KR102283064B1 - 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기 - Google Patents

사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기 Download PDF

Info

Publication number
KR102283064B1
KR102283064B1 KR1020200024149A KR20200024149A KR102283064B1 KR 102283064 B1 KR102283064 B1 KR 102283064B1 KR 1020200024149 A KR1020200024149 A KR 1020200024149A KR 20200024149 A KR20200024149 A KR 20200024149A KR 102283064 B1 KR102283064 B1 KR 102283064B1
Authority
KR
South Korea
Prior art keywords
temperature
value
data
learning
equation
Prior art date
Application number
KR1020200024149A
Other languages
English (en)
Other versions
KR20210088388A (ko
Inventor
정선태
손장우
Original Assignee
숭실대학교 산학협력단
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 숭실대학교 산학협력단 filed Critical 숭실대학교 산학협력단
Publication of KR20210088388A publication Critical patent/KR20210088388A/ko
Application granted granted Critical
Publication of KR102283064B1 publication Critical patent/KR102283064B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1951—Control of temperature characterised by the use of electric means with control of the working time of a temperature controlling device
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Thermal Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명은 과거 일정 기간의 사용자 이용 패턴을 수집하고, 수집된 데이터를 기반으로 온도조절 설정 시간 및 설정 온도에 대한 머신 러닝 학습을 함으로써, 냉난방 시스템 온도 조절기의 주간 스케쥴 작성을 지원하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기에 관한 것이다.

Description

사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기{SMART TEMPERATURE CONTROLLER CAPABLE OF SETTING TEMPERATURE SCHEDULE BASED ON USER PATTERN MACHINE LEARNING}
본 발명은 과거 일정 기간의 사용자 이용 패턴을 수집하고, 수집된 데이터를 기반으로 온도조절 설정 시간 및 설정 온도에 대한 머신 러닝 학습을 함으로써, 냉난방 시스템 온도 조절기의 주간 스케쥴 작성을 지원하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기에 관한 것이다.
일반적으로 사무실, 공장 및 일반 가정을 비롯한 여러 냉난방 부하에서는 사용자가 온도 조절기를 조작하여 공조 시스템이나 에어컨 및 보일러와 같은 냉난방 시스템을 가동시키고, 이를 통해 실내를 적정 온도로 유지한다.
또한 현재 국내에 출시되어 있는 대부분의 실내 냉난방 시스템의 온도 조절기는 사용자가 조작시마다 수동으로 온도를 설정하거나 프로그램 방식으로 주간 온도 설정 스케줄을 설정할 수 있도록 지원한다.
이 경우에 온도 조절기의 작동은 전적으로 사용자의 의지나 인위적 관여에 따르므로, 장시간 부재나 부주의 등으로 온도 조절기를 관리하지 않는 경우에는 기존 설정값으로 냉난방 기기가 계속 가동되어 에너지 낭비가 심각하다.
이에, 한국등록특허 제1395784호, '세대환경 자동 제어형 온도 조절 장치' 에서는 재실 감지 여부에 따라 온도 조절이 다르게 설정되도록 지원한다. 그러나 이 기술은 거주자가 재실 중인 동안의 자동 온도 설정 스케줄에 대한 고려가 없다.
반면, 한국등록특허 제1670610호, '사용자 패턴 분석에 따른 사물 인터넷 실내 온도 조절 서버'에서는 설정 온도 가중치 평균을 작년 것과 금년도 이전 주간 평균값과 비교하여 현재 주간 스케쥴을 제공한다. 그러나, 이 기술은 온도조절 설정 시간에 대한 패턴 분석 및 그 학습 기능을 제공하지 못하고 있다.
대한민국 등록특허 제10-1395784호 대한민국 등록특허 제10-1670610호
본 발명은 전술한 바와 같은 문제점을 해결하기 위한 것으로, 과거 일정 기간의 사용자 이용 패턴을 수집하고, 수집된 데이터를 기반으로 온도조절 설정 시간 및 설정 온도에 대한 머신 러닝 학습을 함으로써, 냉난방 시스템 온도 조절기의 스케쥴 작성을 지원하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기를 제공하고자 한다.
이를 위해, 본 발명에 따른 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기는 냉난방 시스템의 온도 조절기 조작에 따른 과거의 온도조절 설정 시간 및 설정 온도에 대한 데이터를 수집 및 기록하는 이력정보 수집모듈과; 설정된 기간 동안 수집된 상기 온도조절 설정 시간 데이터를 K-평균 클러스터링 알고리즘에 적용하여 장래 사용자의 요일별 온도조절 설정 시간을 학습하는 설정 시간 예측모듈과; 상기 K-평균 클러스터링 알고리즘에서 생성된 각 클러스터별로 상기 수집된 설정 온도 데이터를 나이브 베이즈 알고리즘에 적용하여 장래 사용자의 요일별 설정 온도를 학습하는 설정 온도 예측모듈; 및 상기 학습을 통해 추정된 온도조절 설정 시간 및 설정 온도 정보를 입력받아 설정된 단위 기간 동안 상기 온도 조절기를 자율 제어하는 스케쥴러;를 포함하는 것을 특징으로 한다.
상기 설정 시간 예측모듈은 매 요일마다 수집된 상기 온도조절 설정 시간 데이터에 대해 상기 K-평균 클러스터링 알고리즘을 적용하되, 클러스터의 중심값을 요일당 온도조절 설정 시간 값으로 추정하는 것이 바람직하다.
또한, 상기 설정 시간 예측모듈은 상기 클러스터의 개수를 결정하는 K값을 팔꿈치 방법에 의해 선택하되, 상기 팔꿈치 방법은 각 K값에 따라 클러스터링 했을 경우에 클러스터의 중심값과 클러스터에 속한 데이터들간의 에러 거리에 대한 제곱값의 합을 Y축으로 하고 X축은 K값으로 한 그래프에서 팔꿈치에 해당하는 점의 X축 값을 K-평균 클러스터링 알고리즘의 K값으로 선택하는 것이 바람직하다.
또한, 상기 설정 온도 예측모듈은 상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서 상기 나이브 베이즈 알고리즘을 적용하여 산출된 아래의 <수학식 1>에 따라 온도 셋팅 포인트 온도 추정값
Figure 112020020757366-pat00001
를 산출하여 상기 장래의 설정 온도로 학습하되,
<수학식 1>
Figure 112020020757366-pat00002
여기서, k는 상기 K-평균 클러스터링 알고리즘에서 선택된 K값,
Figure 112020020757366-pat00003
는 수집된 설정 온도값을 상기 K-평균 클러스터링 알고리즘에 의해 클러스터링한 클러스터의 중심값이며,
Figure 112020020757366-pat00004
는 상기 나이브 베이즈 정리에 의해 계산되는 상기
Figure 112020020757366-pat00005
의 후험적 확률인 것이 바람직하다.
또한, 상기 설정 온도 예측모듈은 상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서 수집된 과거의 설정 온도값 데이터들의 집합 set(STi)(i=1, 2,…, K값); 및 상기 i-th 구간 [TSTi-1, TSTi]에서 수집된 과거의 측정 온도값 데이터들의 집합 set(Ti)(i=1, 2,…, K값);를 포함하여 상기 나이브 베이즈 정리에 적용하는 것이 바람직하다.
또한, 상기 설정 온도 예측모듈은 상기 set(STi)(i=1, 2,…,K값)에 속하는 데이터들을 상기 K-평균 클러스터링 알고리즘을 사용하여 클러스터링하고, 각 클러스터를 해당 클러스터의 중심값들로 각각 표시한
Figure 112020020757366-pat00006
(k=1, 2,…,K값)에 대해 아래의 <수학식 2>와 같이 선험적 확률을 계산하여 상기 후험적 확률 산출식에 적용하며,
<수학식 2>
Figure 112020020757366-pat00007
여기서,
Figure 112020020757366-pat00008
는
Figure 112020020757366-pat00009
들의 집합, |A|는 A의 원소 개수인 것이 바람직하다.
상기 설정 온도 예측모듈은 상기 set(Ti)(i=1, 2,…, K값)에 속하는 데이터들을 상기 K-평균 클러스터링 알고리즘을 사용하여 클러스터링하고, 각 클러스터를 해당 클러스터의 중심값들로 각각 표시한
Figure 112020020757366-pat00010
(k=1, 2,…,K값)들의 집합
Figure 112020020757366-pat00011
을 상기 후험적 확률 산출식에 적용하는 것이 바람직하다.
또한, 상기 설정 온도 예측모듈은 상기
Figure 112020020757366-pat00012
의 후험적 확률
Figure 112020020757366-pat00013
을 아래의 <수학식 3>에 의해 계산하고,
<수학식 3>
Figure 112020020757366-pat00014
상기 <수학식 3>의
Figure 112020020757366-pat00015
를 아래의 <수학식 4>에 의해 계산하며,
<수학식 4>
Figure 112020020757366-pat00016
여기서,
Figure 112020020757366-pat00017
는 클러스터
Figure 112020020757366-pat00018
가운데 클러스터
Figure 112020020757366-pat00019
에 가장 가까운 측정 온도 데이터의 집합이고,
Figure 112020020757366-pat00020
는 추정된 온도조절 설정 시간의 구간 [TSTi-1, TSTi]에서 수집된 설정 온도 데이터 중 상기 클러스터
Figure 112020020757366-pat00021
에 가장 가까운 설정 온도 데이터의 집합인 것이 바람직하다.
또한, 상기 설정 온도 예측모듈은 상기 수집된 측정 온도 데이터의 확률은 아래의 <수학식 5>에 의해 산출하고,
<수학식 5>
Figure 112020020757366-pat00022
또한 아래의 <수학식 6>에 의해 상기 후험적 확률이 계산되며,
<수학식 6>
Figure 112020020757366-pat00023
상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서의 후험적 확률의 계산값을 상기 온도 셋팅 포인트 온도 추정값으로 설정하는 것이 바람직하다.
또한, 외기 온도를 측정하는 온도 센서; 및 상기 K-평균 클러스터링 알고리즘에서 데이터 클러스터의 개수를 결정하는 K값에 가중치를 부여하는 K값 선택기;를 더 포함하되, 상기 K값 선택기는 상기 온도 센서에 의해 측정된 외기 온도를 분석하여 일교차가 큰 계절일수록 상기 K값의 가중치를 크게 하는 것이 바람직하다.
또한, 상기 냉난방 시스템의 온도 조절기가 조작된 시간 간격이 설정된 시간 미만인 경우 상기 이력정보 수집모듈에서 데이터를 수집하지 못하도록 차단 또는 삭제하는 유효 데이터 필터;를 더 포함하는 것이 바람직하다.
이상과 같은 본 발명은 과거 일정 기간의 사용자 이용 패턴을 수집하고, 수집된 데이터를 기반으로 온도조절 설정 시간 및 설정 온도에 대한 머신 러닝 학습을 한다. 따라서, 냉난방 시스템 온도 조절기의 장래 스케쥴 작성을 지원함으로써 효율적이면서도 사용자 친화적인 자동 운전을 가능하게 한다.
도 1은 본 발명에 따른 스마트 온도 조절기를 나타낸 구성도이다.
도 2는 본 발명의 머신 러닝 순서를 나타낸 흐름도이다.
도 3은 본 발명의 K-평균 클러스터링 알고리즘을 나타낸 도이다.
도 4는 본 발명에 의해 생성된 스케쥴러를 나타낸 도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기에 대해 상세히 설명한다.
도 1과 같이, 본 발명에 따른 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기는 이력정보 수집모듈(10), 설정 시간 예측모듈(20), 설정 온도 예측모듈(30) 및 스케쥴러(40)를 포함한다.
나아가, 바람직한 다른 실시예로써 머신 러닝시 적용되는 변수 즉, K값을 주변환경에 따라 더욱 정밀하게 조절하는 온도 센서(51)와 K값 선택기(52) 및 유효하지 않은 데이터를 차단하는 유효 데이터 필터(60)를 포함한다.
이러한 본 발명은 도 2와 같이 이력정보 수집모듈(10)을 통해 온도 조절기(1)를 조작시 입력된 과거의 사용자의 이용 패턴을 수집한다. 수집은 설정에 따라 조절될 수 있으나 바람직하게 1주 ~ 8주간 수집된 데이터를 이용한다.
또한 설정 시간 예측모듈(20)은 머신 러닝 학습을 통해 온도조절 설정 시간을 추정하는데 K-평균 클러스터링 알고리즘을 적용한다. 설정 온도 예측모듈(30)은 나이브 베이즈 알고리즘으로 그 시간대의 설정 온도값을 추정한다.
스케쥴러(40)는 위와 같이 학습된 온도조절 설정 시간 및 학습된 설정 온도를 포함한 장래의 작동 스케쥴을 작성(생성)하고, 스케쥴에 따른 설정 시간이 도래하면 온도 조절기(1)를 제어함으로써 냉난방 시스템의 자율 작동을 가능하게 한다.
또한, K값 선택기(52)를 통해 계절별로 유연하게 머신 러닝 알고리즘을 적응시키고, 유효 데이터 필터(60)를 통해 부주의나 오작동으로 인한 유효하지 않은 데이터를 차단함으로써 학습 데이터의 신뢰성을 보장할 수 있게 한다.
이를 위해, 상기 이력정보 수집모듈(10)은 냉난방 시스템의 온도 조절기(1)를 감시하며, 사용자가 해당 온도 조절기(1)를 조작(사용 설정)함에 따라 발생하는 사용 이력 데이터를 수집한다.
온도 조절기(1)는 써모스탯(thermo stat)이라고도 하는 것으로, 이력정보 수집모듈(10)은 일 예로 사용자가 실내 온도 조절기(1)로 온도 설정을 할 때마다 그 사용 이력정보를 수집 및 기록한다.
이력정보 수집모듈(10)에서 수집한 사용 이력 데이터는 본 발명에 따라 온도조절 설정 시간 및 설정 온도를 머신 러닝하는 시점을 기준으로 최소 1주일 내지 수주일(예: 1주 ~ 8주) 이전의 데이터이다.
또한 수집되는 사용 이력 데이터는 과거의 온도조절 설정 시간 및 설정 온도 데이터이므로, 수집된 과거의 데이터를 학습하여 장래에 온도 조절기(1)를 제어하기 위한 스케쥴을 적성함으로써 과거의 사용자 이용 패턴에 근거하게 한다.
특히 본 발명은 온도조절 설정 시간 및 설정온도 모두 머신 러닝을 통해 학습된 스케쥴을 제공하고, 머신 러닝 적용시 구체적이고 효율적인 유추가 가능한 수학식(알고리즘)을 적용하여 데이터 신뢰성을 더욱 향상시킨다.
다음, 설정 시간 예측모듈(20)은 설정된 기간 동안 수집된 과거의 온도조절 설정 시간 데이터를 K-평균 클러스터링 알고리즘에 적용하여 장래 사용자의 요일별 온도조절 설정 시간을 학습한다.
즉, 설정 시간 예측모듈(20)은 과거에 수집된 온도조절 설정 시간 데이터를 K-평균 클러스터링(K-mean clustering)의 분포 데이터로 적용함으로써 장래의 온도 조절기(1) 스케쥴 작성에 필요한 온도조절 설정 시간을 학습한다.
K-평균 알고리즘은 주어진 데이터를 K개의 클러스터(cluster)로 묶는 알고리즘으로, 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작하며, 자율 학습의 일종으로써 레이블이 달려 있지 않은 입력 데이터에 레이블을 달아준다.
이때, 설정 시간 예측모듈(20)은 매 요일마다 수집된 온도조절 설정 시간 데이터에 대해 K-평균 클러스터링 알고리즘을 적용하되, 클러스터의 중심값(centroid)을 요일당 온도조절 설정 시간 값으로 추정(설정)한다.
또한, 클러스터의 개수를 결정하는 K값을 팔꿈치(elbow) 방법에 의해 선택한다. 팔꿈치 방법은 각 K값에 따라 클러스터링 했을 경우에 클러스터의 중심값과 클러스터에 속한 데이터들간의 에러 거리에 대한 제곱값의 합을 Y축으로 하고 X축은 K값으로 한 그래프에서 팔꿈치에 해당하는 점의 X축 값으로 결정된다.
이러한 K값은 K-평균 클러스터링 알고리즘에서 생성되는 데이터의 클러스터 개수를 결정하는 것으로, 입력된 데이터들은 K값에 따라 분류되므로 아래와 같이 선택된 K값으로 요일별 학습 구간을 분리하는 등의 작용을 한다.
예를 들어, 도 3의 (a)와 같이 설정 시간 예측모듈(20)은 장래의 온도조절 설정 시간을 예측(학습)하도록 매주 말에 과거 1주 ~ 8주 동안 수집된 사용자의 실내 온도 조절기(1) 사용이력 정보데이터에서 매 요일당 설정 시간 데이터에 대해 K-평균 클러스터링 알고리즘을 적용한다.
또한, 도 3의 (b)와 같이 본 발명은 클러스터(군집)의 중심값(centroid)을 요일당 온도조절 설정 시간 값으로 추정한다. 클러스터의 중심 시간값은 일 예로 8:00, 8:15 및 8:30 등과 같이 15분 간격으로 반올림한다.
이때, K-평균 클러스터링 알고리즘의 K값은 몇개의 군집으로 클러스터링할 것인지를 나타내며, 도 3의 (c)와 같이 본 발명에서는 K값을 정해기 위해 상술한 팔꿈치 방법을 적용한다. 바람직하게 K값은 3으로 설정된다.
클러스터링으로 구한 온도조절 설정 시간은
Figure 112020020757366-pat00024
으로 표현되며, 이와 같이 학습된 온도조절 설정 시간은 장래의 스케쥴에 포함되도록 스케쥴러(40)에 제공된다.
다음, 설정 온도 예측모듈(30)은 설정된 기간 동안 수집된 설정 온도 데이터를 나이브 베이즈(Naive Bayes) 알고리즘에 적용하여 사용자의 요일별 설정 온도를 머신 러닝한다.
설정 온도 학습은 K-평균 클러스터링 알고리즘에서 생성된 각 클러스터별로 진행되며, 수집된 설정 온도 데이터를 상기 나이브 베이즈 알고리즘에 적용하여 사용자의 요일별 설정 온도를 학습한다. 이를 통해 서로 다른 두 알고리즘간 연계가 이루어진다.
이때, 설정 온도 예측모듈(30)은 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서 나이브 베이즈 알고리즘을 적용하여 산출된 아래의 <수학식 1>에 따라 온도 셋팅 포인트 온도 추정값
Figure 112020020757366-pat00025
를 산출한다.
<수학식 1>
Figure 112020020757366-pat00026
여기서, k는 상기 K-평균 클러스터링 알고리즘에서 선택된 K값이고,
Figure 112020020757366-pat00027
는 수집된 설정 온도값을 K-평균 클러스터링 알고리즘에 따라 클러스터링한 클러스터의 중심값 이다.
Figure 112020020757366-pat00028
는 상기 나이브 베이즈 정리에 의해 계산되는 상기
Figure 112020020757366-pat00029
의 후험적 확률(A Posteriori Probability)을 나타낸다.
이와 같이 산출된 온도 셋팅 포인트 온도 추정값은 장래의 스케쥴 설정 온도로써 스케쥴러(40)에 제공된다. 후술하는 바와 같이 스케쥴러(40)에는 설정 시간 예측모듈(20)에서 학습한 STi 값도 온도조절 설정 시간으로써 함께 기록되어 한 주간 스케쥴을 생성한다.
예를 들어 좀더 상세히 설명하면, 본 발명은 위와 같이 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi] 사이에서 수집된 설정 온도값 데이터들의 집합을 set(STi)(i=1, 2,…,K값)로 정의한다.
이때, set(STi)(i=1, 2,…,k값)에 속하는 설정 온도 설정값 데이터들을 K-평균 클러스터링 알고리즘을 사용하여 클러스터링한다. 클러스터링은 K값에 따라 일 예로 3개로 진행되며 3개의 클러스터는 요일별 구간을 분리(예: 8시간씩 3구간)한다.
또한 K-평균 클러스터링 알고리즘에 따라 클러스터링된 각 클러스터를 해당 클러스터의 중심값(centroid)로 표시하고 이를
Figure 112020020757366-pat00030
로 나타내며, 구간 [TSTi-1, TSTi]에서
Figure 112020020757366-pat00031
로 클러스터링된 온도 설정값 데이터들의 집합을
Figure 112020020757366-pat00032
로 정의한다.
또한, 추정된 온도조절 설정 시간의 구간 [TSTi-1, TSTi] 사이에서 수집된 측정 온도값 데이터도 K-평균 클러스터링 알고리즘을 사용하여 3개(즉, K값=3)로 클러스터링하고 각 클러스터의 중심값을
Figure 112020020757366-pat00033
로 표기한다.
따라서,
Figure 112020020757366-pat00034
는 추정된 온도조절 설정 시간의 구간 [TSTi-1, TSTi] 사이에서
Figure 112020020757366-pat00035
로 클러스터링된 설정 온도값 데이터의 집합을 나타낼 수 있게 된다.
그 후 나이브 베이즈 정리를 위해 먼저 상기한
Figure 112020020757366-pat00036
의 선험적 확률(A priori Probability)을 구하며 이는 <수학식 2>와 같이 정의된다.
<수학식 2>
Figure 112020020757366-pat00037
여기서, |A|는 A의 원소 개수이다.
다음, 상기
Figure 112020020757366-pat00038
의 후험적 확률(A posteriori Probability)인
Figure 112020020757366-pat00039
는 나이브 베이즈 정리에 따라 아래의 <수학식 3>과 같이 계산된다.
<수학식 3>
Figure 112020020757366-pat00040
또한, 상기 <수학식 3>에 포함된
Figure 112020020757366-pat00041
는 아래의 <수학식 4>와 같이 계산된다.
<수학식 4>
Figure 112020020757366-pat00042
여기서,
Figure 112020020757366-pat00043
는 클러스터
Figure 112020020757366-pat00044
가운데 클러스터
Figure 112020020757366-pat00045
에 가장 가까운 측정 온도 데이터의 집합이고,
Figure 112020020757366-pat00046
는 상기 구간 [TSTi-1, TSTi]에서 수집된 설정 온도 데이터 중 클러스터
Figure 112020020757366-pat00047
에 가장 가까운 설정 온도 데이터의 집합을 의미한다.
따라서, 수집된 온도 데이터값의 확률은 아래의 <수학식 5>와 같아진다.
<수학식 5>
Figure 112020020757366-pat00048
또한, 아래의 <수학식 6>에 의해 후험적 확률이 계산된다.
<수학식 6>
Figure 112020020757366-pat00049
결국, 구간 [TSTi-1, TSTi]에서의 온도 셋팅 포인트 온도 추정값
Figure 112020020757366-pat00050
은 상술한 바와 같이
Figure 112020020757366-pat00051
로 결정되며, 이 값을 온도 조절기(1)의 스케쥴링을 위한 설정 온도값으로 자율 결정하여 스케쥴러(40)에 제공한다. 따라서, 스케쥴러(40)는 이를 이용하여 스케쥴을 설정한다.
다음, 스케쥴러(40)는 위에서 설명한 바와 같은 학습(머신 러닝)을 통해 각각 추정된 온도조절 설정 시간 및 설정 온도 정보를 입력받아 설정된 단위 기간(예: 한주간 또는 한달간) 동안 온도 조절기(1)를 자율 제어한다.
도 4와 같에 스케쥴러(40)는 일 예로 룩-업 테이블 타입의 메모리로 구성될 수 있으며, 각 요일별 및 각 시간별로 온도조절 설정 시간 및 설정 온도값이 함께 기록된다.
한편, 본 발명은 K-평균 클러스터링이나 나이브 베이즈와 같은 머신 러닝 학습시 적용되는 변수 즉, K값을 주변환경에 따라 더욱 정밀하게 조절할 수 있도록 하는 것이 바람직하다.
이를 위해 본 발명은 외기 온도를 측정하는 온도 센서(51) 및 K값 선택기(52)를 더 포함한다. K값 선택기(52)는 K-평균 클러스터링 알고리즘에서 데이터 클러스터의 개수를 결정하는 K값에 가중치를 부여한다.
또한, K값 선택기(52)는 온도 센서(51)에 의해 측정된 외기 온도를 분석하여 일교차가 큰 계절 일수록 K값의 가중치를 크게 한다. 가중치가 적용된 K값은 클러스터링을 위해 자연수가 되도록 반올림이 가능하다.
예컨대, 일교차가 큰 봄/가을이나 가을에서 겨울로 넘어가는 환절기의 경우에는 그 외 계절보다 냉난방 시스템의 온도 조절기(1) 작동이 더욱 빈번하고, 그 설정 온도도 다변화되므로 이를 더욱 정밀하게 학습 추정할 필요가 있다.
그러므로 데이터의 클러스터 개수를 결정하는 K값을 늘려서 더욱 신뢰성 높은 온도조절 설정 시간 및 설정 온도값을 제공하여, 사용자 이용 패턴에 가장 근접한 자율 제어를 가능하게 한다.
또한, 본 발명은 유효하지 않은 데이터를 학습하는 것을 방지하도록 유효 데이터 필터(60)를 제공한다. 유효 데이터 필터(60)는 부주의나 오작동으로 인한 유효하지 않은 데이터를 차단함으로써 학습 데이터의 신뢰성을 보장한다.
이를 위해 유효 데이터 필터(60)는 냉난방 시스템의 온도 조절기(1)가 조작된 시간 간격이 설정된 시간 미만인 경우 이력정보 수집모듈(10)에서 데이터를 수집하지 못하도록 차단 또는 삭제함으로써 이벤트 신호가 발생해도 이를 차단한다.
예컨대, 관리자의 부주의나 조작부의 감도 저하로 온도 조절기(1)를 여러번 누르거나 혹은 온도의 미세 조절을 위해 온도값을 연속하여 여러번 바꾸는 경우 등 짧은 시간 이내에 여러 조작이 있는 경우에는 이를 배제하여 머신 러닝의 데이터에 반영되지 않도록 한다.
이상, 본 발명의 특정 실시예에 대하여 상술하였다. 그러나, 본 발명의 사상 및 범위는 이러한 특정 실시예에 한정되는 것이 아니라, 본 발명의 요지를 변경하지 않는 범위 내에서 다양하게 수정 및 변형 가능하다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이해할 것이다.
따라서, 이상에서 기술한 실시예들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이므로, 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 하며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
1: 온도 조절기
10: 이력정보 수집모듈
20: 설정 시간 예측모듈
30: 설정 온도 예측모듈
40: 스케쥴러
51: 온도 센서
52: K값 선택기
60: 유효 데이터 필터

Claims (11)

  1. 냉난방 시스템의 온도 조절기(1) 조작에 따른 과거의 온도조절 설정 시간 및 설정 온도에 대한 데이터를 수집 및 기록하는 이력정보 수집모듈(10)과;
    설정된 기간 동안 수집된 상기 온도조절 설정 시간 데이터를 K-평균 클러스터링(K-mean clustering) 알고리즘에 적용하여 장래 사용자의 요일별 온도조절 설정 시간을 학습하는 설정 시간 예측모듈(20)과;
    상기 K-평균 클러스터링 알고리즘에서 생성된 각 클러스터별로 상기 수집된 설정 온도 데이터를 나이브 베이즈(Naive Bayes) 알고리즘에 적용하여 장래 사용자의 요일별 설정 온도를 학습하는 설정 온도 예측모듈(30); 및
    상기 학습을 통해 추정된 온도조절 설정 시간 및 설정 온도 정보를 입력받아 설정된 단위 기간 동안 상기 온도 조절기(1)를 자율 제어하는 스케쥴러(40);를 포함하고,
    상기 설정 시간 예측모듈(20)은,
    매 요일마다 수집된 상기 온도조절 설정 시간 데이터에 대해 상기 K-평균 클러스터링 알고리즘을 적용하되, 클러스터의 중심값(centroid)을 요일당 온도조절 설정 시간 값으로 추정하고,
    상기 설정 시간 예측모듈(20)은,
    상기 클러스터의 개수를 결정하는 K값을 팔꿈치(elbow) 방법에 의해 선택하되,
    상기 팔꿈치 방법은 각 K값에 따라 클러스터링 했을 경우에 클러스터의 중심값과 클러스터에 속한 데이터들간의 에러 거리에 대한 제곱값의 합을 Y축으로 하고 X축은 K값으로 한 그래프에서 팔꿈치에 해당하는 점의 X축 값을 K-평균 클러스터링 알고리즘의 K값으로 선택하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 설정 온도 예측모듈(30)은,
    상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서 상기 나이브 베이즈 알고리즘을 적용하여 산출된 아래의 <수학식 1>에 따라 온도 셋팅 포인트 온도 추정값
    Figure 112021035665260-pat00052
    를 산출하여 상기 장래의 설정 온도로 학습하되,
    <수학식 1>
    Figure 112021035665260-pat00053

    여기서, k는 상기 K-평균 클러스터링 알고리즘에서 선택된 K값,
    Figure 112021035665260-pat00054
    는 수집된 설정 온도값을 상기 K-평균 클러스터링 알고리즘에 의해 클러스터링한 클러스터의 중심값이며,
    Figure 112021035665260-pat00055
    는 상기 나이브 베이즈 정리에 의해 계산되는 상기
    Figure 112021035665260-pat00056
    의 후험적 확률인 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  5. 제4항에 있어서,
    상기 설정 온도 예측모듈(30)은,
    상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서 수집된 과거의 설정 온도값 데이터들의 집합 set(STi)(i=1, 2,…, K값); 및
    상기 i-th 구간 [TSTi-1, TSTi]에서 수집된 과거의 측정 온도값 데이터들의 집합 set(Ti)(i=1, 2,…, K값);를 포함하여 상기 나이브 베이즈 정리에 적용하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  6. 제5항에 있어서,
    상기 설정 온도 예측모듈(30)은,
    상기 set(STi)(i=1, 2,…, K값)에 속하는 데이터들을 상기 K-평균 클러스터링 알고리즘을 사용하여 클러스터링하고,
    각 클러스터를 해당 클러스터의 중심값들로 각각 표시한
    Figure 112020020757366-pat00057
    (k=1, 2,…,K값)에 대해 아래의 <수학식 2>와 같이 선험적 확률을 계산하여 상기 후험적 확률 산출식에 적용하며,
    <수학식 2>
    Figure 112020020757366-pat00058

    여기서,
    Figure 112020020757366-pat00059
    는
    Figure 112020020757366-pat00060
    들의 집합, |A|는 A의 원소 개수인 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  7. 제6항에 있어서,
    상기 설정 온도 예측모듈(30)은,
    상기 set(Ti)(i=1, 2,…, K값)에 속하는 데이터들을 상기 K-평균 클러스터링 알고리즘을 사용하여 클러스터링하고,
    각 클러스터를 해당 클러스터의 중심값들로 각각 표시한
    Figure 112020020757366-pat00061
    (k=1, 2,…,K값)들의 집합
    Figure 112020020757366-pat00062
    을 상기 후험적 확률 산출식에 적용하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  8. 제7항에 있어서,
    상기 설정 온도 예측모듈(30)은,
    상기
    Figure 112020020757366-pat00063
    의 후험적 확률
    Figure 112020020757366-pat00064
    을 아래의 <수학식 3>에 의해 계산하고,
    <수학식 3>
    Figure 112020020757366-pat00065

    상기 <수학식 3>의
    Figure 112020020757366-pat00066
    를 아래의 <수학식 4>에 의해 계산하며,
    <수학식 4>
    Figure 112020020757366-pat00067

    여기서,
    Figure 112020020757366-pat00068
    는 클러스터
    Figure 112020020757366-pat00069
    가운데 클러스터
    Figure 112020020757366-pat00070
    에 가장 가까운 측정 온도 데이터의 집합이고,
    Figure 112020020757366-pat00071
    는 추정된 온도조절 설정 시간의 구간 [TSTi-1, TSTi]에서 수집된 설정 온도 데이터 중 상기 클러스터
    Figure 112020020757366-pat00072
    에 가장 가까운 설정 온도 데이터의 집합인 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  9. 제8항에 있어서,
    상기 설정 온도 예측모듈(30)은,
    상기 수집된 측정 온도 데이터의 확률은 아래의 <수학식 5>에 의해 계산하고,
    <수학식 5>
    Figure 112020020757366-pat00073

    또한 아래의 <수학식 6>에 의해 상기 후험적 확률이 계산되며,
    <수학식 6>
    Figure 112020020757366-pat00074

    상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서의 후험적 확률의 계산값을 상기 온도 셋팅 포인트 온도 추정값으로 설정하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  10. 제1항 및 제4항 내지 제9항 중 어느 하나의 항에 있어서,
    외기 온도를 측정하는 온도 센서(51); 및
    상기 K-평균 클러스터링 알고리즘에서 데이터 클러스터의 개수를 결정하는 K값에 가중치를 부여하는 K값 선택기(52);를 더 포함하되,
    상기 K값 선택기(52)는 상기 온도 센서(51)에 의해 측정된 외기 온도를 분석하여 일교차가 큰 계절일수록 상기 K값의 가중치를 크게 하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
  11. 제1항 및 제4항 내지 제9항 중 어느 하나의 항에 있어서,
    상기 냉난방 시스템의 온도 조절기(1)가 조작된 시간 간격이 설정된 시간 미만인 경우 상기 이력정보 수집모듈(10)에서 데이터를 수집하지 못하도록 차단 또는 삭제하는 유효 데이터 필터(60);를 더 포함하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기.
KR1020200024149A 2020-01-06 2020-02-27 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기 KR102283064B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200001609 2020-01-06
KR20200001609 2020-01-06

Publications (2)

Publication Number Publication Date
KR20210088388A KR20210088388A (ko) 2021-07-14
KR102283064B1 true KR102283064B1 (ko) 2021-07-28

Family

ID=76862899

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200024149A KR102283064B1 (ko) 2020-01-06 2020-02-27 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기

Country Status (1)

Country Link
KR (1) KR102283064B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102422872B1 (ko) * 2021-11-29 2022-07-20 주식회사한일의료기 탄소섬유 발열매트의 ai 온도조절 시스템
CN114322212A (zh) * 2021-12-28 2022-04-12 青岛海尔空调器有限总公司 空调器控制方法、装置、电子设备、存储介质及空调器

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101670610B1 (ko) * 2015-09-18 2016-10-28 주식회사 나노켐 사용자 패턴 분석에 따른 사물 인터넷 실내 온도 조절 서버

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101395784B1 (ko) 2012-07-02 2014-05-28 (주)한성테크놀러지 세대환경 자동 제어형 온도 조절 장치
JP6807405B2 (ja) * 2016-06-23 2021-01-06 スリーエム イノベイティブ プロパティズ カンパニー 安全イベント検出のための解析ストリーム処理を伴う個人用保護具（ｐｐｅ）

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101670610B1 (ko) * 2015-09-18 2016-10-28 주식회사 나노켐 사용자 패턴 분석에 따른 사물 인터넷 실내 온도 조절 서버

Also Published As

Publication number Publication date
KR20210088388A (ko) 2021-07-14

Similar Documents

Publication Publication Date Title
US11415334B2 (en) Building control system with automatic comfort constraint generation
Maddalena et al. Data-driven methods for building control—A review and promising future directions
KR102283064B1 (ko) 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
US6865449B2 (en) Location adjusted HVAC control
EP3343719A1 (en) Systems and methods for performing building energy management
US20060229739A1 (en) Device control method and device control system
CN110986306B (zh) 基于机器学习的室温调节的方法、装置、设备及存储介质
KR101633969B1 (ko) 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
EP2924631A1 (en) Computer-implemented system and method for externally evaluating thermostat adjustment patterns of an indoor climate control system in a building
US20140096946A1 (en) Comfort-Optimized Demand Response
CN109945439A (zh) 一种室内环境参数控制方法及系统
CN103282841A (zh) 建筑自动化系统
Ouf et al. A simulation-based method to investigate occupant-centric controls
US11514358B2 (en) Automatic control artificial intelligence device and method for updating a control function
CN104075402A (zh) 智能空调控制方法和系统
Vázquez et al. Usage profiles for sustainable buildings
KR101345125B1 (ko) 사용자 만족도 및 에너지 효율을 높이기 위한 냉난방 제어 방법 및 시스템
CN114838470A (zh) 一种暖通空调的控制方法和系统
CN112128934A (zh) 空调器的智能控制方法与智能控制设备
EP4006686A1 (en) Method of controlling heat transfer process in heating substation, regulator, computer program product and heating substation
Morovat et al. Heuristic model predictive control implementation to activate energy flexibility in a fully electric school building
EP3771957A1 (en) Method and system for controlling of heating, ventilation and air conditioning
CN109416192B (zh) 空气调节控制装置、空气调节控制方法、空气调节系统以及带空气调节的住宅
JPH0593539A (ja) 空調システム制御装置
CN112543852B (zh) 用于使用基于聚类的规则挖掘方法来优化结构的能量使用的系统和方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant