KR20220014314A - Indoor environment management device and the operation method - Google Patents
Indoor environment management device and the operation method Download PDFInfo
- Publication number
- KR20220014314A KR20220014314A KR1020210098282A KR20210098282A KR20220014314A KR 20220014314 A KR20220014314 A KR 20220014314A KR 1020210098282 A KR1020210098282 A KR 1020210098282A KR 20210098282 A KR20210098282 A KR 20210098282A KR 20220014314 A KR20220014314 A KR 20220014314A
- Authority
- KR
- South Korea
- Prior art keywords
- value
- environmental
- indoor
- indoor environment
- occupant
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 42
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 80
- 230000007613 environmental effect Effects 0.000 claims description 76
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 14
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 13
- 239000012855 volatile organic compound Substances 0.000 claims description 12
- 238000010411 cooking Methods 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 239000000428 dust Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011017 operating method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004851 dishwashing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06K9/6267—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
Description
본 발명은 실내 환경 관리 장치 및 그 동작방법에 관한 것으로서, 더욱 상세하게는 실내 환경값 및 소비 전력값에 따라 재실자의 행동을 추출하고, 재실자의 행동에 따라 설정된 기준 실내 환경값이 유지하기 용이한 실내 환경 관리 장치 및 그 동작방법에 관한 것이다.The present invention relates to an indoor environment management apparatus and an operating method thereof, and more particularly, to extract a occupant's behavior according to an indoor environmental value and a power consumption value, and to easily maintain a reference indoor environmental value set according to the occupant's behavior It relates to an indoor environment management apparatus and an operating method thereof.
건물은 전 세계 에너지 소비의 약 40%, CO2의 경우 30% 이상을 차지하며 이때 사용되는 에너지는 대부분 건물을 쾌적하게 유지하기 위해 사용된다.Buildings account for about 40% of global energy consumption and more than 30% of CO2, and most of the energy used at this time is used to keep buildings comfortable.
또한, 사람들의 삶의 질이 향상됨에 따라, 에너지 소비를 절감하면서 쾌적한 실내 환경을 제공하는 방안에 대한 요구가 증가하고 있다. 이때, 건물 내 재실자의 유무 및 행동은 건물의 실내 환경과 조명 및 가전제품 등의 사용으로 인한 에너지 소비 뿐만 아니라, 그들의 열 쾌적감 범위에도 영향을 미치기 때문에 에너지 절감을 위한 재실자 정보를 구축하는 것은 중요하다.In addition, as people's quality of life improves, there is an increasing demand for a method of providing a comfortable indoor environment while reducing energy consumption. At this time, it is important to establish occupant information for energy saving because the presence and behavior of occupants in the building affects not only the energy consumption due to the use of lighting and home appliances, but also the range of their thermal comfort. do.
따라서 건물의 에너지 소비 절감과 쾌적한 환경 조성을 위해서는 재실자의 유무 및 행동 정보를 연구하는 것이 선행되어야 한다. Therefore, in order to reduce the energy consumption of buildings and create a pleasant environment, it is necessary to study the presence or absence of occupants and behavioral information in advance.
실내에서 재실자 정보를 파악하는 방법으로는 PIR센서 또는 비디오카메라를 사용하는 직접접근방식(Direct method)과 데이터 기반의 간접접근방식(Indirect method)으로 구분된다.The method of identifying occupant information indoors is divided into a direct method using a PIR sensor or a video camera and a data-based indirect method.
카메라는 재실자 정보를 파악할 경우 효율성이 높지만 매우 많은 양의 이미지 데이터 처리가 필요하며 그에 따른 사생활 침해 우려가 발생한다The camera is highly efficient when it comes to occupant information, but it requires processing a very large amount of image data, resulting in privacy concerns.
PIR센서는 비용이 저렴하고 쉽게 사용할 수 있지만 움직임 감지를 통한 재실자의 유무 정보만 알 수 있으며 세부적인 활동은 구분할 수 없다Although the PIR sensor is inexpensive and easy to use, it can only know the presence or absence of occupants through motion detection and cannot distinguish detailed activities.
직접접근방식의 문제점인 사생활침해 우려를 해결하기 위해 많은 연구자들은 간접접근방식을 채택하여 연구를 수행하였다. In order to solve the problem of privacy invasion, which is a problem with the direct approach, many researchers have adopted the indirect approach to conduct research.
건물 내 CO2, 온도, 습도 등의 환경 데이터는 재실자를 감지하는데 있어 중요하다. 스마트미터 등을 사용하여 측정 된 건물의 전력소비량 또한 건물을 이용하는 재실자와 전력기기간의 상호 작용을 반영하기 때문에, 재실자 정보와 상관관계가 있다.Environmental data such as CO2, temperature, and humidity in a building are important for detecting occupants. The power consumption of a building measured using a smart meter is also correlated with the occupant information because it reflects the interaction between the occupants and the power equipment using the building.
따라서, 환경 데이터 및 전력 소비량을 기반으로 재실자의 행동을 추출하고, 재실자의 행동에 따라 실내 공간의 공기를 개선하기 위한 연구를 진행하고 있다.Therefore, research is being conducted to extract the behavior of occupants based on the environmental data and power consumption, and to improve the air in the indoor space according to the behavior of the occupants.
본 발명의 목적은, 실내 환경값 및 소비 전력값에 따라 재실자의 행동을 추출하고, 재실자의 행동에 따라 설정된 기준 실내 환경값이 유지하기 용이한 실내 환경 관리 장치 및 그 동작방법을 제공함에 있다.It is an object of the present invention to provide an indoor environment management apparatus and an operating method thereof, in which a occupant's behavior is extracted according to an indoor environmental value and a power consumption value, and a reference indoor environmental value set according to the occupant's behavior is easily maintained.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The objects of the present invention are not limited to the above-mentioned objects, and other objects and advantages of the present invention not mentioned may be understood by the following description, and will be more clearly understood by the examples of the present invention. It will also be readily apparent that the objects and advantages of the present invention may be realized by the means and combinations thereof indicated in the appended claims.
