KR102637782B1 - 에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 방법과 시스템 - Google Patents

Abstract

유전 알고리즘에 기초한 개인화된 딥러닝 모델을 운영하는 시스템이 개시된다. 본 개시에 따른 상기 시스템은 제1 에너지 데이터, 및 상기 제1 에너지 데이터와 연관된 다변량 데이터를 수집하는 적어도 하나의 에너지 수집 센서; i) 에너지 소비량 및 발전량의 예측 정보 및 ii) 상기 에너지 데이터와 관련된 이상 탐지 정보를 출력하도록 학습된 딥러닝 모델을 제공하는 엣지 컴퓨팅 서버; 및 상기 엣지 컴퓨팅 서버와 연결되며, 다양한 유형의 에너지 설비 시스템을 제어하는 장치로부터 제2 에너지 데이터를 수신하는 에너지 시스템 관리 장치를 포함하고, 상기 엣지 컴퓨팅 서버는, 상기 적어도 하나의 에너지 수집 센서로부터 상기 제1 에너지 데이터 및 상기 다변량 데이터를 획득하고, 상기 에너지 시스템 관리 장치로부터 상기 제2 에너지 데이터를 획득하고, 상기 제1 에너지 데이터, 상기 다변량 데이터, 및 상기 제2 에너지 데이터에 기초하여 상기 딥러닝 모델을 학습시키고, 상기 제1 에너지 데이터 및 상기 제2 에너지 데이터 각각은, 에너지 시계열 데이터 및 에너지 이미지 데이터를 포함할 수 있다.

Description

에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 방법과 시스템{METHODS AND SYSTEMS FOR OPERATING PERSONALIZED DEEP LEARNING MODELS WITHIN GENETIC ALGORITHM-BASED EDGE COMPUTING TO UTILIZE ENERGY DATA}

본 개시는 딥러닝 모델 운용 방법 및 시스템에 관한 것으로서, 더욱 상세하게는 에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 방법 및 시스템에 관한 것이다.

딥러닝은 과학/산업기술의 성장을 가속화하는 혁신의 조력자이자 타산업의 지능형 융합 견인에 필수적인 기술이다. 딥러닝 기술의 적용은 일상생활, 다양한 분야에서 한계를 극복하고 문제를 해결할 수 있도록 적용되고 있다.

특히, 에너지 분야는 폭염, 폭우, 홍수, 산불 등 이상기후 현상이 전 지구적으로 빈발하고 있으며 이러한 기후변화 현상의 주범으로 이산화탄소가 지목되고 있으며 전 세계적으로 다양하고 많은 이슈 및 관련 에너지 정책과 비전이 등장하고 있다.

4차 산업혁명 관련 기반기술(딥러닝, 빅데이터 등) 중 특히 딥러닝은 에너지 산업에 빠르게 접목되면서 새로운 에너지 생태계가 형성 중이다.

이에 맞추어 디지털 에너지 시장 분야는 2025년까지 약 640억 달러 규모로 설장할 예정이며, 소비/수요/자급 및 프로슈머 분야(HEMS+스마트 미터) 시장은 2020년 250억 달러 규모에서 2025년까지 총 370억 달러 규모 시장으로 성장할 예정이고, 전력 에너지 수요는 2035년까지 전체 에너지 수요의 27.6%(석유 39.1%에 이은 2번째)를 차지할 예정으로 전력 수요의 상승에 맞추어 에너지 분야이 딥러닝을 적용한 기술을 선점할 필요성이 증가하고 있다.

인류가 반드시 해결해야 하는 숙제를 푸는 데 에너지 분야 딥러닝 기술은 탄소 중립 정책 추진을 위한 중심이 될 수 있으며, 에너지 중개 플랫폼 기술은 잉여 에너지 자원을 효율적으로 활용하고 소규모 전력자원의 중개할 수 있는 탄소 중립 달성을 위한 핵심 원천 기술이다.

각종 에너지 데이터 분석을 통해 에너지 생산 및 사용의 효율을 높이고 잉여 에너지 자원과 소규모 전력 자원의 활용을 높이는 기술은 온실가스 배출을 줄이는 원천 기술이다.

하지만 본 기술 구현을 위해서는 각 사용자, 소비자, 생산자 등 말단 영역에서 딥러닝 모델이 운용되어야 하나 이를 위해서는 많은 딥러닝 모델이 구현되거나 모든 곳에 적용이 가능한 거대 딥러닝 모델이 필요하나 이는 에너지 데이터의 특성상 어려운 문제점이 있다.

또한, 말단에서 에너지 딥러닝 모델을 운용하기 위해서는 에너지 관련 지식과 딥러닝 관련 지식을 보유하여야 하는 문제가 있다.

