KR102324424B1 - 냉난방공조 에너지 최적화 장치 및 방법 - Google Patents

냉난방공조 에너지 최적화 장치 및 방법 Download PDF

Info

Publication number
KR102324424B1
KR102324424B1 KR1020180170108A KR20180170108A KR102324424B1 KR 102324424 B1 KR102324424 B1 KR 102324424B1 KR 1020180170108 A KR1020180170108 A KR 1020180170108A KR 20180170108 A KR20180170108 A KR 20180170108A KR 102324424 B1 KR102324424 B1 KR 102324424B1
Authority
KR
South Korea
Prior art keywords
scheduling
scheduler
artificial intelligence
air conditioning
heating
Prior art date
Application number
KR1020180170108A
Other languages
English (en)
Other versions
KR20200084453A (ko
Inventor
허태욱
김현학
도윤미
문영백
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020180170108A priority Critical patent/KR102324424B1/ko
Publication of KR20200084453A publication Critical patent/KR20200084453A/ko
Application granted granted Critical
Publication of KR102324424B1 publication Critical patent/KR102324424B1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/64—Airborne particle content
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide

Abstract

본 발명의 일 실시예에 따른 냉난방공조 에너지 최적화 방법은, 적어도 하나의 데이터 입력 디바이스로부터 적어도 하나의 냉난방공조 관련 데이터를 수신하는 단계; 복수의 인공지능 스케쥴러 각각을 이용해 냉난방공조 스케쥴링을 수행하는 단계; 상기 각각의 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과를 통합 분석하여 최종 스케쥴링 결과를 도출하는 단계; 및 상기 도출된 결과를 이용해 냉난방공조 제어를 수행하는 단계를 포함할 수 있다.

