KR102623325B1 - 인공지능 기반 건물에너지 절감 장치 및 방법 - Google Patents
인공지능 기반 건물에너지 절감 장치 및 방법 Download PDFInfo
- Publication number
- KR102623325B1 KR102623325B1 KR1020210191695A KR20210191695A KR102623325B1 KR 102623325 B1 KR102623325 B1 KR 102623325B1 KR 1020210191695 A KR1020210191695 A KR 1020210191695A KR 20210191695 A KR20210191695 A KR 20210191695A KR 102623325 B1 KR102623325 B1 KR 102623325B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- machine learning
- learning model
- building energy
- energy saving
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 99
- 238000010801 machine learning Methods 0.000 claims abstract description 49
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 238000013486 operation strategy Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000010425 asbestos Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 229910052895 riebeckite Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
- H02J9/005—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting using a power saving mode
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
- H02J2310/12—The local stationary network supplying a household or a building
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 인공지능 기반 건물에너지 절감 장치 및 방법에 관한 것이다. 본 발명의 일 실시예에 따른 인공지능 기반 건물에너지 절감 장치에 있어서, 통신모듈; 건물에너지 절감을 수행하기 위한 적어도 하나의 프로세스를 저장하는 메모리; 및 상기 적어도 하나의 프로세스를 기반으로 상기 건물에너지 절감을 수행하기 위한 동작을 수행하는 제어모듈을 포함하며, 상기 제어모듈은, 기 설정된 주기를 기반으로 대상 건물에 대한 환경데이터 및 상기 대상 건물에 포함된 적어도 하나의 대상 설비에 대한 운전데이터를 각각 수집하고, 기 설정된 기간 동안 누적되어 수집된 환경데이터 및 운전데이터를 이용하여 기 학습된 제1 머신러닝 모델을 통해 주요 실내환경인자를 예측하고, 상기 예측된 주요 실내환경인자에 따른 대상 설비 별 제어신호를 생성할 수 있다.
Description
본 발명은 인공지능 기반 건물에너지 절감 장치 및 방법에 관한 것으로, 보다 상세하게는 환경데이터 및 운전데이터를 이용하여 건물에너지를 절감할 수 있도록 대상 설비들을 제어하기 위한 인공지능 기반 건물에너지 절감 장치 및 방법에 관한 것이다.
최근 에너지 사용량 절감을 위해 시간별, 계절별, 상황별로 적절한 운전 전략을 구사하는 다양한 자율운전 모델이 연구되고 있으며, 이러한 제어 대상 설비들의 에너지 사용 절감량 검증을 위한 새로운 베이스라인 모델이 필요한 상황이다.
IPMVP(Inter -national Performance Measurement &Verification Protocol, 2002) 및 ASHRAE Handbook Fundamentals(ASHRAE Handbook Fundamentals, 2013)의 에너지 사용량 분석 방법론에 따르면 데이터 기반 회귀분석 모델로는 주로 다중 회귀를 사용하여 M&V(Measurement and Verification)를 진행하였으며, 다중회귀 M&V 모델은 주로 월 단위 에너지 사용 패턴을 예측하는데 사용되었다.
하지만 각 설비 별 제어신호는 운전 전략에 따라 시간 단위 또는 분 단위로 결정되기 때문에 월 단위 데이터를 기반으로 한 에너지 사용 패턴 예측은 운전 전략별 M&V 작업에 한계가 있다.
이를 해결하기 위한 대안으로 머신러닝 알고리즘 모델을 사용할 수 있으며, 시간 단위의 건물에너지 예측을 위한 일반적인 머신러닝 알고리즘 기반 모델로는 KNN(K-nearest Neighbor), 랜덤 포레스트(Random Forest, RF), 인공신경망(Artificial Neural Network, ANN) 등이 있다.
이러한 머신러닝 알고리즘 기반 모델 개발을 통해 정확도 높은 시간 단위 또는 분 단위 예측 모델이 존재하더라도 운전 전략 변경에 따라 상황별로 다른 운전 전략을 취하는 설비의 에너지 사용량을 예측이 필수적인 운전 전략별 M&V 작업에 있어 설비 운전 전략과 관련된 정보가 모델에 반영되어 있지 않기 때문에 운전 전략별 구체적이고 정확한 성과 분석에 어려움이 존재한다.
따라서, 실내 및 실외 관련 환경데이터뿐만 아니라, 설비별 운전 전략 및 제어 정보를 고려하여 인공지능을 기반으로 건물에너지 절감시킬 수 있도록 하는 기술이 개발될 필요가 있다.
본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 제안된 것으로, 관리자의 주관적 판단에 의존하지 않고, 경험 건물에 대한 시간별, 계절별, 상황별 실내외 환경데이터 및 설비 관련 데이터 등의 객관적 데이터를 이용하여 머신러닝 기반으로 건물에 대한 운영 전략을 자동으로 변경 또는 수립하도록 함으로써, 건물에너지의 절감을 통해 경제적 효율성을 향상시킬 수 있도록 하는 인공지능 기반 건물에너지 절감 장치 및 방법을 제공함에 있다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치는, 통신모듈; 건물에너지 절감을 수행하기 위한 적어도 하나의 프로세스를 저장하는 메모리; 및 상기 적어도 하나의 프로세스를 기반으로 상기 건물에너지 절감을 수행하기 위한 동작을 수행하는 제어모듈을 포함하며, 상기 제어모듈은, 기 설정된 주기를 기반으로 대상 건물에 대한 환경데이터 및 상기 대상 건물에 포함된 적어도 하나의 대상 설비에 대한 운전데이터를 각각 수집하고, 기 설정된 기간 동안 누적되어 수집된 환경데이터 및 운전데이터를 이용하여 기 학습된 제1 머신러닝 모델을 통해 주요 실내환경인자를 예측하고, 상기 예측된 주요 실내환경인자에 따른 대상 설비 별 제어신호를 생성할 수 있다.
한편, 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 방법은, 기 설정된 주기를 기반으로 대상 건물에 대한 환경데이터 및 상기 대상 건물에 포함된 적어도 하나의 대상 설비에 대한 운전데이터를 각각 수집하는 단계; 기 설정된 기간 동안 누적되어 수집된 환경데이터 및 운전데이터를 이용하여 기 학습된 제1 머신러닝 모델을 통해 주요 실내환경인자를 예측하는 단계; 상기 예측된 주요 실내환경인자에 따른 대상 설비 별 제어신호를 생성하는 단계; 상기 생성된 대상 설비 별 제어신호를 이용하여 기 학습된 제2 머신러닝 모델을 통해 예측 소비 전력을 산출하는 단계; 및 상기 생성된 대상 설비 별 제어신호가 적용된 후의 실제 소비 전력을 상기 예측 소비 전력과 비교하여 실시간 에너지 절감량을 산정하는 단계를 포함할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 의하면, 관리자의 주관적 판단에 의존하지 않고, 경험 건물에 대한 시간별, 계절별, 상황별 실내외 환경데이터 및 설비 관련 데이터 등의 객관적 데이터를 이용하여 머신러닝 기반으로 건물에 대한 운영 전략을 자동으로 변경 또는 수립하도록 함으로써, 건물에너지의 절감을 통해 경제적 효율성을 향상시킬 수 있도록 한다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 시스템의 네트워크 구조를 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치의 구성을 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치에서 환경데이터를 전처리 하는 방식에 대한 일 예를 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 제1 머신러닝 모델의 구조를 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 제2 머신러닝 모델의 구조를 나타내는 도면이다.
도 6은 본 발명의 실시예에 따라 제1 머신러닝 모델 및 제2 머신러닝 모델을 기반으로 건물에너지를 절감하도록 하는 베이스라인 모델의 구조를 나타내는 도면이다.
도 7은 본 발명의 실시예에 따른 건물에너지 절감 장치에 의해 생성된 제어신호가 각 대상 설비에 적용된 후의 에너지 절감 효율을 나타내기 위한 그래프이다.
도 8은 본 발명의 실시예에 따른 건물에너지 절감 방법에서 제어신호를 생성하기 위한 동작을 나타내는 순서도이다.
도 9는 본 발명의 실시예에 따른 건물에너지 절감 방법에서 에너지 절감량을 산정하기 위한 동작을 나타내는 순서도이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치의 구성을 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치에서 환경데이터를 전처리 하는 방식에 대한 일 예를 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 제1 머신러닝 모델의 구조를 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 제2 머신러닝 모델의 구조를 나타내는 도면이다.
도 6은 본 발명의 실시예에 따라 제1 머신러닝 모델 및 제2 머신러닝 모델을 기반으로 건물에너지를 절감하도록 하는 베이스라인 모델의 구조를 나타내는 도면이다.
도 7은 본 발명의 실시예에 따른 건물에너지 절감 장치에 의해 생성된 제어신호가 각 대상 설비에 적용된 후의 에너지 절감 효율을 나타내기 위한 그래프이다.
도 8은 본 발명의 실시예에 따른 건물에너지 절감 방법에서 제어신호를 생성하기 위한 동작을 나타내는 순서도이다.
도 9는 본 발명의 실시예에 따른 건물에너지 절감 방법에서 에너지 절감량을 산정하기 위한 동작을 나타내는 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
명세서에서 사용되는 "부" 또는 "모듈"이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 "모듈"은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 "모듈"은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 "모듈"은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 "모듈"은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 "모듈"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 "모듈"들로 결합되거나 추가적인 구성요소들과 "부" 또는 "모듈"들로 더 분리될 수 있다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
일반적으로, 건물의 설비 시스템들은 자동제어 혹은 최적제어를 통해 운영되기도 하지만, 최종적인 건물의 운영에 대한 종합적인 결정은 관리자(운영자)의 주관적 판단에 절대적인 권한을 부여하는 경우가 대부분이다. 이때, 관리자는 자신의 경험과 직관으로 능동적으로 운영 전략을 수립하기도 하지만, 건물에서 발생하는 실내외 환경적 조건에 따라 설비 시스템들의 운전을 수동적으로 제어하기도 한다. 하지만, 이와 같은 주관적인 운영은 건물 내에서 발생하는 다양한 상황에 대해 항상 정확한 진단 및 대처를 하고 있다고 보기에는 어렵다.
본 발명은 인공지능을 기반으로 하는 적어도 하나의 머신러닝 모델을 이용하여 실내외 환경적 데이터를 기반으로 제어신호를 자동 생성하여 대상 건물의 운영에 적용하도록 함으로써 건물에너지를 절감할 수 있도록 하기 위한 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 발명을 설명하기에 앞서, 본 명세서에 기재된 '설비'의 개념은 건물에 구비된 공조설비, 위생설비, 전력설비, 조명설비 및 방재설비 등을 포함, 건물의 유지 및 운영을 위해 구비되는 각 종 설비를 총칭하는 개념으로, 반드시 본 명세서에 기재된 설비에 국한되는 개념으로 해석되어서는 안 될 것이다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 시스템의 네트워크 구조를 나타내는 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 건물에너지 절감 시스템(10)은 건물에너지 절감 장치(100), 적어도 하나의 설비(200) 및 관리자 단말(300)을 포함하여 구성될 수 있다.
