KR20190109640A - 공조 장치 및 그 제어 방법 - Google Patents

공조 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20190109640A
KR20190109640A KR1020180025915A KR20180025915A KR20190109640A KR 20190109640 A KR20190109640 A KR 20190109640A KR 1020180025915 A KR1020180025915 A KR 1020180025915A KR 20180025915 A KR20180025915 A KR 20180025915A KR 20190109640 A KR20190109640 A KR 20190109640A
Authority
KR
South Korea
Prior art keywords
temperature
power consumption
air conditioning
conditioning apparatus
time
Prior art date
Application number
KR1020180025915A
Other languages
English (en)
Other versions
KR102440118B1 (ko
Inventor
주영주
황준
강희찬
김민경
남광일
박정욱
서형준
옥현우
이상우
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180025915A priority Critical patent/KR102440118B1/ko
Priority to PCT/KR2019/002190 priority patent/WO2019172559A1/en
Priority to CN201980017259.8A priority patent/CN111868449B/zh
Priority to EP19764443.8A priority patent/EP3721148A4/en
Priority to US16/286,000 priority patent/US11674705B2/en
Publication of KR20190109640A publication Critical patent/KR20190109640A/ko
Application granted granted Critical
Publication of KR102440118B1 publication Critical patent/KR102440118B1/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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/20—Sunlight
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/30—Artificial light
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/60—Energy consumption
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2500/00—Problems to be solved
    • F25B2500/19—Calculation of parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2700/00—Sensing or detecting of parameters; Sensors therefor
    • F25B2700/15—Power, e.g. by voltage or current

Landscapes

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

Abstract

공조 장치가 개시된다. 공조 장치는, 디스플레이, 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보가 저장된 저장부, 센서 및 희망 온도가 입력되면, 저장부에 저장된 정보에 기초하여 센서에 의해 센싱된 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하고, 예측된 소비 전력 및 시간 중 적어도 하나를 디스플레이를 통해 제공하는 프로세서를 포함한다. 특히, 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측를 획득하는 방법의 적어도 일부는 기계학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 인공지능 모델을 이용할 수 있다.

Description

공조 장치 및 그 제어 방법{ AIR CONDITIONER AND METHOD FOR CONTROL THEREOF }
본 발명은 공조 장치 및 제어 방법들에 대한 것으로, 더욱 상세하게는 실내 온도 및 희망 온도에 대한 정보를 제공하는 공조 장치 및 그 제어 방법에 대한 것이다.
또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 근래에는 실내 공간의 온도, 습도, 청정도 및 기류 등을 조절하여 쾌적한 실내 환경을 유지하기 위한 공조 장치가 보급되고 있는 실정이다.
종래의 공조 장치는 사용자에게 현재 실내 온도 및 희망 온도에 대한 정보, 공조 장치의 구동이 종료되는 시점에서 누적 사용량에 대한 정보만을 제공하였다.
이에 따라, 사용자는 공조 장치의 구동 초기에 실내 온도가 희망 온도에 도달하는데 요구되는 소요 시간 또는 소비 전력량에 대한 정보를 확인할 수 없는 문제가 있었다.
사용자는 직접 체감하는 온도 변화 또는 공조 장치의 디스플레이를 통해 제공되는 실내 온도의 변화에만 의존하여 희망 온도를 조절할 수 있었기 때문에 공조 장치의 에너지 소비가 과다해지는 단점이 있었다.
본 발명은 상술한 필요성에 따른 것으로, 본 발명의 목적은 실내 온도가 희망 온도에 도달하는데 요구되는 시간 및 전력에 대한 정보를 사용자에게 제공하는 전자 장치 및 그 제어 방법들을 제공함에 있다.
상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 공조 장치는 디스플레이, 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보가 저장된 저장부, 센서 및 희망 온도가 입력되면, 상기 저장부에 저장된 정보에 기초하여 상기 센서에 의해 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하고, 상기 예측된 소비 전력 및 시간 중 적어도 하나를 상기 디스플레이를 통해 제공하는 프로세서를 포함한다.
여기서, 통신부를 더 포함하고, 상기 프로세서는, 상기 통신부를 통해 상기 공조 장치가 배치된 지역의 실외 온도에 대한 정보를 수신하고, 상기 수신된 실외 온도 및 상기 센싱된 실내 온도에 기초하여 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
또한, 상기 프로세서는, 상기 센서를 통해 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하고, 상기 획득된 소비 전력 및 소요 시간 중 적어도 하나에 기초하여 상기 저장된 정보를 업데이트할 수 있다.
여기서, 상기 프로세서는, 상기 획득된 소비 전력 및 소요 시간에 기초하여 상기 공조 장치가 배치된 실내 환경을 예측하고, 상기 예측된 실내 환경에 대응되는 소비 전력 정보 및 시간 정보를 획득하여 상기 저장부에 저장하고, 상기 실내 환경은, 상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
또한, 상기 프로세서는, 상기 센서를 통해 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하고, 상기 획득된 소비 전력 및 소요 시간 중 적어도 하나를 상기 저장된 소비 전력 정보 및 시간 정보 중 적어도 하나와 비교하고, 비교 결과에 따른 피드백을 제공할 수 있다.
여기서, 상기 프로세서는, 상기 비교 결과가 기 설정된 오차 범위를 초과하면, 상기 공조 장치가 위치된 실내 환경에 대한 가이드를 제공할 수 있다.
또한, 상기 저장부는, 상기 센싱된 실내 온도 별 상기 공조 장치의 동작 모드 및 희망 온도 중 적어도 하나를 포함하는 사용 이력을 저장하고, 상기 프로세서는, 상기 사용 이력에 기초하여 사용자의 선호 모드 및 선호 온도를 획득하고, 상기 선호 모드 상에서 상기 센싱된 실내 온도가 상기 선호 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
여기서, 상기 프로세서는, 현재 시간에 기초하여 상기 현재 시간에서 선호되는 상기 사용자의 선호 모드 및 선호 온도를 획득할 수 있다.
또한, 상기 프로세서는, 인공지능 모델을 통해 상기 소비 전력 및 상기 시간 중 적어도 하나를 예측하고, 상기 인공지능 모델은, 상기 소비 전력 정보, 상기 시간 정보 및 상기 공조 장치가 배치된 실내 환경 중 적어도 하나에 기초하여 학습된 모델이고, 상기 실내 환경은, 상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
또한, 상기 프로세서는, 상기 센싱된 실내 온도와 상기 희망 온도 간의 차이가 기설정된 값 이상이면, 상기 공조 장치를 제1 모드로 설정하고, 상기 제1 모드에서의 공조 성능에 기초하여 상기 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하고, 상기 센싱된 실내 온도와 상기 희망 온도 간의 차이가 기설정된 값 미만이면, 상기 공조 장치를 제2 모드로 설정하고, 상기 제2 모드에서의 공조 성능에 기초하여 상기 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
또한, 상기 프로세서는, 상기 센싱된 실내 온도가 상기 희망 온도에 도달하면, 상기 디스플레이를 통해 누적 소비 전력을 제공할 수 있다.
한편, 본 개시의 일 실시 예에 따른 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보가 저장된 공조 장치의 제어 방법에 있어서, 실내 온도를 센싱하는 단계, 희망 온도가 입력되면, 상기 정보에 기초하여 상기 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하는 단계 및 상기 예측된 소비 전력 및 시간 중 적어도 하나를 출력하는 단계를 포함한다.
여기서, 상기 공조 장치가 배치된 지역의 실외 온도에 대한 정보를 수신하는 단계를 포함하고, 상기 예측하는 단계는, 상기 수신된 실외 온도 및 상기 센싱된 실내 온도에 기초하여 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
또한, 상기 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하는 단계 및 상기 획득된 소비 전력 및 소요 시간 중 적어도 하나에 기초하여 상기 저장된 정보를 업데이트 하는 단계를 포함할 수 있다.
여기서, 상기 획득된 소비 전력 및 소요 시간에 기초하여 상기 공조 장치가 배치된 실내 환경을 예측하는 단계 및 상기 예측된 실내 환경에 대응되는 소비 전력 정보 및 시간 정보를 획득하여 저장하는 단계 및 상기 획득된 소비 전력 및 소요 시간에 기초하여 상기 인공지능 모델을 재학습하는 단계를 포함하고, 상기 실내 환경은, 상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
또한, 상기 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하는 단계, 상기 획득된 소비 전력 및 소요 시간 중 적어도 하나를 상기 저장된 소비 전력 정보 및 시간 정보 중 적어도 하나와 비교하는 단계 및 비교 결과에 따른 피드백을 제공하는 단계를 포함할 수 있다.
여기서, 상기 비교 결과가 기 설정된 오차 범위를 초과하면, 상기 공조 장치가 위치된 실내 환경에 대한 가이드를 제공하는 단계를 포함할 수 있다.
또한, 상기 공조 장치는, 상기 센싱된 실내 온도 별 상기 공조 장치의 동작 모드 및 희망 온도 중 적어도 하나를 포함하는 사용 이력을 저장하고, 상기 사용 이력에 기초하여 사용자의 선호 모드 및 선호 온도를 획득하는 단계를 더 포함하고, 상기 예측하는 단계는, 상기 선호 모드 상에서 상기 센싱된 실내 온도가 상기 선호 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
또한, 상기 획득하는 단계는, 현재 시간에 기초하여 상기 현재 시간에서 선호되는 상기 사용자의 선호 모드 및 선호 온도를 획득할 수 있다.
또한, 상기 예측하는 단계는, 인공지능 모델을 통해 상기 소비 전력 및 상기 시간 중 적어도 하나를 예측하고, 상기 인공지능 모델은, 상기 소비 전력 정보, 상기 시간 정보 및 상기 공조 장치가 배치된 실내 환경 중 적어도 하나에 기초하여 학습된 모델이고, 상기 실내 환경은, 상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
이상과 같은 본 발명의 다양한 실시 예에 따르면, 공조 장치의 구동 초기에 실내 환경이 쾌적 환경에 도달하기까지 잔여 시간 또는 소비 전력량에 예측 정보를 사용자에게 제공할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 공조 장치를 설명하기 위한 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 소비 전력 및 시간을 예측하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 개시의 일 실시 예에 따른 예측된 소비 전력 및 시간을 설명하기 위한 도면이다.
도 4a는 본 개시의 일 실시 예에 따른 소비 전력 정보 및 시간 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 4b는 본 개시의 일 실시 예에 따른 소비 전력 정보 및 시간 정보를 설명하기 위한 도면이다.
도 5는 본 개시의 다른 실시 예에 따른 공조 장치가 획득하는 정보를 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 공조 장치의 동작 모드를 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 공조 장치의 추천 온도를 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 공조 장치의 추천 모드를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시 예에 따른 공조 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 10은 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 공조 장치의 구성을 나타내는 블록도이다.
도 11a는, 다양한 실시예에 따른 학습부 및 판단부의 블록도이다.
도 11b는, 일 실시예에 따른 공조 장치 및 외부의 서버가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 개시의 일 실시 예에 따른 공조 장치(100)를 설명하기 위한 블록도이다.
도 1에 도시된 바와 같이 공조 장치(100)는 센서(110), 저장부(120), 디스플레이(130) 및 프로세서(140)를 포함한다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 공기 조절 장치, 공조 시스템으로서 난방, 냉방, 감습, 가습, 환기(Ventilation) 등을 통해 실내를 쾌적하게 유지해 주는 다양한 유형의 장치를 의미한다. 일 예로, 공조 장치(100)는 온풍기, 히터, 냉난방이 모두 가능한 에어컨 등으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며 공조 장치(100)는 실내 온도를 증감시킬 수 있는 다양한 유형의 장치로 구현될 수 있으며, 냉방 또는 난방만 가능한 기기라도 본 개시의 응용이 가능하다. 이하에서는 설명의 편의를 위해 공조 장치(100)를 냉난방이 모두 가능한 에어컨으로 상정하여 설명하도록 한다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 실내기 및 실외기를 포함할 수 있다. 실내기는 실외기와 연결되어 있으며, 실내기는 배관을 통해 실외기와 냉매를 교류한다. 실내기와 실외기로 구성되는 공조 장치(100)는 실내 공기의 온도를 낮추는 냉방, 실내 공기의 온도를 높이는 난방, 실내에 기류를 형성하는 송풍 및 실내 습도를 낮추는 제습 등 다양한 동작 모드를 포함할 수 있다. 공조 장치(100)의 동작 모드에 대해서는 후술하도록 한다.
본 개시의 일 실시 예에 따른 실외기는 외부 공기와 열을 교환한다. 실외기는 실내기로부터 냉매를 통해 전달된 열을 외부로 방출하는 냉방 사이클을 통해 외부 공기와 열을 교환하거나, 냉매가 빼앗긴 열을 외부에서 흡수하는 난방 사이클을 통해 외부 공기와 열을 교환할 수 있다. 실외기는 냉매의 압축을 위한 압축기를 포함한다. 그리고, 압축기는 정속형, 스텝형(또는 TPS) 및 인버터형 중 어느 하나로 구현될 수 있다. 정속형이란 냉난방 부하량에 따라 압축기의 구동을 온/오프 제어하는 형태이다. 스텝형은 복수의 압축기를 구비하고, 냉난방 부하량에 따라 구동시키는 압축기의 개수를 제어하는 형태이다. 인버터형은 냉난방 부하량에 따라 압축기의 구동 능력을 선형으로 증감시키는 제어 형태이다.
센서(110)는 공조 장치(100)의 주변 공기 정보를 센싱할 수 있다. 여기서, 주변 공기 정보는 공조 장치(100)가 배치된 실내 공기에 관한 정보로서, 실내 온도, 실내 습도 및 실내 풍량 등과 같은 다양한 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니며 센서(110)는 실내기에 구비되어 실내 온도를 센싱할 수 있고, 실외기에 구비되어 실외 온도를 센싱할 수도 있다. 센서(110)는 온도를 감지하는 온도센서, 실내의 풍속을 감지하는 풍속센서, 공기의 습도를 감지하는 습도센서 등을 포함할 수 있다.
저장부(120)는 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보를 저장할 수 있다.
여기서, 실외 온도는 공조 장치(100)가 배치된 지역의 외기 온도를 의미한다. 예를 들어, 실외 온도는 공조 장치(100)에 포함된 실외기를 통해 센싱된 초기 온도를 의미할 수 있다. 다른 예로, 공조 장치(100)가 배치된 지역의 실외 온도에 대한 정보를 서버로부터 수신할 수도 있음은 물론이다. 실외 온도에 따라 실내 온도가 단위 온도만큼 증감하는데 요구되는 소비 전력 정보 및 시간 정보가 상이하므로, 저장부(120)는 실외 온도 별 실내 온도가 단위 온도만큼 증감하는데 소비되는 전력 및 소요되는 시간에 대한 정보를 저장할 수 있다. 일 예로, 저장부(120)는 실외 온도가 30℃이고 실내 온도가 29℃ 일 때, 실내 온도가 1℃ 감소하는데 요구되는 소비 전력 정보 및 시간 정보와, 실외 온도가 35℃이고, 실내 온도가 29℃ 일 때, 실내 온도가 1℃ 감소하는데 요구되는 소비 전력 정보 및 시간 정보를 각각 저장할 수 있다.
일 실시 예에 따른 저장부(120)는 동작 모드, 실외 온도, 실내 습도 및 공조 장치(100)가 배치된 공간의 크기 각각에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보를 저장할 수 있다.
본 개시의 일 실시 예에 따른 저장부(120)는 사용자의 사용 이력을 저장할 수도 있다. 일 예로, 저장부(120)는 사용자가 설정한 공조 장치(100)의 동작 모드 및 희망 온도 중 적어도 하나를 포함하는 사용 이력을 저장할 수 있다. 여기서, 희망 온도는 공조 장치(100)를 동작시켜 도달하고자 하는 실내 온도를 의미하며, 설정 온도로 불릴 수도 있다.
특히, 일 실시 예에 따른 저장부(120)는 센서(110)를 통해 센싱된 실내 온도 별 공조 장치(100)의 동작 모드 및 희망 온도 중 적어도 하나를 사용 이력으로 저장할 수 있다. 실내 온도에 따라 사용자가 설정하는 동작 모드, 희망 온도 등은 상이할 수 있으므로, 실내 온도 별 동작 모드, 희망 온도를 저장할 수 있다. 예를 들어, 공조 장치(100)는 실내 온도 25℃에서 동작 모드로 제습 모드, 희망 온도로 24℃와 같은 사용자의 사용 이력을 저장부(120)에 저장할 수 있다.
디스플레이(130)는 유기 전기 발광 다이오드(Organic Light Emiiting Display, OLED), 7세그먼트 디스플레이(Seven-segment display)등과 같은 다양한 유형의 디스플레이로 구현될 수 있다.
본 개시의 일 실시 예에 따른 디스플레이(130)는 공조 장치(100)에 대한 다양한 정보를 디스플레이할 수 있다. 특히, 디스플레이(130)는 실외 온도, 실내 온도, 희망 온도, 동작 모드 등 공조 장치(100)의 주변 공기 정보 및 동작 상태 중 적어도 하나를 디스플레이할 수 있다.
특히, 디스플레이(130)는 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 디스플레이할 수 있다. 이에 대한 구체적인 설명은 프로세서(140)에서 하도록 한다.
프로세서(140)는 공조 장치(100)의 동작을 전반적으로 제어한다.
일 실시 예에 따라 프로세서(140)는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(140)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
프로세서(140)는 희망 온도가 입력되면, 저장부(120)에 저장된 정보에 기초하여 센싱된 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다. 일 예로, 프로세서(140)는 실외 온도가 33℃ 일 때, 실내 온도가 센싱된 실내 온도 30℃에서 희망 온도 20℃에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 저장부(120)에 저장된 정보에 기초하여 학습된 인공지능 모델을 통해 센싱된 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다. 여기서, 인공지능 모델은 공조 장치(100) 내부에 존재할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부의 서버에 존재할 수 있으며, 공조 장치(100)는 외부 서버에 희망 온도를 전송하고, 외부 서버가 인공지능 모델을 이용하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하고, 공조 장치(100)는 외부 서버로부터 예측된 소비 전력 및 시간 중 적어도 하나를 수신할 수도 있다.
본 개시의 일 실시 예에 따른 인공지능 모델은 실내 온도가 단위 온도만큼 증감되는데 공조 장치(100)가 소비한 전력, 소요 시간 및 공조 장치(100)가 배치된 실내 환경을 입력 데이터로 이용하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하도록 학습된 모델일 수 있다. 여기서, 실내 환경은 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따른 인공지능 모델은 공조 장치(100)가 동작함에 따라 획득된 소비 전력 및 소요 시간 정보에 의해 재학습될 수 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 예측된 소비 전력 및 시간을 디스플레이(130)를 통해 제공할 수 있다. 이에 따라, 프로세서(140)는 실내 온도가 희망 온도에 도달하는데 공조 장치(100)가 소비할 것으로 예상되는 전력 및 시간을 사용자에게 제공할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 센서(110)를 통해 실내 온도가 기설정된 단위 온도만큼 증감된 것으로 센싱되면, 실내 온도가 단위 온도만큼 증감되는데 공조 장치(100)가 소비한 전력 및 소요 시간을 획득할 수 있다. 예를 들어, 실내 온도가 29℃에서 28℃로 감소되었다면, 실내 온도가 1℃ 감소되는데 공조 장치(100)가 소비한 전력 및 소요 시간을 획득할 수 있다.
일 실시 예에 따른 프로세서(140)는 실외 온도가 35℃일 때와, 실외 온도가 28℃일 때, 각각 실내 온도가 1℃ 감소되는데 요구되는 전력 및 시간이 상이하므로, 실외 온도 별로 실내 온도가 단위 온도만큼 증감되는데 소비한 전력 및 소요 시간을 획득할 수 있다.
프로세서(140)는 획득된 소비 전력 및 소요 시간 중 적어도 하나에 기초하여 저장부(120)에 저장된 정보를 업데이트할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 공조 장치(100)의 동작에 따라 실내 온도가 기설정된 단위 온도만큼 감소되는데 소요된 시간을 획득하고, 획득된 정보에 기초하여 저장부(120)에 기저장된 시간 정보를 업데이트 할 수 있다.
다른 예로, 프로세서(140)는 공조 장치(100)의 동작에 따라 실내 온도가 기설정된 단위 온도만큼 감소되는데 소비된 전력을 획득하고, 획득된 정보에 기초하여 저장부(120)에 기저장된 소비 전력 정보를 업데이트 할 수 있다.
본 개시의 일 실시 예에 따른 인공지능 모델은 업데이트된 정보에 기초하여 재학습될 수 있다. 인공지능 모델이 재학습하는 과정에 대해서는 추후 도면을 참조하여 상세히 설명하도록 한다.
본 개시의 일 실시 예에 따른 프로세서(140)는 센서(110)를 통해 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 실내 온도가 단위 온도만큼 증감되는데 공조 장치(100)가 소비한 전력 및 소요 시간을 획득할 수 있고, 프로세서(140)는 획득된 소비 전력 및 소요 시간에 기초하여 공조 장치가 배치된 실내 환경을 예측할 수 있다. 예를 들어, 프로세서(140)는 실외 온도가 35℃일 때 실내 온도가 28℃에서 27℃로 감소하는데 소비한 전력 및 소요 시간에 기초하여 공조 장치(100)가 배치된 실내 환경을 예측할 수 있다. 여기서, 실내 환경은 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
실내 온도가 1℃ 감소하는데 요구되는 전력 및 시간은 공간의 크기에 따라 상이할 수 있다. 예를 들어, 공간의 크기가 클수록 요구되는 전력 및 시간은 상대적으로 증가하고, 공간의 크기가 작을수록 요구되는 전력 및 시간은 상대적으로 감소할 수 있다. 프로세서(140)는 획득된 소비 전력 및 소요 시간에 기초하여 실내 공간의 크기를 예측할 수 있다. 일 실시 예에 따른 프로세서(140)는 예측된 실내 환경에 대응되는 소비 전력 정보 및 시간 정보를 획득하여 저장부(120)에 저장할 수 있다. 본 개시의 일 실시 예에 따른 인공지능 모델은 소비 전력 정보, 시간 정보 및 실내 환경에 기초하여 학습된 모델일 수 있다. 다른 예로, 인공지능 모델은 예측된 실내 환경에 대응되는 소비 전력 정보 및 시간 정보가 획득되면, 획득된 정보에 기초하여 재학습될 수 있다.
일 실시 예에 따른 프로세서(140)는 실내 환경을 고려한 소비 전력 정보 및 시간 정보에 기초하여 재학습된 인공지능 모델을 통해 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다. 이에 따라, 상대적으로 정확하게 예측된 소비 전력 및 시간을 디스플레이(120)를 통해 제공할 수도 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 획득된 소비 전력 및 소요 시간 중 적어도 하나를 저장부(120)에 저장된 소비 전력 정보 및 시간 정보 중 적어도 하나와 비교하고, 비교 결과에 따라 피드백을 제공할 수 있다.
특히, 프로세서(140)는 비교 결과가 기설정된 오차 범위를 초과하는지 여부를 식별할 수 있다. 예를 들어, 실외 온도가 35℃일 때 실내 온도가 28℃에서 27℃로 감소하는데 획득된 소요 시간이 180 sec이고, 저장부(120)에 저장된 시간 정보에 따라 시간 정보가 90 sec인 경우를 상정할 수 있다. 프로세서(140)는 실내 온도가 1℃ 감소하는데 약 2배의 시간이 더 소요되었으므로, 비교 결과가 기설정된 오차 범위를 초과하는 것으로 식별할 수 있다.
일 실시 예에 따른 프로세서(140)는 인공지능 모델을 이용하여 소비 전력 정보 및 시간 정보 중 적어도 하나를 재예측할 수 있다. 실제로 실내 온도가 감소하는데 소요된 시간과 예측된 시간 간에 차이가 크면, 프로세서(140)는 시간 정보를 다시 예측하고, 예측된 시간 정보를 제공할 수 있다. 여기서, 프로세서(140)는 실외 온도 및 실내 온도 중 적어도 하나를 다시 센싱하고, 센싱된 실외 온도 및 실내 온도에 기초하여 인공지능 모델을 통해 시간 정보를 재예측할 수 있다.
다른 예로 프로세서(140)는 비교 결과가 기설정된 오차 범위를 초과하는 것으로 식별되면 공조 장치(100)가 위치한 실내 환경에 대한 가이드를 제공할 수 있다. 일 예로, 실내 환경에 대한 가이드는 ‘창문이 열려있는지 확인해주세요.’, ‘커튼을 쳐서 채광을 조절해 주세요.’와 같은 문구를 포함할 수 있다. 외부 공기가 유입됨에 따라 실내 온도가 기설정된 온도 단위만큼 증감하는데 소비 전력 및 소요 시간 중 적어도 하나가 기설정된 오차 범위 이상으로 증가한 것으로 식별되면, ‘창문이 열려있는지 확인해주세요.’와 같은 가이드를 제공할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 저장부(120)에 저장된 사용 이력에 기초하여 사용자의 선호 모드 및 선호 온도를 획득할 수 있다. 프로세서(140)는 선호 모드상에서 실내 온도가 선호 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다. 일 예로, 프로세서(140)는 사용자의 사용 이력에 따라 선호 모드 및 선호 온도로 각각 제습 모드 및 21℃를 획득할 수 있다. 프로세서(140)는 제습 모드 상에서 실내 온도가 21℃에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다.
공조 장치(100)의 동작 모드에 따라 실내 온도가 단위 온도만큼 증감되는데 요구되는 소비 전력 및 시간이 상이하므로, 프로세서(140)는 동작 모드에 기초하여 실내 온도가 희망 온도 또는 선호 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다.
본 개시의 일 실시 예에 따른 사용 이력은 공조 장치(100)의 동작 시, 시간 정보를 더 포함할 수 있다. 프로세서(140)는 현재 시간에 기초하여 현재 시간에서 선호되는 사용자의 선호 모드 및 선호 온도를 획득할 수도 있다. 예를 들어, 프로세서(140)는 사용 이력에 기초하여 오후 1시에 사용자의 선호 모드 및 선호 온도로 각각 ‘쾌속 냉방’ 및 ‘20℃’를 획득할 수 있으며, 오후 11시에 사용자의 선호 모드 및 선호 온도로 각각 ‘절전 모드’ 및 ‘22℃’를 획득할 수 있다. 프로세서(140)는 현재 시간에 기초하여 획득된 선호 모드 및 선호 온도를 각각 동작 모드 및 희망 온도로 하여 동작할 수 있음은 물론이고, 선호 모드 상에서 실내 온도가 선호 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수도 있다.
본 개시의 다른 실시 예에 따른 프로세서(140)는 현재 시간이 기설정된 시간 범위 이내이면, 공조 장치(100)를 현재 시간에 최적화된 모드로 설정할 수 있다. 예를 들어, 각 시간대 별로 공조 장치(100)의 최적화된 모드가 기설정되어 있을 수 있다. 프로세서(140)는 현재 시간에 대응되는 최적화된 모드를 동작 모드로 설정할 수 있다.
일 실시 예에 따라, 오후 10시부터 명일 오전 6시까지의 시간대에 취침 모드, 열대야 쾌면 모드, 절전 모드 중 적어도 하나가 최적화된 모드로 기설정되어 있을 수 있다. 프로세서(140)는 현재 시간이 오후 10시부터 오전 6시까지의 시간 범위 이내이면, 취침 모드, 열대야 쾌면 모드, 절전 모드 중 적어도 하나를 공조 장치(100)의 동작 모드로 설정할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 센싱된 실내 온도와 희망 온도 간의 차이가 기설정된 값 이상이면, 공조 장치를 제1 모드로 설정하고, 센싱된 실내 온도와 희망 온도 간의 차이가 기설정된 값 미만이면, 공조 장치를 제2 모드로 설정할 수 있다. 일 예로, 실내 온도와 희망 온도 간의 차이가 3℃ 이상이면, 프로세서(140)는 쾌속 냉방 모드로 설정할 수 있다. 다른 예로, 실내 온도와 희망 온도 간의 차이가 3℃ 미만이면, 프로세서(140)는 절전 모드로 설정할 수 있다.
일 실시 예에 따라, 프로세서(140) 설정된 모드에서의 공조 성능에 기초하여 센싱된 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다. 일 예로, 동작 모드마다 공조 장치(100)의 공조 성능이 상이할 수 있다. 쾌속 냉방 모드에서의 바람 세기, 제습 성능와 절전 모드에서의 바람 세기, 제습 성능이 상이하므로, 프로세서(140)는 모드에 대응되는 공조 성능을 고려하여 소비 전력 및 시간을 예측할 수 있다. 프로세서(140)는 공조 장치(100)가 제1 모드로 설정되면, 제1 모드의 공조 성능에 기초하여 소비 전력 및 시간을 예측하고, 제2 모드로 설정되면 제2 모드의 공조 성능에 기초하여 소비 전력 및 시간을 예측할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(140)는 센서(110)를 통해 감지된 실내 온도가 희망 온도에 도달하면, 디스플레이(130)를 통해 누적 소비 전력을 제공할 수 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 통신부(미도시)를 포함할수 있다. 통신부는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신부는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC 칩 등을 포함한다.
특히, 통신부는 서버와 통신을 수행하여 공조 장치(100)가 배치된 지역의 실외 온도에 대한 정보를 수신할 수 있다.
일 실시 예에 따른 통신부는 서버와 통신을 수행하여 소비 전력 정보 및 시간 정보를 수신할 수도 있다. 예를 들어, 저장부(120)에 소비 전력 정보 및 시간 정보가 저장되어 있지 않으면, 프로세서(140)는 통신부를 통해 서버부터 소비 전력 정보 및 시간 정보를 수신하고, 수신된 정보에 기초하여 소비 전력 및 시간을 예측할 수도 있다. 다만, 이에 한정되는 것은 아니며, 프로세서(140)는 통신부를 통해 서버로부터 공조 장치(100)의 동작 모드 별, 실외 온도 별, 실내 습도 별 및 공조 장치(100)가 배치된 공간의 크기 별 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보를 수신할 수도 있음은 물론이다.
다른 예로, 공조 장치(100)는 서버로부터 인공지능 모델을 수신할 수도 있다. 여기서, 인공지능 모델은 공조 장치(100)의 동작 모드 별, 실외 온도 별, 실내 습도 별 및 공조 장치(100)가 배치된 공간의 크기 별 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보에 기초하여 학습된 모델일 수 일 수 있다. 공조 장치(100)는 수신된 인공지능 모델을 이용하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
통신부는 와이파이 칩, 블루투스 칩은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 칩은 IEEE, 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evoloution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 동작하는 칩을 의미한다.
본 개시의 다른 실시 예에 따른 공조 장치(100)는 스피커(미도시)를 포함할 수도 있다. 본 개시의 다양한 실시 예에 따른 디스플레이(130)를 통해 제공되는 예측된 소비 전력 및 시간은 스피커를 통해 음성 신호로 출력될 수도 있다.
이상에서는, 본 개시의 일 실시 예에 따라 공조 장치(100)가 실내 온도를 감소시키는 경우를 들어 설명하였으나, 그 역으로서 실내 온도를 증가시키는 경우에도 본 개시의 응용이 가능함은 물론이다.
한편, 인공지능 모델은 인공지능 알고리즘 기반으로 학습된 판단 모델로서, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 학습된 인공지능 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 학습된 인공지능 모델은, 일 예로, 신경망 모델, 또는 신경망 모델에서 발전한 딥 러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 학습된 인공지능 모델의 예에는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등이 있을 수 있으나 이에 한정되지 않는다.
또한, 공조 장치(100)는 희망 온도에 대한 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위하여, 인공지능 전용 프로그램(또는 인공지능 에이전트, Artificial intelligence agent)을 이용할 수 있다. 이때, 인공지능 전용 프로그램은 AI(Artificial Intelligence) 기반의 서비스를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다.
구체적으로, 기설정된 사용자 입력이 입력되거나 공조 장치(100)에 구비된 버튼(예를 들어, (예를 들어, 예상 소비 전력, 예상 소요 시간 등의 제공을 요청하는 버튼, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러지거나 희망 온도가 입력되는 경우, 인공지능 에이전트가 동작(또는 실행)할 수 있다. 그리고, 인공지능 에이전트는 입력된 희망 온도를 외부 서버로 전송하고, 외부 서버로부터 수신된 예상 소비 전력 및 예상 시간 중 적어도 하나를 출력할 수 있다.
도 2는 본 개시의 일 실시 예에 따른 소비 전력 및 시간을 예측하는 방법을 설명하기 위한 흐름도이다.
도 2에 따르면, 공조 장치(100)는 실내 온도, 실외 온도 및 소비 전력 등을 센싱할 수 있다(S210). 다만, 이에 한정되는 것은 아니며 공조 장치(100)가 배치된 지역의 실외 온도에 대한 정보를 서버로부터 수신할 수도 있음은 물론이다.
이어서, 공조 장치(100)는 소비 전력 정보 및 시간 정보에 기초하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다(S220).
이어서, 공조 장치(100)는 예측된 소비 전력 및 시간을 제공할 수 있다(S230). 일 실시 예에 따라 예측된 소비 전력 및 시간은 디스플레이를 통해 제공될 수 있다. 다만, 이에 한정되는 것은 아니며 공조 장치(100)는 스피커를 통해 사운드 출력할 수도 있다.
도 3은 본 개시의 일 실시 예에 따른 예측된 소비 전력 및 시간을 설명하기 위한 도면이다.
도 3에 따르면, 실내 온도(10)가 24℃이고, 실내 온도(10)가 희망 온도(20) 22℃에 도달하기까지 예상 시간(30) 및 예상 소비 전력(40)이 디스플레이 될 수 있다.
실내 온도(10)가 희망 온도(20)에 도달하는데 요구되는 예상 시간(30) 및 예상 소비 전력(40)이 사용자에게 제공되므로, 현재의 실내 온도(10)에 적합한 동작 모드, 희망 온도(20)가 선택될 수 있다. 공조 장치(100)의 소비 전력도 효율적으로 관리될 수 있다.
도 4a는 본 개시의 일 실시 예에 따른 소비 전력 정보 및 시간 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 4a에 따르면, 공조 장치(100)는 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 실내 온도가 단위 온도만큼 증감되는데 공조 장치가 소비한 전력 및 소요 시간을 획득할 수 있다.
일 예로, 실외 온도 30℃에서 실내 온도가 29℃에서 28℃로 감소되면, 공조 장치(100)가 소비한 전력(Whr/℃) 및 소요 시간(sec/℃)을 획득할 수 있다. 공조 장치(100)는 획득된 소비 전력 및 소요 시간을 저장할 수 있다.
도 4b는 본 개시의 일 실시 예에 따른 소비 전력 정보 및 시간 정보를 설명하기 위한 도면이다.
도 4b에 따르면, 공조 장치(100)는 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보를 포함하는 테이블을 저장하고 있다.
예를 들어, 실외 온도 35℃에서 실내 온도가 24℃에서 23℃로 감소되기 위해 소요 시간은 90 sec, 소비 전력은 114 Whr이 요구되는 것을 알 수 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 실내 온도의 증감이 감지되면, 실내 온도가 단위 온도만큼 증감되는데 공조 장치(100)가 소비한 전력 및 소요 시간을 획득할 수 있다. 공조 장치(100)는 획득된 소비 전력 및 소요 시간에 기초하여 도 4b에 도시된 테이블을 업데이트할 수 있다. 또한, 상술한 바와 같이 인공지능 모델은 업데이트된 테이블을 입력 데이터로 하여 재학습될 수 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 도 4b에 도시된 테이블에 기초하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다. 예를 들어, 실외 온도 29℃ 및 실내온도가 29℃에서 희망 온도가 24℃이면, 공조 장치(100)는 하기의 수학식 1에 기초하여 소요 시간을 예측할 수 있다.
[수학식 1]
583(sec) = 135(sec/℃) * 1(℃) + 102(sec/℃) * 2(℃) +122 (sec/℃) * 2(℃)
일 실시 예에 따른 공조 장치(100)는 소요 시간으로 583(sec) 즉, 실내 온도가 29℃에서 24℃에 도달하는데 소요 시간으로 9분 42초를 예측할 수 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 도 4b에 도시된 테이블을 기저장하고 있을 수 있으나, 반드시 이에 한정되는 것은 아니다. 예를 들어, 도 4a에 도시된 바와 같이, 센서(110)를 통해 실내 온도의 증감이 센싱되면 공조 장치(100)는 실내 온도가 단위 온도만큼 증감되는데 소비한 전력 및 소요 시간을 획득할 수 있다. 획득된 소비 전력 및 소요 시간에 기초하여 도 4b에 도시된 테이블을 생성, 개선 또는 업데이트할 수 있음은 물론이다.
다른 예로, 공조 장치(100)는 서버(미도시)로부터 소비 전력 정보 및 시간 정보를 수신 및 저장할 수 있다. 공조 장치(100)는 서버로부터 공조 장치(100)의 동작 모드, 실외 온도, 실내 습도 및 실내 공간의 크기 각각에 따른 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보를 수신할 수 있다.
일 개시에 따른 공조 장치(100)는 소비 전력을 예측할 수도 있음은 물론이다. 예를 들어, 실외 온도 29℃ 및 실내온도가 29℃에서 희망 온도가 24℃이면, 공조 장치(100)는 하기의 수학식 2에 기초하여 소비 전력을 예측할 수 있다.
[수학식 2]
570(Whr) = 114(Whr/℃) * 1(℃) + 114(Whr/℃) * 2(℃) +114 (Whr/℃) * 2(℃)
일 실시 예에 따른 공조 장치(100)는 소비 전력으로 570(Whr) 즉, 실내 온도가 29℃에서 24℃에 도달하는데 소비 전력으로 570(Whr)을 예측할 수 있다.
도 4b에 도시된 소비 전력 정보 및 시간 정보에 대응되는 숫자는 일 실시 예이며, 이에 한정되는 것은 아니다. 공조 장치(100)는 실내 공간의 크기, 실내 습도, 실내 공간의 채광 정도, 공조 장치(100)의 동작 모드, 공조 장치(100)의 공조 성능 등 다양한 기준에 대응되는 소비 전력 정보 및 시간 정보를 포함하는 복수의 테이블을 포함할 수 있다. 소비 전력 정보 및 시간 정보는 실험에 의해 획득되어 공조 장치(100)의 제조 시에 기저장될 수 있으며, 서버로부터 수신할 수도 있다. 다만 이에 한정되는 것은 아니며, 공조 장치(100)의 동작 시 센싱된 소비 전력 및 소요 시간 정보에 기초하여 획득할 수도 있음은 물론이다.
도 5는 본 개시의 다른 실시 예에 따른 공조 장치가 획득하는 정보를 설명하기 위한 도면이다.
도 5에 따르면, 다른 실시 예에 따른 공조 장치(100)는 도 4a에 도시된 소비 전력 및 소요 시간 외에도 다양한 정보를 센싱하고, 센싱된 정보를 사용 이력으로 저장할 수 있다.
예를 들어, 공조 장치(100)는 실내 온도, 실내 습도, 공조 장치(100)가 배치된 지역에 대한 정보, 실외 온도, 실외 습도, 현재 모드, 현재 시간 및 실내 온도와 희망 온도 간의 차이(실내 온도 - 희망 온도) 중 적어도 하나를 추가적으로 센싱할 수 있다.
실외 온도 및 실내 온도 외에도 실내 습도, 실외 습도, 공조 장치(100)의 현재 모드(동작 모드) 등 다양한 변수에 따라 실내 온도가 단위 온도만큼 증감하는데 요구되는 전력 및 시간이 상이할 수 있다. 본 개시의 일 실시 예에 따른 공조 장치(100)는 동작 모드 및 습도, 공간의 크기와 같은 다양한 실내 환경 등을 센싱하고, 동작 모드 또는 센싱된 실내 환경에서 실내 온도가 단위 온도만큼 증감하는데 공조 장치(100)가 소비한 전력 및 소요 시간을 획득할 수 있다.
일 실시 예에 따른 공조 장치(100)는 동작 모드 및 실내 환경 각각에 대응되는 복수의 테이블을 생성할 수 있다. 공조 장치(100)는 동작 모드 및 실내 환경에 대응되는 테이블에 포함된 소비 전력 정보 및 시간 정보에 기초하여 학습된 인공지능 모델을 통해 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다.
특히, 본 개시의 일 실시 예에 따른 공조 장치(100)는 센싱된 실내 온도 별 공조 장치의 동작 모드 및 희망 온도를 포함하는 사용 이력을 저장할 수 있다. 공조 장치(100)는 사용 이력에 기초하여 사용자의 선호 모드 및 선호 온도를 획득하고, 선호 모드 상에서 실내 온도가 선호 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 공조 장치의 동작 모드를 설명하기 위한 도면이다.
도 6에 따르면, 공조 장치(100)는 실내 온도와 희망 온도 간의 차이(실내 온도 - 희망 온도)에 공조 장치(100)의 동작 모드를 설정할 수 있다.
예를 들어, 공조 장치(100)는 t1에서 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측하고, 예측된 소비 전력 및 시간을 제공할 수 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 t1에서 센싱된 실내 온도와 희망 온도 간의 차이가 기설정된 값 이상이면((실내 온도 - 희망 온도) ≥ a℃), 공조 장치를 제1 모드로 설정하고, 제1 모드에서의 공조 성능에 기초하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다. 일 예로, 공조 장치(100)는 실내 온도와 희망 온도 간의 차이가 크면, 복수의 동작 모드 중에서 공조 성능이 상대적으로 뛰어난 동작 모드로 설정하여 냉방을 수행할 수 있다. 공조 성능이 뛰어날수록 전력 소비가 증가할 수 있으나, 실내 온도가 희망 온도에 도달하는데 요구되는 시간을 감소시키는 이점이 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 t2에서 센싱된 실내 온도와 희망 온도 간의 차이가 기설정된 값 미만이면((실내 온도 - 희망 온도) < a℃), 공조 장치를 제2 모드로 설정하고, 제2 모드에서의 공조 성능에 기초하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측할 수 있다. 일 예로, 공조 장치(100)는 실내 온도와 희망 온도 간의 차이가 크지 않으면, 제습 모드, 절전 모드, 무풍 모드 등을 설정할 수 있다. 공조 장치(100)는 실내 온도가 희망 온도에 도달하는 시간은 상대적으로 증가하나, 소비 전력이 감소하는 모드로 전환하여 냉방을 수행할 수 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 t3 및 t4에서는 실내 온도가 희망 온도에 도달하였으므로, 디스플레이를 통해 누적 소비 전력 및 누적 사용 시간 중 적어도 하나를 제공할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 공조 장치의 추천 온도를 설명하기 위한 도면이다.
도 7에 따르면, 공조 장치(100)는 사용 이력에 기초하여 선호 온도를 획득할 수 있다. 예를 들어, 사용 이력에 따른 선호 온도가 22℃이면, 추천 온도(50)로 22℃를 디스플레이할 수 있다.
공조 장치(100)는 실내 온도(10) 24℃가 추천 온도(50) 22℃에 도달하는데 요구되는 소비 전력 및 시간을 예측하고, 예상 시간(30) 및 예상 소비 전력(40)을 디스플레이 할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 공조 장치의 추천 모드를 설명하기 위한 도면이다.
도 8에 따르면, 공조 장치(100)는 사용 이력에 기초하여 선호 모드를 획득할 수 있다. 예를 들어, 사용 이력에 따른 선호 모드가 ‘열대야 쾌면 모드’이면, 추천 모드(60)로 ‘열대야 쾌면 모드’를 디스플레이 할 수 있다.
공조 장치(100)는 추천 모드에서 실내 온도(10)가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간을 예측하고, 예상 시간(30) 및 예상 소비 전력(40)을 디스플레이 할 수 있다.
일 실시 예에 따른 공조 장치(100)는 현재 시간에 기초하여 현재 시간에서 선호되는 모드 및 온도를 획득할 수 있다. 예를 들어, 사용자의 사용 이력에 기초하여 오후 1시부터 오후 5시까지 ‘스마트 쾌적’이 선호 모드이고 현재 시간이 오후 1시부터 오후 5시에 포함되면, 공조 장치(100)는 ‘스마트 쾌적’을 동작 모드로 설정할 수 있다.
다른 예로, 공조 장치(100)는 현재 시간, 외부 온도 및 외부 습도 중 적어도 하나가 기설정된 범위 이내이면, 공조 장치(100)를 현재 시간에 최적화된 모드로 설정할 수 있다. 예를 들어, 현재 시간이 오후 10시부터 명일 오전 6시 이내이면 ‘열대야 쾌면 모드’를 설정할 수 있다. 다른 예로, 외부 습도가 70% 이상이면, ‘제습 모드’를 설정할 수 있다.
본 개시의 일 실시 예에 따른 공조 장치(100)는 실내 온도와 희망 온도 간의 차이에 기초하여 동작 모드를 설정할 수 있다. 일 예로, 실내 온도와 희망 온도 간의 차이가 기설정된 값 이상이면, 공조 장치(100)를 제1 모드로 설정하고, 센싱된 실내 온도와 희망 온도 간의 차이가 기설정된 값 미만이면, 공조 장치(100)를 제2 모드로 설정할 수 있다.
도 9는 본 발명의 일 실시 예에 따른 공조 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 9에 도시된 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보가 저장된 공조 장치의 제어 방법에 따르면, 실내 온도를 센싱한다(S910).
이어서, 희망 온도가 입력되면, 정보에 기초하여 센싱된 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측한다(S920).
이어서, 예측된 소비 전력 및 시간 중 적어도 하나를 출력한다(S930).
본 개시의 일 실시 예에 따른 제어 방법은, 공조 장치가 배치된 지역의 실외 온도에 대한 정보를 수신하는 단계를 포함하고, 예측하는 S920 단계는, 수신된 실외 온도 및 센싱된 실내 온도에 기초하여 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
본 개시의 일 실시 예에 따른 제어 방법은, 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 실내 온도가 단위 온도만큼 증감되는데 공조 장치가 소비한 전력 및 소요 시간을 획득하는 단계 및 획득된 소비 전력 및 소요 시간 중 적어도 하나에 기초하여 저장된 정보를 업데이트 하는 단계를 포함할 수 있다.
일 실시 예에 따른 제어 방법은, 획득된 소비 전력 및 소요 시간에 기초하여 공조 장치가 배치된 실내 환경을 예측하는 단계, 예측된 실내 환경에 대응되는 소비 전력 정보 및 시간 정보를 획득하여 저장하는 단계를 포함하고, 여기서, 실내 환경은, 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시 예에 따른 제어 방법은, 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 실내 온도가 단위 온도만큼 증감되는데 공조 장치가 소비한 전력 및 소요 시간을 획득하는 단계, 획득된 소비 전력 및 소요 시간 중 적어도 하나를 저장된 소비 전력 정보 및 시간 정보 중 적어도 하나와 비교하는 단계 및 비교 결과에 따른 피드백을 제공하는 단계를 포함할 수 있다.
여기서, 일 실시 예에 따른 제어 방법은, 비교 결과가 기 설정된 오차 범위를 초과하면, 공조 장치가 위치된 실내 환경에 대한 가이드를 제공하는 단계를 더 포함할 수 있다.
본 개시의 일 실시 예에 따른 공조 장치는, 센싱된 실내 온도 별 공조 장치의 동작 모드 및 희망 온도 중 적어도 하나를 포함하는 사용 이력을 저장하고, 일 실시 예에 따른 제어 방법은, 사용 이력에 기초하여 사용자의 선호 모드 및 선호 온도를 획득하는 단계를 더 포함하고, 예측하는 S920 단계는, 선호 모드 상에서 센싱된 실내 온도가 선호 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
여기서, 획득하는 단계는, 현재 시간에 기초하여 현재 시간에서 선호되는 사용자의 선호 모드 및 선호 온도를 획득할 수 있다.
또한, 예측하는 단계는, 인공지능 모델을 통해 소비 전력 및 시간 중 적어도 하나를 예측하고, 인공지능 모델은, 소비 전력 정보, 시간 정보 및 공조 장치가 배치된 실내 환경 중 적어도 하나에 기초하여 학습된 모델이고, 실내 환경은, 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따른 제어 방법은, 현재 시간이 기설정된 시간 범위 이내이면, 공조 장치를 현재 시간에 최적화된 모드로 설정하는 단계를 포함할 수 있다.
도 10은 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 공조 장치의 구성을 나타내는 블록도이다.
도 10을 참조하면, 공조 장치(100)는 학습부(1010) 및 판단부(1020) 중 적어도 하나를 포함할 수 있다.
학습부(1010)는 학습 데이터를 이용하여 공조 장치(100)의 소비 전력 및 시간을 예측하기 위한 기준을 갖는 인공지능 모델을 생성 또는 학습시킬 수 있다. 학습부(1010)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 인공지능 모델을 생성할 수 있다.
일 예로, 학습부(1010)는 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보를 학습 데이터로 희망 온도에 대응되는 소비 전력 및 시간 중 적어도 하나를 예측하도록 학습할 수 있다. 또한, 학습부(1010)는 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 실내 온도가 단위 온도만큼 증감되는데 공조 장치(100)가 소비한 전력 및 소요 시간을 획득하고, 획득된 소비 전력 및 소요 시간 중 적어도 하나에 기초하여 저장된 정보를 인공지능 모델을 생성, 학습 또는 갱신시킬 수 있다.
판단부(1020)는 소정의 데이터를 학습된 인공지능 모델의 입력 데이터로 사용하여, 소비 전력 및 시간 중 적어도 하나를 예측할 수 있다.
일 예로, 판단부(1020)는 실외 온도, 실내 온도 및 희망 온도를 학습된 인공지능 모델의 입력 데이터로 사용하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측(또는, 추정, 추론)할 수 있다.
본 개시의 일 실시 예로, 학습부(1010) 및 판단부(1020)는 공조 장치(100)에 포함될 수 있으나, 이는 일 실시예에 불과할 뿐, 외부 서버의 내부에 탑재될 수도 있다.
일 실시 예에 따른 학습부(1010)의 적어도 일부 및 판단부(1020)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 공조 장치(100)에 탑재될 수 있다. 예를 들어, 학습부(1010) 및 판단부(1020) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(1010) 및 판단부(1020)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 11a는, 다양한 실시예에 따른 학습부(1010) 및 판단부(1020)의 블록도이다.
도 11a의 (a)를 참조하면, 일부 실시예에 따른 학습부(1010)는 학습 데이터 획득부(1010-1) 및 모델 학습부(1010-4)를 포함할 수 있다. 또한, 학습부(1010)는 학습 데이터 전처리부(1010-2), 학습 데이터 선택부(1010-3) 및 모델 평가부(1010-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(1010-1)는 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위한 인공지능 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시 예로, 학습 데이터 획득부(1010-1)는 실내 온도가 단위 온도만큼 증감되는데 공조 장치(100)가 소비한 전력 및 소요 시간 등을 학습 데이터로서 획득할 수 있다. 또한, 학습 데이터 획득부(1010-1)는 사용자의 선호 모도, 선호 온도 등을 획득하기 위한 사용 이력 등을 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(1010) 또는 학습부(1010)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(1010-4)는 학습 데이터를 이용하여, 인공지능 모델이 소비 전력 및 소요 시간 중 적어도 하나를 예측하는 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(1010-4)는 학습 데이터 중 적어도 일부를 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위한 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또는, 모델 학습부(1010-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(1010-4)는, 예를 들어, 학습에 따른 판단 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(1010-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 모델을 학습시킬 수 있다
또한, 모델 학습부(1010-4)는 입력 데이터를 이용하여 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준을 학습할 수도 있다.
모델 학습부(1010-4)는 미리 구축된 인공지능 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 모델을 학습할 인공지능 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 인공지능 모델은 데이터의 타입별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
인공지능 모델이 학습되면, 모델 학습부(1010-4)는 학습된 인공지능 모델을 저장할 수 있다. 이 경우, 모델 학습부(1010-4)는 학습된 인공지능 모델을 외부 서버의 메모리에 저장할 수 있다. 또는, 모델 학습부(1010-4)는 학습된 인공지능 모델을 외부 서버와 유선 또는 무선 네트워크로 연결되는 서버 또는 전자 장치의 메모리에 저장할 수도 있다.
학습부(1010)는 인공지능 모델의 판단 결과를 향상시키거나, 인공지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(1010-2) 및 학습 데이터 선택부(1010-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(1010-2)는 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(1010-2)는 모델 학습부(1010-4)가 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(1010-3)는 학습 데이터 획득부(1010-1)에서 획득된 데이터 또는 학습 데이터 전처리부(1010-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(1010-4)에 제공될 수 있다. 학습 데이터 선택부(1010-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1010-3)는 모델 학습부(1010-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(1010)는 인공지능 모델의 판단 결과를 향상시키기 위하여, 모델 평가부(1010-5)를 더 포함할 수도 있다.
모델 평가부(1010-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 판단 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1010-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(1010-5)는 평가 데이터에 대한 학습된 인공지능 모델의 판단 결과 중에서, 판단 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인공지능 모델이 복수 개가 존재하는 경우, 모델 평가부(1010-5)는 각각의 학습된 인공지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1010-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 모델로서 결정할 수 있다.
도 11a의 (b)를 참조하면, 일부 실시예에 따른 판단부(1020)는 입력 데이터 획득부(1020-1) 및 판단 결과 제공부(1020-4)를 포함할 수 있다.
또한, 판단부(1020)는 입력 데이터 전처리부(1020-2), 입력 데이터 선택부(1020-3) 및 모델 갱신부(1020-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(1020-1)는 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위해 필요한 데이터를 획득할 수 있다. 판단 결과 제공부(1020-4)는 입력 데이터 획득부(1020-1)에서 획득된 입력 데이터를 입력 값으로 학습된 인공지능 모델에 적용하여 소비 전력 및 소요 시간 중 적어도 하나를 예측할 수 있다. 판단 결과 제공부(1020-4)는 후술할 입력 데이터 전처리부(1020-2) 또는 입력 데이터 선택부(1020-3)에 의해 선택된 데이터를 입력 값으로 인공지능 모델에 적용하여 판단 결과를 획득할 수 있다.
일 실시예로, 판단 결과 제공부(1020-4)는 입력 데이터 획득부(1020-1)에서 획득한 실외 온도, 실내 온도 및 희망 온도를 학습된 인공지능 모델 적용하여 실내 온도가 희망 온도에 도달하는데 요구되는 소비 전력 및 소요 시간 중 적어도 하나를 예측할 수 있다.
판단부(1020)는 인공지능 모델의 판단 결과를 향상시키거나, 판단 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(1020-2) 및 입력 데이터 선택부(1020-3)를 더 포함할 수도 있다.
입력 데이터 전처리부(1020-2)는 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(1020-2)는 판단 결과 제공부(1020-4)가 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
입력 데이터 선택부(1020-3)는 입력 데이터 획득부(1020-1)에서 획득된 데이터 또는 입력 데이터 전처리부(1020-2)에서 전처리된 데이터 중에서 응답 제공에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 판단 결과 제공부(1020-4)에게 제공될 수 있다. 입력 데이터 선택부(1020-3)는 응답 제공을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(1020-3)는 모델 학습부(1010-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(1020-5)는 판단 결과 제공부(1020-4)에 의해 제공되는 판단 결과에 대한 평가에 기초하여, 인공지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(1020-5)는 판단 결과 제공부(1020-4)에 의해 제공되는 판단 결과를 모델 학습부(1010-4)에게 제공함으로써, 모델 학습부(1010-4)가 인공지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다. 특히, 모델 갱신부(1020-5)는 사용자 입력에 따른 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다
도 11b는, 일 실시예에 따른 공조 장치(100) 및 외부의 서버(S)가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.
도 11b를 참조하면, 외부의 서버(S)는 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위한 기준을 학습할 수 있으며, 공조 장치(100)는 서버(S)에 의한 학습 결과에 기초하여 예측된 소비 전력 및 소요 시간 중 적어도 하나를 제공할 수 있다.
이 경우, 서버(S)의 모델 학습부(1010-4)는 도 10에 도시된 학습부(1010)의 기능을 수행할 수 있다. 즉, 서버(S)의 모델 학습부(1010-4)는 소비 전력 및 소요 시간 중 적어도 하나를 예측하기 위하여 어떤 소비 전력 정보 또는 시간 정보를 이용할지, 상기 정보를 이용하여 소비 전력 및 소요 시간 중 적어도 하나를 어떻게 예측할지에 관한 기준을 학습할 수 있다.
또한, 공조 장치(100)의 판단 결과 제공부(1020-4)는 입력 데이터 선택부(1020-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 인공지능 모델에 적용하여 소비 전력 및 소요 시간 중 적어도 하나를 예측할 수 있다. 또는, 공조 장치(100)의 판단 결과 제공부(1020-4)는 서버에 의해 생성된 인공지능 모델을 서버로부터 수신하고, 수신된 인공지능 모델을 이용하여 소비 전력 및 소요 시간 중 적어도 하나를 예측할 수 있다.한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 처리 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100: 전자 장치 110: 메모리
120: 프로세서 130: 이미지 프로세서
140: 디스플레이

Claims (20)

  1. 디스플레이;
    실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보가 저장된 저장부;
    센서; 및
    희망 온도가 입력되면, 상기 저장부에 저장된 정보에 기초하여 상기 센서에 의해 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하고, 상기 예측된 소비 전력 및 시간 중 적어도 하나를 상기 디스플레이를 통해 제공하는 프로세서;를 포함하는 공조 장치.
  2. 제1항에 있어서,
    통신부;를 더 포함하고,
    상기 프로세서는,
    상기 통신부를 통해 상기 공조 장치가 배치된 지역의 실외 온도에 대한 정보를 수신하고,
    상기 수신된 실외 온도 및 상기 센싱된 실내 온도에 기초하여 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하는, 공조 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 센서를 통해 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하고, 상기 획득된 소비 전력 및 소요 시간 중 적어도 하나에 기초하여 상기 저장된 정보를 업데이트하는, 공조 장치.
  4. 제3항에 있어서,
    상기 프로세서는,
    상기 획득된 소비 전력 및 소요 시간에 기초하여 상기 공조 장치가 배치된 실내 환경을 예측하고, 상기 예측된 실내 환경에 대응되는 소비 전력 정보 및 시간 정보를 획득하여 상기 저장부에 저장하고,
    상기 실내 환경은,
    상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함하는, 공조 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 센서를 통해 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하고, 상기 획득된 소비 전력 및 소요 시간 중 적어도 하나를 상기 저장된 소비 전력 정보 및 시간 정보 중 적어도 하나와 비교하고, 비교 결과에 따른 피드백을 제공하는, 공조 장치.
  6. 제5항에 있어서,
    상기 프로세서는,
    상기 비교 결과가 기 설정된 오차 범위를 초과하면, 상기 공조 장치가 위치된 실내 환경에 대한 가이드를 제공하는, 공조 장치.
  7. 제1항에 있어서,
    상기 저장부는,
    상기 센싱된 실내 온도 별 상기 공조 장치의 동작 모드 및 희망 온도 중 적어도 하나를 포함하는 사용 이력을 저장하고,
    상기 프로세서는,
    상기 사용 이력에 기초하여 사용자의 선호 모드 및 선호 온도를 획득하고,
    상기 선호 모드 상에서 상기 센싱된 실내 온도가 상기 선호 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하는, 공조 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    현재 시간에 기초하여 상기 현재 시간에서 선호되는 상기 사용자의 선호 모드 및 선호 온도를 획득하는, 공조 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    인공지능 모델을 통해 상기 소비 전력 및 상기 시간 중 적어도 하나를 예측하고,
    상기 인공지능 모델은,
    상기 소비 전력 정보, 상기 시간 정보 및 상기 공조 장치가 배치된 실내 환경 중 적어도 하나에 기초하여 학습된 모델이고,
    상기 실내 환경은,
    상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함하는, 공조 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 센싱된 실내 온도와 상기 희망 온도 간의 차이가 기설정된 값 이상이면, 상기 공조 장치를 제1 모드로 설정하고, 상기 제1 모드에서의 공조 성능에 기초하여 상기 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하고,
    상기 센싱된 실내 온도와 상기 희망 온도 간의 차이가 기설정된 값 미만이면, 상기 공조 장치를 제2 모드로 설정하고, 상기 제2 모드에서의 공조 성능에 기초하여 상기 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하는, 공조 장치.
  11. 제1항에 있어서,
    상기 프로세서는,
    상기 센싱된 실내 온도가 상기 희망 온도에 도달하면, 상기 디스플레이를 통해 누적 소비 전력을 제공하는, 공조 장치.
  12. 실외 온도에 따라 실내 온도를 단위 온도만큼 증감시키는데 요구되는 소비 전력 정보 및 시간 정보가 저장된 공조 장치의 제어 방법에 있어서,
    실내 온도를 센싱하는 단계;
    희망 온도가 입력되면, 상기 정보에 기초하여 상기 센싱된 실내 온도가 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하는 단계; 및
    상기 예측된 소비 전력 및 시간 중 적어도 하나를 출력하는 단계;를 포함하는 제어 방법.
  13. 제12항에 있어서,
    상기 공조 장치가 배치된 지역의 실외 온도에 대한 정보를 수신하는 단계;를 포함하고,
    상기 예측하는 단계는,
    상기 수신된 실외 온도 및 상기 센싱된 실내 온도에 기초하여 상기 희망 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하는, 제어 방법.
  14. 제12항에 있어서,
    상기 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하는 단계; 및
    상기 획득된 소비 전력 및 소요 시간 중 적어도 하나에 기초하여 상기 저장된 정보를 업데이트 하는 단계;를 포함하는, 제어 방법.
  15. 제14항에 있어서,
    상기 획득된 소비 전력 및 소요 시간에 기초하여 상기 공조 장치가 배치된 실내 환경을 예측하는 단계;
    상기 예측된 실내 환경에 대응되는 소비 전력 정보 및 시간 정보를 획득하여 저장하는 단계;를 포함하고,
    상기 실내 환경은,
    상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함하는, 제어 방법.
  16. 제12항에 있어서,
    상기 센싱된 실내 온도가 기설정된 단위 온도만큼 증감되면, 상기 실내 온도가 상기 단위 온도만큼 증감되는데 상기 공조 장치가 소비한 전력 및 소요 시간을 획득하는 단계;
    상기 획득된 소비 전력 및 소요 시간 중 적어도 하나를 상기 저장된 소비 전력 정보 및 시간 정보 중 적어도 하나와 비교하는 단계; 및
    비교 결과에 따른 피드백을 제공하는 단계;를 포함하는, 제어 방법.
  17. 제16항에 있어서,
    상기 비교 결과가 기 설정된 오차 범위를 초과하면, 상기 공조 장치가 위치된 실내 환경에 대한 가이드를 제공하는 단계;를 포함하는, 제어 방법.
  18. 제12항에 있어서,
    상기 공조 장치는,
    상기 센싱된 실내 온도 별 상기 공조 장치의 동작 모드 및 희망 온도 중 적어도 하나를 포함하는 사용 이력을 저장하고,
    상기 사용 이력에 기초하여 사용자의 선호 모드 및 선호 온도를 획득하는 단계;를 더 포함하고,
    상기 예측하는 단계는,
    상기 선호 모드 상에서 상기 센싱된 실내 온도가 상기 선호 온도에 도달하는데 요구되는 소비 전력 및 시간 중 적어도 하나를 예측하는, 제어 방법.
  19. 제18항에 있어서,
    상기 획득하는 단계는,
    현재 시간에 기초하여 상기 현재 시간에서 선호되는 상기 사용자의 선호 모드 및 선호 온도를 획득하는, 제어 방법.
  20. 제12항에 있어서,
    상기 예측하는 단계는,
    인공지능 모델을 통해 상기 소비 전력 및 상기 시간 중 적어도 하나를 예측하고,
    상기 인공지능 모델은,
    상기 소비 전력 정보, 상기 시간 정보 및 상기 공조 장치가 배치된 실내 환경 중 적어도 하나에 기초하여 학습된 모델이고,
    상기 실내 환경은,
    상기 공조 장치가 배치된 실내 공간의 크기, 채광 정도 및 습도 중 적어도 하나를 포함하는, 제어 방법.
KR1020180025915A 2018-03-05 2018-03-05 공조 장치 및 그 제어 방법 KR102440118B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020180025915A KR102440118B1 (ko) 2018-03-05 2018-03-05 공조 장치 및 그 제어 방법
PCT/KR2019/002190 WO2019172559A1 (en) 2018-03-05 2019-02-22 Air conditioner and method for control thereof
CN201980017259.8A CN111868449B (zh) 2018-03-05 2019-02-22 空调及其控制方法
EP19764443.8A EP3721148A4 (en) 2018-03-05 2019-02-22 AIR CONDITIONER AND ITS CONTROL PROCESS
US16/286,000 US11674705B2 (en) 2018-03-05 2019-02-26 Air conditioner providing information on time and/or power required to reach a desired temperature and method for control thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180025915A KR102440118B1 (ko) 2018-03-05 2018-03-05 공조 장치 및 그 제어 방법

Publications (2)

Publication Number Publication Date
KR20190109640A true KR20190109640A (ko) 2019-09-26
KR102440118B1 KR102440118B1 (ko) 2022-09-05

Family

ID=67767409

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180025915A KR102440118B1 (ko) 2018-03-05 2018-03-05 공조 장치 및 그 제어 방법

Country Status (5)

Country Link
US (1) US11674705B2 (ko)
EP (1) EP3721148A4 (ko)
KR (1) KR102440118B1 (ko)
CN (1) CN111868449B (ko)
WO (1) WO2019172559A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220154970A1 (en) * 2020-11-17 2022-05-19 Sld Technology, Inc. Air handling device

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102644431B1 (ko) * 2019-05-02 2024-03-06 현대자동차 주식회사 공조기 제어 시스템 및 그 방법
KR20210033769A (ko) * 2019-09-19 2021-03-29 삼성전자주식회사 전자 장치 및 전자 장치의 동작 방법
US11662113B2 (en) * 2019-11-18 2023-05-30 Johnson Controls Tyco IP Holdings LLP Building cooling systems with energy optimization and model predictive control
US12000607B2 (en) * 2019-11-25 2024-06-04 KEPsmart, Inc. HVAC control system and method
CN114729762A (zh) * 2019-11-26 2022-07-08 大金工业株式会社 机器学习装置、需求控制系统以及空调控制系统
US20220333810A1 (en) * 2019-12-13 2022-10-20 Mitsubishi Electric Corporation Model sharing system, model management apparatus, and control apparatus for air conditioning apparatus
JP7430784B2 (ja) 2020-05-14 2024-02-13 三菱電機株式会社 空気調和システムおよび学習装置
CN111692714B (zh) * 2020-06-19 2021-10-26 湖南匡楚科技有限公司 一种智能空气净化系统
CN113847715B (zh) * 2020-06-28 2024-01-02 中兴通讯股份有限公司 基站的空调调控的方法以及装置、电子设备、介质
KR20220023007A (ko) 2020-08-20 2022-03-02 삼성전자주식회사 전자 장치 및 그 제어 방법
US11909207B2 (en) * 2021-03-10 2024-02-20 Abb Schweiz Ag Hierarchical method for prediction of loads with high variance
CN117561409A (zh) 2021-07-09 2024-02-13 三星电子株式会社 空调及其控制方法
KR20240076243A (ko) * 2022-11-23 2024-05-30 삼성전자주식회사 공기 조화기의 온도를 제어하는 전자 장치 및 이의 제어 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120131504A1 (en) * 2010-11-19 2012-05-24 Nest Labs, Inc. Thermostat graphical user interface
KR101748661B1 (ko) * 2009-01-14 2017-06-20 엘지전자 주식회사 에어컨 제어 장치 및 그의 제어 방법

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5228306A (en) * 1992-04-20 1993-07-20 Norm Pacific Automation Corp. Apparatus for controlling air-exchange and pressure and detecting airtight conditions in air-conditioned room
KR0177723B1 (ko) 1996-02-13 1999-04-15 구자홍 에어콘의 취침운전 제어방법
US6684653B2 (en) * 2001-11-21 2004-02-03 Nicholas H. Des Champs Air-conditioner and air-to-air heat exchange for closed loop cooling
KR100830095B1 (ko) 2007-11-12 2008-05-20 충남대학교산학협력단 냉방부하 예측방법
JP5195258B2 (ja) 2008-10-10 2013-05-08 パナソニック株式会社 空気調和機
US9209652B2 (en) * 2009-08-21 2015-12-08 Allure Energy, Inc. Mobile device with scalable map interface for zone based energy management
JP5492670B2 (ja) * 2010-06-22 2014-05-14 大和ハウス工業株式会社 省エネルギー情報提供システム及び省エネルギー情報提供方法
US9104211B2 (en) 2010-11-19 2015-08-11 Google Inc. Temperature controller with model-based time to target calculation and display
US9851728B2 (en) * 2010-12-31 2017-12-26 Google Inc. Inhibiting deleterious control coupling in an enclosure having multiple HVAC regions
CN104137142A (zh) * 2012-02-22 2014-11-05 株式会社尼康 电子设备
US9298197B2 (en) * 2013-04-19 2016-03-29 Google Inc. Automated adjustment of an HVAC schedule for resource conservation
KR20160030883A (ko) 2013-07-12 2016-03-21 웬-성 리 거주지를 위한 인텔리전트 시스템 및 그 작동 방법
CN105473354A (zh) * 2013-08-18 2016-04-06 森思博有限公司 Hvac系统的功耗评价
US10114721B2 (en) * 2013-08-18 2018-10-30 Sensibo Ltd. Power consumption assesment of an HVAC system
US10915669B2 (en) * 2014-06-20 2021-02-09 Ademco Inc. HVAC zoning devices, systems, and methods
CN104197468B (zh) * 2014-08-20 2017-04-05 美的集团股份有限公司 空调运行参数处理方法及装置
KR102336642B1 (ko) * 2014-08-21 2021-12-07 삼성전자 주식회사 온도 조절 방법 및 장치
JP6900100B2 (ja) * 2014-08-25 2021-07-07 サムスン エレクトロニクス カンパニー リミテッド 温度調節方法及び装置
JP2016194375A (ja) * 2015-03-31 2016-11-17 三菱重工業株式会社 制御装置及びそれを備えた空気調和システム、制御方法並びに制御プログラム
JP6807556B2 (ja) 2015-10-01 2021-01-06 パナソニックＩｐマネジメント株式会社 空調制御方法、空調制御装置及び空調制御プログラム
US10186889B2 (en) * 2015-10-08 2019-01-22 Taurus Des, Llc Electrical energy storage system with variable state-of-charge frequency response optimization
US20180023834A1 (en) * 2016-07-20 2018-01-25 Vivint, Inc. Efficient management of indoor conditions
KR20180011672A (ko) * 2016-07-25 2018-02-02 엘지전자 주식회사 공기조화기 시스템 및 그 방법
WO2018081611A1 (en) * 2016-10-28 2018-05-03 FutureAir, Inc. Apparatus, systems and methods for smart air signature detection and mangement based on internet-of-things technology
KR101757446B1 (ko) 2016-11-10 2017-07-13 (주)아스크스토리 인공지능을 이용한 공기조화시스템 제어 장치 및 그 방법
US11137161B2 (en) 2017-03-30 2021-10-05 Samsung Electronics Co., Ltd. Data learning server and method for generating and using learning model thereof
KR102393418B1 (ko) 2017-03-30 2022-05-03 삼성전자주식회사 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748661B1 (ko) * 2009-01-14 2017-06-20 엘지전자 주식회사 에어컨 제어 장치 및 그의 제어 방법
US20120131504A1 (en) * 2010-11-19 2012-05-24 Nest Labs, Inc. Thermostat graphical user interface

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220154970A1 (en) * 2020-11-17 2022-05-19 Sld Technology, Inc. Air handling device
US12078381B2 (en) * 2020-11-17 2024-09-03 Sld Technology, Inc. Air handling device

Also Published As

Publication number Publication date
CN111868449B (zh) 2022-09-20
US20190271483A1 (en) 2019-09-05
EP3721148A4 (en) 2021-03-03
KR102440118B1 (ko) 2022-09-05
US11674705B2 (en) 2023-06-13
EP3721148A1 (en) 2020-10-14
CN111868449A (zh) 2020-10-30
WO2019172559A1 (en) 2019-09-12

Similar Documents

Publication Publication Date Title
KR102440118B1 (ko) 공조 장치 및 그 제어 방법
US11448412B2 (en) Air conditioner with an artificial intelligence
KR102648234B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
US11408629B2 (en) Artificial intelligence device
US11164565B2 (en) Unsupervised learning system and method for performing weighting for improvement in speech recognition performance and recording medium for performing the method
US10970128B2 (en) Server, air conditioner and method for controlling thereof
US20200133211A1 (en) Electronic device and method for controlling electronic device thereof
US11483172B2 (en) Integrated control method and system for home appliance using artificial intelligence
KR102367395B1 (ko) 홈 네트워크를 관리하는 서버 및 이의 제어방법
US11966317B2 (en) Electronic device and method for controlling same
US11303977B2 (en) Server for managing home network and control method therefor
US11371741B2 (en) Air conditioning apparatus and method for controlling using learned sleep modes
KR102573023B1 (ko) 수면 유도 장치
US11430137B2 (en) Electronic device and control method therefor
EP3738305B1 (en) Electronic device and control method thereof
KR20080006981A (ko) 지능형 홈 서비스 제공 시스템 및 방법
Safaei et al. DeePLT: personalized lighting facilitates by trajectory prediction of recognized residents in the smart home
KR20240167841A (ko) Ess 기반 인공 지능 장치 및 그의 전자기기 제어 방법
KR20240166524A (ko) 전력 소비를 예측하는 인공 지능 장치 및 그 방법
KR20200055826A (ko) 공기조화기의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20180305

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20210127

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20180305

Comment text: Patent Application

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20220404

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20220701

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20220831

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20220901

End annual number: 3

Start annual number: 1

PG1601 Publication of registration