KR102544265B1 - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR102544265B1
KR102544265B1 KR1020190002959A KR20190002959A KR102544265B1 KR 102544265 B1 KR102544265 B1 KR 102544265B1 KR 1020190002959 A KR1020190002959 A KR 1020190002959A KR 20190002959 A KR20190002959 A KR 20190002959A KR 102544265 B1 KR102544265 B1 KR 102544265B1
Authority
KR
South Korea
Prior art keywords
data
learning
network model
air conditioning
learning network
Prior art date
Application number
KR1020190002959A
Other languages
English (en)
Other versions
KR20200092484A (ko
Inventor
박건혁
이제헌
김경재
송관우
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190002959A priority Critical patent/KR102544265B1/ko
Priority to US16/427,780 priority patent/US20200217544A1/en
Priority to EP19908130.8A priority patent/EP3870906A4/en
Priority to PCT/KR2019/008476 priority patent/WO2020145463A1/en
Priority to CN201980088524.1A priority patent/CN113272595B/zh
Publication of KR20200092484A publication Critical patent/KR20200092484A/ko
Application granted granted Critical
Publication of KR102544265B1 publication Critical patent/KR102544265B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/65—Electronic processing for selecting an operating mode
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • 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
    • 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
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/20—Sunlight
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/60—Energy consumption
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2221/00—Details or features not otherwise provided for
    • F24F2221/52—Weather protecting means, e.g. against wind, rain or snow

Abstract

전자 장치가 개시된다. 전자 장치는, 통신부 및 통신부와 전기적으로 연결되어 통신부를 제어하는 프로세서 및 프로세서와 전기적으로 연결된 메모리를 포함한다. 메모리는, 프로세서가, 공조 시스템의 목표 정보를 학습 네트워크 모델에 적용하여 획득된 제어 정보를 통신부를 통해 공조 시스템에 포함된 복수의 공조 장치로 전송하도록 제어하는 명령어들을 저장한다. 학습 네트워크 모델은, 학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면, 가상 데이터를 생성하고 생성된 가상 데이터에 기초하여 재 학습되는 학습 네트워크 모델이다.

