KR20190120042A - 서버, 공기 조화 장치 및 이의 제어 방법 - Google Patents

서버, 공기 조화 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20190120042A
KR20190120042A KR1020180081877A KR20180081877A KR20190120042A KR 20190120042 A KR20190120042 A KR 20190120042A KR 1020180081877 A KR1020180081877 A KR 1020180081877A KR 20180081877 A KR20180081877 A KR 20180081877A KR 20190120042 A KR20190120042 A KR 20190120042A
Authority
KR
South Korea
Prior art keywords
air conditioner
information
cooling
prediction model
cooling index
Prior art date
Application number
KR1020180081877A
Other languages
English (en)
Other versions
KR102077175B1 (ko
Inventor
옥현우
권순형
김민경
김탄
찬드라 아쇼크 말루
송형선
신동준
서형준
주영주
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 US16/383,147 priority Critical patent/US10970128B2/en
Publication of KR20190120042A publication Critical patent/KR20190120042A/ko
Application granted granted Critical
Publication of KR102077175B1 publication Critical patent/KR102077175B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

서버가 개시된다. 본 서버는 공기 조화 장치로부터 운영 정보를 수신하는 통신 장치, 복수의 그룹 정보 및 복수의 그룹 각각에 대응되는 냉방 지표(cooling capacity)를 예측하는 냉방 지표 예측 모델을 저장하는 메모리 및 수신한 운영 정보에 기초하여 공기 조화 장치를 복수의 그룹 중 하나의 그룹에 매핑하고, 공기 조화 장치가 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 이용하도록 통신 장치를 제어하는 프로세서를 포함한다.

Description

서버, 공기 조화 장치 및 이의 제어 방법 {SERVER, AIR CONDITIONER AND METHOD FOR CONTROLLING THEREOF}
본 개시는 서버, 공기 조화 장치 및 이의 제어 방법에 관한 것으로, 보다 상세하게는 유사한 사용 패턴을 갖는 공기 조화 장치들의 사용 정보를 이용하여 사용자의 냉방 성향을 예측하는 서버, 공기 조화 장치 및 이의 제어 방법에 관한 것이다.
공기 조화 장치는 사용자가 직접 설정한 온도, 습도 및 풍량 등에 따라 냉방 동작을 수행할 수 있으며, 최근에는 인공지능 모델로 사용자의 설정 정보를 학습하여 사용자가 직접 온도, 습도 및 풍량 등을 설정하지 않아도 사용자의 냉방 성향에 따라 냉방 동작을 수행할 수도 있다.
그러나 기존에는 기기 별로 모델을 생성하여, 기기의 수가 증가함에 따라 학습해야 할 모델의 양이 함께 증가하였고,　따라서 학습을 위한 배치 프로세스의 overhead가 상당히 커지는 문제점이 있었다.
또한, 기존에는 사용자가 직접 온도, 습도 및 풍량 등을 조작하는 횟수가 적은 공기 조화 장치의 특성으로 인해 인공지능 모델이 학습하기 위한 사용자의 설정 정보가 부족하여, 사용자의 냉방 성향을 정확히 예측하는 것이 어렵다는 불편함이 있었다.
이에 따라, 기기별로 학습을 하는 비효율성을 보완하고 부족한 사용자의 설정 정보에도 불구하고 사용자의 냉방 성향을 정확히 예측할 수 있는 기술이 요구되었다.
본 개시의 목적은 유사한 사용 패턴을 갖는 공기 조화 장치들의 사용 정보를 이용하여 사용자의 냉방 성향을 예측하는 서버, 공기 조화 장치 및 이의 제어 방법을 제공하는 데 있다.
본 개시의 일 실시 예에 따른 서버는, 공기 조화 장치로부터 운영 정보를 수신하는 통신 장치, 복수의 그룹 정보 및 상기 복수의 그룹 각각에 대응되는 냉방 지표(cooling capacity)를 예측하는 냉방 지표 예측 모델을 저장하는 메모리 및 상기 수신한 운영 정보에 기초하여 상기 공기 조화 장치를 복수의 그룹 중 하나의 그룹에 매핑하고, 상기 공기 조화 장치가 상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 이용하도록 상기 통신 장치를 제어하는 프로세서를 포함한다.
본 개시의 일 실시 예에 따른 공기 조화 장치는, 공기 조화를 수행하는 냉방 장치, 서버와 통신 가능한 통신 장치 및 상기 서버에 상기 공기 조화 장치의 운영 정보를 전송하고 상기 전송된 운영 정보에 기초하여 예측된 냉방 지표(cooling capacity)에 대한 정보를 수신하도록 상기 통신 장치를 제어하고, 상기 수신된 냉방 지표 정보에 기초하여 상기 냉방 장치에 대한 제어 데이터를 생성하고, 상기 생성된 제어 데이터에 기초하여 상기 냉방 장치를 제어하는 프로세서를 포함한다.
본 개시의 일 실시 예에 따른 서버의 제어 방법은, 복수의 그룹 정보 및 상기 복수의 그룹 각각에 대응되는 냉방 지표(cooling capacity)를 예측하는 냉방 지표 예측 모델을 저장하는 단계, 공기 조화 장치로부터 운영 정보를 수신하는 단계, 상기 수신한 운영 정보에 기초하여 상기 공기 조화 장치를 복수의 그룹 중 하나의 그룹에 매핑하는 단계, 상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 이용하여 상기 공기 조화 장치의 냉방 지표를 예측하는 단계 및 상기 예측된 냉방 지표에 대한 정보를 상기 공기 조화 장치에 전송하는 단계를 포함한다.
도 1은 본 개시의 일 실시 예에 따른 공기 조화 시스템을 설명하기 위한 도면,
도 2는 본 개시의 일 실시 예에 따른 서버의 간단한 구성을 도시한 블록도,
도 3은 본 개시의 일 실시 예에 따른 서버의 구체적인 구성을 도시한 블럭도,
도 4는 본 개시의 일 실시 예에 따른 공기 조화 장치의 간단한 구성을 도시한 블록도,
도 5는 본 개시의 일 실시 예에 따른 공기 조화 장치의 구체적인 구성을 도시한 블록도,
도 6은 본 개시의 일 실시 예에 따른 서버의 제어 방법을 설명하기 위한 흐름도,
도 7은 본 개시의 일 실시 예에 따른 공기 조화 장치의 제어 방법을 설명하기 위한 흐름도
도 8은 본 개시의 일 실시 예에 따른 매핑 과정 및 학습 과정을 구체적으로 설명하기 위한 흐름도,
도 9는 본 개시의 일 실시 예에 따른 냉방 지표 계산의 예를 도시한 도면,
도 10은 본 개시의 일 실시 예에 따른 예측 과정을 구체적으로 설명하기 위한 흐름도, 그리고
도 11은 본 개시의 일 실시 예에 따른 동작 모드 및 온도 변환의 예를 도시한 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
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.
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 명세서에서 "공기 조화 장치(air conditioner)"란, 주택, 사무실, 상점 및 농작물을 재배하는 하우스 등의 공간에 배치되어 공기의 온도, 습도, 청정도 및 기류를 조절하여, 사람이 거주하기에 쾌적한 실내 환경 또는 작물이 생장하기에 적합한 실내 환경을 유지할 수 있도록 한 장치이다. 공기 조화 장치의 예로는, 가정용 에어컨, 시스템 에어컨, 차량용 에어컨, 제습기, 냉풍기, 공기 청정기 등이 해당될 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 생략하였다.
이하에서는 도면을 참조하여 본 개시에 대해 더욱 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시 예에 따른 공기 조화 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 공기 조화 시스템(1000)은 공기 조화 장치(200) 및 서버(100)를 포함한다.
공기 조화 장치(200)는 실내의 공기를 조화하기 위한 동작을 수행한다. 구체적으로, 공기 조화 장치(200)는 실내 공기의 온도를 낮추는 냉방, 실내 공기의 온도를 높이는 난방, 실내에 기류를 형성하는 송풍 및 실내 습도를 낮추는 제습 중 적어도 하나의 공기 조화를 수행할 수 있다.
공기 조화 장치(200)는 사용자가 설정한 제어 명령에 따라 동작을 수행할 수 있다. 또한, 공기 조화 장치(200)는 사용자의 설정 없이도 사용자가 과거에 설정한 제어 명령 정보들을 기초로 동작을 수행할 수 있다.
구체적으로, 공기 조화 장치(200)는 과거 운영 정보를 이용하여 사용자의 사용 패턴을 학습하고, 주어진 상황에서 사용자에게 적합한 동작을 예측하고, 해당 동작을 수행할 수 있다. 또한, 공기 조화 장치(200)는 운영 정보를 외부의 서버(100)에 송신하고, 송신한 운영 정보를 학습한 서버(100)로부터 동작에 대한 예측 결과를 수신하여, 그에 따라 동작을 수행할 수 있다.
여기서, 운영 정보는, 사용자가 설정한 희망 온도, 작동 모드, 풍향, 풍속뿐만 아니라 주변 온도, 주변 습도 등도 포함할 수 있다. 또한, 운영 정보는 각 사용자의 입력 동작 또는 공기 조화 장치(200)의 상태 변경과 같은 각각의 이벤트별로 생성될 수 있다.
서버(100)는 클라이언트에게 네트워크를 통해 정보나 서비스를 제공하는 컴퓨터(server computer) 또는 프로그램(server program)을 의미한다. 서버(100)는 공기 조화 장치(200)로부터 운영 정보 또는 공기 조화 장치(200)가 센싱한 센싱 데이터를 수신할 수 있다. 또한, 공기 조화 장치(200)가 위치한 장소에 대한 날씨 정보를 갖는 서버(미도시)로부터 날씨 정보를 수신할 수 있다.
서버(100)는 수신한 운영 정보를 기초로 사용자의 사용 패턴을 파악하고, 공기 조화 장치(200)로부터 예측 정보에 대한 요청을 수신하면, 주어진 상황과 파악한 사용 패턴에 대응되는 동작에 대한 예측 정보를 획득할 수 있다. 이때 서버(100)는 기저장된 인공 지능 모델을 이용하여 사용자의 사용 패턴을 파악하고 예측 정보를 획득할 수 있다. 서버의 구체적인 구성 및 동작에 대해서는 도 2 및 도 3을 참조하여 후술한다.
여기서, 인공 지능 모델은 기계 학습 및 기계 학습을 활용한 요소 기술들로 구성될 수 있다. 기계 학습은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이며, 요소 기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사 하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성될 수 있다. 인공 지능 모델을 활용하여 예측 정보를 획득하는 동작에 대한 자세한 내용은 서버(100)의 동작과 관련하여 도 2에서 후술한다.
서버(100)는 획득한 예측 정보를 공기 조화 장치(200)에 송신할 수 있고, 공기 조화 장치(200)는 서버(100)로부터 예측 정보를 수신하여 예측 정보에 대응되는 동작을 수행할 수 있다. 이러한 공기 조화 장치의 구체적인 구성 및 동작에 대해서는 도 4 및 도 5를 참조하여 후술한다.
이와 같이, 공기 조화 시스템(1000)은 사용자의 운영 정보를 기초로 사용자의 사용 패턴을 분석하여, 그에 대응되는 동작을 수행함으로써, 사용자에게 최적화된 조화 서비스를 제공할 수 있게 된다.
한편, 도 1을 도시하고 설명함에 있어서, 서버에 하나의 공기 조화 장치가 연결되는 것으로 도시하고 설명했지만, 구현 시에 서버는 복수의 공기 조화 장치와 연결될 수 있다. 또한, 서버와 공기 조화 장치는 직접 연결되는 형태뿐만 아니라, 라우터 등 다른 구성을 경유하여 연결될 수 있다.
도 2는 본 개시의 일 실시 예에 따른 서버의 구성을 도시한 블록도이다.
도 2를 참조하면, 서버(100)는 통신 장치(110), 메모리(120) 및 프로세서(130)로 구성된다.
통신 장치는 유선 또는 무선 방식으로 외부의 장치와 데이터를 교환할 수 있다. 구체적으로, 통신 장치(110)는 무선랜, 블루투스 등과 같은 무선 방식으로 외부 장치와 연결될 수 있다. 이외에도 통신 장치(110)는 와이파이, 블루투스, 지그비를 이용하여 외부 장치와 연결될 수 있다. 한편, 통신 장치(110)는 유선 방식인 연결 포트를 포함할 수 있다.
통신 장치(110)는 복수의 공기 조화 장치(200)와 통신할 수 있다. 통신 장치(110)는 각 공기 조화 장치(200)로부터 운영 정보 또는 공기 조화 장치(200)가 센싱한 센싱 데이터를 수신할 수 있다.
또한, 통신 장치(110)는 외부 환경 정보를 제공하는 외부 서버(미도시)와 통신할 수 있다. 예를 들어, 통신 장치(110)는 날씨 정보를 제공하는 외부 서버로부터 날짜 및 시간에 따른 온도 또는 습도와 같은 날씨 정보를 수신할 수 있다.
그리고 통신 장치(110)는 후술하는 프로세서(130)의 동작에 의해 획득된 예측 모델을 공기 조화 장치(200)에 전송할 수 있다. 또한, 획득된 예측 모델로 예측한 냉방 지표(cooling capacity) 또는 냉방 지표에 대응되는 공기 조화 장치(200)에 대한 제어 데이터를 전송할 수 있다.
여기서 냉방 지표(cooling capacity)란, 냉각 시스템이 열을 제거하는 능력에 관한 지표로, 냉방 지표를 예측하는 동작과 냉방 지표에 대응되는 제어 데이터에 대한 자세한 설명은 도 10 및 도 11에서 구체적으로 후술한다.
메모리(120)는 서버(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장한다. 구체적으로, 메모리(120)에는 적어도 하나의 명령어가 저장될 수 있다. 프로세서(130)는 메모리(120)에 저장된 명령어를 실행함으로써 상술한 동작을 수행할 수 있다.