본 발명에 따른 실내 환경 관리 장치는, 실내 환경값을 측정하는 센서 모듈, 전자기기별로 소비되는 소비 전력값을 측정하는 전력 계측 모듈 및 상기 실내 환경값 및 상기 소비 전력값을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치하는 재실자의 행동 정보를 추출하고, 상기 실내 환경값이 상기 행동 정보에 대응하는 기준 실내 환경값으로 유지되게 환경 전자기기들을 제어하는 제어 모듈을 포함할 수 있다.The indoor environment management device according to the present invention includes a sensor module for measuring indoor environmental values, a power measuring module for measuring power consumption values for each electronic device, and a occupant behavior classification model in which the indoor environmental values and the power consumption values are set. It may include a control module for extracting behavior information of occupants located indoors by applying the control module to control the environmental electronic devices so that the indoor environmental value is maintained as a reference indoor environmental value corresponding to the behavior information.
상기 실내 환경값은, 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값를 포함할 수 있다.The indoor environment value may include a temperature value, a humidity value, a carbon dioxide value, a noise value, an illuminance value, a volatile organic compound (VOC) capacity value, and a fine dust capacity value.
상기 전력 계측 모듈은, 스마트 미터(Smart meter)일 수 있다.The power measuring module may be a smart meter.
상기 제어 모듈은, 상기 실내 환경값 및 상기 소비 전력값을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출하는 추출부, 상기 실내 환경값이 상기 기준 실내 환경값으로 유지되게, 상기 환경 전자기기들 각각의 제어값들을 결정하는 결정부 및 상기 환경 전자기기들로 상기 제어값들을 전송하여, 상기 환경 전자기기들의 동작을 제어하는 동작부를 포함할 수 있다.The control module may include an extractor configured to extract the behavior information by applying the indoor environmental value and the power consumption value to the occupant behavior classification model, the environmental electronic device to maintain the indoor environmental value as the reference indoor environmental value It may include a determining unit that determines each of the control values, and an operation unit that transmits the control values to the environmental electronic devices to control the operation of the environmental electronic devices.
상기 재실자 행동 분류 모델은, 상기 재실자의 행동에 따라 변화되는 상기 실내 환경값 및 상기 소비 전력값을 기계학습하여 생성될 수 있다.The occupant behavior classification model may be generated by machine learning the indoor environment value and the power consumption value that are changed according to the behavior of the occupant.
상기 추출부는, 상기 실내 환경값과 이전 실내 환경값의 제1 변화량 및 상기 소비 전력값과 이전 소비 전력값 사이의 제2 변화량을 산출하고, 상기 제1, 2 변화량을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출할 수 있다.The extractor calculates a first change amount between the indoor environmental value and the previous indoor environmental value and a second change amount between the power consumption value and the previous power consumption value, and applies the first and second changes to the occupant behavior classification model to extract the behavior information.
상기 행동 정보는, 상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태일 수 있다.The behavior information may include any one of a sleeping state, an outing state, a cooking state, an exercise state, and a resting state of the occupant.
상기 행동 정보는, 상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태이고, 상기 결정부는, 상기 행동 정보에 대응하는 상기 기준 실내 환경값으로 유지되게 상기 환경 전자기기들 각각의 상기 제어값들을 결정할 수 있다.The behavior information may include whether the occupant is in any one of a sleeping state, an outing state, a cooking state, an exercise state, and a resting state, and the determining unit is configured to maintain the reference indoor environmental value corresponding to the behavior information. Each of the control values may be determined.
본 발명에 따른 실내 환경 관리 장치의 동작방법은, 센서 모듈에서 측정한 실내 환경값 및 전력 계측 모듈에서 측정한 소비 전력값을 입력받는 단계, 상기 실내 환경값 및 상기 소비 전력값을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치하는 재실자의 행동 정보를 추출하는 단계 및 상기 실내 환경값이 상기 행동 정보에 대응하는 기준 실내 환경값으로 유지되게 환경 전자기기들을 제어하는 단계를 포함할 수 있다.An operating method of an indoor environment management apparatus according to the present invention comprises the steps of receiving an indoor environment value measured by a sensor module and a power consumption value measured by a power measurement module, and occupant behavior classification in which the indoor environment value and the power consumption value are set It may include the steps of extracting behavior information of a occupant located indoors by applying the model, and controlling the environmental electronic devices so that the indoor environmental value is maintained as a reference indoor environmental value corresponding to the behavior information.
상기 행동 정보를 추출하는 단계는, 상기 실내 환경값과 이전 실내 환경값의 제1 변화량 및 상기 소비 전력값과 이전 소비 전력값 사이의 제2 변화량을 산출하고, 상기 제1, 2 변화량을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출할 수 있다.The extracting of the behavior information may include calculating a first change amount between the indoor environmental value and the previous indoor environmental value and a second change amount between the power consumption value and the previous electric power consumption value, and calculating the first and second change amounts for the occupant The behavior information can be extracted by applying to the behavior classification model.
상기 행동 정보는, 상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태이고, 상기 환경 전자기기들을 제어하는 단계는, 상기 실내 환경값이 상기 기준 실내 환경값으로 유지되게, 상기 환경 전자기기들 각각의 제어값들을 결정하고, 상기 환경 전자기기들로 상기 제어값들을 전송하여, 상기 환경 전자기기들의 동작을 제어할 수 있다.The behavior information may include whether the occupant is in any one of a sleep state, an outing state, a cooking state, an exercise state, and a rest state, and the controlling of the environmental electronic devices includes maintaining the indoor environmental value as the reference indoor environmental value. Thus, it is possible to determine the control values of each of the environmental electronic devices, and transmit the control values to the environmental electronic devices to control the operation of the environmental electronic devices.
