KR20230102856A - Lstm 기반 온실 온도 및 습도 예측 시스템 및 방법 - Google Patents

Lstm 기반 온실 온도 및 습도 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20230102856A
KR20230102856A KR1020210193307A KR20210193307A KR20230102856A KR 20230102856 A KR20230102856 A KR 20230102856A KR 1020210193307 A KR1020210193307 A KR 1020210193307A KR 20210193307 A KR20210193307 A KR 20210193307A KR 20230102856 A KR20230102856 A KR 20230102856A
Authority
KR
South Korea
Prior art keywords
greenhouse
humidity
lstm
temperature
learning
Prior art date
Application number
KR1020210193307A
Other languages
English (en)
Inventor
김대현
박승영
조라훈
남민기
Original Assignee
강원대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Priority to KR1020210193307A priority Critical patent/KR20230102856A/ko
Publication of KR20230102856A publication Critical patent/KR20230102856A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Artificial Intelligence (AREA)
  • Environmental Sciences (AREA)
  • Greenhouses (AREA)

Abstract

본 발명은, LSTM 기반 온실 온도 및 습도 예측 시스템에 관한 것으로서, 온실의 환경 정보를 수집하는 환경 정보 수집 모듈; 및 환경 정보 모듈에 의해 수집된 상기 환경 정보를 LSTM 알고리즘에 적용하여, 온실의 내부 온도 및 내부 습도를 예측하는 LSTM 기반 예측 모듈을 포함하고, 상기 환경 정보 수집 모듈은, 미리 정해진 학습 주기들 각각마다, 상기 환경 정보를 재수집하며, 상기 LSTM 기반 예측 모듈은, 상기 학습 주기들 각각마다, 이전 학습 주기에서 상기 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도와 현재 학습 주기에서 상기 환경 정보 수집 모듈에 의해 수집된 상기 환경 정보를 현재 학습 주기의 학습 데이터로서 학습하여, 온실의 내부 온도 및 내부 습도를 예측한다.
이러한 본 발명에 의하면, 미리 정해진 학습 주기들마다 LSTM 알고리즘을 이용해 학습을 진행할 때, 현재 학습 단계에서 수집된 온실 환경 정보와 이전 학습 주기에서 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도를 현재 학습 주기의 학습 데이터로서 함께 이용함으로써, 온실의 내부 온도 및 내부 습도의 예측에 대한 정확성을 향상시킬 수 있다.

Description

LSTM 기반 온실 온도 및 습도 예측 시스템 및 방법{LSTM-based system and method for predicting temperature and humidity of greenhouse}
본 발명은 LSTM 기반 온실 온도 및 습도 예측 시스템 및 방법에 관한 것이다.
최근에 들어, 딥러닝 기술의 보급이 신속하게 진행됨에 따라, 딥러닝 기술을 활용하여 환경을 예측하는 연구들이 시도되고 있다. 또한, 농가에서도 스마트 팜의 보급이 증가됨에 따라, 딥러닝 기술을 활용하여 온실의 온도, 습도 등을 예측하는 연구들이 시도되고 있다.
그런데, 딥러닝 기반 온실 온도 및 습도 예측 모델의 예측 정확성을 높이기 위해서는, 환경, 생육, 제어 등에 대한 다량의 학습 데이터가 필요하지만, 농가 현실상 다량의 학습 데이터를 확보하기가 어렵다. 이에, 종래의 딥러닝 기반 온실 온도 및 습도 예측 모델은, 농가에 실제로 적용하기에는 정확성이 낮다는 문제점이 있었다.
본 발명은, 상술한 종래 기술의 문제점을 해결하기 위한 것으로서, 온실 온도 및 습도 예측에 대한 정확성을 높일 수 있도록 개선한 LSTM 기반 온실 온도 및 습도 예측 시스템 및 방법을 제공하는데 그 목적이 있다.
상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 LSTM 기반 온실 온도 및 습도 예측 시스템은, 온실의 환경 정보를 수집하는 환경 정보 수집 모듈; 및 환경 정보 모듈에 의해 수집된 상기 환경 정보를 LSTM 알고리즘에 적용하여, 온실의 내부 온도 및 내부 습도를 예측하는 LSTM 기반 예측 모듈을 포함하고, 상기 환경 정보 수집 모듈은, 미리 정해진 학습 주기들 각각마다, 상기 환경 정보를 재수집하며, 상기 LSTM 기반 예측 모듈은, 상기 학습 주기들 각각마다, 이전 학습 주기에서 상기 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도와 현재 학습 주기에서 상기 환경 정보 수집 모듈에 의해 수집된 상기 환경 정보를 현재 학습 주기의 학습 데이터로서 학습하여, 온실의 내부 온도 및 내부 습도를 예측한다.
바람직하게, 상기 환경 정보 수집 모듈은, 상기 온실에 공급되는 외기의 온도를 상기 환경 정보로서 측정하는 외기 온도 측정부를 구비한다.
바람직하게, 상기 환경 정보 수집 모듈은, 상기 온실에 공급되는 광원의 광량을 상기 환경 정보로서 측정하는 광량 측정부를 구비한다.
바람직하게, 상기 LSTM 기반 예측 모듈은, 최초 학습 주기일 경우에, 미리 정해진 예측 수단들에 의해 예측된 온실의 내부 온도들의 평균 값 및 내부 습도들의 평균 값과, 상기 최초 학습 주기에서 환경 정보 수집 모듈에 의해 수집된 외기 온도 및 광량을 학습 데이터로서 이용한다.
바람직하게, 상기 LSTM 기반 예측 모듈은, 최초 학습 주기일 경우에, 온도 센서에 의해 측정된 온실의 내부 온도 및 습도 센서에 의해 측정된 온실의 내부 습도와, 상기 최초 학습 주기에서 환경 정보 수집 모듈에 의해 수집된 외기 온도 및 광량을 학습 데이터로서 이용한다.
바람직하게, 상기 LSTM 기반 예측 모듈은, 상기 LSTM 알고리즘에 의해 함수 형태로 예측된 온실의 내부 온도 및 내부 습도를 상수 값으로 수치화하는 수치화부를 구비한다.
바람직하게, 상기 LSTM 기반 예측 모듈은, 이전 학습 주기에서 상기 수치화부에 의해 상수 값으로 수치화된 상기 온실의 내부 온도 및 내부 습도와, 현재 학습 주기에서 수집된 상기 환경 정보를 현재 학습 주기의 학습 데이터로 이용한다.
상술한 과제를 해결하기 위한 본 발명의 다른 바람직한 실시예에 따른 LSTM 기반 온실 온도 및 습도 예측 방법은, (a) 온실의 환경 정보를 수집하는 단계; 및 (b) 상기 (a) 단계에서 수집된 상기 환경 정보를 포함하는 학습 데이터를 LSTM 알고리즘을 이용해 학습하여, 상기 온실의 내부 온도 및 내부 습도를 예측하는 단계를 포함하고, 상기 (a) 단계 및 상기 (b) 단계는, 미리 정해진 학습 주기마다 반복적으로 실시하며, 상기 (b) 단계에서는, 이전 학습 주기의 상기 (b) 단계에서 예측된 온실의 내부 온도 및 내부 습도와 현재 학습 주기의 상기 (a) 단계에서 수집된 상기 환경 정보를 현재 학습 주기의 학습 데이터로 이용한다.
바람직하게, 상기 (a) 단계에서는, 상기 온실로 공급되는 온기의 온도를 상기 환경 정보로서 측정한다.
바람직하게, 상기 (a) 단계에서는, 상기 온실로 공급되는 광원의 광양을 상기 환경 정보로서 측정한다.
바람직하게, 최초의 학습 주기일 경우에, 상기 학습 데이터는, 미리 정해진 예측 수단들에 의해 예측된 온실의 내부 온도들의 평균 값 및 내부 습도들의 평균 값과, 상기 최초 학습 주기의 S 10 단계에서 수집된 외기 온도 및 광량을 포함한다.
바람직하게, (c) 상기 (b) 단계 이후에 실시하며, 상기 (b) 단계에서 함수 형태로 예측된 온실의 내부 온도 및 내부 습도를 상수 값으로 수치화하는 단계를 더 포함하고, 상기 (a) 단계 내지 상기 (c) 단계는, 미리 정해진 학습 주기마다 반복적으로 실시하며, 현재 학습 주기의 학습 데이터는, 이전 학습 주기의 상기 (c) 단계에서 상수 값으로 수치화된 온실의 내부 온도 및 내부 습도와 현재 학습 주기의 상기 (a) 단계에서 수집된 외기 온도 및 광량을 포함한다.
본 발명은, LSTM 기반 온실 온도 및 습도 예측 시스템 및 방법에 관한 것으로서, 다음과 같은 효과를 갖는다.
첫째, 본 발명은, 미리 정해진 학습 주기들마다 LSTM 알고리즘을 이용해 학습을 진행할 때, 현재 학습 단계에서 수집된 온실 환경 정보와 이전 학습 주기에서 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도를 현재 학습 주기의 학습 데이터로서 함께 이용함으로써, 온실의 내부 온도 및 내부 습도의 예측에 대한 정확성을 향상시킬 수 있다.
둘째, 본 발명은, 이전의 학습 주기에서 LSTM 알고리즘에 의해 함수 형태로 예측된 온실의 내부 온도 및 내부 습도를 수치화한 후 현재 학습 주기에서 학습 데이터로 이용함으로써, 함수 형태로 예측된 이전 학습 주기의 온실의 내부 온도 및 내부 습도를 현재 학습 주기에서 학습 데이터로서 그대로 이용함으로 인해 역전파 연산 경로가 추가되는 것을 방지할 수 있다.
도 1은 본 발명의 바람직한 실시예에 따른 LSTM 기반 온실 온도 및 습도 예측 시스템의 개략적인 구조를 나타내는 블록도.
도 2는 도 1에 도시된 LSTM 기반 예측 모듈의 제1 학습 모드에 따른 LSTM 알고리즘을 설명하기 위한 블록도.
도 3은 도 2에 도시된 제1 학습 모드에 따른 LSTM 알고리즘의 역전파 연산 경로를 나타내는 블록도.
도 4는 도 1에 도시된 LSTM 기반 예측 모듈의 제2 학습 모드에 따른 LSTM 알고리즘을 설명하기 위한 블록도.
도 5는 도 4에 도시된 제2 학습 모드에 따른 LSTM 알고리즘의 역전파 연산 경로를 나타내는 블록도.
도 6은 제2 학습 모드에 따른 LSTM 알고리즘을 이용한 온실 내부 온도 예측 결과와 온실 내부 실측 결과를 비교한 그래프.
도 7은 제2 학습 모드에 따른 LSTM 알고리즘을 이용한 온실 내부 습도 예측 결과와 온실 습도 실측 결과를 비교한 그래프.
도 8은 도 1에 도시된 LSTM 기반 온실 온도 및 습도 예측 시스템의 학습 방법을 설명하기 위한 순서도.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시예의 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.
도 1은 본 발명의 바람직한 실시예에 따른 LSTM 기반 온실 온도 및 습도 예측 시스템의 개략적인 구조를 나타내는 블록도이고, 도 2는 도 1에 도시된 LSTM 기반 예측 모듈의 제1 학습 모드에 따른 LSTM 알고리즘을 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 제1 실시예에 따른 LSTM 기반 온실 온도 및 습도 예측 시스템(1)은, 환경 정보 수집 모듈(10)과, LSTM 기반 예측 모듈(20) 등을 포함할 수 있다.
먼저, 환경 정보 수집 모듈(10)은, 온실의 내부 온도 및 내부 습도의 예측에 필요한 온실 환경 정보를 수집하기 위한 장치이다.
온실의 내부 온도 및 내부 습도를 예측하기 위해 필요한 온실 환경 정보는 특별히 한정되지 않는다. 예를 들어, 환경 정보 수집 모듈(10)은, 온실의 내부 온도 및 내부 습도를 예측하기 위하여, 온실 내부로 공급되는 외기의 온도와, 온실 내부로 공급되는 광원의 광량 중 적어도 하나를 수집할 수 있다. 여기서, 온실 내부로 공급되는 광원은, 태양광인 것이 바람직하나, 이에 한정되는 것은 아니다.
이러한 환경 정보 수집 모듈(10)의 구조는 특별히 한정되지 않는다. 예를 들어, 온실의 내부 온도 및 내부 습도를 예측하기 위해 외기 온도 및 광원을 수집하는 경우에, 환경 정보 수집 모듈(10)은, 온실 내부로 공급되는 외기의 온도를 측정하는 외기 온도 측정부(10)와, 온실의 광량을 측정하는 광량 측정부(14) 등을 구비할 수 있다.
외기 온도 측정부(10)는, 온실 내부로 공급되는 외기의 온도를 측정 가능한 적어도 하나의 온도 센서를 가질 수 있다.
광량 측정부(14)는, 온실 내부로 공급되는 광원의 광량을 측정 가능한 적어도 하나의 광량 센서를 가질 수 있다.
환경 정보 수집 모듈(10)은, 이러한 외기 온도 측정부(10) 및 광량 측정부(14)를 이용해 수집한 외기 온도 및 광량을 LSTM 기반 예측 모듈(20)에 전달할 수 있다.
다음으로, LSTM 기반 예측 모듈(20)은, 환경 정보 수집 모듈(10)에 의해 수집된 온실 환경 정보를 LSTM 알고리즘에 적용하여, 온실의 내부 온도 및 내부 습도를 예측하기 위한 장치이다.
LSTM(Long Short Term Memory Network, 장단기 메모리)는 RNN(Recurrent Neural Networks)의 장기 의존성 문제를 위한 개발된 딥러닝 모델이다.
LSTM 기반 예측 모듈(20)은, 이러한 LSTM 알고리즘을 이용해 환경 정보 수집 모듈(10)로부터 전달된 온실 환경 정보를 포함하는 학습 데이터를 학습하여, 학습 데이터에 대응한 온실의 내부 온도 및 내부 습도를 예측할 수 있도록 마련된다. 예를 들어, 환경 정보 수집 모듈(10)이 외기 온도 및 광량을 수집하는 경우에, LSTM 기반 예측 모듈(20)은, LSTM 알고리즘을 이용해 환경 정보 수집 모듈(10)로부터 전달된 외기 온도 및 광량을 포함하는 학습 데이터를 학습하여, 학습 데이터에 대응한 온실의 내부 온도 및 내부 습도를 예측할 수 있도록 마련될 수 있다. 여기서, 온실의 내부 습도는 상대 습도인 것이 바람직하나, 이에 한정되는 것은 아니다.
한편, 외기 온도 및 광량만을 학습 데이터로서 이용하면, 온실의 내부 온도 및 내부 습도 예측에 대한 정확성이 떨어질 우려가 있다. 이를 해결하기 위하여, 도 2에 도시된 바와 같이, LSTM 기반 예측 모듈(20)은, 이전 학습 주기에서 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도(the predicted output signals for the next time step)를 현재 학습 주기에서 온실의 내부 온도 및 내부 습도를 예측하기 위한 학습 데이터로서 이용하도록 미리 정해진 제1 학습 모드에 따라 학습을 진행할 수 있다. 즉, 환경 정보 수집 모듈(10)은 학습 주기들 각각마다 외기 온도 및 광량을 재수집하고, LSTM 기반 예측 모듈(20)은 학습 주기들 각각마다 현재 학습 주기에서 환경 정보 수집 모듈(10)에 의해 수집된 외기 온도 및 광량(the input signal measured at the current time step)과 이전 학습 주기에서 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도(the predicted output signals for the next time step)를 현재 학습 주기의 학습 데이터로서 학습하여, 현재 학습 주기의 학습 데이터에 대응한 온실의 내부 온도 및 내부 습도를 예측할 수 있다.
그런데, 최초 학습 주기에서는, 이전에 학습 주기에서 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도(the input signal measured at the current time step)에 대한 정보가 없어 문제가 될 수 있다. 이를 해결하기 위하여, LSTM 기반 예측 모듈(20)은, 최초 학습 주기일 경우에, LSTM 알고리즘 외 미리 정해진 예측 수단들에 의해 예측된 온실의 내부 온도들의 평균 값 및 내부 습도들의 평균 값(the mean values of the predicted signals)이나 온도 센서(미도시)에 의해 측정된 온실의 내부 온도 및 습도 센서(미도시)에 의해 측정된 온실의 내부 습도와, 최초 학습 주기에서 환경 정보 수집 모듈(10)에 의해 수집된 외기 온도 및 광량을 최초 학습 주기의 학습 데이터로서 이용할 수 있다.
또한, LSTM 기반 예측 모듈(20)은, 온실의 내부 온도와 온실의 내부 습도 간의 상관 관계를 고려하여 학습을 진행하는 것이 바람직하나, 이에 한정되는 것은 아니다.
위와 같이, LSTM 기반 예측 모듈(20)은, 이전 학습 단계에서 예측된 온실의 내부 온도 및 내부 습도를 현재 학습 단계에서 온실의 내부 온도 및 내부 습도를 학습하기 위한 학습 데이터로 이용함으로써, 온실의 내부 온도 및 내부 습도의 예측에 대한 정확성을 향상시킬 수 있다.
도 3은 도 2에 도시된 제1 학습 모드에 따른 LSTM 알고리즘의 역전파 연산 경로를 나타내는 블록도이고, 도 4는 도 1에 도시된 LSTM 기반 예측 모듈의 제2 학습 모드에 따른 LSTM 알고리즘을 설명하기 위한 블록도이며, 도 5는 도 4에 도시된 제2 학습 모드에 따른 LSTM 알고리즘의 역전파 연산 경로를 나타내는 블록도이다.
또한, 도 6은 제2 학습 모드에 따른 LSTM 알고리즘을 이용한 온실 내부 온도 예측 결과와 온실 내부 실측 결과를 비교한 그래프이고, 도 7은 제2 학습 모드에 따른 LSTM 알고리즘을 이용한 온실 내부 습도 예측 결과와 온실 습도 실측 결과를 비교한 그래프이다.
일반적으로 딥러닝 학습에 들어간 입력 값은, 예측된 출력 값(이하, '예측 값'이라고 함)과 실제 값의 오차에 해당하는 손실 함수(MSE)를 최소화하기 위해 반복적으로 학습이 진행된다. 이러한 반복 과정 중 입력된 변수 간의 상관 관계를 도출하기 위해 수없이 많은 미분과정이 진행되며, 이를 통해 각 변수 간의 기울기를 설정하게 된다. 이 때, 입력 값을 A, 예측 값을 B라고 할 때 A -> B 진행 시 상관 관계를 도출하고, B -> A로 다시 계산하는 역전파 연산을 통해 상기 각 변수 간의 기울기를 조절함으로써, 예측 값의 정확성을 높일 수 있다.
또한, 일반적으로 LSTM 알고리즘은, 예측 값을 함수 형태로 출력한다. 보다 구체적으로, LSTM 알고리즘의 인공 신경망은, 입력 값들을 각각 가중치와 곱하고 그 결과값들을 더한다. LSTM 알고리즘의 인공 신경망은, 이렇게 가중 합산한 값을 활성화(activation) 함수에 입력하여 최종 출력 값으로 변환한다. 즉, LSTM 알고리즘의 인공 신경망은, 입력 값들의 수학적 선형 결합을 다양한 형태의 비선형 결합 또는 선형 결합으로 변환할 수 있고, 예측 값에 해당하는 최종 출력 값은 입력 값과 연관된 함수 형태를 갖게 된다. 이로 인해 도 3에 도시된 바와 같이, 제1 학습 모드에 따라 학습을 진행할 경우에, 이전 학습 주기에서 예측된 온실의 내부 온도 및 내부 습도는, 이전 학습 주기의 최종 출력 값으로서 이전 학습 주기에서 입력된 온실 환경 정보, 기타 입력 값들과 연관된 함수 형태를 갖게 된다. 이에, 제1 학습 모드에 의하면, 이전 학습 주기에서 예측된 온실의 내부 온도 및 내부 습도가 현재 학습 주기에서 학습 데이터로서 입력됨에 따른 역전파 연산 경로(Addition backpropagation path due to the direct feedback)가 추가로 발생하게 된다. 이로 인해, 제1 학습 모드에 따라 학습을 실시하면, 역전파 연산 시 이전 학습 주기에서 예측된 온실의 내부 온도 및 내부 습도와 이전 학습 주기의 입력 값인 학습 데이터의 연관 관계까지 고려되어야 하는 바, 역전파 알고리즘의 복잡도가 증가하여 학습에 소요되는 시간이 증가되고, 학습의 목표인 손실 함수의 최소화에 문제가 발생하게 될 우려가 있다.
이를 해결하기 위하여, LSTM 기반 예측 모듈(20)은, LSTM 알고리즘에 의해 함수 형태로 예측된 온실의 내부 온도 및 내부 습도(the output signals predicted for the next time step)를 상수 값으로 수치화하는 수치화부(22)를 구비한다(도 1 참조). 이 경우에, 도 4에 도시된 바와 같이, LSTM 기반 예측 모듈(20)은, 이전 학습 주기에서 예측된 후 수치화부(22)에 의해 상수 값으로 수치화된 온실의 내부 온도 및 내부 습도(the signals duplicated from the predicted output signals)와, 현재 학습 주기에서 환경 정보 수집 모듈(10)에 의해 수집된 외기 온도 및 광량(the input signal measured at the current time step)을 현재 학습 주기의 학습 데이터로서 이용하도록 미리 정해진 제2 학습 모드에 따라 학습을 진행할 수 있다. 즉, 이전 학습 주기에서 함수 형태로 예측된 온실의 내부 온도 및 내부 습도와 이전 학습 주기의 입력 값인 학습 데이터 간의 연관 관계를 차단하기 위하여, 이전 학습 주기에서 함수 형태로 예측된 온실의 내부 온도 및 내부 습도를 수치화부(22)를 이용해 상수 값으로 수치화한 후 현재 학습 주기의 학습 데이터로 이용하는 것이다. 도 5에 도시된 바와 같이, 이러한 제2 학습 모드에 의하면, 이전 학습 주기에서 예측된 온실의 내부 온도 및 내부 습도를 현재 학습 주기에서 학습 데이터로서 함수 형태로 그대로 사용함으로 인해 역전파 연산 경로가 추가되는 것을 방지할 수 있다.
아래의 표 1은 제1 학습 모드에 따른 온실 내부 온도 예측 결과와 제2 학습 모드에 따른 온실 내부 온도 예측 결과를 비교한 표이고, 아래의 표 2는 제1 학습 모드에 따른 온실 내부 습도 예측 결과와 제2 학습 모드에 따른 온실 내부 온도 예측 결과를 비교한 표이다.
구분 결정계수(R-Square) RMSE
학습 모드 1 0.6824 2.4551
학습 모드 2 0.9268 1.1785
구분 결정계수(R-Square) RMSE
학습 모드 1 0.6518 8.0120
학습 모드 2 0.7269 7.0957
표 1 및 표 2에 의하면, 학습 모드 2에 따른 학습 결과는, 학습 모드 1에 따른 학습 결과에 비해, 온실의 내부 온도 및 내부 습도 모두 결정 계수가 1에 더 가깝고, 평균 제곱근 편차(RMSE) 값이 0에 더 가까운 것으로 나타난다. 이를 통해, 학습 모드 2가 학습 모드 1에 비해 온실의 내부 온도 및 내부 습도의 예측에 대한 정확성이 더 뛰어난 모델임을 확인할 수 있다.
또한, 도 6 및 도 7에 의하면, 제2 학습 모드에 따라 예측된 온실의 내부 온도(Estimated Temp) 및 내부 습도(Estimated RH)는, 온도 센서에 의해 측정된 온실의 내부 온도(Measured Temp) 및 습도 센서에 의해 측정된 온실의 내부 습도(Measured RH)에 거의 근접한 값을 가짐을 알 수 있다.
도 8은 도 1에 도시된 LSTM 기반 온실 온도 및 습도 예측 시스템의 학습 방법을 설명하기 위한 순서도이다.
도 8을 참조하면, LSTM 기반 온실 온도 및 습도 예측 시스템(1)의 학습 방법은, 온실의 환경 정보를 수집하는 단계(S 10)와, S 10 단계에서 수집된 온실의 환경 정보를 포함하는 학습 데이터를 LSTM 알고리즘을 이용해 학습하여, 온실의 내부 온도 및 내부 습도를 예측하는 단계(S 20) 등을 포함할 수 있다.
또한, S 10 단계에서 수집하는 온실의 환경 정보는 특별히 한정되지 않는다. 예를 들어, S 10 단계에는 온실로 공급되는 외기의 온도 및 온실로 공급되는 광원의 광량 중 적어도 하나를 온실의 환경 정보로서 수집할 수 있다.
또한, S 10 및 S 20 단계는 미리 정해진 학습 주기마다 반복적으로 실시할 수 있다. 이 경우에, 현재 학습 주기의 학습 데이터는, 이전 학습 주기의 S 20 단계에서 예측된 온실의 내부 온도 및 내부 습도와 현재 학습 주기의 S 10 단계에서 수집된 외기 온도 및 광량 등을 포함할 수 있다. 특히, 최초의 학습 주기일 경우에, 최초의 학습 주기의 학습 데이터는, LSTM 알고리즘 외 미리 정해진 예측 수단들에 의해 예측된 온실의 내부 온도들의 평균 값 및 내부 습도들의 평균 값이나 온도 센서에 의해 측정된 온실의 내부 온도 및 습도 센서에 의해 측정된 온실의 내부 습도와, 당해 최초 학습 주기의 S 10 단계에서 수집된 외기 온도 및 광량 등을 포함할 수 있다.
한편, S 20 단계에서 예측된 온실의 내부 온도 및 내부 습도가 함수 형태인 경우에, LSTM 기반 온실 온도 및 습도 예측 시스템(1)의 학습 방법은, S 20 단계에서 함수 형태로 예측된 온실의 내부 온도 및 내부 습도를 상수 값으로 수치화하는 단계(S 30)를 더 포함할 수 있다. 이 경우에, S 10 내지 S 30 단계는, 미리 정해진 학습 주기마다 반복적으로 실시할 수 있다. 또한, 현재 학습 주기의 학습 데이터는, 이전 학습 주기의 S 30 단계에서 수치화된 온실의 내부 온도 및 내부 습도와 현재 학습 주기의 S 10 단계에서 수집된 외기 온도 및 광량 등을 포함할 수 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 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
1: LSTM 기반 온실 온도 및 습도 예측 시스템
10: 환경 정보 수집 모듈
12: 외기 온도 측정부
14: 광량 측정부
20: LSTM 기반 예측 모듈
22: 수치화부

Claims (12)

  1. 온실의 환경 정보를 수집하는 환경 정보 수집 모듈; 및
    환경 정보 모듈에 의해 수집된 상기 환경 정보를 LSTM 알고리즘에 적용하여, 온실의 내부 온도 및 내부 습도를 예측하는 LSTM 기반 예측 모듈을 포함하고,
    상기 환경 정보 수집 모듈은, 미리 정해진 학습 주기들 각각마다, 상기 환경 정보를 재수집하며,
    상기 LSTM 기반 예측 모듈은, 상기 학습 주기들 각각마다, 이전 학습 주기에서 상기 LSTM 알고리즘에 의해 예측된 온실의 내부 온도 및 내부 습도와 현재 학습 주기에서 상기 환경 정보 수집 모듈에 의해 수집된 상기 환경 정보를 현재 학습 주기의 학습 데이터로서 학습하여, 온실의 내부 온도 및 내부 습도를 예측하는, LSTM 기반 온실 온도 및 습도 예측 시스템.
  2. 제1항에 있어서,
    상기 환경 정보 수집 모듈은, 상기 온실에 공급되는 외기의 온도를 상기 환경 정보로서 측정하는 외기 온도 측정부를 구비하는, LSTM 기반 온실 온도 및 습도 예측 시스템.
  3. 제1항에 있어서,
    상기 환경 정보 수집 모듈은, 상기 온실에 공급되는 광원의 광량을 상기 환경 정보로서 측정하는 광량 측정부를 구비하는, LSTM 기반 온실 온도 및 습도 예측 시스템.
  4. 제1항에 있어서,
    상기 LSTM 기반 예측 모듈은, 최초 학습 주기일 경우에, 미리 정해진 예측 수단들에 의해 예측된 온실의 내부 온도들의 평균 값 및 내부 습도들의 평균 값과, 상기 최초 학습 주기에서 환경 정보 수집 모듈에 의해 수집된 외기 온도 및 광량을 학습 데이터로서 이용하는, LSTM 기반 온실 온도 및 습도 예측 시스템.
  5. 제1항에 있어서,
    상기 LSTM 기반 예측 모듈은, 최초 학습 주기일 경우에, 온도 센서에 의해 측정된 온실의 내부 온도 및 습도 센서에 의해 측정된 온실의 내부 습도와, 상기 최초 학습 주기에서 환경 정보 수집 모듈에 의해 수집된 외기 온도 및 광량을 학습 데이터로서 이용하는, LSTM 기반 온실 온도 및 습도 예측 시스템.
  6. 제1항에 있어서,
    상기 LSTM 기반 예측 모듈은, 상기 LSTM 알고리즘에 의해 함수 형태로 예측된 온실의 내부 온도 및 내부 습도를 상수 값으로 수치화하는 수치화부를 구비하는, LSTM 기반 온실 온도 및 습도 예측 시스템.
  7. 제6항에 있어서,
    상기 LSTM 기반 예측 모듈은, 이전 학습 주기에서 상기 수치화부에 의해 상수 값으로 수치화된 상기 온실의 내부 온도 및 내부 습도와, 현재 학습 주기에서 수집된 상기 환경 정보를 현재 학습 주기의 학습 데이터로 이용하는, LSTM 기반 온실 온도 및 습도 예측 시스템.
  8. (a) 온실의 환경 정보를 수집하는 단계; 및
    (b) 상기 (a) 단계에서 수집된 상기 환경 정보를 포함하는 학습 데이터를 LSTM 알고리즘을 이용해 학습하여, 상기 온실의 내부 온도 및 내부 습도를 예측하는 단계를 포함하고,
    상기 (a) 단계 및 상기 (b) 단계는, 미리 정해진 학습 주기마다 반복적으로 실시하며,
    상기 (b) 단계에서는, 이전 학습 주기의 상기 (b) 단계에서 예측된 온실의 내부 온도 및 내부 습도와 현재 학습 주기의 상기 (a) 단계에서 수집된 상기 환경 정보를 현재 학습 주기의 학습 데이터로 이용하는, LSTM 기반 온실 온도 및 습도 예측 방법.
  9. 제8항에 있어서,
    상기 (a) 단계에서는, 상기 온실로 공급되는 온기의 온도를 상기 환경 정보로서 측정하는, LSTM 기반 온실 온도 및 습도 예측 방법.
  10. 제8항에 있어서,
    상기 (a) 단계에서는, 상기 온실로 공급되는 광원의 광양을 상기 환경 정보로서 측정하는, LSTM 기반 온실 온도 및 습도 예측 방법.
  11. 제8항에 이어서,
    최초의 학습 주기일 경우에, 상기 학습 데이터는, 미리 정해진 예측 수단들에 의해 예측된 온실의 내부 온도들의 평균 값 및 내부 습도들의 평균 값과, 상기 최초 학습 주기의 S 10 단계에서 수집된 외기 온도 및 광량을 포함하는, LSTM 기반 온실 온도 및 습도 예측 방법.
  12. (c) 상기 (b) 단계 이후에 실시하며, 상기 (b) 단계에서 함수 형태로 예측된 온실의 내부 온도 및 내부 습도를 상수 값으로 수치화하는 단계를 더 포함하고,
    상기 (a) 단계 내지 상기 (c) 단계는, 미리 정해진 학습 주기마다 반복적으로 실시하며,
    현재 학습 주기의 학습 데이터는, 이전 학습 주기의 상기 (c) 단계에서 상수 값으로 수치화된 온실의 내부 온도 및 내부 습도와 현재 학습 주기의 상기 (a) 단계에서 수집된 외기 온도 및 광량을 포함하는, LSTM 기반 온실 온도 및 습도 예측 방법.
KR1020210193307A 2021-12-30 2021-12-30 Lstm 기반 온실 온도 및 습도 예측 시스템 및 방법 KR20230102856A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210193307A KR20230102856A (ko) 2021-12-30 2021-12-30 Lstm 기반 온실 온도 및 습도 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210193307A KR20230102856A (ko) 2021-12-30 2021-12-30 Lstm 기반 온실 온도 및 습도 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230102856A true KR20230102856A (ko) 2023-07-07

Family

ID=87154642

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210193307A KR20230102856A (ko) 2021-12-30 2021-12-30 Lstm 기반 온실 온도 및 습도 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20230102856A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389355A (zh) * 2023-12-07 2024-01-12 凯盛浩丰农业集团有限公司 一种番茄种植的智能温室温度控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389355A (zh) * 2023-12-07 2024-01-12 凯盛浩丰农业集团有限公司 一种番茄种植的智能温室温度控制方法及系统
CN117389355B (zh) * 2023-12-07 2024-03-12 凯盛浩丰农业集团有限公司 一种番茄种植的智能温室温度控制方法及系统

Similar Documents

Publication Publication Date Title
EP2998803B1 (en) Simulation method
US10337498B2 (en) Method and device for detecting equivalent load of wind turbine
Baker et al. PASLINK and dynamic outdoor testing of building components
CN112712189B (zh) 一种供热需求负荷预测方法
CN110580021B (zh) 一种基于现场总线的粮仓环境安全智能监测系统
CN110766132B (zh) 一种基于物联网的果园产量智能预测系统
Monari et al. Characterization of an airflow network model by sensitivity analysis: parameter screening, fixing, prioritizing and mapping
KR20230102856A (ko) Lstm 기반 온실 온도 및 습도 예측 시스템 및 방법
CN110161181B (zh) 混合气体的组分浓度识别方法及系统
CA2996731A1 (en) Methods and systems for energy use normalization and forecasting
CN108959787B (zh) 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统
CN115660887A (zh) 一种基于有限天气预报信息的光伏出力预测方法及系统
CN110361042A (zh) 一种温湿度监测装置自动计量检定方法及系统
KR102493719B1 (ko) 통합 공기질 예측 시스템
CN114330647A (zh) 模型训练方法、装置及硅棒重量预测方法
Takruri et al. Online drift correction in wireless sensor networks using spatio-temporal modeling
CN108446783A (zh) 一种新风机运行功率的预测及监控方法
Lutska et al. Forecasting the efficiency of the control system of the technological object on the basis of neural networks
Wang et al. Comparison of sensitivity matrix method, power function-based response surface method, and artificial neural network in the analysis of building fire egress performance
Ferreira et al. Choice of RBF model structure for predicting greenhouse inside air temperature
KR20200105365A (ko) 딥러닝에 의해 생성된 가상환경을 이용한 강화학습 방법
Tijskens et al. Neural networks to predict the hygrothermal response of building components in a probabilistic framework
CN117970978B (zh) 一种适用于实验的恒温恒湿实验箱自动调控系统
Kumar et al. Regularized adaptation of fuzzy inference systems. Modelling the opinion of a medical expert about physical fitness: An application
Cellura et al. To assess the validity of the transfer function method: a neural model for the optimal choice of conduction transfer functions

Legal Events

Date Code Title Description
E902 Notification of reason for refusal