KR20240054490A - 물류 센터 에너지 고효율화를 위한 ai 기반 온도 감지 방법 - Google Patents

Abstract

본 발명의 일 목적은 정온 물류 센터에서 수집된 실시간 온도 데이터에 기초하여 인공 신경망 모듈을 통해 온도 매핑 데이터를 생성하고, 열교환기 주변의 온도 센서를 이용해 제상 시점과 소요 시간을 판정하여 고효율로 정온 물류 센터의 에너지 관리 시스템을 운용하기 위한 AI 기반 온도 감지 방법을 제공하는 것에 있다.
이를 위해, 본 발명의 일 실시예에 따른 물류 센터의 에너지 고효율화를 위한 AI 기반 온도 감지 방법은, 상기 물류 센터에 설치된 복수의 온도 센서로부터의 실시간 온도 데이터를 수신하는 단계와, 상기 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터를 수신하는 단계 - 상기 물류 적재 상태 정보는 물류의 높이 및 적재 위치에 대한 정보를 포함함 - 와, 상기 실시간 온도 데이터 및 상기 물류 데이터를 온도 매핑 알고리즘의 제1 인공 신경망 모듈에 입력하는 단계와, 상기 제1 인공 신경망 모듈에 의해 출력된 상기 물류 센터에 대한 온도 매핑 데이터를 수신하는 단계를 포함한다.

Description

물류 센터 에너지 고효율화를 위한 AI 기반 온도 감지 방법{AI BASED TEMPERATURE DETECTING METHOD FOR HIGH ENERGY EFFICIENCY OF LOGISTICS CENTER}

본 발명은 물류 센터의 에너지 고효율화를 위한 AI 기반 온도 감지 방법에 관한 것이며, 보다 구체적으로는, 정온(Cold Chain) 물류 센터에서 복수의 온도 센서를 통해 수집된 실시간 온도 데이터에 기초하여 인공 신경망 모듈을 통해 온도 매핑 데이터를 생성하고, 열교환기 주변의 온도 센서를 이용해 제상 시점과 소요 시간을 판정하여 고효율로 정온 물류 센터의 에너지 관리 시스템을 운용하기 위한 AI 기반 온도 감지 방법에 관한 것이다.

국민 소득이 증가함에 따라 더 좋은 품질의 식품에 대한 요구도가 높아지고 이를 위한 콜드 체인 산업이 주목받고 있다. 특히 신선 물류나 각종 백신의 경우 일반 공산품과 비교해 유통기한이 매우 짧고 제품별 보관 온도가 매우 상이해 취급이 까다로울 뿐만 아니라, 정온(Cold Chain) 물류 센터의 경우 다량의 에너지를 소비하므로 정온 물류 센터에 대한 에너지 효율화 방안이 필요하다.

기존의 정온 물류 센터는 관리자의 경험에 의존한 운영 방식을 가지고 있다. 예를 들어, 관리자가 정온 물류 센터의 각 영역의 온도를 국부적으로 측정한 후, 이에 기반하여 냉난방 공조(Heating, Ventilation, and Air Conditioning, HVAC) 시스템의 동작을 수동으로 온오프 제어하였으며, 관리자 개인의 경험에 의존하여 주기적(예: 1회/2시간)으로 제상을 진행하였으며, 조명은 24시간 동안 상시 켜 놓고, 도킹 시스템도 작업자나 관리자가 수동으로 도킹 여부 및 적재함 내 적정 온도 등을 체크하는 등 체계적이지 못한 에너지 관리 시스템을 갖추고 있다는 문제점을 가진다.

따라서, 본 발명의 일 목적은 정온 물류 센터에서 수집된 실시간 온도 데이터에 기초하여 인공 신경망 모듈을 통해 온도 매핑 데이터를 생성하고, 열교환기 주변의 온도 센서를 이용해 제상 시점과 소요 시간을 판정하여 고효율로 정온 물류 센터의 에너지 관리 시스템을 운용하기 위한 AI 기반 온도 감지 방법을 제공하는 것에 있다.

다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 바로 제한되지 않으며, 언급되지는 않았으나 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있는 목적을 포함할 수 있다.

이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.

본 발명의 일 실시예에 따른 물류 센터의 에너지 고효율화를 위한 AI 기반 온도 감지 방법은, 상기 물류 센터에 설치된 복수의 온도 센서로부터의 실시간 온도 데이터를 수신하는 단계와, 상기 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터를 수신하는 단계 - 상기 물류 적재 상태 정보는 물류의 높이 및 적재 위치에 대한 정보를 포함함 - 와, 상기 실시간 온도 데이터 및 상기 물류 데이터를 온도 매핑 알고리즘의 제1 인공 신경망 모듈에 입력하는 단계와, 상기 제1 인공 신경망 모듈에 의해 출력된 상기 물류 센터에 대한 온도 매핑 데이터를 수신하는 단계를 포함한다.

전술한 AI 기반 온도 감지 방법에 있어서, 상기 온도 매핑 알고리즘의 상기 제1 인공 신경망 모듈의 사전 학습 세션은, 상기 제1 인공 신경망 모듈에 상기 물류 센터에 최종 설치되는 제1 위치의 제1 온도 센서들에 의해 검출된 시계열적 온도 데이터와, 사전 학습 세션을 위해 상기 물류 센터의 제2 위치에 추가적으로 임시 설치된 제2 온도 센서들에 의해 검출된 시계열적 온도 데이터와, 상기 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터와, 상기 물류 센터의 건물 구조 데이터와, 상기 물류 센터의 HVAC/조명 시스템 관련 데이터를 입력하는 단계; 상기 제1 인공 신경망 모듈이 입력된 데이터를 처리하여 출력한 예측된 온도 매핑 데이터를 수신하는 단계; 상기 수신된 예측된 온도 매핑 데이터와 실제 측정된 온도 데이터를 비교하는 단계; 및 상기 비교 결과, 상기 예측된 온도 매핑 데이터 및 상기 실제 측정된 온도 데이터 사이의 에러가 최소화되는 방향으로 손실 함수를 구성하는 단계를 포함한다.

전술한 AI 기반 온도 감지 방법에 있어서, 상기 온도 매핑 알고리즘의 상기 제1 인공 신경망 모듈은 에이전트(Agent)로 동작하여 강화 학습을 수행하되, 상기 강화 학습은, 상기 물류 센터를 시뮬레이션하여 구현한 가상의 환경(Environment)를 구축하는 단계; 상기 가상의 환경에 대한 상태(State) 정보로서 상기 가상의 환경의 실시간 온도 데이터를 인식하는 단계; 상기 인식된 실시간 온도 데이터에 기초하여 상기 제1 인공 신경망 모듈이 온도 매핑 데이터를 생성하는 단계; 상기 온도 매핑 데이터를 실제 온도 데이터와 비교하는 단계; 상기 비교의 결과에 따라 보상을 결정하는 단계; 및 상기 제1 인공 신경망 모듈은 상기 보상을 최대화하는 방향으로 상기 실시간 온도 데이터를 인식하는 단계 내지 상기 보상을 결정하는 단계를 반복하는 단계를 포함한다.

전술한 AI 기반 온도 감지 방법에 있어서, 상기 복수의 온도 센서는 열교환기 또는 상기 열교환기 주변에 설치된 적어도 두 개의 온도 센서를 포함하고, 상기 적어도 두 개의 온도 센서로부터의 열교환기 주변에서의 시계열적 온도 데이터를 제상 시점 판정 알고리즘에 입력하는 단계와, 상기 제상 시점 판정 알고리즘에 의해 출력된 착상 시점 및 소요 시간을 수신하는 단계를 포함한다.

전술한 AI 기반 온도 감지 방법에 있어서, 상기 방법은, 상기 온도 매핑 데이터에 있어서 온도의 실시간 데이터 변화가 임계치 이상인 경우 상기 물류 센터의 에너지 관리 모드를 다른 관리 모드로 전환하는 단계를 더 포함한다.

상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.

본 발명의 일 실시예에 따르면, 정온 물류 센터에서 수집된 실시간 온도 데이터에 기초하여 인공 신경망 모듈을 통해 온도 매핑 데이터를 생성하고, 열교환기 주변의 온도 센서를 이용해 제상 시점과 소요 시간을 판정하여 고효율로 정온 물류 센터의 에너지 관리 시스템을 운용하기 위한 AI 기반 온도 감지 방법을 제공할 수 있다.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 정온 물류 센터의 예시도이다.
도 2는 본 발명의 일 실시예에 따른 정온 물류 센터의 토탈 에너지 관리 시스템을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 인공 신경망 기반 3D 온도 매핑 알고리즘의 추론 세션을 개략적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망 기반 3D 온도 매핑 알고리즘의 사전 학습 세션을 개략적으로 나타내는 도면이다.
도 5는 본 발명의 다른 일 실시예에 따른 강화 학습 기반 3D 온도 매핑 알고리즘을 개략적으로 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 제상 시점 판정 알고리즘을 개략적으로 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 정온 물류 센터의 AC/DC 전원 공급 모드를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 온도 조건에 따른 정온 물류 센터의 에너지 관리 모드 사이의 전환을 나타내는 도면이다.
도 8b는 본 발명의 다른 일 실시예에 따른 온도 조건에 따른 정온 물류 센터의 에너지 관리 모드 사이의 전환을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 소비 전력 조건에 따른 정온 물류 센터의 에너지 관리 모드 사이의 전환을 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 정온 물류 센터의 에너지 고효율화를 위한 인공지능 기반 온도 감지 방법에 대한 흐름도이다.

이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 예에 한정되지 않는다. 또한, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있거나 위/아래에 있다고 할 때, 이는 직접적으로 연결되어 있거나, 위/아래에 있는 경우뿐만 아니라, 그 중간에 다른 구성요소를 사이에 두고, 간접적으로 연결되거나 위/아래에 있는 경우도 포함한다.

나아가, 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

"제1", "제2" 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이러한 구성요소들은 해당 용어들에 의해 한정되어서는 안 된다. 즉, 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

또한, 달리 구체적으로 명시하지 않는 한, "단수"의 표현은 본 명세서에서 하나 이상의 개체를 포함하는 것으로 사용된다. 마지막으로, 본 명세서에서 사용된 바와 같이, "또는"은 달리 구체적으로 명시하지 않는 한, 비-배타적인 "또는"을 의미한다.

또한, 본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

정온 물류 센터의 개요

도 1은 본 발명의 일 실시예에 따른 정온 물류 센터의 예시도이다.

도 1을 참조하면, 정온 물류 센터(100)는 물류의 냉장 보관을 위한 냉장 보관 영역(110), 물류의 냉동 보관을 위한 냉동 보관 영역(120), 물류가 외부로부터 반입되거나 외부로 반출되는 도킹 영역(132), 외부로부터 반입되거나 외부로 반출될 물류가 임시로 보관되는 임시 보관 영역(130), 정온 물류 센터(100)의 에너지를 관리하기 위한 에너지 관리 시스템(Energy Management System, EMS) 서버 및 인공지능(Artificial Intelligence, AI) 서버를 포함하는 관제실(140)을 포함할 수 있다.

냉장 보관 영역(110), 냉동 보관 영역(120) 및 임시 보관 영역(130)은 냉난방 공조(Heating, Ventilation, and Air Conditioning, HVAC) 시스템, 조명 시스템 등을 포함할 수 있으며, 이러한 HVAC 시스템 및 조명 시스템은 관제실(140)의 EMS 서버 및 AI 서버에 의해 제어될 수 있다. 이에 대해서는 자세히 후술하도록 한다.

또한, 정온 물류 센터(100)에는 복수의 온도 센서가 설치되어 있을 수 있으며, 이러한 복수의 온도 센서를 통해 실시간으로 온도 측정이 수행될 수 있으며, 그 결과, 시계열적인 온도 데이터가 생성될 수 있다. 자세히 후술하겠지만, 이러한 시계열적인 온도 데이터는 관제실(140)의 EMS 서버에 의해 처리되어 실시간 온도 데이터로 변환될 수 있다. 또한, EMS 서버는 실시간 온도 데이터를 AI 서버로 전송하고, AI 서버는 이러한 실시간 온도 데이터에 기초하여 3D 온도 매핑 알고리즘을 통해 3D 온도 매핑 데이터(온도 분포 데이터)를 생성하고, 제상 시점 판정 알고리즘을 통해 정온 물류 센터에 있어서의 제상 시점을 판단할 수 있다.

또한, 냉장 보관 영역(110) 및 냉동 보관 영역(120) 각각에는 정온 물류 센터(100)의 에너지 자립을 위해 신재생 에너지 발전부(123)를 포함할 수 있다. 신재생 에너지 발전부(123)는 계통 전원(AC 전원)을 보조하는 역할을 하며, 에너지 관리 모드에 따라 계통 전원과 함께 또는 단독으로 정온 물류 센터(100)에 전원을 공급할 수 있다.

일 실시예에 따르면, 신재생 에너지 발전부(123)는 복수의 태양광 패널을 이용하여 태양광 에너지를 전기 에너지로 변환하는 태양광 발전(Photovoltaics, PV) 모듈 및 전기 에너지를 저장하기 위한 에너지 저장 시스템(Energy Storage System, ESS) 모듈을 포함할 수 있다. 다만, 신재생 에너지 발전부(123)는 태양광 발전(PV) 모듈 이외에 다른 신재생 에너지 모듈, 예를 들어, 풍력 에너지 발전 모듈, 수력 에너지 발전 모듈, 태양열 에너지 발전 모듈, 지열 에너지 발전 모듈 중 적어도 하나를 더 포함할 수도 있으며, 이에 대해 한정하지는 않는다.

도킹 영역(132)은 화물 차량을 통해 물류가 외부로부터 반입되거나 외부로 반출될 수 있는 다수의 도킹 스테이션을 포함하며, 도킹 영역(132)은 저온 IR 기술을 이용해 도킹 과정에서 발생하는 온도/에너지 손실을 최소화할 수 있으며, 유체 역학 기반으로 도킹 흡기를 최소화할 수 있다.

정온 물류 센터의 토탈 에너지 관리 시스템

도 2는 본 발명의 일 실시예에 따른 정온 물류 센터의 토탈 에너지 관리 시스템을 개략적으로 나타낸 도면이다. 일 실시예에 따르면, 정온 물류 센터의 에너지 고효율화를 위한 토탈 에너지 관리 시스템은 도 1의 관제실(140)에 설치될 수 있으나, 그 설치 위치에 대해 한정하지는 않는다.

도 2를 참조하면, 정온 물류 센터의 에너지 고효율화를 위한 토탈 에너지 관리 시스템은 에너지 관리 시스템(EMS) 서버(142), 인공지능(AI) 서버(144), 및 두 서버(142, 144) 사이의 서버간 인터페이스(145)를 포함할 수 있으며, 그 외에도 정온 물류 센터의 복수의 센서들에 의해 실시간으로 측정된 실시간 데이터(147) 및 EMS 서버(142)에 의해 수집/가공된 각종 데이터 및 실시간 데이터(147) 등을 저장하는 데이터베이스(148) 등을 포함할 수 있다.

일 실시예에 따른 EMS 서버(142)는 정온 물류 센터(100)와 연관된 실시간 데이터(147)를 수신 및 수집할 수 있다. 여기서의 실시간 데이터는, 정온 물류 센터(100) 내부 및/또는 외부의 복수의 온도 및 습도 센서로부터의 시계열적 온도/습도 데이터, 신재생 에너지 모듈로부터의 시계열적 신재생 에너지 데이터, 정온 물류 센터(100) 주변의 날씨, 습도, 온도 등과 같은 외부 환경 데이터, 정온 물류 센터(100)의 도킹 영역(132)에서의 물동량 변동 이벤트 관련 데이터, 정온 물류 센터(100)의 냉난방 공조(HVAC) 시스템 관련 데이터, 및 정온 물류 센터(100)의 조명 AMI(Advanced Metering Infrastructure) 데이터 중 적어도 하나를 포함할 수 있다. 다만, 실시간 데이터의 유형이나 개수 등은 정온 물류 센터에 갖추어진 센서나 시설 인프라 등에 따라 달라질 수 있으며, 이에 대해 제한하지는 않는다.

또한, EMS 서버(142)는 수신한 실시간 데이터를 가공/처리하여 정온 물류 센터(100)의 실시간 온도 데이터, 실시간 습도 데이터, 신재생 에너지 데이터 및 전력 데이터 중 적어도 하나를 생성하고 생성된 데이터를 AI 서버(144)로 전송할 수 있다. 여기서 EMS 서버(142)가 생성하는 실시간 온도 데이터, 실시간 습도 데이터, 신재생 에너지 데이터 및 전력 데이터는 EMS 서버(142)가 수신한 미가공(raw) 상태의 실시간 데이터(147)에 비해 AI 서버(144)에서 활용되거나 데이터베이스에 저장하기에 적합한 형태로 변환된 것일 수 있다.

일 실시예에 따른 AI 서버(144)는 EMS 서버(142)로부터 수신한 실시간 온도 데이터, 실시간 습도 데이터, 신재생 에너지 데이터 및 전력 데이터 중 적어도 하나에 기초하여 정온 물류 센터(100) 내의 3D 온도 매핑 데이터, 제상 시점 판정 데이터 및 에너지 운영 가이드 중 적어도 하나를 출력할 수 있다.

이후, EMS 서버(142)는 AI 서버(144)로부터 온도 매핑 데이터, 제상 시점 판정 데이터 및 에너지 운영 가이드를 수신하고 이들에 기초하여 EMS 서버(142)는 정온 물류 센터의 다수의 (에너지) 관리 모드 사이의 전환을 수행하여 HVAC 시스템, 조명 시스템 및 제상 시스템 중 적어도 하나에 대한 동작을 제어할 수 있다.

여기서, 정온 물류 센터의 다수의 관리 모드는 온도(및 습도), 전력 소비량 및 물동량의 실시간 데이터 변화가 적은 경우에 정온 물류 센터에 적용되는 [일반 관리 모드], 온도(및 습도), 전력 소비량 및 물동량의 실시간 데이터 변화가 (임계치보다) 큰 경우에 정온 물류 센터에 적용되는 [작업 관리 모드], 및 실시간 사용 전력량이 한국전력 등과 같은 전력 공급 업체와의 계약 용량에 근접하거나 디지털 트윈을 통해 예측된 전력 소비량이 임계치에 근접하는 경우 정온 물류 센터에 적용되는 [피크 관리 모드]를 포함할 수 있다.

또한, 도 2를 참조하면, 디지털 트윈에서 생성된 에너지 운영 가이드를 통해 정온 물류 센터의 다수의 AC/DC 전원 공급 모드 사이의 전환을 수행할 수 있다. 일 실시예에 따른 다수의 AC/DC 전원 공급 모드는 계통 전원과 ESS(에너지 저장 장치) 또는 UPS 배터리 내 저장된 에너지를 동시에 사용하는 [기본 동작 모드]와, 정온 물류 센터 주위의 날씨 조건이 최상인 경우(예를 들어 일조량, 풍량 등이 사전 설정된 값 이상인 경우)에 신재생 에너지 발전(특히, PV 발전)과 계통 전원을 동시에 사용하는 [최상 조건 모드]와, 에너지 운영 가이드에 기초하여 실시간 사용 전력량이 한국전력 계약 용량(또는 다른 전력공급업체의 계약 용량)에 근접하거나 디지털 트윈을 통해 예측된 전력 소비량이 임계치에 근접하는 경우 계통 전원은 사용하지 않고, ESS(에너지 저장 장치) 또는 UPS 배터리 내 저장된 에너지 및 신재생 에너지 발전을 사용하는 [최대 절전 모드]를 포함할 수 있다.

온도 매핑 알고리즘의 동작 원리

도 2를 참조하면, 전술한 것처럼, 정온 물류 센터(100) 내부 및/또는 외부의 복수의 온도 센서에 의해 시계열적 실시간 온도 데이터가 감지될 수 있다. 그런데, 이 때의 복수의 온도 센서는 각각이 설치된 국부적인 위치에서의 온도를 측정한 것이다. 따라서, 이러한 국부적인 위치에서의 온도 데이터로는 정온 물류 센터(100)의 전체적인 위치에서의 온도 제어가 이루어지지 못할 수 있다. 예를 들어, 온도 센서가 설치되어 있지 않은 위치에 적재된 물류에 변질이 발생할 가능성이 생긴다. 이처럼 정온 물류 센터에 적재되는 물류는 온도 변화에 민감한 성질의 것이 많으므로 정온 물류 센터의 전체적인 위치에서의 온도 제어가 요구된다.

이를 위해, 본 발명의 일 실시예에 따르면, AI 서버(144)는 3D 온도 매핑 알고리즘을 통해 국부적인 위치가 아닌 정온 물류 센터(100)의 전체 위치(또는 대부분의 위치)에 대한 3D 온도 매핑 데이터를 생성함으로써 보다 정교한 온도 제어가 가능하게 하는 동시에 고효율적인 에너지 관리 시스템을 구축할 수 있게 된다.

도 3은 본 발명의 일 실시예에 따른 인공 신경망 기반 3D 온도 매핑 알고리즘의 추론 세션을 개략적으로 나타내는 도면이다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 인공 신경망 모듈을 이용한 3D 온도 매핑 알고리즘(10)에는 정온 물류 센터에 최종 설치되는 제1 위치의 제1 온도 센서들에 의해 검출된 시계열적 온도 데이터(21) 및 물류 데이터(23)가 입력될 수 있다. 여기서, 정온 물류 센터에 최종 설치되는 제1 위치의 제1 온도 센서들은 후술할 인공 신경망 모듈의 사전 학습 과정이나 기타 필요에 의해 임시 설치되는 온도 센서들을 제외하고 정온 물류 센터에 지속적으로 설치되어 있는 온도 센서들을 가리킨다. 또한, 물류 데이터(23)는 정온 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함할 수 있다.

인공 신경망 모듈은 CNN(Convolution Neural Network) 모듈, 트랜스포머 모듈, RNN(Recurrent Neural Network) 모듈, 다중 퍼셉트론 모듈, GAN(Generative Adversarial Network) 모듈 중 적어도 하나가 사용될 수 있으며, 이에 대해 한정하지는 않는다.

정온 물류 센터의 물류량은 정온 물류 센터의 작업 스케줄에 저장되어 있을 수 있거나, 정온 물류 센터의 도킹 영역에서의 물동량 변동 이벤트 관련 데이터로부터 획득될 수 있으며, 이에 대해 한정하지는 않는다. 물류 적재 상태 정보는 정온 물류 센터 내 하나 이상의 공간에 대해 카메라 등의 이미지 촬영 장치에 의해 촬영된 이미지 데이터, 및 정온 물류 센터의 적재 선반 시설에 설치된 센서에 의해 제공되는 데이터 중 적어도 하나일 수 있다.

이러한 물류 데이터, 즉, 정온 물류 센터의 어느 위치에 얼마 만큼의 물류가 적재되어 있는지에 대한 정보는 3D 온도 매핑 데이터를 생성함에 있어서 중요한 요소이다. 왜냐하면, HVAC 공조 시스템으로부터의 냉기 등이 유입되거나 대류하는 경로가 물류 데이터, 즉, 물류의 적재 및 배치 상태에 따라 달라질 수 있기 때문이다.

인공 신경망 모듈을 포함하는 3D 온도 매핑 알고리즘(10)은 제1 위치에서의 시계열적인 온도 데이터(21) 및 물류 데이터(23)를 입력받아 처리함으로써 정온 물류 센터의 전체 위치에 대한 3D 온도 매핑 데이터(40)를 출력할 수 있다. 이러한 3D 온도 매핑 데이터(40)는 실시간으로 출력되거나, 시간 주기마다 출력될 수 있으며, 이에 대해서는 한정하지 않는다.

또한, 3D 온도 매핑 알고리즘(10)의 인공 신경망 모듈에는 제1 위치에서의 시계열적인 온도 데이터(21) 및 물류 데이터(23) 뿐만 아니라, 필요시, HVAC/조명 시스템 관련 데이터도 입력될 수 있다.

도 4는 본 발명의 일 실시예에 따른 인공 신경망 기반 3D 온도 매핑 알고리즘의 사전 학습 세션을 개략적으로 나타내는 도면이다. 전술한 것과 같은 인공 신경망 모듈을 포함하는 3D 온도 매핑 알고리즘(10)의 추론 세션을 구현하기 위해서는, 인공 신경망을 사전 학습하는 과정이 수반될 필요가 있다.

도 4를 참조하면, 3D 온도 매핑 알고리즘(10a)의 인공 신경망 모듈의 사전 학습 세션에 있어서, 인공 신경망 모듈에는 정온 물류 센터에 최종 설치되는 제1 위치의 제1 온도 센서들에 의해 검출된 시계열적 온도 데이터(21), 사전 학습 세션을 위해 정온 물류 센터의 제2 위치에 추가적으로 임시 설치된 제2 온도 센서들에 의해 검출된 시계열적 온도 데이터(22), 정온 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터(23), 정온 물류 센터의 건물 구조 데이터(24) 및 정온 물류 센터의 HVAC/조명 시스템 관련 데이터(25)가 입력될 수 있다.

제1 위치의 제1 온도 센서들에 의해 검출된 시계열적 온도 데이터(21) 및 물류 데이터(23)에 대한 설명은 도 3과 관련하여 전술한 것과 동일하므로 중복 설명은 생략한다.

제2 위치의 제2 온도 센서들은, 사전 학습 세션이 종료된 이후에도 정온 물류 센터에 지속적으로 설치되게 되는 제1 위치의 제1 온도 센서들과는 달리, 사전 학습 과정을 정교하게 수행하기 위해 정온 물류 센터에 추가적으로 임시로 설치된 온도 센서들일 수 있다. 즉, 사전 학습 과정에서 제2 온도 센서들을 추가 설치함으로써, 사전 학습 세션의 정밀도 및 데이터 축적을 보다 용이하게 할 수 있는 효과가 있다. 다만, 불필요한 경우 제2 온도 센서들은 설치되지 않을 수도 있으며, 제2 온도 센서들의 설치 여부, 즉, 제2 위치에서의 시계열적 온도 데이터(22)를 사전 학습 세션에서 이용할지 여부는 선택 가능한 사항에 해당한다. 사전 학습 과정이 종료된 이후에는 제2 온도 센서들을 철거할 수 있다.

정온 물류 센터의 건물 구조 데이터(24)는, 정온 물류 센터마다 그 구조 및 규모, HVAC 시스템, 조명 시스템의 위치 및 구조 등이 모두 상이하므로, 사전 학습 과정에서 특정 정온 물류 센터의 건물 구조 데이터(24)를 인공 신경망 모듈에 학습시킴으로써 해당 정온 물류 센터에 특화된 3D 온도 매핑 데이터를 생성할 수 있게끔 할 수 있다.

HVAC/조명 시스템 관련 데이터(25)는 정온 물류 센터의 HVAC/조명 시스템의 성능, HVAC/조명 시스템이 어떠한 관리 모드에서 운용되고 있는지에 대한 데이터, HVAC/조명 시스템의 동작에 의해 생성되는 열기 또는 냉기 조건에 대한 데이터를 포함할 수 있다. 이러한 HVAC/조명 시스템 관련 데이터(25)는 정온 물류 센터에 실질적으로 온도를 제어하는 역할을 하는 HVAC 시스템의 동작과 관련되므로 3D 온도 매핑 데이터를 생성함에 있어서 중요한 요소가 될 수 있다.

이처럼, 사전 학습 세션에서 3D 온도 매핑 알고리즘(10a)의 인공 신경망 모듈은, 제1 위치에서의 시계열적 온도 데이터(21), 제2 위치에서의 시계열적 온도 데이터(22), 정온 물류 센터의 물류 데이터(23), 정온 물류 센터의 건물 구조 데이터(24) 및 정온 물류 센터의 HVAC/조명 시스템 관련 데이터(25)를 입력 받고, 출력으로서 예측된 온도 매핑 데이터를 출력할 수 있다.

이후, 예측된 온도 매핑 데이터는 실제 측정된 온도 데이터와 비교될 수 있다. 일례로, 온도 매핑 데이터의 특정 위치(제1 위치 및 제2 위치와는 다른 제3 위치일 수 있음)에서의 온도 데이터와, 동일한 특정 위치에서 실제 측정된 온도 데이터가 비교될 수 있다. 그리고, 인공 신경망 모듈은 예측된 온도 매핑 데이터와 실제 측정된 온도 데이터 사이의 오차나 에러가 최소화되는 방향(예를 들어, Binary Cross Entropy 방식)으로 손실 함수가 구성되어 사전 학습될 수 있다. 즉, 인공 신경망 모듈은 두 온도 데이터 사이의 손실 함수를 기초로 인공 신경망 모듈의 각 레이어의 가중치(weight)를 업데이트하는 방식을 채용할 수 있다. 사전 학습 세션이 종료되면, 임시 설치된 제2 온도 센서들은 제거될 수 있다. 다만, 전술한 것과 같은 사전 학습 세션은 예시적인 것일 뿐, 사전 학습의 방식에 대해 한정하지는 않는다.

사전 학습이 완료된 인공 신경망 모듈은 도 3과 관련하여 설명한 추론 세션에서 제1 위치에서의 시계열적 온도 데이터(21) 및 물류 데이터(23)를 입력받아 처리함으로써 온도 매핑 데이터(40)를 출력할 수 있다. 이 때의 온도 매핑 데이터는 3D 온도 매핑 데이터일 수 있으며, 사전 학습 과정에서 정온 물류 센터의 건물 구조 데이터, HVAC/조명 시스템 관련 데이터 등이 모두 고려되게 되므로, 특정 정온 물류 센터에 특화된 온도 매핑 데이터(40)를 출력할 수 있게 되는 효과를 가진다.

도 5는 본 발명의 다른 일 실시예에 따른 강화 학습 기반 3D 온도 매핑 알고리즘을 개략적으로 나타내는 도면이다.

도 5를 참조하면, 강화 학습(Reinforcement Learning)은 기계 학습의 한 영역으로서, 정온 물류 센터의 가상의 환경(Environment) 안에서 에이전트(Agent)인 3D 온도 매핑 알고리즘의 인공 신경망 모듈이 현재의 실시간 온도 데이터(State, S_t)를 인식하여 선택 가능한 행동(Action)(a_t), 즉, 온도 매핑 데이터를 보상(Reward)(R_t)을 최대화할 수 있도록 생성하도록 하는 강화 학습이 이루어질 수 있다.

구체적으로, 에이전트(Agent)인 3D 온도 매핑 알고리즘의 인공 신경망 모듈은 시뮬레이터에 의해 구현한 정온 물류 센터의 가상의 환경(Environment)를 관찰하여 행동(Action)(a_t)을 선택((즉, 온도 매핑 데이터를 생성)하는 주체이며, 정온 물류 센터의 가상의 환경(Environment)에 대해 생성된 온도 매핑 데이터는 정온 물류 센터의 실제 온도 데이터와 비교되고 비교 결과 보상(Reward)(R_t)의 제공 여부 또는 보상의 크기가 결정될 수 있다.

일 예로, 온도 매핑 데이터와 실제 온도 데이터 사이의 차이가 임계값 이내인 경우에는 보상을 제공하고 두 온도 사이의 임계값보다 큰 경우 보상이 제공되지 않을 수 있다. 또는 온도 매핑 데이터와 실제 온도 데이터 사이의 차이를 단계 별로 구분하여 각 단계 별로 상이한 보상을 제공하도록 할 수도 있다. 이처럼 에이전트가 보상이 최대화되는 방향으로 온도 매핑 데이터를 생성하는 과정이 반복되면서 에이전트에 대한 강화 학습이 이루어질 수 있다. 이에 따라, 에이전트인 3D 온도 매핑 알고리즘의 인공 신경망 모듈은 최적화된 온도 매핑 데이터를 생성할 수 있게 된다.

제상 시점 판정 알고리즘의 동작 원리

다시 도 2를 참조하면, AI 서버(144)는 EMS 서버(142)로부터 수신한 실시간 온도 데이터를 전처리한 후, 제상 시점 판정 알고리즘에 전처리된 실시간 온도 데이터를 입력하고 그 출력으로써 제상 시점 판정 데이터가 나오게 될 수 있다.

도 6은 본 발명의 일 실시예에 따른 제상 시점 판정 알고리즘을 개략적으로 나타내는 도면이다.

도 6을 참조하면, 제상 시점 판정 알고리즘(50)은 인공 신경망 모듈을 포함할 수 있으며, 인공 신경망 모듈에 입력되는 실시간 온도 데이터는 열 교환기 또는 열 교환기 주변에 설치된 적어도 두 개의 온도 센서로부터 검출된 시계열적 온도 데이터(27)일 수 있다. 이러한 온도 데이터(27)를 입력받아 처리함으로써 제상 시점 판정 알고리즘(50)에 의해 출력되는 제상 시점 판정 데이터(52)는 제상을 수행할 시점 및 제상에 소요되는 소요 시간에 대한 데이터를 포함할 수 있다.

다른 일 실시예에서, 제상 시점 판정 알고리즘(50)은 열 교환기 또는 그 주변에 설치된 적어도 두 개의 온도 센서로부터 검출된 온도 데이터 뿐만 아니라, 열 교환기 주변을 포함하는 특정 위치를 촬영하는 이미지 센서에 의해 생성된 이미지를 분석한 착상 이미지 분석 데이터(28)에 더 기초하여 제상 시점 판정 데이터(52)를 출력할 수 있다.

이러한 제상 시점 판정 알고리즘(50)의 인공 신경망 모듈은 사전 학습 세션을 거칠 수 있다. 사전 학습 세션에서는 사전 학습용으로 생성된 열교환기 주변에서의 시계열적 온도 데이터 및/또는 사전 학습용 착상 이미지 분석 데이터가 인공 신경망 모듈로 입력되고, 인공 신경망 모듈은 이를 처리하여 제상 시점 예측 데이터를 생성할 수 있다. 그리고, 이렇게 생성된 제상 시점 예측 데이터는 관리자에 의해 실제 판정된 적절한 제상 시점 데이터와 비교될 수 있다. 그리고, 제상 시점 예측 데이터 및 실제 판정된 제상 시점 데이터 사이의 차이(즉, 에러)가 최소화되는 방향으로 인공 신경망 모듈의 가중치(w) 값을 조절하는 방식으로 사전 학습이 이루어질 수 있다.

기존의 정온 물류 센터에 있어서 제상 작업은 관리자의 개인적 경험에 의존하여 수행되는 경우가 일반적이었으나, 본 발명의 일 실시예에 따른 정온 물류 센터의 에너지 관리 시스템의 경우 제상 시점 판정 알고리즘(50)을 도입하여 체계적인 데이터 분석을 통한 제상 시점 판정이 가능하게 되는 효과를 가진다.

디지털 트윈(에너지 운영 가이드)의 동작 원리

다시 도 2를 참조하면, 비제한적인 예시에 따르면, AI 서버(144)는 EMS 서버(142)로부터 수신한 신재생 에너지 데이터 및 전력 데이터를 전처리하고 전처리된 데이터를 디지털 트윈(Digital Twin)에 입력할 수 있다. 이러한 디지털 트윈은 정온 물류 센터에 대한 가상 현실 세계의 쌍둥이를 만들고(즉, 정온 물류 센터를 가상 현실 세계에 동일하게 구현) 현실의 정온 물류 센터에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션함으로써 결과를 미리 예측해보는 기술이다.

일 실시예에 따르면, 디지털 트윈을 통한 시뮬레이션을 이용해, 정온 물류 센터의 전력 소비량 및 신재생 에너지 발전 및 소비량을 예측 가능하고 실시간 부하 사용량을 모니터링할 수 있다. 그리고, 이러한 예측 및 모니터링의 결과를 비교함으로써, 디지털 트윈에서는 에너지 운영 가이드를 생성하여 출력할 수 있다. 에너지 운영 가이드는 정온 물류 센터의 에너지 관리와 관련된 가이드를 제공할 수 있다. 예를 들어, 에너지 운영 가이드를 통해, 정온 물류 센터 내의 에너지 관리 모드나 전원 공급 모드를 전환할지 여부를 결정하고, 관리 모드의 전환에 필요한 온도 관련 데이터의 실시간 데이터 변화의 임계치, 전력 소비량에 대한 제1 트리거 레벨 및 제2 트리거 레벨 등을 설정할 수도 있다.

도 7은 본 발명의 일 실시예에 따른 정온 물류 센터의 AC/DC 전원 공급 모드를 나타내는 도면이다. 도 7을 참조하면, 일 실시예에 따르면, 디지털 트윈에서 생성된 에너지 운영 가이드를 통해 정온 물류 센터의 다수의 AC/DC 전원 공급 모드 사이의 전환을 수행할 수 있다. 이러한 전환은 올인원 PCS(All-in-one Power Conditioning System)에 의해 수행될 수 있으나, 이에 대해 한정하지는 않는다.

일 실시예에 따른 다수의 AC/DC 전원 공급 모드는 계통 전원과 ESS(에너지 저장 장치) 또는 UPS 배터리 내 저장된 에너지를 동시에 사용하는 [기본 모드]와, 정온 물류 센터 주위의 날씨 조건이 최상인 경우(예를 들어 일조량, 풍량 등이 사전 설정된 값 이상인 경우)에 신재생 에너지 발전(특히, PV 발전)과 계통 전원을 동시에 사용하는 [최상조건 모드]와, 에너지 운영 가이드에 기초하여 실시간 사용 전력량이 한국전력 계약 용량(또는 다른 전력공급업체의 계약 용량)에 근접하거나 디지털 트윈을 통해 예측된 전력 소비량이 임계치에 근접하는 경우 계통 전원은 사용하지 않고, ESS(에너지 저장 장치) 또는 UPS 배터리 내 저장된 에너지 및 신재생 에너지 발전을 사용하는 [최대 절전 모드]를 포함할 수 있다.

토탈 에너지 관리 시스템

도 8 및 도 9는 본 발명의 일 실시예에 따른 온도 조건 및 소비 전력 조건에 따른 정온 물류 센터의 에너지 관리 모드 사이의 전환을 나타내는 도면이다.

도 8을 참조하면, 온도 관련 데이터(실시간 온도 데이터 및 온도 매핑 데이터 중 적어도 하나를 포함함)의 변화가 임계치 미만인 경우에 정온 물류 센터에 일반 관리 모드가 적용되다가 온도 관련 데이터의 변화가 임계치 이상이 되면 정온 물류 센터에 작업 관리 모드가 적용되는 것을 알 수 있다.

또한, 일반 관리 모드에서 작업 관리 모드로 전환된 경우 사전 설정된 기간(예를 들어, 5분) 동안 작업 관리 모드가 유지되고 작업 관리 모드에서 해당 기간 동안 임계치 이상의 온도 관련 데이터의 변화가 발생하지 않을시 다시 일반 관리 모드로 전환될 수 있다. 이러한 온도 관련 데이터의 변화는 주기적으로 측정되거나 실시간 미분 방식으로 측정될 수 있으며, 그 측정 방식에 대해 한정하지는 않는다.

한편, 온도 관련 데이터의 변화와 무관하게, 사전 설정된 피크 전력의 비율(예를 들어 80% 피크 전력)에 도달하였을 때 정온 물류 센터는 피크 관리 모드로 전환될 수 있다.

도 9를 참조하면, 정온 물류 센터의 전력 소비량이 사전 설정된 제1 트리거 레벨 이하인 경우 정온 물류 센터에 일반 관리 모드가 적용될 수 있다. 그리고, 전력 소비량이 사전 설정된 제1 트리거 레벨 이상이고 제1 트리거 레벨보다 높은 제2 트리거 레벨 미만이 되면, 정온 물류 센터는 일반 관리 모드에서 작업 관리 모드로 전환될 수 있다. 또한, 일반 관리 모드에서 작업 관리 모드로 전환된 경우 사전 설정된 기간(예를 들어, 5분) 동안 작업 관리 모드가 유지될 수 있으며, 실시간 전력량 크기 데이터에 따라 관리 모드가 전환될 수 있다. 또한, 전력 소비량이 제2 트리거 레벨 이상이 되면(예를 들어 80% 피크 전력), 정온 물류 센터는 피크 관리 모드로 전환될 수 있다.

또한, 물동량 조건과 관련하여, 정온 물류 센터는 평상시에는 일반 관리 모드가 적용되고 있다가 물류가 외부로부터 반입되거나 외부로 반출되는 물동량 변동 이벤트가 감지되는 경우 정온 물류 센터는 작업 관리 모드로 전환될 수 있다.

또한, 정온 물류 센터에 작업 스케줄이 존재하지 않는 경우에는 일반 관리 모드가 정온 물류 센터에 적용되다가, 작업 스케줄에 존재하는 기간에는 작업 관리 모드가 적용될 수 있다.

전술한 내용을 종합해보면, 일반 관리 모드는, 온도의 실시간 데이터 변화가 임계치 미만이고, 전력 소비량이 사전 설정된 제1 트리거 레벨 이하이고, 물동량 변동 이벤트가 감지되지 않고, 작업 스케줄이 존재하지 않는 경우에 정온 물류 센터에 적용될 수 있다.

또한, 작업 관리 모드는, 온도의 실시간 데이터 변화가 임계치 이상이거나, 전력 소비량이 사전 설정된 제1 트리거 레벨 이상이고 제1 트리거 레벨보다 높은 제2 트리거 레벨 이하이거나, 물동량 변동 이벤트가 감지되거나, 작업 스케줄이 존재하는 경우에 정온 물류 센터에 적용될 수 있다.

또한, 피크 관리 모드는, 전력 소비량이 사전 설정된 제2 트리거 레벨을 초과하는 경우 정온 물류 센터에 적용될 수 있다.

즉, 일반 관리 모드 및 작업 관리 모드는 온도/습도, 전력 소비량 및 물동량에 기초하여 모드 전환이 이루어지는 것에 비하여, 피크 관리 모드는 오로지 전력 소비량이 제2 트리거 레벨(예를 들어, 한국전력 계약 용량)에 도달하였는지 여부에 의해 전환이 이루어진다는 점에서, 일반 관리 모드/작업 관리 모드과 피크 관리 모드의 동작 및 전환 조건은 상이하다.

또한, 정온 물류 센터에 적용되는 다수의 관리 모드와 AC/DC 전원 공급 모드를 연관지어 설명하면, 관리 모드가 일반 관리 모드 및 작업 관리 모드인 경우에 있어서는 AC/DC 전원 공급 모드는 기본 모드 또는 최상조건 모드가 선택적으로 사용될 수 있고, 관리 모드가 피크 관리 모드인 경우에 있어서는 AC/DC 전원 공급 모드는 최대 절전 모드가 사용될 수 있다. 다만, 관리 모드와 전원 공급 모드 사이의 관계에 대해 한정하지는 않는다.

본 발명의 일 실시예에 따르면, 정온 물류 센터는 냉난방 공조(HVAC) 시스템, 조명 시스템 및 제상 시스템을 포함한다. 그리고, EMS 서버(142)는 각각의 관리 모드에서 다음의 표 1과 같이 동작할 수 있다.

구분		일반 관리 모드	작업 관리 모드	피크 관리 모드
제어 대상	HVAC	[동작 온도조건] 냉장 범위: 7 ~ 10℃ 냉동 범위: -18 ~ -20℃ 3D 온도 맵핑 연계 HVAC 동작 로직 적용 [동작 습도조건] 40% 이하	[동작 온도조건] 냉장 범위: 5 ~ 7℃ 냉동 범위: -20 ~ -26℃ 3D 온도 맵핑 연계 HVAC 동작 로직 적용 [동작 습도조건] 50% 이상	ESS 전원 공급 또는 전체 HVAC off
	조명	기준조도 75[lx] 제어	기준조도 150[lx] 고정	냉동/냉장 외 시설 조도 75[lx] 고정 (80% 전력 피크 제어)
	제상	제상 시행 여부 판정 알고리즘에 따른 동작	제상 시행 여부 판정 알고리즘에 따른 동작	제상 동작 제어 (시점 지연)

즉, 정온 물류 센터의 일반 관리 모드에서, HVAC 시스템의 냉장 시스템의 설정 온도 범위는 제 1 온도 범위, 예를 들어 7℃ 내지 10℃이고, 냉동 시스템의 설정 온도 범위는 제2 온도 범위, 예를 들어 -20℃ 내지 -18℃이고, 설정 습도 범위는 제1 습도 범위, 예를 들어 40% 이하이고, 조명 시스템의 기준 조도는 제1 조도, 예를 들어, 75 lx이고, 제상 시스템은 AI 서버로부터 수신한 제상 시점 판정 데이터에 의해 동작할 수 있다.

또한, 정온 물류 센터의 작업 관리 모드에서, HVAC 시스템의 냉장 시스템의 설정 온도 범위는 제1 온도 범위보다 낮은 제3 온도 범위, 예를 들어, 5℃ 내지 7℃이고, 냉동 시스템의 설정 온도 범위는 제2 온도 범위보다 낮은 제4 온도 범위, 예를 들어, -26℃ 내지 -20℃이고, 설정 습도 범위는 (제1 습도 범위보다 큰) 제2 습도 범위, 예를 들어, 50% 이상이고, 조명 시스템의 기준 조도는 제1 조도보다 높은 제2 조도, 예를 들어, 150 lx이고, 제상 시스템은 AI 서버로부터 수신한 제상 시점 판정 데이터에 의해 동작할 수 있다.

또한, 정온 물류 센터의 피크 관리 모드에서, HVAC 시스템에 대해 ESS 전원이 공급되거나 전원이 오프되고, 조명 시스템은 정온 물류 센터의 일부 시설에 대해서만 제1 조도, 예를 들어, 75 lx를 유지하고, 제상 시스템은 제상 시점을 지연하도록 동작할 수 있다.

전술한 것처럼, 본 발명에 따른 정온 물류 센터의 에너지 관리 시스템은 수집된 실시간 데이터에 기초하여 유기적으로 정온 물류 센터의 관리 모드를 전환 가능하므로, 정온 물류 센터를 에너지 고효율로 운용할 수 있을 뿐만 아니라, 관리자의 모니터링 관련 업무 부담도 경감시킬 수 있다.

도 8b는 본 발명의 다른 일 실시예에 따른 온도 조건에 따른 정온 물류 센터의 에너지 관리 모드 사이의 전환을 나타내는 도면이다.

전술한 도 8의 실시예에서는 온도 관련 데이터의 변화가 임계치 이상이 되는지 여부에 따라 에너지 관리 모드를 전환하는 것에 비하여, 도 8b의 실시예에서는 온도 조건에 따른 에너지 관리 모드의 전환시의 조건을 보다 세분화하였다는 것에서 차이를 가진다.

구체적으로, 도 8b를 참조하면, 정온 물류 센터의 온도 관련 데이터의 변화에 대한 제1 조건과, 에너지 관리 모드의 설정 온도와 현재 온도 각각의 절대값을 합한 값을 사전 결정된 값과 비교한 제2 조건을 동시에 충족하는 경우에만 에너지 관리 모드가 전환되도록 하며, 그 이외의 경우에는 현재의 에너지 관리 모드를 그대로 유지하게 된다는 것을 알 수 있다. 이하에서는 표 2를 참조하여 도 8b에 따른 실시예에 있어서의 에너지 관리 모드의 전환 조건에 대해 보다 자세히 설명하도록 한다.

구분	일반관리모드	작업관리모드
전환 조건	<일반관리모드 유지 조건> ①△|t| ≤ A ②|설정온도 t일반|+|현재온도| ≥ B <일반관리모드->작업관리모드 전환조건> ①△|t| ≥ A+1 ②|설정온도 t일반|+|현재온도| ≤ B-1	<작업관리모드 유지 조건> ①△|t| ≤ A ②|설정온도 t작업|+|현재온도|≤ C (>B) <작업관리모드->일반관리모드 전환조건> ①△|t| ≥ A+1 ②|설정온도 t작업|+|현재온도| ≥ C+1
비고	전환 조건 두 개 중에서 하나만 충족할 경우, 현재 에너지 관리 모드 유지

먼저, 일반 관리 모드의 유지 조건에 있어서, 제1 조건은 온도 관련 데이터의 변화 △|t| (예를 들어, 직전에 측정한 온도 t_pre와 후속으로 측정한 온도 t_suc의 차이를 △t라고 함)가 제1 사전결정된 값(예를 들어, A = 3) 이하이고, 제2 조건은 일반 관리 모드의 설정 온도(예를 들어, 일반 관리 모드의 설정 온도 t_일반 = -18℃) 및 현재 온도 각각의 절대값을 합한 값이 제2 사전결정된 값(예를 들어, B = 33) 이상인 경우이다.

일반 관리 모드에서 작업 관리 모드로 전환하기 위한 전환 조건의 경우, 제1 조건은 온도 관련 데이터의 변화 △|t|가 제3 사전결정된 값(예를 들어, A+1 = 4) 이상이고, 제2 조건은 일반 관리 모드의 설정 온도(예를 들어, 일반 관리 모드의 설정 온도 t_일반 = -18℃) 및 현재 온도 각각의 절대값을 합한 값이 제4 사전결정된 값(예를 들어, B-1 = 32) 이하인 경우이다. 전환 조건에 있어서 제1 조건 및 제2 조건이 모두 충족되는 경우, 정온 물류 센터의 에너지 관리 모드가 일반 관리 모드에서 작업 관리 모드로 전환될 수 있다.

또한, 작업 관리 모드의 유지 조건에 있어서, 제1 조건은 온도 관련 데이터의 변화 △|t|가 제1 사전결정된 값(예를 들어, A = 3) 이하이고, 제2 조건은 작업 관리 모드의 설정 온도(예를 들어, 작업 관리 모드의 설정 온도 t_작업 = -26℃) 및 현재 온도 각각의 절대값을 합한 값이 제5 사전결정된 값(예를 들어, C = 40) 이하인 경우이다. 이 때, 제5 사전결정된 값은 제2 사전결정된 값보다 클 수 있다.

작업 관리 모드에서 일반 관리 모드로 전환하기 위한 전환 조건의 경우, 제1 조건은 온도 관련 데이터의 변화 △|t|가 제3 사전결정된 값(예를 들어, A+1 = 4) 이상이고, 제2 조건은 작업 관리 모드의 설정 온도(예를 들어, 작업 관리 모드의 설정 온도 t_작업 = -26℃) 및 현재 온도 각각의 절대값을 합한 값이 제6 사전결정된 값(예를 들어, C+1 = 41) 이상인 경우이다. 위 전환 조건에 있어서 제1 조건 및 제2 조건이 모두 충족되는 경우, 정온 물류 센터의 에너지 관리 모드가 작업 관리 모드에서 일반 관리 모드로 전환될 수 있다.

다만, 도 8b에서 설명한 온도 관련 데이터에 기초한 정온 물류 센터의 에너지 관리 모드의 전환은 예시적인 것일 뿐이며, 다양하게 변형된 전환 조건이 적용될 수 있을 것이다.

정온 물류 센터의 에너지 관리 방법

도 10은 본 발명의 일 실시예에 따른 정온 물류 센터의 에너지 고효율화를 위한 인공지능 기반 온도 감지 방법에 대한 흐름도이다.

도 10을 참조하면, 먼저 단계 S10에서 정온 물류 센터 내부 및/또는 외부에 설치된 복수의 온도 센서로부터의 실시간 온도 데이터를 수신할 수 있다.

단계 S20에서, 정온 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터를 수신할 수 있다. 여기서, 물류 적재 상태 정보는 물류의 높이 및 적재 위치에 대한 정보를 포함할 수 있다.

단계 S30에서, 실시간 온도 데이터 및 물류 데이터를 온도 매핑 알고리즘의 제1 인공 신경망 모듈에 입력할 수 있다.

단계 S40에서, 제1 인공 신경망 모듈에 의해 출력된 정온 물류 센터에 대한 온도 매핑 데이터를 수신할 수 있다.

한편, 본 발명의 일 실시예에 따르면, 이러한 온도 매핑 알고리즘의 제1 인공 신경망 모듈의 사전 학습 과정을 거칠 수 있다.

사전 학습 세션은, 먼저, 단계 S50에서, 제1 인공 신경망 모듈에 정온 물류 센터에 최종 설치되는 제1 위치의 제1 온도 센서들에 의해 검출된 시계열적 온도 데이터와, 사전 학습 세션을 위해 정온 물류 센터의 제2 위치에 추가적으로 임시 설치된 제2 온도 센서들에 의해 검출된 시계열적 온도 데이터와, 정온 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터와, 정온 물류 센터의 건물 구조 데이터와, 정온 물류 센터의 HVAC/조명 시스템 관련 데이터를 입력할 수 있다.

단계 S52에서, 제1 인공 신경망 모듈이 입력된 데이터를 처리하여 출력한 예측된 온도 매핑 데이터를 수신할 수 있다.

그리고 단계 S54에서, 예측된 온도 매핑 데이터와 실제 측정된 온도 데이터를 비교할 수 있다.

단계 S56에서, 단계 S54의 비교 결과, 예측된 온도 매핑 데이터 및 실제 측정된 온도 데이터 사이의 에러가 최소화되는 방향으로 손실 함수를 구성할 수 있다.

또한, 본 발명의 다른 일 실시예에 따르면, 온도 매핑 알고리즘의 제1 인공 신경망 모듈은 에이전트(Agent)로 동작하여 강화 학습을 수행할 수 있다. 이 경우, 강화 학습은, 먼저, 단계 S60에서, 정온 물류 센터를 시뮬레이션하여 구현한 가상의 환경(Environment)를 구축할 수 있다. 이러한 가상의 환경의 구축은 디지털 트윈 등을 통해 구현될 수 있으며, 구체적인 구축 방법에 대하여 한정하지는 않는다.

단계 S62에서는, 가상의 환경에 대한 상태(State) 정보로서 가상의 환경의 실시간 온도 데이터를 인식할 수 있다.

단계 S64에서는, 인식된 실시간 온도 데이터에 기초하여 제1 인공 신경망 모듈이 온도 매핑 데이터를 생성할 수 있다.

단계 S66에서는, 온도 매핑 데이터를 실제 온도 데이터와 비교하고, 비교의 결과에 따라 보상을 결정할 수 있다.

그리고, 제1 인공 신경망 모듈은 보상을 최대화하는 방향으로 실시간 온도 데이터를 인식하는 단계 S62 내지 보상을 결정하는 단계 S66을 반복할 수 있으며, 이러한 반복 과정에 의해 강화 학습이 이루어질 수 있다.

컴퓨터 판독 가능한 기록매체

본 발명의 실시예들에 따른 각 단계들이나 동작들은, 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램의 실행에 따라 하나 이상의 프로세서를 포함하는 컴퓨터에 의해 수행될 수 있음은 자명하다.

전술한 기록매체에 저장된 각 명령어(instruction)는, 해당하는 각 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 통해 구현 가능하되, 이러한 컴퓨터 프로그램은 컴퓨터 판독 가능한 기록매체에 저장될 수 있고, 프로세서에 의해 실행 가능하다. 컴퓨터 판독 가능한 기록매체는 비일시적 판독 가능 매체(non-transitory readable medium)일 수 있다. 이 때, 비일시적 판독 가능 매체란 레지스터, 캐시, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 소거가능 프로그래머블 판독 전용 메모리(EPROM), 전기적 소거가능 프로그래머블 판독 전용 메모리(EEPROM), 및 플래시 메모리 디바이스와 같은 반도체 메모리 디바이스, 내부 하드 디스크 및 이동식 디스크와 같은 자기 디스크, 광학-자기 디스크, 및 CD-ROM 및 DVD-ROM 디스크를 포함하는 비휘발성 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

본 문서에 개시된 다양한 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.

본 명세서 내에 기술된 특징들 및 장점들은 모두를 포함하지 않으며, 특히 많은 추가적인 특징들 및 장점들이 도면들, 명세서, 및 청구항들을 고려하여 당업자에게 명백해질 것이다. 더욱이, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수도 있다는 것을 주의해야 한다.

본 발명의 실시예들의 상기한 설명은 예시의 목적으로 제시되었다. 이는 개시된 정확한 형태로 본 발명을 제한하거나, 빠뜨리는 것 없이 만들려고 의도한 것이 아니다. 당업자는 상기한 개시에 비추어 많은 수정 및 변형이 가능하다는 것을 이해할 수 있다.

그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않고, 이를 기반으로 하는 출원의 임의의 청구항들에 의해 한정된다. 따라서, 본 발명의 실시예들의 개시는 예시적인 것이며, 이하의 청구항에 기재된 본 발명의 범위를 제한하는 것은 아니다.

100: 정온 물류 센터
110: 냉장 보관 영역
120: 냉동 보관 영역
130: 임시 보관 영역
132: 도킹 영역
140: 관제실
142: 에너지 관리 시스템(EMS) 서버
144: 인공지능(AI) 서버
145: 서버간 인터페이스
147: 실시간 데이터
148: 데이터베이스

Claims (5)

1. 물류 센터의 에너지 고효율화를 위한 인공지능 기반 온도 감지 방법으로서,
   상기 물류 센터에 설치된 복수의 온도 센서로부터의 실시간 온도 데이터를 수신하는 단계와,
   상기 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터를 수신하는 단계 - 상기 물류 적재 상태 정보는 물류의 높이 및 적재 위치에 대한 정보를 포함함 - 와,
   상기 실시간 온도 데이터 및 상기 물류 데이터를 온도 매핑 알고리즘의 제1 인공 신경망 모듈에 입력하는 단계와,
   상기 제1 인공 신경망 모듈에 의해 출력된 상기 물류 센터에 대한 온도 매핑 데이터를 수신하는 단계
   를 포함하는 물류 센터의 온도 감지 방법.
   
2. 제 1 항에 있어서,
   상기 온도 매핑 알고리즘의 상기 제1 인공 신경망 모듈의 사전 학습 세션은,
   상기 제1 인공 신경망 모듈에 상기 물류 센터에 최종 설치되는 제1 위치의 제1 온도 센서들에 의해 검출된 시계열적 온도 데이터와, 사전 학습 세션을 위해 상기 물류 센터의 제2 위치에 추가적으로 임시 설치된 제2 온도 센서들에 의해 검출된 시계열적 온도 데이터와, 상기 물류 센터의 물류량 및 물류 적재 상태 정보 중 적어도 하나를 포함하는 물류 데이터와, 상기 물류 센터의 건물 구조 데이터와, 상기 물류 센터의 HVAC/조명 시스템 관련 데이터를 입력하는 단계;
   상기 제1 인공 신경망 모듈이 입력된 데이터를 처리하여 출력한 예측된 온도 매핑 데이터를 수신하는 단계;
   상기 수신된 예측된 온도 매핑 데이터와 실제 측정된 온도 데이터를 비교하는 단계; 및
   상기 비교 결과, 상기 예측된 온도 매핑 데이터 및 상기 실제 측정된 온도 데이터 사이의 에러가 최소화되는 방향으로 손실 함수를 구성하는 단계
   를 포함하는 물류 센터의 온도 감지 방법.
   
3. 제 1 항에 있어서,
   상기 온도 매핑 알고리즘의 상기 제1 인공 신경망 모듈은 에이전트(Agent)로 동작하여 강화 학습을 수행하되, 상기 강화 학습은,
   상기 물류 센터를 시뮬레이션하여 구현한 가상의 환경(Environment)를 구축하는 단계;
   상기 가상의 환경에 대한 상태(State) 정보로서 상기 가상의 환경의 실시간 온도 데이터를 인식하는 단계;
   상기 인식된 실시간 온도 데이터에 기초하여 상기 제1 인공 신경망 모듈이 온도 매핑 데이터를 생성하는 단계;
   상기 온도 매핑 데이터를 실제 온도 데이터와 비교하는 단계;
   상기 비교의 결과에 따라 보상을 결정하는 단계; 및
   상기 제1 인공 신경망 모듈은 상기 보상을 최대화하는 방향으로 상기 실시간 온도 데이터를 인식하는 단계 내지 상기 보상을 결정하는 단계를 반복하는 단계
   를 포함하는 물류 센터의 온도 감지 방법.
   
4. 제 1 항에 있어서,
   상기 복수의 온도 센서는 열교환기 또는 상기 열교환기 주변에 설치된 적어도 두 개의 온도 센서를 포함하고, 상기 적어도 두 개의 온도 센서로부터의 열교환기 주변에서의 시계열적 온도 데이터를 제상 시점 판정 알고리즘에 입력하는 단계와,
   상기 제상 시점 판정 알고리즘에 의해 출력된 착상 시점 및 소요 시간을 수신하는 단계
   를 포함하는 물류 센터의 온도 감지 방법.
   
5. 제 1 항에 있어서,
   상기 방법은,
   상기 온도 매핑 데이터에 있어서 온도의 실시간 데이터 변화가 임계치 이상인 경우 상기 물류 센터의 에너지 관리 모드를 다른 관리 모드로 전환하는 단계를 더 포함하는
   물류 센터의 온도 감지 방법.
   

Images