 최적의 모델링 싸이클을 산출하고 이들을 이용하여 현장 정보 및 산출 정보와 모델링 싸이클 사이의 상관관계를 학습에 기반하여 산출한다.

본 명세서에서는 학습 모듈을 이용하여 현장 정보 및 에어컨의 운전 과정에서 산출되는 정보들에 대응하는 최적의 모델링 싸이클이 산출되도록 하여 에너지의 효율을 높이고자 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 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치는 하나 이상의 실내기 또는 하나 이상의 실외기로부터 운전 싸이클에서 생성된 정보 및 현장 정보를 수신하는 통신부, 수신한 정보에 기반하여 실내기 또는 실외기가 배치된 공간의 열역학적 모델을 생성하는 모델링부, 제1모델링 싸이클과 열역학적 모델에 운전 파라미터를 반복 적용하여 실내기 또는 실외기가 배치된 환경에 대응하며 제1모델링 싸이클과 상이한 제2모델링 싸이클에 대응하는 파라미터를 산출하는 파라미터 산출부, 현장 정보와 운전 싸이클에서 생성한 정보를 입력층으로 하며 파라미터를 출력층으로 하며 입력층과 출력층을 연결하는 하나 이상의 히든층을 포함하는 학습부, 및 통신부, 모델링부, 파라미터 산출부, 학습부를 제어하는 중앙제어부를 포함한다.

본 발명의 실시예들을 적용할 경우, 실제 에어컨이 설치되어 동작하는 현장의 정보를 반영하여 시스템 에어컨이 동작하도록 모델링 싸이클을 에어컨의 실내기 또는 실외기에 제공할 수 있다.

본 발명의 실시예들을 적용할 경우, 에어컨이 설치된 현장 정보와 에어컨의 운전 과정에서 산출되는 정보들을 입력층으로 하고, 최적의 모델링 싸이클을 구성하는 파라미터를 출력층으로 하는 학습 모듈을 구성할 수 있다.

본 발명의 실시예들을 적용할 경우, 산출된 학습 모듈을 이용하여 현장 정보 및 에어컨의 운전 과정에서 산출되는 정보들에 대응하는 최적의 모델링 싸이클을 산출하여 에너지의 효율을 높일 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 종래 기술의 구성에 관한 도면이다.
도 2는 본 발명의 일 실시예에 의한 하나 이상의 실내기와 하나 이상의 실외기를 제어하는 제어장치의 구성을 보여주는 도면이다.
도 3은 본 발명의 일 실시예에 의한 증기압축 냉난방 사이클을 보여주는 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 의한 모델링부가 모델링하는 구성 및 과정을 보여주는 도면이다.
도 6은 도 5에서 시뮬레이션 데이터와 실제 필드에서 산출한 운전 파라미터 사이의 싸이클의 고저압을 비교하는 그래프이다.
도 7은 본 발명의 일 실시예에 의한 파라미터 산출부가 다수의 파라미터들을 산출 또는 추정하는 과정을 보여주는 도면이다.
도 8은 본 발명의 일 실시예에 의한 모델링된 싸이클과 실제로 계측된 싸이클의 차이를 보여주는 도면이다.
도 9는 도 7 및 도 8의 과정에서 진화된 싸이클 모델을 보여주는 도면이다.
도 10은 기계학습에 의한 싸이클 예측 정확도의 개선 결과를 확인하기 위해 냉방 L점 4-point 실험 데이터에 적용한 실시예이다.
도 11은 본 발명의 일 실시예에 의한 학습 과정에서 모델 계수의 하나인 유량 계수와 목적 함수 사이의 관계를 보여주는 도면이다.
도 12는 실외기 및 실내기의 동작 과정에서 상대 습도와 외기 온도를 누적하여 그래프로 표시한 도면이다.
도 13은 본 발명의 일 실시예에 의한 모델링부(110)가 실내온도와 실내비습도를 기반으로 다양한 정보를 산출하는 도면이다.
도 14 및 도 15는 본 발명의 일 실시예에 의한 각각의 실내기 및 실외기로부터 통신부(140)가 정보를 수신하는 구성을 보여주는 도면이다.
도 16은 본 발명의 일 실시예에 의한 학습부의 구성을 보여주는 도면이다.
도 17은 본 발명의 일 실시예에 의한 인터페이스부에 의해 모델링 싸이클을 표시하고 변환시키는 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 공조 시스템을 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.

도 2는 본 발명의 일 실시예에 의한 하나 이상의 실내기와 하나 이상의 실외기를 제어하는 제어장치의 구성을 보여주는 도면이다. 제어장치(100)는 어느 하나의 실외기 또는 어느 하나의 실내기에 탑재될 수 있다. 또는 제어장치(100)는 독립적인 장치로 구현될 수 있다. 제어장치(100)는 휴대폰 또는 스마트폰 등에 구현되거나 혹은 휴대폰 또는 스마트폰을 통해 제어될 수 있다.

제어장치(100)는 멀티 에어컨의 현장 데이터 자가학습에 의한 운전 파라미터 최적 제어기법을 구현하는 것을 일 실시예로 한다. 도 2의 제어장치(100)는 현장 운전 데이터 자가 학습을 통한 현장 맞춤형 액츄에이터 및 리모컨 제어기법을 구현하는 장치로, 자가 학습을 위한 구성요소들을 세분하여 살펴보면 모델링부(110), 파라미터산출부(120), 학습부(130)로 구성된다.

모델링부(110)는 현장 및 제품의 열역학적 모델링을 수행하는 모듈을 일 실시예로 한다. 예를 즐어, 현장에서 운전된 사이클(각 구성부, 예를 들어 실외기의 냉매 압력 및 온도) 및 실내기를 통해 확보되는 실내 온습도 데이터를 측정하여, 측정한 데이터에 가장 잘 부합하는 설치 현장 및 운전제품의 열역학적 모델링을 구성할 수 있다.

열역학적 모델은 운전 싸이클에서 생성된 정보 또는 현장 정보에 기반하여 공간의 공기 열용량 또는 공간에 배치된 가구 열용량 정보를 포함하며, 실내기가 배치된 공간의 온도의 변화 또는 습도의 변화, 그리고 에어컨을 제어하는 명령어의 입력(리모컨을 통한) 등이 누적되어 해당 공간의 특성을 제시한다. 열역학적 모델의 가장 단순한 형태는 주어진 운전에 대응하여 온도를 증가 또는 감소시키는 것이 필요한 공간이라는 정보를 포함한다. 또는 복합적으로 해당 공간에 대해 추정된 열용량의 크기 혹은 이러한 추정을 가능하게 하는 기타 요소들이 열역학적 모델을 구성할 수 있다.

열역학적 모델의 일 실시예로 다음과 같이 산출할 수 있다. 해당 실내기 및 해당 실외기의 동작에 적합한 표준 공간을 기준으로 열역학적 모델은 +10% 또는 -10%와 같이 표준 공간보다 더 많은 열용량을 가지는 공간인지 혹은 더 적은 열용량을 가지는 공간인지로 산출될 수 있다.

모델링부(110)는 현장 및 제품의 동작 과정에서 각 구성부가 표준 공간에서 동작할 경우의 냉매의 온도나 압력, 혹은 실내의 온도 변화나 습도 등에 기반하여 표준 공간을 기준으로 수치적으로 증감한 결과를 열역학적 모델로 산출할 수 있다.

예를 들어 표준 공간에서 동작시 10분 만에 온도가 20도로 내려가는 것으로 추정되는데 실제 현장 온도가 10분 만에 온도가 19도로 내려가면 이 공간의 열용량은 표준 공간보다 작은 열용량을 가지는 것으로 산출할 수 있다. 예를 들어 전체 냉방 변화 온도가 15~25도 사이이며, 1도 더 내려간 공간에 대해 열용량이 10% 작은 것으로 산출할 수 있다.