메모리(120)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(120), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 서버(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.
메모리(120)는 복수의 공기 조화 장치(200) 각각으로부터 수신한 운영 정보와 수신한 운영 정보를 기초로 하여 파악된 사용자의 사용 패턴을 저장할 수 있다. 또한, 메모리(120)는 복수의 그룹 정보와 각 그룹에 대응되는 예측 모델을 저장할 수 있다.
여기서 복수의 그룹이란, 서버(100)와 통신 가능한 복수의 공기 조화 장치(200) 각각에 대한 운영 정보를 기초로 각 공기 조화 장치의 사용 패턴을 분석하여, 유사한 사용 패턴을 갖는 공기 조화 장치들을 하나의 그룹으로 묶는 과정으로 생성되는 그룹이다.
예를 들어, 복수의 공기 조화 장치들은 20도 이하의 낮은 온도의 동작을 선호하는 그룹, 또는 강풍 동작을 선호하는 그룹 등으로 분류될 수 있다. 한편, 복수의 그룹은 상술한 예시 외에도 다양한 방법으로 따라 그룹으로 분류될 수 있다. 한편, 본 개시에서는 그룹으로 지칭하였으나, 이는 클러스터(Cluster) 또는 집단 등으로도 지칭될 수 있다.
또한, 메모리(120)는 공기 조화 장치(200)를 상술한 복수의 그룹 중 하나의 그룹으로 매핑(mapping)하는 인공 지능 모델을 저장할 수 있다. 여기서 인공 지능 모델은 유사도에 근거하여 데이터들에 대한 클러스터를 구분하는 분류 예측 모델에 해당될 수 있다.
구체적으로, 인공 지능 모델은 복수의 공기 조화 장치 각각의 운영 정보를 기초로 사용 패턴을 학습하고, 수신한 운영 정보가 입력되면 공기 조화 장치(200)를 복수의 그룹 중 공기 조화 장치(200)의 사용 패턴에 대응되는 하나의 그룹에 매핑할 수 있다.
이와 같은 분류 예측 모델에는 K-means 모델, Partitioning, K-medoid, CLARA(Clustering LARge Application), CLARANS(Clustering Large Application based upon RANdomized Search) 모델 등이 해당될 수 있다. 여기서 K-means 모델은 데이터들을 K 개의 그룹으로 분류하는 방법으로, 데이터를 임의의 K 개의 그룹으로 나누고, 각 그룹의 중심점(centroid)를 설정하여, 각 그룹의 데이터들과 중심점과의 거리들을 계산하여, 이러한 거리에 대한 분산값이 최소화되는 방향으로 그룹을 재설정하는 것을 반복하여 그룹을 형성하는 방법이다.
또한, 복수의 그룹 각각에 대응되는 예측 모델이란, 복수의 그룹 각각에 속하는 공기 조화 장치의 운영 정보들을 학습하여, 주어진 상황에 적합한 것으로 예상되는 동작에 대한 예측 정보를 제공할 수 있는 인공 지능 모델이다. 여기서 인공 지능 모델은 종속 변수와 독립 변수 간의 상관관계를 모델링하는 회귀(Regression) 모델이 이용될 수 있다.
회귀(Regression) 모델은 선형 회귀(Linear Regression), 다항 회귀(Polynomial Regression), 결정 트리 회귀(Decision Tree Regression), 랜덤 포레스트 회귀(Random Forest Regression) 모델 등이 해당될 수 있다.
예를 들어, 20도 이하의 낮은 온도를 선호하는 그룹에 대응되는 예측 모델의 경우, 공기 조화 장치가 20도 이하의 낮은 온도로 동작하도록 예측 정보를 제공할 수 있다. 이때 예측 모델이 제공하는 예측 정보는 설정 온도, 작동 모드, 풍향 또는 풍속에 대한 정보 또는 냉방 지표 정보를 포함할 수 있다. 한편, 이하에서는 냉방 지표 정보를 포함하는 예측 정보를 제공하는 모델을 냉방 지표 예측 모델이라고 지칭한다.
프로세서(130)는 서버(100)의 전반적인 동작 및 기능을 제어한다. 구체적으로, 프로세서(130)는 CPU, ASIC 등으로 구현될 수 있다. 더욱이 프로세서(130)는 복수의 CPU로 구성될 수 있다.
프로세서(130)는 통신 장치(110)를 통하여 공기 조화 장치(200)로부터 운영 정보를 수신하면, 수신한 운영 정보를 기초로 하여 공기 조화 장치(200)를 복수의 그룹 중 하나의 그룹에 매핑할 수 있다.
구체적으로, 프로세서(130)는 수신한 운영 정보를 메모리(120)에 저장된 인공 지능 모델에 입력하여, 인공 지능의 산출 결과에 따라 공기 조화 장치(200)를 복수의 그룹 중 하나의 그룹에 매핑할 수 있으며, 이때 이용하는 인공 지능 모델은 상술한 분류 예측 모델을 의미한다.
이때, 운영 정보는 사용자가 설정한 희망 온도, 작동 모드, 풍향, 풍속뿐만 아니라 주변 온도, 주변 습도 등도 포함할 수 있다. 또한, 운영 정보는 각 사용자의 입력 동작 또는 공기 조화 장치(200)의 상태 변경과 같은 각각의 이벤트별로 생성될 수 있다.
그리고 프로세서(130)는 사용자가 설정한 온도 정보, 동작 모드 정보 및 풍량 정보 중 적어도 하나의 정보를 이용하여 공기 조화 장치(200)의 냉방 지표를 산출하고, 산출한 냉방 지표와 수신한 운영 정보를 기초로 공기 조화 장치(200)를 복수의 그룹 중 하나의 그룹에 매핑할 수 있다. 냉방 지표를 산출하는 방법과 관련해서는 도 9와 관련하여 후술한다.
프로세서(130)는 복수의 그룹 각각에 대응되는 예측 모델을 생성할 수 있다. 여기서 예측 모델은 냉방 지표 예측 모델을 포함할 수 있다.
구체적으로, 프로세서(130)는 복수의 그룹 각각에 대응되는 공기 조화 장치의 운영 정보를 이용하여 복수의 그룹 각각에 대한 예측 모델을 생성할 수 있다. 이때 예측 모델은 회귀(Regression) 모델에 해당될 수 있다.
예를 들어, 메모리(120)에 100개의 공기 조화 장치의 운영 정보가 각각 저장되어 있고, 총 3개의 그룹이 존재하는 경우, 프로세서(130)는 1번 그룹에 속하는 공기 조화 장치의 운영 정보를 이용하여 1번 그룹에 대한 예측 모델, 2번 그룹에 속하는 공기 조화 장치의 운영 정보를 이용하여 2번 그룹에 대한 예측 모델, 3번 그룹에 속하는 공기 조화 장치의 운영 정보를 이용하여 3번 그룹에 대한 예측 모델을 생성할 수 있다.
보다 구체적으로, 프로세서(130)는 저장된 공기 조화 장치의 운영 정보 중 공기 조화 장치(200)가 매핑된 그룹에 대응되는 운영 정보들과 수신된 공기 조화 장치(200)의 운영 정보를 이용하여, 매핑된 그룹에 대한 예측 모델을 생성할 수 있다.
예를 들어, 프로세서(130)는 공기 조화 장치(200)가 그룹 1에 매핑된 경우, 그룹 1에 대응되는 예측 모델을 공기 조화 장치(200)가 이용하도록 통신 장치(110)를 제어하고, 메모리(120)에 저장된 100개의 공기 조화 장치(200)의 운영 정보 중 그룹 1에 속하는 운영 정보들과 수신한 공기 조화 장치(200)의 운영 정보를 이용하여 그룹 1에 대한 예측 모델을 생성할 수 있다.
또 다른 실시 예로, 프로세서(130)는 수신한 공기 조화 장치(200)의 운영 정보를 이용하여 공기 조화 장치(200)가 매핑된 그룹에 대응되는 예측 모델을 갱신하고, 갱신한 예측 모델을 공기 조화 장치(200)가 이용하도록 통신 장치(110)를 제어할 수 있다.
예를 들어, 프로세서(130)는 공기 조화 장치(200)가 그룹 1에 매핑된 경우, 수신된 공기 조화 장치(200)의 운영 정보를 이용하여 그룹 1의 예측 모델을 갱신하고, 갱신한 예측 모델을 공기 조화 장치(200)가 이용하도록 통신 장치(110)를 제어할 수 있다.
프로세서(130)는 공기 조화 장치(200)에 대한 매핑을 완료하면, 매핑된 그룹에 대응되는 예측 모델을 이용하도록 통신 장치(110)를 제어할 수 있다.
구체적으로, 프로세서(130)는 매핑된 그룹에 대응되는 예측 모델 자체를 공기 조화 장치(200)에 전송하도록 통신 장치(110)를 제어할 수 있다. 이 경우, 공기 조화 장치(200)는 수신한 예측 모델을 이용하여 주어진 상황에 대한 동작 예측을 직접 수행할 수 있다. 또한, 예측 모델에는 냉방 지표 예측 모델을 포함하므로, 공기 조화 장치(200)는 주어진 상황에 대한 냉방 지표를 예측할 수 있다.
또 다른 실시 예로, 프로세서(130)는 매핑된 그룹에 대응되는 예측 모델과 수신한 운영 정보에 기초하여 공기 조화 장치(200)에 대한 예측 정보를 생성하고, 생성된 정보를 공기 조화 장치(200)에 전송하도록 통신 장치(110)를 제어할 수 있다. 예를 들어, 예측 모델을 이용하여 예측된 온도, 모드 또는 풍속에 대한 정보를 공기 조화 장치(200)에 전송할 수 있다. 또한, 예측 모델에는 냉방 지표 예측 모델을 포함하므로, 프로세서(130)는 냉방 지표 예측 모델을 이용하여 예측된 냉방 지표 정보를 공기 조화 장치(200)에 전송할 수 있다.
또 다른 실시 예로, 프로세서(130)는 매핑된 그룹에 대응되는 냉방 지표 예측 모델과 수신한 운영 정보에 기초하여 공기 조화 장치(200)에 대한 냉방 지표를 예측하고, 예측된 냉방 지표에 대응되는 공기 조화 장치(200)에 대한 제어 데이터를 생성하고, 생성한 제어 데이터를 공기 조화 장치(200)에 전송하도록 통신 장치(110)를 제어할 수 있다. 여기서 제어 데이터란, 특정 설정 온도, 동작 모드 또는 풍량으로 공기 조화 장치(200)가 동작하도록 제어하는 데이터를 의미한다.
이와 같이 프로세서(130)는 다양한 방법으로 냉방 지표를 이용할 수 있다. 종래에는 공기 조화 장치(200)가 주어진 상황에 적합한 동작을 수행하는데 필요한 정보로써 설정 온도, 동작 모드, 풍량 또는 풍속 등에 대한 정보들을 개별적으로 예측하였으나, 그 정보들을 모두 예측하는 것은 많은 리소스를 필요로 한다는 문제점이 있었다.
그러나 상술한 바와 같이 프로세서(130)가 냉방 지표를 예측하고 예측된 냉방 지표에 대응되는 설정 온도 또는 동작 모드 정보와 같은 제어 데이터로 변환하는 경우, 냉방 지표에 대한 예측만을 수행하므로 적은 리소스로도 공기 조화 장치(200)의 동작을 제어할 수 있다는 효과가 있다. 예측된 냉방 지표에 대응되는 온도 또는 동작 모드 정보에 대한 설명은 도 11에서 후술한다.
또한, 종래에는 예측 모델 생성 시, 각 공기 조화 장치의 운영 정보만을 기초로 하여 각 공기 조화 장치에 대한 예측 모델을 생성하였다. 그러나 사용자는 공기 조화 장치의 동작을 설정하고 난 후 장시간 설정을 변경하지 않는 경향을 갖는 등 공기 조화 장치의 특성상 사용자가 장치를 조작하는 횟수가 많지 않고, 따라서 각 공기 조화 장치의 예측 모델의 생성할 때 기초로 하는 데이터 양이 부족하여 overfitting된 예측 모델을 생성하는 문제점이 있었다.
그러나 상술한 바와 같이 본 개시는 공기 조화 장치의 운영 정보를 기초로 유사한 사용 패턴을 갖는 공기 조화 장치들을 그룹화하고, 각 그룹에 속하는 공기 조화 장치들의 운영 정보를 이용하여 예측 모델을 생성하는바, 예측 모델을 생성하기 위한 데이터 양이 충분하므로 정확도 높은 예측 모델을 생성할 수 있는 효과를 가질 수 있다.
도 3은 본 개시의 일 실시 예에 따른 서버의 구체적인 구성을 도시한 블록도이다.
도 3을 참조하면, 서버(100)는 통신 장치(110), 메모리(120), 프로세서(130), 입력 장치(140) 및 디스플레이(150)로 구성될 수 있다.
통신 장치(110), 메모리(120), 프로세서(130)의 구성은 도 2의 구성과 동일한바, 해당 구성에 대한 중복 설명은 생략한다.
입력 장치(140)는 사용자로부터 기능 선택 및 해당 기능에 대한 제어 명령을 입력받을 수 있다. 여기서 기능은 통신 기능, 저장 기능, 매핑 기능, 정보 선택 기능, 예측 모델 생성 기능 등을 포함할 수 있다.
구체적으로, 입력 장치(140)는 사용자로부터 통신을 수행할 공기 조화 장치(200)에 대한 선택을 입력받을 수 있고, 공기 조화 장치(200)로부터 수신한 운영 정보의 저장 여부에 대한 선택을 입력받을 수 있다.
또한, 특정 공기 조화 장치(200)에 대한 복수의 그룹에 대한 매핑을 수행할지 여부에 대한 선택을 입력받을 수 있고, 어떠한 방식으로 예측 모델을 생성할 것인지에 대한 사용자의 선택을 입력받을 수 있다.
또한, 입력 장치(140)는 복수의 공기 조화 장치를 복수의 그룹으로 분류함에 있어서, 몇 개의 그룹으로 분류할 것인지에 대한 정보를 입력받을 수 있다.
이와 같은 입력 장치(140)는 디스플레이(150)에 표시되는 메뉴를 통해 입력받을 수 있다.
이러한 입력 장치(140)는 복수의 버튼, 키보드, 마우스 등으로 구현될 수 있으며, 후술할 디스플레이(150)의 기능을 동시에 수행할 수 있는 터치 스크린으로도 구현될 수도 있다.
디스플레이(150)는 서버(100)에서 제공하는 각종 메시지를 표시할 수 있다. 예를 들어, 디스플레이(150)는 서버(100)가 제공하는 각종 기능을 선택받기 위한 사용자 인터페이스 창을 표시할 수 있다. 이러한 디스플레이(150)는 LCD, CRT, OLED 등과 같은 모니터일 수 있으며, 상술한 입력 장치(140)의 기능을 동시에 수행할 수 있는 터치 스크린으로 구현될 수도 있다.
도 4는 본 개시의 일 실시 예에 따른 공기 조화 장치의 간단한 구성을 도시한 블록도이다.
도 4를 참조하면, 공기 조화 장치(200)는 통신 장치(210), 프로세서(220) 및 냉방 장치(230)를 포함한다.
통신 장치(210)는 다양한 통신 방식을 이용하여 외부 장치와 통신할 수 있다. 구체적으로, 통신 장치(110)는 무선랜, 블루투스 등과 같은 무선 방식으로 외부 장치와 연결될 수 있다. 이외에도 통신 장치(110)는 와이파이, 블루투스, 지그비를 이용하여 외부 장치와 연결될 수 있다. 한편, 통신 장치(110)는 유선 방식인 연결 포트를 포함할 수 있다.
통신 장치(210) 는 모바일 기기(Smart Phone, Tablet PC), PC, 노트북 PC 등의 단말장치(미도시)와 연결되며, 단말장치(미도시)로부터 데이터를 수신할 수 있다.
통신 장치(210)는 서버(100)와 통신할 수 있다. 통신 장치(210)는 서버(100)로 공기 조화 장치(200)의 운영 정보를 전송할 수 있다. 이때 운영 정보는 현재 온도, 현재 습도, 희망 온도, 모드 정보, 운영 시간 등을 포함할 수 있다. 또한, 운영 정보는 각 사용자의 입력 또는 공기 조화 장치(200)의 상태 변경과 같은 각각의 이벤트 별로 생성될 수 있다.
또한, 통신 장치(210)는 서버(100)로부터, 전송한 운영 정보에 기초하는 예측 모델을 수신할 수 있다. 이때 예측 모델은 냉방 지표 예측 모델을 포함할 수 있다.
또한, 통신 장치(210)는 서버(100)로부터, 전송한 운영 정보에 기초한 예측 모델로부터 예측된 냉방 지표를 수신할 수 있다.
또한, 통신 장치(210)는 서버(100)로부터, 전송한 운영 정보에 기초한 예측 모델로부터 예측된 냉방 지표에 대응되는 제어 데이터를 수신할 수 있다.
프로세서(220)는 공기 조화 장치(200) 내의 각 구성을 제어한다. 구체적으로, 프로세서(220)는 CPU, ASIC 등으로 구현될 수 있다.
프로세서(220)는 공기 조화 장치(200)의 사용자가 설정한 온도 정보, 동작 모드 정보 등을 포함하는 운영 정보를 메모리(250)에 저장되도록 제어할 수 있고, 운영 정보를 서버(100)에 송신하도록 통신 장치(210)를 제어할 수 있다.
또한, 프로세서(220)는 사용자가 설정한 온도 정보, 동작 모드 정보 및 풍량 정보 중 적어도 하나의 정보를 이용하여 냉방 지표를 산출할 수 있고, 산출한 냉방 지표 역시 서버(100)로 송신하도록 통신 장치(210)를 제어할 수 있다. 냉방 지표를 산출하는 방법에 대해서는 도 9를 참조하여 후술한다.
프로세서(220)는 통신 장치(210)가 서버(100)로부터 수신한 예측 모델을 이용하여 냉방 장치(230)의 동작을 제어할 수 있다. 구체적으로, 수신한 예측 모델을 이용하여 주어진 상황에 대응되는 적합한 동작에 대한 예측을 수행할 수 있고, 예측 결과에 대응되는 동작을 수행하도록 냉방 장치(230)를 제어할 수 있다.
또한, 통신 장치(210)가 냉방 지표 예측 모델을 수신한 경우, 수신한 냉방 지표 예측 모델을 이용하여 주어진 상황에 대응되는 냉방 지표를 예측하고, 냉방 지표를 이용하여 설정 온도 또는 모드 정보 등을 포함하는 제어 데이터를 생성하고, 생성한 제어 데이터를 이용하여 냉방 장치(230)를 제어할 수 있다. 냉방 지표에 대응되는 설정 온도 또는 모드 정보를 계산하는 방법은 도 11을 참조하여 후술한다.
프로세서(220)는 통신 장치(210)가 서버(100)로부터 수신한 예측 정보를 이용하여 냉방 장치(230)의 동작을 제어할 수 있다. 구체적으로, 수신한 예측 정보에 포함된 설정 온도 또는 동작 모드 정보 등을 이용하여 대응되는 동작을 수행하도록 냉방 장치(230)를 제어할 수 있다.
또한, 통신 장치(210)가 예측된 냉방 지표 정보를 수신한 경우, 수신한 냉방 지표 정보를 이용하여 설정 온도 또는 모드 정보 등을 포함하는 제어 데이터를 생성하고, 생성한 제어 데이터를 이용하여 냉방 장치(230)를 제어할 수 있다.
프로세서(220)는 통신 장치(210)가 서버(100)로부터 제어 데이터를 수신한 경우, 수신한 제어 데이터를 이용하여 냉방 장치(230)의 동작을 제어할 수 있다.
냉방 장치(230)는 공기 조화 장치(200)의 냉방 동작을 수행할 수 있다. 이때, 냉방 장치(230)는 리모컨 또는 공기 조화 장치(200)의 유저 인터페이스 장치(270)를 통해 입력된 사용자 명령에 따라 냉방 동작을 수행할 수 있다.
또한, 냉방 장치(230)는 직접 입력된 사용자의 명령이 없어도 프로세서(220)의 제어에 따라 냉방 동작을 수행할 수 있다.
한편, 설명의 편의를 위해 공기의 온도를 제어하는 구성을 냉방 장치(230)라고 지칭하였으나, 냉방에 한정되지 않고, 실내 공기의 온도를 높이는 난방, 실내에 기류를 형성하는 송풍 및 실내 습도를 낮추는 제습 중 적어도 하나의 공기 조화를 수행할 수도 있다. 또한, 냉방 장치(230)는 공기 조화 장치(200) 실내기뿐만 아니라 실외기 역시 포함될 수 있다.
도 5는 본 개시의 일 실시 예에 따른 공기 조화 장치의 구체적인 구성을 도시한 블록도이다.
도 5를 참조하면, 공기 조화 장치(200)는 통신 장치(210), 프로세서(220), 냉방 장치(230), 센서(240), 메모리(250), 디스플레이(260), 유저 인터페이스 장치(270)를 포함할 수 있다.
통신 장치(210), 프로세서(220), 냉방 장치(230)의 구성은 도 4의 구성과 동일한바, 해당 구성에 대한 중복 설명은 생략한다.
센서(240)는 공기 조화 장치(200)가 위치한 영역의 다양한 정보를 획득할 수 있다. 예를 들어, 센서(240)는 온도 센서, 습도 센서 등을 포함할 수 있고, 온도 센서를 통해 공기 조화 장치(200)가 배치된 공간의 온도를 감지하거나, 습도 센서를 통해 공기 조화 장치(200)가 배치된 공간의 습도를 감지할 수 있다. 이 외에도 사용자를 감지하기 위한 IR 센서, 근접 센서 또는 카메라 등을 포함할 수 있다.
메모리(250)는 메모리(250)는 공기 조화 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령(instruction) 또는 데이터를 저장할 수 있다. 특히, 메모리(250)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(250)는 프로세서(220)에 의해 액세스되며, 프로세서(220)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(250), 프로세서(220) 내 롬(미도시), 램(미도시) 또는 공기 조화 장치(200)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.
구체적으로, 메모리(250)는 공기 조화 장치(200)에 대한 사용자의 운영 정보 또는 센서(240)에서 센싱한 데이터를 저장할 수 있다. 또한, 통신 장치(210)를 통해 서버(100)로부터 수신한 예측 모델, 냉방 지표 예측 모델, 냉방 지표에 대한 정보 또는 제어 데이터 등을 저장할 수 있다.
디스플레이(260)는 공기 조화 장치(200)의 외부 표면에 구비되어, 데이터를 표시할 수 있다. 구체적으로, 디스플레이(260)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(260) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 또한, 디스플레이(260)는 플렉서블 디스플레이로 구현될 수도 있다.
디스플레이(260)는 공기 조화 장치(200)가 제공하는 각종 정보를 표시할 수 있다. 구체적으로, 디스플레이(260)는 공기 조화 장치(200)가 제공하는 각종 기능을 선택받기 위한 사용자 인터페이스 화면을 표시할 수 있으며, 사용자의 입력을 받아 들이는 터치 스크린으로 구현될 수도 있다.
또한, 디스플레이(260)는 공기 조화 장치(200)가 현재 수행하고 있는 동작과 공기 조화 장치(200)가 센싱한 데이터에 대한 정보를 제공할 수 있다. 예를 들어, 공기 조화 장치(200)가 동작하고 있는 당시 측정된 현재 온도, 현재 습도뿐만 아니라 설정 온도, 풍량 또는 풍속 등 공기 조화 장치(200)의 동작에 대한 정보를 제공할 수 있다.
유저 인터페이스 장치(270)는 사용자의 조작 등 사용자의 인터랙션을 입력받기 위한 구성이다. 구체적으로, 유저 인터페이스 장치(270)는 사용자로부터 공기 조화 장치(200)의 설정 온도, 동작 모드 또는 풍량 등에 대한 제어 명령을 입력 받을 수 있다.
유저 인터페이스 장치(270)는 공기 조화 장치(200)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 버튼(271), 사용자의 음성을 수신하는 마이크(272), 원격 제어 장치로부터 사용자 입력(예를 들어, 터치, 눌림, 터치 제스처, 음성, 또는 모션)에 대응되는 광 신호를 수신하는 광 수신부(273) 등을 포함할 수 있다. 한편, 디스플레이(260)가 터치 스크린이라면, 디스플레이(260)도 유저 인터페이스 장치(270)로 동작할 수 있다.
그 밖에, 도 5에 도시하지는 않았으나, 실시 예에 따라서는, 공기 조화 장치(200) 내에 USB 커넥터가 연결될 수 있는 USB 포트나, LAN 등과 같은 다양한 외부 단자와 연결하기 위한 다양한 외부 입력 포트, 소리를 출력하기 위한 스피커 등을 더 포함할 수 있다.
도 6은, 본 개시의 일 실시 예에 따른 서버의 제어 방법을 설명하기 위한 흐름도이다.
먼저, 복수의 그룹 정보 및 복수의 그룹 각각에 대응되는 냉방 지표 예측 모델을 저장한다(S601).
복수의 그룹이란, 복수의 공기 조화 장치(200) 각각에 대한 운영 정보를 기초로 각 공기 조화 장치의 사용 패턴을 분석하여, 유사한 사용 패턴을 갖는 공기 조화 장치들을 하나의 그룹으로 묶는 과정으로 생성되는 그룹이다.
또한, 복수의 그룹 각각에 대응되는 냉방 지표 예측 모델은 서버(100)의 동작과 관련하여 상술한 바와 같이 인공 지능 모델일 수 있다. 여기서 인공 지능 모델은 회귀(Regression) 모델에 해당될 수 있다.
회귀(Regression) 모델은 선형 회귀(Linear Regression), 다항 회귀(Polynomial Regression), 결정 트리 회귀(Decision Tree Regression), 랜덤 포레스트 회귀(Random Forest Regression) 모델 등이 해당될 수 있다.
한편, 복수의 그룹 각각에 대응되는 냉방 지표 예측 모델을 저장함에 있어, 냉방 지표 예측 모델만을 저장하는 것 외에도 주어진 환경에 대응되는 설정 온도 또는 동작 모드 등에 대한 예측을 수행하는 일반적인 예측 모델이 저장될 수도 있다.
그리고 공기 조화 장치(200)로부터 운영 정보를 수신한다(S602). 이때 운영 정보는, 사용자가 설정한 희망 온도, 작동 모드, 풍향, 풍속뿐만 아니라 주변 온도, 주변 습도 등도 포함할 수 있다. 또한, 운영 정보는 냉방 지표 정보를 포함할 수 있다.
그리고 수신된 운영 정보를 기초로 공기 조화 장치(200)를 복수의 그룹 중 하나의 그룹에 매핑한다(S603).
구체적으로, 수신한 운영 정보를 기초로 공기 조화 장치(200)의 냉방 지표를 산출하고, 산출된 냉방 지표 및 수신한 운영 정보를 기초로 공기 조화 장치(200)를 복수의 그룹 중 하나의 그룹에 매핑할 수 있다.
한편, 수신한 운영 정보 내에 냉방 지표에 대한 정보가 포함되어 있는 경우에는 냉방 지표를 산출하는 과정 없이 수신한 운영 정보를 기초로 복수의 그룹 중 하나의 그룹에 매핑할 수 있다.
또한, 복수의 그룹 중 하나의 그룹에 매핑하는 것은 서버(100)의 동작과 관련하여 상술한 바와 같이 인공 지능 모델을 이용하여 수행할 수 있다. 구체적으로, 인공 지능 모델은 공기 조화 장치를 복수의 그룹 중 하나로 매핑하는 분류 예측 모델에 해당될 수 있으며, 분류 예측 모델은 K-means 모델, Partitioning, K-medoid, CLARA(Clustering LARge Application), CLARANS(Clustering Large Application based upon RANdomized Search) 모델 등이 해당될 수 있다.
구체적으로, 인공 지능 모델은 복수의 공기 조화 장치 각각의 운영 정보를 기초로 사용 패턴을 학습하고, 수신한 운영 정보가 입력되면 공기 조화 장치(200)를 복수의 그룹 중 공기 조화 장치(200)의 사용 패턴에 대응되는 하나의 그룹에 매핑할 수 있다.
그리고 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 이용하여 공기 조화 장치(200)의 냉방 지표를 예측한다(S604).
구체적으로, 매핑된 그룹에 대응되는 냉방 지표 예측 모델에 수신한 운영 정보를 입력하여 주어진 상황에 대한 냉방 지표 예측 정보를 생성할 수 있다.
한편, 도 6에서는 단계 S604에서 냉방 지표 예측 모델을 이용하는 것으로 도시하고 설명하였으나, 구현 시에는 매핑된 그룹에 대응되는 일반적인 예측 모델에 수신한 운영 정보를 입력하여 주어진 상황에 대한 설정 온도 또는 동작 모드 등에 대한 예측 정보를 생성할 수 있다.
그리고 예측된 냉방 지표에 대한 정보를 공기 조화 장치(200)에 전송한다(S605).
한편, 도 6에서는 단계 S604 및 S605에서 냉방 지표 예측 모델을 이용하여 냉방 지표를 예측하고, 예측된 냉방 지표를 공기 조화 장치(200)에 전송하는 것으로 도시하고 설명하였으나, 구현 시에는 예측 모델 그 자체를 공기 조화 장치(200)에 전송할 수 있다.
구체적으로, 매핑된 그룹에 대응되는 예측 모델 또는 냉방 지표 예측 모델을 공기 조화 장치(200)에 전송하고, 공기 조화 장치(200)가 수신한 예측 모델 또는 냉방 지표 예측 모델을 이용하여 주어진 상황에 대한 동작 예측을 직접 수행할 수 있다.
또한, 구현 시에는 서버(100)의 동작과 관련하여 상술한 바와 같이 예측된 냉방 지표를 이용하여 이에 대응되는 제어 데이터를 생성하고, 생성한 제어 데이터를 공기 조화 장치(200)에 전송할 수 있다.
구체적으로, 매핑된 그룹에 대응되는 냉방 지표 예측 모델과 수신한 운영 정보에 기초하여 공기 조화 장치(200)에 대한 냉방 지표를 예측하고, 예측된 냉방 지표에 대응되는 공기 조화 장치(200)에 대한 제어 데이터를 생성하고, 생성한 제어 데이터를 공기 조화 장치(200)에 전송할 수 있다.
추가적으로, 복수의 그룹 각각에 대응되는 예측 모델 또는 냉방 지표 예측 모델을 저장하기에 앞서, 복수의 그룹 각각에 대응되는 예측 모델을 생성할 수 있다.
구체적으로, 먼저 복수의 공기 조화 장치 각각에 대한 운영 정보를 저장하고, 복수의 그룹에 속하는 공기 조화 장치들의 운영 정보를 이용하여 해당 그룹에 대응되는 예측 모델을 생성할 수 있다. 이때 예측 모델은 회귀(Regression) 모델에 해당될 수 있다.
한편, 복수의 그룹에 대응되는 예측 모델을 생성하고 저장한 이후에, 공기 조화 장치(200)로부터 운영 정보를 수신한 경우, 저장된 공기 조화 장치의 운영 정보 중 공기 조화 장치(200)가 매핑된 그룹에 대응되는 운영 정보와 수신된 운영 정보를 이용하여 매핑된 그룹에 대한 예측 모델을 생성할 수 있다.
또한, 수신된 운영 정보를 기초로 매핑된 그룹에 대응되는 예측 모델을 갱신하고, 갱신한 예측 모델을 이용하여 공기 조화 장치(200)의 냉방 지표를 예측할 수 있다.
따라서, 본 개시의 서버의 제어 방법은 공기 조화 장치의 운영 정보를 기초로 유사한 사용 패턴을 갖는 공기 조화 장치들을 그룹화하고, 각 그룹에 속하는 공기 조화 장치들의 운영 정보를 이용하여 예측 모델을 생성하는바, 각 공기 조화 장치에 대한 예측 모델을 생성하는 것에 비해 적은 리소스로도 높은 정확도를 갖는 예측 모델을 생성할 수 있다. 도 6과 같은 제어 방법은, 도 2 또는 도 3의 구성을 가지는 서버상에서 실행될 수 있으며, 그 밖의 다른 구성을 가지는 서버상에서도 실행될 수 있다.
또한, 상술한 바와 같은 제어 방법은, 상술한 바와 같은 제어 방법을 실행하기 위한 적어도 하나의 실행 프로그램으로 구현될 수 있으며, 이러한 실행 프로그램은 비일시적인 판독 가능 매체에 저장될 수 있다.
비 일시적 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. 구체적으로는, 상술한 다양한 애플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
도 7은, 본 개시의 일 실시 예에 따른 공기 조화 장치의 제어 방법을 설명하기 위한 흐름도이다.
먼저, 공기 조화 장치(200)의 운영 정보를 서버(100)에 송신한다(S701). 구체적으로, 사용자가 설정한 희망 온도, 작동 모드, 풍향, 풍속뿐만 아니라 주변 온도, 주변 습도 등도 포함할 수 있으며, 이외에도 공기 조화 장치(200)의 기능에 관한 사용자의 설정 정보와 공기 조화 장치(200)의 주변 환경에 대한 정보를 포함할 수 있다. 또한, 공기 조화 장치(200)는 설정 온도, 동작 모드 정보 및 풍량 정보 중 적어도 어느 하나의 정보를 이용하여 냉방 지표를 산출하고, 산출한 냉방 지표를 송신할 수 있다.
그리고 전송된 운영 정보에 기초하여 예측된 냉방 지표에 대한 정보를 서버(100)로부터 수신한다(S702). 구체적으로, 서버(100)에 공기 조화 장치(200)의 운영 정보를 전송하면, 도 6에서 상술한 바와 같이 서버(100)가 송신한 운영 정보에 기초하여 예측 모델을 생성할 수 있고, 서버(100)로부터 예측 모델을 이용해 예측된 냉방 지표를 수신할 수 있다.
그리고 수신한 냉방 지표 정보를 이용하여 냉방 장치에 대한 제어 데이터를 생성한다(S703). 그리고 생성한 제어 데이터에 기초하여 냉방 장치를 제어한다(S704).
한편, 단계 S702 내지 S704와 관련하여, 서버(100)로부터 냉방 지표를 수신하여 제어 데이터를 생성하는 방법 외의 또 다른 실시 예로, 서버(100)로부터 전송한 운영 정보에 대응되는 예측 모델 또는 냉방 지표 예측 모델 그 자체를 수신하는 방법도 적용될 수 있다. 수신한 예측 모델 또는 냉방 지표 예측 모델을 이용하여 예측 정보를 획득하거나, 냉방 지표를 예측할 수 있고, 예측 정보를 획득한 경우, 그에 대응되는 동작을 수행할 수 있고, 예측된 냉방 지표를 획득한 경우, 예측된 냉방 지표를 이용하여 이에 대응되는 제어 데이터를 생성할 수 있다.
또 다른 실시 예로, 서버(100)가 예측 모델을 이용하여 제어 데이터를 생성하면, 생성한 제어 데이터를 수신하는 방법이 적용될 수 있다. 이 경우 수신한 제어 데이터에 기초하여 냉방 장치를 제어할 수 있다.
따라서, 본 개시의 공기 조화 장치의 제어 방법은 서버로부터 예측된 냉방 지표 정보를 수신하여 이를 대응되는 제어 데이터로 변환하여 냉방 장치를 제어할 수 있는바, 설정 온도, 동작 모드 등 다양한 예측 정보를 수신하지 않더라도 주어진 상황에 적합한 동작을 수행하도록 제어할 수 있다. 도 7과 같은 제어 방법은, 도 4 또는 도 5의 구성을 가지는 공기 조화 장치상에서 실행될 수 있으며, 그 밖의 다른 구성을 가지는 공기 조화 장치상에서도 실행될 수 있다.
또한, 상술한 바와 같은 제어 방법은, 상술한 바와 같은 제어 방법을 실행하기 위한 적어도 하나의 실행 프로그램으로 구현될 수 있으며, 이러한 실행 프로그램은 비일시적인 판독 가능 매체에 저장될 수 있다.
도 8은 본 개시의 일 실시 예에 따른 매핑 과정 및 학습 과정을 구체적으로 설명하기 위한 흐름도이다.
먼저, 복수의 공기 조화 장치(200)의 운영 정보들을 추출할 수 있다(S810).
그리고 서버(100)는 복수의 공기 조화 장치 각각의 추출한 운영 정보에 대한 데이터 전처리를 수행하고, 전처리 수행한 운영 정보를 이용하여 각각의 냉방 지표 정보를 산출할 수 있다(S820). 여기서 냉방 지표 정보를 산출하는 방법은 도 9와 관련하여 후술한다.
그리고 복수의 사용자 각각의 냉방 지표 정보와 운영 정보에 대해 Cross Product를 수행할 수 있다(S830). 구체적으로, 산출한 냉방 지표 정보와 운영 정보 각각의 feature가 갖는 값의 범위에 대하여 feature 별 feature space를 정의하고, 전체 feature에 대해 cross product를 수행하면, 다차원의 feature space가 생성된다. 다차원의 feature space 상에서 공기 조화 장치의 각각의 이벤트는 하나의 점으로 나타날 수 있다. 따라서 공기 조화 장치의 전체 이벤트를 feature space 상에 펼쳐서 normalization을 수행하면 이를 공기 조화 장치의 사용 패턴으로 정의할 수 있다.
그리고 차원 축소(Dimension Reduction)를 수행할 수 있다(S840). 구체적으로, feature space 상에 펼쳐진 공기 조화 장치의 전체 이벤트별 냉방 지표 정보들을 그대로 사용하여 공기 조화 장치의 사용 패턴을 분석하는 경우, 다차원의 feature space로 인해 과도하게 많은 연산량이 필요하다. 따라서 다차원의 feature space에 대한 차원을 축소시키는 차원 축소를 통해 연산량을 줄일 수 있다.
보다 구체적으로, 차원 축소는 주성분 분석(Principal Component Analysis, PCA) 방식으로 수행될 수 있다. 주성분 분석은 통계학적으로 데이터들의 분산이 가장 큰 방향 벡터를 찾아, 데이터의 특징을 가장 잘 나타내는 성분으로 표시하는 방법이다. 따라서, 다차원의 feature space에서 실제 영향력이 있는 주요 feature만을 추출하여 차원을 축소할 수 있다.
그리고 축소된 공기 조화 장치들의 운영 정보들에 대하여 클러스터링(Clustering), 즉, 복수의 그룹으로 분류할 수 있다(S850). 구체적으로, 축소된 정보들의 특성을 고려하여 비슷한 특성을 가진 데이터들에 대한 집단(클러스터, Cluster)를 정의할 수 있다.
예를 들어, 클러스터링은 K-means 모델을 포함할 수 있다. K-means 모델은 데이터들에 대하여 K 개의 그룹으로 나누는 방법으로, Euclidean Distance를 계산하여 그룹간 비유사도(dissimilarity)와 같은 비용 함수(cost function)를 최소화하는 방향으로 그룹을 형성할 수 있다. 따라서, K-means 모델을 이용하여 유사도 높은 정보들끼리 그룹을 형성할 수 있고, 이 경우, 유사한 사용자들끼리 그룹을 형성할 수 있다. 그룹의 개수는 5개, 10개, 15개 등 다양한 값을 가질 수 있으며, 서버의 사용자로부터 그룹의 개수를 입력받을 수 있다.
그리고 복수의 그룹 각각에 속하는 공기 조화 장치들의 운영 정보를 추출할 수 있다(S870). 예를 들어, 그룹 1에는 공기 조화 장치 1, 공기 조화 장치 2 및 공기 조화 장치 3이 속하는 경우, 공기 조화 장치 1, 공기 조화 장치 2 및 공기 조화 장치 3의 운영 정보를 추출할 수 있다.
그리고 추출한 그룹별 운영 정보를 이용하여 머신 러닝(Machine Learning) 알고리즘을 수행할 수 있다(S880). 구체적으로, 머신 러닝 알고리즘은 종속 변수와 독립 변수 간의 상관관계를 모델링 하는 회귀(Regression) 모델에 해당될 수 있다.
회귀(Regression) 모델은 선형 회귀(Linear Regression), 다항 회귀(Polynomial Regression), 결정 트리 회귀(Decision Tree Regression), 랜덤 포레스트 회귀(Random Forest Regression) 모델 등이 해당될 수 있다.
상술한 머신 러닝 알고리즘을 이용하여, 운영 정보 내 주변 환경 정보를 관측 값으로, 운영 정보 내 사용자 설정 정보를 목표 값으로 하여 양자를 연결시켜주는 예측 모델을 학습할 수 있다.
그리고 냉방 지표 예측 모델을 생성할 수 있다(S890). 상술한 S880 단계에서 목표값을 냉방 지표 정보로 설정하는 경우, 냉방 지표를 예측하는 모델을 생성할 수 있다. 또한, S870 내지 S890 단계는 각 그룹별로 수행되므로, 각 그룹에 대응되는 냉방 지표 예측 모델이 생성될 수 있다.
이와 같이, 복수의 공기 조화 장치의 운영 정보와 머신 러닝을 이용하여, 유사한 사용 패턴을 갖는 공기 조화 장치들로 이루어지는 복수의 그룹을 형성하고, 복수의 그룹 각각에 대하여 냉방 지표 예측 모델을 생성할 수 있다. 유사한 사용 패턴을 갖는 공기 조화 장치들로 이루어지는 그룹의 정보를 이용하여 예측 모델을 형성하므로, 공기 조화 장치 개별적으로 모델을 생성시 운영 정보 부족으로 인한 모델 overfitting 문제와 개별적 모델 생성으로 인한 배치 프로세스의 과도한 overhead 문제를 해결할 수 있다.
도 9는 본 개시의 일 실시 예에 따른 냉방 지표 계산의 예를 도시한 도면이다. 도 9는 서버(100)가 수신한 운영 정보를 이용하여 냉방 지표를 산출하거나, 공기 조화 장치(200)가 운영 정보를 이용하여 냉방 지표를 산출하고, 산출한 냉방 지표를 서버(100)에 송신하는 경우를 전제로 할 수 있다.
도 9를 참조하면, 해당 표는 공기 조화 장치(200)의 동작과 관련하여, Mode, Co-Mode, Speed level 및 Cooling capacity의 값들을 표시한다.
Mode는 공기 조화 장치(200)의 동작 모드에 대한 값으로, 냉방 기능을 수행하는 Cool 모드, 제습 기능을 수행하는 Dry 모드 또는 송풍 기능을 수행하는 Wind 모드 등을 포함할 수 있다. 또한, Co-Mode는 Mode의 동작과 함께 수행되는 부가적 동작 모드로, 사용자가 취침 시 사용할 수 있는 취침(Sleep) 모드 등을 포함할 수 있다. 또한, Speed level은 풍속 레벨에 대한 값으로, 0, 1, 2, 3, 4 중 하나의 값을 가질 수 있으며, 풍속 레벨은 이보다 적은 수 또는 더 많은 수의 레벨을 가질 수 있다.
Cooling capacity는 냉방 지표로, 냉각 시스템이 열을 제거하는 능력에 관한 값을 의미한다.
서버(100) 또는 공기 조화 장치(200)는 도 9의 표를 참조하여, 수신한 운영 정보 내의 동작 정보, 부가적 동작 모드 정보 또는 풍속 정보 등을 이용하여 공기 조화 장치(200)의 냉방 지표를 산출할 수 있다.
예를 들어, 수신한 운영 정보에 Cool Mode와 취침 모드로 동작한 것에 대한 정보가 포함되어 있는 경우, 서버(100) 또는 공기 조화 장치(200)는 공기 조화 장치(200)의 동작이 도 9의 No.1의 동작에 해당되는 것을 확인하고, 공기 조화 장치(200)의 냉방 지표는 10800인 것으로 결정할 수 있다.
또한, 도 9에서는 Mode, Co-Mode 및 Speed level 값을 이용하여 냉방 지표를 산출하는 것에 대하여 도시하고 설명하였지만, 이는 하나의 실시 예에 불과하고, 구현 시에는 이 외에도 현재 온도, 설정 온도, 설정 온도와 현재 온도의 차이값, 현재 습도 또는 설정 습도에 대한 정보 또한 이용할 수 있고, 상술한 정보들에 대하여 다양한 조합을 이용하여 냉방 지표를 산출할 수 있다.
도 10은 본 개시의 일 실시 예에 따른 예측 과정을 구체적으로 설명하기 위한 흐름도이다.
서버(100)는 공기 조화 장치(200)와의 통신을 통해 주어진 상황에 적합한 동작을 예측할 수 있다.
먼저, 서버(100)가 공기 조화 장치(200)로부터 인공 지능 기능을 요청받을 수 있다(S1010). 여기서 인공 지능 기능이란, 기존의 공기 조화 장치(200)의 운영 정보를 기초로 하여 주어진 상황에 대응되는 동작을 예측하는 기능을 의미한다.
그리고 서버(100)는 예측을 수행하기 위해 필요한 데이터 양이 충분한지 확인할 수 있다(S1020).
구체적으로, 서버(100)는 서버(100)의 동작과 관련하여 상술한 바와 같이 인공 지능 모델, 즉 예측 모델을 이용하여 예측 정보를 생성한다. 그러나 이에 앞서 예측 모델을 생성하기 위해 복수의 공기 조화 장치의 운영 정보를 기초로 하는 학습을 필요로 한다. 그러나 복수의 공기 조화 장치의 운영 정보의 수가 많지 않은 경우, 예측 모델의 학습이 충분히 이뤄질 수 없고 그 결과 정확도 높은 예측 모델을 생성할 수 없다. 따라서 서버(100)는 예측을 수행하기에 앞서 예측을 수행하기 위한 운영 정보의 수가 충분한지 확인할 수 있다.
이때, 예측을 수행하기 위해 필요한 데이터 양이 충분한지의 기준은 기설정된 개수를 만족하는지 여부가 될 수 있으며, 기설정된 개수는 반복적인 실험 결과에 따라 정해질 수 있다.
만약 데이터 양이 충분하지 않은 경우(S720-N), 냉방 지표 예측 모델을 확보할 수 없으므로, 서버(100)는 디폴트 모델로 예측을 수행할 수 있다(S1060). 여기서 디폴트 모델이란, 서버(100)로부터 냉방 지표 예측 모델을 획득하지 못한 경우에 사용되는 예비적인 예측 모델이다. 디폴트 모델은 공기 조화 장치(200) 내에 기저장되어 디폴트 모델이 필요할 때 이용될 수 있다. 또한, 디폴트 모델은 서버(100)로부터 공기 조화 장치(200)로 직접 전송될 수 있으며, 서버(100)가 디폴트 모델을 이용하여 예측을 수행하는 경우에는 예측 결과를 공기 조화 장치(200)에 전송할 수 있다.
반대로, 데이터 양이 충분한 경우(S760-Y), 클러스터링 ID를 획득했는지 확인할 수 있다(S1040). 클러스터링 ID란 복수의 그룹 각각에 대한 이름을 의미한다. 즉, 클러스터링 ID를 획득하지 못한 경우는 복수의 그룹 중 어느 하나의 그룹에 매칭되지 못한 경우에 해당할 수 있다.
만약, 클러스터링 ID를 획득하지 못한 경우(S1030-N), 특정 클러스터에 대응되는 냉방 지표 예측 모델을 활용할 수 없으므로, 디폴트 모델로 예측을 수행할 수 있다(S1060).
반대로, 클러스터링 ID를 획득한 경우(S1030-Y), 해당 클러스터에 대응되는 냉방 지표 예측 모델을 획득할 수 있다(S1040). 예를 들어, 그룹 1에 속하는 경우, 그룹 1에 대응되는 냉방 지표 예측 모델 1을 획득할 수 있다.
그리고 서버(100)는 획득한 냉방 지표 예측 모델을 이용하여 현재 상황에 적합한 냉방 지표를 예측할 수 있다(S1050). 만약, 예측 과정에서 에러가 발생하는 경우에는, 디폴트 모델로 예측을 수행할 수 있다(S1060).
그리고 서버(100)는 예측한 냉방 지표를 이용하여 온도 정보 또는 모드 정보 등으로 변환하고(S1070), 변환된 온도 정보 또는 모드 정보를 이용하여 온도 정보 또는 모드 정보를 예측하고(S1080), 예측된 온도 정보 또는 모드 정보를 공기 조화 장치(200)에 전달할 수 있다(S1090).
한편, 냉방 지표를 이용하여 온도 정보 또는 모드 정보 등으로 변환하는 것에 대한 구체적인 설명은 이하 도 11에서 후술한다.
이와 같이, 공기 조화 장치(200)로부터 예측 모델에 대한 요청이 들어오면, 서버(100)는 공기 조화 장치(200)가 속하는 그룹을 확인하여 그에 대응되는 냉방 지표 예측 모델을 제공함으로써, 기존에 공기 조화 장치(200) 각각에 대하여 생성된 예측 모델을 제공하는 것보다 더 높은 정확도를 갖는 예측 모델을 제공할 수 있다.
도 11은, 본 개시의 일 실시 예에 따른 작동 모드 및 온도 계산의 예를 도시한 도면이다. 도 11은 서버(100)가 예측된 냉방 지표를 이용하여 공기 조화 장치(200)에 대한 제어 데이터를 생성하거나, 공기 조화 장치(200)가 서버(100)로부터 예측된 냉방 지표를 수신하여, 예측된 냉방 지표를 이용하여 제어 데이터를 생성하는 경우를 전제로 할 수 있다.
도 11를 참조하면, 해당 표는 공기 조화 장치(200)의 동작에 대한 예측과 관련하여, Cooling capacity, Mode 및 Temp(cT-dT)의 값들을 표시한다.
Cooling capacity는 냉방 지표로, 냉각 시스템이 열을 제거하는 능력에 관한 값을 의미한다.
또한, Mode는 공기 조화 장치(200)의 동작 모드에 대한 값으로, 냉방 기능을 수행하는 Cool 모드, 제습 기능을 수행하는 Dry 모드 또는 송풍 기능을 수행하는 Wind 모드 등을 포함할 수 있다. 또한, Temp(cT-dT)는 현재 온도(Current Temperature)와 희망 온도(Desired Temperature)의 차이 값을 의미한다.
서버(100) 또는 공기 조화 장치(200)는 도 11의 표를 참조하여, 예측된 냉방 지표를 이용하여 공기 조화 장치(200)의 동작에 대한 제어 데이터를 산출할 수 있다.
예를 들어, 도 11을 참조하면, 예측된 냉방 지표가 4000의 값을 갖는 경우, 이에 대응되는 동작은 현재 온도에 비해 2도 낮은 온도를 희망 온도로 설정하고, Dry 모드로 동작하는 것일 수 있다. 따라서 서버(100)는 Dry 모드 및 현재 온도보다 2도 낮은 온도로 동작하도록 제어하는 제어 데이터를 생성하여 공기 조화 장치(200)에 송신할 수 있고, 공기 조화 장치(200)는 Dry 모드 및 현재 온도보다 2도 낮은 온도로 동작하도록 제어하는 제어 데이터를 생성할 수 있다.
한편, 서버(100) 또는 공기 조화 장치(200)가 예측된 냉방 지표를 이용하여 이에 대응되는 제어 데이터를 생성함에 있어 참조하는 도 11의 표는 하나의 실시 예에 불과하고, 이 외에도 다양한 방식으로 산출할 수 있으며, 반복적인 실험 결과에 따라 정해질 수 있다.
또한, 도 9에서는 Mode, Co-Mode 및 Speed level 값을 이용하여 냉방 지표를 산출하는 것에 대하여 도시하고 설명하였지만, 구현 시에는 이 외에도 현재 온도, 설정 온도, 설정 온도와 현재 온도의 차이 값, 현재 습도 또는 설정 습도에 대한 정보를 이용할 수 있고, 상술한 정보들에 대하여 다양한 조합을 이용하여 냉방 지표를 산출할 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대해서 도시하고, 설명하였으나, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
1000: 공기 조화 시스템 100: 서버
200: 공기 조화 장치

Claims (20)

  1. 서버에 있어서,
    공기 조화 장치로부터 운영 정보를 수신하는 통신 장치;
    복수의 그룹 정보 및 상기 복수의 그룹 각각에 대응되는 냉방 지표(cooling capacity)를 예측하는 냉방 지표 예측 모델을 저장하는 메모리; 및
    상기 수신한 운영 정보에 기초하여 상기 공기 조화 장치를 복수의 그룹 중 하나의 그룹에 매핑하고, 상기 공기 조화 장치가 상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 이용하도록 상기 통신 장치를 제어하는 프로세서;를 포함하는 서버.
  2. 제1항에 있어서,
    상기 운영 정보는,
    사용자가 설정한 온도 정보, 동작 모드 정보 및 풍량 정보 중 적어도 하나의 정보를 포함하고,
    상기 프로세서는,
    상기 수신한 운영 정보를 기초로 상기 공기 조화 장치의 냉방 지표를 산출하고, 상기 산출된 냉방 지표 및 상기 수신한 운영 정보를 기초로 상기 복수의 그룹 중 하나의 그룹에 매핑하는 서버.
  3. 제1항에 있어서,
    상기 메모리는,
    공기 조화 장치를 상기 복수의 그룹 중 하나의 그룹으로 매핑하는 분류 예측 모델을 저장하고,
    상기 프로세서는,
    상기 수신한 운영 정보와 상기 분류 예측 모델을 이용하여 상기 공기 조화 장치를 복수의 그룹 중 하나의 그룹에 매핑하는 서버.
  4. 제3항에 있어서,
    상기 분류 예측 모델은,
    K-means 모델인 서버.
  5. 제1항에 있어서,
    상기 메모리는,
    복수의 공기 조화 장치 각각의 운영 정보를 저장하고,
    상기 프로세서는,
    상기 복수의 그룹 각각에 대응되는 공기 조화 장치의 운영 정보를 이용하여 상기 복수의 그룹 각각에 대한 냉방 지표 예측 모델을 생성하는 서버.
  6. 제5항에 있어서,
    상기 냉방 지표 예측 모델은,
    Decision Tree Regression 모델인 서버.
  7. 제5항에 있어서,
    상기 프로세서는,
    상기 저장된 공기 조화 장치의 운영 정보 중 상기 매핑된 그룹에 대응되는 운영 정보와 상기 수신된 운영 정보를 이용하여 상기 매핑된 그룹에 대한 냉방 지표 예측 모델을 생성하는 서버.
  8. 제5항에 있어서,
    상기 프로세서는,
    상기 수신된 운영 정보를 기초로 상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 갱신하고, 상기 갱신된 냉방 지표 예측 모델을 이용하도록 상기 통신 장치를 제어하는 서버.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델이 상기 공기 조화 장치에 전송되도록 상기 통신 장치를 제어하는 서버.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델 및 상기 수신된 운영 정보에 기초하여 상기 공기 조화 장치의 냉방 지표를 예측하고, 상기 예측된 냉방 지표에 대한 정보를 상기 공기 조화 장치에 전송되도록 상기 통신 장치를 제어하는 서버.
  11. 제1항에 있어서,
    상기 프로세서는,
    상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델 및 상기 수신된 운영 정보에 기초하여 상기 공기 조화 장치의 냉방 지표를 예측하고, 상기 예측된 냉방 지표에 대응되는 상기 공기 조화 장치에 대한 제어 데이터를 생성하고, 상기 생성된 제어 데이터를 상기 공기 조화 장치에 전송하도록 상기 통신 장치를 제어하는 서버.
  12. 공기 조화 장치에 있어서,
    공기 조화를 수행하는 냉방 장치;
    서버와 통신 가능한 통신 장치; 및
    상기 서버에 상기 공기 조화 장치의 운영 정보를 전송하고 상기 전송된 운영 정보에 기초하여 예측된 냉방 지표(cooling capacity)에 대한 정보를 수신하도록 상기 통신 장치를 제어하고, 상기 수신된 냉방 지표 정보에 기초하여 상기 냉방 장치에 대한 제어 데이터를 생성하고, 상기 생성된 제어 데이터에 기초하여 상기 냉방 장치를 제어하는 프로세서;를 포함하는 공기 조화 장치.
  13. 제12항에 있어서,
    상기 운영 정보는,
    사용자가 설정한 온도 정보, 동작 모드 정보 및 풍량 정보 중 적어도 하나의 정보를 포함하는, 공기 조화 장치.
  14. 서버의 제어 방법에 있어서,
    복수의 그룹 정보 및 상기 복수의 그룹 각각에 대응되는 냉방 지표(cooling capacity)를 예측하는 냉방 지표 예측 모델을 저장하는 단계;
    공기 조화 장치로부터 운영 정보를 수신하는 단계;
    상기 수신한 운영 정보에 기초하여 상기 공기 조화 장치를 복수의 그룹 중 하나의 그룹에 매핑하는 단계;
    상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 이용하여 상기 공기 조화 장치의 냉방 지표를 예측하는 단계; 및
    상기 예측된 냉방 지표에 대한 정보를 상기 공기 조화 장치에 전송하는 단계;를 포함하는, 제어 방법.
  15. 제14항에 있어서,
    상기 운영 정보는,
    사용자가 설정한 온도 정보, 동작 모드 정보 및 풍량 정보 중 적어도 하나의 정보를 포함하고,
    상기 매핑하는 단계는,
    상기 수신한 운영 정보를 기초로 상기 공기 조화 장치의 냉방 지표를 산출하고, 상기 산출된 냉방 지표 및 상기 수신한 운영 정보를 기초로 상기 복수의 그룹 중 하나의 그룹에 매핑하는, 제어 방법.
  16. 제14항에 있어서,
    상기 매핑하는 단계는,
    공기 조화 장치를 상기 복수의 그룹 중 하나의 그룹으로 매핑하는 분류 예측 모델과 상기 수신한 운영 정보를 이용하여 상기 공기 조화 장치를 복수의 그룹 중 하나의 그룹에 매핑하는, 제어 방법.
  17. 제14항에 있어서,
    복수의 공기 조화 장치 각각의 운영 정보를 저장하는 단계; 및
    상기 복수의 그룹 각각에 대응되는 공기 조화 장치의 운영 정보를 이용하여 상기 복수의 그룹 각각에 대한 상기 냉방 지표 예측 모델을 생성하는 단계;를 더 포함하는, 제어 방법.
  18. 제17항에 있어서,
    상기 냉방 지표 예측 모델을 생성하는 단계는,
    상기 저장된 공기 조화 장치의 운영 정보 중 상기 매핑된 그룹에 대응되는 운영 정보와 상기 수신된 운영 정보를 이용하여 상기 매핑된 그룹에 대한 냉방 지표 예측 모델을 생성하는, 제어 방법.
  19. 제17항에 있어서,
    상기 수신된 운영 정보를 기초로 상기 매핑된 그룹에 대응되는 냉방 지표 예측 모델을 갱신하는 단계;를 더 포함하고,
    상기 예측하는 단계는, 상기 갱신된 냉방 지표 예측 모델을 이용하여 상기 공기 조화 장치의 냉방 지표를 예측하는 제어 방법.
  20. 제14항에 있어서,
    상기 전송하는 단계는,
    상기 예측된 냉방 지표에 대응되는 상기 공기 조화 장치에 대한 제어 데이터를 생성하고, 상기 생성된 제어 데이터를 상기 공기 조화 장치에 전송하는 제어 방법.
KR1020180081877A 2018-04-13 2018-07-13 서버, 공기 조화 장치 및 이의 제어 방법 KR102077175B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/383,147 US10970128B2 (en) 2018-04-13 2019-04-12 Server, air conditioner and method for controlling thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862657126P 2018-04-13 2018-04-13
US62/657,126 2018-04-13

Publications (2)

Publication Number Publication Date
KR20190120042A true KR20190120042A (ko) 2019-10-23
KR102077175B1 KR102077175B1 (ko) 2020-02-14

Family

ID=68461152

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180081877A KR102077175B1 (ko) 2018-04-13 2018-07-13 서버, 공기 조화 장치 및 이의 제어 방법

Country Status (1)

Country Link
KR (1) KR102077175B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102195272B1 (ko) * 2020-07-02 2020-12-28 주식회사 우현티앤씨 공기 조화기의 설치 정보 제공 방법, 장치 및 컴퓨터-판독 가능 기록 매체

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230050106A (ko) 2021-10-07 2023-04-14 엘지전자 주식회사 공기조화기의 제어방법
KR20230050105A (ko) 2021-10-07 2023-04-14 엘지전자 주식회사 공기조화기의 제어방법
KR20240054519A (ko) 2022-10-19 2024-04-26 엘지전자 주식회사 공조기를 위한 정보제공시스템 및 정보제공방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016056973A (ja) * 2014-09-05 2016-04-21 株式会社東芝 空調制御装置、空調制御方法および空調制御プログラム
KR101800310B1 (ko) * 2016-06-17 2017-11-23 주식회사 케이티 에너지 절감 가이드를 제공하는 클라우드 ems 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016056973A (ja) * 2014-09-05 2016-04-21 株式会社東芝 空調制御装置、空調制御方法および空調制御プログラム
KR101800310B1 (ko) * 2016-06-17 2017-11-23 주식회사 케이티 에너지 절감 가이드를 제공하는 클라우드 ems 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
비특허문헌* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102195272B1 (ko) * 2020-07-02 2020-12-28 주식회사 우현티앤씨 공기 조화기의 설치 정보 제공 방법, 장치 및 컴퓨터-판독 가능 기록 매체

Also Published As

Publication number Publication date
KR102077175B1 (ko) 2020-02-14

Similar Documents

Publication Publication Date Title
KR102077175B1 (ko) 서버, 공기 조화 장치 및 이의 제어 방법
US10970128B2 (en) Server, air conditioner and method for controlling thereof
KR102553299B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
US20230004802A1 (en) Sharing Learned Information Among Robots
CN110914822B (zh) 用于言语设备控制的多用户虚拟助手
US11017317B2 (en) Evaluating robot learning
US10871302B2 (en) Artificial intelligence air conditioner and control method thereof
US10730181B1 (en) Enhancing robot learning
US11087518B2 (en) Second-person avatars
KR102121785B1 (ko) 인공지능을 이용하여 지시된 위치로 풍향을 제어하는 에어컨 및 이를 제어하는 방법
CN104573706B (zh) 一种物体图像识别方法及其系统
KR20200085142A (ko) 청소 공간의 지도 데이터를 생성하는 장치 및 방법
CN110377961A (zh) 作物生长环境控制方法、装置、计算机设备及存储介质
CN109804206A (zh) 用于操作空调系统的控制器和空调系统的控制方法
KR20170054707A (ko) 전자 장치 및 그 제어 방법
EP3152981B1 (en) Light scene creation or modification by means of lighting device usage data
EP3702953A1 (en) Electronic device for obfuscating and decoding data and method for controlling same
KR20190140519A (ko) 전자 장치 및 그의 제어방법
US11371741B2 (en) Air conditioning apparatus and method for controlling using learned sleep modes
CN112136006B (zh) 空调及其控制方法
KR20190104798A (ko) 사용자에 대응하는 사용 패턴 정보에 기반하여 외부 전자 장치를 제어 하기 위한 전자 장치 및 방법
CN113495487A (zh) 一种调节目标设备运行参数的终端和方法
CN113111917A (zh) 一种基于双重自编码器的零样本图像分类方法及装置
KR102026776B1 (ko) 교차 의사결정 기반 스마트홈 서비스 방법 및 시스템
KR102562282B1 (ko) 성향 기반 매칭 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right