KR102520715B1 - 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치 - Google Patents
실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치 Download PDFInfo
- Publication number
- KR102520715B1 KR102520715B1 KR1020210158439A KR20210158439A KR102520715B1 KR 102520715 B1 KR102520715 B1 KR 102520715B1 KR 1020210158439 A KR1020210158439 A KR 1020210158439A KR 20210158439 A KR20210158439 A KR 20210158439A KR 102520715 B1 KR102520715 B1 KR 102520715B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- recurrent neural
- reinforcement learning
- network model
- learning model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010438 heat treatment Methods 0.000 title claims abstract description 24
- 238000001816 cooling Methods 0.000 title claims abstract description 20
- 230000008859 change Effects 0.000 title claims description 17
- 230000000306 recurrent effect Effects 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 230000002787 reinforcement Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 20
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 230000009471 action Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
개시된 기술은 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치에 관한 것으로, 제어장치가 일정 구간 동안의 실내외 환경 변화에 대한 시계열 데이터를 순환신경망 모델에 입력하는 단계; 상기 제어장치가 상기 순환신경망 모델에서 출력되는 상기 일정 구간 이후의 환경에 대한 예측값 및 상기 순환신경망 모델의 특징데이터를 획득하는 단계; 상기 제어장치가 상기 예측값 및 상기 특징데이터를 강화학습 모델의 상태(State)로 입력하는 단계; 및 상기 제어장치가 상기 강화학습 모델에서 출력되는 제어값을 토대로 공조기의 출력을 조절하는 단계;를 포함한다.
Description
개시된 기술은 실내외 환경 변화를 예측하여 냉난방을 자동으로 제어하는 방법 및 장치에 관한 것이다.
실내 환경을 제어하는 방법은 일반적으로 다양한 실내 환경 요인들을 지속적으로 모니터링하고, 이들 실내 환경 요인들이 기준에 부합하지 않는 경우 기 설정된 기준값에 수렴하도록 제어하는 방법이 이용되었다. 예컨대, 실내 온도가 기준치를 초과하면 냉방장치를 구동하여 실내 온도가 적정 수준을 유지하도록 제어할 수 있었다.
이러한 실내 환경 제어를 보다 효율적으로 제어하기 위해서 강화학습 모델을 이용한 건물 내 에너지 소비량 최적화 기술이 이용되고 있다. 강화학습 모델이 현재 실내외 환경을 상태(State)로 하여 공조기의 출력을 조절하기 위한 행동(Action)을 예측하고, 리워드(Reward)를 통해 다음 액션을 출력하기 위한 파라미터를 조절하는 방식으로 학습되면서 관리자의 손을 거치지 않고 자동으로 실내 환경을 제어할 수 있었다. 그러나 이러한 기술은 현재 시점에서의 환경을 기준으로 공조기의 출력을 제어하기 때문에 시간의 경과를 고려한 환경 제어에 어려움이 있었다.
개시된 기술은 실내외 환경 변화를 예측하여 냉난방을 자동으로 제어하는 방법 및 장치를 제공하는데 있다.
상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 1 측면은 제어장치가 일정 구간 동안의 실내외 환경 변화에 대한 시계열 데이터를 순환신경망 모델에 입력하는 단계, 상기 제어장치가 상기 순환신경망 모델에서 출력되는 상기 일정 구간 이후의 환경에 대한 예측값 및 상기 순환신경망 모델의 특징데이터를 획득하는 단계, 상기 제어장치가 상기 예측값 및 상기 특징데이터를 강화학습 모델의 상태(State)로 입력하는 단계 및 상기 제어장치가 상기 강화학습 모델에서 출력되는 제어값을 토대로 공조기의 출력을 조절하는 단계를 포함하는 냉난방 자동 제어 방법을 제공하는데 있다.
상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 2 측면은 일정 구간 동안의 실내외 환경 변화에 대한 시계열 데이터를 입력받는 입력장치, 사전에 학습된 순환신경망 모델 및 강화학습 모델을 저장하는 저장장치 및 상기 순환신경망 모델에 상기 시계열 데이터를 입력하여 상기 일정 구간 이후의 환경에 대한 예측값 및 상기 순환신경망 모델의 특징데이터를 획득하고, 상기 예측값 및 상기 특징데이터를 강화학습 모델의 상태(State)로 입력하여 상기 강화학습 모델에서 출력되는 제어값을 토대로 공조기의 출력을 조절하는 연산장치를 포함하는 냉난방 자동 제어 장치를 제공하는데 있다.
개시된 기술의 실시 예들은 다음의 장점들을 포함하는 효과를 가질 수 있다. 다만, 개시된 기술의 실시 예들이 이를 전부 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
개시된 기술의 일 실시예에 따르면 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치는 시간의 흐름을 고려하여 실내외 환경을 효율적으로 제어하는 효과가 있다.
또한, 자동 제어를 통해 관리자의 피로도를 줄이고 건물 에너지 소비를 최적화하는 효과가 있다.
도 1은 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 과정을 나타낸 도면이다.
도 2는 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법에 대한 순서도이다.
도 3은 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 장치에 대한 블록도이다.
도 4는 순환신경망 모델 및 강화학습 모델을 학습하는 과정을 나타낸 도면이다.
도 2는 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법에 대한 순서도이다.
도 3은 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 장치에 대한 블록도이다.
도 4는 순환신경망 모델 및 강화학습 모델을 학습하는 과정을 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제 1 , 제 2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 한다. 그리고 "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다.
그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어야 할 것이다.
도 1은 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 과정을 나타낸 도면이다. 도 1을 참조하면 제어장치는 실내외 환경 변화에 대한 시계열 데이터를 입력받아 공조기의 출력을 제어하기 위한 데이터를 획득할 수 있다. 제어장치는 순환신경망 모델과 강화학습 모델을 포함한다. 그리고 순환신경망 모델을 이용하여 시계열 데이터에 대한 예측값을 획득하고 이를 강화학습 모델에 입력하여 공조기 출력을 조절하기 위한 예측값을 획득할 수 있다. 여기에서 제어장치가 입력받는 시계열 데이터는 건물 내 온습도 변화에 대한 데이터를 포함한다.
제어장치는 먼저 순환신경망 모델에 시계열 데이터를 입력할 수 있다. 그리고 순환신경망 모델에서 출력되는 예측값과 순환신경망 모델이 예측값을 출력하는 과정에서 얻은 특징데이터를 획득할 수 있다. 제어장치가 순환신경망 모델에 입력하는 시계열 데이터는 일정 구간의 온습도 변화에 대한 시계열 데이터일 수 있다. 그리고 순환신경망 모델의 예측값은 입력된 시계열 데이터의 이후 구간을 예측한 것일 수 있다. 그리고 특징데이터는 순환신경망 모델이 레이어를 거치며 특징을 압축하는 과정에서 얻게 되는 특성값일 수 있다.
한편, 제어장치는 순환신경망 모델로부터 출력된 예측값 및 특징데이터를 강화학습 모델에 입력할 수 있다. 즉, 강화학습 모델의 상태(State)로 순환신경망 모델에서 출력된 예측값과 특징데이터들을 이용할 수 있다. 강화학습 모델은 설정된 상태를 토대로 공조기 제어를 위한 제어값을 출력할 수 있다. 여기에서 강화학습 모델이 출력하는 제어값은 상태에 따른 액션에 해당하며 예컨대, 공조기의 출력을 조절하거나 소모전력을 조절하는 값일 수 있다.
한편, 제어장치는 상술한 과정에 따라 실내 환경 변화를 자동으로 제어하기 이전에 두 모델을 학습하는 과정을 수행한다. 먼저, 순환신경망 모델을 복수의 학습데이터를 이용하여 단독으로 선행학습(Pre-Training)시킬 수 있다. 복수의 학습데이터 또한 시계열 데이터에 해당하며 건물의 날짜별, 시간대별 온습도 변화량을 기록하였다가 학습데이터로 활용할 수 있다. 제어장치는 이와 같이 순환신경망 모델을 선행학습시킨 후 학습된 순환신경망 모델과 강화학습 모델을 함께 튜닝(Fine-Tuning)할 수 있다. 이 과정에서 순환신경망 모델의 로스(Loss)값의 변화량이 기준 미만이면 순환신경망의 학습을은 중단되고 순환신경망의 출력값을 이용해 강화학습 모델에 대해서만 학습을 수행할 수 있다. 로스값의 변화량이 기준 미만이라고 함은 로스값의 크기가 감소하는 비율이 기준에 미치지 못하는 것을 의미한다. 즉, 이 경우는 순환신경망 학습이 충분히 이루어진 상태에 해당하므로 강화학습 모델만 상태, 행동 및 리워드에 따라 학습되도록 할 수 있다. 반대로, 로스값의 변화량이 감소하는 비율이 기준치를 초과하고 있다면 순환신경망의 학습이 추가적으로 필요한 것으로 간주하여 순환신경망은 출력된 예측값을 이용해 추가 학습되고 순환신경망의 특징데이터를 강화학습 모델의 상태로 입력하여 강화학습 모델은 리워드를 최대화하는 행동을 출력하도록 학습시킬 수 있다. 제어장치는 이와 같이 학습된 두 개의 모델을 이용하여 실내외 환경 변화를 시간의 흐름에 따라 예측하여 보다 효율적으로 공조기 출력을 조절할 수 있다. 건물 내 공조기의 출력을 조절함으로써 실내 냉난방 상태를 최적의 상태로 유지하는 것이 가능하며 모델들로부터 출력되는 데이터를 이용하여 자동으로 공조기 출력을 제어하기 때문에 건물 내 에너지 소비량을 최적화할 수 있다.
도 2는 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법에 대한 순서도이다. 도 2를 참조하면 냉난방 자동 제어 방법(200)은 210 내지 240 단계를 포함한다. 냉난방 자동 제어 방법(200)은 제어장치를 통해 수행될 수 있다.
210 단계에서 제어장치 일정 구간 동안의 실내외 환경 변화에 대한 시계열 데이터를 순환신경망 모델에 입력한다. 일정 구간 동안의 시계열 데이터는 예컨대, 24시간 동안의 건물 내 온습도 변화량을 나타낸 데이터일 수 있다. 제어장치는 건물 내 공조기들을 제어하는 서버 내지는 컴퓨터일 수 있으며 건물 내 구비된 센서들을 통해 온습도 변화 상태를 주기적으로 수집할 수 있다.
220 단계에서 제어장치는 순환신경망 모델에서 출력되는 일정 구간 이후의 실내외 환경에 대한 예측값 및 순환신경망 모델의 특징데이터를 획득한다. 일 실시예로, 순환신경망 모델의 예측값은 다음 날의 24시간 동안의 건물 내 온습도 변화량을 예측한 것일 수 있다. 물론 일(Day) 단위 뿐만 아니라 시간(Time) 단위 또는 분(Min) 단위로도 예측할 수 있다. 제어장치는 순환신경망 모델에서 출력된 예측값과 함께 순환신경망 모델이 각 레이어들을 거쳐 특징을 압축하는 과정에서 얻게 되는 특징데이터들도 획득할 수 있다.
230 단계에서 제어장치는 순환신경망 모델로부터 획득한 예측값 및 특징데이터를 강화학습 모델의 상태(State)로 입력한다. 강화학습 모델은 사전에 순환신경망 모델과 함께 학습 및 튜닝된 상태이며 상태값이 입력되면 실내외 온습도를 제어하기 위한 공조기 출력값을 행동(Action)으로 제어할 수 있다.
240 단계에서 제어장치는 강화학습 모델에서 출력되는 제어값을 토대로 공조기의 출력을 조절한다. 공조기는 건물 내 설치된 에어컨, 히터 및 가습기를 포함한다. 제어장치는 강화학습 모델로부터 출력되는 행동(Action)에 대한 제어값을 토대로 공조기의 출력을 제어할 수 있다.
도 3은 개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 장치에 대한 블록도이다. 도 3을 참조하면 냉난방 자동 제어 장치(300)는 입력장치(310), 저장장치(320) 및 연산장치(330)를 포함한다.
입력장치는 일정 구간 동안의 실내외 환경 변화에 대한 시계열 데이터를 입력받는다. 입력장치는 다른 장치로부터 전송되는 시계열 데이터를 수신할 수도 있고 관리자가 입력하는 시계열 데이터를 입력받을 수도 있다. 이를 위해 입력장치는 전송되는 시계열 데이터를 수신하기 위한 통신장치를 포함할 수 있으며 시계열 데이터의 입력을 위한 키보드, 마우스와 같은 인터페이스 장치를 포함할 수 있다.
저장장치(320)는 인공신경망 모델을 저장하는 메모리일 수 있다. 저장장치에 저장되는 인공신경망 모델은 순환신경망과 강화학습 모델이 병합된 모델일 수 있다. 저장장치(320)는 이러한 모델을 사전에 학습시키기 위한 학습데이터도 함께 저장할 수 있다.
연산장치(330)는 모델들에 데이터를 입력하고 모델들로부터 출력되는 데이터를 이용하여 공조기를 제어하기 위한 제어신호를 생성하는 CPU 내지는 AP일 수 있다. 연산장치는 순환신경망 모델에 시계열 데이터를 입력하여 일정 구간 이후의 환경에 대한 예측값 및 순환신경망 모델의 특징데이터를 획득한다. 그리고 예측값 및 특징데이터를 강화학습 모델의 상태(State)로 입력한다. 연산장치는 강화학습 모델의 예측값을 토대로 공조기의 출력을 조절할 수 있다.
한편, 상술한 바와 같은 냉난방 자동 제어 장치(300)는 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수도 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
도 4는 순환신경망 모델 및 강화학습 모델을 학습하는 과정을 나타낸 도면이다. 도 4와 같이 개시된 기술에서 이용하는 모델은 순환신경망과 강화학습 모델이 병합된 구조를 갖는다. 먼저 순환신경망은 시계열 데이터를 이용하여 시간의 흐름에 따라 변화하는 실내외 환경을 예측하도록 학습된다. 예컨대, 일정 구간 동안의 온습도 변화량에 대한 시계열 데이터를 이용하여 다음 구간의 온습도 변화량을 예측하도록 학습될 수 있다. 여기에서 예측하는 구간은 정해진 시간 이후의 구간일 수도 있고 별도로 설정된 구간일 수도 있다. 예컨대, 24시간 동안의 온습도 변화에 대한 시계열 데이터를 입력받아 다음 24시간의 온습도 변화를 예측할 수도 있고 다음날 오전10시부터 오후5시 사이의 온습도 변화만 예측할 수도 있다. 물론 입력된 시계열 데이터가 24시간 미만의 구간에 대한 온습도 변화를 나타낸 시계열 데이터라면 같은날의 다음 구간의 온습도를 예측하는 것도 가능하다.
한편, 도 4에 도시된 바와 같이 순환신경망 모델이 각 계층들(Layer)을 통해 획득된 특성과 순환신경망 모델에서 출력된 예측값은 강화학습 모델의 상태로 입력된다. 강화학습 모델은 학습 과정에서 상태에 대한 행동을 출력하고 리워드를 통해 행동 출력에 따른 파라미터를 조절하였으므로 테스트 환경에서는 입력된 상태에 따른 행동을 출력하는 과정만 수행될 수 있다. 물론 추가적으로 리워드를 제공하여 강화학습 모델의 성능을 더 높이는 것도 가능하다. 이와 같이 두 개의 모델을 병합하여 실내외 환경 변화를 시간의 흐름에 따라 예측할 수 있으며 이를 토대로 보다 효율적인 실내 냉난방 제어를 수행할 수 있다.
개시된 기술의 일 실시예에 따른 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치는 이해를 돕기 위하여 도면에 도시된 실시 예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 개시된 기술의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.
Claims (8)
- 제어장치가 일정 구간 동안의 실내외 환경 변화에 대한 시계열 데이터를 순환신경망 모델에 입력하는 단계;
상기 제어장치가 상기 순환신경망 모델에서 출력되는 상기 일정 구간 이후의 환경에 대한 예측값 및 상기 순환신경망 모델의 특징데이터를 획득하는 단계;
상기 제어장치가 상기 예측값 및 상기 특징데이터를 강화학습 모델의 상태(State)로 입력하는 단계; 및
상기 제어장치가 상기 강화학습 모델에서 출력되는 제어값을 토대로 공조기의 출력을 조절하는 단계;를 포함하되
상기 특징데이터는 상기 순환 신경망 모델의 각 레이어가 특징을 압축하는 과정에서 얻는 특성값을 포함하는, 냉난방 자동 제어 방법 - 제 1 항에 있어서,
상기 시계열 데이터는 건물 내 온습도 변화에 대한 데이터를 포함하는 냉난방 자동 제어 방법. - 제 1 항에 있어서,
상기 순환신경망 모델은 사전에 단독으로 학습된 후 상기 강화학습 모델과 함께 튜닝되는 냉난방 자동 제어 방법. - 제 1 항에 있어서,
상기 순환신경망 및 상기 강화학습 모델의 학습 과정에서
상기 순환신경망 모델의 로스(Loss)값의 변화량이 기준 이상일 경우 상기 순환신경망과 상기 강화학습 모델이 동시 학습되고, 상기 로스값의 변화량이 기준 미만이면 상기 강화학습 모델에 대해서만 학습이 진행되는 냉난방 자동 제어 방법. - 일정 구간 동안의 실내외 환경 변화에 대한 시계열 데이터를 입력받는 입력장치;
사전에 학습된 순환신경망 모델 및 강화학습 모델을 저장하는 저장장치; 및
상기 순환신경망 모델에 상기 시계열 데이터를 입력하여 상기 일정 구간 이후의 환경에 대한 예측값 및 상기 순환신경망 모델의 특징데이터를 획득하고, 상기 예측값 및 상기 특징데이터를 강화학습 모델의 상태(State)로 입력하여 상기 강화학습 모델에서 출력되는 제어값을 토대로 공조기의 출력을 조절하는 연산장치;를 포함하되,
상기 특징데이터는 상기 순환 신경망 모델의 각 레이어가 특징을 압축하는 과정에서 얻는 특성값을 포함하는, 냉난방 자동 제어 장치. - 제 5 항에 있어서,
상기 시계열 데이터는 건물 내 온습도 변화에 대한 데이터를 포함하는 냉난방 자동 제어 장치. - 제 5 항에 있어서,
상기 연산장치는 상기 시계열 데이터를 입력하기 이전에 상기 순환신경망 모델을 사전에 단독으로 학습된 후 상기 강화학습 모델과 함께 튜닝하는 냉난방 자동 제어 장치. - 제 5 항에 있어서,
상기 순환신경망 및 상기 강화학습 모델의 학습 과정에서
상기 순환신경망 모델의 로스(Loss)값의 변화량이 기준 이상일 경우 상기 순환신경망과 상기 강화학습 모델이 동시 학습되고, 상기 로스값의 변화량이 기준 미만이면 상기 강화학습 모델에 대해서만 학습이 진행되는 냉난방 자동 제어 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210158439A KR102520715B1 (ko) | 2021-11-17 | 2021-11-17 | 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210158439A KR102520715B1 (ko) | 2021-11-17 | 2021-11-17 | 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102520715B1 true KR102520715B1 (ko) | 2023-04-10 |
Family
ID=85984766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210158439A KR102520715B1 (ko) | 2021-11-17 | 2021-11-17 | 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102520715B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116910490B (zh) * | 2023-09-08 | 2023-12-15 | 山东建筑大学 | 农业大棚环境调节方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140148370A (ko) | 2012-01-23 | 2014-12-31 | 어스네트웍스 아이엔씨 | 건물의 에너지 소모에 대한 최적화 및 조절 |
| KR20190104926A (ko) * | 2019-08-22 | 2019-09-11 | 엘지전자 주식회사 | 공조시스템 및 그 제어 방법 |
| KR102246266B1 (ko) * | 2020-06-08 | 2021-04-29 | 주식회사 루닛 | 레이블 정보에 대한 피드백을 제공하는 방법 및 시스템 |
| KR20210063970A (ko) * | 2019-11-25 | 2021-06-02 | 엘지전자 주식회사 | 공기 조화기 및 그 제어 방법 |
-
2021
- 2021-11-17 KR KR1020210158439A patent/KR102520715B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140148370A (ko) | 2012-01-23 | 2014-12-31 | 어스네트웍스 아이엔씨 | 건물의 에너지 소모에 대한 최적화 및 조절 |
| KR20190104926A (ko) * | 2019-08-22 | 2019-09-11 | 엘지전자 주식회사 | 공조시스템 및 그 제어 방법 |
| KR20210063970A (ko) * | 2019-11-25 | 2021-06-02 | 엘지전자 주식회사 | 공기 조화기 및 그 제어 방법 |
| KR102246266B1 (ko) * | 2020-06-08 | 2021-04-29 | 주식회사 루닛 | 레이블 정보에 대한 피드백을 제공하는 방법 및 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116910490B (zh) * | 2023-09-08 | 2023-12-15 | 山东建筑大学 | 农业大棚环境调节方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Valladares et al. | Energy optimization associated with thermal comfort and indoor air control via a deep reinforcement learning algorithm | |
| Zhang et al. | Whole building energy model for HVAC optimal control: A practical framework based on deep reinforcement learning | |
| Li et al. | Developing a whole building cooling energy forecasting model for on-line operation optimization using proactive system identification | |
| Zhang et al. | Practical implementation and evaluation of deep reinforcement learning control for a radiant heating system | |
| CN111096094B (zh) | 经由智能供应空气温度设定点控制的冷却单元能量优化 | |
| Afroz et al. | Real-time prediction model for indoor temperature in a commercial building | |
| Yang et al. | Experiment study of machine-learning-based approximate model predictive control for energy-efficient building control | |
| Mtibaa et al. | LSTM-based indoor air temperature prediction framework for HVAC systems in smart buildings | |
| US20120271462A1 (en) | Systems and methods to control energy consumption efficiency | |
| EP3885664B1 (en) | Air conditioning control device and air conditioning control method | |
| Wang et al. | Artificial intelligent models for improved prediction of residential space heating | |
| US10048658B2 (en) | Information processing device, predictive control method, and recording medium | |
| O’Neill et al. | HVAC control loop performance assessment: A critical review (1587-RP) | |
| Jazizadeh et al. | Personalized Thermal Comfort-Driven Control in HVAC-OperatedOffice Buildings | |
| US20150211758A1 (en) | Optimized precooling of structures | |
| Yang et al. | Optimum operating performance based online fault-tolerant control strategy for sensor faults in air conditioning systems | |
| KR20130127697A (ko) | 유전자 알고리즘 기반 에너지 제어 시스템 및, 그 제어 방법 | |
| JP2023510530A (ja) | ビル設備エネルギー管理制御システム及びその制御方法 | |
| Jain et al. | Data predictive control for peak power reduction | |
| Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
| Papadopoulos et al. | Distributed diagnosis of sensor and actuator faults in air handling units in multi-zone buildings: a model-based approach | |
| US11371741B2 (en) | Air conditioning apparatus and method for controlling using learned sleep modes | |
| Soudari et al. | Predictive smart thermostat controller for heating, ventilation, and air-conditioning systems | |
| KR102520715B1 (ko) | 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치 | |
| Jiang et al. | Data-driven thermal model inference with armax, in smart environments, based on normalized mutual information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |