KR20240071361A - 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램 - Google Patents

건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20240071361A
KR20240071361A KR1020240059849A KR20240059849A KR20240071361A KR 20240071361 A KR20240071361 A KR 20240071361A KR 1020240059849 A KR1020240059849 A KR 1020240059849A KR 20240059849 A KR20240059849 A KR 20240059849A KR 20240071361 A KR20240071361 A KR 20240071361A
Authority
KR
South Korea
Prior art keywords
data
prediction data
learning model
building
multifractal
Prior art date
Application number
KR1020240059849A
Other languages
English (en)
Inventor
김영진
김상우
김용빈
심수아
우수정
최지훈
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020240059849A priority Critical patent/KR20240071361A/ko
Publication of KR20240071361A publication Critical patent/KR20240071361A/ko

Links

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
    • G06Q50/10—Services
    • 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
    • G05B15/00—Systems controlled by a computer
    • 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
    • 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
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

건물 내의 환경을 제어하는 서버는 건물 내의 환경을 제어하기 위한 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성하는 학습 모델 생성부, 상기 건물에 관한 센싱 데이터를 수집하는 데이터 수집부, 상기 제 1 학습 모델로부터 과거의 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 상기 센싱 데이터를 상기 제 2 학습 모델에 입력하여 제 2 예측 데이터를 도출하는 예측 데이터 도출부, 상기 제 1 예측 데이터 및 상기 제 2 예측 데이터 간의 잔차(Residual)를 계산하고, 상기 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행하는 프랙탈 분석 수행부 및 상기 프랙탈 분석의 수행 결과에 기초하여 상기 제 1 예측 데이터 또는 상기 제 2 예측 데이터를 이용하여 상기 건물 내의 환경을 제어하기 위한 제어 명령을 생성하는 명령 생성부를 포함한다.

Description

건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램{SERVER, METHOD AND COMPUTER PROGRAM FOR CONTROLLING ENVIRONMENT IN BUILDING}
본 발명은 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램에 관한 것이다.
건물 에너지 관리 시스템(BEMS, Building Energy Management System)이란 IT 기술을 활용하여 건물 내의 전기, 공조, 방범, 방재와 같이 여러 설비를 관리하는 시스템을 말한다.
건물 에너지 관리 시스템은 빌딩 내 에너지 관리 설비와 관련된 다양한 정보를 실시간으로 수집 및 분석하여 에너지 사용량, 설비 운전 현황, 실내환경 및 탄소배출량 등을 관리하여 에너지 사용 효율을 개선시킬 수 있다.
이러한 건물 에너지 관리 시스템과 관련하여, 선행기술인 한국등록특허 제 10-1170743호는 건물 에너지 관리 시스템을 통한 냉동기 최적 운전 시스템 및 방법을 개시하고 있다.
최근에는 기계학습을 이용하여 예측 데이터를 생성하고, 이를 다양한 최적화 이론과 플랫폼 기술과의 연동을 통해 실시간으로 건물의 환경을 자동으로 제어할 수 있게 되었다.
그러나 신축건물과 달리 기축건물의 경우, 시간이 경과할수록 센서 노이즈 또는 시스템의 노후화로 인해 시스템의 오류 및 오작동이 증가하게 되며, 부정확한 센싱 데이터와 오류로 인해 기계학습 모델의 예측 능력이 감소된다는 문제점이 있었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 프랙탈 분석을 통해 비정상적인 센싱 데이터를 필터링하는 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
구체적으로, 제 1 학습 모델을 통해 도출된 제 1 예측 모델 및 제 2 학습 모델을 통해 도출된 제 2 예측 모델 간의 잔차(Residual)를 계산하고, 잔차에 대한 프랙탈 분석을 수행함으로써, 수행 결과에 기초하여 제 1 예측 데이터 또는 제 2 예측 데이터를 이용하여 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 건물 내의 환경을 제어하기 위한 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성하는 학습 모델 생성부, 상기 건물에 관한 센싱 데이터를 수집하는 데이터 수집부, 상기 제 1 학습 모델로부터 과거의 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 상기 센싱 데이터를 상기 제 2 학습 모델에 입력하여 2 예측 데이터를 도출하는 예측 데이터 도출부, 상기 제 1 예측 데이터 및 상기 제 2 예측 데이터 간의 잔차를 계산하고, 상기 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행하는 프랙탈 분석 수행부 및 상기 프랙탈 분석의 수행 결과에 기초하여 상기 제 1 예측 데이터 또는 상기 제 2 예측 데이터를 이용하여 상기 건물 내의 환경을 제어하기 위한 제어 명령을 생성하는 명령 생성부를 포함하는 서버를 제공할 수 있다.
본 발명의 다른 실시예는, 건물 내의 환경을 제어하기 위한 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성하는 단계, 상기 건물에 관한 센싱 데이터를 수집하는 단계, 상기 제 1 학습 모델로부터 과거의 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 상기 센싱 데이터를 상기 제 2 학습 모델에 입력하여 제 2 예측 데이터를 도출하는 단계, 상기 제 1 예측 데이터 및 상기 제 2 예측 데이터 간의 잔차를 계산하고, 상기 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행하는 단계 및 상기 프랙탈 분석의 수행 결과에 기초하여 상기 제 1 예측 데이터 또는 상기 제 2 예측 데이터를 이용하여 상기 건물 내의 환경을 제어하기 위한 제어 명령을 생성하는 단계를 포함하는 환경 제어 방법을 제공할 수 있다.
본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 건물 내의 환경을 제어하기 위한 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성하고, 상기 건물에 관한 센싱 데이터를 수집하고, 상기 제 1 학습 모델로부터 과거의 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 상기 센싱 데이터를 상기 제 2 학습 모델에 입력하여 제 2 예측 데이터를 도출하고, 상기 제 1 예측 데이터 및 상기 제 2 예측 데이터 간의 잔차를 계산하고, 상기 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행하고, 상기 프랙탈 분석의 수행 결과에 기초하여 상기 제 1 예측 데이터 또는 상기 제 2 예측 데이터를 이용하여 상기 건물 내의 환경을 제어하기 위한 제어 명령을 생성하도록 하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 과거 데이터에 기초하여 생성된 제 1 학습 모델을 이용하여 제 1 예측 데이터를 도출하고, 과거 데이터 및 센싱 데이터에 기초하여 생성된 제 2 학습 모델을 이용하여 제 2 예측 데이터를 도출하고, 도출된 제 1 또는 제 2 예측 데이터를 이용하여 건물 내의 환경을 제어할 수 있도록 하는 서버, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
또한, 본 발명에 따르면, 제 1 예측 데이터 및 제 2 예측 데이터 간의 잔차를 계산하고, 잔차에 대하여 프랙탈 분석을 수행하여 센싱 데이터에 대한 검증을 수행할 수 있다.
구체적으로, 프랙탈 분석의 수행 결과, 멀티프랙탈 스펙트럼의 형태에 기초하여 제 1 예측 데이터 또는 제 2 예측 데이터를 이용하여 제어 명령을 생성함으로써, 비정상적인 데이터를 검출할 수 있다.
도 1은 본 발명의 일 실시예에 따른 환경 제어 서버의 구성도이다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 멀티프랙탈 스펙트럼을 식별하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a 내지 도 3c는 본 발명의 일 실시예에 따른 VAV(Variable Air Volume) 공조 시스템에서 센싱 데이터의 정상 여부를 검출하는 과정을 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 환경 제어 서버에서 건물 내의 환경을 제어하는 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 환경 제어 서버의 구성도이다. 도 1을 참조하면, 환경 제어 서버(100)는 학습 모델 생성부(110), 데이터 수집부(120), 예측 데이터 도출부(130), 프랙탈 분석 수행부(140), 명령 생성부(150) 및 업데이트부(160)를 포함할 수 있다.
학습 모델 생성부(110)는 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성할 수 있다. 여기서, 제 1 학습 모델 및 제 2 학습 모델은 예를 들어, 기계학습 기반의 가우시안 프로세스 모델(GPM, Gaussian Process Model)에 기초하여 생성될 수 있다.
가우시안 프로세스 모델은 평균함수와 공분산 함수로 구성된 가우시안 프로세스 기저함수에 대해 과거 데이터와 베이지안 추정기법을 이용하여 회귀모델을 구축할 수 있다. 과거 데이터는 센서에서 측정된 입/출력 시계열 데이터로, X(다변량 입력변수) Y(출력변수) 매트릭스를 갖는다.
가우시안 프로세스 모델에 관해서는 다음의 수학식 1을 통해 설명하도록 한다.
수학식 1을 참조하면, 입/출력 시계열 데이터는 평균함수 와 공산함수 로 구성된 커널함수 를 이용하여, 가우시안 프로세스와 가우시안 노이즈로 이루어진 회귀 모델(yi)을 표현할 수 있다.
이 중, 가우시안 노이즈의 분산은 일반적으로 정규분포(평균은 0이고, 분산은 vt임)으로 표현될 수 있다. 가우시안 프로세스 모델은 평균함수가 0이고, 공분산함수로 구성된 커널함수와 가우시안 노이즈로 이루어진 다변량 정규분포이다.
이러한 가우시안 프로세스는 평균 함수가 0이므로, 커널 함수 내의 공분산 함수에 따라 회귀모델의 신뢰성과 강건성이 결정될 수 있다. 이 때, 정상성(Stationary) 가우시안 프로세스 중 제곱지수 공분산 함수(squared exponential covariance function)가 사용될 수 있다.
가우시안 프로세스 모델은 가우시안 노이즈의 분산(vt)과 제곱지수 공분산 함수의 스케일링 파라미터(Scaling Parameter, )와 길이 스케일(Length-Scale, l1:d)과 같은 하이퍼파라미터(Hyperparameter, 또는 초모수)를 가지고 있다. 이 때, 가우시안 프로세스 모델은 회귀모델의 작성을 위해 베이지안 추정 과정이 필요하며, 다음의 수학식 2를 통해 회귀모델 작성을 위한 추정을 수행할 수 있다.
수학식 2를 참조하면, 베이지안 추정은 하이퍼파라미터들의 사후분포를 추정하기 위한 방법이다. 이 방법은 사전분포( )와 측정된 우도함수( )를 통해 하이퍼파라미터들의 사후분포( )를 추정할 수 있다.
이와 같이, 제 1 학습 모델 및 제 2 학습 모델은 가우시안 프로세스 모델 기반으로 생성될 수 있으나, 이에 한정하지 않고, 인공신경망(Artificial Neural Network), 서포트 벡터 머신(SVM, Support Vector Machine)), 딥러닝(Deep Learning) 등으로도 생성될 수 있다.
데이터 수집부(120)는 건물에 관한 센싱 데이터를 수집할 수 있다. 여기서, 건물에 관한 센싱 데이터는 예를 들어, 시스템의 각 컴퍼넌트의 입/출구에 설치된 온도 센서, 습도 센서, 질량 흐름(mass flow) 센서, 압력 센서 등에 의해 측정된 것일 수 있다.
예를 들어, 데이터 수집부(120)는 BEMS(Building Energy Management System)로부터 측정된 센싱 데이터를 BAS(Building Automation System)를 통해 수집할 수 있다. 이 때, 데이터 수집부(120)는 센싱 데이터의 질과 양을 결정하기 위해 통계적 방법들을 이용하여 시스템별 기계학습 모델의 생성에 영향력 높은 입출력 데이터를 선별할 수 있다.
데이터 수집부(120)는 웨이브릿 변환(wavelet transform)을 이용하여 센싱 데이터의 노이즈 필터링을 수행할 수 있다. 웨이브릿 변환은 다음의 수학식 3을 통해 도출될 수 있다.
수학식 3을 참조하면, 웨이브릿 변환은 모함수 또는 원형 함수(Mother wavelet)를 스케일 파라미터(Scale Parameter)와 천이 파라미터(Transition Parameter)를 이용하여 크기 및 위치 조정을 통해 함수집합으로 도출될 수 있다.
웨이브릿 변환은 퓨리에 변환과는 다르게 신호의 주파수 성분이 주기 시간 내에서 변화하는 비정상신호에 대해 고주파와 저주파 신호로 분리 가능하며, 사전에 정의된 임계값을 기준으로 노이즈를 식별할 수 있다.
한편, 웨이브릿 변환은 연속 웨이브릿 변환(CWT, Continuous Wavelet Trnasform)과 이산 웨이브릿 변환(Discrete Wavelet Transform)으로 구분된다. 여기서, 이산 웨이브릿 변환은 레벨에 따라 스케일 파라미터와 천이 파라미터를 이산화시킴으로써, 모든 스케일(주파수영역)의 웨이브릿 계수를 계산하는 것으로, 연속 웨이브릿의 연산시간 문제를 해결할 수 있다는 장점을 갖고 있다.
데이터 수집부(120)는 웨이브릿 변환을 이용하여 데이터의 노이즈를 제거할 수 있으나, 이에 한정하지 않고, 햄펄 필터(Hampel filter), 주성분 분석(PCA, Principal Component Analysis) 등을 이용하여 데이터 노이즈를 제거할 수도 있다.
예측 데이터 도출부(130)는 제 1 학습 모델로부터 건물 내의 환경을 제어하기 위한 제 1 예측 데이터를 도출하고, 센싱 데이터를 제 2 학습 모델에 입력하여 건물 내의 환경을 제어하기 위한 제 2 예측 데이터를 도출할 수 있다.
예를 들어, 예측 데이터 도출부(130)는 제 1 학습 모델로부터 과거에 측정되어 검증이 완료된 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 센싱 데이터를 제 2 학습 모델에 입력함으로써, 제 2 학습 모델을 통해 과거의 입출력 데이터 및 검증이 필요한 입출력 데이터를 기반으로 제 2 예측 데이터를 도출할 수 있다.
프랙탈 분석 수행부(140)는 제 1 예측 데이터 및 제 2 예측 데이터 간의 잔차를 계산할 수 있다. 예를 들어, 프랙탈 분석 수행부(140)는 제 1 예측 모델을 통해 도출된 제 1 예측 데이터 및 제 2 예측 모델을 통해 도출된 제 2 예측 데이터와의 평균제곱근 오차의 변동계수(CVRMSE, Coefficient of Variance of the Root Mean Square Error)를 이용하여 제 1 예측 데이터 및 제 2 예측 데이터 간의 잔차를 계산할 수 있다.
프랙탈 분석 수행부(140)는 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행할 수 있다.
프랙탈 분석이란 복잡계 이론(Complexity theory)을 설명하기 위한 방법 중 하나로, 전체 구조내의 작은 구조들이 유사한 형태로 되풀이되는 자기상사성(Self-similarity) 특징을 가진 척도불변구조(Scale invariant structure)로서, 구조의 차원이 분수차원으로 이루어진 멱함수 법칙(Power law)의 형태로 표현될 수 있다.
여기서, 멱함수 법칙은 사건과 빈도 간의 관계가 거듭제곱 형태로 표현 가능한 것을 의미하며, 멱함수 분포는 평균값과 같은 척도로 표현가능한 정규분포가 아닌 척도가 없는 척도불변구조로 구성될 수 있다. 이러한 척도불변구조의 멱함수 법칙은 프랙탈 분석을 통해 불규칙하고, 무질서하게 보이는 시계열데이터에서도 질서정연한 형태가 발견되고 있다.
프랙탈은 척도불변구조가 시/공간 변화에 따라 독립적인지 아닌지 여부에 따라 모노프랙탈(Monofractal)과 멀티프랙탈(Multifractal)로 구분되며, 모노프랙탈은 척도와 상관없이 동일한 프랙탈 구조를 가지며, 멀티프랙탈은 척도에 따라 다수의 프랙탈 구조를 갖는다.
프랙탈 분석 수행부(140)는 잔차(Residual)에 대하여 멀티프랙탈 탈경향 변동분석(MDFA: Multifractal Detrended Fluctuation Analysis)을 수행할 수 있다. 이는, 잔차에 대하여 멀티프랙탈 탈경향 변동분석의 수행을 통해 센싱 데이터의 오류(즉, 센싱 데이터가 비정상 데이터인지 여부)를 검출하기 위함이다.
프랙탈 분석 수행부(140)는 멀티프랙탈 스펙트럼 도출부(145)를 포함할 수 있다.
멀티프랙탈 스펙트럼 도출부(145)는 잔차에 대한 멀티프랙탈 탈경향 변동분석에 기초하여 멀티프랙탈 스펙트럼을 도출할 수 있다. 예를 들어, 멀티프랙탈 스펙트럼 도출부(145)는 잔차에 대한 멀티프랙탈 탈경향 변동분석을 통해 시계열 데이터 내의 멀티프랙탈 구조를 식별할 수 있다.
이 때, 멀티프랙탈 스펙트럼 도출부(145)는 시계열 데이터가 모노프랙탈 구조를 가진 경우, 잔차의 허스트 지수(Hurst exponent)를 계산하고, 시계열 데이터가 멀티프랙탈 구조를 가진 경우, 멀티프랙탈 스펙트럼의 폭과 멀티프랙탈 차원의 차이를 계산할 수 있다.
이를 위해, 프랙탈 분석 수행부(140)는 잔차에 대하여 q 차원 변동함수(Fluctuation function, Fq(S)) 및 허스트 지수(h(q))를 계산하여 시계열 데이터 내의 프랙탈 구조를 식별할 수 있다. q 차원 변동함수 및 허스트 지수는 다음의 수학식 4를 통해 도출될 수 있다.
수학식 4를 참조하면, 시계열 데이터는 평균값에서 각 데이터의 차이를 누적한 데이터(Y)로 변환될 수 있다. 이는 노이즈를 랜덤워크 시계열 데이터로 변경하기 위함이다. 또한, 국소적 차원을 분석하기 위해 척도(s)에 따라 누적된 데이터(Y)를 조각 수(v)로 구분하고, 조각 수마다 누적 데이터와 m차 다항식과의 차이를 통해 지수변수(q)에 따른 허스트 지수(h(q))를 이용하여 멀티프랙탈 경향을 식별할 수 있다.
멱함수 법칙을 통해 상이한 척도에 따라 허스트 지수가 일정하면 모노프랙탈 구조이고, 허스트 지수가 변동되면 멀티프랙탈 구조를 가지므로, 이를 통해 멀티프랙탈 여부를 식별할 수 있게 된다.
멀티프랙탈 스펙트럼 도출부(145)는 멀티프랙탈 스펙트럼의 폭 및 멀티프랙탈 차원 중 적어도 하나를 계산할 수 있다. 멀티프랙탈 스펙트럼의 폭 및 멀티프랙탈 차원의 차이를 이용하여 센싱 데이터의 오류(즉, 센싱 데이터가 비정상 데이터인지 여부)를 검출할 수 있다.
수학식 5를 참조하면, 멀티프랙탈 스펙트럼 도출부(145)는 q 차원의 허스트 지수를 q차원의 질량지수(Mass exponent, (q))로 변환하고, 멀티프랙탈 스펙트럼을 표현하는 q차원의 특이성 지수(Singularity exponent, α(q))와 q차원의 특이성 차원(Singularity dimension, f(α))을 도출할 수 있다.
이 때, 멀티프랙탈 스펙트럼의 폭은 △α=αmax- αmin을 통해 도출될 수 있으며, 멀티프랙탈의 차원의 차이는 △f=f(αmax)-f(αmin)을 통해 도출될 수 있다. 여기서, 멀티프랙탈 스펙트럼의 폭과 멀티프랙탈 차원의 차이는 시계열 데이터 내에서 프랙탈 구조들의 변동 범위 및 불규칙성 범위를 측정하는 것으로, 시계열 데이터의 변동 범위와 심각성이 표현될 수 있다.
즉, 멀티프랙탈 스펙트럼의 폭과 멀티프랙탈 차원의 차이는 멀티프랙탈 스펙트럼이 정상 형태 또는 비정상 형태에서 차이가 발생되며, 이를 통해 센싱 데이터의 정상 여부가 판단될 수 있다.
멀티프랙탈 스펙트럼을 식별하여 센싱 데이터의 정상 여부를 검출하는 과정에 대해서는 도 2a 내지 도 2b를 통해 상세히 설명하도록 한다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 멀티프랙탈 스펙트럼을 식별하는 과정을 설명하기 위한 예시적인 도면이다.
도 2a는 본 발명의 일 실시예에 따른 q 차원 변동함수에 대한 허스트 지수를 도시한 예시적인 도면이다. 도 2a를 참조하면, 프랙탈 분석 수행부(140)는 q 차원 변동함수(200)에 대한 허스트 지수(210)를 통해 시계열 데이터 내의 프랙탈 구조를 식별할 수 있다.
예를 들어, 지수변수(q)가 2(201)인 경우, 일반적인 허스트 지수(Generalized hurst exponent)의 값이 0.5보다 크면 프랙탈 구조를 가지는 것을 식별할 수 있다. 예를 들어, 지수변수(q)가 2(201)인 경우, 일반적인 허스트 지수는 0.5보다 높은 0.508(211)이므로, 프랙탈 분석 수행부(140)는 시계열 데이터가 프랙탈 구조를 갖는 것으로 식별할 수 있다.
또한, 프랙탈 분석 수행부(140)는 프랙탈 구조인 시계열 데이터가 지수변수(q)에 따라 상이한 허스트 지수를 갖는 멀티프랙탈 구조임을 식별할 수 있다. 이 때, 프랙탈 분석 수행부(140)는 지수변수(q)와 상관없이 일정한 q 차원의 허스트 지수를 갖는 모노프랙탈 또는 백색잡음과 명백히 구분할 수 있다.
도 2b는 본 발명의 일 실시예에 따른 멀티프랙탈 스펙트럼을 도시한 예시적인 도면이다. 도 2b를 참조하면, 멀티프랙탈 스펙트럼 도출부(145)는 특이성 지수(220)에 대한 특이성 차원(230)을 통해 도출된 멀티프랙탈 스팩트럼의 결과를 통해, 멀티프랙탈 스펙트럼의 폭(223; q 차원의 특이성 지수(220)의 최소값(0,4097, 221))과 최대값(0.6334, 222)의 차이로서 0.2237(=0.6334-0.4097)) 및 스펙트럼의 차원의 차이('-0.0634')를 계산할 수 있다.
다시 도 1로 돌아와서, 명령 생성부(150)는 프랙탈 분석의 수행 결과에 기초하여 제 1 예측 데이터 또는 제 2 예측 데이터를 이용하여 건물 내의 환경을 제어하기 위한 제어 명령을 생성할 수 있다.
일 실시예에 따르면, 명령 생성부(150)는 멀티프랙탈 스펙트럼이 기설정된 정상 형태인 경우, 제 2 예측 데이터를 이용하여 제어 명령을 생성할 수 있다. 이는, 멀티프랙탈 스펙트럼이 기설정된 정상 상태인 경우, 제 2 학습 모델에 입력된 검증되지 않은 센싱 데이터가 정상적인 데이터로 판별됨에 따라, 제 2 예측 데이터를 이용하여 제어 명령을 생성할 수 있다. 여기서, 기설정된 정상 상태는 멀티프랙탈 스펙트럼의 폭 및 멀티프랙탈 차원의 차이가 기설정된 범위 내의 값을 가지는 경우를 의미할 수 있다.
업데이트부(160)는 멀티프랙탈 스펙트럼이 기설정된 정상 형태인 경우, 제 2 예측 데이터를 이용하여 제 1 학습 모델 및 제 2 학습 모델을 업데이트할 수 있다. 이는, 제 2 예측 모델에 입력된 센싱 데이터가 정상적인 데이터인 것으로 판별됨에 따라, 제 2 예측 데이터를 이용하여 제 1 학습 모델 및 제 2 학습 모델을 업데이트하는 것이다. 이 때, 검증된 제 2 예측 데이터는 과거 데이터가 되어 제 1 학습 모델 및 제 2 학습 모델을 업데이트하는데 이용될 수 있다.
다른 실시예에 따르면, 명령 생성부(150)는 멀티프랙탈 스펙트럼이 기설정된 비정상 형태인 경우, 제 1 예측 데이터를 이용하여 제어 명령을 생성할 수 있다. 이는, 멀티프랙탈 스펙트럼이 기설정된 비정상 형태인 경우, 제 2 학습 모델에 입력된 센싱 데이터가 비정상적인 데이터로 판별됨에 따라, 검증된 과거 데이터에 기초하여 생성된 제 1 학습 모델을 통해 도출된 제 1 예측 데이터를 이용하여 제어 명령을 생성하는 것이다.
업데이트부(160)는 멀티프랙탈 스펙트럼이 기설정된 비정상 형태인 경우, 제 1 예측 데이터를 이용하여 제 2 학습 모델을 업데이트할 수 있다. 이는, 제 2 예측 모델에 입력된 센싱 데이터가 비정상적인 데이터로 판별됨에 따라, 정상적인 과거 데이터를 통해 도출된 제 1 예측 데이터를 이용하여 제 1 학습 모델을 업데이트하는 것이다.
도 3a 내지 도 3c는 본 발명의 일 실시예에 따른 VAV 공조 시스템에서 센싱 데이터의 정상 여부를 검출하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a는 본 발명의 일 실시예에 따른 VAV(Variable Air Volume) 공조 시스템에서 환경을 제어하는 과정을 설명하기 위한 예시적인 도면이다. 도 3a를 참조하면, 환경 제어 서버(100)는 BEMS(Building Energy Management System) 시계열 데이터를 10분 간격으로 측정할 수 있다.
이 때, 환경 제어 서버(100)는 가우시안 프로세스 모델 기반의 제 2 학습 모델에 입력 데이터로서 외기 댐퍼(300) 토출구의 유량 및 온도, 냉수(301) 출구의 유량, 리턴팬(302) 토출구의 유량 및 온도, 공급팬(303) 토출구의 유량에 대한 현재의 센싱 데이터를 입력하고, 공급팬(303) 토출구 온도가 출력되도록 할 수 있다.
환경 제어 서버(100)는 공급공기온도를 이용한 냉수(301) 유량 조절과 스케쥴 제어(공조시간: 30%, 비공조시간: 0%)를 이용하여 외기 댐퍼(300)의 개도율을 통해 외기도입량을 제어할 수 있다.
환경 제어 서버(100)는 BEMS 센서 데이터의 정상 여부의 검출을 위해 제 1 학습 모델로부터 냉수(301) 유량 및 외기 댐퍼(300)의 개도율에 대한 제 1 예측 데이터를 도출하고, 제 2 학습 모델로부터 냉수(301) 유량 및 외기 댐퍼(300)의 개도율에 대한 제 2 예측 데이터를 도출할 수 있다.
여기서, 제 1 예측 데이터에는 현재의 센싱 데이터가 반영되어 있지 않고, 제 2 예측 데이터에는 현재의 센싱 데이터가 반영되어 있다.
또한, 환경 제어 서버(100)는 제 1 예측 데이터 및 제 2 예측 데이터 간의 잔차를 계산하고, 잔차에 대하여 프랙탈 분석을 수행함으로써, 공급팬(303) 토출구 온도에 대한 제 2 예측 데이터가 정상인지 여부를 판단할 수 있다.
만일, 환경 제어 서버(100)는 제 2 예측 데이터가 정상일 경우, 제 2 예측 데이터를 이용하여 공급팬(303)을 제어하고, 제 2 예측 데이터가 비정상일 경우, 제 1 예측 데이터를 이용하여 공급팬(303)을 제어할 수 있다.
도 3b는 본 발명의 일 실시예에 따른 냉수유량조절 데이터에 대한 멀티프랙탈 스펙트럼의 폭 및 멀티프랙탈 차원을 도시한 예시적인 도면이다. 도 3b를 참조하면, 멀티프랙탈 스펙트럼의 폭(310) 및 멀티프랙탈 차원(320)이 각각 19일(330) 이후에 멀티프랙탈 스펙트럼이 갑작스럽게 증가한 것을 알 수 있다. 이를 통해, 환경 제어 서버(100)는 19일(330) 이후에, 냉수유량조절 데이터가 비정상인 것을 파악할 수 있다.
도 3c는 본 발명의 일 실시예에 따른 외기도입댐퍼 개구율 데이터에 대한 멀티프랙탈 스펙트럼의 폭 및 멀티프랙탈 차원을 도시한 예시적인 도면이다. 도 3c를 참조하면, 멀티프랙탈 스펙트럼의 폭(340) 및 멀티프랙탈 차원(350)이 각각 11일(360) 이후에 멀티프랙탈 스펙트럼이 갑작스럽게 증가한 것을 알 수 있다. 이를 통해, 환경 제어 서버(100)는 11일(360) 이후에 외기도입댐퍼 개구율 데이터가 비정상인 것을 파악할 수 있다.
이와 같이, 센싱 데이터의 정상 여부는 멀티프랙탈 탈경향 요동분석을 이용하여 검출할 수 있으며, 멀티프랙탈 탈경향 요동분석은 기존 잔차와 관리자에 의해 주관적으로 설정되는 오류 임계값의 문제를 해결할 수 있다는 장점을 갖는다.
도 4는 본 발명의 일 실시예에 따른 환경 제어 서버에서 건물 내의 환경을 제어하는 방법의 순서도이다. 도 4에 도시된 환경 제어 서버(100)에서 건물 내의 환경을 제어하는 방법은 도 1 내지 도 3c에 도시된 실시예에 따라 환경 제어 서버(100)에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 3c에 도시된 실시예에 따른 환경 제어 서버(100)에서 건물 내의 환경을 제어하는 방법에도 적용된다.
단계 S410에서 환경 제어 서버(100)는 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성할 수 있다.
단계 S420에서 환경 제어 서버(100)는 건물에 관한 센싱 데이터를 수집할 수 있다.
단계 S430에서 환경 제어 서버(100)는 제 1 학습 모델로부터 건물 내의 환경을 제어하기 위한 제 1 예측 데이터를 도출하고, 센싱 데이터를 상기 제 2 학습 모델에 입력하여 건물 내의 환경을 제어하기 위한 제 2 예측 데이터를 도출할 수 있다.
단계 S440에서 환경 제어 서버(100)는 제 1 예측 데이터 및 제 2 예측 데이터 간의 잔차를 계산하고, 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행할 수 있다.
단계 S450에서 환경 제어 서버(100)는 프랙탈 분석의 수행 결과에 기초하여 제 1 예측 데이터 또는 제 2 예측 데이터를 이용하여 건물 내의 환경을 제어하기 위한 제어 명령을 생성할 수 있다.
상술한 설명에서, 단계 S410 내지 S450은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 1 내지 도 4를 통해 설명된 환경 제어 서버에서 건물 내의 환경을 제어하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 4를 통해 설명된 환경 제어 서버에서 건물 내의 환경을 제어하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 환경 제어 서버
110: 학습 모델 생성부
120: 데이터 수집부
130: 예측 데이터 도출부
140: 프랙탈 분석 수행부
145: 멀티프랙탈 스펙트럼 도출부
150: 명령 생성부
160: 업데이트부

Claims (19)

  1. 건물 내의 환경을 제어하는 서버에 있어서,
    상기 건물 내의 환경을 제어하기 위한 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성하는 학습 모델 생성부;
    상기 건물에 관한 센싱 데이터를 수집하는 데이터 수집부;
    상기 제 1 학습 모델로부터 과거의 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 상기 센싱 데이터를 상기 제 2 학습 모델에 입력하여 제 2 예측 데이터를 도출하는 예측 데이터 도출부;
    상기 제 1 예측 데이터 및 상기 제 2 예측 데이터 간의 잔차(Residual)를 계산하고, 상기 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행하는 프랙탈 분석 수행부; 및
    상기 프랙탈 분석의 수행 결과에 기초하여 상기 제 1 예측 데이터 또는 상기 제 2 예측 데이터를 이용하여 상기 건물 내의 환경을 제어하기 위한 제어 명령을 생성하는 명령 생성부
    를 포함하는 것인, 서버.
  2. 제 1 항에 있어서,
    상기 프랙탈 분석 수행부는 상기 잔차에 대하여 멀티프랙탈 탈경향 변동분석(MDFA: Multifractal Detrended Fluctuation Analysis)을 수행하는 것인, 서버.
  3. 제 2 항에 있어서,
    상기 프랙탈 분석 수행부는 상기 잔차에 대한 멀티프랙탈 탈경향 변동분석에 기초하여 멀티프랙탈 스펙트럼을 도출하는 멀티프랙탈 스펙트럼 도출부
    를 포함하는 것인, 서버.
  4. 제 3 항에 있어서,
    상기 멀티프랙탈 스펙트럼 도출부는 상기 멀티프랙탈 스펙트럼의 폭 및 멀티프랙탈 차원의 차이 중 적어도 하나를 계산하는 것인, 서버.
  5. 제 1 항에 있어서,
    상기 프랙탈 분석 수행부는 상기 잔차에 대하여 q 차원 변동함수(Fluctuation function) 및 허스트 지수(Hurst exponent)를 계산하여 시계열 데이터 내의 프랙탈 구조를 식별하는 것인, 서버.
  6. 제 3 항에 있어서,
    상기 명령 생성부는 상기 멀티프랙탈 스펙트럼이 기설정된 정상 형태인 경우, 상기 제 2 예측 데이터를 이용하여 상기 제어 명령을 생성하는 것인, 서버.
  7. 제 3 항에 있어서,
    상기 명령 생성부는 상기 멀티프랙탈 스펙트럼이 기설정된 비정상 형태인 경우, 상기 제 1 예측 데이터를 이용하여 상기 제어 명령을 생성하는 것인, 서버.
  8. 제 3 항에 있어서,
    상기 멀티프랙탈 스펙트럼이 기설정된 정상 형태인 경우, 상기 제 2 예측 데이터를 이용하여 상기 제 1 학습 모델 및 상기 제 2 학습 모델을 업데이트하는 업데이트부를 더 포함하는 것인, 서버.
  9. 제 3 항에 있어서,
    상기 멀티프랙탈 스펙트럼이 기설정된 비정상 형태인 경우, 상기 제 1 예측 데이터를 이용하여 상기 제 2 학습 모델을 업데이트하는 업데이트부를 더 포함하는 것인, 서버.
  10. 서버에서 건물 내의 환경을 제어하는 방법에 있어서,
    상기 건물 내의 환경을 제어하기 위한 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성하는 단계;
    상기 건물에 관한 센싱 데이터를 수집하는 단계;
    상기 제 1 학습 모델로부터 과거의 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 상기 센싱 데이터를 상기 제 2 학습 모델에 입력하여 제 2 예측 데이터를 도출하는 단계;
    상기 제 1 예측 데이터 및 상기 제 2 예측 데이터 간의 잔차(Residual)를 계산하고, 상기 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행하는 단계; 및
    상기 프랙탈 분석의 수행 결과에 기초하여 상기 제 1 예측 데이터 또는 상기 제 2 예측 데이터를 이용하여 상기 건물 내의 환경을 제어하기 위한 제어 명령을 생성하는 단계를 포함하는 것인, 환경 제어 방법.
  11. 제 10 항에 있어서,
    상기 프랙탈 분석을 수행하는 단계는,
    상기 잔차에 대하여 멀티프랙탈 탈경향 변동분석(MDFA: Multifractal Detrended Fluctuation Analysis)을 수행하는 단계를 포함하는 것인, 환경 제어 방법.
  12. 제 11 항에 있어서,
    상기 프랙탈 분석을 수행하는 단계는,
    상기 잔차에 대한 멀티프랙탈 탈경향 변동분석에 기초하여 멀티프랙탈 스펙트럼을 도출하는 단계를 포함하는 것인, 환경 제어 방법.
  13. 제 12 항에 있어서,
    상기 멀티프랙탈 스펙트럼을 도출하는 단계는,
    상기 멀티프랙탈 스펙트럼의 폭 및 멀티프랙탈 차원의 차이 중 적어도 하나를 계산하는 단계를 포함하는 것인, 환경 제어 방법.
  14. 제 10 항에 있어서,
    상기 프랙탈 분석을 수행하는 단계는,
    상기 잔차에 대하여 q 차원 변동함수(Fluctuation function) 및 허스트 지수(Hurst exponent)를 계산하여 시계열 데이터 내의 프랙탈 구조를 식별하는 단계를 포함하는 것인, 환경 제어 방법.
  15. 제 12 항에 있어서,
    상기 제어 명령을 생성하는 단계는,
    상기 멀티프랙탈 스펙트럼이 기설정된 정상 형태인 경우, 상기 제 2 예측 데이터를 이용하여 상기 제어 명령을 생성하는 단계를 포함하는 것인, 환경 제어 방법.
  16. 제 12 항에 있어서,
    상기 제어 명령을 생성하는 단계는,
    상기 멀티프랙탈 스펙트럼이 기설정된 비정상 형태인 경우, 상기 제 1 예측 데이터를 이용하여 상기 제어 명령을 생성하는 단계를 포함하는 것인, 환경 제어 방법.
  17. 제 12 항에 있어서,
    상기 멀티프랙탈 스펙트럼이 기설정된 정상 형태인 경우, 상기 제 2 예측 데이터를 이용하여 상기 제 1 학습 모델 및 상기 제 2 학습 모델을 업데이트하는 단계를 더 포함하는 것인, 환경 제어 방법.
  18. 제 12 항에 있어서,
    상기 멀티프랙탈 스펙트럼이 기설정된 비정상 형태인 경우, 상기 제 1 예측 데이터를 이용하여 상기 제 2 학습 모델을 업데이트하는 단계를 더 포함하는 것인, 환경 제어 방법.
  19. 건물 내의 환경을 제어하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    상기 건물 내의 환경을 제어하기 위한 건물에 대한 과거 데이터에 기초하여 제 1 학습 모델 및 제 2 학습 모델을 생성하고,
    상기 건물에 관한 센싱 데이터를 수집하고,
    상기 제 1 학습 모델로부터 과거의 입출력 데이터를 기반으로 제 1 예측 데이터를 도출하고, 상기 센싱 데이터를 상기 제 2 학습 모델에 입력하여 제 2 예측 데이터를 도출하고,
    상기 제 1 예측 데이터 및 상기 제 2 예측 데이터 간의 잔차(Residual)를 계산하고, 상기 잔차에 대하여 프랙탈 분석(Fractal Analysis)을 수행하고,
    상기 프랙탈 분석의 수행 결과에 기초하여 상기 제 1 예측 데이터 또는 상기 제 2 예측 데이터를 이용하여 상기 건물 내의 환경을 제어하기 위한 제어 명령을 생성하도록 하는 명령어들의 시퀀스를 포함하는, 매체에 저장된 컴퓨터 프로그램.
KR1020240059849A 2019-10-18 2024-05-07 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램 KR20240071361A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020240059849A KR20240071361A (ko) 2019-10-18 2024-05-07 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190130209A KR102665327B1 (ko) 2019-10-18 2019-10-18 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
KR1020240059849A KR20240071361A (ko) 2019-10-18 2024-05-07 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190130209A Division KR102665327B1 (ko) 2019-10-18 2019-10-18 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR20240071361A true KR20240071361A (ko) 2024-05-22

Family

ID=75721030

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190130209A KR102665327B1 (ko) 2019-10-18 2019-10-18 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
KR1020240059849A KR20240071361A (ko) 2019-10-18 2024-05-07 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190130209A KR102665327B1 (ko) 2019-10-18 2019-10-18 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (2) KR102665327B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102634553B1 (ko) * 2021-12-20 2024-02-08 주식회사 스피랩 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법
KR102687917B1 (ko) * 2023-10-23 2024-07-24 (주)임팩티브에이아이 디컴퍼지션 기법과 머신러닝 하이브리드 모델을 이용한 제품 수요 예측 방법 및 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101263172B1 (ko) * 2011-07-19 2013-05-10 삼성물산 주식회사 군관리 운전을 이용한 에너지 관리방법
KR20140125245A (ko) * 2013-04-18 2014-10-28 한국전자통신연구원 건물 에너지 효율화 시스템 및 방법
KR101629809B1 (ko) * 2014-03-26 2016-06-14 주식회사 나인에코 대형건물 실내공기질 예측 서비스 제공 시스템
KR20180116577A (ko) * 2017-04-17 2018-10-25 선문대학교 산학협력단 건물 시스템 진단 방법 및 장치
US10585420B2 (en) * 2017-11-06 2020-03-10 Abemis LLC Method and system to generate three-dimensional meta-structure model of a workpiece

Also Published As

Publication number Publication date
KR20210046473A (ko) 2021-04-28
KR102665327B1 (ko) 2024-05-17

Similar Documents

Publication Publication Date Title
KR20240071361A (ko) 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
Karami et al. Fault detection and diagnosis for nonlinear systems: A new adaptive Gaussian mixture modeling approach
JP6896432B2 (ja) 故障予知方法、故障予知装置および故障予知プログラム
US20200371491A1 (en) Determining Operating State from Complex Sensor Data
JP6354755B2 (ja) システム分析装置、システム分析方法、及びシステム分析プログラム
US20210018205A1 (en) Systems and methods for automated system identification
JP6774636B2 (ja) 異常分析方法、プログラムおよびシステム
JP5868216B2 (ja) クラスタリング装置及びクラスタリングプログラム
KR102235808B1 (ko) 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램
JP7201844B2 (ja) グラディエントベースのセンサ識別を利用した障害予測
KR102434460B1 (ko) 기계학습 기반 예측 모델 재학습 장치 및 그 방법
WO2011084390A1 (en) Method for non-intrusive load monitoring using a hybrid systems state estimation approach
CN109684310A (zh) 一种基于大数据分析的信息系统性能态势感知方法
KR101941854B1 (ko) 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법
Goodman et al. Prognostics and health management: A practical approach to improving system reliability using condition-based data
JP2018092445A5 (ko)
US11526687B2 (en) Apparatus for generating learning data for combustion optimization and method therefor
CN112148768A (zh) 一种指标时间序列异常检测方法、系统及存储介质
US11761623B2 (en) Apparatus for combustion optimization and method therefor
JPWO2018073955A1 (ja) システム分析方法、システム分析装置、および、プログラム
He et al. Dynamic mutual information similarity based transient process identification and fault detection
KR20180116577A (ko) 건물 시스템 진단 방법 및 장치
CN117111446B (zh) 一种磁悬浮飞轮电机模糊pid控制优化方法
CN112128950B (zh) 一种基于多种模型对比的机房温湿度预测方法及系统
US20200166205A1 (en) Apparatus for managing combustion optimization and method therefor

Legal Events

Date Code Title Description
A107 Divisional application of patent