KR20220023373A - System and Method for managing energy - Google Patents

System and Method for managing energy Download PDF

Info

Publication number
KR20220023373A
KR20220023373A KR1020200105032A KR20200105032A KR20220023373A KR 20220023373 A KR20220023373 A KR 20220023373A KR 1020200105032 A KR1020200105032 A KR 1020200105032A KR 20200105032 A KR20200105032 A KR 20200105032A KR 20220023373 A KR20220023373 A KR 20220023373A
Authority
KR
South Korea
Prior art keywords
environmental data
correlation
artificial intelligence
data
new
Prior art date
Application number
KR1020200105032A
Other languages
Korean (ko)
Other versions
KR102503577B1 (en
Inventor
성윤동
배국열
윤기환
송유진
Original Assignee
한국에너지기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020200105032A priority Critical patent/KR102503577B1/en
Publication of KR20220023373A publication Critical patent/KR20220023373A/en
Application granted granted Critical
Publication of KR102503577B1 publication Critical patent/KR102503577B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

The present specification provides an energy management system comprising: a data collection device for collecting environmental data on a plurality of energy using devices; and an energy usage prediction device for predicting the future energy usage of the plurality of energy using devices, based on the environmental data collected by the data collection device. The energy usage prediction device includes: a pre-processing unit for pre-processing the environmental data collected by the data collection device according to group information to generate new environmental data; a correlation determining unit for determining whether the correlation between the new environmental data and one or more environmental data pools included in a set of environmental data pools is greater than or equal to a first critical correlation; and an artificial intelligence model set management unit for managing a set of artificial intelligence models including one or more artificial intelligence models for predicting the future energy usage of the plurality of energy using devices according to the result of determination of the correlation determining unit. Therefore, the energy management system can efficiently perform retraining of the artificial intelligence models for predicting the future energy usage of the plurality of energy using devices.

Description

에너지 관리 시스템 및 방법{System and Method for managing energy}Energy management system and method {System and Method for managing energy}

본 발명은 에너지 관리 시스템 및 방법에 관한 것이다.The present invention relates to an energy management system and method.

최근 에너지 수요증가가 빠르게 증가하면서 전력 부족 현상이 심화되고 있다. 이러한 전력 부족 현상을 해소하기 위해, 발전 및 송배전 시설을 추가 설치함에 따라 사회적 비용이 급증하고 있으며, 전력의 공급확대도 지체되고 있는 상황이다. 이에 따라, 정부에서도 과거의 공급중심에서 수요관리 중심의 에너지 정책으로 전환하고 있다.In recent years, as the demand for energy has increased rapidly, the shortage of electricity has been exacerbated. In order to solve this power shortage, as power generation and transmission and distribution facilities are additionally installed, social costs are rapidly increasing, and the expansion of power supply is also delayed. Accordingly, the government is also shifting from the past supply-oriented energy policy to demand management-oriented energy policy.

전력의 수요관리란 소비자들의 전력 사용 패턴 변화를 통해 최소 비용으로 안정적인 전력수요를 충족시키기 위한 방안이다. 전력의 수요관리는 수요반응과 에너지효율향상으로 나눌 수 있다. 이러한 전력 수요관리를 건물, 가정, 공장에 적용할 경우 에너지 수요관리 효과가 크게 나타날 수 있을 것으로 판단된다.Electricity demand management is a measure to satisfy stable electric power demand at minimum cost through changes in consumers' electric power usage patterns. Electricity demand management can be divided into demand response and energy efficiency improvement. If such power demand management is applied to buildings, homes, and factories, it is judged that the energy demand management effect will be significant.

이와 같은 에너지 수요 관리 효과를 내기 위해서, 에너지 관리 시스템(EMS, Energy Management System)은 에너지를 사용하는 복수의 에너지 사용 장치(ex. 조명, 전기자동자, 에어컨, 냉장고)의 에너지 사용량 정보 및 상태 정보를 수집하고 이를 기초로 복수의 에너지 사용 장치의 미래 에너지 사용량을 정확하게 예측할 수 있어야 한다. In order to achieve such an energy demand management effect, an energy management system (EMS) collects energy usage information and state information of a plurality of energy-using devices (ex. lighting, electric vehicle, air conditioner, refrigerator) that use energy. It should be possible to accurately predict the future energy use of multiple energy-using devices based on the data collected.

에너지 관리 시스템이 미래 에너지 사용량을 최대한 정확하게 예측하기 위해서는 많은 종류의 데이터/장기간의 데이터를 확보해야 하고, 또한 확보한 데이터를 이용하여 미래 에너지 사용량을 예측하는 모델을 효율적으로 학습/재학습해야 할 필요가 있다.In order for the energy management system to predict future energy usage as accurately as possible, it is necessary to secure many types of data/long-term data, and to efficiently learn/relearn a model that predicts future energy usage using the acquired data. there is

실시예들은, 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 재학습을 효율적으로 수행할 수 있는 에너지 관리 시스템 및 그 방법을 제공한다.Embodiments provide an energy management system and method capable of efficiently performing re-learning of an artificial intelligence model for predicting future usage of a plurality of energy-using devices.

또한, 실시예들은 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 정확도를 높일 수 있는 에너지 관리 시스템 및 그 방법을 제공한다.Further, embodiments provide an energy management system and method capable of increasing the accuracy of an artificial intelligence model for predicting future usage of a plurality of energy-using devices.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical task to be achieved by the present embodiment is not limited to the technical task as described above, and other technical tasks may exist.

일 실시예는, 복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 장치; 및 데이터 수집 장치에서 수집한 환경 데이터를 기초로 하여, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 장치를 포함하는 에너지 관리 시스템을 제공한다. 이때, 에너지 사용량 예측 장치는 데이터 수집 장치에서 수집한 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리부; 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단부 및 상관도 판단부의 판단 결과에 따라 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리부를 포함한다.In one embodiment, a data collection device for collecting environmental data of a plurality of energy-using devices; and an energy usage prediction device for predicting future energy usage of the plurality of energy usage devices based on the environmental data collected by the data collection device. In this case, the energy usage prediction device includes: a pre-processing unit for pre-processing the environmental data collected by the data collection device according to group information to generate new environmental data; According to the determination result of the correlation determining unit and the correlation determining unit to determine whether the correlation between the new environmental data and one or more environmental data pools included in the set of environmental data pools is equal to or greater than the first critical correlation degree of the plurality of energy-using devices and an artificial intelligence model set management unit for managing an artificial intelligence model set including one or more artificial intelligence models for predicting future energy usage.

다른 실시예는, 에너지 관리 시스템에 의해 수행되는 에너지 관리 방법으로, 복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 단계; 및 데이터 수집 단계에서 수집된 환경 데이터를 기초로 하여, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 단계를 포함하는 에너지 관리 방법을 제공한다. 이때, 에너지 사용량 예측 단계는 데이터 수집 단계에서 수집된 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리 단계; 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단 단계; 및 상관도 판단 단계의 결과에 따라, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하기 위한 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리 단계를 포함할 수 있다.Another embodiment is an energy management method performed by an energy management system, comprising: a data collection step of collecting environmental data of a plurality of energy-using devices; And on the basis of the environmental data collected in the data collection step, provides an energy management method comprising an energy usage prediction step of predicting future energy usage of a plurality of energy using devices. In this case, the energy usage prediction step includes a pre-processing step of pre-processing the environmental data collected in the data collection step according to group information to generate new environmental data; a correlation determining step of determining whether a correlation between the new environmental data and one or more environmental data pools included in the environmental data pool set is equal to or greater than a first critical correlation; and according to the result of the correlation determination step, an artificial intelligence model set management step of managing an artificial intelligence model set including one or more artificial intelligence models for predicting future energy usage of a plurality of energy use devices.

실시예들에 따른 에너지 관리 시스템 및 그 방법에 의하면, 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 재학습을 효율적으로 수행할 수 있으며, 복수의 에너지 사용 장치의 미래 사용량을 예측하기 위한 인공 지능 모델의 정확도를 높일 수 있다.According to the energy management system and the method according to the embodiments, re-learning of an artificial intelligence model for predicting future usage of a plurality of energy-using devices can be efficiently performed, and future usage of a plurality of energy-using devices can be predicted It is possible to increase the accuracy of the artificial intelligence model for

도 1은 일 실시예에 따른 에너지 관리 시스템의 구성도이다.
도 2는 도 1의 에너지 사용량 예측 장치의 구성도이다.
도 3은 신규 환경 데이터와의 상관도를 비교할 환경 데이터 풀을 선택하는 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.
도 4는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도에 따른 동작의 에너지 사용량 예측 장치의 일 예를 나타내는 흐름도이다.
도 5는 도 4에서 에너지 사용량 예측 장치가 제1 환경 데이터 풀을 기초로 제1 인공 지능 모델을 재학습하는 동작을 나타낸 개념도이다.
도 6은 에너지 사용량 예측 장치가 제1 인공 지능 모델을 재학습하는 시점을 결정하는 동작의 일 예를 나타내는 흐름도이다.
도 7은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.
도 8은 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.
도 9는 도 8에서 에너지 사용량 예측 장치가 제2 환경 데이터 풀을 생성하고 제2 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.
도 10은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 다른 예를 나타내는 흐름도이다.
도 11은 도 10에서 에너지 사용량 예측 장치의 제3 환경 데이터 풀을 생성하고 제3 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.
도 12는 일 실시예에 따른 에너지 관리 방법의 흐름도이다.
도 13은 도 12의 에너지 사용량 예측 단계를 설명하는 흐름도이다.1 is a configuration diagram of an energy management system according to an embodiment.
FIG. 2 is a block diagram of the energy usage prediction device of FIG. 1 .
3 is a flowchart illustrating an example of an operation of an energy usage prediction device for selecting an environmental data pool to be compared with new environmental data.
4 is a flowchart illustrating an example of an apparatus for estimating energy use of an operation according to a correlation between new environmental data and a first environmental data pool.
FIG. 5 is a conceptual diagram illustrating an operation of re-learning the first artificial intelligence model based on the first environmental data pool by the energy usage prediction device in FIG. 4 .
6 is a flowchart illustrating an example of an operation for determining a time point at which an energy usage prediction device re-learns a first artificial intelligence model.
7 is a flowchart illustrating an example of an operation of an apparatus for predicting energy use according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.
8 is a flowchart illustrating an example of an operation of an apparatus for predicting energy use according to the number of environmental data having a correlation with new environmental data equal to or greater than a second threshold correlation.
9 is a conceptual diagram illustrating an operation in which the energy usage prediction device generates a second environment data pool and generates a second artificial intelligence model in FIG. 8 .
10 is a flowchart illustrating another example of an operation of an energy usage prediction apparatus according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.
11 is a conceptual diagram illustrating an operation of generating a third environment data pool of the energy usage prediction device in FIG. 10 and generating a third artificial intelligence model.
12 is a flowchart of an energy management method according to an embodiment.
13 is a flowchart illustrating an energy usage prediction step of FIG. 12 .

이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경Hereinafter, some embodiments of the present invention will be described in detail with reference to exemplary drawings. In adding reference numerals to the components of each drawing, it should be noted that the same components are given the same reference numerals as much as possible even though they are indicated on different drawings. In addition, in describing the present invention, when it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention

우에는 그 상세한 설명은 생략한다.In this case, a detailed description thereof will be omitted.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A,B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In addition, in describing the components of the present invention, terms such as first, second, A, B, (a), (b), etc. may be used. These terms are only for distinguishing the elements from other elements, and the essence, order, or order of the elements are not limited by the terms. When it is described that a component is “connected”, “coupled” or “connected” to another component, the component may be directly connected or connected to the other component, but another component is formed between each component. It should be understood that elements may also be “connected,” “coupled,” or “connected.”

도 1은 일 실시예에 따른 에너지 관리 시스템의 구성도이다.1 is a configuration diagram of an energy management system according to an embodiment.

도 1을 참조하면, 에너지 관리 시스템(100)은 데이터 수집 장치(110) 및 에너지 사용량 예측 장치(120)를 포함할 수 있다.Referring to FIG. 1 , the energy management system 100 may include a data collection device 110 and an energy usage prediction device 120 .

데이터 수집 장치(110)는 복수의 에너지 사용 장치의 환경 데이터를 수집할 수 있다.The data collection device 110 may collect environmental data of a plurality of energy-using devices.

에너지 사용 장치는 에너지를 사용(소비)하는 장치로서 부하(load)로도 호칭될 수 있다. 예를 들어, 에너지 사용 장치는 가정, 상업시설, 공장 등에서 에너지를 사용하는 냉/난방 공조기기, 조명, 전열, 전기자동차 등일 수 있다.An energy-using device is a device that uses (consumes) energy and may also be referred to as a load. For example, the energy-using device may be a cooling/heating/air conditioning device, lighting, electric heat, electric vehicle, etc. that use energy in homes, commercial facilities, factories, and the like.

에너지 사용 장치의 환경 데이터는 에너지 사용량 및 상태 정보(ex. 에너지 사용 장치 내/외부의 환경 정보, 에너지 요금 정보, 기상 정보, 요일 정보)를 포함할 수 있다.The environmental data of the energy-using device may include energy usage and state information (eg, environmental information inside/outside the energy-using device, energy rate information, weather information, and day information).

일 예로, 데이터 수집 장치(110)는 환경 센서, 에너지 기기(부하), 외부 시스템, 분산 전원, 전기 자동차(EV, electric vehicle) 등으로부터 복수의 에너지 사용 장치의 환경 데이터를 수집할 수 있다. 데이터 수집 장치(110)는 환경 센서로부터 실내/외의 온도, 습도, 조도, 일사량 등의 정보를 수집할 수 있다. 데이터 수집 장치(110)는 에너지 기기(부하)로부터 전열 사용량 등의 정보를 수집할 수 있다. 데이터 수집 장치(110)는 외부 시스템으로부터 에너지 비용(ex. 전력 요금), 기상 데이터 등을 수집할 수 있다. 데이터 수집 장치(110)는 분산 전원(ex. 태양광 발전기, 배터리)으로부터 공급되는 에너지의 양을 수집할 수 있다. 데이터 수집 장치(110)는 전기 자동차의 배터리 충전량 또는 방전량에 대한 정보를 수집할 수 있다. 데이터 수집 장치(110)는 실내에 있는 재실자의 수를 수집할 수 있다.For example, the data collection device 110 may collect environmental data of a plurality of energy-using devices from an environmental sensor, an energy device (load), an external system, a distributed power supply, an electric vehicle (EV), and the like. The data collection device 110 may collect information such as indoor/outdoor temperature, humidity, illuminance, and solar radiation from the environmental sensor. The data collection device 110 may collect information such as electric heat usage from an energy device (load). The data collection device 110 may collect energy costs (eg, electricity rates) and weather data from an external system. The data collection device 110 may collect an amount of energy supplied from a distributed power source (eg, a photovoltaic generator, a battery). The data collection device 110 may collect information on the amount of charge or discharge of the battery of the electric vehicle. The data collection device 110 may collect the number of occupants in the room.

에너지 사용량 예측 장치(120)는 데이터 수집 장치(110)에서 수집한 환경 데이터를 기초로 하여, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측할 수 있다. 이하, 에너지 사용량 예측 장치(120)의 구체적인 구성은 도 2에서 설명한다.The energy usage prediction device 120 may predict future energy usage of a plurality of energy usage devices based on the environmental data collected by the data collection device 110 . Hereinafter, a detailed configuration of the energy usage prediction device 120 will be described with reference to FIG. 2 .

도 2는 도 1의 에너지 사용량 예측 장치의 구성도이다.FIG. 2 is a block diagram of the energy usage prediction device of FIG. 1 .

도 2를 참조하면, 에너지 사용량 예측 장치(120)는 전처리부(121), 상관도 판단부(122) 및 인공 지능 모델 집합 관리부(123)를 포함할 수 있다.Referring to FIG. 2 , the energy usage prediction device 120 may include a preprocessor 121 , a correlation determiner 122 , and an artificial intelligence model set manager 123 .

전처리부(121)는 데이터 수집 장치(110)에서 수집한 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성할 수 있다. 신규 환경 데이터는 데이터 수집 장치(110)에서 군집 정보 별로 수집한 환경 데이터에 포함된 에너지 사용량 및 상태 정보를 모두 포함할 수 있다.The preprocessor 121 may preprocess the environment data collected by the data collection device 110 according to group information to generate new environment data. The new environmental data may include both energy usage and state information included in the environmental data collected by the data collection device 110 for each group information.

이때, 전처리부(121)는 신규 환경 데이터를 생성하는 과정에서 일반적인 전처리 동작(ex. missing value, NaN 처리, Resampling, 타입 변환, interpolation)도 함께 수행할 수 있다.In this case, the preprocessor 121 may also perform general preprocessing operations (eg, missing value, NaN processing, resampling, type conversion, interpolation) in the process of generating new environment data.

군집 정보는 환경 데이터를 수집하는 기간의 단위(ex. 1분/5분/1시간)의 정보 및 환경 데이터가 수집된 횟수(ex. 10회/20회/30회)를 포함할 수 있다. 일 예로 군집 정보는 환경 데이터가 1분 단위로 60회 동안 수집되었다는 것을 지시할 수 있다(이 경우, 환경 데이터는 총 1시간(60회 * 1분) 동안 수집되었다). 다른 예로 군집 정보는 환경 데이터가 5분 단위로 24회 동안 수집될 수 있다(이 경우, 환경 데이터는 총 2시간(24회 * 5분) 동안 수집되었다).The cluster information may include information of a unit of a period (eg, 1 minute/5 minutes/1 hour) for collecting environmental data and the number of times (eg, 10 times/20 times/30 times) that the environmental data is collected. As an example, the cluster information may indicate that the environmental data was collected for 60 times in units of 1 minute (in this case, the environmental data was collected for a total of 1 hour (60 times * 1 minute)). As another example, in the cluster information, environmental data may be collected 24 times in 5-minute increments (in this case, environmental data was collected for a total of 2 hours (24 times * 5 minutes)).

군집 정보를 어떻게 설정하는지에 따라서 후술할 인공 지능 모델이 예측하는 미래 에너지 사용량의 정확도가 달라질 수 있다. 군집 정보는 미래 에너지 사용량 예측의 정확도 또는 에너지 사용량을 예측하는데 소요되는 시간/비용의 효율성에 따라 다양하게 결정될 수 있다. 예를 들어, 군집 정보에서 환경 데이터를 수집하는 주기가 짧아질수록 더 빠른 시간 안에 미래 에너지 사용량을 예측할 수 있지만, 짧은 시간 안에 미래 에너지 사용량을 예측하기 위해서는 더 많은 횟수의 환경 데이터를 수집해야 하고 미래 에너지 사용량을 예측하는데 드는 리소스가 증가하므로 전체적인 비용이 상승할 수 있다.Depending on how the cluster information is set, the accuracy of future energy usage predicted by an artificial intelligence model, which will be described later, may vary. The cluster information may be variously determined according to the accuracy of predicting future energy use or the efficiency of time/cost required for predicting energy use. For example, the shorter the cycle of collecting environmental data from cluster information, the faster the future energy usage can be predicted. As more resources are spent in predicting energy usage, the overall cost can rise.

일 예로, 군집 정보는 에너지 사용량 예측 장치(120)가 에너지 사용량을 예측하는 시점이 언제인지에 따라 달라질 수 있다. 다른 예로, 군집 정보는 사용한 에너지에 대한 요금을 산정하는 시점에 따라 달라질 수도 있다.For example, the cluster information may vary depending on when the energy usage prediction apparatus 120 predicts the energy usage. As another example, the cluster information may vary depending on the timing of calculating the charge for the energy used.

예를 들어, 에너지 요금이 15분 단위로 추출되는 순시값에 따라 산정되고 1시간 단위로 누적해서 과금이 이루어지는 경우, 군집 정보는 15분 단위로 4회 동안 환경 데이터가 수집되었다는 것을 지시하는 정보일 수 있다. 이때, 미래 에너지 사용량을 예측하는 시점은 현재로부터 1시간 단위의 배수값(ex. 24시간) 이후의 시점일 수 있다.For example, if the energy rate is calculated according to the instantaneous value extracted every 15 minutes and billing is accumulated in units of 1 hour, cluster information is information indicating that environmental data has been collected 4 times in 15-minute units. can In this case, the time point at which the future energy usage is predicted may be a time point after a multiple value (eg, 24 hours) in units of one hour from the present.

상관도 판단부(122)는 전처리부(121)에서 생성한 신규 환경 데이터와 환경 데이터 풀 집합(124)에 포함된 하나 이상의 환경 데이터 풀(DBP) 간의 상관도가 제1 임계 상관도 이상인지 여부를 판단할 수 있다. 이때, 제1 임계 상관도는 미리 설정된 값(ex. 0.8)일 수 있다.The correlation determining unit 122 determines whether the correlation between the new environmental data generated by the preprocessor 121 and one or more environmental data pools (DBP) included in the environmental data pool set 124 is greater than or equal to the first critical correlation can be judged In this case, the first threshold correlation may be a preset value (ex. 0.8).

이때, 환경 데이터 풀(DBP)은 데이터 수집 장치(110)에 의해 기 수집된 환경 데이터를 저장하는 데이터 풀이다. 각 환경 데이터 풀(DBP)은 전술한 군집 정보 단위의 환경 데이터를 하나 이상 저장할 수 있다. 환경 데이터 풀(DBP)과 신규 환경 데이터 간의 상관도는 즉, 환경 데이터 풀(DBP)에 저장된 기 수집된 환경 데이터와 신규 환경 데이터 간의 상관도를 의미할 수 있다.In this case, the environment data pool DBP is a data pool that stores environment data previously collected by the data collection device 110 . Each environment data pool DBP may store one or more environment data of the aforementioned cluster information unit. The degree of correlation between the environment data pool DBP and the new environment data may mean a degree of correlation between the previously collected environment data stored in the environment data pool DBP and the new environment data.

한편, 도 2에서는 환경 데이터 풀 집합(124)이 에너지 사용량 예측 장치(120)의 내부에 저장된 경우를 일 예로 설명하였으나, 환경 데이터 풀 집합(124)는 에너지 사용량 예측 장치(120)의 외부에 위치한 별도의 데이터 저장 영역에 저장될 수도 있다.Meanwhile, in FIG. 2 , the case where the environmental data pool set 124 is stored inside the energy usage prediction device 120 has been described as an example, but the environmental data pool set 124 is located outside the energy usage prediction device 120 . It may be stored in a separate data storage area.

인공 지능 모델 집합 관리부(123)는 상관도 판단부(122)의 판단 결과에 따라 인공 지능 모델 집합(125)을 관리할 수 있다. 인공 지능 모델 집합(125)은 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 하나 이상의 인공 지능 모델(MDL)을 포함할 수 있다.The artificial intelligence model set management unit 123 may manage the artificial intelligence model set 125 according to the determination result of the correlation determination unit 122 . The artificial intelligence model set 125 may include one or more artificial intelligence models (MDLs) for predicting future energy use of a plurality of energy-using devices.

인공 지능 모델(MDL)은 복수의 에너지 사용 장치의 환경 데이터의 전체 또는 일부를 입력받아서, 복수의 에너지 사용 장치의 미래 에너지 사용량에 대한 정보를 출력할 수 있다. 인공 지능 모델(MDL)은 일 예로 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(SVM, Support Vector Machine), 랜덤 포레스트(Random Forest)와 같은 기계 학습(machine learning) 모델 또는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Networks), LSTM(Long Short-term memory model) 같은 딥 러닝(deep learning) 모델 일 수 있다. 인공 지능 모델(MDL)은 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀(DBP) 중 적어도 하나에 대응할 수 있다.The artificial intelligence model (MDL) may receive all or part of the environmental data of the plurality of energy-using devices, and may output information on future energy usage of the plurality of energy-using devices. Artificial intelligence model (MDL) is, for example, logistic regression (Logistic Regression), support vector machine (SVM), a machine learning (machine learning) model such as a random forest (Random Forest) or CNN (Convolutional Neural Network), It may be a deep learning model such as Recurrent Neural Networks (RNN) or Long Short-term memory model (LSTM). The artificial intelligence model (MDL) may correspond to at least one of the environment data pools (DBPs) included in the environment data pool set 124 .

한편, 전술한 상관도 판단부(122)는 일 예로 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀(DBP) 모두에 대해서, 각 환경 데이터 풀(DBP)과 신규 환경 데이터 간의 상관도를 비교할 수 있다.Meanwhile, the above-described correlation determining unit 122 compares the degree of correlation between each environmental data pool (DBP) and new environmental data for all of the environmental data pools (DBP) included in the environmental data pool set 124 as an example. can

그러나 이 경우에는 모든 환경 데이터 풀(DBP)에 대해서 신규 환경 데이터와의 상관도를 계산해야 하기 때문에, 상관도 판단에 소요되는 시간이 증가하는 문제가 발생할 수 있다.However, in this case, since it is necessary to calculate the degree of correlation with the new environmental data for all the environmental data pools (DBP), the time required for determining the degree of correlation may increase.

따라서, 상관도 판단부(122)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀(DBP) 중에서 환경 데이터 풀(DBP)을 선택하고, 선택된 환경 데이터 풀(DBP)에 대해 군집 정보 별로 대표값을 추출하고 이를 신규 환경 데이터의 군집 정보 별 대표값과 비교함으로써 선택된 환경 데이터 풀(DBP)과 신규 환경 데이터 간의 상관도를 비교할 수 있다. 이를 통해 상관도 판단부(122)는 상관도 판단에 소요되는 시간을 줄일 수 있다.Accordingly, the correlation determining unit 122 selects an environmental data pool (DBP) from among the environmental data pools (DBP) included in the environmental data pool set 124, and represents the selected environmental data pool (DBP) for each cluster information. By extracting a value and comparing it with a representative value for each cluster information of the new environmental data, the correlation between the selected environmental data pool (DBP) and the new environmental data can be compared. Through this, the correlation determining unit 122 may reduce the time required for determining the correlation.

일 예로, 상관도 판단부(122)는 환경 데이터 풀 집합(124)에 포함된 각 환경 데이터 풀(DBP)의 군집 정보 별 대표값과 신규 환경 데이터의 군집 정보 별 대표값을 비교해서, 신규 환경 데이터와 상관도를 비교할 환경 데이터 풀을 결정할 수 있다. 이하, 도 3에서 이에 대해 자세히 설명한다.For example, the correlation determining unit 122 compares the representative value for each cluster information of each environmental data pool (DBP) included in the environmental data pool set 124 with the representative value for each cluster information of the new environment data, and the new environment It is possible to determine a pool of environmental data against which to compare data and correlation. Hereinafter, this will be described in detail with reference to FIG. 3 .

도 3은 신규 환경 데이터와의 상관도를 비교할 환경 데이터 풀을 선택하는 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.3 is a flowchart illustrating an example of an operation of an energy usage prediction device for selecting an environmental data pool to be compared with a degree of correlation with new environmental data.

도 3을 참조하면, 에너지 사용량 예측 장치(120)의 상관도 판단부(122)는 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 군집 정보 별 대표값과 신규 환경 데이터의 군집 정보 별 대표값 간의 상관도를 비교할 수 있다(S310).Referring to FIG. 3 , the correlation determining unit 122 of the energy usage prediction device 120 determines between the representative value for each cluster information of each environmental data pool included in the environmental data pool set and the representative value for each cluster information of the new environmental data. The degree of correlation can be compared (S310).

상관도 판단부(122)는 환경 데이터 풀의 군집 정보 별 대표값과 신규 환경 데이터의 군집 정보 별 대표값 간의 상관도가 설정된 임계 상관도 이하인지 판단한다(S320). 만약 상관도의 차이가 임계 상관도 이하일 때(S320-Y), 상관도 판단부(122)는 선택된 환경 데이터 풀에 신규 환경 데이터를 추가할 수 있다(S330).The correlation determining unit 122 determines whether the correlation between the representative value for each cluster information of the environmental data pool and the representative value for each cluster information of the new environmental data is less than or equal to a set threshold correlation (S320). If the difference in correlation is less than or equal to the critical correlation (S320-Y), the correlation determining unit 122 may add new environmental data to the selected environmental data pool (S330).

반면, 상관도의 차이가 임계 상관도를 초과하면(S320-N), 상관도 판단부(122)는 선택된 환경 데이터 풀에 신규 환경 데이터를 추가하는 대신에 새로운 환경 데이터 풀을 생성할 수 있는지 여부를 판단할 수 있다(S340).On the other hand, if the difference in correlation exceeds the critical correlation (S320-N), the correlation determining unit 122 may generate a new environmental data pool instead of adding new environmental data to the selected environmental data pool. can be determined (S340).

이때, 대표값은 일 예로 전체 데이터의 특징을 나타내는 평균(average) 또는 중간값(median)일 수 있다.In this case, the representative value may be, for example, an average or a median indicating characteristics of all data.

이하, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 하나인 제1 환경 데이터 풀 간의 상관도를 비교할 경우, 상관도에 따른 동작을 도 4의 흐름도를 통해 설명한다.Hereinafter, when the correlation between the new environmental data and the first environmental data pool, which is one of the environmental data pools included in the environmental data pool set, is compared, an operation according to the correlation diagram will be described with reference to the flowchart of FIG. 4 .

도 4는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도에 따른 동작의 에너지 사용량 예측 장치의 일 예를 나타내는 흐름도이다.4 is a flowchart illustrating an example of an apparatus for estimating energy use of an operation according to a correlation between new environmental data and a first environmental data pool.

도 4를 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도를 판단할 수 있다(S410).Referring to FIG. 4 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 may determine a correlation between the new environment data and the first environment data pool ( S410 ).

인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 이상인지 판단한다(S420).The artificial intelligence model set management unit 123 determines whether the correlation between the new environment data and the first environment data pool is equal to or greater than a first critical correlation level (S420).

만약, 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 이상일 때(S420-Y), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀에 신규 환경 데이터를 추가하고(S430), 설정된 재학습 조건을 만족한 경우 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습할 수 있다(S440). 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델의 정확도를 높이기 위해서, 제1 환경 데이터 풀과 상관도가 높은 신규 환경 데이터를 제1 인공 지능 모델의 재학습에 사용할 수 있다.If the correlation between the new environment data and the first environment data pool is equal to or greater than the first threshold correlation (S420-Y), the artificial intelligence model set management unit 123 adds the new environment data to the first environment data pool ( S430), when the set re-learning condition is satisfied, the first artificial intelligence model corresponding to the first environmental data pool may be re-learned (S440). In order to increase the accuracy of the first artificial intelligence model corresponding to the first environmental data pool, the artificial intelligence model set management unit 123 re-learns the first artificial intelligence model with new environmental data having a high correlation with the first environmental data pool. can be used for

반면, 신규 환경 데이터와 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만일 때(S420-N), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀에 신규 환경 데이터를 추가하는 동작을 실행하지 않는다.On the other hand, when the correlation between the new environment data and the first environment data pool is less than the first threshold correlation (S420-N), the artificial intelligence model set management unit 123 adds the new environment data to the first environment data pool do not run

도 5는 도 4에서 에너지 사용량 예측 장치가 제1 환경 데이터 풀을 기초로 제1 인공 지능 모델을 재학습하는 동작을 나타낸 개념도이다.FIG. 5 is a conceptual diagram illustrating an operation of re-learning the first artificial intelligence model based on the first environmental data pool by the energy usage prediction device in FIG. 4 .

도 5를 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터(NEW_DATA)를 제1 환경 데이터 풀(DBP_1)에 추가하고, 신규 환경 데이터(NEW_DATA)가 추가된 제1 환경 데이터 풀(DBP_1)을 이용하여 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다.Referring to FIG. 5 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 adds new environmental data NEW_DATA to the first environmental data pool DBP_1, and new environmental data NEW_DATA is added. The first artificial intelligence model MDL_1 may be re-learned using the first environment data pool DBP_1.

이때, 신규 환경 데이터(NEW_DATA)가 추가된 제1 환경 데이터 풀(DBP_1)을 이용하여 인공 지능 모델 집합 관리부(123)가 제1 인공 지능 모델(MDL_1)을 재학습하는 시점이 언제인지는 다양하게 결정될 수 있다. 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)을 재학습하여 정확도를 높일 수 있으나, 제1 인공 지능 모델(MDL_1)에 대한 재학습을 너무 자주 수행하게 되면 재학습으로 인해 발생하는 비용이 증가할 수 있기 때문이다.At this time, using the first environment data pool DBP_1 to which the new environment data NEW_DATA is added, the time point at which the artificial intelligence model set management unit 123 re-learns the first artificial intelligence model MDL_1 varies in various ways. can be decided. The artificial intelligence model set management unit 123 may re-learn the first artificial intelligence model (MDL_1) to increase the accuracy, but if the re-learning of the first artificial intelligence model (MDL_1) is performed too often, it occurs due to re-learning This is because the cost may increase.

일 예로, 인공 지능 모델 집합 관리부(123)는 미리 설정된 주기마다 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다. 다른 예로, 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀(DBP_1)에 저장된 데이터의 크기가 미리 설정된 임계 데이터 크기 이상일 때 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다.For example, the artificial intelligence model set management unit 123 may re-learn the first artificial intelligence model MDL_1 every preset period. As another example, the artificial intelligence model set manager 123 may re-learn the first artificial intelligence model MDL_1 when the size of data stored in the first environment data pool DBP_1 is greater than or equal to a preset threshold data size.

또 다른 예로 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)이 특정한 조건을 만족한 시점에 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다.As another example, the artificial intelligence model set manager 123 may re-learn the first artificial intelligence model MDL_1 when the first artificial intelligence model MDL_1 satisfies a specific condition.

이하, 인공 지능 모델 집합 관리부(123)가 제1 인공 지능 모델(MDL_1)을 재학습하는 시점을 결정하는 동작의 일 예를 도 6을 통해 설명한다.Hereinafter, an example of an operation for determining when the artificial intelligence model set management unit 123 re-learns the first artificial intelligence model MDL_1 will be described with reference to FIG. 6 .

도 6은 에너지 사용량 예측 장치가 제1 인공 지능 모델을 재학습하는 시점을 결정하는 동작의 일 예를 나타내는 흐름도이다.6 is a flowchart illustrating an example of an operation for determining a time point at which an energy usage prediction device re-learns a first artificial intelligence model.

도 6을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델의 정확도(MDL_1)가 임계 정확도 미만인지 판단한다(S610). 이때, 제1 인공 지능 모델(MDL_1)의 정확도는 제1 인공 지능 모델(MDL_1)이 예측한 미래 에너지 사용량과 실제로 복수의 에너지 사용 장치가 사용한 에너지 사용량의 차이 및 이에 따라 발생한 비용을 통해 계산될 수 있다.Referring to FIG. 6 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 determines whether the accuracy (MDL_1) of the first artificial intelligence model is less than a threshold accuracy ( S610 ). At this time, the accuracy of the first artificial intelligence model (MDL_1) can be calculated through the difference between the future energy usage predicted by the first artificial intelligence model (MDL_1) and the energy usage actually used by a plurality of energy-using devices and the cost incurred accordingly. there is.

만약 제1 인공 지능 모델(MDL_1)의 정확도가 임계 정확도 미만일 때(S610-Y), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀(DBP_1)의 크기가 임계 데이터 사이즈 이상인지 판단한다(S620).If the accuracy of the first artificial intelligence model (MDL_1) is less than the threshold accuracy (S610-Y), the artificial intelligence model set management unit 123 determines whether the size of the first environment data pool DBP_1 is greater than or equal to the threshold data size (S610-Y) ( S620).

만약 제1 환경 데이터 풀(DBP_1)의 크기가 임계 데이터 사이즈 이상일 때(S620-Y), 인공 지능 모델 집합 관리부(123)는 제1 환경 데이터 풀(DBP_1)을 기초로 제1 인공 지능 모델(MDL_1)을 재학습할 수 있다(S630). 즉, 제1 인공 지능 모델(MDL_1)의 정확도가 낮아서 재학습이 필요하고, 재학습에 사용될 수 있는 환경 데이터의 크기가 충분할 때 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)에 대한 재학습을 수행할 수 있다.If the size of the first environment data pool DBP_1 is greater than or equal to the threshold data size (S620-Y), the artificial intelligence model set management unit 123 sets the first artificial intelligence model MDL_1 based on the first environment data pool DBP_1 ) can be re-learned (S630). That is, when the accuracy of the first artificial intelligence model (MDL_1) is low and re-learning is required, and the size of the environmental data that can be used for re-learning is sufficient, the artificial intelligence model set management unit 123 controls the first artificial intelligence model (MDL_1) can be relearned.

반면, 제1 인공 지능 모델(MDL_1)의 정확도가 임계 정확도 이상이거나(S610-N), 제1 환경 데이터 풀(DBP_1)의 크기가 임계 데이터 사이즈 미만이면(S620-N), 인공 지능 모델 집합 관리부(123)는 제1 인공 지능 모델(MDL_1)을 재학습하지 않는다. 이는 현재 상황이 제1 인공 지능 모델(MDL_1)의 정확도를 개선할 필요가 없거나 또는 제1 인공 지능 모델(MDL_1)의 정확도를 재학습을 통해 개선할 수 없는 상황이라는 것을 의미하기 때문이다.On the other hand, if the accuracy of the first artificial intelligence model (MDL_1) is greater than or equal to the threshold accuracy (S610-N), or the size of the first environment data pool (DBP_1) is less than the threshold data size (S620-N), the artificial intelligence model set management unit (123) does not relearn the first artificial intelligence model (MDL_1). This is because the current situation means that it is not necessary to improve the accuracy of the first artificial intelligence model MDL_1 or the accuracy of the first artificial intelligence model MDL_1 cannot be improved through re-learning.

이와 같이, 인공 지능 모델의 재학습을 특정한 시점에만 수행함으로써, 인공 지능 모델 집합 관리부(123)는 인공 지능 모델의 재학습에 과도한 비용이 소요되는 것을 방지하여 인공 지능 모델을 효율적으로 재학습할 수 있다.In this way, by performing the re-learning of the artificial intelligence model only at a specific point in time, the artificial intelligence model set management unit 123 can efficiently re-learn the artificial intelligence model by preventing excessive cost for the re-learning of the artificial intelligence model. there is.

이상 도 4 내지 도 6에서는 기존에 생성된 인공 지능 모델을 재학습하는 경우에 대해 설명하였다. 이하 도 7에서는 기존에 생성된 인공 지능 모델을 재학습하는 대신, 새로운 인공 지능 모델을 생성하는 경우에 대해 설명한다.The case of re-learning the previously generated artificial intelligence model has been described above with reference to FIGS. 4 to 6 . Hereinafter, a case in which a new artificial intelligence model is generated instead of re-learning an existing artificial intelligence model will be described in FIG. 7 .

도 7은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.7 is a flowchart illustrating an example of an operation of an energy usage prediction apparatus according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.

도 7을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 간의 상관도를 판단할 수 있다(S710).Referring to FIG. 7 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 may determine the correlation between the new environmental data and the environmental data pool included in the environmental data pool set 124 ( S710 ). ).

인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와 환경 데이터 풀 집합(124)에 포함된 모든 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만인지 판단한다(S720).The artificial intelligence model set management unit 123 determines whether the correlation between the new environmental data and all environmental data pools included in the environmental data pool set 124 is less than a first critical correlation ( S720 ).

만약 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만일 때(S720-Y), 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터 및 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 새로운 제2 환경 데이터 풀이 생성 가능한지 여부를 판단할 수 있다(S730). 즉, 기 생성된 환경 데이터 풀 중에서 신규 환경 데이터를 추가할 수 있는 환경 데이터 풀이 존재하지 않는 경우, 인공 지능 모델 집합 관리부(123)는 새로운 환경 데이터 풀을 생성할 수 있는지 여부를 판단하여, 필요한 경우 새로운 환경 데이터 풀을 생성하고 새로 생성된 환경 데이터 풀에 대한 인공 지능 모델을 새로 생성할 수 있다.If the correlation between the new environmental data and all the environmental data pools included in the environmental data pool set is less than the first critical correlation (S720-Y), the artificial intelligence model set management unit 123 sets the new environmental data and the environmental data pool set It may be determined whether it is possible to create a new second environment data pool including some of the environment data included in ( S730 ). That is, if there is no environment data pool to which new environment data can be added among the previously created environment data pools, the artificial intelligence model set management unit 123 determines whether a new environment data pool can be created, and if necessary You can create a new environment data pool and create a new artificial intelligence model for the newly created environment data pool.

이하, 도 8에서는 S730 단계에서 판단한 제2 환경 데이터 풀의 생성 가능 여부에 따른 에너지 사용량 예측 장치(120)의 동작을 흐름도를 통해 설명한다.Hereinafter, in FIG. 8 , the operation of the energy usage prediction apparatus 120 according to whether the second environmental data pool determined in step S730 can be generated will be described with reference to a flowchart.

도 8은 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수에 따른 에너지 사용량 예측 장치의 동작의 일 예를 나타내는 흐름도이다.8 is a flowchart illustrating an example of an operation of an apparatus for predicting energy use according to the number of environmental data having a correlation with new environmental data equal to or greater than a second threshold correlation.

도 8을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀에 저장된 환경 데이터를 탐색하여, 그 중 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수를 판단할 수 있다(S810).Referring to FIG. 8 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 searches for environmental data stored in the environmental data pool included in the environmental data pool set 124 , and among them, the new environmental data and It is possible to determine the number of environmental data in which the correlation of is equal to or greater than the second critical correlation (S810).

인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상인지 판단한다(S820).The artificial intelligence model set management unit 123 determines that the number of environment data whose correlation with the new environment data is greater than or equal to the second threshold correlation among the environmental data included in any one of the environmental data pools included in the environmental data pool set is the critical environment data. It is determined whether the number is greater than or equal to the number (S820).

만약 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때(S820-Y), 인공 지능 모델 집합 관리부(123)는 새로운 제2 환경 데이터 풀을 생성할 수 있을 만큼 환경 데이터의 양이 충분하다고 판단하여, 새로운 제2 환경 데이터 풀을 생성하여 환경 데이터 풀 집합에 추가할 수 있다(S830).If the number of environment data having a correlation with the new environment data in any one of the environment data pools included in the environment data pool set 124 is equal to or greater than the second critical correlation level, the number of environment data is equal to or greater than the critical environment data number (S820) -Y), the artificial intelligence model set management unit 123 determines that the amount of environmental data is sufficient to create a new second environment data pool, creates a new second environment data pool, and adds it to the environment data pool set It can be done (S830).

이때, 제2 환경 데이터 풀에는 신규 환경 데이터 및 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터가 추가될 수 있다.In this case, the new environment data and environment data having a correlation with the new environment data equal to or greater than the second critical correlation level may be added to the second environment data pool.

그리고 인공 지능 모델 집합 관리부(123)는 생성된 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 인공 지능 모델 집합에 추가할 수 있다(S840).In addition, the artificial intelligence model set management unit 123 may generate a second artificial intelligence model corresponding to the generated second environment data pool and add it to the artificial intelligence model set (S840).

반면, 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때(S820-N), 인공 지능 모델 집합 관리부(123)는 새로운 제2 환경 데이터 풀을 생성하기에는 환경 데이터의 양이 충분하지 않다고 판단하여 신규 환경 데이터를 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 어느 하나에 추가할 수 있다.On the other hand, when the number of environmental data whose correlation with the new environmental data is equal to or greater than the second critical correlation among environmental data included in any one of the environmental data pools included in the environmental data pool set 124 is less than the number of critical environmental data ( S820-N), the artificial intelligence model set management unit 123 determines that the amount of environmental data is not sufficient to create a new second environmental data pool, and adds new environmental data to the environmental data pool included in the environmental data pool set 124 You can add any of them.

일 예로, 인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 신규 환경 데이터를 추가할 수 있다(S850). 그리고, 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터가 추가된 환경 데이터 풀에 대응하는 인공 지능 모델을 재학습할 수 있다(S860).As an example, the artificial intelligence model set management unit 123 may store new environment data in an environment data pool having the greatest correlation with new environment data among the environment data pools included in the environment data pool set 124 or a preset default environment data pool. can be added (S850). Then, the artificial intelligence model set management unit 123 may re-learn the artificial intelligence model corresponding to the environmental data pool to which the new environmental data is added ( S860 ).

이때, 디폴트 환경 데이터 풀은 일 예로 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중 최초로 생성된 환경 데이터 풀이거나, 가장 정확도가 높은 인공 지능 모델에 대응하는 환경 데이터 풀일 수 있다.In this case, the default environment data pool may be, for example, an environment data pool generated first among the environment data pools included in the environment data pool set 124 or an environment data pool corresponding to an artificial intelligence model with the highest accuracy.

도 9는 도 8에서 에너지 사용량 예측 장치가 제2 환경 데이터 풀을 생성하고 제2 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.9 is a conceptual diagram illustrating an operation in which the energy usage prediction device generates a second environmental data pool and generates a second artificial intelligence model in FIG. 8 .

도 9를 참고하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터(NEW_DATA)와 환경 데이터 풀 집합(124)에 포함된 환경 데이터 중에서 신규 환경 데이터와의 상관도가 제2 임계 상관도 이상인 환경 데이터를 모아서, 새로운 제2 환경 데이터 풀(DBP_2)을 생성할 수 있다. 이때, 제2 임계 상관도의 값은 전술한 제1 임계 상관도와 같거나 상이할 수 있다.Referring to FIG. 9 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 shows the new environmental data NEW_DATA and the new environmental data among the environmental data included in the environmental data pool set 124 . A new second environment data pool DBP_2 may be created by collecting environment data equal to or greater than the second critical correlation degree. In this case, the value of the second critical correlation may be the same as or different from the above-described first critical correlation.

그리고 인공 지능 모델 집합 관리부(123)는 새로운 제2 환경 데이터 풀(DBP_2)에 대응하는 제2 인공 지능 모델(MDL_2)을 생성할 수 있다. 제2 인공 지능 모델(MDL_2)은 제2 환경 데이터 풀(DBP_2)을 통해 학습될 수 있다. 제2 인공 지능 모델(MDL_2)은 전술한 인공 지능 모델 집합(125)에 포함될 수 있다.In addition, the artificial intelligence model set management unit 123 may generate a second artificial intelligence model MDL_2 corresponding to the new second environment data pool DBP_2. The second artificial intelligence model MDL_2 may be learned through the second environment data pool DBP_2. The second artificial intelligence model MDL_2 may be included in the aforementioned artificial intelligence model set 125 .

이상에서는 에너지 사용량 예측 장치(120)가 신규 환경 데이터를 기 생성된 환경 데이터 풀에 추가하거나, 새로 생성된 환경 데이터 풀에 추가하는 경우에 대해 설명하였다.In the above, the case in which the energy usage prediction device 120 adds new environmental data to the previously created environmental data pool or to the newly created environmental data pool has been described.

이하, 에너지 사용량 예측 장치(120)가 복수의 환경 데이터 풀을 병합하는 경우에 대해 설명한다.Hereinafter, a case in which the energy usage prediction apparatus 120 merges a plurality of environmental data pools will be described.

도 10은 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 간의 상관도에 따른 에너지 사용량 예측 장치의 동작의 다른 예를 나타내는 흐름도이다.10 is a flowchart illustrating another example of an operation of an apparatus for predicting energy use according to a correlation between new environmental data and an environmental data pool included in an environmental data pool set.

도 10을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와, 환경 데이터 풀 집합(124)에 포함된 각 환경 데이터 풀 간의 상관도를 판단할 수 있다(S1010).Referring to FIG. 10 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 may determine a degree of correlation between new environmental data and each environmental data pool included in the environmental data pool set 124 . (S1010).

인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 집합(124)에 포함된 환경 데이터 풀 중에서, 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 2개 이상인지 판단한다(S1020).The artificial intelligence model set management unit 123 determines whether the number of environment data pools having a correlation with the new environment data equal to or greater than a first critical correlation level is two or more among the environment data pools included in the environment data pool set 124 . (S1020).

인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 2개 이상일 때(S1020-Y), 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 2개 이상의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합할 수 있다(S1030). 그리고 인공 지능 모델 집합 관리부(123)는 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생성할 수 있다(S1040). 인공 지능 모델 집합 관리부(123)는 이처럼 병합 가능한 복수의 환경 데이터 풀 및 복수의 인공 지능 모델을 하나로 병합하여 관리하는 환경 데이터 풀 및 인공 지능 모델의 개수를 줄일 수 있다. 따라서, 인공 지능 모델 집합 관리부(123)는 환경 데이터 풀 및 인공 지능 모델의 관리를 보다 효율적으로 수행할 수 있다.The artificial intelligence model set management unit 123 determines that when the number of environmental data pools having a correlation with the new environmental data equal to or greater than the first critical correlation is two or more (S1020-Y), the correlation with the new environmental data is a first threshold Two or more environment data pools having a degree of correlation or higher may be merged into one third environment data pool (S1030). In addition, the artificial intelligence model set management unit 123 may generate a third artificial intelligence model corresponding to the third environment data pool ( S1040 ). The artificial intelligence model set management unit 123 may reduce the number of environment data pools and artificial intelligence models managed by merging a plurality of mergeable environment data pools and a plurality of artificial intelligence models into one. Accordingly, the artificial intelligence model set management unit 123 may more efficiently manage the environmental data pool and the artificial intelligence model.

반면, 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 2개 미만일 때(S1020-N), 신규 환경 데이터를 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 추가하거나 또는 새로 생성된 환경 데이터 풀에 추가할 수 있다(S1050). 이 경우에는 복수의 환경 데이터 풀 및 복수의 인공 지능 모델을 하나로 병합하는 효과가 없으므로, 인공 지능 모델 집합은 전술한 바와 같이 신규 환경 데이터를 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 추가하거나 또는 새로 생성된 환경 데이터 풀에 추가한다.On the other hand, the artificial intelligence model set management unit 123 adds the new environment data to the environment data pool set when the number of environmental data pools having a correlation with the new environmental data equal to or greater than the first critical correlation is less than two (S1020-N). It may be added to any one of the included environment data pools or may be added to a newly created environment data pool (S1050). In this case, since there is no effect of merging a plurality of environmental data pools and a plurality of artificial intelligence models into one, the artificial intelligence model set adds new environmental data to any one of the environmental data pools included in the environmental data pool set as described above. or add it to the newly created environment data pool.

도 11은 도 10에서 에너지 사용량 예측 장치의 제3 환경 데이터 풀을 생성하고 제3 인공 지능 모델을 생성하는 동작을 나타낸 개념도이다.11 is a conceptual diagram illustrating an operation of generating a third environment data pool of the energy usage prediction device in FIG. 10 and generating a third artificial intelligence model.

도 11을 참조하면, 에너지 사용량 예측 장치(120)의 인공 지능 모델 집합 관리부(123)는 신규 환경 데이터(NEW_DATA)와 병합 대상이 되는 환경 데이터 풀(신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀)을 병합하여 제3 환경 데이터 풀(DBP_3)을 생성할 수 있다.Referring to FIG. 11 , the artificial intelligence model set management unit 123 of the energy usage prediction device 120 is a new environmental data (NEW_DATA) and an environmental data pool to be merged (a correlation with the new environmental data is a first critical correlation) The third environment data pool DBP_3 may be created by merging the environment data pool that is equal to or greater than one degree.

그리고 인공 지능 모델 집합 관리부(123)는 제3 환경 데이터 풀(DBP_3)에 대응하는 제3 인공 지능 모델(MDL_3)을 새로 생성할 수 있다.In addition, the artificial intelligence model set management unit 123 may newly create the third artificial intelligence model MDL_3 corresponding to the third environment data pool DBP_3 .

제3 환경 데이터 풀(DBP_3)은 환경 데이터 풀 집합(124)에 추가되고 제3 인공 지능 모델(MDL_3)은 인공 지능 모델 집합(125)에 추가될 수 있다.The third environment data pool DBP_3 may be added to the environment data pool set 124 , and the third artificial intelligence model MDL_3 may be added to the artificial intelligence model set 125 .

도 12는 일 실시예에 따른 에너지 관리 방법의 흐름도이다.12 is a flowchart of an energy management method according to an embodiment.

에너지 관리 시스템(100)에 의해 수행되는 에너지 관리 방법(1200)은 복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 단계(S1210)를 포함할 수 있다.The energy management method 1200 performed by the energy management system 100 may include a data collection step ( S1210 ) of collecting environmental data of a plurality of energy-using devices.

그리고 에너지 관리 방법(1200)은 데이터 수집 단계(S1210)에서 수집된 환경 데이터를 기초로 하여, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 단계(S1220)를 포함할 수 있다.In addition, the energy management method 1200 may include an energy usage prediction step (S1220) of predicting future energy usage of a plurality of energy usage devices based on the environmental data collected in the data collection step (S1210).

도 13은 도 12의 에너지 사용량 예측 단계를 설명하는 흐름도이다.13 is a flowchart illustrating an energy usage prediction step of FIG. 12 .

에너지 사용량 예측 단계(S1220)는 전술한 데이터 수집 단계(S1210)에서 수집된 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리 단계(S1310)를 포함할 수 있다.The energy usage prediction step ( S1220 ) may include a pre-processing step ( S1310 ) of generating new environmental data by pre-processing the environmental data collected in the aforementioned data collection step ( S1210 ) according to group information.

그리고 에너지 사용량 예측 단계(S1220)는 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단 단계(S1320)를 포함할 수 있다.And the energy usage prediction step (S1220) may include a correlation determination step (S1320) of determining whether the correlation between the new environmental data and one or more environmental data pools included in the environmental data pool set is equal to or greater than the first critical correlation. can

상관도 판단 단계(S1320)는, 일 예로, 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 대표값과 신규 환경 데이터의 대표값을 비교하여, 신규 환경 데이터와 상관도를 비교할 환경 데이터 풀을 결정할 수 있다. 이때, 대표값은 평균 또는 중간값일 수 있다.In the correlation determination step (S1320), for example, by comparing the representative value of each environmental data pool included in the environmental data pool set with the representative value of the new environmental data, the environmental data pool to compare the new environmental data with the correlation is determined. can In this case, the representative value may be an average or a median value.

그리고 에너지 사용량 예측 단계(S1220)는 상관도 판단 단계(S1320)의 결과에 따라, 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하기 위한 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리 단계(S1330)를 포함할 수 있다.And in the energy usage prediction step (S1220), according to the result of the correlation determination step (S1320), an artificial intelligence model set including one or more artificial intelligence models for predicting the future energy usage of a plurality of energy-using devices. It may include an intelligent model set management step (S1330).

인공 지능 모델 집합 관리 단계(S1330)는, 일 예로, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 제1 환경 데이터 풀 간의 상관도가 제1 임계 상관도 이상일 때, 제1 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고 상기 인공 지능 모델 집합에 포함된 인공 지능 모델 중 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습할 수 있다. 이때, 제1 인공 지능 모델은 제1 인공 지능 모델이 예측한 복수의 에너지 사용 장치의 미래 에너지 사용량의 정확도가 임계 정확도 미만이고 제1 환경 데이터 풀에 포함된 환경 데이터의 크기가 임계 데이터 사이즈 이상일 때, 제1 환경 데이터 풀을 기초로 재학습될 수 있다.In the artificial intelligence model set management step (S1330), for example, when the correlation between the new environment data and the first environment data pool included in the environment data pool set is equal to or greater than the first critical correlation level, the new environment data pool is added to the first environment data pool. The environment data may be added and the first artificial intelligence model corresponding to the first environmental data pool among the artificial intelligence models included in the artificial intelligence model set may be retrained. In this case, when the first artificial intelligence model has an accuracy of the future energy usage of the plurality of energy use devices predicted by the first artificial intelligence model is less than the threshold accuracy, and the size of the environmental data included in the first environmental data pool is equal to or greater than the threshold data size , may be retrained based on the first environment data pool.

인공 지능 모델 집합 관리 단계(S1330)는, 다른 예로, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 제1 임계 상관도 미만일 때, 신규 환경 데이터 및 환경 데이터 풀 집합을 기초로 하여 상기 신규 환경 데이터 및 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 제2 환경 데이터 풀이 생성 가능한지 여부를 판단할 수 있다.In the artificial intelligence model set management step (S1330), as another example, when the correlation between the new environmental data and all environmental data pools included in the environmental data pool set is less than the first critical correlation, the new environmental data and the environmental data pool set Based on the new environment data, it may be determined whether a second environment data pool including some of the environment data included in the set of environment data pools can be created.

이 경우, 인공 지능 모델 집합 관리 단계(S1330)는, 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때, 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터를 포함하는 제2 환경 데이터 풀을 생성하여 환경 데이터 풀 집합에 추가하고 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 인공 지능 모델 집합에 추가할 수 있다.In this case, in the artificial intelligence model set management step (S1330), the number of environmental data whose correlation with the new environmental data is equal to or greater than the second critical correlation among the environmental data included in any one of the environmental data pools included in the environmental data pool set. When is equal to or greater than the critical environment data number, the new environment data and environment data included in any one of the environment data pools included in the environment data pool set include environment data having a correlation with the new environment data equal to or greater than the second critical level of correlation A second environment data pool may be created and added to the environment data pool set, and a second artificial intelligence model corresponding to the second environment data pool may be created and added to the artificial intelligence model set.

반면, 인공 지능 모델 집합 관리 단계(S1330)는, 환경 데이터 풀 집합에 포함된 환경 데이터 중 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때, 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 신규 환경 데이터를 추가할 수 있다.On the other hand, in the artificial intelligence model set management step (S1330), when the number of environmental data having a correlation with the new environmental data and the second critical correlation or higher among the environmental data included in the environmental data pool set is less than the critical environmental data number, the environmental data Among the environmental data pools included in the pool set, new environment data may be added to the environment data pool having the highest correlation with the new environment data or to a preset default environment data pool.

인공 지능 모델 집합 관리 단계(S1330)는, 또 다른 예로, 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 복수개일 때, 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 복수개의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합하고, 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생성할 수 있다.The artificial intelligence model set management step (S1330) is another example, when the number of environmental data pools whose correlation with new environmental data is greater than or equal to the first critical correlation among the environmental data pools included in the environmental data pool set is a plurality, A plurality of environment data pools having a correlation with the new environment data greater than or equal to the first threshold correlation may be merged into one third environment data pool, and a third artificial intelligence model corresponding to the third environment data pool may be generated.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.In the above, even though all the components constituting the embodiment of the present invention are described as being combined or operated in combination, the present invention is not necessarily limited to this embodiment. That is, within the scope of the object of the present invention, all the components may operate by selectively combining one or more.

이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as "include", "comprise" or "have" described above mean that the corresponding component may be embedded unless otherwise stated, so it does not exclude other components. It should be construed as being able to further include other components. All terms, including technical and scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs, unless otherwise defined. Terms commonly used, such as those defined in the dictionary, should be interpreted as being consistent with the meaning of the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present invention.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical spirit of the present invention, and various modifications and variations will be possible without departing from the essential characteristics of the present invention by those skilled in the art to which the present invention pertains. Accordingly, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.

100 : 에너지 관리 시스템
110 : 데이터 수집 장치
120 : 에너지 사용량 예측 장치
121 : 전처리부
122 : 상관도 판단부
123 : 인공 지능 모델 집합 관리부100: energy management system
110: data acquisition device
120: energy usage prediction device
121: preprocessor
122: correlation determination unit
123: artificial intelligence model set management unit

Claims (18)

복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 장치; 및
상기 데이터 수집 장치에서 수집한 상기 환경 데이터를 기초로 하여, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 장치;를 포함하고,
상기 에너지 사용량 예측 장치는,
상기 데이터 수집 장치에서 수집한 상기 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리부;
상기 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단부 및
상기 상관도 판단부의 판단 결과에 따라 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리부를 포함하고,
상기 환경 데이터는 에너지 사용량 및 상태 정보를 포함하고,
상기 군집 정보는 상기 환경 데이터를 수집하는 기간의 단위 및 상기 환경 데이터가 수집된 횟수를 지시하는 에너지 관리 시스템.
a data collection device that collects environmental data of a plurality of energy-using devices; and
An energy usage prediction device for predicting future energy usage of the plurality of energy usage devices on the basis of the environmental data collected by the data collection device;
The energy usage prediction device,
a pre-processing unit for pre-processing the environmental data collected by the data collection device according to group information to generate new environmental data;
a correlation determining unit for determining whether a correlation between the new environmental data and one or more environmental data pools included in the set of environmental data pools is equal to or greater than a first critical correlation; and
An artificial intelligence model set management unit for managing an artificial intelligence model set including one or more artificial intelligence models for predicting future energy usage of the plurality of energy-using devices according to the determination result of the correlation determining unit,
The environmental data includes energy usage and state information,
The cluster information is an energy management system indicating a unit of a period for collecting the environmental data and the number of times the environmental data is collected.
 제1항에 있어서,
상기 상관도 판단부는,
상기 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 상기 군집 정보 별 대표값과 상기 신규 환경 데이터의 상기 군집 정보 별 대표값을 비교하여, 상기 신규 환경 데이터와 상기 각 환경 데이터 풀의 상관도를 비교하는 에너지 관리 시스템.
According to claim 1,
The correlation determination unit,
By comparing the representative value for each cluster information of each environmental data pool included in the environmental data pool set and the representative value for each cluster information of the new environment data, the correlation between the new environment data and each environmental data pool is compared energy management system.
 제2항에 있어서,
상기 대표값은 평균 또는 중간값인 에너지 관리 시스템.
3. The method of claim 2,
The representative value is an average or median value of the energy management system.
 제1항에 있어서,
상기 인공 지능 모델 집합 관리부는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 제1 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 이상일 때,
상기 제1 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고 상기 인공 지능 모델 집합에 포함된 인공 지능 모델 중 상기 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습하는 에너지 관리 시스템.
According to claim 1,
The artificial intelligence model set management unit,
When the correlation between the new environment data and the first environmental data pool included in the environmental data pool set is equal to or greater than the first critical correlation,
An energy management system for adding the new environmental data to the first environmental data pool and re-learning a first artificial intelligence model corresponding to the first environmental data pool among artificial intelligence models included in the artificial intelligence model set.
 제4항에 있어서,
상기 인공 지능 모델 집합 관리부는,
상기 제1 인공 지능 모델이 예측한 상기 복수의 에너지 사용 장치의 미래 에너지 사용량의 정확도가 임계 정확도 미만이고 상기 1 환경 데이터 풀에 포함된 환경 데이터의 크기가 임계 데이터 사이즈 이상일 때, 상기 제1 인공 지능 모델을 상기 제1 환경 데이터 풀을 기초로 재학습하는 에너지 관리 시스템.
5. The method of claim 4,
The artificial intelligence model set management unit,
When the accuracy of the future energy usage of the plurality of energy-using devices predicted by the first artificial intelligence model is less than the threshold accuracy and the size of the environmental data included in the first environmental data pool is equal to or greater than the threshold data size, the first artificial intelligence An energy management system for retraining a model based on the first environmental data pool.
 제1항에 있어서,
상기 인공 지능 모델 집합 관리부는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 미만일 때,
상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합을 기초로 하여, 상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 제2 환경 데이터 풀이 생성 가능한지 여부를 판단하는 에너지 관리 시스템.
According to claim 1,
The artificial intelligence model set management unit,
When the correlation between the new environmental data and all environmental data pools included in the environmental data pool set is less than the first critical correlation,
An energy management system for determining whether a second environmental data pool including a part of the new environmental data and the environmental data included in the environmental data pool set can be created, based on the new environmental data and the environmental data pool set.
 제6항에 있어서,
상기 인공 지능 모델 집합 관리부는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터를 포함하는 제2 환경 데이터 풀을 생성하여 상기 환경 데이터 풀 집합에 추가하고,
상기 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 상기 인공 지능 모델 집합에 추가하는 에너지 관리 시스템.
7. The method of claim 6,
The artificial intelligence model set management unit,
When the number of environment data having a second critical correlation or higher correlation with the new environment data among environmental data included in any one of the environmental data pools included in the environmental data pool set is equal to or greater than the critical environment data number,
a second environment data pool including environment data having a correlation with the new environment data of at least a second threshold correlation among the new environment data and environment data included in any one of the environment data pools included in the set of environment data pools; create and add to the set of environment data pools,
An energy management system for generating a second artificial intelligence model corresponding to the second environmental data pool and adding it to the artificial intelligence model set.
 제6항에 있어서,
상기 인공 지능 모델 집합 관리부는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고,
상기 신규 환경 데이터가 추가된 환경 데이터 풀에 대응하는 인공 지능 모델을 재학습하는 에너지 관리 시스템.
7. The method of claim 6,
The artificial intelligence model set management unit,
When the number of environmental data included in the environmental data pool set having a correlation with the new environment data equal to or greater than a second critical correlation is less than the number of critical environment data,
adding the new environment data to an environment data pool having the greatest correlation with the new environment data among the environment data pools included in the environment data pool set or a preset default environment data pool;
An energy management system for re-learning an artificial intelligence model corresponding to the environmental data pool to which the new environmental data is added.
 제1항에 있어서,
상기 인공 지능 모델 집합 관리부는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 상기 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 복수개일 때,
상기 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 복수개의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합하고, 상기 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생성하는 에너지 관리 시스템.
According to claim 1,
The artificial intelligence model set management unit,
When the number of environmental data pools in the environmental data pool included in the environmental data pool set is plural, the correlation with the new environmental data is equal to or greater than the first critical correlation,
Energy management for merging a plurality of environmental data pools having a correlation with the new environmental data equal to or greater than a first threshold correlation into one third environmental data pool, and generating a third artificial intelligence model corresponding to the third environmental data pool system.
 에너지 관리 시스템에 의해 수행되는 에너지 관리 방법에 있어서,
복수의 에너지 사용 장치의 환경 데이터를 수집하는 데이터 수집 단계; 및
상기 데이터 수집 단계에서 수집된 환경 데이터를 기초로 하여, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하는 에너지 사용량 예측 단계를 포함하고,
상기 에너지 사용량 예측 단계는,
상기 데이터 수집 단계에서 수집된 환경 데이터를 군집 정보에 따라 전처리하여 신규 환경 데이터를 생성하는 전처리 단계;
상기 신규 환경 데이터와 환경 데이터 풀 집합에 포함된 하나 이상의 환경 데이터 풀간의 상관도가 제1 임계 상관도 이상인지 여부를 판단하는 상관도 판단 단계; 및
상기 상관도 판단 단계의 결과에 따라, 상기 복수의 에너지 사용 장치의 미래 에너지 사용량을 예측하기 위한 하나 이상의 인공 지능 모델을 포함하는 인공 지능 모델 집합을 관리하는 인공 지능 모델 집합 관리 단계를 포함하고,
상기 환경 데이터는 에너지 사용량 및 상태 정보를 포함하고,
상기 군집 정보는 상기 환경 데이터를 수집하는 기간의 단위 및 상기 환경 데이터가 수집된 횟수를 지시하는 에너지 관리 방법.
An energy management method performed by an energy management system, comprising:
a data collection step of collecting environmental data of a plurality of energy-using devices; and
On the basis of the environmental data collected in the data collection step, comprising an energy usage prediction step of predicting future energy usage of the plurality of energy usage devices,
The energy usage prediction step is,
a pre-processing step of pre-processing the environmental data collected in the data collection step according to group information to generate new environmental data;
a correlation determining step of determining whether a correlation between the new environmental data and one or more environmental data pools included in the environmental data pool set is equal to or greater than a first critical correlation; and
An artificial intelligence model set management step of managing an artificial intelligence model set including one or more artificial intelligence models for predicting future energy usage of the plurality of energy use devices according to the result of the correlation determination step,
The environmental data includes energy usage and state information,
The group information is an energy management method for indicating a unit of a period for collecting the environmental data and the number of times the environmental data is collected.
 제10항에 있어서,
상기 상관도 판단 단계는,
상기 환경 데이터 풀 집합에 포함된 각 환경 데이터 풀의 상기 군집 정보 별 대표값과 상기 신규 환경 데이터의 상기 군집 정보 별 대표값을 비교하여, 상기 신규 환경 데이터와 상기 각 환경 데이터 풀의 상관도를 비교하는 에너지 관리 방법.
11. The method of claim 10,
The correlation determination step is,
By comparing the representative value for each cluster information of each environmental data pool included in the environmental data pool set and the representative value for each cluster information of the new environment data, the correlation between the new environment data and each environmental data pool is compared how to manage energy.
 제11항에 있어서,
상기 대표값은 평균 또는 중간값인 에너지 관리 방법.
12. The method of claim 11,
The representative value is an average or median value of an energy management method.
 제10항에 있어서,
상기 인공 지능 모델 집합 관리 단계는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 제1 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 이상일 때,
상기 제1 환경 데이터 풀에 상기 신규 환경 데이터를 추가하고 상기 인공 지능 모델 집합에 포함된 인공 지능 모델 중 상기 제1 환경 데이터 풀에 대응하는 제1 인공 지능 모델을 재학습하는 에너지 관리 방법.
11. The method of claim 10,
The artificial intelligence model set management step is,
When the correlation between the new environment data and the first environmental data pool included in the environmental data pool set is equal to or greater than the first critical correlation,
An energy management method for adding the new environmental data to the first environmental data pool and re-learning a first artificial intelligence model corresponding to the first environmental data pool among artificial intelligence models included in the artificial intelligence model set.
 제13항에 있어서,
상기 제1 인공 지능 모델은,
상기 제1 인공 지능 모델이 예측한 상기 복수의 에너지 사용 장치의 미래 에너지 사용량의 정확도가 임계 정확도 미만이고 상기 제1 환경 데이터 풀에 포함된 환경 데이터의 크기가 임계 데이터 사이즈 이상일 때, 상기 제1 환경 데이터 풀을 기초로 재학습되는 에너지 관리 방법.
14. The method of claim 13,
The first artificial intelligence model,
When the accuracy of the future energy usage of the plurality of energy usage devices predicted by the first artificial intelligence model is less than the threshold accuracy and the size of the environment data included in the first environment data pool is equal to or greater than the threshold data size, the first environment An energy management method that is relearned based on data pools.
 제10항에 있어서,
상기 인공 지능 모델 집합 관리 단계는,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 모든 환경 데이터 풀 간의 상관도가 상기 제1 임계 상관도 미만일 때,
상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합을 기초로 하여, 상기 신규 환경 데이터 및 상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 일부를 포함하는 제2 환경 데이터 풀이 생성 가능한지 여부를 판단하는 에너지 관리 방법.
11. The method of claim 10,
The artificial intelligence model set management step is,
When the correlation between the new environmental data and all environmental data pools included in the environmental data pool set is less than the first critical correlation,
An energy management method for determining whether a second environmental data pool including a part of the new environmental data and the environmental data included in the environmental data pool set can be created, based on the new environmental data and the environmental data pool set.
 제15항에 있어서,
상기 인공 지능 모델 집합 관리 단계는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 이상일 때,
상기 신규 환경 데이터와 상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 어느 하나에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터를 포함하는 제2 환경 데이터 풀을 생성하여 상기 환경 데이터 풀 집합에 추가하고,
상기 제2 환경 데이터 풀에 대응하는 제2 인공 지능 모델을 생성하여 상기 인공 지능 모델 집합에 추가하는 에너지 관리 방법.
16. The method of claim 15,
The artificial intelligence model set management step is,
When the number of environment data having a second critical correlation or higher correlation with the new environment data among environmental data included in any one of the environmental data pools included in the environmental data pool set is equal to or greater than the critical environment data number,
a second environment data pool including environment data having a correlation with the new environment data of at least a second threshold correlation among the new environment data and environment data included in any one of the environment data pools included in the set of environment data pools; create and add to the set of environment data pools,
An energy management method for generating a second artificial intelligence model corresponding to the second environmental data pool and adding it to the artificial intelligence model set.
 제15항에 있어서,
상기 인공 지능 모델 집합 관리 단계는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 중 상기 신규 환경 데이터와 상관도가 제2 임계 상관도 이상인 환경 데이터의 개수가 임계 환경 데이터 개수 미만일 때,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 가장 큰 환경 데이터 풀 또는 미리 설정된 디폴트 환경 데이터 풀에 상기 신규 환경 데이터를 추가하는 에너지 관리 방법.
16. The method of claim 15,
The artificial intelligence model set management step is,
When the number of environmental data included in the environmental data pool set having a correlation with the new environment data equal to or greater than a second critical correlation is less than the number of critical environment data,
An energy management method for adding the new environmental data to an environmental data pool having the greatest correlation with the new environmental data among environmental data pools included in the environmental data pool set or a preset default environmental data pool.
 제10항에 있어서,
상기 인공 지능 모델 집합 관리 단계는,
상기 환경 데이터 풀 집합에 포함된 환경 데이터 풀 중 상기 신규 환경 데이터와의 상관도가 상기 제1 임계 상관도 이상인 환경 데이터 풀의 개수가 복수개일 때,
상기 신규 환경 데이터와의 상관도가 제1 임계 상관도 이상인 복수개의 환경 데이터 풀을 하나의 제3 환경 데이터 풀로 병합하고, 상기 제3 환경 데이터 풀에 대응하는 제3 인공 지능 모델을 생 성하는 에너지 관리 방법.
11. The method of claim 10,
The artificial intelligence model set management step is,
When the number of environmental data pools in the environmental data pool included in the environmental data pool set is plural, the correlation with the new environmental data is equal to or greater than the first critical correlation,
Energy for merging a plurality of environmental data pools having a correlation with the new environmental data equal to or greater than a first threshold correlation into one third environmental data pool, and generating a third artificial intelligence model corresponding to the third environmental data pool management method.
KR1020200105032A 2020-08-21 2020-08-21 System and Method for managing energy KR102503577B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200105032A KR102503577B1 (en) 2020-08-21 2020-08-21 System and Method for managing energy

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200105032A KR102503577B1 (en) 2020-08-21 2020-08-21 System and Method for managing energy

Publications (2)

Publication Number Publication Date
KR20220023373A true KR20220023373A (en) 2022-03-02
KR102503577B1 KR102503577B1 (en) 2023-02-28

Family

ID=80815446

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200105032A KR102503577B1 (en) 2020-08-21 2020-08-21 System and Method for managing energy

Country Status (1)

Country Link
KR (1) KR102503577B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023163470A1 (en) 2022-02-23 2023-08-31 주식회사 엘지화학 Injectable formulation comprising isoxazoline derivative and method for preparing same
WO2024010122A1 (en) * 2022-07-08 2024-01-11 엘지전자 주식회사 Ess-based artificial intelligence apparatus and energy prediction model clustering method thereof

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101173823B1 (en) * 2011-07-01 2012-08-20 연세대학교 산학협력단 System and method for predicting an energy consumption of multi-family housing
JP6193400B2 (en) * 2013-11-20 2017-09-06 株式会社東芝 Electric power demand prediction system, electric power demand prediction method, customer profiling system, and customer profiling method
KR20190051243A (en) * 2017-11-06 2019-05-15 광주과학기술원 Power demand predicting method and power demand predicting system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101173823B1 (en) * 2011-07-01 2012-08-20 연세대학교 산학협력단 System and method for predicting an energy consumption of multi-family housing
JP6193400B2 (en) * 2013-11-20 2017-09-06 株式会社東芝 Electric power demand prediction system, electric power demand prediction method, customer profiling system, and customer profiling method
KR20190051243A (en) * 2017-11-06 2019-05-15 광주과학기술원 Power demand predicting method and power demand predicting system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023163470A1 (en) 2022-02-23 2023-08-31 주식회사 엘지화학 Injectable formulation comprising isoxazoline derivative and method for preparing same
WO2024010122A1 (en) * 2022-07-08 2024-01-11 엘지전자 주식회사 Ess-based artificial intelligence apparatus and energy prediction model clustering method thereof

Also Published As

Publication number Publication date
KR102503577B1 (en) 2023-02-28

Similar Documents

Publication Publication Date Title
Nguyen et al. Stochastic optimization of renewable-based microgrid operation incorporating battery operating cost
Jiang et al. Dynamic residential demand response and distributed generation management in smart microgrid with hierarchical agents
Jafari-Marandi et al. A distributed decision framework for building clusters with different heterogeneity settings
CN110783959B (en) New forms of energy power generation system's steady state control system
KR101212343B1 (en) System and method for operating microgrid
Chang et al. From insight to impact: Building a sustainable edge computing platform for smart homes
KR102503577B1 (en) System and Method for managing energy
CN112381375B (en) Rapid generation method for power grid economic operation domain based on tide distribution matrix
Prajwal et al. Smart home energy management system using fuzzy logic for continuous power supply with economic utilisation of electrical energy
Aguila‐Leon et al. A multimicrogrid energy management model implementing an evolutionary game‐theoretic approach
CN118412863B (en) Optical storage integrated electric energy scheduling method, system, electronic equipment and storage medium
CN112671035A (en) Virtual power plant energy storage capacity configuration method based on wind power prediction
Zhou et al. Optimal combined heat and power system scheduling in smart grid
Haessig et al. Resilience in energy management system: A study case
CN110518570A (en) A kind of more micro-grid system optimal control methods in family based on the automatic demand response of event driven
Velik Cognitive Architectures as Building Energy Management System for Future Renewable Energy Scenarios; A Work in Progress Report
Shabbir et al. Residential DC Load Forecasting Using Long Short-Term Memory Network (LSTM)
JP7495392B2 (en) Power control system and power control method
Lugo-Cordero et al. An adaptive cognition system for smart grids with context awareness and fault tolerance
Welch et al. Comparison of two optimal control strategies for a grid independent photovoltaic system
Zhang et al. Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads
Long et al. Model predictive control for household energy management based on individual habit
Jarrah et al. A multi-objective evolutionary solution to improve the quality of life in smart cities
Bendriss et al. An intelligent power distribution management with dynamic selection in smart building based on prosumers classification and an intelligent controller
Agbodjan et al. Stochastic modelled grid outage effect on home Energy Management

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