KR102343339B1 - 가전기기 스케줄링 방법 및 장치 - Google Patents

Abstract

가전기기 스케줄링 방법 및 장치가 개시된다. 본 개시의 일 실시 예에 따른 가전기기 스케줄링 방법은, 가전기기 이용에 대한 시계열 데이터 및 가전기기의 정보를 획득하는 단계와, 시계열 데이터에 따른 가전기기의 시간대별 사용패턴에 기초하여 가전기기의 제 1 스케줄링을 생성하는 단계와, 제 1 스케줄링에 대한 긍정 판단이 이루어진 경우, 가전기기가 연결된 배전계통에서의 피크타임 및 피크타임 이외의 전기 요금에 대한 정보를 포함하는 동적 전기 요금(dynamic tariff) 데이터를 획득하는 단계와, 동적 전기 요금 데이터에 기초하여, 가전기기의 제 1 스케줄링이 피크타임에 속하는 피크타임 동작 정도를 판단하는 단계와, 피크타임 동작 정도가 임계치 이상인 경우, 제 1 스케줄링을 변경하여 전기 요금이 최소가 되는 제 2 스케줄링을 생성하는 단계와, 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우, 제 2 스케줄링 데이터를 가전기기의 동작을 제어하는 서버에 저장하는 단계를 포함할 수 있다.

Description

가전기기 스케줄링 방법 및 장치{METHOD AND APPARATUS FOR SCHEDULING HOME APPLIANCE}

본 개시는 가전기기 이용에 대한 시계열 데이터와 동적 전기 요금(dynamic tariff)에 기초하여 가전기기의 구동 알고리즘을 설계하는 인공지능 기반 가전기기 스케줄링 방법 및 장치에 관한 것이다.

최근 전력 다소비 산업 비중이 지속적으로 높아지면서 전력 수요가 증가되고 있다. 또한 반복되는 이상기온(폭염, 한파, 미세먼지 등)으로 냉/난방기, 세탁기, 건조기 등의 전자기기 보급이 급증하면서 비산업용 전력 수요가 크게 증가하고 있다.

특히, 겨울철에 사용자가 실내 온도를 지나치게 높게 설정했거나 반대로 여름철에 실내 온도를 지나치게 낮췄을 경우 보일러 또는 에어컨의 과다한 작동으로 인하여 전력수요가 커진다. 또한, 냉장고, 조명 기기, 티브이 등과 같은 디지털 가전기기들의 지나친 사용은 과다한 전기 에너지의 소모를 가져와 전기 요금을 상승시키는 원인이 되고 있다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

선행기술 1: 한국 공개특허공보 제10-2019-0120862(2019.10.25)

본 개시의 실시 예의 일 과제는, 가전기기 이용에 대한 시계열 데이터와 동적 전기 요금(dynamic tariff)에 기초해, 가전기기의 구동 알고리즘을 설계하여, 사용자의 전기요금을 줄이는데 있다.

본 개시의 실시 예의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 개시의 일 실시 예에 따른 가전기기 스케줄링 방법은, 가전기기 이용에 대한 시계열 데이터 및 가전기기의 정보를 획득하는 단계와, 시계열 데이터에 따른 가전기기의 시간대별 사용패턴에 기초하여 가전기기의 제 1 스케줄링을 생성하는 단계와, 제 1 스케줄링에 대한 긍정 판단이 이루어진 경우, 가전기기가 연결된 배전계통에서의 피크타임 및 피크타임 이외의 전기 요금에 대한 정보를 포함하는 동적 전기 요금(dynamic tariff) 데이터를 획득하는 단계와, 동적 전기 요금 데이터에 기초하여, 가전기기의 제 1 스케줄링이 피크타임에 속하는 피크타임 동작 정도를 판단하는 단계와, 피크타임 동작 정도가 임계치 이상인 경우, 제 1 스케줄링을 변경하여 전기 요금이 최소가 되는 제 2 스케줄링을 생성하는 단계와, 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우, 제 2 스케줄링 데이터를 가전기기의 동작을 제어하는 서버에 저장하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 가전기기 스케줄링 장치는, 메모리와, 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 가전기기 이용에 대한 시계열 데이터 및 가전기기의 정보를 획득하는 동작과, 시계열 데이터에 따른 가전기기의 시간대별 사용패턴에 기초하여 가전기기의 제 1 스케줄링을 생성하는 동작과, 제 1 스케줄링에 대한 긍정 판단이 이루어진 경우, 가전기기가 연결된 배전계통에서의 피크타임 및 피크타임 이외의 전기 요금에 대한 정보를 포함하는 동적 전기 요금(dynamic tariff) 데이터를 획득하는 동작과, 동적 전기 요금 데이터에 기초하여, 가전기기의 제 1 스케줄링이 피크타임에 속하는 피크타임 동작 정도를 판단하는 동작과, 피크타임 동작 정도가 임계치 이상인 경우, 제 1 스케줄링을 변경하여 전기 요금이 최소가 되는 제 2 스케줄링을 생성하는 동작과, 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우, 제 2 스케줄링 데이터를 가전기기의 동작을 제어하는 서버에 저장하는 동작을 수행하도록 구성될 수 있다.

이 외에도, 본 발명의 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 개시의 실시 예에 의하면, 가전기기 이용에 대한 시계열 데이터와 동적 전기 요금(dynamic tariff)에 기초해, 가전기기의 구동 알고리즘을 설계하여, 사용자 친화적인 스케줄링이 수행될 수 있도록 하고, 사용자의 전기요금을 줄일 수 있다.

또한, 인공지능과의 통합을 통해 어플라이언스의 자체 스케줄링 제안이 가능하도록 함으로써, 에너지 절감 및 에너지 절감을 위한 운영 시스템에서도 비용을 절감시킬 수 있다.

또한, 동적 요금(dynamic tariff)을 기반으로 하여 어플라이언스의 스케줄링을 함으로써, 신재생에너지 자원의 적절한 활용이 가능하도록 할 수 있다.

또한, 스마트 그리드 환경에서, 단순히 전력망을 지능화하는 것에서 그치는 것이 아니라, 전력서비스산업, 정보통신산업, 전력저장장치, 마이크로그리드, 전기자동차산업, 건설산업 등 다른 산업과의 연계를 수행할 수 있도록 한다.

또한, 필요한 만큼의 전기를 생산하고, 남는 전기는 축전기를 통하여 저장하고 필요할 때 다시 공급하여 버려지는 전기를 줄일 수 있도록 함으로써, 에너지 절감과 신재생 에너지의 도입을 가속화시킬 수 있으며, 이에 따라 온실 가스의 배출 감소 효과를 얻을 수 있다.

또한, 동적 요금 기반 스케줄링을 함으로써, 전력수요가 일정 시간대에 몰리지 않게 분산시키고, 전력 공급이 끊기는 사고가 발생하였을 때에는 이를 대체할 송배전 선로를 통해 전기를 보내도록 설정하는 등 유연한 대처가 가능하도록 하여, 높은 품질의 전기를 안정적으로 공급할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1 및 도 2는 본 개시의 일 실시 예에 따른 가전기기 스케줄링 시스템의 개략적인 예시도이다.
도 3은 본 개시의 일 실시 예에 따른 가전기기 스케줄링 장치를 개략적으로 나타낸 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 가전기기 스케줄링 장치를 보다 구체적으로 나타낸 도면이다.
도 5는 본 개시의 일 실시 예에 따른 가전기기 스케줄링 방법을 설명하기 위한 흐름도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다.

그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 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. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1 및 도 2는 본 개시의 일 실시 예에 따른 가전기기 스케줄링 시스템의 개략적인 예시도이다.

먼저, 본 실시 예는 스마트 그리드(Smart Grid) 기술을 기반으로, 가전기기 이용에 대한 과거 데이터(시계열 데이터)와 동적 전기 요금 데이터(Dynamic Tariff)에 기초하여 가전기기의 가동시간에 대한 알고리즘을 설계하는 것에 관한 것이다. 이때, 과거 데이터는 가전기기의 사용 내역에 대한 시계열 데이터를 포함할 수 있으며, 본 실시 예에서는 이러한 시계열 데이터를 기반으로 인공지능(머신러닝)을 이용하여 가전기기의 스케줄링을 수행할 수 있다.

여기서 스마트 그리드는, 전기의 생산, 운반, 소비 과정에 정보통신기술을 접목하여 공급자와 소비자가 서로 상호작용함으로써 효율성을 높인 지능형 전력망 시스템을 의미하는 것으로, 전력 부문에 정보기술, 통신기술, 디지컬 제어기술이 결합되는 산물로서 사물 인터넷의 한 분야인 에너지 인터넷(Internet of Energy)의 중심 무대가 된다. 기존 전력망 기술에 사물인터넷 기술을 적용함으로써 스마트 그리드가 탄생하게 되는 것이다.

현재의 전력시스템 상에서는 실제로 사용하는 전기보다 15% 정도 많이 생산하도록 설계되어 있다. 이는 전력의 최대소비량에 맞춰진 양으로 혹시라도 더 많이 사용할 경우에 대비해 전기를 미리 확보해 놓는 것이다. 연료는 물론 각종 발전설비도 추가적으로 필요하다. 또한 버려지는 전기 또한 많아 에너지 효율이 떨어지며, 석탄, 석유, 가스 등을 태우는 과정에서 이산화탄소 배출도 늘어난다.

따라서 꼭 필요한 만큼 전기를 생산하거나 생산량에 맞춰 전기를 사용할 수 있다면 전기를 더 효율적으로 사용하면서 지구온난화도 막을 수 있을 것이다. 이에 스마트 그리드는 전력망에 정보통신기술을 융합해 전기사용량과 공급량, 전력선의 상태까지 알 수 있는 기술로, 에너지 효율성을 극대화할 수 있다. 즉 스마트 그리드의 핵심은 전력망에 지그비(ZigBee), 전력선 통신 등의 정보통신기술을 합쳐 소비자와 전력회사가 실시간으로 정보를 주고받는 것에 있다. 따라서 소비자는 전기요금이 쌀 때 전기를 쓸 수 있는 것이다.

또한 전력생산자 입장에서는 전력 사용 현황을 실시간으로 파악하기 때문에 전력공급량을 탄력적으로 조절할 수 있다. 전력 사용이 적은 시간대에는 최대전력량을 유지하지 않거나, 남는 전력을 양수발전에 사용하여 버리는 전기를 줄일 수 있고, 전기를 저장했다가 전력 사용이 많은 시간대에 공급하는 탄력적인 운영도 가능하다. 또 과부하로 인한 전력망의 고장도 예방할 수 있다.

결국 스마트 그리드는 일반 가정에서 사용하는 TV, 냉장고와 같은 전자제품뿐 아니라 공장에서 돌아가는 산업용 장비들까지 전기가 흐르는 모든 것을 묶어 효율적으로 관리하는 신개념 시스템이다. 집, 사무실, 공장 어느 곳에서나 사용한 전기요금을 실시간으로 확인할 수 있고, 전기요금이 비싼 낮 시간대를 피해 전기를 사용하는 것도 가능하다.

다만 본 실시 예에서는, 집(가정)에서의 스마트 그리드에 대한 것을 실시 예로 설명하며, 가정 내의 전자제품, 즉 가전은 특정 전자 디바이스에 국한되지 않고 다양한 홈 어플라이언스(예를 들어, 세탁기, 건조기, 의류 처리 장치, 에어컨, 김치 냉장고 등)를 포함할 수 있다. 그러나 본 실시 예에서는, 가전기기들 중 세탁기를 실시 예로 하여 설명하도록 하며, 복수의 가전기기의 스케줄링을 수행할 때도 세탁기를 포함한 다른 전자기기들이 복수의 가전기기에 포함되는 것으로 설명하도록 한다. 다만 이에 한정되지 않고, 가정 내에서 사용되는 모든 가전기기가 적용될 수 있으며, 또한 복수의 가전기기의 스케줄링을 수행할 때도 세탁기를 제외한 다른 가전기기들이 복수의 가전기기에 포함될 수 있다.

스마트 그리드의 최종적인 목표는 에너지 절감이다. 필요한 만큼의 전기를 생산하고, 남는 전기는 축전기를 통하여 저장하고 필요할 때 다시 공급하여 버려지는 전기를 줄일 수 있다. 또 전력수요를 분산시켜서 발전 설비의 효율을 증가시키고, 통신 기기에 직접 전력을 공급하는 전력 변환 장치나 축전지의 일부 또는 전체를 수전(受電) 설비, 예비 전원 설비와 분리하여 통신 기기의 근처에 분산하여 설치하는 방식을 통해 송배전효율을 증대시킬 수 있다.

이러한 스마트 그리드는 에너지 저장 시스템(ESS), 지능형 원격 검침 인프라(AMI), 에너지 관리 시스템(EMS), 전기차 및 충전소, 분산전원, 신재생에너지, 양방향 정보통신기술, 지능형 송배전시스템 등으로 구성될 수 있다.

이때 에너지 저장 시스템(Energy Storage System, ESS)은 전력 인프라를 구성하는 가장 핵심이 되는 기술로, 에너지를 컨테이너 모양의 대형 배터리에 저장하여 수요와 공급을 적절히 조절해 버려지는 에너지를 최소화할 수 있다. 에너지 관리 시스템(Energy Management System, EMS)은 에너지효율 향상 목표를 설정하고 이를 달성하기 위해 관리체제를 체계적이고 지속적으로 추진하는 전사적 에너지 관리 시스템으로 공장, 가정 등에서 에너지 사용을 최적화하도록 IT 소프트웨어로 관리할 수 있다.

또한, 지능형 원격 검침 인프라(Advanced Metering Infrastructure, AMI)는 스마트 미터에서 측정한 데이터를 원격 검침기를 통해 측정해 전력 사용 현황을 자동 분석하는 기술로, 이를 통해 소비자에게 실시간 요금 단가와 정보 및 에너지 사용패턴 등을 분석한 정보 제공이 가능할 수 있다.

여기서, 스마트 미터는 각 가정에서 사용하는 전력 사용량을 자동으로 검침하고, 그 정보를 통신망을 통해 전달하는 지능화된 전력량계를 의미한다. 본 실시 예에서 구체적으로 개시하지는 않았으나, 동적 전기 요금의 기준을 설정하는 등의 사용자의 전력 사용량을 알아야 할 경우 스마트 미터를 이용할 수 있다.

스마트 그리드에서 대표적인 사물인터넷은 바로 스마트 미터이다. 스마트 미터는 전력회사와 양방향으로 통신할 수 있는 디지털 계량기로 가구 및 건물의 전력소비를 실시간에 가깝게 확인할 수 있다. 스마트 미터를 사용하는 경우, 수동으로 계량기를 검침할 필요성이 없어지고 정전발생 지역을 바로 확인할 수 있게 되기 때문에 운영비용을 절감할 수 있다. 결국 원격검침이 가능해지고, 전력망에 문제가 발생하였을 때 어디에서 문제가 발생하였는지를 기존 대비 쉽게 확인할 수 있게 되면서, 운영비용 절감 효과를 기대할 수 있다.

또한 스마트 미터를 통해 데이터를 활용할 수 있는데, 스마트 미터에서 생성되는 데이터는 첫 번째로, 전력망 신뢰성과 정확한 요금청구에 기여할 수 있다. 전력회사들은 현재 광범위한 규모의 에너지 사용 데이터를 기상 데이터와 함께 미래 부하예측(load forecasting)에 활용하고 있다. 이 부하예측은 개별 소비자별로도 이루어질 수 있으며, 이는 '하루 전(dayahead)'에너지 시장에서 전력회사의 전력구매 의사 결정을 지원할 수 있다.

두 번째로, 스마트 그리드 데이터는 수요반응(demand response)의 효율성을 높일 수 있다. 수요반응은 전력수요가 높은 시간대에 전력을 많이 사용하는 소비자들로 하여금 인센티브나 요금변화를 통해 전력소비를 줄이도록 하는 것이다. 예를 들어, 부하 세분화 알고리즘을 이용하여 스마트 미터 데이터를 전력사용 기기별로 세분화하여 그 정보를 제공할 수 있다. 그리고 별도의 센서를 통해 전력사용정보를 사용기기별로 세분화할 수 있다. 이러한 데이터 분석 기술은 수요반응과 별도로 가정 내의 에너지관리에 관심 있는 소비자들에게 매력적이고, 전력회사 입장에서도 기기별 세부 전력사용량을 알게 됨으로써 수요반응 프로그램에 참여할 잠재적 주요 참여자들을 확인할 수 있다는 이점이 있다.

즉 상술한 바와 같이 스마트 그리드를 이용함에 따라, 전력 소비를 줄일 수 있도록 하기 위해, 고정적인 전기 요금이 아닌 사용량 등에 따라 가변적으로 변동할 수 있는 동적 전기 요금(Dynamic Tariff)이 적용되고 있다.

이와 같은 동적 요금제(Dynamic Tariff 또는 Dynamic Pricing)는 피크 시간대에 높게 형성된 도매가격을 소매요금에 반영시킴으로써 전기 소비패턴 변화를 유인하는 가격 기반의 수요관리수단(Demand-Side Management)이다. 도매가격이 소매요금에 연동됨에 따라 소비자들은 피크시간의 수요를 줄이거나 피크 외 시간으로 수요를 이전하게 되므로, 발전소의 초과건설로 인한 전력시장 비효율성을 줄일 수 있다. 실제 AMI와 관련 기술의 발전으로 가정용 전기소비자들에게도 동적 요금제 도입이 확대되고 있다.

전력 산업은 꾸준한 성장을 해왔으며 최대 수요량을 매해 갱신하고 있다. 이에 따라 피크 전력 부하율 또한 증가하고 있고 전력 부족 문제가 대두되고 있다. 이에, 피크 전력 부하율을 맞추기 위해 여러 나라에서는 여러 가지 동적 요금제에 대한 연구가 이루어지고 있다.

예를 들어, 동적 요금제는 TOU(Time of Use), CPP(Critical Peak Price), RTP(Real Time Pricing)가 있다. TOU는 하루 중 피크전력 부하율이 높은 구간과 그렇지 않은 구간을 나누어서 다른 요금을 부여하는 제도이며, CPP는 하루 중 피크전력 부하율이 높은 구간에서도 가장 높은 구간에 보다 높은 가격을 책정하는 하여 요금을 부여 하는 제도 이다. 마지막으로 RTP는 다른 요금제에 비해 보다 세밀한 요금제도로 각각의 발전소에서 책정하는 전력 생산 요금에 따라 실시간으로 바뀌는 요금 제도 이다. 이때 각각의 발전소들은 발전 비용 이외에 발전소에서 생산된 전기가 가정까지 가는 과정의 모든 비용을 계산 하여 최대 하루 전에서 한 시간에 요금을 알려줄 수 있다.

이와 같이 동적 요금제는 다양한 방법으로 구현될 수 있으나, 동적 전기 요금 데이터는, 가전기기가 구비된 일정 영역의 전력 사용량에 기초한 가변 전기 요금, 피크 전력 부하율에 기초한 구간별 고정 전기 요금 및 구간 내에서 전력 사용량에 기초하여 가변하는 결합 전기 요금 중 적어도 하나 이상이 적용될 수 있다. 특히 본 실시 예에서, 동적 요금제는 전력 요금이 최대가 되는 구간을 피크타임 구간으로 설정하고, 나머지 구간을 피크타임 이외의 구간으로 설정하여 요금을 부과하는 요금제가 적용될 수 있다.

본 실시 예에서, 피크타임 구간은 계절별, 시간 별로 서로 다를 수 있다. 예를 들어, 8월의 여름에는 냉방기 사용이 많은 시간대 14시 내지 16시 사이가 피크타임 구간이 될 수 있다. 또한, 12월의 겨울에는 난방기 사용이 많은 시간대인 18시 내지 21시 사이가 피크타임 구간이 될 수 있다. 이러한 피크타임 구간에서는 피크타임 이외의 구간보다 전력 사용량에 따른 전기 요금이 더 비쌀 수 있다.

한편, 도 2를 참조하면, 가전기기 스케줄링 시스템(1)은 가전기기 스케줄링 장치(100), 사용자 단말(200), 서버(300) 및 네트워크(400)를 포함하여 구성될 수 있다. 즉 가전기기 스케줄링 시스템(1)은 가전기기 스케줄링 장치(100), 사용자 단말(200), 서버(300) 및 네트워크(400)를 통해 세탁기의 스케줄링을 수행하고, 스케줄에 기반하여 세탁기를 구동을 제어하고, 사용자에게 세탁기의 스케줄에 대해 알리는 등을 수행할 수 있다.

이때, 본 실시 예에서는, 사용자들이 사용자 단말(200)에서 구현되는 어플리케이션 또는 웹사이트에 접속하여, 세탁기의 스케줄링을 수행하거나 세탁기의 스케줄을 확인하는 등의 과정을 수행할 수도 있다. 이러한 사용자 단말(200)은 가전기기 스케줄링 어플리케이션 또는 가전기기 스케줄링 웹사이트에 접속한 후 인증 과정을 통하여 서비스를 제공받을 수 있다. 인증 과정은 회원가입 등 사용자 정보를 입력하는 인증, 사용자 단말에 대한 인증 등을 포함할 수 있으나, 이에 한정되지 않고 가전기기 스케줄링 장치(100) 및/또는 서버(300)에서 전송되는 링크에 접속하는 것만으로 인증 과정이 수행될 수도 있다.

본 실시 예에서, 사용자 단말(200)은 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말(200)은 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말(200)은 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.

본 실시 예에서 가전기기 스케줄링 시스템(1)은 가전기기 스케줄링 장치(100) 및/또는 서버(300)에 의해 구현될 수 있는데, 이때 서버(300)는 가전기기 스케줄링 장치(100)가 포함되는 가전기기 스케줄링 시스템(1)을 운용하기 위한 서버일 수 있다. 즉, 본 실시 예에서, 가전기기 스케줄링을 수행하는 주체는 집, 사무실, 공장 또는 외부에 위치한 서버, 사무기기들, 가전기기들 및 공간 내 전력공급망과 통신을 통해 사무기기, 가전기기, 공간 내 전력공급망의 동작을 제어하는 서버일 수 있으며, 예를 들어, IoT 제어 서버를 의미할 수 있다.

또한 서버(300)는 가전기기 스케줄링 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다.

그 밖에 서버(300)는 사용자 단말(200)에 설치된 가전기기 스케줄링 어플리케이션 또는 가전기기 스케줄링 웹 브라우저를 이용하여 가전기기 스케줄링 장치(100)를 원격에서 제어할 수 있도록 하는 웹 서버 또는 어플리케이션 서버를 포함할 수 있다. 또한 서버(300)는 각종 인공 지능 알고리즘을 적용하는데 필요한 빅데이터 서버, 각종 인공 지능 알고리즘의 연산을 수행하는 AI 서버 등을 포함할 수 있으며, 상술하는 서버들을 포함하거나 이러한 서버들과 네트워킹 할 수 있다.

이때, 서버(300)가 AI 서버인 경우, 가전기기 스케줄링 시스템(1) 환경을 구성하는 구성들과 네트워크(400)를 통하여 연결되고, 연결된 구성들의 AI 프로세싱을 적어도 일부를 도울 수 있다. 이때, 서버(300)는 가전기기 스케줄링 시스템(1)의 구성들을 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 구성들에 전송할 수 있다. 이때, 서버(300)는 구성들로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 구성들로 전송할 수 있다. 또는, 구성들은 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.

또한, 인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접적으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공 지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공 지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

네트워크(400)는 가전기기 스케줄링 시스템(1)에서 가전기기 스케줄링 장치(100), 서버(300) 및 사용자 단말(200)을 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(Wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi(Wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 3은 본 개시의 일 실시 예에 따른 가전기기 스케줄링 장치를 개략적으로 나타낸 블록도이고, 도 4는 본 개시의 일 실시 예에 따른 가전기기 스케줄링 장치를 보다 구체적으로 나타낸 도면이다.

도 3에 도시된 바와 같이, 가전기기 스케줄링 장치(100)는 통신부(110), 사용자 인터페이스(120), 메모리(130) 및 프로세서(140)를 포함할 수 있다.

통신부(110)는 네트워크(400)와 연동하여 외부 장치(서버를 포함) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 또한 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. 이러한 통신부(110)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

즉, 프로세서(140)는 통신부(110)를 통해 연결된 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다. 그리고, 통신부(110)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다.

사용자 인터페이스(120)는 세탁기의 스케줄링을 위해 가전기기 스케줄링 장치(100)에 적용되는 세탁기 사용에 대한 과거 데이터들이 획득 및 수집되고, 세탁기의 스케줄링을 위한 사용자 요청 및 명령들이 입력되는 입력 인터페이스를 포함할 수 있다. 이때 과거 데이터는 각종 센서들을 통해 센싱되거나 서버로부터 획득될 수 있고, 또는 사용자에 의해 입력될 수 있다.

그리고 사용자 인터페이스(120)는 가전기기 스케줄링 장치(100)에서 수행된 결과가 출력되는 출력 인터페이스를 포함할 수 있다. 예를 들어, 세탁기의 스케줄링에 대해 출력될 수 있으며, 그 외 세탁기의 전력 사용량 등이 출력될 수 있다. 즉 사용자 인터페이스(120)는 세탁기의 스케줄링을 위한 사용자 요청 및 명령에 따른 결과를 출력할 수 있다.

이러한 사용자 인터페이스(120)의 입력 인터페이스와 출력 인터페이스는 동일한 인터페이스에서 구현될 수 있다.

또한 사용자 인터페이스(120)는 세탁기 측, 사용자 단말(200) 등에 구비되는 경우, 세탁기와 관련한 정보를 입력할 수 있을 뿐만 아니라, 세탁과 관련한 정보를 확인할 수 있는 구성이다. 즉, 사용자와의 인터페이스를 위한 구성이다.

이 경우, 사용자 인터페이스(120)는 세탁기의 컨트롤을 위해 입력 및 출력이 가능한 컨트롤패널을 의미할 수 있다. 이를 위해 사용자 인터페이스(120)는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다. 일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다. 이와 같은 사용자 인터페이스(120)는 예를 들어 터치 인식이 가능한 OLED(organic light emitting display) 또는 LCD(liquid crystal display) 또는 LED(light emitting display)와 같은 소정의 디스플레이 부재일 수 있다.

한편 본 실시 예에서, 가전기기 스케줄링 장치(100)는 소정의 일정 공간(예를 들어, 본 실시 예에서는 가정 등)에 구비될 수 있으며, 세탁기와 동일한 공간에 배치될 수 있으나, 이에 한정되지는 않는다.

메모리(130)는 가전기기 스케줄링 장치(100)의 동작에 필요한 각종 정보들을 저장하고, 가전기기 스케줄링 장치(100)를 동작시킬 수 있는 제어 소프트웨어를 저장할 수 있는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다.

메모리(130)는 하나 이상의 프로세서(140)와 연결되는 것으로, 프로세서(140)에 의해 실행될 때, 프로세서(140)로 하여금 가전기기 스케줄링 장치(100)를 제어하도록 야기하는(cause) 코드들을 저장할 수 있다.

여기서, 메모리(130)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(130)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.

특히, 본 실시 예에서, 메모리(130)에는 본 개시에 따른 신경망 모델, 신경망 모델을 이용하여 본 개시의 다양할 실시 예를 구현할 수 있도록 구현된 모듈이 저장될 수 있다. 그리고, 메모리(130)에는 본 개시에 따른 학습을 수행하기 위한 알고리즘에 관련된 정보가 저장될 수 있다. 그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(130)에 저장될 수 있으며, 메모리(130)에 저장된 정보는 서버 또는 외부 장치로부터 수신되거나 사용자에 의해 입력됨에 따라 갱신될 수도 있다.

한편, 도 4는 가전기기를 위해 설계된 프레임 워크를 나타낸 것으로, 가전기기에 전원을 공급하기 위해 전력망(AC Grid)과 에너지 저장 시스템(Energy Storage System)과 같은 두 개의 전원이 고려될 수 있다. 이때 에너지 저장 시스템은 피크 생성시 재생 가능 에너지의 저장 장치로 사용될 수 있고, 또한 피크 쉐이빙(peak shaving)을 위해서도 이용될 수 있다. 즉 에너지 저장 시스템은 배터리(미도시)에 신재생에너지 발전기가 생산한 전력을 저장하였다가 피크타임 구간에서 저장된 전력을 공급하여 공급전력과 수요전력의 균형을 유지할 수 있다. 또한 에너지 저장 시스템은 배터리 관리 시스템(battery management system, 미도시)을 구비하여 잔존용량을 관리하고, PCS(power conversion system, 미도시)를 구비하여 출력을 조정할 수 있다.

본 실시 예에서는, 세탁기의 온/오프를 감지하기 위한 센서와 전력망 및 에너지 저장 시스템으로부터 세탁기로의 전력 흐름, 즉 전원 라인을 변경하는 등의 제어를 위한 릴레이가 구비될 수 있다.

또한 세탁기의 시계열 데이터(Time Series data WM)는 클라우드 DB(Cloud Database)에 저장될 수 있다. 이때 클라우드 DB는 클라우드 형식의 데이터 베이스에 한정되는 것은 아니며, 본 실시 예의 메모리(130)와 동일 구성이거나, 가전기기의 동작을 제어하는 서버에 포함되는 것일 수 있다. 클라우드 DB에 저장된 시계열 데이터는 세탁기의 온/오프 시간을 예측하거나 제안하는데 사용될 수 있다.

한편, 본 실시 예에서는, 예를 들어, RNN 및 LSTM과 같은 AI 알고리즘(머신러닝, 인공 신경망)이 적용될 수 있으며, 시계열 데이터가 AI 알고리즘에 입력되어 세탁기 스케줄링을 위한 데이터가 출력될 수 있다. 그리고 본 실시 예에서는, 예측 및 동적 요금제(Tariff Plan)를 기반으로 세탁기(Washing machine, WM)에 가장 최적화된 스케줄링 시간을 제안할 수 있다. 이때, 가전기기가 제안된 시간에 실행되거나 사용자가 원하는 시간에 실행된 런타임 데이터는 상기 클라우드 DB에 저장될 수 있다. 그리고 상기 프로세스는 가정 내 다른 가전기기에 대해 반복될 수 있다.

즉 본 실시 예에서, 프로세서(140)는 가전기기 이용에 대한 시계열 데이터 및 가전기기의 정보를 획득할 수 있다. 예를 들어, 시계열 데이터는 시간대별로 가전기기가 동작하는지 여부 또는 가전기기가 얼마나 동작되는지 등의 정보를 의미하는 것이고, 가전기기의 정보는 가전기기의 종류, 가전기기의 소비전력 등을 의미하는 것이다.

그리고 프로세서(140)는 시계열 데이터에 따른 가전기기의 시간대별 사용패턴에 기초하여 가전기기의 제 1 스케줄링을 생성할 수 있다. 이때 프로세서(140)는 가전기기의 동작을 제어하는 서버에 저장된 가전기기 동작 예측 신경망 모델을 이용하여 제 1 스케줄링을 생성할 수 있다.

여기서, 가전기기 동작 예측 신경망 모델은, 가전기기의 종류, 가전기기의 구동 여부 및 가전기기의 소비 전력량을 입력으로 하고, 전력 요금이 최대가 되는 피크타임 구간 및 피크타임 이외의 구간에서 가전기기의 구동 여부 및 소비전력량을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델일 수 있다.

또한 본 실시 예에서, 가전기기 동작 예측 신경망 모델은, RNN(Recurrent Nueral Network) 또는 LSTM(Long Short Term Memory) 구조로 구성될 수 있다. RNN은 히든 노드가 방향을 가진 엣지로 연결돼 순환구조를 이루는(directed cycle) 인공신경망의 한 종류이다. 즉 RNN은 음성, 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델이다. 또한 LSTM은 RNN을 기반으로 하는 것으로, RNN의 장기의존성 문제를 보완할 수 있으며, 단일 네트워크 레이어를 가지지 않고 4개의 상호 작용 가능한 구조로 이루어져 있다.

그리고 프로세서(140)는 제 1 스케줄링에 대한 긍정 판단이 이루어진 경우, 가전기기가 연결된 배전계통에서의 피크타임 및 피크타임 이외의 전기 요금에 대한 정보를 포함하는 동적 전기 요금(dynamic tariff) 데이터를 획득할 수 있다. 이때 본 실시 예에서는, 지자체, 공공서버, 지역 전력회사 등의 서버로부터 동적 전기 요금을 획득할 수 있으며, 획득된 동적 전기 요금은 가전기기의 동작을 제어하는 서버에 저장될 수 있다. 저장된 동적 전기 요금은 변경되는 경우나 일정 주기마다 업데이트 될 수 있다.

이때, 제 1 스케줄링에 대한 긍정 판단은, 제 1 스케줄링에 대한 사용자의 확인을 요청하는 단계 및 제 1 스케줄링에 대한 사용자의 긍정 확인 신호를 수신하는 단계를 통해 이루어질 수 있다.

예를 들어, 프로세서(140)는 제 1 스케줄링을 생성한 후, 가전기기에 연결된 사용자 단말로 제 1 스케줄링에 대한 사용자의 확인을 요청할 수 있으며, 요청에 대해 긍정 또는 부정 확인 신호를 수신할 수 있다. 즉 사용자의 긍정 확인 신호가 수신되는 경우 해당 스케줄링대로 가전기기를 동작시킬 수 있는 것이다.

그러나 실시 예에 따라서는, 사용자의 확인을 받는 과정이 없더라도 제 1 스케줄링대로 가전기기가 동작되도록 할 수도 있다. 즉 프로세서(140)는 시계열 데이터 및 가전기기의 정보에 기초하여 가전기기의 동작 변경 가능성을 판단하는 단계 및 동작 변경 가능성에 기초하여, 제 1 스케줄링에 대한 타당성을 평가하는 단계를 통해, 제 1 스케줄링에 대한 긍정 판단이 이루어질 수도 있다.

이때 프로세서(140)는 가전기기의 종류 및 가전기기의 시간대별 사용패턴에 따른 반복 정도에 기초하여 가전기기의 동작 변경 가능성을 판단할 수 있다. 여기서, 반복 정도는, 일정 기간을 기준으로 하여 가전기기가 동일한 시간에 동일한 동작을 수행하는 횟수가 설정 횟수 이상인지에 따라 판단될 수 있다. 즉 일정 기간을 기준으로 하여 가전기기가 규칙성을 가지고 동작하는 경우, 예를 들어, 일정 기간 동안 매일 같은 시간에 동작되는 등의 상황을 의미할 수 있다.

본 실시 예에서, 동작 변경 가능성이 있는 가전기기는 예를 들어, 디밍 조절이 가능한 조명, 핸드폰 충전기, 전기차 충전기, 세탁기, 건조기 등을 포함할 수 있다. 동작 변경 가능성이 있는 가전기기는 충전이 가능하고, 기기의 동작 시간 변경이 용이할 수 있다. 일 예로, 핸드폰 충전기 또는 전기차 충전기의 경우, 연결된 기기는 핸드폰 또는 전기차일 수 있고, 핸드폰 또는 전기차는 사용자(소비자)의 선택에 의해 동작 시간 변경이 용이할 수 있다.

또한 동작 변경 가능성이 있는 가전기기는 에어컨을 포함할 수도 있으며, 예를 들어, 에어컨의 경우 전력 요금이 최대가 되는 피크타임이 시작되기 15분 전에 구동이 예측되거나 구동 명령을 받는다면 피크타임이 되기 전까지 평균 구동 레벨보다 높은 구동 레벨로 15분 동안 동작하고, 피크타임이 시작되면 낮은 구동 레벨로 동작하도록 스케줄링 될 수 있다.

그리고 프로세서(140)는 제 1 스케줄링이 일정 기간 축적된 시계열 데이터와 겹쳐지는 시간 정도가 임계치 이상인지에 따라 제 1 스케줄링에 대한 타당성을 평가할 수 있다. 이때, 임계치는, 동작 변경 가능성과 반비례 관계로 대응하여 설정될 수 있다. 예를 들어, 동작 변경 가능성을 수치로 나타내면 동작 변경 가능성이 0인 경우는 동작 변경 가능성이 전혀 없는 경우를 의미한다. 이는 24시간 중에 변경 가능 시간이 0 시간이라는 의미로, 0/24=0으로 표현할 수 있다. 이와 같이, 동작 변경 가능성이 0인 가전기기는 동작을 위해서 고정 전력을 소비해야 하는 또는 해당 시간대에 반드시 사용해야 하는 기기로서, 예를 들어, 사무실의 근무시간 조명, 냉장고, 경보 발생 장치, 감시 장치 등을 포함할 수 있다. 동작 변경 가능성이 없는 가전기기는 충전이 불가능하지만, 내부에 배터리를 구비하고 있는 경우 충전이 가능할 수도 있다. 또한, 동작 변경 가능성이 없는 가전기기는 기기의 동작 시간 변경이 용이할 수 없으며, 일 예로, 냉장고의 경우, 동작 시간 변경이 용이한 경우 보관된 식품이 상할 수도 있다.

그리고 동작 변경 가능성이 1인 경우는 동작 변경 가능성이 가장 높은 경우를 나타내는 것으로, 24시간 중에 변경 가능 시간이 24 시간이라는 의미로, 24/24=1로 표현할 수 있다. 즉 동작 변경 가능성은 0에서 1로 수치화하여 표현할 수 있으며, 수가 커질수록 동작 변경 가능성이 높은 것이다. 한편 예측 단위가 되는 시간은 24시간, 이외에 6시간, 1주일, 한달 등 다양한 기간이 될 수도 있다. 또한, 동작 변경 가능 시간은 기기의 동작 이력(예를 들어, 예측 단위의 몇 배에 이르는 기간 동안의 기기 동작 이력 정보)을 통해 자동으로 판단될 수도 있으나, 사용자의 입력에 의해 변동 불가능한 시간이 기기 자체에 또는 기기의 동작을 제어하는 서버에 입력될 수도 있다.

그리고, 동작 변경 가능성이 높을수록 24시간 기준 대부분의 시간이 변경되어도 상관없는 상황을 의미하므로, 일정 기간 축적된 시계열 데이터와 제 1 스케줄링이 겹쳐지는 시간 정도에 기반한 제 1 스케줄링에 대한 타당성을 평가하기 위한 임계치는, 동작 변경 가능성이 높을수록 낮게 설정될 수 있다. 다시 말해, 동작 변경 가능성이 높을수록 일정 기간 축적된 시계열 데이터와 제 1 스케줄링이 겹쳐지는 시간이 적어도, 제 1 스케줄링이 타당하다고 판단될 수 있으므로, 동작 변경 가능성과 임계치는 반비례 관계로 설정할 수 있다.

한편 프로세서(140)는 동적 전기 요금 데이터에 기초하여, 가전기기의 제 1 스케줄링이 피크타임에 속하는 피크타임 동작 정도를 판단할 수 있다. 여기서, 피크타임 동작 정도란, 제 1 스케줄링이 피크타임 시간대에 동작하는 시간 값 또는 비율을 말하는 것이다. 예를 들어, 제 1 스케줄링이 다음 24시간 동안 언제 가전기기를 동작할지에 대한 것이라면, 다음 24시간 중 피크타임 시간대에 동작하는 시간 값(예를 들어, 3시간), 또는 24시간 중 피크타임에 속하는 동작 시간의 비율(예를 들어, 24시간 중 피크타임에 속하는 동작 시간이 3시간임을 나타내는 경우 3/24, 또는 24시간 중 가전기기 동작시간이 8시간이고, 그 중 피크타임에 속하는 동작 시간이 3시간임을 나타내는 경우 3/8)을 포괄하여 피크타임 동작 정도라고 표현할 수 있다.

프로세서(140)는 상기와 같은 피크타임 동작 정도가 임계치 이상인 경우, 제 1 스케줄링을 변경하여 전기 요금이 최소가 되는 제 2 스케줄링을 생성할 수 있다.

본 실시 예에서, 프로세서(140)는 제 1 스케줄링을 기반으로 하여, 피크타임 구간에 포함되는 가전기기의 동작 시간을 피크타임 이외의 구간으로 변경함으로써, 제 2 스케줄링을 생성할 수 있다. 즉 제 1 스케줄링을 기반으로, 가전기기가 피크타임에 동작되는 시간이 너무 많아 전기 요금이 많이 나올 것으로 판단되면, 전기 요금이 최소가 될 수 있도록 피크타임 구간에 동작되는 스케줄을 피크타임 이외의 구간에 동작되도록 변경하여 새로운 스케줄링을 수행하는 것이다.

다만, 가전기기의 동작 시간 중 사용자의 설정이나 서버로부터의 설정 등에 의해 변경 불가능한 시간이 있는 경우에는 해당 시간대가 피크타임 구간이라고 하더라도 변경할 수 없다.

즉, 프로세서(140)는 제 1 스케줄링을 기반으로 하여, 가전기기의 동작 시간이 피크타임 구간 중 적어도 일부 및 피크타임 이외의 구간 중 적어도 일부에 포함됨에 따라, 피크타임 구간에서는 가전기기의 구동 레벨이 미리 정해진 기준 구동 레벨보다 소비전력이 더 낮은 구동 레벨로 구동되도록 하고, 피크타임 이외의 구간에서는 전자기기의 구동 레벨이 기준 구동 레벨보다 소비전력이 더 높은 구동 레벨로 구동되도록 제 2 스케줄링을 생성할 수 있다.

일 실시 예로, 세탁기가 피크타임 구간 및 피크타임 이외의 구간에 걸쳐 동작하는 경우, 피크타임 구간에서는 세탁기의 구동 레벨을 미리 정해진 기준 구동레벨(예를 들어 세탁 강도 50)보다 소비전력이 더 낮은 구동 레벨(예를 들어, 세탁 강도 40)으로 구동되도록 하고, 피크타임 이외의 구간에서는 세탁기의 구동 레벨을 미리 정해진 기준 구동레벨(예를 들어 세탁 강도 50)보다 소비전력이 더 높은 구동 레벨(예를 들어, 세탁 강도 70)으로 구동되도록 스케줄링 함으로써, 피크타임 구간 동안 전력 요금을 절약할 수 있다. 다른 예로, 세탁기의 구동 시간이 피크타임의 시작 시간으로부터 제1 시간 범위 이전(예를 들어 피크타임 15분 전)이라면 피크타임 시작 전까지 기준 구동레벨보다 더 높은 구동 레벨로 세탁기를 구동시키고 피크타임 시작 이후에는 기준 구동레벨보다 더 낮은 구동 레벨로 세탁기가 구동되도록 스케줄링 할 수도 있다.

그리고 프로세서(140)는 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우, 제 2 스케줄링 데이터를 가전기기의 동작을 제어하는 서버에 저장할 수 있다. 이때 본 실시 예에서, 프로세서(140)는 저장된 제 2 스케줄링 데이터를 이용하여 가전기기 동작 예측 신경망 모델을 업데이트할 수 있다.

반면, 본 실시 예에서는, 제 2 스케줄링에 대한 사용자의 부정 확인 신호를 수신하는 경우에는, 사용자에게 대체 스케줄을 요청하여, 수신되는 대체 스케줄을 가전기기의 동작을 제어하는 서버에 저장할 수 있다. 이때 서버에 의해 제안된 제 2 스케줄링과 사용자에 의해 생성되는 대체 스케줄은 각각 구분되어 서버에 저장될 수 있다.

한편, 본 실시 예에서, 제 2 스케줄링에 대한 긍정 판단은, 제 2 스케줄링에 대한 사용자의 확인을 요청하는 단계 및 제 2 스케줄링에 대한 사용자의 긍정 확인 신호를 수신하는 단계를 통해 이루어질 수 있다. 즉 프로세서(140)는 사용자 단말 등을 통해 사용자에게 제 2 스케줄링에 대한 긍정 확인 신호를 수신한 경우, 제 2 스케줄링대로 가전기기가 동작하도록 할 수 있는 것이다.

다만, 실시 예에 따라서, 제 2 스케줄링에 대한 사용자 확인이 없는 경우에도, 제 2 스케줄링이 자동 수행될 수 있도록 하기 위해, 제 1 스케줄링에 따른 전기 요금을 산출하는 단계 및 제 2 스케줄링에 따른 전기 요금이 상기 제 1 스케줄링에 따른 전기 요금 미만인지 확인하여 제 2 스케줄링에 대한 타당성을 평가하는 단계를 통해, 제 2 스케줄링에 대한 긍정 판단을 수행할 수 있다. 즉 프로세서(140)는 제 2 스케줄링에 따른 전기 요금이 제 1 스케줄링에 따른 전기 요금 미만이면, 제 1 스케줄링에서 동적 전기 요금을 기반으로 변경된 제 2 스케줄링의 요금이 더 저렴해서 제 2 스케줄링이 타당하다고 판단할 수 있다.

한편 본 실시 예에서는, 제 2 스케줄링에 대한 부정 판단이 이루어지거나, 제 2 스케줄링에 대한 사용자의 부정 확인 신호를 수신하는 경우, 가전기기의 동작에 대한 복수의 스케줄을 생성할 수 있다. 예를 들어, 사용자의 가전기기 사용패턴을 기준으로 하되, 다양한 복수의 스케줄을 생성할 수 있다. 이때 프로세서(140)는 복수의 스케줄링 중 제 1 스케줄링과 가장 가까운 제 3 스케줄링을 대체 스케줄링으로 선정할 수 있으나, 이에 한정되는 것은 아니며 다양한 선정 방식이 적용될 수 있다. 또한, 대체 스케줄링으로 선정된 스케줄도 부정되는 경우에는 복수의 스케줄링 중 제 1 스케줄링과 다음으로 가까운 스케줄링을 다시 대체 스케줄링으로 선정할 수도 있다. 이는 제 1 스케줄링에서 변경된 스케줄링이 부정된 제 2 스케줄링이 아닌 제 3 스케줄링으로 선정될 때까지 반복되거나 아예 다른 선정 방식이 적용되어 새롭게 대체 스케줄링이 선정될 수도 있다.

한편, 본 실시 예에서는, 도 4에 도시된 센서 및 릴레이가 집 내부(실시 예에 따라서는 집 외부에 구비될 수도 있음.)의 전력 라인에 구비되어, 가전기기의 스케줄링에 따라 전력망 또는 에너지 저장 시스템으로부터의 전원이 가전기기로 제공될 수 있도록 동작할 수 있다. 다만 실시 예에 따라서는, 전력망 또는 에너지 저장 시스템으로부터의 전원 흐름은 별도 전력 관리 장치(또는 서버)에서 제어되고, 제공된 전원에 의해 가전기기가 스케줄링에 따라 동작할 수 있도록 센서 및 릴레이가 구비될 수도 있다.

한편, 본 실시 예에서는, 세탁기가 구비된 일정 영역에 세탁기를 제외한 복수의 가전기기가 있는 경우, 복수의 가전기기 각각에 대한 스케줄링에 기초하여 전체 스케줄링을 수행할 수 있다.

예를 들어, 프로세서(140)는 전체 스케줄링을 수행할 때, 복수의 가전기기 각각에 대한 스케줄을 생성하고, 동시에 구동 가능한 가전기기 수, 전력량, 부하량 및 전기 요금 중 적어도 하나 이상에 대한 설정을 확인할 수 있다. 그리고 프로세서(140)는 동시 구동 설정에 기초하여, 동일 시간대에 스케줄이 겹치는 가전기기가 있는 경우, 가중치가 높은 가전기기를 선정할 수 있다. 이때 가중치는, 사용자가 설정한 우선순위, 사용량, 부하량 및 해당 가전기기에 소요되는 전기 요금 중 적어도 하나 이상에 기초하여 설정될 수 있다.

이와 같은 프로세서(140)는 가전기기 스케줄링 장치(100)의 전반적인 동작을 제어할 수 있다. 구체적으로, 프로세서(140)는 메모리(130)를 포함하는 가전기기 스케줄링 장치(100)의 구성과 연결되며, 메모리(130)에 저장된 적어도 하나의 명령을 실행하여 가전기기 스케줄링 장치(100)의 동작을 전반적으로 제어할 수 있다.

프로세서(140)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(140)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(Hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다.

프로세서(140)는 일종의 중앙처리장치로서 메모리(130)에 탑재된 제어 소프트웨어를 구동하여 가전기기 스케줄링 장치(100) 전체의 동작을 제어할 수 있다. 프로세서(140)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

한편, 본 실시 예에서는, 처리부(미도시)를 더 포함하여, 프로세서(140)의 외부에 구비되거나 프로세서(140)의 내부에 구비되어 프로세서(140)처럼 동작할 수도 있으며, 서버(300) 내부에 구비될 수도 있다. 또한 이러한 처리부는 머신 러닝 연산만을 처리하도록 구성될 수도 있다.

즉 본 실시 예에서 처리부는 시계열 데이터를 기반으로 사용자의 세탁기 사용 패턴을 분석하기 위하여 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있으며, 이때 메모리(130)는 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 본 실시 예에서 딥러닝 구조는 RNN(recurrent neural network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. 상술한 바와 같이, RNN은 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다. 한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.

즉 가전기기 스케줄링 장치(100)에는 인공신경망(artificial neural network)이 탑재될 수 있다. 이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 처리부는 설정에 따라 학습 후 인공신경망 구조를 업데이트시키도록 제어할 수 있다.

또한 처리부는 사용자가 세탁기를 사용하면서 발생되는 데이터를 서버에 저장하여 빅데이터를 구성하고, 서버단에서 딥러닝을 실행하여 관련 파라미터를 가전기기 스케줄링 장치(100) 내부에 업데이트하여 점차 정교해지도록 할 수 있다. 따라서 본 실시 예는, 학습된 모델로 판단한 후에도 계속 데이터를 수집하고, 기계학습모델을 적용하여 재학습시켜서, 재학습된 모델로 성능을 향상시킬 수 있다.

도 5는 본 개시의 일 실시 예에 따른 가전기기 스케줄링 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 5에 도시된 바와 같이, S10단계에서, 가전기기 스케줄링 장치(100)는 가전기기 이용에 대한 시계열 데이터 및 가전기기의 정보를 획득한다.

본 실시 예에서, 시계열 데이터는 사용자의 과거 가전기기 사용 내역에 관한 것으로, 일부 데이터가 미리 저장되어 있을 수 있다. 다만 이에 한정되는 것은 아니며, 일정 구역의 평균적인 수치 등을 산출한 임의의 데이터일 수도 있다. 또한 예를 들어, 시계열 데이터는 시간대별로 가전기기가 동작하는지 여부 또는 가전기기가 얼마나 동작되는지 등의 정보를 의미하는 것이고, 가전기기의 정보는 가전기기의 종류, 가전기기의 소비전력 등을 의미하는 것이다.

S20단계에서, 가전기기 스케줄링 장치(100)는 시계열 데이터에 따른 가전기기의 시간대별 사용패턴에 기초하여 가전기기의 제 1 스케줄링을 생성한다.

즉, 가전기기 스케줄링 장치(100)는 기 저장된 가전기기 이용에 대한 시계열 데이터를 획득할 수 있으며, 시계열 데이터에 따른 가전기기의 시간대별 사용패턴에 기초하여 가전기기의 스케줄링을 수행할 수 있다. 다시 말해, 본 실시 예에서는, 먼저 시계열 예측을 적용하여 가전기기의 턴 온/오프(turn on/off) 스케줄을 인식할 수 있다.

이때 가전기기 스케줄링 장치(100)는 가전기기의 동작을 제어하는 서버에 저장된 가전기기 동작 예측 신경망 모델을 이용하여 제 1 스케줄링을 생성할 수 있다. 여기서, 가전기기 동작 예측 신경망 모델은, 가전기기의 종류, 가전기기의 구동 여부 및 가전기기의 소비 전력량을 입력으로 하고, 전력 요금이 최대가 되는 피크타임 구간 및 피크타임 이외의 구간에서 가전기기의 구동 여부 및 소비전력량을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델일 수 있다. 또한 본 실시 예에서, 가전기기 동작 예측 신경망 모델은, RNN(Recurrent Neural Network) 또는 LSTM(Long Short Term Memory) 구조로 구성될 수 있다.

S30단계에서, 가전기기 스케줄링 장치(100)는 제 1 스케줄링에 대한 긍정 판단 여부를 확인하며, S40단계에서, 제 1 스케줄링에 대한 긍정 판단이 이루어진 경우(S30단계의 예), 가전기기가 연결된 배전계통에서의 피크타임 및 피크타임 이외의 전기 요금에 대한 정보를 포함하는 동적 전기 요금(dynamic tariff) 데이터를 획득한다.

이때, 제 1 스케줄링에 대한 긍정 판단은, 제 1 스케줄링에 대한 사용자의 확인을 요청하는 단계 및 제 1 스케줄링에 대한 사용자의 긍정 확인 신호를 수신하는 단계를 통해 이루어질 수 있다.

예를 들어, 가전기기 스케줄링 장치(100)는 제 1 스케줄링을 생성한 후, 가전기기에 연결된 사용자 단말로 제 1 스케줄링에 대한 사용자의 확인을 요청할 수 있으며, 요청에 대해 긍정 또는 부정 확인 신호를 수신할 수 있다. 즉 사용자의 긍정 확인 신호가 수신되는 경우 해당 스케줄링대로 가전기기를 동작시킬 수 있는 것이다.

그러나 실시 예에 따라서는, 사용자의 확인을 받는 과정이 없더라도 제 1 스케줄링대로 가전기기가 동작되도록 할 수도 있다. 즉 가전기기 스케줄링 장치(100)는 시계열 데이터 및 가전기기의 정보에 기초하여 가전기기의 동작 변경 가능성을 판단하는 단계 및 동작 변경 가능성에 기초하여, 제 1 스케줄링에 대한 타당성을 평가하는 단계를 통해, 제 1 스케줄링에 대한 긍정 판단이 이루어질 수도 있다.

이때 가전기기 스케줄링 장치(100)는 가전기기의 종류 및 가전기기의 시간대별 사용패턴에 따른 반복 정도에 기초하여 가전기기의 동작 변경 가능성을 판단할 수 있다. 여기서, 반복 정도는, 일정 기간을 기준으로 하여 가전기기가 동일한 시간에 동일한 동작을 수행하는 횟수가 설정 횟수 이상인지에 따라 판단될 수 있다. 즉 일정 기간을 기준으로 하여 가전기기가 규칙성을 가지고 동작하는 경우, 예를 들어, 일정 기간 동안 매일 같은 시간에 동작되는 등의 상황을 의미할 수 있다.

그리고 가전기기 스케줄링 장치(100)는 제 1 스케줄링이 일정 기간 축적된 시계열 데이터와 겹쳐지는 시간 정도가 임계치 이상인지에 따라 제 1 스케줄링에 대한 타당성을 평가할 수 있다. 이때, 임계치는, 동작 변경 가능성과 반비례 관계로 대응하여 설정될 수 있다. 다시 말해, 동작 변경 가능성이 높을수록 일정 기간 축적된 시계열 데이터와 제 1 스케줄링이 겹쳐지는 시간이 적어도, 제 1 스케줄링이 타당하다고 판단될 수 있으므로, 동작 변경 가능성과 임계치는 반비례 관계로 설정할 수 있다.

한편, 제 1 스케줄링에 대한 부정 판단이 이루어진 경우(S30단계의 아니오)에는, S20단계로 회귀하여 제 1 스케줄링을 다시 수행할 수 있다.

S50단계에서, 가전기기 스케줄링 장치(100)는 동적 전기 요금 데이터에 기초하여, 가전기기의 제 1 스케줄링이 피크타임에 속하는 피크타임 동작 정도를 판단한다.

여기서, 피크타임 동작 정도란, 제 1 스케줄링이 피크타임 시간대에 동작하는 시간 값 또는 비율을 말하는 것이다. 예를 들어, 제 1 스케줄링이 다음 24시간 동안 언제 가전기기를 동작할지에 대한 것이라면, 다음 24시간 중 피크타임 시간대에 동작하는 시간 값(예를 들어, 3시간), 또는 24시간 중 피크타임에 속하는 동작 시간의 비율(예를 들어, 24시간 중 피크타임에 속하는 동작 시간이 3시간임을 나타내는 경우 3/24)을 포괄하여 피크타임 동작 정도라고 표현할 수 있다.

S60단계에서, 가전기기 스케줄링 장치(100)는 피크타임 동작 정도가 임계치 이상인 경우(S50단계의 예), 제 1 스케줄링을 변경하여 전기 요금이 최소가 되는 제 2 스케줄링을 생성한다.

즉 가전기기 스케줄링 장치(100)는 제 1 스케줄링의 피크타임 동작 정도가 임계치 이상으로, 가전기기가 피크타임에 너무 많이 구동되어 전기 요금이 많이 나올 것 같다고 판단되는 경우 제 1 스케줄링을 변경하는 것이다.

본 실시 예에서, 가전기기 스케줄링 장치(100)는 제 1 스케줄링을 기반으로 하여, 피크타임 구간에 포함되는 가전기기의 동작 시간을 피크타임 이외의 구간으로 변경함으로써, 제 2 스케줄링을 생성할 수 있다. 즉 가전기기 스케줄링 장치(100)는 제 1 스케줄링의 피크타임 동작 정도가 임계치 이상으로, 가전기기가 피크타임에 동작되는 시간이 너무 많아 전기 요금이 많이 나올 것으로 판단되면, 전기 요금이 최소가 될 수 있도록 피크타임 구간에 동작되는 스케줄을 피크타임 이외의 구간에 동작되도록 변경하여 새로운 스케줄링을 수행하는 것이다.

또한, 가전기기 스케줄링 장치(100)는 제 1 스케줄링을 기반으로 하여, 가전기기의 동작 시간이 피크타임 구간 중 적어도 일부 및 피크타임 이외의 구간 중 적어도 일부에 포함됨에 따라, 피크타임 구간에서는 가전기기의 구동 레벨이 미리 정해진 기준 구동 레벨보다 소비전력이 더 낮은 구동 레벨로 구동되도록 하고, 피크타임 이외의 구간에서는 전자기기의 구동 레벨이 기준 구동 레벨보다 소비전력이 더 높은 구동 레벨로 구동되도록 제 2 스케줄링을 생성할 수 있다.

한편, 가전기기 스케줄링 장치(100)는 피크타임 동작 정도가 임계치 미만인 경우(S50단계의 아니오)에는, 제 1 스케줄링 데이터를 가전기기의 동작을 제어하는 서버에 저장할 수 있다.

S70단계에서, 가전기기 스케줄링 장치(100)는 제 2 스케줄링에 대한 긍정 판단 여부를 확인하며, S80단계에서, 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우(S70단계의 예), 제 2 스케줄링 데이터를 가전기기의 동작을 제어하는 서버에 저장한다.

이때 본 실시 예에서, 가전기기 스케줄링 장치(100)는 저장된 제 2 스케줄링 데이터를 이용하여 가전기기 동작 예측 신경망 모델을 업데이트할 수 있다.

한편, 본 실시 예에서, 제 2 스케줄링에 대한 긍정 판단은, 제 2 스케줄링에 대한 사용자의 확인을 요청하는 단계 및 제 2 스케줄링에 대한 사용자의 긍정 확인 신호를 수신하는 단계를 통해 이루어질 수 있다. 즉 가전기기 스케줄링 장치(100)는 사용자 단말 등을 통해 사용자에게 제 2 스케줄링에 대한 긍정 확인 신호를 수신한 경우, 제 2 스케줄링대로 가전기기가 동작하도록 할 수 있는 것이다.

다만, 실시 예에 따라서, 제 2 스케줄링에 대한 사용자 확인이 없는 경우에도, 제 2 스케줄링이 자동 수행될 수 있도록 하기 위해, 제 1 스케줄링에 따른 전기 요금을 산출하는 단계 및 제 2 스케줄링에 따른 전기 요금이 상기 제 1 스케줄링에 따른 전기 요금 미만인지 확인하여 제 2 스케줄링에 대한 타당성을 평가하는 단계를 통해, 제 2 스케줄링에 대한 긍정 판단을 수행할 수 있다. 즉 가전기기 스케줄링 장치(100)는 제 2 스케줄링에 따른 전기 요금이 제 1 스케줄링에 따른 전기 요금 미만이면, 제 1 스케줄링에서 동적 전기 요금을 기반으로 변경된 제 2 스케줄링의 요금이 더 저렴해서 제 2 스케줄링이 타당하다고 판단될 수 있다.

한편, S90단계에서, 가전기기 스케줄링 장치(100)는 제 2 스케줄링에 대한 부정 판단이 이루어진 경우(S70단계의 아니오), 대체 스케줄링을 수행한다.

즉, 본 실시 예에서는, 제 2 스케줄링에 대한 사용자의 부정 확인 신호를 수신하는 경우에는, 사용자에게 대체 스케줄을 요청하여, 수신되는 대체 스케줄을 가전기기의 동작을 제어하는 서버에 저장할 수 있다. 이때 서버에 의해 제안된 제 2 스케줄링과 사용자에 의해 생성되는 대체 스케줄은 각각 구분되어 서버에 저장될 수 있다.

또한 본 실시 예에서는, 제 2 스케줄링에 대한 부정 판단이 이루어지거나, 제 2 스케줄링에 대한 사용자의 부정 확인 신호를 수신하는 경우, 가전기기의 동작에 대한 복수의 스케줄을 생성할 수 있다. 예를 들어, 사용자의 가전기기 사용패턴을 기준으로 하되, 다양한 복수의 스케줄을 생성할 수 있다. 이때 가전기기 스케줄링 장치(100)는 복수의 스케줄링 중 제 1 스케줄링과 가장 가까운 제 3 스케줄링을 대체 스케줄링으로 선정할 수 있으나, 이에 한정되는 것은 아니며 다양한 선정 방식이 적용될 수 있다. 또한, 대체 스케줄링으로 선정된 스케줄도 부정되는 경우에는 복수의 스케줄링 중 제 1 스케줄링과 다음으로 가까운 스케줄링을 다시 대체 스케줄링으로 선정할 수도 있다.

한편, 도 5에서는 S80단계에서 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우 제 2 스케줄링 데이터를 저장하는 것으로 도시하고 있으나, S80단계는 최종 결정된 스케줄링 데이터가 저장되는 것을 설명하기 위한 것으로, 제 2 스케줄링에 대한 부정 판단에 의해 대체 스케줄링(제 3 스케줄링)이 생성된 경우 대체 스케줄링 데이터를 서버에 저장하는 것에 대해서도 설명될 수 있을 것이다.

이와 같이, 본 실시 예에서는, 제 1 스케줄링, 제 2 스케줄링 및 대체 스케줄링(제 3 스케줄링) 등을 가전기기에 연결된 사용자 단말에 전송하여 사용자에게 제공할 수 있으며, 실시 예에 따라서는, 제 1 스케줄링, 제 2 스케줄링 및 대체 스케줄링(제 3 스케줄링) 등에 기반하여, 가전기기의 동작 시간이 피크타임 구간에 포함됨에 따라, 사용자 단말로 피크타임 구간 이외의 동작 추천 시간을 전송할 수 있다. 여기서, 동작 추천 시간은, 가전기기의 종류, 가전기기가 소비하는 전력량 및 가전기기의 사용패턴에 기초하여 결정될 수 있다.

일 예로, 소비자가 12월의 겨울 어느 날 19시에 세탁기를 동작시키려고 전원을 동작시키면, 가전기기 스케줄링 장치(100)는 세탁기의 동작 시간이 피크타임 구간에 포함되어 전력 요금이 많이 산정되므로, 21시 이후 또는 다음날 오전에 세탁기를 동작시키라는 동작 추천 시간을 생성하여 사용자 단말 등으로 전송할 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

1 : 가전기기 스케줄링 시스템
100 : 가전기기 스케줄링 장치
110 : 통신부
120 : 사용자 인터페이스
130 : 메모리
140 : 프로세서
200 : 사용자 단말
300 : 서버
400 : 네트워크

Claims (20)

1. 가전기기 스케줄링 장치의 프로세서에 의해 수행되는, 가전기기 스케줄링 방법으로서,
   가전기기 이용에 대한 시계열 데이터 및 상기 가전기기의 정보를 획득하는 단계;
   상기 시계열 데이터에 따른 상기 가전기기의 시간대별 사용패턴에 기초하여 상기 가전기기의 제 1 스케줄링을 생성하는 단계;
   상기 제 1 스케줄링에 대한 긍정 판단이 이루어진 경우, 상기 가전기기가 연결된 배전계통에서의 피크타임 및 피크타임 이외의 전기 요금에 대한 정보를 포함하는 동적 전기 요금(dynamic tariff) 데이터를 획득하는 단계;
   상기 동적 전기 요금 데이터에 기초하여, 상기 가전기기의 제 1 스케줄링이 피크타임에 속하는 피크타임 동작 정도를 판단하는 단계;
   상기 피크타임 동작 정도가 임계치 이상인 경우, 상기 제 1 스케줄링을 변경하여 전기 요금이 최소가 되는 제 2 스케줄링을 생성하는 단계; 및
   상기 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우, 상기 제 2 스케줄링 데이터를 상기 가전기기의 동작을 제어하는 서버에 저장하는 단계를 포함하되,
   상기 제 1 스케줄링을 생성하는 단계는,
   상기 가전기기의 동작을 제어하는 서버에 저장된 가전기기 동작 예측 신경망 모델을 이용하여 상기 제 1 스케줄링을 생성하는 단계를 포함하고,
   상기 가전기기 동작 예측 신경망 모델은,
   가전기기의 종류, 가전기기의 구동 여부 및 가전기기의 소비 전력량을 입력으로 하고, 전력 요금이 최대가 되는 피크타임 구간 및 피크타임 이외의 구간에서 가전기기의 구동 여부 및 소비전력량을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델이며,
   상기 제 1 스케줄링에 대한 긍정 판단은,
   상기 시계열 데이터 및 상기 가전기기의 정보에 기초하여 상기 가전기기의 동작 변경 가능성을 판단하는 단계 및 상기 동작 변경 가능성에 기초하여, 상기 제 1 스케줄링에 대한 타당성을 평가하는 단계를 통해 이루어지고,
   상기 가전기기의 동작 변경 가능성을 판단하는 단계는,
   상기 가전기기의 종류 및 상기 가전기기의 시간대별 사용패턴에 따른 반복 정도에 기초하여 상기 가전기기의 동작 변경 가능성을 판단하는 단계를 포함하되, 상기 반복 정도는, 일정 기간을 기준으로 하여 상기 가전기기가 동일한 시간에 동일한 동작을 수행하는 횟수가 설정 횟수 이상인지에 따라 판단되며,
   상기 제 1 스케줄링에 대한 타당성을 평가하는 단계는,
   상기 제 1 스케줄링이 일정 기간 축적된 시계열 데이터와 겹쳐지는 시간 정도가 임계치 이상인지에 따라 상기 제 1 스케줄링에 대한 타당성을 평가하는 단계를 포함하되, 상기 임계치는, 상기 동작 변경 가능성과 반비례 관계로 대응하여 설정되고,
   상기 제 2 스케줄링에 대한 긍정 판단은,
   상기 제 1 스케줄링에 따른 전기 요금을 산출하는 단계 및 상기 제 2 스케줄링에 따른 전기 요금이 상기 제 1 스케줄링에 따른 전기 요금 미만인지 확인하여 제 2 스케줄링에 대한 타당성을 평가하는 단계를 통해 이루어지는,
   가전기기 스케줄링 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 제 1 항에 있어서,
   상기 제 2 스케줄링에 대한 사용자의 부정 확인 신호를 수신하는 경우, 상기 사용자에게 대체 스케줄을 요청하는 단계; 및
   수신되는 상기 대체 스케줄을 상기 가전기기의 동작을 제어하는 서버에 저장하는 단계를 더 포함하는,
   가전기기 스케줄링 방법.
   
7. 제 1 항에 있어서,
   상기 제 2 스케줄링에 대한 부정 판단이 이루어지거나, 상기 제 2 스케줄링에 대한 사용자의 부정 확인 신호를 수신하는 경우, 상기 가전기기의 동작에 대한 복수의 스케줄을 생성하는 단계; 및
   상기 복수의 스케줄링 중 상기 제 1 스케줄링과 가장 가까운 제 3 스케줄링을 대체 스케줄링으로 선정하는 단계를 더 포함하는,
   가전기기 스케줄링 방법.
   
8. 제 1 항에 있어서,
   저장된 상기 제 2 스케줄링 데이터를 이용하여 상기 가전기기 동작 예측 신경망 모델을 업데이트하는 단계를 더 포함하는,
   가전기기 스케줄링 방법.
   
9. 삭제
10. 제 1 항에 있어서,
    상기 제 2 스케줄링을 생성하는 단계는,
    상기 제 1 스케줄링을 기반으로 하여, 상기 피크타임 구간에 포함되는 상기 가전기기의 동작 시간을 상기 피크타임 이외의 구간으로 변경하는 단계를 포함하는,
    가전기기 스케줄링 방법.
    
11. 제 1 항에 있어서,
    상기 제 2 스케줄링을 생성하는 단계는,
    상기 제 1 스케줄링을 기반으로 하여, 상기 가전기기의 동작 시간이 상기 피크타임 구간 중 적어도 일부 및 상기 피크타임 이외의 구간 중 적어도 일부에 포함됨에 따라, 상기 피크타임 구간에서는 상기 가전기기의 구동 레벨이 미리 정해진 기준 구동 레벨보다 소비전력이 더 낮은 구동 레벨로 구동되도록 하고, 상기 피크타임 이외의 구간에서는 상기 가전기기의 구동 레벨이 상기 기준 구동 레벨보다 소비전력이 더 높은 구동 레벨로 구동되도록 제 2 스케줄링을 생성하는 단계를 포함하는,
    가전기기 스케줄링 방법.
    
12. 가전기기 스케줄링 장치로서,
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    가전기기 이용에 대한 시계열 데이터 및 상기 가전기기의 정보를 획득하는 동작,
    상기 시계열 데이터에 따른 상기 가전기기의 시간대별 사용패턴에 기초하여 상기 가전기기의 제 1 스케줄링을 생성하는 동작,
    상기 제 1 스케줄링에 대한 긍정 판단이 이루어진 경우, 상기 가전기기가 연결된 배전계통에서의 피크타임 및 피크타임 이외의 전기 요금에 대한 정보를 포함하는 동적 전기 요금(dynamic tariff) 데이터를 획득하는 동작,
    상기 동적 전기 요금 데이터에 기초하여, 상기 가전기기의 제 1 스케줄링이 피크타임에 속하는 피크타임 동작 정도를 판단하는 동작,
    상기 피크타임 동작 정도가 임계치 이상인 경우, 상기 제 1 스케줄링을 변경하여 전기 요금이 최소가 되는 제 2 스케줄링을 생성하는 동작, 및
    상기 제 2 스케줄링에 대한 긍정 판단이 이루어진 경우, 상기 제 2 스케줄링 데이터를 상기 가전기기의 동작을 제어하는 서버에 저장하는 동작을 수행하도록 구성되며,
    상기 제 1 스케줄링을 생성하는 동작은,
    상기 가전기기의 동작을 제어하는 서버에 저장된 가전기기 동작 예측 신경망 모델을 이용하여 상기 제 1 스케줄링을 생성하는 동작을 수행하도록 구성되고,
    상기 가전기기 동작 예측 신경망 모델은,
    가전기기의 종류, 가전기기의 구동 여부 및 가전기기의 소비 전력량을 입력으로 하고, 전력 요금이 최대가 되는 피크타임 구간 및 피크타임 이외의 구간에서 가전기기의 구동 여부 및 소비전력량을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델이며,
    상기 제 1 스케줄링에 대한 긍정 판단은,
    상기 시계열 데이터 및 상기 가전기기의 정보에 기초하여 상기 가전기기의 동작 변경 가능성을 판단하는 단계 및 상기 동작 변경 가능성에 기초하여, 상기 제 1 스케줄링에 대한 타당성을 평가하는 단계를 통해 이루어지고,
    상기 가전기기의 동작 변경 가능성을 판단하는 동작은,
    상기 가전기기의 종류 및 상기 가전기기의 시간대별 사용패턴에 따른 반복 정도에 기초하여 상기 가전기기의 동작 변경 가능성을 판단하는 단계를 포함하되, 상기 반복 정도는, 일정 기간을 기준으로 하여 상기 가전기기가 동일한 시간에 동일한 동작을 수행하는 횟수가 설정 횟수 이상인지에 따라 판단되며,
    상기 제 1 스케줄링에 대한 타당성을 평가하는 동작은,
    상기 제 1 스케줄링이 일정 기간 축적된 시계열 데이터와 겹쳐지는 시간 정도가 임계치 이상인지에 따라 상기 제 1 스케줄링에 대한 타당성을 평가하는 단계를 포함하되, 상기 임계치는, 상기 동작 변경 가능성과 반비례 관계로 대응하여 설정되고,
    상기 제 2 스케줄링에 대한 긍정 판단은,
    상기 제 1 스케줄링에 따른 전기 요금을 산출하는 단계 및 상기 제 2 스케줄링에 따른 전기 요금이 상기 제 1 스케줄링에 따른 전기 요금 미만인지 확인하여 제 2 스케줄링에 대한 타당성을 평가하는 단계를 통해 이루어지는,
    가전기기 스케줄링 장치.
    
13. 삭제
14. 삭제
15. 삭제
16. 삭제
17. 제 12 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제 2 스케줄링에 대한 사용자의 부정 확인 신호를 수신하는 경우, 상기 사용자에게 대체 스케줄을 요청하는 동작, 및
    수신되는 상기 대체 스케줄을 상기 가전기기의 동작을 제어하는 서버에 저장하는 동작을 더 수행하도록 구성되는,
    가전기기 스케줄링 장치.
    
18. 제 12 항에 있어서,
    상기 적어도 하나의 프로세서는,
    저장된 상기 제 2 스케줄링 데이터를 이용하여 상기 가전기기 동작 예측 신경망 모델을 업데이트하는 동작을 더 수행하도록 구성되는,
    가전기기 스케줄링 장치.
    
19. 제 12 항에 있어서,
    상기 제 2 스케줄링을 생성하는 동작은,
    상기 제 1 스케줄링을 기반으로 하여, 상기 피크타임 구간에 포함되는 상기 가전기기의 동작 시간을 상기 피크타임 이외의 구간으로 변경하는 동작을 포함하는,
    가전기기 스케줄링 장치.
    
20. 제 12 항에 있어서,
    상기 제 2 스케줄링을 생성하는 동작은,
    상기 제 1 스케줄링을 기반으로 하여, 상기 가전기기의 동작 시간이 상기 피크타임 구간 중 적어도 일부 및 상기 피크타임 이외의 구간 중 적어도 일부에 포함됨에 따라, 상기 피크타임 구간에서는 상기 가전기기의 구동 레벨이 미리 정해진 기준 구동 레벨보다 소비전력이 더 낮은 구동 레벨로 구동되도록 하고, 상기 피크타임 이외의 구간에서는 상기 가전기기의 구동 레벨이 상기 기준 구동 레벨보다 소비전력이 더 높은 구동 레벨로 구동되도록 제 2 스케줄링을 생성하는 동작을 포함하는,
    가전기기 스케줄링 장치.

Images