KR20200057836A - 온실의 다중창 제어장치 및 그 제어방법 - Google Patents

Abstract

본 발명은 온실의 다중창 제어장치 및 그 제어방법에 관한 것으로, 본 발명에 따른 온실의 다중창 제어장치는, 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향에 관한 환경데이터와 상기 온실에 설치된 복수의 천측창 각각의 제어신호를 수집하기 위한 데이터 수집부; 인공신경망기반의 기계학습을 통해 상기 환경데이터와 상기 제어신호를 입력으로 하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 출력하는 온도예측모델부; 상기 온도예측모델부에서 출력한 예측온도값과 제어하고자 하는 목표온도값과의 차이값에 관한 코스트함수를 이용하여, 상기 복수의 천측창 각각의 상기 제어신호를 최적화하여 출력하는 제어최적화부를 포함함한다.
이에 의해, 창의 개수와 그 환경 특성이 불규칙 하여 온도 제어가 어려운 다중 외피 구조의 온실의 환경을 정밀하게 제어할 수 있다.

Description

온실의 다중창 제어장치 및 그 제어방법{Apparatus and Method for Controlling Multiple windows in a greenhouse}

본 발명은 온실의 다중창 제어장치 및 그 제어방법에 관한 것으로, 보다 구체적으로는 온실에서 경험기반의 온도 변화를 미리 예측할 수 있는 모델을 인공신경망 기반의 기계학습을 통해서 마련하고 이를 통해 온실의 환기를 제어하는 기술에 관한 것이다.

온실 내 일정한 온도 유지는 작물의 광합성, 증발산량에 영향을 주며, 일정 온도 범위로 유지시켜 주는 것이 작물 생육에 매우 중요한 요소이다. 하지만, 온실 내 온도 변화는 예측이 불가능하여 여름철 주간에 높은 광량으로 인해 빈번히 과열되며, 겨울철에는 외부의 낮은 온도로 인해 온실 내부 온도가 손실되어 난방에너지를 과도하게 사용하는 문제가 있다.

종래의 기술은 현재의 온도 값을 사용자가 설정해둔 목표 온도 값과의 비교를 통해서 환경 제어가 이루어지고 있으며, 이러한 이산적인 제어 방식은 장시간에 걸쳐서 생기는 온도 차이를 보정하거나 대응하는데 매우 취약하다.

또한, 종래의 작물 재배에 사용하는 단동 비닐하우스는 내부 환기를 위해 측창 및 천창을 사용하는데 창문의 열림 정도를 결정하기 위한 알고리즘은 선형적인 방법을 사용하고 있어서, 주변 환경의 변화를 반영하기에는 한계가 있다.

특히 단동 비닐하우스의 다중 창의 경우 측창과 천창의 열림에 의한 외부 공기 변화가 다르고 그에 따른 온도 영향이 매우 다양하기 때문에 기존에 사용되고 있는 제어 방법으로는 최적 제어가 어려운 문제가 있다.

한편, 온실 내 온도 변화는 모델링을 통해 예측을 하려는 많은 시도가 있었으나, 모델링에 필요한 인자들을 측정하는 것이 불가능하여 사용이 용이하지 않고, 정교하지 못한 문제점이 있다. 또한, 최근에는 비선형 모델의 학습 알고리즘을 이용하여 온실 모델링을 수행하여 PI 제어기나 PID 제어기의 파라미터를 도출하고자 하는 시도가 있었으나, 이러한 시도는 제어로직을 결정하기 위한 것으로 오차값이 커서 실제 적용에 있어 정교하지 못한 문제가 있다.

전술한 바와 같은 문제점을 해결하기 위하여, 본 발명에서는 온실의 경험적 데이터를 기반으로 인공신경망기반의 기계학습을 통해 일정 시간 후의 온실 온도를 예측하는 예측모델과, 목표 온도값 과의 차이에 관한 코스트함수를 이용하여 천측창의 제어신호를 최적화하는 최적화모델 등 2개의 병렬적인 신경망이 서로 연결되어 연동하는 온실의 다중창 제어장치 및 그 제어방법을 제공하는데 목적이 있다.

상기 목적은 온실의 다중창 제어장치에 있어서, 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향에 관한 환경데이터와 상기 온실에 설치된 복수의 천측창 각각의 제어신호를 수집하기 위한 데이터 수집부; 인공신경망기반의 기계학습을 통해 상기 환경데이터와 상기 제어신호를 입력으로 하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 출력하는 온도예측모델부; 상기 온도예측모델부에서 출력한 예측온도값과 제어하고자 하는 목표온도값과의 차이값에 관한 코스트함수를 이용하여, 상기 복수의 천측창 각각의 상기 제어신호를 최적화하여 출력하는 제어최적화부를 포함하는 것을 특징으로 하는 온실의 다중창 제어장치에 의해 달성될 수 있다.

또한, 상기 온도예측모델부는 상기 환경데이터와 상기 제어신호를 입력으로 하는 복수의 입력노드를 포함하는 입력층, 상기 입력노드로부터 데이터를 받아 가중합을 계산하고 소정의 전이함수를 적용하여 결과값을 출력하는 복수의 은닉노드를 포함하는 은닉층, 상기 은닉층의 결과값에 전달받아 소정 시간 이후의 온실 내부의 온도값을 출력하는 하나의 출력노드를 포함하는 출력층을 포함할 수 있다.

여기서, 상기 온도예측모델부는 Levenberg-Marquardt 방법을 통해 노드 간의 가중치를 학습할 수 있다.

또한, 상기 제어최적화부는 상기 복수의 천측창 각각의 제어신호에 대응하는 복수의 최적화노드를 포함하고, 경사하강법을 이용하여 상기 코스트함수가 최적화되도록 상기 복수의 최적화노드의 가중치를 업데이트하고, 상기 복수의 최적화노드는 각각 업데이트된 자신의 노드의 가중치를 소정의 전이함수에 적용하여 제어신호의 값을 업데이트하여 출력하며; 상기 온도예측모델부는 상기 최적화노드에서 출력된 업데이트된 상기 제어신호의 값을 대응하는 복수의 입력노드의 입력으로 하여 상기 예측온도값을 업데이트할 수 있다.

그리고, 상기 제어최적화부는 상기 코스트함수의 값이 소정 값 이하이거나, 상기 온도예측모델부에서 출력된 새롭게 업데이트 예측온도값과 목표온도값 간의 차이값에 관한 코스트함수의 값과, 업데이트 직전의 코스트함수의 값 간의 차이가 소정 값 이하인 경우를 만족할 때의 상기 최적화노드의 가중치 값을 최적가중치로 결정하고, 상기 최적화노드에 상기 최적가중치로 결정된 값을 적용하여 상기 복수의 천측창의 제어신호의 값을 결정할 수 있다.

아울러, 상기 온실은 다중 외피 구조를 갖고, 상기 복수의 천측창은 상기 다중 외피에 설치되며; 상기 제어신호는 상기 복수의 천측창의 개폐율에 관한 제어신호이고; 상기 제어최적화부에서 결정된 천측창 제어신호에 기초하여 상기 복수의 천측창의 개폐율을 구동 제어하는 천측창제어부를 포함할 수 있다.

더 나아가, 상기 온도예측모델부는 30분 이후의 온실 내부의 온도값을 예측하여 출력하고; 상기 제어최적화부는 30분마다 실행되어 상기 온실의 복수의 천측창 각각의 개폐율에 관한 최적 제어신호 값을 결정하고; 상기 천측창제어부는 상기 제어최적화부의 제어신호에 대응하여 상기 복수의 천측창의 개폐율을 구동 제어하할 수 있다.

한편, 상기 목적은 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향에 관한 환경데이터와 상기 온실의 복수의 천측창 각각의 제어신호를, 대응하는 복수의 입력노드를 통해 입력받는 단계;

은닉노드에서 상기 입력노드로부터 데이터를 받아 가중합을 계산하고 소정의 전이함수를 적용하여 결과값을 출력하는 단계; 출력노드에서 상기 결과값에 전달받아 가중합을 계산하고 소정의 전이함수를 적용하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 출력하는 단계; 예측한 예측온도값과 제어하고자 하는 목표온도값과의 차이값에 관한 코스트함수의 값이 감소하는 방향으로 경사하강법을 이용하여 최적화노드의 가중치를 업데이트하는 단계; 상기 최적화노드에서 업데이트된 가중치를 소정의 전이함수에 적용하여 상기 온실의 복수의 천측창 각각의 개폐율에 관한 제어신호의 값을 업데이트하여 출력하는 단계를 포함하는 것을 특징으로 하는 온실의 다중창 제어방법에 의해 달성될 수 있다.

상기한 바와 같이, 본 발명에 의한 온실의 다중창 제어장치 및 그 제어방법은 온실의 경험적 데이터를 기반으로 함으로써 창의 개수와 그 특성이 불규칙 하여 온도 제어가 어려운 다중 외피 구조의 온실의 온도를 정밀하게 제어할 수 있다. 또한, 일정 시간 간격으로 소정 시간 후의 온실 온도를 예측하고 천측창의 개폐 제어신호를 최적화하여 제어함으로써 제어 오차를 최소화할 수 있다.

도 1은 본 발명의 일 실시예에 따른 온실의 다중창 제어시스템의 개략도이고, 도 2는 본 발명의 일 실시예에 따른 온도예측모델부(120)와 제어최적화부(130)의 개략도이다.
도 3은 본 발명의 일 실시예에 따른 온실의 다중창 제어장치(100)의 제어흐름도이고, 도 4는 본 발명의 일 실시예에 따른 온실의 다중창 제어장치(100)에서 최적 제어신호를 산출하는 방법에 관한 흐름도이다.
도 5a는 본 발명의 일 실시예에 따른 온실의 구조 및 실험조건을 개략적으로 도시한 것이고, 도 5b는 온도예측값과 실제값을 비교한 그래프이다.
도 6 및 7은 종래의 P-Band 모델에 기반한 온실 환기 제어 방법과 본 발명에 따른 온실 환기 제어 방법에 따른 온도 변화 및 천층창 제어 신호의 이력을 비교한 그래프이다.
도 8 내지 11은 본 발명에 따른 온실 다중창 제어장치의 온도 예측 모델의 시간별 모델 각각에 대한 학습결과 및 검증결과 등을 나타낸 그래프이다.

이하, 도면을 참조하여 본 발명의 구체적인 실시예들에 대해 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 온실의 다중창 제어시스템의 개략도이고, 도 2는 본 발명의 일 실시예에 따른 온도예측모델부(120)와 제어최적화부(130)의 개략도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 온실의 다중창 제어시스템은 온실의 환경데이터를 센싱하는 환경센서부(10), 복수의 천측창, 및 온실의 다중창 제어장치(100)를 포함한다.

환경센서부(10)는 온실의 내외부에 설치되어 온실의 내외부의 환경에 관한 데이터를 측정하기 위한 모듈로서, 온도센서, 습도센서, 이산화탄소 농도센서, 일사량 센서, 유속센서, 및/또는 풍향센서 등을 포함한다. 환경센서부(10)는 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향 등을 센싱하여 온실의 다중창 제어장치(100)로 전송한다.

복수의 천측창은 온실의 외피에 설치되어 개폐를 통해 온실의 환기를 수행하는 것으로, 온실의 상면에 설치된 천창과 측면에 설치된 측창을 구비한다. 온실은 2중, 3중, 4중 등의 다중 외피 구조를 가질 수 있으며, 본 실시예에서는 설명의 편의를 위해 3중 외피 구조를 갖는 것을 일 예로 설명하며, 각각의 외피를 구성하는 제1 온실형성층(20) 내지 제3 온실형성층(30)은 각각 1개의 측창과 1개의 천창을 구비한 것을 일 예로 하여 설명하기로 한다. 본 발명은 제어대상이 되는 천층창의 개수나 외피의 개수가 다른 다수의 온실 구조에 대응하여 다양하게 적용 가능하다.

온실의 다중창 제어장치(100)는 소정 시간 이후의 온실의 온도를 예측하고 원하는 목표 온도로 제어하기 위해 천측창의 개폐를 제어하기 위한 것으로, 온도 예측 알고리즘, 제어 신호 산출 알고리즘, 제어 코드 및 데이터가 저장된 메모리, 알고리즘 및 제어코드를 실행하기 위한 프로세서, 모듈 간의 연동을 위한 데이터버스, 및/또는 사용자의 입력을 받기 위한 UI 등을 포함하여 구현될 수 있다. 또한, 환경센서부(10), 외부의 서버 및 천측창의 구동부와의 연동을 위한 통신 모듈(미도시)을 포함할 수 있다. 온실의 다중창 제어장치(100)는 각각의 연동 모듈의 네트워크 프로토콜에 대응하는 통신 모듈을 구비할 수 있다.

도 1을 참조하면, 온실의 다중창 제어장치(100)는 데이터수집부(110), 온도예측모델부(120), 및 제어최적화부(130)를 포함한다. 데이터수집부(110)는 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향에 관한 환경데이터와 온실에 설치된 복수의 천측창 각각의 제어신호를 수집하기 위한 것으로, 데이터수집부(110)에서 수집한 환경데이터와 제어신호는 경험데이터로서 온도예측모델부(120)에서 학습 및 온도 예측에 활용된다. 이때, 학습에 필요한 데이터는 최소 한 달 이상의 데이터이며, 데이터 주기는 매분 기록한 값을 이용할 수 있다.

데이터수집부(110)에서 수집하는 환경데이터는 온실 내외부에 설치된 환경센서부(10)를 통해 수집되거나 외부의 기상정보제공서버를 통해 수집될 수도 있다. 한편, 천측창의 개폐의 구동을 제어하는 제어신호는 온실의 다중창 제어장치(100)에 저장된 이력 제어데이터를 이용한다.

온도예측모델부(120)는 인공신경망기반의 기계학습을 통해 환경데이터와 천측창의 제어신호를 입력으로 하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 출력하기 위한 것으로, 본 실시예에서는 온도예측모델부(120)가 30분 뒤의 온실 내부의 온도를 예측하는 것을 일 예로 한다. 온도예측모델부(120)는 입력변수의 변화에 따라 온실 내부온도가 어떻게 변화하는지 해당 온실의 과거의 데이터를 통해서 학습하고, 학습을 통해 변수들을 갱신한다.

도 2를 참조하면, 온도예측모델부(120)는 복수의 입력노드(121a, 121b)를 포함하는 입력층(121), 복수의 은닉노드를 포함하는 은닉층(123), 및 하나의 출력노드를 포함하는 출력층(125)을 갖는다.

입력층(121)은 환경센서부(10)를 통해 획득한 온실의 환경데이터 값이 입력되는 입력노드(121a)들과, 제어하고자 하는 천측창의 행동값, 즉, 천측창의 제어신호를 입력으로 하는 입력노드(121b)들로 구분할 수 있으며, 각각의 입력 데이터의 수에 대응하는 개수의 입력노드(121a, 121b)로 구성된다. 예컨대, 환경데이터가 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 풍향, 내외부 온도 차이값, 및 시간 값(0~1)으로 9개이고, 제어하고자 하는 천측창의 개수가 6개인 경우, 입력노드(121a, 121b)는 총 15개로 구성된다.

본 실시예에서 입력노드(121a, 121b)에 입력되는 입력변수는 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 풍향, 내외부 온도 차이값, 및 시간 값(0~1), 천측창 6개 각각의 개폐율(0~1)로서 총 15개를 사용하는 것을 일 예로 설명한다.

은닉층(123)은 입력노드(121a, 121b)로부터 데이터를 받아 입력노드와 은닉노드 간의 가중치(weight)를 적용하여 가중합을 계산하고 이 값에 소정의 전이함수를 적용하여 결과값을 출력층(125)으로 출력한다. 본 실시예에 따르면, 은닉층(123)은 총 30개로 이루어질 수 있다.

이때, 은닉층(123)에서 사용되는 전이함수는 아래 수학식 1과 같다.

(여기서, x는 은닉노드에서 산출한 가중합을 의미함)

은닉노드에서 출력하는 결과값의 범위는 -1~1 사이의 값으로, 은닉층(123)의 가중치 학습은 역전파법중에 하나인 Levenberg-Marquardt 방법을 통해 학습할 수 있다.

출력층(125)은 은닉층(123)의 결과값에 전달받아 은닉노드와 출력노드 간의 가중치를 적용하여 가중합을 계산하고 이 값에 소정의 전이함수를 적용하여 소정 시간 이후의 온실 내부의 온도값을 출력하는 하나의 출력노드를 포함한다. 여기서, 출력층(125)에서 사용하는 전이함수는 은닉층(123)에서 사용하는 수학식 1과 동일한 전이함수를 사용하는 것을 일 예로 한다. 전술한 바와 같이, 본 실시예에서는 출력층(125)이 30분 후의 온실 내부 온도를 출력하도록 설계된다.

출력노드에서 출력하는 결과값은 온도 값으로, 출력층(125)의 가중치 학습은 역전파법중에 하나인 Levenberg-Marquardt 방법을 통해 학습할 수 있다.

제어최적화부(130)는 온도예측모델부(120)에서 출력한 예측온도값과 제어하고자 하는 목표온도값과의 차이값에 관한 코스트함수를 이용하여 최적의 환기를 위한 복수의 천측창의 개폐 제어신호를 결정하여 출력하기 위한 일종의 신경망으로, 도 2에 도시된 바와 같이, 복수의 천측창의 제어신호를 출력하는 복수의 최적화 노드를 포함하는 SP층(Series Parallel Layer)(133)을 구비한다.

본 발명에서는 복수의 천측창의 개폐 제어신호를 최적화하기 위해 제어최적화부(130)와 온도예측모델부(120)가 서로 연동하여 코스트 함수 값을 줄이도록 경사하강법(Gradient optimization)을 이용한다. 제어최적화부(130)의 노드 개수와 온도예측모델부(120)의 입력노드(121a, 121b) 중에서 제어신호에 대응하는 노드 개수는 제어하고자 하는 천측창의 개수와 일치하며, 제어최적화부(130)의 노드에서 출력된 결과값이 온도예측모델부(120)의 입력노드(121b)로 입력되는 구조이다. 이러한 구조는 제어최적화부(130)의 결과값을 다시 온도예측모델부(120)로 피드백하는 형태로 업데이트 하는 방식으로, 이를 통해 천측창의 제어신호의 최적화된 조합을 찾아서 제어신호를 결정할 수 있다.

이때, 제어최적화부(130)에 입력되는 예측온도값과 제어하고자 하는 목표온도값과의 차이값에 관한 코스트함수는 MSE(Mean Squared Error)를 이용하며, 하기 수학식 2와 같다.

(여기서, C는 코스트함수, w는 출력노드와 최적화노드 간의 가중치, y는 현재의 예측 온도 값, t는 제어하고자 하는 목표 온도값을 의미함)

제어최적화부(130)는 이때 산출한 코스트 함수 값을 기준으로 경사하강법을 이용하여 천측창의 제어신호 값을 결정하기 위해 복수의 최적화노드의 가중치를 업데이트한다. 구체적으로, 코스트를 최적화노드의 가중치 값으로 편미분하여 코스트가 줄어드는 방향으로 6개 노드의 가중치를 계속 업데이트 한다.

이때, 경사하강법은 아래 수학식 3을 사용한다.

(여기서, w^t : 현재의 최적화노드 가중치, w^t+1: 움직인 후의 최적화노드 가중치,

: 학습률로서 학습 및 조건에 의해 적절히 설정될 수 있음)

위 수학식 4에서

이며, 여기서 w₁, ..., w_n은 각 최적화노드에서의 가중치를 의미한다. 현재의 가중치를 음의 기울기 방향(

)으로 반복적으로 움직여서 가중치를 업데이트한다.

복수의 최적화노드는 각각 업데이트된 자신의 노드의 가중치를 소정의 전이함수에 적용하여 제어신호의 값을 업데이트하여 출력한다.

이때, 제어신호를 결정하기 위한 최적화노드의 전이 함수는 0~1사이의 출력값을 갖는 logistic sigmoid 함수로서, 아래 수학식 4를 사용한다.

(여기서, x는 최적화노드의 가중치를 의미함)

최적화노드에서 출력한 업데이트된 제어신호값은 온도예측모델부(120)의 입력노드(121b)로 입력되며, 온도예측모델부(120)는 새로운 입력에 대응하여 예측온도값을 업데이트하여 출력한다. 제어최적화부(130)는 새롭게 업데이트된 예측온도값에 대해 다시 코스트함수를 구하고, 이에 기초하여 경사도를 산출하여 코스트가 줄어드는 방향으로 가중치를 업데이트하며, 이러한 과정은 일정 조건을 만족할 때까지 계속하여 진행되며, 천측창 각각의 제어신호별로 순차적으로 진행될 수 있다.

예컨대, 제어최적화부(130)는 코스트함수의 값이 미리 결정된 소정 값 이하를 만족하거나, 온도예측모델부(120)에서 출력된 새롭게 업데이트 예측온도값과 목표온도값 간의 차이값에 관한 코스트함수의 값과 업데이트 직전의 코스트함수의 값 간의 차이가 소정 값 이하인 경우를 만족하는 경우의 최적화노드의 가중치 값을 최적가중치로 결정할 수 있다.

최적화노드는 최적가중치로 결정된 값을 전이함수를 적용하여 결과값을 출력하며, 이 값은 복수의 천측창의 최적 제어신호로 이용된다.

한편, 본 발명에 따른 온실의 다중창 제어장치(100)는 복수의 천측창의 개폐율을 구동 제어하는 천측창제어부(140)를 더 포함할 수 있으며, 천측창제어부(140)는 제어최적화부(130)에서 최종 결정한 제어신호에 기초하여 천측창의 개폐 및 개폐율을 구동 제어한다.

도 3은 본 발명의 일 실시예에 따른 온실의 다중창 제어장치(100)의 제어흐름도이고, 도 4는 본 발명의 일 실시예에 따른 온실의 다중창 제어장치(100)에서 최적 제어신호를 산출하는 방법에 관한 흐름도이다. 전술한 실시예와 중복되는 설명은 필요에 따라서 생략될 수 있다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 온실의 다중창 제어방법은 온도예측모델부(120)에서 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 풍향, 내외부 온도 차이값, 천측창 6개의 제어신호, 및 시간 값(0~1) 총 15개의 입력신호를 15개의 입력노드(121a, 121b)를 통해 입력받는다(S10).

은닉노드는 입력노드(121a, 121b)에서 출력되는 데이터에 가중치를 적용하여 가중합을 계산하고 상기 수학식 1의 전이함수를 적용하여 결과값을 출력한다(S11).

출력노드는 은닉노드로부터 출력되는 결과값에 가중치를 적용하여 가중합을 계산하고 소정의 전이함수를 적용하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 결과값으로 출력한다(S13).

제어최적화부(130)는 예측온도값과 목표온도값과의 차이값에 관한 코스트함수의 값이 일정 조건을 만족하도록 경사하강법을 이용하여 최적화노드의 가중치를 업데이트한다(S15).

최적화노드는 업데이트된 가중치를 수학식 4의 전이함수에 적용하여 온실의 복수의 천측창 각각의 개폐율에 관한 제어신호의 값을 업데이트하여 출력한다(S17).

이러한 S15단계와 S17 단계는 코스트가 줄어드는 방향으로 반복되어 진행되며, 일정 조건이 만족되어 최적 제어신호가 결정되면, 천측창제어부(140)는 결정된 제어신호에 기초하여 복수의 천측창의 개폐를 제어한다(S19).

천측창의 개폐율에 관한 최적 제어신호를 결정하는 방법에 대해서는 도 4를 참조하여 구체적으로 설명한다.

제어최적화부(130)는 온도예측모델부(120)에서 출력되는 예측온도값을 수신하면(S20), 이 값을 상기 수학식 3의 코스트함수에 적용하여 코스트 값을 산출한다(S21).

만약, 이때 산출된 코스트 값이 일정 값, 예컨대, 0.01 이하를 만족하는 경우 현재의 최적화노드의 가중치 값을 최적 가중치로 결정하고(S23), 최적화노드에서 최적 가중치 값을 상기 수학식 4의 전이함수에 적용하여 대응하는 천측창의 최적 제어신호를 산출하여 출력한다(S24). 천측창제어부(140)는 최적화노드에서 결정한 제어신호에 기초하여 복수의 천측창의 개폐를 제어한다. 여기서, 최적화노드의 최초 가중치는 각각 대응하는 입력노드(121b)에 입력된 천측창의 제어신호일 수 있다.

만약, S22단계에서 코스트 값이 0.01 이하를 만족하지 못하는 경우, 제어최적화부(130)는 경사하강법을 이용하여 코스트 값이 감소되는 방향으로 가중치를 움직여서 새롭게 업데이트하고 최적화노드에서 업데이트된 가중치 값을 상기 수학식 5의 전이함수에 적용하여 제어신호를 산출하여 온도예측모델부(120)의 대응하는 입력노드(121b)로 출력한다(S25).

온도예측모델부(120)에서는 최적화노드에서 출력된 새로운 업데이트된 천측창 제어신호를 입력노드(121b)로 입력받아, 일련의 온도 예측 프로세스를 진행하여 출력노드에서 새로운 업데이트된 예측온도값을 출력한다(S26).

제어최적화부(130)는 새로운 업데이트된 예측온도값을 수신하여 목표온도값 과의 차이에 관한 코스트 함수를 이용하여 코스트를 다시 계산하여 경사도를 산출한다(S27). 여기서, 경사도는 상기

를 의미한다.

그리고, 진행도 값을 산출하여 일정 값 이하, 예컨대 0.001보다 작은 경우에는 현재의 최적화노드의 가중치 값을 최적 가중치로 결정하고(S23), 최적화노드에서 최적 가중치 값을 상기 수학식 4의 전이함수에 적용하여 대응하는 천측창의 최적 제어신호를 산출하여 출력한다(S24).

여기서, 진행도는 온도예측모델부(120)에서 출력된 새롭게 업데이트 예측온도값과 목표온도값 간의 차이값에 관한 코스트함수의 값과 업데이트 직전의 코스트함수의 값 간의 차이를 의미하며, 이 차이값이 매우 작은 경우에는 더 이상 코스트가 작아지기 어렵기 때문에 더 이상 프로세스를 진행하지 않고 그 때의 현재 가중치 값을 최종 가중치 값으로 결정한다.

만약, 진행도 값이 일정 조건을 만족하지 않는 경우에는 반복하여 진행되는데(S30, S31, S22~S29), 만약 반복이 150회 이상 될 때까지 코스트 조건(S22)과 진행도 조건(S29)을 만족시키지 못하는 경우에는(S31) 프로세스를 종료하고 그 때의 가중치를 최적 가중치로 결정하고(S23), 최적 제어신호(S24)를 산출한다.

본 발명은 다중 외피 구조의 온실에서 그 크기와 위치가 상이하고, 외피 간에 설치된 천측창 간의 공기 유동 흐름과 다중창의 개폐에 의해 형성되는 복수의 환기경로로 인한 천측창의 환기기여도가 제어신호를 산출하는 가중치에 반영되어 복잡한 온실 환경을 정밀하게 제어할 수 있다.

<실험데이터>

도 5a는 본 발명의 일 실시예에 따른 온실의 구조 및 실험조건을 개략적으로 도시한 것이고, 도 5b는 온도예측값과 실제값을 비교한 그래프이다.

도 5a를 보면, 온실이 3중 외피구조이고 각각 외피에 2개의 측창과 2개의 천창이 있는 구조로 총 12개의 천측창이 있는 구조이다. 실험에서 사용된 환경데이터는 일사량(Rad), 내부습도(Hum_I), 이산화탄소(CO2), 외부습도(Hum), 시간(12:30pm), 풍속(Wind), 풍향(Wind_d), 외부온도(Te), 내부온도(Ti)의 값으로 총 9개이다. 제어대상이 되는 천측창의 개수는 12개이지만, 실험에서는 하나의 외피에 설치된 천창 1쌍을 동일한 제어신호로 구동 제어하고, 하나의 외피에 설치된 측창 1쌍을 동일한 제어신호로 구동 제어하는 것으로 하여, 총 6개의 제어신호를 입력으로 한다. 환경데이터 12개, 제어신호 6개로 총 15개의 값을 입력으로 하였다.

이러한 조건하에서 30분 후의 온도를 예측하고 이러한 예측 프로세스를 이틀에 걸쳐서 2,197 개의 데이터를 이용하여 일정 시간마다 반복하여 진행하였다.

도 5b는 본 발명에 따른 온실 다중창 제어장치(100)의 온도 예측 결과와 실제 온실의 센서를 통해 측정한 온도를 비교한 결과를 도시하고 있으며, RMSE가 0.91로 정확도가 매우 높은 것을 알 수 있다.

도 6 및 7은 종래의 P-Band 모델에 기반한 온실 환기 제어 방법과 본 발명에 따른 온실 환기 제어 방법에 따른 온도 변화 및 천층창 제어 신호의 이력을 비교한 그래프이다.

도 6을 참조하면, 종래 P-Band 모델을 통해 환기 제어를 했을 때는 목표 온도와 많이 벗어나 있고, 본 발명에 따른 온실 환기 제어 방법은 목표 온도에 매우 근사하게 제어되고 있고 오차가 훨씬 적음을 알 수 있다. 또한, 도 7을 참조하면, 종래 P-Band 모델을 통해 환기 제어를 했을 때보다 본 발명에 따른 온실 환기 제어 방법은 각 천측창의 개폐를 능동적으로 결정하고 복수의 다중창의 각각의 환경이나 특성에 맞게 결정되고 있음을 알 수 있다.

도 8 내지 11은 본 발명에 따른 온실 다중창 제어장치(100)의 온도 예측 모델의 시간별 정확도를 비교 분석한 것으로, 본 실험에서는 15분, 30분, 45분, 60분 별로 데이터 셋을 나누어 예측 모델을 각각 개발하였다. 도 8 내지 11에서 (a)는 총 30일의 실제 온실 데이터를 사용하여 각각 모델을 만들 때 얻은 학습 결과이다. 도 8 내지 11에서 (a)는 각각 15분, 30분, 45분, 60분 후의 온실 내부온도를 예측하도록 개발된 모델의 학습 결과를 나타낸 것으로 왼쪽은 학습결과, 오른쪽 그래프는 검증결과를 나타낸 것이다. 도 8 내지 11에서 (a)의 그래프들을 살펴보면, 총 4가지의 모델 모두에서 학습, 검증 결과 비교적 우수한 정확도와 결정계수(R²)를 얻었다.

도 8 내지 11에서 (b)는 각각 개발된 예측모델을 사용하여, 학습과정에 사용되지 않은 테스트용 샘플을 사용하여 예측한 결과이다. 이 때의 사용된 샘플은 약 2일정도의 데이터이며, 학습에 사용된 데이터와 다른 위치에 있는 온실 데이터를 사용하여 검증하였다.

검증 결과는 실제 해당 시간이 지났을 때 내부 온도값과 예측값을 1:1로 비교하였으며, 그 결과 15분 및 30분 이내의 예측 시간일 때 결정계수(R²) 값이 0.85 이상의 결과로 나타났다. 그리고, 15분과 30분 모델 중에서 15분 뒤 예측모델이 0.88로 가장 결정계수가 높게 나타났다. 그리고 예측 모델의 오차(RMSE)는 15,30,45,60분 예측모델 순으로 1.09, 1.13, 1.22, 1.65(섭씨)로 먼 미래 일 수도 예측 오차는 커진다.

하지만 예측 미래시간은 제어시점과 관련이 있어서 15분뒤에 예측값을 보여줄 수 있으나 그 값을 기반으로 제어를 한다고 하면 15분 마다 계산된 값을 기반으로 제어를 해야 하므로 너무 잦은 제어 때문에 온실의 비닐 노후화 및 모터 수명 단축을 야기할 수 있는 문제가 있으므로 내부환경제어와 시설의 수명을 고려하였을 시 30분뒤 예측 모델을 사용하는 것이 가장 적절한 것으로 평가되었다.

이와 같이, 본 발명에 따른 온실의 다중창 제어장치(100)는 두개의 병렬적인 신경망을 이용하여 천측창의 개폐를 제어하는 기술로서, 온도예측모델부(120)는 일반적으로 온도 변화를 예측하는 모델이며, 제어최적화부(130)는 제어신호를 결정해주는 네트워크모델이며, 인풋과 아웃풋이 서로 연결된 구조로서 순차적으로 실행이 되면서 최적의 제어신호를 산출할 수 있다. 이에 따라, 2중, 3중의 외피 구조와 같이 다중창이 존재하여 정밀한 환기가 어려운 온실환경에서도 정밀하게 원하는 온도를 제어할 수 있다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체 등이 포함될 수 있다.

또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

10: 환경센서부 20: 제1 온실형성층
30: 제2 온실형성층 40: 제3 온실형성층
100: 온실의 다중창 제어장치 110: 데이터수집부
120: 온도예측모델부 130: 제어최적화부
140: 천측창제어부

Claims (8)

1. 온실의 다중창 제어장치에 있어서,
   온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향에 관한 환경데이터와 상기 온실에 설치된 복수의 천측창 각각의 제어신호를 수집하기 위한 데이터 수집부;
   인공신경망기반의 기계학습을 통해 상기 환경데이터와 상기 제어신호를 입력으로 하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 출력하는 온도예측모델부;
   상기 온도예측모델부에서 출력한 예측온도값과 제어하고자 하는 목표온도값과의 차이값에 관한 코스트함수를 이용하여, 상기 복수의 천측창 각각의 상기 제어신호를 최적화하여 출력하는 제어최적화부를 포함하는 것을 특징으로 하는 온실의 다중창 제어장치.
   
2. 제1항에 있어서,
   상기 온도예측모델부는 상기 환경데이터와 상기 제어신호를 입력으로 하는 복수의 입력노드를 포함하는 입력층, 상기 입력노드로부터 데이터를 받아 가중합을 계산하고 소정의 전이함수를 적용하여 결과값을 출력하는 복수의 은닉노드를 포함하는 은닉층, 상기 은닉층의 결과값에 전달받아 소정 시간 이후의 온실 내부의 온도값을 출력하는 하나의 출력노드를 포함하는 출력층을 포함하는 것을 특징으로 하는 온실의 다중창 제어장치.
   
3. 제2항에 있어서,
   상기 온도예측모델부는 Levenberg-Marquardt 방법을 통해 노드 간의 가중치를 학습하는 것을 특징으로 하는 온실의 다중창 제어장치.
   
4. 제1항 또는 제2항에 있어서,
   상기 제어최적화부는 상기 복수의 천측창 각각의 제어신호에 대응하는 복수의 최적화노드를 포함하고, 경사하강법을 이용하여 상기 코스트함수가 최적화되도록 상기 복수의 최적화노드의 가중치를 업데이트하고, 상기 복수의 최적화노드는 각각 업데이트된 자신의 노드의 가중치를 소정의 전이함수에 적용하여 제어신호의 값을 업데이트하여 출력하며;
   상기 온도예측모델부는 상기 최적화노드에서 출력된 업데이트된 상기 제어신호의 값을 대응하는 복수의 입력노드의 입력으로 하여 상기 예측온도값을 업데이트하는 것을 특징으로 하는 온실의 다중창 제어장치.
   
5. 제4항에 있어서,
   상기 제어최적화부는 상기 코스트함수의 값이 소정 값 이하이거나, 상기 온도예측모델부에서 출력된 새롭게 업데이트 예측온도값과 목표온도값 간의 차이값에 관한 코스트함수의 값과, 업데이트 직전의 코스트함수의 값 간의 차이가 소정 값 이하인 경우를 만족할 때의 상기 최적화노드의 가중치 값을 최적가중치로 결정하고, 상기 최적화노드에 상기 최적가중치로 결정된 값을 적용하여 상기 복수의 천측창의 제어신호의 값을 결정하는 것을 특징으로 하는 온실의 다중창 제어장치.
   
6. 제5항에 있어서,
   상기 온실은 다중 외피 구조를 갖고, 상기 복수의 천측창은 상기 다중 외피에 설치되며;
   상기 제어신호는 상기 복수의 천측창의 개폐율에 관한 제어신호이고;
   상기 제어최적화부에서 결정된 천측창 제어신호에 기초하여 상기 복수의 천측창의 개폐율을 구동 제어하는 천측창제어부를 포함하는 것을 특징으로 하는 온실의 다중창 제어장치.
   
7. 제6항에 있어서,
   상기 온도예측모델부는 30분 이후의 온실 내부의 온도값을 예측하여 출력하고;
   상기 제어최적화부는 30분마다 실행되어 상기 온실의 복수의 천측창 각각의 개폐율에 관한 최적 제어신호 값을 결정하고;
   상기 천측창제어부는 상기 제어최적화부의 제어신호에 대응하여 상기 복수의 천측창의 개폐율을 구동 제어하는 것을 특징으로 하는 온실의 다중창 제어장치.
   
8. 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향에 관한 환경데이터와 상기 온실의 복수의 천측창 각각의 제어신호를, 대응하는 복수의 입력노드를 통해 입력받는 단계;
   은닉노드에서 상기 입력노드로부터 데이터를 받아 가중합을 계산하고 소정의 전이함수를 적용하여 결과값을 출력하는 단계;
   출력노드에서 상기 결과값에 전달받아 가중합을 계산하고 소정의 전이함수를 적용하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 출력하는 단계;
   예측한 예측온도값과 제어하고자 하는 목표온도값과의 차이값에 관한 코스트함수의 값이 감소하는 방향으로 경사하강법을 이용하여 최적화노드의 가중치를 업데이트하는 단계;
   상기 최적화노드에서 업데이트된 가중치를 소정의 전이함수에 적용하여 상기 온실의 복수의 천측창 각각의 개폐율에 관한 제어신호의 값을 업데이트하여 출력하는 단계를 포함하는 것을 특징으로 하는 온실의 다중창 제어방법.

Images