적어도 하나의 설비(200)는 건물에 필요한 에너지(건물에너지)를 제공하는 각종 설비로서 건물의 내부 또는 외부에 위치(설치)되며, 건물에너지 절감 장치(100)에 의해 생성되는 제어신호에 의해 제어된다.
이 적어도 하나의 설비(200)는 복수개(200-1~200-n) 구비된 경우, 각 설비의 설치 위치, 기능, 담당 관리자 등에 따라 그룹으로 분류되어 관리될 수도 있다.
건물에너지 절감 장치(100)는 기 설정된 기간 동안의 실내외 환경데이터 및 적어도 하나의 설비(200)에 대한 운전데이터를 수집하고, 기 설정된 기간 동안 누적되어 수집된 환경데이터 및 운전데이터를 기반으로 기 학습된 제1 머신러닝 모델을 통해 주요 실내환경인자를 예측한다. 이후, 건물에너지 절감 장치(100)는 그 예측된 주요 실내환경인자에 따라 대상 설비 별 제어신호를 생성한다.
한편, 건물에너지 절감 장치(100)는 앞서 생성된 대상 설비 별 제어신호를 이용하여 기 학습된 제2 머신러닝 모델을 통해 예측 소비 전력을 산출하고, 그 생성된 대상 설비 별 제어신호가 적용된 후, 즉, 각각의 대상 설비에 대응하는 제어신호로 운전을 수행한 후의 실제 소비 전력을 앞서 산출된 예측 소비 전력과 비교하여 실시간 에너지 절감량을 산정한다.
또한, 건물에너지 절감 장치(100)는 수집된 각종 데이터, 생성된 제어신호 및 산정된 에너지 절감량 뿐만 아니라, 관리자에 의해 설정(선택)된 각종 데이터 또는 알림을 기 등록된 관리자 단말(300)로 송신함으로써 보고할 수 있다. 이때, 관리자 단말(300) 또한 적어도 하나일 수 있으며, 각 관리자 마다 보고 받고자 하는 데이터 또는 알림을 상이하게 설정할 수 있기 때문에, 각 관리자 단말(300)로 송신되는 데이터 또는 알림에 포함되는 정보는 모두 상이할 수 있다.
관리자 단말(300)은 건물에너지 절감 장치(100)로부터 각종 데이터 또는 알림이 수신되면 이를 디스플레이 하여 관리자가 확인하도록 하고, 필요에 따라 관리자가 제어신호를 입력하면 그 입력된 제어신호를 송신하여 적어도 하나의 설비(200)를 수동으로 제어할 수도 있다. 이때, 관리자 단말(300)은 관리자에 의해 입력된 제어신호를 건물에너지 절감 장치(100)로 송신하여 그 건물에너지 절감 장치(100)를 통해 해당 설비를 제어할 수도 있고, 해당 설비로 직접 송신하여 해당 설비를 제어할 수도 있다.
앞서 설명한 바와 같이, 관리자 단말(300) 또한 적어도 하나 이상 구비될 수 있으며, 건물에너지 절감 장치(100) 및/또는 적어도 하나의 설비(200)에 등록됨에 따라 제어에 대한 접근 권한을 가질 수 있다. 또한, 관리자 단말(300)이 복수개(300-1~300-n) 구비된 경우, 각 관리자의 담당 부서, 직급, 담당 설비, 설정 권한, 권한 등급 등에 따라 그룹으로 분류되어 관리될 수도 있다.
한편, 관리자 단말(300)은 해당 관리자가 원하는 다수의 응용 프로그램(즉, 애플리케이션)을 설치하여 실행할 수 있는 컴퓨터, UMPC(Ultra Mobile PC), 워크스테이션, 넷북(net-book), PDA(Personal Digital Assistants), 포터블(portable) 컴퓨터, 웹 테블릿(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 스마트 폰(smart phone), 패드(Pad), 스마트 워치(Smart watch), 웨어러블(wearable) 단말, e-북(e-book), PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 블랙 박스(black box) 또는 디지털 카메라(digital camera), 기타 이동통신 단말 등일 수 있다.
한편, 도 1은 본 발명의 실시예에 해당하는 것으로, 적어도 하나의 설비(200)는 별도의 제어 시스템(미도시)에 의해 제어될 수 있으며, 이 경우 건물에너지 절감 장치(100)는 그 제어 시스템의 일부로서 동작할 수도 있다.
도 2는 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치의 구성을 나타내는 블록도이다.
도 2를 참조하면, 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치(이하, '건물에너지 절감 장치'라 칭함)(100)는 통신모듈(110), 저장모듈(130) 및 제어모듈(150)을 포함한다.
통신모듈(110)은 적어도 하나의 외부장치(서버 등)와 유선 또는 무선 통신을 수행한다. 특히, 무선 통신을 수행함에 있어서, 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 한다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있으며, 건물에너지 절감 장치(100)는 앞에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다.
근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다. 이러한, 근거리 무선 통신망(Wireless Area Networks)은 건물에너지 절감 장치(100) 및 적어도 하나의 설비(200) 간, 건물에너지 절감 장치(100) 및 관리자 단말(300) 간, 적어도 하나의 설비(200) 및 관리자 단말(300) 간 무선 통신을 지원할 수 있다. 이때, 근거리 무선 통신망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.
저장모듈(130)은 건물에너지 절감을 위해 필요한 적어도 하나의 데이터(정보) 및 적어도 하나의 프로세스는 물론, 그 외 각종 데이터(정보)를 저장한다. 예를 들어, 건물에너지 절감을 위한 프로그램, 적어도 하나의 설비 정보, 적어도 하나의 관리자 정보 등을 데이터로서 저장할 수 있다. 그 외에도, 저장모듈(130)은 건물에너지 절감 방법을 실행하기 위한 각종 명령어, 알고리즘 등을 저장한다.
이를 위해, 저장모듈(130)은 메모리를 포함할 수 있으며, 메모리는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 아울러, 메모리는 일시적, 영구적 또는 반영구적으로 정보를 저장할 수 있으며, 내장형 또는 탈착형으로 제공될 수 있다.
제어모듈(150)은 건물에너지 절감 장치(100) 내 구성들을 제어하거나 각종 정보를 처리하고 연산하기 위한 것으로, 저장모듈(130)에 저장된 적어도 하나의 프로세스를 기반으로 건물에너지를 절감하도록 제어한다.
구체적으로, 제어모듈(150)은 실내 및/또는 실외에 대한 환경데이터 및 적어도 하나의 설비(200)에 대한 운전데이터를 수집하고, 기 설정된 기간 동안 누적되어 수집된 환경데이터 및 운전데이터를 기반으로 기 학습된 제1 머신러닝 모델을 통해 주요 실내환경인자를 예측한다.
여기서, 환경데이터는 실내환경인자를 포함하는 제1 환경데이터 및 실외환경인자를 포함하는 제2 환경데이터를 포함하며, 제1 환경데이터 및 제2 환경데이터는 각각의 센서를 통해 개별적으로 수집될 수 있다. 예를 들어, 제1 환경데이터 및 제2 환경데이터는 실내 온도, 실외 온도, 습도, 상대 습도, CO2 농도, 소음, 전자파, 석면, 압력, 강우량, 빛공해, 조도 및 미세먼지 농도 중 적어도 하나를 포함할 수 있다.
또한, 운전데이터는 각 설비 별 운전·사양 관련 데이터를 포함하며, 예를 들어, 운전모드 별 소비전력, On/Off 상태, 운전모드 상태, 풍량, 설정온도, 상한온도 및 하한온도 중 적어도 하나를 포함할 수 있다.
이 환경데이터 및 운전데이터는 기 설정된 시간 단위로 수집되며, 그 수집된 환경데이터 및 운전데이터는 저장모듈(130)에 누적되어 저장된다. 즉, 기 설정된 시간 단위의 시계열 데이터가 축적된다. 이후, 주요 실내환경인자를 예측하기 위해 그 저장된 환경데이터 및 운전데이터 중 기 설정된 기간 동안에 누적되어 저장된 환경 데이터 및 운전데이터를 이용할 수 있다.
한편, 제어모듈(150)은 환경데이터 및 운전데이터를 이용하여 예측된 주요 실내환경인자를 예측하기 위해, 전처리를 수행한 후, 그 전처리된 데이터를 입력데이터로서 기 학습된 제1 머신러닝 모델에 입력하여 대상 설비 별 제어신호를 생성한다.
또한, 제어모듈(150)은 앞서 생성된 대상 설비 별 제어신호를 이용하여 기 학습된 제2 머신러닝 모델을 통해 예측 소비 전력을 산출하고, 그 생성된 대상 설비 별 제어신호가 적용된 후, 즉, 각각의 대상 설비에 대응하는 제어신호로 운전을 수행한 후의 실제 소비 전력을 앞서 산출된 예측 소비 전력과 비교하여 실시간 에너지 절감량을 산정한다.
또한, 제어모듈(150)은 수집된 각종 데이터, 생성된 제어신호 및 산정된 에너지 절감량 뿐만 아니라, 관리자에 의해 설정(선택)된 그 외의 각종 데이터 또는 알림을 기 등록된 관리자 단말(300)로 송신함으로써 보고한다.
도 3은 본 발명의 실시예에 따른 인공지능 기반 건물에너지 절감 장치에서 환경데이터를 전처리 하는 방식에 대한 일 예를 나타내는 도면이다.
건물에너지 절감 장치(100)는 환경데이터에 대한 전처리를 수행하기 위해 IQR(Inter Quantile Range) 이상치 제거 및 MinMaxScaling 방식 중 적어도 하나의 방식을 이용할 수 있다. IQR 이상치 제거는 데이터의 수치 범위를 사분위로 나누어 특정 범위를 벗어나는 데이터를 제거하는 방식이고, MinMaxScaling은 도 3에 도시된 바와 같이, 데이터의 범위를 재조정(Rescaling)하여 모델의 학습을 용이하도록 하는 정규화(Normalization) 방식이다.
즉, 환경데이터를 감지하는 센서의 사양에 명시된 데이터의 최소값 및 최대값을 기준으로 해당 범위를 벗어난 데이터를 0으로 치환하고, 선형 보간법으로 보정 학습 시 사용한 Min-Max Scaler를 활용하여 입력되는 데이터를 정규화 처리한다.
이로써, 환경데이터 및 운전데이터가 제1 머신러닝 모델에 입력되는 하나의 입력데이터로서 활용될 수 있다.
도 4는 본 발명의 실시예에 따른 제1 머신러닝 모델의 구조를 나타내는 도면이다.
도 4를 참조하면, 주요 실내환경인자를 예측하기 위한 제1 머신러닝 모델로서 IEPM(Indoor Environment Prediction Model)이 적용될 수 있다.
이 IEPM은 제1 환경데이터, 제2 환경데이터 및 운전데이터를 입력데이터로 사용하도록 설계되며, 예측하고자 하는 미래의 실내 온습도의 경우, 이전 시점까지 누적되어온 외기 온·습도 패턴, 실내 온·습도 패턴 및 공기조화설비들의 제어 패턴에 종합적으로 영향을 받아 결정될 수 있다. 따라서, 일정 시간 이상 누적된 시계열 데이터를 하나의 입력데이터로 가공하여 활용할 필요성이 있다.
이에 IEPM의 입력데이터 셋(set)은 모든 데이터 종류에 대해 1분 단위 데이터를 일정 시간(Window Size) 누적하여 활용한다. 또한, 각 주요 실내환경인자 별 IEPM은 시계열 패턴을 학습하는데 강점이 있는 1차원 합성곱 신경망(1D Convolution Network)과 GRU를 모델의 기본 구성요소로 설계될 수 있으며, 각 IEPM의 하이퍼파라미터는 모델 평가 결과를 통해 최적화될 수 있다.
IEPM은 특정 운전 전략으로 운영된 학습데이터를 기반으로 각 설비 별 운전데이터와 실내 및 실외의 환경인자를 포함하는 환경데이터 간의 비선형적인 상관관계를 학습하여 다음 시점의 주요 실내환경인자 값을 예측하기 위한 목적으로 설계된다.
도 4를 통해 볼 때, IEPM을 학습하기 위한 데이터 전처리 시, 센서 사양에 명시된 데이터의 최소값 및 최대값을 기준으로 해당 범위를 벗어난 데이터를 제거한다. 이때, IQR(Inter Quantile Range)를 기반으로, 예를 들어, 기준 Q1±1.5*IQR 범위를 벗어난 데이터를 제거하고, 제거된 타임 스텝의 데이터를 선형 보간법으로 보정한다. 이후, 센서 사양에 명시된 데이터의 최소값 및 최대값을 기준으로 Min-Max Scaler를 활용하여 입력되는 데이터를 정규화 처리한다. 이때, 모든 센서 데이터들의 시계열 데이터를 축적하여 하나의 입력 데이터로 활용하는데, 예를 들어, 1시간 시계열 데이터를 이용하는 경우, 그 수집 주기가 1분으로 설정된 상태라면 총 60의 데이터가 된다.
한편, 데이터 입력층에서, 실내/실외 환경데이터(in/outdoor temp., RH etc.) 및 운전데이터(on/off, Cooling set point etc.)를 모아 접합(Concatenation)하여 예측신경망에 입력한다.
이러한 제1 머신러닝 모델은 대상 설비 간 교차영향관계 및 제어 대상 설비 군의 종합적인 제어 상황(상태)에 따른 주요 실내환경인자의 변화에 대한 학습을 수행하여 생성된다. 이때, 은닉층 깊이가 3이상으로 설계되고, 시계열 패턴을 반영하도록 하기 위해 Conv1D, LSTM(Long Short-Term Memory) 및 GRU(Gated Recurrent Unit) 중 적어도 하나의 알고리즘이 적용될 수 있다.
도 5는 본 발명의 실시예에 따른 제2 머신러닝 모델의 구조를 나타내는 도면이다.
도 5를 참조하면, 대상 건물의 각 설비 별 전력 부하를 예측하기 위한 제2 머신러닝 모델로서 ELPM(Electricity Load Prediction Model)이 적용될 수 있다.
이 ELPM은 IEPM과 다르게 환경데이터로는 실외 환경데이터인 외기 온·습도 데이터를 제외한 IEPM의 예측 대상에 속하는 주요 실내환경인자만을 환경 데이터로 활용한다. 이는 공기조화설비의 동작 조건 및 제어 전략이 실내 환경에 대부분 의존하고 있기 때문이다. 또한, 모든 설비들의 운전 및 사양 데이터를 입력으로 활용하는 IEPM와 다르게 각 설비별 ELPM은 해당 설비만의 운전 및 사양데이터를 입력데이터로 활용하여 설비 자체의 부하 예측에 집중된 모델로 설계될 수 있다. 한편, 각 설비별 ELPM은 LGBM을 기반으로 설계될 수 있으며, 각 LGBM의 하이퍼파라미터는 모델 평가 결과를 통해 최적화될 수 있다.
도 5를 통해 볼 때, ELPM을 학습하기 위한 데이터 전처리 시, 센서 사양에 명시된 데이터의 최소값 및 최대값을 기준으로 해당 범위를 벗어난 데이터를 제거한다. 이때, IQR(Inter Quantile Range)를 기반으로, 예를 들어, 기준 Q1±1.5*IQR 범위를 벗어난 데이터를 제거하고, 제거된 타임 스텝의 데이터를 선형 보간법으로 보정한다. 이후, 센서 사양에 명시된 데이터의 최소값 및 최대값을 기준으로 Min-Max Scaler를 활용하여 입력되는 데이터를 정규화 처리한다.
한편, 데이터 입력층에 주요 실내환경인자(indoor temp., RH, CO2 etc.) 데이터 및 운전데이터(on/off, Cooling set point etc.)가 입력되고, 설비 별 데이터 조합층에서 환경데이터(공통데이터) 및 각 설비의 운전데이터(운전데이터)가 조합되어 입력된다.
이러한 제2 머신러닝 모델은 환경데이터 및 운전데이터와 에너지 소비량 간의 상관관계에 대한 학습을 수행하여 생성된다. 이때, 은닉층(L1~L3) 깊이가 3이상으로 설계되고, 층별 신경망 계열은 Conv1D, LSTM(Long Short-Term Memory) 및 GRU(Gated Recurrent Unit) 중 적어도 하나의 알고리즘이 적용될 수 있다.
이로써, 실내 및 실외 환경데이터와 운전데이터를 기반으로 각 설비 별 에너지 소비 전력(또는 전력량)이 출력층을 통해 출력된다.
도 6은 본 발명의 실시예에 따라 제1 머신러닝 모델 및 제2 머신러닝 모델을 기반으로 건물에너지를 절감하도록 하는 베이스라인 모델의 구조를 나타내는 도면이다.
본 발명은 이 IEPM(제1 머신러닝 모델) 및 ELPM(제2 머신러닝 모델)이 연동되는 2단계 모델 구조를 가지며, 시계열 패턴 학습이 중요한 실내환경인자 예측 모델은 CNN 및/또는 RNN 계열의 네트워크를 모델 기본 구성요소로 설계될 수 있다.
도 6을 참조하면, IEPM이 각 설비 별 운전데이터와 실내 및 실외의 환경인자를 포함하는 환경데이터를 입력받아 다음 타임 스텝의 주요 실내환경인자를 예측하여 대상 건물의 기존 제어 패턴(전략)의 조건으로 사용함으로써 기존 제어 패턴에 따른 다음 타임 스텝의 운전데이터를 도출한다. 즉, 적용하고자 하는 각 설비 별 제어신호를 생성한다. 또한, ELPM이 그 예측된 실내환경인자 및 도출된 다음 타임 스텝의 운전데이터(제어신호)를 입력받아 각 설비 별 전력 부하를 예측한다.
도 7은 본 발명의 실시예에 따른 건물에너지 절감 장치에 의해 생성된 제어신호가 각 대상 설비에 적용된 후의 에너지 절감 효율을 나타내기 위한 그래프이다.
도 7은 도 6의 절차를 통해 예측된 각 설비 별 전력 부하를 그래프로 나타낸 일 예시로서, 이를 통해 에너지 절감량을 확인할 수 있다.
도 8은 본 발명의 실시예에 따른 건물에너지 절감 방법에서 제어신호를 생성하기 위한 동작을 나타내는 순서도이다.
도 8을 참조하면, 건물에너지 절감 장치(100)는 기 설정된 주기를 기반으로 대상 건물에 대한 환경데이터를 수집하고(S301), 그 대상 건물에 포함된(관련된) 적어도 하나의 대상 설비에 대한 운전데이터를 수집한다(S303). 이때, 도 8에는 S301 단계가 S303 단계 보다 먼저 수행되는 것으로 도시하였으나, S303 단계가 먼저 수행되거나 S301 단계 및 S303 단계가 동시에 수행될 수도 있으며, 그 수행되는 순서를 한정하지 않는다.
그 다음으로, 건물에너지 절감 장치(100)는 기 설정된 시간 동안에 누적되어 수집된 환경데이터 및 운전데이터에 대한 전처리를 수행하여 하나의 입력데이터를 생성하고(S305), 그 생성된 입력데이터를 제1 머신러닝 모델에 입력하여 주요 실내환경인자를 예측한다(S307).
이후, 건물에너지 절감 장치(100)는 S307 단계에서 예측된 주요 실내환경인자에 따른 대상 설비 별 제어신호를 생성한다(S309).
도 9는 본 발명의 실시예에 따른 건물에너지 절감 방법에서 에너지 절감량을 산정하기 위한 동작을 나타내는 순서도이다.
도 9를 참조하면, 건물에너지 절감 장치(100)는 대상 설비 별 제어신호가 생성된 이후, 그 대상 설비 별 제어신호를 이용하여 제2 머신러닝 모델을 통해 예측 소비 전력을 산출하고(S311), 그 대상 설비 별 제어신호가 적용된 후, 그 실제 소비 전력을 확인한다(S313).
그 다음으로, 건물에너지 절감 장치(100)는 S311 단계에서 산출된 예측 소비 전력 및 S313 단계에서 확인된 실제 소비 전력을 비교하여 실시간 에너지 절감량을 산정한다(S315).
한편, 도 8 및 도 9에는 도시하지 않았으나, 건물에너지 절감 장치(100)는 S309 단계에서 생성된 제어신호에 대한 정보 및/또는 S315 단계에서 산정된 실시간 에너지 절감량에 대한 정보를 기 설정된 바에 따라 관리자 단말(300)로 송신할 수 있다.
상기한 바와 같이, 본 발명은 특정 영역의 측정 데이터를 그 특정 영역의 적어도 일부를 포함하거나 인접한 영역에서 측정한 다른 측정 데이터들을 이용하여 업스케일링함으로써 보다 정확하고 구체화된 데이터를 산출하도록 할 수 있다.
한편, 본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 건물에너지 절감 시스템 100: 건물에너지 절감 장치
200: 적어도 하나의 설비 300: 관리자 단말
110: 통신모듈 130: 저장모듈
150: 제어모듈
200: 적어도 하나의 설비 300: 관리자 단말
110: 통신모듈 130: 저장모듈
150: 제어모듈
Claims (10)
- 통신모듈;
건물에너지 절감을 수행하기 위한 적어도 하나의 프로세스를 저장하는 메모리; 및
상기 적어도 하나의 프로세스를 기반으로 상기 건물에너지 절감을 수행하기 위한 동작을 수행하는 제어모듈을 포함하며,
상기 제어모듈은,
기 설정된 주기를 기반으로 대상 건물에 대한 환경데이터 및 상기 대상 건물에 포함된 적어도 하나의 대상 설비에 대한 운전데이터를 각각 수집하고, 기 설정된 기간 동안 누적되어 수집된 환경데이터 및 운전데이터를 이용하여 기 학습된 제1 머신러닝 모델을 통해 다음 시점의 주요 실내환경인자를 예측하고, 상기 예측된 주요 실내환경인자를 상기 대상 건물의 기존 제어 패턴 조건으로 사용하여 다음 시점의 운전데이터를 도출함으로써 대상 설비 별 제어신호를 자동으로 생성하고, 기 학습된 제2 머신러닝 모델을 통해 상기 생성된 대상 설비 별 제어신호를 이용하여 예측 소비 전력을 산출하고, 상기 생성된 대상 설비 별 제어신호가 적용된 후의 실제 소비 전력을 상기 예측 소비 전력과 비교하여 실시간 에너지 절감량을 산정하고,
상기 기 학습된 제1 머신러닝 모델 및 상기 기 학습된 제2 머신러닝 모델은 상호 연동되되,
상기 기 학습된 제1 머신러닝 모델은,
상기 대상 설비 간 교차영향관계 및 제어 대상 설비 군의 제어 상황에 따른 주요 실내환경인자의 변화에 대한 학습을 수행하여 생성되고,
상기 기 학습된 제2 머신러닝 모델은,
상기 환경데이터 및 상기 운전데이터와 에너지 소비량 간의 상관관계에 대한 학습을 수행하여 생성되는 것을 특징으로 하는,
인공지능 기반 건물에너지 절감 장치.
- 제1항에 있어서,
상기 제어모듈은,
상기 생성된 대상 설비 별 제어신호를 이용하여 기 학습된 제2 머신러닝 모델을 통해 예측 소비 전력을 산출하고, 상기 생성된 대상 설비 별 제어신호가 적용된 후의 실제 소비 전력을 상기 예측 소비 전력과 비교하여 실시간 에너지 절감량을 산정하는 것을 특징으로 하는,
인공지능 기반 건물에너지 절감 장치.
- 제1항에 있어서,
상기 제어모듈은,
상기 환경데이터를 수집할 시,
실내환경인자를 포함하는 제1 환경데이터 및 실외환경인자를 포함하는 제2 환경데이터를 각각 수집하는 것을 특징으로 하는,
인공지능 기반 건물에너지 절감 장치.
- 제1항에 있어서,
상기 제어모듈은,
상기 기 학습된 제1 머신러닝 모델을 통해 주요 실내환경인자를 예측하기 위해 상기 누적되어 수집된 환경데이터 및 운전데이터에 대한 전처리를 수행하여 하나의 입력데이터로 가공하는 것을 특징으로 하는,
인공지능 기반 건물에너지 절감 장치.
- 제4항에 있어서,
상기 전처리는,
상기 누적되어 수집된 환경데이터 및 운전데이터에서 기 설정된 범위를 벗어나는 데이터를 0으로 치환하고 선형 보간법으로 보정하고, 상기 보정된 환경데이터에 대한 데이터 정규화를 통해 수행되는 것을 특징으로 하는,
인공지능 기반 건물에너지 절감 장치.
- 제1항에 있어서,
상기 기 학습된 제1 머신러닝 모델은,
은닉층 깊이가 3이상으로 설계되고, 시계열 패턴을 반영하도록 하기 위해 Conv1D, LSTM(Long Short-Term Memory) 및 GRU(Gated Recurrent Unit) 중 적어도 하나의 알고리즘이 적용된 것임을 특징으로 하는,
인공지능 기반 건물에너지 절감 장치.
- 제2항에 있어서,
상기 기 학습된 제2 머신러닝 모델은,
은닉층 깊이가 3이상으로 설계되고, 층별 신경망 계열은 Conv1D, LSTM(Long Short-Term Memory) 및 GRU(Gated Recurrent Unit) 중 적어도 하나의 알고리즘이 적용된 것임을 특징으로 하는,
인공지능 기반 건물에너지 절감 장치.
- 장치에 의해 수행되는, 인공지능 기반 건물에너지 절감 방법에 있어서,
기 설정된 주기를 기반으로 대상 건물에 대한 환경데이터 및 상기 대상 건물에 포함된 적어도 하나의 대상 설비에 대한 운전데이터를 각각 수집하는 단계;
기 설정된 기간 동안 누적되어 수집된 환경데이터 및 운전데이터를 이용하여 기 학습된 제1 머신러닝 모델을 통해 다음 시점의 주요 실내환경인자를 예측하는 단계;
상기 예측된 주요 실내환경인자를 상기 대상 건물의 기존 제어 패턴 조건으로 사용하여 다음 시점의 운전데이터를 도출함으로써 대상 설비 별 제어신호를 자동으로 생성하는 단계;
기 학습된 제2 머신러닝 모델을 통해 상기 생성된 대상 설비 별 제어신호를 이용하여 기 학습된 제2 머신러닝 모델을 통해 예측 소비 전력을 산출하는 단계; 및
상기 생성된 대상 설비 별 제어신호가 적용된 후의 실제 소비 전력을 상기 예측 소비 전력과 비교하여 실시간 에너지 절감량을 산정하는 단계를 포함하고,
상기 기 학습된 제1 머신러닝 모델 및 상기 기 학습된 제2 머신러닝 모델은 상호 연동되되,
상기 기 학습된 제1 머신러닝 모델은,
상기 대상 설비 간 교차영향관계 및 제어 대상 설비 군의 제어 상황에 따른 주요 실내환경인자의 변화에 대한 학습을 수행하여 생성되고,
상기 기 학습된 제2 머신러닝 모델은,
상기 환경데이터 및 상기 운전데이터와 에너지 소비량 간의 상관관계에 대한 학습을 수행하여 생성되는 것을 특징으로 하는,
인공지능 기반 건물에너지 절감 방법.
- 제8항에 있어서,
주요 실내환경인자를 예측할 시,
상기 기 학습된 제1 머신러닝 모델을 통해 주요 실내환경인자를 예측하기 위해 상기 누적되어 수집된 환경데이터 및 운전데이터에 대한 전처리를 수행하여 하나의 입력데이터로 가공하며,
상기 전처리는,
상기 누적되어 수집된 환경데이터 및 운전데이터에서 기 설정된 범위를 벗어나는 데이터를 0으로 치환하고 선형 보간법으로 보정하고, 상기 보정된 환경데이터에 대한 데이터 정규화를 통해 수행되는 것을 특징으로 하는,
인공지능 기반 건물에너지 절감 방법.
- 컴퓨터와 결합되어, 제8항 내지 제9항 중 어느 한 항에 따른 인공지능 기반 건물에너지 절감 방법을 실행시키기 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210191695A KR102623325B1 (ko) | 2021-12-29 | 2021-12-29 | 인공지능 기반 건물에너지 절감 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210191695A KR102623325B1 (ko) | 2021-12-29 | 2021-12-29 | 인공지능 기반 건물에너지 절감 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230101526A KR20230101526A (ko) | 2023-07-06 |
| KR102623325B1 true KR102623325B1 (ko) | 2024-01-10 |
Family
ID=87185320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210191695A KR102623325B1 (ko) | 2021-12-29 | 2021-12-29 | 인공지능 기반 건물에너지 절감 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102623325B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102650227B1 (ko) * | 2023-09-26 | 2024-03-20 | 전남대학교산학협력단 | 말단 엣지 디바이스 기반 데이터 이상 탐지 및 결손 데이터 보완을 통한 전력소비 예측 장치 및 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101622523B1 (ko) * | 2015-11-30 | 2016-05-19 | 한국건설기술연구원 | 건물 에너지 성능 측정 평가 시스템 및 구동 방법 |
| KR101875488B1 (ko) * | 2018-03-22 | 2018-07-06 | 윤홍익 | 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102103006B1 (ko) * | 2018-10-08 | 2020-05-29 | 에스케이 텔레콤주식회사 | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 |
| KR102085956B1 (ko) | 2019-08-26 | 2020-05-29 | 주식회사 에코시안 | 건물에너지 사용량 및 절감율 분석을 위한 회귀모델 생성 장치 |
| KR102380397B1 (ko) * | 2019-10-08 | 2022-03-31 | 채명진 | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 |
-
2021
- 2021-12-29 KR KR1020210191695A patent/KR102623325B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101622523B1 (ko) * | 2015-11-30 | 2016-05-19 | 한국건설기술연구원 | 건물 에너지 성능 측정 평가 시스템 및 구동 방법 |
| KR101875488B1 (ko) * | 2018-03-22 | 2018-07-06 | 윤홍익 | 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230101526A (ko) | 2023-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jia et al. | From occupancy to occupant behavior: An analytical survey of data acquisition technologies, modeling methodologies and simulation coupling mechanisms for building energy efficiency | |
| Verhelst et al. | Model selection for continuous commissioning of HVAC-systems in office buildings: A review | |
| US11605036B2 (en) | System and methods for power system forecasting using deep neural networks | |
| Bang et al. | Novel real-time model-based fault detection method for automatic identification of abnormal energy performance in building ventilation units | |
| CN109784574A (zh) | 设备状态的预测方法及装置、存储介质、电子装置 | |
| US20130024044A1 (en) | Optimal storage sizing for integrating wind and load forecast uncertainties | |
| US10050826B2 (en) | Outage compensation in a cellular network | |
| KR101874351B1 (ko) | 사물 인터넷 기반 장치의 관리 시스템 및 방법과 이를 위한 컴퓨터 프로그램 | |
| KR102623325B1 (ko) | 인공지능 기반 건물에너지 절감 장치 및 방법 | |
| Sučić et al. | The concept of an integrated performance monitoring system for promotion of energy awareness in buildings | |
| KR102306208B1 (ko) | 안전 진단 기술이 적용된 태양광 발전 시스템 및 방법 | |
| Tien et al. | Real-time monitoring of occupancy activities and window opening within buildings using an integrated deep learning-based approach for reducing energy demand | |
| US20210334440A1 (en) | Model optimization device, model optimization method, and program | |
| KR20150026230A (ko) | Bim 데이터를 이용한 셀프 러닝 건물 에너지 관리 시스템 | |
| KR20160034488A (ko) | 스마트 써모스탯을 이용한 통합형 실시간 예측 건물 에너지 관리 방법 및 시스템 | |
| Kjærgaard et al. | Demand response in commercial buildings with an assessable impact on occupant comfort | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
| CN104049590A (zh) | 可扩展的能量管理架构 | |
| Zhuang et al. | Probabilistic occupancy forecasting for risk-aware optimal ventilation through autoencoder Bayesian deep neural networks | |
| CN117436727A (zh) | 一种智能水利调度优化系统 | |
| Ahmed et al. | State-of-the-art review of occupant behavior modeling and implementation in building performance simulation | |
| CN117277592B (zh) | 一种高压电路信号监测的保护切换方法 | |
| Torrens et al. | Multi-Criteria optimisation using past, real time and predictive performance benchmarks | |
| CN104636851A (zh) | 效能管理系统与方法 | |
| CN115999289A (zh) | 一种智能雾炮装置及控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |