KR20240062187A - 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 - Google Patents
인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 Download PDFInfo
- Publication number
- KR20240062187A KR20240062187A KR1020220140953A KR20220140953A KR20240062187A KR 20240062187 A KR20240062187 A KR 20240062187A KR 1020220140953 A KR1020220140953 A KR 1020220140953A KR 20220140953 A KR20220140953 A KR 20220140953A KR 20240062187 A KR20240062187 A KR 20240062187A
- Authority
- KR
- South Korea
- Prior art keywords
- equipment
- consumer
- energy efficiency
- artificial intelligence
- time
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 149
- 238000005259 measurement Methods 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 41
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
- F04B49/065—Control using electricity and making use of computers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Hardware Design (AREA)
Abstract
인공지능을 기반으로 수요자 설비의 사용패턴을 분석하여 에너지 효율화 서비스를 제공하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법이 개시된다. 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템은 수요자와 관련된 적어도 하나의 수요자 단말기로부터 상기 수요자가 사용 중인 수요자 설비에 대한 제1 실측 에너지 데이터를 수신하도록 구성되는 수요자 설비정보 수신부; 및 상기 수요자 설비에 관한 상기 제1 실측 에너지 데이터를 기초로, 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성되는 수요자 설비 가동정보 분석부를 포함한다. 상기 수요자 설비 가동정보 분석부는 제1 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 기초로 상기 수요자 설비의 유형을 분석하고, 분석된 상기 수요자 설비의 유형에 대응되는 제2 인공지능 모델을 결정하고; 상기 제2 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 분석하여 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성된다.
Description
본 발명은 에너지 효율화 서비스 시스템 및 방법에 관한 것으로, 보다 상세하게는 인공지능을 기반으로 수요자 설비의 사용패턴을 분석하여 에너지 효율화 서비스를 제공하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법에 관한 것이다.
현재 탄소 중립 정책으로 에너지 생산 중심에서 에너지 사용 효율 개선으로 사회적 분위기가 전환되는 추세에 있다. 이에 따라 공장의 에너지 사용을 모니터링하고 효율적으로 관리하기 위하여 공장 에너지 관리 시스템(FEMS; Factory Energy Management System)이 도입되어 운용되는 사례가 증가하고 있으며, 최근에 전력난이 거듭되면서 FEMS의 수요는 점차 증가하고 있다.
그러나, 종래의 에너지 효율화 시장은 데이터 수집, 진단, 컨설팅, 효율화 과정이 개별적인 프로세스와 사업으로 진행되며, 전력 계측기, 네트워크 구축 등 에너지 효율화를 위한 하드웨어/소프트웨어 구축 비용이 크고, 효율화 설비 설치 및 컨설팅 비용으로 인해 FEMS의 설치 및 운용에 수억원 수준의 과다한 비용이 소요되고 있다.
특히 산업용 에너지 소비량에서 컴프레서(공기압축기)의 에너지 소비 비중이 높아짐에 따라 압축기 시장에서도 에너지 사용 효율 개선에 대한 관심이 높아지고 있다. 컴프레서는 인버터 방식에 따라 대표적으로 FSD(Fixed Speed Drive) 컴프레서와, VSD(Variable Speed Drive) 컴프레서로 구분될 수 있다. VSD는 FSD 대비 소비 전력량을 감소할 수 있는 이점이 있어 VSD 컴프레서의 수요와 매출이 지속적으로 증가하는 추세이다.
그럼에도 불구하고, 기존 FSD 컴프레서를 사용하고 있는 수요자는 이를 VSD 컴프레서로 교체하는데 발생하는 추가 비용으로 인해, VSD 컴프레서로 교체하는데 부담을 느끼는 경우가 많다. 이는 에너지 효율화 ROI(Return On Investment)의 정량적인 도출 미비로 인해 에너지 효율화에 대한 신뢰도가 낮기 때문이다. 이에 에너지 효율화 측정을 위한 진단, 모니터링 및 에너지 절감을 위한 AI(Artificial Inteligence) 시스템의 구축 필요성 및 수요가 커지고 있다.
본 발명은 인공지능을 기반으로 수요자 설비의 사용패턴을 분석하여 에너지 효율화 서비스를 제공하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법을 제공하기 위한 것이다.
또한, 본 발명은 수요자의 실측 에너지 데이터를 기초로 인공지능에 의해 설비 가동율 및 가동패턴을 정량적으로 분석할 수 있는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법을 제공하기 위한 것이다.
또한, 본 발명은 인공지능에 의해 분석된 설비 가동율 및 가동패턴을 기초로 설비 수요자와 설비 공급자 상호 간을 매칭할 수 있는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법을 제공하기 위한 것이다.
또한, 본 발명은 인공지능에 의해 분석된 정보를 기초로 설비 관련 정보의 공유와 설비 구입 과정을 편리하게 수행하도록 중개하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법을 제공하기 위한 것이다.
본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템은 수요자와 관련된 적어도 하나의 수요자 단말기로부터 상기 수요자가 사용 중인 수요자 설비에 대한 제1 실측 에너지 데이터를 수신하도록 구성되는 수요자 설비정보 수신부; 및 상기 수요자 설비에 관한 상기 제1 실측 에너지 데이터를 기초로, 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성되는 수요자 설비 가동정보 분석부를 포함한다.
상기 수요자 설비 가동정보 분석부는 제1 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 기초로 상기 수요자 설비의 유형을 분석하고, 분석된 상기 수요자 설비의 유형에 대응되는 제2 인공지능 모델을 결정하고; 그리고 상기 제2 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 분석하여 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성된다.
상기 제1 인공지능 모델은 GMM(Gaussian mixture model) 기반의 인공지능 모델일 수 있다. 상기 제1 인공지능 모델은 상기 제1 실측 에너지 데이터의 대표 파형을 추출하고; 그리고 상기 GMM 기반의 인공지능 모델에 의해 상기 대표 파형을 설정된 다수의 기준 파형과 비교하여 상기 대표 파형에 대해 클러스터링을 수행함으로써 상기 수요자 설비의 제어 스킴을 분류하도록 구성될 수 있다.
상기 제1 인공지능 모델은 상기 GMM 기반의 인공지능 모델에 의해 동적 시간 와핑(Dynamic Time Warping)을 기반으로 상기 대표 파형과 상기 기준 파형 간의 거리 분포를 분석하여 파형들 사이의 유사성을 판단함으로써 상기 수요자 설비의 제어 스킴을 분류하도록 구성될 수 있다.
상기 수요자 설비는 컴프레서를 포함할 수 있다. 상기 수요자 설비 가동정보 분석부는 상기 제2 인공지능 모델에 의해 상기 컴프레서의 단위 시간당 가동율 및 가동 패턴을 기초로 전력 사용량을 계측하도록 구성될 수 있다.
본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템은 다수의 공급자에 의해 제공되는 다수의 상이한 공급자 설비와 관련된 다수의 공급자 설비 정보를 다수의 공급자 단말기로부터 수신하도록 구성되는 공급자 설비정보 수신부; 상기 수요자 설비의 상기 가동율 및 상기 가동 패턴을 기초로, 상기 수요자 설비의 에너지 효율화와 관련된 공급자 설비를 분석하도록 구성되는 에너지 효율화 분석부; 상기 수요자 설비의 에너지 효율화와 관련된 하나 이상의 제1 공급자 설비의 설비 정보와, 분석된 에너지 효율화 정보를 상기 수요자 단말기로 송신하도록 구성되는 공급자 설비정보 전송부; 및 상기 수요자 단말기에 의해 상기 하나 이상의 제1 공급자 설비 중 제2 공급자 설비가 선택되면, 상기 제2 공급자 설비의 공급을 상기 공급자 단말기로 요청하도록 구성되는 공급자 설비공급 요청부를 더 포함할 수 있다.
상기 에너지 효율화 분석부는 상기 제1 실측 에너지 데이터의 시간에 따른 에너지 실측값을 기초로 상기 수요자 설비의 가동시간과 비가동시간 및 가동종료시간을 판단하여 상기 가동패턴을 분석하고, 단위 시간당 가동시간의 비율에 따라 상기 가동율을 산출하도록 구성될 수 있다.
상기 에너지 효율화 분석부는 상기 제1 실측 에너지 데이터 중 상기 가동시간에서 발생되는 제1 가동시간 에너지 실측값과 상기 공급자 설비의 가동시간에 발생되는 제2 가동시간 에너지 예측값 간의 차분값에 상기 가동율을 가중한 값을 기초로 가동시간 에너지 효율화 정보를 예측하고; 상기 제1 실측 에너지 데이터 중 상기 비가동시간에서 발생되는 제1 비가동시간 에너지 실측값과 상기 공급자 설비의 비가동시간에 발생되는 제2 비가동시간 에너지 예측값 간의 차분값에 상기 단위 시간당 상기 비가동시간의 비율을 가중한 값을 기초로 비가동시간 에너지 효율화 정보를 예측하고; 그리고 상기 가동시간 에너지 효율화 정보 및 상기 비가동시간 에너지 효율화 정보를 기초로 상기 수요자 설비의 에너지 효율화 정보를 생성하도록 구성될 수 있다.
상기 수요자 설비정보 수신부는 상기 수요자 설비가 상기 제2 공급자 설비로 교체된 후, 상기 제2 공급자 설비와 관련된 제2 실측 에너지 데이터를 상기 수요자 단말기로부터 수신할 수 있다. 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템은 상기 제1 실측 에너지 데이터와 상기 제2 실측 에너지 데이터를 비교하여 에너지 효율화 실측값을 산출하고, 상기 에너지 효율화 실측값을 기초로 에너지 효율화 서비스에 따른 비용을 산출하도록 구성되는 정산부를 더 포함할 수 있다.
본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법은 수요자 설비정보 수신부에 의해, 수요자와 관련된 적어도 하나의 수요자 단말기로부터 상기 수요자가 사용 중인 수요자 설비에 대한 제1 실측 에너지 데이터를 수신하는 단계; 및 수요자 설비 가동정보 분석부에 의해, 상기 수요자 설비에 관한 상기 제1 실측 에너지 데이터를 기초로, 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하는 단계를 포함한다.
상기 분석하는 단계는 제1 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 기초로 상기 수요자 설비의 유형을 분석하고, 분석된 상기 수요자 설비의 유형에 대응되는 제2 인공지능 모델을 결정하는 단계; 및 상기 제2 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 분석하여 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하는 단계를 포함한다.
상기 제2 인공지능 모델을 결정하는 단계는 상기 제1 실측 에너지 데이터의 대표 파형을 추출하는 단계; 및 상기 GMM 기반의 인공지능 모델에 의해 상기 대표 파형을 설정된 다수의 기준 파형과 비교하여 상기 대표 파형에 대해 클러스터링을 수행함으로써 상기 수요자 설비의 제어 스킴을 분류하는 단계를 포함할 수 있다.
상기 분류하는 단계는 GMM 기반의 상기 제1 인공지능 모델에 의해 동적 시간 와핑(Dynamic Time Warping)을 기반으로 상기 대표 파형과 상기 기준 파형 간의 거리 분포를 분석하여 파형들 사이의 유사성을 판단함으로써 상기 수요자 설비의 제어 스킴을 분류하는 단계를 포함할 수 있다.
상기 분류하는 단계는 상기 제1 실측 에너지 데이터를 정규화하고, 상기 수요자 설비와 관련하여 설정된 설정 값을 기준으로 상기 제1 실측 에너지 데이터에서 이상치를 제거하는 단계; 상기 제1 실측 에너지 데이터에 설정된 시간 구간을 가지는 시간 윈도우를 적용하고, 대표 파형을 추출하기 위한 시간 구간을 탐색하기 위해 시간 윈도우를 시간축을 따라 슬라이딩시키면서 상기 시간 윈도우 내의 시간 구간에서 파형 피크 개수를 산출하는 단계; 상기 시간 윈도우 내에 해당하는 상기 파형 피크 개수를 기 설정된 피크 개수 범위와 비교하고, 상기 제1 실측 에너지 데이터 중 설정된 파형 피크 개수를 만족하는 시간 윈도우에 해당하는 시간 구간의 데이터를 추출하여 제1 대표 파형을 추출하는 단계; 상기 제1 대표 파형에서 전류 고조파 왜곡률이 기 설정된 전류 고조파 왜곡률 기준 범위에서 벗어나거나, 전압 고조파 왜곡율이 기 설정된 전압 고조파 왜곡률 기준 범위에서 벗어나는 잡음 데이터를 제거하여 제2 대표 파형을 생성하는 단계; 및 상기 제2 대표 파형과, 다양한 설비에 대해 수집된 실측 에너지 데이터로부터 추출되는 기본 파형인 기준 파형들 간의 거리 분포를 분석하여 상기 제2 대표 파형과 상기 기준 파형들 간의 유사성을 판단함으로써 상기 수요자 설비의 제어 스킴을 분류하는 단계를 포함할 수 있다.
상기 제어 스킴은 흡입 공기량 조절 방식, 로딩-언로딩 조절 방식, 자동 듀얼 제어 방식, 내부 공간 가변 제어 방식, 가변 속도 제어 방식, 및 블로우-오프 제어 방식을 포함하는 다양한 제어 스킴 중의 적어도 둘 이상을 포함할 수 있다.
상기 분석하는 단계는 상기 제2 인공지능 모델에 의해 상기 컴프레서의 단위 시간당 가동율 및 가동 패턴을 기초로 전력 사용량을 계측하는 단계를 포함할 수 있다.
본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법은 공급자 설비정보 수신부에 의해, 다수의 공급자에 의해 제공되는 다수의 상이한 공급자 설비와 관련된 다수의 공급자 설비 정보를 다수의 공급자 단말기로부터 수신하는 단계; 에너지 효율화 분석부에 의해, 상기 수요자 설비의 상기 가동율 및 상기 가동 패턴을 기초로, 상기 수요자 설비의 에너지 효율화와 관련된 공급자 설비를 분석하는 단계; 공급자 설비정보 전송부에 의해, 상기 수요자 설비의 에너지 효율화와 관련된 하나 이상의 제1 공급자 설비의 설비 정보와, 분석된 에너지 효율화 정보를 상기 수요자 단말기로 송신하는 단계; 및 공급자 설비공급 요청부에 의해, 상기 수요자 단말기에 의해 상기 하나 이상의 제1 공급자 설비 중 제2 공급자 설비가 선택되면, 상기 제2 공급자 설비의 공급을 상기 공급자 단말기로 요청하는 단계를 더 포함할 수 있다.
상기 분석하는 단계는 상기 수요자 설비 가동정보 분석부에 의해, 상기 제1 실측 에너지 데이터의 시간에 따른 에너지 실측값을 기초로 상기 수요자 설비의 가동시간과 비가동시간 및 가동종료시간을 판단하여 상기 가동패턴을 분석하고, 단위 시간당 가동시간의 비율에 따라 상기 가동율을 산출하는 단계를 포함할 수 있다.
본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법은 상기 에너지 효율화 분석부에 의해, 상기 제1 실측 에너지 데이터 중 상기 가동시간에서 발생되는 제1 가동시간 에너지 실측값과 상기 공급자 설비의 가동시간에 발생되는 제2 가동시간 에너지 예측값 간의 차분값에 상기 가동율을 가중한 값을 기초로 가동시간 에너지 효율화 정보를 예측하는 단계; 상기 에너지 효율화 분석부에 의해, 상기 제1 실측 에너지 데이터 중 상기 비가동시간에서 발생되는 제1 비가동시간 에너지 실측값과 상기 공급자 설비의 비가동시간에 발생되는 제2 비가동시간 에너지 예측값 간의 차분값에 상기 단위 시간당 상기 비가동시간의 비율을 가중한 값을 기초로 비가동시간 에너지 효율화 정보를 예측하는 단계; 및 상기 에너지 효율화 분석부에 의해, 상기 가동시간 에너지 효율화 정보 및 상기 비가동시간 에너지 효율화 정보를 기초로 상기 수요자 설비의 에너지 효율화 정보를 생성하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법은 상기 수요자 설비정보 수신부에 의해, 상기 수요자 설비가 상기 제2 공급자 설비로 교체된 후, 상기 제2 공급자 설비와 관련된 제2 실측 에너지 데이터를 상기 수요자 단말기로부터 수신하는 단계; 및 정산부에 의해, 상기 제1 실측 에너지 데이터와 상기 제2 실측 에너지 데이터를 비교하여 에너지 효율화 실측값을 산출하고, 상기 에너지 효율화 실측값을 기초로 에너지 효율화 서비스에 따른 비용을 산출하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 의하면, 인공지능을 기반으로 수요자 설비의 사용패턴을 분석하여 에너지 효율화 서비스를 제공하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법이 제공된다.
또한, 본 발명의 실시예에 의하면, 수요자의 실측 에너지 데이터를 기초로 인공지능에 의해 설비 가동율 및 가동패턴을 정량적으로 분석하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법이 제공된다.
또한, 본 발명의 실시예에 의하면, 인공지능에 의해 분석된 설비 가동율 및 가동패턴을 기초로 설비 수요자와 설비 공급자 상호 간을 매칭하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법이 제공된다.
또한, 본 발명의 실시예에 의하면, 인공지능에 의해 분석된 정보를 기초로 설비 관련 정보의 공유와 설비 구입 과정을 편리하게 수행하도록 하는 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법이 제공된다.
도 1a는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템의 구성도이다.
도 1b는 본 발명의 실시예에 따라 제1 실측 에너지 데이터로부터 추출되는 대표 파형의 예시도들이다.
도 1c는 본 발명의 실시예에 따라 추출된 대표 파형들의 클러스터링 결과를 나타낸 도면이다.
도 1d는 파형 간의 유사도를 산출하는 방식을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템을 구성하는 에너지 관리 서버의 구성도이다.
도 3은 본 발명의 실시예에 따른 에너지 관리 시스템을 구성하는 수요자 설비 가동정보 분석부 및 에너지 효율화 분석부의 구성도이다.
도 4는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법을 나타낸 순서도이다.
도 5는 본 발명의 실시예에 따른 에너지 관리 시스템을 구성하는 수요자 설비 가동정보 분석부의 가동 패턴 분석 과정을 설명하기 위한 수요자 설비의 제1 실측 에너지 데이터 예시도이다.
도 6은 본 발명의 실시예에 따른 에너지 관리 방법의 정산 과정을 설명하기 위한 순서도이다.
도 7은 본 발명의 실시예에 따른 에너지 관리 방법의 정산 과정을 설명하기 위한 도면으로, 공급자 설비로 교체된 후의 수요자 설비의 제2 실측 에너지 데이터 예시도이다.
도 8은 본 발명의 실시예에 따른 측정 데이터 전송 방식을 설명하기 위한 예시도이다.
도 1b는 본 발명의 실시예에 따라 제1 실측 에너지 데이터로부터 추출되는 대표 파형의 예시도들이다.
도 1c는 본 발명의 실시예에 따라 추출된 대표 파형들의 클러스터링 결과를 나타낸 도면이다.
도 1d는 파형 간의 유사도를 산출하는 방식을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템을 구성하는 에너지 관리 서버의 구성도이다.
도 3은 본 발명의 실시예에 따른 에너지 관리 시스템을 구성하는 수요자 설비 가동정보 분석부 및 에너지 효율화 분석부의 구성도이다.
도 4는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법을 나타낸 순서도이다.
도 5는 본 발명의 실시예에 따른 에너지 관리 시스템을 구성하는 수요자 설비 가동정보 분석부의 가동 패턴 분석 과정을 설명하기 위한 수요자 설비의 제1 실측 에너지 데이터 예시도이다.
도 6은 본 발명의 실시예에 따른 에너지 관리 방법의 정산 과정을 설명하기 위한 순서도이다.
도 7은 본 발명의 실시예에 따른 에너지 관리 방법의 정산 과정을 설명하기 위한 도면으로, 공급자 설비로 교체된 후의 수요자 설비의 제2 실측 에너지 데이터 예시도이다.
도 8은 본 발명의 실시예에 따른 측정 데이터 전송 방식을 설명하기 위한 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 본 명세서에서 사용되는 '~모듈', '~부', '~ 모델'은 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 하나 이상의 프로세서와 같은 하드웨어 구성요소를 의미할 수 있다. 본 발명의 실시예를 설명함에 있어서, 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법은 수요자와 관련된 적어도 하나의 수요자 단말기로부터 수요자가 사용 중인 수요자 설비에 대한 제1 실측 에너지 데이터를 수신하고, 수요자 설비의 에너지 효율화를 위하여 수요자 설비에 관한 제1 실측 에너지 데이터를 기초로 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석한다. 본 발명에서 수요자 설비의 가동율 및 가동 패턴은 제1 인공지능 모델에 의해 제1 실측 에너지 데이터를 기초로 수요자 설비의 유형을 분석하여 수요자 설비의 유형에 대응되는 제2 인공지능 모델을 결정하는 과정과, 분석된 수요자 설비의 유형에 따라 결정되는 제2 인공지능 모델에 의해 제1 실측 에너지 데이터를 분석하여 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석할 수 있다. 본 발명의 실시예에 의하면, 수요자 설비의 유형에 따라 상이한 인공지능 모델을 결정하여 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석함으로써, 수요자 설비의 유형에 맞게 에너지 효율화를 위한 서비스를 제공할 수 있다.
도 1a는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템의 구성도이다. 도 1a를 참조하면, 본 발명의 실시예에 따른 에너지 효율화 서비스 시스템(10)은 적어도 하나의 수요자 단말기(100)와, 에너지 관리 서버(300)를 포함할 수 있다.
수요자 단말기(110, 120, 130)는 예를 들어, 공장이나 빌딩 등의 수요자의 단말기로서, 에너지 관리 서버(300)에 설비의 에너지 효율화, 에너지 모니터링, 공급자 정보 검색 및/또는 공급자 매칭 등의 다양한 에너지 관련 서비스를 요청하도록 구성될 수 있다.
에너지 효율화 서비스 시스템(10)이 공급자 정보 검색이나 수요자-공급자 매칭과 같은 서비스를 제공하도록 마련되는 경우, 에너지 효율화 서비스 시스템(10)은 적어도 하나의 공급자 단말기(200)를 더 포함할 수 있다. 공급자 단말기(210, 220, 230)는 예를 들어, 공장이나 빌딩 등의 수요자가 사용하는 각종 설비를 공급하는 공급자의 단말기로서, 에너지 관리 서버(300)에 공급자가 제공하는 설비 관련 정보를 제공하고, 수요자 정보 검색, 수요자 매칭 등의 에너지 관련 서비스를 요청하도록 구성될 수 있다.
에너지 관리 서버(300)는 수요자가 사용하는 설비의 에너지 효율화를 위해 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하고, 부가적으로 수요자와 공급자를 매칭하거나, 수요자가 공급자 설비 정보를 검색하도록 하거나, 공급자가 수요자 설비 정보를 검색하도록 하는 등의 다양한 에너지 효율화 서비스를 제공할 수 있다.
이를 위해, 에너지 관리 서버(300)는 수요자와 관련된 수요자 단말기(100)로부터 수요자가 공장, 빌딩 등에 사용 중인 수요자 설비(140)에 대한 제1 실측 에너지 데이터를 수신할 수 있다. 에너지 관리 서버(300)는 제1 인공지능 모델과 제2 인공지능 모델에 의해, 원격 수집을 통해 획득한 제1 실측 에너지 데이터를 기초로 해당 수요자 설비(140)의 유형을 자동으로 분석하여 단위 시간당 가동율 및 가동 패턴을 분석할 수 있다.
이와 같이 본 발명의 실시예에 따른 에너지 관리 서버(300)는 제1 인공지능 모델과 제2 인공지능 모델을 이용하여 수요자 설비(140)에 대한 단위 시간당 가동율 및 가동 패턴을 분석함에 따라, 수요자 설비(140)와 관련된 수요자 설비 정보를 별도로 제공받지 않더라도 해당 수요자 설비(140)에 대해 단위 시간당 가동율 및 가동 패턴을 정확하게 분석하여 최적의 에너지 효율화 방안을 제공할 수 있다.
에너지 관리 서버(300)는 제1 인공지능 모델에 의해 제1 실측 에너지 데이터를 기초로 수요자 설비(140)의 유형을 분석하고, 수요자 설비(140)에 대한 정확한 단위 시간당 가동율 및 가동 패턴의 도출을 위해, 분석된 수요자 설비(140)의 유형에 대응되는 제2 인공지능 모델을 결정할 수 있다.
제2 인공지능 모델은 수요자 설비(140)와 관련된 제1 실측 에너지 데이터로부터 수요자 설비(140)의 단위 시간당 가동율 및 가동 패턴을 분석하기 위한 인공지능 모델로서, 제1 실측 에너지 데이터에 대한 데이터 처리/분석 알고리즘과, 데이터 처리/분석을 위한 각종 파라미터를 포함할 수 있다. 에너지 관리 서버(300)는 제2 인공지능 모델에 의해 제1 실측 에너지 데이터를 분석하여 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석할 수 있다.
본 발명의 실시예에서, 제1 인공지능 모델은 GMM(Gaussian mixture model) 기반의 인공지능 모델일 수 있다. 일 실시예에서, 제1 인공지능 모델은 제1 실측 에너지 데이터의 대표 파형을 추출하고, GMM 기반의 인공지능 모델에 의해 대표 파형을 설정된 다수의 기준 파형과 비교하여 대표 파형에 대해 클러스터링을 수행함으로써 수요자 설비(140)의 제어 스킴(control scheme)을 분류할 수 있다.
실시예에서, 제1 인공지능 모델은 먼저 제1 실측 에너지 데이터를 예를 들어 0 내지 1 등의 설정된 정규화 범위를 가지도록 정규화하고, 컴프레서 용량 등의 수요자 설비 관련 설정 기준을 기준으로 제1 실측 에너지 데이터에서 이상치를 제거할 수 있다.
또한, 제1 인공지능 모델은 제1 실측 에너지 데이터에 설정된 시간 구간을 가지는 시간 윈도우를 적용하고, 대표 파형을 추출하기 위한 시간 구간을 탐색하기 위해 시간 윈도우를 시간축을 따라 슬라이딩시키면서 해당 시간 윈도우 내의 시간 구간에서 파형 피크의 개수를 산출할 수 있다.
제1 인공지능 모델은 시간 윈도우 내에 해당하는 파형 피크의 개수가 기 설정된 피크 개수 범위(예를 들어, 3개 이상 4개 이하, 또는 4개 이상 5개 이하 등)를 만족하는 경우, 제1 실측 에너지 데이터 중 설정된 파형 피크 개수를 만족하는 시간 윈도우에 해당하는 시간 구간의 데이터를 대표 파형으로 추출할 수 있다.
또한, 제1 인공지능 모델은 예를 들어, 전류 고조파 왜곡률이 기 설정된 전류 고조파 왜곡률 기준 범위에서 벗어나거나(예를 들어, 20% 이상), 전압 고조파 왜곡율이 기 설정된 전압 고조파 왜곡률 기준 범위에서 벗어나는 경우(예를 들어, 5% 이상), 해당 잡음 데이터를 제거할 수 있다.
도 1b는 본 발명의 실시예에 따라 제1 실측 에너지 데이터로부터 추출되는 대표 파형의 예시도들이다. 도 1c는 본 발명의 실시예에 따라 추출된 대표 파형들의 클러스터링 결과를 나타낸 도면이다. 도 1d는 파형 간의 유사도를 산출하는 방식을 나타낸 개념도이다.
도 1a 내지 도 1d를 참조하면, 제1 인공지능 모델은 GMM 기반의 인공지능 모델에 의해 동적 시간 와핑(Dynamic Time Warping)을 기반으로, 제1 실측 에너지 데이터에서 추출된 대표 파형과 기 설정된 기준 파형(다양한 설비에 대해 기 획득된 에너지 데이터의 통계 처리된 파형)(Shapelet s1, s2) 간의 거리 분포를 분석하여 파형들 사이의 유사성을 판단함으로써 수요자 설비(140)의 제어 스킴을 분류할 수 있다.
기준 파형(Shapelet s1, s2)은 특정한 컴프레서 등의 설비에 대해 수집된 실측 에너지 데이터로부터 추출되는 기본 파형일 수 있다. 도 1c에 도시된 예에서는 수요자 설비들의 유형을 4개의 유형(Class 1, 2, 3, 4)로 분류한 것이다. 도 1c의 가로축과 세로축은 각각 수요자 설비에 대해 추출된 대표 파형과 제1 기준 파형(Shapelet s1)과의 거리 d(x, s1), 수요자 설비에 대해 추출된 대표 파형과 제2 기준 파형(Shapelet s2)과의 거리 d(x, s2)이다.
이때, 두 파형 간의 길이가 다르기 때문에, 커널 트릭(Kernel trick)을 이용하여 고차원에서 두 파형 간의 유사성을 분석하여 대표 파형에 해당하는 수요자 설비(140)의 유형, 예를 들어 제어 스킴을 판단할 수 있다. 파형 간의 유사도는 도 1d에 예시된 바와 같이 인코더-디코더 지도 학습 알고리즘이나 가우시안 혼합 모델(gaussian mixture model) 비지도 학습 알고리즘을 기반으로 하는 동적 시간 와핑 매칭(Dynamic Time Warping Matching) 알고리즘을 활용하여 분석될 수 있으며, 그 외에 유클리디안 매칭(Euclidean Matching) 알고리즘 등이 활용될 수도 있다.
수요자 설비(140)의 제어 스킴은 예를 들어, 흡입 공기량 조절(inlet modulation) 방식, 로딩-언로딩 조절(loading/unloading control) 방식, 자동 듀얼 제어(auto dual control) 방식, 내부 공간(체적) 가변 제어(variable displacement control) 방식, 가변 속도 제어(variable speed control) 방식(모터 속도 조절 방식), 원심 압축기(centrifugal compressor)에서 블로우-오프 밸브(blow-off valve)를 이용하는 블로우-오프 제어(blow-off control) 방식을 포함하는 다양한 제어 스킴 중의 적어도 둘 이상을 포함할 수 있으며, 이러한 다양한 제어 스킴 중에서 수요자 설비(140)에 해당하는 하나 또는 복수개의 제어 스킴이 결정될 수 있다.
일 실시예에서, 수요자 설비(140)는 컴프레서를 포함할 수 있다. 에너지 관리 서버(300)는 제2 인공지능 모델에 의해 수요자 설비(140)에 해당하는 컴프레서의 단위 시간당 가동율 및 가동 패턴을 기초로 수요자 설비(140)의 전력 사용량을 계측할 수 있다.
도 2는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템을 구성하는 에너지 관리 서버의 구성도이다. 도 1a 및 도 2를 참조하면, 에너지 관리 서버(300)는 공급자 설비정보 수신부(310), 수요자 설비정보 수신부(320), 수요자 설비 가동정보 분석부(330), 에너지 효율화 분석부(340), 공급자 설비정보 전송부(350), 공급자 설비공급 요청부(360), 정산부(370) 및 제어부(380)를 포함할 수 있다.
일 실시예에서, 에너지 관리 서버(300)는 데이터 수집 및 통신 비용을 절감할 수 있도록 클라우드 에너지 관리 서버로 제공되어, 수요자 설비(140)에 연결된 수요자 단말기(100)의 계측기(150)로부터 클라우드(Cloud) 기반으로 데이터를 수집하거나, 다른 방식으로 수요자 설비 정보와 공급자 설비 정보를 제공받을 수 있다. 계측기(150)는 전력량계 원격 단말기(RTU; Remote Terminal Unit), 이동형 에너지 계측기(Mobile Energy Meter) 및/또는 SCADA 데이터 등을 포함할 수 있다.
수요자 설비 정보는 수요자 설비(140)에 대해 실측된 에너지 데이터(제1 실측 에너지 데이터)를 포함할 수 있다. 또한, 수요자 설비 정보는 실측 에너지 데이터 외에도, 수요자 설비(140)의 사양, 유형, 제조연도 등의 설비 정보를 더 포함할 수도 있다.
수요자 설비(140)의 실측 에너지 데이터와 함께, 수요자 설비(140)의 설비 정보가 부가적으로 제공되는 경우, 에너지 관리 서버(300)는 해당 수요자 설비(140)의 설비 정보를 기초로 수요자 설비(140)의 유형을 파악하여 해당 수요자 설비(140)의 에너지 효율화 정보를 분석할 수 있다.
이와 달리, 에너지 관리 서버(300)는 수요자 설비(140)의 설비 정보가 제공되지 않은 수요자 설비(140)에 대해서는 상술한 제1 인공지능 모델 및 제2 인공지능 모델에 의해 수요자 설비(140)의 유형을 파악하여 에너지 효율화 정보를 분석할 수 있다. 수요자 설비(140)는 컴프레서, 압축기, 모터, 인버터, 펌프, 압출기 등을 예로 들 수 있으나, 이에 한정되는 것은 아니다.
에너지 관리 서버(300)가 수요자-공급자 매칭 등의 서비스를 부가적으로 제공하는 경우, 에너지 관리 서버(300)는 다수의 공급 단말기(200)로부터 각각 공급자가 공급하는 공급자 설비와 관련된 공급자 설비 정보를 제공받을 수 있다. 공급자 설비 정보는 공급자가 공급하는 공급자 설비의 사양, 유형, 제조연도, 가동시 정격전압/전류, 비가동시 전력소모량 등의 설비 정보를 포함할 수 있다.
공급자 설비정보 수신부(310)는 다수의 공급자에 의해 제공되는 다수의 상이한 공급자 설비와 관련된 다수의 공급자 설비 정보를 다수의 공급자 단말기(200)로부터 수신하도록 구성될 수 있다.
수요자 설비정보 수신부(320)는 수요자와 관련된 적어도 하나의 수요자 단말기(100)로부터 수요자가 사용 중인 수요자 설비(140)에 관한 제1 실측 에너지 데이터를 수신할 수 있다. 수요자 설비정보 수신부(320)는 제1 실측 에너지 데이터에 부가하여 수요자 설비 정보를 추가로 수신할 수도 있다.
수요자 설비 가동정보 분석부(330)는 수요자 설비(140)에 관한 제1 실측 에너지 데이터를 기초로, 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성될 수 있다. 수요자 설비 가동정보 분석부(330)는 제1 인공지능 모델에 의해 제1 실측 에너지 데이터를 기초로 수요자 설비(140)의 유형을 분석하고, 분석된 수요자 설비(140)의 유형에 대응되는 제2 인공지능 모델을 결정할 수 있다.
본 발명의 실시예에서, 수요자 설비(140)의 유형을 분석하기 위한 제1 인공지능 모델은 GMM(Gaussian mixture model) 기반의 인공지능 모델일 수 있다. 제1 인공지능 모델의 입력 데이터는 수요자 설비의 실측 에너지 데이터이고, 출력 데이터는 수요자 설비의 유형일 수 있다.
제1 인공지능 모델은 GMM 기반의 인공지능 모델 외에도, SVM(Support Vector Machine), LSTM(Long Short-Term Memory), LSTM-CNN/RNN(LSTM Convolutional/Recurrent Neural Network) 등의 지도학습 인공지능 모델, 변분 오토인코더(Variational Autoencoder), 적대적 오토인코더(Adversarial Autoencoder), MAD-GAN(Multivariate Anomaly Detection with Generative Adversarial Network) 등의 비지도 학습 인공지능 모델로 구현될 수도 있다.
수요자 설비 가동정보 분석부(330)의 제1 인공지능 모델은 제1 실측 에너지 데이터의 대표 파형을 추출하고, 추출된 대표 파형을 설정된 다수의 기준 파형과 GMM 기반의 인공지능 모델에 의해 비교하여 대표 파형에 대해 클러스터링을 수행함으로써 수요자 설비의 제어 스킴(control scheme)을 분류할 수 있다.
실시예에서, 제1 인공지능 모델은 GMM 기반의 인공지능 모델에 의해 동적 시간 와핑(Dynamic Time Warping)을 기반으로 수요자 설비의 실측 에너지 데이터로부터 추출된 대표 파형과 수요자 설비의 다양한 유형 별로 각각 수집된 기준 파형 간의 거리 분포를 분석하여 파형들 사이의 유사성을 판단함으로써 수요자 설비의 제어 스킴을 분류할 수 있다.
수요자 설비 가동정보 분석부(330)는 분석된 수요자 설비(140)의 유형에 따라 결정되는 제2 인공지능 모델에 의해 제1 실측 에너지 데이터를 분석하여 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성된다.
수요자 설비 가동정보 분석부(330)의 제2 인공지능 모델은 수요자 설비(140)의 유형에 해당하는 학습 데이터를 기초로 미리 학습(지도 학습 또는 비지도 학습)될 수 있다. 제2 인공지능 모델의 입력 데이터는 수요자 설비의 실측 에너지 데이터이고, 출력 데이터는 설비의 단위 시간당 가동율 및 가동 패턴이다.
수요자 설비 가동정보 분석부(330)에 의해 분석된 수요자 설비(140)의 단위 시간당 가동율 및/또는 가동 패턴은 에너지 사용량이나 발전량의 예측, 에너지 효율화 분석, 에너지 사용 패턴 분석, 에너지 최적화 스케줄링 분석 등에 활용될 수 있다.
상술한 수요자 설비 가동정보 분석부(330)에 의해, 수요자 설비(140)에 관련된 공기 압력, 토출 온도, 운전 상태, 과거 운전 이력, 총 운전시간, 유지보수 시간, 가동률, 가동 패턴, 전력 데이터, 유량 데이터, 전원 상태, 모터 동작 횟수, 모터 동작 시간, 부하 운전 시간 등의 분석 데이터를 얻을 수 있다.
또한, 본 발명의 실시예에 의하면, 컴프레서 등의 수요자 설비(140)의 사용 패턴, 가동 패턴, 에너지 사용량, 에너지 절감 가능량, 에너지 효율화 ROI 등을 약 95% 이상(TPR, MAPE 기준)의 높은 정확도로 분석 또는 예측할 수 있다.
에너지 효율화 분석부(340)는 수요자 설비 가동정보 분석부(330)의 제1 인공지능 모델 및 제2 인공지능 모델에 의해 분석된 수요자 설비(140)의 가동율 및 가동 패턴을 기초로, 수요자 설비(140)의 에너지 효율화와 관련된 공급자 설비를 분석하도록 구성될 수 있다.
공급자 설비정보 전송부(350)는 수요자 설비(140)의 에너지 효율화와 관련된 하나 이상의 제1 공급자 설비의 설비 정보와, 분석된 에너지 효율화 정보를 수요자 단말기(100)로 송신하도록 구성될 수 있다.
공급자 설비공급 요청부(360)는 수요자 단말기(100)에 의해 하나 이상의 제1 공급자 설비 중 제2 공급자 설비가 선택되면, 제2 공급자 설비의 공급을 공급자 단말기로 요청하도록 구성될 수 있다.
정산부(370)는 수요자 설비에 대해 수집된 제1 실측 에너지 데이터의 가동율 및 가동패턴을 기초로 에너지 효율화 실측값을 산출하고, 에너지 효율화 실측값을 기초로 에너지 효율화 서비스에 따른 비용을 산출할 수 있다.
제어부(380)는 에너지 관리 서버(300)의 각 구성요소를 제어하여 수요자-공급자 매칭, 수요자/공급자 정보 검색, 설비 거래 등의 서비스를 제공하기 위한 프로그램을 실행하는 프로세서를 포함할 수 있다.
도 3은 본 발명의 실시예에 따른 에너지 관리 시스템을 구성하는 수요자 설비 가동정보 분석부 및 에너지 효율화 분석부의 구성도이다. 도 1a 내지 도 3을 참조하면, 수요자 설비 가동정보 분석부(330)는 가동패턴 분석부(332) 및 가동율 산출부(334)를 포함할 수 있다.
가동패턴 분석부(332)는 제2 인공지능 모델에 의해, 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터의 시간에 따른 에너지 실측값을 기초로, 수요자 설비의 가동시간과 비가동시간 및 가동종료시간을 판단하여 가동패턴을 분석할 수 있다. 가동율 산출부(334)는 단위 시간당 가동시간의 비율에 따라 가동율을 산출할 수 있다.
에너지 효율화 분석부(340)는 가동시간 에너지 효율화 예측부(342), 비가동시간 에너지 효율화 예측부(344) 및 에너지 효율화 정보 생성부(346)를 포함할 수 있다. 가동시간 에너지 효율화 예측부(342)는 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터 중 가동시간에서 발생되는 제1 가동시간 에너지 실측값과, 공급자 설비의 가동시간에 발생되는 제2 가동시간 에너지 예측값 간의 차분값에 가동율을 가중한 값을 기초로 가동시간 에너지 효율화 정보를 예측할 수 있다.
비가동시간 에너지 효율화 예측부(344)는 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터 중 비가동시간에서 발생되는 제1 비가동시간 에너지 실측값과 공급자 설비의 비가동시간에 발생되는 제2 비가동시간 에너지 예측값 간의 차분값에 단위 시간당 비가동시간의 비율을 가중한 값을 기초로 비가동시간 에너지 효율화 정보를 예측할 수 있다.
에너지 효율화 정보 생성부(346)는 가동시간 에너지 효율화 정보 및 비가동시간 에너지 효율화 정보를 기초로 수요자 설비(140)의 에너지 효율화 정보를 생성할 수 있다. 이때 인공지능 모델은 LSTM 인공지능 모델을 이용한 인코더-디코더(Encoder-Decoder) 인공신경망을 활용하여 수요자 설비(140)의 전력 상태(사용 패턴)(Loading/Unloading/Stop)을 분석할 수 있다.
이와 같이, 실측 데이터 기반 설비 사용 패턴(Loading/Unloading/Stop) 분석을 통해 기존 저효율 수요자 설비(예를 들어, 저효율 컴프레서 등)의 고효율 수요자 설비(예를 들어, 고효율 컴프레서 등)로의 교체로의 에너지 효율화 ROI(Return On Investment)를 분석할 수 있다.
한편, 수요자 설비정보 수신부(320)는 수요자 설비(140)가 제2 공급자 설비(고효율 수요자 설비)로 교체된 후, 제2 공급자 설비와 관련된 제2 실측 에너지 데이터를 수요자 단말기(100)로부터 추가로 수신할 수 있다. 원격 수집된 제2 실측 에너지 데이터는 에너지 효율화 검증에 활용될 수 있다.
정산부(370)는 교체 전의 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터와, 수요자 설비(140)를 대체하여 수요자 측에 설치된 제2 공급자 설비에 대해 수집된 제2 실측 에너지 데이터를 비교하여 에너지 효율화 실측값을 산출하고, 산출된 에너지 효율화 실측값을 기초로 에너지 효율화 서비스에 따른 비용을 산출할 수 있다.
도 4는 본 발명의 실시예에 따른 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법을 나타낸 순서도이다. 도 1a 내지 도 4를 참조하여 설명하면, 에너지 관리 서버(300)의 수요자 설비정보 수신부(320)는 적어도 하나의 수요자 단말기(100)로부터 수요자가 사용 중인 수요자 설비(140)에 대해 계측된 제1 실측 에너지 데이터를 수신할 수 있다(S12, S13).
에너지 관리 서버(300)의 수요자 설비 가동정보 분석부(330)는 수요자 설비(140)에 관한 제1 실측 에너지 데이터를 기초로, 수요자 설비(140)의 단위 시간당 가동율 및 가동 패턴을 분석할 수 있다(S14). 이때, 수요자 설비 가동정보 분석부(330)는 수요자 설비(140)의 유형 정보나 설비 정보를 수신하지 않은 경우, 제1 인공지능 모델에 의해 제1 실측 에너지 데이터를 기초로 수요자 설비(140)의 유형을 분석하고, 분석된 수요자 설비(140)의 유형에 대응되는 제2 인공지능 모델을 결정할 수 있다. 수요자 설비(140)의 유형을 분석하기 위한 제1 인공지능 모델은 GMM(Gaussian mixture model) 기반의 인공지능 모델일 수 있다.
수요자 설비 가동정보 분석부(330)의 제1 인공지능 모델은 제1 실측 에너지 데이터의 대표 파형을 추출하고, 추출된 대표 파형을 설정된 다수의 기준 파형과 GMM 기반의 인공지능 모델에 의해 비교하여 대표 파형에 대해 클러스터링을 수행함으로써 수요자 설비의 제어 스킴을 분류할 수 있다.
실시예에서, 제1 인공지능 모델은 GMM 기반의 인공지능 모델에 의해 동적 시간 와핑(Dynamic Time Warping)을 기반으로 수요자 설비의 실측 에너지 데이터로부터 추출된 대표 파형과 수요자 설비의 다양한 유형 별로 각각 수집된 기준 파형 간의 거리 분포를 분석하여 파형들 사이의 유사성을 판단함으로써 수요자 설비의 제어 스킴을 분류할 수 있다. 수요자 설비 가동정보 분석부(330)는 분석된 수요자 설비(140)의 유형에 따라 결정되는 제2 인공지능 모델에 의해 제1 실측 에너지 데이터를 분석하여 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석할 수 있다.
도 5는 본 발명의 실시예에 따른 에너지 관리 시스템을 구성하는 수요자 설비 가동정보 분석부의 가동 패턴 분석 과정을 설명하기 위한 수요자 설비의 제1 실측 에너지 데이터 예시도이다. 도 1a 내지 도 5를 참조하면, 수요자 설비 가동정보 분석부(330)의 가동패턴 분석부(332)는 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터(20)의 시간에 따른 에너지 실측값을 기초로, 제2 인공지능 모델에 의해 수요자 설비(140)의 가동시간(T1)과 비가동시간(T2) 및 가동종료시간(T3)을 판단하여 가동패턴을 분석할 수 있다. 수요자 설비 가동정보 분석부(330)의 가동율 산출부(334)는 단위 시간(T0)당 가동시간(T1)의 비율에 따라 가동율을 산출할 수 있다.
가동시간(T1) 동안 수요자 설비(140)의 전력량은 가동전력(P1) 만큼 발생된다. 비가동시간(T2) 동안 수요자 설비(140)의 모터 공회전으로 인해 수요자 설비(140)에는 비가동전력(P2) 만큼의 전력량이 발생되며, 이는 불필요한 전력 소비 원인이 된다. 에너지 관리 서버(300)의 에너지 효율화 분석부(340)는 수요자 설비(140)의 가동율 및 가동 패턴을 기초로, 수요자 설비(140)의 에너지 효율화와 관련된 공급자 설비를 분석할 수 있다(S15).
에너지 효율화 분석부(340)의 가동시간 에너지 효율화 예측부(342)는 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터(20) 중 가동시간(T1)에서 발생되는 제1 가동시간 에너지 실측값(P1)과, 공급자 설비(200)의 가동시간에 발생되는 제2 가동시간 에너지 예측값 간의 차분값에 가동율을 가중한 값을 기초로 가동시간 에너지 효율화 정보를 예측할 수 있다.
에너지 효율화 분석부(340)의 비가동시간 에너지 효율화 예측부(344)는 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터(20) 중 비가동시간(T2)에서 발생되는 제1 비가동시간 에너지 실측값과 공급자 설비(200)의 비가동시간에 발생되는 제2 비가동시간 에너지 예측값 간의 차분값에 단위 시간당 비가동시간의 비율을 가중한 값을 기초로 비가동시간 에너지 효율화 정보를 예측할 수 있다.
에너지 효율화 정보 생성부(346)는 가동시간 에너지 효율화 예측부(342)에 의해 산출되는 가동시간 에너지 효율화 정보 및 비가동시간 에너지 효율화 예측부(344)에 의해 예측되는 비가동시간 에너지 효율화 정보를 기초로 수요자 설비(140)의 에너지 효율화 정보를 생성할 수 있다.
한편, 에너지 효율화 분석부(340)는 계절 편차(변화)를 기초로 에너지 효율화 정보를 반영하여 에너지 효율화 정보를 생성할 수 있다. 예를 들어, 여름에는 컴프레서의 냉각을 위해 추가적인 에너지가 발생될 수 있으며, 겨울철 등에 측정된 데이터를 보정하여 여름철 등의 에너지 효율화 정보를 예측할 수 있다.
한편, 에너지 관리 서버(300)의 공급자 설비정보 수신부(310)는 다수의 공급자에 의해 제공되는 다수의 상이한 공급자 설비와 관련된 다수의 공급자 설비 정보를 다수의 공급자 단말기(200)로부터 수신할 수도 있다(S11). 에너지 관리 서버(300)의 공급자 설비정보 전송부(350)는 수요자 설비(140)의 에너지 효율화와 관련된 하나 이상의 제1 공급자 설비의 설비 정보와, 분석된 에너지 효율화 정보를 수요자 단말기(100)로 송신할 수 있다(S16). 에너지 관리 서버(300)의 공급자 설비공급 요청부(360)는 수요자 단말기(100)에 의해 하나 이상의 제1 공급자 설비 중 제2 공급자 설비가 선택되면, 제2 공급자 설비의 공급을 공급자 단말기로 요청할 수 있다(S17, S18, S19).
도 6은 본 발명의 실시예에 따른 에너지 관리 방법의 정산 과정을 설명하기 위한 순서도이다. 수요자 설비정보 수신부(320)는 수요자 설비(140)가 제2 공급자 설비로 교체된 후, 제2 공급자 설비와 관련된 제2 실측 에너지 데이터를 수요자 단말기(100)로부터 수신할 수 있다(S21, S22).
정산부(370)는 교체 전의 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터와, 수요자 설비(140)를 대체하여 수요자 측에 설치된 제2 공급자 설비에 대해 수집된 제2 실측 에너지 데이터를 비교하여 에너지 효율화 실측값을 산출하고, 산출된 에너지 효율화 실측값을 기초로 에너지 효율화 서비스에 따른 비용을 산출하며, 공급자 설비에 대한 평가 정보를 공급자 단말기에 전송하고, ROI 기반 정산 정보를 수요자 단말기(100)로 전송할 수 있다(S23, S24, S25).
도 7은 본 발명의 실시예에 따른 에너지 관리 방법의 정산 과정을 설명하기 위한 도면으로, 공급자 설비로 교체된 후의 수요자 설비의 제2 실측 에너지 데이터 예시도이다. 예를 들어, 수요자 설비의 인버터를 FSD(Fixed Speed Drive)에서 공급자 설비에 해당하는 VSD(Variable Speed Drive)로 변경함에 따라, 수요자 설비의 전력량이 설비 교체 전보다 감소될 수 있다.
도 7을 참조하면, 수요자 설비 가동정보 분석부(330)의 가동패턴 분석부(332)는 교체된 후의 수요자 설비(140)에 대해 수집된 제2 실측 에너지 데이터(30)의 시간에 따른 에너지 실측값을 기초로, 수요자 설비(140)의 가동시간(T1)과 비가동시간(T2) 및 가동종료시간(T3)을 판단하여 가동패턴을 분석할 수 있다. 수요자 설비 가동정보 분석부(330)의 가동율 산출부(334)는 단위 시간(T0)당 가동시간(T1)의 비율에 따라 가동율을 산출할 수 있다.
설비 교체 후, 가동시간(T1) 동안 수요자 설비(140)의 전력량은 설비 교체 전의 제1 가동전력(P1) 보다 감소된 제2 가동전력(P3) 만큼 발생된다. 비가동시간(T2) 동안 수요자 설비(140)의 모터 공회전으로 인해 발생되는 제2 비가동전력(P4)은 교체 전의 비가동전력(P2) 보다 현저히 감소된다.
이에 따라 가동시간(T1) 동안 가동에너지 절감량(40) 만큼 수요자 설비(140)의 에너지 사용량을 절감할 수 있으며, 비가동시간(T2) 동안에는 비가동에너지 절감량(50) 만큼 수요자 설비(140)의 에너지 사용량을 절감할 수 있다. 앞서 설명한 바와 같이, 에너지 관리 서버(300)의 에너지 효율화 분석부(340)는 수요자 설비(140)의 가동율 및 가동 패턴을 기초로, 수요자 설비(140)의 에너지 효율화와 관련된 공급자 설비를 분석할 수 있다(S15).
에너지 효율화 분석부(340)의 가동시간 에너지 효율화 예측부(342)는 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터(20) 중 가동시간(T1)에서 발생되는 제1 가동시간 에너지 실측값(P1)과, 공급자 설비(200)의 가동시간에 발생되는 제2 가동시간 에너지 예측값 간의 차분값에 가동율을 가중한 값을 기초로 가동시간 에너지 효율화 정보를 예측할 수 있다.
에너지 효율화 분석부(340)의 비가동시간 에너지 효율화 예측부(344)는 수요자 설비(140)에 대해 수집된 제1 실측 에너지 데이터(20) 중 비가동시간(T2)에서 발생되는 제1 비가동시간 에너지 실측값과 공급자 설비(200)의 비가동시간에 발생되는 제2 비가동시간 에너지 예측값 간의 차분값에 단위 시간당 비가동시간의 비율을 가중한 값을 기초로 비가동시간 에너지 효율화 정보를 예측할 수 있다.
에너지 효율화 정보 생성부(346)는 가동시간 에너지 효율화 예측부(342)에 의해 산출되는 가동시간 에너지 효율화 정보 및 비가동시간 에너지 효율화 예측부(344)에 의해 예측되는 비가동시간 에너지 효율화 정보를 기초로 수요자 설비(140)의 에너지 효율화 정보를 생성할 수 있다.
도 8은 본 발명의 실시예에 따른 측정 데이터 전송 방식을 설명하기 위한 예시도이다. 도 8을 참조하면, 수요자 설비(140)에 대해 계측된 측정 데이터(실측 에너지 데이터)는 기 설정된 측정 데이터 전송주기에 따라 에너지 관리 서버(300)로 수집될 수 있다.
이때 측정 데이터 전송주기는 수요자 설비(140)에 대해 예측된 수요자 설비(140)의 유형 및/또는 수요자 설비(140)에 대해 측정된 데이터를 기반으로 통계 처리에 의해 분석되어 생성되거나 AI 모델에 의해 분석되어 생성되는 상태 변화 주기를 기반으로 가변될 수 있다.
에너지 관리 서버(300)는 수요자 설비(140)에 대해 분석된 상태 변화 주기(또는 상태 변화 예측 주기) 보다 작아지도록 계측기(150)에서 전송되는 측정 데이터의 전송 주기를 조절할 수 있다. 이때, 에너지 관리 서버(300)는 필요 이상으로 짧은 주기로 데이터가 전송되지 않도록, 수요자 설비(140)에 대해 분석된 상태 변화 주기(또는 상태 변화 예측 주기)의 1/2 이상이 되도록 측정 데이터의 전송 주기를 설정할 수 있다.
또한, 에너지 관리 서버(300)는 계측기(150)에 의해 수요자 설비(140)의 상태 변화를 실시간으로 감시하도록 하여, 수요자 설비(140)의 전력 상태 변화 감지시 계측기(150)에서 이벤트(event) 형식으로 전송하는 실측 에너지 데이터를 수집할 수도 있다. 이에 따라 수요자 설비(140)의 상태 변화를 실시간으로 인식하여 수요자 설비(140)에 대한 가동 패턴이나 에너지 효율화 정보를 보다 높은 정확도로 분석할 수 있다.
이상에서 설명된 실시예들의 구성 중 적어도 일부는 하드웨어 구성요소, 소프트웨어 구성요소, 및/ 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.
처리 장치는 운영 체제 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 이해할 것이다.
예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor) 와 같은, 다른 처리 구성(Processing configuration)도 가능하다. 소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.
소프트웨어 및/ 또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody) 될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능한 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100, 110, 120, 130 : 수요자 단말기
140 : 수요자 설비
150 : 계측기
200, 210, 220, 230 : 공급자 단말기
300 : 에너지 관리 서버
310 : 공급자 설비정보 수신부
320 : 수요자 설비정보 수신부
330 : 수요자 설비 가동정보 분석부
332 : 가동패턴 분석부
334 : 가동율 산출부
340 : 에너지 효율화 분석부
342 : 가동시간 에너지 효율화 예측부
344 : 비가동시간 에너지 효율화 예측부
346 : 에너지 효율화 정보 생성부
350 : 공급자 설비정보 전송부
360 : 공급자 설비공급 요청부
370 : 정산부
380 : 제어부
140 : 수요자 설비
150 : 계측기
200, 210, 220, 230 : 공급자 단말기
300 : 에너지 관리 서버
310 : 공급자 설비정보 수신부
320 : 수요자 설비정보 수신부
330 : 수요자 설비 가동정보 분석부
332 : 가동패턴 분석부
334 : 가동율 산출부
340 : 에너지 효율화 분석부
342 : 가동시간 에너지 효율화 예측부
344 : 비가동시간 에너지 효율화 예측부
346 : 에너지 효율화 정보 생성부
350 : 공급자 설비정보 전송부
360 : 공급자 설비공급 요청부
370 : 정산부
380 : 제어부
Claims (19)
- 수요자와 관련된 적어도 하나의 수요자 단말기로부터 상기 수요자가 사용 중인 수요자 설비에 대한 제1 실측 에너지 데이터를 수신하도록 구성되는 수요자 설비정보 수신부; 및
상기 수요자 설비에 관한 상기 제1 실측 에너지 데이터를 기초로, 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성되는 수요자 설비 가동정보 분석부를 포함하고,
상기 수요자 설비 가동정보 분석부는:
제1 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 기초로 상기 수요자 설비의 유형을 분석하고, 분석된 상기 수요자 설비의 유형에 대응되는 제2 인공지능 모델을 결정하고; 그리고
상기 제2 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 분석하여 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하도록 구성되는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 1에 있어서,
상기 제1 인공지능 모델은 GMM(Gaussian mixture model) 기반의 인공지능 모델인, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 2에 있어서,
상기 제1 인공지능 모델은:
상기 제1 실측 에너지 데이터의 대표 파형을 추출하고; 그리고
상기 GMM 기반의 인공지능 모델에 의해 상기 대표 파형을 설정된 다수의 기준 파형과 비교하여 상기 대표 파형에 대해 클러스터링을 수행함으로써 상기 수요자 설비의 제어 스킴을 분류하도록 구성되는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 3에 있어서,
상기 제1 인공지능 모델은 상기 GMM 기반의 인공지능 모델에 의해 동적 시간 와핑(Dynamic Time Warping)을 기반으로 상기 대표 파형과 상기 기준 파형 간의 거리 분포를 분석하여 파형들 사이의 유사성을 판단함으로써 상기 수요자 설비의 제어 스킴을 분류하도록 구성되는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 1에 있어서,
상기 수요자 설비는 컴프레서를 포함하고, 상기 수요자 설비 가동정보 분석부는 상기 제2 인공지능 모델에 의해 상기 컴프레서의 단위 시간당 가동율 및 가동 패턴을 기초로 전력 사용량을 계측하도록 구성되는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 1에 있어서,
다수의 공급자에 의해 제공되는 다수의 상이한 공급자 설비와 관련된 다수의 공급자 설비 정보를 다수의 공급자 단말기로부터 수신하도록 구성되는 공급자 설비정보 수신부;
상기 수요자 설비의 상기 가동율 및 상기 가동 패턴을 기초로, 상기 수요자 설비의 에너지 효율화와 관련된 공급자 설비를 분석하도록 구성되는 에너지 효율화 분석부;
상기 수요자 설비의 에너지 효율화와 관련된 하나 이상의 제1 공급자 설비의 설비 정보와, 분석된 에너지 효율화 정보를 상기 수요자 단말기로 송신하도록 구성되는 공급자 설비정보 전송부; 및
상기 수요자 단말기에 의해 상기 하나 이상의 제1 공급자 설비 중 제2 공급자 설비가 선택되면, 상기 제2 공급자 설비의 공급을 상기 공급자 단말기로 요청하도록 구성되는 공급자 설비공급 요청부를 더 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 6에 있어서,
상기 에너지 효율화 분석부는 상기 제1 실측 에너지 데이터의 시간에 따른 에너지 실측값을 기초로 상기 수요자 설비의 가동시간과 비가동시간 및 가동종료시간을 판단하여 상기 가동패턴을 분석하고, 단위 시간당 가동시간의 비율에 따라 상기 가동율을 산출하도록 구성되는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 7에 있어서,
상기 에너지 효율화 분석부는:
상기 제1 실측 에너지 데이터 중 상기 가동시간에서 발생되는 제1 가동시간 에너지 실측값과 상기 공급자 설비의 가동시간에 발생되는 제2 가동시간 에너지 예측값 간의 차분값에 상기 가동율을 가중한 값을 기초로 가동시간 에너지 효율화 정보를 예측하고;
상기 제1 실측 에너지 데이터 중 상기 비가동시간에서 발생되는 제1 비가동시간 에너지 실측값과 상기 공급자 설비의 비가동시간에 발생되는 제2 비가동시간 에너지 예측값 간의 차분값에 상기 단위 시간당 상기 비가동시간의 비율을 가중한 값을 기초로 비가동시간 에너지 효율화 정보를 예측하고; 그리고
상기 가동시간 에너지 효율화 정보 및 상기 비가동시간 에너지 효율화 정보를 기초로 상기 수요자 설비의 에너지 효율화 정보를 생성하도록 구성되는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 청구항 7에 있어서,
상기 수요자 설비정보 수신부는 상기 수요자 설비가 상기 제2 공급자 설비로 교체된 후, 상기 제2 공급자 설비와 관련된 제2 실측 에너지 데이터를 상기 수요자 단말기로부터 수신하도록 구성되고,
상기 제1 실측 에너지 데이터와 상기 제2 실측 에너지 데이터를 비교하여 에너지 효율화 실측값을 산출하고, 상기 에너지 효율화 실측값을 기초로 에너지 효율화 서비스에 따른 비용을 산출하도록 구성되는 정산부를 더 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템. - 수요자 설비정보 수신부에 의해, 수요자와 관련된 적어도 하나의 수요자 단말기로부터 상기 수요자가 사용 중인 수요자 설비에 대한 제1 실측 에너지 데이터를 수신하는 단계; 및
수요자 설비 가동정보 분석부에 의해, 상기 수요자 설비에 관한 상기 제1 실측 에너지 데이터를 기초로, 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하는 단계를 포함하고,
상기 분석하는 단계는:
제1 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 기초로 상기 수요자 설비의 유형을 분석하고, 분석된 상기 수요자 설비의 유형에 대응되는 제2 인공지능 모델을 결정하는 단계; 및
상기 제2 인공지능 모델에 의해 상기 제1 실측 에너지 데이터를 분석하여 상기 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하는 단계를 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 10에 있어서,
상기 제2 인공지능 모델을 결정하는 단계는:
상기 제1 실측 에너지 데이터의 대표 파형을 추출하는 단계; 및
상기 GMM 기반의 인공지능 모델에 의해 상기 대표 파형을 설정된 다수의 기준 파형과 비교하여 상기 대표 파형에 대해 클러스터링을 수행함으로써 상기 수요자 설비의 제어 스킴을 분류하는 단계를 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 11에 있어서,
상기 분류하는 단계는:
GMM 기반의 상기 제1 인공지능 모델에 의해 동적 시간 와핑(Dynamic Time Warping)을 기반으로 상기 대표 파형과 상기 기준 파형 간의 거리 분포를 분석하여 파형들 사이의 유사성을 판단함으로써 상기 수요자 설비의 제어 스킴을 분류하는 단계를 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 10에 있어서,
상기 분류하는 단계는:
상기 제1 실측 에너지 데이터를 정규화하고, 상기 수요자 설비와 관련하여 기 설정된 설정 값을 기준으로 상기 제1 실측 에너지 데이터에서 이상치를 제거하는 단계;
상기 제1 실측 에너지 데이터에 설정된 시간 구간을 가지는 시간 윈도우를 적용하고, 대표 파형을 추출하기 위한 시간 구간을 탐색하기 위해 시간 윈도우를 시간축을 따라 슬라이딩시키면서 상기 시간 윈도우 내의 시간 구간에서 파형 피크 개수를 산출하는 단계;
상기 시간 윈도우 내에 해당하는 상기 파형 피크 개수를 기 설정된 피크 개수 범위와 비교하고, 상기 제1 실측 에너지 데이터 중 설정된 파형 피크 개수를 만족하는 시간 윈도우에 해당하는 시간 구간의 데이터를 추출하여 제1 대표 파형을 추출하는 단계;
상기 제1 대표 파형에서 전류 고조파 왜곡률이 기 설정된 전류 고조파 왜곡률 기준 범위에서 벗어나거나, 전압 고조파 왜곡율이 기 설정된 전압 고조파 왜곡률 기준 범위에서 벗어나는 잡음 데이터를 제거하여 제2 대표 파형을 생성하는 단계; 및
상기 제2 대표 파형과, 다양한 설비에 대해 수집된 실측 에너지 데이터로부터 추출되는 기본 파형인 기준 파형들 간의 거리 분포를 분석하여 상기 제2 대표 파형과 상기 기준 파형들 간의 유사성을 판단함으로써 상기 수요자 설비의 제어 스킴을 분류하는 단계를 포함하고,
상기 제어 스킴은 흡입 공기량 조절 방식, 로딩-언로딩 조절 방식, 자동 듀얼 제어 방식, 내부 공간 가변 제어 방식, 가변 속도 제어 방식, 및 블로우-오프 제어 방식을 포함하는 다양한 제어 스킴 중의 적어도 둘 이상을 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 10에 있어서,
상기 수요자 설비는 컴프레서를 포함하고,
상기 분석하는 단계는 상기 제2 인공지능 모델에 의해 상기 컴프레서의 단위 시간당 가동율 및 가동 패턴을 기초로 전력 사용량을 계측하는 단계를 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 10에 있어서,
공급자 설비정보 수신부에 의해, 다수의 공급자에 의해 제공되는 다수의 상이한 공급자 설비와 관련된 다수의 공급자 설비 정보를 다수의 공급자 단말기로부터 수신하는 단계;
에너지 효율화 분석부에 의해, 상기 수요자 설비의 상기 가동율 및 상기 가동 패턴을 기초로, 상기 수요자 설비의 에너지 효율화와 관련된 공급자 설비를 분석하는 단계;
공급자 설비정보 전송부에 의해, 상기 수요자 설비의 에너지 효율화와 관련된 하나 이상의 제1 공급자 설비의 설비 정보와, 분석된 에너지 효율화 정보를 상기 수요자 단말기로 송신하는 단계; 및
공급자 설비공급 요청부에 의해, 상기 수요자 단말기에 의해 상기 하나 이상의 제1 공급자 설비 중 제2 공급자 설비가 선택되면, 상기 제2 공급자 설비의 공급을 상기 공급자 단말기로 요청하는 단계를 더 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 15에 있어서,
상기 분석하는 단계는:
상기 수요자 설비 가동정보 분석부에 의해, 상기 제1 실측 에너지 데이터의 시간에 따른 에너지 실측값을 기초로 상기 수요자 설비의 가동시간과 비가동시간 및 가동종료시간을 판단하여 상기 가동패턴을 분석하고, 단위 시간당 가동시간의 비율에 따라 상기 가동율을 산출하는 단계를 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 16에 있어서,
상기 에너지 효율화 분석부에 의해, 상기 제1 실측 에너지 데이터 중 상기 가동시간에서 발생되는 제1 가동시간 에너지 실측값과 상기 공급자 설비의 가동시간에 발생되는 제2 가동시간 에너지 예측값 간의 차분값에 상기 가동율을 가중한 값을 기초로 가동시간 에너지 효율화 정보를 예측하는 단계;
상기 에너지 효율화 분석부에 의해, 상기 제1 실측 에너지 데이터 중 상기 비가동시간에서 발생되는 제1 비가동시간 에너지 실측값과 상기 공급자 설비의 비가동시간에 발생되는 제2 비가동시간 에너지 예측값 간의 차분값에 상기 단위 시간당 상기 비가동시간의 비율을 가중한 값을 기초로 비가동시간 에너지 효율화 정보를 예측하는 단계; 및
상기 에너지 효율화 분석부에 의해, 상기 가동시간 에너지 효율화 정보 및 상기 비가동시간 에너지 효율화 정보를 기초로 상기 수요자 설비의 에너지 효율화 정보를 생성하는 단계를 더 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 17에 있어서,
상기 수요자 설비정보 수신부에 의해, 상기 수요자 설비가 상기 제2 공급자 설비로 교체된 후, 상기 제2 공급자 설비와 관련된 제2 실측 에너지 데이터를 상기 수요자 단말기로부터 수신하는 단계; 및
정산부에 의해, 상기 제1 실측 에너지 데이터와 상기 제2 실측 에너지 데이터를 비교하여 에너지 효율화 실측값을 산출하고, 상기 에너지 효율화 실측값을 기초로 에너지 효율화 서비스에 따른 비용을 산출하는 단계를 더 포함하는, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법. - 청구항 10 내지 청구항 18 중 어느 한 항에 기재된 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220140953A KR20240062187A (ko) | 2022-10-28 | 2022-10-28 | 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 |
| PCT/KR2022/019204 WO2024090662A1 (ko) | 2022-10-28 | 2022-11-30 | 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220140953A KR20240062187A (ko) | 2022-10-28 | 2022-10-28 | 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240062187A true KR20240062187A (ko) | 2024-05-09 |
Family
ID=90831094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220140953A KR20240062187A (ko) | 2022-10-28 | 2022-10-28 | 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240062187A (ko) |
| WO (1) | WO2024090662A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012081088A1 (ja) * | 2010-12-14 | 2012-06-21 | 株式会社テクノミライ | 省エネルギー制御プログラムシミュレーションフィードバックシステム |
| KR101854913B1 (ko) * | 2017-02-22 | 2018-05-04 | 최태일 | 에너지 절감 시스템 설치 서비스 방법 및 서비스 서버 |
| EP4189301A1 (en) * | 2020-07-30 | 2023-06-07 | Onboard Data, Inc. | System and methods for determining operational relationships in building automation and control networks |
| KR20220026872A (ko) * | 2020-08-26 | 2022-03-07 | 현대자동차주식회사 | 엔진 조립의 불량 감지 시스템 및 불량 감지 방법 |
| KR20220064714A (ko) * | 2020-11-12 | 2022-05-19 | 위미르(주) | 생산설비 데이터 수집 및 가공 시스템 및 그 제어 방법 |
-
2022
- 2022-10-28 KR KR1020220140953A patent/KR20240062187A/ko unknown
- 2022-11-30 WO PCT/KR2022/019204 patent/WO2024090662A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024090662A1 (ko) | 2024-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200301408A1 (en) | Model predictive maintenance system with degradation impact model | |
| US10317864B2 (en) | Systems and methods for adaptively updating equipment models | |
| US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
| CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
| US10498585B2 (en) | Sensor data analytics and alarm management | |
| US20140089055A1 (en) | Fuel Cell Fleet Optimization | |
| WO2020039430A1 (en) | Method and system for hvac inefficiency prediction using household electrical smart meter data | |
| US11243523B2 (en) | Building system with adaptive fault detection | |
| Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
| CN109612029B (zh) | 效能预测方法 | |
| US20220414526A1 (en) | Intelligent fault detection system | |
| CN112070353B (zh) | 一种精确检测数据中心能效的方法及系统 | |
| KR20200074825A (ko) | 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템 | |
| CN110880055A (zh) | 楼宇智能电表系统 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| CN116882804A (zh) | 一种智能电力监控方法及系统 | |
| Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
| Nezhad et al. | Joint Peak Clipping and Load Scheduling Based on User Behavior Monitoring in an IoT Platform | |
| CN117170998B (zh) | 一种智能化设备生命周期管理系统 | |
| US11719451B2 (en) | Building system with early fault detection | |
| Kim et al. | Comparison of time series clustering methods and application to power consumption pattern clustering | |
| CN116909712A (zh) | 基于机器学习的智能任务调度系统及其方法 | |
| KR20240062187A (ko) | 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 | |
| JP2019513001A (ja) | 電流消費モニタリングおよびその機械学習に基づくデバイス状態の決定のためのシステムおよびその方法 | |
| KR20230166844A (ko) | 수요자 설비에 대한 정량적 에너지 데이터 분석을 기초로 수요자-공급자 매칭 가능한 에너지 관리 시스템 및 방법 |