KR20210133066A

KR20210133066A - 건물 내 에너지 최적 제어 장치 및 방법

Info

Publication number: KR20210133066A
Application number: KR1020200051773A
Authority: KR
Inventors: 최준균; 김장겸
Original assignee: 한국전력공사; 한국과학기술원
Priority date: 2020-04-28
Filing date: 2020-04-28
Publication date: 2021-11-05

Abstract

본 발명은 건물 내 에너지 최적 제어 장치 및 방법에 관한 것으로, 에너지 변환 장치로부터 수집된 에너지 데이터 중 손상된 데이터를 감지하고, 손상된 데이터에 복원 작업하여 전처리 데이터를 생성하는 데이터 전처리부, 전처리 데이터를 이용하여 발전량 및 소비전력량을 예측하고 예측데이터를 생성하는 예측부, 예측데이터와 실측 데이터를 비교한 오차값을 분석하여 예비력을 생성하는 오차값 분석부, 예비력을 이용하여 에너지저장장치 및 기기들을 제어하는 제어 스케줄링부를 포함할 수 있어, 건물 내 에너지를 최적화하도록 제어 할 수 있다.

Description

건물 내 에너지 최적 제어 장치 및 방법 {Building Energy management apparatus and Method}

다양한 실시예는 건물 내 에너지 최적 제어 장치 및 방법에 관한 것이다.

건물 내 에너지 관리 시스템(BEMS, Building Energy Management System)란, 실내환경 및 에너지 사용 현황을 계량/계측하고, 수집된 데이터로 설비운영 분석과 에너지 소비분석을 통해 비효율적 운영설비를 파악하고, 최적의 설비제어를 통해 쾌적한 환경을 제공하며, 에너지 절감을 극대화하는 시스템으로, 에너지 데이터를 관리하고 그 데이터나 BEMS에 탑재된 어플리케이션, 그 외 에너지 절약 제어와의 인터페이스에 의해 건물을 종합적으로 관리하는 시스템이다.

건물 내 에너지 관리 시스템의 경우, 전체 전력 에너지를 통합 관리함에 따라 신재생에너지 발전 설비를 비롯한 개별 또는 통합 소비 전력, 전기자동차 등에 대한 일괄적인 제어시스템의 구축이 필요하다.

특히 신재생 에너지의 경우, 환경적인 측면에 민감하게 반응함에 따라 발전량을 정확하게 예측하는 것이 어려워, 실시간으로 전력제어를 하는 것이 어렵다.

또한 소비전력의 경우, 크게 제어가능 전력(Shiftable load)와 비제어가능전력(Non-shiftable load)로 구분하여, 각각의 데이터에 대한 분석을 진행할 필요가 있다.

종래 기술의 경우, 비제어가능전력의 경우 완벽하게 예측하는 것이 가능하다고 가정 후 건물 내 에너지 관리 시스템을 구축하는 방안을 제안하였으나 이 또한 소비자의 주관적 의사에 영향 받음에 따라 완벽한 예측결과를 도출하는 것은 불가능하다.

또한, 종래 관련 기술의 개발이 진행되었더라도, 예측오차 발생에 따른 문제가 여전히 존재했다.

또한, 건물 내 에너지 관리 시스템의 실제적인 구축을 위해서는 정상적인 예측 데이터 셋의 수집이 필수 불가결하나, 현재 구축한 IoT 센서 환경의 경우, 상이한 센서 데이터로부터 수집한 데이터의 통합 관리를 진행함에 따라, 수집 데이터의 손상을 피할 수 없다.

예측데이터의 발생 오차를 고려한 건물 내 에너지 관리 방법에 관한 기술을 제시한다.

건물 내에서 수집된 이종 데이터의 손상 여부를 판단하는 기술을 제시한다.

누적 데이터 셋을 활용한 손상된 이종 데이터의 복원 기술을 제시한다.

소비 전력 및 신재생에너지 발전량에 대한 예측 기술 및 시간대별 예측 오차 분석 기술을 제시한다.

소비 전력 및 신재생에너지 발전 오차 분석을 통한 예비력 설정 및 이를 적용한 에너지저장장치 운영 기술을 제시한다.

소비자의 특성을 고려한 각각의 가용전력에 대한 운영 방안에 관한 기술을 제시한다.

소비자의 IoT 가전기기별 제어 가능 여부를 판단하여 시뮬레이터와 현실 상황 사이의 차이를 제어하는 방법에 관한 기술을 제시한다.

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

본 발명의 다양한 실시예들에 따르면, 건물 내 에너지 제어 장치에 있어서, 에너지 변환 장치로부터 수집된 에너지 데이터 중 손상된 데이터를 감지하고, 상기 손상된 데이터에 복원 작업을 수행하여 전처리 데이터를 생성하는 데이터 전처리부, 상기 전처리 데이터를 이용하여 발전량 및 소비전력량을 예측하고 예측데이터를 생성하는 예측부, 상기 예측데이터와 실측 데이터를 비교한 오차값을 분석하여 예비력를 생성하는 오차값 분석부, 상기 예비력를 이용하여 에너지저장장치 및 기기들을 제어하는 제어 스케줄링부로 구성되는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 상기 데이터 전처리부는 K-mean clustering 알고리즘 기술을 사용하여 손상된 데이터에 대한 복원 작업을 수행하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 상기 데이터 전처리부는 실외환경데이터를 이용하여 상기 손상된 에너지 데이터를 복원하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 상기 데이터 전처리부는 상기 오차값 분석부에서 분석한 오차값 데이터를 이용하여 데이터 전처리부 알고리즘을 업데이트하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 상기 예측부는 예측 데이터를 생성하는 알고리즘으로 시간적 특징을 추출할 수 있는 인공지능 기반 기술을 사용하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 상기 오차값 분석부는 몬테 카를로 시뮬레이션 기술을 이용하여 상기 예비력을 생성하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 시간대별로 발생하는 오차가 전체 시스템의 안정성에 미치는 영향을 분석하여 시간대별 가중치를 생성하는 시간대별 가중치 계산부를 더 포함하고, 상기 제어 스케줄링부는 상기 시간대별 가중치를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 상기 시간대별 가중치 계산부는 시계열 전력 요금과 피크부하를 고려하여 생성되는 상기 시간대별 가중치를 생성하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 각 사용자별 선호도를 사전에 학습하여 기기별 제어 여부에 따른 사용자 선호도를 생성하는 사용자 선호도 계산부를 더 포함하고, 상기 제어 스케줄링부는 상기 사용자 선호도를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 상기 사용자 선호도 계산부는 개별 기기의 일정 시간동안 평균 전력사용량, 건물 전체에서 일정 시간동안 소비하는 평균 전력사용량 및 IoT 가전기기 제어 시 소비자가 느끼게 되는 불만족도를 요금으로 표현한 보조 변수를 이용하여 상기 사용자 선호도를 생성하는 건물 내 에너지 제어 장치를 제공할 수 있다.

또한, 에너지 변환 장치로부터 수집된 에너지 데이터 중 손상된 데이터를 감지하고, 상기 손상된 데이터에 복원 작업을 수행하여 전처리 데이터를 생성하는 데이터 전처리 단계, 상기 전처리 데이터를 이용하여 발전량 및 소비전력량을 예측하고 예측데이터를 생성하는 예측 단계, 상기 예측데이터와 실측 데이터를 비교한 오차값을 분석하여 예비력를 생성하는 오차값 분석 단계 및 상기 예비력를 이용하여 에너지저장장치 및 기기들을 제어하는 제어 스케줄링 단계로 구성되는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 상기 데이터 전처리 단계는 K-mean clustering 알고리즘 기술을 사용하여 복원 작업을 수행하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 상기 데이터 전처리 단계는 실외환경데이터를 이용하여 상기 손상된 에너지 데이터를 복원하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 상기 데이터 전처리 단계는 상기 오차값 분석에 의한 데이터를 이용하여 알고리즘을 업데이트하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 상기 예측 단계는 예측데이터를 생성하는 알고리즘으로 시간적 특징을 추출할 수 있는 인공지능 기반 기술을 사용하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 상기 오차값 분석 단계는 몬테 카를로 시뮬레이션 기술을 이용하여 상기 예비력을 생성하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 시간대별로 발생하는 오차가 전체 시스템의 안정성에 미치는 영향을 분석하여 시간대별 가중치를 생성하는 시간대별 가중치 계산 단계를 더 포함하고, 상기 제어 스케줄링 단계는 상기 시간대별 가중치를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 상기 시간대별 가중치 계산 단계는 시계열 전력 요금과 피크부하를 고려하여 상기 시간대별 가중치를 생성하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 각 사용자별 선호도를 사전에 학습하여 기기별 제어 여부에 따른 사용자 선호도를 생성하는 사용자 선호도 계산 단계를 더 포함하고, 상기 제어 스케줄링 단계에서 상기 사용자 선호도를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는 건물 내 에너지 제어 방법을 제공할 수 있다.

또한, 상기 사용자 선호도 계산 단계는 개별 기기의 일정 시간동안 평균 전력사용량, 건물 전체에서 일정 시간동안 소비하는 평균 전력사용량 및 IoT 가전기기 제어 시 소비자가 느끼게 되는 불만족도를 요금으로 표현한 보조 변수를 이용하여 상기 사용자 선호도를 생성하는 건물 내 에너지 제어 방법을 제공할 수 있다.

예측데이터의 발생 오차를 고려한 건물 내 에너지 운영 방법을 제시함으로써, 기존의 예측 오차의 불확실성을 미고려한 제어 방식보다 실제 상황에 적합한 운영 결과를 도출하는 것이 가능하다.

또한, 기존에 수집한 데이터의 손상 및 누락에 따른 문제를 사전에 방지함과 동시에, 예측 오차에 대한 사전 고려를 바탕으로, 사용자의 의도에 맞는 맞춤형 건물 내 에너지 운영 시스템의 구축이 가능하다.

또한, 가전기기의 시간대별 평균 전력 사용량을 바탕으로, 각 시간대에서의 제어 여부에 따른 사용자의 선호도를 특정, 사용자의 불편함을 최소화 하는 전제 조건하에서의 전력 제어가 가능하다.

또한, 소비자의 IoT 가전기기별 제어 가능 여부를 판단함으로써, 시뮬레이터와 현실 상황 사이의 차이를 제어하는 것이 가능하다.

또한, IoT 가전기기의 직접적인 전력 제어를 통한 에너지 절감 유도 가능하다.

또한, 기존의 기 구축된 건물 내 에너지 운영 시스템에 즉각적으로 적용하고, 누적 데이터만을 바탕으로, 해당 시스템의 적합성 여부를 판단하는 것이 가능하다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시예에 따른, LSTM의 구조를 도시한 도면이다.
도 2는 일 실시예에 따른, 건물 내 에너지 제어 장치를 포함한 시스템의 작동 개요를 도시한 도면이다.
도 3은 일 실시예에 따른, 건물 내 에너지 제어 장치의 구성을 도시한 도면이다.
도 4는 일 실시예에 따른, 건물 내 에너지 제어 방법의 흐름도이다.
도 5는 일 실시예에 따른, 전처리 단계의 흐름도이다.
도 6은 일 실시예에 따른, 제어 스케줄링부, 에너지저장장치, 기기 및 그와 상호 작용하는 장치를 나타낸 블록도이다.
도 7은 일 실시예에 따른, 건물 내 에너지 최적 제어 장치의 하드웨어 구성을 도시한 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.

이하 다양한 실시예들이 첨부된 도면을 참고하여 상세히 설명된다.

도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략할 수 있다.

이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 또는 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, '모듈' 또는 '부'는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미하나, 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함할 수 있다. 하나의 구성요소, '부' 또는 '모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.

본 발명의 몇몇 실시예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM, 또는 당업계에 알려진 임의의 다른 형태의 기록 매체에 상주할 수도 있다. 예시적인 기록 매체는 프로세서에 커플링되며, 그 프로세서는 기록 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 기록 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 기록 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC은 사용자 단말기 내에 상주할 수도 있다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지는 않는다. 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.

우선 본 명세서에서 사용되는 용어들에 대하여 간략히 설명한다.

인공지능은 인간의 지능을 갖춘 컴퓨터 시스템 또는 장치이며, 인간의 지능을 기계 등에 인공적으로 구현한 것을 의마할 수 있다. 인공 지능은 또한 지능을 만들 수 있는 방법론이나 실현 가능성 등을 연구하는 과학 분야를 지칭하기도 한다.

인공신경망은 인공지능을 구현하는 모델 또는 알고리즘으로써, 기계학습에서 생물학의 신경망을 모사하여 모델링한 통계학적 학습 알고리즘으로, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 또는 학습 알고리즘이라 할 수 있다.

