KR102658508B1 - 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법 - Google Patents

기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법 Download PDF

Info

Publication number
KR102658508B1
KR102658508B1 KR1020220096594A KR20220096594A KR102658508B1 KR 102658508 B1 KR102658508 B1 KR 102658508B1 KR 1020220096594 A KR1020220096594 A KR 1020220096594A KR 20220096594 A KR20220096594 A KR 20220096594A KR 102658508 B1 KR102658508 B1 KR 102658508B1
Authority
KR
South Korea
Prior art keywords
temperature
air conditioning
conditioning equipment
time
heat source
Prior art date
Application number
KR1020220096594A
Other languages
English (en)
Other versions
KR20240018816A (ko
Inventor
박문기
김선혜
Original Assignee
주식회사 빌딩사이언스랩스
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 주식회사 빌딩사이언스랩스 filed Critical 주식회사 빌딩사이언스랩스
Priority to KR1020220096594A priority Critical patent/KR102658508B1/ko
Publication of KR20240018816A publication Critical patent/KR20240018816A/ko
Application granted granted Critical
Publication of KR102658508B1 publication Critical patent/KR102658508B1/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
    • 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
    • F24F1/00—Room units for air-conditioning, e.g. separate or self-contained units or units receiving primary air from a central station
    • F24F1/0007—Indoor units, e.g. fan coil units
    • F24F1/00077—Indoor units, e.g. fan coil units receiving heat exchange fluid entering and leaving the unit as a liquid
    • 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
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
    • F24F5/0007—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning
    • F24F5/0014—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning using absorption or desorption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/20—Feedback from users
    • 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
    • F24F2140/00—Control inputs relating to system states

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Sustainable Development (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명의 실시예에 따른 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템을 제공한다. 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템은 냉온수 유닛과 공조설비를 포함하는 열원공조설비의 운전상태, 외기온도, 실내온도 및 상기 냉온수 유닛의 출구온도에 대한 과거의 데이터를 저장하는 데이터베이스부, 시간에 따른 외기온도를 학습시켜 익일 외기온도를 예측하는 제1 모델을 학습시키는 제1 학습부 및 상기 데이터베이스부에 저장된 과거의 데이터를 입력값으로 하고, 상기 열원공조설비의 운전상태를 출력값으로 설정한 제2 모델을 학습시키는 제2 학습부를 포함하고, 상기 제2 학습부는 상기 제1 학습부에 의해 예측된 상기 익일 외기온도, 시간, 사용자가 설정한 설정온도와 설정시간, 실내온도 및 상기 냉온수 유닛의 출구온도를 입력값으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출한다.

Description

기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법{Optimal control method of HVAC systems based on machine learning models}
본 발명은 다양한 영역들 간의 온도 변화를 고려하여 열원공조설비의 기동 시간 및 정지 시간을 추출하는 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법에 대한 것이다.
국내에서 소비되는 에너지의 41.7%가 건축물에서 소비되며, 그 중 업무시설의 냉난방 및 공조 에너지 소비량은 전체 소비량의 47.3%를 차지한다. 2030 국가 온실가스 감축 로드맵에 따라 우리나라는 온실가스 배출전망치(BAU) 대비 37%의 감축목표를 지정하였다. 온실가스 감축을 위해 열관류율 및 신재생 에너지 도입비율 강화, 고효율장비 도입 등와 같이 고효율 건물의 축조 및 BEMS(Building Energy Management System)를 도입하여 효과적인 건물 제어를 통해 시공단계부터 유지관리 단계까지 에너지를 절감하도록 유도하고 있다. BEMS의 기능은 크게 데이터 표시, 정보감시, 정보조회, 에너지 소비 분석, 설비 성능 및 효율분석, 실내외 환경 정보 제공, 에너지소비량 예측, 비용분석, 제어시스템 연동 9가지로 구분된다.
다만, 유지관리 인력의 43.2%가 초급기술자들로 이루어져 있으며, 유지관리 업체 또한 83.7%가 서울, 경기에 분포하고 있다. 이로 인해 설비를 운전하는 현장관리자가 BEMS의 기능을 제대로 사용하지 못하는 문제가 존재한다. BEMS의 최적 운전 제어 기능의 경우 적응쾌적제어, 수요관리제어, 요금제 변동제어, 대수제어 등 설비가 기동되고 난 후의 에너지 절감에 초점이 맞추어져 있다. 또한 설비의 기동시간에 대한 알고리즘은 스케줄 제어가 대부분이며, 스케쥴을 반복적으로 입력해야 하는 불편함과 숙련된 설비관리자의 부재와 같은 문제로 인해 기적용된 스케줄 제어도 잘 사용되지 않는 문제점이 있다. 설비 기동의 경우 열원과 공조기, 실내 존 사이의 타임랙(Time-lag)이 존재하기 때문에 설정온도를 맞추기 위해 일괄적으로 목표시간보다 1~2시간 먼저 열원을 기동시키고 있다. 이는 경험에 의존하여 관습적으로 설비를 기동/정지하는 것으로 보수적으로 기동시각이 산정되어 실내온도가 설정온도에 도달하는 시각이 목표시각보다 일찍 도달하여 에너지가 과소비 되는 경향이 있다.
본 발명의 기술적 과제는 예측된 익일 외기온도에 기초하여 열원공조설비의 최적화된 기동 시간 및 정지 시간을 도출하는 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템을 제공하는 것이다.
본 발명의 기술적 과제는 냉온수 유닛과 공조설비의 최적화된 기동 시간 및 정지 시간을 도출하되 복수의 영역들 각각과 매칭되는 공조설비들 간의 최적화된 구동량을 도출하는 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템을 제공하는 것이다.
본 발명의 실시예에 따른 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템을 제공한다. 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템은 냉온수 유닛과 공조설비를 포함하는 열원공조설비의 운전상태, 외기온도, 실내온도 및 상기 냉온수 유닛의 출구온도에 대한 과거의 데이터를 저장하는 데이터베이스부, 시간에 따른 외기온도를 학습시켜 익일 외기온도를 예측하는 제1 모델을 학습시키는 제1 학습부 및 상기 데이터베이스부에 저장된 과거의 데이터를 입력값으로 하고, 상기 열원공조설비의 운전상태를 출력값으로 설정한 제2 모델을 학습시키는 제2 학습부를 포함하고, 상기 제2 학습부는 상기 제1 학습부에 의해 예측된 상기 익일 외기온도, 시간, 사용자가 설정한 설정온도와 설정시간, 실내온도 및 상기 냉온수 유닛의 출구온도를 입력값으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출한다.
일 예에 의하여, 상기 열원공조설비의 운전상태는 상기 냉온수 유닛과 상기 공조설비의 온/오프 및 상기 공조설비의 구동량을 포함한다.
일 예에 의하여, 상기 제2 학습부는 상기 데이터베이스부에 저장된 과거의 데이터 중 상기 열원공조설비의 운전상태, 외기온도, 실내온도 및 시간에 기초하여 상기 열원공조설비의 기동 시간 및 상기 공조설비의 구동량을 학습하고, 상기 제2 학습부는 상기 데이터베이스부에 저장된 과거의 데이터 중 상기 열원공조설비의 운전상태, 외기온도, 실내온도, 상기 냉온수 유닛의 출구온도 및 시간에 기초하여 상기 열원공조설비의 정지 시간 및 상기 공조설비의 구동량을 학습한다.
일 예에 의하여, 상기 제2 학습부는 서로 구분된 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 기동된 이후 목표온도에 도달하는 도달시간 또는 상기 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 정지된 이후 목표온도를 유지하는 유지시간을 학습하고, 상기 제2 학습부는 상기 복수의 영역들 중 어느 하나의 영역을 기준으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출한다.
일 예에 의하여, 상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 열원공조설비 구동 제어부는 상기 어느 하나의 영역에 대한 상기 열원공조설비의 기동 시간 또는 정지 시간에 따라 상기 열원공조설비를 제어한다.
일 예에 의하여, 상기 제2 학습부는 상기 어느 하나의 영역의 실내온도가 목표온도에 도달하는 도달시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도에 도달하는 도달시간의 차이를 학습하고, 상기 제2 학습부는 상기 어느 하나의 영역의 실내온도가 목표온도로 유지되는 유지시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도로 유지되는 유지시간의 차이를 학습한다.
일 예에 의하여, 상기 복수의 영역들 각각의 실내온도를 조절하기 위해 상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 열원공조설비 구동 제어부를 더 포함하고, 상기 열원공조설비 구동 제어부는 상기 복수의 영역들 각각의 실내온도가 상기 설정시간에 상기 설정온도에 도달하는 도달시간의 차이 또는 상기 복수의 영역들 각각의 실내온도가 상기 설정시간까지 상기 설정온도로 유지되는 유지시간의 차이에 기초하여 상기 복수의 영역들을 향해 냉/난방 공기를 유동시키는 상기 공조설비들 각각의 구동량 또는 상기 공조설비들 각각의 기동 시간을 제어한다.
일 예에 의하여, 상기 제2 학습부는 상기 공조설비들 각각의 구동량에 따라 상기 복수의 영역들 각각의 실내온도 변화 속도를 사전에 학습한다.
일 예에 의하여, 상기 복수의 영역들 각각의 실내온도를 조절하기 위해 상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 열원공조설비 구동 제어부를 더 포함하고, 상기 열원공조설비 구동 제어부는 상기 어느 하나의 영역의 실내 온도가 상기 설정시간에 상기 설정온도에 도달하는 기준 도달시간 또는 상기 어느 하나의 영역의 실내 온도가 상기 설정시간까지 상기 설정온도로 유지되는 기준 유지시간에 기초하여 상기 냉온수 유닛의 온/오프를 제어하고, 상기 어느 하나의 영역은 상기 복수의 영역들의 상기 도달시간의 평균에 가장 근접한 상기 도달시간을 나타내는 영역을 의미한다.
일 예에 의하여, 상기 제1 학습부는 예측된 상기 익일 외기온도와 기상청에서 제공하는 익일의 예측 외기온도를 서로 비교하고, 상기 제1 학습부는 실내의 난방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 작은 온도값을 최종 익일 외기온도로 사용하고, 실내의 냉방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 큰 온도값을 최종 익일 외기온도로 사용한다.
일 예에 의하여, 상기 제1 학습부는 상기 제1 모델에 의해 예측된 현재 외기온도와 실재 외기온도와의 차이가 기설정값 이상인 경우 기상청에서 제공하는 익일의 예측 외기온도를 최종 익일 외기온도로 사용하고, 상기 제1 학습부는 기상청에서 제공하는 현재 예측 외기온도와 상기 실재 외기온도와의 차이가 기설정값 이상인 경우 상기 제1 모델에 의해 예측되는 상기 익일 외기온도를 최종 익일 외기온도로 사용한다.
일 예에 의하여, 과거의 데이터의 전처리를 수행하는 전처리부를 더 포함하고, 상기 전처리부는 기설정된 시간 간격으로 수집된 외기온도에 대한 과거의 데이터에 결측치가 발생된 경우 기상청에서 제공하는 외기온도의 데이터를 고려하여 외기온도에 대한 과거의 데이터를 보정한다.
일 예에 의하여, 과거의 데이터의 전처리를 수행하는 전처리부를 더 포함하고, 상기 전처리부는 과거의 데이터에 기초하여 실내온도가 목표온도에 도달하기까지 걸린 도달시간 또는 실내온도가 목표온도로 유지되는 유지시간을 도출하고, 상기 도달시간 또는 상기 유지시간에 기초하여 상기 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간에 대한 데이터를 변환한다.
일 예에 의하여, 변환된 상기 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간은 외기온도 및 실내온도와 매칭되어 상기 데이터베이스부에 저장되고, 상기 제2 학습부는 상기 데이터베이스부에 저장된 변환된 상기 열원공조설비의 과거의 기동 시간, 외기온도 및 실내온도를 학습하여 상기 열원공조설비의 기동 시간을 추출하고, 상기 제2 학습부는 상기 데이터베이스부에 저장된 변환된 상기 열원공조설비의 과거의 정지 시간, 외기온도, 실내온도 및 상기 냉온수 유닛의 출구온도를 학습하여 상기 열원공조설비의 정지 시간을 추출한다.
일 예에 의하여, 상기 제1 학습부는 LSTM(Long Short-Term Memory) 알고리즘을 이용하여 상기 제1 모델을 학습시키고, 상기 제2 학습부는 랜덤포레스트(random forest) 알고리즘을 이용하여 상기 제2 모델을 학습시킨다.
본 발명의 실시예에 따른 기계학습모델 기반 열원공조설비 최적화 구동 제어 방법을 제공한다. 기계학습모델 기반 열원공조설비 최적화 구동 제어 방법은 냉온수 유닛과 공조설비를 포함하는 열원공조설비의 운전상태, 외기온도, 실내온도, 상기 냉온수 유닛의 출구온도에 대한 과거의 데이터를 데이터베이스부에 저장하는 단계, 시간에 따른 외기온도를 학습시켜 익일 외기온도를 예측하는 제1 모델을 학습시키는 단계, 상기 데이터베이스부에 저장된 데이터를 입력값으로 하고, 상기 열원공조설비의 운전상태를 출력값으로 설정한 제2 모델을 학습시키는 단계 및 상기 제1 모델에 의해 예측된 상기 익일 외기온도와 사용자가 설정한 설정온도, 현재 실내온도 및 상기 냉온수 유닛의 현재 출구온도를 입력값으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출하는 단계를 포함한다.
일 예에 의하여, 상기 데이터베이스부에 저장된 과거의 데이터에 대한 데이터 변환 및 과거의 데이터의 결측치에 대한 보정을 수행하는 단계를 더 포함하고, 데이터 변환은 과거의 데이터에 기초하여 특정 영역의 실내온도가 목표온도에 도달하기까지 걸린 도달시간 또는 특정 영역의 실내온도가 목표온도로 유지되는 유지시간을 도출하고, 상기 도달시간 또는 상기 유지시간에 기초하여 상기 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간에 대한 데이터를 변환한다.
일 예에 의하여, 상기 제1 모델에 의해 도출된 익일 외기온도는 기상청에서 제공하는 익일의 예측 외기온도와 비교되고, 실내의 난방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 작은 온도값을 최종 익일 외기온도로 결정하고, 실내의 냉방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 큰 온도값을 최종 익일 외기온도로 결정하는 단계를 더 포함하고, 최종 익일 외기온도는 상기 제2 학습부에 입력되는 상기 익일 외기온도를 의미한다.
