KR20210023603A - 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 - Google Patents

Abstract

온도 예측 모델의 생성 장치가 개시된다. 본 발명의 실시 예에 따른 온도 예측 모델의 생성 장치는, 온도에 영향을 미치는, 온도 제어 시스템의 입력 변수에 기반하여 예측 온도를 출력하는 온도 예측 모델, 및, 상기 온도 예측 모델에 상기 입력 변수를 설정하고, 상기 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하고, 상기 입력 변수의 설정 및 상기 예측 온도와 상기 실제 온도의 차이에 기초한 상기 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는 프로세서를 포함한다.

Description

온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 {A DEVICE FOR GENERATING A TEMPERATURE PREDICTION MODEL AND A METHOD FOR PROVIDING A SIMULATION ENVIRONMENT}

본 발명은, 입력 변수를 최적화 하여 최적의 입력 변수가 설정된 온도 예측 모델을 생성할 수 있는 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

온도 예측 모델은, 제어 값을 어떻게 설정해줄 경우 온도가 어떻게 변할 것인지를 예측해주는 온도 예측 시뮬레이터로써, 온도의 예측을 필요로 하는 각종 장치에 시뮬레이션 환경을 제공할 수 있다.

다만 온도는, 공조기의 성능, 밸브의 성능, 건물 정보(건물의 구조, 재료, 창문의 개수, 벽의 두께 등), 계절, 날짜, 시간 등 매우 다양한 요소에 의해 결정되기 때문에, 이와 같이 다양한 요소들를 반영하는 시뮬레이터를 만들기는 쉽지 않다.

기존에는 전문가가 직접, 온도에 영향을 미치는 요소들을 수치화 하고, 실제 온도와 예측 온도를 비교해가면서 수치를 캘리브레이션(calibration)하는 과정을 거쳤다. 다만 이렇게 수작업에 의존하는 방식은, 캘리브레이션(calibration)에 매우 오랜 시간이 소요되었으며, 그 정확도 또한 떨어지는 단점이 있었다.

본 발명의 목적은, 입력 변수를 최적화 하여 최적의 입력 변수가 설정된 온도 예측 모델을 생성할 수 있는 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법을 제공하기 위함이다.

본 발명의 실시 예에 따른 온도 예측 모델의 생성 장치는, 온도에 영향을 미치는, 온도 제어 시스템의 입력 변수에 기반하여 예측 온도를 출력하는 온도 예측 모델, 및, 상기 온도 예측 모델에 상기 입력 변수를 설정하고, 상기 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하고, 상기 입력 변수의 설정 및 상기 예측 온도와 상기 실제 온도의 차이에 기초한 상기 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는 프로세서를 포함한다.

도 1은 본 발명의 실시 예에 따른 인공지능 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른, 베이스 라인을 설정하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른, 제2 라인 및 인공지능부가 베이스 라인을 추종하는 것을 목표로 강화학습을 수행하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른, 갭의 위치에 따라 상이한 보상을 부여하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른, 베이스 라인과 출력값의 비교 범위를 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른, 추가적인 베이스 라인을 설정하고, 추가적인 베이스 라인을 회피하는 것을 목표로 강화학습을 수행하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른, 출력값과 제2 베이스 라인 상의 일 지점이 일치하는 경우, 파라미터를 폐기하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른, 환경 조건의 변화에 따라 베이스 라인을 재 설정하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른, 인공지능 장치 및 제어 시스템의 동작 방법을 설명하기 위한 순서도 이다.
도 10은 본 발명의 실시 예에 따른, 출력값의 패턴을 미리 학습시키는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른, 순환 신경망을 이용하여 출력값의 패턴을 획득하는 방법 및 출력값의 패턴에 기초하여 강화 학습을 수행하는 방법을 설명하기 위한 순서도이다.
도 12는 본 발명의 실시 예에 따른, 제어 시스템, 수집부 및 인공지능부가 통합적으로 구성되는 인공지능 장치를 도시한 도면이다.
도 13는 본 발명의 실시 예에 따른, 제어 시스템과 인공지능 장치가 별도로 구성되고, 인공지능 장치에서 출력값을 수집하는 실시 예를 설명하기 위한 블록도이다.
도 14는 본 발명의 실시 예에 따른, 복수의 제어 시스템에 각각 대응하는 인공지능 장치가 제어 센터에 통합적으로 구성되는 실시 예를 설명하기 위한 블록도이다.
도 15는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
도 16은 본 발명의 실시 예에 따른, 시뮬레이션 환경의 제공 방법을 설명하기 위한 도면이다.
도 17은 본 발명의 실시 예에 따른 온도 예측 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 18은 임의의 초기 하이퍼파라미터를 설정한 온도 예측 모델의 온도 예측 결과를 실험하여 도시한 도면이다.
도 19는 다양한 하이퍼파라미터를 설정한 온도 예측 모델의 온도 예측 결과를 실험하여 도시한 도면이다.
도 20은 본 발명의 실시 예에 따른 온도 예측 모델의 사용 예를 설명하기 위한 도면이다.
도 21은 본 발명의 또 다른 실시 예에 따른 온도 예측 모델의 사용 예를 설명하기 위한 도면이다.
도 22는 본 발명의 실시 예에 따른, 시뮬레이션 환경의 제공 방법을 설명하기 위한 도면이다.
도 23은 본 발명의 실시 예에 따른 온도 예측 모델을 설명하기 위한 도면이다.
도 24는 본 발명의 실시 예에 따른 온도 예측 모델의 예측 온도 출력 방법 및 입력 변수의 최적화 방법을 설명하기 위한 도면이다.
도 25는 임의의 초기 입력 변수가 설정된 온도 예측 모델의 온도 예측 결과 및 최종 입력 변수가 설정된 온도 예측 모델의 온도 예측 결과를 도시한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 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.

도 1은 본 발명의 실시 예에 따른 자동 제어 인공지능 장치를 설명하기 위한 블록도이다.

본 발명에서 용어“자동 제어 인공지능 장치”는 용어 “인공지능 장치”와 혼용되어 사용될 수 있다.

본 발명의 실시 예에 따른 인공지능 장치(100)는 제어 시스템에 제어 함수를 제공할 수 있다.

여기서 제어 시스템은, 공조 시스템, 에너지 관리 시스템, 모터 제어 시스템, 인버터 제어 시스템, 압력 제어 시스템, 유량 제어 시스템, 냉/난방 시스템 등, 현재값을 수집하고, 수집한 현재값, 설정값 및 제어 함수를 이용하여 제어값을 출력하고, 출력된 제어 값에 따른 제어를 수행하는 모든 시스템을 의미할 수 있다.

예를 들어 공조 시스템에서, 현재값은 현재 온도(즉, 기존의 밸브 제어에 따른 출력값), 설정값은 목표 온도일 수 있다. 또한 현재값과 설정값의 오차는 제어 함수에 입력되고, 제어 함수는 제어 값을 산출하여 공조 시스템에 제공할 수 있다. 이 경우 공조 시스템은 제어 값에 따른 제어, 즉 제어값에 따른 밸브(valve)의 개방 등을 수행할 수 있다.

다른 예를 들어 에너지 관리 시스템에서, 현재값은 현재 충전량(즉, 기존의 충전량 제어에 따른 출력값), 설정값은 목표 충전량일 수 있다. 또한 현재값과 설정값의 오차는 제어 함수에 입력되고, 제어 함수는 제어값을 산출하여 에너지 관리 시스템에 제공할 수 있다. 이 경우 에너지 관리 시스템은 제어값에 따른 제어, 즉 제어값에 따른 충전량의 조절을 수행할 수 있다.

다른 예를 들어 모터 제어 시스템에서, 현재값은 모터의 현재 속도(즉, 기존의 속도 제어에 따른 출력값), 설정값은 모터의 목표 속도일 수 있다. 또한 현재값과 설정값의 오차는 제어 함수에 입력되고, 제어 함수는 제어값을 산출하여 모터 제어 시스템에 제공할 수 있다. 이 경우 모터 제어 시스템은 제어값에 따른 제어, 즉 제어값에 따른 모터의 속도 조절을 수행할 수 있다.

한편 인공지능 장치는 수집부(110) 및 인공지능부(120)를 포함할 수 있다.

수집부(110)는 제어 시스템의 제어에 따른 출력값을 획득할 수 있다. 여기서 제어 시스템의 제어에 따른 출력값은 제어 시스템의 제어 대상이 제어 시스템의 제어에 의하여 나타내는 상태를 의미할 수 있다.

예를 들어 공조 시스템의 경우 제어 대상은 온도일 수 있으며, 제어 시스템의 제어에 따른 출력값은 공조 시스템의 온도 제어에 따라 나타나거나 변경되는 온도를 의미할 수 있다.

다른 예를 들어 모터 제어 시스템에서 제어 대상은 모터의 속도일 수 있으며, 제어 시스템의 제어에 따른 출력값은 모터 제어 시스템의 속도 제어에 따라 나타나거나 변경되는 모터의 속도를 의미할 수 있다.

한편 제어 시스템의 제어에 따른 출력값은, 현재값으로 사용될 수 있다. 즉 제어 시스템의 출력값을 현재값으로 하고, 현재값과 설정값의 오차를 제어 함수에 다시 입력하는 방식으로, 피드백 제어 루프(feedback control loop)가 구성될 수 있다.

한편 출력값은 인공지능 장치에서 직접 센싱될 수도 있으며, 또는 다른 시스템 또는 장치로부터 수신될 수 있다.

구체적으로, 수집부(110)는 제어 시스템의 제어에 따른 출력값을 감지하기 위한 센싱부를 구비할 수 있다.

예를 들어 제어 대상이 온도인 경우 수집부(110)는 온도 센서를 포함할 수 있으며, 제어 대상이 압력인 경우 수집부(110)는 압력 센서를 포함할 수 있다.

그리고, 인공지능 장치(100)와 제어 시스템이 분리되어 구성되는 경우, 제어 시스템에서 출력값을 감지하고, 인공지능 장치(100)의 수집부(110)는 제어 시스템으로부터 출력값을 수신할 수 있다. 이 경우 수집부(110)는 제어 시스템과 통신하기 위한 통신 모듈을 포함할 수 있다.

한편 인공지능 장치(100)와 제어 시스템이 분리되어 구성되더라도, 제어 시스템이 출력값을 감지하는 것과는 별도로, 수집부(110)에서도 자체적으로 출력값을 감지하는 방식도 가능하다.

한편 도시하지는 않았으나, 인공지능 장치(100)는 저장부를 포함할 수 있다. 저장부에는 제어 함수, 출력값의 패턴, 강화 학습을 위한 응용 프로그램, 순환 신경망을 이용하여 시계열 데이터를 학습하기 위한 응용 프로그램 등이 저장될 수 있다.

한편 제어 시스템의 제어 방식에 의하여 간단히 설명하도록 한다.

한편 본 발명에서 업데이트 되는 제어 함수는, 하나 이상의 파라미터를 포함하는, 피드백 제어(Feedback Control)의 제어함수일 수 있다.

수학식 1의 PID 제어 함수의 예를 들어, 본 발명에서 사용되는 용어를 설명하도록 한다.

[수학식 1]

PID 제어는 산업 제어시스템에서 널리 사용되는 제어루프(Control loop) 피드백 기법(feedback mechanism)이다.

PID 제어는 비례 제어, 적분 제어 및 미분 제어를 조합한 것으로, 제어하고자 하는 대상의 현재값을 획득하고, 획득한 현재값을 설정값(Set Point, SP)와 비교하여 오차(error)(

)를 계산하고, 오차값을 이용하여 제어에 필요한 제어값(Control Value, CV)(

)을 계산하는 구조로 되어 있다.

난방 시스템의 예를 들어 설명하면, 현재값은 현재 온도, 설정값(Set Point, SP)은 목표 온도, 오차(error)(

)는 현재 온도와 목표 온도와의 차이를 의미할 수 있다.

한편 PID 제어에서는, 비례항(

), 적분항(

) 및 미분항(

)으로 구성되는 PID 제어 함수에 의하여 제어값(Control Value, CV)(

)이 산출될 수 있다.

이 경우 비례항(

)은 오차값(

)에 비례하고, 적분항(

)은 오차값(

)의 적분에 비례하며, 미분항(

)은 오차값(

)의 미분에 비례한다.

그리고, 비례항, 적분항 및 미분항은 각각, 비례항의 이득(gain)인 비례 이득 파라미터(

), 적분항의 이득(gain)인 적분 이득 파라미터(

), 미분항의 이득(gain)인 미분 이득 파라미터(

)를 포함할 수 있다.

PID 파라미터는, PID 함수에 포함되는 각 항들에 대한 이득(gain)을 포함할 수 있다. 즉 PID 파라미터는, 비례 이득 파라미터(

), 적분 이득 파라미터(

) 및 미분 이득 파라미터(

)를 포함할 수 있다.

PID 제어기의 출력은 제어값(Control Value, CV)(

)이며, 제어값(Control Value, CV)(

)은 제어 시스템에서 입력으로 사용될 수 있다. 다시 말해서 제어값(Control Value, CV)(

)은 조작 변수(Manipulated Mariable, MV)를 의미할 수 있다.

그리고 제어 시스템은 제어값(Control Value, CV)(

)에 대응하는 제어를 수행할 수 있다.

난방 시스템의 예를 들어 설명하면, 제어 함수에 의하여 80프로의 제어값(Control Value, CV)(

)이 출력된 경우, 난방 시스템은 80프로의 제어 값(Control Value, CV)(

)에 대응하는 제어, 즉 밸브를 80프로 개방하는 제어를 수행할 수 있다.

한편 제어 시스템의 제어에 따른 출력값은, 제어 시스템의 제어 대상이 제어 시스템의 제어에 의하여 나타내는 상태를 의미할 수 있다. 다시 말해서, 출력값은 프로세스 변수(Process Variable, PV)를 의미할 수 있다.

예를 들어 난방 시스템의 경우, 제어 대상은 온도이며, 출력값은 난방 시스템의 제어에 의하여 유지되거나 변경되는 온도를 의미할 수 있다.

한편 제어 시스템은 출력값을 감지하고, 출력값을 상술한 현재값으로 사용할 수 있다. 이러한 방식으로 제어루프(Control loop)가 형성되고, 피드백 기법(feedback mechanism)에 의한 제어가 수행되게 된다.

한편 인공지능부(120)는, 강화 학습을 기반으로 제어 시스템에 제어값을 제공하는 제어 함수를 업데이트 할 수 있다.

강화 학습(Reinforcement Learning)은 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습(Reinforcement Learning)은 마르코프 결정 프로세스(Markov Decision Process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 프로세스(Markov Decision Process, MDP)를 간단히 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 점수를 주고 무엇을 못하면 벌점을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 행동 정책을 도출하게 된다.

이러한 마르코프 결정 과정은 본 발명의 실시 예에 따른 인공지능부(120)에도 적용될 수 있다.

구체적으로 첫번째로 인공지능부(120)에게는 인공지능부(120)가 제어 함수를 업데이트 하기 위해 출력값이나 출력값의 패턴이 제공되는 환경이 주어지며, 두번째로 목표 달성을 위하여 출력값이 베이스 라인을 추종하도록 인공지능부(120)가 행동할 것을 정의하고, 세번째로 인공지능부가 베이스 라인을 추종할수록 보상(reward)을 부여하며, 네번째로 인공지능부(120)는 보상(reward)의 총합이 최대가 될 때까지 반복 학습하여, 최적의 제어 함수를 도출하게 된다.

이 경우 인공지능부(120)는 제어 함수에 따른 출력값에 기초하여, 피드백 제어 함수를 업데이트 할 수 있다.

구체적으로, 제어 시스템이 제어 함수로부터 제공된 제어값에 대응하는 제어를 수행하는 경우, 인공지능부(120)는 제어시스템의 제어에 따른 출력값이 목표를 달성할 수 있도록 피드백 제어 함수의 하나 이상의 파라미터를 업데이트 할 수 있다.

그리고 인공지능부(120)는 강화 학습에 의하여, 제어 함수의 파라미터를 변경하는 행동을 취하고, 행동에 따른 상태(출력값)와 보상(reward)을 획득하며, 이에 따라 보상(reward)을 최대화 하는 정책(policy)을 획득할 수 있다.

이 경우 인공지능부(120)가 달성해야 하는 목표는 보상(reward)이 주어지는 지점, 보상(reward)의 크기 등에 의해 설정될 수 있다.

그리고 인공지능부(120)는 시행착오(try and error) 방식으로 제어 함수의 파라미터를 다양하게 변경할 수 있다. 또한 파라미터가 변경된 제어 함수에 따라 출력값이 획득되는 경우, 획득된 출력값에 보상(reward)을 부여하여 보상(reward)을 최대화 하는 정책(policy)을 획득할 수 있다.

한편, 강화 학습에 의하여 인공지능부(120)가 달성해야 하는 최고의 정책(best policy)을 미리 설정하고, 인공지능부(120)이 최고의 정책(best policy)을 추종하도록 행동하게 하면, 인공지능부(120)의 학습량을 대폭 줄일 수 있다.

따라서 본 발명은 강화 학습에 의하여 인공지능부(120)가 달성해야 하는 최고의 정책(best policy)을 미리 설정할 수 있다.

이 경우 인공지능부(120)가 달성해야 하는 최고의 정책(best policy)은 제어 시스템의 제어에 따른 출력값의 이상적인 변화를 의미할 수 있다.

여기서 제어 시스템의 제어에 따른 출력값의 이상적인 변화를 베이스 라인(base line)이라 명칭할 수 있다.

그리고 인공지능부(120)는 제어 시스템의 제어에 따른 출력값이 상술한 베이스 라인(base line)을 추종하는 것을 목표로, 제어 시스템에 제어값을 제공하는 제어 함수를 업데이트 할 수 있다.

이와 관련해서는 도 2를 참고하여 구체적으로 설명한다.

도 2는 본 발명의 실시 예에 따른, 베이스 라인을 설정하는 방법을 설명하기 위한 도면이다.

베이스 라인(base line)은, 제어 시스템의 최대 제어에 따른 출력값의 변화를 나타내는 제1 라인을 포함할 수 있다.

구체적으로 제1 라인은, 제어 함수의 최대 제어값에 따라 제어 시스템이 최대 제어를 수행하는 경우에 나타나는 출력값의 변화를 나타낼 수 있다.

난방 시스템의 예를 들어 설명하면, 제어 함수에 의하여 최대 100프로의 제어값이 출력되는 경우, 난방 시스템은 100프로의 제어값에 대응하는 제어, 즉 밸브를 100프로 개방하는 제어를 수행할 수 있다.

이 경우 제1 라인은 밸브를 100프로 개방했을 때, 제어 대상인 온도의 변화를 의미할 수 있다.

한편 제어 시스템의 최대 제어에 따른 출력값의 변화(210)가 그대로 제1 라인이 될 수 있다.

다만 이에 한정되지 않으며, 제어 시스템의 최대 제어에 따른 출력값의 평균 변화율(220)이 제1 라인이 될 수도 있다.

예를 들어, 난방 시스템이 제1 시점(t1)에 제1 온도(T1)에서 동작을 시작하고, 최대 제어를 수행하여 제2 시점(t2)에 제2 온도(T2)에 도달한 경우, 제1 라인은 제1 시점(t1)에서 제2 시점(t2)에 도달하기 까지 온도의 평균 변화율을 나타낼 수 있다.

한편 인공지능부(120)는 제어 시스템이 설치된 환경에서 제1 라인을 설정할 수 있다.

구체적으로 인공지능부(120)는 제어 시스템이 설치된 환경에서 제어 시스템이 최대 제어를 수행하도록 제어 시스템을 제어할 수 있다.

예를 들어 제어 시스템이 건물 내 특정 방의 파이프에 난방용 물을 공급하는 밸브 시스템인 경우, 인공지능 장치(120)는 특정 방의 파이프에 난방용 물을 공급하는 밸브 시스템이 밸브를 최대로 개방하도록 제어할 수 있다.

인공지능 장치(100)와 제어 시스템이 분리되어 구성되는 경우, 인공지능부(120)는 제어 시스템이 최대 제어를 수행하도록 하기 위한 제어 명령을 제어 시스템에 전송할 수 있다.

반면에, 인공지능 장치(100)와 제어 시스템이 통합적으로 구성되는 경우, 인공지능부(120)는 최대 제어를 수행하도록 동작부를 직접 제어할 수 있다.

한편 제어 시스템이 최대 제어를 수행하는 중, 인공지능부(120)는 제어 시스템의 최대 제어에 따른 출력값을 획득할 수 있다. 그리고 인공지능부(120)는 획득한 출력값에 기초하여 제1 라인을 설정할 수 있다.

도 3은 본 발명의 실시 예에 따른, 제2 라인 및 인공지능부가 베이스 라인을 추종하는 것을 목표로 강화학습을 수행하는 방법을 설명하기 위한 도면이다.

베이스 라인(220)의 제1 라인(221)은 제어 시스템의 최대 제어에 따른 출력값의 변화를 의미하는 것으로써, 도 2에서 이미 설명한 바 있다.

여기서 제1 라인(221)을 설정하는 의미는, 설정값에 빨리 도달한다는 목표를 인공지능부(120)에게 제공하기 위한 것일 수 있다.

한편 베이스 라인(220)은 제2 라인(222)을 더 포함할 수 있다.

여기서 제2 라인(222)을 설정하는 의미는, 설정값에 도달한 후, 출력값의 오버슛(overshoot)을 줄이거나 출력값이 설정값 이상 및 이하로 출렁거리는 것을 줄이는 목표를 인공지능부(120)에게 제공하는 것일 수 있다.

따라서 제2 라인(222)은 설정값과 일치할 수 있다. 여기서 설정값은 특정 동작을 수행하는 경우 출력값이 도달해야 하는 목표 값일 수 있다.

예를 들어 현재 온도가 24도이며 온도를 30도로 상승시키라는 동작 명령이 수신된 경우, 제어 시스템은 온도를 30도로 상승시키는 동작을 수행할 수 있다. 이 경우 인공지능부(120)는 제어 시스템의 최대 제어 시 온도의 평균 변화율을 나타내는 제1 라인 및 30도에 일치하도록 형성되는 제2 라인을 포함하는 베이스 라인을 설정할 수 있다.

다른 예를 들어 예를 들어 현재 온도가 24도이며 온도를 27도로 상승시키라는 동작 명령이 수신된 경우, 제어 시스템은 온도를 27도로 상승시키는 동작을 수행할 수 있다. 이 경우 인공지능부(120)는 제어 시스템의 최대 제어 시 온도의 평균 변화율을 나타내는 제1 라인 및 27도에 일치하도록 형성되는 제2 라인을 포함하는 베이스 라인을 설정할 수 있다.

한편 인공지능부(120)는 제어 시스템의 제어에 따른 출력값이 베이스 라인(220)을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

여기서 베이스 라인을 추종하는 것을 목표로 한다는 의미는, 제어 시스템의 제어에 따른 출력값이 베이스 라인(220)에 최대한 접근하는 것을 목표로 한다는 의미일 수 있다.

또한 인공지능부(120)는 제어 시스템의 제어에 따른 출력값이 베이스 라인(220)을 추종하는 것을 목표로 강화 학습을 수행함으로써, 제어 함수의 하나 이상의 파라미터를 획득할 수 있다.

구체적으로 인공지능부(120)는 시행착오 (try and error) 방식으로 제어 함수의 파라미터를 다양하게 변경하면서, 제어 시스템의 제어에 따른 출력값(310, 320)을 획득할 수 있다.

그리고 인공지능부(120)는 베이스 라인(220)과 출력값 사이의 갭(Gap)을 기초로 리워드(reward)를 부여하여, 제어 시스템의 제어에 따른 출력값이 베이스 라인(220)을 가장 가깝게 추종하는 하나 이상의 파라미터를 획득할 수 있다.

구체적으로 인공지능부(120)는 하나 이상의 지점, 또는 모든 지점에서 베이스 라인(220)과 출력값 사이의 갭(Gap)을 산출할 수 있다.

그리고, 베이스 라인(220)과 출력값 사이의 갭이 작을수록 높은 보상 보상(reward)이 부여될 수 있으며, 인공지능부(120)는 보상(reward)을 최대화 하는 하나 이상의 파라미터를 획득할 수 있다.

예를 들어 제1 파라미터를 포함하는 제어 함수의 제어값에 따라 제어 시스템이 제어를 수행한 경우에 나타나는 출력값을 제1 출력값(310)이라 가정하고, 제2 파라미터를 포함하는 제어 함수의 제어값에 따라 제어 시스템이 제어를 수행한 경우에 나타나는 출력값을 제2 출력값(320)이라 가정하여 설명한다.

제1 출력값(310)과 베이스 라인(220) 사이의 갭(G1, G3, G5, G7, G9, G11, G13, G15)은, 제2 출력값(320)과 베이스 라인(220) 사이의 갭(G2, G4, G6, G8, G10, G12, G14, G16)보다 작다.

즉 제2 파라미터를 사용하였을 때보다 제1 파라미터를 사용하였을 때 더 높은 보상(reward)이 부여되게 된다. 이 경우 인공지능부(120)는 제1 파라미터를 출력값이 베이스 라인을 가장 가깝게 추종 하는 파라미터로써 획득할 수 있다.

이러한 방식으로 인공지능부(120)는 계속적으로 강화 학습을 수행함으로써, 제어 시스템의 제어에 따른 출력값이 베이스 라인을 가장 가깝게 추종하는 파라미터를 획득할 수 있다.

그리고 제어 시스템의 제어에 따른 출력값이 베이스 라인을 가장 가깝게 추종하는 새로운 파라미터를 획득한 경우, 인공지능부(120)는 기존의 제어 함수의 파라미터를 새롭게 획득한 파라미터로 변경함으로써, 기존의 제어 함수를 업데이트 할 수 있다.

한편 도 3에서 도시한 갭(G1, G3, G5, G7, G9, G11, G13, G15)은, 몇 개의 지점에서의 출력값과 베이스 라인의 거리로써 표현한 것으로, 갭을 나타내는 일례에 불과하다.

예를 들어 출력값과 베이스 라인과의 갭은 출력값과 베이스 라인 사이의 공간의 면적을 의미할 수 있다.

즉 제1 파라미터를 사용하였을 때의 제1 출력값(310)과 베이스 라인(220) 사이의 공간의 면적은, 제2 파라미터를 사용하였을 때의 제2 출력값(320)과 베이스 라인(220) 사이의 면적보다 작을 수 있다. 이 경우 제2 파라미터를 사용하였을 때보다 제1 파라미터를 사용하였을 때 더 높은 보상(reward)이 부여되며, 인공지능부(120)는 제1 파라미터를 출력값이 베이스 라인을 가장 가깝게 추종하게 하는 파라미터로써 획득할 수 있다.

즉 본 명세서에서 설명하는 갭(Gap)은 베이스 라인과 출력값의 차이를 의미할 수 있다.

제어 시스템의 제어에 따른 출력값은 제어 시스템의 제어에 의해서만 결정되는 것이 아니라, 매우 다양한 변수에 의해서 결정되게 된다.

난방 시스템의 예를 들면, 제어 시스템의 제어에 따른 출력값은 계절, 날씨, 시간, 날짜, 공간의 넓이, 창문이 열려있는지, 공간 내 사람 수, 방문이 열려있는지, 단열재 등 매우 다양한 변수가 복합적으로 작용하여 결정되게 된다.

인간이 이렇게 다양한 변수들을 분석하여 최적의 파라미터를 산출하는 것은 불가능 하기 때문에, 기존의 PID 파라미터의 설정은 인간의 경험과 직관을 바탕으로 인간이 직접 설정하는 방식으로 진행이 되었다. 유사한 예로써, 엄청나게 많은 경우의 수가 존재하는 바둑에서, 바둑 기사들이 경험과 직관을 바탕으로 수를 찾아내는 것을 들 수 있다.

다만 본 발명은 인공지능 에이전트에게 학습의 환경을 제공하고, 방대한 데이터를 인공지능 에이전트가 학습하게 함으로써, 출력값을 결정짓는 다양한 변수들에도 불구하고 최적의 파라미터를 산출할 수 있는 장점이 있다. 유사한 예로써, 엄청나게 많은 경우의 수가 존재하는 바둑에서, 인공지능이 기보를 학습하여 최적의 수를 찾아내는 것을 들 수 있다.

또한 다양한 변수가 작용하고 동작 할 때마다 설정값이 변경될 수 있는 제어 시스템의 동작 환경에 있어서, 인공지능의 목표를 어떻게 설정해야 하는지가 문제될 수 있다.

다만 본 발명은 베이스 라인이라는 명확한 목표를 인공지능에게 부여하고, 인공지능은 베이스 라인과의 갭을 최소화 하는 방향으로 학습을 수행하기 때문에, 인공지능의 학습 능력과 학습 속도를 향상시킬 수 있는 장점이 있다.

또한, 베이스 라인 중 제1 라인은 제어 시스템의 최대 제어에 따른 출력값을 나타내며, 베이스 라인 중 제2 라인은 특정 동작에서의 설정값을 나타낸다. 따라서 본 발명에 따르면, 설정값에 빨리 도달하라는 목표 및 출력값의 오버슛이나 출렁거림을 줄이는 등의 시스템의 안정화를 위한 목표를 인공지능에게 동시에 부여할 수 있는 장점이 있다.

또한 동일한 제어 시스템이 동일한 동작을 수행하더라도, 제어 시스템이 설치된 장소에 따라 출력값은 상이해질 수 있다.

예를 들어 더운 기후의 태국에 설치된 난방 시스템과 추운 기후의 러시아에 설치된 난방 시스템이 똑같이 밸브를 80프로 열더라도, 태국에서의 출력값의 평균 변화율과 러시아에서의 출력값의 평균 변화율은 상이할 수 있다.

다른 예를 들어, 단열이 잘되는 제1 빌딩과 단열이 잘 되지 않는 제2 빌딩에서의 출력값의 평균 변화율은 서로 상이할 수 있다.

다만 본 발명의 제1 라인은 제어 시스템이 설치된 환경에서 최대 제어에 의한 출력값에 기초하여 설정된다. 즉 제1 라인은 제어 시스템이 설치된 환경의 특성을 반영하여 설정되고, 인공지능은 제1 라인을 추종하는 것을 목표로 강화 학습을 수행하기 때문에, 본 발명에 따르면 제어 시스템이 설치된 환경에 부합하는 최적의 제어 함수를 찾을 수 있는 장점이 있다.

한편 본 발명에 따른 인공지능부는, 제어 시스템의 복수의 동작 목표에 따라 하나 이상의 베이스 라인 및 하나 이상의 베이스 라인과 출력값의 갭에 따른 보상 중 적어도 하나를 설정하고, 하나 이상의 베이스 라인과 출력값의 갭을 기초로 강화 학습(Reinforcement Learning)을 수행할 수 있다.

여기서 제어 시스템의 복수의 동작 목표는, 출력값이 설정값에 빨리 도달하는 목표, 출력값의 출렁임을 줄이는 목표, 출력값의 오버슛을 줄이는 목표, 출력값이 추종해야 하는 목표, 출력값이 회피해야 하는 목표 중 적어도 하나를 포함할 수 있다.

먼저, 제어 시스템의 복수의 동작 목표에 따라 하나 이상의 베이스 라인과 출력값의 갭에 따른 보상을 설정하여 강화 학습을 수행하는 방법을 설명한다.

도 4는 본 발명의 실시 예에 따른, 갭의 위치에 따라 상이한 보상을 부여하는 방법을 설명하기 위한 도면이다.

인공지능부(120)는 제어 시스템의 복수의 동작 목표에 따라 하나 이상의 베이스 라인과 출력값의 갭에 따른 보상을 설정할 수 있다.

예를 들어 인공지능부(120)는 출력값이 추종해야 하는 목표에 따라 베이스 라인(220)을 설정하고, 출력값이 설정값에 빨리 도달하는 목표에 따라 제1 라인(221)과 출력값 사이의 갭에 대한 보상을 설정하고, 출력값의 오버슛을 줄이고 출렁임을 줄이기 위한 목표에 따라 제2 라인(222)과 출력값 사이의 갭에 대한 보상을 설정할 수 있다.

이 경우 인공지능부(120)는 베이스 라인과 출력값 사이의 갭(Gap)의 위치에 따라 상이한 보상(reward)을 부여할 수 있다.

구체적으로, 인공지능부(120)는 제1 라인(221)과 출력값 사이의 갭을 기초로 제1 보상을 부여하고, 제2 라인(222)과 출력값 사이의 갭을 기초로 제2 보상을 부여할 수 있다. 이 경우 제1 보상과 제2 보상은 서로 상이할 수 있다.

예를 들어 제1 파라미터를 포함하는 제어 함수의 제어값에 따라 제어 시스템이 제어를 수행한 경우에 나타나는 출력값을 제1 출력값(410)이라 가정하고, 제1 보상이 제2 보상보다 크다고 가정하여 설명한다.

베이스 라인(220)과 제1 출력값(410) 사이의 갭(G21, G23, G25, G27, G29)은 제1 라인(221)과 제1 출력값(410) 사이의 갭(G21, G23) 및 제2 라인(222)과 제1 출력값(410) 사이의 갭(G25, G27, G29)을 포함할 수 있다.

한편 제1 라인(221)과 제1 출력값(410) 사이의 갭(G21, G23)이 작을수록 제1 보상이 부여되며, 제2 라인(222)과 제1 출력값(410) 사이의 갭(G25, G27, G29)이 작을수록 제2 보상이 부여된다. 또한 제1 보상은 제2 보상보다 클 수 있다.

예를 들어 제1 라인(221)과 제1 출력값(410) 사이의 제1 갭(G21)이 10이고, 제2 라인(222)과 제1 출력값(410) 사이의 제2 갭(G29)이 10이 경우, 제1 갭(G21)에는 5의 보상이, 제2 갭(G29)에는 2의 보상이 부여될 수 있다.

따라서, 제1 보상이 제2 보상보다 큰 상태에서 베이스 라인을 추종하는 최적의 제어 함수를 획득한 경우, 최적의 제어 함수에 따른 출력값은 제2 라인(222)보다 제1 라인(221)에 더욱 접근한 형태일 수 있다. 즉 최적의 제어 함수에 따른 출력값과 제1 라인(221)의 갭은, 최적의 제어 함수에 따른 출력값과 제2 라인(222)의 갭보다 작을 수 있다.

예를 들어 제1 보상이 제2 보상보다 큰 경우에 최적의 제어 함수에 따른 출력값이 제1 출력값(410)이라고 가정하는 경우, 제1 출력값(410)은 제2 라인(222)보다 제1 라인(221)에 더욱 접근한 형태일 수 있다.

반대로, 제2 파라미터를 포함하는 제어 함수의 제어값에 따라 제어 시스템이 제어를 수행한 경우에 나타나는 출력값을 제2 출력값(420)이라 가정하고, 제1 보상이 제2 보상보다 작다고 가정하여 설명한다.

베이스 라인(220)과 제2 출력값(420) 사이의 갭(G22, G24, G26, G28, G30)은 제1 라인(221)과 제2 출력값(420) 사이의 갭(G222, G24) 및 제2 라인(222)과 제2 출력값(420) 사이의 갭(G26, G28, G30)을 포함할 수 있다.

한편 제1 라인(221)과 제2 출력값(420) 사이의 갭(G22, G24)이 작을수록 제1 보상이 부여되며, 제2 라인(222)과 제2 출력값(420) 사이의 갭(G26, G28, G30)이 작을수록 제2 보상이 부여된다. 또한 제1 보상은 제2 보상보다 작을 수 있다.

예를 들어 제1 라인(221)과 제2 출력값(420) 사이의 제1 갭(G22)이 10이고, 제2 라인(222)과 제2 출력값(420) 사이의 제2 갭(G28)이 10이 경우, 제1 갭(G22)에는 2의 보상이, 제2 갭(G28)에는 4의 보상이 부여될 수 있다.

따라서 제1 보상이 제2 보상보다 작은 상태에서 베이스 라인을 추종하는 최적의 제어 함수를 획득한 경우, 최적의 제어 함수에 따른 출력값은 제1 라인(221)보다 제2 라인(222)에 더욱 접근한 형태일 수 있다. 즉 최적의 제어 함수에 따른 출력값과 제2 라인(222)의 갭은, 최적의 제어 함수에 따른 출력값과 제1 라인(221)의 갭보다 작을 수 있다.

예를 들어 제1 보상이 제2 보상보다 작은 경우에 최적의 제어 함수에 따른 출력값이 제2 출력값(420)이라고 가정하는 경우, 제2 출력값(420)은 제1 라인(221)보다 제2 라인(222)에 더욱 접근한 형태일 수 있다.

앞서, 제1 라인(221)을 설정하는 의미는, 설정값에 빨리 도달한다는 목표를 인공지능부(120)에게 부여하는 것이고, 제2 라인(222)을 설정하는 의미는, 설정값에 도달한 후, 출력값의 오버슛(overshoot)을 줄이거나 출력값이 설정값 이상 및 이하로 출렁거리는 것을 줄이는 목표를 인공지능부(120)에 부여하는 것이라 설명한 바 있다.

즉 본 발명은 갭의 위치에 따라 상이한 보상을 부여하는 방식으로 다양한 동작 목표에 가중치를 부여한 후, 인공지능이 가중치가 부여된 동작 목표에 따른 최적의 파라미터를 찾아내도록 할 수 있다.

예를 들어 제1 출력값(410)을 참고하면, 제1 라인(221)과 출력값의 갭에 더 높은 보상을 부여하는 경우에는 출력값이 설정값에 도달하는 시점(t3)이 빨라지나, 오버슛(overshoot)이 커지거나 출력값이 설정값 이상 및 이하로 출렁거리는 것이 심해진다. 따라서 설정값까지의 빠른 제어 측면에서는 유리하나, 전력 사용량 및 시스템 안정화 측면에서는 불리할 수 있다.

다른 예를 들어 제2 출력값(420)을 참고하면, 제2 라인(222)과 출력값의 갭에 더 높은 보상을 부여하는 경우에는 출력값이 설정값에 도달하는 시점(t4)이 늦어지고, 오버슛(overshoot)이 작아지거나 출력값이 설정값 이상 및 이하로 출렁거리는 것이 작아질 수 있다. 따라서 설정값 까지의 빠른 제어 측면에서는 불리하나, 전력 사용량 및 시스템 안정화 측면에서는 유리할 수 있다.

즉 본 발명은 갭의 위치에 따라 부여되는 보상의 크기를 변경함으로써 다양한 동작 목표들을 중요도에 따라 다양하게 조합하고, 상응하는 최적의 파라미터를 획득할 수 있는 장점이 있다.

한편 앞선 설명에서는 제1 라인과 출력값 사이의 갭과 제2 라인과 출력값 사이의 갭에 상이한 보상을 부여한다고 설명하였으나 이에 한정되지 않으며, 보상의 크기는 동작 목표에 따라 다양한 방식으로 부여될 수 있다.

예를 들어 오버슛(overshoot)을 최소화 하는 동작 목표에 높은 가중치를 부여하기를 원하는 경우, 다른 갭(G27, 29)보다 베이스 라인(220)과 오버슛(overshoot)이 발생하는 위치의 갭(G25)에 더 큰 보상이 부여될 수 있다.

다른 예를 들어 출력값이 설정값 이상 및 이하로 출렁거리는 것을 줄여서 시스템의 빠른 안정화에 높은 가중치를 부여하기 원하는 경우, 다른 갭(G25) 보다 출력값이 설정값 이상 및 이하로 출렁거림이 발생하는 위치의 갭(G27, G29)에 더 큰 보상이 부여될 수 있다.

도 5는 본 발명의 실시 예에 따른, 베이스 라인과 출력값의 비교 범위를 설명하기 위한 도면이다.

인공지능부(120)는 제어 시스템의 제어에 따른 출력값(510)이 베이스 라인(220)을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

이 경우 인공지능부(120)는 출력값(510)이 설정값(T2)에 도달하기 까지 출력값(510)이 제1 라인(221)을 추종하고, 출력값(510)이 설정값(T2)에 도달한 이후에는 출력값(510)이 제2 라인(222)을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

한편 제어 시스템이 동작을 시작한 시점(t1)으로부터 출력값(510)이 설정값(T2)에 도달한 시점(t3)을 제1 시간(Δt5)이라 명칭한다.

인공지능부(120)는 출력값(510)이 설정값(T2)에 도달하기까지의 제1 시간(Δt5) 동안 출력값이 제1 라인(221)을 추종하고, 출력값(510)이 설정값(T2)에 도달한 후의 제2 시간(Δt6) 동안 출력값이 제2 라인(222)을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

즉 인공지능부(120)는 제1 시간(Δt5) 구간 및 제2 시간(Δt6) 구간에서의 출력값(510)과 베이스 라인(220)의 갭에 리워드를 부여하여 강화 학습을 수행할 수 있다.

이 경우 제1 시간(Δt5)과 제2 시간(Δt6)은 비례 관계로써 아래와 같은 수식으로 나타낼 수 있다. 여기서 α는 비례 상수일 수 있다.

[수학식 2]

제2 시간 = α * 제1 시간

예를 들어 비례 상수가 1이고, 제어 시스템이 동작을 시작하고 출력값이 설정값에 도달하는 제1 시간이 2분인 경우, 인공지능부(120)는 출력값이 설정값에 도달하기까지의 2분 동안 출력값이 제1 라인(221)을 추종하고, 출력값이 설정값에 도달한 후의 2분 동안 출력값이 제2 라인(222)을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

다른 예를 들어 비례 상수가 0.8이고, 제어 시스템이 동작을 시작하고 출력값이 설정값에 도달하는 제1 시간이 2분인 경우, 인공지능부(120)는 출력값이 설정값에 도달하기까지의 2분 동안 출력값이 제1 라인(221)을 추종하고, 출력값이 설정값에 도달한 후의 1분 36초 동안 출력값이 제2 라인(222)을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

출력값이 설정값 이상 및 이하로 출렁거리는 것은 에너지의 투입에 대한 반사적인 반응으로써, 에너지의 투입이 큰 만큼 출렁거림이 더 오랫동안 발생할 수 있다.

예를 들어 난방 시스템의 예를 들면, 출력값을 최초 25도로부터 설정값 26도로 상승시키는 경우보다 출력값을 최초 25도로부터 설정값 30도로 상승시키는 경우에, 제1 시간(Δt5)은 더 길어지며, 밸브의 개방에 따라 파이프를 통과하는 난방용 물이 많아진다. 이에 따라 출력값을 최초 25도로부터 설정값 30도로 상승시키는 경우에, 온도가 설정값에 도달한 후의 온도의 출렁거림이 더 오래 지속될 수 있다.

본 발명은 제1 시간(Δt5)과 제2 시간(Δt6)을 비례 관계로 설정 한다. 따라서 본 발명은 에너지의 투입이 클수록 더 오랫동안 출력값을 모니터링 한 후 강화 학습을 수행함으로써, 최적의 파라미터를 산출할 수 있는 장점이 있다.

다음은, 제어 시스템의 복수의 동작 목표에 따라 하나 이상의 베이스 라인을 설정하여 강화 학습을 수행하는 방법에 대하여 설명한다.

도 6은 본 발명의 실시 예에 따른, 추가적인 베이스 라인을 설정하고, 추가적인 베이스 라인을 회피하는 것을 목표로 강화학습을 수행하는 방법을 설명하기 위한 도면이다.

인공지능부(120)는 제어 시스템의 복수의 동작 목표에 따라 하나 이상의 베이스 라인을 설정할 수 있다.

예를 들어 인공지능부(120)는 출력값이 추종해야 하는 목표에 따라 베이스 라인(220)을 설정하고, 출력값이 회피해야 하는 목표에 따라 제2 베이스 라인(610) 및 제3 베이스 라인(620) 중 적어도 하나를 설정할 수 있다.

앞서, 베이스 라인(220)은 제어 시스템의 제어에 따른 출력값의 이상적인 변화라고 설명한 바 있다.

이에 반해 제2 베이스 라인(610)은 제어 시스템의 제어에 따른 출력값이 회피해야 하는 회피 목표를 의미할 수 있다.

난방 시스템의 예를 들어 설명하면, 제2 베이스 라인(610)은 특정 온도를 의미할 수 있다.

예를 들어, 온도가 특정 온도 이상 올라가는 것을 막아서 사용자가 불쾌감을 느끼는 것을 방지하기 위하여, 또는 온도가 특정 온도 이상 올라가는 것을 막아서 과도한 전력이 소모되는 것을 방지하기 위하여, 제2 베이스 라인(610)은 특정 온도로써 설정 될 수 있다. 예를 들어 설정값이 30도이고, 특정 온도는 40도일 수 있다.

그리고 인공지능부(120)는 출력값이 베이스 라인(220)을 추종하고 제2 베이스 라인(610)을 회피하는 것을 목표로 강화 학습을 수행하여, 제어 시스템에 제어값을 제공하는 제어 함수를 업데이트 할 수 있다. 여기서 제2 베이스 라인을 회피하는 것을 목표로 한다는 의미는, 제어 시스템의 제어에 따른 출력값이 제2 베이스 라인(610)에 최대한 멀어지는 것을 목표로 한다는 의미일 수 있다.

구체적으로 인공지능부(120)는 베이스 라인(220)과 출력값(510) 사이의 갭(G31, G32)을 기초로 보상(reward)을 부여하고, 제2 베이스 라인(610)과 출력값(510) 사이의 갭(G33, G34)을 기초로 벌점(penalty)를 부여할 수 있다.

더욱 구체적으로, 베이스 라인(220)과 출력값(510) 사이의 갭(G31, G32)이 작을수록 높은 보상(reward)이 부여될 수 있으며, 제2 베이스 라인(610)과 출력값(510) 사이의 갭(G33, G34)이 작을수록 높은 벌점(penalty)이 부여될 수 있다.

그리고 인공지능부(120)는 보상(reward) 및 벌점(penalty)의 합을 최대화 하는 하나 이상의 파라미터를 획득하고, 보상(reward) 및 벌점(penalty)의 합을 최대화 하는 하나 이상의 파라미터가 획득된 경우 기존의 제어 함수의 파라미터를 새롭게 획득한 파라미터로 변경함으로써, 기존의 제어 함수를 업데이트 할 수 있다.

이러한 방식으로 인공지능부(120)는 계속적으로 강화 학습을 수행함으로써, 제어 시스템의 제어에 따른 출력값이 베이스 라인을 추종하고 제2 베이스 라인을 회피하는 최적의 파라미터를 획득할 수 있다.

이와 같이 본 발명은 복수의 베이스 라인(220, 610)을 설정함으로써, 인공지능이 다양한 목표에 기반하여 강화 학습을 수행하도록 할 수 있다.

구체적으로 베이스 라인(220)만이 존재한다고 가정하는 경우, 출력값이 베이스 라인(220)을 가장 가깝게 추종하는 최적의 파라미터는 베이스 라인(220)과 출력값(510) 사이의 갭의 평균(즉, 출력값과 베이스 라인 사이의 공간의 면적)에 의해 결정된다. 따라서 갭의 평균이 최소화 되더라도 큰 오버슛이 발생할 수 있으며, 오버슛에 따라 출력값(510)이 사용자에게 불쾌감을 유발하는 특정 온도에 접근할 수도 있다.

따라서 본 발명은 복수의 베이스 라인(220, 610)을 설정하고, 출력값이 베이스 라인을 추종 또는 회피하는 최적의 파라미터를 인공지능이 학습하게 함으로써, 다양한 목표를 달성할 수 있는 최적의 파라미터를 산출할 수 있는 장점이 있다.

한편 앞선 설명에서는 두개의 베이스 라인(220, 610)을 설정하는 것으로 설명하였으나 베이스 라인의 개수는 한정되지 않는다.

예를 들어 공조 시스템에서, 베이스 라인(220), 제2 베이스 라인(610) 및 제3 베이스 라인(620)이 설정될 수 있다. 여기서 베이스 라인(220)은 출력값(출력 온도)가 추종하여야 하는 온도, 제2 베이스 라인(610)은 출력값(출력 온도)이 회피해야 하는 높은 온도(예를 들어 40도), 제3 베이스 라인(620)은 출력값(출력 온도)이 회피해야 하는 낮은 온도(예를 들어 15도)를 의미할 수 있다. 이에 따라 인공지능부(120)는 공조 시스템의 제어에 따른 온도가 15도 내지 40도의 범위에서 베이스 라인을 추종하는 최적의 파라미터를 산출할 수 있다.

한편, 베이스 라인(220)과 출력값(510) 사이의 갭(G31, G32)이 작을수록 높은 보상(reward)이 부여되고, 제2 베이스 라인(610)과 출력값(510) 사이의 갭(G33, G34)이 작을수록 높은 벌점(penalty)이 부여되며, 이 경우 벌점(penalty)의 크기는 보상(reward)의 크기보다 클 수 있다.

예를 들어 베이스 라인(220)과 출력값(510) 사이의 갭이 10이고, 제2 베이스 라인(610)과 출력값(510) 사이의 갭이 10인 경우, 베이스 라인(220)과 출력값(510) 사이의 갭에는 5의 보상이, 제2 베이스 라인(610)과 출력값(510) 사이의 갭에는 10의 벌점이 부여될 수 있다.

제2 베이스 라인이 나타내는 특정 온도는 출력값이 넘어서는 안되는 한계점일 수 있다. 따라서 본 발명은 보상과 벌점의 크기를 상이하게 함으로써, 베이스 라인(220)을 추종하는 동작 목표보다 제2 베이스 라인(610)이 나타내는 특정 온도를 회피하는 동작 목표에 더 높은 가중치를 부여할 수 있다.

도 7은 본 발명의 실시 예에 따른, 출력값과 제2 베이스 라인 상의 일 지점이 일치하는 경우, 파라미터를 폐기하는 방법을 설명하기 위한 도면이다.

출력값이 베이스 라인(220)을 추종하고 제2 베이스 라인(610)을 회피하는 것을 목표로 강화 학습을 수행하더라도, 출력값이 제2 베이스 라인(610)에 접근할 가능성은 여전히 존재하며, 출력값이 제2 베이스 라인(610)에 닿을 수도 있다.

한편 제2 베이스 라인이 나타내는 값은 출력값이 넘어서는 안되는 한계점일 수 있다.

따라서 인공지능부(120)는 출력값이 제2 베이스 라인(610) 상의 일 지점(711)과 일치하는 경우, 제어 시스템에 제어값을 제공한 제어 함수의 파라미터를 폐기할 수 있다. 그리고 인공지능부(120)는 폐기되는 파라미터를 제어 함수의 파라미터로써 사용하지 않을 수 있다.

도 8은 본 발명의 실시 예에 따른, 환경 조건의 변화에 따라 베이스 라인을 재 설정하는 방법을 설명하기 위한 도면이다.

인공지능부(120)는 환경 조건의 변화에 따라 베이스 라인을 재 설정할 수 있다.

여기서 환경 조건은, 제어 시스템의 제어 대상을 변경시키는 외부 요인일 수 있다. 다시 말해서 제어 시스템의 제어 대상은 제어 시스템의 제어에 의해서가 아니라 제어 시스템의 제어 이외의 다른 요인으로도 변경될 수 있는데, 상기 다른 요인을 환경 조건이라 지칭할 수 있다.

예를 들어 제어 시스템이 난방 시스템인 경우, 난방 시스템의 제어 대상은 온도이다. 그리고 온도는 난방 시스템의 제어뿐만이 아니라, 시간, 날짜, 계절, 날씨 등에 의해서도 변경될 수 있다. 이 경우 환경 조건은 시간, 날짜, 계절, 날씨 등일 수 있다.

앞서, 베이스 라인(220)의 제1 라인(221)은 제어 시스템의 제어에 따른 출력값의 이상적인 변화를 나타내는 것으로써, 제어 시스템의 최대 제어에 따른 출력값의 변화를 의미하는 것으로 설명한 바 있다.

한편 제어 시스템의 제어에 따른 출력값의 이상적인 변화는 환경 조건의 변화에 따라 달라질 수 있다.

예를 들어 난방 시스템에서 밸브를 동일 크기만큼 개방하더라도, 여름철의 출력값(온도)의 변화율과 겨울철의 출력값(온도)의 변화율은 서로 상이할 수 있다.

따라서 여름철에 제어 시스템의 최대 제어에 따른 출력값의 변화를 베이스 라인(221)으로 설정한 후 강화 학습을 수행하여 최적의 파라미터를 산출하더라도, 산출한 최적의 파라미터는 겨울철에 적용되는 최적의 파라미터가 아닐 수 있다.

따라서 본 발명의 실시 예에 따른 인공지능부(120)는 환경 조건의 변화에 따라 베이스 라인(220)을 재 설정 할 수 있다.

구체적으로 수집부(110)는 출력값을 직접 획득하거나, 외부로부터 수신할 수 있다.

그리고 인공지능부(120)는 출력값의 변화를 감지할 수 있다. 이 경우 출력값의 변화는, 제어 시스템의 제어에 따른 출력값의 변화가 아닌, 제어 시스템의 제어와는 무관한 출력값의 변화를 의미할 수 있다.

그리고 출력값의 변화가 감지되면, 인공지능부(120)는 제어 시스템이 최대 제어를 수행하도록 제어 시스템을 제어할 수 있다.

그리고 제어 시스템이 최대 제어를 수행하는 중, 인공지능부(120)는 제어 시스템의 최대 제어에 따른 출력값을 획득할 수 있다. 그리고 인공지능부(120)는 획득한 출력값에 기초하여 새로운 베이스 라인(820)의 제1 라인(821)을 설정할 수 있다.

그리고 새로운 베이스 라인(820)의 제1 라인(821)이 설정되면, 인공지능부(120)는 제어 시스템의 제어에 따른 출력값이 새로운 베이스 라인(820)을 추종하는 것을 목표로 강화 학습을 수행할 수 있다;

도 8에서 도시한 제1 출력값(830)은 기존의 베이스 라인(220)을 추종하는 것을 목표로 강화 학습을 수행하여 최적의 제어 함수를 획득하고, 획득한 제어 함수에서 제공한 제어 값으로 제어한 경우의 출력값을 나타낸다.

또한 도 8에서 도시한 제2 출력값(840)은 새로운 베이스 라인(820)을 추종하는 것을 목표로 강화 학습을 수행하여 최적의 제어 함수를 획득하고, 획득한 제어 함수에서 제공한 제어 값으로 제어한 경우의 출력값을 나타낸다.

계절, 날짜, 기타 변수 들이 작용하여 환경 조건이 변경되면서, 현재 환경 조건에 맞는 최적의 PID 파라미터는 달라질 수 있다. 다만 종래에는 인간의 직관과 경험으로 파라미터를 설정하였기 때문에, 이러한 환경 조건의 변경에 대하여 적절히 대응하여 파라미터를 최적화 할 수 없다는 문제가 있었다.

다만 본 발명은 환경 조건의 변화가 있는 경우 베이스 라인을 변경하고, 변경된 베이스 라인을 추종하는 것을 목표로 강화 학습을 다시 수행함으로써, 환경 조건의 변화에 대응하여 파라미터를 최적화 할 수 있는 장점이 있다.

도 9는 본 발명의 실시 예에 따른, 인공지능 장치 및 제어 시스템의 동작 방법을 설명하기 위한 순서도 이다.

인공지능부(120)는 베이스 라인을 설정할 수 있다(S910).

구체적으로 인공지능부(120)는 제어 시스템이 최대 제어를 수행하도록 제어 시스템을 제어할 수 있다.

또한 인공지능부(120)는 제어 시스템이 최대 제어를 수행하는 중에 획득되는 출력값에 따라 베이스 라인을 설정할 수 있다.

베이스 라인이 설정되면, 인공지능부(120)는 제어 시스템의 제어에 따른 출력값이 베이스 라인을 추종하는 것을 목표로 강화 학습을 수행할 수 있다(S920).

구체적으로 인공지능부(120)는 제어 함수의 파라미터를 다양하게 변경하고, 파라미터가 변경된 제어 함수를 제어 시스템에 제공할 수 있다.

이 경우 제어 시스템은 인공지능부(120)로부터 제공 받은 제어 함수에 따라 제어를 수행할 수 있다.

구체적으로 제어 시스템은 현재값 및 설정값을 인공지능부(120)로부터 제공 받은 제어 함수에 입력하여 제어값을 산출할 수 있다. 또한 제어 시스템은 산출된 제어값에 따른 제어를 수행할 수 있다.

이 경우 인공지능부(120)는 제어 시스템의 제어에 따른 출력값을 획득할 수 있다. 그리고 인공지능부(120)는 획득된 출력값 및 출력값을 획득하는데 사용된 파라미터를 이용하여, 베이스 라인을 가장 가깝게 추종하는 파라미터를 획득할 수 있다.

한편 인공지능부(120)는 제어 함수의 파라미터를 업데이트 할 수 있다(S930).

구체적으로 베이스 라인을 더욱 가깝게 추종하는 파라미터가 획득된 경우, 인공지능부(120)는 기존의 제어 함수를 새롭게 획득한 파라미터를 포함하는 제어 함수로 변경할 수 있다.

한편 제어 시스템은 업데이트 된 제어 함수에 따라 제어를 수행할 수 있다(S940).

즉 강화 학습을 통하여 베이스 라인을 가장 가깝게 추종하는 파라미터가 획득된 바, 제어 시스템은 업데이트 된 제어 함수에 따라 제어를 수행할 수 있다.

한편 환경 조건의 변화(S950)가 없는 경우, 인공지능부(120)는 S920 내지 S940 과정을 반복하여, 동일한 베이스 라인을 기반으로 최적의 파라미터를 찾는 과정을 계속적으로 반복할 수 있다.

한편 환경 조건의 변화(S950)가 있는 경우(또는 환경 조건의 변화가 기 설정된 크기 이상인 경우), 인공지능부(120)는 베이스 라인을 재 설정할 수 있다(S910). 그리고 인공지능부(120)는 S920 내지 S940 과정을 반복하여, 새롭게 설정한 베이스 라인을 기반으로 최적의 파라미터를 찾는 과정을 계속적으로 반복할 수 있다.

도 10은 본 발명의 실시 예에 따른, 출력값의 패턴을 미리 학습시키는 방법을 설명하기 위한 도면이다.

출력값의 패턴은 제어 시스템의 제어에 따른 출력값의 변화 양상을 의미할 수 있다.

예를 들어 난방 시스템에서의 출력값의 패턴은, 밸브를 일정량 개방했을 때 난방 시스템의 제어에 따른 온도가 어떻게 변화되는지를 나타낼 수 있다.

한편 제어 시스템의 제어에 따른 출력값의 변화는, 현재의 행동(즉 현재의 제어)이 다음의 단계(출력값)에 영향을 주고, 다음 단계에서의 행동(현재 출력값 에서의 제어)가 그 다음 단계(출력값)에 영향을 주는 것이다.

따라서 인공지능부(120)는 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하는 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 출력값의 패턴을 학습할 수 있다. 이 경우 장단기 메모리(Long-Short term Memory, LSTM) 방식이 사용될 수 있다.

한편 인공지능부(120)는 제어 시스템의 제어 정보 및 제어 시스템이 설치되는 환경에서의 제어 정보에 따른 출력값을 순환 신경망(Recurrent Neural Network, RNN)으로 학습할 수 있다.

구체적으로, 순환 신경망(Recurrent Neural Network, RNN)이 학습하는 데이터는 제어 정보 및 제어 시스템이 설치되는 환경에서의 제어 정보에 따른 출력값의 시계열적 데이터일 수 있다.

예를 들어 난방 시스템의 경우, 순환 신경망(Recurrent Neural Network, RNN)이 학습하는 데이터는 밸브의 개방량 및 난방 시스템이 설치되는 환경에서의 밸브의 개방량에 따른 온도에 대한 시계열적 데이터일 수 있다.

이 경우 인공지능부(120)는 일정 기간 이상의 데이터들을 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 학습함으로써, 출력값의 패턴을 획득할 수 있다.

한편 인공지능부(120)에 순환 신경망이 포함되고 인공지능부(120)가 순환 신경망을 이용하여 출력값의 패턴을 직접 획득하는 방식이 가능하며, 순환 신경망을 포함하는 외부 장치에서 출력값의 패턴을 획득한 후 인공지능 장치(100)의 저장부에 출력값의 패턴을 저장시키는 방식도 가능하다.

도 10a에서는, 난방 시스템이 설치된 특정 장소에서의 과거의 제어 정보(밸브의 개방)(1030) 및 제어 정보에 따른 출력값(온도)(1010)을 도시하였다.

또한 도 10b는 인공지능부(120)가 순환 신경망을 이용하여 난방 시스템이 설치된 특정 장소에서의 과거의 제어 정보(밸브의 개방)(1030) 및 제어 정보에 따른 출력값(온도)(1010)를 학습하고, 학습 결과 및 현재의 제어 정보에 기초하여 온도 변화(1020)를 예측한 것이다.

도 10c에 따르면, 과거의 실제 온도 변화(1010)와 예측한 온도 변화(1020)는 거의 유사한 양상을 보였으며, 95.49%의 일치율을 달성하였다.

도 11은 본 발명의 실시 예에 따른, 순환 신경망을 이용하여 출력값의 패턴을 획득하는 방법 및 출력값의 패턴에 기초하여 강화 학습을 수행하는 방법을 설명하기 위한 순서도이다.

인공지능부(120)는, 제어 시스템의 제어 정보 및 제어 시스템이 설치되는 환경에서의 상기 제어 정보에 따른 출력값을 순환 신경망으로 학습할 수 있다(S1110).

구체적으로 인공지능부(120)는 제어 시스템이 설치되는 환경에서의 상당 기간 이상의 제어 정보 및 제어 정보에 따른 출력값을 학습할 수 있다.

예를 들어 인공지능부(120)가 A 빌딩의 난방 시스템에 설치될 예정인 경우, 인공지능부(120)는 A 빌딩의 난방 시스템의 제어 정보 및 제어 정보에 따른 온도를 기록한 1년 간의 로그 데이터를 순환 신경망으로 학습할 수 있다.

이 경우 인공지능부(120)는 학습 결과에 따라 출력값의 패턴을 획득할 수 있다(S1130).

그리고 학습 결과가 저장부에 저장된 인공지능 장치는 제어 시스템에 연결되어, 제어 시스템에 제어 함수를 제공하고 강화 학습을 수행할 수 있다.

이 경우 인공지능부(120)는 출력값의 패턴에 기초하여 강화 학습을 수행할 수 있다(S1130).

구체적으로 인공지능부(120)는 시행착오 (try and error) 방식으로 제어 함수의 파라미터를 다양하게 변경하며 강화 학습을 수행할 수 있다.

이 경우 출력값의 패턴은, 강화 학습에서 에이전트(Agent)에게 제공되는 환경(Envrionment)으로써 제공될 수 있다.

즉 순환 신경망을 이용한 출력값의 패턴의 학습이 없는 경우에는, 출력값 자체가 에이전트(Agent)에게 제공되는 환경(Envrionment)이 되기 때문에, 상대적으로 강화 학습에 소요되는 시간이 증가할 수 있다.

다만 순환 신경망을 이용하여 출력값의 패턴을 미리 학습하는 경우에는, 출력값의 패턴이 환경(Envrionment)으로써 에이전트(Agent)에게 제공되기 때문에, 강화 학습에 소요되는 시간을 대폭 감소 시킬 수 있는 장점이 있다.

특히 인공지능 장치(100)를 판매하여 특정 장소에 설치하기로 한 경우, 인공지능 장치(100)의 판매자는 특정 장소의 로그 데이터를 입수하여 인공지능 장치(100)를 미리 학습시킨 후 설치할 수 있다. 이에 따라 강화 학습의 속도를 대폭 향상될 수 있는 장점이 있다.

한편 출력값의 패턴은 업데이트 될 수 있다.

예를 들어 인공지능 장치(100)는 제어 시스템이 설치되는 환경에서의 최신 1년치의 제어 정보 및 제어 정보에 따른 출력값을 순환 신경망으로 학습하여 출력값의 패턴을 획득할 수 있다.

다른 예를 들어, 인공지능 장치(100)에는 제어 시스템이 설치되는 환경에서의 최신 1년치의 제어 정보 및 제어 정보에 따른 출력값을 순환 신경망으로 학습하여 획득한 출력값의 패턴이 저장될 수 있다.

이 경우 인공지능부(120)는 출력값의 패턴을 주기적으로 업데이트 할 수 있다. 예를 들어 2018년 7월 1일에는 2017년 7월 1일부터 2018년 6월 30일까지의 로그 데이터를 학습하여 출력값의 패턴을 업데이트 하고, 2018년 8월 1일에는 2017년 8월 1일부터 2018년 7월 30일까지의 로그 데이터를 학습하여 출력값의 패턴을 업데이트 할 수 있다.

출력값의 패턴은 시간의 흐름에 따라 변경될 수 있다. 지구 온난화로 인하여 해가 갈수록 날씨가 점점 더워지는 경우, 난방 파이프 내 침전물이 생겨서 난방 성능이 점점 안 좋아 지는 경우 등을 그 예로 들 수 있다.

다만 본 발명은 동일한 기간의 최신의 데이터를 학습함으로써 현 상황에 부합하는 출력값의 패턴을 파악하고, 이에 따라 강화 학습을 수행함으로써, 강화 학습의 속도를 향상시킬 수 있는 장점이 있다.

도 12는 본 발명의 실시 예에 따른, 제어 시스템, 수집부 및 인공지능부가 통합적으로 구성되는 인공지능 장치를 도시한 도면이다.

인공지능 장치(100)는 수집부(120), 인공지능부(110) 및 동작부(130)를 포함할 수 있다.

수집부(120) 및 인공지능부(110)에는 도 1의 수집부 및 인공지능부에 대한 설명이 그대로 적용될 수 있다.

한편 도시하지는 않았으나, 인공지능 장치(100)는 저장부를 포함할 수 있다. 저장부에는 제어 함수, 출력값의 패턴, 강화 학습을 위한 응용 프로그램, 순환 신경망을 이용하여 시계열 데이터를 학습하기 위한 응용 프로그램 등이 저장될 수 있다.

한편 동작부(130)는 제어 시스템의 기능에 따른 구성을 포함할 수 있다.

구체적으로 제어 시스템은, 공조 시스템, 에너지 관리 시스템, 모터 제어 시스템, 인버터 제어 시스템, 압력 제어 시스템, 유량 제어 시스템, 냉/난방 시스템 등, 현재값을 수집하고, 수집한 현재값, 설정값 및 제어 함수를 이용하여 제어값을 출력하고, 출력된 제어 값에 따른 제어를 수행하는 모든 시스템을 의미할 수 있다.

제어 시스템이 난방 시스템인 경우, 수집부(120)는 온도 센서를 포함할 수 있다. 또한 구동부(130)는 난방용 물의 흐름을 제어하는 밸브 및 인공지능부(110)의 제어 하에 밸브의 개폐 정도를 조절하기 위한 장치를 포함할 수 있다.

이 경우 인공지능부(120)는 구동부(130)가 최대 제어(밸브의 100프로 개방)를 수행하도록 제어할 수 있으며, 최대 제어를 수행한 경우에 획득되는 출력값을 이용하여 베이스 라인을 설정할 수 있다.

그리고 인공지능부(120)는 현재 온도 및 목표 온도를 제어 함수에 입력하여 제어값을 출력하고, 출력된 제어 값에 따라 밸브를 개방하고, 밸브가 개방됨에 따라 획득되는 온도가 베이스 라인을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

그리고 강화 학습 결과에 따라 인공지능부는 제어 함수의 파라미터를 업데이트 할 수 있다.

도 13는 본 발명의 실시 예에 따른, 제어 시스템과 인공지능 장치가 별도로 구성되는 실시 예를 설명하기 위한 블록도이다.

인공지능 장치(100)는 수집부(110) 및 인공지능부(120)를 포함할 수 있다.

수집부(110) 및 인공지능부(120)에는 도 1의 수집부 및 인공지능부에 대한 설명이 그대로 적용될 수 있다.

한편 도시하지는 않았으나, 인공지능 장치(100)는 저장부를 포함할 수 있다. 저장부에는 제어 함수, 출력값의 패턴, 강화 학습을 위한 응용 프로그램, 순환 신경망을 이용하여 시계열 데이터를 학습하기 위한 응용 프로그램 등이 저장될 수 있다.

한편 제어 시스템(1300)은 제어부(1310), 구동부(1320), 통신부(1330) 및 센싱부(1340)를 포함할 수 있다.

또한 도시하지는 않았으나, 제어 시스템(1300)은 저장부를 포함할 수 있다. 저장부에는 구동부(1320)를 구동하기 위한 응용 프로그램, 제어 함수 등이 저장될 수 있다.

센싱부(1340)는 제어 시스템의 제어에 따른 출력값을 감지할 수 있다.

제어부(1310)는 제어 시스템(1300)의 전반적인 동작을 제어할 수 있다.

한편 제어 시스템(1300)의 통신부(1330)와 인공지능 장치(100)의 수집부(120)는 서로 연결되어, 상호 간에 통신을 수행할 수 있다.

인공지능부(110)는 구동부(130)가 최대 제어(밸브의 100프로 개방)를 수행하도록 하는 제어 명령을 수집부(120)를 통하여 제어 시스템(1300)에 전송할 수 있다.

이 경우 제어부(1310)은 최대 제어를 수행하고, 최대 제어를 수행한 경우에 획득되는 출력값을 인공지능 장치(100)에 전송할 수 있다.

이 경우 인공지능부(110)는 제어 시스템(1300)이 최대 제어를 수행한 경우에 획득되는 출력값을 이용하여 베이스 라인을 설정할 수 있다.

제어부(1310)는 제어 함수에서 제공하는 제어값에 기초하여 제어를 수행할 수 있다.

구체적으로, 제어부(1310)는 현재값 및 설정값을 제어 함수에 입력하여 제어 값을 출력하고, 출력된 제어 값에 따른 제어를 수행하고, 제어를 수행함에 따른 출력값을 센싱부(1340)를 통하여 감지할 수 있다. 그리고 출력값이 감지되는 경우, 제어부(1310)는 감지된 출력값 및 설정값을 제어 함수에 입력하여 제어 값을 출력하고, 출력된 제어 값에 따른 제어를 수행하고, 제어를 수행함에 따른 출력값을 센싱부(1340)를 통하여 감지할 수 있다.

즉 제어부(1310)는 일반적인 제어루프(Control loop) 피드백 기법(feedback mechanism)을 수행할 수 있다.

그리고 제어부(1310)는 제어 시스템의 제어 정보 및 센싱부(1340)에서 감지되는 출력값을 통신부(1330)을 통하여 인공지능부(100)에 전송할 수 있다.

한편 인공지능부(110)는 제어 시스템(1300)의 제어에 따른 출력값이 베이스 라인을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.

새로운 파라미터에 대한 학습이 필요한 경우, 인공지능부(110)는 새로운 파라미터를 포함하는 제어 함수를 제어 시스템(1300)에 전송할 수 있다. 이 경우 제어 시스템(1300)은 수신된 제어 함수를 이용한 제어를 수행하고, 제어 시스템(1300)의 제어에 따른 출력값을 감지하여 인공지능 장치(100)에 전송할 수 있다.

한편 강화 학습 결과에 따라 새로운 파라미터가 획득된 경우, 인공지능부(110)는 기존의 제어 함수를 새로운 파라미터를 포함하는 제어 함수로 업데이트 할 수 있다. 그리고 인공지능부(110)는 업데이트 된 제어 함수를 제어 시스템(1300)에 전송할 수 있다.

이 경우 제어 시스템(1300)은 업데이트 된 제어 함수를 이용하여 제어를 수행할 수 있다.

도 14는 본 발명의 실시 예에 따른, 복수의 제어 시스템에 대응하는 인공지능 장치가 제어 센터에 통합적으로 구성되는 실시 예를 설명하기 위한 블록도이다.

일례로써, 제어 센터(1500)는 특정 건물의 난방 시스템들을 통합 관리하는 장치일 수 있다. 그리고 제1 제어 시스템(1600)은 특정 건물 내 제1 공간의 난방을 제어하는 제어 장치일 수 있으며, 제2 제어 시스템(1700)은 특정 건물 내 제2 공간의 난방을 제어하는 제어 장치일 수 있다.

제1 제어 시스템(1600)은 제어부, 구동부, 통신부 및 센싱부를 포함할 수 있다. 통신부가 제어 센터(1500)와 통신하는 것 외에는, 도 13에서의 제어부, 구동부, 통신부 및 센싱부에 대한 설명이 그대로 적용될 수 있다.

또한 제2 제어 시스템(1700)은 제어부, 구동부, 통신부 및 센싱부를 포함할 수 있다. 통신부가 제어 센터(1500)와 통신하는 것 외에는, 도 13에서의 제어부, 구동부, 통신부 및 센싱부에 대한 설명이 그대로 적용될 수 있다.

한편 제어 센터(1500)는 수집부 및 인공지능부를 포함할 수 있다.

제어 센터(1500)의 수집부 및 인공지능부에는 도 13에서의 수집부 및 인공지능부에 대한 설명이 그대로 적용될 수 있다.

한편 제어 센터(1500)의 인공지능부는 제1 제어 시스템(1600)의 제어에 따른 출력값을 제1 제어 시스템(1600)으로부터 수신하고, 강화 학습을 기반으로 제1 제어 시스템(1600)에 제어값을 제공하는 제1 제어 함수를 업데이트 할 수 있다.

또한 제어 센터(1500)의 인공지능부는 제2 제어 시스템(1700)의 제어에 따른 출력값을 제2 제어 시스템(1700)으로부터 수신하고, 강화 학습을 기반으로 제2 제어 시스템(1700)에 제어값을 제공하는 제2 제어 함수를 업데이트 할 수 있다.

또한 제어 센터(1500)의 인공지능부는 제2 제어 시스템(1700)에서 획득된 환경 조건을 이용하여 제1 제어 시스템(1600)의 베이스 라인을 재 설정할 수 있다.

예를 들어, 제2 제어 시스템(1700)의 센싱부에서의 감지 결과에 따라 환경 조건의 변화가 감지된 경우, 제어 센터(1500)의 인공지능부는 제1 제어 시스템(1600)의 베이스 라인을 재 설정할 수 있다.

즉 제2 제어 시스템에서 획득한 센싱 정보를 제1 제어 시스템의 제어함수의 업데이트에 이용할 수 있다.

한편 상술한 설명에서는 PID를 제어 함수의 예로 들어 설명하였으나 이에 한정되지 않는다.

예를 들어 제어 함수는 PI 제어(Proportional-Integral control), PD 제어(Proportional-Derivative control) 및 PID 제어(Proportional-Integral-Derivative control) 중 하나를 포함할 수 있다.

이 외에도 제어 함수는, 피드백 제어를 수행하기 위하여 제어 시스템에 제어값을 제공하는 모든 유형의 함수를 포함할 수 있다.

한편 본 발명이 적용될 수 있는 난방 시스템에 대하여 설명한다.

본 발명의 실시 예에 따른 인공지능 장치는, 난방 시스템에 포함될 수 있다.

그리고 본 발명의 실시 예에 따른 인공지능 장치는, 수집부, 동작부 및 인공지능부를 포함할 수 있다.

이 경우 수집부는 온도를 감지하는 온도 센서를 포함할 수 있다. 여기서 온도는 난방 시스템의 온도 제어에 따른 출력값일 수 있다.

예를 들어 온도 센서는 난방 할 방 내에 설치되어, 방의 온도를 감지할 수 있다. 또한 난방 시스템이 온도 제어를 수행하는 경우, 온도 센서는 난방 시스템의 온도 제어에 따라 변화되는 방의 온도를 감지할 수 있다.

한편 동작부는, 난방 시스템의 온도 제어를 위하여 기체 또는 액체의 유량을 조절하는 밸브를 포함할 수 있다.

예를 들어 난방 시스템은 난방 할 방에 기체 또는 액체를 전달하는 난방 배관 및 난방 배관에 설치되어 기체 또는 액체의 유량을 조절하는 유량 조절 밸브를 포함할 수 있다. 또한 난방 시스템은 밸브의 개폐 정도를 제어하기 위한 구동부(예를 들어 모터)를 포함할 수 있다.

한편 인공지능부는, 강화 학습(Reinforcement Learning)을 기반으로 제어 함수를 업데이트 하고, 업데이트 된 제어 함수에서 출력되는 제어 값에 따라 밸브의 개폐량을 제어할 수 있다.

구체적으로 인공지능부는, 감지된 온도가 베이스 라인을 추종하는 것을 목표로 강화 학습을 수행할 수 있다.이 경우 베이스 라인은, 난방 시스템의 최대 제어에 따라 감지된 온도의 변화를 나타내는 제1 라인을 포함할 수 있다.

예를 들어 제어 함수에 의하여 최대 100프로의 제어값이 출력되는 경우, 난방 시스템은 100프로의 제어값에 대응하는 제어, 즉 밸브를 100프로 개방하는 제어를 수행할 수 있다. 이 경우 제1 라인은 밸브를 100프로 개방했을 때, 난방 할 방의 온도의 변화를 의미할 수 있다.

또한 베이스 라인은, 난방 시스템의 설정값인 목표 온도에 일치하는 제2 라인을 포함할 수 있다.

여기서 제2 라인은 난방 시스템이 난방을 수행한 경우 출력값이 도달해야 하는 목표 값일 수 있다. 예를 들어 난방 할 방의 현재 온도가 24도이며 온도를 30도로 상승시키라는 명령이 수신된 경우, 난방 시스템은 온도를 30도로 상승시키는 동작을 수행할 수 있다. 이 경우 인공지능부는 난방 시스템의 최대 제어 시 온도의 변화율을 나타내는 제1 라인 및 30도에 일치하도록 형성되는 제2 라인을 포함하는 베이스 라인을 설정할 수 있다.

그리고 인공지능부는, 감지된 온도가 베이스 라인을 추종하는 것을 목표로 강화 학습을 수행함으로써, 제어 함수를 업데이트 할 수 있다.

그리고 인공지능부는 업데이트된 제어함수에서 출력되는 제어 값에 따라 밸브의 개폐량을 조절할 수 있다.

구체적으로 난방 시스템에서 현재값은 현재 온도, 설정 값은 목표 온도일 수 있다. 그리고 인공지능부는 현재값과 설정값의 오차를 제어 함수에 입력하여 제어값을 산출할 수 있다. 그리고 인공지능부는 산출된 제어값에 따라 밸브의 개폐량을 조절할 수 있다.

한편 인공지능부는, 난방 시스템이 설치되는 환경에서의 온도의 패턴을 이용하여 강화 학습을 수행할 수 있다.

여기서 온도의 패턴은, 밸브를 일정량 개방했을 때 난방 할 방에서 온도가 어떻게 변화되는지에 대한 것일 수 있다.

그리고 온도의 패턴은, 난방 시스템의 제어 정보 및 난방 시스템이 설치되는 환경에서의 제어 정보에 따른 온도를 순환 신경망(Recurrent Neural Network, RNN)으로 학습함으로써 획득될 수 있다.

구체적으로, 순환 신경망(Recurrent Neural Network, RNN)이 학습하는 데이터는 밸브의 개폐량 및 난방 할 방에서의 밸브의 개폐량에 따른 온도의 시계열적 데이터일 수 있다.

이 경우 순환 신경망(Recurrent Neural Network, RNN)은 일정 기간 이상의 데이터들을 학습하여 출력값의 패턴을 획득할 수 있다. 그리고 학습된 순환 신경망은 인공지능 장치에 포함되는 저장부에 탑재될 수 있다.

한편, 인공지능부는 중앙처리장치, 마이크로 프로세서, 프로세서 등의 용어와 혼용될 수 있다.

한편 상술한 방법으로 피드백 제어가 되는 기법을, BONGSANG-PID라 명명할 수 있다.

다음은 인공지능에 대하여 간략히 설명한다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

도 15는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.

학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치(200)는 인공지능 장치(100)와 통신할 수 있고, 인공지능 장치(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치(200)는 주기적으로 혹은 요청에 의하여 인공지능 장치(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 2를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다. 이를 위하여 통신부(210)는 통신 회로를 포함할 수 있다.

입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.

입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260) 또는 러닝 프로세서(240)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 2에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다.

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 인공지능 장치(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.

전원 공급부(250)는 프로세서(260)의 제어 하에, 외부의 전원, 내부의 전원을 인가받아 학습 장치(200)에 포함된 각 구성 요소들에 전원을 공급할 수 있다.

한편 러닝 프로세서(240)에서 수행하는 기능들은 프로세서(260)에 의해 수행될 수 있다.

한편 용어 “학습 장치(200)”는 용어 “온도 예측 모델의 생성 장치(200)”와 혼용되어 사용될 수 있다.

도 16은 본 발명의 실시 예에 따른, 시뮬레이션 환경의 제공 방법을 설명하기 위한 도면이다.

도 16을 참고하면, 본 발명의 실시 예에 따른 시뮬레이션 환경의 제공 방법은, 온도 예측 모델의 하이퍼파라미터를 설정하고, 하이퍼파라미터가 설정된 온도 예측 모델이 예측 온도를 출력하도록 트레이닝 하고, 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 하이퍼파라미터를 업데이트 하는 단계(S1610) 및 하이퍼파라미터의 설정, 온도 예측 모델의 트레이닝 및 예측 온도와 실제 온도의 차이에 기초한 하이퍼파라미터의 업데이트를 소정의 횟수 이상 반복하여 온도 예측 모델의 최종 하이퍼파라미터를 설정하는 단계(S1630)를 포함할 수 있다.

온도 예측 모델의 생성 방법에 대해서는 도 17을 참조하여 구체적으로 설명한다.

도 17은 본 발명의 실시 예에 따른 온도 예측 모델을 생성하는 방법을 설명하기 위한 도면이다.

먼저 온도 예측 모델에 대하여 설명한다. 여기서 온도 예측 모델은 온도를 예측하기 위하여 트레이닝할 예정이거나 트레이닝 중이거나 트레이닝이 완료된 인공 신경망을 의미할 수 있다.

한편 용어 온도 예측 모델은 용어 온도 예측 시뮬레이터와 혼용되어 사용될 수 있다.

온도 예측 모델은 인공지능 장치(100)에 시뮬레이션 환경을 제공할 수 있다.

구체적으로 인공 지능 장치(100)의 인공지능부(120)는 뉴럴 네트워크를 포함할 수 있다.

또한 뉴럴 네트워크에게는 제어 함수를 업데이트 하기 위해 출력값(온도)가 제공되는 환경이 주어지며, 목표 달성을 위하여 출력값(온도)이 베이스 라인을 추종하도록 뉴럴 네트워크가 행동(밸브의 개폐 정도 조절) 할 것을 정의하고, 뉴럴 네트워크에 의한 출력 값(온도)이 베이스 라인을 추종할수록 뉴럴 네트워크에 보상을 부여하며, 뉴럴 네트워크는 보상이 최대가 될때까지 반복 학습하여 최적의 제어 함수를 도출하게 된다.

그리고 최적의 제어 함수를 도출하도록 트레이닝할 예정이거나 트레이닝 되고 있거나 트레이닝 된 뉴럴 네트워크를 강화 학습 모델이라 명칭할 수 있다. 이와 같은 강화 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 인공지능 장치의 메모리에 저장될 수 있다.

이와 같이 강화 학습을 기반으로 뉴럴 네트워크를 트레이닝 하기 위해서는. 뉴럴 네트워크의 행동(밸브의 개폐 정도)에 따른 환경(출력 값(온도))이 뉴럴 네트워크에 주어져야 한다.

그리고 온도 예측 모델은 인공지능 장치(100)에 시뮬레이션 환경, 즉 밸브의 개폐 정도에 따른 출력값(또는 밸브의 개폐 정도에 따른 출력 값의 패턴)을 인공지능 장치(100)에 제공할 수 있다.

한편 온도 예측 모델은, 제어 정보 및 제어 정보에 따른 온도를 포함하는 시계열 데이터를 이용하여 트레이닝 되는 순환 신경망일 수 있다. 여기서 제어 정보는 밸브의 계도율, 즉 밸브의 개폐 정도를 의미할 수 있다.

구체적으로 제어 시스템의 제어에 따른 출력값의 변화는, 현재의 행동(즉 현재의 제어)이 다음의 단계(출력값)에 영향을 주고, 다음 단계에서의 행동(현재 출력값 에서의 제어)가 그 다음 단계(출력값)에 영향을 주는 것이다.

따라서 온도 예측 모델은, 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하고 예측할 수 있는 순환 신경망(Recurrent Neural Network, RNN)으로 구성될 수 있다. 또한 순환 신경망 중에서도, 시계열 데이터에 대한 분류 및 근사에 적합한 장단기 메모리(Long-Short term Memory, LSTM)이 온도 예측 모델에 사용될 수 있다.

한편 온도 예측 모델의 생성 장치(200)의 프로세서(260)는, 온도 예측 모델이 제어 정보 및 이전 온도에 기초하여 온도를 예측하도록 온도 예측 모델을 트레이닝 할 수 있다.

구체적으로 온도 예측 모델의 생성 장치(200)의 프로세서(260)는, 제어 시스템이 설치되는 환경에서의 제어 정보 및 제어 정보에 따른 온도를 포함하는 시계열 데이터를 훈련 데이터로써 순환 신경망(Recurrent Neural Network, RNN)에 입력할 수 있다.

예를 들어 온도 예측 시뮬레이터의 생성 장치(200)의 프로세서(260)는, 소정의 기간(예를 들어 1년) 동안의 제어 정보 및 온도의 시계열 데이터를 훈련 데이터로써 순환 신경망(Recurrent Neural Network, RNN)에 입력할 수 있다.

여기서 제어 정보는 인공지능 장치(100)가 설치되는 환경에서 소정의 기간(예를 들어 1년) 동안의 밸브의 개방 량(계도율)에 대한 정보일 수 있으며, 온도는 인공지능 장치(100)가 설치되는 환경에서 소정의 기간(예를 들어 1년) 동안의 온도일 수 있다. 이 경우 온도는 밸브의 개방 량 및 기타 변수 들(공조기의 성능, 밸브의 성능, 건물 정보(건물의 구조, 재료, 창문의 개수, 벽의 두께 등), 계절, 날짜, 시간 등)에 의존하여 변화할 수 있다.

이 경우 온도 예측 시뮬레이터는, 제어 정보 및 이전 온도에 기초하여 온도를 예측하도록 트레이닝 될 수 있다.

여기서 이전 온도란 현 시점부터 일정 시간 이전 시점 사이의 온도를 의미할 수 있다. 예를 들어 일정 시간이 4분이고, 온도가 30초 단위로 수집된 경우, 이전 온도는 -240초, -210초, -180초, -150초, -120초, -90초, -60초, -30초, 0초의 온도를 의미할 수 있다.

그리고 온도 예측 시뮬레이터는, 제어 정보 및 이전 온도에 기초하여 예측 온도를 출력할 수 있다. 이 경우 프로세서(260)는 순환 신경망의 예측 온도를 인공지능 장치가 설치될 장소의 실제 온도와 비교하여, 예측 온도와 실제 온도의 차이가 작아지도록 순환 신경망의 모델 파라미터를 조절(업데이트)할 수 있다.

그리고 위와 같은 과정의 반복을 통해 순환 신경망의 모델 파라미터가 설정되고, 이에 따라 순환 신경망은 제어 정보 및 이전 온도에 기초하여 예측 온도를 출력하도록 트레이닝 될 수 있다. 이와 같은 방식으로 모델 파라미터가 설정된 순환 신경망을 온도 예측 모델이라 명칭할 수 있다.

이와 같이 특정 장소의 제어 정보 및 제어 정보에 따른 온도를 포함하는 시계열 데이터를 이용하여 생성된 온도 예측 모델은, 동일한 장소(특정 장소)에 대하여 제어 함수를 업데이트 하기 위한 정책을 수립하는 인공 지능 장치에 시뮬레이션 환경을 제공할 수 있다.

다음은 온도 예측 모델의 하이퍼파라미터에 대하여 설명한다.

하이퍼파라미터는 순환 신경망의 레이어의 개수(num of layers), 순환 신경망의 각 레이어 별 노드의 개수(num of nodes), 반복 학습 횟수(num of epochs), 새로 학습한 내용을 얼마큼 반영할 것인가를 정의한 학습 비율(learning rate) 및 학습에 도움이 되지 않는 노드의 비율을 정의하는 드롭 비율(dropout rate) 중 적어도 하나를 포함할 수 있다.

한편, 인공 신경망의 정확도는 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서 좋은 온도 예측 모델을 획득하기 위해서는 최적화된 하이퍼파라미터를 설정하는 것이 매우 중요하다.

특히 본 발명에서는, 온도 예측 모델이 제어 정보를 기반으로 온도를 예측하면, 인공지능 장치의 강화 학습 모델은 예측된 온도를 기반으로 정책을 수립한다. 즉 예측된 온도가 강화 학습에서의 환경으로 주어지기 때문에, 강화 학습 모델의 성능을 향상 시키기 위해서는 정확도가 매우 높은 온도 예측 모델을 생성하는 것이 중요하다.

이에 따라 본 발명의 실시 예에 따른 온도 예측 모델의 생성 장치는, 온도 예측 모델에 새로운 하이퍼파라미터를 제공하고, 온도 예측 모델의 예측 온도와 실제 온도의 차이에 기초하여 하이퍼파라미터를 업데이트 하는 방식으로 최적의 하이퍼파라미터를 설정한다.

구체적으로 프로세서(260)는 온도 예측 모델의 하이퍼파라미터를 설정할 수 있다. 최초의 하이퍼파라미터 설정시에는 임의의 초기 하이퍼파라미터가 온도 예측 모델에 설정될 수 있다.

그리고 나서 프로세서(260)는 하이퍼파라미터가 설정된 온도 예측 모델이 예측 온도를 출력하도록 트레이닝 할 수 있다.

구체적으로 프로세서(260)는 제어 정보 및 제어 정보에 따른 온도를 포함하는 시계열 데이터를 온도 예측 모델에 제공하여, 하이퍼 파라미터가 설정된 온도 예측 모델이 예측 온도를 출력하도록 트레이닝 할 수 있다. 이 경우 트레이닝 된 온도 예측 모델은 제어 정보 및 이전 온도에 기초하여 예측 온도를 출력할 수 있다.

한편 프로세서(260)는 트레이닝 된 온도 예측 모델에 소정의 기간(예를 들어 7시간) 동안의 제어 정보를 입력할 수 있다. 여기서 제어 정보는 제어 시스템이 설치되는 환경에서의 실제 제어정보일 수 있다.

한편 하이퍼파라미터가 설정되고 트레이닝된 온도 예측 모델은 소정의 기간(예를 들어 7시간) 동안의 제어 정보 및 이전 온도에 기반하여 예측 온도를 출력할 수 있다. 여기서 이전 온도는, 현 시점(제어 정보에 대응하는 시점)부터 일정 시간 이전 시점 사이의 온도를 의미할 수 있다.

한편 온도 예측 모델이 예측 온도의 출력을 위해 사용하는 이전 온도는, 제어 시스템이 설치되는 환경에서의 실제 온도가 아닌, 온도 예측 모델이 이전에 출력한 이전 예측 온도일 수 있다.

구체적으로, 온도 예측 모델이 온도의 예측을 시작할 때에는, 온도 예측 모델이 이전에 출력한 이전 예측 온도가 존재하지 않는다. 따라서 온도 예측 모델이 온도의 예측을 시작할 때에는, 프로세서(260)는 실제 제어 정보와 함께 실제 제어 정보에 대응하는 실제 온도를 온도 예측 모델에 제공할 수 있다.

예를 들어 온도 예측 모델이 현 시점부터 4분 전 시점 사이의 제어 정보 및 온도를 이용하여 온도를 예측하는 경우, 프로세서(260)는 현 시점부터 4분 전 시점 사이의 실제 제어 정보와 함께 실제 제어 정보에 대응하는 실제 온도를 온도 예측 모델에 제공할 수 있다. 예를 들어 프로세서(260)는 -240초, -210초, -180초, -150초, -120초, -90초, -60초, -30초, 0초의 실제 제어 정보 및 실제 온도를 온도 예측 모델에 제공할 수 있다.

이 경우 온도 예측 모델은, 30초, 60초, 90초, 120초, 150초, 180초, 210초, 240초의 예측 온도를 순차적으로 출력할 수 있다.

한편 온도 예측 모델이 온도의 예측을 시작한 이후에 소정의 시간이 경과한 후에는, 온도 예측 모델은 실제 제어 정보 및 온도 예측 모델이 이전에 출력한 이전 예측 온도를 이용하여 예측 온도를 출력할 수 있다.

예를 들어 온도 예측 모델이 온도의 예측을 시작한 이후에 240초가 경과했을 경우, 온도 예측 모델은 온도 예측 모델이 이전에 출력한 이전 예측 온도(30초, 60초, 90초, 120초, 150초, 180초, 210초, 240초의 예측 온도) 및 실제 제어 정보를 이용하여 예측 온도를 출력할 수 있다.

한편 프로세서는 소정의 기간 동안의 실제 제어 정보에 대응하는 실제 온도와, 소정의 기간 동안의 실제 제어 정보에 기반하여 출력된 예측 온도의 차이에 기초하여 하이퍼파라미터를 업데이트 할 수 있다.

예를 들어 프로세서(260)는 제어 시스템이 설치되었거나 설치될 장소에서의 2018년 1월 1일 08시부터 03시까지의 실제 밸브의 계도율에 대응하는 실제 온도와, 인공지능 장치(100)가 설치되었거나 설치될 장소에서의 2018년 1월 1일 08시부터 03시까지의 실제 밸브의 계도율 및 이전 온도에 기반하여 온도 예측 시뮬레이터가 출력한 예측 온도의 차이에 기초하여, 온도 예측 모델에 설정된 하이퍼파라미터를 다른 하이퍼파라미터로 변경할 수 있다.

이로써 하나의 싸이클이 완료되고 다음 싸이클이 진행된다. 업데이트된 하이퍼파라미터를 제2 하이퍼파라미터라고 지칭하여 다음 싸이클을 설명한다.

프로세서(260)는 온도 예측 모델에 제2 하이퍼파라미터를 설정할 수 있다.

그리고 나서 프로세서(260)는 제2 하이퍼파라미터가 설정된 온도 예측 모델이 예측 온도를 출력하도록 트레이닝 할 수 있다.

구체적으로 프로세서(260)는 제어 정보 및 제어 정보에 따른 온도를 포함하는 시계열 데이터를 온도 예측 모델에 제공하여, 제2 하이퍼 파라미터가 설정된 온도 예측 모델이 예측 온도를 출력하도록 트레이닝 할 수 있다. 이 경우 트레이닝 된 온도 예측 모델은 제어 정보 및 이전 온도에 기초하여 예측 온도를 출력할 수 있다.

한편 프로세서(260)는 트레이닝 된 온도 예측 모델에 소정의 기간 동안의 제어 정보를 입력할 수 있다. 여기서 제어 정보는 제어 시스템이 설치되는 환경에서의 실제 제어정보일 수 있다.

한편 제2 하이퍼파라미터가 설정되고 트레이닝된 온도 예측 모델은 소정의 기간 동안의 제어 정보 및 이전 온도에 기반하여 예측 온도를 출력할 수 있다. 여기서 이전 온도는, 현 시점(제어 정보에 대응하는 시점)부터 일정 시간 이전 시점 사이의 온도를 의미할 수 있다.

한편 온도 예측 모델이 예측 온도의 출력을 위해 사용하는 이전 온도는, 제어 시스템이 설치되는 환경에서의 실제 온도가 아닌, 온도 예측 모델이 이전에 출력한 이전 예측 온도일 수 있다.

한편 프로세서는 소정의 기간 동안의 실제 제어 정보에 대응하는 실제 온도와, 소정의 기간 동안의 실제 제어 정보에 기반하여 출력된 예측 온도의 차이에 기초하여 하이퍼파라미터를 업데이트 할 수 있다.

예를 들어 프로세서(260)는 제어 시스템이 설치되었거나 설치될 장소에서의 2018년 1월 1일 08시부터 03시까지의 실제 밸브의 계도율에 대응하는 실제 온도와, 인공지능 장치(100)가 설치되었거나 설치될 장소에서의 2018년 1월 1일 08시부터 03시까지의 실제 밸브의 계도율 및 이전 온도에 기반하여 온도 예측 시뮬레이터가 출력한 예측 온도의 차이에 기초하여 온도 예측 모델에 설정된 제2 하이퍼파라미터를 다른 하이퍼파라미터로 변경할 수 있다.

한편 실제 온도와 예측 온도의 차이에 기초하여 하이퍼파라미터를 변경한다는 의미는, 실제 온도와 예측 온도를 비교하여 오차를 획득하고, 실제 온도와 예측 온도의 오차를 줄이는 새로운 하이퍼파라미터를 할당한다는 것을 의미할 수 있다.

예를 들어 프로세서(260)는, 특정 하이퍼파라미터가 설정되었을 때, 2018년 1월 1일 08시부터 03시까지의 실제 밸브의 계도율에 대응하는 실제 온도와, 2018년 1월 1일 08시부터 03시까지의 실제 밸브의 계도율에 기반하여 온도 예측 모델이 출력한 예측 온도의 오차를 줄이기 위한 새로운 하이퍼파라미터를 업데이트 할 수 있다.

그리고 실제 온도와 예측 온도를 비교하여 오차를 획득하기 위하여 손실 함수가 사용될 수 있다. 예를 들어 프로세서(260)는 온도 예측 모델이 출력한 예측 온도와 실제 온도 간의 평균 제곱 오차(MSE: Mean Squared Error)가 작아지도록 하이퍼파라미터를 업데이트할 수 있다.

그리고 하이퍼파라미터의 설정, 온도 예측 모델의 트레이닝 및 예측 온도와 실제 온도의 차이에 기초한 하이퍼파라미터의 업데이트를 소정의 횟수 이상 반복하며, 프로세서는 온도 예측 모델의 최종 하이퍼파라미터를 설정할 수 있다.

한편 실제 온도와 예측 온도의 차이에 기초한 하이퍼파라미터의 조절은 모든 싸이클에서 수행될 수도 있으나 이에 한정되지 않으며, 일부 싸이클에서는 하이퍼파라미터가 실제 온도와 예측 온도의 차이에 기초하여 조절되고, 다른 일부 싸이클에서는 하이퍼파라미터가 무작위로 조절될 수도 있다.

다음은 하이퍼파라미터를 업데이트 하는 방법에 대하여 설명한다.

프로세서(260)는 베이지안 최적화(Bayesian Optimization), 강화학습(Reinforcement Learning) 및 베이지안 최적화-하이퍼밴드(Bayesian Optimization & HyperBand) 중 어느 하나의 알고리즘에 기초하여 상기 하이퍼파라미터를 업데이트 할 수 있다.

여기서 베이지안 최적화(Bayesian Optimization)는 하이퍼파라미터의 값을 바꿀 때마다 가장 좋은 결과를 줄 것 같은 값이 무엇일지를 확률적으로 계산해서 그 다음 값을 선택하는 방식이다. 따라서 프로세서(260)는 실제 온도와 예측 온도의 차이에 기반하여 실제 온도와 예측 온도의 차이가 작아질 것으로 예측되는 하이퍼파라미터를 확률적으로 계산하고, 계산된 하이퍼파라미터를 온도 예측 모델에 설정할 수 있다. 그리고 하이퍼파라미터의 설정, 온도 예측 모델의 트레이닝 및 예측 온도와 실제 온도의 차이에 기초한 하이퍼파라미터의 업데이트를 소정의 횟수 이상 반복함으로써, 온도 예측 모델의 최종 하이퍼파라미터가 설정될 수 있다.

한편 강화학습(Reinforcement Learning)은, 실제 온도와 예측 온도의 차이가 작아지도록 하는 정책을 학습하는 방식이다. 즉 강화 학습을 위한 뉴럴 네트워크는 행동(하이퍼파라미터의 설정) 및 예측 온도와 실제 온도의 차이에 따른 보상(또는 벌점)을 통하여 트레이닝 될 수 있다. 이에 따라 강화 학습을 위한 뉴럴 네트워크는, 예측 온도와 실제 온도의 차이를 최소화 할 수 있는 정책을 수립하고, 수립된 정책에 따라 실제 온도의 차이를 최소화 할 수 있는 하이퍼파라미터를 출력할 수 있다.

한편 베이지안 최적화-하이퍼밴드(Bayesian Optimization & HyperBand)는, 베이지안 최적화(Bayesian Optimization)의 확률적 계산 방법과 무작위 탐색(Random Exploration)에 의하여 최적의 하이퍼파라미터를 설정하는 방식이다. 즉 프로세서(260)는 예측 온도와 실제 온도의 차이에 기초한 확률적 계산과 무작위 탐색(Random Exploration)을 적절히 조합하여, 온도 예측 모델의 최종 하이퍼파라미터를 탐색할 수 있다.

한편 프로세서(260)는, 하이퍼파라미터의 설정, 온도 예측 모델의 트레이닝 및 예측 온도와 실제 온도의 차이에 기초한 하이퍼파라미터의 업데이트를 소정의 횟수 이상 반복하여 온도 예측 모델의 최종 하이퍼파라미터를 설정할 수 있다.

여기서 최종 하이퍼파라미터란, 기 설정된 조건 하에서 트레이닝 된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소가 될 수 있는, 예를 들어 기 설정된 조건 하에서 평균 제곱 오차(MSE: Mean Squared Error)가 최소가 될 수 있는 하이퍼파라미터를 의미할 수 있다.

여기서 기 설정된 조건이란 하이퍼파라미터의 탐색 범위를 의미할 수 있다.

구체적으로 하이퍼파라미터의 탐색 범위 내에서, 프로세서(260)는 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소가 될 수 있는 하이퍼파라미터를 최종 하이퍼파라미터로 설정할 수 있다.

예를 들어 사용자에 의해, 하이퍼파라미터의 범위가 레이어의 개수: 3개 내지 5개, 레이어 별 노드의 개수: 50개 내지 500개, 학습 비율: 0.2 내지 0.8이고 0.1 간격(예를 들어 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8), 드롭 비율: 0.2 내지 0.5 간격, 반복 학습 회수 400 내지 600회로 설정될 수 있다.

이 경우 프로세서(260)는 설정된 범위 내에서, 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소가 되도록 하는 하이퍼파라미터를 획득하고, 획득된 하이퍼파라미터를 최종하이퍼파라미터로 설정할 수 있다.

또한 기 설정된 조건은, 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이의 목표 값일 수 있다.

구체적으로 프로세서(260)는, 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 기 설정된 값(목표 값)보다 작아지도록 하는 하이퍼파라미터를 최종 하이퍼파라미터로 설정할 수 있다.

예를 들어 사용자에 의해, 평균 제곱 오차(MSE: Mean Squared Error)의 목표 값이 0.2으로 설정될 수 있다. 이 경우 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 평균 제곱 오차(MSE: Mean Squared Error)가 0.2보다 작아지면, 프로세서(260)는 평균 제곱 오차(MSE: Mean Squared Error)가 0.2보다 작아지게 한 하이퍼파라미터를 평균 제곱 오차(MSE: Mean Squared Error)가 최소가 되게 하는 하이퍼파라미터로 간주할 수 있다. 따라서 프로세서(260)는 평균 제곱 오차(MSE: Mean Squared Error)가 0.2보다 작아지게 한 하이퍼파라미터를 최종 하이퍼파라미터로 설정할 수 있다.

한편, 하이퍼파라미터에는, 레이어의 개수, 레이어 별 노드의 개수, 반복 학습 횟수, 학습 비율 및 드롭 비율 중 적어도 하나가 있다고 설명한 바 있다.

한편 하이퍼파라미터 중 일부 요소는 고정된 값이고, 하이퍼파라미터 중 다른 일부 요소는 온도 예측 모델의 생성장치가 탐색해야 하는 값일 수 있다.

예를 들어 하이퍼파라미터 중 레이어 별 노드의 개수, 학습 비율 및 드롭 비율은 사용자에 의해 고정된 값으로 설정되고, 하이퍼파라미터 중 레이어의 개수 및 반복 학습 개수는 프로세서(260)가 탐색해야 하는 요소일 수 있다.

이 경우 프로세서(260)는 하이퍼파라미터 중 다른 일부 요소를 업데이트 할 수 있다.

구체적으로 프로세서(260)는 하이퍼파라미터를 업데이트 하는 과정에서, 하이퍼파라미터 중 일부 요소에 대해서는 고정된 값을 유지하고, 하이퍼파라미터 중 다른 일부 요소를 업데이트할 수 있다.

그리고 예측 온도와 실제 온도의 차이가 최소화 되는 다른 일부 요소가 업데이트되면, 프로세서(180)는 고정된 값을 가지는 일부 요소 및 업데이트된 다른 일부 요소를 포함하는 최종 하이퍼파라미터를 설정할 수 있다.

도 18은 임의의 초기 하이퍼파라미터를 설정한 온도 예측 모델의 온도 예측 결과를 실험하여 도시한 도면이다.

실선은 임의의 초기 하이퍼파라미터를 설정한 온도 예측 모델이 특정 장소의 실제 제어 정보 및 이전 온도를 이용하여 출력한 예측온도이며, 점선은 특정 장소의 실제 제어 정보에 대응하는 실제 온도이다.

도 18을 참고하면, 임의의 초기 하이퍼파라미터를 설정한 온도 예측 모델의 예측 온도와 실제 온도 간의 차이가 매우 큼을 알 수 있다.

이것은, 하이퍼파라미터가 최적화 되지 않은 상태에서, 온도 예측 모델이 출력한 예측 온도가 다시 온도 예측 모델의 입력 값으로 사용되면서 오차가 매우 커졌음을 의미한다.

도 19는 다양한 하이퍼파라미터를 설정한 온도 예측 모델의 온도 예측 결과를 실험하여 도시한 도면이다.

도 19a는 단일 레이어 및 10회의 반복 학습 횟수, 도 19b는 단일 레이어 및 100회의 반복 학습 횟수, 도 19c는 4개의 레이어 및 300회의 반복 학습 횟수, 도 19d는 4개의 레이어 및 500회의 반복 학습 횟수, 도 19e는 4개의 레이어 및 700회의 반복 학습 횟수, 도 19f는 4개의 레이어 및 900회의 반복 학습 횟수로 실험한 결과이다.

도 19e 및 도 19f의 온도 예측 결과를 참조하면, 하이퍼파라미터를 최적화하는 경우 도 18의 그래프에 비해 예측 온도와 실제 온도의 차이가 확연히 줄어듬을 알 수 있다.

즉 하이퍼파라미터의 최적화를 통해, 온도 예측 모델의 예측의 정확도를 현격하게 향상시킬 수 있다.

또한 도 19a 내지 도 19d를 참조하면, 레이어의 수가 많을 수록, 반복 학습 횟수가 늘어날수록 온도 예측 시뮬레이션의 정확도가 향상되는 것을 알 수 있다.

다만 하이퍼파라미터의 값이 증가한다고 해서 정확도가 무조건 향상되는 것은 아니다. 예를 들어 도 19e와 도 19f를 참조하면, 4개의 레이어 및 900회의 반복 학습 횟수를 포함하는 하이퍼파라미터가 설정된 온도 예측 모델의 예측 온도(도 19f)의 정확도가, 4개의 레이어 및 700회의 반복 학습 횟수를 포함하는 하이퍼파라미터가 설정된 온도 예측 모델의 예측 온도(도 19e)의 정확도보다 낮음을 알 수 있다.

즉 최적의 시뮬레이션 결과를 나타내는 하이퍼파라미터를 탐색하는 것은 매우 어려운 일이며, 인간의 직관에 의존하여 하이퍼파라미터를 탐색하는 경우 최적의 하이퍼파라미터를 도출하기 어려운 문제가 있다.

다만 본 발명에 따르면, 온도 예측 모델의 생성 장치가 온도 예측 모델의 예측 온도 및 실제 온도를 비교하여 하이퍼파라미터를 업데이트 하기 때문에, 최적의 하이퍼파라미터를 도출할 수 있는 장점이 있다.

또한 본 발명은, 인간이 특정 장소의 제어 정보 및 실제 온도 정보만을 제공하면, 온도 예측 모델의 생성 장치에 의해 온도 예측 모델의 하이퍼파라미터 및 모델 파라미터가 최적화된다. 따라서 온도 예측 모델의 정확도를 향상시키면서도 시간 및 노력을 현격히 절약할 수 있는 장점이 있다.

또한 종래에는 변수들과 온도의 관계를 나타내는 수식을 업데이트 하는 방식으로 온도 예측 모델을 생성하였으나, 본 발명은 다양한 변수들(공조기의 성능, 밸브의 성능, 건물 정보(건물의 구조, 재료, 창문의 개수, 벽의 두께 등)에 의존하는 온도의 변화 패턴 자체를 학습하고 재현한다. 따라서 본 발명에 따르면, 다양한 변수들(공조기의 성능, 밸브의 성능, 건물 정보(건물의 구조, 재료, 창문의 개수, 벽의 두께 등)를 모두 반영하여 예측의 정확도를 향상시킬 수 있는 장점이 있다.

또한 본 발명에 따르면, 하이퍼파라미터의 일부 요소는 사용자 설정에 의해 고정한 상태에서, 다른 일부 요소에 대한 최적값을 도출할 수 있다. 따라서 사용자가 원하는 요소만을 특정하여 최적화 할 수 있는 장점이 있다. 예를 들어 사용자는 하이퍼파라미터 중 일부 요소는 직관이나 설계상의 편의에 의존하여 고정된 값으로 설정하고, 하이퍼파라미터 중 다른 일부 요소는 최적화 하는 방식으로 온도 예측 모델 생성 장치를 활용할 수 있다.

도 20은 본 발명의 실시 예에 따른 온도 예측 모델의 사용 예를 설명하기 위한 도면이다.

온도 예측 모델(2010)은 인공지능 장치(100)에 탑재될 수 있다.

구체적으로, 온도 예측 모델(2010)을 구성하는 하나 이상의 명령어는 인공지능 장치(100)의 메모리(140)에 저장될 수 있다.

한편 인공지능 장치(100)의 인공지능부(120)는, 강화 학습에 기반하여, 제어 함수에 따른 출력값(온도)에 기초하여 제어 함수의 파라미터를 업데이트 할 수 있다.

구체적으로 인공지능 장치(100)에 탑재되는 강화 학습 모델에는 제어 함수를 업데이트 하기 위하여 온도가 제공되는 환경이 주어지며, 온도가 베이스라인을 추종하도록 강화 학습 모델이 행동(밸브의 개폐량 조절)할 것을 정의하고, 강화학습모델이 베이스 라인을 추종할수록 보상을 부여하며, 강화학습 모델은 보상이 최대가 될때까지 반복 학습하여 최적의 제어 함수를 도출할 수 있다.

이 경우 온도 예측 모델은, 시뮬레이션 환경을 제공할 수 있다.

구체적으로 온도 예측 모델은 강화 학습 모델에 주어지는 환경(온도)을 강화 학습 모델에 제공할 수 있다.

더욱 구체적으로, 강화 학습 모델이 행동(밸브의 개폐량)을 출력한 경우, 인공지능부(120)는 강화 학습 모델의 행동(밸브의 개폐량)을 온도 예측 모델에 입력할 수 있다.

이 경우 온도 예측 모델은 강화 학습 모델의 행동(밸브의 개폐량) 및 이전 온도에 기초하여 예측 온도를 출력할 수 있다. 이 경우 인공지능부(120)는 온도 예측 모델에서 출력된 예측 온도와 베이스 라인의 갭에 기초하여 강화 학습 모델에 보상 또는 벌점을 부여하며, 강화 학습 모델은 부여된 보상 또는 벌점에 기초하여 업데이트 될 수 있다.

이와 같이 본 발명에 따르면, 인공지능 장치(100)의 학습을 위한 시뮬레이션 환경을 제공함으로써, 강화 학습 모델을 사전에 트레이닝할 수 있으며, 강화 학습에 소요되는 시간을 대폭 감소시킬 수 있는 장점이 있다.

특히 인공지능 장치(100)를 판매하여 특정 장소에 설치하기로 한 경우, 인공지능 장치(100)의 판매자는 특정 장소의 로그 데이터를 입수하여 온도 예측 모델을 만들고, 온도 예측 모델을 이용하여 인공지능 장치(100)를 미리 학습시킨 후 설치할 수 있다. 이에 따라 강화 학습의 속도를 대폭 향상될 수 있는 장점이 있다.

도 21은 본 발명의 또 다른 실시 예에 따른 온도 예측 모델의 사용 예를 설명하기 위한 도면이다.

온도 예측 모델은 온도 예측 장치(2100)에 탑재될 수 있다.

구체적으로 온도 예측 모델을 구성하는 하나 이상의 명령어는 온도 예측 장치(2100)의 메모리(2130)에 저장될 수 있다. 한편 온도 예측 장치(2100)는 앞서 설명한 온도 예측 모델의 생성 장치(200)일 수 있다.

한편 온도 예측 장치(2100)의 프로세서(2120)은 통신부(2110)를 통하여 인공지능 장치(100)와 통신할 수 있다.

한편 강화 학습 모델이 행동(밸브의 개폐량)을 출력한 경우, 인공지능 장치(100)는 강화 학습 모델의 행동(밸브의 개폐량)을 온도 예측 장치(2100)에 전송할 수 있다.

이 경우 온도 예측 장치(2100)의 프로세서(2120)는 밸브의 개폐량을 수신하고, 수신된 밸브의 개폐량을 온도 예측 모델에 입력할 수 있다.

이 경우 온도 예측 모델은 강화 학습 모델의 행동(밸브의 개폐량) 및 이전 온도에 기초하여 예측 온도를 출력할 수 있다. 그리고 온도 예측 장치(2100)의 프로세서(2120)는 예측 온도를 인공지능 장치(100)에 전송할 수 있다.

이 경우 인공지능부(120)는 온도 예측 모델에서 출력된 예측 온도와 베이스 라인의 갭에 기초하여 강화 학습 모델에 보상 또는 벌점을 부여하며, 강화 학습 모델은 부여된 보상 또는 벌점에 기초하여 업데이트 될 수 있다.

다음은 시뮬레이션 환경의 제공 방법에 대하여 설명한다.

본 발명의 실시 예에 따른 시뮬레이션 제공 방법은, 온도 예측 모델의 하이퍼파라미터를 설정하고, 상기 하이퍼파라미터가 설정된 온도 예측 모델이 예측 온도를 출력하도록 트레이닝 하고, 상기 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 하이퍼파라미터를 업데이트 하는 단계, 및, 상기 하이퍼파라미터의 설정, 상기 온도 예측 모델의 트레이닝 및 상기 예측 온도와 상기실제 온도의 차이에 기초한 상기 하이퍼파라미터의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 하이퍼파라미터를 설정하는 단계를 포함한다.

이 경우 상기 온도 예측 모델은, 상기 예측 온도를 출력하기 위하여, 제어 정보 및 상기 제어 정보에 따른 온도를 포함하는 시계열 데이터를 이용하여 트레이닝 되는 순환 신경망일 수 있다.

이 경우 상기 하이퍼파라미터를 업데이트 하는 단계는, 상기 시계열 데이터를 상기 하이퍼파라미터가 설정된 온도 예측 모델에 제공하여 상기 하이퍼파라미터가 설정된 온도 예측 모델이 상기 예측 온도를 출력하도록 트레이닝 하는 단계, 상기 트레이닝 된 온도 예측 모델에 소정의 기간 동안의 실제 제어 정보를 입력하는 단계, 및, 상기 소정의 기간 동안의 상기 실제 제어 정보에 대응하는 실제 온도와, 상기 소정의 기간 동안의 상기 실제 제어 정보에 기반하여 출력된 예측 온도의 차이에 기초하여 상기 하이퍼파라미터를 업데이트 하는 단계를 포함할 수 있다.

한편 상기 온도 예측 모델의 최종 하이퍼파라미터를 설정하는 단계는, 하이퍼파라미터의 탐색 범위 내에서, 상기 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소화 되도록 하는 하이퍼파라미터를 상기 최종 하이퍼파라미터로 설정할 수 있다.

한편 상기 온도 예측 모델의 최종 하이퍼파라미터를 설정하는 단계는, 상기 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 기 설정된 값보다 작아지도록 하는 하이퍼파라미터를 상기 최종 하이퍼파라미터로 설정할 수 있다.

한편 제어 정보를 상기 최종 하이퍼파라미터가 설정된 온도 예측 모델에 입력하여 예측 온도를 획득하는 단계, 및, 인공지능 장치가, 강화 학습을 기반으로, 상기 제어 정보에 대응하는 예측 온도에 기초하여 제어 함수를 업데이트 하는 단계를 더 포함할 수 있다.

도 22는 본 발명의 실시 예에 따른, 시뮬레이션 환경의 제공 방법을 설명하기 위한 도면이다.

앞서 설명한 온도 예측 모델의 생성 장치와 시뮬레이션 환경의 제공 방법에 대한 내용은, 이하의 내용과 배치되지 않는 범위에서 적용될 수 있다.

도 22를 참고하면, 본 발명의 실시 예에 따른 시뮬레이션 환경의 제공 방법은, 온도 예측 모델의 입력 변수를 설정하고, 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 입력 변수를 업데이트 하는 단계(S2210), 및 입력 변수의 설정 및 예측 온도와 실제 온도의 차이에 기초한 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 온도 예측 모델의 최종 입력 변수를 설정하는 단계(S2230)를 포함할 수 있다.

온도 예측 모델에 대해서는 도 23을 참조하여 구체적으로 설명한다.

도 23은 본 발명의 실시 예에 따른 온도 예측 모델을 설명하기 위한 도면이다.

온도 예측 모델은 ‘온도에 영향을 미치는, 온도 제어 시스템의 입력 변수’에 기반하여 예측 온도를 출력할 수 있다.

먼저 온도에 영향을 미치는 온도 제어 시스템의 입력 변수에 대하여 설명한다.

‘온도에 영향을 미치는, 온도 제어 시스템의 입력 변수’는, 건물 내 온도에 영향을 미칠 수 있는 다양한 요소 들을 의미할 수 있다. 구체적으로 온도에 영향을 미치는 온도 제어 시스템의 입력 변수는, 건물 내 온도에 영향을 미칠 수 있는 다양한 요소 들을 온도 예측 모델에서 인식할 수 있도록 수치화 한 값일 수 있다.

한편 온도 제어 시스템을 구성하는 다양한 구성요소 들은 도 23과 같이 계통도로 도시될 수 있다. 여기서 계통도는 온도 제어 시스템을 구성하는 다양한 구성요소 들의 연결 관계를 도시한 도면일 수 있다. 또한 온도 예측 모델은 온도 제어 시스템을 구성하는 다양한 구성요소 들의 연결 관계 및 입력 변수에 기반하여 예측 온도를 출력할 수 있다.

한편 온도 제어 시스템은 온도 제어 시스템이 설치된 건물의 건축 설비 및 기계 설비를 포함할 수 있다.

여기서 건축 설비는, 온도 제어 시스템이 설치된 건축 구조물의 일 구성을 의미할 수 있다. 예를 들어 건축 설비는, 벽, 문, 창문 또는 기타 온도에 영향을 미칠 수 있는 건축 구조물의 일 구성일 수 있다.

또한 기계 설비는 열을 생산하고 생산된 열을 전달하는 장치를 의미할 수 있다. 예를 들어 기계 설비는, 보일러, 에어컨 실외기, 에어컨 실내기, 온수/ 냉각수/온풍/냉풍 등이 흐르는 파이프, 밸브, 물탱크 등일 수 있다.

한편 ‘온도에 영향을 미치는, 온도 제어 시스템의 입력 변수’는, 고정 변수 및 유동 변수를 포함할 수 있다.

여기서 고정 변수는, 온도 제어 시스템의 구성요소의 설계 정보로써 건물의 온도에 영향을 미칠 수 있는 정보일 수 있다. 여기서 설계 정보는 설계 사양을 의미할 수 있다.

또한 고정 변수는, 온도 제어 시스템의 건축 설비의 설계 정보 및 온도 제어 시스템의 기계 설비의 설계 정보를 포함할 수 있다.

또한 설계 정보는, 러프니스(Roughness), 길이, 구조, 폭, 높이, 크기, 형상, 모양, 배치, 두께(thickness), 전도도(conductivity), 밀도(density), 비열(specific heat), 열 흡수율(thermal absorptance), 일사 흡수율(solar absorptance), 흡수율 (visible absorptance), 일사 반사율(solar reflectance), 투과율(visible transmittance) 등을 포함할 수 있다.

예를 들어 건축 설비 중 벽의 설계 정보는, 벽의 크기, 두께(thickness), 전도도(conductivity), 밀도(density), 비열(specific heat), 열 흡수율(thermal absorptance), 일사 흡수율(solar absorptance), 흡수율 (visible absorptance)를 포함할 수 있다.

다른 예를 들어 기계 설비 중 파이프의 설계 정보는, 파이프의 길이, 폭, 두께, 전도도(conductivity)를 포함할 수 있다.

이와 같이 고정 변수는 온도 제어 시스템을 구성하는 구성 요소들의 설계 사양을 의미할 수 있으며, 따라서 고정 변수는 변동하지 않는 값일 수 있다. 따라서 온도 예측 모델의 입력 변수가 최적화 되는 과정에서도, 고정 변수는 고정된 값을 유지하게 된다.

반면에 유동 변수는, 온도에 영향을 미치는 요소로써, 설계 정보에 의해 파악되지 않는 요소를 의미할 수 있다. 또한 유동 변수는 온도에 영향을 미치는 요소로써, 온도 제어 시스템의 실제 동작과 관련된 데이터가 존재하여야 결정되는 요소를 의미할 수 있다.

구체적으로 유동 변수는, 풍량, 유량, 모터 효율, 압력, 성능 계수 (Coefficient of performance, COP), 냉동기/보일러 입출수 온도 또는 전력 중 적어도 하나를 포함할 수 있다.

이와 같이 유동 변수는 설계 정보에 의해 파악되지 않으며(또는 설계정보에 의해 대략적으로만 예측될 뿐이며), 온도 제어 시스템의 실제 동작과 관련된 데이터가 존재하여야 파악되는 값이다. 따라서 유동 변수는 본원 발명에서 최적화의 대상이 되며, 유동 변수는 유동 변수의 설정 및 유동 변수의 업데이트가 소정의 횟수 이상 반복됨에 따라 최적화 되는 값일 수 있다.

도 24는 본 발명의 실시 예에 따른 온도 예측 모델의 예측 온도 출력 방법 및 입력 변수의 최적화 방법을 설명하기 위한 도면이다.

먼저 온도 예측 모델의 예측 온도 출력 방법에 대하여 설명한다.

온도 예측 모델은 입력 변수에 기반하여 예측 온도를 출력할 수 있다.

구체적으로 입력 변수는 온도에 영향을 미칠 수 있는 요소로써, 온도 예측 모델의 내부 파라미터로써 설정될 수 있다.

그리고 온도 및 제어 정보가 입력되면, 입력 변수가 설정된 온도 예측 모델은 온도, 제어 정보 및 설정된 입력 변수에 기반하여 예측 온도를 출력할 수 있다.

여기서 제어 정보는 밸브의 계도율(밸브의 개폐 정도), 열 생성 장치(실외기, 보일러, 난방기 등)의 열 공급의 정도 등을 포함할 수 있다.

한편 열 생성 장치(실외기, 보일러, 난방기 등) 또는 밸브가 일정 량의 열을 공급하면, 공급된 열은 입력 변수의 영향을 받은 후 실내 온도를 변경시키게 되며, 또한 실내 온도는 입력 변수의 영향을 받아 추가적으로 변경된다.

즉 입력 변수가 설정된 온도 예측 모델은, 현재 온도, 제어 정보 및 입력 변수를 이용하여, 다음 온도를 예측할 수 있도록 모델링 된 것일 수 있다.

다음은 입력 변수를 최적화 하는 방법에 대하여 설명한다.

프로세서(260)는 온도 예측 모델의 입력 변수를 설정할 수 있다. 최초의 입력 변수의 설정시에는 임의의 초기 입력 변수가 온도 예측 모델에 설정될 수 있다.

그리고 나서 프로세서(260)는 입력 변수가 설정된 온도 예측 모델에 온도 및 제어 정보를 제공할 수 있다.

이 경우 입력 변수가 설정된 온도 예측 모델은 제어 정보 및 온도에 기초하여 예측 온도를 출력할 수 있다.

그리고 프로세서는 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 입력 변수를 업데이트 할 수 있다.

또한 프로세서는, 온도 및 실제 제어 정보를 상기 온도 예측 모델에 제공하여 입력 변수가 설정된 온도 예측모델이 출력한 예측 온도를 획득하고, 실제 제어 정보에 대응하는 실제 온도와 실제 제어 정보에 기반하여 출력된 예측 온도의 차이에 기초하여 입력 변수를 업데이트 할 수 있다.

구체적으로 프로세서는 소정의 기간 동안의 실제 제어 정보에 대응하는 실제 온도와, 소정의 기간 동안의 실제 제어 정보에 기반하여 출력된 예측 온도의 차이에 기초하여 입력 변수를 업데이트 할 수 있다.

예를 들어 프로세서(260)는 온도 제어 시스템이 설치되었거나 설치될 장소에서의 2018년 1월 1일 08시부터 13시까지의 실제 밸브의 계도율 및 계도율에 대응하는 실제 온도를 온도 예측 모델에 입력할 수 있다. 이 경우 온도 예측 모델은 2018년 1월 1일 08시부터 13시까지의 실제 밸브의 계도율 및 계도율에 대응하는 실제 온도에 기초하여 예측 온도(다음 온도)를 출력할 수 있다. 이 경우 프로세서는 온도 예측 모델이 출력한 예측 모델(다음 온도)와 2018년 1월 1일 08시부터 13시까지의 실제 온도의 차이에 기초하여 온도 예측 모델에 설정된 입력 변수를 다른 입력 변수로 변경할 수 있다.

한편 실제 온도와 예측 온도의 차이에 기초하여 입력 변수를 변경한다는 의미는, 실제 온도와 예측 온도를 비교하여 오차를 획득하고, 실제 온도와 예측 온도의 오차를 줄이는 새로운 입력 변수를 할당한다는 것을 의미할 수 있다.

예를 들어 프로세서(260)는, 특정 입력 변수가 설정되었을 때, 2018년 1월 1일 08시부터 13시까지의 실제 밸브의 계도율에 대응하는 실제 온도와, 2018년 1월 1일 08시부터 13시까지의 실제 밸브의 계도율에 기반하여 온도 예측 모델이 출력한 예측 온도의 오차를 줄이기 위한 새로운 입력 변수를 업데이트 할 수 있다.

그리고 실제 온도와 예측 온도를 비교하여 오차를 획득하기 위하여 손실 함수가 사용될 수 있다. 예를 들어 프로세서(260)는 온도 예측 모델이 출력한 예측 온도와 실제 온도 간의 평균 제곱 오차(MSE: Mean Squared Error)가 작아지도록 입력 변수를 업데이트할 수 있다.

이로써 하나의 싸이클이 완료되고 다음 싸이클이 동일한 방식으로 진행된다.

그리고 입력 변수의 설정 및 예측 온도와 실제 온도의 차이에 기초한 입력 변수의 업데이트를 소정의 횟수 이상 반복하여, 프로세서는 온도 예측 모델의 최종 입력 변수를 설정할 수 있다.

다음은 입력 변수를 업데이트 하는 방법에 대하여 설명한다.

프로세서(260)는 베이지안 최적화(Bayesian Optimization), 강화학습(Reinforcement Learning) 및 베이지안 최적화-하이퍼밴드(Bayesian Optimization & HyperBand) 중 어느 하나의 알고리즘에 기초하여 입력 변수를 업데이트 할 수 있다.

여기서 베이지안 최적화(Bayesian Optimization)는 입력 변수를 바꿀 때마다 가장 좋은 결과를 줄 것 같은 값이 무엇일지를 확률적으로 계산해서 그 다음 값을 선택하는 방식이다. 따라서 프로세서(260)는 실제 온도와 예측 온도의 차이에 기반하여 실제 온도와 예측 온도의 차이가 작아질 것으로 예측되는 입력 변수를 확률적으로 계산하고, 계산된 입력 변수를 온도 예측 모델에 설정할 수 있다. 그리고 입력 변수의 설정 및 입력 변수의 업데이트를 소정의 횟수 이상 반복함으로써, 온도 예측 모델의 최종 입력 변수가 설정될 수 있다.

한편 강화학습(Reinforcement Learning)은, 실제 온도와 예측 온도의 차이가 작아지도록 하는 정책을 학습하는 방식이다. 즉 강화 학습을 위한 뉴럴 네트워크는 행동(입력 변수의 설정) 및 예측 온도와 실제 온도의 차이에 따른 보상(또는 벌점)을 통하여 트레이닝 될 수 있다. 이에 따라 강화 학습을 위한 뉴럴 네트워크는, 예측 온도와 실제 온도의 차이를 최소화 할 수 있는 정책을 수립하고, 수립된 정책에 따라 실제 온도의 차이를 최소화 할 수 있는 입력 변수를 출력할 수 있다.

한편 베이지안 최적화-하이퍼밴드(Bayesian Optimization & HyperBand)는, 베이지안 최적화(Bayesian Optimization)의 확률적 계산 방법과 무작위 탐색(Random Exploration)에 의하여 최적의 입력 변수를 설정하는 방식이다. 즉 프로세서(260)는 예측 온도와 실제 온도의 차이에 기초한 확률적 계산과 무작위 탐색(Random Exploration)을 적절히 조합하여, 온도 예측 모델의 최종 입력 변수를 탐색할 수 있다.

한편 프로세서(260)는, 입력 변수의 설정 및 예측 온도와 실제 온도의 차이에 기초한 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 온도 예측 모델의 최종 입력 변수를 설정할 수 있다.

여기서 최종 입력 변수란, 트레이닝 된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소가 될 수 있는, 예를 들어 평균 제곱 오차(MSE: Mean Squared Error)가 최소가 될 수 있는 입력 변수를 의미할 수 있다.

한편 최종 입력 변수는, 기 설정된 조건 하에서 예측 온도와 실제 온도의 차이가 최소가 될 수 있는, 예를 들어 기 설정된 조건 하에서 평균 제곱 오차(MSE: Mean Squared Error)가 최소가 될 수 있는 입력 변수를 의미할 수 있다.

여기서 기 설정된 조건은, 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이의 목표 값일 수 있다.

구체적으로 프로세서(260)는, 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 기 설정된 값(목표 값)보다 작아지도록 하는 입력 변수를 최종 입력 변수로 설정할 수 있다.

예를 들어 사용자에 의해, 평균 제곱 오차(MSE: Mean Squared Error)의 목표 값이 0.2으로 설정될 수 있다. 이 경우 트레이닝된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 평균 제곱 오차(MSE: Mean Squared Error)가 0.2보다 작아지면, 프로세서(260)는 평균 제곱 오차(MSE: Mean Squared Error)가 0.2보다 작아지게 한 입력 변수를 평균 제곱 오차(MSE: Mean Squared Error)가 최소가 되게 하는 입력 변수로 간주할 수 있다. 따라서 프로세서(260)는 평균 제곱 오차(MSE: Mean Squared Error)가 0.2보다 작아지게 한 입력 변수를 최종 입력 변수로 설정할 수 있다.

한편 입력 변수는 유동 변수 및 고정 변수를 포함한다고 설명한 바 있다.

그리고 고정 변수는 고정된 값이고, 유동 변수는 온도 예측 모델의 생성 장치가 탐색해야 하는 값일 수 있다.

구체적으로 프로세서는, 입력 변수의 설정 및 예측 온도와 실제 온도의 차이에 기초한 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 온도 예측 모델의 최종 입력 변수를 설정할 수 있다.

이 과정에서 프로세서는 고정 변수를 고정된 값으로 유지할 수 있다. 또한 프로세서는 온도 예측 모델의 유동 변수의 설정 및 유동 변수의 업데이트를 소정의 횟수 이상 반복하여 온도 예측 모델의 최종 입력 변수를 설정할 수 있다.

예를 들어 최적화 과정에서 창문의 두께나 재질은 고정된 값으로 유지될 수 있다. 반면에 파이프 내 유량은 유동 변수의 설정 및 업데이트가 반복됨으로써 최적화, 즉 파이프 내 실제 유량을 가장 정확하게 표현할 수 있는 수치로 설정될 수 있다.

도 25는 임의의 초기 입력 변수가 설정된 온도 예측 모델의 온도 예측 결과 및 최종 입력 변수가 설정된 온도 예측 모델의 온도 예측 결과를 도시한 도면이다.

도 25a 그래프의 실선은 임의의 초기 입력 변수를 설정한 온도 예측 모델이 특정 장소의 실제 제어 정보 및 온도를 이용하여 출력한 예측온도이며, 점선은 특정 장소의 실제 제어 정보에 대응하는 실제 온도이다.

도 25a을 참고하면, 임의의 초기 입력 변수를 설정한 온도 예측 모델의 예측 온도와 실제 온도 간의 차이가 매우 큼을 알 수 있다.

이것은, 최적화 되지 않은 입력 변수를 이용하여 출력된 예측 온도(즉 정확하지 않은 성능 계수 (Coefficient of performance, COP), 풍량, 유량, COP, 모터 효율, 압력, 냉동기/보일러 입출수 온도, 전력 등을 이용하여 출력된 예측 온도)는 정확한 온도를 예측할 수 없음을 의미한다.

한편 도 25b를 참조하면, 입력 변수를 최적화 하는 경우 도 25a의 그래프에 비해 예측 온도와 실제 온도의 차이가 확연히 줄어듬을 알 수 있다.

즉 입력 변수의 최적화를 통해, 온도 예측 모델의 예측의 정확도를 현격하게 향상시킬 수 있다.

즉 최적의 시뮬레이션 결과를 나타내는 입력 변수를 탐색하는 것은 매우 어려운 일이며, 인간의 직관에 의존하여 입력 변수를 탐색하는 경우 최적의 입력 변수를 도출하기 어려운 문제가 있다.

다만 본 발명에 따르면, 온도 예측 모델의 생성 장치가 온도 예측 모델의 예측 온도 및 실제 온도를 비교하여 입력 변수를 업데이트 하기 때문에, 최적의 입력 변수를 도출할 수 있는 장점이 있다.

또한 본 발명은, 인간이 특정 장소의 제어 정보 및 실제 온도 정보만을 제공하면, 온도 예측 모델의 생성 장치에 의해 온도 예측 모델의 입력 변수가 최적화된다. 따라서 온도 예측 모델의 정확도를 향상시키면서도 시간 및 노력을 현격히 절약할 수 있는 장점이 있다.

또한 본 발명은 온도에 영향을 미칠 수 있는 다양한 변수들을 모두 반영하여 예측의 정확도를 향상시킬 수 있는 장점이 있다.

다음은 시뮬레이션 환경의 제공 방법을 설명한다.

본 발명의 실시 예에 따른 시뮬레이션 환경의 제공 방법은, 온도 예측 모델에, 온도에 영향을 미치는 온도 제어 시스템의 입력 변수를 설정하는 단계, 상기 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하는 단계, 및, 상기 입력 변수의 설정 및 상기 예측 온도와 상기 실제 온도의 차이에 기초한 상기 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계를 포함한다.

이 경우 상기 입력 변수를 업데이트 하는 단계는, 온도 및 실제 제어 정보를 상기 온도 예측 모델에 제공하여 상기 입력 변수가 설정된 온도 예측모델이 출력한 상기 예측 온도를 획득하는 단계, 및, 상기 실제 제어 정보에 대응하는 실제 온도와 상기 실제 제어 정보에 기반하여 출력된 상기 예측 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하는 단계를 포함할 수 있다.

한편 상기 입력 변수는, 고정 변수 및 유동 변수를 포함할 수 있다.

이 경우 상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계는, 상기 유동 변수의 설정 및 상기 유동 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계를 포함할 수 있다.

이 경우 상기 고정 변수는, 고정된 값이고, 상기 유동 변수는, 상기 유동 변수의 설정 및 상기 유동 변수의 업데이트가 소정의 횟수 이상 반복됨에 따라 최적화 되는 값일 수 있다.

한편 상기 고정 변수는, 상기 온도 제어 시스템의 구성요소의 러프니스(Roughness), 길이, 폭, 구조, 크기, 형상, 모양, 배치, 두께(thickness), 전도도(conductivity), 밀도(density), 비열(specific heat), 열 흡수율(thermal absorptance), 일사 흡수율(solar absorptance), 흡수율 (visible absorptance), 일사 반사율(solar reflectance) 또는 투과율(visible transmittance) 중 적어도 하나를 포함하고, 상기 유동 변수는, 풍량, 유량, 모터 효율, 압력, 성능 계수 (Coefficient of performance, COP), 냉동기/보일러 입출수 온도 또는 전력 중 적어도 하나를 포함할 수 있다.

한편 상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계는, 상기 입력변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소화 되도록 하는 입력변수를 상기 최종 입력변수로 설정하는 단계를 포함할 수 있다.

한편 상기 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하는 단계는, 베이지안 최적화(Bayesian Optimization), 강화학습(Reinforcement Learning) 및 베이지안 최적화-하이퍼밴드(Bayesian Optimization & HyperBand) 중 어느 하나의 알고리즘에 기초하여 상기 입력 변수를 업데이트 하는 단계를 포함할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

200: 온도 예측 모델의 생성 장치

Claims (16)

1. 온도에 영향을 미치는, 온도 제어 시스템의 입력 변수에 기반하여 예측 온도를 출력하는 온도 예측 모델; 및
   상기 온도 예측 모델에 상기 입력 변수를 설정하고, 상기 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하고,
   상기 입력 변수의 설정 및 상기 예측 온도와 상기 실제 온도의 차이에 기초한 상기 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는 프로세서;를 포함하는
   온도 예측 모델의 생성 장치.
2. 제 1항에 있어서,
   상기 프로세서는,
   온도 및 실제 제어 정보를 상기 온도 예측 모델에 제공하여 상기 입력 변수가 설정된 온도 예측모델이 출력한 상기 예측 온도를 획득하고, 상기 실제 제어 정보에 대응하는 실제 온도와 상기 실제 제어 정보에 기반하여 출력된 상기 예측 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하는
   온도 예측 모델의 생성 장치.
3. 제 1항에 있어서,
   상기 입력 변수는,
   고정 변수 및 유동 변수를 포함하는
   온도 예측 모델의 생성 장치.
4. 제 3항에 있어서,
   상기 프로세서는,
   상기 유동 변수의 설정 및 상기 유동 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는
   온도 예측 모델의 생성 장치.
5. 제 4항에 있어서,
   상기 고정 변수는, 고정된 값이고,
   상기 유동 변수는, 상기 유동 변수의 설정 및 상기 유동 변수의 업데이트가 소정의 횟수 이상 반복됨에 따라 최적화 되는 값인
   온도 예측 모델의 생성 장치.
6. 제 3항에 있어서,
   상기 고정 변수는,
   상기 온도 제어 시스템의 구성요소의 러프니스(Roughness), 길이, 폭, 구조, 크기, 형상, 모양, 배치, 두께(thickness), 전도도(conductivity), 밀도(density), 비열(specific heat), 열 흡수율(thermal absorptance), 일사 흡수율(solar absorptance), 흡수율 (visible absorptance), 일사 반사율(solar reflectance) 또는 투과율(visible transmittance) 중 적어도 하나를 포함하고,
   상기 유동 변수는, 풍량, 유량, 모터 효율, 압력, 성능 계수 (Coefficient of performance, COP), 냉동기/보일러 입출수 온도 또는 전력 중 적어도 하나를 포함하는
   온도 예측 모델의 생성 장치.
7. 제 1항에 있어서,
   상기 프로세서는,
   상기 입력변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소화 되도록 하는 입력변수를 상기 최종 입력변수로 설정하는
   온도 예측 모델의 생성 장치.
8. 제 1항에 있어서,
   상기 프로세서는,
   베이지안 최적화(Bayesian Optimization), 강화학습(Reinforcement Learning) 및 베이지안 최적화-하이퍼밴드(Bayesian Optimization & HyperBand) 중 어느 하나의 알고리즘에 기초하여 상기 입력 변수를 업데이트 하는
   온도 예측 모델의 생성 장치.
9. 온도 예측 모델에, 온도에 영향을 미치는 온도 제어 시스템의 입력 변수를 설정하는 단계;
   상기 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하는 단계; 및
   상기 입력 변수의 설정 및 상기 예측 온도와 상기 실제 온도의 차이에 기초한 상기 입력 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계;를 포함하는
   시뮬레이션 환경의 제공 방법.
10. 제 9항에 있어서,
    상기 입력 변수를 업데이트 하는 단계는,
    온도 및 실제 제어 정보를 상기 온도 예측 모델에 제공하여 상기 입력 변수가 설정된 온도 예측모델이 출력한 상기 예측 온도를 획득하는 단계; 및
    상기 실제 제어 정보에 대응하는 실제 온도와 상기 실제 제어 정보에 기반하여 출력된 상기 예측 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하는 단계를 포함하는
    시뮬레이션 환경의 제공 방법.
11. 제 9항에 있어서,
    상기 입력 변수는,
    고정 변수 및 유동 변수를 포함하는
    시뮬레이션 환경의 제공 방법.
12. 제 11항에 있어서,
    상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계는,
    상기 유동 변수의 설정 및 상기 유동 변수의 업데이트를 소정의 횟수 이상 반복하여 상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계를 포함하는
    시뮬레이션 환경의 제공 방법.
13. 제 12항에 있어서,
    상기 고정 변수는, 고정된 값이고,
    상기 유동 변수는, 상기 유동 변수의 설정 및 상기 유동 변수의 업데이트가 소정의 횟수 이상 반복됨에 따라 최적화 되는 값인
    시뮬레이션 환경의 제공 방법.
14. 제 11항에 있어서,
    상기 고정 변수는,
    상기 온도 제어 시스템의 구성요소의 러프니스(Roughness), 길이, 폭, 구조, 크기, 형상, 모양, 배치, 두께(thickness), 전도도(conductivity), 밀도(density), 비열(specific heat), 열 흡수율(thermal absorptance), 일사 흡수율(solar absorptance), 흡수율 (visible absorptance), 일사 반사율(solar reflectance) 또는 투과율(visible transmittance) 중 적어도 하나를 포함하고,
    상기 유동 변수는, 풍량, 유량, 모터 효율, 압력, 성능 계수 (Coefficient of performance, COP), 냉동기/보일러 입출수 온도 또는 전력 중 적어도 하나를 포함하는
    시뮬레이션 환경의 제공 방법.
15. 제 9항에 있어서,
    상기 온도 예측 모델의 최종 입력 변수를 설정하는 단계는,
    상기 입력변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이가 최소화 되도록 하는 입력변수를 상기 최종 입력변수로 설정하는 단계를 포함하는
    시뮬레이션 환경의 제공 방법.
16. 제 9항에 있어서,
    상기 입력 변수가 설정된 온도 예측 모델이 출력한 예측 온도와 실제 온도의 차이에 기초하여 상기 입력 변수를 업데이트 하는 단계는,
    베이지안 최적화(Bayesian Optimization), 강화학습(Reinforcement Learning) 및 베이지안 최적화-하이퍼밴드(Bayesian Optimization & HyperBand) 중 어느 하나의 알고리즘에 기초하여 상기 입력 변수를 업데이트 하는 단계를 포함하는
    시뮬레이션 환경의 제공 방법.
    

Images