인공신경망(artificial neural network)은 입력 층, 출력 층 그리고 하나 이상의 은닉 층을 포함할 수 있다. 인공신경망의 각 층은 신경망의 뉴런에 대응하는 복수의 노드를 포함하고, 인공신경망의 한 층의 노드와 다른 층의 노드 간은 시냅스로 연결될 수 있다. 일 실시예로 각 층의 모든 노드와 다음 층의 모든 노드가 시냅스로 연결된 인공신경망을 완전 연결된 인공신경망이라 칭할 수 있다.

인공신경망에서 각 노드는 시냅스를 통해 입력되는 입력 신호들을 받고 각 입력 신호들에 대한 가중치 및 편항에 대한 활성 함수에 기초하여 출력 값을 생성할 수 있다.

심층신경망(deep neural network)은 입력층과 출력층 사이에 복수의 은닉층을 포함하는 인공신경망을 통칭할 수 있다. 심층신경망은 복잡한 비선형 관계들을 모델링할 수 있으며, 그 목적에 따라 다양한 구조를 가질 수 있다. 예를 들면, 심층 신경망 구조로, 합성곱신경망(convolutional neural network), 순환신경망(recurrent neural network, RNN), LSTM(long short term memory)등이 있을 수 있다.

합성곱 신경망은 이미지, 동영상, 문자열과 같은 구조적 공간 데이터의 특징을 식별하여 학습함으로서 이미지, 동영상을을 분류하고 식별하는데 효과적일 수 있다. 순환신경망은 내부에 순환 구조가 들어 있어 과거 시간의 학습이 가중치와 곱해져 현재 학습에 반영될 수 있은 구조이며, 현재의 출력 결과는 과거 시간에서의 출력 결과에 영향을 받으며, 은닉 층은 일종의 메모리 기능을 수행한다. 따라서, 순차적인 데이터를 학습하여 분류 또는 예측을 수행하는 데 효과적일 수 있다.

LSTM은 순환신경망의 일종으로써 순환신경망의 오래된 과거 데이터가 영향을 미치지 못하고 사라지는 문제점을 해소하는 신경망이며, 순환신경망과 마찬가지로, 순차적인 데이터를 학습하여 분류 또는 예측을 수행하는 데 효과적일 수 있다.

도 1은, 일 실시예에 따른 LSTM의 구조를 도시한 도면이다.

도 1을 참조하면, LSTM은 복수 개의 동일한 구조의 셀(cell)로 구성될 수 있다. LSTM의 각 셀은 지금 시간의 셀 상태(예: C_t) 및 출력(예: h_t)을 이전 시간의 셀 상태(예: C_t-1) 및 출력(예: h_t-1)과 지금 시간의 입력(예: x_t)에 기초하여 결정할 수 있다. 이에 따라, LSTM의 각 셀은 4개의 신경망 층(neural network layer)을 포함할 수 있다.

첫 번째 신경망 층은 망각 게이트 층(forget gate layer)라고도 불리며 과거 및 현재의 정보를 반영할지를 결정하는 게이트이다. 일 실시예에 따라 게이트는 시그모이드 함수(sigmoid function)를 이용하여 결정을 수행할 수 있다. 시그모이드 함수는 S자형 곡선을 갖는 수학 함수로 일 실시예로 수학식 1의 함수로 정의될 수 있다.

수학식 1을 참조하면, 시그모이드 함수는 입력에 따라 0과 1 사이의 값을 출력할 수 있다.

다음 수학식 2는 망각 게이트 층의 출력을 획득하기 위한 함수를 정의한다.

수학식 2를 참조하면, 망각 게이트 층의 출력(f_t)은 이전 셀 출력(예: h_t-1)과 현재 입력(예: x_t)에 기초하여 이전 셀 상태(예: C_t-1)를 망각할 것인지 아니면 보존할 것일지를 결정할 수 있다. 여기서, 망각 게이트 층의 가중치(W_f)는 학습에 의하여 변경될 수 있는 값이며, 망각 게이트 층의 바이어스(b_f)는 미리 설정되는 값이다. 그리고

는 시그모이드 함수를 나타낸다.

두 번째 신경망 층은 입력 게이트 층(input gate layer)라고도 불리며 새로운 정보 중 어떤 것을 셀 상태(예: C_t)에 저장할 것인지를 결정하며, 다음 수학식 3에 의해 정의될 수 있다.

수학식 3을 참조하면, 입력 게이트 층의 출력(i_t)은 이전 셀 출력(예: h_t-1)과 현재 입력(예: x_t)에 기초하여 정보 중 어떤 것을 셀 상태에 저장할 것인지를 결정할 수 있다. 여기서, 입력 게이트 층의 가중치(W_i)는 학습에 의하여 변경될 수 있는 값이며, 입력 게이트 층의 바이어스(b_i)는 미리 설정되는 값이다. 그리고

는 시그모이드 함수를 나타낸다.

세 번째 신경망 층은 셀 상태에 저장하기 위한 새로운 후보 값(

)을 결정한다. 새로운 후보 값(

)은 다음 수학식 4에 따라 결정될 수 있다.

수학식 4를 참조하면, 새로운 후보 값(

)은 이전 셀 출력(예: h_t-1)과 현재 입력(예: x_t)에 기초하는 쌍곡탄젠트(hyperbolic tangent; tanh) 함수의 출력 값일 수 있다. 쌍곡탄젠트 함수는 -1에서 1사이의 값을 가질 수 있다. 여기서, 가중치(W_C)는 학습에 의하여 변경될 수 있는 값이며, 바이어스(b_C)는 미리 설정되는 값이다. 그리고 tanh는 쌍곡탄젠트 함수를 나타낸다.

상술한 세 개의 신경망 층의 결과에 기초하여 새로운 셀 상태(예: C_t)가 결정될 수 있다. 수학식 5는 새로운 셀 상태(예: C_t)를 결정하는 함수를 정의한다.

수학식 5를 참조하면, 과거의 셀 상태(C_t-1)를 망각할 것인지 아니면 보존할 것인지를 나타내는 망각 게이트 층의 출력(f_t)을 곱하여 과거 셀 상태(C_t-1)의 보존 여부를 결정하고, 갱신하고자 하는 후보 값(

)과 갱신 정도를 나타내는 입력 게이트 층의 출력(i_t)을 곱하여 최종 갱신할 값을 결정함으로서 새로운 셀 상태(C_t)를 결정할 수 있다.

마지막 네 번째 신경망 층은 출력 게이트 층(output gate layer)라고도 불리며 무엇을 출력으로 내 보낼 것인지를 결정하며, 다음 수학식 6에 의해 정의될 수 있다.

수학식 6을 참조하면, 출력 게이트 층의 출력(o_t)은 이전 셀 출력(예: h_t-1)과 현재 입력(예: x_t)에 기초하여 갱신된 셀 상태(C_t) 중에서 어떤 것을 출력할 것인지를 결정할 수 있다. 여기서, 출력 게이트 층의 가중치(W_o)는 학습에 의하여 변경될 수 있는 값이며, 출력 게이트 층의 바이어스(b_o)는 미리 설정되는 값이다. 그리고

는 시그모이드 함수를 나타낸다.

최종적으로 LSTM 의 셀 출력(h_t)은 다음 수학식 7에 따라 결정될 수 있다.

여기서, tanh는 쌍곡 탄젠트 함수를 나타낸다.

상술한 수학식 2 내지 7에 따라 셀 상태 및 출력을 결정하는 LSTM은 반복 학습을 통하여 가중치(W_f, W_i, W_C, W_o)를 변경하여 최적의 결과가 출력될 수 있도록 할 수 있다.

LSTM의 출력에서 최적의 결과가 출력되도록 가중치를 변경하는 것을 학습, 특히 기계 학습이라 칭할 수 있다. 기계 학습은 실측 값을 이용하여 입력 데이터를 생성하고, 입력 데이터의 입력 후 LSTM의 출력이 실측에 따른 결과 값이 나올 수 있도록 LSTM을 학습시키는 것일 수 있다. 이때, 기계 학습은 일 실시예에 따라, 경사 하강법(gradient descent) 및 역전파(back propagation)를 이용하여 LSTM의 출력과 실측 출력 값 사이의 오차를 최소화하도록 가중치(W_f, W_i, W_C, W_o) 값들을 정하는 것일 수 있다.

상술한 LSTM과 같은 심층 신경망을 사용하여 본 발명에서는 발전량 및 소비 전력량 데이터를 입력값으로 하여 미래의 발전량 및 소비 전력량을 예측하는 장치 및 방법을 제공하고자 한다.

도 2는 일 실시예에 따른, 본 발명인 건물 내 에너지 제어 장치를 포함한 시스템의 작동 개요를 도시한 도면이다.

점선은 에너지의 흐름을 나타내고, 실선은 데이터의 흐름을 나타낸다.

전력망(2)은 일반적으로 전력을 공급하는 발전소, 송전탑 등이 될 수 있을 것이다.

태양광발전기(5)는 햇빛을 직류전기로 바꾸어 전력을 생산하는 장치를 말하며, 태양광 패널로 태양광 에너지를 수집한다. 또한, 태양광 패널 주변에 IoT 센서를 설치하여 각 시간대별 태양광 에너지의 발전량 데이터 및 온도, 습도, 조도 등의 환경 데이터를 수집할 수 있다.

에너지저장장치(3)는 발전소에서 과잉 생산된 전력을 저장해 두었다가 일시적으로 전력이 부족할 때 송전해주거나 또는 전력망으로 공급되는 전력의 가격이 낮을 때 전력을 저장해 두었다가 가격이 비싸진 시점에 전력망 대신에 전력을 공급하는 저장 장치를 말한다. 여기에는 전기를 모아두는 배터리와 배터리를 효율적으로 관리해주는 관련 장치들이 있다. 배터리식 에너지 저장 장치는 리튬이온과 황산화나트륨 등을 사용할 수 있다.

도 2에 따른 본 발명의 일 실시예에 따르면, 전력망(2)으로부터 얻어지는 에너지는 각 IoT가전기기(4)에 직접 제공 되거나, 에너지저장장치(3)에 저장될 수 있다.

또한, 태양광 등 신재생 에너지는 태양광 발전기 내의 태양광 패널을 통해 수집되고, 각 IoT가전기기(4)에 직접 제공 되거나, 에너지저장장치(3)에 저장될 수 있다.

건물 내 에너지 제어 장치(1)는 에너지데이터를 분석하여 발전량 및 소비전력량을 예측하고, 이를 실측값과 비교분석하여 최적의 에너지 관리를 위하여 에너지저장장치(3)와 IoT가전기기(4)를 제어 스케줄링할 수 있다.

이와 같이 발생 및 저장된 전력량을 데이터화 하고, 데이터를 이용하여 건물 내 에너지 최적 제어 장치 및 방법에 따라 분석하여 에너지저장장치와 각 IoT기기를 제어 스케줄링 할 수 있다.

도 3은 일 실시예에 따른, 건물 내 에너지 최적 제어 장치의 구성도를 도시한 도면이다.

도 3에 따르면, 건물 내 에너지 최적 제어 장치는 데이터 전처리부(100), 예측부(200), 오차값 분석부(300) 및 제어 스케줄링부(600)를 포함할 수 있다. 또한, 건물 내 에너지 제어 장치(1)는 추가적으로 시간대별 가중치 계산부(400) 및 사용자 선호도 계산부(500)를 더 포함할 수 있다.

데이터 전처리부(100)는 에너지 수집 장치에 구비된 센서로부터 수집한 에너지데이터(10)에 대하여 전처리를 수행한다. 일 실시예에 따르면, 데이터 수집 주기는 태양광발전기(5)와 같은 에너지 수집 장치의 크기 및 효율에 따라 30분 또는 1시간 단위일 필요가 있다.

또한 데이터 전처리부(100)는 실외 환경 데이터 수집 장치로부터 수집한 실외환경데이터(11)와, 실내에 설비된 환경 데이터 수집 장치로부터 수집한 실내환경데이터(12)에 대해서도 전처리를 수행할 수 있다.

실외환경데이터(11)는, 각 태양광 패널 위치에 따른 경사 일사량, 수평 일사량, 외부 온도 및 각 시간대별 신재생에너지 발전량 데이터 일 수 있다. 이는 신재생에너지 발전량을 예측하기 위하여 수집된다.

실내환경데이터(12)는, 건물 내의 온도, 습도, 미세먼지 데이터, 소비 전력 데이터일 수 있다. 이는 실내 소비전력량을 예측하기 위하여 사용자가 편안함을 느끼는 온도 및 습도, 즉 humidex 값을 결정하기 위함이다.

에너지데이터(10), 실외환경데이터(11), 실내환경데이터(12)의 수집 주기는 통일될 필요가 있다.

데이터 전처리란, 수집한 데이터 중 손상 혹은 누락된 데이터를 감지하고, 이를 복원 작업한 복원데이터를 포함하여 전처리데이터(20)를 출력하는 것을 의미한다. 이는 예측부(200)에 적용 시 학습데이터에 손상 혹은 누락 데이터가 존재해서는 안 되기 때문이다.

예측부(200)는 전처리데이터(20)를 입력받아 예측 알고리즘에 따라 예측데이터(30)를 출력한다. 예측부(200)는 에너지데이터(10)를 전처리한 데이터를 이용하여 발전량 예측하고, 실내환경데이터(12)를 전처리한 데이터를 이용하여 소비 전력량 예측할 수 있다. 예측 알고리즘에서는 전처리데이터(20)뿐 아니라 기존의 누적된 데이터를 입력값으로 사용할 수 있다. 또한, 예측 알고리즘은 인공지능 기반 기술을 사용할 수 있고, 특히 도 1에 따른 LSTM 등 시간적 특징을 추출할 수 있는 인공지능 기반 기술을 사용할 수 있다.

오차값 분석부(300)는 예측데이터(30)와 현재 시점에서 수집한 발전량 및 소비 전력량 실측데이터(13) 사이에서의 오차값을 분석한다.

오차값을 기반으로 시간대별 발생하는 오차값 분포를 분석하고, 이에 따라 발전량 및 소비전력량의 예측의 오류를 대비하여 에너지저장장치(3) 에너지 일부를 예비력(40) 으로 설정할 수 있다. 일 실시예에 따르면 오차값 분석에는 몬테카를로 시뮬레이션(Monte-carlo simulation)를 이용하여 각 시간대별 오차를 고려한 난수를 발생키는 방법을 이용할 수 있다. 이로써, 예측 오차로 인해 발생 가능한 문제를 미연에 방지할 수 있다.

제어 스케줄링부(600)는 예비력(40)에 따라 에너지저장장치 및 IoT 가전기기 제어 스케줄링을 도출하고, 에너지저장장치 및 개별 IoT가전기기는 이에 따라 제어될 수 있다.

시간대별 가중치 계산부(400)는 시간대별로 발생하는 오차가 전체 시스템의 안정성에 미치는 영향을 분석하여 시간대별가중치(50) 를 생성한다. 시간대별가중치(50)는 시계열 전력 요금(Time of Use price)과 피크 부하(Peak price)를 고려하여 생성된다.

제어 스케줄링부(600)는 시간대별가중치(50)를 더 이용하여 에너지저장장치 및 IoT가전기기 제어 스케줄링을 도출할 수 있다.

사용자 선호도 계산부(500)는 각 사용자별 선호도를 사전에 학습함으로써, IoT 가전기기별 제어 여부에 따른 사용자선호도(60)를 생성한다. 사용자선호도(60)는 IoT 가전기기별 전력제어 가능 여부 판단 파라미터에 의하는데, 이는 아래와 같이 정의된다.

=IoT 가전기기i별 전력제어 가능 여부 판단 파라미터

=IoT 가전기기i의 시간t동안에의 평균 전력사용량

=IoT 건물에서 시간t동안에 소비하는 평균 전력사용량

α=IoT 가전기기 제어 시 소비자가 느끼게 되는 불만족도를 요금으로 표현한 보조 변수

즉,

는 동일한 시간 t에서 감축된 전력량에 의해 느끼게 되는 불편함을 요금으로 수치화 한 지수이다 (불만족 요금). 따라서,

보다 많거나, 적은 전력값을 사용한다는 것은 기존 건물 내에서 전력을 사용했던 소비자들이 불편함을 감수한다는 것을 의미한다. 예를 들면, 에어컨 온도가 26도에서 24도로 저하된다던가, 엘리베이터 운영을 전층 운영에서 고층 운영으로 조정하는 경우 등을 들 수 있다.

일 실시예에 따르면, t는 15분으로 설정될 수 있으며, 이는 산업용 요금이 적용된 건물에 있어 기본 요금이 15분 동안의 평균 전력 사용량에 따라 결정되는 피크값에 의해 결정되기 때문이다.

또한, 사용자 선호도 계산부(500)는 사전에 소비자에게 선호하는 전력 사용 시간대 등을 설문하여 얻어진 주관적인 사용자 선호도인 패널티팩터 (panelty factor)를 더 고려할 수 있다.

제어 스케줄링부(600)는 사용자선호도(60)를 더 이용하여 에너지저장장치 및 IoT가전기기 제어 스케줄링을 도출할 수 있다.

이에 따라, 건물 내 시간대별 에너지 소비량을 제어함으로써, 전력요금 및 불만족 요금을 최소화 하여 실제 환경에서의 전력요금 감축을 위한 건물 내 에너지 관리 기술을 개발할 수 있다.

또한, 사용자가 본인 전력 소비량을 객관적으로 판단할 수 있는 지표로 작용할 수 있고, 소비 전력원별 가중치의 적용에 따른 우선순위를 부여하여 소비자 개인이 느끼는 전력 사용에 대한 불편함을 최소화하여 전력을 운용할 수 있다.

도 4는 일 실시예에 따른, 건물 내 에너지 제어 방법의 흐름도이다.

도 4에 따르면, 건물 내 에너지 최적 제어 단계는 데이터 전처리 단계(1100), 발전량 및 소비전력량 예측 단계(1200), 오차값 분석단계(1300) 및 제어 스케줄링 단계(1600)를 포함할 수 있다. 또한, 건물 내 에너지 제어 단계는 시간대별 가중치 계산단계(1400) 및 사용자 선호도 계산단계(1500)를 더 포함할 수 있다.

데이터 전처리 단계(1100)에서는 에너지 변환 장치로부터 수집한 에너지데이터(10)에 대하여 전처리를 수행한다. 일 실시예에 따르면, 에너지 수집 장치의 크기 및 효율에 따라 데이터 수집 주기는 30분 또는 1시간 단위일 필요가 있다. 에너지 수집 장치는 태양광 에너지 인버터 등 신재생 에너지 기술을 이용한 장치일 수 있다.

또한 데이터 전처리 단계(1100)에서는 실외 환경 데이터 수집 장치로부터 수집한 실외환경데이터(11)와, 실내에 설비된 환경 데이터 수집 장치로부터 수집한 실내환경데이터(12)에 대해서도 전처리를 수행할 수 있다.

데이터 전처리란, 수집한 데이터 중 손상 혹은 누락된 데이터를 감지하고, 이를 복원 작업한 복원데이터를 포함하여 전처리데이터(20)를 출력하는 것을 의미한다. 이는 예측 단계(1200)에 적용 시 학습데이터에 손상 혹은 누락 데이터가 존재해서는 안 되기 때문이다.

예측단계(1200)에서는 전처리데이터(20)를 입력받아 예측 알고리즘에 따라 예측데이터(30)를 출력한다. 예측단계(1200)에서는 에너지데이터(10)를 전처리한 데이터를 이용하여 발전량 예측하고, 실내환경데이터(12)를 전처리한 데이터를 이용하여 소비 전력량 예측할 수 있다. 예측 단계에서 사용되는 예측 알고리즘은 전처리데이터(20)뿐 아니라 기존의 누적된 데이터를 입력값으로 사용할 수 있다. 또한, 예측단계의 알고리즘은 인공지능 기반 기술을 사용할 수 있고, 특히 도 1에 따른 LSTM 등 시간적 특징을 추출할 수 있는 인공지능 기반 기술을 사용할 수 있다.

오차값 분석 단계(1300)는 예측데이터(30)와 현재 시점에서 수집한 발전량 및 소비 전력량 실측데이터(13) 사이에서의 오차값을 분석한다.

제어 스케줄링 단계(1600)에서는 예비력(40)에 따라 에너지저장장치 및 IoT 가전기기 제어 스케줄링을 도출하고, 에너지저장장치 및 개별기기는 이에 따라 제어 된다.

시간대별 가중치 계산단계(1400)에서는 시간대별로 발생하는 오차가 전체 시스템의 안정성의 미치는 영향을 분석하여 시간대별가중치(50)를 생성한다. 시간대별 가중치는 시계열 전력 요금(Time of Use price)과 피크 부하(Peak price)를 고려하여 생성된다.

제어 스케줄링단계(1600)에서는 시간대별가중치(50)를 더 이용하여 에너지저장장치 및 IoT가전기기 제어 스케줄링을 도출할 수 있다.

사용자 선호도 계산단계(1500)에서는 각 사용자별 선호도를 사전에 학습함으로써, IoT 가전기기별 제어 여부에 따른 사용자선호도(60)를 생성한다. 이는 IoT 가전기기별 전력제어 가능 여부 판단 파라미터에 의하는데, 이는 아래와 같이 정의된다.

=IoT 가전기기i별 전력제어 가능 여부 판단 파라미터

=IoT 가전기기i의 시간t동안에의 평균 전력사용량

=IoT 건물에서 시간t동안에 소비하는 평균 전력사용량

일 실시예에 따르면, t는 15분으로 설정될 수 있으며, 이 경우에는 산업용 요금이 적용된 건물에 있어 기본 요금이 15분 동안의 평균 전력 사용량에 따라 결정되는 피크값에 의해 결정되기 때문이다.

또한, 사용자 선호도 계산단계(1500)에서는 사전에 소비자에게 선호하는 전력 사용 시간대 등을 설문하여 얻어진 주관적인 사용자 선호도인 패널티팩터 (panelty factor)를 더 고려할 수 있다.

제어 스케줄링단계(1600)에서는 사용자선호도(60)를 더 이용하여 에너지저장장치 및 IoT가전기기 제어 스케줄링을 도출할 수 있다.

도 5는 일 실시예에 따른, 데이터 전처리 단계의 흐름도이다.

도 5에 따르면, 데이터 전처리 단계(1100)에서는, 에너지 수집 장치에 구비된 센서로부터 수집한 에너지데이터(10)에 대하여 손상 또는 누락 여부를 판단하고, 손상되지 않은 경우 예측단계로 넘어가고, 손상된 데이터에 대하여는 데이터 복원 작업을 거친다.

데이터 손상의 경우는 통신 기술로 인한 데이터 누락이나, 센서 자체의 오작동으로 인한 데이터 손상 등의 예시가 있을 수 있다.

손상된 데이터 감지 방법의 일 실시예로, anomaly detection을 사용할 수 있다.

복원 작업의 일 실시예로, 누적 데이터를 활용하여 누락 구간 전후 데이터와 동일한 전력 패턴을 갖는 데이터 셋을 추출하여, 각 데이터별 관련성에 따른 가중치를 부여하여 누락 데이터를 복원하는 K-mean clustering 알고리즘을 사용할 수 있다. 또한, 해당 실시예에 그치지 않고, optimally weighted average / historical average / linear interpolation 등의 복원 기술을 사용할 수 있다.

또한, 복원 작업의 일 실시예로, 동 시간에 수집한 실외환경데이터(11)를 이용하여 발전 데이터별로 비지도학습을 활용하여 관련성이 높은 데이터끼리 분류 작업을 진행한 다음, 분류에 따른 가중치를 설정하여 복원 작업을 수행 할 수 있다. 이에 따라, 복원 전 데이터 보다 실제 환경에 근사한 데이터를 얻을 수 있고, 예측 정확도를 극대화 할 수 있다.

일 실시예에 따르면, 오차값 분석단계(1300)에서 분석한 데이터를 이용하여 전처리 알고리즘을 업데이트 할 수 있다. 즉, 데이터 복원 작업에서 이용하는 알고리즘 중 일부 파라미터의 최적값을 설정하는 데에 오차 분석 데이터를 이용할 수 있다.

도 6은 일 실시예에 따른, 제어 스케줄링부, 에너지저장장치, 기기 및 그와 상호 작용하는 장치를 나타낸 블록도이다.

점선의 에너지 흐름은 전력망(2)과 에너지 저장 장치가 병렬로 연결되어 IoT가전기기(4) 측에 에너지를 공급하거나 전력망(2)에서 에너지저장장치(3) 측에 에너지가 공급될 수 있다.

제어 스케줄링부(600)에 의한 에너지저장장치의 충방전 제어는, 예비력(40) 및 시간대별가중치(50)를 기반으로 결정된 스케줄링으로, 에너지 저장 장치의 충방전 경로를 에너지저장장치로 출력한다. 즉, 스케줄링 내용에 따라 미리 전력망(2)으로부터 에너지저장장치(3)를 충전하고, 예측 소비전력량과 실제 소비 전력량의 차이가 커지면, 소비자가 받게 되는 손실을 최소화하기 위하여 에너지저장장치(3)를 방전하여 에너지를 IoT가전기기(4)에 제공한다. 이에 따라, 소비자가 지불하는 전력 요금을 최소화할 수 있다.

제어 스케줄링부(600)에 의한 기기들의 제어는, 사용자선호도(60)를 기반으로 설정된 스케줄링으로, 기기들의 가용 여부에 따라 각 기기가 소비하는 에너지량을 제어한다.

도 7은 일 실시예에 따른, 건물 내 에너지 최적 제어 장치의 하드웨어 구성을 도시한 도면이다.

건물 내 에너지 최적 제어 장치는 입력부(6), 프로세서(7), 메모리(8) 및 출력부(9)를 포함할 수 있다.

도 3에 도시된 건물 내 에너지 최적 제어 장치(1)의 구성은 일 실시예로 각각의 구성 요소는 하나의 칩, 부품 또는 전자 회로로 구성되거나, 칩, 부품 또는 전자 회로의 결합으로 성될 수 있다. 다른 일 실시예에 따라, 도 3에 도시된 구성 요소들 중 일부는 복수 개의 구성 요소(예: 복수 개의 프로세서)로 분리되어 서로 다른 칩 또는 부품 또는 전자 회로로 구성될 수 있으며, 일부 구성 요소들은 결합되어 하나의 칩, 부품 또는 전자 회로로 구성될 수 있다.

다양한 실시예에 따르면, 메모리(8)는 전자 장치의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(8)는 전자 장치에서 구동되는 다수의 응용 프로그램, 전자 장치의 동작을 위한 프로그램 코드들, 예를 들어, 특정한 작업을 위해 설계된 심층 신경망 모델이 구현된 프로그램 코드, 특히 학습된 심층 신경망 모델의 프로그램 코드 등을 저장할 수 있다. 메모리(8)는 전자 장치가 인공신경망을 학습하는데 필요한 데이터, 인공신경망의 학습 과정 중에 생성된 데이터 및 학습을 통해 최종적으로 생성된 학습된 심층 신경망 모델의 프로그램 코드를 저장할 수 있다.

다양한 실시예에 따르면, 입력부(6)는 다양한 센서들을 이용하여 에너지데이터(10), 실외환경데이터(11) 및 실내환경데이터(12)를 입력받을 수 있다.

다양한 실시예에 따르면, 출력부(9)는 에너지저장장치와 IoT가전기기의 제어 스케줄링을 출력할 수 있다.

다양한 실시예에 따르면, 프로세서(7)는 전자 장치의 전반적인 동작을 위한 데이터 처리 및/또는 연산을 수행할 수 있다. 프로세서(7)는 소프트웨어 프로그램을 구동하여 전자 장치에 포함된 적어도 하나의 다른 구성 요소를 제어할 수 있다. 또한, 프로세서(7)는 메모리(8)에 저장된 프로그램 코드에 따라 기계 학습에 따른 학습을 수행하고, 학습의 결과를 메모리(8)에 저장할 수 있다.

프로세서(7)는 입력받은 데이터에 대하여 전처리 작업을 수행한 후, 이를 이용하여 발전량 및 소비전력량을 예측하고, 예측데이터(30)와 실측데이터(13)를 비교하여 에너지저장장치 및 IoT가전기기를 제어 스케줄링한다.

일 실시예에 따라, 프로세서(7)는 입력받은 에너지데이터(10), 실외환경데이터(11) 및 실내환경데이터(12)에 대하여 데이터 손상 또는 누락 여부를 판단하고, 복원 작업을 수행하여 전처리 작업을 수행할 수 있다.

일 실시예에 따라, 프로세서(7)는 시간적 특징을 추출할 수 있는 인공지능 기반 알고리즘을 이용하여 발전량 및 소비전력량을 예측할 수 있다. 인공지능 기반 알고리즘은 메모리(8)에 저장되어 있을 수 있고, 프로세서(7)는 메모리(8)에 저장되어 있는 학습된 인공지능 알고리즘을 읽어 들여 수행함으로써 발전량 및 소비전력량을 예측할 수 있다.

일 실시예에 따라, 프로세서(7)는 발전량 및 소비전력량 예측 데이터와 실측데이터를 비교한 오차값을 기반으로, 예비력(40)을 설정할 수 있다. 설정된 예비력(40)은 메모리(8)에 저장되어 있을 수 있고, 프로세서(7)는 메모리(8)에 저장되어 있는 예비력(40)을 읽어 들여 제어 스케줄링을 수행할 수 있다.

일 실시예에 따라, 프로세서(7)는 시간대별로 발생하는 오차가 전체 시스템의 안정성에 미치는 영향을 분석하여 시간대별가중치(50)를 생성할 수 있다. 이 경우, 시간대별가중치(50)는 전력요금과 피크부하를 고려하여 생성될 수 있다. 시간대별가중치(50)는 메모리(8)에 저장될 수 있고, 프로세서(7)는 메모리(8)에 저장되어 있는 시간대별가중치(50)를 읽어 들여 제어 스케줄링을 수행할 수 있다.

일 실시예에 따라, 프로세서(7)는 각 사용자별 선호도를 사전에 학습하여, IoT 가전기기별 제어 여부에 따른 사용자선호도(60)를 생성 할 수 있다. 이 경우, IoT 가전기기별 전력제어 가능 여부 판단 파라미터에 의하여 생성될 수 있다. 사용자선호도(60)는 메모리(8)에 저장될 수 있고, 프로세서(7)는 메모리(8)에 저장되어 있는 사용자선호도(60)를 읽어 들여 제어 스케줄링을 수행할 수 있다.

상술한 방법에 기초하여 전자 장치는 입력된 전처리데이터(20)로 발전량 및 소비전력량을 예측하고, 이 예측데이터(30)에 기초하여 오차값 분석에 따른 예비력(40)을 생성함으로써, 에너지저장장치와 IoT기기의 최적 제어 스케줄링을 제공할 수 있다.

100 : 데이터 전처리부
200 : 예측부
300 : 오차값 분석부
400 : 시간대별 가중치 계산부
500 : 사용자 선호도 계산부
600 : 제어 스케줄링부
1100 : 데이터 전처리 단계
1200 : 소비전력량 및 발전량 예측 단계
1300 : 오차값 분석 단계
1400 : 시간대별 가중치 계산 단계
1500 : 사용자 선호도 계산 단계
1600 : 에너지저장장치 및 IoT가전기기 제어 스케줄링 단계
10 : 에너지 데이터
11 : 실외환경 데이터
12 : 실내환경 데이터
13 : 실측 데이터
20 : 전처리 데이터
30 : 예측 데이터
40 : 예비력
50 : 시간대별 가중치
60 : 사용자 선호도

Claims

건물 내 에너지 제어 장치에 있어서,
에너지 변환 장치로부터 수집된 에너지 데이터 중 손상된 데이터를 감지하고, 상기 손상된 데이터에 복원 작업을 수행하여 전처리 데이터를 생성하는 데이터 전처리부;
상기 전처리 데이터를 이용하여 발전량 및 소비전력량을 예측하고 예측데이터를 생성하는 예측부;
상기 예측데이터와 실측 데이터를 비교한 오차값을 분석하여 예비력를 생성하는 오차값 분석부; 및
상기 예비력를 이용하여 에너지저장장치 및 기기들을 제어하는 제어 스케줄링부;
를 포함하는 건물 내 에너지 제어 장치.
제 1항에 있어서,
상기 데이터 전처리부는 K-mean clustering 알고리즘 기술을 사용하여 손상된 데이터에 대한 복원 작업을 수행하는
건물 내 에너지 제어 장치.
제 1항에 있어서,
상기 데이터 전처리부는 실외환경데이터를 이용하여 상기 손상된 에너지 데이터를 복원하는
건물 내 에너지 제어 장치.
제 1항에 있어서,
상기 데이터 전처리부는 상기 오차값 분석부에서 분석한 오차값 데이터를 이용하여 데이터 전처리부 알고리즘을 업데이트하는
건물 내 에너지 제어 장치.
제 1항에 있어서,
상기 예측부는 예측 데이터를 생성하는 알고리즘으로 시간적 특징을 추출할 수 있는 인공지능 기반 기술을 사용하는
건물 내 에너지 제어 장치.
제 1항에 있어서,
상기 오차값 분석부는 몬테 카를로 시뮬레이션 기술을 이용하여 상기 예비력을 생성하는
건물 내 에너지 제어 장치.
제 1항에 있어서,
시간대별로 발생하는 오차가 전체 시스템의 안정성에 미치는 영향을 분석하여 시간대별 가중치를 생성하는 시간대별 가중치 계산부;
를 더 포함하고,
상기 제어 스케줄링부는 상기 시간대별 가중치를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는
건물 내 에너지 제어 장치.
제 7항에 있어서,
상기 시간대별 가중치 계산부는 시계열 전력 요금과 피크부하를 고려하여 생성되는 상기 시간대별 가중치를 생성하는
건물 내 에너지 제어 장치.
제 1항에 있어서,
각 사용자별 선호도를 사전에 학습하여 기기별 제어 여부에 따른 사용자 선호도를 생성하는 사용자 선호도 계산부;
를 더 포함하고,
상기 제어 스케줄링부는 상기 사용자 선호도를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는
건물 내 에너지 제어 장치.
제 9항에 있어서,
상기 사용자 선호도 계산부는
개별 기기의 일정 시간동안 평균 전력사용량;
건물 전체에서 일정 시간동안 소비하는 평균 전력사용량; 및
IoT 가전기기 제어 시 소비자가 느끼게 되는 불만족도를 요금으로 표현한 보조 변수;
를 이용하여 상기 사용자 선호도를 생성하는
건물 내 에너지 제어 장치.
건물 내 에너지 제어 방법에 있어서,
에너지 변환 장치로부터 수집된 에너지 데이터 중 손상된 데이터를 감지하고, 상기 손상된 데이터에 복원 작업을 수행하여 전처리 데이터를 생성하는 데이터 전처리 단계;
상기 전처리 데이터를 이용하여 발전량 및 소비전력량을 예측하고 예측데이터를 생성하는 예측 단계;
상기 예측데이터와 실측 데이터를 비교한 오차값을 분석하여 예비력를 생성하는 오차값 분석 단계; 및
상기 예비력를 이용하여 에너지저장장치 및 기기들을 제어하는 제어 스케줄링 단계;
를 포함하는 건물 내 에너지 제어 방법.
제 11항에 있어서,
상기 데이터 전처리 단계는 K-mean clustering 알고리즘 기술을 사용하여 복원 작업을 수행하는
건물 내 에너지 제어 방법.
제 11항에 있어서,
상기 데이터 전처리 단계는 실외환경데이터를 이용하여 상기 손상된 에너지 데이터를 복원하는
건물 내 에너지 제어 방법.
제 11항에 있어서,
상기 데이터 전처리 단계는 상기 오차값 분석에 의한 데이터를 이용하여 고리즘을 업데이트하는
건물 내 에너지 제어 방법.
제 11항에 있어서,
상기 예측 단계는 예측데이터를 생성하는 알고리즘으로 시간적 특징을 추출할 수 있는 인공지능 기반 기술을 사용하는
건물 내 에너지 제어 방법.
제 11항에 있어서,
상기 오차값 분석 단계는 몬테 카를로 시뮬레이션 기술을 이용하여 상기 예비력을 생성하는
건물 내 에너지 제어 방법.
제 11항에 있어서,
시간대별로 발생하는 오차가 전체 시스템의 안정성에 미치는 영향을 분석하여 시간대별 가중치를 생성하는 시간대별 가중치 계산 단계;
를 더 포함하고,
상기 제어 스케줄링 단계는 상기 시간대별 가중치를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는
건물 내 에너지 제어 방법.
제 17항에 있어서,
상기 시간대별 가중치 계산 단계는 시계열 전력 요금과 피크부하를 고려하여 상기 시간대별 가중치를 생성하는
건물 내 에너지 제어 방법.
제 11항에 있어서,
각 사용자별 선호도를 사전에 학습하여 기기별 제어 여부에 따른 사용자 선호도를 생성하는 사용자 선호도 계산 단계;
를 더 포함하고,
상기 제어 스케줄링 단계에서 상기 사용자 선호도를 추가로 이용하여 에너지저장장치 및 기기들을 제어하는
건물 내 에너지 제어 방법.
제 19항에 있어서,
상기 사용자 선호도 계산 단계는
개별 기기의 일정 시간동안 평균 전력사용량;
건물 전체에서 일정 시간동안 소비하는 평균 전력사용량; 및
IoT 가전기기 제어 시 소비자가 느끼게 되는 불만족도를 요금으로 표현한 보조 변수; 를 이용하여 상기 사용자 선호도를 생성하는
건물 내 에너지 제어 방법.