Description

냉난방공조 에너지 최적화 장치 및 방법{SYSTEM AND METHOD FOR OPTIMIZING ENENRGY FOR HEATING, VENTILATION, AIR CONDITIONING}
본 발명은 냉난방공조 에너지 최적화 장치 및 방법에 관한 것으로, 더욱 상세하게는 인공지능 기법을 통해서 도출한 최적의 스케줄링 기법을 적용하여 냉난방공조 에너지를 최적화하는 장치 및 방법에 관한 것이다.
냉난방공조(HVAC; Heating, Ventilation, Air Conditioning) 기술은 난방, 환기, 공기조화를 포함하여 건물 내 온도, 환기 습도 등을 적정 상태로 유지하도록 동적으로 제어하는 기술이다. 냉난방공조 기술은 실내 또는 자동차 환경에서 실외의 신선한 공기를 이용하여 사람이 거주하는 건물의 실내 온도와 습도, 공기의 질을 제어하여 쾌적한 환경을 제공하거나, 공장과 같은 산업시설에서 생산제품의 품질을 높이고 안전하고 건강한 건물환경을 실현하는 기술이다.
관련하여, 공장 또는 건물에서 조명 및 공조 시설에 대한 관리가 매우 열악한 것이 현실이다. 실제로, 공장에서 1~2월 평균 기온은 10도 내외로 매우 온도가 낮아서 일하기에 어려운 상황이다. 이러한 열악한 환경에서 평균기온은 조금 높이더라도, 실제로 일하는 작업자의 온도는 조금 더 높일 수 있는 에너지 최적화 방안이 필요하다.
조명 시설 또한, 사람이 수동적으로 ON/OFF 스위치를 출퇴근 시에 맞춰서 제어하는 형태로 관리되는 것이 일반적인 현실이다. 이러한 관리 방법은 매우 비효율적인 요소이며, 이를 개선하여 에너지 절감 효과를 극대화할 필요가 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 인공지능 기법을 통해서 도출한 최적의 스케줄링 기법을 적용하여 냉난방공조 에너지를 최적화하는 방법을 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 상기 냉난방공조 에너지를 최적화 방법을 이용하는 냉난방 공조 에너지 최적화 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 냉난방공조 에너지 최적화 방법은, 적어도 하나의 데이터 입력 디바이스로부터 적어도 하나의 냉난방공조 관련 데이터를 수신하는 단계; 복수의 인공지능 스케쥴러 각각을 이용해 냉난방공조 스케쥴링을 수행하는 단계; 상기 각각의 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과를 통합 분석하여 최종 스케쥴링 결과를 도출하는 단계; 및 상기 도출된 결과를 이용해 냉난방공조 제어를 수행하는 단계를 포함할 수 있다.
상기 적어도 하나의 인공지능 스케쥴러는, CNN(Convolutional Neural Networks) 모델을 이용하여 스케쥴링을 수행하는 제1 인공지능 스케쥴러; RNN(Recurrent Neural Network) 모델을 이용하여 스케쥴링을 수행하는 제2 인공지능 스케쥴러; 및RI(Reinforcement Incremental) 모델을 이용하여 스케쥴링을 수행하는 제3 인공지능 스케쥴러를 포함할 수 있다.
상기 데이터 입력 디바이스는, 적어도 하나의 IoT 센서, 적어도 하나의 냉난방공조 컨트롤러, 및 적어도 하나의 외부 데이터 소스 중 하나 이상을 포함할 수 있다.
적어도 하나의 IoT 센서로부터 수집되는 정보는, 온도, 습도, 이산화탄소, PIR(Passive InfraRed), 미세먼지량, 작업자의 수, 및 전력량 중 적어도 하나에 대한 정보를 포함할 수 있다.
상기 적어도 하나의 냉난방공조 컨트롤러는, 환기팬 제어, EHP(Electronic Heat Pump) 제어, AHU(Air Handling Unit) 제어, UH(Unit Heater) 제어, 및 조명(light) 제어 중 적어도 하나를 수행하는 단계를 포함할 수 있다.
상기 최종 스케쥴링 결과를 도출하는 단계는, 상기 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과에 더하여, 경험에 기반한 스케쥴링 방식, 딥러닝을 사용한 스케쥴링 방식, 및 상기 외부데이터 소스로부터 수신한 데이터 중 적어도 하나를 추가 고려하여 최종 스케쥴링 결과를 도출하는 단계를 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 냉난방공조 에너지 최적화 장치는 프로세서; 및 상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리를 포함하고, 상기 적어도 하나의 명령은, 적어도 하나의 데이터 입력 디바이스로부터 적어도 하나의 냉난방공조 관련 데이터를 수신하도록 하는 명령; 복수의 인공지능 스케쥴러 각각을 이용해 냉난방공조 스케쥴링을 수행하도록 하는 명령; 상기 각각의 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과를 통합 분석하여 최종 스케쥴링 결과를 도출하도록 하는 명령; 및 상기 도출된 결과를 이용해 냉난방공조 제어를 수행하도록 하는 명령을 포함할 수 있다.
상기 적어도 하나의 인공지능 스케쥴러는, CNN(Convolutional Neural Networks) 모델을 이용하여 스케쥴링을 수행하는 제1 인공지능 스케쥴러; RNN(Recurrent Neural Network) 모델을 이용하여 스케쥴링을 수행하는 제2 인공지능 스케쥴러; 및RI(Reinforcement Incremental) 모델을 이용하여 스케쥴링을 수행하는 제3 인공지능 스케쥴러를 포함할 수 있다.
상기 데이터 입력 디바이스는, 적어도 하나의 IoT 센서, 적어도 하나의 냉난방공조 컨트롤러, 및 적어도 하나의 외부 데이터 소스 중 하나 이상을 포함할 수 있다.
적어도 하나의 IoT 센서로부터 수집되는 정보는, 온도, 습도, 이산화탄소, PIR(Passive InfraRed), 미세먼지량, 작업자의 수, 및 전력량 중 적어도 하나에 대한 정보를 포함할 수 있다.
상기 적어도 하나의 냉난방공조 컨트롤러는, 환기팬 제어, EHP(Electronic Heat Pump) 제어, AHU(Air Handling Unit) 제어, UH(Unit Heater) 제어, 및 조명(light) 제어 중 적어도 하나를 수행하는 단계를 포함할 수 있다.
상기 최종 스케쥴링 결과를 도출하도록 하는 명령은, 상기 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과에 더하여, 경험에 기반한 스케쥴링 방식, 딥러닝을 사용한 스케쥴링 방식, 및 상기 외부데이터 소스로부터 수신한 데이터 중 적어도 하나를 추가 고려하여 최종 스케쥴링 결과를 도출하도록 하는 명령을 포함할 수 있다.
상기와 같은 본 발명의 실시예들에 따르면, 냉난방공조에 소비되는 에너지를 최적화할 수 있고, 그에 따라 상당한 에너지 절감 효과를 기대할 수 있다.
본 발명은 또한, 인간의 개입을 최소한으로 하면서 계속해서 인공지능을 업데이트할 수 있다는 장점을 가진다.
도 1은 본 발명의 일 실시예에 따른 에너지 최적화 시스템의 블록 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 에너지 최적화 시스템의 블록 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 에너지 최적화 시스템의 블록 구성도이다.
도 4는 본 발명의 일 실시예에 따른 에너지 최적화 시스템이 공장에 적용되는 경우의 에너지 최적화 시스템의 구조를 도시한다.
도 5는 본 발명에 따른 에너지 최적화 방법의 개념도이다.
도 6은 본 발명의 일 실시예에 따른 에너지 최적화 방법의 동작 순서도이다.
도 7은 본 발명의 일 실시예에 따른 에너지 최적화 장치의 블록 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 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.
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" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명은 IoT센서장치로부터 수집된 정보 및 외부 환경정보를 기반으로 건물 또는 공장에서 에너지를 절감하는 기술에 관한 것이다. 본 발명은 또한, 건물 및 공장에 설치되어 있는 조명 및 공조 시설의 관리를 최적화하는 시스템이며, 본 발명에 따른 장치의 설치 위치는 기존 건물 및 공장 내가 될 수 있다.
본 발명은 인공지능 기법을 이용한 에너지 최적화 알고리즘을 제공하며 해당 알고리즘을 계속해서 자동적으로 튜닝할 수 있는 방법을 제공한다.
본 발명은 특히, 건물 또는 공장에 설치된 다양한 센싱정보와 외부 인터페이스 연동을 통한 기상정보 등을 활용하여 공장 및 건물의 현재 상태를 정확히 이해하고, 조명 및 공조 분야에 에너지를 최적화시키는 방법이다.
이를 위해서 2가지 옵션을 통해서 지원하고자 한다. 먼저, 중소형 공장 및 건물에 있어서는 센싱정보를 수집하기에 열악한 환경일 수 있으며, 설치되는 서버의 성능도 제한될 수 있다. 따라서, 이러한 경우에는 성능이 제한적인 장치의 설치로 에너지 최적화 기능을 수행할 수 있는 것이다.
또 다른 조건인 대형 공장이나 건물에 있어서는 센싱정보를 수집하기 위해서 성능이 우수한 제품을 설치할 수 있다. 따라서 서버급의 장치도 포함되는 에너지 최적화 기능을 최대로 수행할 수 있는 것이다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 에너지 최적화 시스템의 블록 구성도이다.
도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 HVAC (Heating, Ventilation and Air Conditioning) 에너지 최적화 시스템은 크게 적어도 하나의 데이터 입력 디바이스(100), IoT 게이트웨이(210), 빅데이터 플랫폼(300), 및 에너지 절감 최적화 엔진(500)을 포함하여 구성될 수 있다.
적어도 하나의 데이터 입력 디바이스(100)는 본 발명에 따른 HVAC 에너지 최적화 시스템에서 수행하는 에너지 절감 최적화 방안을 도출하는 데 사용되는 다양한 종류의 데이터를 에너지 절감 최적화 엔진(500)으로 제공할 수 있다.
적어도 하나의 데이터 입력 디바이스(100)는 적어도 하나의 IoT 센서를 포함하는 센서 모듈(110), 컨트롤러(120), 외부데이터 소스(130)를 포함할 수 있다. 센서 모듈(110)은 적어도 하나의 IoT 센서로부터 입력받는 다양한 센싱값 등을 수집하여 IoT 게이트웨이(210)로 전달한다. 적어도 하나의 IoT 센서가 검출하는 센싱 값들은 온도, 조도, 습도, PIR(Passive InfraRed), 이산화탄소, 공기질 관련 정보 등을 포함할 수 있다.
또한, 컨트롤러(120)는 적어도 하나의 제어 모듈에 대한 정보를 IoT 게이트웨이(210)로 제공할 수 있다. 여기서, 제어 모듈은, 환기팬, EHP(Electronic Heat Pump), AHU(Air Handling Unit), UH(Unit Heater), 및 조명(light) 중 적어도 하나를 제어하기 위한 제어 모듈을 포함할 수 있다.
추가적으로, 외부데이터 소스(130)는 외부 환경정보(예를 들어, 기상정보)를 빅데이터 플랫폼(300)으로 제공할 수 있다. 여기서, 외부 환경정보는 기상 정보, 예를 들어, 강우, 강설, 안개, 풍속, 일조량, 외기 온도, 외기 습도 등의 정보를 포함할 수 있다.
IoT 게이트웨이(210)는 센서 모듈(110), 컨트롤러(120)로부터 입력되는 데이터를 취합하여 빅데이터 플랫폼(300)으로 전달한다.
빅데이터 플랫폼(300)은 IoT 게이트웨이(210)로부터 수신한 데이터 및 외부 외부데이터 소스(130)로부터 수신한 데이터를 취합하여 저장, 가공할 수 있다. 빅데이터 플랫폼(300)은 HVAC 관련 데이터를 원래 데이터 그대로 또는 가공된 형태로 에너지 절감 최적화 엔진(500)으로 제공할 수 있다.
에너지 절감 최적화 엔진(500)은 빅데이터 플랫폼(300)을 통해 수집되어 제공된 데이터를 분석하여 최적의 스케쥴링 정책을 생성할 수 있다. 이를 위해, 에너지 절감 최적화 엔진(500)은 제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530), 그리고 스케쥴러 통합기(540)를 포함할 수 있다.
인공지능 최적화 스케쥴러는 인공신경망을 이용해 최적화 스케쥴링을 수행하며, 인공신경망은 가상의 뉴런을 수학적으로 모델링한 후 시뮬레이션하여 인간의 뇌와 같은 학습 능력을 갖게 하고자 하는 알고리즘이다.
제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530)는 각각 서로 다른 최적화 스케쥴링 기법을 사용하여 스케쥴링을 수행할 수 있다. 스케쥴러 통합기(540)는 제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530) 각각이 수행한 스케쥴링 결과를 통합하여 최적의 스케쥴링을 도출한다.
여기서, 제1 인공지능 최적화 스케쥴러(510)는 예를 들어, RNN(Recursive Neural Networks) 기법을 활용한 스케쥴링을 수행할 수 있다.
순환 인공 신경망(RNN)은 인공 신경망의 한 종류로, 유닛간의 연결이 순환적 구조를 갖는 특징을 갖고 있다. 이러한 구조는 시변적 동적 특징을 모델링 할 수 있도록 신경망 내부에 상태를 저장할 수 있게 해준다. 순환 인공 신경망은 내부의 메모리를 이용해시퀀스 형태의 입력을 처리할 수 있어, 필기체 인식이나 음성 인식과 같이 시변적 특징을 가지는 데이터를 처리하는 데 널리 사용된다.
제2 인공지능 최적화 스케쥴러(520)는 예를 들어, CNN(Convolutional Neural Networks) 기법을 활용한 스케쥴링을 수행할 수 있다.
컨볼루셔널 신경망(CNN)은 입력 데이터에 대하여 컨볼루션(convolution) 동작 및 풀링(pooling) 동작 등을 수행하며 레이어를 쌓아 입력데이터를 학습하는 기계 학습을 의미할 수 있다. 여기서, 컨볼루션 동작은 일정한 크기의 커널(kernel) 행렬을 이용하여 행렬을 훑으며(sweep), 데이터를 다른 형태로 변형시키는 것을 의미할 수 있으며, 특성맵(feature map)은 컨볼루션 동작을 통해 생성된 이미지들을 의미할 수 있다. 여기서, 커널 행렬의 각 원소에 해당되는 값은 가중치를 의미할 수 있다. 풀링 동작은 이미지의 크기를 줄이는 과정인 서브 샘플링(subsampling)으로서, 컨벌루션 동작을 수행한 결과에서 미리 설정한 방법에 따라 대표 값을 추출하는 것을 의미할 수 있다.
제3 인공지능 최적화 스케쥴러(530)는 예를 들어, RI(Reinforcement Incremental) 기법을 활용한 스케쥴링을 수행할 수 있다.
강화(Reinforcement Incremental) 학습은 기계학습의 한 영역으로, 어떤 환경 내에서 정의된 에이전트가 현재의 상태를 인식하여 선택가능한 행동 중 보상을 최대화하는 행동 또는 행동 순서를 선택하는 방법이다.
도 2는 본 발명의 다른 실시예에 따른 에너지 최적화 시스템의 블록 구성도이다.
도 2에 도시된 바와 같이 본 발명의 다른 실시예에 따른 HVAC (Heating, Ventilation and Air Conditioning) 에너지 최적화 시스템은 크게 적어도 하나의 데이터 입력 디바이스(100), IoT 게이트웨이(210), 엣지 장치(220), 빅데이터 플랫폼(300), 및 HVAC 에너지 절감 최적화 엔진(500)을 포함하여 구성될 수 있다.
적어도 하나의 데이터 입력 디바이스(100)는 적어도 하나의 IoT 센서를 포함하는 센서 모듈(110), IoT 센서/컨트롤러(120), 외부데이터 소스(130)를 포함할 수 있다.
센서 모듈(110)은 적어도 하나의 IoT 센서로부터 입력받는 다양한 센싱값 등을 수집하여 IoT 게이트웨이(210)로 전달한다. 적어도 하나의 IoT 센서가 검출하는 센싱 값들은 온도, 조도, 습도, PIR(Passive InfraRed), 이산화탄소, 공기질 관련 정보 등을 포함할 수 있다.
IoT 센서/컨트롤러(120)는 적어도 하나의 IoT 센서 관련 정보 및 적어도 하나의 제어 모듈에 대한 정보를 엣지 장치(220)로 제공할 수 있다. 여기서, 적어도 하나의 제어 모듈은 EHP(Electronic Heat Pump) 제어 모듈, AHU(Air Handling Unit)제어 모듈, UH(Unit Heater) 제어 모듈 및 조명(light) 제어 모듈을 포함할 수 있다.
추가적으로, 외부데이터 소스 장치(130)는 외부 환경정보(예를 들어, 기상정보)를 빅데이터 플랫폼(300)으로 제공할 수 있다. 여기서, 외부 환경정보는 기상 정보, 예를 들어, 강우, 강설, 안개, 풍속, 일조량, 외기 온도, 외기 습도 등의 정보를 포함할 수 있다.
IoT 게이트웨이(210)는 센서 모듈(110)로부터 입력되는 데이터를, 엣지 장치(220)는 IoT 센서/컨트롤러(120)로부터 입력되는 데이터를 취합하여 빅데이터 플랫폼(300)으로 전달한다.
빅데이터 플랫폼(300)은 IoT 게이트웨이(210) 및 엣지 장치(220)로부터 수신한 데이터 및 외부 외부데이터 소스 장치(130)로부터 수신한 데이터를 취합하여 저장, 가공할 수 있다. 빅데이터 플랫폼(300)은 HVAC 관련 데이터를 원래 데이터 그대로 또는 가공된 형태로 에너지 절감 최적화 엔진(500)으로 제공할 수 있다.
앞서 설명한 바와 같이, 에너지 절감 최적화 엔진(500)은 빅데이터 플랫폼(300)을 통해 수집되어 제공된 데이터를 분석하여 최적의 스케쥴링 정책을 생성할 수 있다. 이를 위해, 에너지 절감 최적화 엔진(500)은 제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530), 그리고 스케쥴러 통합기(540)를 포함할 수 있다.
제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530)는 각각 서로 다른 최적화 스케쥴링 기법을 사용하여 스케쥴링을 수행할 수 있다. 스케쥴러 통합기(540)는 제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530) 각각이 수행한 스케쥴링 결과를 통합하여 최적의 스케쥴링을 도출한다.
여기서, 제1 인공지능 최적화 스케쥴러(510)는 예를 들어, RNN(Recursive Neural Networks) 기법을 활용한 스케쥴링을 수행할 수있다.
제2 인공지능 최적화 스케쥴러(520)는 예를 들어, CNN(Convolutional Neural Networks) 기법을 활용한 스케쥴링을 수행할 수 있다.
제3 인공지능 최적화 스케쥴러(530)는 예를 들어, RI(Reinforcement Incremental) 기법을 활용한 스케쥴링을 수행할 수 있다.
도 3은 본 발명의 또 다른 실시예에 따른 에너지 최적화 시스템의 블록 구성도이다.
도 3에 도시된 바와 같이 본 발명의 또 다른 실시예에 따른 HVAC (Heating, Ventilation and Air Conditioning) 에너지 최적화 시스템은 크게 적어도 하나의 데이터 입력 디바이스(100), 엣지 장치(220), 빅데이터 플랫폼(300), 및 에너지 절감 최적화 엔진(500)을 포함하여 구성될 수 있다.
적어도 하나의 데이터 입력 디바이스(100)는 본 발명에 따른 HVAC 에너지 최적화 시스템에서 수행하는 에너지 절감 최적화 방안을 도출하는 데 사용되는 다양한 종류의 데이터를 에너지 절감 최적화 엔진(500)으로 제공할 수 있다.
적어도 하나의 데이터 입력 디바이스(100)는 적어도 하나의 IoT 센서를 포함하는 센서 모듈(110), 컨트롤러(120), 외부데이터 소스(130)를 포함할 수 있다. 센서 모듈(110)은 적어도 하나의 IoT 센서로부터 입력받는 다양한 센싱값 등을 수집하여 엣지 장치(220)로 전달한다. 적어도 하나의 IoT 센서가 검출하는 센싱 값들은 온도, 조도, 습도, PIR(Passive InfraRed), 이산화탄소, 공기질 관련 정보 등을 포함할 수 있다.
또한, 컨트롤러(120)는 적어도 하나의 제어 모듈에 대한 정보를 엣지 장치(220)로 제공할 수 있다. 여기서, 제어 모듈은, 환기팬, EHP(Electronic Heat Pump), AHU(Air Handling Unit), UH(Unit Heater), 및 조명(light) 중 적어도 하나를 제어하기 위한 제어 모듈을 포함할 수 있다.
추가적으로, 외부데이터 소스(130)는 외부 환경정보(예를 들어, 기상정보)를 빅데이터 플랫폼(300)으로 제공할 수 있다. 여기서, 외부 환경정보는 기상 정보, 예를 들어, 강우, 강설, 안개, 풍속, 일조량, 외기 온도, 외기 습도 등의 정보를 포함할 수 있다.
엣지 장치(220)는 센서 모듈(110), 컨트롤러(120)로부터 입력되는 데이터를 취합하여 빅데이터 플랫폼(300)으로 전달한다.
빅데이터 플랫폼(300)은 엣지 장치(220)로부터 수신한 데이터 및 외부 외부데이터 소스(130)로부터 수신한 데이터를 취합하여 저장, 가공할 수 있다. 빅데이터 플랫폼(300)은 HVAC 관련 데이터를 원래 데이터 그대로 또는 가공된 형태로 에너지 절감 최적화 엔진(500)으로 제공할 수 있다.
에너지 절감 최적화 엔진(500)은 빅데이터 플랫폼(300)을 통해 수집되어 제공된 데이터를 분석하여 최적의 스케쥴링 정책을 생성할 수 있다. 이를 위해, 에너지 절감 최적화 엔진(500)은 제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530), 그리고 스케쥴러 통합기(540)를 포함할 수 있다.
제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530)는 각각 서로 다른 최적화 스케쥴링 기법을 사용하여 스케쥴링을 수행할 수 있다. 스케쥴러 통합기(540)는 제1 인공지능 최적화 스케쥴러(510), 제2 인공지능 최적화 스케쥴러(520), 제3 인공지능 최적화 스케쥴러(530) 각각이 수행한 스케쥴링 결과를 통합하여 최적의 스케쥴링을 도출한다.
여기서, 제1 인공지능 최적화 스케쥴러(510)는 예를 들어, RNN(Recursive Neural Networks) 기법을 활용한 스케쥴링을 수행할 수있다.
제2 인공지능 최적화 스케쥴러(520)는 예를 들어, CNN(Convolutional Neural Networks) 기법을 활용한 스케쥴링을 수행할 수 있다.
제3 인공지능 최적화 스케쥴러(530)는 예를 들어, RI(Reinforcement Incremental) 기법을 활용한 스케쥴링을 수행할 수 있다.
도 4는 본 발명의 일 실시예에 따른 에너지 최적화 시스템이 공장에 적용되는 경우의 에너지 최적화 시스템의 구조를 도시한다.
에너지 최적화 시스템은 계층 1(L1)에 따른 구성요소, 계층 2(L2)에 따른 구성요소, 계층 3(L3)에 따른 구성요소를 포함하여 구성될 수 있다.
계층 1은 물리적 하드웨어를 주로 포함하며, 카메라, IoT 관련 센서 및 장비, 전력 장비 및 AHU(Air Handling Unit), UH(Unit Heater)를 포함하는 그외 설비를 포함하여 구성될 수 있다.
계층 2는 카메라, IoT 관련 센서 및 장비, 전력 장비로부터 데이터를 수집하는 엣지 게이트웨이 또는 DAS(Data Acquisition System)를 포함할 수 있다. 계층 2는 추가적으로 PLC(Programming Logic Cotnrol)/DDC(Direct Digital Control)를 포함할 수 있는데, PLC/DDC는 설비와 연결되어 이들 설비로부터 측정된 데이터를 엣지 게이트웨이 또는 DAS로 전달한다.
계층 3은 빅데이터 플랫폼, 데이터베이스, RMC(Real-time Monitoring & Control), AI, EMS(Energy Management System)/MES(Mechanical Equipment Service) 등을 포함할 수 있다.
엣지 게이트웨이 또는 DAS(Data Acquisition System)는 수집한 데이터를 계층 3의 빅데이터 플랫폼 및 RMC로 전달한다. 빅데이터 플랫폼은 냉난방공조 관련 데이터를 수집, 저장 및 처리하는 역할을 수행하며, 여기서 도출되는 결과 데이터를 데이터베이스에 별도로 저장 관리될 수 있다. 빅데이터 플랫폼이 데이터를 처리하는 과정에는 AI(Artificial Intelleigence)가 활용될 수 있다.
계층 3의 RMC는 PLC/DDC에 대한 실시간 모니터링 및 제어를 수행하며 관련 데이터베이스와 연동하여 동작한다. 한편, EMS/MES는 빅데이터 플랫폼 및 RMC를 통해 수집, 처리되어 데이터베이스에 저장된 냉난방공조 관련 데이터를 이용해 냉난방공조 관련 최적의 스케쥴링을 수행한다.
도 5는 본 발명에 따른 에너지 최적화 방법의 개념도이다.
본 발명에 따른 에너지 최적화 방법을 도출하는 데 사용되는 데이터는 온도 정보, 습도 정보, CO2 정보, PIR 정보, 미세먼지량, 인식된 작업자 수, 전력량 측정치 등을 포함할 수 있으며, 추가로, EHP 제어, AHU 제어, 환기/팬 제어, UH 제어, 조명 제어 관련 데이터, 외부기상 정보 등을 고려할 수 있다.
이러한 데이터(101)는 데이터 소스인 IoT 노드, IoT 게이트웨이, 외부 데이터 소스 등을 통해 수집되며 본 발명에 따른 인공지능 분석엔진을 통해 분석된다. 환기/팬 제어 정보, EHP(Electronic Heat Pump) 제어 정보, AHU(Air Handling Unit)제어 정보, UH(Unit Heater) 제어 정보, 조명(light) 제어 정보 등은 냉난방공조 제어의 결과로 피드백(feedback)되는 정보이다.
이처럼 본 발명에서는, 센싱정보 뿐만 아니라 다시 피드백되는 다양한 제어 정보를 빅데이터 플랫폼으로 수집하여 분석하고 냉난방공조 에너지 최적화를 위한 스케쥴링 방안의 도출에 활용한다.
본 발명에 따른 인공지능 분석 엔진은 RNN, CNN 등을 활용하는 초기 인공지능 모델 및 강화학습 모델 중 적어도 하나를 사용하여 에너지 최적화 방안을 도출한다.
본 발명에 일 실시예에 따른 에너지 최적화 스케쥴링 방법은 딥러닝을 사용한 스케줄링 기법을 활용하며, 기존의 연관관계분석(예를 들어, 서로 간의 연관성을 머신러닝 기법으로 통해 뽑아내는 기법, SVM(Support Vector machines), 통계 기법, GP(Gaussian Process) 등)을 이용한 방식과 차이가 난다. 딥러닝을 이용한 방법에서는 기본적으로 연관성을 뽑아내기 힘들다는 점이 장점으로 작용한다.
본 발명의 다른 실시예에 따르면 제어 스케줄링 방식을 통해서 시간에 따른 최적 스케줄을 수행할 수 있다. 예를 들면, 경험에 의거한 스케줄링 방식이 사용될 때, 예를 들어, 9시에 켜고 6시에 끄는 공조장치를 위해서는 2시간 전 7시에 켜고 6시에 끄는 경험 스케줄링을 사용할 수 있다. 본 발명에서는 여기에서 더 나아가 9시가 되었을 때 최적의 환경을 제공하기 위해서 외부온도 및 다른 요소들의 영향과 고려하여 8시에 공조장치를 작동시키도록 스케쥴링할 수 있다.
이 경우 에너지 절감 요소가 제공될 수 있으며, 또한, 일과시간 내에 사람이 없는 재부재가 인식되게 되면 공조 장비의 제어를 보다 세밀하게 수행할 수 있으며, 더 나아가 에너지 소모를 절감할 수 있다. 단순히 연관분석 머신러닝을 통해서 구현될 수도 있으나, 본 특허에서는 상술한 실시예들을 포함하는 범위까지 확대해서 제공할 수 있다.
도 6은 본 발명의 일 실시예에 따른 에너지 최적화 방법의 동작 순서도이다.
도 6에 도시된 방법은 앞서 설명한 본 발명의 일 실시예에 따른 에너지 절감 최적화 엔진에 의해 수행될 수 있으나, 그 동작 주체가 이에 한정되는 것은 아니다.
에너지 절감 최적화 엔진은 적어도 하나의 데이터 입력 디바이스로부터 적어도 하나의 냉난방공조 관련 데이터를 수신하고(S610), 수신한 냉난방공조 관련 데이터를 기반으로 복수의 인공지능 스케쥴러 각각을 이용해 냉난방공조 스케쥴링을 수행한다(S620). 여기서, 인공지능 스케쥴러는, CNN(Convolutional Neural Networks) 모델을 이용하여 스케쥴링을 수행하는 제1 인공지능 스케쥴러; RNN(Recurrent Neural Network) 모델을 이용하여 스케쥴링을 수행하는 제2 인공지능 스케쥴러; 및RI(Reinforcement Incremental) 모델을 이용하여 스케쥴링을 수행하는 제3 인공지능 스케쥴러를 포함할 수 있다.
또한, 상기 데이터 입력 디바이스는, 적어도 하나의 IoT 센서, 적어도 하나의 냉난방공조 컨트롤러, 및 적어도 하나의 외부 데이터 소스 중 하나 이상을 포함할 수 있다.
또한, 적어도 하나의 IoT 센서로부터 수집되는 정보는, 온도, 습도, 이산화탄소, PIR(Passive InfraRed), 미세먼지량, 작업자의 수, 및 전력량 중 적어도 하나에 대한 정보를 포함할 수 있다.
에너지 절감 최적화 엔진은 각각의 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과를 통합 분석하여(S630), 최종 스케쥴링 결과를 도출한다(S640).
여기서, 최종 스케쥴링 결과를 도출하는 단계는, 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과에 더하여, 경험에 기반한 스케쥴링 방식, 딥러닝을 사용한 스케쥴링 방식, 및 상기 외부데이터 소스로부터 수신한 데이터 중 적어도 하나를 추가 고려하여 최종 스케쥴링 결과를 도출할 수 있다.
이후 도출된 최종 스케쥴링 결과에 따라 냉난방공조(HVAC) 제어를 수행한다(S650). 여기서, 냉난방 공조 제어는, 환기팬 제어, EHP(Electronic Heat Pump) 제어, AHU(Air Handling Unit) 제어, UH(Unit Heater) 제어, 및 조명(light) 제어 중 적어도 하나를 포함할 수 있다.
도 7은 본 발명의 일 실시예에 따른 에너지 최적화 장치의 블록 구성도이다.
에너지 최적화 장치는 도 1 내지 3을 통해 살펴본 HVAC에너지 절감 최적화 엔진, 도 4의 실시예를 통해 언급된 에너지 최적화 시스템에 대응할 수 있다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 에너지 최적화 장치는 프로세서(550), 프로세서를 통해 실행되는 적어도 하나의 명령 및 명령 수행의 결과를 저장하는 메모리(560)를 포함할 수 있다. 에너지 최적화 장치는 또한, 제1 스케쥴러(510), 제2 스케쥴러(520), 제3 스케쥴러(530)를 더 포함할 수 있다.
여기서, 적어도 하나의 명령은, 상기 프로세서로 하여금, 적어도 하나의 데이터 입력 디바이스로부터 적어도 하나의 냉난방공조 관련 데이터를 수신하도록 하는 명령; 복수의 인공지능 스케쥴러 각각을 이용해 냉난방공조 스케쥴링을 수행하도록 하는 명령; 상기 각각의 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과를 통합 분석하여 최종 스케쥴링 결과를 도출하도록 하는 명령; 상기 도출된 결과를 이용해 냉난방공조 제어를 수행하도록 하는 명령을 포함할 수 있다.
제1 스케쥴러(510), 제2 스케쥴러(520), 제3 스케쥴러(530)는 도 1 내지 3의 실시예를 통해 설명된 스케쥴러들과 동일한 기능을 수행할 수 있다. 본 실시예의 프로세서(550)는 스케쥴러 통합기(540)의 역할을 수행할 수 있으며, 본 발명의 다른 실시예에 따르면 제 1 내지 제3 스케쥴러 및 스케쥬럴 통합기의 기능이 모두 프로세서로 통합될 수도 있다.
이상 살펴본 바와 같은 본 발명의 실시예들에 의하면, 카메라 및 인체감지센서 등의 센서 정보를 이용하여 실제로 작업자가 일하고 있는지를 확인 하고, 이를 활용하여 실제로 일하는 작업자에게 쾌적한 환경을 제공함과 동시에 에너지 절감 또한 이룰 수 있다.
정리하면, 본 발명은 기본적으로 인공지능 기법을 통해서 최적의 스케줄링 기법을 사용하고, 이를 카메라 등의 2차 요소를 통해서 확인 후 재조정하는 방법을 활용하는 냉난방공조에 사용되는 에너지를 최적화할 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 데이터 입력 디바이스 210: IoT 게이트웨이
220: 엣지 장치 300: 빅데이터 플랫폼
500: 에너지 절감 최적화 엔진
510: 제1 인공지능 최적화 스케쥴러
520: 제2 인공지능 최적화 스케쥴러
530: 제3 인공지능 최적화 스케쥴러
540: 스케쥴러 통합기

Claims (12)

  1. 적어도 하나의 데이터 입력 디바이스로부터 적어도 하나의 냉난방공조 관련 데이터를 수신하는 단계;
    복수의 인공지능 스케쥴러 각각을 이용해 냉난방공조 스케쥴링을 수행하는 단계;
    상기 각각의 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과를 통합 분석하여 최종 스케쥴링 결과를 도출하는 단계; 및
    상기 도출된 결과를 이용해 냉난방공조 제어를 수행하는 단계를 포함하는, 냉난방공조 에너지 최적화 방법.
  2. 청구항 1에 있어서,
    상기 적어도 하나의 인공지능 스케쥴러는,
    CNN(Convolutional Neural Networks) 모델을 이용하여 스케쥴링을 수행하는 제1 인공지능 스케쥴러;
    RNN(Recurrent Neural Network) 모델을 이용하여 스케쥴링을 수행하는 제2 인공지능 스케쥴러; 및
    RI(Reinforcement Incremental) 모델을 이용하여 스케쥴링을 수행하는 제3 인공지능 스케쥴러를 포함하는, 냉난방공조 에너지 최적화 방법.
  3. 청구항 1에 있어서,
    상기 데이터 입력 디바이스는,
    적어도 하나의 IoT 센서, 적어도 하나의 냉난방공조 컨트롤러, 및 적어도 하나의 외부 데이터 소스 중 하나 이상을 포함하는, 냉난방공조 에너지 최적화 방법.
  4. 청구항 3에 있어서,
    적어도 하나의 IoT 센서로부터 수집되는 정보는,
    온도, 습도, 이산화탄소, PIR(Passive InfraRed), 미세먼지량, 작업자의 수, 및 전력량 중 적어도 하나에 대한 정보를 포함하는, 냉난방공조 에너지 최적화 방법.
  5. 청구항 3에 있어서,
    상기 적어도 하나의 냉난방공조 컨트롤러는,
    환기팬 제어, EHP(Electronic Heat Pump) 제어, AHU(Air Handling Unit) 제어, UH(Unit Heater) 제어, 및 조명(light) 제어 중 적어도 하나를 수행하는 단계를 포함하는, 냉난방공조 에너지 최적화 방법.
  6. 청구항 3에 있어서,
    상기 최종 스케쥴링 결과를 도출하는 단계는,
    상기 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과에 더하여,
    경험에 기반한 스케쥴링 방식, 딥러닝을 사용한 스케쥴링 방식, 및 상기 외부데이터 소스로부터 수신한 데이터 중 적어도 하나를 추가 고려하여 최종 스케쥴링 결과를 도출하는 단계를 포함하는, 냉난방공조 에너지 최적화 방법.
  7. 프로세서; 및
    상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리를 포함하고,
    상기 적어도 하나의 명령은,
    적어도 하나의 데이터 입력 디바이스로부터 적어도 하나의 냉난방공조 관련 데이터를 수신하도록 하는 명령;
    복수의 인공지능 스케쥴러 각각을 이용해 냉난방공조 스케쥴링을 수행하도록 하는 명령;
    상기 각각의 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과를 통합 분석하여 최종 스케쥴링 결과를 도출하도록 하는 명령; 및
    상기 도출된 결과를 이용해 냉난방공조 제어를 수행하도록 하는 명령을 포함하는, 냉난방공조 에너지 최적화 장치.
  8. 청구항 7에 있어서,
    상기 적어도 하나의 인공지능 스케쥴러는,
    CNN(Convolutional Neural Networks) 모델을 이용하여 스케쥴링을 수행하는 제1 인공지능 스케쥴러;
    RNN(Recurrent Neural Network) 모델을 이용하여 스케쥴링을 수행하는 제2 인공지능 스케쥴러; 및
    RI(Reinforcement Incremental) 모델을 이용하여 스케쥴링을 수행하는 제3 인공지능 스케쥴러를 포함하는, 냉난방공조 에너지 최적화 장치.
  9. 청구항 7에 있어서,
    상기 데이터 입력 디바이스는,
    적어도 하나의 IoT 센서, 적어도 하나의 냉난방공조 컨트롤러, 및 적어도 하나의 외부 데이터 소스 중 하나 이상을 포함하는, 냉난방공조 에너지 최적화 장치.
  10. 청구항 9에 있어서,
    적어도 하나의 IoT 센서로부터 수집되는 정보는,
    온도, 습도, 이산화탄소, PIR(Passive InfraRed), 미세먼지량, 작업자의 수, 및 전력량 중 적어도 하나에 대한 정보를 포함하는, 냉난방공조 에너지 최적화 장치.
  11. 청구항 9에 있어서,
    상기 적어도 하나의 냉난방공조 컨트롤러는,
    환기팬 제어, EHP(Electronic Heat Pump) 제어, AHU(Air Handling Unit) 제어, UH(Unit Heater) 제어, 및 조명(light) 제어 중 적어도 하나를 수행하는, 냉난방공조 에너지 최적화 장치.
  12. 청구항 9에 있어서,
    상기 최종 스케쥴링 결과를 도출하도록 하는 명령은,
    상기 인공지능 스케쥴러에 의해 수행된 복수의 스케쥴링 결과에 더하여,
    경험에 기반한 스케쥴링 방식, 딥러닝을 사용한 스케쥴링 방식, 및 상기 외부데이터 소스로부터 수신한 데이터 중 적어도 하나를 추가 고려하여 최종 스케쥴링 결과를 도출하도록 하는 명령을 포함하는, 냉난방공조 에너지 최적화 장치.
KR1020180170108A 2018-12-27 2018-12-27 냉난방공조 에너지 최적화 장치 및 방법 KR102324424B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180170108A KR102324424B1 (ko) 2018-12-27 2018-12-27 냉난방공조 에너지 최적화 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180170108A KR102324424B1 (ko) 2018-12-27 2018-12-27 냉난방공조 에너지 최적화 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200084453A KR20200084453A (ko) 2020-07-13
KR102324424B1 true KR102324424B1 (ko) 2021-11-11

Family

ID=71570821

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180170108A KR102324424B1 (ko) 2018-12-27 2018-12-27 냉난방공조 에너지 최적화 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102324424B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102415840B1 (ko) * 2020-11-09 2022-07-07 영진기술 주식회사 IoT 기반의 전열교환 환기 시스템
KR102470637B1 (ko) * 2020-11-26 2022-11-25 (주)심플랫폼 클라우드 기반 디바이스 인공지능 설정 시스템 및 방법
KR102336614B1 (ko) * 2021-04-23 2021-12-09 주식회사 숨터 인공지능을 이용한 공기환경 제어장치 및 방법
KR102445483B1 (ko) * 2022-06-13 2022-09-20 주식회사 나라컨트롤 인공지능기반 공조기 최적 제어 스케줄링 시스템 및 인공지능기반 공조기 최적 제어 스케줄링 방법
KR102521808B1 (ko) * 2022-10-12 2023-04-14 세종대학교산학협력단 합성곱 신경망과 회귀 신경망을 활용한 하이브리드 에너지 소비 및 생산 예측 방법 및 그 장치
KR102489534B1 (ko) * 2022-11-14 2023-01-18 주식회사 마키나락스 수집이 필요한 정보의 영역을 예측하는 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102577407B1 (ko) * 2016-01-25 2023-09-15 삼성전자주식회사 위치 정보에 기초하여 공기 상태를 제어하는 전자 장치와 이의 동작 방법
KR101842542B1 (ko) * 2016-07-21 2018-05-14 주식회사 나노켐 가정용 냉난방장치 통합 관리 서버

Also Published As

Publication number Publication date
KR20200084453A (ko) 2020-07-13

Similar Documents

Publication Publication Date Title
KR102324424B1 (ko) 냉난방공조 에너지 최적화 장치 및 방법
US11562296B2 (en) Machine learning device, machine learning method, and storage medium
KR102553299B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
US10833888B2 (en) IoT device plug-in method and device in data analysis-based automation systems
CN108093030B (zh) 一种基于云服务器的人工智能模型部署方法
CN113835344B (zh) 设备的控制优化方法、展示平台、云服务器及存储介质
CN112283889A (zh) 空调的预启动时间控制方法、装置、设备及存储介质
WO2019063079A1 (en) SYSTEM, DEVICE AND METHOD FOR OPTIMIZING ENERGY AND COMFORT IN AN IMMOTIC ENVIRONMENT
CN109489212B (zh) 一种空调智能睡眠控制方法、调整系统及设备
KR102170522B1 (ko) 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
CN106979599A (zh) 家用电器控制方法和装置、服务器
CN112728727A (zh) 一种基于边缘计算的室内环境舒适度的智能调节系统
US20220307716A1 (en) Control device, air conditioner and cotrol method thereof
Tien et al. Occupancy heat gain detection and prediction using deep learning approach for reducing building energy demand
CN110726215B (zh) 空调器及其控制方法、装置、存储介质和处理器
Kumar et al. Ensemble learning model-based test workbench for the optimization of building energy performance and occupant comfort
CN113535233B (zh) 用于暖通云边协同的人工智能系统
Mahmood et al. Esp 8266 node mcu based weather monitoring system
Siswipraptini et al. The design of a smart home controller based on ADALINE
CN114818059B (zh) 建筑节能策略优化控制方法、装置、设备及可读存储介质
US20230221029A1 (en) Method and control system for controlling an air-conditioning system
CN114298973A (zh) 一种基于红外图像分割的智能供热监测方法
CN114442697A (zh) 一种温度控制方法、设备、介质及产品
KR102457016B1 (ko) 인공신경망을 이용한 공조기 최적 제어 장치 및 방법
CN113537661A (zh) 管理系统、设备控制方法、共享空间、设备及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right