KR20220079224A - Intelligent home energy mangement system and method based on federated learning - Google Patents
Intelligent home energy mangement system and method based on federated learning Download PDFInfo
- Publication number
- KR20220079224A KR20220079224A KR1020200168779A KR20200168779A KR20220079224A KR 20220079224 A KR20220079224 A KR 20220079224A KR 1020200168779 A KR1020200168779 A KR 1020200168779A KR 20200168779 A KR20200168779 A KR 20200168779A KR 20220079224 A KR20220079224 A KR 20220079224A
- Authority
- KR
- South Korea
- Prior art keywords
- energy management
- home energy
- management system
- initial model
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 11
- 238000007726 management method Methods 0.000 claims abstract description 91
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 10
- 230000006872 improvement Effects 0.000 claims abstract description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000036541 health Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법은 (a) 마스터 서버가 에너지 효율 향상을 위한 인공지능 초기모델을 생성하는 단계; (b) 상기 마스터 서버가 상기 초기모델을 복수의 가정에너지 관리 시스템에 전달하여 배포하는 단계; (c) 상기 가정에너지 관리 시스템이 상기 초기모델을 이용하여 가중치 차이분을 생성하는 단계; (d) 상기 마스터 서버가 상기 가중치 차이분을 반영하여 초기모델을 갱신하는 단계; 및 (e) 상기 마스터 서버가 갱신한 초기모델을 상기 가정에너지 관리 시스템으로 재배포하는 단계;를 포함하여 연합학습(Federated Learning) 기술을 활용하여 개인정보 외부 전송 없이 최적의 에너지 관리 시스템을 구현할 수 있는 효과가 있다.Intelligent home energy management method to which federated learning is applied according to the present invention comprises the steps of: (a) generating, by a master server, an artificial intelligence initial model for energy efficiency improvement; (b) distributing, by the master server, delivering the initial model to a plurality of home energy management systems; (c) generating, by the home energy management system, a weight difference using the initial model; (d) updating, by the master server, the initial model by reflecting the weight difference; And (e) redistributing the initial model updated by the master server to the home energy management system; using Federated Learning technology, including; to implement an optimal energy management system without external transmission of personal information It works.
Description
본 발명은 연합학습을 적용한 지능형 가정에너지 관리 시스템에 관한 것으로써 더욱 상세하게는 상위 학습 서버가 다수의 하위 단말에 인공지능 모델을 배포하고 하위 단말에서 재학습된 모델 가중치를 기반으로 상위 모델을 갱신하는 연합학습을 통해 가정의 에너지 소비 효율을 최적화할 수 있는 연합학습을 적용한 지능형 가정에너지 관리 시스템에 관한 것이다.The present invention relates to an intelligent home energy management system to which federated learning is applied. More specifically, the upper learning server distributes an artificial intelligence model to a plurality of lower terminals and updates the upper model based on the model weights re-learned in the lower terminals. It relates to an intelligent home energy management system that can optimize home energy consumption efficiency through federated learning to apply federated learning.
종래에는 가정용 에너지관리 시스템(HEMS)의 효율화를 위해 댁내 거주자의 기기조작 정보 및 행동패턴 등 개인정보가 상위 학습 서버로 전송되어야 하는데 이럴 경우 개인정보 보호가 취약하다는 문제점이 있다.Conventionally, for the efficiency of a home energy management system (HEMS), personal information such as device operation information and behavior pattern of a resident must be transmitted to a higher learning server, but in this case, there is a problem in that personal information protection is weak.
특히 상위 서버에서의 학습이 집중되다 보니 상위서버는 다수의 가정용에너지 관리 시스템에서 전송된 데이터를 수집하고 처리하여 재학습에 따른 다량의 데이터 송수신과정에서 네트워크 부하에 상당한 부담을 주어 효율이 떨어질 수 있는 문제점이 있다.In particular, since the learning in the upper server is concentrated, the upper server collects and processes the data transmitted from a number of home energy management systems, and in the process of transmitting and receiving a large amount of data according to re-learning, it places a considerable burden on the network load, which can reduce efficiency. There is a problem.
상술한 문제점을 해결하기 위해 본 발명은 연합학습(Federated Learning) 기술을 활용하여 개인정보가 외부로 전송되지 않도록 하여 개인정보를 보호하고, 상위서버로 정보가 집중되어 수집되는 않도록 함으로써 네트워크 효율을 향상시킬 수 있는 연합학습을 적용한 지능형 가정에너지 관리 시스템을 제공하는 데 목적이 있다.In order to solve the above problems, the present invention utilizes Federated Learning technology to protect personal information by preventing personal information from being transmitted to the outside, and to improve network efficiency by preventing the information from being concentrated and collected to a higher server. The purpose of this is to provide an intelligent home energy management system to which joint learning is applied.
상술한 목적을 달성하기 위한 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법은 (a) 마스터 서버가 에너지 효율 향상을 위한 인공지능 초기모델을 생성하는 단계; (b) 상기 마스터 서버가 상기 초기모델을 복수의 가정에너지 관리 시스템에 전달하여 배포하는 단계; (c) 상기 가정에너지 관리 시스템이 상기 초기모델을 이용하여 가중치 차이분을 생성하는 단계; (d) 상기 마스터 서버가 상기 가중치 차이분을 반영하여 초기모델을 갱신하는 단계; 및 (e) 상기 마스터 서버가 갱신한 초기모델을 상기 가정에너지 관리 시스템으로 재배포하는 단계;를 포함하는 것을 특징으로 한다.Intelligent home energy management method to which federated learning is applied according to the present invention for achieving the above object comprises the steps of: (a) generating, by a master server, an artificial intelligence initial model for energy efficiency improvement; (b) distributing, by the master server, delivering the initial model to a plurality of home energy management systems; (c) generating, by the home energy management system, a weight difference using the initial model; (d) updating, by the master server, the initial model by reflecting the weight difference; and (e) redistributing the initial model updated by the master server to the home energy management system.
바람직하게 상술한 목적을 달성하기 위한 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법의 (c)단계는 (c-1) 상기 가정에너지 관리 시스템이 상기 초기모델을 수신하는 단계; (c-2) 상기 가정에너지 관리 시스템이 각 가정 내의 디바이스에서 생성되는 데이터를 수집하는 단계; (c-4) 상기 가정에너지 관리 시스템이 상기 (c-2)단계에서 수집한 데이터를 이용하여 상기 초기모델을 재학습 시키는 단계; (c-5) 상기 가정에너지 관리 시스템이 재학습을 통해 최적 에너지 관리 모델을 생성하는 단계; (c-6) 상기 가정에너지 관리 시스템이 상기 초기모델과 상기 (c-5)단계에서 생성한 최적 에너지 관리 모델을 비교하여 가중치 차이분(Model Weight Difference)을 산출하는 단계; 및 (c-7) 상기 가정에너지 관리 시스템(200)이 산출한 가중치 차이분(Model Weight Difference)을 상기 마스터 서버로 송신하는 단계;를 포함하는 것을 특징으로 한다.Preferably, the step (c) of the intelligent home energy management method to which the federated learning is applied according to the present invention for achieving the above-described object includes (c-1) the home energy management system receiving the initial model; (c-2) collecting, by the home energy management system, data generated from devices in each home; (c-4) re-learning the initial model using the data collected in step (c-2) by the home energy management system; (c-5) generating, by the home energy management system, an optimal energy management model through re-learning; (c-6) calculating, by the home energy management system, a weight difference by comparing the initial model with the optimal energy management model generated in step (c-5); and (c-7) transmitting the weight difference (Model Weight Difference) calculated by the home
바람직하게 상술한 목적을 달성하기 위한 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법의 (c-2)단계와 (c-4)단계 사이에 (c-3) 상기 가정에너지 관리 시스템이 수집한 데이터를 상기 초기모델에서 이용할 수 있도록 정제하는 단계;가 더 포함되는 것을 특징으로 한다.Preferably, (c-3) the home energy management system collects between steps (c-2) and (c-4) of the intelligent home energy management method to which the federated learning according to the present invention is applied to achieve the above-mentioned object. Refining one data so that it can be used in the initial model; characterized in that it further includes.
바람직하게 상술한 목적을 달성하기 위한 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법의 (c-4)단계에서 상기 가정에너지 관리 시스템은 각 가정 내의 디바이스에서 생성되어 수집한 데이터를 가지고 사용자의 에너지 사용에 따른 소비 요금을 최소화하는 방향으로 재학습을 진행하는 것을 특징으로 한다.Preferably, in the step (c-4) of the intelligent home energy management method to which the federated learning is applied according to the present invention for achieving the above-mentioned object, the home energy management system is the user's It is characterized in that the re-learning is carried out in the direction of minimizing the consumption charge according to energy use.
바람직하게 상술한 목적을 달성하기 위한 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법에서 상위 학습서버인 상기 마스터 서버는 하위 단말인 다수의 상기 가정에너지 관리 시스템에 초기모델을 배포하고, 하위의 상기 가정에너지 관리 시스템에서 재학습된 모델의 가중치 차이분을 기반으로 연합학습을 통해 초기모델을 갱신하는 것을 특징으로 한다.Preferably, in the intelligent home energy management method to which the federated learning is applied according to the present invention for achieving the above object, the master server, which is the upper learning server, distributes the initial model to the plurality of home energy management systems that are lower terminals, and the lower It is characterized in that the initial model is updated through federated learning based on the weight difference of the re-learned model in the home energy management system.
본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 시스템은 연합학습(Federated Learning) 기술을 활용하여 개인정보 외부 전송 없이 최적의 에너지The intelligent home energy management system to which federated learning is applied according to the present invention utilizes Federated Learning technology to optimize energy without external transmission of personal information.
관리 시스템을 구현할 수 있는 효과가 있다.It has the effect of implementing a management system.
또한, 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 시스템은 상위 서버 입장에서 다량의 정보를 수집하지 않아도 되기 때문에 네트워크 효율을 증대시킬 수 있는 효과가 있다.In addition, since the intelligent home energy management system to which the federated learning according to the present invention is applied does not need to collect a large amount of information from the standpoint of the upper server, it is possible to increase the network efficiency.
도 1은 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 시스템의 블로도 이다.
도 2는 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법의 플로우 차트 이다.
도 3는 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 방법 중, 가중치 차이분을 생성하는 단계의 플로우 차트 이다.1 is a block diagram of an intelligent home energy management system to which joint learning according to the present invention is applied.
2 is a flowchart of an intelligent home energy management method to which joint learning is applied according to the present invention.
3 is a flowchart of the step of generating a weight difference among the intelligent home energy management method to which the federated learning according to the present invention is applied.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. The terms or words used in the present specification and claims should not be construed as being limited to their ordinary or dictionary meanings, and the inventor may properly define the concept of the term in order to best describe his invention. Based on the principle that there is, it should be interpreted as meaning and concept consistent with the technical idea of the present invention.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가 장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Accordingly, the embodiments described in this specification and the configurations shown in the drawings are only the most preferred embodiment of the present invention and do not represent all the technical spirit of the present invention, so they can be substituted at the time of the present application It should be understood that various equivalents and modifications may exist.
이하, 첨부된 도면을 참조하여 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 시스템 및 방법에 대해 설명한다.Hereinafter, an intelligent home energy management system and method to which joint learning is applied according to the present invention will be described with reference to the accompanying drawings.
도 1에 도시된 바와 같이 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 시스템은 마스터 서버(100), 스마트 홈 내에 구축되어 가정의 에너지를 관리하고, 상기 마스터 서버(100)에 무선으로 연결된 가정에너지 관리 시스템(HEMS:200), 및 상기 마스터 서버(100)와 스마트 홈에 구축된 가정에너지 관리 시스템(200) 간의 무선통신 환경을 제공하는 인터넷 통신망(300)을 포함한다.As shown in FIG. 1 , the intelligent home energy management system to which the federated learning according to the present invention is applied is built in the
상기 마스터 서버(100)에 연결되는 복수의 가정에너지 관리 시스템(200)은 시스템 제어부(210), 상기 시스템 제어부(210)에 연결된 스마트 미터(SMART METER: 220), 각종 가전기기(230), 헬스밴드(240), 및 태양광 발전장치(250) 등 가정 내 전력의 소비와 생성에 영향을 미치는 기기들이 연결되어 있다. A plurality of home
상기 스마트 미터(220)는 가정내 배선된 배선 케이블을 감시하면서 부하로 인가되는 소비전력과 전압을 생성한다.The
상기 각종 가전기기(230)는 스마트 기기들로 Home Network와 연결되어 운영에 따른 운영데이터를 생성한다.The
또한, 상기 헬스밴드(240)는 바이오 정보를 생성하고, 상기 태양광 발전장치(250)는 태양광 발전량 및 충전방전 데이터를 생성한다.In addition, the
상술한 바와 같은 구성을 갖는 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 시스템에 의한 에너지 관리 방법에 대해 도 2를 참조하여 구체적으로 설명한다.An energy management method by an intelligent home energy management system to which joint learning is applied according to the present invention having the configuration as described above will be described in detail with reference to FIG. 2 .
도 2는 본 발명에 따른 연합학습을 적용한 지능형 가정에너지 관리 시스템에 의한 에너지 관리 방법의 플로우차트이다.2 is a flowchart of an energy management method by an intelligent home energy management system to which federated learning according to the present invention is applied.
상기 마스터 서버(100)는 에너지 효율 향상을 위한 인공지능 초기모델을 생성하는 단계를 수행한다(S100).The
보다 구체적으로 상기 마스터 서버(100)는 상기 스마트 미터(220)가 생성하는 가정 내 소비전력과 전압, 상기 가전기기(230)가 생성하는 기기 운영데이터, 상기 헬스밴드(240)가 생성하는 바이오정보, 및 상기 태양광 발전장치(250)가 생성하는 발전량과 충방전 데이터를 파라미터로 하여 에너지 효율 향상을 위한 인공지능 초기모델을 생성한다.More specifically, the
특히, 상기 마스터 서버(100)는 복수의 상기 가정에너지 관리 시스템(200)과 연결되어 각 가정으로부터 상술한 파라미터를 전달받아 각 가정별로 상이한 초기모델을 생성한다.In particular, the
상기 초기모델은 상술한 바와 같이 일반적인 가정에서 수집될 수 있는 데이터를 기반으로 학습된 에너지 관리 알고리즘이다. The initial model is an energy management algorithm learned based on data that can be collected in a general household as described above.
상기 마스터 서버(100)는 상기 초기모델을 상기 가정에너지 관리 시스템(200)에 전달하여 배포하는 단계를 수행한다(S200). The
상기 가정에너지 관리 시스템(200)이 상기 (S200)단계에서 배포되는 상기 초기모델을 이용하여 가중치 차이분을 생성하는 단계를 수행한다(S300).The home
도 3을 참조하여 상기 S300단계에 대해 더욱 구체적으로 설명하면, 먼저 상기 가정에너지 관리 시스템(200)의 시스템 제어부(210)는 배포되는 상기 초기모델을 수신하는 단계를 수행한다(S310).Referring to FIG. 3, the step S300 will be described in more detail. First, the
이후, 상기 가정에너지 관리 시스템(200)은 배포받은 초기모델을 가지고 일정시간 해당 가정의 에너지 소비 패턴을 학습한 후 각 가정별로 특화된 최적 인공지능 모델을 얻을 수 있다.Thereafter, the home
상기 초기모델은 가장 기본적이고, 일반적인 에너지 소비 패턴의 특징을 가지고 있는 모델로 평균적인 개념의 모델이다.The initial model is a model with the most basic and general energy consumption pattern characteristics, and is a model of an average concept.
이후, 상기 가정에너지 관리 시스템(200)은 일정 기간 동안 상술한 스마트 미터, 각종 가전기기, 헬스밴드 등 각 가정 내 다양한 디바이스에서 생성되는 데이터를 수집하는 단계를 수행한다(S320). Thereafter, the home
상기 가정에너지 관리 시스템(200)은 상기 S320단계에서 수집한 데이터를 모델 재학습을 위한 데이터로 정제하는 단계를 수행한다(S330).The home
최적의 에너지 소비 효율을 달성하기 위하여 취득되는 데이터로, 각 가정의 에너지 설비 구성에 따라 차별화될 수 있습니다.Data acquired to achieve optimal energy consumption efficiency and can be differentiated according to the configuration of energy facilities in each home.
다양한 전원부(상용전원, 태양광 발전, 풍력발전 등)와 부하부(가전기기)를 기본으로 댁내 거주자의 생활패턴을 반영한 최적 에너지 관리 모델을 구성하게 된다.Based on various power sources (commercial power source, solar power generation, wind power generation, etc.) and load unit (home appliance), an optimal energy management model that reflects the living pattern of the resident will be constructed.
이때 댁내 거주자의 생활패턴은 가전기기 조작 정보 및 헬스밴드 등(심박수, 이동거리, 외출여부 등)의 생체 정보를 기반으로 추정되게 된다.At this time, the living pattern of the resident is estimated based on biometric information such as home appliance operation information and health band (heart rate, moving distance, going out, etc.).
상기 마스터 서버(100)에서 배포된 초기 모델을 가지고 상기 가정에너지 관리 시스템(200)은 상기 시스템 제어부(210)를 통해 부하부로부터 수집한 데이터를 학습데이터로 받아 들이고 사용자의 에너지 사용에 따른 소비 요금을 최소화하는 것을 목적으로 재학습을 진행하는 단계를 수행한다(S340).With the initial model distributed from the
각 가정의 에너지 설비와 소비 패턴의 다양함이 반영되어 상술한 바와 같은 학습을 통해 상기 가정에너지 관리 시스템(200)은 각 가정 거주자의 생활패턴을 반영한 최적 에너지 관리 모델을 생성하는 단계를 수행한다(S350).The home
이때, 상기 가정에너지 관리 시스템(200)이 생성하는 최적 에너지 관리 모델은 학습 가능한 데이터 파라미터가 다양하고, 오랜 기간일수록 해당 가장의 특징을 잘 표현할 수 있는 모델일 수 있다.In this case, the optimal energy management model generated by the home
상기 가정에너지 관리 시스템(200)은 최초 상기 마스터 서버(100)로부터 수신한 초기모델과 상기 S500단계를 통해 재학습하여 S600단계에서 생성한 최적 에너지 관리 모델을 비교하여 가중치 차이분(Model Weight Difference)을 산출하는 단계를 수행한다(S360).The home
상기 가정에너지 관리 시스템(220)은 상기 S360단계에서 산출된 가중치 차이분을 상기 마스터 서버(100)로 전송하는 단계를 수행한다(S370). The home
상기 가중치 차이분은 특정 네트워크 내의 수많은 노드(가중치를 결정짓는 그래프 상의 노드)간의 연결도를 수치로 표현하였을 때, 최초 이후 학습하였을 때의 연결도 수치의 차이로 설명할 수 있다.The difference in weight can be explained as the difference in the numerical value of the connection when the degree of connection between numerous nodes (nodes on the graph that determines the weight) in a specific network is expressed numerically, after the first learning.
인공지능 모델은 노드간의 연결도를 수치로 표현한 가중치(Weight)의 집합으로 표현될 수 있으며, 본 발명의 가정에너지 관리 시스템(200)은 상기 가중치의 차이분만 상위에 있는 상기 마스터 서버(100)로 전송함으로써, 개인정보를 외부로 유출함 없이 상기 초기모델, 또는 최적 에너지 관리 모델이 배포될 수 있다.The artificial intelligence model can be expressed as a set of weights expressing the degree of connection between nodes numerically. By transmitting, the initial model or the optimal energy management model can be distributed without leaking personal information to the outside.
상기 마스터 서버(100)는 가중치 차이분(Model Weight Difference)을 이용하여 초기모델을 갱신하는 단계를 수행한다(S400).The
즉, 상기 마스터 서버(100)는 상기 가정에너지 관리 시스템(200)으로부터 수신한 각 가정의 가중치 차이분(Model Weight Difference)을 수집하여 학습에 반영함으로써 초기모델을 해당 가정에 맞는 최적 에너지 관리 모델로 갱신한다.That is, the
참고로, 기계학습(Machine Learning)을 하는 기계는 세상을 H(x) = wx + b와 같은 수식으로 인식한다. 여기서 x는 입력 요소들이고, w는 각 입력 요소들에 곱해져 입력 요소가 결과에 얼마나 큰 영향을 미치는 지를 판단하는 역할을 하며, 기계학습을 거친 모델은 각각 고유의 가중치를 가지고 있는데, 상기 마스터 서버(100)에 에서 이루어지는 강화학습은 재학습을 통해 이 가중치를 개선하게 된다.For reference, a machine learning machine recognizes the world as a formula such as H(x) = wx + b. Here, x is the input elements, and w is multiplied by each input element to determine how much the input element affects the result, and each model that has undergone machine learning has its own weight, the master server Reinforcement learning performed in (100) improves this weight through re-learning.
상기 마스터 서버(100)는 초기모델을 갱신한 최적 에너지 관리 모델을 다시 상기 가정에너지 관리 시스템(200)의 시스템 제어부(210)로 재배포하는 단계를 수행한다(S900).The
상기 시스템 제어부(210)는 갱신된 최적 에너지 관리 모델을 수신하여 가정에너지 관리 시스템(200)을 업데이트시킴으로써, 최적의 상기 가정에너지 관리 시스템(200)을 운영하는 단계를 수행한다(S600).The
연합학습(Federated Learning)의 핵심 기술로, 초기 상위시스템에서 배포된 글로벌 인공지능 모델과 댁내(Smart Home)에서 생성된 데이터로 추가 학습을 통해 재구성된 모델의 차이로 설명할 수 있다. As a core technology of Federated Learning, it can be explained by the difference between the global artificial intelligence model deployed in the initial upper system and the model reconstructed through additional learning with data generated at home (Smart Home).
구체적인 값은 인공 신경망을 구성하는 레이어(Layer)와 각 레이어를 구성하는 노드(Nodes)간 연산 결과 수치이며 이는 각 레이어에 적용된 활성화 함수(Activation Function)에 따라 값이 결정된다. The specific value is the calculation result between the layers constituting the artificial neural network and the nodes constituting each layer, and the value is determined according to the activation function applied to each layer.
연합학습(Federated Learning)은 모든 데이터를 서버로 모아 인공지능을 학습하는 기존의 방식과 달리, 사용자가 직접 사용하는 모바일 디바이스에서 데이터를 처리하고 모델을 강화해, 이 모델을 한 곳에 모아 더 정교한 모델은 만들어 다시 배포하는 방식이다. 서버로 학습 데이터를 전송하는 것이 아닌 모델만을 전송/공유하기 때문에 정보유출의 가능성이 낮다. Unlike the existing method of learning artificial intelligence by collecting all data into a server, federated learning processes data and strengthens the model on the mobile device used by the user, and collects the model in one place to create a more sophisticated model is a method to create and redistribute. The possibility of information leakage is low because only the model is transmitted/shared, not the training data to the server.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.In the above, the technical idea of the present invention has been described along with the accompanying drawings, but the preferred embodiment of the present invention is exemplarily described and does not limit the present invention. In addition, it is clear that various modifications and imitations are possible without departing from the scope of the technical spirit of the present invention by anyone having ordinary knowledge in the technical field to which the present invention pertains.
100 : 마스터 서버
200 : 가정에너지 관리 시스템(HEMS:HOME ENERGY MANGEMENT SYSTEM)
210 : 시스템 제어부
220 : 스마트 미터
230 : 가전기기
240 : 헬스밴드
250 : 태양광 발전장치
300 : 통신망100 : master server
200: Home Energy Management System (HEMS:HOME ENERGY MANGEMENT SYSTEM)
210: system control unit
220 : smart meter
230: home appliances
240: health band
250: solar power generation device
300: communication network
Claims (5)
(b) 상기 마스터 서버가 상기 초기모델을 복수의 가정에너지 관리 시스템에 전달하여 배포하는 단계;
(c) 상기 가정에너지 관리 시스템이 상기 초기모델을 이용하여 가중치 차이분을 생성하는 단계;
(d) 상기 마스터 서버가 상기 가중치 차이분을 반영하여 초기모델을 갱신하는 단계; 및
(e) 상기 마스터 서버가 갱신한 초기모델을 상기 가정에너지 관리 시스템으로 재배포하는 단계;를 포함하는 것을 특징으로 하는 연합학습을 적용한 지능형 가정에너지 관리 방법.
(a) generating, by the master server, an artificial intelligence initial model for energy efficiency improvement;
(b) distributing the master server by delivering the initial model to a plurality of home energy management systems;
(c) generating, by the home energy management system, a weight difference using the initial model;
(d) updating, by the master server, the initial model by reflecting the weight difference; and
(E) redistributing the initial model updated by the master server to the home energy management system; Intelligent home energy management method to which federated learning is applied, comprising: a.
상기 (c)단계는
(c-1) 상기 가정에너지 관리 시스템이 상기 초기모델을 수신하는 단계;
(c-2) 상기 가정에너지 관리 시스템이 각 가정 내의 디바이스에서 생성되는 데이터를 수집하는 단계;
(c-4) 상기 가정에너지 관리 시스템이 상기 (c-2)단계에서 수집한 데이터를 이용하여 상기 초기모델을 재학습 시키는 단계;
(c-5) 상기 가정에너지 관리 시스템이 재학습을 통해 최적 에너지 관리 모델을 생성하는 단계;
(c-6) 상기 가정에너지 관리 시스템이 상기 초기모델과 상기 (c-5)단계에서 생성한 최적 에너지 관리 모델을 비교하여 가중치 차이분(Model Weight Difference)을 산출하는 단계; 및
(c-7) 상기 가정에너지 관리 시스템(200)이 산출한 가중치 차이분(Model Weight Difference)을 상기 마스터 서버로 송신하는 단계;를 포함하는 것을 특징으로 하는 연합학습을 적용한 지능형 가정에너지 관리 방법.
The method of claim 1,
Step (c) is
(c-1) the home energy management system receiving the initial model;
(c-2) collecting, by the home energy management system, data generated from devices in each home;
(c-4) re-learning the initial model using the data collected in step (c-2) by the home energy management system;
(c-5) generating, by the home energy management system, an optimal energy management model through re-learning;
(c-6) calculating, by the home energy management system, a weight difference by comparing the initial model with the optimal energy management model generated in step (c-5); and
(c-7) transmitting the weight difference (Model Weight Difference) calculated by the home energy management system 200 to the master server; Intelligent home energy management method to which federated learning is applied, comprising: a.
상기 (c-2)단계와 (c-4)단계 사이에
(c-3) 상기 가정에너지 관리 시스템이 수집한 데이터를 상기 초기모델에서 이용할 수 있도록 정제하는 단계;가 더 포함되는 것을 특징으로 하는 연합학습을 적용한 지능형 가정에너지 관리 방법.
3. The method of claim 2,
Between the steps (c-2) and (c-4)
(c-3) refining the data collected by the home energy management system so that it can be used in the initial model; intelligent home energy management method to which federated learning is applied, characterized in that it further comprises.
상기 (c-4)단계에서
상기 가정에너지 관리 시스템은
각 가정 내의 디바이스에서 생성되어 수집한 데이터를 가지고 사용자의 에너지 사용에 따른 소비 요금을 최소화하는 방향으로 재학습을 진행하는 것을 특징으로 하는 연합학습을 적용한 지능형 가정에너지 관리 방법.
4. The method of claim 3
In step (c-4) above
The home energy management system is
Intelligent home energy management method to which federated learning is applied, characterized in that re-learning is carried out in the direction of minimizing consumption charges according to the user's energy use with data generated and collected by devices in each home.
상위 학습서버인 상기 마스터 서버는
하위 단말인 다수의 상기 가정에너지 관리 시스템에 초기모델을 배포하고, 하위의 상기 가정에너지 관리 시스템에서 재학습된 모델의 가중치 차이분을 기반으로 연합학습을 통해 초기모델을 갱신하는 것을 특징으로 하는 연합학습을 적용한 지능형 가정에너지 관리 방법.
5. The method of claim 4,
The master server, which is the upper learning server,
Distributing an initial model to a plurality of the home energy management system that is a lower level terminal, and updating the initial model through federated learning based on the weight difference of the model re-learned in the lower home energy management system. An intelligent home energy management method applying learning.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200168779A KR102515287B1 (en) | 2020-12-04 | 2020-12-04 | Intelligent home energy mangement system and method based on federated learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200168779A KR102515287B1 (en) | 2020-12-04 | 2020-12-04 | Intelligent home energy mangement system and method based on federated learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220079224A true KR20220079224A (en) | 2022-06-13 |
| KR102515287B1 KR102515287B1 (en) | 2023-03-29 |
Family
ID=81983893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200168779A KR102515287B1 (en) | 2020-12-04 | 2020-12-04 | Intelligent home energy mangement system and method based on federated learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102515287B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102644669B1 (en) * | 2023-08-14 | 2024-03-06 | 재단법인 서울디지털재단 | Federated learning method and system for enhanced learning converges speed |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101935684B1 (en) * | 2017-08-25 | 2019-01-04 | 주식회사 더작 | Power management system using power signal of electric power equipment |
| KR20190103090A (en) * | 2019-08-15 | 2019-09-04 | 엘지전자 주식회사 | Method and apparatus for learning a model to generate poi data using federated learning |
| KR20190123142A (en) * | 2018-04-23 | 2019-10-31 | 한국전자통신연구원 | Method of zeroing a building energy and apparatuses performing the same |
| KR102044553B1 (en) | 2018-12-14 | 2019-11-13 | (재)한국건설생활환경시험연구원 | System for managing home energy and method performing thereof |
| KR20200046145A (en) * | 2018-10-15 | 2020-05-07 | 펑션베이(주) | Prediction model training management system, method of the same, master apparatus and slave apparatus for the same |
| KR20200046188A (en) * | 2018-10-19 | 2020-05-07 | 삼성전자주식회사 | An electronic device for reconstructing an artificial intelligence model and its control method |
-
2020
- 2020-12-04 KR KR1020200168779A patent/KR102515287B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101935684B1 (en) * | 2017-08-25 | 2019-01-04 | 주식회사 더작 | Power management system using power signal of electric power equipment |
| KR20190123142A (en) * | 2018-04-23 | 2019-10-31 | 한국전자통신연구원 | Method of zeroing a building energy and apparatuses performing the same |
| KR20200046145A (en) * | 2018-10-15 | 2020-05-07 | 펑션베이(주) | Prediction model training management system, method of the same, master apparatus and slave apparatus for the same |
| KR20200046188A (en) * | 2018-10-19 | 2020-05-07 | 삼성전자주식회사 | An electronic device for reconstructing an artificial intelligence model and its control method |
| KR102044553B1 (en) | 2018-12-14 | 2019-11-13 | (재)한국건설생활환경시험연구원 | System for managing home energy and method performing thereof |
| KR20190103090A (en) * | 2019-08-15 | 2019-09-04 | 엘지전자 주식회사 | Method and apparatus for learning a model to generate poi data using federated learning |
Non-Patent Citations (1)
| Title |
|---|
| 이상윤 외 1명, "연합강화학습을 이용한 다수환경에서의 에너지저장장치(ESS) 에너지관리시스템(EMS) 알고리즘", 대한전기학회 학술대회 논문집, 2020.07.31.* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102644669B1 (en) * | 2023-08-14 | 2024-03-06 | 재단법인 서울디지털재단 | Federated learning method and system for enhanced learning converges speed |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102515287B1 (en) | 2023-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | An intelligent robust networking mechanism for the Internet of Things | |
| CN112117760A (en) | Micro-grid energy scheduling method based on double-Q-value network deep reinforcement learning | |
| Fallah-Mehdipour et al. | Real-time operation of reservoir system by genetic programming | |
| Mandal et al. | Economic load dispatch using krill herd algorithm | |
| Sengupta et al. | An evolutionary multiobjective sleep-scheduling scheme for differentiated coverage in wireless sensor networks | |
| CN106934497A (en) | Wisdom cell power consumption real-time predicting method and device based on deep learning | |
| Kumari et al. | An energy efficient smart metering system using edge computing in LoRa network | |
| KR102515287B1 (en) | Intelligent home energy mangement system and method based on federated learning | |
| Asr et al. | Consensus-based distributed energy management with real-time pricing | |
| Badawy et al. | A novel multi-agent system utilizing quantum-inspired evolution for demand side management in the future smart grid | |
| CN109493959A (en) | Hospital's scheduling method and device | |
| Oyebode et al. | Review of three data-driven modelling techniques for hydrological modelling and forecasting | |
| Kim et al. | A memetic approach for improving minimum cost of economic load dispatch problems | |
| Chandrasekaran et al. | Multi-objective unit commitment problem using Cuckoo search Lagrangian method | |
| Ożadowicz et al. | Implementation of a demand elasticity model in the building energy management system | |
| Urda et al. | Energy-efficient reprogramming in wsn using constructive neural networks. | |
| Othman et al. | Artificial neural network-based forecast for electricity consumption in Malaysia | |
| Yadav et al. | Load balancing and position based adaptive clustering scheme for effective data communication in WBAN healthcare monitoring systems | |
| CN104865929A (en) | Humanoid-behavior-based intelligent household power supply control system | |
| CN109313673A (en) | The operation method and Related product of network model | |
| Jithish et al. | A neuro-fuzzy approach for domestic water usage prediction | |
| CN113191487A (en) | Self-adaptive continuous power control method based on distributed PPO algorithm | |
| Chandrasekaran et al. | Tuned fuzzy adapted firefly lambda algorithm for solving unit commitment problem | |
| Yang et al. | Symbiotic structure learning algorithm for feedforward neural-network-aided grey model and prediction applications | |
| CN109038609A (en) | Method for Reactive Power Optimization in Power and system |
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 |