Description

전자 장치 및 그 제어 방법 {Electronic device and control method thereof}
본 개시는 공조 시스템을 제어하는 전자 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는 공조 시스템의 에너지 소비량을 감소시키도록 하는 전자 장치 및 그 제어 방법에 관한 것이다.
최근 실내 공기 질에 관한 중요성이 증가하여 건물 내 공조 시스템을 효율적으로 제어하기 위한 필요성이 대두되고 있다. 일반적으로, 공조 시스템은 제조사에서 제공하는 초기 설정 값이 변경없이 그대로 입력되어 사용되고 있으나, 제조사가 제공하는 초기 설정 값은 Peak 부하 시의 산정 값으로, Peak 부하가 발생하지 않는 대부분의 시간대에서는 부적절하다.
또한, 공조 시스템을 구성하는 각 공조 장치의 제조사가 다를 경우 이를 통합적으로 제어하기 어려운 문제가 있었다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은, 에너지 소비량을 고려하여 공조 장치에 제공되는 최적의 설정 값을 획득하여 제공하는 전자 장치 및 그 제어 방법을 제공함에 있다.
상술한 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치는, 통신부 및 상기 통신부와 전기적으로 연결되어 상기 통신부를 제어하는 프로세서 및 상기 프로세서와 전기적으로 연결된 메모리를 포함할 수 있다.
여기서, 상기 메모리는, 상기 프로세서가, 공조 시스템의 목표 정보를 학습 네트워크 모델에 적용하여 획득된 제어 정보를 상기 통신부를 통해 상기 공조 시스템에 포함된 복수의 공조 장치로 전송하도록 제어하는 명령어들을 저장할 수 있다.
상기 학습 네트워크 모델은, 학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면, 가상 데이터를 생성하고 상기 생성된 가상 데이터에 기초하여 재 학습되는 학습 네트워크 모델일 수 있다.
상기 학습 네트워크 모델은, 상기 학습 데이터 및 상기 가상 데이터에 기초하여 에너지 소비량을 재 예측하고, 재 예측 결과에 기초하여 재 학습될 수 있다.
상기 학습 네트워크 모델은, 상기 재 예측된 에너지 소비량 중 상기 복수의 공조 장치 각각의 에너지 소비량의 합이 최소가 되도록 하는 상기 복수의 공조 장치 각각의 설정 값을 획득할 수 있다.
상기 학습 네트워크 모델은, 상기 학습 데이터 및 상기 가상 데이터를 이용하여 상기 학습 네트워크 모델에 포함된 뉴럴 네트워크의 가중치를 학습할 수 있다.
상기 학습 데이터는, 상기 복수의 공조 장치 각각의 기존 운전 데이터를 포함하며, 상기 운전 데이터는, 상기 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함할 수 있다.
상기 학습 네트워크 모델은, 물리 법칙을 포함하는 기설정된 조건에 기초하여 상기 에너지 소비량의 예측 결과에 대한 오류 여부를 식별할 수 있다.
상기 학습 네트워크 모델은, 상기 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 상기 가상 데이터를 생성하며, 상기 학습 데이터는, 제1 조건에 대응되는 데이터이며, 상기 가상 데이터는 상기 제1 조건과 상이한 제2 조건에 대응되는 데이터일 수 있다.
상기 학습 네트워크 모델은, 공조 부하 및 외기 조건에 기초하여 상기 획득된 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력할 수 있다.
상기 학습 네트워크 모델은, 상기 획득된 제어 정보를 상기 복수의 공조 장치로 전송하고, 상기 통신부를 통해 수신된 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하지 않으면, 상기 제어 정보에 기초하여 상기 학습 데이터 및 상기 가상 데이터를 재 학습할 수 있다.
상기 공조 시스템은, HVAC(Heating, Ventilating, and Air Conditioning) 장치일 수 있다.
한편, 상술한 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법은, 공조 시스템의 목표 정보를 학습 네트워크 모델에 적용하는 단계 및 상기 공조 시스템의 목표 정보를 상기 학습 네트워크 모델에 적용하여 획득된 제어 정보를 상기 공조 시스템에 포함된 복수의 공조 장치로 전송하는 단계를 포함할 수 있다.
여기서, 상기 학습 네트워크 모델은, 학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면, 가상 데이터를 생성하고 상기 생성된 가상 데이터에 기초하여 재 학습되는 학습 네트워크 모델일 수 있다.
상기 학습 네트워크 모델은, 상기 학습 데이터 및 상기 가상 데이터에 기초하여 에너지 소비량을 재 예측하고, 재 예측 결과에 기초하여 재 학습될 수 있다.
상기 학습 네트워크 모델은, 상기 재 예측된 에너지 소비량 중 상기 복수의 공조 장치 각각의 에너지 소비량의 합이 최소가 되도록 하는 상기 복수의 공조 장치 각각의 설정 값을 획득할 수 있다.
상기 학습 네트워크 모델은, 상기 학습 데이터 및 상기 가상 데이터를 이용하여 상기 학습 네트워크 모델에 포함된 뉴럴 네트워크의 가중치를 학습할 수 있다.
상기 학습 데이터는, 상기 복수의 공조 장치 각각의 기존 운전 데이터를 포함하며, 상기 운전 데이터는, 상기 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함할 수 있다.
상기 학습 네트워크 모델은, 물리 법칙을 포함하는 기설정된 조건에 기초하여 상기 에너지 소비량의 예측 결과에 대한 오류 여부를 식별할 수 있다.
상기 학습 네트워크 모델은, 상기 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 상기 가상 데이터를 생성하며, 상기 학습 데이터는, 제1 조건에 대응되는 데이터이며, 상기 가상 데이터는 상기 제1 조건과 상이한 제2 조건에 대응되는 데이터일 수 있다.
상기 학습 네트워크 모델은, 공조 부하 및 외기 조건에 기초하여 상기 획득된 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력할 수 있다.
상기 학습 네트워크 모델은, 상기 획득된 제어 정보를 상기 복수의 공조 장치로 전송하고, 수신된 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하지 않으면, 상기 제어 정보에 기초하여 상기 학습 데이터 및 상기 가상 데이터를 재 학습할 수 있다.
상기 공조 시스템은, HVAC(Heating, Ventilating, and Air Conditioning) 장치일 수 있다.
상술한 바와 같이 본 개시의 다양한 실시 예에 따르면, 최적의 설정 값을 공조 장치에 제공하여 쾌적한 실내 공간을 형성할 수 있다.
학습 데이터가 부족한 경우 가상 데이터를 생성하여 학습 모델을 보정할 수 있고, 보정된 학습 모델에 의해 에너지 소비량의 예측 정확도가 증가하므로 공조 시스템의 에너지 소비량이 감소될 수 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 시스템을 나타내는 도면이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 블록도이다.
도 3은 전자 장치의 세부 구성을 설명하기 위한 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 학습 네트워크 모델의 학습 및 재 학습 동작을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 학습 네트워크 모델의 예측 결과에 오류가 있는 것으로 식별되는 상황을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 제어 정보의 적용 시간을 식별하는 동작을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 최적 제어 설정 값을 획득하는 동작을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 학습부 및 인식부의 동작을 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
A 및/또는 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.
본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
본 개시의 계산은 머신 러닝 기반의 인식 시스템에 의해 수행될 수 있으며, 본 개시에서는 뉴럴 네트워크(Neural Networks)에 기반한 일련의 기계학습 알고리즘에 의한 분류 시스템으로서, 딥 러닝 기반의 인식 시스템을 예로서 설명한다.
딥 러닝 기반의 인식 시스템은 적어도 하나의 분류기를 포함할 수 있으며, 분류기는 하나 또는 복수 개의 프로세서에 해당할 수 있다. 프로세서는 다수의 논리 게이트들의 어레이(Array)로 구현될 수 있고, 범용적인 마이크로 프로세서와 이 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다.
분류기는 뉴럴 네트워크(Neural Network) 기반 분류기, SVM(Support Vector Machine), 에이다부스트 분류기(Adaboost Classifier), 베이지안 분류기(Bayesian Classifier) 및, 퍼셉트론 분류기(Perceptron Classifier) 등으로 구현될 수 있다. 이하, 본 개시의 분류기는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN) 기반 분류기로 구현되는 실시 예에 대하여 설명한다. 뉴럴 네트워크 기반 분류기는, 연결선으로 연결된 많은 수의 인공 뉴런들을 이용하여 생물학적인 시스템의 계산 능력을 모방하도록 구현된 연산모델로서, 연결 강도(가중치)를 갖는 연결선을 통해 인간의 인지작용이나 학습과정을 수행하게 된다. 그러나, 본 개시의 분류기가 이에 한정되는 것은 아니며, 상술한 다양한 분류기로 구현될 수 있음은 물론이다.
일반적인 뉴럴 네트워크는 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)을 포함하며, 은닉층은 필요에 따라서 1 이상의 층으로 구성될 수 있다. 이러한, 뉴럴 네트워크를 학습시키기 위한 알고리즘으로 역전파(Bak Propagation) 알고리즘을 이용할 수 있다.
분류기는 어떠한 데이터가 뉴럴 네트워크의 입력층에 입력되면, 입력된 학습 데이터에 대한 출력 데이터가 뉴럴 네트워크의 출력층으로 출력되도록 뉴럴 네트워크를 학습시킬 수 있다. 촬영 이미지로부터 추출된 특징 정보가 입력되면, 뉴럴 네트워크를 이용하여 특징 정보의 패턴을 여러 클래스 중에서 어느 하나의 클래스로 분류하고, 분류 결과를 출력할 수 있다.
프로세서는 뉴럴 네트워크(Neural Networks)에 기반한 일련의 기계학습 알고리즘에 의한 분류 시스템으로서, 딥 러닝 기반의 인식 시스템을 이용할 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하 첨부된 도면들을 참조하여 본 개시의 일 실시 예를 보다 상세하게 설명한다.
도 1은 본 개시의 일 실시 예에 따른 전자 시스템을 나타낸 도면이다.
전자 시스템(1000)은 전자 장치(100), 공조 시스템(200)을 포함한다.
전자 장치(100)는 공조 시스템(200)을 제어할 수 있는 장치이다. 일 실시 예에 따르면, 전자 장치(100)는 머신 러닝에 기초한 학습 모델을 포함하는 장치로, 공조 시스템(200)을 제어하는 서버 장치로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 전자 장치(100)는 데스크탑 PC, 노트북, 스마트폰, 태블릿 PC 등으로 구현될 수 있으며, 경우에 따라 소프트웨어로 구현될 수도 있다.
공조 시스템(200)은 난방 장치(HEATING SECTION), 냉방 장치(COOLING SECTION), 환기 장치(VENTILATING SECTION) 및 공조 장치(AIR-CONDITIONING SECTION)를 포함하는 시스템으로, 공기 조화와 관련된 복수의 장치가 연동되어 구현되는 시스템을 의미한다. 공조 시스템은 예를 들어, 보일러, 에어컨, 환풍기, 냉동기, 냉각탑, 펌프, AHU(Air Handling Unit) 등 다양한 장치를 포함할 수 있다.
한편, 실내 공기의 쾌적함 및 효율적인 에너지 소비를 고려할 때, 공조 시스템(200)에 포함된 모든 공조 장치를 통합적으로 제어할 필요가 있는데, 이하에서는 머신 러닝 기반의 학습 네트워크 모델을 통해 공조 시스템(200)이 효율적으로 제어되도록 하는 본 개시의 다양한 실시 예에 대해 자세히 설명하도록 한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 블록도이다.
도 2에 따르면, 전자 장치(100)는 통신부(110), 메모리(120) 및 프로세서(130)를 포함한다.
통신부(110)는 공조 시스템(200)에 포함된 복수의 공조 장치와 데이터를 송수신할 수 있는 구성이다. 구체적으로, 통신부(110)는 유/무선 통신 방식에 따라 복수의 공조 장치와 데이터를 송수신할 수 있는 구성이다. 일 예로, 통신부(110)는 BT(BlueTooth), WI-FI(Wireless Fidelity), Zigbee, IR(Infrared), Serial Interface, USB(Universal Serial Bus), NFC(Near Field Communication), V2X(Vehicle to Everything), 이동통신(Cellular) 등과 같은 통신 방식을 이용할 수 있다.
특히, 통신부(110)는 프로세서(130)의 제어에 따라 학습 네트워크 모델에 의해 출력된 제어 정보를 복수의 공조 장치 각각으로 전송할 수 있다. 또한, 통신부(110)는 실내 공간에서 측정된 온도 및 습도에 관한 데이터를 수신할 수 있다.
메모리(120)는 프로세서(130)와 전기적으로 연결되며, 다양한 형태의 메모리로 구현될 수도 있다. 예를 들어, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 중 적어도 하나로 구현되고, 전자 장치(100)에 탈부착이 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결 가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.
메모리(120)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 프로세서(130)의 동작을 제어하기 위한 명령어를 저장할 수 있다. 일 실시 예에 따라, 메모리(120)는 프로세서(130)가, 공조 시스템(200)의 목표 정보를 학습 네트워크 모델에 적용하여 획득된 제어 정보를 통신부(110)를 통해 공조 시스템(200)에 포함된 복수의 공조 장치로 전송하도록 제어하는 명령어들을 저장할 수 있다. 여기서, 공조 시스템(200)의 목표 정보는 설정된 모드에서 에너지 소비량이 최소가 되는 정보, 설정된 실내 온도 또는 습도를 만족시키면서 에너지 소비량이 최소가 되는 정보 등 특정 조건에서 공조 시스템(200)이 달성하려는 목표 정보일 수 있다.
또한, 메모리(120)는 본 개시의 일 실시 예에 따른 학습 네트워크 모델을 저장할 수 있다. 여기서, 학습 네트워크 모델은 학습 데이터에 기초하여 공조 시스템(200)에서 발생하는 에너지 소비량을 예측하는 모델일 수 있다. 이에 관하여는 하기에서 자세히 설명하도록 한다.
프로세서(130)는 메모리(120)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작을 제어한다.
본 개시의 일 실시 예에 따라, 프로세서(130)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(130)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다. 프로세서(130)는 메모리(120)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 다양한 기능을 수행할 수 있다.
본 개시의 일 실시 예에 따르면, 프로세서(130)는 통신부(110)와 전기적으로 연결되어 통신부(110)를 제어할 수 있다.
또한, 프로세서(130)는 메모리(120)에 저장된 명령어에 따라 공조 시스템(200)의 목표 정보를 학습 네트워크 모델에 적용하고, 이에 따라 학습 네트워크 모델로부터 출력된 제어 정보를 획득하여 공조 시스템(200)에 포함된 복수의 공조 장치로 획득된 제어 정보를 전송할 수 있다. 여기서, 공조 시스템(200)의 목표 정보는 설정된 모드에서 에너지 소비량이 최소가 되는 정보, 설정된 실내 온도 또는 습도를 만족시키면서 에너지 소비량이 최소가 되는 정보 등 특정 조건에서 공조 시스템이 달성하려는 목표 정보일 수 있다. 예를 들어, 실내 온도가 23 내지 25도 범위를 만족시키면서 공조 시스템에 포함된 복수의 공조 장치의 에너지 소비량이 최소가 되도록 하는 목표 정보가 학습 네트워크 모델에 적용될 수 있다. 한편, 복수의 공조 장치란 서로 다른 타입의 공조 장치가 공조 시스템(200)에 포함되는 경우뿐만 아니라 동일한 타입의 공조 장치가 복수 개 공조 시스템(200)에 포함되는 경우를 포함할 수 있다.
한편, 공조 시스템(200)에 복수의 공조 장치가 포함되는 것으로 상술하였으나, 하나의 공조 장치만 포함될 수 있음은 물론이다.
한편, 학습 네트워크 모델은, 학습 데이터에 기초하여 공조 시스템(200)의 에너지 소비량을 예측하는 모델일 수 있다. 학습 네트워크 모델은 기존 데이터에 기초하여 구축된 블랙 박스(Black Box) 모델로 구현될 수 있다.
여기서, 학습 데이터란 복수의 공조 장치 각각의 기존 운전 데이터를 포함할 수 있다. 운전 데이터는, 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 과거 외기 온도가 30도인 경우 실내 온도 25도를 유지하기 위해 에어컨에서 발생되는 에너지 소비량에 대한 정보 등이 학습 데이터로 이용될 수 있다.
한편, 학습 네트워크 모델은, 학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면, 가상 데이터를 생성하고 생성된 가상 데이터에 기초하여 재 학습되는 모델일 수 있다. 즉, 학습 네트워크 모델은 생성된 가상 데이터에 기초하여 보정 또는 업데이트될 수 있다.
구체적으로, 학습 네트워크 모델은, 물리 법칙을 포함하는 기설정된 조건에 기초하여 에너지 소비량의 예측 결과에 대한 오류 여부를 식별할 수 있다.
예를 들어, 특정 공조 장치의 처리열량이 증가하는 경우 해당 공조 장치에서의 에너지 소비량은 증가해야 한다. 다만, 학습 네트워크 모델에서 예측한 해당 공조 장치에서의 에너지 소비량의 예측 값이 처리열량이 증가함에도 일정하거나 감소하는 경우, 학습 네트워크 모델은 에너지 소비량의 예측 결과에 대한 오류가 발생한 것으로 식별할 수 있다. 일 예로, 공조 장치를 에어컨으로 상정한다. 사용자로부터 입력된 희망 온도가 낮아져 에어컨이 동작함에도 에어컨의 에너지 소비량이 일정하거나 감소하는 경우, 학습 네트워크 모델은 에너지 소비량 예측 결과에 오류가 발생한 것으로 식별할 수 있다.
학습 데이터가 부족하거나 잘못된 학습 데이터가 학습 네트워크 모델에 입력되는 경우 에너지 소비량의 예측 결과에 오류가 발생할 수 있으며, 이 경우 학습 네트워크 모델은 가상 데이터에 기초하여 재 학습될 수 있다.
구체적으로, 학습 네트워크 모델은, 학습 데이터 및 생성된 가상 데이터에 기초하여 에너지 소비량을 재 예측하고, 재 예측 결과에 기초하여 재 학습될 수 있다. 일 실시 예에 따르면, 학습 네트워크 모델은, 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 가상 데이터를 생성할 수 있다. 여기서, 학습 데이터는, 제1 조건에 대응되는 데이터이며, 가상 데이터는 제1 조건과 상이한 제2 조건에 대응되는 데이터일 수 있다. 예를 들어, 냉수 온도가 6도인 경우(제1 조건)에 예측된 예측 결과에 오류가 발생한 경우, 학습 네트워크 모델은, 에너지 소비량이 정상인 경우로 식별된, 냉수 온도가 12도인 경우(제2 조건)의 데이터를 이용하여 가상 데이터를 생성할 수 있다. 즉, 학습 네트워크 모델은 오류가 발생된 데이터와 조건이 다른 정상 데이터에 기초하여 가상 데이터를 생성하고, 생성된 가상 데이터에 기초하여 재 학습될 수 있다. 이에 관하여는 도 5에서 자세히 설명하도록 한다.
도 5는 본 개시의 일 실시 예에 따른 학습 네트워크 모델의 예측 결과에 오류가 있는 것으로 식별되는 상황을 설명하기 위한 도면이다.
학습 네트워크 모델은 학습 데이터(510)에 기초하여 특정 공조 장치 또는 공조 시스템의 에너지 소비량을 예측할 수 있다. 여기서, 학습 데이터(510)는 과거 특정 공조 장치의 처리열량에 따른 에너지 소비량에 관한 데이터일 수 있다.
한편, 학습 네트워크 모델은 예측된 결과를 도 5a와 같이 클러스터링(clustering)할 수 있다.
도 5a에 따르면, 공조 장치의 처리열량 및 에너지 소비량의 관계에 따라 예측 결과는 두개의 군집으로 분류될 수 있다. 구체적으로, 예측 결과는 처리열량 및 에너지 소비량이 비례하는 제1 군집(520) 및 처리열량 및 에너지 소비량이 비례하지 않는 제2 군집(530)으로 구분될 수 있다. 여기서, 제2 군집(530)은 공조 장치의 처리열량이 증감함에도 에너지 소비량이 일정하거나 감소되는 결과로서 물리 법칙에 위배된 결과일 수 있다. 이에, 학습 네트워크 모델은 에너지 소비량의 예측 결과에 대한 오류가 발생한 것으로 식별할 수 있다. 따라서, 학습 네트워크 모델은 가상 데이터를 생성하고 생성된 가상 데이터에 기초하여 재 학습될 수 있다.
구체적으로, 학습 네트워크 모델은, 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 가상 데이터를 생성할 수 있다. 예를 들어, 냉수 온도가 6도인 경우에 예측된 예측 결과에 오류가 발생하고, 냉수 온도가 12도인 경우에 예측된 예측 결과에는 오류가 발생하지 않은 것으로 가정한다. 이 경우, 학습 네트워크 모델은 냉수 온도가 12도인 경우인 데이터를 학습 데이터로 이용하여 냉수 온도가 6도일 때의 가상 데이터를 생성할 수 있다.
일 실시 예에 따르면, 학습 네트워크 모델은 선형회귀분석을 통해 에너지 소비량의 예측 결과에 오류가 있는지 여부를 식별할 수 있다. 선형회귀분석에 관한 수학식은 하기와 같다.
Figure 112019002951438-pat00001
Figure 112019002951438-pat00002
Figure 112019002951438-pat00003
Figure 112019002951438-pat00004
여기서, Esys는 공조 시스템(200)의 에너지 소비량, c1 내지 c4는 서로 다른 조건을 나타낸다. 예를 들어, c1은 냉수 온도가 12도인 조건, c2는 냉수 온도가 10도인 조건, c3는 냉수 온도가 8도인 조건, c4는 냉수 온도가 6도인 조건일 수 있다. 여기서, 학습 네트워크 모델이 생성하려는 가상 데이터는 c4에 관한 데이터일 수 있다. 한편, 냉수 온도 및 구체적인 온도 값은 일 예에 불과하며, 다양하게 변경될 수 있음은 물론이다.
한편, Qch는 처리열량, a, b, c는 선형회귀분석의 파라미터이고, α 및 β는 에너지 소비량의 증감율을 나타내는 보정 계수이며, f는 보정 계수와 조건의 함수이다.
예를 들어, c1, c2 및 c3는 예측된 에너지 소비량이 정상인 경우의 12도, 10도, 8도의 냉수 온도로 가정한다. 이에 학습 네트워크 모델은 12도, 10도, 8도의 냉수 온도일 때의 에너지 소비량에 기초하여 a, b, c, α 및 β를 획득할 수 있다.
이후, 학습 네트워크 모델은 냉수 온도가 6도일 때의 에너지 소비량에 관한 가상 데이터를 [수학식 3]에 기초하여 생성할 수 있다. 일 예로, 학습 네트워크 모델은 " Esys _T6=f(Modification factor)· Esys _T12"에 기초하여 냉수 온도가 6도일 때의 가상 데이터를 생성할 수 있다.
이후, 학습 네트워크 모델은 생성된 가상 데이터에 기초하여 보정될 수 있다.
도 5b는 가상 데이터에 기초하여 재 학습된 학습 네트워크 모델이 재 예측한 예측 결과이다.
도 5b에 따르면, 오류가 발생한 제2 군집(530)과 같은 데이터는 예측되지 않으며, 재 학습된 학습 네트워크 모델에 의해 처리열량이 증가할수록 에너지 소비량이 증가하는 제1 군집(520)과 유사한 형태의 데이터가 예측될 수 있다. 예를 들어, 재 학습된 학습 네트워크 모델은 생성된 가상 데이터에 기초하여 냉수 온도가 6도인 경우의 에너지 소비량을 예측하여 클러스터링할 수 있다.
즉, 학습 데이터가 부족하거나 잘못된 학습 데이터가 입력되는 경우, 인공적으로 생성되는 가상 데이터에 기초하여 정상적인 결과가 재 예측될 수 있다.
다시, 도 2로 돌아와서, 학습 네트워크 모델은 공조 시스템(200)에서 발생되는 에너지 소비량의 예측 결과에 기초하여 기설정된 조건에서 에너지 소비량이 최소가 될 때, 복수의 공조 장치에 적용된 제어 정보를 획득할 수 있다.
구체적으로, 학습 네트워크 모델은, 재 예측된 에너지 소비량 중 복수의 공조 장치 각각의 에너지 소비량의 합이 최소가 되도록 하는 복수의 공조 장치 각각의 설정 값을 획득할 수 있다. 여기서, 설정 값은 제어 정보에 포함되는 정보로서, 공조 장치에 입력되는 입력 값 또는 공조 장치의 동작 모드 등을 포함할 수 있다. 예를 들어, 설정 값은 구체적인 냉수 온도, 냉각수 온도 정보 등일 수 있다.
하나의 공조 장치의 설정 값 변경은 다른 공조 장치에서 발생되는 에너지 소비량에 영향을 미칠 수 있다. 예를 들어, 냉동기의 냉수 온도를 증가시키는 설정 값이 입력되는 경우, 냉수 펌프 유량의 증가로 펌프 전력 소비량이 증가하고, 이에 AHU(Air Handling Unit)의 급기 온도가 상승하여 AHU의 공급 팬(Supply fan)의 전력 소비량이 증가할 수 있다. 이에 따라, 최종적으로 실내 온습도가 상승하는 효과가 발생할 수 있다. 즉, 하나의 공조 장치의 설정 값 변경은 다른 공조 장치에 영향을 미쳐 공조 시스템(200)의 에너지 소비량이 변경될 수 있다. 본 개시에 따른 학습 네트워크 모델은, 일부 공조 장치가 아닌 공조 시스템(200)의 에너지 소비량이 최소가 되도록 하는 설정 값을 획득하고, 프로세서(130)는 획득된 설정 값을 각각 복수의 공조 장치로 전송할 수 있다.
한편, 학습 네트워크 모델은, 공조 부하 및 외기 조건에 기초하여 획득된 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력할 수 있다. 획득된 제어 정보의 적용 시점 또는 적용 시간에 따라 공조 시스템(200)에서 발생되는 에너지 소비량이 변경될 수 있다. 구체적으로, 학습 네트워크 모델은, 기설정된 공조 부하의 크기를 기준으로, 공조 부하의 크기가 기설정된 값 미만인 경우 외기 조건이 제1 조건인 시간 동안 획득된 설정 값을 적용할 수 있다. 예를 들어, 공조 부하의 크기가 1000KWh 미만인 경우, 학습 네트워크 모델은 외기 온도가 2도 변화하는 시간 동안 획득된 설정 값을 공조 장치 장치에 적용할 수 있다.
반면, 학습 네트워크 모델은, 공조 부하의 크기가 기설정된 값 이상인 경우 외기 조건이 제2 조건인 시간 동안 획득된 설정 값을 적용할 수 있다. 예를 들어, 공조 부하의 크기가 1000KWh 이상인 경우, 학습 네트워크 모델은 외기 온도가 1도 변화하는 시간 동안 획득된 설정 값을 공조 장치 장치에 적용할 수 있다.
여기서, 외기 조건이란 외부의 온도 또는 습도 등을 포함할 수 있다. 또한, 기설정된 공조 부하의 크기는 복수 개이며, 이에 따라 외기 조건이 더 세분화될 수도 있다. 이에 관하여는 도 6에서 자세히 설명하도록 한다.
도 6은 본 개시의 일 실시 예에 따른 제어 정보의 적용 시간을 식별하는 동작을 설명하기 위한 도면이다.
예를 들어, 기설정된 공조 부하의 크기를 1000KWh로 가정한다. 학습 네트워크 모델은, 1000KWh를 기준으로 공조 부하를 두 가지 그룹으로 구분할 수 있다. 구체적으로, 1000KWh 미만인 그룹은 제1 그룹(610) 및 1000KWh 이상인 그룹은 제2 그룹(620)으로 구분될 수 있다. 학습 네트워크 모델은, 제1 그룹(610)에서 제어 정보가 적용되는 시간을 외기 조건이 제1 조건으로 변화하는 시간으로 식별할 수 있다. 또한, 학습 네트워크 모델은, 제2 그룹(620)에서 제어 정보가 적용되는 시간을 외기 조건이 제2 조건으로 변화하는 시간으로 식별할 수 있다.
예를 들어, 프로세서(130)는, 제1 그룹(610)에서 외기 온도가 2도 변화하는 시간 동안 획득된 제어 정보가 복수의 공조 장치에 적용되도록 제어할 수 있다. 또한, 프로세서(130)는, 제2 그룹(620)에서 외기 온도가 1도 변화하는 시간 동안 획득된 제어 정보가 복수의 공조 장치에 적용되도록 제어할 수 있다. 이에 관하여 도 6b에서 자세히 설명하도록 한다.
도 6b는 시간에 따른 공조 부하를 나타내는 도면이다. 도 6b는 획득된 제어 정보의 적용 시점 및 적용 시간을 나타낸다.
도 6b에서는 기설정된 공조 부하의 크기는 1000KWh, 제1 조건은 외기 온도 2도 변화, 제2 조건은 외기 온도 1도 변화인 경우로 상정한다.
학습 네트워크 모델은, 제1 그룹(610)에서 외기 온도가 2도 변화되는 t1 시간을 산출하여 출력하고, 프로세서(130)는 학습 네트워크 모델로부터 출력된 t1 시간 동안 획득된 제어 정보에 따라 운전하도록 복수의 공조 장치에 제어 신호를 전송할 수 있다.
또한, 학습 네트워크 모델은, 제2 그룹(620)에서 외기 온도가 1도 변화되는 t2 시간을 산출하여 출력하고, 프로세서(130)는 학습 네트워크 모델로부터 출력된 t2 시간 동안 획득된 제어 정보에 따라 운전하도록 복수의 공조 장치에 제어 신호를 전송할 수 있다. 이와 같이, 프로세서(130)는 학습 네트워크 모델에 의해 산출된 t3 시간 동안 획득된 제어 정보에 따라 운전하도록 복수의 공조 장치에 제어 신호를 전송할 수 있다.
즉, 학습 네트워크 모델은, 공조 부하의 크기 및 외기 조건의 변화에 기초하여 유동적으로 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력할 수 있다.
다시 도 2로 돌아와서, 학습 네트워크 모델은, 획득된 제어 정보를 복수의 공조 장치로 전송하고, 통신부(110)를 통해 수신된 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하지 않으면, 제어 정보에 기초하여 학습 데이터 및 가상 데이터를 재 학습할 수 있다. 여기서, 획득된 제어 정보는 프로세서(130)의 제어에 따라 복수의 공조 장치로 전송될 수도 있다.
구체적으로, 학습 네트워크 모델은, 획득된 설정 값에 기초하여 운전된 복수의 공조 장치에 의해 변경된 실내 온도 또는 습도 중 적어도 하나가 기설정된 범위 내에 속하는지 여부를 식별할 수 있다.
온도 및 습도에 관한 기설정된 범위는 사용자로부터 입력된 범위이거나 실내 공간에 권장되는 범위로서 외부 서버(미도시)로부터 수신된 정보일 수 있다.
예를 들어, 복수의 공조 장치는 학습 네트워크 모델에 의해 획득된 제어 정보에 따라 운전을 수행할 수 있다. 이에 따라, 실내 온도가 변경될 수 있는데, 변경된 실내 온도가 기설정된 범위에 해당되는 23도 이상 25도 이하의 범위에 속하지 않는 경우를 상정한다. 일 예로, 변경된 실내 온도가 26도인 경우, 학습 네트워크 모델은 해당 제어 정보를 적용하는 경우 실내 온도가 기설정된 범위에 속하지 않는다는 데이터를 학습 데이터로 식별하여 재 학습할 수 있다. 즉, 학습 네트워크 모델은 해당 제어 정보를 최종 제어 정보에서 제외하고 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하게 되는 새로운 제어 정보를 획득할 수 있다. 여기서, 기설정된 실내 온도의 구체적인 값은 일 예에 불과함은 물론이다.
상술한 학습 네트워크 모델의 학습 및 재 학습 동작에 관하여 도 4에서 설명하기로 한다.
도 4는 본 개시의 일 실시 예에 따른 학습 네트워크 모델의 학습 및 재 학습 동작을 설명하기 위한 도면이다.
학습 네트워크 모델은 학습 데이터에 기초하여 학습할 수 있다. 여기서, 학습 데이터는, 복수의 공조 장치 각각의 기존 운전 데이터를 포함할 수 있다. 운전 데이터는, 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함할 수 있다.
학습 네트워크 모델은 학습 데이터에 기초하여 공조 시스템(200)의 에너지 소비량을 예측할 수 있다.
한편, 학습 네트워크 모델은 에너지 소비량의 예측 결과에 오류가 있는지 여부를 판단할 수 있는데, 오류가 발생한 것으로 식별되면, 가상 데이터를 생성할 수 있다. 이후, 학습 네트워크 모델은 초기에 입력된 학습 데이터 및 생성된 가상 데이터에 기초하여 재 학습할 수 있다. 이후, 학습 네트워크 모델은 학습 데이터 및 가상 데이터에 기초하여 에너지 소비량을 재 예측할 수 있다.
한편, 학습 네트워크 모델은 재 예측된 에너지 소비량에 기초하여 재 학습될 수도 있다.
이에 따라, 학습 네트워크 모델은 실내 온도 및 습도가 기설정된 범위에 속하면서 에너지 소비량이 최소가 되는 제어 정보를 획득하고, 획득된 제어 정보를 복수의 공조 장치에 전송할 수 있다.
따라서, 공조 시스템(200)은 에너지 소비를 줄이면서 실내 공기를 쾌적하게 유지할 수 있다.
한편, 학습 네트워크 모델은, 학습 데이터 및 가상 데이터를 이용하여 학습 네트워크 모델에 포함된 뉴럴 네트워크의 가중치를 학습할 수 있다.
한편, 상술한 공조 시스템(200)은 HVAC(Heating, Ventilating, and Air Conditioning) 장치일 수 있다.
한편, 에너지 소비량의 예측 결과에 오류 여부를 판단하는 학습 네트워크 모델 및 가상 데이터를 생성하는 학습 네트워크 모델은 별도의 모델로 구현될 수도 있다. 설명의 편의를 위해 가상 데이터를 생성하는 별도의 모델을 보정 모델로 명명한다. 이 경우, 학습 네트워크 모델은 학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는지 여부를 식별할 수 있다. 오류가 있는 것으로 식별되면, 프로세서(130)는 보정 모델을 구축하고, 보정 모델은 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 가상 데이터를 생성할 수 있다. 이후, 학습 네트워크 모델은 보정 모델로부터 생성된 가상 데이터에 기초하여 재 학습될 수 있다.
도 3은 전자 장치의 세부 구성을 설명하기 위한 블록도이다.
도 3에 따르면, 전자 장치(100)는 통신부(110), 메모리(120), 프로세서(130) 및 사용자 인터페이스(140)를 포함한다. 도 3에 도시된 구성 중 도 2에 도시된 구성과 중복되는 부분에 대해서는 자세한 설명을 생략하도록 한다.
통신부(110)는 복수의 공조 장치와 데이터를 송수신할 수 있는 구성이다. 통신부(110)는 와이파이 모듈(미도시), 블루투스 모듈(미도시), LAN(Local Area Network) 모듈, 무선 통신 모듈(미도시) 등을 포함할 수 있다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다. 무선 통신 모듈은 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다. 다만 이는 일 실시 예에 불과하며 통신부(110)는 복수의 공조 장치와 통신하는 경우 다양한 통신 모듈 중 적어도 하나의 통신 모듈을 이용할 수 있다.
메모리(120)는 프로세서(130)에 포함된 롬(ROM)(예를 들어, EEPROM(electrically erasable programmable read-only memory)), 램(RAM) 등의 내부 메모리로 구현되거나, 프로세서(130)와 별도의 메모리로 구현될 수도 있다. 이 경우, 메모리(120)는 데이터 저장 용도에 따라 전자 장치(100)에 임베디드된 메모리 형태로 구현되거나, 전자 장치(100)에 탈부착이 가능한 메모리 형태로 구현될 수도 있다. 예를 들어, 전자 장치(100)의 구동을 위한 데이터의 경우 전자 장치(100)에 임베디드된 메모리에 저장되고, 전자 장치(100)의 확장 기능을 위한 데이터의 경우 전자 장치(100)에 탈부착이 가능한 메모리에 저장될 수 있다. 한편, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나로 구현되고, 전자 장치(100)에 탈부착이 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결 가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.
프로세서(130)는 메모리(120)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 동작을 전반적으로 제어한다.
구체적으로, 프로세서(130)는 RAM(131), ROM(132), 메인 CPU(133), 제1 내지 n 인터페이스(134-1 ~ 134-n), 버스(135)를 포함한다.
RAM(131), ROM(132), 메인 CPU(133), 제1 내지 n 인터페이스(134-1 ~ 134-n) 등은 버스(135)를 통해 서로 연결될 수 있다.
ROM(132)에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴온 명령이 입력되어 전원이 공급되면, 메인 CPU(133)는 ROM(132)에 저장된 명령어에 따라 메모리(120)에 저장된 O/S를 RAM(131)에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU(133)는 메모리(120)에 저장된 각종 어플리케이션 프로그램을 RAM(131)에 복사하고, RAM(131)에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
메인 CPU(133)는 메모리(120)에 액세스하여, 메모리(120)에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고, 메모리(120)에 저장된 각종 프로그램, 컨텐츠 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스(134-1 내지 134-n)는 상술한 각종 구성 요소들과 연결된다. 인터페이스들 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
사용자 인터페이스(140)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(100)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.
사용자 인터페이스(140)는 터치 패드와 상호 레이어 구조를 이루는 터치 스크린 형태로 구현될 수 있다. 여기서, 터치 스크린은 터치 입력 위치 및 면적뿐만 아니라 터치 입력의 압력까지도 검출할 수 있도록 구성될 수 있다.
사용자 인터페이스(140)가 디스플레이로 구현되는 경우, 사용자 인터페이스(140)는 LCD(liquid crystal display), OLED(organic light-emitting diode), LCoS(Liquid Crystal on Silicon), DLP(Digital Light Processing), QD(quantum dot), 마이크로 LED(Micro light-emitting diode) 디스플레이 등과 같은 다양한 형태로 구현될 수 있다.
도 7은 본 개시의 일 실시 예에 따른 최적 제어 설정 값을 획득하는 동작을 설명하기 위한 도면이다.
프로세서(130)는 학습 네트워크 모델의 유무를 판단할 수 있다(S710). 기존에 구축된 학습 네트워크 모델이 없는 경우(S710-Y), 프로세서(130)는 학습 네트워크 모델을 구축하기 위한 동작을 수행할 수 있다. 구체적으로, 프로세서(130)는 학습 데이터를 획득하여 생성하려는 모델에 학습 데이터를 입력할 수 있다(S715). 여기서, 학습 데이터는 복수의 공조 장치 각각의 기존 운전 데이터를 포함할 수 있다. 운전 데이터는, 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(130)는 입력된 학습 데이터에 기초하여 학습 네트워크 모델을 생성할 수 있다(S720).
한편, 학습 네트워크 모델은, 학습 데이터에 기초하여 공조 시스템의 에너지 소비량을 예측하는 모델일 수 있다. 학습 네트워크 모델은 기존 데이터에 기초하여 구축된 블랙 박스(Black Box) 모델로 구현될 수 있다.
학습 네트워크 모델은, 학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면 보정될 수 있다(S735). 구체적으로, 학습 네트워크 모델은 물리 법칙을 포함하는 기설정된 조건에 기초하여 에너지 소비량의 예측 결과에 대한 오류 여부를 식별할 수 있다.
학습 네트워크 모델은 가상 데이터를 생성하고 생성된 가상 데이터에 기초하여 보정(재 학습)되는 모델일 수 있다. 구체적으로, 학습 네트워크 모델은, 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 가상 데이터를 생성할 수 있다. 예를 들어, 냉수 온도가 6도인 경우에 예측된 예측 결과에 오류가 발생한 경우, 학습 네트워크 모델은, 소비량이 정상인 경우로 식별된 냉수 온도가 12도인 경우의 데이터를 이용하여 가상 데이터를 생성할 수 있다.
한편, 보정된 학습 네트워크 모델은, 공조 시스템(200)에 포함된 복수의 공조 장치에서 발생되는 에너지 소비량을 예측할 수 있다. 구체적으로, 학습 네트워크 모델은, 복수의 공조 장치 각각의 에너지 소비량의 합이 최소가 되도록 하는 복수의 공조 장치 각각의 설정 값을 획득할 수 있다. 여기서, 설정 값은 공조 장치에 입력되는 입력 값 또는 공조 장치의 동작 모드 등을 포함할 수 있다. 예를 들어, 설정 값은 구체적인 냉수 온도, 냉각수 온도 정보 등일 수 있다.
이후, 학습 네트워크 모델은 획득된 설정 값의 최적의 적용 시점 또는 적용 시간 중 적어도 하나를 식별할 수 있다(S740). 구체적으로, 학습 네트워크 모델은, 기설정된 공조 부하의 크기를 기준으로, 공조 부하의 크기가 기설정된 값 미만인 경우 외기 조건이 제1 조건인 시간 동안 획득된 설정 값을 적용할 수 있다. 또는, 학습 네트워크 모델은, 공조 부하의 크기가 기설정된 값 이상인 경우 외기 조건이 제2 조건인 시간 동안 획득된 설정 값을 적용할 수 있다.
이후, 학습 네트워크 모델은, 획득된 설정 값에 기초하여 운전된 복수의 공조 장치에 의해 변경된 실내 온도 또는 습도 중 적어도 하나가 기설정된 범위 내에 속하는지 여부를 식별할 수 있다(S745). 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하지 않으면(S745-N), 학습 네트워크 모델은 다시 보정될 수 있다.
학습 네트워크 모델은 획득된 설정 값에 기초하여 운전된 복수의 공조 장치에 의해 변경된 실내 온도 또는 습도가 기설정된 범위 내에 속하면(S745-Y), 획득된 설정 값을 최적의 설정 값으로 식별하여 획득할 수 있다(S750).
도 8은 본 개시의 일 실시 예에 따른 학습부 및 인식부의 동작을 설명하기 위한 도면이다.
도 8을 참조하면, 프로세서(800)는 학습부(810) 및 인식부(820) 중 적어도 하나를 포함할 수 있다. 도 8의 프로세서(800)는 전자 장치(100)의 프로세서(130) 또는 데이터 학습 서버(미도시)의 프로세서에 대응될 수 있다.
학습부(810)는 소정의 상황 판단을 위한 기준을 갖는 인식 모델을 생성 또는 학습시킬 수 있다. 학습부(810)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 인식 모델을 생성할 수 있다.
일 예로, 학습부(810)는 기존 운전 데이터를 학습 데이터로서 이용하여 공조 시스템(200)에 포함된 복수의 공조 장치의 에너지 소비량을 판단하는 기준을 갖는 객체 인식 모델을 생성, 학습 또는 갱신시킬 수 있다.
또한, 학습부(810)는 가상 데이터를 이용하여 복수의 공조 장치의 에너지 소비량을 판단하는 기준을 갖는 객체 인식 모델을 재 학습 또는 갱신시킬 수 있다.
인식부(820)는 소정의 데이터를 학습된 인식 모델의 입력 데이터로 사용하여, 소정의 데이터에 포함된 인식 대상을 추정할 수 있다.
일 예로, 인식부(820)는 입력 데이터 중 실현 가능성이 있는 데이터를 획득(또는 추정, 추론)할 수 있다. 예를 들어, 실내 온도를 100도로 제어하기 위한 입력 데이터가 입력되는 경우, 인식부(820)는 이러한 입력 데이터를 실현 가능성이 없는 데이터로 식별하여 학습 데이터에서 제외시킬 수 있다. 여기서, 실현 가능성 여부는 기설정된 범위 내인지 여부로 식별될 수 있다.
학습부(810)의 적어도 일부 및 인식부(820)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 학습부(810) 및 인식부(820) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치 또는 객체 인식 장치에 탑재될 수도 있다. 이 때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(810) 및 인식부(820)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(810) 및 인식부(820)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(810) 및 인식부(820) 중 하나는 전자 장치에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또한, 학습부(810) 및 인식부(820)는 유선 또는 무선으로 통하여, 학습부(810)가 구축한 모델 정보를 인식부(820)로 제공할 수도 있고, 인식부(820)로 입력된 데이터가 추가 학습 데이터로서 학습부(810)로 제공될 수도 있다.
도 8b는, 다양한 실시예에 따른 학습부(810) 및 인식부(820)의 블록도이다.
도 8b의 (a)를 참조하면, 일부 실시예에 따른 학습부(810)는 학습 데이터 획득부(810-1) 및 모델 학습부(810-4)를 포함할 수 있다. 또한, 학습부(810)는 학습 데이터 전처리부(810-2), 학습 데이터 선택부(810-3) 및 모델 평가부(810-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(810-1)는 인식 대상을 추론하기 위한 인식 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시 예에 따르면, 학습 데이터 획득부(810-1)는 복수의 공조 장치의 기존 운전 데이터를 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(810) 또는 학습부(810)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(810-4)는 학습 데이터를 이용하여, 인식 모델이 소정의 인식 대상을 어떻게 판단할 지에 관한 판단 기준을 갖도록 학습시킬 수 있다. 일 예로, 모델 학습부(810-4)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인식 모델을 학습시킬 수 있다. 또는, 모델 학습부(810-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 상황의 판단을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(810-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(810-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인식 모델을 학습시킬 수 있다
또한, 모델 학습부(810-4)는 입력 데이터를 이용하여 인식 대상을 추정하기 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 선별 기준을 학습할 수도 있다.
모델 학습부(810-4)는 미리 구축된 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인식 모델을 학습할 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
인식 모델이 학습되면, 모델 학습부(810-4)는 학습된 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(810-4)는 학습된 인식 모델을 전자 장치의 메모리(120)에 저장할 수 있다. 또는, 모델 학습부(810-4)는 학습된 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습부(810)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(810-2) 및 학습 데이터 선택부(810-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(810-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(810-2)는 모델 학습부(810-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(810-3)는 학습 데이터 획득부(810-1)에서 획득된 데이터 또는 학습 데이터 전처리부(810-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(810-4)에 제공될 수 있다. 학습 데이터 선택부(810-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(810-3)는 모델 학습부(810-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(810)는 데이터 인식 모델의 분석 결과를 향상시키기 위하여, 모델 평가부(810-5)를 더 포함할 수도 있다.
모델 평가부(810-5)는 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(810-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(810-5)는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중에서, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(810-5)는 각각의 학습된 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(810-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인식 모델로서 결정할 수 있다.
도 8b의 (b)를 참조하면, 일부 실시 예에 따른 인식부(820)는 인식 데이터 획득부(820-1) 및 인식 결과 제공부(820-4)를 포함할 수 있다.
또한, 인식부(820)는 인식 데이터 전처리부(820-2), 인식 데이터 선택부(820-3) 및 모델 갱신부(820-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
인식 데이터 획득부(820-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 인식 결과 제공부(820-4)는 인식 데이터 획득부(820-1)에서 획득된 데이터를 입력 값으로 학습된 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(820-4)는 데이터의 분석 목적에 따른 분석 결과를 제공할 수 있다. 인식 결과 제공부(820-4)는 후술할 인식 데이터 전처리부(820-2) 또는 인식 데이터 선택부(820-3)에 의해 선택된 데이터를 입력 값으로 인식 모델에 적용하여 분석 결과를 획득할 수 있다. 분석 결과는 인식 모델에 의해 결정될 수 있다.
인식부(820)는 인식 모델의 분석 결과를 향상시키거나, 분석 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 인식 데이터 전처리부(820-2) 및 인식 데이터 선택부(820-3)를 더 포함할 수도 있다.
인식 데이터 전처리부(820-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 인식 데이터 전처리부(820-2)는 인식 결과 제공부(820-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
인식 데이터 선택부(820-3)는 인식 데이터 획득부(820-1)에서 획득된 데이터 또는 인식 데이터 전처리부(820-2)에서 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(820-4)에게 제공될 수 있다. 인식 데이터 선택부(820-3)는 상황 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(820-3)는 모델 학습부(810-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(820-5)는 인식 결과 제공부(820-4)에 의해 제공되는 분석 결과에 대한 평가에 기초하여, 인식 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(820-5)는 인식 결과 제공부(820-4)에 의해 제공되는 분석 결과를 모델 학습부(810-4)에게 제공함으로써, 모델 학습부(810-4)가 인식 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 공조 시스템(200)의 목표 정보를 학습 네트워크 모델에 적용할 수 있다(S910). 여기서, 공조 시스템(200)의 목표 정보는 설정된 모드에서 에너지 소비량이 최소가 되는 정보, 설정된 실내 온도 또는 습도를 만족시키면서 에너지 소비량이 최소가 되는 정보 등 특정 조건에서 공조 시스템(200)이 달성하려는 목표 정보일 수 있다.
전자 장치(100)는 공조 시스템(200)의 목표 정보를 학습 네트워크 모델에 적용하여 획득된 제어 정보를 공조 시스템(200)에 포함된 복수의 공조 장치로 전송할 수 있다(S920).
여기서, 학습 네트워크 모델은 학습 데이터에 기초하여 공조 시스템(200)의 에너지 소비량을 예측하는 모델일 수 있다. 한편, 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면, 학습 네트워크 모델은 가상 데이터를 생성하고 생성된 가상 데이터에 기초하여 재 학습되는 모델일 수 있다.
여기서, 학습 데이터는, 복수의 공조 장치 각각의 기존 운전 데이터를 포함하며, 운전 데이터는, 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함하는 데이터일 수 있다.
학습 네트워크 모델은 물리 법칙을 포함하는 기설정된 조건에 기초하여 에너지 소비량의 예측 결과에 대한 오류 여부를 식별할 수 있다. 예를 들어, 특정 공조 장치의 처리열량이 증가하는 경우 해당 공조 장치에서의 에너지 소비량은 증가해야 한다. 다만, 학습 네트워크 모델에서 예측한 해당 공조 장치에서의 에너지 소비량의 예측 값이 처리열량이 증가함에도 일정하거나 감소하는 경우, 학습 네트워크 모델은 에너지 소비량의 예측 결과에 대한 오류가 발생한 것으로 식별할 수 있다.
예측 결과에 대한 오류가 발생한 것으로 식별되면, 학습 네트워크 모델은 가상 데이터를 생성할 수 있다. 구체적으로, 학습 네트워크 모델은 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 가상 데이터를 생성하며, 학습 데이터는, 제1 조건에 대응되는 데이터이며, 가상 데이터는 제1 조건과 상이한 제2 조건에 대응되는 데이터일 수 있다. 예를 들어, 냉수 온도가 6도인 경우에 예측된 예측 결과에 오류가 발생한 경우, 학습 네트워크 모델은, 에너지 소비량이 정상인 경우로 식별된, 냉수 온도가 12도인 경우의 데이터를 이용하여 가상 데이터를 생성할 수 있다. 즉, 학습 네트워크 모델은 오류가 발생된 데이터와 조건이 다른 정상 데이터에 기초하여 가상 데이터를 생성하고, 생성된 가상 데이터에 기초하여 재 학습될 수 있다.
한편, 학습 네트워크 모델은 재 예측된 에너지 소비량 중 복수의 공조 장치 각각의 에너지 소비량의 합이 최소가 되도록 하는 복수의 공조 장치 각각의 설정 값을 획득할 수 있다.
하나의 공조 장치의 설정 값 변경은 다른 공조 장치에서 발생되는 에너지 소비량에 영향을 미칠 수 있다. 예를 들어, 냉동기의 냉수 온도를 증가시키는 설정 값이 입력되는 경우, 냉수 펌프 유량의 증가로 펌프 전력 소비량이 증가하고, 이에 AHU(Air Handling Unit)의 급기 온도가 상승하여 AHU의 공급 팬(Supply fan)의 전력 소비량이 증가할 수 있다. 이에 따라, 최종적으로 실내 온습도가 상승하는 효과가 발생할 수 있다. 즉, 하나의 공조 장치의 설정 값 변경은 다른 공조 장치에 영향을 미쳐 공조 시스템의 에너지 소비량이 변경될 수 있다. 본 개시에 따른 학습 네트워크 모델은, 일부 공조 장치가 아닌 공조 시스템(200)의 에너지 소비량이 최소가 되도록 하는 설정 값을 획득하고, 전자 장치(100)는 획득된 설정 값을 각각 복수의 공조 장치로 전송할 수 있다.
학습 네트워크 모델은, 공조 부하 및 외기 조건에 기초하여 획득된 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력할 수 있다. 획득된 제어 정보의 적용 시점 또는 적용 시간에 따라 공조 시스템(200)에서 발생되는 에너지 소비량이 변경될 수 있다. 구체적으로, 학습 네트워크 모델은, 기설정된 공조 부하의 크기를 기준으로, 공조 부하의 크기가 기설정된 값 미만인 경우 외기 조건이 제1 조건인 시간 동안 획득된 설정 값을 적용할 수 있다. 예를 들어, 공조 부하의 크기가 1000KWh 미만인 경우, 학습 네트워크 모델은 외기 온도가 2도 변화하는 시간 동안 획득된 설정 값을 공조 장치 장치에 적용할 수 있다. 반면, 학습 네트워크 모델은, 공조 부하의 크기가 기설정된 값 이상인 경우 외기 조건이 제2 조건인 시간 동안 획득된 설정 값을 적용할 수 있다. 예를 들어, 공조 부하의 크기가 1000KWh 이상인 경우, 학습 네트워크 모델은 외기 온도가 1도 변화하는 시간 동안 획득된 설정 값을 공조 장치 장치에 적용할 수 있다.
즉, 학습 네트워크 모델은, 공조 부하의 크기 및 외기 조건의 변화에 기초하여 유동적으로 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력할 수 있다.
한편, 학습 네트워크 모델은, 획득된 제어 정보를 복수의 공조 장치로 전송하고, 수신된 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하지 않으면, 제어 정보에 기초하여 학습 데이터 및 가상 데이터를 재 학습할 수 있다.
구체적으로, 학습 네트워크 모델은, 획득된 설정 값에 기초하여 운전된 복수의 공조 장치에 의해 변경된 실내 온도 또는 습도 중 적어도 하나가 기설정된 범위 내에 속하는지 여부를 식별할 수 있다.
온도 및 습도에 관한 기설정된 범위는 사용자로부터 입력된 범위이거나 실내 공간에 권장되는 범위로서 외부 서버(미도시)로부터 수신된 정보일 수 있다.
예를 들어, 복수의 공조 장치는 학습 네트워크 모델에 의해 획득된 제어 정보에 따라 운전을 수행할 수 있다. 이에 따라, 실내 온도가 변경될 수 있는데, 변경된 실내 온도가 기설정된 범위에 해당되는 23도 이상 25도 이하의 범위에 속하지 않는 경우를 상정한다. 일 예로, 변경된 실내 온도가 26도인 경우, 학습 네트워크 모델은 해당 제어 정보를 적용하는 경우 실내 온도가 기설정된 범위에 속하지 않는다는 데이터를 학습 데이터로 식별하여 재 학습할 수 있다. 즉, 학습 네트워크 모델은 해당 제어 정보를 최종 제어 정보에서 제외하고 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하게 되는 새로운 제어 정보를 획득할 수 있다. 여기서, 기설정된 실내 온도의 구체적인 값은 일 예에 불과함은 물론이다.
한편, 상술한 공조 시스템(200)은 HVAC(Heating, Ventilating, and Air Conditioning) 장치일 수 있다.
각 단계의 상세 동작에 대해서는 상술한 바 있으므로 자세한 설명은 생략하도록 한다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.
또한, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.
또한, 상술한 본 개시의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 전자 장치 및 디스플레이 장치 중 적어도 하나의 외부 서버를 통해 수행되는 것도 가능하다.
한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.
한편, 상술한 다양한 실시 예들에 따른 기기의 프로세싱 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 기기에서의 처리 동작을 특정 기기가 수행하도록 한다.
비일시적 컴퓨터 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. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100 : 전자 장치 110 : 통신부
120 : 메모리 130 : 프로세서
140 : 사용자 인터페이스 200 : 공조 시스템
1000: 전자 시스템

Claims (20)

  1. 통신부;
    상기 통신부와 전기적으로 연결되어 상기 통신부를 제어하는 프로세서; 및
    상기 프로세서와 전기적으로 연결된 메모리;를 포함하고,
    상기 메모리는,
    상기 프로세서가, 공조 시스템의 목표 정보를 학습 네트워크 모델에 적용하여 획득된 제어 정보를 상기 통신부를 통해 상기 공조 시스템에 포함된 복수의 공조 장치로 전송하도록 제어하는 명령어들을 저장하고,
    상기 학습 네트워크 모델은,
    학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면, 가상 데이터를 생성하고 상기 생성된 가상 데이터에 기초하여 재 학습되는 학습 네트워크 모델이며,
    상기 획득된 제어 정보를 상기 복수의 공조 장치로 전송하고, 상기 통신부를 통해 수신된 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하지 않으면, 상기 제어 정보에 기초하여 상기 학습 데이터 및 상기 가상 데이터를 재 학습하는, 전자 장치.
  2. 제1항에 있어서,
    상기 학습 네트워크 모델은,
    상기 학습 데이터 및 상기 가상 데이터에 기초하여 에너지 소비량을 재 예측하고, 재 예측 결과에 기초하여 재 학습되는, 전자 장치.
  3. 제2항에 있어서,
    상기 학습 네트워크 모델은,
    상기 재 예측된 에너지 소비량 중 상기 복수의 공조 장치 각각의 에너지 소비량의 합이 최소가 되도록 하는 상기 복수의 공조 장치 각각의 설정 값을 획득하는, 전자 장치.
  4. 제1항에 있어서,
    상기 학습 네트워크 모델은,
    상기 학습 데이터 및 상기 가상 데이터를 이용하여 상기 학습 네트워크 모델에 포함된 뉴럴 네트워크의 가중치를 학습하는, 전자 장치.
  5. 제1항에 있어서,
    상기 학습 데이터는,
    상기 복수의 공조 장치 각각의 기존 운전 데이터를 포함하며,
    상기 운전 데이터는,
    상기 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함하는, 전자 장치.
  6. 제1항에 있어서,
    상기 학습 네트워크 모델은,
    물리 법칙을 포함하는 기설정된 조건에 기초하여 상기 에너지 소비량의 예측 결과에 대한 오류 여부를 식별하는, 전자 장치.
  7. 제1항에 있어서,
    상기 학습 네트워크 모델은,
    상기 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 상기 가상 데이터를 생성하며,
    상기 학습 데이터는, 제1 조건에 대응되는 데이터이며,
    상기 가상 데이터는 상기 제1 조건과 상이한 제2 조건에 대응되는 데이터인, 전자 장치.
  8. 제1항에 있어서,
    상기 학습 네트워크 모델은,
    공조 부하 및 외기 조건에 기초하여 상기 획득된 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력하는, 전자 장치.
  9. 삭제
  10. 제1항에 있어서,
    상기 공조 시스템은,
    HVAC(Heating, Ventilating, and Air Conditioning) 장치인, 전자 장치.
  11. 공조 시스템의 목표 정보를 학습 네트워크 모델에 적용하는 단계; 및
    상기 공조 시스템의 목표 정보를 상기 학습 네트워크 모델에 적용하여 획득된 제어 정보를 상기 공조 시스템에 포함된 복수의 공조 장치로 전송하는 단계;를 포함하며,
    상기 학습 네트워크 모델은,
    학습 데이터에 기초하여 획득된 에너지 소비량의 예측 결과에 오류가 있는 것으로 식별되면, 가상 데이터를 생성하고 상기 생성된 가상 데이터에 기초하여 재 학습되는 학습 네트워크 모델이며,
    상기 획득된 제어 정보를 상기 복수의 공조 장치로 전송하고, 수신된 실내 온도 데이터 또는 습도 데이터 중 적어도 하나가 기설정된 범위에 속하지 않으면, 상기 제어 정보에 기초하여 상기 학습 데이터 및 상기 가상 데이터를 재 학습하는, 제어 방법.
  12. ◈청구항 12은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 학습 네트워크 모델은,
    상기 학습 데이터 및 상기 가상 데이터에 기초하여 에너지 소비량을 재 예측하고, 재 예측 결과에 기초하여 재 학습되는, 제어 방법.
  13. ◈청구항 13은(는) 설정등록료 납부시 포기되었습니다.◈
    제12항에 있어서,
    상기 학습 네트워크 모델은,
    상기 재 예측된 에너지 소비량 중 상기 복수의 공조 장치 각각의 에너지 소비량의 합이 최소가 되도록 하는 상기 복수의 공조 장치 각각의 설정 값을 획득하는, 제어 방법.
  14. ◈청구항 14은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 학습 네트워크 모델은,
    상기 학습 데이터 및 상기 가상 데이터를 이용하여 상기 학습 네트워크 모델에 포함된 뉴럴 네트워크의 가중치를 학습하는, 제어 방법.
  15. ◈청구항 15은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 학습 데이터는,
    상기 복수의 공조 장치 각각의 기존 운전 데이터를 포함하며,
    상기 운전 데이터는,
    상기 복수의 공조 장치 각각의 설정 값, 에너지 소비량, 외기(Outdoor Air) 조건, 공조 부하 또는 실내 온습도 데이터 중 적어도 하나를 포함하는, 제어 방법.
  16. ◈청구항 16은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 학습 네트워크 모델은,
    물리 법칙을 포함하는 기설정된 조건에 기초하여 상기 에너지 소비량의 예측 결과에 대한 오류 여부를 식별하는, 제어 방법.
  17. ◈청구항 17은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 학습 네트워크 모델은,
    상기 예측된 에너지 소비량이 정상인 경우의 학습 데이터에 기초하여 상기 가상 데이터를 생성하며,
    상기 학습 데이터는, 제1 조건에 대응되는 데이터이며,
    상기 가상 데이터는 상기 제1 조건과 상이한 제2 조건에 대응되는 데이터인, 제어 방법.
  18. ◈청구항 18은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 학습 네트워크 모델은,
    공조 부하 및 외기 조건에 기초하여 상기 획득된 제어 정보의 적용 시점 또는 적용 시간 중 적어도 하나를 식별하여 출력하는, 제어 방법.
  19. 삭제
  20. ◈청구항 20은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 공조 시스템은,
    HVAC(Heating, Ventilating, and Air Conditioning) 장치인, 제어 방법.
KR1020190002959A 2019-01-09 2019-01-09 전자 장치 및 그 제어 방법 KR102544265B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020190002959A KR102544265B1 (ko) 2019-01-09 2019-01-09 전자 장치 및 그 제어 방법
US16/427,780 US20200217544A1 (en) 2019-01-09 2019-05-31 Electronic device and control method thereof
EP19908130.8A EP3870906A4 (en) 2019-01-09 2019-07-10 ELECTRONIC DEVICE AND ASSOCIATED CONTROL PROCEDURE
PCT/KR2019/008476 WO2020145463A1 (en) 2019-01-09 2019-07-10 Electronic device and control method thereof
CN201980088524.1A CN113272595B (zh) 2019-01-09 2019-07-10 电子装置及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190002959A KR102544265B1 (ko) 2019-01-09 2019-01-09 전자 장치 및 그 제어 방법

Publications (2)

Publication Number Publication Date
KR20200092484A KR20200092484A (ko) 2020-08-04
KR102544265B1 true KR102544265B1 (ko) 2023-06-16

Family

ID=71403509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190002959A KR102544265B1 (ko) 2019-01-09 2019-01-09 전자 장치 및 그 제어 방법

Country Status (5)

Country Link
US (1) US20200217544A1 (ko)
EP (1) EP3870906A4 (ko)
KR (1) KR102544265B1 (ko)
CN (1) CN113272595B (ko)
WO (1) WO2020145463A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11531308B2 (en) * 2019-12-23 2022-12-20 Johnson Controls Tyco IP Holdings LLP Adaptively learning surrogate model for predicting building system dynamics from simulation model
US11409250B2 (en) * 2019-12-23 2022-08-09 Johnson Controls Tyco IP Holdings LLP Adaptively learning surrogate model for predicting building system dynamics from system identification model
CN112963946B (zh) * 2021-02-26 2022-06-17 南京邮电大学 一种面向共享办公区域的暖通空调系统控制方法及装置
CN115065709A (zh) * 2022-03-10 2022-09-16 青岛海尔空调器有限总公司 一种信息处理方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114385A1 (en) * 2008-10-31 2010-05-06 Ian Dempster Systems and methods to control energy consumption efficiency
US20180075549A1 (en) * 2013-03-13 2018-03-15 Johnson Controls Technology Company Systems and methods for cascaded model predictive control
JP2018096572A (ja) * 2016-12-09 2018-06-21 富士通株式会社 空調制御プログラム、装置、及び方法
US20180238572A1 (en) * 2017-02-21 2018-08-23 Sunpower Corporation Modeling and controlling heating, ventilation, and air conditioning systems

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100595494C (zh) * 2008-04-03 2010-03-24 上海交通大学 基于模型的集中空调系统全局优化节能控制方法及装置
KR101127941B1 (ko) * 2010-09-03 2012-03-23 재단법인 포항산업과학연구원 공조기의 오류 감지 방법 및 공조기 오류 감지 장치
CN102878647B (zh) * 2011-07-15 2015-06-10 珠海格力电器股份有限公司 空调运行状态的自动监控系统及自动监控方法
US10797639B1 (en) * 2011-07-25 2020-10-06 Clean Power Research, L.L.C. System and method for performing power utility remote consumer energy auditing with the aid of a digital computer
KR101261199B1 (ko) * 2013-01-10 2013-05-10 동국대학교 산학협력단 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법
JP6059039B2 (ja) * 2013-02-26 2017-01-11 京セラ株式会社 送信装置及び送信方法
US9696055B1 (en) * 2013-07-30 2017-07-04 Alarm.Com Incorporated Thermostat control based on activity within property
US20160320081A1 (en) * 2015-04-28 2016-11-03 Mitsubishi Electric Research Laboratories, Inc. Method and System for Personalization of Heating, Ventilation, and Air Conditioning Services
JP6807556B2 (ja) * 2015-10-01 2021-01-06 パナソニックＩｐマネジメント株式会社 空調制御方法、空調制御装置及び空調制御プログラム
JP6384971B2 (ja) * 2016-11-29 2018-09-05 三菱重工サーマルシステムズ株式会社 訓練データ収集システム、空調制御システム、訓練データ収集方法及びプログラム
CN106874581B (zh) * 2016-12-30 2021-03-30 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
KR102393418B1 (ko) * 2017-03-30 2022-05-03 삼성전자주식회사 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
JP6908107B2 (ja) * 2017-05-11 2021-07-21 日本電気株式会社 空調システム制御方法、空調システム制御装置および空調システム制御プログラム
US11175061B2 (en) * 2017-06-05 2021-11-16 Grid4C Methods and systems for HVAC inefficiency prediction
KR102272333B1 (ko) * 2017-06-21 2021-07-02 주식회사 케이티 Ai 기반으로 대상 건물의 냉방 시스템을 최적 제어하는 클라우드 서버 및 방법, 냉방 시스템 제어 장치
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
KR101875489B1 (ko) * 2018-03-23 2018-08-02 윤홍익 냉방 시스템을 자동으로 제어하는 장치 및 방법
US11080620B2 (en) * 2018-05-10 2021-08-03 International Business Machines Corporation Localizing energy consumption anomalies in buildings
CN112335150A (zh) * 2018-06-27 2021-02-05 三菱电机株式会社 电量设定装置、电量设定方法以及程序
CN108870633B (zh) * 2018-06-28 2019-10-25 珠海格力电器股份有限公司 空调系统的控制方法和装置
US20200034665A1 (en) * 2018-07-30 2020-01-30 DataRobot, Inc. Determining validity of machine learning algorithms for datasets
JP6833138B2 (ja) * 2018-12-12 2021-02-24 三菱電機株式会社 空調制御装置及び空調制御方法
KR102190100B1 (ko) * 2018-12-27 2020-12-11 (주)아크릴 인공 신경망 학습 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114385A1 (en) * 2008-10-31 2010-05-06 Ian Dempster Systems and methods to control energy consumption efficiency
US20180075549A1 (en) * 2013-03-13 2018-03-15 Johnson Controls Technology Company Systems and methods for cascaded model predictive control
JP2018096572A (ja) * 2016-12-09 2018-06-21 富士通株式会社 空調制御プログラム、装置、及び方法
US20180238572A1 (en) * 2017-02-21 2018-08-23 Sunpower Corporation Modeling and controlling heating, ventilation, and air conditioning systems

Also Published As

Publication number Publication date
CN113272595A (zh) 2021-08-17
EP3870906A4 (en) 2021-12-22
KR20200092484A (ko) 2020-08-04
WO2020145463A1 (en) 2020-07-16
CN113272595B (zh) 2023-08-01
EP3870906A1 (en) 2021-09-01
US20200217544A1 (en) 2020-07-09

Similar Documents

Publication Publication Date Title
KR102544265B1 (ko) 전자 장치 및 그 제어 방법
US11674705B2 (en) Air conditioner providing information on time and/or power required to reach a desired temperature and method for control thereof
US10970128B2 (en) Server, air conditioner and method for controlling thereof
US20210380127A1 (en) Electronic device and control method therefor
US11460210B2 (en) Air conditioning device and control method thereof
US11303977B2 (en) Server for managing home network and control method therefor
US20230243534A1 (en) Electronic apparatus and controlling method thereof
US11536477B2 (en) Electronic apparatus and operation method for predicting HVAC energy consumption
US11734388B2 (en) Method and apparatus for predicting time-series data
CN110443347B (zh) 神经网络方法和装置
KR20230164630A (ko) 공기 조화 장치 및 이의 제어 방법
CN113821903B (zh) 温度控制方法和设备、模块化数据中心及存储介质
US20210248442A1 (en) Computing device and method using a neural network to predict values of an input variable of a software
KR20190088128A (ko) 전자 장치 및 그의 제어 방법
US20210116142A1 (en) Thermostat and method using a neural network to adjust temperature measurements
US20220036181A1 (en) System and method for training a neural ode network
US20210142171A1 (en) Electronic apparatus and method of controlling thereof
CN114556027B (zh) 空调控制装置、空调系统、空调控制方法和记录介质
JP7340747B2 (ja) 制御方法、制御プログラムおよび空調制御装置
JP2018123989A (ja) 温熱快適装置及び制御内容決定方法
US20240019155A1 (en) Distributed smart thermostat
KR102512506B1 (ko) 기계학습모델을 이용한 에어컨 자동 쾌적제어방법, 시스템, 및 컴퓨터-판독가능 매체
KR102613227B1 (ko) 빅데이터 및 머신 러닝에 기반한 농업용 저수지 이수 안전도 평가를 위한 전자 장치 및 전자 장치의 제어 방법
US20240135047A1 (en) Systems and methods for improving a design of article using expert emulation
US20230276374A1 (en) Electronic apparatus and controlling method thereof

Legal Events

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