KR20190062741A

KR20190062741A - 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법

Info

Publication number: KR20190062741A
Application number: KR1020170161242A
Authority: KR
Inventors: 강대성; 이준목
Original assignee: 동아대학교 산학협력단
Priority date: 2017-11-29
Filing date: 2017-11-29
Publication date: 2019-06-07

Abstract

본 발명은 원격 전원 제어기, 서버, 모니터링 장치를 포함하는 가정용 및 산업용 원격 전원 제어 시스템의 전력 소비 분석 방법에 있어서, 원격 전원 제어기에서 전력량 데이터를 수집하는 단계, 서버에서 상기 전력량 데이터를 수신하여 저장하는 단계, 상기 전력량 데이터를 과거 사용량 데이터와 시계열 데이터로 분류하는 단계, 엘만 신경 회로망에 데이터를 입력하는 단계, 엘만 신경 회로망에서 예측 전력 사용량 데이터를 추출하는 단계, 예측 전력 사용량 데이터와 기존 전력 사용량 데이터를 비교하며 에너지 패턴을 도출하는 단계를 포함하는 것을 특징으로 하는 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법에 관한 것이다.

Description

원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법{Electric Power Consumption Analyzing Method Using Deep Learning in Remote Power Control System}

본 발명은 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법에 관한 것이다.

스마트홈은 통신과 디지털 기기를 바탕으로 언제, 어디서나, 어떤 기기로도 컴퓨팅 이용이 가능한 자동화를 지원하는 집을 의미한다. 스마트홈 시장은 모바일 네트워크 확산, 스마트 단말기의 보편화, 서비스의 수요 증대로 빠르게 확대되고 있다.

선행기술인 대한민국 등록특허 제10-1264167호에는 AC/DC 전력사용량을 수집하여 모니터링하는 방법 및 시스템이 제공되지만, 수집한 데이터를 이용한 전력 사용 예측량 등을 제시하지 못한다는 단점이 있다.

또한, 선행기술인 대한민국 등록특허 제10-1557115호에는 홈 네트워트 시스템에서 각 기기의 전력 사용량을 분석하는 전력 사용량 분석 방법 및 이를 위한 장치가 제시된다. 하지만 선행기술의 경우 전력 사용량 분석이 사용량을 측정하는 장치에서 이루어져 복잡하거나 큰 데이터를 분석하기 어려운 문제점이 있다.

대한민국 등록특허번호 : 제 10-1557115호 대한민국 등록특허번호 : 제 10-1660487호 대한민국 등록특허번호 : 제 10-1264167호

본 발명은 상기와 같은 종래기술의 문제점을 해결하는 것을 목적으로 한다.

구체적으로, 본 발명의 목적은 다수의 플러그를 갖는 원격 전원 제어기와 서버, 모니터링 장치를 갖는 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법을 제공하는 것이다.

또한, 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법을 이용하여 가정별 산업 현장별 소비 전력 분석 데이터, 전력 소비 예측 데이터를 제공하여 효율적인 전력 사용을 돕는 것을 목적으로 한다.

본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

이러한 목적을 달성하기 위한 본 발명에 따른 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법은 원격 전원 제어기에서 전력량 데이터를 수집하는 단계; 서버에서 상기 전력량 데이터를 수신하여 저장하는 단계; 상기 전력량 데이터를 과거 사용량 데이터와 시계열 데이터로 분류하는 단계; 엘만 신경 회로망에 데이터를 입력하는 단계; 엘만 신경 회로망에서 예측 전력 사용량 데이터를 추출하는 단계; 예측 전력 사용량 데이터와 기존 전력 사용량 데이터를 비교하며 에너지 패턴을 도출하는 단계; 를 포함한다.

상기 기술적 과제를 해결하기 위한 본 발명에 따른 전력 소비량 분석 방법이 적용되는 원격 전원 제어 시스템은, 외부장치와 연결하여 전원을 공급하고, 전력량을 측정하여 서버에 전송하고, 서버에서 전송한 신호에 따라 전원을 켜거나 끄는 원격 전원 제어기, 상기 원격 전원 제어기에서 전송한 전력 값을 수신하여 저장하고 상기 원격 전원 제어기로 전원 공급 또는 전원 공급 중단 중 어느 하나 이상의 신호를 전송하는 서버 및 상기 클라우드 서버에 접속하여, 상기 원격 전원 제어기를 모니터닝 하는 모니터링 장치를 포함한다.

엘만 신경 회로망에 입력되는 데이터는 전류량, 전력량, 시간 데이터 중 어느 하나 이상을 포함한다.

이상과 같이 본 발명은 다수의 플러그를 갖는 원격 전원 제어기와 서버, 모니터링 장치를 갖는 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법을 제공하는 효과가 있다.

이에 따라 가정별 산업 현장별 소비 전력 분석 데이터, 전력 소비 예측 데이터를 제공하여 효율적으로 전력을 사용하게 하는 효과가 있다.

본 발명의 기술적 효과들은 이상에서 언급한 기술적 효과들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 청구범위의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 가정용 및 산업용 원격 전원 제어 시스템을 나타내는 도면이다.
도 2는 본 발명의 일실시 예에 따른 원격 전원 제어 시스템의 서버에서 딥러닝을 이용한 전력 소비량 분석 방법을 개략적으로 보여주는 도면이다.
도 3은 본 발명의 일실시 예에 따른 원격 전원 제어 시스템의 구성을 나타내는 블록도이다.
도 4는 본발명의 일실시 예에 따른 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법을 나타내는 흐름도이다.
도 5는 엘만 신경 회로망(Elman Neural Network)을 나타내는 도면이다.
도 6은 엘만 신경 회로망의 기본 구조를 나타내는 도면이다.

이하, 본 발명의 바람직한 실시 예를 첨부된 도면을 참조하여 상세히 설명한다. 참고로, 본 발명을 설명하는 데 참조하는 도면에 도시된 구성요소의 크기, 선의 두께 등은 이해의 편의상 다소 과장되게 표현되어 있을 수 있다. 또, 본 발명의 설명에 사용되는 용어들은 본 발명에서의 기능을 고려하여 정의한 것이므로 사용자, 운용자 의도, 관례 등에 따라 달라질 수 있다. 따라서, 이 용어에 대한 정의는 본 명세서의 전반에 걸친 내용을 토대로 내리는 것이 마땅하겠다.

또한, 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시 예를 첨부된 도면을 참조하여 설명하지만, 이는 본 발명의 더욱 용이한 이해를 위한 것으로, 본 발명의 범주가 그것에 의해 한정되는 것은 아니다. 아울러, 본 발명의 실시 예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.

본 발명의 각 구성 단계에 대한 상세한 설명에 앞서, 본 명세서 및 청구 범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 안 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위하여 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시 예에 불과하며 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "... 부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

도 1은 가정용 및 산업용 원격 전원 제어 시스템을 나타내는 도면이다. 도 1을 참조하면 본 발명이 실시되는 가정용 및 산업용 원격 전원 제어 시스템은 원격 전원 제어기(10), 서버(20), 모니터링 장치(30)를 포함한다. 원격 전원 제어기(10)는 외부장치와 연결하여 전원을 공급하고, 전력량을 측정하여 서버에 전송하고, 서버에서 전송한 신호에 따라 전원을 켜거나 끈다. 서버(20)는 원격 전원 제어기에서 전송한 전력 값을 수신하여 저장하고 원격 전원 제어기(10)로 전원 공급 또는 전원 공급 중단 중 어느 하나 이상의 신호를 전송한다. 모니터링 장치는 서버(20)에 접속하여, 원격 전원 제어기(10)를 모니터닝 하고 원격 전원 제어 신호를 입력한다.

도 2는 본 발명의 일실시 예에 따른 원격 전원 제어 시스템의 서버에서 딥러닝을 이용한 전력 소비량 분석 방법을 개략적으로 보여주는 도면이다. 도 2를 참조하면 본 발명의 일실시 예에서 서버(20)는 원격 전원 제어기(10)에서 보낸 전력량 데이터를 저장하고, 딥러닝 모델에 입력, 병렬 분산 처리, 강화 학습을 통해 전력 소비 예측 데이터를 산출한다.

도 3은 본 발명의 일실시 예에 따른 원격 전원 제어 시스템의 구성을 나타내는 블록도이다. 도 3을 참조하여 본 발명의 일실시 예에 따른 원격 전원 제어 시스템의 구성을 설명해 보겠다. 원격 전원 제어기(20)는 사용 전력량을 측정한 값인 전력 데이터를 MQTT BROKER서버(21)로 전송한다. MQTT BROKER 서버(21)에서는 전송받은 전력데이터를 DB 서버(22)에 전달하여 수집 데이터를 저장한다. DB 서버(22)는 수집데이터를 딥러닝 서버(23)에 전송하고, 딥러닝 서버(23)는 딥러닝 분석을 통해 계산한 예측 데이터를 DB 서버(22)에 전달한다. DB 서버(22)는 예측 데이터를 API 서버(24)로 전송하여 앱이나 웹에서 인식가능한 언어로 데이터를 변환한다. 사용자는 PC나 스마트폰과 같은 모니터링 장치(30)를 이용해 앱이나 웹에 접속하여 전력 데이터, 예측 데이터를 확인한다.

도 4는 본 발명의 일실시 예에 따른 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법을 나타내는 흐름도이다.

원격 전원 제어기에서 전력량을 측정하며 전력 데이터를 수집하고(S1) 수집 데이터를 서버에 전송하면 서버에서 전력량 데이터를 수집한다(S2). 이때 전력량 데이터는 순시 전력(W), 누적 전력량(Wh), 전압(Vrms), 전류(Irms), 역률(PF)정보를 포함한다. 또한, 원격 전원 제어기는 자체에 식별코드를 내장하여 서버에 전력량 데이터를 전송할 때 식별코드를 함께 전송한다. 서버는 수집한 전력량 데이터를 과거사용량 데이터(S3)와 시계열 데이터(S4)로 분류하고, 과거사용량 데이터(S3)와 시계열 데이터(S4)의 데이터를 엘만 신경 회로망에 데이터를 입력한다(S5). 엘만 신경 회로망에서 학습 데이터를 도출하고 예측 전력 사용량 데이터를 도출한다(S6). 학습 데이터와 기존 데이터를 비교하며 에너지 패턴을 도출한다(S7). 학습 데이터(Training Data)란 전력 얼마나 소비할 것인가를 미리 추정하는 예측모형을 적합화 시키기 위해 사용되는 데이터를 말한다.

도 5는 엘만 신경 회로망(Elman Neural Network)을 나타내는 도면이다.

엘만 신경 회로망은 입력층(Input Layer), 숨겨진 층(Hidden Layer), 출력층(Output Layer)순으로 이루어진 RNN(Recurrent Neural Network) 구조에 Context Layer가 추가된 구조이다. Context Layer는 Hidden Layer에서 나온 결과 중 기억하고 싶은 부분을 저장해 두었다가 필요할 때 꺼낼 수 있는 피드백 신호 역할을 한다. Context Layer는 Hidden Layer로부터 피드백 신호를 얻어 이전의 출력 결과를 기억할 수 있기 때문에 적은 입력 장치(Input Unit)으로 신경망을 처리하여 더 빠른 수렴 속도를 가지게 된다.

도 6은 엘만 신경 회로망의 기본 구조를 나타내는 도면이다.

도 6을 참조하여 본 발명의 일실시 예에 따른 예측 전력 사용량 데이터를 추출하는 방법은, 전류량 및 시간 데이터를 입력 벡터로 하고, 출력 벡터에는 전력량을 매칭시켜 매개변수 행렬 및 벡터(가중치)를 연동하여 예측 벡터 값을 추론한다. 다시 말하면 과거의 데이터와 현재의 데이터 간의 가중치를 달리줘서 미래 전력 소모량을 예측한다.

이상 본 발명의 실시 예에 따른 도면을 참조하여 설명하였지만, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자라면 상기 내용을 바탕으로 본 발명의 범주 내에서 다양한 응용, 변형 및 개작을 행하는 것이 가능할 것이다. 이에, 본 발명의 진정한 보호 범위는 첨부된 청구 범위에 의해서만 정해져야 할 것이다.

10 : 원격 전원 제어기
20 : 서버
30 : 모니터링 장치

Claims

외부장치와 연결하여 전원을 공급하고, 전력량을 측정하여 서버에 전송하고, 서버에서 전송한 신호에 따라 전원을 켜거나 끄는 원격 전원 제어기
상기 원격 전원 제어기에서 전송한 전력 값을 수신하여 저장하고 상기 원격 전원 제어기로 전원 공급 또는 전원 공급 중단 중 어느 하나 이상의 신호를 전송하는 서버 및
상기 클라우드 서버에 접속하여, 상기 원격 전원 제어기를 모니터닝 하는 모니터링 장치를 포함하는 가정용 및 산업용 원격 전원 제어 시스템의 전력 소비 분석 방법에 있어서,
원격 전원 제어기에서 전력량 데이터를 수집하는 단계;
서버에서 상기 전력량 데이터를 수신하여 저장하는 단계;
상기 전력량 데이터를 과거 사용량 데이터와 시계열 데이터로 분류하는 단계;
엘만 신경 회로망에 데이터를 입력하는 단계;
엘만 신경 회로망에서 예측 전력 사용량 데이터를 추출하는 단계;
예측 전력 사용량 데이터와 기존 전력 사용량 데이터를 비교하며 에너지 패턴을 도출하는 단계; 를 포함하는 것을 특징으로 하는 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법.
제 1항에 있어서,
엘만 신경 회로망에 입력되는 데이터는 전류량, 전력량, 시간 데이터 중 어느 하나 이상을 포함하는 것을 특징으로 하는 원격 전원 제어 시스템에서 딥러닝을 이용한 전력 소비량 분석 방법.