KR102371180B1 - 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템 - Google Patents

Abstract

에어컨 자동 제어 방법, 에어컨 자동 제어 장치, 기록매체 및 에어컨이 제공된다. 본 에어컨 자동 제어 방법에 의하면, 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하고, 감지된 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하며, 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어할 수 있게 되어, 사용자에게 적합한 최적의 온도로 에어컨을 가동시킬 수 있게 된다.

Description

인공지능 기반 스마트 홈 에어컨 자동 제어 시스템 {Smart Home Airconditioner Automatic control system based on Artificial Intelligence}

본 발명은 에어컨 자동 제어 방법 및 장치에 관한 것으로, 더욱 상세하게는, 최적의 온도로 에어컨을 작동시키기 위한 에어컨 자동 제어방법 및 장치에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 실시 예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

에어컨은 사용자에게 보다 쾌적한 실내 환경을 조성하기 위해 실내를 냉방하거나 또는 실내 공기를 정화시키는 장치를 말한다.

최근에는 인공지능 기반 에어컨이 개발되어 사용자가 더욱 편리하게 에어컨을 이용할 수 있는 환경이 조성되고 있다.

하지만, 종래의 인공지능 기반 에어컨 제어 시스템은 주로 온도 데이터를 기반으로 예상 최적 온도를 산출하지만 사용자 쾌적도에 영향을 주는 요소는 온도 뿐만 아니라 이외에 다른 요소들도 영향을 주게 된다.

또한, 모든 사용자들이 느끼는 쾌적도는 개인별로 다르기 때문에 에어컨의 동작이 사용자의 고유 특성을 반영하기 힘들다는 문제가 있다.

이에 따라, 사용자별로 적절한 최적의 온도로 동작하도록 에어컨을 제어하기 위한 방안의 모색이 요청된다.

한국등록특허공보 10-1179655(2012.08.29)

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하고, 감지된 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하며, 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어하는 에어컨 자동 제어 방법, 에어컨 자동 제어 장치, 기록매체 및 에어컨을 제공함에 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 에어컨 자동 제어 장치에 의한 에어컨 자동제어 방법은, 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하는 단계; 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하는 단계; 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하는 단계; 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하는 단계; 및 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어하는 단계;를 포함한다.

그리고, 제어하는 단계는, 재실 감지 데이터가 퇴실 상태를 나타내는 경우, 향후 재실 가능성 정보가 일정시간 후 재실 상태임을 나타내면 에어컨의 동작이 가동상태가 되도록 제어하고, 향후 재실 가능성 정보가 일정시간 후 퇴실 상태임을 나타내면 에어컨의 동작이 중지상태가 되도록 제어할 수도 있다.

또한, 제어하는 단계는, 재실 감지 데이터가 재실 상태를 나타내는 경우, 향후 재실 가능성 정보가 일정시간 후 퇴실 상태임을 나타내면 에어컨의 동작이 중지상태가 되도록 제어할 수도 있다.

그리고, 제어하는 단계는, 재실 감지 데이터가 재실 상태를 나타내는 경우, 향후 재실 가능성 정보가 일정시간 후 재실 상태임을 나타내면 에어컨의 동작이 가동상태가 되도록 제어할 수도 있다.

또한, 제어하는 단계는, 에어컨이 제1 모드로 설정된 경우, 최적 온도로 설정되어 가동되도록 제어하고, 에어컨이 제2 모드로 설정된 경우, 최적 온도보다 1도 높게 설정되어 가동되도록 제어하며, 에어컨이 제3 모드로 설정된 경우, 최적 온도보다 2도 높게 설정되어 가동되도록 제어할 수도 있다.

그리고, 예측하는 단계는, 과거 일정기간동안의 재실 감지 데이터를 이용하여, 해당 재실 감지 데이터를 요일별 시간대별로 군집화함으로써, 향후 재실 가능성 정보를 예측할 수도 있다.

또한, 최적 온도를 산출하는 단계는, 과거 일정기간동안의 온도 데이터 및 습도 데이터를 인공 신경망을 통해 학습시킴으로써 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하는 학습모델을 생성하고, 생성된 학습모델을 이용하여 도출된 최적의 예측 평균 온열감에 기초하여 최적 온도를 산출할 수도 있다.

그리고, 최적 온도를 산출하는 단계는, 과거 일정기간동안의 온도 데이터 및 습도 데이터 중 재실데이터가 재실상태인 시간의 온도 데이터 및 습도 데이터만을 인공 신경망을 통해 학습시킬 수도 있다.

또한, 최적 온도를 산출하는 단계는, 과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 방향 벡터로 변환하여 인공 신경망의 입력데이터로 이용할 수도 있다.

한편, 본 발명의 일 실시예에 따른, 컴퓨터로 읽을 수 있는 기록매체는, 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하는 단계; 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하는 단계; 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하는 단계; 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하는 단계; 및 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어하는 단계;를 포함하는 에어컨 자동 제어 방법을 수행하는 컴퓨터 프로그램이 수록된다.

한편, 본 발명의 일 실시예에 따른, 에어컨 자동 제어 장치는, 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하고, 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하는 통신부; 및 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로 에어컨을 제어하는 제어부;를 포함한다.

한편, 본 발명의 일 실시예에 따른, 에어컨은, 사용자의 재실여부를 나타내는 재실 감지 데이터를 감지하고, 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 감지하는 센서부; 및 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로 동작되도록 제어하는 제어부;를 포함한다.

본 발명의 다양한 실시예에 따르면, 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하고, 감지된 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하며, 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어하는 에어컨 자동 제어 방법, 에어컨 자동 제어 장치, 기록매체 및 에어컨을 제공할 수 있게 되어, 사용자에게 적합한 최적의 온도로 에어컨을 가동시킬 수 있게 된다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에 서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른, 에어컨 자동 제어 장치의 구성을 도시한 도면,
도 2는 본 발명의 일 실시예에 따른, 에어컨 자동 제어 방법을 설명하기 위해 제공되는 흐름도,
도 3은 본 발명의 일 실시예에 따른, 재실감지데이터 및 향후재실가능성 정보에 따른 에어컨 자동 제어 방법을 설명하기 위해 제공되는 흐름도,
도 4는 본 발명의 일 실시예에 따른, 에어컨의 모드에 따른 에어컨 자동 제어 방법을 설명하기 위해 제공되는 흐름도.
도 5는 본 발명의 일 실시예에 따른, 에어컨 자동 제어 장치가 설치된 환경의 일 예를 도시한 도면,
도 6은 본 발명의 일 실시예에 따른, 과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 방향 벡터로 변환하는 과정을 도시한 그래프,
도 7은 본 발명의 일 실시예에 따른, 온도 데이터의 아웃라이어를 제거하는 과정을 설명하기 위한 그래프,
도 8은 본 발명의 일 실시예에 따른, 보간이 적용되기 전의 온도 데이터를 도시한 그래프,
도 9는 본 발명의 일 실시예에 따른, 보간이 적용된 후의 온도 데이터를 도시한 그래프이다.

본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.

다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.

이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.

따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.

더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을의미한다.

다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.

또한, 본 명세서에서 기술되는 "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이존재함을 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.

또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른, 에어컨 자동 제어 장치(100)의 구성을 도시한 도면이다.

도 1에 도시된 에어컨 자동 제어 장치(100)는 유무선 통신을 통해 센서부(10) 및 에어컨(20)과 통신가능하도록 연결되어 있으며, 한개 또는 복수개의 센서부(10)로부터 감지된 온도 데이터와 습도 데이터를 포함하는 환경 데이터와 사용자의 재실여부에 대한 재실감지데이터를 수신하고, 이를 이용하여 에어컨(20)을 제어하게 된다. 에어컨 자동 제어 장치(100)는 명칭을 장치로 기재하였으나 특정 장치에 한정되는 것은 아니며, 서버나 일반 PC나 에어컨을 제어하는 장치라면 어떤 것에도 적용될 수 있음은 물론이다. 도 1에 도시된 바와 같이, 에어컨 자동 제어 장치(100)는 통신부(110) 및 제어부(120)를 포함한다.

통신부(110)는 센서부(10) 및 에어컨(20)과 유선 또는 무선 통신을 한다. 통신부(110)는 센서부(10)로부터 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하고, 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신한다.

여기에서, 재실 감지 데이터는 사용자가 현재 재실 상태인지 퇴실 상태인지를 나타내는 데이터로, 예를 들어 재실 상태는 1로 퇴실 상태는 0으로 표시될 수 있다. 재실 감지 데이터를 감지하기 위해, 센서부(10)는 수동형 적외선(PIR : Passive InfraRed) 동작 감지 센서 또는 인체감지 모션센서를 포함할 수도 있다.

또한, 온도 데이터 및 습도 데이터는 실내의 온도 값과 습도 값을 나타내는 데이터이다. 온도 데이터 및 습도 데이터를 감지하기 위해, 센서부(10)는 온도 센서 및 습도 센서를 포함할 수도 있다.

제어부(120)는 에어컨 자동 제어 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 제어부(120)는 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로 에어컨을 제어한다. 그에 따라, 제어부(120)는 에어컨(20)의 동작을 제어하게 된다.

향후 재실 가능성 정보는 사용자가 일정시간 후에 재실 상태일 것으로 예상되는지 아니면 퇴실 상태일 것으로 예상되는지를 나타내는 정보이고, 예를 들어 재실 상태로 예상될 경우는 1로 퇴실 상태로 예상될 경우는 0으로 표시될 수 있다.

이 때, 제어부(120)는 과거 일정기간동안의 재실 감지 데이터를 이용하여, 해당 재실 감지 데이터를 요일별 시간대별로 군집화함으로써, 향후 재실 가능성 정보를 예측할 수도 있다.

구체적으로, 제어부(120)는 향후 재실 가능성 정보 예측을 위해 데이터베이스 서버로부터 최근 30일간 재실 감지 데이터를 추출하고 이를 이용하여 향후 재실 가능성 정보 예측을 수행할 수도 있다. 제어부(120)는 향후 재실 가능성 정보 예측을 수행할 때 30일간의 재실 감지 데이터를 요일별로 군집화(Clustering)하여, 비슷한 재실 패턴을 보이는 요일 군집을 추출할 수 있게 된다. 제어부(120)는 분류된 요일 군집에 따라 향후 재실 가능성 정보 예측 모델을 다르게 적용함으로써, 다른 재실 패턴을 보이는 요일 끼리 항상 동일한 재실 예측 결과를 내놓는 것을 막을 수 있다.

군집화를 위해 데이터 집합을

라 정의 하면, 해당 집합의 중심점

에 대하여 다음의 조건을 만족하는 를 찾는 것을 목표로 한다.

제어부(120)는 상기 목적 함수의 최소값을 찾기 위하여 분할 정복 기법을 프로그래밍 하여 재실 패턴을 군집화할 수 있다.

또한, 제어부(120)는 재실 감지 데이터를 군집화한 이후 개별 군집에 대하여 재실 확률을 구하게 된다. 이때 재실감지 데이터들은 0 과 1 값을 가지는 이산 시간 데이터로써 제한된 관측치 만을 포함하기 때문에, 제어부(120)는 더욱 합리적인 확률값을 구하기 위하여, 밀도 추정 (Density Estimation) 기법을 사용할 수 있다. 밀도 추정 기법 중에서 Non-parametic 기반의 커널 밀도 추정을 적용하면 다음과 같이 나타낼 수 있다.

여기서 는 Kernel Bandwidth를 나타내며 Gaussian 커널함수를 사용할 경우 최적의 h 값은 다음과 같이 표현할 수 있다.

여기서

은 데이터 샘플수,

는 표준편차이다.

제어부(120)는 군집화와 커널 밀도 추정을 통해 비슷한 재실 패턴을 보이는 요일 군집을 추출할 수 있고, 이산 데이터를 확률 값으로의 표현하여 보다 정확한 향후 재실 가능성 정보 예측을 실시할 수 있게 된다.

한편, 예측 평균 온열감은 실내환경의 열적 쾌적성을 수치화한 값으로, 에측 평균 온열감을 나타낸다. 즉, PMV는 사람들의 온열냉감을 분류하는 값을 나타내는 수치로, -3(매우 춥다)에서 +3(매우 덥다)까지로 나타낼 수 있으며, PMV가 0이면 아주 쾌적한 상태이고, 재실자의 95%가 쾌적함을 느끼는 경우를 나타내며, 열적으로는 추위나 더위에 대해 아무 불만이 없는 상태를 나타내는 것이다. PMV에 의한 열쾌적에 대한 주관적 평가는 주로 7단계 또는 10단계의 어휘분절척도(semantic differential scale)가 많이 사용되며 예를 들면 아래와 같다.

- 춥다(cold) -3

- 서늘하다(cool) -2

- 약간 서늘하다(slightly cool) -1

- 알맞다(neutral) 0

- 약간 덥다(slightly warm) +1

- 덥다(warm) +2

- 무덥다(hot) +3

제어부(120)는 예측 평균 온열감(PMV : Predicted Mean Vote)은 아래와 같은 수학식1을 이용하여 산출할 수도 있다.

제어부(120)는 의복 단열도, 활동량 등의 값은 실제로 측정하기 힘들기 때문에 합리적인 상수 값으로 대체하고, 온도 데이터 및 습도 데이터를 이용하여 예측 평균 온열감을 생성할 수 있다.

예측 평균 온열감이 0이더라도 모든 사람에게 동일하게 가장 쾌적하다고 판단되지는 않기 때문에, 단순히 예측 평균 온열감을 0으로 해서는 사용자별 특성을 반영하지 못한다. 따라서, 제어부(120)는 예측 평균 온열감이 0이 아니더라도 측정된 예측 평균 온열감 값이 사용자에게 최적의 예측 평균 온열감인 것으로 판단하게 된다. 즉, 최적의 예측 평균 온열감은 해당 사용자가 가장 쾌적하다고 느끼는 예측 평균 온열감 값을 나타내는 것으로, 예를 들어, 0이 될 수도 있지만, -1 또는 1이 최적의 예측 평균 온열감에 해당될 수도 있음은 물론이다. 제어부(120)는 예측 평균 온열감이 0은 아니지만 사용자에 의해 에어컨 온도가 일정시간 이상 변경되지 않은 경우 해당 측정된 예측 평균 온열감 값을 최적의 예측 평균 온열감인 것으로 도출할 수도 있게 된다.

그리고, 제어부(120)는 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하게 된다. 여기에서, 제어부(120)는 과거 일정기간동안의 온도 데이터 및 습도 데이터를 인공 신경망을 통해 학습시킴으로써 최적의 예측 평균 온열감을 도출하는 학습모델을 인공 신경망을 통해 생성하고, 생성된 학습모델을 이용하여 도출된 최적의 예측 평균 온열감에 기초하여 최적 온도를 산출할 수도 있다. 이 때, 인공신경망은 데이터 학습을 위하여 다양한 인공지능 기법(ANN: Artificial Neural Network, SVM: Support Vector Machine, RVM: Relevance Vector Machine)에 기초한 인공 신경망이 이용될 수도 있다.

구체적으로, 제어부(120)는 재실 여부 및 최적 온도 예측이 완료되면 타이머를 7일로 설정하여 일주일 주기로 재실 여부 및 최적 온도 예측을 실시한다. 단, 제어부(120)는 최적 온도 예측의 경우 최초 예측 평균 온열감 학습 모델 생성 이후에, 그 다음 예측 평균 온열감 학습 모델 생성부터는 최초 학습에 사용한 7일간 온도 데이터, 습도 데이터, 재실 감지 데이터에, 추가로 최근 7일간 사용자가 에어컨 제어에 개입한 시간을 추출하고, 해당 시간의 온도 데이터 및 습도 데이터를 계속해서 축적하여 예측 평균 온열감 학습 모델을 업데이트한다. 이를 통해, 제어부(120)는 유동적으로 변할 수 있는 사용자의 선호 온도를 주기적으로 업데이트하여 최적 온도 예측의 정확도를 높일 수 있을 것이다. 한편, 상술한 내용에서 7일의 기간은 일 예에 불과하며, 다른 일정 기간을 단위로 하여 구현될 수도 있음은 물론이다.

제어부(120)는 최적 온도 예측을 위해 먼저 데이터베이스 서버로부터 과거 일정기간(예를 들어, 7일)동안 온도 데이터, 습도 데이터 및 재실 감지 데이터를 추출하고 학습을 통해 각 가정의 최적 예측 평균 온열감 학습 모델을 생성한다. 사용자가 외출한 경우 온도, 습도 데이터는 사용자의 선호를 반영하지 않으므로, 제어부(120)는 과거 일정기간동안(예를들어, 7일)의 온도 데이터 및 습도 데이터 중 재실데이터가 재실상태인 시간의 온도 데이터 및 습도 데이터만을 인공 신경망을 통해 학습시키게 된다. 제어부(120)는 데이터 학습을 위해 인공 신경망 (Artificial Neural Network)을 이용하며, 인공 신경망을 이용한 기법은 인간의 뇌를 모방한 방법으로서 하나의 뉴런이 정보를 입력받아 정보를 가공하고 다음 뉴런으로 전달해 주는 방식을 따른다.

그리고, 제어부(120)는 인공 신경망을 통해 생성된 예측 평균 온열감 학습모델을 통해 습도 입력에 대해 해당 시간의 최적의 예측 평균 온열감을 도출할 수 있고, 수학식 1에 도출된 최적의 예측 평균 온열감 값을 습도 데이터와 함께 대입함으로써 최적 온도를 산출할 수 있게 된다.

또한, 제어부(120)는 과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 방향 벡터로 변환하여 인공 신경망의 입력데이터로 이용할 수도 있다. 이와 관련하여 도 6을 참고하여 더욱 상세히 설명한다.

도 6은 본 발명의 일 실시예에 따른, 과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 방향 벡터로 변환하는 과정을 도시한 그래프이다. 도 6의 왼쪽 그래프는 시간데이터를 스칼라로 표시한 그래프이고, 도 6의 오른쪽 그래프는 시간데이터를 방향 벡터로 변환한 것을 나타낸다.

인공 신경망을 학습시키기 위해 다양한 옵티마이저(Optimizer) 와 활성함수가 존재하는데 본 실시예에서는 ADAM Optimizer와 Exponential Linear Unit (ELU)가 이용될 수 있다. 제어부(120)는 인공 신경망의 학습 성능을 향상시키기 위하여 데이터 전처리를 실시하며, 데이터 전처리 과정으로, 과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 방향 벡터로 변환하여 인공 신경망의 입력 데이터로 이용하게 된다.

시간 데이터의 경우 24시간을 단위로 반복되기 때문에 스칼라로 표현할 경우 데이터간의 유사성을 표현하는데 오류가 발생할 수 있다. 예를 들어, 도 6의 왼쪽 그래프와 같이 1시와 24시 데이터는 실제로 유사성이 높은 1시간 차이의 데이터지만, 스칼라로 표현될 경우 도 6의 왼쪽 그래프에서 보는 것과 같이 서로 유사성이 적다고 판단될 수도 있다. 반면에 시간데이터가 방향 벡터로 표시된 경우, 1시와 24시의 데이터는 서로 인접한 데이터이므로 유사성이 높다고 판단될 가능성이 높아지게 된다. 따라서, 제어부(120)는 방향 벡터로의 변환 과정에서 데이터 량이 일부 증가할 수 있지만 오류를 최소화하고 성능을 향상시킬 수 있게 된다.

다시 도 1로 돌아가, 제어부(120)는 온도 데이터 및 습도 데이터에서 아웃라이어를 제거하고 보간 처리를 할 수도 있다. 여기에서, 아웃라이어는 데이터가 급격히 변하는 구간을 나타내는 것으로, 아웃라이어는 전자 장비의 열잡음, 사람의 수집과정에서 오차, 측정과정에서의 오차, 네트워크 전송과정에서의 오류, 샘플링 과정에서의 오류등 다양한 원인에 의해 발생할 수 있다.

제어부(120)는 아웃라이어를 제거하기 위해서 단위 시간당 평균을 이용하는 방법, 매시간 그래프 기울기를 측정해 특정 기울기 이상의 데이터를 없애주는 방법이 적용될 수도 있다. 아웃라이어 제거와 관련하여 도 7을 참고하여 더 상세히 설명한다.

도 7은 본 발명의 일 실시예에 따른, 온도 데이터의 아웃라이어를 제거하는 과정을 설명하기 위한 그래프이다. 도 7에서 위쪽 그래프는 아웃라이어를 제거하기 전의 온도 데이터를 도시한 그래프이고, 아래쪽 그래프는 아웃라이어를 제거한 ㅇ온도 데이터를 도시한 그래프이다. 도 7의 위쪽 그래프에 비해, 도 7의 아래쪽 그림은 일부 데이터가 빈공간이 있으나 데이터값이 급격하게 변하는 부분들은 모두 사라진 것을 확인할 수 있다.

이와 같은 아웃라이어 과정에서 유실된 데이터를 복원하기 위해, 제어부(120)는 아웃라이어가 제거된 온도 데이터 및 습도 데이터를 보간법(Interpolation)을 이용하여 보간처리하게 된다. 보간법과 관련하여는 도 8 및 도 9를 참고하여 이하에서 설명한다.

도 8은 본 발명의 일 실시예에 따른, 보간이 적용되기 전의 온도 데이터를 도시한 그래프이다. 그리고, 도 9는 본 발명의 일 실시예에 따른, 보간이 적용된 후의 온도 데이터를 도시한 그래프이다.

제어부(120)는 아웃라이어 제거로 인해 유실된 데이터를 복원하기 위하여 아웃라이어가 제거된 온도 데이터 및 습도 데이터에 보간법(Interpolation)을 적용하게 된다. 센서부(10)를 통해 감지된 온도 데이터 및 습도 데이터는 이산 시간 데이터에 따라 특정 시점의 온도 데이터 및 습도 데이터 값을 가지고 있다. 이러한 온도 데이터 및 습도 데이터들은 시간 간격이 등간격일 수도 있지만, 부등간격이거나 데이터가 없는 경우도 있다. 이러한 데이터들을 이용하여 연속적인 데이터를 얻거나 유실된 데이터를 복원하기 위해 보간법이 이용된다. 제어부(120)는 다양한 보간법 중에서 선형 보간법 (Linear Interpolation) 및 3차 스플라인 보간법 (Cubic Spline Interpolation)이 적용될 수도 있다.

선형 보간법은 끝점의 값이 주어졌을 때 그 사이에 위치한 값을 추정하기 위하여 직선거리에 따라 선형적으로 계산하는 방법으로서 임의의 f(x)를 보간하기 위하여 인접 함수값 f(x₀) 및 f(x₁)을 함수 전개하면 다음과 같이 표현된다.

3차 스플라인 보간법은 주어진 점 사이의 값을 추정하기 위하여 3차 다항식을 사용한 방법이다. 또한 데이터의 끝부분에서 발생하는 출렁임을 줄이기 위한 스플라인 기법을 적용하여 실제 데이터를 잘 반영하도록 하였다. 아래 그림과 같이 보간법 적용 전에는 데이터 부족으로 인해 계단모양의 온도 그래프로 표현되지만 보간법을 적용할 경우 빈 데이터를 추정하여 연속적인 온도 그래프로 표현된다.

이와 같이, 제어부(120)는 아웃라이어 제거로 인해 유실된 데이터를 복원하기 위하여 아웃라이어가 제거된 온도 데이터 및 습도 데이터에 보간법(Interpolation)을 적용하게 되며, 도 8이 보간 전의 데이터에 대한 그래프, 도 9가 보간 후의 데이터에 대한 그래프를 나타낸다.

상술한 과정을 통해, 제어부(120)는 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로 에어컨을 제어하게 된다.

이와 같은 구조의 에어컨 자동 제어 장치(100)는 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 온도로 에어컨이 동작하도록 제어할 수 있게 된다.

한편, 도 1에서는 에어컨 자동 제어 장치(100)가 센서부(10) 및 에어컨(20)과 별개의 장치인 것으로 도시하였으나, 이는 일 예에 불과하며, 에어컨 자동 제어 장치(100)에 센서부(10)가 포함되도록 구성될 수도 있고, 에어컨 자동 제어 장치(100) 및 센서부(10)가 에어컨(20)에 포함되도록 구성될 수도 있음은 물론이다.

에어컨 자동 제어 장치(100) 및 센서부(10)가 에어컨(20)에 포함될 경우, 에어컨(20)은 센서부와 제어부(에어컨 자동제어장치에 대응)를 포함할 수도 있다. 이 때, 센서부는 사용자의 재실여부를 나타내는 재실 감지 데이터를 감지하고, 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 감지한다. 그리고, 제어부는 에어컨 자동 제어 장치(100)의 기능을 수행하며, 구체적으로 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로 동작되도록 제어하게 된다.

이와 같이, 에어컨 자동 제어 장치(100)는 에어컨(20)의 내부에 포함되는 형태로 구현될 수도 있다.

이하에서는, 에어컨 자동 제어 방법에 대해 설명한다.

도 2는 본 발명의 일 실시예에 따른, 에어컨 자동 제어 방법을 설명하기 위해 제공되는 흐름도이다.

일단, 에어컨 자동 제어 장치(100)는 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신한다(S210). 또한, 에어컨 자동 제어 장치(100)는 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신한다(S220).

그리고, 에어컨 자동 제어 장치(100)는 재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측한다(S230). 이 때, 에어컨 자동 제어 장치(100)는 과거 일정기간동안의 재실 감지 데이터를 이용하여, 해당 재실 감지 데이터를 요일별 시간대별로 군집화함으로써, 향후 재실 가능성 정보를 예측할 수도 있다.

그 후에, 에어컨 자동 제어 장치(100)는 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하게 된다(S240). 에어컨 자동 제어 장치(100)는 과거 일정기간동안의 온도 데이터 및 습도 데이터를 인공 신경망을 통해 학습시킴으로써 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하는 학습모델을 생성하고, 생성된 학습모델을 이용하여 도출된 최적의 예측 평균 온열감에 기초하여 최적 온도를 산출할 수 있다. 또한, 에어컨 자동 제어 장치(100)는 과거 일정기간동안의 온도 데이터 및 습도 데이터 중 재실데이터가 재실상태인 시간의 온도 데이터 및 습도 데이터만을 인공 신경망을 통해 학습시킬 수도 있다. 그리고, 에어컨 자동 제어 장치(100)는 과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 방향 벡터로 변환하여 인공 신경망의 입력데이터로 이용할 수도 있다.

이상의 과정들에 대한 상세 내용은, 앞서 도 1을 참고하여 설명한 에어컨 자동 제어 장치(100)의 제어부(120)의 동작에 해당되며, 상세한 내용은 제어부(120)의 동작에 대해 상술한 바와 같다.

그리고, 에어컨 자동 제어 장치(100)는 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어하게 된다(S250).

에어컨을 제어하는 방법에 대해서는 아래에서 더욱 상세하게 설명한다.도 3은 본 발명의 일 실시예에 따른, 재실감지데이터 및 향후재실가능성 정보에 따른 에어컨 자동 제어 방법을 설명하기 위해 제공되는 흐름도이다.

우선, 에어컨 자동 제어 장치(100)는 재실 감지 데이터가 재실 상태를 나타내는지 여부를 판단한다(S310). 만약, 재실 감지 데이터가 재실 상태를 나타내는 경우(S310-Y), 에어컨 자동 제어 장치(100)는 향후 재실 가능성 정보가 일정시간 후 재실 상태임을 나타내면(S320-Y) 설정된 모드로 에어컨의 동작이 가동상태가 되도록 제어하게 된다(S330). 모드별 동작에 대해서는 도 4를 참고하여 추후 설명한다.

재실 감지 데이터가 재실 상태를 나타내는 경우(S310-Y), 에어컨 자동 제어 장치(100)는 향후 재실 가능성 정보가 일정시간 후 퇴실 상태임을 나타내면(S320-N) 에어컨의 동작이 중지상태가 되도록 제어하게 된다(S340).

반면, 재실 감지 데이터가 퇴실 상태를 나타내는 경우(S310-N), 에어컨 자동 제어 장치(100)는 향후 재실 가능성 정보가 일정시간 후 재실 상태임을 나타내면(S350-Y) 에어컨의 동작이 가동상태가 되도록 제어하고(S360), 향후 재실 가능성 정보가 일정시간 후 퇴실 상태임을 나타내면(S350-N) 에어컨의 동작이 중지상태가 되도록 제어하게 된다(S370).

이와 같이, 에어컨 자동 제어 장치(100)는 재실 감지 데이터 및 향후 재실 가능성 정보를 이용하여 에어컨의 동작을 제어하게 된다.

도 4는 본 발명의 일 실시예에 따른, 에어컨의 모드에 따른 에어컨 자동 제어 방법을 설명하기 위해 제공되는 흐름도이다.

우선, 에어컨 자동 제어 장치(100)는 에어컨의 모드가 제1 모드인지 여부를 판단한다(S410). 에어컨이 제1 모드로 설정된 경우(S410-Y), 에어컨 자동 제어 장치(100)는 최적 온도로 설정되어 가동되도록 에어컨을 제어한다(S415).

반면, 에어컨이 제2 모드로 설정된 경우(S420-Y), 에어컨 자동 제어 장치(100)는 최적 온도보다 1도 높게 설정되어 가동되도록 에어컨을 제어하게 된다(S425).

또한, 에어컨이 제3 모드로 설정된 경우(S420-N), 에어컨 자동 제어 장치(100)는 최적 온도보다 2도 높게 설정되어 가동되도록 에어컨을 제어하게 된다(S430).

여기에서, 제 1 모드는 Comport 모드, 제2 모드는 Normal 모드, 제3 모드는 Economy 모드로 명명할 수도 있음은 물론이다.

한편, 본 실시예에서는 에어컨 자동 제어 장치(100)가 에어컨의 모드를 3가지로 제어하는 것으로 설명하였으나, 이는 일 예에 불과하며, 에어컨 자동 제어 장치(100)는 이외에도 2개의 모드 또는 4개 이상의 모드로 에어컨을 제어함으로써, 최적 온도를 기준으로 가변적으로 에어컨을 제어할 수 있음은 물론이다.

이와 같은 과정을 통해, 에어컨 자동 제어 장치(100)는 에어컨을 사용자의 성향에 맞게 제어할 수 있게 된다.

도 5는 본 발명의 일 실시예에 따른, 에어컨 자동 제어 장치가 설치된 환경의 일 예를 도시한 도면이다.

도 5에 의하면, 에어컨 자동 제어장치(100)는 가정 A에 설치된 에어컨(20)을 제어하는 것으로 도시되어 있다. 또한, 센서부(10)는 가정 A의 월패드에 포함되어 있고, 온도 센서, 습도 센서 및 PIR(수동형 적외선) 센서가 포함되어 있는 것을 확인할 수 있다.

또한, 도 5의 경우, Home Energy Management System (HEMS)에 의해 전체가 제어되는 것을 확인할 수 있다. Home Energy Management System (HEMS)은 각 가정 내의 월 패드에 내장된 센서들로부터 데이터를 수집하고 최적 제어 메시지에 따라 에어컨을 제어하는 역할을 한다. 센서 데이터는 최적 온도 학습에 필요한 각 가정의 온도 데이터, 습도 데이터, PIR (Passive Infrared) 데이터(재실 감지 데이터)를 포함한다.

에어컨 제어기는 HEMS 로부터 받은 최적 제어 메시지를 IR 신호 형태로 변환하여 에어컨을 직접 제어하거나 사용자가 리모컨을 이용해서 에어컨 온도를 설정할 경우 (사용자 개입) 리모컨의 IR 신호를 스니핑하여 HEMS 에 사용자 개입 메시지를 보내는 역할을 한다.

데이터 베이스 서버는 HEMS를 통해 각 가정으로부터 수집한 센서 데이터를 저장하는 역할을 한다. 수집/저장된 데이터는 에어컨 제어 시스템에 의해 최적 온도를 학습하는데 이용된다.

학습 시스템은 에어컨 제어 시스템의 학습 명령에 의한 최적 온도 학습을 실시한다.

에어컨 자동 제어 장치(100)는 데이터베이스 서버로부터 학습 데이터를 얻고 학습시스템에 의해 도출된 최적온도를 기반으로 HEMS 에 에어컨 제어 메시지를 전송하여 에어컨 온도 제어를 수행하게 된다.

이와 같은 환경에서, 에어컨 자동 제어 장치(100)는 사용자가 선호하는 최적 온도로 에어컨(20)을 제어할 수 있게 된다.

한편, 본 실시예에 따른 장치의 기능 및 방법을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 프로그래밍 언어 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 플래시 메모리, 솔리드 스테이트 디스크(SSD) 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.

본 명세서와 도면에서는 예시적인 장치 구성을 기술하고 있지만, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물은 다른 유형의 디지털 전자 회로로구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다.

따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 본 발명이속하는 분야의 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

10 : 센서부
20 : 에어컨
100 : 에어컨 자동 제어 장치
110 : 통신부
120 : 제어부

Claims (12)

1. 에어컨 자동 제어 장치에 의한 에어컨 자동제어 방법에 있어서,
   사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하는 단계;
   실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하는 단계;
   재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하는 단계;
   온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하는 단계;
   도출된 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하는 단계; 및
   재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어하는 단계;를 포함하고,
   도출 단계는,
   과거 일정기간동안의 온도 데이터 및 습도 데이터를 인공 신경망을 통해 학습시킴으로써 최적의 예측 평균 온열감을 도출하는 학습모델을 생성하고, 생성된 학습모델을 이용하여 사용자별로 각기 다르게 최적의 예측 평균 온열감을 도출하되,
   과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 24시와 1시가 1시간 차이의 시간 데이터로 표현 가능한 방향 벡터로 변환하여 인공 신경망의 입력데이터로 이용하는 것을 특징으로 하는 에어컨 자동 제어 방법.
   
2. 청구항 1에 있어서,
   제어하는 단계는,
   재실 감지 데이터가 퇴실 상태를 나타내는 경우, 향후 재실 가능성 정보가 일정시간 후 재실 상태임을 나타내면 에어컨의 동작이 가동상태가 되도록 제어하고, 향후 재실 가능성 정보가 일정시간 후 퇴실 상태임을 나타내면 에어컨의 동작이 중지상태가 되도록 제어하는 것을 특징으로 하는 에어컨 자동 제어 방법.
   
3. 청구항 1에 있어서,
   제어하는 단계는,
   재실 감지 데이터가 재실 상태를 나타내는 경우, 향후 재실 가능성 정보가 일정시간 후 퇴실 상태임을 나타내면 에어컨의 동작이 중지상태가 되도록 제어하는 것을 특징으로 하는 에어컨 자동 제어 방법.
   
4. 청구항 1에 있어서,
   제어하는 단계는,
   재실 감지 데이터가 재실 상태를 나타내는 경우, 향후 재실 가능성 정보가 일정시간 후 재실 상태임을 나타내면 에어컨의 동작이 가동상태가 되도록 제어하는 것을 특징으로 하는 에어컨 자동 제어 방법.
   
5. 청구항 4에 있어서,
   제어하는 단계는,
   에어컨이 제1 모드로 설정된 경우, 최적 온도로 설정되어 가동되도록 제어하고,
   에어컨이 제2 모드로 설정된 경우, 최적 온도보다 1도 높게 설정되어 가동되도록 제어하며,
   에어컨이 제3 모드로 설정된 경우, 최적 온도보다 2도 높게 설정되어 가동되도록 제어하는 것을 특징으로 하는 에어컨 자동 제어 방법.
   
6. 청구항 1에 있어서,
   예측하는 단계는,
   과거 일정기간동안의 재실 감지 데이터를 이용하여, 해당 재실 감지 데이터를 요일별 시간대별로 군집화함으로써, 향후 재실 가능성 정보를 예측하는 것을 특징으로 하는 에어컨 자동 제어 방법.
   
7. 삭제
8. 청구항 1에 있어서,
   최적 온도를 산출하는 단계는,
   과거 일정기간동안의 온도 데이터 및 습도 데이터 중 재실데이터가 재실상태인 시간의 온도 데이터 및 습도 데이터만을 인공 신경망을 통해 학습시키는 것을 특징으로 하는 에어컨 자동 제어 방법.
   
9. 삭제
10. 에어컨 자동 제어 장치에 의한 에어컨 자동제어 방법에 있어서,
    사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하는 단계;
    실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하는 단계;
    재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하는 단계;
    온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하는 단계;
    최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하는 단계; 및
    재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로, 에어컨을 제어하는 단계;를 포함하고,
    도출 단계는,
    과거 일정기간동안의 온도 데이터 및 습도 데이터를 인공 신경망을 통해 학습시킴으로써 최적의 예측 평균 온열감을 도출하는 학습모델을 생성하고, 생성된 학습모델을 이용하여 사용자별로 각기 다르게 최적의 예측 평균 온열감을 도출하되,
    과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 24시와 1시가 1시간 차이의 시간 데이터로 표현 가능한 방향 벡터로 변환하여 인공 신경망의 입력데이터로 이용하는 것을 특징으로 하는 에어컨 자동 제어 방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체.
    
11. 사용자의 재실여부를 나타내는 재실 감지 데이터를 수신하고, 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 수신하는 통신부; 및
    재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로 에어컨을 제어하는 제어부;를 포함하고,
    제어부는,
    과거 일정기간동안의 온도 데이터 및 습도 데이터를 인공 신경망을 통해 학습시킴으로써 최적의 예측 평균 온열감을 도출하는 학습모델을 생성하고, 생성된 학습모델을 이용하여 사용자별로 각기 다르게 최적의 예측 평균 온열감을 도출하되,
    과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 24시와 1시가 1시간 차이의 시간 데이터로 표현 가능한 방향 벡터로 변환하여 인공 신경망의 입력데이터로 이용하는 것을 특징으로 하는 에어컨 자동 제어 장치.
    
12. 사용자의 재실여부를 나타내는 재실 감지 데이터를 감지하고, 실내 온도 및 습도를 나타내는 온도 데이터 및 습도 데이터를 감지하는 센서부; 및
    재실 감지 데이터를 이용하여 사용자의 향후 재실 가능성 정보를 예측하고, 온도 데이터 및 습도 데이터를 이용하여 최적의 예측 평균 온열감(PMV : Predicted Mean Vote)을 도출하고, 최적의 예측 평균 온열감을 이용하여 최적 온도를 산출하며, 재실 감지 데이터, 향후 재실 가능성 및 최적 온도를 기초로 동작되도록 제어하는 제어부;를 포함하고,
    제어부는,
    과거 일정기간동안의 온도 데이터 및 습도 데이터를 인공 신경망을 통해 학습시킴으로써 최적의 예측 평균 온열감을 도출하는 학습모델을 생성하고, 생성된 학습모델을 이용하여 사용자별로 각기 다르게 최적의 예측 평균 온열감을 도출하되,
    과거 일정기간동안의 온도 데이터 및 습도 데이터에 대한 시간 데이터를 스칼라에서 24시와 1시가 1시간 차이의 시간 데이터로 표현 가능한 방향 벡터로 변환하여 인공 신경망의 입력데이터로 이용하는 것을 특징으로 하는 에어컨.
    

Images