KR20220057396A - 강화학습 기반 에너지 관리 시스템 제어 방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 에너지 관리 시스템(EMS, Energy Management System) 제어 방법이 개시된다. 상기 방법은: 하나 이상의 목표 지점의 목표 온도를 획득하는 단계; 및 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴되기 전을 나타내는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계를 포함할 수 있다.

Description

강화학습 기반 에너지 관리 시스템 제어 방법 및 장치 {METHOD AND APPARATUS FOR CONTROL ENERGY MANAGEMENT SYSTEM BASED ON REINFORCEMENT LEARNING}

본 발명은 에너지 관리 시스템 제어 방법에 관한 것으로서, 보다 구체적으로 신경망을 이용한 강화학습 기반 에너지 관리 시스템 제어 방법에 관한 것이다.

기존 당업계에서는 에너지 관리를 위한 제어 방법으로 피드백에 기반한 PID(Proportional-Integral-Differential, 비례-적분-미분) 제어 방법을 사용해왔다. 즉, 제어 대상의 출력값을 원하는 출력의 크기인 참조값과 비교하여 오차를 계산하고 이에 기초하여 제어를 수행해왔다.

그러나 기존의 PID 제어 방법은 제어 대상 출력값의 수렴 속도가 느리고 진동한다는 단점이 있었다. 출력값의 수렴 속도가 느리고 출력값이 진동한다는 것은 그만큼 양의 방향과 음의 방향으로 출력값의 오버슈팅(overshooting)이 존재한다는 뜻이고 이는 제어 과정 상에서 결과적으로 에너지 자원의 낭비를 초래하게 된다.

따라서 당업계에는 안정적인 제어 방법을 위한 솔루션의 제공에 대한 수요가 증가해왔다.

한국등록특허 "KR2133737"은 멀티에이전트 강화학습 기반 물품 분류기 제어 시스템 및 그 방법을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 신경망을 이용한 강화학습 기반 에너지 관리 시스템 제어 방법의 제공을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 에너지 관리 시스템(EMS, Energy Management System) 제어 방법이 개시된다. 상기 방법은: 하나 이상의 목표 지점의 목표 온도를 획득하는 단계; 및 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴되기 전을 나타내는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 강화학습 제어 모델은, 제 1 제어 변수를 제어하기 위해 학습된 제 1 제어 에이전트 및 제 2 제어 변수를 제어하기 위해 학습된 제 2 제어 에이전트를 포함할 수 있다.

대안적인 실시예에서, 상기 제 1 제어 변수는 압축기의 출력이고, 상기 제 2 제어 변수는 밸브의 개폐 정도인 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴된 후를 나타내는 제 2 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 강화학습 제어 모델이 환경으로부터 획득하는 상태 정보는, 온도에 대한 상태 데이터, 압축기의 출력에 대한 상태 데이터, 밸브의 개폐 정도에 대한 상태 데이터 중 적어도 하나를 포함하는 제 1 상태 정보일 수 있다.

대안적인 실시예에서, 상기 강화학습 제어 모델은 적어도 하나의 노드를 포함하는 인공 신경망 레이어를 포함하며 상기 강화학습 제어 모델의 학습 방법은: 상기 강화학습 제어 모델이 적어도 하나의 센서(Sensor)를 포함하는 환경으로부터 상태 정보를 획득하는 단계; 상기 강화학습 제어 모델이 상기 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하는 단계; 상기 강화학습 제어 모델이 상기 제어 변수에 대한 제어의 결과로서 상기 환경으로부터 갱신된 상태 정보를 획득하는 단계; 및 상기 강화학습 제어 모델이 상기 제어 변수에 대한 제어의 결과로서 상기 환경으로부터 획득되는 보상에 기초하여 학습되는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 보상은, 목표 지점의 현재 온도 및 목표 온도에 기초하여 산출된 보상; 전체 일의 양에 기초하여 산출된 보상; 또는 현재 간접 지표 및 목표 간접 지표에 기초하여 산출된 보상 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 상기 강화학습 제어 모델이 상기 보상에 기초하여 학습되는 단계는 상기 제 1 조건의 경우: 상기 강화학습 제어 모델에 포함된 제 1 제어 에이전트가 상기 목표 지점의 현재 온도 및 상기 목표 온도에 기초하여 산출된 보상에 기초하여 학습되는 단계; 및 상기 강화학습 제어 모델에 포함된 제 2 제어 에이전트가 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 강화학습 제어 모델이 상기 보상에 기초하여 학습되는 단계는 상기 제 2 조건의 경우: 상기 강화학습 제어 모델에 포함된 제 1 제어 에이전트가 상기 목표 지점의 현재 온도, 상기 목표 온도 그리고 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계; 및 상기 강화학습 제어 모델에 포함된 제 2 제어 에이전트가 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 획득된 목표 온도에 대응되는 목표 간접 지표를 획득하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 목표 간접 지표는, 목표 온도에 따라 사전 결정된 값 또는 제 1 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하도록 학습된 강화학습 제어 모델이 하나 이상의 제어 변수를 제어한 결과, 목표 지점의 현재 온도가 상기 목표 온도에 수렴한 경우 환경으로부터 적어도 하나의 센서를 통해 획득된 값인 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 강화학습 제어 모델이 환경으로부터 획득하는 상태 정보는, 온도에 대한 상태 데이터, 압축기의 출력에 대한 상태 데이터, 밸브의 개폐 정도에 대한 상태 데이터 중 적어도 하나를 포함하는 제 1 상태 정보에 간접 지표에 대한 상태 데이터를 추가적으로 포함하는 제 2 상태 정보일 수 있다.

대안적인 실시예에서, 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴된 후를 나타내는 제 2 조건에 대한 강화학습 제어 모델 학습 방법은: 상기 강화학습 제어 모델에 포함된 제 1 제어 에이전트가 상기 목표 지점의 현재 온도, 상기 목표 온도 그리고 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계; 및 상기 강화학습 제어 모델에 포함된 제 2 제어 에이전트가 현재 간접 지표 및 상기 목표 간접 지표에 기초하여 산출된 보상에 기초하여 학습되는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 에너지 관리 시스템(EMS, Energy Management System)을 제어하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 하나 이상의 목표 지점의 목표 온도를 획득하는 동작; 및 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴되기 전을 나타내는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 에너지 관리 시스템(EMS, Energy Management System)을 제어하기 위한 장치가 개시된다. 상기 장치는 하나 이상의 프로세서; 메모리; 및 네트워크부를 포함하고, 그리고 상기 하나 이상의 프로세서는, 목표 지점의 목표 온도를 획득하고, 그리고 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴되기 전을 나타내는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어할 수 있다.

본 개시는 신경망을 이용한 강화학습 기반 에너지 관리 시스템 제어 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 에너지 관리 시스템을 제어하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 강화학습 방법을 설명하기 위해 에이전트와 환경을 도시한 개념도이다.
도 4는 본 개시에 따른 복수의 제어 에이전트를 포함하는 강화학습 제어 모델 및 환경을 예시적으로 도시한 개념도이다.
도 5는 본 개시의 일 실시예에 따라 에너지 관리 시스템에 포함된 냉동 사이클의 예시도이다.
도 6은 본 개시의 일 실시예에 따라 컴퓨팅 장치가 강화학습 제어 모델을 이용하여 에너지 관리 시스템 제어하는 과정을 나타내는 흐름도이다.
도 7은 본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 강화학습 제어 모델을 이용하여 에너지 관리 시스템 제어하는 과정을 나타내는 흐름도이다.
도 8은 본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 강화학습 제어 모델을 이용하여 에너지 관리 시스템 제어하는 과정을 나타내는 흐름도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 에너지 관리 시스템을 제어하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크가 본 개시 내용에서 표현되는 네트워크에 포함될 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 컴퓨팅 장치(100)는 에너지 관리 시스템을 효율적으로 제어할 수 있다. 본 개시에 따른 에너지 관리 시스템은 제어 서버, 계측 센서, 배관, 밸브(valve), 응축기(condenser), 증발기(evaporator), 압축기(compressor) 중 적어도 하나를 구성요소로써 포함할 수 있다. 상기 제어 서버는 유/무선 통신에 기반한 전기 신호의 송/수신을 통해 에너지 관리 시스템에 포함된 복수의 다른 구성 요소들을 제어하거나 관측할 수 있다. 일 실시예로써 상기 제어 서버는 본 개시의 컴퓨팅 장치와 별도로 존재할 수 있다. 이 경우 제어 서버는 프로세서(미도시), 메모리(미도시), 네트워크부(미도시)를 포함하고 컴퓨팅 장치의 연산 결과에 따른 제어 신호를 수신함으로써 에너지 관리 시스템을 제어할 수 있다. 다른 일 실시예로써 에너지 관리 시스템의 제어 서버는 컴퓨팅 장치의 각 구성요소들을 포함할 수도 있다. 상기 계측 센서는 예를 들어 온도 센서, 습도 센서, 초음파 센서, 가속도 센서, 적외선 센서, 시간 센서, 전류 센서, 전압 센서 등을 포함할 수 있다. 상기 배관은 냉매가 이동하는 통로일 수 있다. 상기 밸브는 배관 내부의 유동하는 냉매의 양을 조절하기 위한 구성일 수 있다. 상기 응축기는 기체 냉매를 액체 냉매로 변환시키기 위한 구성일 수 있다. 상기 증발기는 액체 냉매를 기체 냉매로 변환시키기 위한 구성일 수 있다. 상기 압축기는 저온, 저압의 기체 냉매를 압축하여 고온, 고압의 기체 냉매로 만들기 위한 구성일 수 있다.

본 개시의 일 실시예에서 에너지 관리 시스템은 에너지 관리를 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 에너지 관리 시스템을 구성할 수도 있음은 당업자에게 자명할 것이다.

본 개시에 있어서 "제어 변수"는 본 개시에 따른 컴퓨팅 장치가 에너지 관리 시스템에 포함된 하나 이상의 구성요소를 제어대상으로 하여 직접 값을 조절할 수 있는 변수를 의미할 수 있다. 상기 제어 변수는 예를 들어 압축기 출력의 크기, 밸브의 개폐 정도, 냉각기 출력의 크기, 증발기 출력의 크기 또는 응축기 출력의 크기 중 적어도 하나를 포함할 수 있다. 상기 압축기 출력의 크기는 예를 들어 압축기 터빈의 회전 속도의 크기, 압축기 출력전압의 크기, 압축기 출력전류의 크기 등을 포함할 수 있다. 본 개시내용에 있어서 상기 "제어 변수"라는 용어는 "독립 변수", "조작 변인", "독립 변인" 등과 상호 교환 가능하게 사용될 수 있다.

본 개시의 "종속 변수"는 본 개시에 따른 컴퓨팅 장치가 에너지 관리 시스템에 포함된 하나 이상의 구성요소를 제어대상으로 하여 제어 변수를 제어한 결과 얻어지는 값 또는 변수를 의미할 수 있다. 상기 종속 변수는 에너지 관리 시스템 내에 존재하는 하나 이상의 센서에 의해 측정될 수 있다. 상기 종속 변수는 예를 들어 온도, 시간, 가속도, 전압 등을 포함할 수 있다. 본 개시내용에 있어서 상기 "종속 변수"라는 용어는 "계측값", "측정값", "종속 변인" 등과 상호 교환 가능하게 사용될 수 있다.

본 개시의 컴퓨팅 장치는 강화학습에 기반하여 학습된 인공 신경망 모델을 통해 하나 이상의 독립 변수를 제어함으로써 에너지 관리 시스템을 효율적으로 제어할 수 있다. 강화학습에 기반하여 학습된 인공 신경망 모델의 구조 및 학습 방법에 관하여는 이하 도 2 내지 도 3을 참조하여 자세히 서술한다.

본 개시내용에 있어서 컴퓨팅 장치를 통한 에너지 관리 시스템의 "제어"란, 컴퓨팅 장치를 통해 주어진 조건 또는 시나리오에서 하나 이상의 종속 변수의 값이 특정 목표값에 도달하도록 하나 이상의 독립 변수를 조절하는 것을 의미할 수 있다. 상기 "제어"는 다중 입력-다중 출력(MIMO, Multi-Input Multi-Output) 시스템에 대한 제어를 의미할 수 있다. 상기 MIMO 시스템은 예를 들어 하나 이상의 밸브의 개폐 정도와 하나 이상의 압축기의 RPM을 입력으로 받아 시스템에 대한 제어를 수행한 뒤, 시스템에 포함된 복수의 센서를 통해 하나 이상의 종속 변수의 값을 출력시키는 시스템일 수 있다.

본 개시내용에 있어서 컴퓨팅 장치를 통한 에너지 관리 시스템의 "효율적인 제어"란, 하나 이상의 종속 변수의 값이 각 종속 변수에 대응되는 하나 이상의 목표값에 최단시간에 도달하도록 하는 적어도 하나의 독립 변수에 대한 제어를 포함할 수 있다. 또는 상기 "효율적인 제어"란 하나 이상의 종속 변수의 값이 각 종속 변수에 대응되는 하나 이상의 목표값에 도달하되, 전체 계(system)의 일의 총량(Total work)이 최소가 되도록 하는 적어도 하나의 독립 변수에 대한 제어를 포함할 수 있다. 예를 들어 상기 하나 이상의 목표값은 제 1 종속변수의 제 1 목표값 및 제 2 종속변수의 제 2 목표값을 포함할 수 있으며 그 때 직접적인 제어 대상이 되는 적어도 하나의 독립 변수는 밸브의 개폐 정도 및 압축기의 RPM일 수 있다. 상기 제 1 목표값과 제 2 목표값은 상호 관련성이 없이 독립적으로 결정된 목표값일 수 있다. 또는 상기 제 2 목표값은 제 1 목표값이 결정되면 그에 따라서 결정되는 것과 같이 제 1 목표값에 의존적인 값일 수도 있다. 예를 들어 제 2 목표값은 제 1 목표값의 평균값, 미분값 등일 수 있다. 계속된 상기 예시에서 에너지 관리 시스템의 "효율적인 제어"란 제 1 종속변수 및 제 2 종속변수가 각각 제 1 목표값 및 제 2 목표값에 도달하되, 전체 일의 총량이 최소가 되도록 밸브 및 압축기를 제어하는 것일 수 있다. 전술한 "제어" 및 "효율적인 제어"에 관한 구체적 예시는 실시를 위한 일 예시에 불과할 뿐 본 개시내용을 제한하지 않는다.

본 개시의 컴퓨팅 장치는 학습된 강화학습 제어 모델을 통해 하나 이상의 독립 변수를 제어함으로써 에너지 관리 시스템을 효율적으로 제어할 수 있다. 본 개시에 따른 강화학습 제어 모델의 구조는 도 2를 참조하여 구체적으로 설명한다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다. 본 개시에 따른 강화학습 제어 모델은 적어도 하나 이상의 노드를 포함할 수 있다. 본 개시에 따른 강화학습 제어 모델은 하나 이상의 신경망 레이어를 포함하는 구조를 가질 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시에 따른 컴퓨팅 장치(100)는 강화학습 방법에 기초하여 강화학습 제어 모델을 학습시킬 수 있다.

강화학습은 인공 신경망 모델이 행동을 선택하고, 선택한 행동에 대해 주어지는 보상에 기초하여 인공 신경망 모델을 학습시키는 방법이다. 강화학습 과정에서 인공 신경망 모델에게 주어지는 보상은 여러 행동의 결과가 누적된 보상일 수 있다. 강화학습은 학습을 통해 여러가지 상태(State)와, 행동(Action)에 따른 보상(Reward)을 고려하여 보상 또는 리턴(return)이 최대가 되도록 하는 인공 신경망 모델을 생성한다. 본 개시에 있어서 강화학습에 기반한 인공 신경망 모델은 행동을 결정하는 주체로써 "에이전트(Agent)"와 상호 교환되어 사용 가능하다. 본 개시에 있어서 상기 에이전트(Agent)에 대응되는 개념으로 "환경(Environment, Env)"이 사용될 수 있다. 상기 에이전트와 상기 환경에 기초한 강화학습 방법에 관하여는 도 3을 참조하여 자세히 서술한다.

도 3은 강화학습 방법을 설명하기 위해 에이전트와 환경을 도시한 개념도이다. 환경(330)은 에이전트(310)가 행동을 결정하는데 근거가 될 수 있는 상태 정보를 에이전트(310)에게 제공할 수 있다. 그 후 에이전트(310)는 환경(330)으로부터 획득한 상태 정보에 기초하여 행동을 결정할 수 있다. 에이전트(310)가 결정된 행동을 환경(330)으로 넘겨주게 되면, 에이전트(310)는 행동에 기초한 보상 및 다음 상태 정보를 환경(330)으로부터 수신할 수 있다. 환경(330)이 보상을 결정하는 기준이 되는 보상 함수 및 환경(330)이 에이전트(310)로부터 행동을 수신한 후 다음 상태 정보의 결정 기준이 되는 전이 확률 분포 함수를 알 수 있는 경우에 강화학습은 "모델 기반(Model-based) 강화학습이라고 호칭된다. 반면 환경(330)의 보상 함수 및 환경(330)의 전이 확률 분포 함수를 에이전트(310)가 알 수 없는 경우에 강화학습은 "모델 프리(Model-free)" 강화학습이라고 호칭된다. 상태 정보와 다음 상태 정보 또는 상태 정보와 갱신된 상태 정보를 시점 t와 관련하여 표현할 경우, 임의의 시점 t에 에이전트(310)는 환경(330)으로부터 획득한 상태 정보(

)에 기초하여 가능한 행동들의 확률 분포에 따라 임의의 행동(

)을 결정하고, 환경(330)으로부터 갱신된 상태 정보(

)와 보상(

)을 받는다. 이러한 상호 작용에 기반하여 에이전트(310)는 주어진 환경(330)에서 누적된 보상값을 최대화하는 정책(Policy)을 학습한다. 상기 정책이란 에이전트(310)가 특정 상태에 대해 특정 행동을 할 확률에 관한 집합을 의미할 수 있다. 본 개시에 있어서 환경(330)에는 강화학습 제어 모델에 대해 상태(State) 및 보상(Reward)을 줄 수 있는 모델이 포함될 수 있다. 상기 환경(330)은 컴퓨팅 장치(100) 내부 메모리(130)에 저장된 가상환경으로서 강화학습 제어 모델과 별도로 상태 및 보상을 산출할 수 있다. 상기 환경(330)은 컴퓨팅 장치(100) 외부에 존재하되, 강화학습 제어 모델의 제어 결과에 대한 상태 및 보상을 컴퓨팅 장치(100)로 전송해줄 수도 있다. 상기 환경(330)은 에너지 관리 시스템에 대한 하나 이상의 물리적 센서를 포함하되 그러한 물리적 센서로부터 수신한 측정값에 기초하여 상태 및 보상을 산출할 수 있다.

본 개시에 있어서 에이전트가 행동을 결정하는 방법은 예를 들어 가치 기반(Value-Based) 행동 결정 방법, 정책 기반(Policy-Based) 행동 결정 방법, 가치 및 정책 모두에 기반한 행동 결정 방법에 중 적어도 하나에 기초할 수 있다. 상기 가치 기반 행동 결정 방법은 가치 함수에 기초하여 각 상태에서 최고의 가치(value)를 주는 행동을 결정하는 방법이다. 가치 기반 행동 결정 방법의 예시로는 Q-learning, DQN(Deep Q-Network) 등이 포함될 수 있다. 상기 정책 기반 행동 결정 방법은 가치 함수 없이, 최종 리턴 및 정책 함수에 기초하여 행동을 결정하는 방법이다. 정책 기반 행동 결정 방법의 예시로는 Policy Gradient 기법 등이 포함될 수 있다. 상기 가치 및 정책 모두에 기반한 행동 결정 방법은 정책함수가 행동을 결정하면 가치함수가 행동을 평가하는 방식으로 학습하여 에이전트의 행동을 결정하는 방법이다. 가치 및 정책 모두에 기반한 행동 결정 방법은 예를 들어 Soft Actor-Critic 알고리즘 등이 포함될 수 있다. 강화학습 모델에 관련한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 "Soft Actor-Critic: Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor" (공개일: 2018년 08월 08일, 저자 : Tuomas Haarnoja,　Aurick Zhou,　Pieter Abbeel,　Sergey Levine)에서 구체적으로 논의된다.

본 개시에 따른 컴퓨팅 장치(100)에 의해 수행되는 에너지 관리 시스템 제어 방법은 하나 이상의 목표 지점의 목표 온도를 획득하는 단계 및 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴되기 전을 나타내는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계를 포함할 수 있다. 목표 지점은 증발기와 같은 에너지 관리 시스템 상의 사전 결정된 지점을 포함할 수 있다. 목표 지점에는 예를 들어 응축기, 압축기, 밸브 또는 온도 제어가 요구되는 특정 지점 등의 지점이 포함될 수 있다.

본 개시에 따른 강화학습 제어 모델은 온도를 기준으로 서로 다른 조건 하에서 서로 다르게 학습될 수 있다. 강화학습 제어 모델을 온도를 기준으로 서로 다른 조건 하에서 서로 다르게 학습하는 방법은 예를 들어 온도가 특정 값 미만인 경우와 온도가 특정 값 이상인 경우를 나누고, 각 온도 구간에서 강화학습 제어 모델에 주어지는 상태 정보 또는 보상을 서로 다르게 구성하는 단계를 포함할 수 있다. 본 개시에 있어서 “제 1 조건” 은 목표 지점의 현재 온도가 목표 온도로 수렴되기 전 상태를 포함할 수 있다. 본 개시에 있어서 “제 2 조건”은 목표 지점의 현재 온도가 목표 온도로 수렴된 이후 상태를 포함할 수 있다. 따라서 본 개시에 따른 컴퓨팅 장치(100)에 의해 수행되는 에너지 관리 시스템 제어 방법은 상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴된 후를 나타내는 제 2 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계를 더 포함할 수 있다. 구체적 학습 방법에 대하여는 이하 자세히 후술한다.

본 개시 내용에 따라 온도를 기준으로 조건별로 학습된 강화학습 제어 모델은 제 1 조건에서는 목표 지점의 현재 온도가 최대한 빠르게 목표 온도에 수렴하도록 하거나 또는 목표 지점의 현재 온도가 최소한의 에너지를 소모하면서 목표 온도에 수렴하도록 에너지 관리 시스템을 제어할 수 있다. 또한 본 개시에 따라 학습된 강화학습 제어 모델은 제 2 조건에서는 온도 수렴 이후에 에너지 관리 시스템을 효율적으로 제어할 수 있다. 본 개시에 따르면 온도 수렴 이후의 효율만을 목표로 제어를 수행했던 기존 PID 제어에 비하여 온도 수렴 이전 과정까지 고려하여 제어 전 과정에 대한 효율적인 제어가 가능한 효과를 갖는다.

본 개시에 따른 강화학습 제어 모델은 제 1 제어 변수를 제어하기 위해 학습된 제 1 제어 에이전트 및 제 2 제어 변수를 제어하기 위해 학습된 제 2 제어 에이전트를 포함할 수 있다.

도 4는 본 개시에 따른 복수의 제어 에이전트를 포함하는 강화학습 제어 모델 및 환경을 예시적으로 도시한 개념도이다. 강화학습 제어 모델(410)에 포함된 복수의 제어 에이전트들은 서로 다른 보상 함수에 기초하여 학습될 수 있다. 강화학습 제어 모델에 포함된 복수의 제어 에이전트들은 서로 다른 제어 대상에 대한 행동을 결정할 수 있다. 상기 서로 다른 제어 대상에 대한 행동은 제어 변수의 증감에 대한 조절 등을 포함할 수 있다. 본 개시의 강화학습 제어 모델은 복수의 제어 에이전트를 포함함으로써, 복수의 목표들이 존재하는 경우 각각의 목표에 민감한 제어 대상을 분리하여 제어할 수 있다. 상기 복수의 목표는 강화학습 시 고려되는 복수의 보상 함수를 포함할 수 있다.

본 개시에 있어서 강화학습 제어 모델(410)은 도 4와 같이 하나 이상의 제어 에이전트를 포함할 수 있다. 강화학습 제어 모델(410)을 각각 서로 다른 제어 변수를 제어하기 위해 제 1 제어 에이전트(411)와 제 2 제어 에이전트(413)로 분리한 것은 에너지 관리 시스템 제어의 경험적 지식에 기반한 것일 수 있다. 일 예시로써 제 1 제어 변수와 제 2 제어 변수는 온도의 수렴 전후에 전체 시스템의 효율에 미치는 영향이 서로 다를 수 있다. 예를 들어 온도 수렴 전인 제 1 조건에 있어서는 전체 시스템에 대해 제 1 제어 변수가 제 2 제어 변수보다 큰 영향을 미치고, 온도 수렴 이후인 제 2 조건에 있어서는 전체 시스템에 대해 제 1 제어 변수와 제 2 제어 변수가 비슷한 영향을 미칠 수 있다. 이러한 경우 제 1 조건에서는 제 1 제어 변수만 효율적으로 제어하여 빠르게 온도를 수렴시키거나 제 1 제어 변수의 제어를 위한 일의 양을 최소화하는 것이 전체 시스템을 보다 효율적으로 제어하는 것일 수 있다. 다른 예시로써 제 1 제어 변수와 제 2 제어 변수는 시스템에 대한 반응성이 서로 다를 수 있다. 즉, 제 1 제어 변수를 제어한 시각부터 시스템의 종속 변수가 변화하는 시각까지의 응답 시간과 제 2 제어 변수를 제어한 시각부터 시스템의 종속 변수가 변화하는 시각까지의 응답 시간은 서로 다를 수 있다. 이 경우에도 제 1 제어 변수와 제 2 제어 변수를 동시에 제어하게 되면 반응성의 차이로 인해 값이 진동할 수 있으므로, 본 개시와 같이 각각의 제어 변수를 별개의 제어 에이전트를 통해 개별적으로 제어하는 것이 효과적일 수 있다.

본 개시에 따라 제 1 제어 에이전트(411)가 제어하는 제 1 제어 변수는 압축기의 출력이고, 제 2 제어 에이전트(413)가 제어하는 제 2 제어 변수는 밸브의 개폐 정도일 수 있다. 상기 압축기의 출력에는 압축기에 인가된 전압, 전류 또는 전원의 크기가 포함될 수 있다. 상기 압축기의 출력에는 압축기에 포함된 프로펠러의 단위 시간당 회전수, RPM 등이 포함될 수 있다. 상기 밸브의 개폐 정도는 예를 들어 밸브가 완전히 열렸을 때와 밸브가 일정 부분 닫혔을 때의 면적의 비율을 의미하는 스칼라 값으로 표현될 수 있다. 본 개시의 일 실시예에 따른 강화학습 제어 모델은 시스템에 미치는 영향이 크고 반응성이 빠른 압축기의 출력과 상기 압축기의 출력에 비해 상대적으로 시스템에 미치는 영향이 작고 반응성이 느린 밸브의 개폐정도를 분리하여 제어함으로써, 상호 의존적인 두 값이 무의미하게 증감하는 것을 방지하고 전체 시스템 제어 효율을 상승시킬 수 있다.

본 개시에 따른 강화학습 제어 모델은 적어도 하나의 노드를 포함하는 인공 신경망 레이어를 포함할 수 있다. 본 개시에 따른 강화학습 제어 모델의 학습 방법은, 강화학습 제어 모델이 적어도 하나의 센서(Sensor)를 포함하는 환경으로부터 상태 정보를 획득하는 단계, 강화학습 제어 모델이 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하는 단계, 강화학습 제어 모델이 제어 변수에 대한 제어의 결과로서 상기 환경으로부터 갱신된 상태 정보를 획득하는 단계 및 강화학습 제어 모델이 상기 제어 변수에 대한 제어의 결과로서 상기 환경으로부터 획득되는 보상에 기초하여 학습되는 단계를 포함할 수 있다.

상기 환경에는 에너지 관리 시스템 상의 적어도 하나의 구성요소가 포함될 수 있다. 전술한 바와 같이 상기 환경은 강화학습 제어 모델로부터 행동을 수신하고, 수신된 행동에 기초하여 다음 상태 정보를 강화학습 제어 모델로 송신할 수 있다. 상기 환경은 강화학습 제어 모델로부터 수신된 행동에 기초하여 보상을 결정할 수도 있다. 상기 환경은 상태 정보를 생성하기 위해 적어도 하나의 센서를 포함할 수 있다. 예를 들어 상태 정보에 온도 또는 온도의 변화량이 포함될 경우 상기 적어도 하나의 센서에는 온도 센서가 포함될 수 있다.

본 개시에 따른 강화학습 제어 모델은 복수의 에피소드(episode)에 기초하여 학습될 수 있다. 상기 에피소드는 시작 상태(initial state)에서 최종 상태(terminal state)에 이르기까지의 (상태, 행동, 보상)의 시퀀스(sequence)를 의미할 수 있다. 상기 최종 상태는 기 설정된 종료 조건이 만족될 경우 도출될 수도 있고 기 설정된 크기의 스텝(step)이 진행된 경우 도출될 수도 있다. 상기 스텝(step)은 강화학습 제어 모델이 상태를 수신하고, 행동을 결정한 후, 상기 행동에 대해 보상 또는 갱신된 상태 정보를 수신하는 적어도 하나의 동작 단위를 가리킨다. 하나의 에피소드는 사전 결정된 N개(예를 들어 N=200)의 스텝으로 구성될 수 있다.

본 개시에 따른 모델의 강화 학습 과정 또는 모델의 학습 과정에 포함되는 컴퓨팅 장치(100)의 동작에 관한 일 실시예로써 컴퓨팅 장치(100)는 적어도 하나의 에피소드에 포함된 각 스텝마다 학습 데이터를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 임의의 시점 t에 대해, 강화학습 제어 모델이 환경으로부터 획득한 상태 정보(

), 강화학습 제어 모델이 상기 상태 정보에 기초하여 결정하는 행동(

), 강화학습 제어 모델이 상기 행동의 결과로서 환경으로부터 획득한 보상(

)을 (상태 정보(

), 행동(

), 보상(

))의 순서쌍 형태로 학습 데이터로서 메모리(130)에 저장할 수 있다. 본 개시에 있어서 상기 강화학습 제어 모델이 상기 상태 정보에 기초하여 결정하는 행동은 하나 이상의 제어 변수에 대한 제어를 포함할 수 있다. 상기 학습 데이터의 시점 t는, 상기 강화학습 제어 모델이 결정한 행동의 결과로서 환경으로부터 갱신된 상태 정보를 획득하는 경우 다음 상태에 대한 시점 t+1로 진행될 수 있다. 전술한 학습 데이터의 형태, 시점에 관한 서술은 일 예시에 불과하며 본 개시를 제한하지 않는다.

컴퓨팅 장치(100)는 적어도 하나의 학습 데이터에 기초하여 강화학습 제어 모델을 학습시킬 수 있다. 일 실시예로써 컴퓨팅 장치(100)는 각 스텝이 끝날 때마다 각 스텝에 해당하는 학습 데이터에 기초하여 강화학습 제어 모델을 학습할 수 있다. 다른 실시예로써 컴퓨팅 장치(100)는 복수의 스텝을 포함하는 각 에피소드가 끝날 때마다 복수의 스텝 각각에 대한 학습 데이터를 포함하는 학습 데이터 셋에 기초하여 강화학습 제어 모델을 학습할 수 있다. 또 다른 실시예로서 컴퓨팅 장치(100)는 사전 결정된 배치(batch) 사이즈의 스텝이 진행된 후, 해당 스텝 각각에 대한 학습 데이터를 포함하는 학습 데이터 셋에 기초하여 강화학습 제어 모델을 학습할 수도 있다. 상기 배치(batch) 사이즈는 하나 이상의 스텝에 대한 학습 데이터를 포함하도록 사전 결정될 수 있다.

본 개시에 따라 컴퓨팅 장치(100)가 강화학습 제어 모델을 학습하는 과정은 강화학습 제어 모델에 포함된 각 노드의 가중치 또는 편향값을 수정하는 과정을 포함할 수 있다. 상기 강화학습 제어 모델에 포함된 각 노드의 가중치 또는 편향값을 수정하는 과정은 전술한 바와 같은 역전파(backpropagation) 기법에 기초할 수 있다. 구체적 일 실시예에서 강화학습 제어 모델을 학습하기 위한 학습 데이터에 포함된 보상이 양수일 경우, 해당 보상을 산출하기 위해 강화학습 제어 모델에 포함된 적어도 하나의 노드의 가중치 또는 편향값의 절대값이 증가될 수 있다. 반대로 강화학습 제어 모델을 학습하기 위한 학습 데이터에 포함된 보상이 음수일 경우, 해당 보상을 산출하는데 관여한 적어도 하나의 노드의 가중치 또는 편향값의 절대값이 감소될 수 있다. 전술한 강화학습 제어 모델의 학습 과정은 예시를 위한 서술일 뿐, 본 개시를 제한하지 않는다.

본 개시에 있어서 강화학습 제어 모델이 제어 변수에 대한 제어의 결과로서 환경으로부터 획득하는 보상은 목표 지점의 현재 온도 및 목표 온도에 기초하여 산출된 보상, 전체 일의 양에 기초하여 산출된 보상 또는 현재 간접 지표 및 목표 간접 지표에 기초하여 산출된 보상 중 적어도 하나를 포함할 수 있다.

상기 목표 지점의 현재 온도 및 목표 온도에 기초하여 산출된 보상(제 1 보상)은 목표 지점의 현재 온도와 목표 온도의 차이에 기초할 수 있다. 구체적으로 제 1 보상은 목표 온도와 현재 온도의 차이가 기 설정된 임계값 미만일 때 높은 보상을 갖고, 목표 온도와 현재 온도의 차이가 기 설정된 임계값 이상일 때 상대적으로 낮은 보상을 갖도록 설계될 수 있다.

상기 전체 일의 양에 기초하여 산출된 보상(제 2 보상)은 에너지 관리 시스템 또는 컴퓨팅 장치(100)에 의해 연산된 전체 일의 양에 기초할 수 있다. 일 실시예로서 전체 일의 양은 예를 들어 환경에 포함된 하나 이상의 센서에 의해 측정된 값일 수 있다. 다른 일 실시예로서 전체 일의 양은 컴퓨팅 장치(100)에 의해 압축기의 출력의 크기를 시간에 따라 적분 연산함으로써 획득된 값일 수도 있다. 제 2 보상은 제 1 보상과 비슷한 보상값의 범위를 갖도록 설계될 수 있다. 제 2 보상에 있어서 보상의 크기는 전체 일의 양이 작을수록 높은 보상을 갖도록 설계될 수 있다.

상기 현재 간접 지표 및 목표 간접 지표에 기초하여 산출된 보상(제 3 보상)은 현재 간접 지표와 목표 간접 지표의 차이에 기초할 수 있다. 구체적으로 상기 현재 간접 지표는 환경에 포함된 하나 이상의 센서에 의해 측정된 값일 수 있다. 예를 들어 상기 현재 간접 지표는 에너지 관리 시스템에 포함된 응축기의 온도, 증발기의 온도, 팽창 밸브의 온도, 응축기의 과냉도, 증발기의 과열도 등을 포함할 수 있다. 구체적으로 제 3 보상은 상기 제 1 보상과 유사하게 목표 간접 지표와 현재 간접 지표의 차이가 기 설정된 임계값 미만일 때 높은 보상을 갖고, 기 설정된 임계값 이상일 때 상대적으로 낮은 보상을 갖도록 설계될 수 있다.

본 개시에 있어서 목표 간접 지표는 목표 지점의 목표 온도에 의존적인 값일 수 있다. 본 개시의 일 실시예에 있어서 상기 목표 간접 지표는 과냉도(subcool) 또는 과냉각 온도(subcooled temperature)를 포함할 수 있다. 상기 과냉도(subcool)는 에너지 관리 시스템에서 사용되는 냉매의 이론상 응축 온도와 실제 측정 온도의 차이값일 수 있다. 상기 과냉각 온도는 상기 실제 측정 온도를 의미할 수 있다. 과냉도와 과냉각 온도에 대해 이하 도 5를 참조하여 보다 구체적으로 서술한다.

도 5는 본 개시의 일 실시예에 따라 에너지 관리 시스템에 포함된 냉동 사이클의 예시도이다. 도 5의 참조번호 510은 압축기, 530은 응축기, 550은 팽창 밸브, 570은 증발기를 각각 나타낸다. '과냉도'란 에너지 관리 시스템의 제어에 고려될 수 있는 물리량이다. 상기 과냉도는 기체 냉매가 응축기(530)를 통과할 때 기체에서 액체로 상전이가 일어나는 이론적인 응축 온도와 실제로 액화된 액체 냉매가 응축기(530)에서 팽창밸브(550)로 유동하기 직전의 냉매에 대한 실제 측정 온도의 차이를 의미하는 물리량일 수 있다. 상기 이론적인 응축 온도는 몰리에르(Morllier) 선도 또는 P-H(압력-엔탈피) 선도의 응축 온도일 수 있다. 상기 실제 측정 온도는 응축기(530)로부터 뽑아져 나오는 밸브의 시작 지점 부근에서 측정된 값일 수 있다. 과냉도는 목표하는 이론적인 응축 온도와 실제 측정 온도의 차이에 의해 결정될 수 있다. 과냉도는 기체 냉매로부터 액화되어진 액체 냉매가 액체 상태임을 보장하기 위해 요구되는 값일 수 있다. 과냉각 온도는 상기 실제 측정 온도에 의해 측정될 수 있다.

에너지 관리 시스템과 관련한 당해 기술분야에서는 에너지 관리의 효율을 위해 적절한 과냉각 온도를 유지해야 한다는 사실이 잘 알려져 있다. 만약 적절한 과냉도를 유지하지 못하고 이론상 응축 온도와 실제 측정 온도가 같거나 비슷할 경우, 팽창밸브로 유입되는 냉매에 기체상의 냉매 비율이 커지면서 냉매 압축률이 낮아져 효율의 손실을 가져올 수 있다. 이와 달리 만약 적절한 과냉도를 유지하지 못하고 실제 측정 온도가 이론상 응축 온도보다 설정된 과냉도를 초과하여 더 낮을 경우, 냉매를 액체상으로 유지하는 것은 보장되나, 그러한 과냉도를 유지하기 위해 과도한 에너지를 사용하게 되므로 전체 효율의 손실을 가져온다. 따라서 적절한 과냉도 또는 과냉각 온도를 유지하는 것이 에너지 관리의 효율을 위해서는 필수적이라고 할 것이다. 본 개시에 따라 제 2 상태 정보에 기초하여 학습된 강화학습 제어 모델은 목표 지점의 현재 온도를 목표 온도로 수렴시키면서 적절한 과냉각 온도를 유지할 수 있다. 이에 관련하여서는 이하 구체적으로 후술한다.

본 개시에 따른 강화학습 제어 모델은 서로 다른 상태 정보의 종류에 따라 학습될 수 있다. 상기 서로 다른 상태 정보의 종류 중 제 1 상태 정보에 따라 학습된 강화학습 제어 모델은 목표 지점의 목표 온도를 입력 받아 하나 이상의 제어 변수를 제어하도록 학습될 수 있다. 이 때 제 1 상태 정보에 따라 학습된 강화학습 제어 모델은 온도에 대해서 전체 에너지 관리 시스템의 효율이 최적화 되도록 에너지 관리 시스템을 제어한 결과 목표 지점의 목표 온도에 대응되는 목표 과냉각 온도를 획득할 수 있는 효과를 갖는다. 상기 목표 과냉각 온도는 제 1 상태 정보에 따라 학습된 강화학습 제어 모델에 의해 에너지 관리 시스템이 제어되는 과정에서 목표 지점의 현재 온도가 목표 온도에 수렴한 경우 하나 이상의 센서를 통해 관측함으로써 획득할 수 있다. 또한 상기 서로 다른 상태 정보의 종류 중 제 2 상태 정보에 따라 학습된 강화학습 제어 모델은 목표 지점의 목표 온도와 목표 온도에 대응되는 목표 과냉각 온도에 기초하여 하나 이상의 제어 변수를 제어하도록 학습될 수 있다. 이하 서로 다른 상태 정보의 종류에 따라 학습되는 강화학습 제어 모델에 대해 보다 구체적으로 서술한다.

본 개시에 따른 강화학습 제어 모델이 환경으로부터 획득하는 상태 정보는 온도에 대한 상태 데이터, 압축기의 출력에 대한 상태 데이터, 밸브의 개폐 정도에 대한 상태 데이터 중 적어도 하나를 포함하는 제 1 상태 정보일 수 있다. 구체적으로 제 1 상태 정보는 시점 t-1에서의 온도, 시점 t에서의 온도, 목표 온도와 시점 t에서의 온도의 차이, 시점 t-1에서의 압축기 출력, 시점 t-1에서의 밸브 개폐 정도 중 적어도 하나를 포함할 수 있다. 강화학습 제어 모델은 환경으로부터 상기 제 1 상태 정보를 획득하고, 이에 기초하여 하나 이상의 제어 변수를 제어한 후, 제어의 결과로서 갱신된 제 1 상태 정보를 획득할 수 있다. 또한 강화학습 제어 모델은 제 1 상태 정보에 기초한 하나 이상의 제어 변수에 대한 제어의 결과로 환경으로부터 보상을 획득할 수도 있다. 이하에서는 제 1 상태 정보를 상태 정보로서 획득하는 강화학습 제어 모델을 학습시키는 방법을 목표 지점의 현재 온도가 목표 온도에 수렴했는지 여부에 따른 제 1 조건 및 제 2 조건으로 나누어 서술한다.

본 개시의 일 실시예에 있어서, 제 1 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하는 강화학습 제어 모델이 보상에 기초하여 학습되는 단계는 제 1 조건의 경우: 강화학습 제어 모델에 포함된 제 1 제어 에이전트가 목표 지점의 현재 온도 및 목표 온도에 기초하여 산출된 보상에 기초하여 학습되는 단계 및 강화학습 제어 모델에 포함된 제 2 제어 에이전트가 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 있어서, 제 1 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하는 강화학습 제어 모델이 보상에 기초하여 학습되는 단계는 제 2 조건의 경우: 상기 강화학습 제어 모델에 포함된 제 1 제어 에이전트가 상기 목표 지점의 현재 온도, 상기 목표 온도 그리고 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계 및 상기 강화학습 제어 모델에 포함된 제 2 제어 에이전트가 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계를 포함할 수 있다.

본 개시에 따른 제 1 조건 및 제 1 상태 정보에 기초하여 학습되는 강화학습 제어 모델에 포함된 제 1 제어 에이전트는 압축기의 출력을 제어하기 위한 에이전트일 수 있다. 본 개시에 있어서 제 1 조건 및 제 1 상태 정보에 기초하여 학습되는 강화학습 제어 모델에 포함된 제 2 제어 에이전트는 밸브의 개폐 정도를 제어하기 위한 에이전트일 수 있다. 이와 같이 제 1 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하도록 학습된 강화학습 제어 모델은 제 1 조건과 제 2 조건에서 보상의 종류를 다르게 하여 목표 지점의 현재 온도가 목표 온도에 빠르게 수렴함과 동시에 전체 일의 양을 최소화하면서 목표지점의 현재 온도가 목표 온도에 수렴하도록 강화 학습 제어 모델을 학습시킬 수 있다.

본 개시의 일 실시예에 있어서 제 1 상태 정보에 기초하여 학습되는 강화학습 제어 모델은 간접 지표가 학습에 반영되지 않은 모델이다. 상기 간접 지표에는 일 실시예로서 과냉도 또는 과냉각 온도와 관련한 정보가 포함될 수 있다. 즉, 제 1 상태 정보에 기초하여 학습된 강화학습 제어 모델을 이용하여 에너지 관리 시스템의 하나 이상의 제어 변수를 제어할 경우 간접 지표와 무관하게 에너지 관리 시스템을 제어할 수 있다. 그리고 이러한 제 1 상태 정보에 기초하여 학습된 강화학습 제어 모델을 이용하여 목표 지점의 현재 온도가 목표 온도에 수렴한 이후, 컴퓨팅 장치(100)는 환경으로부터 적어도 하나의 센서를 통해 간접 지표를 관측할 수 있다. 이는 특정 목표 온도에 대응되는 목표 간접 지표를 획득할 수 있는 장점이 있다.

보다 구체적으로, 에너지 관리 시스템을 효율적으로 제어하는 일 실시예로서 목표 온도 그리고 목표 온도에 따라서 결정되는 목표 과냉각 온도를 설정하고, 목표 지점의 현재 온도가 목표 온도에 도달함과 동시에 에너지 관리 시스템 상의 현재 과냉각 온도가 목표 과냉각 온도에 도달할 때 에너지 관리 시스템은 효율적으로 제어될 수 있다. 다만, 기존에는 효율을 고려하지 않은 PID 제어만 가능했기 때문에 목표 온도에 대응되는 목표 과냉각 온도를 도출할 수 있는 방법이 없었고, 해당 분야 전문가의 경험에 의존하여 목표 온도에 대응되는 목표 과냉각 온도를 설정하였다. 반면, 본 개시내용에 따른 제 1 상태 정보에 기초하여 학습된 강화학습 제어 모델은 간접 지표인 과냉각 온도 없이 목표 지점의 현재 온도를 효율적으로 목표 온도로 수렴시킬 수 있다. 그 결과, 목표 지점의 현재 온도가 목표 온도로 수렴된 이후 에너지 관리 시스템에 포함된 적어도 하나의 센서를 통해 응축기에서 시작되는 팽창 밸브에 포함된 냉매의 온도를 관측함으로써 목표 온도에 대응되는 목표 과냉각 온도를 획득할 수 있는 장점이 있다. 다시 말해, 기존 제어 방식에서는 목표 온도에 대응되는 목표 과냉각 온도를 찾기 위해 모든 해 공간을 전수 조사했어야 하지만, 본 개시에 따르면 제 1 상태 정보에 기초하여 강화학습 제어 모델을 학습시킴으로써 부수적으로 목표 온도에 대응되는 목표 과냉각 온도를 획득할 수 있는 장점을 갖는다.

본 개시에 따른 컴퓨팅 장치(100)에 의해 수행되는 에너지 관리 시스템 제어 방법은 획득된 목표 온도에 대응되는 목표 간접 지표를 획득하는 단계를 더 포함할 수 있다. 본 개시의 일 실시예에 있어서 상기 목표 온도에 대응되는 목표 간접 지표는 에너지 관리 시스템에 포함된 적어도 하나의 센서로부터 측정될 수 있는 측정값일 수 있다. 구체적으로 상기 목표 온도에 대응되는 목표 간접 지표는 전술한 바와 같은 과냉도, 과냉각 온도, 과열도, 과열 온도 중 적어도 하나를 포함할 수 있다. 목표 간접 지표에 관한 예시는 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

본 개시에 있어서 상기 목표 간접 지표는 목표 온도에 따라 사전 결정된 값일 수 있다. 상기 사전 결정된 값은 사용자가 목표 온도에 대응되는 목표 간접 지표를 메모리(130)에 기 저장해둔 값일 수 있다. 상기 사전 결정된 값은 경험적으로 목표 온도에 대응되는 최적의 값으로 설정될 수도 있고 안전 등의 이유로 목표 온도에 대응되는 임의의 값으로 설정될 수도 있다.

본 개시에 있어서 상기 목표 간접 지표는 제 1 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하도록 학습된 강화학습 제어 모델이 하나 이상의 제어 변수를 제어한 결과 목표 지점의 현재 온도가 상기 목표 온도에 수렴한 경우, 그 때 환경으로부터 적어도 하나의 센서를 통해 획득된 값일 수 있다.

본 개시에 따른 강화학습 제어 모델이 환경으로부터 획득하는 상태 정보는 온도에 대한 상태 데이터, 압축기의 출력에 대한 상태 데이터, 밸브의 개폐 정도에 대한 상태 데이터 중 적어도 하나를 포함하는 제 1 상태 정보에 간접 지표에 대한 상태 데이터를 추가적으로 포함하는 제 2 상태 정보일 수 있다. 구체적으로 제 2 상태 정보는 시점 t-1에서의 온도, 시점 t에서의 온도, 목표 온도와 시점 t에서의 온도의 차이, 시점 t-1에서의 압축기 출력, 시점 t-1에서의 밸브 개폐 정도 중 적어도 하나를 포함하고, 그리고 시점 t-1에서의 간접 지표, 시점 t에서의 간접 지표, 목표 간접 지표와 시점 t에서의 간접 지표의 차이 중 적어도 하나를 추가적으로 포함할 수 있다. 강화학습 제어 모델은 환경으로부터 상기 제 2 상태 정보를 획득하고, 이에 기초하여 하나 이상의 제어 변수를 제어한 후, 제어의 결과로서 환경으로부터 갱신된 제 2 상태 정보를 획득할 수 있다. 또한 강화학습 제어 모델은 제 2 상태 정보에 기초한 하나 이상의 제어 변수에 대한 제어의 결과로 환경으로부터 보상을 획득할 수도 있다. 이하에서는 제 2 상태 정보를 상태 정보로서 획득하는 강화학습 제어 모델을 학습시키는 방법을 목표 지점의 현재 온도가 목표 온도에 수렴했는지 여부에 따른 제 1 조건 및 제 2 조건으로 나누어 서술한다.

본 개시의 일 실시예에 있어서, 제 2 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하는 강화학습 제어 모델이 보상에 기초하여 학습되는 단계는 제 1 조건의 경우: 강화학습 제어 모델에 포함된 제 1 제어 에이전트가 목표 지점의 현재 온도 및 목표 온도에 기초하여 산출된 보상에 기초하여 학습되는 단계 및 강화학습 제어 모델에 포함된 제 2 제어 에이전트가 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 있어서, 제 2 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하는 강화학습 제어 모델이 보상에 기초하여 학습되는 단계는 제 2 조건의 경우: 상기 강화학습 제어 모델에 포함된 제 1 제어 에이전트가 상기 목표 지점의 현재 온도, 상기 목표 온도 그리고 전체 일의 양에 기초하여 산출된 보상에 기초하여 학습되는 단계 및 상기 강화학습 제어 모델에 포함된 제 2 제어 에이전트가 현재 간접 지표 및 목표 간접 지표에 기초하여 산출된 보상에 기초하여 학습되는 단계를 포함할 수 있다.

위와 같이 본 개시에 있어서 컴퓨팅 장치(100)는 제 2 상태 정보에 기초하여 하나 이상의 제어 변수를 제어하는 강화학습 제어 모델을 학습시킬 때 간접 지표와 관련한 보상을 추가적으로 적용함으로써 목표 온도와 목표 간접 지표를 모두 고려하는 제어를 가능하게 할 수 있다. 상기 목표 간접 지표는 예를 들어 목표 과냉도를 포함할 수 있다. 이에 따라 기존의 목표 온도 및 목표 과냉도에 대해 PID 제어를 수행했던 에너지 관리 시스템 제어 방법을 본 개시에 따른 강화학습 기반 제어 모델을 통해 보다 효율적으로 수행할 수 있는 장점이 있다. 즉, 기존 제어는 PID 제어의 특성상 목표 온도에 온도가 수렴함에 따라서 값이 진동(oscillate)하는 경향을 보인다. 반면 본 개시의 강화학습 제어 모델을 이용한 제어는 기존 제어 보다 빠르게 목표 지점의 온도가 목표 온도에 수렴하며, 비정상적인 노이즈가 없으므로 제어에 드는 총 일의 양을 줄일 수 있는 효과를 갖는다.

도 6은 본 개시의 일 실시예에 따라 컴퓨팅 장치가 강화학습 제어 모델을 이용하여 에너지 관리 시스템 제어하는 과정을 나타내는 흐름도이다. 본 개시에 따른 컴퓨팅 장치(100)에 의한 에너지 관리 시스템 제어 방법은 하나 이상의 목표 지점의 목표 온도를 획득(610)할 수 있다. 상기 목표 지점은 예를 들어 증발기일 수 있다. 본 개시에 따른 컴퓨팅 장치(100)는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어(630)할 수 있다. 상기 제 1 조건은 목표 지점의 현재 온도가 목표 온도에 수렴되기 전의 상태를 포함하는 조건일 수 있다. 본 개시의 컴퓨팅 장치(100)는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 목표 지점의 현재 온도가 목표 온도에 수렴하도록 제어할 수 있다. 목표 지점의 현재 온도가 목표 온도에 수렴 이후에는 기존의 PID 제어를 이용하여 제어할 수 있다. 또한 목표 지점의 현재 온도가 목표 온도에 수렴 이후에도 제 2 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계를 추가적으로 포함할 수 있다. 상기 제 1 조건 또는 제 2 조건에 대해서 학습된 강화학습 제어 모델은 제 1 상태 정보에 기초하여 학습된 제어 모델일 수 있다. 상기 제 1 상태 정보는 제 1 상태 정보는 시점 t-1에서의 온도, 시점 t에서의 온도, 목표 온도와 시점 t에서의 온도의 차이, 시점 t-1에서의 압축기 출력, 시점 t-1에서의 밸브 개폐 정도 중 적어도 하나를 포함할 수 있다. 제 1 상태 정보에 기초하여 학습된 제어 모델은 간접 지표에 대한 고려 없이 효율을 최적화하며 에너지 관리 시스템을 제어할 수 있다.

도 7은 본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 강화학습 제어 모델을 이용하여 에너지 관리 시스템 제어하는 과정을 나타내는 흐름도이다. 본 개시에 따른 컴퓨팅 장치(100)는 하나 이상의 목표 지점의 목표 온도를 획득(710)할 수 있다. 그 후 본 개시에 따른 컴퓨팅 장치(100)는 상기 획득된 목표 온도에 대응되는 목표 간접 지표를 획득(730)할 수 있다. 상기 목표 간접 지표는 컴퓨팅 장치(100)의 메모리(130)에 저장된 값으로 결정될 수도 있고 다른 상태 조건에 의해 이미 학습된 강화학습 제어 모델의 제어 결과에 기초하여 획득될 수도 있다. 이에 관하여는 도 8의 순서도를 참조하여 자세히 후술한다. 본 개시에 따른 컴퓨팅 장치(100)는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어(750)할 수 있다. 본 개시의 컴퓨팅 장치(100)는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 목표 지점의 현재 온도가 목표 온도에 수렴하도록 제어할 수 있다. 목표 지점의 현재 온도가 목표 온도에 수렴 이후에는 기존의 PID 제어를 이용하여 제어할 수 있다. 또한 목표 지점의 현재 온도가 목표 온도에 수렴 이후에도 제 2 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계를 추가적으로 포함할 수 있다. 제 1 조건 또는 제 2 조건에 대해서 학습된 강화학습 제어 모델은 제 2 상태 정보에 기초하여 학습된 제어 모델일 수 있다. 상기 제 2 상태 정보는 상기 제 1 상태 정보에 포함된 하나 이상의 데이터에 추가적으로 시점 t-1에서의 간접 지표, 시점 t에서의 간접 지표, 목표 간접 지표와 시점 t에서의 간접 지표의 차이 중 적어도 하나를 더 포함할 수 있다. 상기 간접 지표는 과냉각 온도(Subcooled Temperature) 또는 과냉도(Subcool)일 수 있다. 목표 간접 지표는 목표 온도에 종속되는 값으로써 목표 온도에 따라서 결정되는 값일 수 있다. 제 2 상태 정보에 기초하여 학습된 제어 모델은 목표 온도와 목표 간접 지표를 모두 고려하며 에너지 관리 시스템의 하나 이상의 제어 변수를 효율적으로 제어할 수 있다.

도 8은 본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 강화학습 제어 모델을 이용한 에너지 관리 시스템 제어 방법을 나타내는 흐름도이다. 본 개시에 따른 컴퓨팅 장치(100)는 하나 이상의 목표 지점의 목표 온도를 획득(810)한 후, 상기 획득된 목표 온도에 대응되는 목표 간접 지표를 획득할 수 있다. 컴퓨팅 장치(100)는 상기 획득된 목표 온도에 대응되는 목표 간접 지표를 제 1 상태 정보에 기초하여 학습된 강화학습 제어 모델의 제어 결과에 기초하여 획득(830)할 수 있다. 그 후 컴퓨팅 장치(100)는 제 2 상태 정보에 기초하여 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어(850)할 수 있다.

본 개시의 일 실시예에 있어서, 컴퓨팅 장치(100)는 제 1 제어 모델을 제 1 상태 정보에 기초하여 강화 학습시키고 제 2 제어 모델을 제 2 상태 정보에 기초하여 강화 학습시킬 수 있다. 상기 제 1 제어 모델 및 제 2 제어 모델에 포함된 신경망 구조는 개별적으로 메모리(130)에 저장될 수 있다. 컴퓨팅 장치(100)는 상기 제 1 제어 모델을 통해 에너지 관리 시스템에 포함된 하나 이상의 제어 변수를 제어한 결과 목표 지점의 현재 온도가 목표 온도에 수렴하고 나면 에너지 관리 시스템에 포함된 하나 이상의 센서를 통해 관측된 목표 온도에 대응되는 목표 간접 지표를 획득할 수 있다. 상기 목표 간접 지표는 과냉각 온도 또는 과냉도일 수 있다. 컴퓨팅 장치(100)는 복수의 목표 온도에 대해 제 1 제어 모델을 통한 제어를 수행한 후 각 목표 온도 마다 대응되는 목표 간접 지표를 획득할 수 있다. 상기 복수의 목표 온도 각각에 대해 대응되는 목표 간접 지표는 목표 온도와 쌍을 이뤄 메모리(130)에 저장되어 있을 수도 있다. 그 후 컴퓨팅 장치(100)는 목표 지점의 목표 온도를 획득한 후, 전술한 바와 같이 제 1 제어 모델의 제어 결과에 기초하여 목표 간접 지표를 획득할 수 있다. 이후 컴퓨팅 장치(100)는 제 2 제어 모델을 이용하여 하나 이상의 제어 변수를 제어할 수 있다. 예를 들어 제 2 제어 모델은 목표 지점의 현재 온도가 목표 온도에 수렴하도록 함과 동시에 시스템 상의 현재 과냉각 온도가 목표 과냉각 온도에 수렴하도록 할 수 있다. 상기 제 2 제어 모델은 기존에 목표 온도와 목표 과냉각 온도를 향해 피드백 제어를 수행하는 PID 제어를 대체하고 보다 높은 효율을 갖는 제어를 제공할 수 있다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다. 본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 에너지 관리 시스템(EMS, Energy Management System) 제어 방법에 있어서,
   하나 이상의 목표 지점의 목표 온도를 획득하는 단계; 및
   상기 목표 지점의 현재 온도가 상기 목표 온도로 수렴되기 전을 나타내는 제 1 조건에 대해서 학습된 강화학습 제어 모델을 이용하여 하나 이상의 제어 변수를 제어하는 단계;
   를 포함하는,
   에너지 관리 시스템 제어 방법.
   

Images