KR102503577B1 - System and Method for managing energy - Google Patents
System and Method for managing energy Download PDFInfo
- Publication number
- KR102503577B1 KR102503577B1 KR1020200105032A KR20200105032A KR102503577B1 KR 102503577 B1 KR102503577 B1 KR 102503577B1 KR 1020200105032 A KR1020200105032 A KR 1020200105032A KR 20200105032 A KR20200105032 A KR 20200105032A KR 102503577 B1 KR102503577 B1 KR 102503577B1
- Authority
- KR
- South Korea
- Prior art keywords
- environment data
- correlation
- artificial intelligence
- data
- environmental data
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
본 명세서는 복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 장치; 및 데이터 수집 장치에서 수집한 환경 데이터를 기초로 하여, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 장치를 포함하는 에너지 관리 시스템을 제공한다. 이때, 에너지 사용량 예측 장치는 데이터 수집 장치에서 수집한 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리부; 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단부 및 상관도 판단부의 판단 결과에 따라 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리부를 포함한다.The present specification includes a data collection device for collecting environmental data of a plurality of energy usage devices; and an energy usage prediction device that predicts future energy usage of the plurality of energy usage devices based on the environmental data collected by the data collection device. At this time, the energy usage prediction device includes a pre-processing unit for generating new environmental data by pre-processing the environmental data collected by the data collection device according to cluster information; A correlation determination unit that determines whether a correlation between the new environmental data and one or more environmental data pools included in the environmental data pool set is equal to or greater than a first threshold correlation, and a plurality of energy using devices according to the determination result of the correlation determination unit. and an artificial intelligence model set management unit that manages an artificial intelligence model set including one or more artificial intelligence models predicting future energy usage.
Description
본 발명은 에너지 관리 시스템 및 방법에 관한 것이다.The present invention relates to energy management systems and methods.
최근 에너지 수요증가가 빠르게 증가하면서 전력 부족 현상이 심화되고 있다. 이러한 전력 부족 현상을 해소하기 위해, 발전 및 송배전 시설을 추가 설치함에 따라 사회적 비용이 급증하고 있으며, 전력의 공급확대도 지체되고 있는 상황이다. 이에 따라, 정부에서도 과거의 공급중심에서 수요관리 중심의 에너지 정책으로 전환하고 있다.Recently, with the rapid increase in energy demand, the phenomenon of power shortage is aggravating. In order to solve this power shortage, as additional power generation and transmission and distribution facilities are installed, social costs are rapidly increasing, and the expansion of power supply is also being delayed. Accordingly, the government is also shifting from a supply-oriented energy policy to a demand-oriented energy policy.
전력의 수요관리란 소비자들의 전력 사용 패턴 변화를 통해 최소 비용으로 안정적인 전력수요를 충족시키기 위한 방안이다. 전력의 수요관리는 수요반응과 에너지효율향상으로 나눌 수 있다. 이러한 전력 수요관리를 건물, 가정, 공장에 적용할 경우 에너지 수요관리 효과가 크게 나타날 수 있을 것으로 판단된다.Demand management of electricity is a method to meet stable electricity demand at minimum cost through changes in consumer's electricity usage pattern. Demand management of electricity can be divided into demand response and energy efficiency improvement. If such electricity demand management is applied to buildings, homes, and factories, it is judged that the effect of energy demand management can be significant.
이와 같은 에너지 수요 관리 효과를 내기 위해서, 에너지 관리 시스템(EMS, Energy Management System)은 에너지를 사용하는 복수의 에너지 사용 장치(ex. 조명, 전기자동자, 에어컨, 냉장고)의 에너지 사용량 정보 및 상태 정보를 수집하고 이를 기초로 복수의 에너지 사용 장치의 미래 에너지 사용량을 정확하게 예측할 수 있어야 한다. In order to achieve such an energy demand management effect, the energy management system (EMS, Energy Management System) collects energy consumption information and status information of multiple energy-using devices (ex. lighting, electric vehicles, air conditioners, refrigerators) that use energy. It is necessary to collect and accurately predict the future energy consumption of multiple energy consuming devices based on this.
에너지 관리 시스템이 미래 에너지 사용량을 최대한 정확하게 예측하기 위해서는 많은 종류의 데이터/장기간의 데이터를 확보해야 하고, 또한 확보한 데이터를 이용하여 미래 에너지 사용량을 예측하는 모델을 효율적으로 학습/재학습해야 할 필요가 있다.In order for the energy management system to predict future energy consumption as accurately as possible, it is necessary to secure many types of data/long-term data, and also to efficiently learn/relearn a model that predicts future energy consumption using the obtained data. there is
실시예들은, 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 재학습을 효율적으로 수행할 수 있는 에너지 관리 시스템 및 그 방법을 제공한다.Embodiments provide an energy management system and method capable of efficiently performing re-learning of an artificial intelligence model for predicting future usage of a plurality of energy use devices.
또한, 실시예들은 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 정확도를 높일 수 있는 에너지 관리 시스템 및 그 방법을 제공한다.In addition, the embodiments provide an energy management system and method capable of increasing the accuracy of an artificial intelligence model for predicting future usage of a plurality of energy use devices.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical problem to be achieved by the present embodiment is not limited to the technical problem as described above, and other technical problems may exist.
일 실시예는, 복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 장치; 및 데이터 수집 장치에서 수집한 환경 데이터를 기초로 하여, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 장치를 포함하는 에너지 관리 시스템을 제공한다. 이때, 에너지 사용량 예측 장치는 데이터 수집 장치에서 수집한 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리부; 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단부 및 상관도 판단부의 판단 결과에 따라 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리부를 포함한다.One embodiment includes a data collection device that collects environmental data of a plurality of energy usage devices; and an energy usage prediction device that predicts future energy usage of the plurality of energy usage devices based on the environmental data collected by the data collection device. At this time, the energy usage prediction device includes a pre-processing unit for generating new environmental data by pre-processing the environmental data collected by the data collection device according to cluster information; A correlation determination unit that determines whether a correlation between the new environmental data and one or more environmental data pools included in the environmental data pool set is equal to or greater than a first threshold correlation, and a plurality of energy using devices according to the determination result of the correlation determination unit. and an artificial intelligence model set management unit that manages an artificial intelligence model set including one or more artificial intelligence models predicting future energy usage.
다른 실시예는, 에너지 관리 시스템에 의해 수행되는 에너지 관리 방법으로, 복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 단계; 및 데이터 수집 단계에서 수집된 환경 데이터를 기초로 하여, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 단계를 포함하는 에너지 관리 방법을 제공한다. 이때, 에너지 사용량 예측 단계는 데이터 수집 단계에서 수집된 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리 단계; 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단 단계; 및 상관도 판단 단계의 결과에 따라, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하기 위한 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리 단계를 포함할 수 있다.Another embodiment is an energy management method performed by an energy management system, comprising: a data collection step of collecting environmental data of a plurality of energy using devices; and an energy usage prediction step of predicting future energy usage of a plurality of energy usage devices based on the environmental data collected in the data collection step. At this time, the energy usage estimation step may include a preprocessing step of generating new environmental data by preprocessing the environmental data collected in the data collection step according to cluster information; a correlation determination step of determining whether a correlation between the new environment data and one or more environmental data pools included in the environment data pool set is greater than or equal to a first threshold correlation; and an artificial intelligence model set management step of managing an artificial intelligence model set including one or more artificial intelligence models for predicting future energy usage of a plurality of energy use devices according to a result of the correlation determining step.
실시예들에 따른 에너지 관리 시스템 및 그 방법에 의하면, 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 재학습을 효율적으로 수행할 수 있으며, 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 정확도를 높일 수 있다.According to the energy management system and method according to the embodiments, re-learning of an artificial intelligence model for predicting future usage of a plurality of energy using devices can be efficiently performed, and future usage of a plurality of energy using devices can be predicted. It is possible to increase the accuracy of the artificial intelligence model for
도 1은 일 실시예에 따른 에너지 관리 시스템의 구성도이다.
도 2는 도 1의 에너지 사용량 예측 장치의 구성도이다.
도 3은 신규 환경 데이터와의 상관도를 비교할 환경 데이터 풀을 선택하는 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.
도 4는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도에 따른 동작의 에너지 사용량 예측 장치의 일 예를 나타내는 흐름도이다.
도 5는 도 4에서 에너지 사용량 예측 장치가 제1 환경 데이터 풀을 기초로 제1 인공 지능 모델을 재학습하는 동작을 나타낸 개념도이다.
도 6은 에너지 사용량 예측 장치가 제1 인공 지능 모델을 재학습하는 시점을 결정하는 동작의 일 예를 나타내는 흐름도이다.
도 7은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.
도 8은 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.
도 9는 도 8에서 에너지 사용량 예측 장치가 제2 환경 데이터 풀을 생성하고 제2 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.
도 10은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 다른 예를 나타내는 흐름도이다.
도 11은 도 10에서 에너지 사용량 예측 장치의 제3 환경 데이터 풀을 생성하고 제3 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.
도 12는 일 실시예에 따른 에너지 관리 방법의 흐름도이다.
도 13은 도 12의 에너지 사용량 예측 단계를 설명하는 흐름도이다.1 is a configuration diagram of an energy management system according to an embodiment.
FIG. 2 is a configuration diagram of the energy usage estimation device of FIG. 1 .
3 is a flowchart illustrating an example of an operation of an energy usage estimation apparatus for selecting an environmental data pool to compare correlation with new environmental data.
4 is a flowchart illustrating an example of an energy consumption estimation apparatus operating according to a correlation between new environment data and a first environment data pool.
FIG. 5 is a conceptual diagram illustrating an operation of re-learning a first artificial intelligence model based on a first environmental data pool by the energy usage prediction device in FIG. 4 .
6 is a flowchart illustrating an example of an operation of determining when the energy usage prediction device relearns the first artificial intelligence model.
7 is a flowchart illustrating an example of an operation of an energy usage estimation apparatus according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.
8 is a flowchart illustrating an example of an operation of the apparatus for predicting energy usage according to the number of environmental data having a correlation with new environmental data equal to or greater than a second threshold correlation.
FIG. 9 is a conceptual diagram illustrating an operation of generating a second environment data pool and a second artificial intelligence model by the energy usage prediction device in FIG. 8 .
10 is a flowchart illustrating another example of an operation of an energy usage estimation apparatus according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.
FIG. 11 is a conceptual diagram illustrating an operation of generating a third environment data pool and a third artificial intelligence model of the energy usage prediction device in FIG. 10 .
12 is a flowchart of an energy management method according to an embodiment.
13 is a flowchart illustrating an energy usage estimation step of FIG. 12 .
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경Hereinafter, some embodiments of the present invention will be described in detail through exemplary drawings. In adding reference numerals to components of each drawing, it should be noted that the same components have the same numerals as much as possible even if they are displayed on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention
우에는 그 상세한 설명은 생략한다.In this case, the detailed description is omitted.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A,B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In addition, in describing the components of the present invention, terms such as first, second, A, B, (a), and (b) may be used. These terms are only used to distinguish the component from other components, and the nature, order, or order of the corresponding component is not limited by the term. When an element is described as being “connected,” “coupled to,” or “connected” to another element, that element is directly connected or connectable to the other element, but there is another element between the elements. It will be understood that elements may be “connected”, “coupled” or “connected”.
도 1은 일 실시예에 따른 에너지 관리 시스템의 구성도이다.1 is a configuration diagram of an energy management system according to an embodiment.
도 1을 참조하면, 에너지 관리 시스템(100)은 데이터 수집 장치(110) 및 에너지 사용량 예측 장치(120)를 포함할 수 있다.Referring to FIG. 1 , an
데이터 수집 장치(110)는 복수의 에너지 사용 장치의 환경 데이터를 수집할 수 있다.The
에너지 사용 장치는 에너지를 사용(소비)하는 장치로서 부하(load)로도 호칭될 수 있다. 예를 들어, 에너지 사용 장치는 가정, 상업시설, 공장 등에서 에너지를 사용하는 냉/난방 공조기기, 조명, 전열, 전기자동차 등일 수 있다.An energy use device is a device that uses (consumes) energy and may also be referred to as a load. For example, the energy use device may be a cooling/heating air conditioner, lighting, electric heat, electric vehicle, etc. that uses energy in a home, commercial facility, factory, or the like.
에너지 사용 장치의 환경 데이터는 에너지 사용량 및 상태 정보(ex. 에너지 사용 장치 내/외부의 환경 정보, 에너지 요금 정보, 기상 정보, 요일 정보)를 포함할 수 있다.The environmental data of the energy consuming device may include energy usage and state information (eg, internal/external environmental information of the energy consuming device, energy charge information, weather information, day of the week information).
일 예로, 데이터 수집 장치(110)는 환경 센서, 에너지 기기(부하), 외부 시스템, 분산 전원, 전기 자동차(EV, electric vehicle) 등으로부터 복수의 에너지 사용 장치의 환경 데이터를 수집할 수 있다. 데이터 수집 장치(110)는 환경 센서로부터 실내/외의 온도, 습도, 조도, 일사량 등의 정보를 수집할 수 있다. 데이터 수집 장치(110)는 에너지 기기(부하)로부터 전열 사용량 등의 정보를 수집할 수 있다. 데이터 수집 장치(110)는 외부 시스템으로부터 에너지 비용(ex. 전력 요금), 기상 데이터 등을 수집할 수 있다. 데이터 수집 장치(110)는 분산 전원(ex. 태양광 발전기, 배터리)으로부터 공급되는 에너지의 양을 수집할 수 있다. 데이터 수집 장치(110)는 전기 자동차의 배터리 충전량 또는 방전량에 대한 정보를 수집할 수 있다. 데이터 수집 장치(110)는 실내에 있는 재실자의 수를 수집할 수 있다.For example, the
에너지 사용량 예측 장치(120)는 데이터 수집 장치(110)에서 수집한 환경 데이터를 기초로 하여, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측할 수 있다. 이하, 에너지 사용량 예측 장치(120)의 구체적인 구성은 도 2에서 설명한다.The energy
도 2는 도 1의 에너지 사용량 예측 장치의 구성도이다.FIG. 2 is a configuration diagram of the energy usage estimation device of FIG. 1 .
도 2를 참조하면, 에너지 사용량 예측 장치(120)는 전처리부(121), 상관도 판단부(122) 및 인공 지능 모델 집합 관리부(123)를 포함할 수 있다.Referring to FIG. 2 , the energy
전처리부(121)는 데이터 수집 장치(110)에서 수집한 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성할 수 있다. 신규 환경 데이터는 데이터 수집 장치(110)에서 군집 정보 별로 수집한 환경 데이터에 포함된 에너지 사용량 및 상태 정보를 모두 포함할 수 있다.The
이때, 전처리부(121)는 신규 환경 데이터를 생성하는 과정에서 일반적인 전처리 동작(ex. missing value, NaN 처리, Resampling, 타입 변환, interpolation)도 함께 수행할 수 있다.At this time, the
군집 정보는 환경 데이터를 수집하는 기간의 단위(ex. 1분/5분/1시간)의 정보 및 환경 데이터가 수집된 횟수(ex. 10회/20회/30회)를 포함할 수 있다. 일 예로 군집 정보는 환경 데이터가 1분 단위로 60회 동안 수집되었다는 것을 지시할 수 있다(이 경우, 환경 데이터는 총 1시간(60회 * 1분) 동안 수집되었다). 다른 예로 군집 정보는 환경 데이터가 5분 단위로 24회 동안 수집될 수 있다(이 경우, 환경 데이터는 총 2시간(24회 * 5분) 동안 수집되었다).The cluster information may include information of a unit of period for collecting environmental data (eg, 1 minute/5 minutes/1 hour) and the number of times environmental data is collected (eg, 10 times/20 times/30 times). For example, the cluster information may indicate that environmental data is collected for 60 times per minute (in this case, environmental data is collected for a total of 1 hour (60 times * 1 minute)). As another example, the community information may be environmental data collected for 24 times in units of 5 minutes (in this case, environmental data was collected for a total of 2 hours (24 times * 5 minutes)).
군집 정보를 어떻게 설정하는지에 따라서 후술할 인공 지능 모델이 예측하는 미래 에너지 사용량의 정확도가 달라질 수 있다. 군집 정보는 미래 에너지 사용량 예측의 정확도 또는 에너지 사용량을 예측하는데 소요되는 시간/비용의 효율성에 따라 다양하게 결정될 수 있다. 예를 들어, 군집 정보에서 환경 데이터를 수집하는 주기가 짧아질수록 더 빠른 시간 안에 미래 에너지 사용량을 예측할 수 있지만, 짧은 시간 안에 미래 에너지 사용량을 예측하기 위해서는 더 많은 횟수의 환경 데이터를 수집해야 하고 미래 에너지 사용량을 예측하는데 드는 리소스가 증가하므로 전체적인 비용이 상승할 수 있다.Depending on how cluster information is set, the accuracy of future energy consumption predicted by an artificial intelligence model to be described later may vary. Cluster information may be determined in various ways according to the accuracy of future energy usage prediction or the efficiency of time/cost required for predicting energy usage. For example, as the period of collecting environmental data in the cluster information becomes shorter, future energy consumption can be predicted in a shorter time. Resources for estimating energy usage increase, which can increase overall cost.
일 예로, 군집 정보는 에너지 사용량 예측 장치(120)가 에너지 사용량을 예측하는 시점이 언제인지에 따라 달라질 수 있다. 다른 예로, 군집 정보는 사용한 에너지에 대한 요금을 산정하는 시점에 따라 달라질 수도 있다.For example, the cluster information may vary depending on when the energy
예를 들어, 에너지 요금이 15분 단위로 추출되는 순시값에 따라 산정되고 1시간 단위로 누적해서 과금이 이루어지는 경우, 군집 정보는 15분 단위로 4회 동안 환경 데이터가 수집되었다는 것을 지시하는 정보일 수 있다. 이때, 미래 에너지 사용량을 예측하는 시점은 현재로부터 1시간 단위의 배수값(ex. 24시간) 이후의 시점일 수 있다.For example, if energy bills are calculated based on instantaneous values extracted in 15-minute increments and billing is accumulated in 1-hour increments, cluster information is information indicating that environmental data was collected for 4 times in 15-minute increments can In this case, the time point at which the future energy usage amount is predicted may be a time point after a multiple value (eg, 24 hours) by 1 hour from the present.
상관도 판단부(122)는 전처리부(121)에서 생성한 신규 환경 데이터와 환경 데이터 풀 집합(124)에 포함된 하나 이상의 환경 데이터 풀(DBP) 간의 상관도가 제1 임계 상관도 이상인지 여부를 판단할 수 있다. 이때, 제1 임계 상관도는 미리 설정된 값(ex. 0.8)일 수 있다.The
이때, 환경 데이터 풀(DBP)은 데이터 수집 장치(110)에 의해 기 수집된 환경 데이터를 저장하는 데이터 풀이다. 각 환경 데이터 풀(DBP)은 전술한 군집 정보 단위의 환경 데이터를 하나 이상 저장할 수 있다. 환경 데이터 풀(DBP)과 신규 환경 데이터 간의 상관도는 즉, 환경 데이터 풀(DBP)에 저장된 기 수집된 환경 데이터와 신규 환경 데이터 간의 상관도를 의미할 수 있다.In this case, the environment data pool DBP is a data pool that stores environment data pre-collected by the
한편, 도 2에서는 환경 데이터 풀 집합(124)이 에너지 사용량 예측 장치(120)의 내부에 저장된 경우를 일 예로 설명하였으나, 환경 데이터 풀 집합(124)는 에너지 사용량 예측 장치(120)의 외부에 위치한 별도의 데이터 저장 영역에 저장될 수도 있다.Meanwhile, in FIG. 2 , the case where the environment data pool set 124 is stored inside the energy
인공 지능 모델 집합 관리부(123)는 상관도 판단부(122)의 판단 결과에 따라 인공 지능 모델 집합(125)을 관리할 수 있다. 인공 지능 모델 집합(125)은 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 하나 이상의 인공 지능 모델(MDL)을 포함할 수 있다.The artificial intelligence model set
인공 지능 모델(MDL)은 복수의 에너지 사용 장치의 환경 데이터의 전체 또는 일부를 입력받아서, 복수의 에너지 사용 장치의 미래 에너지 사용량에 대한 정보를 출력할 수 있다. 인공 지능 모델(MDL)은 일 예로 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(SVM, Support Vector Machine), 랜덤 포레스트(Random Forest)와 같은 기계 학습(machine learning) 모델 또는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Networks), LSTM(Long Short-term memory model) 같은 딥 러닝(deep learning) 모델 일 수 있다. 인공 지능 모델(MDL)은 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀(DBP) 중 적어도 하나에 대응할 수 있다.The artificial intelligence model (MDL) may receive all or part of environmental data of a plurality of energy using devices and output information on future energy consumption of the plurality of energy using devices. The artificial intelligence model (MDL) is, for example, a logistic regression, a support vector machine (SVM), a machine learning model such as a random forest, or a convolutional neural network (CNN), It may be a deep learning model such as RNN (Recurrent Neural Networks) or LSTM (Long Short-term memory model). The artificial intelligence model (MDL) may correspond to at least one of environmental data pools (DBPs) included in the environmental data pool set 124 .
한편, 전술한 상관도 판단부(122)는 일 예로 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀(DBP) 모두에 대해서, 각 환경 데이터 풀(DBP)과 신규 환경 데이터 간의 상관도를 비교할 수 있다.On the other hand, the above-described
그러나 이 경우에는 모든 환경 데이터 풀(DBP)에 대해서 신규 환경 데이터와의 상관도를 계산해야 하기 때문에, 상관도 판단에 소요되는 시간이 증가하는 문제가 발생할 수 있다.However, in this case, since the correlation with the new environmental data must be calculated for all environmental data pools (DBPs), a problem in that the time required for determining the correlation may increase.
따라서, 상관도 판단부(122)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀(DBP) 중에서 환경 데이터 풀(DBP)을 선택하고, 선택된 환경 데이터 풀(DBP)에 대해 군집 정보 별로 대표값을 추출하고 이를 신규 환경 데이터의 군집 정보 별 대표값과 비교함으로써 선택된 환경 데이터 풀(DBP)과 신규 환경 데이터 간의 상관도를 비교할 수 있다. 이를 통해 상관도 판단부(122)는 상관도 판단에 소요되는 시간을 줄일 수 있다.Accordingly, the
일 예로, 상관도 판단부(122)는 환경 데이터 풀 집합(124)에 포함된 각 환경 데이터 풀(DBP)의 군집 정보 별 대표값과 신규 환경 데이터의 군집 정보 별 대표값을 비교해서, 신규 환경 데이터와 상관도를 비교할 환경 데이터 풀을 결정할 수 있다. 이하, 도 3에서 이에 대해 자세히 설명한다.For example, the
도 3은 신규 환경 데이터와의 상관도를 비교할 환경 데이터 풀을 선택하는 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.3 is a flowchart illustrating an example of an operation of an energy usage estimation apparatus for selecting an environmental data pool to compare correlation with new environmental data.
도 3을 참조하면, 에너지 사용량 예측 장치(120)의 상관도 판단부(122)는 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 군집 정보 별 대표값과 신규 환경 데이터의 군집 정보 별 대표값 간의 상관도를 비교할 수 있다(S310).Referring to FIG. 3 , the
상관도 판단부(122)는 환경 데이터 풀의 군집 정보 별 대표값과 신규 환경 데이터의 군집 정보 별 대표값 간의 상관도가 설정된 임계 상관도 이하인지 판단한다(S320). 만약 상관도의 차이가 임계 상관도 이하일 때(S320-Y), 상관도 판단부(122)는 선택된 환경 데이터 풀에 신규 환경 데이터를 추가할 수 있다(S330).The
반면, 상관도의 차이가 임계 상관도를 초과하면(S320-N), 상관도 판단부(122)는 선택된 환경 데이터 풀에 신규 환경 데이터를 추가하는 대신에 새로운 환경 데이터 풀을 생성할 수 있는지 여부를 판단할 수 있다(S340).On the other hand, if the difference in correlation exceeds the threshold correlation (S320-N), whether the
이때, 대표값은 일 예로 전체 데이터의 특징을 나타내는 평균(average) 또는 중간값(median)일 수 있다.In this case, the representative value may be, for example, an average or a median representing characteristics of all data.
이하, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 하나인 제1 환경 데이터 풀 간의 상관도를 비교할 경우, 상관도에 따른 동작을 도 4의 흐름도를 통해 설명한다.Hereinafter, when comparing the degree of correlation between the new environment data and the first environment data pool, which is one of the environment data pools included in the environment data pool set, an operation according to the degree of correlation will be described through a flowchart of FIG. 4 .
도 4는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도에 따른 동작의 에너지 사용량 예측 장치의 일 예를 나타내는 흐름도이다.4 is a flowchart illustrating an example of an energy consumption estimation apparatus operating according to a correlation between new environment data and a first environment data pool.
도 4를 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도를 판단할 수 있다(S410).Referring to FIG. 4 , the artificial intelligence model set
인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 이상인지 판단한다(S420).The artificial intelligence model set
만약, 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 이상일 때(S420-Y), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀에 신규 환경 데이터를 추가하고(S430), 설정된 재학습 조건을 만족한 경우 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습할 수 있다(S440). 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델의 정확도를 높이기 위해서, 제1 환경 데이터 풀과 상관도가 높은 신규 환경 데이터를 제1 인공 지능 모델의 재학습에 사용할 수 있다.If the correlation between the new environment data and the first environment data pool is equal to or greater than the first threshold correlation (S420-Y), the artificial intelligence model set
반면, 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만일 때(S420-N), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀에 신규 환경 데이터를 추가하는 동작을 실행하지 않는다.On the other hand, when the correlation between the new environment data and the first environment data pool is less than the first threshold correlation (S420-N), the artificial intelligence model set
도 5는 도 4에서 에너지 사용량 예측 장치가 제1 환경 데이터 풀을 기초로 제1 인공 지능 모델을 재학습하는 동작을 나타낸 개념도이다.FIG. 5 is a conceptual diagram illustrating an operation of re-learning a first artificial intelligence model based on a first environmental data pool by the energy usage prediction device in FIG. 4 .
도 5를 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터(NEW_DATA)를 제1 환경 데이터 풀(DBP_1)에 추가하고, 신규 환경 데이터(NEW_DATA)가 추가된 제1 환경 데이터 풀(DBP_1)을 이용하여 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다.Referring to FIG. 5 , the artificial intelligence model set
이때, 신규 환경 데이터(NEW_DATA)가 추가된 제1 환경 데이터 풀(DBP_1)을 이용하여 인공 지능 모델 집합 관리부(123)가 제1 인공 지능 모델(MDL_1)을 재학습하는 시점이 언제인지는 다양하게 결정될 수 있다. 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)을 재학습하여 정확도를 높일 수 있으나, 제1 인공 지능 모델(MDL_1)에 대한 재학습을 너무 자주 수행하게 되면 재학습으로 인해 발생하는 비용이 증가할 수 있기 때문이다.At this time, the time point at which the artificial intelligence model set
일 예로, 인공 지능 모델 집합 관리부(123)는 미리 설정된 주기마다 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다. 다른 예로, 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀(DBP_1)에 저장된 데이터의 크기가 미리 설정된 임계 데이터 크기 이상일 때 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다.For example, the artificial intelligence model set
또 다른 예로 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)이 특정한 조건을 만족한 시점에 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다.As another example, the artificial intelligence model set
이하, 인공 지능 모델 집합 관리부(123)가 제1 인공 지능 모델(MDL_1)을 재학습하는 시점을 결정하는 동작의 일 예를 도 6을 통해 설명한다.Hereinafter, an example of an operation of determining when the artificial intelligence model set
도 6은 에너지 사용량 예측 장치가 제1 인공 지능 모델을 재학습하는 시점을 결정하는 동작의 일 예를 나타내는 흐름도이다.6 is a flowchart illustrating an example of an operation of determining when the energy usage prediction device relearns the first artificial intelligence model.
도 6을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델의 정확도(MDL_1)가 임계 정확도 미만인지 판단한다(S610). 이때, 제1 인공 지능 모델(MDL_1)의 정확도는 제1 인공 지능 모델(MDL_1)이 예측한 미래 에너지 사용량과 실제로 복수의 에너지 사용 장치가 사용한 에너지 사용량의 차이 및 이에 따라 발생한 비용을 통해 계산될 수 있다.Referring to FIG. 6 , the artificial intelligence model set
만약 제1 인공 지능 모델(MDL_1)의 정확도가 임계 정확도 미만일 때(S610-Y), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀(DBP_1)의 크기가 임계 데이터 사이즈 이상인지 판단한다(S620).If the accuracy of the first artificial intelligence model MDL_1 is less than the critical accuracy (S610-Y), the artificial intelligence model set
만약 제1 환경 데이터 풀(DBP_1)의 크기가 임계 데이터 사이즈 이상일 때(S620-Y), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀(DBP_1)을 기초로 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다(S630). 즉, 제1 인공 지능 모델(MDL_1)의 정확도가 낮아서 재학습이 필요하고, 재학습에 사용될 수 있는 환경 데이터의 크기가 충분할 때 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)에 대한 재학습을 수행할 수 있다.If the size of the first environment data pool DBP_1 is equal to or greater than the critical data size (S620-Y), the artificial intelligence model set
반면, 제1 인공 지능 모델(MDL_1)의 정확도가 임계 정확도 이상이거나(S610-N), 제1 환경 데이터 풀(DBP_1)의 크기가 임계 데이터 사이즈 미만이면(S620-N), 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)을 재학습하지 않는다. 이는 현재 상황이 제1 인공 지능 모델(MDL_1)의 정확도를 개선할 필요가 없거나 또는 제1 인공 지능 모델(MDL_1)의 정확도를 재학습을 통해 개선할 수 없는 상황이라는 것을 의미하기 때문이다.On the other hand, if the accuracy of the first artificial intelligence model (MDL_1) is greater than or equal to the critical accuracy (S610-N) or the size of the first environment data pool (DBP_1) is less than the critical data size (S620-N), the artificial intelligence model set management unit (123) does not relearn the first artificial intelligence model (MDL_1). This is because the current situation means that the accuracy of the first artificial intelligence model MDL_1 does not need to be improved or the accuracy of the first artificial intelligence model MDL_1 cannot be improved through relearning.
이와 같이, 인공 지능 모델의 재학습을 특정한 시점에만 수행함으로써, 인공 지능 모델 집합 관리부(123)는 인공 지능 모델의 재학습에 과도한 비용이 소요되는 것을 방지하여 인공 지능 모델을 효율적으로 재학습할 수 있다.In this way, by performing the re-learning of the artificial intelligence model only at a specific time point, the artificial intelligence model set
이상 도 4 내지 도 6에서는 기존에 생성된 인공 지능 모델을 재학습하는 경우에 대해 설명하였다. 이하 도 7에서는 기존에 생성된 인공 지능 모델을 재학습하는 대신, 새로운 인공 지능 모델을 생성하는 경우에 대해 설명한다.In FIGS. 4 to 6, the case of re-learning a previously generated artificial intelligence model has been described. 7 describes a case of generating a new artificial intelligence model instead of re-learning a previously generated artificial intelligence model.
도 7은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.7 is a flowchart illustrating an example of an operation of an energy usage estimation apparatus according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.
도 7을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 간의 상관도를 판단할 수 있다(S710).Referring to FIG. 7 , the artificial intelligence model set
인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 환경 데이터 풀 집합(124)에 포함된 모든 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만인지 판단한다(S720).The artificial intelligence model set
만약 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만일 때(S720-Y), 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터 및 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 새로운 제2 환경 데이터 풀이 생성 가능한지 여부를 판단할 수 있다(S730). 즉, 기 생성된 환경 데이터 풀 중에서 신규 환경 데이터를 추가할 수 있는 환경 데이터 풀이 존재하지 않는 경우, 인공 지능 모델 집합 관리부(123)는 새로운 환경 데이터 풀을 생성할 수 있는지 여부를 판단하여, 필요한 경우 새로운 환경 데이터 풀을 생성하고 새로 생성된 환경 데이터 풀에 대한 인공 지능 모델을 새로 생성할 수 있다.If the correlation between the new environment data and all environmental data pools included in the environment data pool set is less than the first threshold correlation (S720-Y), the artificial intelligence model set
이하, 도 8에서는 S730 단계에서 판단한 제2 환경 데이터 풀의 생성 가능 여부에 따른 에너지 사용량 예측 장치(120)의 동작을 흐름도를 통해 설명한다.Hereinafter, in FIG. 8 , the operation of the energy
도 8은 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.8 is a flowchart illustrating an example of an operation of the apparatus for predicting energy usage according to the number of environmental data having a correlation with new environmental data equal to or greater than a second threshold correlation.
도 8을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀에 저장된 환경 데이터를 탐색하여, 그 중 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수를 판단할 수 있다(S810).Referring to FIG. 8 , the artificial intelligence model set
인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상인지 판단한다(S820).The artificial intelligence model set
만약 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때(S820-Y), 인공 지능 모델 집합 관리부(123)는 새로운 제2 환경 데이터 풀을 생성할 수 있을 만큼 환경 데이터의 양이 충분하다고 판단하여, 새로운 제2 환경 데이터 풀을 생성하여 환경 데이터 풀 집합에 추가할 수 있다(S830).If the number of environmental data included in any one of the environmental data pools included in the environmental data pool set 124 has a correlation with new environmental data equal to or greater than the second threshold correlation, the number of environmental data is equal to or greater than the critical number (S820). -Y), the artificial intelligence model set
이때, 제2 환경 데이터 풀에는 신규 환경 데이터 및 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터가 추가될 수 있다.In this case, new environment data and environment data having a correlation degree greater than or equal to a second threshold correlation degree with the new environment data may be added to the second environment data pool.
그리고 인공 지능 모델 집합 관리부(123)는 생성된 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 인공 지능 모델 집합에 추가할 수 있다(S840).The artificial intelligence model set
반면, 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때(S820-N), 인공 지능 모델 집합 관리부(123)는 새로운 제2 환경 데이터 풀을 생성하기에는 환경 데이터의 양이 충분하지 않다고 판단하여 신규 환경 데이터를 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 어느 하나에 추가할 수 있다.On the other hand, when the number of environmental data whose correlation with the new environmental data is equal to or greater than the second critical correlation among the environmental data included in any one of the environmental data pools included in the environmental data pool set 124 is less than the critical environmental data number ( S820-N), the artificial intelligence model set
일 예로, 인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 신규 환경 데이터를 추가할 수 있다(S850). 그리고, 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터가 추가된 환경 데이터 풀에 대응하는 인공 지능 모델을 재학습할 수 있다(S860).For example, the artificial intelligence model set
이때, 디폴트 환경 데이터 풀은 일 예로 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 최초로 생성된 환경 데이터 풀이거나, 가장 정확도가 높은 인공 지능 모델에 대응하는 환경 데이터 풀일 수 있다.In this case, the default environment data pool may be, for example, an environment data pool generated first among the environment data pools included in the environment data pool set 124 or an environment data pool corresponding to the most accurate artificial intelligence model.
도 9는 도 8에서 에너지 사용량 예측 장치가 제2 환경 데이터 풀을 생성하고 제2 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.FIG. 9 is a conceptual diagram illustrating an operation of generating a second environment data pool and a second artificial intelligence model by the energy usage prediction device in FIG. 8 .
도 9를 참고하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터(NEW_DATA)와 환경 데이터 풀 집합(124)에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터를 모아서, 새로운 제2 환경 데이터 풀(DBP_2)을 생성할 수 있다. 이때, 제2 임계 상관도의 값은 전술한 제1 임계 상관도와 같거나 상이할 수 있다.Referring to FIG. 9 , the artificial intelligence model set
그리고 인공 지능 모델 집합 관리부(123)는 새로운 제2 환경 데이터 풀(DBP_2)에 대응하는 제2 인공 지능 모델(MDL_2)을 생성할 수 있다. 제2 인공 지능 모델(MDL_2)은 제2 환경 데이터 풀(DBP_2)을 통해 학습될 수 있다. 제2 인공 지능 모델(MDL_2)은 전술한 인공 지능 모델 집합(125)에 포함될 수 있다.Also, the artificial intelligence model set
이상에서는 에너지 사용량 예측 장치(120)가 신규 환경 데이터를 기 생성된 환경 데이터 풀에 추가하거나, 새로 생성된 환경 데이터 풀에 추가하는 경우에 대해 설명하였다.In the above, the case where the energy
이하, 에너지 사용량 예측 장치(120)가 복수의 환경 데이터 풀을 병합하는 경우에 대해 설명한다.Hereinafter, a case where the energy
도 10은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 다른 예를 나타내는 흐름도이다.10 is a flowchart illustrating another example of an operation of an energy usage estimation apparatus according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.
도 10을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와, 환경 데이터 풀 집합(124)에 포함된 각 환경 데이터 풀 간의 상관도를 판단할 수 있다(S1010).Referring to FIG. 10 , the artificial intelligence model set
인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중에서, 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 2개 이상인지 판단한다(S1020).The artificial intelligence model set
인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 2개 이상일 때(S1020-Y), 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 2개 이상의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합할 수 있다(S1030). 그리고 인공 지능 모델 집합 관리부(123)는 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생성할 수 있다(S1040). 인공 지능 모델 집합 관리부(123)는 이처럼 병합 가능한 복수의 환경 데이터 풀 및 복수의 인공 지능 모델을 하나로 병합하여 관리하는 환경 데이터 풀 및 인공 지능 모델의 개수를 줄일 수 있다. 따라서, 인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 및 인공 지능 모델의 관리를 보다 효율적으로 수행할 수 있다.The artificial intelligence model set
반면, 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 2개 미만일 때(S1020-N), 신규 환경 데이터를 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 추가하거나 또는 새로 생성된 환경 데이터 풀에 추가할 수 있다(S1050). 이 경우에는 복수의 환경 데이터 풀 및 복수의 인공 지능 모델을 하나로 병합하는 효과가 없으므로, 인공 지능 모델 집합은 전술한 바와 같이 신규 환경 데이터를 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 추가하거나 또는 새로 생성된 환경 데이터 풀에 추가한다.On the other hand, the artificial intelligence model set
도 11은 도 10에서 에너지 사용량 예측 장치의 제3 환경 데이터 풀을 생성하고 제3 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.FIG. 11 is a conceptual diagram illustrating an operation of generating a third environment data pool and a third artificial intelligence model of the energy usage prediction device in FIG. 10 .
도 11을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터(NEW_DATA)와 병합 대상이 되는 환경 데이터 풀(신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀)을 병합하여 제3 환경 데이터 풀(DBP_3)을 생성할 수 있다.Referring to FIG. 11 , the artificial intelligence model set
그리고 인공 지능 모델 집합 관리부(123)는 제3 환경 데이터 풀(DBP_3)에 대응하는 제3 인공 지능 모델(MDL_3)을 새로 생성할 수 있다.Also, the artificial intelligence model set
제3 환경 데이터 풀(DBP_3)은 환경 데이터 풀 집합(124)에 추가되고 제3 인공 지능 모델(MDL_3)은 인공 지능 모델 집합(125)에 추가될 수 있다.The third environment data pool DBP_3 may be added to the environment data pool set 124 and the third artificial intelligence model MDL_3 may be added to the artificial intelligence model set 125 .
도 12는 일 실시예에 따른 에너지 관리 방법의 흐름도이다.12 is a flowchart of an energy management method according to an embodiment.
에너지 관리 시스템(100)에 의해 수행되는 에너지 관리 방법(1200)은 복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 단계(S1210)를 포함할 수 있다.The
그리고 에너지 관리 방법(1200)은 데이터 수집 단계(S1210)에서 수집된 환경 데이터를 기초로 하여, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 단계(S1220)를 포함할 수 있다.The
도 13은 도 12의 에너지 사용량 예측 단계를 설명하는 흐름도이다.13 is a flowchart illustrating an energy usage estimation step of FIG. 12 .
에너지 사용량 예측 단계(S1220)는 전술한 데이터 수집 단계(S1210)에서 수집된 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리 단계(S1310)를 포함할 수 있다.The energy usage estimation step (S1220) may include a preprocessing step (S1310) of generating new environmental data by preprocessing the environmental data collected in the above-described data collection step (S1210) according to cluster information.
그리고 에너지 사용량 예측 단계(S1220)는 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단 단계(S1320)를 포함할 수 있다.The energy usage estimation step (S1220) may include a correlation determination step (S1320) of determining whether or not a correlation between the new environmental data and one or more environmental data pools included in the environmental data pool set is greater than or equal to a first threshold correlation. can
상관도 판단 단계(S1320)는, 일 예로, 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 대표값과 신규 환경 데이터의 대표값을 비교하여, 신규 환경 데이터와 상관도를 비교할 환경 데이터 풀을 결정할 수 있다. 이때, 대표값은 평균 또는 중간값일 수 있다.In the correlation determination step (S1320), for example, a representative value of each environmental data pool included in the environmental data pool set is compared with a representative value of the new environmental data to determine an environmental data pool to compare the correlation with the new environmental data. can In this case, the representative value may be an average or a median value.
그리고 에너지 사용량 예측 단계(S1220)는 상관도 판단 단계(S1320)의 결과에 따라, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하기 위한 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리 단계(S1330)를 포함할 수 있다.And, in the energy usage prediction step (S1220), an artificial intelligence model set including one or more artificial intelligence models for predicting the future energy usage of a plurality of energy using devices according to the result of the correlation determination step (S1320) is managed. An intelligent model set management step (S1330) may be included.
인공 지능 모델 집합 관리 단계(S1330)는, 일 예로, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 이상일 때, 제1 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고 상기 인공 지능 모델 집합에 포함된 인공 지능 모델 중 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습할 수 있다. 이때, 제1 인공 지능 모델은 제1 인공 지능 모델이 예측한 복수의 에너지 사용 장치의 미래 에너지 사용량의 정확도가 임계 정확도 미만이고 제1 환경 데이터 풀에 포함된 환경 데이터의 크기가 임계 데이터 사이즈 이상일 때, 제1 환경 데이터 풀을 기초로 재학습될 수 있다.In the artificial intelligence model set management step (S1330), for example, when the correlation between the new environment data and the first environment data pool included in the environment data pool set is equal to or greater than a first threshold correlation, the new environment data pool is stored in the first environment data pool. Environment data may be added and a first artificial intelligence model corresponding to a first environment data pool among artificial intelligence models included in the artificial intelligence model set may be re-learned. At this time, the first artificial intelligence model is selected when the accuracy of the future energy usage of the plurality of energy using devices predicted by the first artificial intelligence model is less than the critical accuracy and the size of environmental data included in the first environmental data pool is greater than or equal to the critical data size. , may be re-learned based on the first environment data pool.
인공 지능 모델 집합 관리 단계(S1330)는, 다른 예로, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만일 때, 신규 환경 데이터 및 환경 데이터 풀 집합을 기초로 하여 상기 신규 환경 데이터 및 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 제2 환경 데이터 풀이 생성 가능한지 여부를 판단할 수 있다.In the artificial intelligence model set management step (S1330), as another example, when the correlation between the new environment data and all environment data pools included in the environment data pool set is less than the first threshold correlation, the new environment data and the environment data pool set are selected. Based on this, it may be determined whether a second environment data pool including some of the new environment data and environment data included in the environment data pool set can be generated.
이 경우, 인공 지능 모델 집합 관리 단계(S1330)는, 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터를 포함하는 제2 환경 데이터 풀을 생성하여 환경 데이터 풀 집합에 추가하고 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 인공 지능 모델 집합에 추가할 수 있다.In this case, the artificial intelligence model set management step (S1330) includes the number of environmental data whose correlation with the new environment data is equal to or greater than the second threshold correlation among the environmental data included in any one of the environmental data pools included in the environmental data pool set. When is equal to or greater than the critical environment data number, a first environment data including new environment data and environmental data having a correlation with the new environment data of the second threshold correlation or higher among environmental data included in any one of the environment data pools included in the environment data pool set. 2 environment data pools may be created and added to the environment data pool set, and a second artificial intelligence model corresponding to the second environment data pool may be created and added to the artificial intelligence model set.
반면, 인공 지능 모델 집합 관리 단계(S1330)는, 환경 데이터 풀 집합에 포함된 환경 데이터 중 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때, 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 신규 환경 데이터를 추가할 수 있다.On the other hand, in the artificial intelligence model set management step (S1330), when the number of environment data having a correlation with the new environment data of the environment data included in the environment data pool set is equal to or greater than the second threshold correlation is less than the threshold number of environment data, Among the environment data pools included in the pool set, the new environment data may be added to an environment data pool having the highest correlation with the new environment data or a preset default environment data pool.
인공 지능 모델 집합 관리 단계(S1330)는, 또 다른 예로, 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 복수개일 때, 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 복수개의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합하고, 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생성할 수 있다.In the artificial intelligence model set management step (S1330), as another example, when the number of environmental data pools having a correlation with new environmental data equal to or greater than a first threshold correlation among the environmental data pools included in the environmental data pool set is plural, A plurality of environmental data pools having a correlation with the new environment data equal to or greater than a first threshold correlation may be merged into one third environment data pool, and a third artificial intelligence model corresponding to the third environment data pool may be generated.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.In the above, even though all the components constituting the embodiment of the present invention have been described as being combined or operated as one, the present invention is not necessarily limited to these embodiments. That is, within the scope of the object of the present invention, all of the components may be selectively combined with one or more to operate.
이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as "comprise", "comprise" or "having" described above mean that the corresponding component may be inherent unless otherwise stated, and therefore do not exclude other components. It should be construed that it may further include other components. All terms, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs, unless defined otherwise. Commonly used terms, such as terms defined in a dictionary, should be interpreted as consistent with the meaning in the context of the related art, and unless explicitly defined in the present invention, they are not interpreted in an ideal or excessively formal meaning.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely an example of the technical idea of the present invention, and various modifications and variations can be made to those skilled in the art without departing from the essential characteristics of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical idea of the present invention, but to explain, and the scope of the technical idea of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed according to the claims below, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.
100 : 에너지 관리 시스템
110 : 데이터 수집 장치
120 : 에너지 사용량 예측 장치
121 : 전처리부
122 : 상관도 판단부
123 : 인공 지능 모델 집합 관리부100: energy management system
110: data collection device
120: energy usage prediction device
121: pre-processing unit
122: correlation determination unit
123: artificial intelligence model set management unit
Claims (18)
상기 데이터 수집 장치에서 수집한 상기 환경 데이터를 기초로 하여, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 장치;를 포함하고,
상기 에너지 사용량 예측 장치는,
상기 데이터 수집 장치에서 수집한 상기 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리부;
상기 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단부 및
상기 상관도 판단부의 판단 결과에 따라 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리부를 포함하고,
상기 환경 데이터는 에너지 사용량 및 상태 정보를 포함하고,
상기 군집 정보는 상기 환경 데이터를 수집하는 기간의 단위 및 상기 환경 데이터가 수집된 횟수를 지시하고,
상기 인공 지능 모델 집합 관리부는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 제1 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 이상일 때,
상기 제1 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고 상기 인공 지능 모델 집합에 포함된 인공 지능 모델 중 상기 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습하는 에너지 관리 시스템.
a data collection device that collects environmental data of a plurality of energy usage devices; and
An energy usage prediction device for predicting future energy usage of the plurality of energy usage devices based on the environmental data collected by the data collection device;
The energy usage prediction device,
a pre-processing unit generating new environmental data by pre-processing the environmental data collected by the data collection device according to cluster information;
A correlation determination unit determining whether a correlation between the new environment data and one or more environmental data pools included in the environment data pool set is greater than or equal to a first threshold correlation; and
An artificial intelligence model set management unit for managing an artificial intelligence model set including one or more artificial intelligence models for predicting future energy consumption of the plurality of energy use devices according to the determination result of the correlation determination unit,
The environmental data includes energy usage and state information,
The cluster information indicates a unit of a period for collecting the environmental data and the number of times the environmental data is collected;
The artificial intelligence model set management unit,
When a correlation between the new environment data and a first environment data pool included in the environment data pool set is greater than or equal to the first threshold correlation,
The energy management system for adding the new environment data to the first environment data pool and relearning a first artificial intelligence model corresponding to the first environment data pool among artificial intelligence models included in the artificial intelligence model set.
상기 상관도 판단부는,
상기 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 상기 군집 정보 별 대표값과 상기 신규 환경 데이터의 상기 군집 정보 별 대표값을 비교하여, 상기 신규 환경 데이터와 상기 각 환경 데이터 풀의 상관도를 비교하는 에너지 관리 시스템.
According to claim 1,
The correlation determination unit,
By comparing the representative value for each cluster information of each environmental data pool included in the environmental data pool set with the representative value for each cluster information of the new environmental data, the correlation between the new environmental data and each environmental data pool is compared. energy management system.
상기 대표값은 평균 또는 중간값인 에너지 관리 시스템.
According to claim 2,
The representative value is an average or median energy management system.
상기 인공 지능 모델 집합 관리부는,
상기 제1 인공 지능 모델이 예측한 상기 복수의 에너지 사용 장치의 미래 에너지 사용량의 정확도가 임계 정확도 미만이고 상기 제1 환경 데이터 풀에 포함된 환경 데이터의 크기가 임계 데이터 사이즈 이상일 때, 상기 제1 인공 지능 모델을 상기 제1 환경 데이터 풀을 기초로 재학습하는 에너지 관리 시스템.
According to claim 1,
The artificial intelligence model set management unit,
When the accuracy of the future energy usage of the plurality of energy using devices predicted by the first artificial intelligence model is less than the critical accuracy and the size of the environmental data included in the first environmental data pool is greater than or equal to the critical data size, the first artificial intelligence model An energy management system for re-learning an intelligent model based on the first environmental data pool.
상기 인공 지능 모델 집합 관리부는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 미만일 때,
상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합을 기초로 하여, 상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 제2 환경 데이터 풀이 생성 가능한지 여부를 판단하는 에너지 관리 시스템.
According to claim 1,
The artificial intelligence model set management unit,
When a correlation between the new environment data and all environmental data pools included in the environment data pool set is less than the first threshold correlation,
Based on the new environment data and the environment data pool set, it is determined whether a second environment data pool including some of the environment data included in the new environment data and the environment data pool set can be generated.
상기 인공 지능 모델 집합 관리부는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터를 포함하는 제2 환경 데이터 풀을 생성하여 상기 환경 데이터 풀 집합에 추가하고,
상기 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 상기 인공 지능 모델 집합에 추가하는 에너지 관리 시스템.
According to claim 6,
The artificial intelligence model set management unit,
When the number of environmental data included in any one of the environmental data pools included in the environmental data pool set having a correlation with the new environment data equal to or greater than a second threshold correlation is equal to or greater than the critical number of environmental data;
A second environmental data pool including environment data having a correlation with the new environment data of a second threshold correlation or higher among environment data included in any one of the new environment data and the environment data pools included in the environment data pool set. Create and add to the environment data pool set;
An energy management system for generating a second artificial intelligence model corresponding to the second environment data pool and adding it to the artificial intelligence model set.
상기 인공 지능 모델 집합 관리부는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고,
상기 신규 환경 데이터가 추가된 환경 데이터 풀에 대응하는 인공 지능 모델을 재학습하는 에너지 관리 시스템.
According to claim 6,
The artificial intelligence model set management unit,
When the number of environment data having a correlation with the new environment data of the environment data included in the environment data pool set is equal to or greater than a second threshold correlation is less than the threshold number of environment data;
adding the new environment data to an environment data pool having the greatest correlation with the new environment data or a preset default environment data pool among the environment data pools included in the environment data pool set;
An energy management system for re-learning an artificial intelligence model corresponding to an environmental data pool to which the new environmental data is added.
상기 인공 지능 모델 집합 관리부는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 상기 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 복수개일 때,
상기 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 복수개의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합하고, 상기 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생성하는 에너지 관리 시스템.
According to claim 1,
The artificial intelligence model set management unit,
When the number of environment data pools having a degree of correlation with the new environment data equal to or greater than the first critical degree of correlation among the environmental data pools included in the environment data pool set is plural,
Energy management for merging a plurality of environmental data pools having a correlation with the new environmental data equal to or greater than a first critical correlation into one third environmental data pool, and generating a third artificial intelligence model corresponding to the third environmental data pool. system.
복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 단계; 및
상기 데이터 수집 단계에서 수집된 환경 데이터를 기초로 하여, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 단계를 포함하고,
상기 에너지 사용량 예측 단계는,
상기 데이터 수집 단계에서 수집된 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리 단계;
상기 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단 단계; 및
상기 상관도 판단 단계의 결과에 따라, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하기 위한 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리 단계를 포함하고,
상기 환경 데이터는 에너지 사용량 및 상태 정보를 포함하고,
상기 군집 정보는 상기 환경 데이터를 수집하는 기간의 단위 및 상기 환경 데이터가 수집된 횟수를 지시하고,
상기 인공 지능 모델 집합 관리 단계는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 제1 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 이상일 때,
상기 제1 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고 상기 인공 지능 모델 집합에 포함된 인공 지능 모델 중 상기 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습하는 에너지 관리 방법.
In the energy management method performed by the energy management system,
A data collection step of collecting environmental data of a plurality of energy usage devices; and
An energy usage prediction step of predicting future energy usage of the plurality of energy usage devices based on the environmental data collected in the data collection step;
The energy usage prediction step,
a pre-processing step of generating new environmental data by pre-processing the environmental data collected in the data collection step according to cluster information;
a correlation determination step of determining whether a correlation between the new environment data and one or more environment data pools included in the environment data pool set is greater than or equal to a first threshold correlation; and
An artificial intelligence model set management step of managing an artificial intelligence model set including one or more artificial intelligence models for predicting future energy usage of the plurality of energy use devices according to a result of the correlation determining step,
The environmental data includes energy usage and state information,
The cluster information indicates a unit of a period for collecting the environmental data and the number of times the environmental data is collected;
The artificial intelligence model set management step,
When a correlation between the new environment data and a first environment data pool included in the environment data pool set is greater than or equal to the first threshold correlation,
The energy management method of adding the new environment data to the first environment data pool and re-learning a first artificial intelligence model corresponding to the first environment data pool among artificial intelligence models included in the artificial intelligence model set.
상기 상관도 판단 단계는,
상기 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 상기 군집 정보 별 대표값과 상기 신규 환경 데이터의 상기 군집 정보 별 대표값을 비교하여, 상기 신규 환경 데이터와 상기 각 환경 데이터 풀의 상관도를 비교하는 에너지 관리 방법.
According to claim 10,
In the correlation determination step,
By comparing the representative value for each cluster information of each environmental data pool included in the environmental data pool set with the representative value for each cluster information of the new environmental data, the correlation between the new environmental data and each environmental data pool is compared. How to manage energy.
상기 대표값은 평균 또는 중간값인 에너지 관리 방법.
According to claim 11,
The representative value is an average or median energy management method.
상기 제1 인공 지능 모델은,
상기 제1 인공 지능 모델이 예측한 상기 복수의 에너지 사용 장치의 미래 에너지 사용량의 정확도가 임계 정확도 미만이고 상기 제1 환경 데이터 풀에 포함된 환경 데이터의 크기가 임계 데이터 사이즈 이상일 때, 상기 제1 환경 데이터 풀을 기초로 재학습되는 에너지 관리 방법.
According to claim 10,
The first artificial intelligence model,
When the accuracy of the future energy usage of the plurality of energy usage devices predicted by the first artificial intelligence model is less than the critical accuracy and the size of the environmental data included in the first environment data pool is greater than or equal to the critical data size, the first environment data size is greater than the critical data size. An energy management method that is relearned based on a data pool.
상기 인공 지능 모델 집합 관리 단계는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 미만일 때,
상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합을 기초로 하여, 상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 제2 환경 데이터 풀이 생성 가능한지 여부를 판단하는 에너지 관리 방법.
According to claim 10,
The artificial intelligence model set management step,
When a correlation between the new environment data and all environmental data pools included in the environment data pool set is less than the first threshold correlation,
Based on the new environment data and the environment data pool set, it is determined whether a second environment data pool including some of the environment data included in the new environment data and the environment data pool set can be generated.
상기 인공 지능 모델 집합 관리 단계는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터를 포함하는 제2 환경 데이터 풀을 생성하여 상기 환경 데이터 풀 집합에 추가하고,
상기 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 상기 인공 지능 모델 집합에 추가하는 에너지 관리 방법.
According to claim 15,
The artificial intelligence model set management step,
When the number of environmental data included in any one of the environmental data pools included in the environmental data pool set having a correlation with the new environment data equal to or greater than a second threshold correlation is equal to or greater than the critical number of environmental data;
A second environmental data pool including environment data having a correlation with the new environment data of a second threshold correlation or higher among environment data included in any one of the new environment data and the environment data pools included in the environment data pool set. Create and add to the environment data pool set;
An energy management method of generating a second artificial intelligence model corresponding to the second environment data pool and adding it to the artificial intelligence model set.
상기 인공 지능 모델 집합 관리 단계는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 상기 신규 환경 데이터를 추가하는 에너지 관리 방법.
According to claim 15,
The artificial intelligence model set management step,
When the number of environment data having a correlation with the new environment data of the environment data included in the environment data pool set is equal to or greater than a second threshold correlation is less than the threshold number of environment data;
Adding the new environment data to an environment data pool having the highest correlation with the new environment data or a preset default environment data pool among the environment data pools included in the environment data pool set.
상기 인공 지능 모델 집합 관리 단계는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 상기 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 복수개일 때,
상기 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 복수개의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합하고, 상기 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생 성하는 에너지 관리 방법.
According to claim 10,
The artificial intelligence model set management step,
When the number of environment data pools having a degree of correlation with the new environment data equal to or greater than the first critical degree of correlation among the environmental data pools included in the environment data pool set is plural,
Energy for merging a plurality of environment data pools having a correlation with the new environment data equal to or greater than a first critical correlation into one third environment data pool, and generating a third artificial intelligence model corresponding to the third environment data pool management method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200105032A KR102503577B1 (en) | 2020-08-21 | 2020-08-21 | System and Method for managing energy |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200105032A KR102503577B1 (en) | 2020-08-21 | 2020-08-21 | System and Method for managing energy |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220023373A KR20220023373A (en) | 2022-03-02 |
| KR102503577B1 true KR102503577B1 (en) | 2023-02-28 |
Family
ID=80815446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200105032A KR102503577B1 (en) | 2020-08-21 | 2020-08-21 | System and Method for managing energy |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102503577B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024010122A1 (en) * | 2022-07-08 | 2024-01-11 | 엘지전자 주식회사 | Ess-based artificial intelligence apparatus and energy prediction model clustering method thereof |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101173823B1 (en) * | 2011-07-01 | 2012-08-20 | 연세대학교 산학협력단 | System and method for predicting an energy consumption of multi-family housing |
| JP6193400B2 (en) * | 2013-11-20 | 2017-09-06 | 株式会社東芝 | Electric power demand prediction system, electric power demand prediction method, customer profiling system, and customer profiling method |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102499240B1 (en) * | 2017-11-06 | 2023-02-14 | 광주과학기술원 | Power demand predicting method and power demand predicting system |
-
2020
- 2020-08-21 KR KR1020200105032A patent/KR102503577B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101173823B1 (en) * | 2011-07-01 | 2012-08-20 | 연세대학교 산학협력단 | System and method for predicting an energy consumption of multi-family housing |
| JP6193400B2 (en) * | 2013-11-20 | 2017-09-06 | 株式会社東芝 | Electric power demand prediction system, electric power demand prediction method, customer profiling system, and customer profiling method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220023373A (en) | 2022-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102187327B1 (en) | Dynamic management and control system for a building electric demand based on automated machine learning scheme | |
| Lee et al. | Joint energy management system of electric supply and demand in houses and buildings | |
| Jafari-Marandi et al. | A distributed decision framework for building clusters with different heterogeneity settings | |
| KR101478791B1 (en) | Method and System for Power Management | |
| KR101212343B1 (en) | System and method for operating microgrid | |
| Chang et al. | From insight to impact: Building a sustainable edge computing platform for smart homes | |
| Ali et al. | Risk-averse home energy management system | |
| Zhang et al. | A simulation-based policy improvement method for joint-operation of building microgrids with distributed solar power and battery | |
| Prajwal et al. | Smart home energy management system using fuzzy logic for continuous power supply with economic utilisation of electrical energy | |
| Aguila‐Leon et al. | A multimicrogrid energy management model implementing an evolutionary game‐theoretic approach | |
| Cheng et al. | Adaptive robust method for dynamic economic emission dispatch incorporating renewable energy and energy storage | |
| Shoji et al. | Home energy management based on Bayesian network considering resident convenience | |
| KR102503577B1 (en) | System and Method for managing energy | |
| Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
| Elmouatamid et al. | A microgrid system infrastructure implementing IoT/Big-Data technologies for efficient energy management in buildings | |
| Zheng et al. | A consensus-based distributed temperature priority control of air conditioner clusters for voltage regulation in distribution networks | |
| Velik | Cognitive architectures as building energy management system for future renewable energy scenarios–A work in progress report | |
| Lugo-Cordero et al. | An adaptive cognition system for smart grids with context awareness and fault tolerance | |
| Cavanini et al. | Microgrid sizing via profit maximization: a population based optimization approach | |
| JPWO2020162461A1 (en) | Power control system and power control method | |
| Long et al. | Model predictive control for household energy management based on individual habit | |
| Agbodjan et al. | Stochastic modelled grid outage effect on home Energy Management | |
| US11798104B2 (en) | System and methods for continuous optimization and real-time control of multiple energy assets | |
| Hamdaoui et al. | Energy efficiency approach for smart building in islanding mode based on distributed energy resources | |
| Haessig et al. | Resilience in energy management system: A study case |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |