KR20220025511A

KR20220025511A - 스마트 팩토리 에너지 관리 방법 및 장치

Info

Publication number: KR20220025511A
Application number: KR1020200106322A
Authority: KR
Inventors: 강대웅
Original assignee: 주식회사 에스씨
Priority date: 2020-08-24
Filing date: 2020-08-24
Publication date: 2022-03-03

Abstract

본 발명은 스마트 팩토리를 위한 에너지 관리 방법 및 그를 위한 장치에 관한 것으로서, 본 발명의 일 실시 예에 따른 통신망을 통해 센서와 연동하여 장치에서의 스마트 팩토리를 위한 에너지 관리 방법은 상기 스마트 팩토리에 구비된 설비를 모니터링하는 상기 센서로부터 상기 통신망을 통해 실시간 센싱 정보를 수집하는 단계와 상기 센싱 정보를 전처리하여 학습 데이터셋을 생성하는 단계와 사전 학습을 통해 생성된 복수의 학습 모델 중 상기 학습 데이터셋에 상응하는 학습 모델을 선택하는 단계와 상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 소비량을 예측하는 단계와 상기 예측된 에너지 소비량에 기초하여 자동으로 생산 계획을 수립하는 단계를 포함할 수 있다.

Description

스마트 팩토리 에너지 관리 방법 및 장치{METHOD AND APPARATUS FOR MANAGING ENERGY OF SMART FACTORY}

본 발명은 에너지 관리 방법에 관한 것으로, 보다 상세하게는 딥러닝을 통해 생산 공정과 에너지의 소비 및 생산을 연계하여 공장 내 에너지를 효율적으로 관리하는 것이 가능한 스마트 팩토리 에너지 관리 방법 및 그를 위한 장치에 관한 것이다.

건물 에너지 소비량은 전 세계 에너지 1차 에너지 소비량의 약 40퍼센트를 차지하며, 이에 따라 CO2 감축과 에너지 소비량 절감을 위해 건물 에너지 관리를 효율적으로 하기 위해 다양한 연구가 진행되고 있다.

최근 '4차 산업혁명'의 흐름에 따라 ICT(Information Communication Technology)와 제조업의 융합인 스마트 팩토리(Smart Factory)에 연구가 활발히 진행되고 있다.

현재 제조기업의 공장 운영은 각종 설비, 장비를 파트별로 개별 관리하는 에너지 관리 시스템에 의존하고 있기 때문에 에너지 절감 효율이 낮은 수준에 머물러 있고 총괄적이고 체계적으로 제조기업의 에너지 관리가 이루어지지 않고 있다.

스마트 팩토리에 적합한 환경을 구축하려면 막대한 비용과 설비 투자가 뒤따르기 때문에 제조기업이 적극적으로 도입하기 어려운 실정이다.

또한 제조기업의 운영 관리와 설비 및 장비가 매우 다양한 상황에서 일률적인 스마트 팩토리 모델을 적용하는데 무리가 따른다.

따라서, 제조기업 내 생산 공정과 설비에 맞게 학습을 통해 실시간 에너지 관리가 가능한 지능화된 에너지 관리 방법 및 장치가 요구되고 있다.

본 발명의 목적은 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 것이다.

본 발명의 다른 목적은 공장 내 생산 공정과 에너지 소비 및 생산을 연계한 기계 학습을 통해 에너지 소비량 및 생산량을 예측함으로써 최적화된 생산 계획을 수립하는 것이 가능한 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 것이다.

본 발명의 또 다른 목적은 기업 및 국가의 에너지 경쟁력을 향상시키고 국내 및 국외의 탄소 규제에 관한 대응 능력을 향상시키는 것이 가능한 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 것이다.

본 발명의 또 다른 목적은 공장 설비의 에너지 사용을 모니터링하는 IoT 센서 및 액츄에이터로부터 수집된 센싱 정보 및 외부 서버로부터 수집된 환경 변수에 기반한 기계 학습을 통해 단기 또는 장기적인 에너지 소비 예측과 정책을 자동으로 수립하는 것이 가능한 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 것이다.

본 발명의 또 다른 목적은 IoT 플랫폼 기술을 활용한 스마트 팩토리의 에너지 관리 방법 및 장치를 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시 예에 따른 통신망을 통해 센서와 연동하여 장치에서의 스마트 팩토리를 위한 에너지 관리 방법은 상기 스마트 팩토리에 구비된 설비를 모니터링하는 상기 센서로부터 상기 통신망을 통해 실시간 센싱 정보를 수집하는 단계와 상기 센싱 정보를 전처리하여 학습 데이터셋을 생성하는 단계와 사전 학습을 통해 생성된 복수의 학습 모델 중 상기 학습 데이터셋에 상응하는 학습 모델을 선택하는 단계와 상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 소비량을 예측하는 단계와 상기 예측된 에너지 소비량에 기초하여 자동으로 생산 계획을 수립하는 단계를 포함할 수 있다.

실시 예로, 상기 장치는 상기 통신망을 통해 외부 서버와 더 연동되고, 상기 설비는 생산 설비 및 발전 설비를 포함하되, 상기 방법은 상기 외부 서버로부터 환경 변수를 수집하는 단계와 상기 환경 변수를 전처리하여 상기 학습 데이터셋을 생성하는 단계와 상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 생산량을 예측하는 단계와 상기 예측된 에너지 소비량 및 상기 예측된 에너지 생산량에 기초하여 상기 생산 계획을 수립하는 단계를 포함할 수 있다.

실시 예로, 상기 방법은 상기 예측된 에너지 소비량 및 상기 예측된 에너지 생산량과 실측된 에너지 소비량 및 에너지 생산량 사이의 오차율에 기반하여 상기 선택된 학습 모델을 보정하는 단계를 더 포함하되, 상기 보정된 학습 모델에 기반한 기계 학습을 통해 상기 생산 계획이 자동 수정될 수 있다.

실시 예로, 상기 방법은 상기 예측된 에너지 소비량과 상기 예측된 에너지 생산량에 기반하여 필요 전력량을 예측하는 단계와 상기 예측된 필요 전력량에 기반하여 상기 생산 설비를 위한 전력 시스템 및 상기 발전 설비의 증설 계획을 자동으로 생성하는 단계를 더 포함할 수 있다.

실시 예로, 상기 환경 변수는 날씨 정보, 강수량 정보, 일출 시간 및 일몰 시간 정보, 온도 정보, 습도 정보, 풍향 정보, 풍속 정보, 대기 오염도 정보, 구름 영상(또는 이미지) 정보, 원자재 재고 정보, 고객 주문 정보, 완제품 재고 정보 및 인력 정보 중 적어도 하나를 포함할 수 있다.

실시 예로, 상기 통신망은 LoRa 통신망, 협대역 LTE 통신망, 5G NR 통신망 중 적어도 하나를 포함할 수 있다.

실시 예로, 상기 센싱 정보를 전처리하여 학습 데이터셋을 생성하는 단계는 상기 센싱 정보 중 이상치를 제거하는 단계와 상기 센싱 정보 중 결손 데이터를 처리하는 단계를 포함하고, 상기 결손 데이터는 보간법 및 클러스터링 기법 중 적어도 하나의 기법을 이용하여 처리될 수 있다.

실시 예로, 상기 선택된 학습 모델은 입력층, K개의 은닉층 및 출력층으로 구성된 인공신경망으로 구성되고, 상기 입력층은 상기 환경 변수, 소비원 및 생산원을 포함하되, 상기 인공 신경망의 N번째 상기 은닉층까지 상기 소비원과 상기 생산원이 분리 학습된 후 N+1번째 은닉층에서 K번째 은닉층까지 합성되어 학습될 수 있다.

본 발명의 다른 실시 예에 따른 통신망을 통해 스마트 팩토리에 구비된 센서와 연동하는 에너지 관리 장치는 상기 스마트 팩토리에 구비된 설비를 모니터링하는 상기 센서로부터 상기 통신망을 통해 실시간 센싱 정보를 수집하고, 상기 센싱 정보를 전처리하여 학습 데이터셋을 생성하는 수집 모듈과 사전 학습을 통해 생성된 복수의 학습 모델 중 상기 학습 데이터셋에 상응하는 학습 모델을 데이터베이스로부터 선택 및 로딩하는 학습 모듈과 상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 소비량을 예측하는 예측 모듈과 상기 예측된 에너지 소비량에 기초하여 자동으로 생산 계획을 수립하는 정책 결정 모듈과 상기 예측 결과 및 상기 수립된 생산 계획을 출력하는 출력 모듈을 포함할 수 있다.

실시 예로, 상기 장치는 상기 통신망을 통해 외부 서버와 더 연동되고, 상기 설비는 생산 설비 및 발전 설비를 포함하되, 상기 장치는 상기 외부 서버로부터 환경 변수를 수집하는 수단과 상기 환경 변수를 전처리하여 상기 학습 데이터셋을 생성하는 수단과 상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 생산량을 예측하는 수단과 상기 예측된 에너지 소비량 및 상기 예측된 에너지 생산량에 기초하여 상기 생산 계획을 수립하는 수단을 포함할 수 있다.

실시 예로, 상기 장치는 상기 예측된 에너지 소비량 및 상기 예측된 에너지 생산량과 실측된 에너지 소비량 및 에너지 생산량 사이의 오차율에 기반하여 상기 선택된 학습 모델을 보정하는 보정 모듈을 더 포함하고, 상기 보정된 학습 모델에 기반한 기계 학습을 통해 상기 생산 계획이 자동 수정될 수 있다.

실시 예로, 상기 장치는 상기 예측된 에너지 소비량과 상기 예측된 에너지 생산량에 기반하여 필요 전력량을 예측하는 수단과 상기 예측된 필요 전력량에 기반하여 상기 생산 설비를 위한 전력 시스템 및 상기 발전 설비의 증설 계획을 자동으로 생성하는 수단을 더 포함할 수 있다.

실시 예로, 상기 수집 모듈은 상기 센싱 정보 중 이상치를 제거하는 수단과 상기 센싱 정보 중 결손 데이터를 처리하는 수단을 포함하고, 상기 결손 데이터는 보간법 및 클러스터링 기법 중 적어도 하나의 기법을 이용하여 처리될 수 있다.

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

본 발명은 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 장점이 있다.

또한, 본 발명은 공장 내 생산 공정과 에너지 소비 및 생산을 연계한 기계 학습을 통해 에너지 소비량 및 생산량을 예측함으로써 최적화된 생산 계획을 수립하는 것이 가능한 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 장점이 있다.

또한, 본 발명은 기업 및 국가의 에너지 경쟁력을 향상시키고 국내 및 국외의 탄소 규제에 관한 대응 능력을 향상시키는 것이 가능한 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 장점이 있다.

또한, 본 발명은 공장 설비의 에너지 사용을 모니터링하는 IoT 센서 및 액츄에이터로부터 수집된 센싱 정보 및 외부 서버로부터 수집된 환경 변수에 기반한 기계 학습을 통해 단기 또는 장기적인 에너지 소비 예측과 정책을 자동으로 수립하는 것이 가능한 스마트 팩토리 에너지 관리 방법 및 장치를 제공하는 장점이 있다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1은 본 발명의 실시 예에 따른 스마트 팩토리 시스템을 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른 딥러닝 기반 스마트 팩토리 에너지 관리 장치의 동작을 설명하기 위한 도면이다.
도 3은 상기 도 2의 전처리부 구조를 설명하기 위한 블록도이다.
도 4는 상기 도 2의 학습부의 구조를 설명하기 위한 블록도이다.
도 5는 상기 도 2의 예측부의 구조를 설명하기 위한 블록도이다.
도 6은 상기 도 2의 가시화부의 구조를 설명하기 위한 블록도이다.
도 7은 상기 도 2의 보정부의 구조를 설명하기 위한 블록도이다.
도 8은 본 발명의 실시 예에 따른 스마트 팩토리 에너지 관리 방법을 설명하기 위한 순서도이다.
도 9는 본 발명의 다른 실시 예에 따른 스마트 팩토리 에너지 관리 방법을 설명하기 위한 순서도이다.
도 10은 본 발명의 실시 예에 따른 인공신경망을 활용한 에너지 관리 학습 모델을 설명하기 위한 도면이다.

이하, 본 발명의 일부 실시 예들을 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 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.

본 발명의 실시 예의 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. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 도 1 내지 도 10을 참조하여, 본 발명의 실시 예들을 구체적으로 설명하기로 한다.

도 1은 본 발명의 실시 예에 따른 스마트 팩토리 시스템을 설명하기 위한 블록도이다.

도 1을 참조하면, 스마트 팩토리 시스템(100)은 에너지 관리 장치(10), 외부 서버(20), 센서(30), 공장 설비(40) 및 데이터베이스(50)를 포함하여 구성될 수 있다.

공장 설비(40)는 제품 생산에 필요한 각종 공정을 수행하는 생산 설비(41), 전력을 생산하는 발전 설비(42) 및 기타 설비(43)를 포함할 수 있다.

발전 설비(42)는 태양광 발전 시스템, 풍력 발전 시스템, 지열 발전 시스템, 화력 발전 시스템 및 조력 발전 시스템 중 적어도 하나를 포함할 수 있다.

기타 설비(43)는 조명 시스템, 냉/난방/환기를 위한 공조 시스템 등을 포함할 수 있으나, 이에 한정되지는 않는다.

센서(30)는 공장 설비(40)를 모니터링하여 각종 센싱 정보를 수집할 수 있다.

일 예로, 센서(30)에 의해 수집되는 센싱 정보는 공정/설비/유틸리티(전기, 가스 등) 별 에너지 사용량에 관한 정보, 발전기 타입 별 에너지 생산량에 관한 정보 등을 포함할 수 있다.

또한, 센서(30)는 현장 설비의 온도, 압력, 전력량, 공급 전압, 공급 전류, 공정 진행 상황, 입고량, 출하량, 원료 및 완제품 재고량 등을 측정할 수도 있다.

센서(30)는 미리 설정된 주기 및(또는) 특정 이벤트 발생 시 센싱 정보를 에너지 관리 장치(10)로 전송할 수 있다.

센서(30)는 IoT(Internet of Things) 센서일 수 있으며, 유선 또는 무선 통신을 통해 실시간은 센싱 정보를 에너지 관리 장치(10)로 전송할 수 있다.

일 예로, 센서(30)는 면허 대역의 LTE(Long Term Evolution) 또는 5G NR(New Radio) 네트워크 기반의 NB-IoT 통신, 면허 대역의 저전력 중장거리 LoRa 통신, 비면허 대역의 SIGFOX 통신, 비면허 대역의 Clean State(cIoT) 통신 등을 통해 에너지 관리 장치(10)와 연동될 수 있다.

센서(30)는 에너지 관리 장치(10)의 요청에 따라 센싱 정보를 전송할 수도 있다.

에너지 관리 장치(10)는 센서(30)의 동작을 원격으로 제어할 수도 있다. 일 예로, 에너지 관리 장치(10)는 센서(30)의 센싱 주기, 센싱 정보 전송 주기, 센싱 정보 전송 이벤트 타입에 관한 정보를 원격으로 설정할 수 있다.

외부 서버(20)는 에너지 관리 장치(10)의 요청(또는 일정 주기 또는 특정 이벤트 발생)에 따라 각종 환경 변수를 에너지 관리 장치(10)에 제공할 수 있다.

일 예로, 환경 변수는 날씨 정보, 강수량 정보, 일출 시간 및 일몰 시간 정보, 온도 정보, 습도 정보, 풍향 정보, 풍속 정보, 대기 오염도 정보, 구름 영상(또는 이미지) 정보 등을 포함할 수 있다.

데이터베이스(50)는 에너지 관리 장치(10)에 의해 수집된 정보에 기초하여 생성된 학습 데이터셋, 트래이닝을 통해 생성된 각종 학습 모델, 해당 공장 운영 상태에 관한 정보 등이 기록되어 유지될 수 있으나, 이에 한정되지는 않는다. 일 예로, 공장 운영 상태 정보는 원자재 재고 정보, 고객 주문 정보, 완제품 재고 정보, 투입 인력 정보, 휴무 계획 정보 등을 포함할 수 있다.

에너지 관리 장치(10)는 수집 모듈(11), 학습 모듈(12), 예측 모듈(13), 보정 모듈(14), 정책 결정 모듈(15) 및 출력 모듈(16)을 포함하여 구성될 수 있다.

수집 모듈(11)은 외부 서버(20) 및 센서(30)로부터 각종 정보를 수집할 수 있다.

수집 모듈(11)은 수집된 정보를 전처리하여 학습을 위한 데이터셋을 생성할 수 있다.

수집 모듈(11)은 사용자 설정에 따라 수집된 정보를 필터링하여 데이터셋을 생성할 수 있다. 일 예로, 사용자는 에너지 소비 관련 정보만을 학습에 사용하기 위해 에너지 생산 관련 정보를 학습에서 배제시킬 수 있다. 이와 반대로, 사용자는 에너지 생산 관련 정보만을 학습에 사용하기 위해 에너지 소비 관련 정보를 학습에서 배제시킬 수 있다. 수집 모듈(11)은 디폴트로 모든 수집된 정보에 기초하여 데이터셋을 생성할 수 있다.

또한, 수집 모듈(11)은 수집된 정보의 신뢰성을 평가하고, 신뢰성이 낮은 정보-즉, 이상치(Outlier)-는 데이터셋 생성에서 배제시킬 수도 있다. 일 예로, 특정 센서의 고장으로 인해 적정 범위를 벗어난 센싱 값이 수신되는 경우, 수집 모듈(11)은 해당 센서 식별 정보 및 센싱 값을 데이터베이스(50)에 기록한 후 출력 모듈(16)로 센서 고장 알림을 전송하여 사용자에게 해당 센서의 고장을 즉시 알릴 수 있다.

또한, 수집 모듈(11)은 학습 데이터셋의 품질 및 학습 모델의 예측 정확도를 높이기 위해 결손 데이터(Missing Data)를 식별하고, 식별된 결손 데이터에 상응하는 센서 및 외부 서버로부터 필요한 데이터를 요청하여 획득할 수도 있다. 다른 예로, 수집 모듈(11)은 보간법-일 예로, 라그량쥬 보간법- 등을 이용하여 결손 데이터를 처리하거나 클러스터링-예를 들면, k-Means Clustering-를 기법을 사용해 이상치를 제거하는 전처리를 수행할 수 있다.

또한, 수집 모듈(11)은 사용자 설정 또는 예측 결과의 오차율에 기반하여 따라 학습을 위한 데이터의 수집 주기, 학습 데이터셋의 크기, 학습 데이터셋의 갱신 주기를 동적으로 제어할 수 있다.

수집 모듈(11)은 정보 수집에 사용할 센서의 타입, 센서의 개수 등을 사용자 설정에 따라 제어할 수도 있다.

학습 모듈(12)는 사전 트래이닝을 통해 생성된 학습 모델을 데이터베이스(50)로부터 로딩하여 해당 데이터셋에 대한 학습을 수행할 수 있다.

학습 모듈(12)은 예측 오차(율)이 기준치 이상인 경우, 학습 모델을 스위칭하여 재학습을 자동 수행할 수도 있다.

예측 모듈(13)은 학습 모듈(12)의 학습 결과를 이용하여 에너지 소비량(또는 미래 에너지 소비 패턴) 및(또는) 에너지 생산량(또는 미래 에너지 생산 패턴)을 예측할 수 있다.

실시 예에 따른, 예측 모듈(13)은 에너지 소비 패턴에 기반하여 생산 설비(41) 및 기타 설비(43)의 고장을 예측할 수 있다. 또한, 예측 모듈(13)은 에너지 생산 패턴에 기반하여 발전 설비(42)의 고장을 예측할 수도 있다.

보정 모듈(14)은 학습을 통해 예측 값과 실측 값 사이의 오차율을 계산하여 학습 모델에 대한 보정이 필요한지 여부를 판단할 수 있다.

판단 결과, 보정이 필요한 경우, 보정 모듈(14)은 해당 모델의 학습 파라메터를 보정하여 최적화시킬 수 있다.

보정 모듈(14)은 최적화된 학습 모델을 데이터베이스(50)에 기록할 수 있다. 따라서, 현재까지 가장 최적화된 학습 모델이 학습에 사용될 수 있다.

정책 결정 모듈(15)은 예측 모듈(13)에 의한 예측 결과에 기초하여 공장 설비(40)의 증설 여부를 결정할 수 있다.

일 예로, 예측 에너지 소비량이 예측 에너지 생산량보다 기준치 이상 높은 경우, 발전 설비(42)의 증설이 필요한 것으로 판단할 수 있다.

정책 결정 모듈(15)은 예측된 에너지 소비 패턴 및 에너지 생산 패턴에 기반하여 생산 계획을 수정할 수도 있다.

정책 결정 모듈(15)은 단위 기간 동안 특정 설비에 대한 고장이 기준 회수이상 예측된 경우, 해당 설비에 대한 교체가 필요한 것으로 결정할 수 있다.

출력 모듈(16)은 학습 모듈(12)에 의한 학습 결과를 그래프 등의 형태로 구성하여 화면에 출력할 수 있다.

또한, 출력 모듈(16)은 예측 모듈(13)에 의한 각종 예측 결과, 정책 결정 모듈(15)에 의한 정책 결정 결과를 화면에 출력할 수 있다.

에너지 관리 장치(10)는 사용자 단말(미도시)에 출력 모듈(16)에 의해 출력 결과를 전송할 수도 있다.

도 2는 본 발명의 실시 예에 따른 딥러닝 기반 스마트 팩토리 에너지 관리 장치의 동작을 설명하기 위한 도면이다.

이하 설명의 편의를 위해, 딥러닝 기반 스마트 팩토리 에너지 관리 장치(200)를 간단히 에너지 관리 장치(200)라 명하여 설명하기로 한다.

인공신경망을 활용한 에너지 관리 장치(200)는 에너지 소비원에 대한 센싱 정보 및 에너지 생산원에 대한 센싱 정보, 외부 서버로부터 수집된 정보 등을 에너지 관리 학습 모델에 적용으로 미래 에너지 소비량 및 미래 에너지 생산량을 예측할 수 있다.

일 예로, 에너지 소비원에 대한 센싱 정보는 공정 타입, 유틸리티 타입, 단위 시간 동안의 평균 소비 에너지량, 단위 기간 동안의 피크 소비 에너지량 등을 포함할 수 있다.

에너지 생산원에 대한 센싱 정보는 발전기 타입, 단위 시간 동안의 평균 생산 에너지량, 전력부하, 열부하 등을 포함할 수 있다.

외부 서버로부터 수집되는 정보는 날씨 및 기후 정보, 전천 이미지 정보, 풍속/풍향 정보, 파고 정보, 조수 정보 등을 포함할 수 있다.

도 2를 참조하면, 에너지 관리 장치(200)는 전처리부(210), 학습부(220), 예측부(230), 가시화부(240) 및 보정부(250)를 포함하여 구성될 수 있다.

전처리부(210)는 장시간 공장 운행 중 에너지 관련 채널 별 수집된 학습 데이터에 대한 전처리를 수행하여 학습 데이터셋을 생성할 수 있다.

일 예로, 학습 데이터셋은 환경 정보, 제1 입력(제1 에너지 소비원, 제2 에너지 소비원, ………, 제N 에너지 소비원), 제2 입력(제1 에너지 생산원, 제2 에너지 생산원 …….., 제K 에너지 생산원), 출력(예측 에너지 소비량, 예측 에너지 생산량)과 같은 순서로 구성될 수 있다.

학습부(220)는 인공신경망을 이용하여 전처리된 학습 데이터에 상응하는 다중 입력과 다중 출력 사이의 상관 관계 함수를 구성하는 모델 학습을 수행할 수 있다.

일 예로, 인공신경망은 입력층과 출력층 사이에 복수의 은닉층을 포함하는 DNN(Deep Neural Network)일 수 있다.

예측부(230)는 학습 데이터셋으로부터 선택된 테스트 데이터셋과 모델 학습을 통해 구성된 에너지 관리 학습 모델을 이용하여 미래 에너지 사용량 및 생산량에 대한 예측을 수행할 수 있다.

즉, 예측부(230)는 테스트 입력 값들을 학습된 모델에 적용하여 미래 에너지 소비/생산 패턴을 예측할 수 있다.

가시화부(240)는 성능 예측 결과를 시간 도메인상에 그래프 형태로 가시화하여 출력할 수 있다.

또한, 가시화부(240)는 수집된 학습 데이터에 대한 예측 결과와 실측 결과를 비교하고, 비교 결과를 가시화하여 출력할 수 있다.

보정부(250)는 미래 에너지 소비 예측 결과와 실제 에너지 소비량을 비교하여 에너지 소비 패턴 학습 모델의 파라메터를 보정할 수 있다.

보정부(250)는 미래 에너지 생산 예측 결과와 실제 에너지 생산량을 비교하여 에너지 생산 패턴 학습 모델의 파라메터를 보정할 수 있다.

보정부(250)는 예측 결과와 실측 결과 사이의 오차율에 기반하여 입력 채널 별 에너지 소비 패턴 학습 모델과 에너지 생산 패턴 학습 모델 사이의 상관 계수를 보정할 수 있다.

입력 채널에 따라 에너지 소비 패턴 학습 모델과 에너지 생산 패턴 학습 모델의 상관도는 상이할 수 있다. 일 예로, 날씨 및 기후와 관련된 입력 채널의 경우, 에너지 소비 패턴 학습 모델과 에너지 생산 패턴 학습 모델에 모두에 높은 상관도를 가질 수 있다. 반면, 제품 주문량 또는 제품 생산량과 관련된 입력 채널의 경우, 에너지 소비 패턴 학습 모델에는 상관도가 높으나, 에너지 생산 패턴 학습 모델에는 상관도가 없는 특징이 있다.

도 3은 상기 도 2의 전처리부 구조를 설명하기 위한 블록도이다.

도 3을 참조하면, 전처리부(210)는 전처리 순서 결정부(211), 전처리 데이터셋 생성부(212) 및 전처리 결과 출력부(213)을 포함하여 구성될 수 있다.

전처리 순서 결정부(211)는 수집된 학습 데이터를 로딩하고, 로딩된 학습 데이터에 포함된 전체 채널 중 적어도 하나의 학습 대상 채널을 사용자로부터 선택 받고, 선택된 적어도 하나의 학습 대상 채널에 대한 전처리 순서를 설정 받을 수 있다.

일 예로, 학습 대상 채널은 에너지 소비 채널 및 에너지 생산 채널을 포함할 수 있다.

에너지 소비 채널은 공장 내 각종 시스템에 의해 소비되는 에너지 타입 별 소비량에 관한 것으로서, 실제 상품의 가공, 조립, 포장 등에 소요되는 에너지 뿐만 아니라 냉/난방을 위한 공조 시스템, 조명 시스템, 사무용 기기에 의해 소모되는 에너지를 포함할 수 있다.

에너지 생산 채널은 공장 내 설치된 각종 발전 시스템에 의해 생성되는 발전 타입 별 생산량에 관한 것으로서, 발전 시스템은 태양광 발전 시스템, 풍력 발전 시스템, 지열 발전 시스템 등을 포함할 수 있다.

전처리 데이터셋 생성부(212)는 사용자 선택된 학습 대상 채널에 상응하는 학습 데이터를 사용자 설정된 전처리 순서에 따라 시간 도메인상에 입력과 출력으로 구성된 하나의 데이터셋(dataset)을 생성하여 파일로 저장할 수 있다. 이하 설명의 편의를 위해, 전처리 데이터셋 생성부(212)에 의해 생성된 데이터셋을 학습 데이터셋이라 명하기로 한다.

전처리 데이터셋 생성부(212)는 사용자 선택에 따라 기 생성된 학습 데이터셋을 로딩할 수도 있다.

전처리 데이터셋 생성부(212)는 사용자 입력된 에너지 소비 채널 수, 에너지 생산 채널 수 및 출력 채널 수에 따라 전처리를 수행하여 학습 준비를 완료할 수 있다.

전처리 결과 출력부(213)는 전처리 데이터셋 생성부(212)에 의해 생성된 학습 데이터셋에 기반하여 사용자 선택된 채널의 에너지 변화 패턴을 출력할 수 있다. 즉, 사용자는 채널 별 생성된 학습 데이터를 에너지 변화 그래프의 형태로 확인할 수 있다.

전처리 결과 출력부(213)는 에너지 소비원(Energy Consumption Source), 에너지 생산원(Energy Generation Source) 및 출력(Output)에 대한 채널 별 적절한 범위를 사용자로부터 입력 받고, 입력된 범위에 상응하는 채널 별 에너지 변화 그래프를 생성하여 출력할 수 있다.

일 예로, 범위는 에너지 소비원/에너지 생산원/출력의 특정 채널 번호에 상응하는 시간 범위 및 값 범위를 포함할 수 있다. 여기서, 채널 번호는 학습 대상 채널 리스트의 전처리 순서일 수 있다.

도 4는 상기 도 2의 학습부의 구조를 설명하기 위한 블록도이다.

도 4를 참조하면, 학습부(220)는 제1 파라메터 설정부(221), 제2 파라메터 설정부(222), 수행부(223) 및 저장부(224)를 포함하여 구성될 수 있다.

제1 파라메터 설정부(221)는 기본 하이퍼파라메터-즉, 학습 모델 구조 변수-를 사용자로부터 설정 받을 수 있다.

여기서, 학습 모델 구조 변수는 에너지 소비 채널/에너지 생산 채널/출력 채널 각각에 대한 은닉층의 개수, 각 은닉층의 은닉 노드 수 및 학습 변수를 포함할 수 있다.

일 예로, 학습 변수는 전체 데이터셋 학습 회수, 가중치가 갱신되는 데이터셋의 개수, 검증 데이터로 사용될 비율을 포함할 수 있으나, 이에 한정되지는 않는다.

제2 파라메터 설정부(222)는 추가 하이퍼파라메터-즉, 트레이닝 설정(Training Setting) 파라메터-를 설정 받을 수 있다.

일 예로, 트레이닝 설정은 활성화 함수, 가중치 초기 값(Weight Initial Value), 바이어스 초기 값(Bias Initial Value), 학습 알고리즘, 학습률 및 손실함수(Loss Function) 등을 포함할 수 있다.

학습이 시작되면, 소정 규칙으로 폴더가 자동 생성되어 사용자 지정된 기본 폴더에 모델 학습 결과가 포함된 폴더 및 파일이 생성되어 저장될 수 있다. 일 예로, 생성된 폴더명은 “Out_”으로 시작하고, 해당 폴더가 생성된 날짜 및 시간을 포함할 수 있다.

수행부(223)는 사용자의 학습 시작 버튼 입력에 따라 학습을 시작할 수 있다. 이때, 학습 진행 내용은 명령창(Command Window)에 실시간 표시될 수 있다.

저장부(224)는 사용자 선택에 따라 각종 학습 결과를 출력 및 저장할 수 있다.

일 예로, 저장부(224)는 지정된 출력 타입 및 채널 번호에 상응하는 학습 결과를 그래프 형태 및(또는) 엑셀 형태로 출력할 수 있다.

또한, 저장부(224)는 제1 내지 2 파라메터 설정부(221, 222)에 의한 하이퍼파라메터 설정 값을 저장할 수 있다.

저장부(224)는 사용자 선택에 따라 학습된 최종 모델을 저장할 수 있다.

도 5는 상기 도 2의 예측부의 구조를 설명하기 위한 블록도이다.

도 5를 참조하면, 예측부(230)는 로딩부(231), 예측 순서 결정부(232), 테스트 데이터셋 생성부(233), 예측 수행부(234) 및 예측 결과 저장부(235)를 포함하여 구성될 수 있다.

로딩부(231)은 사용자 지정된 폴더로부터 전체 채널 리스트 및 테스트를 위한 데이터셋을 로딩할 수 있다.

여기서, 테스트를 위한 데이터셋은 IOT 센서로부터 실시간 수집된 센싱 정보, 외부 서버로부터 실시간 수집된 정보, 발전 시스템으로부터 수집된 정보 중 적어도 하나에 기반하여 생성될 수 있다.

예측 순서 결정부(232)는 테스트 데이터셋에 상응하는 전체 채널에 대한 예측 채널 순서를 사용자로부터 지정 받거나 자동 결정하여 설정할 수 있다.

일 예로, 예측 채널 순서는 사용자 선택에 따라 학습 채널 순서-즉, 전처리 순서-와 동일한 순서로 배치되거나 채널 이름순으로 자동 배치될 수 있다.

예측 순서 결정부(232)는 예측 채널 순서가 결정되면, 결정된 예측 채널의 개수를 해당 화면에 자동으로 출력할 수 있다.

테스트 데이터셋 생성부(233)는 예측 채널 순서에 따라 하나의 테스트 데이터셋 또는 학습 데이터셋을 생성하여 저장할 수 있다.

예측 수행부(234)는 사용자 지정된 사전 학습된 모델을 데이터베이스(50)로부터 로딩하고, 테스트 데이터셋에 대한 학습을 수행하여 미래 에너지 소모량 및 미래 에너지 생산량을 예측할 수 있다.

예측 결과 저장부(235)는 미래 에너지 소모량 및 미래 에너지 생산량에 대한 예측 결과를 저장할 수 있다.

도 6은 상기 도 2의 가시화부의 구조를 설명하기 위한 블록도이다.

도 6을 참조하면, 가시화부(240)는 예측 결과 출력부(241)과 비교 결과 출력부(242)를 포함하여 구성될 수 있다.

예측 결과 출력부(241)은 미래 에너지 소비 예측 결과 및 미래 에너지 생산 예측 결과를 시간 도메인상에 그래프의 형태로 가시화하여 출력할 수 있다.

예측 결과 출력부(241)은 그래프 타입, 출력 채널 타입, 출력 채널 번호, 적용된 날짜 및(또는) 시간 범위, 출력 값 범위 중 적어도 하나가 표시된 예측 그래프를 생성하여 출력할 수 있다.

비교 결과 출력부(242)는 해당 공장 시스템으로부터 수집된 학습 데이터에 대한 예측 결과와 동일한 설비 및 목적의 다른 공장에 적용하여 획득한 예측 결과를 비교하고, 비교 결과를 그래프로 가시화하여 출력할 수 있다.

상기 예측 결과 및 상기 비교 결과를 통해, 사용자는 대상 공장 시스템의 현재 에너지 사용 현황을 직관적으로 판단할 수 있을 뿐만 아니라 동일 또는 유사 조건의 타 공장 대비 현재 에너지 사용 효율을 확인하여 에너지 관리 개선점을 도출할 수 있다.

도 7은 상기 도 2의 보정부의 구조를 설명하기 위한 블록도이다.

도 7을 참조하면, 보정부(250)는 보정 판단 모듈(251), 오차 보정 모듈(252) 및 상관 계수 보정 모듈(253)을 포함하여 구성될 수 있다.

보정 판단 모듈(251)는 미래 예측 데이터-예를 들면, 미래 에너지 소비량 및 미래 에너지 생산량-와 미래 예측 데이터에 상응하는 시점의 실측 데이터-예를 들면, 실측 에너지 소비량 및 실측 에너지 생산량-를 비교하여 학습 모델에 대한 보정이 필요한지 여부를 결정할 수 있다.

일 예로, 단위 기간 동안의 예측 데이터와 실측 데이터 사이의 평균 오차율이 미리 설정된 기준치를 초과하는 경우, 보정 판단 모듈(251)은 해당 학습 모델에 대한 보정이 필요한 것으로 판단할 수 있다. 여기서, 단위 기간 동안의 평균 예측 값을 a, 단위 기간 동안의 평균 실측 값을 b라 할 때, 평균 오차율은 (|a-b|/b*100)으로 계산할 수 있으나 이에 한정된 것은 아니다.

오차 보정 모듈(252)는 예측 값과 실측 값 사이의 오차율에 기반하여 채널 별 상관 파라메터를 도출하고, 도출된 채널 별 상관 파라메터에 기반하여 보정 함수를 생성할 수 있다.

이후, 상기 보정 함수에 따라 예측 데이터는 보정될 수 있다.

실시 예로, 오차 보정 모듈(252)는 미래 에너지 소비 예측 결과와 실제 에너지 소비량을 비교하여 에너지 소비 패턴 학습 모델의 파라메터를 보정할 수 있다.

실시 예로, 오차 보정 모듈(252)는 미래 에너지 생산 예측 결과와 실제 에너지 생산량을 비교하여 에너지 생산 패턴 학습 모델의 파라메터를 보정할 수 있다.

상관 계수 보정 모듈(253)은 예측 결과와 실측 결과 사이의 오차율에 기반하여 입력 채널 별 에너지 소비 패턴 학습 모델과 에너지 생산 패턴 학습 모델 사이의 상관 계수를 보정할 수 있다.

도 8은 본 발명의 실시 예에 따른 스마트 팩토리 에너지 관리 방법을 설명하기 위한 순서도이다.

도 8을 참조하면, 에너지 관리 장치(200)는 IOT 센서를 통해 실시간 에너지 사용 데이터를 수집할 수 있다(S810).

에너지 관리 장치(200)는 수집된 에너지 사용 데이터에 기반하여 유틸리티 타입 별 에너지 사용량을 기록할 수 있다(S820). 에너지 관리 장치(200)는 유틸리티 타입 별 에너지 사용량 데이터에 기반하여 테스트 데이터셋을 생성할 수 있다.

에너지 관리 장치(200)는 유틸리티 타입 별 에너지 사용량에 대한 테스트 데이터셋에 대한 실시간 기계 학습을 통해 미래 에너지 소비량을 예측할 수 있다(S830). 여기서, 미래 에너지 소비 예상 기간은 사용자에 의해 미리 설정될 수 있다.

에너지 관리 장치(200)는 사전 학습된 복수의 에너지 소비 패턴 학습 모델 중 예측된 미래 에너지 소비량에 상응하는 에너지 소비 패턴 학습 모델을 결정할 수 있다.(S840).

에너지 관리 장치(200)는 결정된 에너지 소비 패턴 학습 모델에 실시간 에너지 사용 데이터를 입력하여 학습한 미래 예측 데이터와 미래 예측 데이터에 상응하는 시점의 실측 데이터 간 오차율에 기반하여 에너지 소비 패턴 학습 모델을 보정 및 최적화를 수행할 수 있다(S850).

에너지 관리 장치(200)는 최적화된 에너지 소비 패턴 학습 모델을 이용한 실시간 에너지 사용 데이터의 기계 학습을 통해 제품 생산 계획을 실시간 수정할 수 있다(S860).

도 9는 본 발명의 다른 실시 예에 따른 스마트 팩토리 에너지 관리 방법을 설명하기 위한 순서도이다.

도 9를 참조하면, 에너지 관리 장치(200)는 공장에 설치된 적어도 하나의 발전 시스템으로부터 실시간 발전량에 대한 정보를 수집할 수 있다(S910).

에너지 관리 장치(200)는 날씨 및 기후 관련 정보, 대기 오염도 정보 및 구름 영상(또는 이미지) 정보를 포함하는 다양한 환경 변수를 외부 서버로부터 수집할 수 있다(S920).

에너지 관리 장치(200)는 수집된 발전량 정보 및 환경 변수에 기반하여 실시간 기계 학습을 수행하여 미래 에너지 생산량을 예측할 수 있다(S930).

에너지 관리 장치(200)는 상기한 도 8에서 예측된 미래 에너지 소비량과 미래 에너지 생산량을 비교하여 미래 필요 전력량을 예측할 수 있다(S940).

에너지 관리 장치(200)는 예측된 미래 필요 전력량에 기초하여 공장 내 전력 설비 및 발전 시스템에 대한 증설이 필요한지 여부를 판단하고, 판단 결과에 따라 증설 계획을 자동 생성할 수 있다(S950).

도 10은 본 발명의 실시 예에 따른 인공신경망을 활용한 에너지 관리 학습 모델을 설명하기 위한 도면이다.

도 10을 참조하면, 에너지 관리 학습 모델(1000)은 크게 소스(또는 입력층)(1010), 전달계(또는 은닉층)(1020) 및 응답(또는 출력층)(1030)으로 구성될 수 있다.

소스(1010)는 환경 변수, 에너지 소비 관련 입력 채널들로 구성된 소비원(1011)과 에너지 생산 관련 입력 채널들로 구성된 생산원(1012)을 포함하고, 소비원(1011)과 생산원(1012)은 각각에 대응하는 환경 변수들을 입력 채널로 가질 수 있다.

전달계(1020)는 크게 에너지 소비 패턴 학습 모델과 에너지 생산 패턴 생산 모델을 포함하는 인공신경망이 활용될 수 있다. 일 예로, 인공신경망은 입력층과 출력층 사이에 복수의 은닉층을 포함하는 DNN(Deep Neural Network)일 수 있으나, 이에 한정되지는 않는다.

에너지 소비 패턴 학습 모델과 에너지 생산 패턴 생산 모델은 일부 은닉층에서 상호 연관 관계를 가지도록 구현될 수 있다.

실시 예로, 인공신경망은 소비원(1011)과 생산원(1012)이 함께 포함되어야 하는 모델에서는 에너지 소비와 에너지 생산이 독립적으로 이루어지는 특성과 에너지 소비와 에너지 생산이 상호 연관되는 특성을 모두 반영하여 소비원(1011)과 생산원(1012)이 인공신경망의 N번째 은닉층까지 경로가 분리되어 학습된 후 N+1 번째 은닉층부터 합성되어 학습되도록 구현될 수 있다. 일 예로, N은 2보다 큰 값-예를 들면, 3-으로 설정될 수 있다.

실시 예로, 인공신경망은 소비원(1011) 및 생산원(1012) 중 어느 하나만을 포함하는 모델인 경우, 분리 학습 없이 일반적인 인공신경망 구조를 가지도록 구현될 수 있다.

일 예로, 날씨 및 기온 등의 환경 변수는 냉/난방, 조명 등과 같은 에너지 소비 패턴에 영향을 줄 뿐만 아니라 태양광 발전, 풍력 발전 등과 같은 에너지 생산 패턴에 영향을 줄 수 있다.

응답(1030)은 에너지 소비 예측량과 에너지 생산 예측량을 포함할 수 있다.

실시 예에 따른 환경 변수는 외부 서버로부터 수집되는 날씨 및 기후 관련 정보, 대기 오염도 정보 및 구름 영상(또는 이미지) 정보를 포함할 수 있으나, 이에 한정되지는 않으며, 원자재 재고 정보, 고객 주문 정보, 완제품 재고 정보, 인력 정보 등을 더 포함할 수 있다.

본 명세서에 개시된 실시 예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리 및/또는 스토리지)에 상주할 수도 있다.

예시적인 저장 매체는 프로세서에 커플링되며, 그 프로세서는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.

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 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 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.

Claims

통신망을 통해 센서와 연동하여 장치에서의 스마트 팩토리를 위한 에너지 관리 방법에 있어서,
상기 스마트 팩토리에 구비된 설비를 모니터링하는 상기 센서로부터 상기 통신망을 통해 실시간 센싱 정보를 수집하는 단계;
상기 센싱 정보를 전처리하여 학습 데이터셋을 생성하는 단계;
사전 학습을 통해 생성된 복수의 학습 모델 중 상기 학습 데이터셋에 상응하는 학습 모델을 선택하는 단계;
상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 소비량을 예측하는 단계; 및
상기 예측된 에너지 소비량에 기초하여 자동으로 생산 계획을 수립하는 단계
를 포함하는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
제1항에 있어서,
상기 장치는 상기 통신망을 통해 외부 서버와 더 연동되고,
상기 설비는 생산 설비 및 발전 설비를 포함하고,
상기 방법은,
상기 외부 서버로부터 환경 변수를 수집하는 단계;
상기 환경 변수를 전처리하여 상기 학습 데이터셋을 생성하는 단계;
상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 생산량을 예측하는 단계; 및
상기 예측된 에너지 소비량 및 상기 예측된 에너지 생산량에 기초하여 상기 생산 계획을 수립하는 단계
를 포함하는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
제2항에 있어서,
상기 예측된 에너지 소비량 및 상기 예측된 에너지 생산량과 실측된 에너지 소비량 및 에너지 생산량 사이의 오차율에 기반하여 상기 선택된 학습 모델을 보정하는 단계를 더 포함하되,
상기 보정된 학습 모델에 기반한 기계 학습을 통해 상기 생산 계획이 자동 수정되는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
제3항에 있어서,
상기 예측된 에너지 소비량과 상기 예측된 에너지 생산량에 기반하여 필요 전력량을 예측하는 단계; 및
상기 예측된 필요 전력량에 기반하여 상기 생산 설비를 위한 전력 시스템 및 상기 발전 설비의 증설 계획을 자동으로 생성하는 단계
를 더 포함하는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
제2항에 있어서,
상기 환경 변수는 날씨 정보, 강수량 정보, 일출 시간 및 일몰 시간 정보, 온도 정보, 습도 정보, 풍향 정보, 풍속 정보, 대기 오염도 정보, 구름 영상(또는 이미지) 정보, 원자재 재고 정보, 고객 주문 정보, 완제품 재고 정보 및 인력 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
제1항에 있어서,
상기 통신망은 LoRa 통신망, 협대역 LTE 통신망 및 5G NR 통신망 중 적어도 하나를 포함하는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
제1항에 있어서,
상기 센싱 정보를 전처리하여 학습 데이터셋을 생성하는 단계는,
상기 센싱 정보 중 이상치를 제거하는 단계; 및
상기 센싱 정보 중 결손 데이터를 처리하는 단계
를 포함하고, 상기 결손 데이터는 보간법 및 클러스터링 기법 중 적어도 하나의 기법을 이용하여 처리되는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
제2항에 있어서,
상기 선택된 학습 모델은 입력층, K개의 은닉층 및 출력층으로 구성된 인공신경망으로 구성되고,
상기 입력층은 상기 환경 변수, 소비원 및 생산원을 포함하되,
상기 인공 신경망의 N번째 상기 은닉층까지 상기 소비원과 상기 생산원이 분리 학습된 후 N+1번째 은닉층에서 K번째 은닉층까지 합성되어 학습되는 것을 특징으로 하는 스마트 팩토리를 위한 에너지 관리 방법.
통신망을 통해 스마트 팩토리에 구비된 센서와 연동하는 에너지 관리 장치에 있어서,
상기 스마트 팩토리에 구비된 설비를 모니터링하는 상기 센서로부터 상기 통신망을 통해 실시간 센싱 정보를 수집하고, 상기 센싱 정보를 전처리하여 학습 데이터셋을 생성하는 수집 모듈;
사전 학습을 통해 생성된 복수의 학습 모델 중 상기 학습 데이터셋에 상응하는 학습 모델을 데이터베이스로부터 선택 및 로딩하는 학습 모듈;
상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 소비량을 예측하는 예측 모듈;
상기 예측된 에너지 소비량에 기초하여 자동으로 생산 계획을 수립하는 정책 결정 모듈; 및
상기 예측 결과 및 상기 수립된 생산 계획을 출력하는 출력 모듈
을 포함하는 것을 특징으로 하는 에너지 관리 장치.
제9항에 있어서,
상기 장치는 상기 통신망을 통해 외부 서버와 더 연동되고,
상기 설비는 생산 설비 및 발전 설비를 포함하되,
상기 장치는,
상기 외부 서버로부터 환경 변수를 수집하는 수단;
상기 환경 변수를 전처리하여 상기 학습 데이터셋을 생성하는 수단;
상기 학습 데이터셋 및 상기 선택된 학습 모델에 기반한 기계 학습을 통해 에너지 생산량을 예측하는 수단; 및
상기 예측된 에너지 소비량 및 상기 예측된 에너지 생산량에 기초하여 상기 생산 계획을 수립하는 수단
을 포함하는 것을 특징으로 하는 에너지 관리 장치.