일 예에 의하여, 상기 제2 모델을 학습시키는 단계는, 상기 열원공조설비의 운전상태, 외기온도, 실내온도 및 시간에 기초하여 상기 냉온수 유닛의 기동시간 및 상기 공조설비의 기동시간을 도출하고, 상기 열원공조설비의 운전상태, 외기온도, 실내온도, 상기 냉온수 유닛의 출구온도 및 시간에 기초하여 상기 냉온수 유닛의 정지시간 및 상기 공조설비의 정지시간을 도출한다.
일 예에 의하여, 서로 구분된 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 기동된 이후 목표온도에 도달하는 도달시간 또는 상기 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 정지된 이후 목표온도를 유지하는 유지시간을 학습하는 단계 및 상기 어느 하나의 영역의 실내온도가 목표온도에 도달하는 도달시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도에 도달하는 도달시간의 차이 또는 상기 어느 하나의 영역의 실내온도가 목표온도로 유지되는 유지시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도로 유지되는 유지시간의 차이를 학습하는 단계를 포함한다.
일 예에 의하여, 상기 복수의 영역들 각각의 실내온도를 조절하기 위해 상기 제2 모델에 의해 추출된 상기 열원공조설비의 기동 시간 또는 정지 시간에 기초하여 상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 단계를 더 포함하고, 상기 복수의 영역들 각각의 실내온도가 상기 설정시간에 상기 설정온도에 도달하는 도달시간의 차이 또는 상기 복수의 영역들 각각의 실내온도가 상기 설정시간까지 상기 설정온도로 유지되는 유지시간의 차이에 기초하여 상기 복수의 영역들을 향해 냉/난방 공기를 유동시키는 상기 공조설비들 각각의 구동량 또는 상기 공조설비들 각각의 기동 시간을 제어한다.
본 발명의 실시예에 따르면, 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템은 예측된 익일 외기온도에 따라 열원공조설비의 기동 시간 및 정지 시간을 도출할 수 있다. 익일 외기온도는 학습과정에서 도출된 데이터와 기상청에서 제공하는 데이터 중 신뢰성 높은 데이터로 선정될 수 있다. 이 때, 신뢰성은 건물의 난방이 수행되는지 냉방이 수행되는지에 따라 결정될 수 있고, 실재 측정 온도와 학습과정에서 도출된 데이터 또는 기상청에서 제공하는 데이터와의 비교 과정을 통해 결정될 수 있다. 결론적으로, 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템은 신뢰성 높은 익일 외기온도에 기초하여 열원공조설비의 기동 시간 및 정지 시간을 도출하여 열원공조설비의 과도한 구동에 따른 에너지 낭비를 방지할 수 있다.
기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템은 복수의 영역들 중 기준이 되는 어느 하나의 영역을 기준으로 냉온수 유닛의 기동/정지 시간을 도출하되, 복수의 영역들 간의 도달시간 및 유지시간의 차이에 기초하여 공조설비들 각각의 기동/정지 시간 및 구동량을 달리 제어하여 복수의 영역들의 실내 온도의 최적화 제어를 구현할 수 있다.
도 1은 본 발명의 실시예에 따른 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템을 나타내는 블록도이다.
도 2는 본 발명의 실시예에 따른 열원공조설비를 제어하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 공조설비 기동 시간 제어를 통한 실내온도의 최적화 제어 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 공조설비의 구동량 제어를 통한 실내온도의 최적화 제어 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 외기온도 예측 방법을 나타내는 순서도이다.
도 6은 본 발명의 실시예에 따른 기계학습모델 기반 열원공조설비 최적화 구동 제어 방법을 나타내는 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예는 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전문에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
명세서에 기재된 "...부", "...유닛", "...모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, 본 명세서에서 구성의 명칭을 제1, 제2 등으로 구분한 것은 그 구성의 명칭이 동일한 관계로 이를 구분하기 위한 것으로, 하기의 설명에서 반드시 그 순서에 한정되는 것은 아니다.
상세한 설명은 본 발명을 예시하는 것이다. 또한 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 기술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위 내에서 변경 또는 수정이 가능하다. 기술한 실시예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다. 또한 첨부된 청구범위는 다른 실시 상태도 포함하는 것으로 해석되어야 한다.
도 1은 본 발명의 실시예에 따른 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템을 나타내는 블록도이다.
도 1을 참조하면, 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 냉온수 유닛과 공조설비를 포함하는 열원공조설비를 제어하기 위한 것으로, 기계학습모델의 학습 과정을 통해 도출된 열원공조설비의 기동 시간 및 정지 시간에 기초하여 냉온수 유닛과 공조설비를 제어할 수 있다. 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 일종의 BEMS로, 다수의 영역으로 구분된 건물에 적용될 수 있다. 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 데이터베이스부(100), 전처리부(200), 제1 학습부(300), 제2 학습부(400) 및 열원공조설비 구동 제어부(500)를 포함할 수 있다. 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 컴퓨터 또는 단말 상에서 구현되거나 프로세서(Processor)에 내장된 프로그램, 소프트웨어 및 어플리케이션을 포함할 수 있다.
데이터베이스부(100)는 시간, 냉온수 유닛과 공조설비를 포함하는 열원공조설비의 운전상태, 외기온도, 실내온도, 냉온수 유닛의 출구온도에 대한 과거의 데이터를 저장할 수 있다. 과거의 데이터는 별도의 장치를 이용하여 측정된 실측 데이터일 수 있다. 열원공조설비의 운전상태, 외기온도, 실내온도, 냉온수 유닛의 출구온도에 대한 과거의 데이터는 시간 정보와 매칭되어 데이터베이스부(100)에 저장될 수 있다. 열원공조설비의 운전상태는 냉온수 유닛과 공조설비의 온/오프 및 공조설비의 구동량을 포함할 수 있다. 냉온수 유닛은 흡수식 냉온수기(Absorption type chiller-Heater)일 수 있다. 공조설비는 냉온수 유닛과 열교환한 공기를 실내 공간으로 배기하는 송풍팬일 수 있다. 예를 들어, 냉온수 유닛은 하나의 건물에 1대가 배치되고, 공조설비는 복수개로 배치될 수 있으나 특별히 그 개수에 제한되지 않을 수 있다. 복수개로 제공되는 공조설비들 각각의 구동량은 서로 상이하거나 동일할 수 있다. 즉, 동일한 시간에 복수개의 공조설비들이 모두 온 되더라도, 공조설비들 간의 구동량은 서로 상이하거나 동일할 수 있다. 공조설비들 간의 구동량의 차이로 인해, 공조설비들이 배치되는 공간의 시간 흐름에 따른 온도 변화는 달라질 수 있다.
전처리부(200)는 과거의 데이터의 전처리를 수행할 수 있다. 예를 들어, 과거의 데이터는 시간에 따른 열원공조설비의 운전상태, 외기온도, 실내온도, 냉온수 유닛의 출구온도를 포함할 수 있다.
일 예로, 전처리부(200)는 시간에 따른 열원공조설비의 운전상태, 외기온도, 실내온도, 냉온수 유닛의 출구온도에 결측치가 발생된 경우 과거의 데이터를 보정할 수 있다. 통신오류, 단전 및 휴먼에러에 의해 과거의 데이터 중 특정 시간에 데이터가 수집되지 않을 수 있다. 전처리부(200)는 과거의 데이터를 이용하여 결측된 데이터를 추정하여 결측치를 보정할 수 있다. 예를 들어, 전처리부(200)는 선형보간법 및 이동평균보간법을 이용하여 결측치를 보정할 수 잇다. 예를 들어, 전처리부(200)는 최빈값, 중앙값, 평균값 등을 이용하는 대치(Imputation)방법 및 서포트벡터머신(SVM), 회귀분석 등 기계학습알고리즘을 이용한 예측모델(Prediction model)을 사용하여 결측치를 보정할 수 있다.
일 예로, 전처리부(200)는 기설정된 시간 간격으로 수집된 외기온도에 대한 과거의 데이터에 결측치가 발생된 경우 기상청에서 제공하는 외기온도의 데이터를 고려하여 외기온도에 대한 과거의 데이터를 보정할 수 있다. 예를 들어, 기설정된 시간 간격은 설계자에 의해 변경될 수 있는 수치일 수 있다. 전처리부(200)는 결측치를 과거의 데이터를 통해 보정하지 않고도 기상청에서 제공하는 데이터를 이용하여 결측치를 보정할 수 있다. 즉, 특정 시간에 외기온도에 대한 데이터에 결측치가 발생된 경우, 전처리부(200)는 기상청에서 제공하는 외기온도에 대한 데이터 중 특정 시간의 외기온도를 이용하여 과거의 데이터를 보정할 수 있다.
일 예로, 전처리부(200)는 동일 시간에 중복되어 수집된 데이터의 전처리를 수행할 수 있다. 전처리부(200)는 동일 시간에 중복된 복수의 데이터들 중 하나의 데이터를 제외한 나머지 데이터는 삭제할 수 있다.
일 예로, 전처리부(200)는 과거의 데이터에 기초하여 실내온도가 목표온도에 도달하기까지 걸린 도달시간을 도출하고, 목표시간에 실내온도가 목표온도에 도달하도록 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간에 대한 데이터를 변환할 수 있다. 예를 들어, 열원공조설비 기동시간이 6:30, 목표온도 도달시간이 7:30, 목표시간이 8:30으로 가정할 때, 실내온도가 목표온도에 도달하기까지 걸린 도달시간은 1시간일 수 있다. 전처리부(200)는 목표시간인 8:30에서 도달시간인 1시간을 뺀 시간인 7:30을 열원공조설비의 기동시간으로 설정할 수 있다. 즉, 전처리부(200)는 열원공조설비가 기동될 때의 실내온도, 실외온도, 목표온도 및 목표시간을 고려하여 열원공조설비의 기동시간을 6:30에서 7:30으로 변환시킬 수 있다. 다른 예로, 열원공조설비 종료시간이 18:00, 목표온도로 유지되는 시간이 18:30, 목표시간이 18:00으로 가정할 때, 실내온도가 목표온도로 유지되는 유지시간은 30분일 수 있다. 전처리부(200)는 목표시간인 18:00에서 30분을 뺀 15:30을 열원공조설비의 정지 시간으로 설정할 수 있다. 즉, 전처리부(200)는 열원공조설비가 정지될 때의 실내온도, 실외온도, 목표온도 및 목표시간을 고려하여 열원공조설비의 정지 시간을 18:00에서 17:30으로 변환시킬 수 있다. 이러한 과정을 전처리부(200)에 의한 데이터 변환 과정이라고 정의한다. 변환된 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간에 대한 데이터는 시간, 외기온도 및 실내온도와 매칭되어 데이터베이스부(100)에 저장될 수 있다. 데이터 변환 과정을 통해 변환된 데이터에 기초하여 후술하는 제2 학습부(400)에 의한 학습 과정이 수행될 수 있다. 즉, 제2 학습부(400)는 데이터베이스부(100)에 저장된 변환된 데이터에 기초하여 학습을 수행할 수 있다. 따라서, 목표시간에 목표온도에 도달되지 않은 데이터를 이용하여 학습을 수행하는 것이 아니라, 도달시간 또는 유지시간에 기초한 데이터 변환이 수행된 최적화된 데이터에 기초하여 제2 학습부(400)가 학습을 수행할 수 있다.
제1 학습부(300)는 시간에 따른 외기온도를 학습시켜 익일 외기온도를 예측하는 제1 모델을 학습시킬 수 있다. 일 예로, 제1 학습부는 LSTM(Long Short-Term Memory) 알고리즘을 이용하여 제1 모델을 학습시킬 수 있다. 즉, 제1 모델이 LSTM 모델일 수 있다. 다만, 제1 모델은 BERT(Bidirectional Encoder Representations from Transformers)와 같은 RNN(Recurrent Neural Network) 모델일 수 있고, 제1 모델의 종류는 특별히 한정되지 않을 수 있다. LSTM 모델은 RNN 모델의 한 종류이며, 일반적인 RNN 모델이 가지고 있는 장기예측성 문제를 해결하기 위해 고안된 신경망의 일종을 의미한다. 제1 학습부(300)는 데이터베이스부(100)에 저장된 시간에 따른 외기온도에 대한 과거 데이터를 이용하여 제1 모델을 학습시킬 수 있다. 이 때, 데이터베이스부(100)에 저장된 시간에 따른 외기온도에 대한 과거 데이터는 별도의 측정장비를 통해 측정된 데이터일 수 있다. 또한, 데이터베이스부(100)에 저장된 시간에 따른 외기온도에 대한 과거 데이터는 전처리부(200)에 의해 변환된 과거의 데이터일 수 있다.
일 예로, 제1 학습부(300)는 예측된 상기 익일 외기온도와 기상청에서 제공하는 익일의 예측 외기온도를 서로 비교할 수 있다. 제1 학습부(300)는 실내의 난방이 필요한 시즌에는 익일 외기온도와 예측 외기온도 중 작은 온도값을 최종 익일 외기온도로 사용할 수 있다. 제1 학습부(300)는 실내의 냉방이 필요한 시즌에는 익일 외기온도와 예측 외기온도 중 큰 온도값을 최종 익일 외기온도로 사용할 수 있다.
제1 학습부(300)는 기상청에서 제공하는 외기온도에 대한 데이터를 수신할 수 있다. 제1 학습부(300)는 기상청에서 제공하는 현재 예측 외기온도와 제1 모델에 의해 예측된 현재 외기온도를 실재 외기온도와 비교하여 신뢰성이 높은 온도 데이터를 최종 익일 외기온도로 도출할 수 있다. 이 때, 실재 외기온도는 별도의 측정장비를 통해 측정된 온도일 수 있다.
일 예로, 제1 학습부(300)는 제1 모델에 의해 예측된 현재 외기온도와 실재 외기온도와의 차이가 기설정값 이상인 경우 기상청에서 제공하는 익일의 예측 외기온도를 최종 익일 외기온도로 사용할 수 있다. 예를 들어, 기설정값은 1도일 수 있으나, 이는 설계자에 의해 변경될 수 있는 수치일 수 있다. 제1 모델에 의해 예측된 현재 외기온도와 실재 외기온도와의 차이가 기설정값 이상인 경우 제1 학습부(300)는 제1 모델에 의해 예측된 현재 외기온도에 오류가 발생된 것으로 판단할 수 있다. 따라서, 제1 학습부(300)는 기상청에서 제공하는 익일의 예측 외기온도를 최종 익일 외기온도로 도출할 수 있다.
일 예로, 제1 학습부(300)는 기상청에서 제공하는 현재 예측 외기온도와 실재 외기온도와의 차이가 기설정값 이상인 경우 제1 모델에 의해 예측되는 익일 외기온도를 최종 익일 외기온도로 사용할 수 있다. 기상청에서 제공하는 현재 예측 외기온도와 실재 외기온도와의 차이가 기설정값 이상인 경우, 제1 학습부(300)는 기상청에서 제공하는 외기온도에 대한 데이터에 오류가 발생된 것으로 판단할 수 있다. 따라서, 제1 학습부(300)는 제1 모델에 의해 예측되는 외기온도를 최종 익일 외기온도로 도출할 수 있다.
제2 학습부(400)는 데이터베이스부(100)에 저장된 과거의 데이터를 입력값으로 하고, 열원공조설비의 운전상태를 출력값으로 설정한 제2 모델을 학습시킬 수 있다. 일 예로, 제2 학습부(400)는 랜덤포레스트(random forest) 알고리즘을 이용하여 제2 모델을 학습시킬 수 있다. 즉, 제2 모델은 랜덤포레스트 모델일 수 있으나, 제2 모델의 종류는 특별히 제한되지 않을 수 있다. 제2 모델은 실내온도, 외기온도, 열원공조설비의 운전상태, 시간 및 냉온수 유닛의 출구온도를 입력값으로 하고 열원공조설비의 운정상태를 출력값으로 하는 모델일 수 있다. 제2 학습부(400)는 열원공조설비가 기동되는 시간 및 열원공조설비가 정지되는 시간을 도출하기 위해 제2 모델을 학습시킬 수 있다.
일 예로, 제2 학습부(400)는 데이터베이스부(100)에 저장된 과거의 데이터 중 열원공조설비의 운전상태, 외기온도, 실내온도 및 시간에 기초하여 열원공조설비의 기동 시간 및 공조설비의 구동량을 학습시킬 수 있다. 시간의 흐름에 따라 외기온도, 실내온도는 달라질 수 있고, 열원공조설비가 온 되는 시간에서의 외기온도와 실내온도에 따라 실내온도가 목표온도에 도달하는 시간은 달라질 수 있다. 제2 학습부(400)는 실내온도가 목표온도에 도달하는 도달시간을 학습하여 열원공조설비를 기동하는 기동 시간을 도출할 수 있다. 즉, 외기온도가 10도이고 실내온도가 20도이고 목표온도가 23도인 조건 하에서 실내온도가 목표온도에 도달하기 위한 도달시간이 1시간으로 학습된 경우, 목표시간이 7시이면 제2 학습부(400)는 열원공조설비의 기동 시간을 6시로 도출할 수 있다. 제2 학습부(400)는 전처리부(200)에 의해 데이터 변환이 수행된 과거의 데이터에 기초하여 학습을 수행하므로, 실내온도가 목표시간에 목표온도로 도달하는 최적화된 경우의 열원공조설비의 운전상태를 학습할 수 있다.
일 예로, 제2 학습부(400)는 데이터베이스부(100)에 저장된 과거의 데이터 중 열원공조설비의 운전상태, 외기온도, 실내온도, 냉온수 유닛의 출구온도 및 시간에 기초하여 열원공조설비의 정지 시간을 학습시킬 수 있다. 시간의 흐름에 따라 외기온도, 실내온도는 달라질 수 있고, 외기온도와 실내온도에 따라 냉온수 유닛이 오프 된 이후 실내온도가 목표온도로 유지되는 시간은 달라질 수 있다. 냉온수 유닛이 오프된 이후에 복수의 영역들에 제공된 공조설비들은 여전히 동작되기 때문에, 열원공조설비의 정지 시간을 학습하는 과정에서 냉온수 유닛의 출구온도가 고려될 수 있다. 제2 학습부(400)는 실내온도가 목표온도로 유지되는 유지시간을 학습하여 열원공조설비를 정지시키는 정지 시간을 도출할 수 있다. 즉, 외기온도가 10도이고 실내온도가 23도이고 목표온도가 23도인 조건 하에서 실내온도가 목표온도로 유지되기 위한 유지시간이 30분으로 학습된 경우, 목표시간이 18시이면 제2 학습부(400)는 열원공조설비의 정지 시간을 6시 30분으로 도출할 수 있다.
제2 학습부(400)는 제1 학습부(300)에 의해 예측된 익일 외기온도, 시간, 사용자가 설정한 설정온도와 설정시간, 현재 실내온도 및 냉온수 유닛의 현재 출구온도를 입력값으로 열원공조설비의 기동 시간 또는 정지 시간을 추출할 수 있다. 이 때, 사용자가 설정한 설정온도는 실내온도가 도달해야 하는 온도값 및 실내온도가 유지되어야 하는 온도값을 포함할 수 있다. 사용자가 설정한 설정시간은 실내온도가 설정온도에 도달해야 하는 시간 및 실내온도가 설정온도로 유지될 수 있는 시간을 포함할 수 있다. 제1 학습부(300)에 의해 예측된 익일 외기온도는 제1 학습부(300)에 의한 학습과정에서 예측된 최종 익일 외기온도를 의미할 수 있다. 열원공조설비의 기동 시간을 도출하기 위해 사용자가 설정온도와 설정시간을 입력하면, 제2 학습부(400)는 제1 학습부(300)로부터 예측된 익일 외기온도와 실내온도에 기초하여 설정시간에 실내온도가 설정온도에 도달하도록 하는 열원공조설비의 기동 시간을 추출할 수 있다. 열원공조설비의 정지 시간을 도출하기 위해 사용자가 설정온도 및 설정시간을 입력하면, 제2 학습부(400)는 제1 학습부(300)로부터 예측된 익일 외기온도, 실내온도 및 냉온수 유닛의 출구온도에 기초하여 설정시간까지 실내온도가 설정온도로 유지되도록 하는 열원공조설비의 정지 시간을 추출할 수 있다. 이 때, 제2 학습부(400)는 열원공조설비의 기동 시간 이후 복수의 공조설비들 각각의 구동량에 대한 데이터를 추출할 수 있고, 열원공조설비의 정지 시간 이후 복수의 공조설비들 각각이 설정시간까지 동작되는 구동량에 대한 데이터를 추출할 수 있다.
열원공조설비 구동 제어부(500)는 열원공조설비의 구동을 제어할 수 있다. 구체적으로, 열원공조설비 구동 제어부(500)는 냉온수 유닛 및 복수의 공조설비들의 온/오프 및 공조설비들 각각의 구동량을 제어할 수 있다. 열원공조설비가 기동되는 경우 냉온수 유닛과 공조설비는 모두 온 되나, 열원공조설비가 정지되는 경우에는 냉온수 유닛은 오프되나 공조설비는 설정시간까지 동작될 수 있다. 따라서, 실내온도가 설정온도에 도달하기까지 복수의 공조설비들 각각의 구동량이 제어될 수 있고, 실내온도가 설정온도로 유지되는 동안 복수의 공조설비들 각각의 구동량이 제어될 수 있다. 열원공조설비 구동제어부(500)는 제2 학습부(400)에 의해 도출된 열원공조설비의 기동 시간 및 정지 시간에 기초하여 열원공조설비의 구동을 제어할 수 있다. 열원공조설비 구동제어부(500)의 제어에 따라, 열원공조설비가 온 되어 실내온도가 목표시간에 목표온도에 도달될 수 있고, 열원공조설비가 오프 되더라도 실내온도가 목표시간까지 목표온도를 유지될 수 있다.
본 발명의 실시예에 따르면, 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 예측된 익일 외기온도에 따라 열원공조설비의 기동 시간 및 정지 시간을 도출할 수 있다. 익일 외기온도는 학습과정에서 도출된 데이터와 기상청에서 제공하는 데이터 중 신뢰성 높은 데이터로 선정될 수 있다. 이 때, 신뢰성은 건물의 난방이 수행되는지 냉방이 수행되는지에 따라 결정될 수 있고, 실재 측정 온도와 학습과정에서 도출된 데이터 또는 기상청에서 제공하는 데이터와의 비교 과정을 통해 결정될 수 있다. 결론적으로, 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 신뢰성 높은 익일 외기온도에 기초하여 열원공조설비의 기동 시간 및 정지 시간을 도출하여 열원공조설비의 과도한 구동에 따른 에너지 낭비를 방지할 수 있다.
도 2는 본 발명의 실시예에 따른 열원공조설비를 제어하는 방법을 설명하기 위한 도면이고, 도 3은 본 발명의 실시예에 따른 공조설비 기동 시간 제어를 통한 실내온도의 최적화 제어 방법을 설명하기 위한 도면이고, 도 4는 본 발명의 실시예에 따른 공조설비의 구동량 제어를 통한 실내온도의 최적화 제어 방법을 설명하기 위한 도면이다. 설명의 간략을 위해 도 1과 중복되는 내용은 생략한다.
도 1 및 도 2를 참조하면, 건물 내부에 실내온도의 제어가 요구되는 복수의 영역들(10, 20, 30, 40)이 정의될 수 있다. 복수의 영역들(10, 20, 30, 40)은 제1 영역(10), 제2 영역(20), 제3 영역(30) 및 제4 영역(40)을 포함할 수 있다. 열원공조설비는 냉온수 유닛(50)과 복수의 공조설비들(51, 52, 53, 54)을 포함할 수 있다. 예를 들어, 한 건물 내에는 하나의 냉온수 유닛(50)이 제공될 수 있고, 복수의 공조설비들(51, 52, 53, 54)이 제공될 수 있다. 복수의 공조설비들(51, 52, 53, 54)은 제1 영역(10)에 제공되는 제1 공조설비(51), 제2 영역(20)에 제공되는 제2 공조설비(52), 제3 영역(30)에 제공되는 제3 공조설비(53) 및 제4 영역(40)에 제공되는 제4 공조설비(54)를 포함할 수 있다. 공조설비들(51, 52, 53, 54) 각각의 구동량 또는 기동 시간에 따라 제1 영역(10), 제2 영역(20), 제3 영역(30) 및 제4 영역(40)의 실내온도의 변동 속도가 달라질 수 있다.
제2 학습부(400)는 서로 구분된 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 열원공조설비가 기동된 이후 목표온도에 도달하는 도달시간 또는 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 열원공조설비가 정지된 이후 목표온도를 유지하는 유지시간을 학습할 수 있다. 학습된 결과에 따라, 복수의 영역들(10, 20, 30, 40)은 베스트 케이스, 워스트 케이스 및 평균 케이스로 구분될 수 있다. 베스트 케이스는 냉온수 유닛(50)이 기동되고 공조설비들(51, 52, 53, 54)이 모두 동일한 구동량으로 동작될 때 가장 빨리 목표온도에 도달하는 영역을 의미할 수 있다. 워스트 케이스는 냉온수 유닛(50)이 기동되고 공조설비들(51, 52, 53, 54)이 모두 동일한 구동량으로 동작될 때 가장 늦게 목표온도에 도달하는 영역을 의미할 수 있다. 평균 케이스는 냉온수 유닛(50)이 기동되고 공조설비들(51, 52, 53, 54)이 모두 동일한 구동량으로 동작될 때 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 목표온도에 도달하는 시간의 평균에 가장 근접하는 도달시간을 나타내는 영역을 의미할 수 있다. 즉, 도달시간이 가장 짧은 케이스가 베스트 케이스이고 도달시간이 가장 긴 케이스가 워스트 케이스일 수 있다. 반대로, 복수의 영역들(10, 20, 30, 40)은 실내온도가 목표온도로 유지되는 유지시간에 기초하여 베스트 케이스, 워스트 케이스 및 평균 케이스로 구분될 수 있다. 유지시간이 가장 긴 영역이 베스트 케이스로 정의될 수 있고, 유지시간이 가장 짧은 영역이 워스트 케이스로 정의될 수 있다. 평균 케이스는 냉온수 유닛(50)이 기동되고 공조설비들(51, 52, 53, 54)이 모두 동일한 구동량으로 동작될 때 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 목표온도로 유지되는 유지시간의 평균에 가장 근접하는 유지시간을 나타내는 영역을 의미할 수 있다.
전처리부(200)는 열원공조설비의 기동 이후의 공조설비들(51, 52, 53, 54) 각각의 구동량에 따라 복수의 영역(10, 20, 30, 40) 각각의 실내온도가 목표온도에 도달하는 도달시간에 기초하여 공조설비들(51, 52, 53, 54)의 구동량 또는 기동 시간에 대한 데이터를 변환시킬 수 있다. 예를 들어, 냉온수 유닛(50)이 6시30분에 온 되고 제1 공조설비(51)의 구동량을 50%로 설정하였더니 목표시간인 7시보다 늦은 7시 10분에 제1 영역(10)의 실내온도가 목표온도에 도달한 경우, 전처리부(200)는 냉온수 유닛(50)의 기동 시간을 6시 20분으로 변환시키거나 제1 공조설비(51)의 구동량이 50%보다 높게 설정되도록 데이터를 변환시킬 수 있다. 즉, 전처리부(200)는 과거의 데이터의 데이터 변환 과정에서 열원공조설비의 기동 시간과 정지 시간 외에도 공조설비들(51, 52, 53, 54) 각각의 구동량에 대한 데이터도 변환시킬 수 있다. 변환된 데이터는 데이터베이스부(100)에 저장될 수 있고, 변환된 데이터에 기초하여 제2 학습부(400)가 학습을 수행할 수 있다.
또한, 전처리부(200)는 열원공조설비의 정지 이후의 공조설비들(51, 52, 53, 54) 각각의 구동량에 따라 복수의 영역(10, 20, 30, 40) 각각의 실내온도가 목표온도에 도달하는 도달시간에 기초하여 공조설비들(51, 52, 53, 54)의 구동량에 대한 데이터를 변환시킬 수 있다. 예를 들어, 냉온수 유닛(50)이 17시30분에 오프 되고 제1 공조설비(51)의 구동량을 80%로 설정하였더니 목표시간인 18시보다 늦은 18시 20분까지 제1 영역(10)의 실내온도가 목표온도로 유지된 경우, 전처리부(200)는 냉온수 유닛(50)의 정지 시간을 17시 10분으로 변환시키거나 제1 공조설비(51)의 구동량이 80%보다 낮게 설정되도록 데이터를 변환시킬 수 있다.
제2 학습부(400)는 서로 구분된 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 열원공조설비가 기동된 이후 목표온도에 도달하는 도달시간 또는 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 열원공조설비가 정지된 이후 목표온도를 유지하는 유지시간을 학습할 수 있다. 제2 학습부(400)는 복수의 영역들(10, 20, 30, 40) 중 어느 하나의 영역을 기준으로 열원공조설비의 기동 시간 또는 정지 시간을 추출할 수 있다. 제2 학습부(400)는 어느 하나의 영역의 실내온도가 목표온도에 도달하는 도달시간과 어느 하나의 영역을 제외한 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 목표온도에 도달하는 도달시간의 차이를 학습할 수 있다. 또한, 제2 학습부(400)는 어느 하나의 영역의 실내온도가 목표온도로 유지되는 유지시간과 어느 하나의 영역을 제외한 상기 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 목표온도로 유지되는 유지시간의 차이를 학습할 수 있다.
제2 학습부(400)는 열원공조설비의 기동 이후의 공조설비들(51, 52, 53, 54) 각각의 구동량에 대해 학습할 수 있다. 구체적으로, 냉온수 유닛(50)이 온 된 이후, 공조설비들(51, 52, 53, 54) 각각의 구동량에 따라 복수의 영역(10, 20, 30, 40) 각각의 실내온도가 목표온도에 도달하는 시간의 차이에 대해 공조설비들(51, 52, 53, 54) 각각의 구동량을 결정할 수 있다. 또한, 냉온수 유닛(50)이 오프 된 이후, 공조설비들(51, 52, 53, 54) 각각의 구동량에 따라 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 목표온도까지 유지되는 시간의 차이에 대해 공조설비들(51, 52, 53, 54) 각각의 구동량을 결정할 수 있다. 즉, 제2 학습부(400)는 공조설비들(51, 52, 53, 54) 각각의 구동량에 따라 복수의 영역들(10, 20, 30, 40) 각각의 실내온도 변화 속도를 사전에 학습할 수 있다.
제2 학습부(400)는 어느 하나의 영역의 실내온도가 목표온도에 도달하는 기준 도달시간 및 어느 하나의 영역의 실내온도가 목표온도로 유지되는 기준 유지시간에 기초하여 열원공조설비의 기동 시간 및 정지 시간을 도출할 수 있다. 구체적으로, 제2 학습부(400)는 어느 하나의 영역의 실내온도가 목표온도에 도달하는 기준 도달시간 및 어느 하나의 영역의 실내온도가 목표온도로 유지되는 기준 유지시간에 기초하여 냉온수 유닛(50)의 기동 시간 또는 정지 시간을 도출하되, 복수의 영역들(10, 20, 30, 40) 각각의 도달시간 또는 유지시간과 상기 기준 도달시간과 상기 기준 유지시간 간의 차이에 기초하여 공조설비들(51, 52, 53, 54) 각각의 기동 시간 및 구동량을 달리 도출할 수 있다. 즉, 열원공조설비 구동 제어부(500)는 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 설정시간에 설정온도에 도달하는 도달시간의 차이 또는 복수의 영역들(10, 20, 30, 40) 각각의 실내온도가 설정시간까지 설정온도로 유지되는 유지시간의 차이에 기초하여 복수의 영역들(10, 20, 30, 40)을 향해 냉/난방 공기를 유동시키는 공조설비들(51, 52, 53, 54) 각각의 구동량 또는 공조설비들(51, 52, 53, 54) 각각의 기동 시간을 제어할 수 있다. 결론적으로, 제2 학습부(400)는 기준 영역인 어느 하나의 영역을 기준으로 냉온수 유닛(50)의 기동 시간을 결정하되, 복수의 영역들(10, 20, 30, 40) 간의 도달시간 및 유지시간의 차이에 기초하여 공조설비들(51, 52, 53, 54) 각각의 구동량 또는 공조설비들(51, 52, 53, 54) 각각의 기동 시간을 다르게 도출할 수 있다.
도 1 내지 도 3을 참조하면, 기준 영역인 어느 하나의 영역은 제2 영역(20)일 수 있다. 냉온수 유닛(50)이 기동되거나 정지되는 경우 모두에서 제2 영역(20)은 베스트 케이스로 가정하고 제1 영역(10)이 워스트 케이스, 제3 영역(30) 및 제4 영역(40)이 평균 케이스로 가정한다.
일 예로, 냉온수 유닛(50)의 기동 시간은 6시 30분이고, 설정시간은 7시 30분으로 가정한다. 제2 학습부(400)는 제2 영역(20)의 실내온도가 설정온도에 도달하는 기준 도달시간에 기초하여 냉온수 유닛(50)을 기동하기 위한 기동 시간을 6시 30분으로 도출할 수 있다. 제2 학습부(400)는 제2 영역(20)과 나머지 영역들(10, 30, 40) 간의 도달시간의 차이에 기초하여 나머지 영역들(10, 30, 40)에 제공된 공조설비들(51, 53, 54)의 기동 시간을 달리 도출할 수 있다. 제2 학습부(400)는 제2 공조설비(52)의 기동 시간을 7시로 도출할 수 있다. 제2 학습부(400)는 제1 공조설비(51)의 기동 시간을 제2 공조설비(52), 제3 공조설비(53) 및 제4 공조설비(54)보다 빠른 시간인 6시 30분으로 도출할 수 있고, 제3 공조설비(53) 및 제4 공조설비(54)의 기동 시간을 제2 공조설비(52)의 기동 시간보다 빠른 시간인 6시 45분으로 도출할 수 있다. 열원공조설비 구동 제어부(500)는 제2 학습부(400)가 도출한 데이터에 기초하여 공조설비들(51, 52, 53, 54) 각각의 구동 시간을 달리 제어할 수 있다.
일 예로, 냉온수 유닛(50)의 정지 시간은 5시 30분이고, 설정시간은 6시로 가정된다. 냉온수 유닛(50)의 정지 시간은 제2 학습부(400)에 의해 도출될 수 있다. 냉온수 유닛(50)은 설정시간 이전에 미리 정지되지만, 공조설비들(51, 52, 53, 54)은 설정시간까지 동작이 지속될 수 있다. 따라서, 공조설비들(51, 52, 53, 54) 간의 정지시간은 달리 제어되지 않을 수 있다. 다만, 상술한 예와 달리, 복수의 영역들(10, 20, 30, 40) 간의 유지시간의 차이에 기초하여 제2 학습부(400)는 공조설비들(51, 52, 53, 54) 각각의 정지 시간을 달리 도출할 수 있다.
도 1, 도 2 및 도 4를 참조하면, 기준 영역인 어느 하나의 영역은 제2 영역(20)일 수 있다. 냉온수 유닛(50)이 기동되거나 정지되는 경우 모두에서 제2 영역(20)은 베스트 케이스로 가정하고 제1 영역(10)이 워스트 케이스, 제3 영역(30) 및 제4 영역(40)이 평균 케이스로 가정한다. 공조설비들(51, 52, 53, 54)은 모두 동일한 시간에 기동되고 정지될 수 있다.
일 예로, 제2 학습부(400)는 복수의 영역들(10, 20, 30, 40) 간의 도달시간에 기초하여 공조설비들(51, 52, 53, 54) 각각의 구동량을 달리 도출할 수 있다. 제2 영역(20)의 실내온도는 설정온도에 가장 빨리 도달하므로, 제1 영역(10), 제3 영역(30) 및 제4 영역(40) 보다 구동량이 약하게 제어되어야 한다. 제2 학습부(400)가 도출한 데이터에 기초하여 열원공조설비 구동 제어부(500)는 제2 공조설비(52)의 구동량을 50%로 설정할 수 있고, 제1 공조설비(51)의 구동량을 100%로 설정할 수 있고, 제3 공조설비(53) 및 제4 공조설비(54)의 구동량을 70%로 설정할 수 있다. 이 때, 구동량은 최대 출력을 기준으로 백분율로 표현될 수 있다. 다만, 구동량은 기준이 되는 출력을 기준으로 얼마만큼 구동량을 증가시킬지를 백분율로 표현될 수 있다.
일 예로, 제2 학습부(400)는 복수의 영역들(10, 20, 30, 40) 간의 유지시간에 기초하여 공조설비들(51, 52, 53, 54) 각각의 구동량을 달리 도출할 수 있다. 제2 영역(20)의 실내온도는 설정온도로 유지되는 시간이 가장 길기 때문에, 제1 영역(10), 제3 영역(30) 및 제4 영역(40) 보다 구동량이 약하게 제어되더라도 실내온도가 잘 유지될 수 있다. 제2 학습부(400)가 도출한 데이터에 기초하여 열원공조설비 구동 제어부(500)는 제2 공조설비(52)의 구동량을 0%로 설정할 수 있고, 제1 공조설비(51)의 구동량을 100%로 설정할 수 있고, 제3 공조설비(53) 및 제4 공조설비(54)의 구동량을 50%로 설정할 수 있다. 제2 학습부(400)는 실내온도가 설정온도로 유지되는 유지시간이 길수록 공조설비들(51, 52, 53, 54)의 구동량을 약하게 도출할 수 있다. 반대로, 제2 학습부(400)는 실내온도가 설정온도로 유지되는 유지시간이 짧을수록 공조설비들(51, 52, 53, 54)의 구동량을 강하게 도출할 수 있다. 공조설비들(51, 52, 53, 54)의 구동량이 강할수록 냉방 또는 난방을 위한 공기의 공급량이 많으므로, 냉온수 유닛(50)이 꺼진 이후에도 냉방 또는 난방 성능이 일정수준으로 유지될 수 있다.
도 3 및 도 4에 도시된 공조설비의 기동/정지 시간 및 구동량은 일종의 예시로, 베스트 케이스, 워스트 케이스 및 평균 케이스 간의 공조설비의 기동/정지 시간 및 구동량의 차이를 보여주기 위한 것이다. 또한, 제2 학습부(400)는 복수의 영역들(10, 20, 30, 40) 간의 도달시간 및 유지시간의 차이에 기초하여 공조설비들(51, 52, 53, 54) 각각의 기동시간과 구동량 또는 정지시간과 구동량을 함께 도출할 수 있다. 열원공조설비 구동 제어부(500)는 제2 학습부(400)에 의해 도출된 데이터에 기초하여 공조설비들(51, 52, 53, 54)의 구동량과 기동시간 또는 구동량과 정지시간을 달리 제어할 수 있다.
본 발명의 실시예에 따르면, 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 하나의 건물 내의 복수의 영역들(10, 20, 30, 40)의 실내 온도를 동일하게 제어하기 위해 공조설비들(51, 52, 53, 54) 각각의 기동/정지 시간 및 구동량을 달리 제어할 수 있다. 복수의 영역들(10, 20, 30, 40)의 실내 온도를 동일하게 제어하기 위해 복수의 냉온수 유닛(50)이 하나의 건물 내에 적용되는 것은 현실상 어렵고 비용적으로 과도한 비용이 소모된다. 다만, 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)은 복수의 영역들(10, 20, 30, 40) 중 기준이 되는 어느 하나의 영역을 기준으로 냉온수 유닛(50)의 기동/정지 시간을 도출하되, 복수의 영역들(10, 20, 30, 40) 간의 도달시간 및 유지시간의 차이에 기초하여 공조설비들(51, 52, 53, 54) 각각의 기동/정지 시간 및 구동량을 달리 제어하여 복수의 영역들(10, 20, 30, 40)의 실내 온도의 최적화 제어를 구현할 수 있다.
상술한 예와 달리, 사용자는 미리 결정된 시나리오에 기초하여 복수의 영역들(10, 20, 30, 40) 중 일부의 영역들의 온도만을 고려하여 냉온수 유닛(50)의 기동/정지 시간 및 공조설비들(51, 52, 53, 54) 각각의 기동/정지 시간 및 구동량을 제어할 수 있다. 예를 들어, 사용자는 워스트 케이스인 제1 영역(10)의 실내 온도를 고려하지 않고 나머지 영역들(20, 30, 40)의 실내 온도가 설정시간에 설정온도로 도달하도록 냉온수 유닛(50)의 기동/정지 시간 및 공조설비들(51, 52, 53, 54) 각각의 기동/정지 시간 및 구동량을 제어할 수 있다. 미리 결정된 시나리오는 복수의 영역들(10, 20, 30, 40) 중 일부의 영역들의 온도를 최적화하기 위한 것일 수 있다. 복수의 영역들(10, 20, 30, 40) 모두의 온도를 최적화하기 위해 에너지 낭비가 심하다고 판단되는 경우, 사용자는 일부 영역들의 온도를 최적화하기 위해 이에 대응되는 시나리오를 결정할 수 있다. 사용자는 베스트 케이스를 나타내는 제2 영역(20)을 제외한 나머지 영역들(10, 30, 40)을 기준으로 실내 온도를 제어하기 위해 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)의 시나리오를 결정할 수 있고, 워스트 케이스를 나타내는 제1 영역(10)을 제외한 나머지 영역들(20, 30, 40)을 기준으로 실내 온도를 제어하기 위해 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템(1)의 시나리오를 결정할 수 있다.
도 5는 본 발명의 실시예에 따른 외기온도 예측 방법을 나타내는 순서도이다. 설명의 간략을 위해 중복되는 내용의 기재는 생략한다.
도 1 및 도 5를 참조하면, 데이터베이스부(100)는 외기온도에 대하 과거의 데이터를 저장할 수 있다. 외기온도는 별도의 장치를 통해 획득된 것으로, 외기온도는 측정된 시간과 매칭되어 데이터베이스부(100)에 저장될 수 있다(S100).
전처리부(200)는 외기온도에 대한 과거의 데이터에 결측치가 존재하는지 여부를 판단할 수 있다(S200).
외기온도에 대한 과거의 데이터에 결측치가 존재하는 경우, 전처리부(200)는 결측치 보정을 수행할 수 있다. 예를 들어, 전처리부(200)는 선형보간법 및 이동평균보간법을 이용하여 외기온도에 대한 결측치를 보정할 수 있다. 또한, 전처리부(200)는 기설정된 시간 간격으로 수집된 외기온도에 대한 과거의 데이터에 결측치가 발생된 경우 기상청에서 제공하는 외기온도의 데이터를 고려하여 외기온도에 대한 과거의 데이터를 보정할 수 있다. 결측치가 보정된 데이터는 데이터베이스부(100)에 저장될 수 있다(S300).
제1 학습부(300)는 결측치가 존재하지 않는 데이터에 기초하여 익일 외기온도를 예측할 수 있다(S400).
제1 학습부(300)는 학습된 제1 모델에 기초하여 익일 외기온도를 예측하거나, 제1 모델에 의해 예측된 익일 외기온도와 기상청에서 제공한 익일의 예측 외기온도를 비교하여 최종적인 외기온도를 도출할 수 있다.
일 예로, 제1 학습부(100)는 건물에 난방이 필요한 시즌인지 건물에 냉방이 필요한 시즌인지에 따라 최종 익일 외기온도를 결정할 수 있다. 제1 학습부(100)는 실내의 난방이 필요한 시즌에는 익일 외기온도와 예측 외기온도 중 작은 온도값을 최종 익일 외기온도로 사용하고, 실내의 냉방이 필요한 시즌에는 익일 외기온도와 예측 외기온도 중 큰 온도값을 최종 익일 외기온도로 사용할 수 있다. 익일 외기온도는 제1 모델에 의해 예측된 익일의 외기온도를 의미할 수 있고, 예측 외기온도는 기상청에서 제공한 익일의 외기온도를 의미할 수 있다. 난방이 필요한 시즌에는 실내온도를 빠르게 상승시키는 것이 중요하므로, 익일 외기온도와 예측 외기온도 중 작은 온도값이 최종 익일 외기온도로 결정될 수 있다. 난방이 필요한 시즌에는 실내온도를 빠르게 낮추는 것이 중요하므로, 익일 외기온도와 예측 외기온도 중 높은 온도값이 최종 익일 외기온도로 결정될 수 있다.
일 예로, 제1 학습부(300)는 제1 모델에 의해 예측된 익일 외기온도와 기상청에서 제공한 익일의 예측 외기온도 중 신뢰도가 높은 데이터를 최종 익일 외기온도로 결정할 수 있다. 외기온도의 신뢰도는 제1 모델에 의해 예측되었던 과거의 외기온도와 기상청에서 제공한 과거의 예측 외기온도를 실재온도와 비교함으로써 판단될 수 있다. 제1 학습부(300)는 제1 모델에 의해 예측된 현재 외기온도와 실재 외기온도와의 차이가 기설정값 이상인 경우 기상청에서 제공하는 익일의 예측 외기온도를 최종 익일 외기온도로 결정할 수 있다. 제1 학습부(300)는 기상청에서 제공하는 현재 예측 외기온도와 상기 실재 외기온도와의 차이가 기설정값 이상인 경우 제1 모델에 의해 예측되는 상기 익일 외기온도를 최종 익일 외기온도로 결정할 수 있다. 즉, 제1 학습부(300)는 현재까지 제1 모델에서 도출된 외기온도와 기상청에서 제공한 외기온도 중 실재온도와 유사한 온도를 산출한 주체가 예측한 외기온도를 최종 익일 외기온도로 결정할 수 있다(S500).
제1 학습부(300)에 의해 최종적으로 결정된 최종 익일 외기온도는 제2 모델에 입력값으로 사용될 수 있다(S600).
도 6은 본 발명의 실시예에 따른 기계학습모델 기반 열원공조설비 최적화 구동 제어 방법을 나타내는 순서도이다. 설명의 간략을 위해 중복되는 내용의 기재는 생략한다.
도 1 및 도 6을 참조하면, 과거의 데이터는 데이터베이스부(100)에 저장될 수 있다. 과거의 데이터는 시간, 실내온도, 외기온도, 열원공조설비의 운전상태 및 냉온수 유닛의 출구온도를 포함할 수 있다(S1000).
전처리부(200)는 과거의 데이터에 결측치가 존재하는 경우 결측치 보정을 수행할 수 있고, 과거의 데이터의 데이터 변환 과정을 수행할 수 있다(S2000).
제1 학습부(300)는 시간 및 외기온도를 입력값으로 설정하고 외기온도를 출력값으로 설정한 제1 모델을 학습시킬 수 있다. 제1 학습부(300)는 결측치가 보정된 데이터를 데이터베이스부(100)로부터 제공받아 제1 모델을 학습시킬 수 있고, 학습을 통해 익일 외기온도를 도출할 수 있다(S3000).
제2 학습부(400)는 제1 모델에 의해 예측된 익일 외기온도, 사용자가 설정한 설정온도와 설정시간, 실내온도 및 냉온수 유닛의 출구온도를 입력값으로 설정하고 열원공조설비의 운전상태를 출력값으로 설장한 제2 모델을 학습시킬 수 있다(S4000).
제2 학습부(400)는 열원공조설비의 기동/정지시간 및 공조설비의 구동량을 도출할 수 있다. 제2 학습부(400)는 제1 모델에 의해 예측된 익일 외기온도, 사용자가 설정한 설정온도와 설정시간, 실내온도 및 냉온수 유닛의 출구온도를 제2 모델에 입력하여 열원공조설비의 기동/정지 시간 및 공조설비의 구동량을 추출할 수 있디. 구체적을, 제2 학습부(400)는 냉온수 유닛의 기동 시간 및 공조설비의 기동시간 및 구동량을 추출하기 위해 제1 모델에 의해 예측된 익일 외기온도, 사용자가 설정한 설정온도와 설정시간 및 실내온도에 대한 데이터를 제1 모델에 입력할 수 있다. 또한, 제2 학습부(400)는 냉온수 유닛의 정지 시간 및 공조설비의 정지시간 및 구동량을 추출하기 위해 제1 모델에 의해 예측된 익일 외기온도, 사용자가 설정한 설정온도와 설정시간, 실내온도 및 냉온수 유닛의 출구온도에 대한 데이터를 제1 모델에 입력할 수 있다(S5000).
제2 학습부(400)에 의해 도출된 열원공조설비의 기동/정지시간 및 공조설비의 구동량에 따라 열원공조설비 구동 제어부(500)는 열원공조설비를 제어할 수 있다. 이를 통해, 건물 내의 복수의 영역들의 실내 온도의 최적화 제어가 구현될 수 있다. 열원공조설비를 제어한 데이터는 열원공조설비의 스케줄에 입력하여 그 효과에 대한 검증 과정이 수행될 수 있다. 제2 학습부(400)에 의해 도출된 데이터에 기초하여 열원공조설비를 제어한 결과 복수의 영역들의 실내온도가 사용자가 설정한 설정시간에 설정온도까지 도달하였는지 여부 및 복수의 영역들의 실내온도가 설정시간까지 설정온도로 유지되었는지 여부가 검증될 수 있다. 검증된 데이터는 데이터베이스부(100)에 다시 저장될 수 있고, 전처리부(200)는 필요한 경우 데이터의 변환 과정을 수행할 수 있다. 즉, 제2 학습부(400)에 의해 도출되고 실재로 열원공조설비를 제어한 데이터에 대한 데이터 변환 과정을 다시 수행하여 제2 모델의 신뢰성을 더욱 높일 수 있다(S6000).
본 발명의 다양한 실시 예에 따르면, 각각의 구성들은 소프트웨어, 펌웨어, 하드웨어 또는 그 조합으로 구성될 수 있다. 또한 본 발명의 다양한 실시 예에 따르면, 각각의 구성들의 동작들은 순차적, 반복적 또는 병렬적으로 실행될 수 있다. 또한, 일부 동작들은 생략되거나, 다른 동작들이 추가되어 실행될 수도 있다.
상술한 바와 같은 본 발명의 다양한 실시 예들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터로 판독 가능한 기록 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
상기 컴퓨터로 판독 가능한 기록 매체에는 하드디스크, 플로피디스크 및 자기 테이프와 같은 마그네틱 매체(Magnetic Media)와, CD-ROM(Compact Disc Read Only Memory), DVD(Digital Versatile Disc)와 같은 광기록 매체(Optical Media)와, 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media)와, 그리고 ROM(Read Only Memory), RAM(Random Access Memory), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지다.
이상, 첨부된 도면들을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 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 한정적이 아닌 것으로 이해해야만 한다.
This work was supported by the National Research Foundation of Korea (NRF) grant funded by the Korea government (MSIT) (No. 2020R1A2C1012952).

Claims (21)

  1. 냉온수 유닛과 공조설비를 포함하는 열원공조설비의 운전상태, 외기온도, 실내온도 및 상기 냉온수 유닛의 출구온도에 대한 과거의 데이터를 저장하는 데이터베이스부;
    시간에 따른 외기온도를 학습시켜 익일 외기온도를 예측하는 제1 모델을 학습시키는 제1 학습부; 및
    상기 데이터베이스부에 저장된 과거의 데이터를 입력값으로 하고, 상기 열원공조설비의 운전상태를 출력값으로 설정한 제2 모델을 학습시키는 제2 학습부를 포함하고,
    상기 제2 학습부는 상기 제1 학습부에 의해 예측된 상기 익일 외기온도, 시간, 사용자가 설정한 설정온도와 설정시간, 실내온도 및 상기 냉온수 유닛의 출구온도를 입력값으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출하고,
    상기 제2 학습부는 서로 구분된 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 기동된 이후 목표온도에 도달하는 도달시간 또는 상기 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 정지된 이후 목표온도를 유지하는 유지시간을 학습하고,
    상기 제2 학습부는 상기 복수의 영역들 중 어느 하나의 영역을 기준으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  2. 제1 항에 있어서,
    상기 열원공조설비의 운전상태는 상기 냉온수 유닛과 상기 공조설비의 온/오프 및 상기 공조설비의 구동량을 포함하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  3. 제1 항에 있어서,
    상기 제2 학습부는 상기 데이터베이스부에 저장된 과거의 데이터 중 상기 열원공조설비의 운전상태, 외기온도, 실내온도 및 시간에 기초하여 상기 열원공조설비의 기동 시간 및 상기 공조설비의 구동량을 학습하고,
    상기 제2 학습부는 상기 데이터베이스부에 저장된 과거의 데이터 중 상기 열원공조설비의 운전상태, 외기온도, 실내온도, 상기 냉온수 유닛의 출구온도 및 시간에 기초하여 상기 열원공조설비의 정지 시간 및 상기 공조설비의 구동량을 학습하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  4. 삭제
  5. 제1 항에 있어서,
    상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 열원공조설비 구동 제어부는 상기 어느 하나의 영역에 대한 상기 열원공조설비의 기동 시간 또는 정지 시간에 따라 상기 열원공조설비를 제어하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  6. 제1 항에 있어서,
    상기 제2 학습부는 상기 어느 하나의 영역의 실내온도가 목표온도에 도달하는 도달시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도에 도달하는 도달시간의 차이를 학습하고,
    상기 제2 학습부는 상기 어느 하나의 영역의 실내온도가 목표온도로 유지되는 유지시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도로 유지되는 유지시간의 차이를 학습하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  7. 제6 항에 있어서,
    상기 복수의 영역들 각각의 실내온도를 조절하기 위해 상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 열원공조설비 구동 제어부를 더 포함하고,
    상기 열원공조설비 구동 제어부는 상기 복수의 영역들 각각의 실내온도가 상기 설정시간에 상기 설정온도에 도달하는 도달시간의 차이 또는 상기 복수의 영역들 각각의 실내온도가 상기 설정시간까지 상기 설정온도로 유지되는 유지시간의 차이에 기초하여 상기 복수의 영역들을 향해 냉/난방 공기를 유동시키는 상기 공조설비들 각각의 구동량 또는 상기 공조설비들 각각의 기동 시간을 제어하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  8. 제7 항에 있어서,
    상기 제2 학습부는 상기 공조설비들 각각의 구동량에 따라 상기 복수의 영역들 각각의 실내온도 변화 속도를 사전에 학습하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  9. 제1 항에 있어서,
    상기 복수의 영역들 각각의 실내온도를 조절하기 위해 상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 열원공조설비 구동 제어부를 더 포함하고,
    상기 열원공조설비 구동 제어부는 상기 어느 하나의 영역의 실내 온도가 상기 설정시간에 상기 설정온도에 도달하는 기준 도달시간 또는 상기 어느 하나의 영역의 실내 온도가 상기 설정시간까지 상기 설정온도로 유지되는 기준 유지시간에 기초하여 상기 냉온수 유닛의 온/오프를 제어하고,
    상기 어느 하나의 영역은 상기 복수의 영역들의 상기 도달시간의 평균에 가장 근접한 상기 도달시간을 나타내는 영역을 의미하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  10. 제1 항에 있어서,
    상기 제1 학습부는 예측된 상기 익일 외기온도와 기상청에서 제공하는 익일의 예측 외기온도를 서로 비교하고,
    상기 제1 학습부는 실내의 난방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 작은 온도값을 최종 익일 외기온도로 사용하고, 실내의 냉방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 큰 온도값을 최종 익일 외기온도로 사용하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  11. 제1 항에 있어서,
    상기 제1 학습부는 상기 제1 모델에 의해 예측된 현재 외기온도와 실재 외기온도와의 차이가 기설정값 이상인 경우 기상청에서 제공하는 익일의 예측 외기온도를 최종 익일 외기온도로 사용하고,
    상기 제1 학습부는 기상청에서 제공하는 현재 예측 외기온도와 상기 실재 외기온도와의 차이가 기설정값 이상인 경우 상기 제1 모델에 의해 예측되는 상기 익일 외기온도를 최종 익일 외기온도로 사용하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  12. 제1 항에 있어서,
    과거의 데이터의 전처리를 수행하는 전처리부를 더 포함하고,
    상기 전처리부는 기설정된 시간 간격으로 수집된 외기온도에 대한 과거의 데이터에 결측치가 발생된 경우 기상청에서 제공하는 외기온도의 데이터를 고려하여 외기온도에 대한 과거의 데이터를 보정하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  13. 냉온수 유닛과 공조설비를 포함하는 열원공조설비의 운전상태, 외기온도, 실내온도 및 상기 냉온수 유닛의 출구온도에 대한 과거의 데이터를 저장하는 데이터베이스부;
    시간에 따른 외기온도를 학습시켜 익일 외기온도를 예측하는 제1 모델을 학습시키는 제1 학습부;
    상기 데이터베이스부에 저장된 과거의 데이터를 입력값으로 하고, 상기 열원공조설비의 운전상태를 출력값으로 설정한 제2 모델을 학습시키는 제2 학습부; 및
    과거의 데이터의 전처리를 수행하는 전처리부를 포함하고,
    상기 제2 학습부는 상기 제1 학습부에 의해 예측된 상기 익일 외기온도, 시간, 사용자가 설정한 설정온도와 설정시간, 실내온도 및 상기 냉온수 유닛의 출구온도를 입력값으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출하고,
    과거의 데이터의 전처리를 수행하는 전처리부를 더 포함하고,
    상기 전처리부는 과거의 데이터에 기초하여 실내온도가 목표온도에 도달하기까지 걸린 도달시간 또는 실내온도가 목표온도로 유지되는 유지시간을 도출하고, 상기 도달시간 또는 상기 유지시간에 기초하여 상기 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간에 대한 데이터를 변환하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  14. 제13 항에 있어서,
    변환된 상기 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간은 외기온도 및 실내온도와 매칭되어 상기 데이터베이스부에 저장되고,
    상기 제2 학습부는 상기 데이터베이스부에 저장된 변환된 상기 열원공조설비의 과거의 기동 시간, 외기온도 및 실내온도를 학습하여 상기 열원공조설비의 기동 시간을 추출하고,
    상기 제2 학습부는 상기 데이터베이스부에 저장된 변환된 상기 열원공조설비의 과거의 정지 시간, 외기온도, 실내온도 및 상기 냉온수 유닛의 출구온도를 학습하여 상기 열원공조설비의 정지 시간을 추출하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  15. 제1 항에 있어서,
    상기 제1 학습부는 LSTM(Long Short-Term Memory) 알고리즘을 이용하여 상기 제1 모델을 학습시키고,
    상기 제2 학습부는 랜덤포레스트(random forest) 알고리즘을 이용하여 상기 제2 모델을 학습시키는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템.
  16. 냉온수 유닛과 공조설비를 포함하는 열원공조설비의 운전상태, 외기온도, 실내온도, 상기 냉온수 유닛의 출구온도에 대한 과거의 데이터를 데이터베이스부에 저장하는 단계;
    시간에 따른 외기온도를 학습시켜 익일 외기온도를 예측하는 제1 모델을 학습시키는 단계;
    상기 데이터베이스부에 저장된 데이터를 입력값으로 하고, 상기 열원공조설비의 운전상태를 출력값으로 설정한 제2 모델을 학습시키는 단계; 및
    상기 제1 모델에 의해 예측된 상기 익일 외기온도와 사용자가 설정한 설정온도, 현재 실내온도 및 상기 냉온수 유닛의 현재 출구온도를 입력값으로 상기 열원공조설비의 기동 시간 또는 정지 시간을 추출하는 단계를 포함하고,
    상기 데이터베이스부에 저장된 과거의 데이터에 대한 데이터 변환 및 과거의 데이터의 결측치에 대한 보정을 수행하는 단계를 더 포함하고,
    데이터 변환은 과거의 데이터에 기초하여 특정 영역의 실내온도가 목표온도에 도달하기까지 걸린 도달시간 또는 특정 영역의 실내온도가 목표온도로 유지되는 유지시간을 도출하고, 상기 도달시간 또는 상기 유지시간에 기초하여 상기 열원공조설비의 과거의 기동 시간 또는 과거의 정지 시간에 대한 데이터를 변환하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 방법.
  17. 삭제
  18. 제16 항에 있어서,
    상기 제1 모델에 의해 도출된 익일 외기온도는 기상청에서 제공하는 익일의 예측 외기온도와 비교되고,
    실내의 난방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 작은 온도값을 최종 익일 외기온도로 결정하고, 실내의 냉방이 필요한 시즌에는 상기 익일 외기온도와 상기 예측 외기온도 중 큰 온도값을 최종 익일 외기온도로 결정하는 단계를 더 포함하고,
    최종 익일 외기온도는 상기 제2 모델에 입력되는 상기 익일 외기온도를 의미하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 방법.
  19. 제16 항에 있어서,
    상기 제2 모델을 학습시키는 단계는,
    상기 열원공조설비의 운전상태, 외기온도, 실내온도 및 시간에 기초하여 상기 냉온수 유닛의 기동시간 및 상기 공조설비의 기동시간을 도출하고,
    상기 열원공조설비의 운전상태, 외기온도, 실내온도, 상기 냉온수 유닛의 출구온도 및 시간에 기초하여 상기 냉온수 유닛의 정지시간 및 상기 공조설비의 정지시간을 도출하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 방법.
  20. 제19 항에 있어서,
    상기 제2 모델을 학습시키는 단계는,
    서로 구분된 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 기동된 이후 목표온도에 도달하는 도달시간 또는 상기 복수의 영역들 각각의 실내온도가 상기 열원공조설비가 정지된 이후 목표온도를 유지하는 유지시간을 학습하는 단계; 및
    상기 어느 하나의 영역의 실내온도가 목표온도에 도달하는 도달시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도에 도달하는 도달시간의 차이 또는 상기 어느 하나의 영역의 실내온도가 목표온도로 유지되는 유지시간과 상기 어느 하나의 영역을 제외한 상기 복수의 영역들 각각의 실내온도가 목표온도로 유지되는 유지시간의 차이를 학습하는 단계를 포함하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 방법.
  21. 제20 항에 있어서,
    상기 복수의 영역들 각각의 실내온도를 조절하기 위해 상기 제2 모델에 의해 추출된 상기 열원공조설비의 기동 시간 또는 정지 시간에 기초하여 상기 냉온수 유닛 및 복수의 상기 공조설비들을 제어하는 단계를 더 포함하고,
    상기 복수의 영역들 각각의 실내온도가 사용자가 설정하는 설정시간에 상기 설정온도에 도달하는 도달시간의 차이 또는 상기 복수의 영역들 각각의 실내온도가 상기 설정시간까지 상기 설정온도로 유지되는 유지시간의 차이에 기초하여 상기 복수의 영역들을 향해 냉/난방 공기를 유동시키는 상기 공조설비들 각각의 구동량 또는 상기 공조설비들 각각의 기동 시간을 제어하는,
    기계학습모델 기반 열원공조설비 최적화 구동 제어 방법.

KR1020220096594A 2022-08-03 2022-08-03 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법 KR102658508B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220096594A KR102658508B1 (ko) 2022-08-03 2022-08-03 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220096594A KR102658508B1 (ko) 2022-08-03 2022-08-03 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20240018816A KR20240018816A (ko) 2024-02-14
KR102658508B1 true KR102658508B1 (ko) 2024-04-19

Family

ID=89896269

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220096594A KR102658508B1 (ko) 2022-08-03 2022-08-03 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102658508B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101840738B1 (ko) * 2017-09-28 2018-03-21 (주)가교테크 공조장비의 실측 부하를 기반으로 한 건물의 냉난방부하 예측 방법
JP2020070945A (ja) * 2018-10-30 2020-05-07 アズビル株式会社 空調システムおよび空調制御方法
KR102171414B1 (ko) * 2019-12-30 2020-10-28 주식회사 에어콕 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102482043B1 (ko) * 2018-10-29 2022-12-26 에스케이텔레콤 주식회사 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101840738B1 (ko) * 2017-09-28 2018-03-21 (주)가교테크 공조장비의 실측 부하를 기반으로 한 건물의 냉난방부하 예측 방법
JP2020070945A (ja) * 2018-10-30 2020-05-07 アズビル株式会社 空調システムおよび空調制御方法
KR102171414B1 (ko) * 2019-12-30 2020-10-28 주식회사 에어콕 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템

Also Published As

Publication number Publication date
KR20240018816A (ko) 2024-02-14

Similar Documents

Publication Publication Date Title
KR102212663B1 (ko) 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
Zhang et al. Building HVAC scheduling using reinforcement learning via neural network based model approximation
De Coninck et al. Practical implementation and evaluation of model predictive control for an office building in Brussels
KR102198817B1 (ko) 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법
US20180081330A1 (en) Method and Apparatus for Controlling an Environment Management System within a Building
Ahn et al. Anti-logic or common sense that can hinder machine’s energy performance: Energy and comfort control models based on artificial intelligence responding to abnormal indoor environments
Maasoumy et al. Selecting building predictive control based on model uncertainty
WO2015151363A1 (ja) 空調システム、及び、空調設備の制御方法
Spindler et al. Naturally ventilated and mixed-mode buildings—Part I: Thermal modeling
US11210750B2 (en) Method and system for energy improvement verification of buildings
US20230040886A1 (en) Building equipment energy management control system and control therefor
Raftery et al. A new control strategy for high thermal mass radiant systems
Bursill et al. Multi-zone field study of rule extraction control to simplify implementation of predictive control to reduce building energy use
KR102658508B1 (ko) 기계학습모델 기반 열원공조설비 최적화 구동 제어 시스템 및 방법
Saloux et al. A practical data-driven multi-model approach to model predictive control: results from implementation in an institutional building
Jung et al. Development and performance evaluation of intelligent algorithm for optimal control of a hybrid heat pump system during the cooling season
Jorissen et al. Towards real MPC implementation in an office building using TACO
Simmons et al. Determining the cost optimum among a discrete set of building technologies to satisfy stringent energy targets
Merema et al. MPC framework for all-air systems in non-residential buildings
Gyalistras et al. A multi-stage approach for building and HVAC model validation and its application to a Swiss office building
Cai Simulation-and Experiment-Based Setpoint Control for Heating, Ventilation, and Air-Conditioning Systems: A Single-and Multi-Objective Optimization Problem
Abdo-Allah Dynamic modeling and fuzzy logic control of a large building HVAC system
Rosa et al. Integrating greenhouse gas emissions into model predictive control of heat pump water heaters
Cong et al. Development of a Coupled EnergyPlus‐MATLAB Simulation Based on LSTM for Predictive Control of HVAC System
Djuric Real-time supervision of building HVAC system performance

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant