KR102081912B1 - 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법 - Google Patents

Abstract

본 발명에 따른 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 방법은, 전력 신호를 수집하는 단계, 전력과 온도의 상관 관계를 통해 상기 전력 신호를 전처리 하는 단계, 상기 전처리된 전력 신호로부터 전력 신호의 특징을 추출하는 단계, DNN(deep neural network)을 이용하여 상기 추출된 전력 신호로부터 마스크를 생성하는 단계, 및 상기 마스크와 상기 전처리된 전력 신호를 합성함으로써 상기 전력 신호를 분해하는 단계를 포함할 수 있다.

Description

딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법{OPERATING METHOD OF BUILDING LOAD IDENTIFICATION SYSTEM USING MASK ESTIMATION METHOD BASED DEEP LEARNING}

본 발명은 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법에 관한 것이다.

기존의 가전기기 부하식별은 데이터의 추출방법에 따라서 크게 비접촉식(non-intrusive appliance load monitoring)과 접촉식(intrusive appliance load monitoring)으로 나뉜다.

접촉식은 가전기기에 직접적으로 연결하여 전력 사용량 데이터를 추출하고, 비접촉식은 집 밖에 위치한 스마트 미터를 이용하여 전체 전력량 데이터를 추출한다.

종래의 비접촉식 부하식별방법은 각 부하가 가지고 있는 전력 패턴(steady state, transient, etc.)을 이용해 부하 신호 식별을 한 것으로, 패턴이 일정하지 않은 부하 등에서는 적용하기 어렵다. 예를 들어, 가전기기 식별 방법과 같이 전력 소비패턴 등을 이용해 부하를 분해 하는 방법은, 부하가 전형적인 패턴을 가지고 있을 경우 적용이 가능하나, 건물 부하의 경우 전형적인 패턴을 가지고 있지 않아 종래의 기술을 적용하여 전력 분해를 진행하기 어렵다.

공개특허: 10-2013-0081226, 공개일: 2013년 7월 16일, 제목: 비간섭 부하 모니터링 및 처리 방법 및 시스템. 등록특허: 10-1874286, 등록일: 2018년 6월 27일, 제목: 전력설비 모니터링 및 진단 시스템. 등록특허: 10-1875488, 등록일: 2018년 7월 2일, 제목: 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법.

본 발명의 목적은 건물 부하가 전형적인 패턴을 갖지 않더라도 건물 부하를 식별하는 건물 식별 시스템의 동작 방법을 제안하는 데 있다.

본 발명의 실시 예에 따른 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 방법은: 전력 신호를 수집하는 단계; 전력과 온도의 상관 관계를 통해 상기 전력 신호를 전처리 하는 단계; 상기 전처리된 전력 신호로부터 전력 신호의 특징을 추출하는 단계; DNN(deep neural network)을 이용하여 상기 추출된 전력 신호로부터 마스크를 생성하는 단계; 및 상기 마스크와 상기 전처리된 전력 신호를 합성함으로써 상기 전력 신호를 분해하는 단계를 포함할 수 있다.

실시 예에 있어서, 온도 데이터를 수집하는 단계를 더 포함할 수 있다.

실시 예에 있어서, 상기 전처리 하는 단계는, 온도 영향이 큰 부하와 온도 영향이 작은 부하를 분류기를 통해 구분하는 단계를 포함할 수 있다.

실시 예에 있어서, 상기 분류기는 SVM(support vector machine)을 이용하는 것을 특징으로 한다.

실시 예에 있어서, 상기 전처리된 신호는 gammatone filter를 통과하는 단계를 더 포함할 수 있다.

실시 예에 있어서, 상기 전처리 하는 단계는, day type도 고려하여 분류하는 단계를 더 포함할 수 있다.

실시 예에 있어서, 상기 전력 신호의 특징을 추출하는 단계는, DCT(discrete cosine transform)에 의해 상기 전력 신호의 특징을 추출하는 단계를 포함할 수 있다.

실시 예에 있어서, 상기 마스크를 생성하는 단계는, 트레이닝 셋을 통하여 학습된 DNN 모델을 이용하여 테스트 셋에서 분리하고자 하는 신호의 마스크를 추정하는 단계를 포함할 수 있다.

실시 예에 있어서, 상기 전력 신호를 분해하는 단계는, 시간-주파수 도메인에서 상기 수집된 전력 신호에 상기 마스크를 덮어 씌움으로써 분리하고자 하는 타겟 신호를 추출하는 단계를 더 포함할 수 있다.

실시 예에 있어서, 상기 마스크는 IBM(ideal binary mask), IRM(ideal ratio mask), ORM(optimal ratio mask), TBM(target binary mask), PSM(phase sensitive mask)와 같은 마스크들 중에서 어느 하나인 것을 특징으로 한다.

본 발명의 실시 예에 따른 건물 부하 식별 시스템의 동작 방법은, 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별방법으로 HVAC(heating, ventilation, and air conditioning)과 같은 부하 식별이 가능해짐으로써, 정전 예방, 최대전력 삭감, 전력 공급비용 절감 효과를 가지고 있는 수요반응(demand response)을 좀더 효과적으로 할 수 있다.

또한, 전체 부하에서 건물의 HVAC 부하 추출이 가능해지므로, 건물의 에너지를 효율적으로 관리할 수 있다.

이하에 첨부되는 도면들은 본 실시예에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 실시예들을 제공한다. 다만, 본 실시예의 기술적 특징이 특정도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시예로 구성될 수 있다.
도 1은 본 발명의 실시 예에 따른 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템(100)을 예시적으로 보여주는 도면이다.
도 2은 본 발명의 실시 예에 따른 전처리 과정을 설명하는 도면이다.
도 3은 본 발명의 실시 예에 따른 특징 추출 과정을 설명하는 도면이다.
도 4는 본 발명의 실시 예에 따른 건물 부하 식별 시스템(100)의 동작을 보여주는 블록다이어그램이다.
도 5는 본 발명의 실시 예에 따른 마스크 생성 과정을 설명하는 도면이다.
도 6은 본 발명의 실시 예에 따른 마스크 분해 과정을 설명하는 도면이다.
도 7은 본 발명의 실시 예에 따른 마스크 분해 결과를 예시적으로 보여주는 도면이다.
도 8은 본 발명의 실시 예에 따른 건물 부하 식별 시스템(100)의 동작 방법을 예시적으로 보여주는 흐름도이다.

아래에서는 도면들을 이용하여 본 발명의 기술분야에서 통상의 지식을 가진자가 용이하게 실시할 수 있을 정도로 본 발명의 내용을 명확하고 상세하게 기재할 것이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.

상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리범위로부터 이탈되지 않은 채 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 혹은 접속되어 있을 수 도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

구성요소들간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 혹은 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함하다" 혹은 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 혹은 이들을 조합한 것이 존재함을 지정하려는 것 이지, 하나 혹은 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 혹은 이들을 조합한 것들의 존재 혹은 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 일반적으로 이해되는 것과 동일한 의미이다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련기술의 문맥상 가지는 의미와 일치하는 의미인 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명의 실시 예에 따른 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법은, HVAC과 같은 부하 식별이 가능해짐으로써, 정전 예방, 최대전력 삭감, 전력 공급비용 절감 효과를 가지고 있는 수요반응 (demand response)을 좀더 효과적으로 할 수 있다. 또한, 본 발명의 실시 예에 따른 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템의 동작 방법은, 전체 부하에서 건물의 HVAC(heating, ventilation, and air conditioning) 부하 추출이 가능해지므로, 건물의 에너지를 효율적으로 관리할 수 있다.

도 1은 본 발명의 실시 예에 따른 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 시스템(100)을 예시적으로 보여주는 도면이다. 도 1을 참조하면, 건물 부하 식별 시스템(100)은 측정부(110), 분석부(120), 및 출력부(130)를 포함할 수 있다.

측정부(110)는 전력 데이터 혹은 비전력 데이터를 수집하도록 구현될 수 있다. 측정부(110)는 전력 데이터를 수집하는 전력 측정 모듈(112) 및 온도 및 day type 등의 비전력 데이터를 수집하는 비전력 측정 모듈(114)을 포함할 수 있다.

분석부(120)는 전력과 온도 데이터 간의 상관 관계를 통해 온도 영향이 큰 부하와 영향이 작은 부하를 SVM(support vector machine)과 같은 분류기를 통해 구분하고, DCT(discrete cosine transform)을 통해 특징을 추출하고, 딥뉴럴 네트워크를 통해 마스크를 추정하도록 구현될 수 있다. 분석부(120)는 전처리부(122), 특징 추출 모듈(124), 마스크 생성 모듈(126)을 포함할 수 있다.

전처리부(122)는 SVM과 같은 분류기를 통해 온도와 영향이 큰 부하와 작은 부하를 구분할 수 있다.

특징 추출 모듈(124)은 전처리부(122)의 출력을 Discrete cosine 변환시킴으로써 특징을 추출할 수 있다.

마스크 생성 모듈(126)은 특징 추출 모듈(124)의 출력을 수신하고, 딥뉴럴 네트워크를 통해 마스크를 추정할 수 있다.

출력부(130)는 마스크 생성 모듈(126)로부터 생성된 마스크와 전처리부(122)로부터 나온 출력 신호를 합성함으로써 전체 부하에서 특정 부하의 신호를 분리할 수 있다.

도 2은 본 발명의 실시 예에 따른 전처리 과정을 설명하는 도면이다. 온도와 전력 간의 상관관계를 SVM과 같은 분류기를 통해 구분해 보면, 도 2에 도시된 바와 같이, 온도와 상관관계가 큰 부하 class1과 온도와 상관관계가 작은 부하 class0로 구분될 수 있다. 실시 예에 있어서, day type을 구분함으로써 분류 정확도가 높아질 수 있다.

도 3은 본 발명의 실시 예에 따른 특징 추출 과정을 설명하는 도면이다. 실시 예에 있어서, DCT 방법을 이용하여 전력 신호의 특징이 추출될 수 있다. 실시 예에 있어서, DWT(discrete wavelet transform)와 비교할 때, DCT(discrete cosine transform)는 전력 신호의 특성을 잘 나타내고 있다. (a)는 RMSE(root mean square error)를 비교한 그래프이고, (b)와 (c)는 DWT와 DCT로 전력 신호를 변환했다가 복원한 경우와, 실제 신호와 비교한 그래프이다.

도 4는 본 발명의 실시 예에 따른 건물 부하 식별 시스템(100)의 동작을 보여주는 블록다이어그램이다. 도 4를 참조하면, aggregate signal은 온도를 고려하여 SVM 분류기에서 HVAC ON(특정 온도 이상의 신호로 HVAC이 있을 것으로 예상)과 HVAC OFF로 구분한 뒤, Gammatone filter를 각각 통과하고, DCT 방법에 의해 특징을 추출한 뒤 DNN으로 Mask를 estimation하고, 생성된 mask를 각각 HVAC ON, OFF 신호에 덮어씌우고, 그 결과 값의 합을 구함으로써, 전체 신호에서 HVAC 신호가 추출될 수 있다.

실시 예에 있어서, SVM 분류시, day type도 고려될 수 있다.

한편, 마스크 생성 과정은 아래의 수학식으로 표현될 수 있다.

여기서,

및

의 각각은 분리해 내고자 하는 타겟 전력 에너지와 타겟 전력 에너지를 제외한 나머지 에너지 신호이다. 전제 신호에서 분리하고자 하는 신호는 signal이고, 나머지 신호는 noise로 간주될 것이다.

본 발명에서 IBM(ideal binary mask)와 IRM(ideal ratio mask)를 이용하여 분해 성능이 확인될 수 있다. 한편, 다른 마스크(ORM(optimal ratio mask), TBM(target binary mask), PSM(phase sensitive mask) etc.) 도 적용 가능하다. 본 발명은 특정 마스크만으로 한정되지 않는다고 이해되어야 할 것이다.

도 5는 본 발명의 실시 예에 따른 마스크 생성 과정을 설명하는 도면이다.

ideal mask는 테스트 셋에서 분리해 내고자 하는 타겟 신호의 값을 알고 있을 때 그려지는 마스크이다. Estimated mask는 트레이닝 셋에서 학습된 DNN 모델을 이용해서 테스트 셋에서 분리해내고자 하는 신호의 마스크를 추정한 것이다.

도 6은 본 발명의 실시 예에 따른 마스크 분해 과정을 설명하는 도면이다. 도 6을 참조하면, time-frequency domain에서 aggregate signal에 마스크를 씌어주면 분리해 내고자 하는 타겟 신호가 추출될 수 있다.

도 7은 본 발명의 실시 예에 따른 마스크 분해 결과를 예시적으로 보여주는 도면이다. 도 7을 참조하면, 본 발명의 부하 식별 방법에 따른 것은 실제 부하와 비교할 때 거의 차이가 없다.

도 8은 본 발명의 실시 예에 따른 건물 부하 식별 시스템(100)의 동작 방법을 예시적으로 보여주는 흐름도이다. 도 1 내지 도 8을 참조하면, 건물 부하 식별 시스템(100)의 동작은 다음과 같이 진행될 수 있다.

전력 정보 및 온도 정보가 습득될 수 있다(S110). 전처리 과정을 통하여 온도와 상관관계가 높은 부하와 작은 부하로 구분될 수 있다(S120). 전처리 과정을 거친 신호로부터 특징이 추출되고, 딥러닝을 통하여 마스크가 생성될 수 있다(S130). 전체 부하와 마스크를 합성함으로써 전력 신호 분해가 이루어질 수 있다(S140).

본 발명에 따른 단계들 및/또는 동작들은 기술분야의 통상의 기술자에 의해 이해될 수 있는 것과 같이, 다른 순서로, 또는 병렬적으로, 또는 다른 에포크(epoch) 등을 위해 다른 실시 예들에서 동시에 일어날 수 있다.

실시 예에 따라서는, 단계들 및/또는 동작들의 일부 또는 전부는 하나 이상의 비-일시적 컴퓨터-판독가능 매체에 저장된 명령, 프로그램, 상호작용 데이터 구조(interactive data structure), 클라이언트 및/또는 서버를 구동하는 하나 이상의 프로세서들을 사용하여 적어도 일부가 구현되거나 또는 수행될 수 있다. 하나 이상의 비-일시적 컴퓨터-판독가능 매체는 예시적으로 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합일 수 있다. 또한, 본 명세서에서 논의된 "모듈"의 기능은 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합으로 구현될 수 있다.

본 발명의 실시 예들의 하나 이상의 동작들/단계들/모듈들을 구현/수행하기 위한 하나 이상의 비-일시적 컴퓨터-판독가능 매체 및/또는 수단들은 ASICs(application-specific integrated circuits), 표준 집적 회로들, 마이크로 컨트롤러를 포함하는, 적절한 명령들을 수행하는 컨트롤러, 및/또는 임베디드 컨트롤러, FPGAs(field-programmable gate arrays), CPLDs(complex programmable logic devices), 및 그와 같은 것들을 포함할 수 있지만, 여기에 한정되지는 않는다.

한편, 상술된 본 발명의 내용은 발명을 실시하기 위한 구체적인 실시예들에 불과하다. 본 발명은 구체적이고 실제로 이용할 수 있는 수단자체뿐 아니라, 장차 기술로 활용할 수 있는 추상적이고 개념적인 아이디어인 기술적 사상을 포함할 것이다.

100: 건물 부하 식별 시스템
110: 측정부
112: 전력 측정 모듈
114: 비전력 정보 모듈
120: 분석부
122: 전처리부
124: 특징 추출 모듈
126: 마스크 생성 모듈
130: 출력부

Claims (10)

1. 딥러닝 기반 마스크 추정 방법을 이용한 건물 부하 식별 방법에 있어서:
   전력 신호를 수집하는 단계;
   전력과 온도의 상관 관계를 통해 상기 전력 신호를 전처리 하는 단계;
   상기 전처리된 전력 신호로부터 전력 신호의 특징을 추출하는 단계;
   DNN(deep neural network)을 이용하여 상기 추출된 전력 신호로부터 마스크를 생성하는 단계; 및
   상기 마스크와 상기 전처리된 전력 신호를 합성함으로써 상기 전력 신호를 분해하는 단계를 포함하는
   상기 전력 신호를 분해하는 단계는,
   시간-주파수 도메인에서 상기 수집된 전력 신호에 상기 마스크를 덮어 씌움으로써 분리하고자 하는 타겟 신호를 추출하는 단계를 더 포함하는 방법.
2. 제 1 항에 있어서,
   온도 데이터를 수집하는 단계를 더 포함하는 방법.
3. 제 1 항에 있어서,
   상기 전처리 하는 단계는,
   온도 영향이 큰 부하와 온도 영향이 작은 부하를 분류기를 통해 구분하는 단계를 포함하는 방법.
4. 제 3 항에 있어서,
   상기 분류기는 SVM(support vector machine)을 이용하는 것을 특징으로 하는 방법.
5. 제 3 항에 있어서,
   상기 전처리된 신호는 gammatone filter를 통과하는 단계를 더 포함하는 방법.
6. 제 1 항에 있어서,
   상기 전처리 하는 단계는,
   day type도 고려하여 분류하는 단계를 더 포함하는 방법.
7. 제 1 항에 있어서,
   상기 전력 신호의 특징을 추출하는 단계는,
   DCT(discrete cosine transform)에 의해 상기 전력 신호의 특징을 추출하는 단계를 포함하는 방법.
8. 제 1 항에 있어서,
   상기 마스크를 생성하는 단계는,
   트레이닝 셋을 통하여 학습된 DNN 모델을 이용하여 테스트 셋에서 분리하고자 하는 신호의 마스크를 추정하는 단계를 포함하는 방법.
9. 삭제
10. 제 1 항에 있어서,
    상기 마스크는 IBM(ideal binary mask), IRM(ideal ratio mask), ORM(optimal ratio mask), TBM(target binary mask), PSM(phase sensitive mask) 중에서 어느 하나인 것을 특징으로 하는 방법.

Images