파라미터 산출부(120)는 최적 파라미터를 선정하는 모듈을 일 실시예로 한다. 최적 파라미터를 선정하기 위해 파라미터 산출부(120)는 몬테 카를로(Monte Carlo) 시뮬레이션을 이용하여 최적 파라미터를 선택할 수 있다. 앞서 모델링부(110)가 산출한 모델링 결과에 기반하여, 파라미터 산출부(120)는 운전 파라미터에 무작위 섭동량을 반복 부과한 후 가상으로 현장 운전하여 해당 조건에서 에어컨의 효율 또는 인체 쾌적도 등의 목적함수를 최대로 하는 운전 파라미터를 구하고 기록한다.

또한 파라미터 산출부(120)는 전술한 시뮬레이션을 이용하지 않고 냉매의 특정 상태에 대한 온도를 제어할 수 있다. 예를 들어 도 8 및 도 9에서 설명하는 각각의 냉매의 상태 및 압력, 온도 등을 모두 변경시키도록 파라미터 산출부(120)가 파라미터를 산출할 수도 있으나, 어느 하나의 온도 또는 어느 하나의 압력을 제어하는 것도 가능하다.

다음으로 학습부(130)는 인공 신경망 학습 모듈을 일 실시예로 하는데, 앞서 모델링부(110)가 산출한 실내외 온/습도 및 실내기의 Thermo-ON/OFF 조건을 입력레이어(input layer)으로, 파라미터 산출부(120)가 산출한 최적의 운전 파라미터를 출력레이어(output layer) 으로 하며, 다수의 히든레이어(hidden layer)로 구성된 인공 신경망(Artificial Neural Network)을 구성하여 오차 역전파(back propagation)를 일 실시예로 신경망의 계수(weight) 및 기저 (bias)를 학습한다.

전술한 모델링부(110), 파라미터산출부(120), 학습부(130)에 기반해서 학습된 결과는 새로운 데이터가 들어오는 일정기간마다 갱신되어 실외기의 제어기(도 2의 중앙제어부(150))에 반영되며, 주어진 온/습도 및 실내기 조건에서 최적의 실내외기 액츄에이터 및 리모컨 설정값을 자동으로 제어할 수 있도록 해줄 뿐만 아니라, 모델링의 변화를 통해 현장 및 제품 상황의 변화에도 능동적으로 대처할 수 있도록 해준다.

한편, 인터페이스부(145)가 선택적으로 제어장치(100) 내에 배치될 수 있다. 이는 현재 실내기들과 실외기들의 동작 상황에서 산출되는 모델링 혹은 학습 결과를 표시하고 사용자로부터 명령을 입력받는 등의 정보 출력 및 지시정보 입력의 기능을 제공한다.

도 2의 제어장치(100)의 구성을 살펴보면 다음과 같다.

통신부(140)는 하나 이상의 실내기 또는 하나 이상의 실외기로부터 운전 싸이클에서 생성된 정보 및 현장 정보를 수신한다. 여기서 운전 싸이클에서 생성된 정보는 실외기 또는 실내기를 구성하는 압축기, 실외팬, 실내팬, 실내 팽창밸브 또는 실외 팽창밸브 중 어느 하나에서의 냉매의 압력 또는 온도 정보를 포함한다. 이들은 실내기 또는 실외기의 구성요소로 중앙제어부(150) 또는 통신부(140)와 직접 또는 간접적으로 연결될 수 있다. 이는 도 15에 상세히 제시되어 있다.

또한 각각의 실내기 또는 실외기는 운전 싸이클에 대응하여 냉매의 온도를 센싱하는 온도 센싱부가 다수 배치될 수 있으며, 이들 온도 센싱부가 센싱한 온도는 통신부(140)에게 전송된다. 온도 센싱부들의 구성은 도 14에 상세히 제시되어 있다.

모델링부(110)는 통신부(140)가 수신한 정보에 기반하여 실내기 또는 실외기가 배치된 공간의 열역학적 모델을 생성한다. 운전 싸이클에서 생성된 정보로 전술한 다양한 구성요소들에서의 냉매의 압력과 온도 정보와 이에 대응하는 실내온도에 기반하여 열역학적 모델을 산출할 수 있다.

일 실시예로, 모델링부(110)는 설치된 공간의 공기열용량 혹은 가구열용량을 산출할 수 있다. 또한, 모델링부(110)는 후술할 수학식 8에 기반하여 현열부하에 비례 또는 반비례하거나 EHP 현열에 비례 또는 반비례하는 열용량을 산출하여 이를 공간의 공기열용량으로 추정 및 산출할 수 있다.

또한, 실외기 및 실내기가 표준 공간에 대해 생성한 모델링 싸이클에 기반하여 운전 싸이클이 상이한 경우 실내기 또는 실외기의 압축기, 실외팬, 실내팬, 실내 팽창밸브 또는 실외 팽창밸브 중 어느 하나에서의 냉매의 압력 또는 온도 정보에 기반하여 공간의 열용량을 산출할 수 있다. 이는 기본 설정된 열용량 정보 및 냉매의 압력-온도 정보을 디폴트값으로 하고 변경된 냉매의 압력 또는 온도 정보에 비례 혹은 반비례하여 열용량 정보를 산출할 수 있다.

예를 들어 표준으로 설정된 공간의 열용량을 기준으로 실내기의 실내팬의 속도 또는 실내 팽창밸브의 압력이 증가할 경우 기준 속도 및 기준 압력과의 비율에 기반하여 공간의 열용량을 높게 산출할 수 있다.

일 실시예로 표준 공간의 열용량이 MC이고, 표준 공간의 실내팬의 속도가 A rpm이며 통신부(140) 또는 중앙제어부(150)가 확인한 실내팬의 속도가 A' rpm인 경우, MC에 A'/A를 곱하거나 A'/A의 일부를 곱하는 등 A'와 A 사이의 차이를 반영하여 설치된 공간의 열용량 MC'를 산출할 수 있다. 이는 실외팬에도 같은 방식으로 적용할 수 있다.

마찬가지로 실내/실외 팽창밸브에서의 냉매의 압력 또는 온도와, 압축기의 냉매의 압력 또는 온도 역시 표준으로 설정된 모델링 싸이클을 기준으로 설정되었던 냉매의 압력 또는 온도와의 차이를 비율로 산출하여 이를 표준 공간의 열용량의 MC에 곱하거나 비율을 적용하여 설치된 공간의 열용량 MC'를 산출할 수 있다.

정리하면, 열역학적 모델은 표준 공간으로 설정된 공간의 열역학적 모델과의 차이에 기반하여 산출될 수 있다. 그 결과 표준 공간의 열역학적 모델을 기준으로 +10% 혹은 -10%와 같이 비율로 산출될 수 있다. 이 경우 표준 공간의 열역학적 모델에 기반하여 모델링 싸이클이 설정된 경우 이를 변경하는 것이 필요하다.

파라미터 산출부(120)는 제1모델링 싸이클과 열역학적 모델에 운전 파라미터를 반복 적용하여 실내기 또는 실외기가 배치된 환경에 대응하며 제1모델링 싸이클과 상이한 제2모델링 싸이클에 대응하는 파라미터를 산출할 수 있다. 이는 열역학적 모델에 기반하여 산출되는 실제 싸이클과 모델링한 싸이클의 차이를 줄이는 과정을 반복하여 제2모델링 싸이클을 산출할 수 있다.

모델링 싸이클은 후술할 도 3 또는 도 8, 9와 같이 냉매에 가해지는 압력과 냉매의 상태, 그리고 이에 대응하는 온도로 구성된다. 파라미터 산출부(120)는 모델링 싸이클 및 실제 운전된 싸이클 사이의 각 지점에서의 냉매의 온도 차이를 줄이도록 할 수 있다.

도 3은 본 발명의 일 실시예에 의한 증기압축 냉난방 사이클을 보여주는 도면이다. 증기 압축 냉난방 사이클의 일 실시예로 압력(Pressure, kPa)-엔탈피(enthalpy, kJ/kg)에 기반한 압력-엔탈피 선도(Pressure-Enthalpy Diagram, 이하 P-h 선도)를 나타낸다. 도 3에서 증기 압축을 수행하는 방식은 총 4개의 프로세스로 이루어진다. b 지점에서 g 지점으로의 이동은 응축프로세스이다. 실외 열교환기에서 냉매가 응축될 수 있으며, 이 경우 g 지점에서 냉매의 물성은 액체상태 또는 과냉각된 액체 상태가 될 수 있다. 이 상태에서 압력이 감압되면 d 지점으로 상태가 이전되는데, 이를 팽창 프로세스라고 한다. d 지점에서의 냉매는 액체 상태를 가지며 또한 기상 냉매가 포함될 수 있다. d 지점에서 a 지점으로의 이동은 증발 프로세스로 실내기의 열교환기를 통과한 후 엔탈피가 증가한 것을 보여준다. 증발 후 다시 b 지점으로 이동하도록 압축 프로세스가 진행될 수 있다. 4개의 지점(a, b, g, d)는 프로세스를 구분하는 지점이다. 도 3에서 곡선은 기체와 액체의 경계 지점을 지시한다.

또한 보다 상세히 냉매는 h 지점을 통과하며 실외기의 팽창밸브 등으로 유동할 수 있으며, 증발된 냉매는 증발 과정에서 c 지점을 통과하며 c 지점에서 기체와 액체를 분리하는 장치에 의해 기상 냉매와 액상 냉매가 분리되고, 분리된 기상 냉매는 다시 압축 프로세스를 통해 b 지점의 상태가 된다. 이후 다시 응축에 대응하는 g 지점으로의 상태 변화가 이루어진다.

도 3에서 설명한 각 4개의 지점들은 냉매의 상태를 변화시키기 위한 4개의 프로세스의 시작점 및 목표점이 된다. 이들 시작점 및 목표점의 설정에 따라 냉난방 싸이클의 특성이 결정될 수 있다.

냉난방 싸이클(운전 싸이클)을 제어하는 주요 구성요소로는 압축기, 실외팬, 실내팬, 그리고 실내 팽창밸브(Electronic Expansion Valve)와 실외 팽창밸브, 그리고 실내기 리모컨 등이 냉난방 싸이클을 제어한다. 일 실시예로 압축기의 경우 압력을 제어하며 난방에 대응하는 특정한 압력(예를 들어 난방인 경우 2,990 kPaG 이며 냉방인 경우 780 kPaG 등)을 제어할 수 있다. 그러나 압축기가 부하 대응에 실패할 경우 과냉방 또는 과난방으로 인한 에너지 손실이 발생할 수 있다. 다음으로 실외팬은 냉방시 응축온도(예를 들어 50oC)를 추종하도록 RPM(revolutions per minute 혹은 rotations per minute)이 설정될 수 있으며 난방시 증발온도(예를 들어 10^oC)를 추종하도록 RPM이 설정될 수 있다. 그러나 난방 시 항상 최대 RPM(Full RPM)으로 동작해야 한다는 문제점이 있다.

한편, 실내팬의 경우 강약중 증으로 셋팅될 수 있는데 이는 부하 대응에 실패하거나 소음 문제 혹은 콜드 드래프트(cold draft) 문제가 발생할 수 있다.

한편, 실내 및 실외 팽창밸브는 변동 흡입과열과 과냉을 제어할 수 있으나 수렴 문제가 발생할 수 있다. 마지막으로 냉난방 싸이클의 주요 제어인자인 실내기 리모컨은 사용자가 온도를 설정하는 것에 기반하여 동작한다. 예를 들어 난방은 20~30^oC 내에서, 냉방은 18~30 ^oC 내로 설정될 수 있다.

이러한 주요 제어인자들을 이용하여 도 3에서 설명한 냉난방 싸이클로 에어컨이 동작할 수 있는데, 이러한 싸이클이 최적 운전지점에 부합하지 않는 경우 과냉방 또는 과난방에 의한 에너지 손실과 약냉방 또는 약난방에 의한 잦은 제어가 발생할 수 있다. 이에 에어컨의 여러 구성요소로부터 산출되는 정보 및 이들 정보에 기반하여 실내기가 배치된 공간의 특성 정보 등을 산출하여 효과적인 에어컨 제어를 구현하고자 한다.

이하 각 주요 제어인자들이 생성하는 정보로 압축기의 경우 Hz, 실내/실외팬이 산출하는 정보로 RPM, 실내외팽창밸브가 산출하는 정보로 EEV라 지시한다.

도 4 및 도 5는 본 발명의 일 실시예에 의한 모델링부가 모델링하는 구성 및 과정을 보여주는 도면이다. 파라미터 산출부(120)는 다양한 액츄에이터들이 생성하는 정보에 기반하여 냉난방 싸이클을 측정하고 모델링된 싸이클과의 차이점을 학습하여 최적 운전점을 산출할 수 있다.

먼저 도 4는 본 발명의 일 실시에에 의한 필드 운전 파라미터를 입력받고 이를 통해 싸이클 시뮬레이션을 수행하는 실외기 및 실내기의 구성을 보여준다.

파라미터 산출부(120)는 시뮬레이션을 보정하기 위해 필드 데이터에서 얻은 운전 파라미터(Hz, RPM, EEV) 및 실내외 온도를 그대로 입력(feeding)하고, 최대한 필드와 유사하게 해석 조건을 설정하여 싸이클(cycle) 시뮬레이션의 결과 (응축, 증발온도, 토출온도 등)를 통해 필드데이터와의 오차를 확인한다. 예를 들어 도 4와 같이 하나의 실외기(20)에 8개의 실내기(10a~10h)가 배치된 구성에서 제어장치(100)의 통신부(140)는 실외기를 통해 외기 온습도/풍속을 추출하고 각각의 실내기들이 생성하는 온도 및 습도 정보를 추출할 수 있다.

도 5는 도 4와 같은 구성에서 산출되는 정보를 그래프화 한 것이다. 파라미터 산출부(120)는 통신부(140)를 통하여 압축기에서 산출되는 회전수(Comp Hz), 실내기의 부하율(IDU load, %), 그리고 팽창밸브의 스텝별 단계(EEV step/10)이 운전 파라미터로 산출될 수 있다. 이러한 정보들은 일정한 주기(예를 들어 2초) 마다 생성될 수 있으며, 이는 냉매 싸이클 데이터가 된다. 이를 열역학적 데이터로 전환하기 위해 몇 KW의 냉방이 제공되면 실내기가 설치된 공간의 냉방이 되는 조건을 산출할 수 있다.

도 6은 도 5에서 시뮬레이션 데이터와 실제 필드에서 산출한 운전 파라미터 사이의 싸이클의 고저압을 비교하는 그래프이다. 도 6에서 고압에서의 시뮬레이션 데이터(Pcond, simulation)와 실제 필드 데이터(Pcond, field data)가 차이가 있음을 보여준다. 마찬가지로 저압에서의 시뮬레이션 데이터(Pevap, simulation)와 실제 필드 데이터(Pevap, field data) 역시 차이가 있음을 보여준다.

파라미터 산출부(120)는 전술한 운전 파라미터들의 계측치와의 비교를 통해 싸이클 시뮬레이션 모델을 수정한다. 일 실시예로, 모델링된 냉매의 싸이클과 실제 계측된 싸이클에 차이가 발생할 경우 기계 학습(Machine learning) 방식에 기반하여 모델링을 수정하여 실제 계측된 싸이클에 근접하도록 모델을 구성하는 파라미터들을 변경한다. 이 과정에 대해 상세히 살펴본다.

도 7은 본 발명의 일 실시예에 의한 파라미터 산출부(120)가 다수의 파라미터들을 산출 또는 추정하는 과정을 보여주는 도면이다.

파라미터 산출부(120)는 실내기 또는 실외기들이 동작하는 과정에서 획득되는 다양한 정보들을 이용하여 싸이클 모델을 구성하는 계수들(C1~C6)을 추정할 수 있다. 일 실시예로, 도 7에 제시된 압축기 체적 효율, 압축기 기계효율, 응축기의 공기측 열전달. 응축기의 냉매측 열전달, 증발기의 공기측 열전달, 증발기의 냉매측 열전달 등의 수학식 1 및 2의 측정값 등에서 최소 6개의 파라미터(C1~C6)을 추정할 수 있다. 이들 파라미터는 파라미터 산출부(120)가 모델을 구성하는 과정에서 조정 가능하다.

각각의 파라미터가 산출되는 수학식을 살펴보면 다음과 같다. 각각의 수학식에서 하부의 첨자 cond는 응축을, evap는 증발을, subc는 과냉각을, disc는 토출을 suph는 흡입을 의미한다.

압축기의 체적 효율(

) 및 기계 효율(

)은 수학식 1에 기반하여 산출할 수 있다. 하기의 수학식 1 및 수학식 2의 C1, C2, ..., C6는 싸이클 시뮬레이션 모델의 계수가 된다. 따라서, 이 값을 조정함으로 인해 싸이클 모델이 변경될 수 있다.

공기측 열전달(h_air), 냉매측 응축 열전달(h_cond), 냉매측 증발 열전달(h_evap)는 수학식 2에 기반하여 산출할 수 있다.

이들 C1~ C6의 계수들은 실제로 전술한 압축기의 구체적인 정보들 및 열전달 등을 이용하여 산출할 수 있다. 또는 도 7의 우측에 배치된 압축기 모델 또는 열교환기 모델 내에서 1차적으로 압축기의 체적 효율(

) 및 기계 효율(

),공기측 열전달(h_air), 냉매측 응축 열전달(h_cond), 냉매측 증발 열전달(h_evap)을 계산(수학식 3, 4 참조)하고, 계산된 값들을 앞서 수학식 1 및 수학식 2에 입력하여 C1~C6 등의 계수를 산출할 수 있다.

예를 들어, 압축기 모델에서는 수학식 3과 같이 냉매 순환량을 산출하여 역으로 압축기 체적 효율을 산출하거나, 혹은 압축기 소전을 이용하여 기계효율을 산출할 수 있다.

또한, 열전달과 관련된 값들 역시 수학식 4와 같이 열교환효용도, 응축/증발 열량 등에서 산출할 수 있다.

도 8은 본 발명의 일 실시예에 의한 모델링된 싸이클과 실제로 계측된 싸이클의 차이를 보여주는 도면이다. 도 3에서 살펴본 싸이클에서 실선은 계측된 싸이클을 보여주며 점선은 모델링된 싸이클을 보여준다.

계측된 싸이클의 토출 온도(Tdisc), 응축 온도(Tcond), 과냉온도(Tsubc)(또는 난방의 경우 과열), 증발 온도(Tevap), 흡입 온도(Tsuph)와 모델링된 온도(M을 상측 첨자로 가짐) 사이에서 오차가 발생하는 것을 확인할 수 있다. 이러한 오차를 최소화하는 방향으로 모델 계수를 진화시켜 모델 기반 최적 운전점과 실제 최적 운전점을 일치시킬 수 있다.

일 실시예로, 모델 계수 벡터 C와 온도 오차 사이의 벡터 Err은 수학식 5와 같이 정의할 수 있다.

또한, 온도오차의 자승의 합(J)을 지속적으로 최소화하도록 수학식 6과 같이 모델 계수를 실시간 진화시킬 수 있다.

정리하면 다음과 같다.

실외기 및 실내기의 동작 과정에서 냉매의 순환 싸이클의 각 지점들(응축, 증발, 토출, 과냉, 흡입, 과열 등)의 온도와 모델 예측 싸이클 내에서의 온도를 비교하여 이들의 오차를 최소화시키는 모델 계수(C1~C6)를 파라미터 산출부(120) 및 학습부(130)가 산출한다. 산출 과정은 수학식 6과 같이 지속적으로 모델 계수 벡터를 순차적으로 산출할 수 있다.

예를 들어, 앞서 수학식 3 및 수학식 4의 압축기 모델 및 열교환기 모델에서 산출되는 압축기 체적 효율 계수, 압축기 기계효율 계수, 열전달 계수를 산출하고, 수학식 1 및 수학식 2에 산출된 계수에 기반하여 C1 내지 C6를 산출하여 이를 모델 계수 벡터에 입력할 수 있다. 입력된 벡터를 다시 온도 오차의 자승의 합과 계산하여 최적의 모델 계수(C1~C6)들을 산출할 수 있다.

학습부(130)가 기계학습(machine learning)을 수행하여 모델링된 싸이클과 계측된 싸이클의 오차를 줄이도록 C1~C6을 산출할 수 있다. 이 과정에서 더 이상 오차를 줄일 수 없을 만큼 근접하게 싸이클을 모델링하는 계수인 C1~C6이 산출되면 이를 실외기 및 실내기에 적용하여 냉매 순환 싸이클을 형성할 수 있다.

도 9는 도 7 및 도 8의 과정에서 진화된 싸이클 모델을 보여주는 도면이다. 도 9는 본 발명의 일 실시예에 실제로 계측된 싸이클과 오차를 줄이도록 도 7 및 수학식 1 내지 6의 과정이 적용된 모델링 싸이클을 보여주는 도면이다. 실선은 계측된 싸이클을 보여주며 점선은 새로이 적용되어 생성된 모델링 싸이클을 보여준다. 모델링 싸이클과 계측된 싸이클 사이에 오차가 작게 구성되므로 실제 동작에 적합하게 실외기와 실내기가 동작할 수 있다.

도 10은 본 발명의 일 실시예에 의한 싸이클 모델 계수들이 업데이트된 결과 실외기 및 실내기의 성능의 변화를 보여주는 도면이다. 앞서 학습부(130)는 계측된 싸이클과의 오차를 줄이도록 계수들을 산출하였다. 31과 같이 구성되는 압력-시간의 그래프에서 일정 시간이 지난 후에 실제 시뮬레이션(실선)과 계측된 지점(심볼로 구성) 사이에서 간극이 멀어지는 것을 확인할 수 있다.

반면, 산출된 계수들을 적용할 경우 32와 같이 일정 시간이 지난 후라 하여도 실시간으로 산출된 계수에 기반하여 싸이클 모델이 결정되므로, 실제 시뮬레이션(실선)과 계측된 지점(심볼로 구성) 사이에서 간극이 작은 것을 확인할 수 있다. 32와 같이 싸이클 모델을 지속적으로 계측된 상태에 적합하게 변경하여 환경과의 정합도를 높일 수 있다.

도 10은 기계학습에 의한 싸이클 예측 정확도의 개선 결과를 확인하기 위해 냉방 L점 4-point 실험 데이터에 적용한 실시예이다. 일 실시예로, 열교환기 및 압축기 모델의 계수들은 고정한 채 EEV 모델 계수만을 변경하도록 적용하였음에도 고압이 과소 예측되는 문제가 해결됨을 확인할 수 있다. 따라서, 하나의 계수 만을 변경하여도 싸이클의 예측 정확도가 향상하므로, 전체 계수들을 지속적으로 기계 학습에 기반하여 변경할 경우 싸이클의 예측 정확도의 정밀도를 높일 수 있다. 그 결과 유량 계수(Cd)를 0.1로 고정한 실시예(31 지시)와 유량 계수(Cd)를 실시간 학습 데이터에 기반하여 산출한 실시예(32 지시)를 비교할 경우 32가 지시하는 실시예가 더 정밀하게 예측함을 확인할 수 있다.

유량 계수(Cd)의 산출 및 이를 기반으로 하는 목적함수인 코스트 함수(cost function)의 상관관계는 수학식 7에 제시된다.

여기서 밸브(EEV)를 통과하는 유량(

)의 계수로 Cd를 산출하게 되며, 학습부(130)는 이를 반복하여 목적 함수와 계산하여 최종적으로 싸이클에 적용할 유량 계수 Cd를 산출할 수 있다. 수학식 7의 유량 계수와 목적함수 사이의 관계는 도 11에 제시된다.

도 11은 본 발명의 일 실시예에 의한 학습 과정에서 모델 계수의 하나인 유량 계수와 목적 함수 사이의 관계를 보여주는 도면이다. 실선(유량 계수)와 점선(목적 함수) 사이의 사이의 상관관계를 보여준다. 최초 2시간 이후 Cd를 다시 산출하여 적용한 결과 목적 함수와 유량 계수의 변동이 동시에 이루어지고 있음을 확인할 수 있다. 이는 유량 계수가 변동됨으로 인해 오차 역시 변화하는 것을 보여준다.

도 12 및 도 13은 본 발명의 일 실시예에 의한 필드 데이터를 기반으로 건물을 시뮬레이션하는 과정을 보여주는 도면이다. 건물의 시뮬레이션이란 실외기와 실내기가 배치된 건물의 열용량, 열전달 계수, 벽체 면적등을 역으로 산출하는 것인데, 이는 실제 운전 과정에서 산출되는 데이터(실내외 온습도), 실내기 운전 시간, EHP(Electric Heat Pump, 전기식 히트 펌프)의 현잠열 능력 등으로부터 이 데이터를 가장 잘 설명하는 건물 시뮬레이션 모델을 역으로 구성하는 것을 일 실시예로 한다.

도 12는 실외기 및 실내기의 동작 과정에서 상대 습도와 외기 온도를 누적하여 그래프로 표시한 도면이다. 몇 개월 이상, 혹은 1년 정도의 누적된 습도와 외기 온도 데이터들을 이용하여 실내온도와 실내비습도를 산출하는 수학식을 구성하는 다양한 파라미터들을 역으로 산출한다. 그리고 역으로 산출한 정보들을 이용하여 건물의 열적 특성을 산출할 수 있다.

도 13은 본 발명의 일 실시예에 의한 모델링부(110)가 실내온도와 실내비습도를 기반으로 다양한 정보를 산출하는 도면이다. 모델링부(110)는 실내 온도에 기반하여 공기열용량, 가구열용량을 산출할 수 있는데, 이 과정에서 현열부하, EHP 현열, 환기장치 현열 교환 효율의 값을 추정에 사용할 수 있다. 수학식 8에서 보다 상세히 살펴본다.

여기서

는 공기 열용량을,

는 가구 열용량을 나타낸다. 이는 다시 현열 부하(Q_load), EHP 현열(Q_{hp , sens}), 그리고 환기장치 현열 교환 효율(

, 일 실시예로 0.65)을 포함하는 수학식으로 구성할 수 있다.

마찬가지로, 모델링부(110)는 실내비습도에 기반하여 EHP 잠열(

)과 환기장치 잠열 교환 효율을 추정하거나 이용할 수 있다. 수학식 9에서 살펴본다.

수학식 9는 환기장치 잠열 교환 효율(

, 일 실시예로 0.45)을 포함하도록 구성될 수 있다.

수학식 8의 실내 냉난방의 현열 부하(Q_load)와 벽체 및 외기 부하와 일사부하, 층간 부하 및 내부 발열과 침투외기 부하의 상관 관계는 수학식 10과 같다.

수학식 10에서 벽체 및 외기 부하(1)와 일사부하(2), 층간 부하 및 내부 발열(3)과 침투외기 부하(4)의 합에 의해 현열 부하가 산출될 수 있다. 따라서, 이 수학식 10을 이용하여 건물의 특성에 관련된 정보들(벽체 면적과 관련된 A, 건물 내외벽의 대류열 전달계수 hj)을 추정할 수 있다.

정리하면 다음과 같다. 실내기 및 실외기의 동작 과정에서 산출되는 실내외 온습도 정보와 실내기의 운전 시간, EHP 현열 및 잠열 능력 등을 기반으로 공기 열용량과 가구 열용량, 열전달계수와 벽체 면적 등을 추정할 수 있다.

모델링부(110)는 전술한 파라미터들 및 정보들에 기반하여 실제 공간을 모델링하는데 필요한 추정 정보를 산출할 수 있다. 이 과정에서 학습부(130)는 추정된 정보에 기반하여 새로운 학습된 결과는 새로운 데이터가 들어오는 일정기간마다 갱신되어 실외기의 제어기에 반영하여 운전할 수록 소비전력을 감소시킬 수 있다. 예를 들어, 주어진 온/습도 및 실내기 조건에서 최적의 실내외기 액츄에이터 및 리모컨 설정값을 자동으로 제어하여 모델링의 변화를 통해 현장 및 제품 상황의 변화에도 능동적으로 대처할 수 있도록 한다.

본 발명에서 제시하는 제어장치(100)는 학습 모델을 이용하여 주어진 온/습도 및 실내기 조건에서 최적의 실내외기 액츄에이터 및 리모컨 설정값을 자동으로 제어할 수 있다. 또한, 학습 모델은 새로운 데이터가 들어오는 일정기간마다 갱신되어 실외기의 제어기에 반영되어 시스템의 변화를 자동으로 감지할 수 있다.

도 14 및 도 15는 본 발명의 일 실시예에 의한 각각의 실내기 및 실외기로부터 통신부(140)가 정보를 수신하는 구성을 보여주는 도면이다.

도 14는 실내기(10) 및 실외기(20) 내에서 모델링 과정에 필요한 구성요소들을 제시한다. 실내기의 경우 실내팬(12)과 실내팽창밸브(13), 실외기(20)이 경우 압축기(21), 실외팬(22), 실외팽창밸브(23) 등을 포함할 수 있으며, 이들로부터 냉매의 압력이나 온도, 혹은 팬의 회전 속도, 압축기의 체적 효율이나 기계효율 등이 통신부(140)를 통해 중앙제어부(150)가 저장할 수 있는 구성이다.

중앙제어부(150)는 수신된 정보에 기반하여 공간의 열용량 또는 가구 열용량 정보를 산출할 수 있다.

일 실시예로, 중앙제어부(150)는 각 실내기들이 어느 크기의 공간에 적합한 사양인지를 저장하고 유지할 수 있다. 이 경우, 제1실내기는 원래 설치된 공간의 사양을 기준으로 실내팬(12)의 회전 속도가 높거나 실내팽창밸브(13)의 냉매의 압력이 높은 경우, 중앙제어부(150)는 제1실내기가 설치된 공간의 열용량이 큰 것으로 판단할 수 있다. 즉, 제1실내기는 미리 설정된 구성 보다 더 많이 냉방을 가동해야 하는 공간에 배치된 것으로 중앙제어부(150)는 판단할 수 있다. 마찬가지로 제1실내기와 연관된 제1실외기의 실외팬(22)의 회전 속도가 높거나 실내팽창밸브(13)의 냉매의 압력이 높은 경우에도 제1실내기는 미리 설정된 구성 보다 더 많이 냉방을 가동해야 하는 공간에 배치된 것으로 중앙제어부(150)는 판단할 수 있다.

운전 과정에서 산출되는 실내기 및 실외기의 각 구성요소들의 정보(통신부가 수신)에 기반하여 모델링부(110)는 실내기가 배치된 공간의 공기 열용량 또는 공간에 배치된 가구 열용량 정보를 산출할 수 있으며 이에 기반한 열역학적 모델을 생성할 수 있다.

일 실시예로, 동일하게 냉매를 공급하는 것으로 설정된 두 개의 실내기가 각각 배치된 공간 1 및 공간 2에서 실내기 및 실외기가 동작한 결과 제1공간에서 실내팬/실외팬의 회전 속도 또는 팽창밸브의 냉매의 압력이 높은 경우, 모델링부(110)는 제1공간의 공기 열용량이 제2공간의 공기 열용량 보다 큰 것으로 판단할 수 있다.

또한, 모델링부(110)는 제1공간 및 제2공간이 동일한 크기라는 정보가 미리 저장되었는데, 제1공간에서 실내팬/실외팬의 회전 속도 또는 팽창밸브의 냉매의 압력이 높은 경우, 모델링부(110)는 제1공간의 가구 열용량이 제2공간의 가구 열용량 보다 큰 것으로 판단할 수 있다. 이 경우, 제1공간의 실내기 및 실외기에 의해 동작하는 운전 싸이클과 제2공간의 실내기 및 실외기에 의해 동작하는 운전 싸이클이 상이할 수 있다.

모델링부(110)는 각각의 실내기 및 실외기를 구성하는 각각의 구성요소들이 산출하는 정보와 온도의 변화 등을 누적하여 실내기가 설치된 공간의 열 효율을 추정할 수 있다. 모델링부(110)가 산출하는 열역학적 모델링은 앞서 수학식 8 내지 10을 통해서도 산출할 수 있다. 반면, 실내기가 처리할 수 있는 공간에 대한 기준 열용량 정보를 모델링부(110)가 저장하고 이와 비교하여 각 실내기 및 실외기의 동작 상황에 기반하여 열용량 정보를 추정할 수 있다.

모델링부(110)는 기준 정보와 실제 운전과정에서 산출된 정보를 비교하여 비례하거나 반비례도록 공간 및 가구의 열용량을 산출할 수 있다. 또한 EHP 압축기에서 산출되는 현열을 이용하여 전술한 열용량 정보를 보다 정확하게 추정할 수 있다. 마찬가지로 모델링부(110)는 EHP 압축기에서 산출되는 잠열을 이용하여 보다 정확하게 실내비습도를 산출할 수 있다.

일 실시예로 실외기를 구성하는 압축기(21)가 EHP 압축기인 경우, 모델링부(110)는 공간의 공기 열용량 또는 가구 열용량을 EHP 압축기의 현열에 반비례하여 산출할 수 있다. 물론, 도 8의 상세한 수식에 기반할 수도 있고 EHP 압축기의 현열의 증가 또는 감소폭을 그대로 혹은 비율적으로 조정하여 열용량을 산출할 수 있다.

예를 들어 모델링부(110)는 EHP 압축기의 현열이 10% 증가한 경우, 공기 열용량을 10% 작게 산출할 수도 있고, 과거 모델링된 정보들에 기반하여 10%에 소정의 파라미터를 적용하여 8%로 열용량을 산출할 수 있다.

뿐만 아니라, 실내기가 동작한 공간의 온도와 습도, 그리고 리모컨을 이용하여 실내기를 조절한 정보 또한 모델링부(110)에서 산출할 수 있다. 예를 들어 실내기에 제공되는 냉매의 압력이나 온도에 의해 발생되는 난방 또는 냉방이 사용자에게 적합하지 않을 경우 사용자는 온도를 높이거나 낮추거나 혹은 실내기를 끄는 등의 제어 신호를 리모컨을 이용하여 발생시킬 수 있다.

따라서, 전술한 열용량, 난방 또는 냉방의 조절 등을 모델링부(110)는 하나 또는 다수의 값으로 산출할 수 있다. 예를 들어 주어진 냉방 또는 난방을 강화시키는 경향 혹은 약화시키는 경향 혹은 유지하는 경향에 기반하여 수치화 할 수 있다. 세부적으로는 증가 혹은 감소된 열용량, 냉방 또는 난방의 강화, 실내 온도, 습도, 또는 바람의 세기 등이 산출될 수 있으며, 이는 후술할 학습부(130)를 구성하는 신경망 학습 모듈의 입력층이 된다.

다음으로, 실내기 또는 실외기가 동작하는 과정에서 모델링 싸이클을 새로이 생성하는데 필요한 파라미터를 산출하는 과정을 살펴본다.

도 15는 본 발명의 일 실시예에 의한 다수의 온도 센싱부들을 보여준다. 물론, 이외에도 압력 센싱부들도 포함될 수 있다.

토출 온도 센싱부(41), 응축 온도 센싱부(42), 과운전 온도 센싱부(43), 증발 온도 센싱부(44), 흡입 온도 센싱부(45)는 각각 싸이클 내의 냉매의 상태에 기반하여 온도를 센싱한다. 이들 센싱부(41~45)는 실내기, 실외기 또는 이들을 연결하는 구성요소 등에 배치될 수 있다. 토출 온도 센싱부(41)는 냉매의 토출 온도를 센싱할 수 있다. 응축 온도 센싱부(42)는 냉매의 응축 온도를 센싱하며, 과운전 온도 센싱부(43)는 과운전 온도를 센싱한다. 예를 들어 과운전은 냉방의 경우 과냉방 온도, 난방의 경우 과난방 온도를 센싱한다. 증발 온도 센싱부(44)는 냉매의 증발 온도를 센싱하며, 흡입 온도 센싱부(45)는 냉매의 흡입 온도를 센싱한다.

이렇게 센싱된 온도는 도 8에서 살펴본 운전과정에서 측정된 싸이클(Measured Cycle), 즉 운전 싸이클의 특성이 된다.

한편, 현재 설정된 모델링 싸이클(제1모델링 싸이클)은 해당 싸이클에 대응하는 각각의 토출/응축/과운전/증발/흡입 온도를 가진다. 따라서, 제1모델링 싸이클에 대응하는 온도 정보와 센싱부들이 센싱한 온도 정보 사이에는 차이가 발생하며, 파라미터 산출부(120)는 이 차이를 최소화하도록 도 9와 같이 새로운 제2모델링 싸이클에 대응하는 온도 정보와 제2모델링 싸이클을 구현하는 파라미터를 산출할 수 있다. 이 경우, 도 9와 같이 제2모델링 싸이클(Modeled Cycle)을 구성할 수 있다.

그 결과 수학식 5 및 수학식 6을 적용하여 제1모델링 싸이클에 대응하는 온도 정보와 센싱부들이 운전 싸이클에서 센싱한 온도 정보 사이의 차이의 자승의 합 J1과 파라미터 산출부가 산출한 파라미터가 적용된 제2모델링 싸이클에 대응하는 온도 정보와 센싱부들이 운전 싸이클에서 센싱한 온도 정보 사이의 차이의 자승의 합 J2는 " J2 < J1"과 같은 관계를 가질 수 있다.

자승의 합은 일 실시예이며, 양 싸이클 사이의 차이를 확인할 수 있는 방식은 모두 적용될 수 있다. 양 싸이클의 온도의 차이의 절대값을 적용할 수 있다. 또한, 특정 지점의 온도가 중요할 경우(예를 들어 토출 온도 등) 해당 온도에 가중치를 높일 수도 있다.

파라미터 산출부가 생성한 파라미터들(C1~C6)에 대응하여 생성되는 제2모델링 싸이클의 각 지점별 온도와 실제 측정된 운전 싸이클의 온도와의 차이가 제1모델링 싸이클과 비교할 때 줄어든 것을 의미하며, 이는 운전 환경에 보다 적합한 모델링 싸이클이 생성된 것을 의미한다.

모델링 싸이클을 정의하는 파라미터로는 압축기 체적 효율 계수, 압축기 기계 효율 계수, 공기측 열전달 계수, 냉매측 응축 열전달 계수 및 냉매측 증발 연전달 계수, 팽창밸브 계수 등이 있을 수 있다. 이들 계수들을 모두 파라미터로 설정하기 위해 변경할 수도 있고 어느 하나 이상을 변경할 수 있다.

도 16은 본 발명의 일 실시예에 의한 학습부의 구성을 보여주는 도면이다. 학습부(130)는 현장 정보와 운전 싸이클에서 생성한 정보를 입력층(131)으로 하며 파라미터 산출부가 산출한 파라미터를 출력층(135)으로 하며 입력층과 출력층을 연결하는 하나 이상의 히든층(133)을 포함한다.

학습부(130)는 앞서 제2모델링 싸이클에 대응하는 파라미터들 C1~Cn(출력층)과 현장 정보 x1~xm(공간의 온도 정보, 습도 정보, 공간의 열용량, 리모컨에 의한 제어 등)(입력층) 사이의 상관 관계를 결정하여 앞으로 현장 정보에 대응하는 모델링 싸이클을 생성할 수 있도록 한다.

입력층의 각각의 노드들은 현장 정보에서 산출되는 정보들을 입력 값으로 가진다. 한편, 출력층은 입력층에서 입력된 현장 정보에 대응하여 가장 적합한 모델링 싸이클을 정의하는 계수들(파라미터)이 배치된다.

그리고 하나 이상의 히든층(133)의 하나 이상의 노드들은 이들 입력층의 노드들 및 출력층의 노드들과 연결된다. 여기서 히든층(133)이 둘 이상인 경우, 일부 노드들은 입력층의 노드에만 연결되고 일부 노드들은 출력층의 노드들에만 연결될 수 있다.

그리고 각 노드들을 연결하는 링크들의 가중치 및 노드와 링크의 연결구조 혹은 노드에서 처리하는 정보 등을 딥러닝 방식으로 변화시켜 입력층과 출력층에 정합적으로 일치하는 링크들 혹은 노드들의 가중치와 처리 정보(노드의 가중치)를 결정하여 하나의 학습모델을 생성할 수 있다. 학습 모델은 해당 공간 별로 구현될 수 있다.

학습 모델이 결정되면 이후 현장의 운전 과정에서 발생하는 현장 정보, 특히 온도 정보 또는 습도 정보가 수신되면 해당 공간에 적합한 새로운 제3모델링 싸이클에 대응하는 파리미터를 학습부(130)에서 출력하도록 제어한다.

예를 들어, 통신부(140)가 실내기(10) 또는 실외기(20)로부터 습도 정보 또는 온도 정보를 수신하면 중앙제어부(150)는 습도 정보 또는 온도 정보를 학습부(130)의 입력층(131)에 입력한다.

학습부(130)는 각 노드와 링크의 가중치가 학습 과정에서 결정되었으므로, 입력된 값에 대응하여 제3모델링 싸이클에 대응하는 파라미터들을 출력한다.

중앙 제어부(150)는 학습부(130)를 제어한 결과 산출되는 파라미터들에 기반하여 제3모델링 싸이클에 따라 실외기(20) 및 실내기(10)를 운전하도록 제어할 수 있다.

정리하면, 현장의 운전 과정에서 발생하는 현장 정보(온도 정보, 습도 정보, 리모컨 제어 정보 등)와 그 과정에서 각 실내기 또는 실외기가 동작하는 과정에서 발생하는 정보(도 15의 토출/응축/과운전/증발/흡입 온도 등) 또는 이들 중 어느 하나 이상의 정보에 기반하여 대응하는 모델링 싸이클을 생성한다. 일 실시예로 온도/습도 정보에 대응하는 모델링 싸이클을 생성할 수 있다. 그리고 생성된 모델링 싸이클에 따라 제어 장치(100)는 실외기 및 실내기를 제어할 수 있다.

또한, 제어 장치(100)는 인터페이스부(145)를 통해 모델링 싸이클의 지점을 변동시키는 입력을 수신할 수 있다.

도 17은 본 발명의 일 실시예에 의한 인터페이스부에 의해 모델링 싸이클을 표시하고 변환시키는 도면이다.

인터페이스부(145)에 33이 지시하는 그래프가 출력될 수 있다. 이 그래프는 현재 운전된 싸이클과, 시스템에 설정된 모델링 싸이클을 표시한다. 사용자가 인터페이스부(145)의 "Touch & Drag"가 지시하는 부분(과냉 온도 부분)을 터치하여 우측으로 드래그할 수 있다. 이 경우 34에서 지시하듯이 모델링 싸이클의 한 지점이 변경됨으로 인해 전체 싸이클의 구성이 변경된 것을 인터페이스부(145)에서 출력할 수 있다.

즉, 제어장치(100)는 학습부(130)를 통하여 현장 정보와 파라미터의 매칭을 통해 모델링 싸이클을 산출할 수도 있고, 인터페이스부(145)에 출력되는 모델링 싸이클의 각 지점 중 어느 하나 이상을 터치 및 드래그를 통하여 변화시켜 전체 모델링 싸이클을 변경할 수 있다.

이때, 사용자의 오동작을 막기 위해 현재 운전된 상태에 기반하여 사용자가 변경할 수 있는 지점 또는 변경할 수 있는 범위를 학습부(130)가 판단할 수 있다.

예를 들어 학습부(130)가 앞서 살펴본 바와 같이 파라미터들을 산출하여 새로운 모델링 싸이클을 생성하였으며, 이를 도 9와 같은 방식으로 인터페이스부(145)에서 출력할 수도 있다. 반면, 새로운 모델링 싸이클을 출력하지 않고 사용자가 인터페이스부(145)에서 제어하되, 학습부(130)가 생성한 모델링 싸이클과의 차이가 일정 기준 이하를 유지하도록 하여 보다 시각적으로 명확하게 모델링 싸이클을 구축할 수 있도록 한다. 예를 들어 사용자가 33에 표시된 부분에서 터치하여 33a가 지시하는 지점까지 이동시켜도 학습부(130)가 이러한 변경은 학습 결과에 의한 모델링 싸이클과 큰 편차가 있기 때문에 34에 표시된 것과 같이 학습 결과에 의한 모델링 싸이클의 범위 내에서 변경될 수 있도록 제어할 수 있다.

일정 기간 동안 누적된 정보(에어컨 동작을 제어한 리모컨 제어 정보, 온도 및 습도 정보) 및 동작 정보(실외기 및 실내기의 제어 결과, 예를 들어 모델링 싸이클) 등 현장에서 발생하는 정보들이 입력된다. 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 6개의 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 4개의 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 2개의 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 스케줄 정보(절전 혹은 정상/일반 모드)를 지시할 수 있다. 혹은 출력 노드의 값이 특정한 스케줄 정보가 되면 서버의 제어부(2150)는 정확한 스케줄 정보인지를 판단하여 다시 러닝 데이터 셋들을 재조정할 수 있다. 즉, 도 12의 노드 및 링크들은 누적된 패턴 베이스 정보들에 의해 변경될 수 있다.

기존의 멀티에어컨의 운전 파라미터(압축기 회전수, 팬 RPM, 팽창변 개도, 리모컨 설정온도)는 기설정된 냉매의 목표 압력과 사용자가 설정한 온도/풍량 등의 목표치를 추종하는 제어사상에 의해 결정되므로 설치 현장과 운전자에 따라 성능과 효율에 큰 편차가 발생했다. 그러나 본 발명의 실시예를 적용할 경우, 현장의 온도와 습도, 그리고 에어컨의 운전 파라미터 등에 변화가 발생할 경우 별도의 모델링 싸이클을 생성하여 사용 환경에 적합하게 에어컨이 동작할 수 있도록 한다. 그 결과 에너지 사용량을 줄이면서, 사용자의 사용 환경을 누적적으로 학습하여 쾌적한 난방 또는 냉방을 제공할 수 있다.

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.

100: 제어장치 110: 모델링부
120: 파라미터 산출부 130: 학습부
150: 통신부

Claims (10)

1. 하나 이상의 실내기 또는 하나 이상의 실외기로부터 운전 싸이클에서 생성된 정보 및 현장 정보를 수신하는 통신부;
   상기 수신한 정보에 기반하여 상기 실내기 또는 실외기가 배치된 공간의 열역학적 모델을 생성하는 모델링부;
   제1모델링 싸이클과 상기 열역학적 모델에 운전 파라미터를 반복 적용하여 상기 실내기 또는 실외기가 배치된 환경에 대응하며 상기 제1모델링 싸이클과 상이한 제2모델링 싸이클에 대응하는 파라미터를 산출하는 파라미터 산출부;
   상기 현장 정보와 상기 운전 싸이클에서 생성한 정보를 입력층으로 하며 상기 파라미터를 출력층으로 하며 상기 입력층과 상기 출력층을 연결하는 하나 이상의 히든층을 포함하는 학습부; 및
   상기 통신부, 상기 모델링부, 상기 파라미터 산출부, 상기 학습부를 제어하는 중앙제어부를 포함하며,
   상기 열역학적 모델은 상기 운전 싸이클에서 생성된 정보 또는 상기 현장 정보에 기반하여 상기 공간의 공기 열용량 또는 상기 공간에 배치된 가구 열용량 정보를 포함하며,
   상기 실외기는 EHP 압축기를 포함하며,
   상기 모델링부는 상기 공기 열용량 또는 상기 가구 열용량을 상기 EHP 압축기의 현열에 반비례하여 산출하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
2. 제1항에 있어서,
   상기 운전 싸이클에서 생성된 정보는 상기 실외기 또는 상기 실내기를 구성하는 압축기, 실외팬, 실내팬, 실내 팽창밸브 또는 실외 팽창밸브 중 어느 하나에서의 냉매의 압력 또는 온도 정보를 포함하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
3. 제1항에 있어서,
   상기 열역학적 모델은 상기 실내기가 배치된 공간의 온도의 변화 또는 습도의 변화 또는 상기 에어컨을 제어하는 명령어 중 어느 하나 이상이 누적된, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
4. 제1항에 있어서,
   상기 모델링부는 표준 공간을 기준으로 수치적으로 증감한 온도의 변화 결과를 상기 열역학적 모델로 산출하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
5. 제1항에 있어서,
   상기 모델링부는 상기 공간의 실내비습도를 상기 EHP 압축기의 잠열에 반비례하여 산출하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
6. 제2항에 있어서,
   상기 실내기 또는 상기 실외기는 상기 냉매의 토출 온도를 센싱하는 토출 온도 센싱부, 상기 냉매의 응축 온도를 센싱하는 응축 온도 센싱부, 과운전 온도를 센싱하는 과운전 센싱부, 상기 냉매의 증발 온도를 센싱하는 증발 온도 센싱부, 상기 냉매의 흡입 온도를 센싱하는 흡입 온도 센싱부를 포함하며,
   상기 제1모델링 싸이클에 대응하는 온도 정보와 상기 센싱부들이 상기 운전 싸이클에서 센싱한 온도 정보 사이의 차이의 자승의 합은 상기 파라미터 산출부가 산출한 파라미터가 적용된 제2모델링 싸이클에 대응하는 온도 정보와 상기 센싱부들이 상기 운전 싸이클에서 센싱한 온도 정보 사이의 차이의 자승의 합보다 큰, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
7. 제1항에 있어서,
   상기 제어장치는 상기 제1모델링 싸이클 및 상기 제2모델링 싸이클을 표시하고 상기 싸이클의 지점을 변동시키는 입력을 수신하는 인터페이스부를 더 포함하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
8. 하나 이상의 실내기 또는 하나 이상의 실외기로부터 운전 싸이클에서 생성된 정보 및 현장 정보를 수신하는 통신부;
   상기 수신한 정보에 기반하여 상기 실내기 또는 실외기가 배치된 공간의 열역학적 모델을 생성하는 모델링부;
   제1모델링 싸이클과 상기 열역학적 모델에 운전 파라미터를 반복 적용하여 상기 실내기 또는 실외기가 배치된 환경에 대응하며 상기 제1모델링 싸이클과 상이한 제2모델링 싸이클에 대응하는 파라미터를 산출하는 파라미터 산출부;
   상기 현장 정보와 상기 운전 싸이클에서 생성한 정보를 입력층으로 하며 상기 파라미터를 출력층으로 하며 상기 입력층과 상기 출력층을 연결하는 하나 이상의 히든층을 포함하는 학습부; 및
   상기 통신부, 상기 모델링부, 상기 파라미터 산출부, 상기 학습부를 제어하는 중앙제어부를 포함하며,
   상기 운전 싸이클에서 생성된 정보는 상기 실외기 또는 상기 실내기를 구성하는 압축기, 실외팬, 실내팬, 실내 팽창밸브 또는 실외 팽창밸브 중 어느 하나에서의 냉매의 압력 또는 온도 정보를 포함하며,
   상기 실내기 또는 상기 실외기는 상기 냉매의 토출 온도를 센싱하는 토출 온도 센싱부, 상기 냉매의 응축 온도를 센싱하는 응축 온도 센싱부, 과운전 온도를 센싱하는 과운전 센싱부, 상기 냉매의 증발 온도를 센싱하는 증발 온도 센싱부, 상기 냉매의 흡입 온도를 센싱하는 흡입 온도 센싱부를 포함하며,
   상기 제1모델링 싸이클에 대응하는 온도 정보와 상기 센싱부들이 상기 운전 싸이클에서 센싱한 온도 정보 사이의 차이의 자승의 합은 상기 파라미터 산출부가 산출한 파라미터가 적용된 제2모델링 싸이클에 대응하는 온도 정보와 상기 센싱부들이 상기 운전 싸이클에서 센싱한 온도 정보 사이의 차이의 자승의 합보다 큰, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하며,
   상기 파라미터는 압축기 체적 효율 계수, 압축기 기계 효율 계수, 공기측 열전달 계수, 냉매측 응축 열전달 계수 및 냉매측 증발 연전달 계수 중 어느 하나 이상을 포함하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
9. 제8항에 있어서,
   상기 학습부는
   상기 현장 정보를 입력층으로 하며, 상기 제2모델링 싸이클에 대응하는 상기 파라미터들을 출력층으로 하여 상기 히든층의 노드 또는 링크의 가중치를 결정하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
   
10. 제9항에 있어서,
    상기 중앙제어부는 상기 통신부가 상기 실내기 또는 상기 실외기로부터 습도 정보 또는 온도 정보를 수신하면 상기 습도 정보 또는 상기 온도 정보를 상기 학습부에 입력하여 상기 학습부가 제3모델링 싸이클에 대응하는 파라미터들을 출력하도록 제어하며,
    상기 중앙제어부는 상기 실외기 및 상기 실내기가 상기 제3모델링 싸이클에 대응하여 운전하도록 제어하는, 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치.
    

Images