본 발명에 따른 실내 환경 관리 장치 및 그 동작방법은, 실내의 실내 환경값 및 소비 전력값을 기반으로 실내에 위치하는 재실자의 행동을 유추하고, 재실자의 행동에 따라 실내 환경값이 기준 실내 환경값으로 유지되게 환경 전가기기 각각을 제어함으로써, 실내가 쾌적한 상태를 유지할 수 있는 이점이 있다.An indoor environment management apparatus and an operating method thereof according to the present invention infer the behavior of a occupant located indoors based on an indoor indoor environmental value and a power consumption value, and the indoor environmental value is a reference indoor environmental value according to the occupant's behavior There is an advantage in that the indoor environment can be maintained in a comfortable state by controlling each of the environmental electric appliances to be maintained.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.On the other hand, the effects of the present invention are not limited to the above-mentioned effects, and various effects may be included within the range obvious to those skilled in the art from the description below.
도 1은 본 발명에 따른 실내 환경 관리 장치의 제어 구성을 나타낸 제어블록도이다.
도 2 내지 도 4는 도 1에 나타낸 추출부에 적용되는 재실자 행동 분류 모델을 설명하기 위한 예시도이다.
도 5는 본 발명에 따른 실내 환경 관리 장치의 동작방법을 나타낸 순서도이다.1 is a control block diagram showing a control configuration of an indoor environment management apparatus according to the present invention.
2 to 4 are exemplary views for explaining the occupant behavior classification model applied to the extraction unit shown in FIG. 1 .
5 is a flowchart illustrating a method of operating an indoor environment management apparatus according to the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail. However, this is not intended to limit the present invention to specific embodiments, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention. In describing each figure, like reference numerals have been used for like elements.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수개의 관련된 기재된 항목들의 조합 또는 복수개의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component. and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.
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.When an element is referred to as being “connected” or “connected” to another element, it is understood that it may be directly connected or connected to the other element, but other elements may exist in between. it should be On the other hand, when it is said that a certain element is "directly connected" or "directly connected" to another element, it should be understood that the other element does not exist in the middle.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as "comprise" or "have" are intended to designate that a feature, number, step, operation, component, part, or a combination thereof described in the specification exists, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical and scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application. does not
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명에 따른 실내 환경 관리 장치의 제어 구성을 나타낸 제어블록도이다.1 is a control block diagram showing a control configuration of an indoor environment management apparatus according to the present invention.
도 1을 참조하면, 실내 환경 관리 장치(100)는 센서 모듈(110), 전력 계측 모듈(120) 및 제어 모듈(130)을 포함할 수 있다.Referring to FIG. 1 , the indoor
센서 모듈(110)은 실내 공간에 배치되는 복수의 센서(미도시)를 포함할 수 있으며, 상기 복수의 센서들에서 측정된 실내 환경값(data1)을 출력할 수 있다.The
실내 환경값(data1)은 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값을 포함할 수 있으며, 이에 한정을 두지 않는다.The indoor environment value data1 may include, but is not limited to, a temperature value, a humidity value, a carbon dioxide value, a noise value, an illuminance value, a volatile organic compound (VOC) capacity value, and a fine dust capacity value.
예를 들어, 상기 복수의 센서는 방, 거실 및 주방 등에 설치될 수 있으며, 실내 환경값(data1)에 포함되는 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값들은 방, 거실 및 주방 각각에서 측정된 값일 수 있으며, 이에 한정을 두지 않는다.For example, the plurality of sensors may be installed in a room, a living room, and a kitchen, and a temperature value, a humidity value, a carbon dioxide value, a noise value, an illuminance value, and a volatile organic compound (VOC) included in the indoor environment value (data1). The capacity value and the fine dust capacity value may be values measured in each of a room, a living room, and a kitchen, but are not limited thereto.
전력 계측 모듈(120)은 실내에 배치된 전자기기별로 소비되는 소비 전력값(data2)을 측정할 수 있다.The
먼저, 전력 계측 모듈(120)는 전자기기별로 소비 전력을 측정할 수 있는 스마트 미터(Smart meter)일 수 있으며, 이에 한정을 두지 않는다.First, the
여기서, 전자기기는 TV, 조명, 세탁기, 전자레인지, 공기조화기(시스템 에어컨), 전기밥솥, 드라이기, 온수매트, 가습기, 환기장치, 공기청정기 및 노트북을 포함할 수 있으며, 이에 한정을 두지 않는다.Here, the electronic device may include, but is not limited to, a TV, lighting, washing machine, microwave oven, air conditioner (system air conditioner), rice cooker, hair dryer, hot water mat, humidifier, ventilation device, air purifier, and laptop computer. .
제어 모듈(130)은 추출부(132), 결정부(134) 및 동작부(136)를 포함할 수 있다.The
추출부(132)는 실내 환경값(data1) 및 소비 전력값(data2)을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치한 재실자의 행동 정보를 추출할 수 있다.The
여기서, 상기 재실자 행동 분류 모델은 상기 재실자의 행동에 따라 변화되는 실내 환경값(data1) 및 소비 전력값(data2)을 기계학습하여 생성될 수 있으며, 도 2 내지 도 5에서 설명하기로 한다.Here, the occupant behavior classification model may be generated by machine learning the indoor environment value (data1) and power consumption value (data2) that are changed according to the behavior of the occupant, and will be described with reference to FIGS. 2 to 5 .
추출부(132)는 실내 환경값(data1)과 이전 실내 환경값의 제1 변화량 및 소비 전력값(data2)과 이전 소비 전력값 사이의 제2 변화량을 산출하고, 상기 제1, 2 변화량을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출할 수 있다.The
상기 재실자의 행동 정보는 상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태일 수 있으며, 이에 한정을 두지 않는다.The behavior information of the occupant may be any one of a sleeping state, an outing state, a cooking state, an exercise state, and a resting state, but is not limited thereto.
결정부(134)는 실내 환경값(data1)이 설정된 기준 실내 환경값으로 유지되게, 환경 전자기기들(140) 각각의 제어값들을 결정할 수 있다.The
예를들어, 환경 전자기기들(140)은 공기조화기, 공기청정기 및 환기 장치 등일 수 있으며, 이에 한정을 두지 않는다.For example, the environmental
여기서, 상기 기준 실내 환경값은 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값에 대하여, 실내의 쾌적한 환경을 조성하기 위해 기 설정된 값일 수 있다.Here, the reference indoor environmental value is a value preset to create a comfortable indoor environment with respect to a temperature value, a humidity value, a carbon dioxide value, a noise value, an illuminance value, a volatile organic compound (VOC) capacity value, and a fine dust capacity value. can
결정부(134)는 상기 재실자의 행동 상태, 예를 들어 운동 중인 경우 미세먼지 및 이산화탄소를 낮추기 위해 환경 전자기기들(140) 각각의 동작을 위한 제어값들을 결정할 수 있으며, 상기 재실자의 행동 상태가 수면 또는 거실에서 TV 시청 중일때와 환경 전자기기들(140) 각각의 동작을 위한 제어값들과 서로 다를 수 있다.The
동작부(136)는 환경 전자기기들(140)로 상기 제어값들을 전송하여, 환경 전자기기들(140)의 동작을 제어할 수 있다.The
도 2 내지 도 4는 도 1에 나타낸 추출부에 적용되는 재실자 행동 분류 모델을 설명하기 위한 예시도이다.2 to 4 are exemplary views for explaining the occupant behavior classification model applied to the extraction unit shown in FIG. 1 .
먼저, 도 2는 재실자 행동 분류 모델을 생성하기 위한 데이터 처리 과정을 나타낸다.First, FIG. 2 shows a data processing process for generating a occupant behavior classification model.
도 2의 input data는 도 1에서 설명한 실내 환경값(data1) 및 소비 전력값(data2)를 포함할 수 있으며, Output 값은 재실자 행동으로 지정하였으며 모델에 적합하게 가공하기 위해 데이터 전처리 과정을 수행한다.The input data of FIG. 2 may include the indoor environment value (data1) and power consumption value (data2) described in FIG. 1 , and the output value is designated as an occupant behavior, and data pre-processing is performed to process it appropriately to the model. .
재실자 행동 데이터는 별도의 처리 과정을 거쳐 이미지 데이터에서 범주형 데이터로 변환한다. Occupant behavior data is converted from image data to categorical data through a separate processing process.
모델의 입력 값은 Random Forest algorithm을 활용한 변수중요도 기법을 사용하고, 재실자 인지 모델 개발 방법으로 KNN과 Random Forest의 Classification algorithm을 적용하여 Input data에 따른 평가와 Classification algorithm 별 평가를 수행한다. For the input value of the model, the variable importance technique using the random forest algorithm is used, and the classification algorithm of KNN and Random Forest is applied as a occupant recognition model development method to perform evaluation according to input data and evaluation by classification algorithm.
분석 과정은 Python, 기계학습 라이브러리로는 sklearn을 활용하였다.The analysis process used Python and sklearn was used as a machine learning library.
도 3은 재실자 행동 분류 모델을 생성하기 위한, 실험을 위한 샤워시설, 조리시설 및 가전제품의 위치를 나타낸다. 3 shows the locations of shower facilities, cooking facilities, and home appliances for an experiment to generate a occupant behavior classification model.
실험 기간 동안, 추출부(132)는 주방PM2.5농도(PM2.5_K), 거실PM2.5 농도(PM2.5_L), 외기PM2.5농도(PM2.5_O), 침실PM2.5농도(PM2.5_B), 거실온도(TEMP_L), 거실상대습도(RH_L), 거실CO2농도(CO2_L), 침실온도(TEMP_B), 침실상대습도(RH_B), 침실CO2농도(CO2_B)를 포함하는 실내 환경값(data1) 및 세탁기, 전자레인지, 조명, 시스템에어컨, 전기밥솥, 드라이기, TV, 온수매트, 가습기, 환기장치, 공기청정기, 노트북(Laptop) 각각에서 소비되는 소비 전력을 포함하는 소비 전력값(data2)을 획득할 수 있다.During the experiment period, the
재실자의 행동 정보는 거실에 설치된 Web Camera를 통하여 이미지 데이터로 수집하지만, 이미지 데이터는 분류 모델에 사용할 수 없기 때문에 1분 간격의 범주형 데이터로 변환한다. Although occupant behavior information is collected as image data through a web camera installed in the living room, image data cannot be used for classification models, so it is converted into categorical data at 1-minute intervals.
재실자 행동 레이블을 지정하기 위해 국민생활시간 통계자료를 참고하며, 국민생활시간 통계자료에서는 우리나라 국민들의 행동을 분류하고, 수집한 이미지로부터 재실자 행동을 구분하여 수면, 외출, 식사, 운동, 드라이기 사용, 휴식, 식사준비, 설거지, 청소, 작업(컴퓨터), 보행의 11가지 행동 상태와 Web camera범위를 벗어나거나 녹화 불량으로 인한 미상으로 분류한다. In order to designate the occupant behavior label, we refer to the national life time statistical data, and in the national life time statistical data, the behavior of the Korean people is classified, and the occupant behavior is classified from the collected images, so that sleeping, going out, eating, exercising, using a dryer, The 11 behavioral states of rest, meal preparation, washing dishes, cleaning, work (computer), and walking are classified as unknown due to out of range of web camera or poor recording.
11가지 재실자 행동 중 본 연구에서 개발하는 모델의 Output 레이블을 선정하기 위해, 실험기간 동안 피 실험자가 행동 별로 소비하는 시간을 분(Minute)으로 나타낸다.In order to select the output label of the model developed in this study among the 11 occupant behaviors, the time spent by the subject for each behavior during the experiment is expressed in minutes.
재실자의 행동 중 소비하는 시간은 수면, 외출, 작업, 휴식, 요리, 식사, 운동, 설거지, 드라이기사용, 청소, 보행 순으로 높게 나타난다. 이 중 상위 7가지 행동이 전체 행동의 98%이상을 차지하므로 수면, 외출, 작업, 휴식, 요리, 식사, 운동을 모델의 Output 레이블로 지정해 사용한다.Among the behaviors of occupants, the time spent sleeping, going out, working, resting, cooking, eating, exercising, washing dishes, using a hair dryer, cleaning, and walking are the highest in the order. Of these, the top 7 behaviors account for more than 98% of the total behavior, so sleep, going out, work, rest, cooking, eating, and exercise are designated as output labels of the model and used.
도 4를 참조하면, 실험을 통해 수집한 데이터는 계측기의 오류 또는 고장 등으로 인해 결측치가 생성될 수 있으며, 이러한 누락된 데이터는 개발된 모델의 성능을 저하시키거나 편향된 결과를 낼 수 있다. Referring to FIG. 4 , in data collected through experiments, missing values may be generated due to an error or failure of a measuring instrument, and such missing data may deteriorate the performance of the developed model or produce biased results.
따라서, 결측치를 사전에 보간(Imputation)하는 과정을 거쳐야 한다. Therefore, it is necessary to go through a process of interpolating missing values in advance.
결측치를 처리하는 방법으로는 단순 삭제와 다른 값으로 대치하는 방식으로 구분한다. Methods of handling missing values are divided into simple deletion and replacement with other values.
그러나 삭제 방법과 같은 경우 데이터의 특성을 분석하는데 중요한 속성을 제거할 수 있는 위험이 있기 때문에 대부분 대치 방법을 활용하며, 평균(meam), 중앙(median), 최빈(mode)값으로 대치하거나 KNN(K-nearest neighbour) 혹은 인공신경망과 같은 기계학습을 사용하는 방법이 있다. However, in the case of the deletion method, there is a risk of removing important properties for analyzing the characteristics of the data, so the imputation method is mostly used. There is a method using machine learning such as K-nearest neighbor) or artificial neural networks.
본 발명에서는 KNN을 활용하여 결측값들을 처리한다. KNN 결측치 처리 방법은 주어진 데이터의 결측값에 대한 k개의 가장 가까운 이웃으로 결측값을 예측하여 대치하는 방법으로 단순하지만 비교적 높은 정확도로 많이 사용하는 방법이다. In the present invention, missing values are processed using KNN. The KNN missing value processing method is a simple but relatively high accuracy method for predicting and replacing missing values with k nearest neighbors to missing values of the given data.
또한, 데이터마다 다른 계측 단위는 모델의 안정성 저하에 영향을 미치거나 높은 수치의 데이터가 낮은 수치의 데이터를 지배하는 등의 문제가 발생할 수 있다. 따라서 특성에 따라 다른 척도를 가진 데이터의 범위를 일치 시키는 데이터 정규화(Feature scaling) 방식이 필요하다. In addition, different measurement units for each data may affect the stability of the model or cause problems such as high-value data dominates low-value data. Therefore, a data normalization (feature scaling) method that matches the range of data with different scales according to characteristics is required.
도 4와 같이 온수매트(W), 주방PM2.5농도(㎍/㎥), 거실CO2농도(ppm)과 같이 각기 다른 단위를 가지고 있는 데이터(x)를 Equation 1을 통해 [0, 1] 범위로 변환(xt)시키는 최소최대정규화(Min-Max Normalization)을 수행하여 데이터의 범위를 통일하였다. As shown in FIG. 4, data (x) having different units such as hot water mat (W), kitchen PM2.5 concentration (㎍/㎥), and living room CO2 concentration (ppm) is [0, 1] range through Equation 1 The range of data was unified by performing Min-Max Normalization to transform (x t ) into .
또한 재실자 행동 특성 상 행동 별 데이터 수의 불균형(Imbalanced data)이 발생한다. 데이터 불균형을 해결하지 않고 모델을 개발한다면, 다수 클래스에 편향되어 소수 클래스의 식별 및 예측이 불가능한 모델이 될 수 있으므로 불균형을 해소하는 전처리가 필수적이다. Also, due to the characteristics of the occupant's behavior, an imbalance in the number of data for each behavior occurs. If a model is developed without resolving the data imbalance, it is biased toward the majority class and the model can become a model that cannot identify and predict the minority class, so preprocessing to resolve the imbalance is essential.
데이터 불균형 처리는 소수 클래스의 수를 다수 클래스 수에 맞추는 오버샘플링(Over Sampling)과 다수 클래스의 수를 소수 클래스의 수에 맞추는 언더샘플링(Under Sampling)으로 분류된다. Data imbalance processing is classified into oversampling, in which the number of minority classes is adjusted to the number of majority classes, and undersampling, in which the number of majority classes is adjusted to the number of minority classes.
Over Sampling은 소수 클래스를 랜덤으로 단순 복사하는 Random Over Sampling과 소수 클래스를 보간하여 새로운 데이터를 만드는 SMOTE(Synthetic Minority Over-sampling Technique), SMOTE 방식에 소수 클래스 주변에 다수 클래스가 있으면 삭제하는 ENN(Edited Nearest Neighbour) 방식을 결합한 SMOTE+ENN기법 등이 있다. Over Sampling is Random Over Sampling, which simply copies the prime class at random, SMOTE (Synthetic Minority Over-sampling Technique) to create new data by interpolating the prime class, and ENN (Edited Edited There are SMOTE+ENN techniques combined with Nearest Neighbor) method.
기계학습 알고리즘은 데이터를 분석하는 방법에 따라 지도학습(Supervised learning), 비지도학습(Unsupervised learning), 강화학습(Reinforcement learning)으로 구분된다. 지도학습은 입력값과 출력값의 데이터를 학습시켜 새로운 입력값에 대한 추출을 결정할 수 있도록 하는 방법으로 분류(Classification)과 회귀(Regression)에 활용된다. Machine learning algorithms are classified into supervised learning, unsupervised learning, and reinforcement learning according to a data analysis method. Supervised learning is a method of learning the data of input and output values to determine the extraction of new input values, and is used for classification and regression.
본 발명에서는 실내 환경과 기기 전력 사용량 데이터를 입력값으로 하여, 현재 재실자의 상태를 출력값으로 추출하기 위해 지도학습의 분류기법을 활용하였다. 대표적인 Classification 기법으로 K-Nearest Neighbor(KNN), Random Forest, Support Vector Machine(SVM), Artificial Neural Network(ANN), Decision Tree, Bayesian Classification등이 있다. In the present invention, a classification technique of supervised learning is used to extract the current occupant's state as an output value by using the indoor environment and device power usage data as input values. Representative classification techniques include K-Nearest Neighbor (KNN), Random Forest, Support Vector Machine (SVM), Artificial Neural Network (ANN), Decision Tree, and Bayesian Classification.
본 발명에서는 K-Nearest Neighbor(KNN)과 Random Forest을 활용하며, KNN은 1968년 Cover에 의해 제안된 알고리즘으로 가장 간단한 기계학습 알고리즘이다. In the present invention, K-Nearest Neighbor (KNN) and Random Forest are used, and KNN is the simplest machine learning algorithm proposed by Cover in 1968.
훈련데이터 집합에 있는 표본들의 유사도에 따라 라벨이 없는 표본들을 분류하는 방법으로. 새로운 데이터가 주어졌을 때 가장 가까운 K개의 라벨 표본을 찾고 K개의 부분 집합 내에 가장 빈도가 많이 나타나는 그룹에 새로운 데이터를 할당한다. A method of classifying unlabeled samples according to the similarity of the samples in the training data set. Given new data, it finds the closest K label samples and assigns the new data to the group that appears most frequently in the K subsets.
Random Forest은 단순성과 사용편의성으로 인해 건물 에너지 관련 연구에서 주로 사용되는 방법이다. Random Forest는 내부 노드(Internal node)의 속성을 테스트 하여 결과에 따라 분기(Branch)하여 리프 노드(Leaf node)로 클래스를 분류하는 Decision Tree를 여러 개 만들어 Tree 별 결과를 과반수 채택하여 사용하는 앙상블(Ensemble) 학습 방법이다. 분류 전과 후의 출력 변수 간의 불순도가 낮아지는 방향으로 학습한다.Random Forest is a method mainly used in research related to building energy due to its simplicity and ease of use. Random Forest tests the properties of internal nodes, branches according to the results, and creates several decision trees that classify classes into leaf nodes. Ensemble) is a learning method. It learns in such a way that the impurity between the output variables before and after classification decreases.
분류 결과의 정확성을 평가하기 위해서는 모델에 대한 유효성 평가가 선행되어야 한다. 이를 검증(Validation)이라고 하는데, 검증의 종류로는 이미 주어진 Train set을 랜덤하게 Train set과 Test set으로 한 번 더 분할하여 검증에 사용하는 홀드아웃(Hold Out), Train과 Test set을 Random하게 다시 설정하여 사용하는 부트스트랩(Bootstrap) 및 데이터를 무작위로 비슷한 크기의 k개로 나눠 모든 데이터가 적어도 한번 씩 Test set으로 사용하게 되는 교차검증(Cross validation)이 있다. In order to evaluate the accuracy of the classification result, the validity evaluation of the model must be preceded. This is called validation, and the types of validation include a holdout that divides the already given train set into a train set and a test set at random once more and uses it for validation, and randomly regenerates the train and test sets. Bootstrap to set and use, and cross validation, in which data is randomly divided into k of similar size, and all data is used as a test set at least once.
따라서 본 발명에서는 데이터를 10개로 나눠 검증하는 10-fold cross validation을 사용하여 분석을 수행하였다.Therefore, in the present invention, analysis was performed using 10-fold cross validation in which data was divided into 10 and verified.
분류 알고리즘에서는 사전 label과 모델에 의해 출력된 label을 비교하여 모델의 성능을 평가한다. In the classification algorithm, the performance of the model is evaluated by comparing the previous label with the label output by the model.
도 5는 본 발명에 따른 실내 환경 관리 장치의 동작방법을 나타낸 순서도이다.5 is a flowchart illustrating a method of operating an indoor environment management apparatus according to the present invention.
도 5를 참조하면, 실내 환경 관리 장치(100)의 제어 모듈(130)은 센서 모듈(110)에서 측정한 실내 환경값(data1) 및 전력 계측 모듈(120)에서 측정한 소비 전력값(data2)을 입력받을 수 있다(S110).Referring to FIG. 5 , the
제어 모듈(130)은 실내 환경값(data1) 및 소비 전력값(data2)을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치하는 재실자의 행동 정보를 추출할 수 있다(S120).The
즉, 제어 모듈(130)은 실내 환경값(data1) 및 소비 전력값(data2)을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치한 재실자의 행동 정보를 추출할 수 있다.That is, the
여기서, 상기 재실자 행동 분류 모델은 상기 재실자의 행동에 따라 변화되는 실내 환경값(data1) 및 소비 전력값(data2)을 기계학습하여 생성될 수 있으며, 도 2 내지 도 5에서 설명하기로 한다.Here, the occupant behavior classification model may be generated by machine learning the indoor environment value (data1) and the power consumption value (data2) that are changed according to the behavior of the occupant, and will be described with reference to FIGS. 2 to 5 .
제어 모듈(130)은 실내 환경값(data1)과 이전 실내 환경값의 제1 변화량 및 소비 전력값(data2)과 이전 소비 전력값 사이의 제2 변화량을 산출하고, 상기 제1, 2 변화량을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출할 수 있다.The
제어 모듈(130)은 실내 환경값(data1)이 상기 행동 정보에 대응하는 기준 실내 환경값으로 유지되게 환경 전자기기들(140)을 제어할 수 있다(S130).The
즉, 제어 모듈(130)은 실내 환경값(data1)이 설정된 기준 실내 환경값으로 유지되게, 환경 전자기기들(140) 각각의 제어값들을 결정할 수 있다.That is, the
예를들어, 환경 전자기기들(140)은 공기조화기, 공기청정기 및 환기 장치 등일 수 있으며, 이에 한정을 두지 않는다.For example, the environmental
여기서, 상기 기준 실내 환경값은 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값에 대하여, 실내의 쾌적한 환경을 조성하기 위해 기 설정된 값일 수 있다.Here, the reference indoor environmental value is a value preset to create a comfortable indoor environment with respect to a temperature value, a humidity value, a carbon dioxide value, a noise value, an illuminance value, a volatile organic compound (VOC) capacity value, and a fine dust capacity value. can
제어 모듈(130) 상기 재실자의 행동 상태, 예를 들어 운동 중인 경우 미세먼지 및 이산화탄소를 낮추기 위해 환경 전자기기들(140) 각각의 동작을 위한 제어값들을 결정할 수 있으며, 상기 재실자의 행동 상태가 수면 또는 거실에서 TV 시청 중일때와 환경 전자기기들(140) 각각의 동작을 위한 제어값들과 서로 다를 수 있다.The
제어 모듈(130) 환경 전자기기들(140)로 상기 제어값들을 전송하여, 환경 전자기기들(140)의 동작을 제어할 수 있다.The
이상에서 실시 예들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 예에 포함되며, 반드시 하나의 실시 예에만 한정되는 것은 아니다. 나아가, 각 실시 예에서 예시된 특징, 구조, 효과 등은 실시 예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.Features, structures, effects, etc. described in the above embodiments are included in at least one embodiment of the present invention, and are not necessarily limited to only one embodiment. Furthermore, features, structures, effects, etc. illustrated in each embodiment can be combined or modified for other embodiments by a person skilled in the art to which the embodiments belong. Accordingly, the contents related to such combinations and modifications should be interpreted as being included in the scope of the present invention.
또한, 이상에서 실시 예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.In addition, although the embodiment has been described above, it is merely an example and does not limit the present invention, and those of ordinary skill in the art to which the present invention pertains are exemplified above in a range that does not depart from the essential characteristics of the present embodiment. It can be seen that various modifications and applications that have not been made are possible. For example, each component specifically shown in the embodiment may be implemented by modification. And differences related to such modifications and applications should be construed as being included in the scope of the present invention defined in the appended claims.
Claims (11)
전자기기별로 소비되는 소비 전력값을 측정하는 전력 계측 모듈; 및
상기 실내 환경값 및 상기 소비 전력값을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치하는 재실자의 행동 정보를 추출하고, 상기 실내 환경값이 상기 행동 정보에 대응하는 기준 실내 환경값으로 유지되게 환경 전자기기들을 제어하는 제어 모듈을 포함하는,
실내 환경 관리 장치.a sensor module for measuring indoor environmental values;
a power measurement module for measuring the power consumption value for each electronic device; and
The indoor environmental value and the power consumption value are applied to a set occupant behavior classification model to extract behavior information of occupants located indoors, and the indoor environmental value is maintained as a reference indoor environmental value corresponding to the behavior information. Containing a control module for controlling the devices,
Indoor environment management device.
상기 실내 환경값은,
온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값를 포함하는,
실내 환경 관리 장치.The method of claim 1,
The indoor environment value is
Including temperature value, humidity value, carbon dioxide value, noise value, illuminance value, VOC (volatile organic compound) capacity value and fine dust capacity value,
Indoor environment management device.
상기 전력 계측 모듈은,
스마트 미터(Smart meter)인,
실내 환경 관리 장치.The method of claim 1,
The power measurement module,
A smart meter,
Indoor environment management device.
상기 제어 모듈은,
상기 실내 환경값 및 상기 소비 전력값을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출하는 추출부;
상기 실내 환경값이 상기 기준 실내 환경값으로 유지되게, 상기 환경 전자기기들 각각의 제어값들을 결정하는 결정부; 및
상기 환경 전자기기들로 상기 제어값들을 전송하여, 상기 환경 전자기기들의 동작을 제어하는 동작부를 포함하는,
실내 환경 관리 장치.The method of claim 1,
The control module is
an extractor configured to extract the behavior information by applying the indoor environment value and the power consumption value to the occupant behavior classification model;
a determining unit configured to determine control values of each of the environmental electronic devices so that the indoor environmental value is maintained as the reference indoor environmental value; and
and an operation unit configured to transmit the control values to the environmental electronic devices to control the operation of the environmental electronic devices.
Indoor environment management device.
상기 재실자 행동 분류 모델은,
상기 재실자의 행동에 따라 변화되는 상기 실내 환경값 및 상기 소비 전력값을 기계학습하여 생성된,
실내 환경 관리 장치.5. The method of claim 4,
The occupant behavior classification model is
generated by machine learning the indoor environment value and the power consumption value, which are changed according to the behavior of the occupant,
Indoor environment management device.
상기 추출부는,
상기 실내 환경값과 이전 실내 환경값의 제1 변화량 및 상기 소비 전력값과 이전 소비 전력값 사이의 제2 변화량을 산출하고, 상기 제1, 2 변화량을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출하는,
실내 환경 관리 장치.5. The method of claim 4,
The extraction unit,
A first change amount between the indoor environmental value and the previous indoor environmental value and a second change amount between the power consumption value and the previous electric power consumption value are calculated, and the first and second changes are applied to the occupant behavior classification model to obtain the behavior information to extract,
Indoor environment management device.
상기 행동 정보는,
상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태인,
실내 환경 관리 장치.5. The method of claim 4 .
The behavior information is
The occupant is in any one of a sleep state, an outing state, a cooking state, an exercise state, and a rest state,
Indoor environment management device.
상기 행동 정보는,
상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태이고,
상기 결정부는,
상기 행동 정보에 대응하는 상기 기준 실내 환경값으로 유지되게 상기 환경 전자기기들 각각의 상기 제어값들을 결정하는,
실내 환경 관리 장치.5. The method of claim 4,
The behavior information is
The occupant is in any one of a sleep state, an outing state, a cooking state, an exercise state, and a rest state;
The determining unit is
determining the control values of each of the environmental electronic devices to be maintained as the reference indoor environmental value corresponding to the behavior information;
Indoor environment management device.
상기 실내 환경값 및 상기 소비 전력값을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치하는 재실자의 행동 정보를 추출하는 단계; 및
상기 실내 환경값이 상기 행동 정보에 대응하는 기준 실내 환경값으로 유지되게 환경 전자기기들을 제어하는 단계를 포함하는,
실내 환경 관리 장치의 동작방법.receiving an indoor environmental value measured by a sensor module and a power consumption value measured by a power measuring module;
extracting behavior information of occupants located indoors by applying the indoor environment value and the power consumption value to a set occupant behavior classification model; and
Controlling the environmental electronic devices so that the indoor environmental value is maintained as a reference indoor environmental value corresponding to the behavior information,
Operation method of indoor environment management device.
상기 행동 정보를 추출하는 단계는,
상기 실내 환경값과 이전 실내 환경값의 제1 변화량 및 상기 소비 전력값과 이전 소비 전력값 사이의 제2 변화량을 산출하고, 상기 제1, 2 변화량을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출하는,
실내 환경 관리 장치의 동작방법.10. The method of claim 9,
The step of extracting the behavior information,
A first change amount between the indoor environmental value and the previous indoor environmental value and a second change amount between the power consumption value and the previous electric power consumption value are calculated, and the first and second changes are applied to the occupant behavior classification model to obtain the behavior information to extract,
Operation method of indoor environment management device.
상기 행동 정보는,
상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태이고,
상기 환경 전자기기들을 제어하는 단계는,
상기 실내 환경값이 상기 기준 실내 환경값으로 유지되게, 상기 환경 전자기기들 각각의 제어값들을 결정하고, 상기 환경 전자기기들로 상기 제어값들을 전송하여, 상기 환경 전자기기들의 동작을 제어하는,
실내 환경 관리 장치의 동작방법.10. The method of claim 9,
The behavior information is
The occupant is in any one of a sleep state, an outing state, a cooking state, an exercise state, and a rest state;
The step of controlling the environmental electronic devices,
Determining control values of each of the environmental electronic devices so that the indoor environmental value is maintained as the reference indoor environmental value, and transmitting the control values to the environmental electronic devices to control the operation of the environmental electronic devices,
Operation method of indoor environment management device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/010683 WO2023008825A1 (en) | 2021-07-27 | 2022-07-21 | Indoor environment control system and operation method thereof |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200094096 | 2020-07-28 | ||
| KR20200094096 | 2020-07-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220014314A true KR20220014314A (en) | 2022-02-04 |
| KR102650015B1 KR102650015B1 (en) | 2024-03-21 |
Family
ID=80268588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210098282A KR102650015B1 (en) | 2020-07-28 | 2021-07-27 | Indoor environment management device and the operation method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102650015B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023008825A1 (en) * | 2021-07-27 | 2023-02-02 | 단국대학교 산학협력단 | Indoor environment control system and operation method thereof |
| KR102585859B1 (en) * | 2022-08-10 | 2023-10-10 | 유비스 주식회사 | The Building management system and method based on the analysis of big data |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180057780A (en) * | 2016-11-22 | 2018-05-31 | 한국에너지기술연구원 | Energy management system and method using machine learning |
| KR101996618B1 (en) * | 2019-03-05 | 2019-10-01 | (주)파란빌트인 | Intelligent control device and method for home appliances and furniture |
| KR102095990B1 (en) * | 2018-10-23 | 2020-04-02 | (주)온테스트 | Home Energy Management System |
-
2021
- 2021-07-27 KR KR1020210098282A patent/KR102650015B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180057780A (en) * | 2016-11-22 | 2018-05-31 | 한국에너지기술연구원 | Energy management system and method using machine learning |
| KR102095990B1 (en) * | 2018-10-23 | 2020-04-02 | (주)온테스트 | Home Energy Management System |
| KR101996618B1 (en) * | 2019-03-05 | 2019-10-01 | (주)파란빌트인 | Intelligent control device and method for home appliances and furniture |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023008825A1 (en) * | 2021-07-27 | 2023-02-02 | 단국대학교 산학협력단 | Indoor environment control system and operation method thereof |
| KR102585859B1 (en) * | 2022-08-10 | 2023-10-10 | 유비스 주식회사 | The Building management system and method based on the analysis of big data |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102650015B1 (en) | 2024-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gopinath et al. | Energy management using non-intrusive load monitoring techniques–State-of-the-art and future research directions | |
| He et al. | Non-intrusive load disaggregation using graph signal processing | |
| Yan et al. | Semi-supervised learning for early detection and diagnosis of various air handling unit faults | |
| Zimmermann et al. | Fusion of nonintrusive environmental sensors for occupancy detection in smart homes | |
| Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
| Khan et al. | Fault detection analysis of building energy consumption using data mining techniques | |
| US9104189B2 (en) | Methods and apparatuses for monitoring energy consumption and related operations | |
| KR102650015B1 (en) | Indoor environment management device and the operation method | |
| Ebadat et al. | Regularized deconvolution-based approaches for estimating room occupancies | |
| Zhou et al. | A novel model based on multi-grained cascade forests with wavelet denoising for indoor occupancy estimation | |
| JP2012526281A (en) | Systems and methods for public use, monitoring and management of electricity | |
| Wu et al. | Understanding the indoor environment through mining sensory data—A case study | |
| De Baets et al. | Automated classification of appliances using elliptical fourier descriptors | |
| Yoon et al. | A non-intrusive data-driven model for detailed occupants’ activities classification in residential buildings using environmental and energy usage data | |
| Aliero et al. | The COVID-19 impact on air condition usage: A shift towards residential energy saving | |
| WO2019107403A1 (en) | Data generation device, data generation method, data generation program and sensor device | |
| Rueda et al. | Transient event classification based on wavelet neuronal network and matched filters | |
| Joshi et al. | High accuracy sensor fault detection for energy management applications | |
| Chitu et al. | Assessment of occupancy estimators for smart buildings | |
| Creţu et al. | Building occupancy classification from indirect sensing with heterogeneous datasets | |
| Lin et al. | Study on the Influence of voltage variations for Non-Intrusive Load Identifications | |
| Das et al. | Environment dependent neural network model for occupancy detection | |
| Tezde et al. | A comprehensive survey for non-intrusive load monitoring | |
| Jazizadeh | Building energy monitoring realization: Context-aware event detection algorithms for non-intrusive electricity disaggregation | |
| Wu et al. | Prediction of occupancy level and energy consumption in office building using blind system identification and neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |