KR102317077B1 - 인공지능 기반 탄소배출권 거래 시스템 및 운영방법 - Google Patents

Abstract

본 발명은 인공지능 탄소배출권 거래 시스템에 관한 것이다.
본 발명의 실시예에 따른 인공지능 탄소배출권 거래 시스템은, 시설물에 부착된 감지장치로부터 얻은 데이터를 통하여 시설물의 온실가스 배출량 증감을 예측하는 인공지능 예측부; 상기 인공지능 예측부가 배출량 감소를 예측한 시설물들의 총 감소분을 합한, 총 탄소배출권 매각량을 예측하고, 상기 예측된 매각량 만큼의 에너지 교환을 조건으로, 에너지 공급기업을 상대로 경쟁입찰을 공고하는 에이전시부; 상기 에이전시부를 통하여 입찰에 응한 에너지 공급 기업 중 연료 단위 당 최저 가격을 기준으로 에너지 치환량을 설정하는 치환율 설정부; 및 상기 인공지능 예측부가 배출량 증가를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 구입비용만큼의 연료 상실량을 해당 시설물 관리자에게 통지하고, 상기 인공지능 예측부가 배출량 감소를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 매각비용만큼의 연료 획득량을 해당 시설물 관리자에게 통지하는 경제성 알림부를 포함한다.

Description

인공지능 기반 탄소배출권 거래 시스템 및 운영방법{operation method and system based on arficial intelligence for carbon credit trading}

본 발명은 인공지능 탄소배출권 거래 시스템 및 그 운영방법에 관한 것으로, 보다 상세하게는 인공지능에 의하여 시설물의 온실가스 배출량을 예측하고 그에 따른 경제적 이익을 통지하여 온실가스의 저감을 유도하는 것에 관한 것이다.

현대에 문제가 되고 있는 온실기체는 수증기와 같은 자연적인 온실 가스가 아니라 산업화로 비롯된　화석 연료의 과도한 사용으로 발생한 이산화탄소와 같이 인위적으로 발생한 온실기체이다.　IPCC의 기후변화에 관한 2007년 보고서에 따르면 '인류 활동에 의한 세계적인 온실기체배출은　산업화　이후로 계속해서 증가해오고 있으며, 1970년과 2004년 사이에 70%나 증가했다.'고 한다. 온실기체의 성분 중 가장 중요하게 생각되는 것은 이산화탄소인데, 인위적으로 발생한 이산화탄소의 배출은 1970~2004년 사이에 80%나 증가했다.

온실효과를 일으키는 온실기체들 중에 이산화탄소는 주로 에너지사용 및 산업공정에서 발생하고, 메탄은 주로 폐기물, 농업 및 축산분야에서, 아산화질소는 주로 산업공정과 비료사용으로 인해 발생되며,　CFCs,　PFCs,　SF6　등은　냉매　및 세척용도의 사용으로부터 배출된다. 이 물질들 가운데 이산화탄소가 전체 온실가스 배출량 중 80% 이상을 차지하고 있다.

배출권 거래제(emissions trading, emission trading, cap and trade)는　온실 기체　감축의무가 있는 사업장, 혹은 국가간 배출 권한 거래를 허용하는 제도이다.　탄소배출권 거래제라고도 한다.　탄소배출권 을 시장에서 거래할 수 있게 하는 제도다.

기업들이　교토의정서　지정 6대 온실가스인　이산화 탄소,　메테인,　아산화 질소,　과불화탄소,　수소 불화 탄소,　육불화황을 줄인 실적을 유엔 기후변화협약(UNFCCC)에 등록하면 감축한 양만큼　탄소배출권 (CER: Certificated Emission Reduction)을 받게 된다.

하지만 기업들은 온실가스의 저감여부와 그 경제적 이익을 체감하기 어려워 온실가스의 저감에 적극적이지 않은 문제점이 있었다.

본 발명이 해결하고자 하는 과제는 시설물에서 발생하는 온실가스의 증감을 정확히 예측하는 것이다.

본 발명의 다른 과제는 시설물 관리자에게 온실가스 증감에 따른 경제적 이익을 통지하여 온실가스 저감을 유도하는 것이다.

본 발명의 또 다른 과제는 온실가스 저감으로 발생한 탄소배출권을 에너지와 교환하여 수수료 없이 저렴한 가격으로 에너지를 구입할 수 있도록 하는 것이다.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 달성하기 위하여, 본 발명의 실시예에 따른 인공지능 탄소배출권 거래 시스템은, 시설물에 부착된 감지장치로부터 얻은 데이터를 통하여 시설물의 온실가스 배출량 증감을 예측하는 인공지능 예측부; 상기 인공지능 예측부가 배출량 감소를 예측한 시설물들의 총 감소분을 합한, 총 탄소배출권 매각량을 예측하고, 상기 예측된 매각량 만큼의 에너지 교환을 조건으로, 에너지 공급기업을 상대로 경쟁입찰을 공고하는 에이전시부; 상기 에이전시부를 통하여 입찰에 응한 에너지 공급 기업 중 연료 단위 당 최저 가격을 기준으로 에너지 치환량을 설정하는 치환율 설정부; 및 상기 인공지능 예측부가 배출량 증가를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 구입비용만큼의 연료 상실량을 해당 시설물 관리자에게 통지하고, 상기 인공지능 예측부가 배출량 감소를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 매각비용만큼의 연료 획득량을 해당 시설물 관리자에게 통지하는 경제성 알림부를 포함한다.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 인공지능 탄소배출권 거래 시스템에 따르면 다음과 같은 효과가 하나 혹은 그 이상 있다.

첫째,　시설물에서 발생하는 온실가스의 증감을 정확히 예측하는 장점이 있다것이다.

둘째, 시설물 관리자에게 온실가스의 증감에 따른 경제적 이익을 통지하여 온실가스 저감을 유도할 수 있다.

셋째, 온실가스 저감으로 발생한 탄소배출권을 에너지와 교환하여 수수료 없이 저렴한 가격으로 에너지를 구입할 수 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 인공지능 탄소배출권 거래 시스템(100)의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 탄소배출권 거래 시스템(100) 운영방법의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능 예측부(110)의 구성도이다.
도 4는 본 발명의 몇몇 실시예들에서 참조되는 정보 매트릭스(matrix)의 구성을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에서, 온실가스 배출량 증감 검사 데이터의 결측치가 복원되는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 몇몇 실시예들에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치의 하드웨어 구성도이다.

도 1은 본 발명의 일 실시예에 따른 인공지능 탄소배출권 거래 시스템(100)의 블록도이다. 도 2는 본 발명의 일 실시예에 따른 인공지능 탄소배출권 거래 시스템(100) 운영방법의 흐름도이다.

도 1 내지 도 2을 참조하여 설명하면, 본 발명의 일 실시예에 의한 인공지능 탄소배출권 거래 시스템(100)은 복수의 시설물에 부착된 감지장치로부터 얻은 데이터를 통하여 시설물의 온실가스 배출량 증감을 예측하는 인공지능 예측부(110); 인공지능 예측부(110)가 배출량 감소를 예측한 시설물들의 총 감소분을 합한, 총 탄소배출권 매각량을 예측하고, 예측된 매각량 만큼의 에너지 교환을 조건으로, 에너지 공급기업을 상대로 경쟁입찰을 공고하는 에이전시부(120); 에이전시부(120)를 통하여 입찰에 응한 에너지 공급 기업 중 연료 단위 당 최저 가격을 기준으로 에너지 치환량을 설정하는 치환율 설정부(130); 및 인공지능 예측부(110)가 배출량 증가를 예측하면, 치환율 설정부(130)가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 구입비용만큼의 연료 상실량을 해당 시설물 관리자에게 통지하고, 인공지능 예측부(110)가 배출량 감소를 예측하면, 치환율 설정부(130)가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 매각비용만큼의 연료 획득량을 해당 시설물 관리자에게 통지하는 경제성 알림부(140)를 포함한다.

서버(400)는 인공지능 예측부(110),에이전시부(120),치환율 설정부(130),경제성 알림부(140)를 포함한다.

서버(400)는 A,B,C,D 시설물별 온실가스의 증가 예상 또는 감소 예상량과 A,B,C,D 기업 보유한 탄소배출권을 기초로 각 기업별 탄소배출권의 잔량 또는 부족량을 판단한다.

복수의 시설물은 복수의 기업을 의미할 수 있다. 예를 들어, A, B, C, D 기업중, A,B,C 기업은 온실가스 배출량이 감소 예정이어서 A,B,C 기업을 합할 때, 약 20억원의 탄소배출권 판매가 가능하다고 하면, 서버(400)은 탄소배출권(20억원 상당)과 에너지(석유, LPG 등)를 교환하기 위해 경쟁입찰을 공고한다.

복수의 에너지 기업은 공고에 맞게 탄소배출권(20억 상당)과 상응하는 교환가치를 갖는 에너지의 양을 제안한다. 서버(400)는 20억원으로 가장 많은 양을 공급하기로 한 기업과 계약을 한다. 에너지 기업은 다량의 온실가스를 배출하기 때문에, 탄소배출권이 필요할 수 있다. 따라서, 에너지 기업은 20억원 어치의 탄소배출권을 지급 받게 된다.

서버(400)는 발생한 탄소배출권의 비율대로 A,B,C 각 기업에게 에너지를 배정하고, 배정된 수량 만큼을 관리자들에게 통지할 수 있다.

위와 같은 거래를 통해 탄소배출권의 거래로 발생하는 수수료를 아낄 수 있고, A,B,C 기업은 저렴한 가격에 에너지를 공급받을 수 있다.

한편, 위와같은 통지는 실제 에너지 구입전 또는 공개입찰 전이라도 예측되는 에너지 구입량을 기초로 미리 예상 에너지 분배량을 통지해 줄 수도 있다.

D 기업의 경우 온실가스 발생량 증가가 예정되어 탄소배출권을 역으로 구매해야할 처지가 될 수 있다. 이 경우 A,B,C 기업이 얻게 되는 에너지 획득량을 기준으로, 에너지 상실량을 통보해줄 수 있다.

또한, 본 발명의 일 실시예에 의한 인공지능 탄소배출권 거래 시스템(100)은 탄소배출권 거래소로부터 탄소배출권의 거래정보를 실시간 취합하여 제공하는 거래정보 취합부(150)를 더 포함하고, 에이전시부(120)는, 에너지 공급기업으로부터 제안받은 탄소배출권의 경제적 가치가 거래정보 취합부(150)로부터 얻은 탄소배출권의 경제적 가치보다 낮을 경우, 탄소배출권의 경제적 가치를 통화로 환산한 금액을 기준으로 재공고를 실행한다.

서버(400)는 탄소배출권의 시장 가격과 에너지의 시장가격을 비교하여 입찰된 에너지교환 량이 부족하다고 판단되면, 탄소배출권이 아닌 통화를 기준으로 재공고를 진행할 수 있다. 예를 들면, 20억원 상당의 금액만큼 에너지를 공급할 기업을 공고하는 것이다.

본 발명의 실시예에서, 인공지능 예측모델은 특정 온실가스(이산화 탄소,　메테인,　아산화 질소,　과불화탄소,　수소 불화 탄소,　육불화황 중 적어도 어느 하나)의 배출량 증감 예측 결과를 얻기 위한 것일 수 있다.

온실가스별로 배출원과 온난화 지수가 상이하므로, 온실가스별 발생량을 각각 예측할 필요가 있다.

일 실시예에서, RNN 기반 모델은, 시설물 잔존 수명에 따른 온실가스 배출량 증감 예측과 관련된 데이터를 출력하는 것이다. 이 때, 정보매트릭스에 포함되는 정보는, 날씨 정보, 강수량 정보, 일출 시간 및 일몰 시간 정보, 온도 정보, 습도 정보, 풍향 정보, 풍속 정보, 대기 오염도 정보, 구름 영상(또는 이미지) 정보와 같은 환경 및 기후정보를 포함한다. 이와 같은 정보는 시설물이 구동되는 외부 환경요인이다.

또한, 일 실시예에서, RNN 기반 모델은 연료소비량, 제품생산량, 전력소비량, 제품수송량, 원자재 재고 정보, 고객 주문 정보, 완제품 재고 정보 및 인력 정보와 같은 산업별 정보 또는 기업의 내부정보를 포함한다.

정보 매트릭스는 아래와 같은 온실가스별 특징에 기한 정보를 포함할 수 있다.

각 온실가스의 정보에 대하여 살펴보면 다음과 같다.

이산화탄소(CO2)는 지구 온난화 지수는 낮지만 규제 가능한 가스(Controllable Gas)로서 전체 온실가스 배출량 중 약 80% 이상을 차지 하고 있기 때문에 6대 온실가스 중 가장 중요한 온실가스로 분류된다. 이산화탄소(CO2)는 나무와 석유, 석탄과 같은 화석연료가 탈 때, 탄소가 공기 중의 산소와 결합하여 생기며, 화석연료 사용이 주 발생 원인이다. 메탄(CH4)은 천연가스(LNG)의 주성분이며, 음식물 쓰레기가 부패할 때와 소나 닭과 같은 가축의 배설물에서도 발생한다. 메탄의 발생량은 이산화탄소에 비해서 아주 작은 양이지만 메탄 1분자가 일으키는 온실효과는 이산화탄소의 약20배 이상으로 지구 전체 온실효과의 15～20%이상 차지 한다. 이산화질소(N2O)는 주로 석탄을 채광할 때 그리고 연료가 고온으로 타면서 발생하며, 각종 산업공정 및 비료에 사용된다. 수소불화탄소(HFCs)는 불연성 무독성 가스로 취급이 용이하며, 화학적으로 안정하여 냉장고 및 에어콘의 냉매로 사용된다. 과불화탄소(PFCs)는 탄소와 불소의 화합물로 전자제품, 도금산업 등에서 세정용으로 사용되며, 반도체 제조공정(플라즈마 에칭 및 chamber cleaning)에 다량 사용된다. 육불화황(SF6)은 제품이나 변압기 등의 절연체 로 사용된다.

이를 표로 나타내면 다음과 같다.

온실가스 배출량 산정방식을 살펴보면 다음과 같다.

Emission=activity data*emission factor*GWP

온실가스배출량(Emission)은 직접/간접배출량, 이산화탄소 환산 배출량, 6대 온실가스를 의미한다. 활동자료(activity data)는 순발열계수, 연료온실가스 배출량 증감, 제품생산량, 산림면적, 비료 시비량, 폐기물 매립량 등을 의미한다. 배출계수(emission factor)는 연료별(석탄, 석유, 도시가스) 연소 배출계수, 전력 배출계수, 발열량, 산화율, 장내발효 배출계수, 바이오매스 확장계수, 메탄보정계수 등을 의미한다. 지구온난화지수(GWP)는 이산화탄소 1Kg 대비 온실가스 기여도를 의미한다.

상기와 같은 온실가스별 온난화 기여도, 온난화 지수, 배출원, 국내총 배출량등은 정보 매트릭스에 포함된 정보일 수 있다.

도 3은 본 발명의 일 실시예에 따른 인공지능 예측부(110)의 구성도이다. 도 4는 본 발명의 몇몇 실시예들에서 참조되는 정보 매트릭스(matrix)의 구성을 설명하기 위한 도면이다. 도 5는 본 발명의 실시예에서, 온실가스 배출량 증감 검사 데이터의 결측치가 복원되는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 의한 온실가스 배출량 증감을 예측하는 단계는, 시간축 및 각각의 정보로 구성되는 2차원의 정보매트릭스의 시간축에 적용되는 시간 간격을 소정의 초기 간격으로 설정하여 정보매트릭스를 구성하고, 정보매트릭스를 이용하여 학습된 RNN(Recurrent Neural Network) 기반 모델의 제1 성능 평과 결과를 얻는 단계; 시간 간격을 증가시킨 후 증가된 시간 간격에 따른 정보매트릭스를 이용하여 학습된 RNN 기반 모델의 제1 성능 평가 결과를 얻는 것을 제1 성능 평가 결과가 더 개선되지 않을 때까지 제1 반복하는 단계; 제1 반복하는 단계에서 마지막으로 증가된 시간 간격을 최적 시간 간격으로 결정하는 단계; 최적 시간 간격에 따른 시간축을 가진 정보매트릭스를 구성하고, 정보매트릭스를 이용하여, 추적 기간을 소정의 초기 사이즈로 세팅하여 학습된 RNN 기반 모델의 성능 평과 결과를 얻는 단계; 추적 기간을 증가시킨 후 증가된 추적 기간에 따라 학습된 RNN 기반 모델의 제2 성능 평가 결과를 얻는 것을 제2 성능 평가 결과가 더 개선되지 않을 때까지 제2 반복하는 단계; 제2 반복하는 단계에서 마지막으로 증가된 추적 기간을 최적 추적 기간으로 결정하는 단계; 및 최적 시간 간격을 갖는 정보매트릭스를 이용하여, 최적 추적 기간에 따라 RNN 기반 모델을 학습시키는 단계를 포함한다.

일 실시예에서, RNN 기반 모델은, 시설물 잔존 수명에 따른 온실가스 배출량 증감 예측과 관련된 데이터를 출력하는 것이다. 이 때, 정보매트릭스에 포함되는 특징은, 날씨 정보, 강수량 정보, 일출 시간 및 일몰 시간 정보, 온도 정보, 습도 정보, 풍향 정보, 풍속 정보, 대기 오염도 정보, 구름 영상(또는 이미지) 정보의 기후정보와, 연료소비량, 제품생산량, 전력소비량, 제품수송량, 원자재 재고 정보, 고객 주문 정보, 완제품 재고 정보 및 인력 정보 기업 내부정보를 포함한다.

제1 성능 평가 결과를 얻는 단계는, 추적 기간을 소정의 기본 사이즈로 세팅하여, RNN 기반 모델을 학습시키는 단계를 포함하고, 제1 반복하는 단계는, 추적 기간을 소정의 기본 사이즈로 세팅하여, RNN 기반 모델을 학습시키는 단계를 포함한다.

제1 성능 평가 결과를 얻는 단계는, 초기 간격에 따른 결측치를, 사용량 측정 데이터가 존재하는 시간 슬롯의 데이터들로 생성된 회귀 모형을 이용하여 채우는 단계를 포함하고, 제1 반복하는 단계는, 초기 간격에 따른 결측치를, 사용량 측정 데이터가 존재하는 시간 슬롯의 데이터들로 생성된 회귀 모형을 이용하여 채우는 단계를 포함한다.

도 3을 참조하여, 본 발명의 일 실시예에 따른 인공지능 예측부(110)의 구성 및 동작을 설명한다. 본 실시예에 따른 인공지능 예측부(110)는 검사 데이터 분석 모델 기계 학습 장치(40)를 포함할 수 있다. 본 실시예에 따른 인공지능 예측부(110)는 검사 데이터 분석 장치(30)를 더 포함할 수도 있다.

검사 데이터 분석 모델 기계 학습 장치(40)(이하, "기계 학습 장치"로 축약한다)는 검사 데이터 스토리지(20) 등 검사 데이터를 저장하고 있는 장치로부터 검사 데이터를 수신하여 저장한다. 기계 학습 장치(40)는 검사 데이터를 학습 데이터(training data)로서 사용하여 기계 학습을 수행함으로써 검사 데이터 분석 모델을 구성한다.

검사 데이터는 검사 데이터 스토리지(20)에 저장된 검사 데이터 중 특정 조건을 만족하는 것이거나, 검사 데이터 분석 모델의 출력값과 관련된 태그 정보를 포함하는 것일 수 있다. 예를 들어, 검사 데이터 분석 모델이 특정 온실가스의 증감 여부를 예측하기 위한 것인 경우, 검사 데이터는 특정 온실가스가 증감 된 시설물만의 것으로 구성되거나, 검사 데이터에 온실가스 증감 여부에 대한 태그 정보가 부가된 것일 수 있다. 즉, 기계 학습 장치(40)는 지도 학습(supervised learning) 방식으로 기계 학습을 수행할 수 있다.

검사 데이터는, 일회의 측정 결과를 포함하는 데이터가 아니고, 시설물이 지금까지 받은 측정 결과를 순차적으로 포함하는 시계열 데이터(time series data)일 수 있다. 예를 들어, 검사 데이터 분석 모델이 특정 온실가스의 증감 여부를 예측하기 위한 것인 경우, 검사 데이터는 특정 온실가스의 발생 또는 증감 시점 이후에 수행된 검사의 결과를 순차적으로 포함할 수 있다.

기계 학습 장치(40)가 구성하는 검사 데이터 분석 모델은, 시계열 데이터에 대한 적합도가 높은 RNN(Recurrent Neural Network) 기반의 모델(50)일 수 있다. 예를 들어, RNN 기반의 모델(50)은 LSTM(Long Short Term Memory) 기반의 모델(50)일 수 있다. 기계 학습 장치(40)는 정보매트릭스에 포함되는 시간 슬롯의 최적화된 시간 간격을 결정한다. 또한, 기계 학습 장치(40)는 최적화된 시간 간격의 시간 슬롯으로 구성된 정보매트릭스를 이용하여 진행되는 RNN 기반 모델(50)의 기계 학습 과정에서 적용되는 최적화된 추적 기간 값을 결정하기 위한 하이퍼파라미터 최적화를 수행한다.

추적 기간은 RNN 기반 모델(50)의 학습 과정에서 고려되는 과거 시계열 데이터의 타임 슬롯 개수를 가리키는 값으로 이해될 수 있을 것이다. 예를 들어, 추적 기간이 10이라면, n번 타임슬롯의 시계열 데이터를 이용한 RNN 기반 신경망 업데이트는 n-10번 타임슬롯의 데이터 내지 n번 타임슬롯의 데이터가 참조되어 수행될 수 있을 것이다.

최적화된 시간 간격 및 추적 기간 결정과 관련하여는 자세히 후술하기로 한다.

기계 학습 장치(40)는 RNN 기반의 모델(50)을 구성하기 위한 모델 데이터(미도시)를 검사 데이터 분석 장치(30)에 송신한다. 기계 학습 장치(40)는 기계 학습을 재차 수행함에 따라 RNN 기반의 모델(50)이 업데이트 되면, 업데이트된 모델 데이터를 검사 데이터 분석 장치(30)에 송신할 수도 있다.

검사 데이터 분석 장치(30)는, 검사 데이터 스토리지(20)로부터 시설물의 최근 검사 데이터를 수신한다. 최근 검사 데이터는, 시설물의 측정 결과들 중, 최근 n회의 검사 데이터로 구성된 것일 수 있다. n은 최적화된 추적 기간에 대응되는 값일 수 있다. 예를 들어, n은 최적화된 추적 기간 X 2)일 수 있다.

검사 데이터 분석 장치(30)는, 최근 검사 데이터를 이용하여 정보매트릭스를 구성하고, 정보매트릭스를 RNN 기반의 모델(50)에 입력하여 시설물의 추후 온실가스 배출량과 관련된 예측 데이터를 얻을 수 있다. 검사 데이터 분석 장치(30)는 예측 데이터를 이용하여 리포트 데이터를 생성한 후, 리포트 데이터를 클라이언트(10)에 송신할 수 있다. 리포트 데이터의 송신은, 클라이언트(10)의 요청이 검사 데이터 분석 장치(30)에 수신되는 것에 의하여 트리거(trigger) 되거나, 검사 데이터 스토리지(20)의 신규 검사 데이터 추가 이벤트가 검사 데이터 분석 장치(30)에 수신되는 것에 의하여 트리거 될 수 있다.

RNN 기반의 모델(50)은 온실가스 배출량 증감을 예측하기 위한 것일 수 있다. 즉, RNN 기반의 모델(50)은 시설물 잔존 수명에 따른 일련의 검사 데이터를 입력 받아 온실가스 배출량 증감 가능성과 관련된 데이터를 출력하는 것일 수 있다. (50)(50)(50)

본 실시예에 따른 방법은 컴퓨팅 장치에 의하여 수행된다. 본 실시예에 따른 방법에 속한 모든 동작이 하나의 컴퓨팅 장치에 의하여 수행될 수도 있고, 본 실시예에 따른 방법에 속한 일부 동작은 제1 컴퓨팅 장치에 의하여 수행되고, 나머지 동작은 제2 컴퓨팅 장치에 의하여 수행될 수도 있음을 유의한다. 예를 들어, 검사 데이터를 기계 학습 하는 단계는 도 3을 참조하여 설명한 검사 데이터 분석 모델 기계 학습 장치(40)에 의하여 수행되고, 검사 데이터 분석 모델을 이용하여 측정 결과를 추론하는 단계는 도 3을 참조하여 설명한 검사 데이터 분석 장치(40)에 의하여 수행될 수 있다.

제1 단계에서, 특정 조건에 부합하는 시설물의 온실가스 배출량 증감 검사 데이터가 얻어진다. 특정 조건은, 기계 학습의 목적에 따라 결정될 것이다. 예를 들어, 기계 학습의 목적이 특정 온실가스의 증감 여부를 예측하는 것이라면, 특정 온실가스의 증감이 있었던 시설물의 온실가스 배출량 증감 검사 데이터가 얻어질 것이다.

제2 단계에서, 정보매트릭스의 최적 시간 간격이 결정된다. 도 4에 도시된 바와 같이, 특정 시설물을 가리키는 정보매트릭스(30)는 시간 순서에 따라 배치된 타임 슬롯 축(제1 축) 및 서로 다른 정보들이 배치된 정보 축(제2 축)으로 구성된 것일 수 있다. 각각의 타임 슬롯 사이의 시간 간격은 동일해야 한다. 예를 들어, 시간 간격이 6개월이라면, 6개월 간격의 온실가스 배출량 증감 검사 데이터가 정보매트릭스(30)에 포함될 것이다. 제2 단계에서 결정되는 최적 시간 간격은 각 타임 슬롯 사이의 시간 간격 중, 학습되는 모델의 성능이 가장 좋게 나오는 시간 간격을 의미한다.

제2-1 단계에서, 정보매트릭스가 구성된다. 이 때, 각각의 타임 슬롯 간의 시간 간격이 소정의 초기 간격으로 세팅되고, 추적 기간은 소정의 기본 사이즈로 세팅된다. 예를 들어, 초기 간격은 1개월, 기본 사이즈는 10개로 세팅될 수 있다. 기본 사이즈가 10개라는 것은, RNN 기반 기계 학습이 수행될 때, 과거 10개의 타임슬롯의 데이터까지 고려한다는 의미이다. 예를 들어, 이 경우, 정보매트릭스의 타임 슬롯 축은 1개월 간격을 가진 타임 슬롯 20개(추적 기간에 상응하는 개수)를 포함할 수 있다.

제2 단계와 관련하여, 추적 기간은 계속 기본 사이즈로 유지된다.

제2-2 단계에서, 정보 매트리스를 입력하여 RNN 기반 기계 학습이 수행된다. 그리고, 제2-3 단계에서, 학습된 RNN 기반의 모델 성능이 평가된다. 성능이 평가될 때, Harrell's C-index(concordance index)가 지표로 사용될 수 있다. C-index 값은 0 내지 1 사이의 값을 가지는데, 1에 가까울수록 좋은 성능을 가진 것으로 평가된다. C-index 값에 더하여, 모델의 예측에 대한 AUC(Area Under Curve) 값 또한 성능평가에 사용될 수 있다. C-index 값과 마찬가지로, AUC 값 역시 1에 가까울수록 좋은 성능을 가진 것으로 평가된다.

제2-4 단계에서 성능향상이 있었는지 판단된다. 제2-3 단계의 평가가 최초의 평가라면 성능의 향상 여부는 평가될 수 없을 것이고, 이 때에는 성능향상이 있는 것으로 간주하여 현재의 시간 간격을 한 단위(예를 들어, 1개월) 증가시키고 제2-2 단계 내지 제2-4 단계가 반복된다. 제2-3 단계의 평가가 최초의 평가가 아니고, 이전 단계의 성능 평가 결과 대비 성능의 향상이 있었다면, 현재의 시간 간격을 한 단위 증가시키고 제2-2 단계 내지 제2-4 단계가 반복된다. 제2-3 단계의 평가가 최초의 평가가 아니고, 이전 단계의 성능 평가 결과 대비 성능의 향상이 없었다면, 현재의 시간 간격이 최적의 시간 간격인 것으로 결정된다(제2-6 단계).

그런데, 현재의 시간 간격이 너무 짧을 때에는 결측치가 많이 발생될 것이다. 이 경우, 도 5에 도시된 바와 같이, 실제 시계열 데이터가 존재하는 타임 슬롯의 검사 데이터를 이용하여 생성된 회귀 모형(regression model)을 이용하여, 결측치가 복원될 수 있다.

제2 단계에 대하여 축약하면, 초기에 시간 간격이 짧은 것으로 인해 많은 결측치가 발생되고, 그로 인해 학습된 RNN 기반 모델의 성능이 낮게 평가되는데, 시간 간격을 증가시켜가면서 RNN 모델의 성능을 측정하고, 더 이상 RNN 모델의 성능이 향상되지 않는 시점이 오면, 그 때의 시간 간격이 최적의 시간 간격인 것으로 이해될 수 있을 것이다.

제3 단계에서, 최적의 시간 간격을 이용하여 구성된 정보매트릭스가 입력될 때, 최적의 성능을 가진 RNN 기반 모델이 학습될 수 있게 하는 최적의 추적 기간이 결정된다. 최적의 추적 기간을 결정하는 과정은 제2 단계와 유사하다.

제3-1 단계에서, 정보매트릭스가 구성된다. 이 때, 각각의 타임 슬롯 간의 시간 간격은 최적의 시간 간격으로 세팅되고, 추적 기간은 소정의 최대 사이즈로 세팅된다. 예를 들어, 기본 사이즈는 40개로 세팅될 수 있다. 기본 사이즈가 40개라는 것은, 현재 추적 기간이 50개까지 증가하는 상황을 대비하여, 총 40개의 타임 슬롯을 포함하는 정보매트릭스를 구성한다는 의미이다. 정보매트릭스의 구성 시, 도 5를 참조하여 설명한 결측치 복원이 수행될 수 있다.

제3-2 단계에서, 정보 매트리스를 입력하여 RNN 기반 기계 학습이 수행된다. 제3 단계와 관련하여 최초의 기계 학습인 경우, 현재 추적 기간은 소정의 초기 사이즈로 세팅될 수 있다. 초기 사이즈는 예를 들어 2개일 수 있다.

그리고, 제3-3 단계에서, 학습된 RNN 기반의 모델 성능이 평가된다. 성능이 평가될 때, Harrell's C-index(concordance index)가 지표로 사용될 수 있다. 또한, C-index 값에 더하여, 모델의 예측에 대한 AUC(Area Under Curve) 값 또한 성능평가에 사용될 수 있다.

제3-4 단계에서 성능향상이 있었는지 판단된다. 제3-3 단계의 평가가 최초의 평가라면 성능의 향상 여부는 평가될 수 없을 것이고, 이 때에는 성능향상이 있는 것으로 간주하여 현재의 추적 기간을 한 단위(예를 들어, 1개) 증가시키고 제3-2 단계 내지 제3-4 단계가 반복된다. 제3-3 단계의 평가가 최초의 평가가 아니고, 이전 단계의 성능 평가 결과 대비 성능의 향상이 있었다면, 현재의 추적 기간을 한 단위 증가시키고 제3-2 단계 내지 제3-4 단계가 반복된다. 제3-3 단계의 평가가 최초의 평가가 아니고, 이전 단계의 성능 평가 결과 대비 성능의 향상이 없었다면, 현재의 추적 기간이 최적의 추적 기간인 것으로 결정된다(제3-6 단계).

제3 단계에 대하여 축약하면, 초기에 추적 기간이 짧은 것으로 인해 학습된 RNN 기반 모델이 과거의 시계열 데이터 패턴을 거의 반영하지 못하게 되어, 그 성능이 낮게 평가되는데, 추적 기간을 증가시켜가면서 RNN 모델의 성능을 측정하고, 더 이상 RNN 모델의 성능이 향상되지 않는 시점이 오면, 그 때의 추적 기간이 최적의 추적 기간인 것으로 이해될 수 있을 것이다. 최적의 추적 기간 이상으로 추적 기간이 증가되더라도, 기계 학습에 소요되는 연산 자원 및 소요 시간만 늘어날 뿐, 더 이상의 RNN 모델 성능 향상은 일어나지 않는다.

제5 단계에서, 최적 시간 간격을 갖는 정보매트릭스를 이용하여, 최적 추적 기간에 따라 RNN 기반 모델이 기계 학습된다.

이 때, 정보 데이터는, 예를 들어 7:3의 비율으로 학습 데이터와 테스트 데이터로 구분될 수 있다. 또한, 학습 데이터로 구성된 정보매트릭스를 이용하여 하이퍼파라미터 최적화가 추가로 수행될 수 있다. 하이퍼파라미터 최적화는 그리스 써치(grid search) 방식으로 수행될 수 있다. 학습 데이터로 구성된 정보매트릭스를 이용하여 학습된 RNN 기반 모델에 대하여는, 테스트 데이터로 구성된 정보매트릭스를 이용한 평가(validation)가 수행됨으로써, 그 신뢰도가 평가될 수 있다. 이러한 평가(validation)를 통해 문제가 없는 것으로 판정된 RNN 기반 모델이 최종적인 인공지능 예측모델로 사용될 것이다(제6 단계).

지금까지 검사 데이터를 학습하여 최종적인 인공지능 예측모델이 생성되는 단계를 설명하였다. 다음으로, 최종적인 인공지능 예측모델을 이용하여 측정 결과를 추론하는 단계를 설명한다.

제7 단계에서, 시설물의 최근 검사 데이터를 얻고, 최근 검사 데이터를 이용하여 시설물의 정보매트릭스가 구성된다. 이 때, 정보매트릭스는, 최적 시간 간격을 갖는 타임 슬롯들로 구성된다. 정보매트릭스에 포함되는 타임 슬롯은 최적 추적 기간에 대응하여 결정된다. 예를 들어, 정보매트릭스에 포함되는 타임 슬롯은, 최적 추적 기간의 2배수만큼일 수 있다. 예를 들어, 최적 시간 간격이 1일이고, 최적 추적 기간이 5개인 경우, 정보매트릭스에는 1일 간격의 타임 슬롯 10개가 포함될 수 있을 것이다. 이는, 시설물의 최근 10번의 검사 데이터(1일 간격)가 정보매트릭스의 구성에 요구되는 것을 의미한다.

제8 단계에서, 시설물의 정보매트릭스가 인공지능 예측모델에 입력되고, 인공지능 예측모델의 출력 값을 기초로 측정 결과 데이터가 출력된다. 측정 결과 데이터는, 예를 들어 시설물의 특정 온실가스 증감 관련 예측 결과를 포함하는 리포트일 수 있다.

인공지능 예측모델의 출력 값은 와이블 분포(Weibull Distribution)의 알파값, 베타값일 수 있다. 알파값 및 베타값을 이용하여 증감이 예상되는 기간이 산출될 수 있다.

기존에는 시설물별 온실가스 배출량을 간헐적으로 측정하거나 지속적인 측정을 하지 않아 실제 배출량보다 과소 또는 과대 평가되고 예측이 어려워 탄소배출량 모니터링을 포기하는 문제가 있었다.

반면에, 본 발명의 실시예들에 따른 인공지능 예측기술을 통하여 온실가스 배출량 증감 예측을 수행하면, 검사를 받을 때마다 시설물의 업데이트 된 최근 검사 데이터를 이용하여, 온실가스 배출량 증감 가능성이 업데이트 된다. 그리고, 시설물의 검사 주기가 일정하지 않은 경우에도 전처리를 수행하여 정보 데이터를 생성하므로, 그 활용도가 높다.

지금까지 도 1 내지 도 5를 참조하여 설명된 본 발명의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 컴퓨터로 읽을 수 있는 기록 매체에 기록된 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 다른 컴퓨팅 장치에서 사용될 수 있다.

이하, 본 발명의 몇몇 실시예들에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 도 6을 참조하여 설명한다. 도 6은 서버(400)를 나타내는 예시적인 하드웨어 구성도이다.

도 6에 도시된 바와 같이, 서버(400)는 하나 이상의 프로세서, 버스, 네트워크 인터페이스, 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리와, 컴퓨터 프로그램를 저장하는 스토리지를 포함할 수 있다. 다만, 도 10에는 본 발명의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 6에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서는 서버(400)의 각 구성의 전반적인 동작을 제어한다. 프로세서는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서는 본 발명의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 서버(400)는 하나 이상의 프로세서를 구비할 수 있다.

메모리는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리는 본 발명의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지로부터 하나 이상의 컴퓨터 프로그램 바이너리을 로드할 수 있다. 메모리의 예시는 RAM이 될 수 있으나, 이에 한정되는 것은 아니다.

버스는 서버(400)의 구성 요소 간 통신 기능을 제공한다. 버스는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다. 네트워크 인터페이스는 서버(400)의 유무선 인터넷 통신을 지원한다. 네트워크 인터페이스는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

스토리지는 하나 이상의 컴퓨터 프로그램을 비임시적으로 저장할 수 있다. 또한, 스토리지는 모델 데이터를 더 저장할 수 있다.

컴퓨터 프로그램은 본 발명의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들을 포함할 수 있다. 컴퓨터 프로그램이 메모리에 로드되면, 프로세서는 하나 이상의 인스트럭션들을 실행시킴으로써 본 발명의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.

서버(400)가 도 3을 참조하여 설명한 검사 데이터 분석 모델 기계 학습 장치(40)의 역할을 수행하는 장치인 경우, 컴퓨터 프로그램은, 시간축 및 각각의 정보로 구성되는 2차원의 정보매트릭스(matrix)의 시간축에 적용되는 시간 간격을 소정의 초기 간격으로 설정하여 정보매트릭스를 구성하고, 정보매트릭스를 이용하여 학습된 RNN(Recurrent Neural Network) 기반 모델의 제1 성능 평과 결과를 얻는 인스트럭션(instruction)과, 시간 간격을 증가시킨 후 증가된 시간 간격에 따른 정보매트릭스를 이용하여 학습된 RNN 기반 모델의 제1 성능 평가 결과를 얻는 것을 제1 성능 평가 결과가 더 개선되지 않을 때까지 제1 반복하는 인스트럭션과, 제1 반복하는 단계에서 마지막으로 증가된 시간 간격을 최적 시간 간격으로 결정하는 인스트럭션과, 최적 시간 간격에 따른 시간축을 가진 정보매트릭스를 구성하고, 정보매트릭스를 이용하여, 추적 기간을 소정의 초기 사이즈로 세팅하여 학습된 RNN 기반 모델의 성능 평과 결과를 얻는 인스트럭션과, 추적 기간을 증가시킨 후 증가된 추적 기간에 따라 학습된 RNN 기반 모델의 제2 성능 평가 결과를 얻는 것을 제2 성능 평가 결과가 더 개선되지 않을 때까지 제2 반복하는 인스트럭션과, 제2 반복하는 단계에서 마지막으로 증가된 추적 기간을 최적 추적 기간으로 결정하는 인스트럭션과, 최적 시간 간격을 갖는 정보매트릭스를 이용하여, 최적 추적 기간에 따라 RNN 기반 모델을 학습시키는 인스트럭션을 포함할 수 있다. 최종적으로 학습된 RNN 기반 인공신경망을 표현하는 데이터는 스토리지에 모델 데이터로서 패키징 되어 저장될 수 있다. 모델 데이터는 네트워크 인터페이스를 통해 외부 장치로 송신될 수 있다.

서버(400)가 도 3을 참조하여 설명한 검사 데이터 분석 장치(30)의 역할을 수행하는 장치인 경우, 컴퓨터 프로그램은, 시설물의 최근 검사 데이터를 얻고, 최근 검사 데이터를 이용하여, 정보매트릭스를 구성하는 인스트럭션(instruction)과, RNN 기반 모델에 정보매트릭스를 입력하고, RNN 기반 모델의 출력값을 이용하여, 시설물의 측정 결과 데이터를 생성하는 인스트럭션을 포함할 수 있다. RNN 기반 모델은 스토리지에 저장되어 있던 모델 데이터를 기반으로 메모리 상에 구성되는 것일 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (7)

1. 복수의 시설물에 부착된 감지장치로부터 얻은 데이터를 통하여 시설물의 온실가스 배출량 증감을 예측하는 인공지능 예측부;
   상기 인공지능 예측부가 배출량 감소를 예측한 시설물들의 총 감소분을 합한, 총 탄소배출권 매각량을 예측하고, 상기 예측된 매각량 만큼의 에너지 교환을 조건으로, 에너지 공급기업을 상대로 경쟁입찰을 공고하는 에이전시부;
   상기 에이전시부를 통하여 입찰에 응한 에너지 공급 기업 중 연료 단위 당 최저 가격을 기준으로 에너지 치환량을 설정하는 치환율 설정부; 및
   상기 인공지능 예측부가 배출량 증가를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 구입비용만큼의 연료 상실량을 해당 시설물 관리자에게 통지하고,
   상기 인공지능 예측부가 배출량 감소를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 매각비용만큼의 연료 획득량을 해당 시설물 관리자에게 통지하는 경제성 알림부를 포함하고,
   상기 인공지능 예측부는,
   시간축 및 각각의 정보로 구성되는 2차원의 정보매트릭스의 상기 시간축에 적용되는 시간 간격을 소정의 초기 간격으로 설정하여 상기 정보매트릭스를 구성하고, 상기 정보매트릭스를 이용하여 학습된 RNN(Recurrent Neural Network) 기반 모델의 제1 성능 평과 결과를 얻고,
   상기 시간 간격을 증가시킨 후 상기 증가된 시간 간격에 따른 상기 정보매트릭스를 이용하여 학습된 상기 RNN 기반 모델의 제1 성능 평가 결과를 얻는 것을 상기 제1 성능 평가 결과가 더 개선되지 않을 때까지 제1 반복하는 과정을 수행하고,
   상기 제1 반복하는 과정에서 마지막으로 증가된 시간 간격을 최적 시간 간격으로 결정하고,
   상기 최적 시간 간격에 따른 상기 시간축을 가진 상기 정보매트릭스를 구성하고, 상기 정보매트릭스를 이용하여, 추적 기간을 소정의 초기 사이즈로 세팅하여 학습된 RNN 기반 모델의 성능 평과 결과를 얻고,
   상기 추적 기간을 증가시킨 후 상기 증가된 추적 기간에 따라 학습된 상기 RNN 기반 모델의 제2 성능 평가 결과를 얻는 것을 상기 제2 성능 평가 결과가 더 개선되지 않을 때까지 제2 반복하는 과정을 수행하고,
   상기 제2 반복하는 과정에서 마지막으로 증가된 추적 기간을 최적 추적 기간으로 결정하고,
   상기 최적 시간 간격을 갖는 상기 정보매트릭스를 이용하여, 상기 최적 추적 기간에 따라 상기 RNN 기반 모델을 학습시키는 인공지능 기반 탄소배출권 거래 시스템.
2. 제 1 항에 있어서,
   탄소배출권 거래소로부터 탄소배출권의 거래정보를 실시간 취합하여 제공하는 거래정보 취합부를 더 포함하고,
   상기 에이전시부는,
   에너지 공급기업으로부터 제안받은 탄소배출권의 경제적 가치가 상기 거래정보 취합부로부터 얻은 탄소배출권의 경제적 가치보다 낮을 경우, 탄소배출권의 경제적 가치를 통화로 환산한 금액을 기준으로 재공고를 실행하는 인공지능 기반 탄소배출권 거래 시스템.
3. 인공지능 예측부가 시설물에 부착된 감지장치로부터 얻은 데이터를 통하여 시설물의 온실가스 배출량 증감을 예측하는 단계;
   에이전시부가 상기 인공지능 예측부가 배출량 감소를 예측한 시설물들의 총 감소분을 합한, 총 탄소배출권 매각량을 예측하고, 상기 예측된 매각량 만큼의 에너지 교환을 조건으로, 에너지 공급기업을 상대로 경쟁입찰을 공고하는 단계;
   치환율 설정부가 상기 에이전시부를 통하여 입찰에 응한 에너지 공급 기업 중 연료 단위 당 최저 가격을 기준으로 에너지 치환량을 설정하는 단계; 및
   상기 인공지능 예측부가 배출량 증가를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 구입비용만큼의 연료 상실량을 해당 시설물 관리자에게 통지하고,
   상기 인공지능 예측부가 배출량 감소를 예측하면, 상기 치환율 설정부가 정한 에너지 치환량을 기준으로 발생되는 탄소배출권 매각비용만큼의 연료 획득량을 해당 시설물 관리자에게 통지하는 경제성 알림 단계를 포함하고,
   상기 온실가스 배출량 증감을 예측하는 단계는,
   시간축 및 각각의 정보로 구성되는 2차원의 정보매트릭스의 상기 시간축에 적용되는 시간 간격을 소정의 초기 간격으로 설정하여 상기 정보매트릭스를 구성하고, 상기 정보매트릭스를 이용하여 학습된 RNN(Recurrent Neural Network) 기반 모델의 제1 성능 평과 결과를 얻는 단계;
   상기 시간 간격을 증가시킨 후 상기 증가된 시간 간격에 따른 상기 정보매트릭스를 이용하여 학습된 상기 RNN 기반 모델의 제1 성능 평가 결과를 얻는 것을 상기 제1 성능 평가 결과가 더 개선되지 않을 때까지 제1 반복하는 단계;
   상기 제1 반복하는 단계에서 마지막으로 증가된 시간 간격을 최적 시간 간격으로 결정하는 단계;
   상기 최적 시간 간격에 따른 상기 시간축을 가진 상기 정보매트릭스를 구성하고, 상기 정보매트릭스를 이용하여, 추적 기간을 소정의 초기 사이즈로 세팅하여 학습된 RNN 기반 모델의 성능 평과 결과를 얻는 단계;
   상기 추적 기간을 증가시킨 후 상기 증가된 추적 기간에 따라 학습된 상기 RNN 기반 모델의 제2 성능 평가 결과를 얻는 것을 상기 제2 성능 평가 결과가 더 개선되지 않을 때까지 제2 반복하는 단계;
   상기 제2 반복하는 단계에서 마지막으로 증가된 추적 기간을 최적 추적 기간으로 결정하는 단계; 및
   상기 최적 시간 간격을 갖는 상기 정보매트릭스를 이용하여, 상기 최적 추적 기간에 따라 상기 RNN 기반 모델을 학습시키는 단계를 포함하는 인공지능 기반 탄소배출권 거래 시스템의 운영방법.
4. 인공지능 예측부가 얻은 데이터를 통하여 시설물의 온실가스 배출량 증감을 예측하는 단계;
   에이전시부가 상기 인공지능 예측부가 배출량 감소를 예측한 시설물들의 총 감소분을 합한, 총 탄소배출권 매각량을 예측하고, 상기 예측된 매각량 만큼의 에너지 교환을 조건으로, 에너지 공급기업을 상대로 경쟁입찰을 공고하는 단계;
   치환율 설정부가 상기 에이전시부를 통하여 입찰에 응한 에너지 공급 기업 중 연료 단위 당 최저 가격을 기준으로 에너지 치환량을 설정하는 단계; 및
   상기 인공지능 예측부의 예측 결과를 해당 시설물 관리자에게 통지하는 경제성 알림 단계를 포함하고,
   상기 온실가스 배출량 증감을 예측하는 단계는,
   시간축 및 각각의 정보로 구성되는 2차원의 정보매트릭스의 상기 시간축에 적용되는 시간 간격을 소정의 초기 간격으로 설정하여 상기 정보매트릭스를 구성하고, 상기 정보매트릭스를 이용하여 학습된 RNN(Recurrent Neural Network) 기반 모델의 제1 성능 평과 결과를 얻는 단계;
   상기 시간 간격을 증가시킨 후 상기 증가된 시간 간격에 따른 상기 정보매트릭스를 이용하여 학습된 상기 RNN 기반 모델의 제1 성능 평가 결과를 얻는 것을 상기 제1 성능 평가 결과가 더 개선되지 않을 때까지 제1 반복하는 단계;
   상기 제1 반복하는 단계에서 마지막으로 증가된 시간 간격을 최적 시간 간격으로 결정하는 단계;
   상기 최적 시간 간격에 따른 상기 시간축을 가진 상기 정보매트릭스를 구성하고, 상기 정보매트릭스를 이용하여, 추적 기간을 소정의 초기 사이즈로 세팅하여 학습된 RNN 기반 모델의 성능 평과 결과를 얻는 단계;
   상기 추적 기간을 증가시킨 후 상기 증가된 추적 기간에 따라 학습된 상기 RNN 기반 모델의 제2 성능 평가 결과를 얻는 것을 상기 제2 성능 평가 결과가 더 개선되지 않을 때까지 제2 반복하는 단계;
   상기 제2 반복하는 단계에서 마지막으로 증가된 추적 기간을 최적 추적 기간으로 결정하는 단계; 및
   상기 최적 시간 간격을 갖는 상기 정보매트릭스를 이용하여, 상기 최적 추적 기간에 따라 상기 RNN 기반 모델을 학습시키는 단계를 포함하는 인공지능 기반 탄소배출권 거래 시스템의 운영방법.
5. 제 3 항에 있어서,
   상기 정보매트릭스에 포함되는 특징은,
   날씨 정보, 강수량 정보, 일출 시간 및 일몰 시간 정보, 온도 정보, 습도 정보, 풍향 정보, 풍속 정보, 대기 오염도 정보, 구름 영상(또는 이미지) 정보의 기후정보와,
   연료소비량, 제품생산량, 전력소비량, 제품수송량, 원자재 재고 정보, 고객 주문 정보, 완제품 재고 정보 및 인력 정보 기업 내부정보를 포함하는 인공지능 기반 탄소배출권 거래 시스템의 운영방법.
6. 제 3 항에 있어서,
   상기 제1 성능 평가 결과를 얻는 단계는,
   추적 기간을 소정의 기본 사이즈로 세팅하여, 상기 RNN 기반 모델을 학습시키는 단계를 포함하고,
   상기 제1 반복하는 단계는,
   추적 기간을 소정의 기본 사이즈로 세팅하여, 상기 RNN 기반 모델을 학습시키는 단계를 포함하는 인공지능 기반 탄소배출권 거래 시스템의 운영방법.
7. 제 3 항에 있어서,
   상기 제1 성능 평가 결과를 얻는 단계는,
   상기 초기 간격에 따른 결측치를, 사용량 측정 데이터가 존재하는 시간 슬롯의 데이터들로 생성된 회귀 모형을 이용하여 채우는 단계를 포함하고,
   상기 제1 반복하는 단계는,
   상기 초기 간격에 따른 결측치를, 사용량 측정 데이터가 존재하는 시간 슬롯의 데이터들로 생성된 회귀 모형을 이용하여 채우는 단계를 포함하는 인공지능 기반 탄소배출권 거래 시스템의 운영방법.

Images