등록특허공보 제10-2374745호, 2022.03.15 등록특허공보 제10-2361007호, 2022.02.04

본 개시는 상술된 문제점을 해결하기 위해 안출된 것으로서, 본 개시의 목적은 개시된 실시예는 에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 방법과 시스템을 제공하는데 있다.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 실시예에 따른, 유전 알고리즘에 기초한 개인화된 딥러닝 모델을 운영하는 엣지 컴퓨팅 서버는, 하나 이상의 통신 모듈; 하나 이상의 메모리(memory); 및 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 상기 적어도 하나의 에너지 수집 센서로부터 제1 에너지 데이터 및 상기 제1 에너지 데이터와 관련된 다변량 데이터를 획득하고; 상기 에너지 시스템 관리 장치로부터 상기 제2 에너지 데이터를 획득하고; 및 상기 제1 에너지 데이터, 상기 다변량 데이터, 및 상기 제2 에너지 데이터에 기초하여 상기 i) 에너지 소비량 및 발전량의 예측 정보 및 ii) 상기 에너지 데이터와 관련된 이상 탐지 정보를 출력하도록 상기 딥러닝 모델을 학습시키도록 설정되고, 상기 제1 에너지 데이터 및 상기 제2 에너지 데이터 각각은, 에너지 시계열 데이터 및 에너지 이미지 데이터를 포함할 수 있다.

그리고, 상기 하나 이상의 프로세서는, 상기 에너지 시계열 데이터 및 상기 에너지 이미지 데이터를 증강하고, 상기 증강된 에너지 시계열 데이터 및 에너지 이미지 데이터에 대해 전처리를 수행할 수 있다.

그리고, 상기 하나 이상의 프로세서는, 상기 에너지 이미지 데이터를 회전하거나 크기를 변경함으로써 상기 에너지 이미지 데이터를 증강하고, 상기 증강된 이미지 데이터를 정규화하여 전처리할 수 있다.

그리고, 상기 하나 이상의 프로세서는, 상기 증강된 에너지 시계열 데이터를 추가적인 에너지 이미지 데이터로 변환하고, 상기 추가적인 에너지 이미지 데이터 및 상기 증강된 에너지 이미지 데이터에 기초하여, 특정 에너지 이미지 데이터의 유형을 분류하도록 상기 딥러닝 모델을 학습시킬 수 있다.

그리고, 상기 하나 이상의 프로세서는, 상기 증강된 에너지 시계열 데이터 및 상기 증강된 에너지 이미지 데이터에 기초하여 i) 에너지 소비량 및 발전량의 예측 정보 및 ii) 상기 에너지 데이터와 관련된 이상 탐지 정보를 출력하도록 상기 딥러닝 모델을 학습시킬 수 있다.

그리고, 상기 하나 이상의 프로세서는, 상기 딥러닝 모델을 구성하기 위한 복수의 레이어 구조에 대한 정보 및 상기 딥러닝 모델의 학습을 위한 파라미터에 기초한 초기 유전자를 저장하며, 상기 초기 유전자와 제1 유전자 및 제2 유전자 각각을 교배함으로써 상기 딥러닝 모델의 학습을 위해 최적화된 파라미터를 도출할 수 있다.

그리고, 상기 제1 유전자는, 목적 함수에 기초하여 상기 딥러닝 모델의 성능을 향상시키기 위한 파라미터를 포함하고, 상기 제2 유전자는, 하나 이상의 랜덤 파라미터를 포함할 수 있다.

그리고, 상기 복수의 레이어 구조에 대한 정보는, 상기 복수의 레이어의 수, 상기 복수의 레이어 중 컨볼루션(convolution) 레이어의 커널(kernel) 크기, 보폭, 맥스 풀링(Max Pooling), 및 평균 풀링(Average Pooling)을 포함할 수 있다.

이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.

이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.

본 개시의 전술한 과제 해결 수단에 의하면, 에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 방법과 시스템이 제공될 수 있다.

그리고, 본 개시의 전술한 과제 해결 수단에 의하면, 사용자, 소비자, 생산자 등 에너지가 생성되는 말단 영역에 존재하는 엣지 컴퓨팅 내에 있는 딥러닝 모델로 입력 값을 처리하기 때문에 초저지연으로 서비스가 제공될 수 있다.

그리고, 본 개시의 전술한 과제 해결 수단에 의하면, 에너지 데이터에 맞추어 딥러닝 모델의 구조, 유닛 수 등 딥러닝 모델의 파라미터를 최적화하였으므로, 사용자는 개인화된 딥러닝 모델을 이용하여 에너지 데이터를 처리할 수 있다.

또한, 본 개시의 전술한 과제 해결 수단에 의하면, 에너지 데이터에 맞추어 딥러닝 모델을 학습하기 위한 학습 파라미터를 최적화하으므로, 딥러닝 모델의 성능을 향상시킬 수 있다.

또한, 본 개시의 전술한 과제 해결 수단에 의하면, 엣지 컴퓨팅을 기반으로 딥러닝 모델을 운영하기 때문에 네트워크 인프라가 열악한 지역에서도 에너지 데이터를 처리할 수 있다.

또한, 본 개시의 전술한 과제 해결 수단에 의하면, 유전 알고리즘을 기반으로한 자동화된 머신러닝 기술을 고도화할 수 있다.

또한, 본 개시의 전술한 과제 해결 수단에 의하면, 중앙 서버를 거치지 않고 엣지 컴퓨팅에서 처리하기 때문에 네트워크 트래픽을 절감시킬 수 있다.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시예에 따른, 에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 방법과 시스템을 간략히 도시한 블록도이다.
도 2는 본 개시의 일 실시예에 따른, 엣지 컴퓨팅 서버의 세부 구성을 도시한 블록도이다.
도 3은 본 개시의 일 실시예에 따른, 에너지 데이터 중 시계열 데이터 및 이미지 데이터를 저장하는 데이터 저장부와 시계열 데이터를 이미지로 변환하여 저장하는의 흐름을 보여주는 도면이다.
도 4는 본 개시의 일 실시예에 따른, 개인화된 인공지능 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시예에 따른, 개인화된 인공지능 모델을 생성하기 위한 최적 파라미터를 설정하기 위한 유전 알고리즘부의 제어 방법을 설명하기 위한 도면이다.
도 6는 본 개시의 일 실시예에 따른, 유전 알고리즘부의 세대 및 유전자와 파라미터 저장부를 예시하는 도면이다.

본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.

또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.

단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.

각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.

이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.

본 명세서에서 '본 개시에 따른 엣징 컴퓨터 서버'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 엣징 컴퓨터 서버는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.

여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.

상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.

상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.

본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/ 또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도 형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.

본 개시의 예시적인 실시예에 따르면, 프로세서는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력데이터)의 해답(출력데이터)이 정해져 있는 지도학습(supervised learning), 및 출력데이터 없이 입력데이터만 제공되어 문제(입력데이터)의 해답(출력데이터)이 정해지지 않는 비지도학습(unsupervised learning), 및 현재의 상태(State)에서 어떤 행동(Action)을 취할 때마다 외부 환경에서 보상(Reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning)으로 구분될 수 있다. 또한, 인공지능의 방법론은 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있는데, 널리 이용되는 딥러닝 기술의 아키텍처는, 합성곱신경망(CNN; Convolutional Neural Network), 순환신경망(RNN; Recurrent Neural Network), 트랜스포머(Transformer), 생성적 대립 신경망(GAN; generative adversarial networks) 등으로 구분될 수 있다.

본 장치와 시스템은 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 예시적으로, 장치는 input layer, hidden layer, output layer를 포함할 수 있다. 장치를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다.

프로세서는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 프로세서는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서를 포함할 수 있다. 예를 들어 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다.

뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.

본 개시의 예시적인 실시예에 따르면, 프로세서는 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다. 이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.

본 개시를 설명함에 있어서, “유전 알고리즘”은 생물의 진화과정 인 자연선택(natural selection)과 유전법칙을 모방한 확률적 탐색 기법을 의미한다. 즉, “유전 알고리즘”은 미지의 함수 Y = f(x)를 최적화하는 해 x를 찾기 위한, 진화를 모방한(Simulated evolution) 탐색 알고리즘을 의미할 수 있다.

일반적으로 유전 알고리즘은 선택, 교차, 변이, 대치 등의 연산으로 구성된다. 선택은 한 세대에서 다음 세대로 전해지는 해의 후보가 되는 해들을 선택하는 연산을 의미한다. 교차는 세대 내에서의 교배를 통해 다음 세대를 생성하는 연산을 의미한다. 변이 연산은 주어진 해의 유전자 내의 유전 인자의 순서 혹은 값이 임의로 변경되어 다른 해로 변형되는 연산을 의미한다. 교차·변이 등을 거쳐서 만들어진 새로운 해를 해집단에 추가하고, 기존 해 중 열등한 해를 가려내서 제외시키는 연산을 의미한다.

본 개시를 설명함에 있어서, “에너지 이미지 데이터”는 에너지의 소비량, 발전량, 에너지 효율, 에너지의 제어 과정 등을 나타내는 이미지 데이터를 의미한다.

예로, 에너지 이미지 데이터는 전력, 태양광, 풍력, 수력, 화력 등 다양한 유형의 소비량, 발전량, 에너지 효율, 에너지의 제어 과정을 나타내는 이미지 데이터를 의미한다.

“에너지 시계열 데이터”는 시간의 흐름에 따라 변화하는 에너지 제어 과정, 에너지 소비량, 에너지 발전량, 에너지 효율을 나타내는 수치 데이터를 의미한다.

이하에서는 도면을 참조하여 본 개시를 구체적으로 설명하도록 한다.

도 1은 본 개시의 일 실시예에 따른, 유전 알고리즘에 기초한 개인화된 딥러닝 모델을 운영하는 시스템(1000)의 개략도이다.

도 1에 도시된 바와 같이, 유전 알고리즘에 기초한 개인화된 딥러닝 모델을 운영하는 시스템(1000)은, 엣지 컴퓨팅 서버(100), 에너지 수집 센서(200), 및 에너지 시스템 관리 장치(300)을 포함할 수 있다.

여기서, 도 1에는 엣지 컴퓨팅 서버(100), 에너지 수집 센서(200) 및 에너지 시스템 관리 장치(300)가 하나의 장치로 구현된 경우를 도시되어 있으나, 이에 한정되는 것은 아니다. 엣지 컴퓨팅 서버(100), 에너지 수집 센서(200) 및 에너지 시스템 관리 장치(300)는 상술한 바와 같이 다양한 유형의 장치 또는 하나 이상의 유형의 장치가 연결된 장치 군을 의미할 수 있다.

시스템(1000)에 포함된 엣지 컴퓨팅 서버(100), 에너지 수집 센서(200) 및 에너지 시스템 관리 장치(300)은 네트워크(W)를 통해 통신을 수행할 수 있다. 여기서, 네트워크(W)는 유선 네트워크와 무선 네트워크를 포함할 수 있다. 예를 들어, 네트워크는 근거리 네트워크(LAN: Local Area Network), 도시권 네트워크(MAN: Metropolitan Area Network), 광역 네트워크(WAN: Wide Area Network) 등의 다양한 네트워크를 포함할 수 있다.

또한, 네트워크(W)는 공지의 월드 와이드 웹(WWW: World Wide Web)을 포함할 수도 있다. 그러나, 본 개시의 실시예에 따른 네트워크(W)는 상기 열거된 네트워크에 국한되지 않고, 공지의 무선 데이터 네트워크나 공지의 전화 네트워크, 공지의 유무선 텔레비전 네트워크를 적어도 일부로 포함할 수도 있다.

엣지 컴퓨팅 서버(100)은 사용자, 소비자, 생산자 등 다양한 말단 영역에 존재할 수 있는 컴퓨팅 서버를 의미할 수 있다. 엣지 컴퓨팅 서버(100)는 말단의 영역에 존재하므로 중앙 클라우드보다는 낮은 컴퓨팅 자원을 가질 수 있다. 다만, 엣지 컴퓨팅 서버(100)는 경량화된 딥러닝 모델이나 개인화된 딥러닝 모델을 운영할 수 있으며, CPU 및 GPU를 포함함으로써 인공지능 애플리케이션을 수행 및 지원할 수 있다.

엣지 컴퓨팅 서버(100)는 적어도 하나의 에너지 수집 센서(200) 및 에너지 시스템 관리 장치(300)로부터 각종 에너지 데이터를 수신할 수 있다. 엣지 컴퓨팅 서버(100)는 수집된 에너지 데이터에 기초하여 딥러닝 모델을 학습시킬 수 있다.

적어도 하나의 에너지 수집 센서(200)는 복수의 유형의 센서로 구성되며, 각 센서로부터 다양한 유형의 에너지 데이터를 수신받을 수 있다. 또한, 적어도 하나의 에너지 수집 센서(200)는 에너지 소비, 발전량 등과 같은 에너지 데이터를 예측하는데 도움이되는 다변량 데이터(예로, 온도, 습도 등)를 같이 수집할 수도 있다.

또한, 에너지 시스템 관리 장치(300)는 전력, 태양광, 수력, 화력 등을 생산 및 관리하는 에너지 관련 설비로부터 각종 에너지 데이터를 수집할 수 있다.

도 2는 본 개시의 일 실시예에 따른, 유전 알고리즘에 기초한 개인화된 딥러닝 모델을 운영하는 엣지 컴퓨팅 엣지 컴퓨팅 장치(100)의 구성을 설명하기 위한 블록도이다.

도 2에 도시된 바와 같이, 엣지 컴퓨팅 장치(100)는 메모리(110), 통신 모듈(120), 디스플레이(130), 입력 모듈(140) 및 프로세서(150)를 포함할 수 있다. 다만, 이에 국한되는 것은 아니며, 엣지 컴퓨팅 장치(100)는 필요한 동작에 따라 당업자 관점에서 자명한 범위 내에서 소프트웨어 및 하드웨어 구성이 수정/추가/생략될 수 있다.

메모리(110)는 본 엣지 컴퓨팅 장치(100)의 다양한 기능을 지원하는 데이터와, 프로세서(150)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 에너지 데이터, 에너지 데이터와 관련된 다변량 데이터, 딥러닝 데이터를 구성하는 복수의 레이어 구조에 대한 정보 등)을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 엣지 컴퓨팅 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.

이러한, 메모리(110)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive 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 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

또한, 메모리(110)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스를 포함할 수 있다. 즉, 도 1에 도시된 데이터 베이스는 메모리(110)의 일 구성 요소로 구현될 수 있다.

통신 모듈(120)는 외부 장치(예로, 에너지 수집 센서 및 에너지 시스템 관리장치)와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.

유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.

무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.

디스플레이(130)는 본 엣지 컴퓨팅 장치(100)에서 처리되는 정보(예를 들어, 에너지 데이터, 에너지 데이터와 관련된 다변량 데이터, 딥러닝 데이터를 구성하는 복수의 레이어 구조에 대한 정보 등)를 표시(출력)한다. 예를 들어, 디스플레이는 본 엣지 컴퓨팅 장치(100)에서 구동되는 응용 프로그램(일 예로, 어플리케이션)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

입력 모듈(140)는 사용자로부터 정보를 입력받기 위한 것으로서, 사용자 입력부를 통해 정보가 입력되면, 프로세서(150)는 입력된 정보에 대응되도록 본 엣지 컴퓨팅 장치(100)의 동작을 제어할 수 있다.

이러한, 입력 모듈(140)은 하드웨어식 물리 키(예를 들어, 본 장치의 전면, 후면 및 측면 중 적어도 하나에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 소프트웨어식 터치 키를 포함할 수 있다. 일 예로서, 터치 키는, 소프트웨어적인 처리를 통해 터치스크린 타입의 디스플레이(130) 상에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.

프로세서(150)는 엣지 컴퓨팅 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 구체적으로, 프로세서(150)는 본 엣지 컴퓨팅 장치(100) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.

또한, 프로세서(150)는 이하의 도 3 내지 도 6에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 엣지 컴퓨팅 장치(100) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.

프로세서(150)는 엣지 컴퓨팅 서버(100)의 각종 기능을 제어하는 에너지 데이터 수집부, 에너지 데이터 저장부, 에너지 데이터 변환부, 딥러닝 모델부, 하이퍼 파라미터 저장부, 유전 알고리즘부를 관리할 수 있다. 여기서, 에너지 데이터 저장부 및 하이퍼 파라미터 저장부는 메모리(110)의 일 구성요소일 수 있다.

구체적으로, 에너지 데이터 수집부는 적어도 하나의 에너지 수집 센서 및/또는 에너지 시스템으로부터 에너지 데이터를 수신받을 수 있다. 적어도 하나의 에너지 수집 센서 및/또는 에너지 시스템으로부터 수신된 에너지 데이터는 에너지 데이터 저장부에 저장될 수 있다.

도 3을 참조하면, 에너지 데이터 수집부에서 수집된 에너지 시계열 데이터 또는/및 에너지 이미지 데이터는 에너지 데이터 저장부에 저장될 수 있다. 이 때, 에너지 데이터 저장부는 수신된 데이터를 딥러닝 모델부의 학습에 필요한 포맷으로 변경하여 저장할 수 있다.

또한, 딥러닝 모델부의 학습에 필요한 포맷으로 변경하는 과정은 정규화, 표준화, 특징 선택과 같은 전처리 또는/및 (이미지 데이터의 경우) 회전, 자르기, 뒤집기과 같은 전처리가 포함될 수 있다. 유전 알고리즘부에 의해 최적 전처리 방법이 추천될 수 있으며, 추천된 최적 전처리 방법이 적용될 수 있다.

또한, 에너지 데이터 변환부는 시계열 데이터를 더 활용하기 위하여 Gramian Angular Field(GAF), Markov Transition Field(MTF), Recurrence Plot(RP), Spectrogram(SP), Scalgoram(SC) 등과 같은 알고리즘을 사용하여 이미지로 변환할 수 있으며, 딥러닝 모델부는 이를 학습 데이터/추론 데이터로 활용할 수 있다.

또한, 딥러닝 모델부는 에너지 데이터를 활용하여 학습이 가능한 딥러닝 모델로 구성되어 있다. 해당 딥러닝 모델은 Recurrent Nerual Network(RNN), Long Short Term Memory(LSTM), Gated Recurrent Unit(GRU), Temporal Convolutional Network(TCN) 등 시계열 데이터에 특화된 딥러닝 모델일 뿐만 아니라 Convolutional Neural Network (CNN) 기반의 다양한 이미지 데이터에 특화된 딥러닝 모델을 포함할 수 있다.

딥러닝 모델부는 모델 전체를 학습할 수 있으며 이미 잘 학습된 가중치(Weights) 및 편향(Bias)를 전이 학습기법을 이용하거나 유전 알고리즘부에 의해 딥러닝 모델의 레이어 구조, 레이어 유닛 수, 학습할 레이어 계층 및 딥러닝 모델 또한 최적화될 수 있다.

여기서, 최적화되어 개인화된 인공지능 모델의 구조, 레이어 유닛 수, 가중치와 편향은 하이퍼 파라미터 저장부에 저장될 수 있으며 하이퍼 파라미터 저장부에는 개인화된 인공지능 모델을 학습하는데 사용되는 배치사이즈, 최적함수, 학습률, 드롭아웃 계수 등도 저장될 수 있다.

도 4 및 도 5는 본 개시의 일 실시예에 따른, 최적 파라미터를 도출하는 전체 흐름을 예시한다.

도 4를 참조하면, 에너지 데이터 저장부에 저장되어 있는 에너지 시계열 데이터 또는 에너지 이미지 데이터에서 포맷 변환된 에너지 시계열 데이터는 복수의 딥러닝 모델 중 Recurrent Nerual Network (RNN), Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), Temporal Convolutional Network (TCN) 등 시계열 데이터에 특화된 딥러닝 모델에 입력/적용될 수 있다.

또 다른 예로, 에너지 이미지 데이터는 복수의 딥러닝 모델 중 Convolutional Neural Network (CNN) 등 다양한 이미지 데이터에 특화된 딥러닝 모델에 입력/적용될 수 있다. 에너지 데이터 변환부에 의해 변환된 이미지 데이터는 이미지 데이터 특화 딥러닝 모델에 입력/적용될 수 있다.

또한, 딥러닝 모델 유형에 따라 개별적으로 설정된 초기 파라미터에 기초한 딥러닝 모델은 유전 알고리즘부를 이용하여 최적의 유전자를 도출하며, 도출된 최적의 파라미터에 기초하여 개인화된 딥러닝 모델이 도출/학습될 수 있다.

구체적으로, 도 5를 참조하면, 딥러닝 모델의 유형에 따라 개별적으로 설정된 초기 파라미터 각각은 미리 정의된 임의의 범위 내의 임의의 값으로 설정될 수 있다.

엣지 컴퓨팅 서버는 각 유전자의 특성에 따라 딥러닝 모델부의 파라미터를 입력하고 목적 함수(Fitness Function)를 비교할 수 있다. 목적 함수는 Mean Square Error(MSE), Mean Absolute Error(MAE) 등 딥러닝 모델의 손실 함수가 사용되어 딥러닝 모델의 성능을 비교할 수 있으며 사용자의 선택 또한 반영될 수 있다.

엣지 컴퓨팅 서버는 목적 함수를 통해 평가된 성능으로 상위 성능 유전자를 선별하고, 선별된 유전자의 파라미터를 균등하게 또는 임의의 비율로 섞어 새로운 유전자를 생성할 수 있다.

이 때, 엣지 컴퓨팅 서버는 생성된 유전자의 랜덤 파라미터에 임의의 확률로 최초에 설정하였던 최소, 최대 값의 범위를 적용하거나 범위 외의 값으로 변이 유전자를 생성할 수 있다. 엣지 컴퓨팅 서버는 생성된 변이 유전자를 새로운 유전자에 반영할 수 있다.

이를 통해, 엣지 컴퓨팅 서버는 다음 세대 유전자를 생성하고 앞선 방법을 반복하며 일정 목적 함수의 성능을 달성할 경우 도출된 최적 파라미터를 하이퍼 파라미터 저장부에 저장하며 개인화된 딥러닝 모델을 도출/학습시킬 수 있다. 도 6에 도시된 바와 같이, 엣지 컴퓨팅 서버는 유전 알고리즘에 기초하여 딥러닝 모델을 구성하는 파라미터를 최적화하기 위한 변이 값(mutation value)을 도출할 수 있다.

상기와 같은 에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 방법을 수행하는 경우, 사용자는 개인화된 에너지 딥러닝 모델을 소유하여 에너지 소비 예측과 같은 에너지 관리를 통해 에너지 효율을 향상시킬 수 있고, 초저지연으로 에너지 관련 문제를 처리할 수 있다.

도 7은 본 개시의 일 실시예에 따른, 에너지 데이터를 활용하기 위한 유전 알고리즘 기반 엣지 컴퓨팅 내 개인화된 딥러닝 모델 운용 시스템을 실행하기 위한 방법을 나타내는 순서도이다.

적어도 하나의 에너지 수집 센서는 제1 에너지 데이터, 및 제1 에너지 데이터와 연관된 다변량 데이터를 수집할 수 있다(S710).

구체적으로, 적어도 하나의 에너지 수집 센서는 다양한 유형의 센서를 통해 제1 에너지 데이터를 획득할 수 있다. 여기서, 제1 에너지 데이터는 제1 에너지 이미지 데이터 및 제1 에너지 데이터와 관련된 다변량 데이터를 포함할 수 있다. 다변량 데이터는 제1 데이터 데이터의 활용을 향상시키기 위한 온도 및 습도 데이터를 포함할 수 있다.

에너지 시스템 관리 장치는 다양한 유형의 에너지 설비 시스템을 제어하는 장치로부터 제2 에너지 데이터를 수신할 수 있다(S720).

구체적으로, 에너지 시스템 관리 장치는 전력, 태양광, 풍력, 수력, 화력 등 다양한 에너지 설비 시스템과 통신을 수행할 수 있다. 에너지 시스템은 전력, 태양광, 풍력, 수력, 화력 등 다양한 에너지 설비 시스템이 수집한 데이터를 획득할 수 있다. 제2 에너지 데이터 역시 에너지 시계열 데이터 및 에너지 이미지 데이터를 포함할 수 있다.

엣지 컴퓨팅 서버는 적어도 하나의 에너지 수집 센서로부터 제1 에너지 데이터 및 다변량 데이터를 획득하고, 에너지 시스템 관리 장치로부터 제2 에너지 데이터를 획득할 수 있다(S730). 엣지 컴퓨팅 서버는 제1 에너지 데이터, 다변량 데이터, 및 제2 에너지 데이터에 기초하여 딥러닝 모델을 학습 시킬 수 있다.

엣지 컴퓨팅 서버는 제1 에너지 데이터 및 제2 에너지 데이터 각각에 포함된 에너지 시계열 데이터 및 에너지 이미지 데이터를 증강(augment)할 수 있다. 예를 들어, 엣지 컴퓨팅 서버는 에너지 이미지 데이터를 회전하거나 크기를 변경함으로써 에너지 이미지 데이터를 증강할 수 있다. 또 다른 예로, 엣지 컴퓨팅 서버는 에너지 시계열 데이터에서 딥러닝 모델에 필요한 영역만 편집 및 변환함으로써 에너지 시계열 데이터를 증강할 수 있다.

엣지 컴퓨팅 서버는 증강된 에너지 시계열 데이터 및 증강된 에너지 이미지 데이터에 대해 전처리를 수행할 수 있다. 예로, 엣지 컴퓨팅 서버는 증강된 이미지 데이터를 정규화함으로써 전처리할 수 있다.

본 개시의 또 다른 예로, 엣지 컴퓨팅 서버는 증강된 에너지 시계열 데이터를 추가적인 에너지 이미지 데이터로 변환할 수 있다. 엣지 컴퓨팅 서버는 추가적인 에너지 이미지 데이터 및 증강된 에너지 이미지 데이터에 기초하여, 특정 에너지 이미지 데이터의 유형을 분류하도록 딥러닝 모델을 학습시킬 수 있다.

예로, 특정 에너지 이미지 데이터가 입력되면, 학습된 딥너링 모델은 특정 에너지 이미지 데이터의 유형을 분류하고, 분류된 이미지 데이터를 통해 i) 에너지 소비량 및 발전량의 예측 정보 및 ii) 상기 에너지 데이터와 관련된 이상 탐지 정보를 출력할 수 있다.

또 다른 예로, 엣지 컴퓨팅 서버는 증강된 에너지 시계열 데이터 및 증강된 에너지 이미지 데이터에 기초하여 i) 에너지 소비량 및 발전량의 예측 정보 및 ii) 에너지 데이터와 관련된 이상 탐지 정보를 출력하도록 딥러닝 모델을 학습시킬 수 있다.

한편, 엣지 컴퓨팅 서버는 딥러닝 모델을 구성하기 위한 복수의 레이어 구조에 대한 정보 및 딥러닝 모델의 학습을 위한 파라미터에 기초한 초기 유전자를 저장할 수 있다. 즉, 엣지 컴퓨팅 서버는 복수의 레이어 구조에 대한 정보 및 딥러닝 모델의 학습을 위한 파라미터를 초기 유전자로 선택함으로써 유전자 알고리즘 중 선택 연산을 수행할 수 있다.

여기서, 복수의 레이어 구조에 대한 정보는, 복수의 레이어의 수, 복수의 레이어 중 컨볼루션(convolution) 레이어의 커널(kernel) 크기, 보폭, 맥스 풀링(Max Pooling), 및 평균 풀링(Average Pooling)을 포함할 수 있다.

엣지 컴퓨팅 서버는 초기 유전자와 제1 유전자 및 제2 유전자 각각을 교배(또는, 교차)함으로써 딥러닝 모델의 학습을 위해 최적화된 파라미터를 도출할 수 있다. 여기서, 제1 유전자는, 목적 함수에 기초하여 딥러닝 모델의 성능을 향상시키기 위한 파라미터를 포함하고, 제2 유전자는, 하나 이상의 랜덤 파라미터를 포함할 수 있다.

초기 유전자와 제1 유전자를 교배하는 것은 목적 함수에 기초하여 상위 성능을 도출하는 새로운 유전자를 교배하기 위함이다. 즉, 엣지 컴퓨팅 서버는 딥러닝 모델의 학습을 위한 초기 파라미터와 목적 함수에 기초하여 딥러닝 모델의 성능을 향상시키기 위한 파라미터 간의 연산을 수행하여 딥러닝 모델에 대해 최적화된 파라미터를 도출할 수 있다.

그리고, 초기 유전자와 제2 유전자를 교배하는 것은 변이 유전자를 생성하기 위함이다. 변이 연산은 주어진 해의 유전자 내의 유전 인자의 순서 혹은 값이 임의로 변경되어 다른 해로 변형되는 연산을 의미하는 바, 제2 유전자는 미리 설정된 범위 내에서 결정된 임의의 값을 의미한다.

한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.

컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.

이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

100: 장치
110: 메모리
120: 통신 모듈
130: 디스플레이
140: 입력 모듈
150 : 프로세서

Claims (16)

1. 유전 알고리즘에 기초한 개인화된 딥러닝 모델을 운영하는 엣지 컴퓨팅 서버에 있어서, 상기 엣지 컴퓨팅 서버는:
   하나 이상의 통신 모듈;
   하나 이상의 메모리(memory); 및
   하나 이상의 프로세서를 포함하고,
   상기 하나 이상의 프로세서는,
   적어도 하나의 에너지 수집 센서로부터 제1 에너지 데이터 및 상기 제1 에너지 데이터와 관련된 다변량 데이터를 획득하고;
   에너지 시스템 관리 장치로부터 제2 에너지 데이터를 획득하고; 및
   상기 제1 에너지 데이터, 상기 다변량 데이터, 및 상기 제2 에너지 데이터에 기초하여 i) 에너지 소비량 및 발전량의 예측 정보 및 ii) 상기 에너지 데이터와 관련된 이상 탐지 정보를 출력하도록 상기 딥러닝 모델을 학습시키도록 설정되고,
   상기 제1 에너지 데이터는 에너지 시계열 데이터 및 에너지 이미지 데이터를 포함하고,
   상기 제2 에너지 데이터는 에너지 시계열 데이터 및 에너지 이미지 데이터를 포함하고,
   상기 하나 이상의 프로세서는,
   상기 딥러닝 모델을 구성하기 위한 복수의 레이어 구조에 대한 정보 및 상기 딥러닝 모델의 학습을 위한 파라미터에 기초한 초기 유전자를 저장하며,
   상기 초기 유전자와 제1 유전자 및 제2 유전자 각각을 교배함으로써 상기 딥러닝 모델의 학습을 위해 최적화된 파라미터를 도출하고,
   상기 제1 유전자는, 목적 함수에 기초하여 상기 딥러닝 모델의 성능을 향상시키기 위한 파라미터를 포함하고,
   상기 제2 유전자는, 하나 이상의 랜덤 파라미터를 포함하는, 엣지 컴퓨팅 서버.
2. 제1항에 있어서,
   상기 하나 이상의 프로세서는,
   상기 에너지 시계열 데이터 및 상기 에너지 이미지 데이터를 증강하고,
   상기 증강된 에너지 시계열 데이터 및 상기 증강된 에너지 이미지 데이터에 대해 전처리를 수행하는, 엣지 컴퓨팅 서버.
3. 제2항에 있어서,
   상기 하나 이상의 프로세서는,
   상기 에너지 이미지 데이터를 회전하거나 크기를 변경함으로써 상기 에너지 이미지 데이터를 증강하고,
   상기 증강된 에너지 이미지 데이터를 정규화하여 전처리하는, 엣지 컴퓨팅 서버.
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 제1항에 있어서,
   상기 복수의 레이어 구조에 대한 정보는, 상기 복수의 레이어의 수, 상기 복수의 레이어 중 컨볼루션(convolution) 레이어의 커널(kernel) 크기, 보폭, 맥스 풀링(Max Pooling), 및 평균 풀링(Average Pooling)을 포함하는, 엣지 컴퓨팅 서버.
9. 엣지 컴퓨팅 서버에 의해 수행되는, 유전 알고리즘에 기초한 개인화된 딥러닝 모델을 운영하는 방법에 있어서, 상기 방법은:
   적어도 하나의 에너지 수집 센서로부터 제1 에너지 데이터 및 상기 제1 에너지 데이터와 관련된 다변량 데이터를 획득하고, 에너지 시스템 관리 장치로부터 제2 에너지 데이터를 획득하는 단계; 및
   상기 제1 에너지 데이터, 상기 다변량 데이터, 및 상기 제2 에너지 데이터에 기초하여 i) 에너지 소비량 및 발전량의 예측 정보 및 ii) 상기 에너지 데이터와 관련된 이상 탐지 정보를 출력하도록 상기 딥러닝 모델을 학습시키는 단계를 포함하고,
   상기 제1 에너지 데이터는 에너지 시계열 데이터 및 에너지 이미지 데이터를 포함하고,
   상기 제2 에너지 데이터는 에너지 시계열 데이터 및 에너지 이미지 데이터를 포함하고,
   상기 학습시키는 단계는,
   상기 딥러닝 모델을 구성하기 위한 복수의 레이어 구조에 대한 정보 및 상기 딥러닝 모델의 학습을 위한 파라미터에 기초한 초기 유전자를 저장하는 단계; 및
   상기 초기 유전자와 제1 유전자 및 제2 유전자 각각을 교배함으로써 상기 딥러닝 모델의 학습을 위해 최적화된 파라미터를 도출하는 단계를 포함하고,
   상기 제1 유전자는, 목적 함수에 기초하여 상기 딥러닝 모델의 성능을 향상시키기 위한 파라미터를 포함하고,
   상기 제2 유전자는, 하나 이상의 랜덤 파라미터를 포함하는, 방법.
10. 제9항에 있어서,
    상기 딥러닝 모델의 학습을 위해, 상기 에너지 시계열 데이터 및 상기 에너지 이미지 데이터는 증강되고, 상기 증강된 에너지 시계열 데이터 및 상기 증강된 에너지 이미지 데이터는 전처리되는, 방법.
11. 제10항에 있어서,
    상기 에너지 이미지 데이터는, 상기 에너지 이미지 데이터를 회전하거나 크기를 변경함으로써 증강되고,
    상기 증강된 에너지 이미지 데이터는, 정규화를 통해 전처리되는, 방법.
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 제9항에 있어서,
    상기 복수의 레이어 구조에 대한 정보는, 상기 복수의 레이어의 수, 상기 복수의 레이어 중 컨볼루션(convolution) 레이어의 커널(kernel) 크기, 보폭, 맥스 풀링(Max Pooling), 및 평균 풀링(Average Pooling)을 포함하는, 방법.

Images