WO2023120967A1 - 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법 - Google Patents

강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법 Download PDF

Info

Publication number
WO2023120967A1
WO2023120967A1 PCT/KR2022/017342 KR2022017342W WO2023120967A1 WO 2023120967 A1 WO2023120967 A1 WO 2023120967A1 KR 2022017342 W KR2022017342 W KR 2022017342W WO 2023120967 A1 WO2023120967 A1 WO 2023120967A1
Authority
WO
WIPO (PCT)
Prior art keywords
building
state data
energy
data
building management
Prior art date
Application number
PCT/KR2022/017342
Other languages
English (en)
French (fr)
Inventor
이혜영
Original Assignee
주식회사 스피랩
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 스피랩 filed Critical 주식회사 스피랩
Publication of WO2023120967A1 publication Critical patent/WO2023120967A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • 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
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Definitions

  • the present invention relates to a building energy management system (BEMS) that manages energy used inside a building using reinforcement learning.
  • BEMS building energy management system
  • cooling or heating can be a condition for maintaining a comfortable condition inside a building.
  • BEMS building energy management system
  • the existing BEMS has a problem in that it is difficult to achieve energy optimization of a building because it simply performs energy consumption monitoring or device efficiency analysis without automatic control or optimization function.
  • an object of the present invention is to implement a system for implementing optimization of energy used in a building using artificial intelligence.
  • the LSTM model may generate predicted state data by calculating an expected indoor temperature for various energy usage based on the first state data.
  • the indoor temperature calculated according to the size of each energy consumption is corrected based on the outdoor temperature and climate, and a correction value according to the weather outside the building and the season may be applied.
  • the feasibility of energy usage may be determined based on the indoor/outdoor temperature for the section in which energy usage has increased rapidly among the first state data, and a correction value for the section in which energy usage has rapidly increased may be applied according to the validity.
  • the building management model may generate building management data so as to change the indoor temperature closest to a specific temperature while calculating the minimum energy consumption for real-time indoor temperature fluctuations.
  • the building management data generated by the building management model can individually adjust the power level applied to the air conditioning and heating devices for each area of the building.
  • step (c) if the specific temperature is set differently according to the change of time, the building management data generated by the building management model adjusts the power level applied to the air conditioning and heating device according to the change of time according to the specific temperature. can change
  • step (b) further sets light management data including on/off times of a plurality of lights installed inside the building as a state value
  • step (c) sets multiple lights through building management data. The on/off of the lights can be further adjusted at specific times.
  • the LSTM model and the building management model may be updated based on the second state data and the building management data.
  • the LSTM model may be corrected based on an error generated by comparing the second predicted state data calculated by inputting the second state data into the LSTM model and the building management data.
  • a warning alarm may be provided to the set manager terminal.
  • a program that provides a method for managing energy in a building through artificial intelligence is stored in a memory and the program stored in the memory is executed to save the energy of the building through artificial intelligence.
  • a processor that provides a management method wherein the processor collects first state data generated during a specific period in the past from a plurality of sensors disposed in the building, inputs the first state data into an LSTM model, and inputs the first state data to a predetermined period from the present Output predicted state data for the future, set the first state data and predicted state data as state values, and output building management data as action values, but when the indoor temperature of the building is a specific temperature value, the expected energy consumption is low.
  • the building management model trains a building management model based on reinforcement learning to provide recording compensation, inputs the second state data received in real time from the sensor into the building management model, and outputs the building management data to control the air conditioning and heating devices provided in the building.
  • the first and second state data and the predicted state data are data of the indoor and outdoor temperature of the building and energy consumption used for a predetermined time
  • the building management data includes data on power level fluctuations supplied to air conditioning and heating devices It may be a device that
  • it may be a computer readable storage medium on which a program for performing the method of managing energy of a building through artificial intelligence according to claim 1 is recorded.
  • FIG. 1 is a diagram showing the configuration of a system for managing energy of a building through artificial intelligence according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing the configuration of a server according to an embodiment of the present invention.
  • FIG. 3 is an operational flowchart illustrating a process of managing energy of a building through artificial intelligence according to an embodiment of the present invention.
  • 'server 100' may refer to a device that manages energy of a building through artificial intelligence.
  • FIG. 1 is a diagram showing the configuration of a system for managing energy of a building through artificial intelligence according to an embodiment of the present invention.
  • a system may include a server 100 and a building sensor 200 . At this time, each device may be interconnected wired or wirelessly through a communication network.
  • the server 100 may collect state data from the building sensors 200 disposed in the building and input them to an LSTM model to calculate predicted state data.
  • the state data and the predicted state data may mean data of the indoor and outdoor temperatures of the building and the amount of energy used for a predetermined time from the building sensor 200 . That is, the external temperature of the building, the temperature inside the building formed through cooling or heating, and the amount of energy used to maintain the temperature inside the building may be included.
  • the energy may generally be electricity, but since other energy sources may be developed later, the scope of the invention is not limited by defining the type of energy in the present invention.
  • the server 100 may teach the first state data and the predicted state data generated through the LSTM model to each preset building management model.
  • the building management model is a type of artificial intelligence, and a model having the characteristics of supervised learning, unsupervised learning, or reinforcement learning can be applied, and in this specification, the invention will be described based on reinforcement learning for smooth explanation.
  • the server 100 inputs the state data received from the building sensor 200 through the learned building management model, calculates the optimal building management data, and operates the air conditioning and heating devices provided in the building. to be
  • the building management data may include energy usage and temperature control data inside the building. That is, data on how to perform heating and cooling inside the building and energy consumption therefor may be included.
  • the building sensor 200 is generally a temperature sensor for measuring the temperature inside and outside the building and a temperature sensor for measuring the energy used by various devices (air conditioning or heating devices, etc.) provided in the building.
  • a sensor eg, an electric meter, etc. may be applicable.
  • the communication network serves to connect the server 100 and the building sensor 200. That is, the communication network refers to a communication network that provides an access path so that the server 100 can transmit and receive data after accessing the building sensor 200 .
  • Communication networks include, for example, wired networks such as LANs (Local Area Networks), WANs (Wide Area Networks), MANs (Metropolitan Area Networks), and ISDNs (Integrated Service Digital Networks), wireless LANs, wireless networks such as CDMA, Bluetooth, and satellite communication.
  • wired networks such as LANs (Local Area Networks), WANs (Wide Area Networks), MANs (Metropolitan Area Networks), and ISDNs (Integrated Service Digital Networks)
  • wireless LANs wireless networks
  • wireless networks such as CDMA, Bluetooth, and satellite communication.
  • the scope of the present invention is not limited thereto.
  • FIG. 2 is a diagram showing the configuration of a server according to an embodiment of the present invention.
  • the main server 100 includes a communication module 110, a memory 120, a processor 130, and a database 140.
  • the communication module 110 provides a communication interface necessary to provide a transmission/reception signal between the server 100 and the building sensor 200 in the form of packet data in conjunction with a communication network. Furthermore, the communication module 110 may serve to receive a data request from the building sensor 200 and transmit data as a response thereto.
  • the communication module 110 may be a device including hardware and software necessary for transmitting and receiving a signal such as a control signal or a data signal with another network device through a wired or wireless connection.
  • the memory 120 stores a program for managing energy of a building through artificial intelligence. Also, it performs a function of temporarily or permanently storing data processed by the processor 130 .
  • the memory 120 may include magnetic storage media or flash storage media, but the scope of the present invention is not limited thereto.
  • the processor 130 controls the entire process of managing energy of a building through artificial intelligence. Each step performed by the processor 130 will be described later with reference to FIG. 3 .
  • the processor 130 may include all types of devices capable of processing data, such as a processor.
  • a 'processor' may refer to a data processing device embedded in hardware having a physically structured circuit to perform functions expressed by codes or instructions included in a program, for example.
  • a data processing device built into hardware a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated (ASIC) circuit), field programmable gate array (FPGA), etc., but the scope of the present invention is not limited thereto.
  • the database 140 may store state data collected from the building sensor 200 and information generated from the LSTM and building management model.
  • some of the state data and data on information generated from the LSTM and building management model may be stored in a database (not shown) physically or conceptually separated from the database 140.
  • FIG. 3 is an operational flowchart illustrating a process of managing energy of a building through artificial intelligence according to an embodiment of the present invention.
  • the server 100 collects first state data generated during a specific period in the past from a plurality of building sensors 200 disposed in a building, inputs the first state data into an LSTM model, and Prediction state data for a predetermined period may be output (S110).
  • the first and second state data (the second state data may be state data measured in real time) and the predicted state data are data of the indoor and outdoor temperature of the building and energy consumption used for a predetermined time.
  • the LSTM model may generate predicted state data by calculating expected indoor temperature against various energy usage based on the first state data.
  • the server 100 corrects the indoor temperature calculated according to the size of each energy usage based on the outdoor temperature and climate, and may apply correction values according to weather and seasons outside the building. That is, since the amount of energy used to adjust the indoor temperature on a sunny day and a rainy day, or in summer and winter, respectively, may be different, the server 100 applies the correction value for these situations to the LSTM model to perform learning.
  • the server 100 determines the feasibility of the energy usage based on the indoor and outdoor temperatures for the section in which the energy usage rapidly increased among the first state data, and determines the validity of the energy usage for the section in which the energy usage rapidly increased according to the validity.
  • the server 100 recognizes a special situation, such as a case where only energy consumption increases in comparison to the temperature rise inside the building due to a failure of a heater installed in the building, and applies the correction value to the LSTM model to perform learning. there is.
  • the server 100 sets the first state data and the predicted state data as state values and outputs the building management data as action values.
  • a reinforcement learning-based building management model to be provided may be trained (S120). Reinforcement learning is a learning model that allows machine learning to be performed by providing a reward when an agent takes a specific action when the state value is set in the environment of a building.
  • the building management data may include change data of the power level supplied to the air conditioning and heating devices. That is, it may correspond to data for determining how much energy to supply to drive an air conditioner or a heating device for temperature management inside a building.
  • the present invention is a technology for managing building energy with optimized power, information on which air conditioning and heating devices are operated at what temperature and at what time of day in order to efficiently maintain building temperature with the least amount of power. is derived through machine learning, and based on this, it is possible to operate the building's air conditioning and heating devices.
  • the building management model may be configured as one type of a preset reinforcement learning model. Therefore, the building management model generates building management data so that the indoor temperature is changed to the indoor temperature closest to a specific temperature while calculating the minimum energy consumption for real-time indoor temperature fluctuations.
  • step S120 in the course of learning the building management model based on the first state data, the predicted state data, and the building management data, building management data having an optimal energy consumption may be learned as a reward.
  • the server 100 may input the second state data received in real time from the building sensor 200 to the building management model, output the building management data, and operate the air conditioning and heating devices provided in the building (S130). ).
  • the building management data generated by the building management model can individually adjust the power level applied to the air conditioning and heating devices for each area of the building. there is. This is because the temperature of each area of the building is not the same, so the temperature to be controlled by the air conditioning and heating devices installed in each area must be different from each other.
  • the building management data generated by the building management model compares the power level applied to the air conditioning and heating device according to the change in time to a specific temperature can change accordingly. For example, it may be to prevent energy from being wasted by forcibly setting a temperature even in a space that is not used by people during work hours.
  • the server 100 may further set lighting management data including on/off times of a plurality of lights installed inside the building as a state value.
  • step S130 the server 100 can further adjust the on/off of a plurality of lights at specific times through the building management data. Through this, it is possible to control energy by turning off lights that may be turned on unnecessarily.
  • the server 100 may update the LSTM model and the building management model based on the second state data and the building management data. At this time, the server 100 may correct the LSTM model based on an error generated by comparing the second predicted state data calculated by inputting the second state data into the LSTM model and the building management data.
  • the server 100 determines that a problem has occurred in the air conditioning and heating device when the energy usage or real-time internal temperature is out of a predetermined threshold range even though the temperature of the building is adjusted based on the building management data.
  • a warning alarm may be provided to a preset manager terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Emergency Management (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명의 일 실시예에 따른, 강화학습을 통해 건물의 에너지를 관리하는 방법에 있어서, (a) 건물 내에 배치된 복수의 센서로부터 과거의 특정 기간 동안 생성된 제1상태 데이터를 수집하고, 제1상태 데이터를 LSTM모델에 입력하여 현재부터 소정기간 이후에 대한 예측상태 데이터를 출력하는 단계; (b) 제1상태 데이터 및 예측상태 데이터를 state값으로 설정하고, 건물관리 데이터를 action 값으로 출력하되, 건물의 실내 온도가 특정 온도값일 때에 예상되는 에너지 사용량이 낮을수록 보상을 제공하도록 하는 강화학습 기반의 건물관리 모델을 학습시키는 단계; 및 (c) 센서로부터 실시간으로 수신된 제2상태 데이터를 건물관리 모델에 입력하고, 건물관리 데이터를 출력하여 건물에 구비된 공조 및 히팅장치를 가동하는 단계;를 포함하고, 제 1 및 제 2 상태 데이터 및 예측상태 데이터는 건물의 실내외 온도 및 소정의 시간 동안 사용된 에너지 사용량의 데이터이고, 건물관리 데이터는 공조 및 히팅장치에 공급되는 전력레벨의 변동 데이터가 포함한다.

Description

강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법
본 발명은 강화학습을 이용하여 건물 내부에서 이용되는 에너지를 관리하는 건물에너지관리시스템(building energy management system; BEMS)에 관한 것이다.
과거에 비해 건축기술이 발전함에 따라, 빌딩의 크기도 과거에 비해 비약적으로 거대해지고 있는 상황이다. 이러한 상황에서 과거에는 존재하지 않았던 빌딩 내부의 상황을 쾌적하게 유지하기 위한 문제가 대두되고 있다. 예를 들어, 냉방이나 난방이 빌딩 내부의 상황을 쾌적하게 유지하기 위한 조건이 될 수 있다.
한편, 건물은 국내 전체 에너지 소비 중 약 20%를 차지하는 만큼 국가 온실가스 감축 목표 달성에도 중요한 분야로 부상하고 있는 상황이다.
그에 따라, 건물에너지관리시스템(building energy management system; BEMS)이라는 개념이 개발되었으며, BEMS란 빌딩 내 에너지 관리 설비의 다양한 정보를 실시간 수집 및 분석해 에너지 사용 효율을 개선하는 시스템을 뜻한다.
하지만, 기존의 BEMS의 형태는 자동 제어나 최적화 기능이 없는 단순히 에너지 사용량의 모니터링이나 기기의 효율분석만을 수행하기 때문에 건물의 에너지 최적화를 이루기 어렵다는 문제를 가진다. 또한, 외부 환경과 같은 에너지 조절에 영향을 많이 주는 여러 요인이 고려되기 어렵기에 실질적인 에너지 최적화에는 많은 문제를 안고 있다.
본 발명은 상기한 문제점을 해결하기 위해, 인공지능을 이용하여 건물에서 사용하는 에너지의 최적화를 구현하기 위한 시스템을 구현하는 것을 목적으로 한다.
구체적으로 빌딩의 상태 및 에너지 사용에 영향을 주는 외적 요소에 대한 최적의 결과를 인공지능을 통해 도출하게 되어, 에너지의 최적의 절감 방법을 제안할 수 있게 된다.
또한, 에너지 소비 감소는 물론 사용자의 편의에 맞는 최적의 온도를 도출하여 에너지 최적화를 구현할 수 있다.
상기와 같은 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른, 서버에 의해 수행되는, 인공지능을 통해 건물의 에너지를 관리하는 방법에 있어서, (a) 건물 내에 배치된 복수의 센서로부터 과거의 특정 기간 동안 생성된 제1상태 데이터를 수집하고, 제1상태 데이터를 LSTM모델에 입력하여 현재부터 소정기간 이후에 대한 예측상태 데이터를 출력하는 단계; (b) 제1상태 데이터 및 예측상태 데이터를 state값으로 설정하고, 건물관리 데이터를 action 값으로 출력하되, 건물의 실내 온도가 특정 온도값일 때에 예상되는 에너지 사용량이 낮을수록 보상을 제공하도록 하는 강화학습 기반의 건물관리 모델을 학습시키는 단계; 및 (c) 센서로부터 실시간으로 수신된 제2상태 데이터를 건물관리 모델에 입력하고, 건물관리 데이터를 출력하여 건물에 구비된 공조 및 히팅장치를 가동하는 단계;를 포함하고, 제 1 및 제 2 상태 데이터 및 예측상태 데이터는 건물의 실내외 온도 및 소정의 시간 동안 사용된 에너지 사용량의 데이터이고, 건물관리 데이터는 공조 및 히팅장치에 공급되는 전력레벨의 변동 데이터가 포함될 수 있다.
또한, LSTM모델은 제1상태 데이터를 기반으로 다양한 에너지 사용량 대비 예상되는 실내 온도를 산출하여 예측상태 데이터를 생성할 수 있다.
또한, 각각의 에너지 사용량의 크기에 따라 산출된 실내 온도는 실외 온도 및 기후를 기반으로 보정이 수행되되, 건물 외부의 날씨 및 계절에 따른 보정치가 적용될 수 있다.
또한, 제1상태 데이터 중 에너지 사용량이 급증한 구간에 대한 실내외 온도를 기준으로 에너지 사용량의 타당성을 판단하고, 타당성 여부에 따라 에너지 사용량이 급증한 구간에 대한 보정치를 적용될 수 있다.
또한, 건물관리 모델은 실시간 실내 온도의 변동을 위해 최소한의 에너지 사용량을 산출하되, 특정 온도에 가장 가까운 실내 온도로 변화되도록 건물관리 데이터를 생성할 수 있다.
또한, 복수로 공조 및 히팅장치가 건물의 각 영역별 구비되면, 건물관리 모델에 의해 생성된 건물관리 데이터는 건물의 각 영역별 공조 및 히팅장치에 인가되는 전력레벨을 개별적으로 조절할 수 있다.
또한, (c) 단계는 특정 온도가 시간의 변화에 따라 서로 다르게 설정되면, 건물관리 모델에 의해 생성된 건물관리 데이터는 시간의 변화에 따라 공조 및 히팅장치에 인가되는 전력레벨을 특정 온도에 맞게 변동시킬 수 있다.
또한, (b) 단계는 건물 내부에 설치된 복수의 전등이 온/오프(on/off)되는 시간을 포함하는 전등 관리 데이터를 state값으로 더 설정하고, (c) 단계는 건물관리 데이터를 통해 복수의 전등의 온/오프를 특정 시간마다 더 조절할 수 있다.
또한, (c) 단계 이후 제2상태 데이터 및 건물관리 데이터에 기초하여 LSTM모델 및 건물관리 모델에 업데이트할 수 있다.
또한, 제2상태 데이터를 LSTM모델에 입력하여 산출된 제2예측상태 데이터와 건물관리 데이터를 비교하여 발생되는 오차를 기반으로 LSTM모델을 보정할 수 있다.
또한, (c) 단계 이후 건물관리 데이터에 기초하여 건물의 온도를 조절하였음에도, 에너지 사용량 또는 실시간 건물의 내부 온도가 기설정된 임계치 범위를 벗어나면, 공조 및 히팅장치에 문제가 발생한 것으로 판단하여, 기설정된 관리자 단말로 경고 알람을 제공할 수 있다.
또한, 인공지능을 통해 건물의 에너지를 관리하는 장치에 있어서, 인공지능을 통해 건물의 에너지를 관리하는 방법을 제공하는 프로그램이 저장된 메모리 및 메모리에 저장된 프로그램을 실행하여 인공지능을 통해 건물의 에너지를 관리하는 방법을 제공하는 프로세서를 포함하되, 프로세서는 건물 내에 배치된 복수의 센서로부터 과거의 특정 기간 동안 생성된 제1상태 데이터를 수집하고, 제1상태 데이터를 LSTM모델에 입력하여 현재부터 소정기간 이후에 대한 예측상태 데이터를 출력하고, 제1상태 데이터 및 예측상태 데이터를 state값으로 설정하고, 건물관리 데이터를 action 값으로 출력하되, 건물의 실내 온도가 특정 온도값일 때에 예상되는 에너지 사용량이 낮을수록 보상을 제공하도록 하는 강화학습 기반의 건물관리 모델을 학습시키고, 센서로부터 실시간으로 수신된 제2상태 데이터를 건물관리 모델에 입력하여, 건물관리 데이터를 출력하여 건물에 구비된 공조 및 히팅장치를 가동하고, 제 1 및 제 2 상태 데이터 및 예측상태 데이터는 건물의 실내외 온도 및 소정의 시간 동안 사용된 에너지 사용량의 데이터이고, 건물관리 데이터는 공조 및 히팅장치에 공급되는 전력레벨의 변동 데이터가 포함되는 장치일 수 있다.
또한, 제 1 항에 의한 인공지능을 통해 건물의 에너지를 관리하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체일 수 있다.
본 발명의 일 실시예에 따르면, 인공지능을 이용하여 건물에서 사용하는 에너지의 최적화를 구현하기 위한 시스템을 구현할 수 있다.
구체적으로 빌딩의 상태 및 에너지 사용에 영향을 주는 외적 요소에 대한 최적의 결과를 인공지능을 통해 도출하게 되어, 에너지의 최적의 절감 방법을 제안할 수 있게 된다.
또한, 에너지 소비 감소는 물론 사용자의 편의에 맞는 최적의 온도를 도출하여 에너지 최적화를 구현할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 인공지능을 통해 건물의 에너지를 관리하는 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른, 서버의 구성을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른, 인공지능을 통해 건물의 에너지를 관리하는 과정을 나타낸 동작흐름도이다.
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.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
명세서 전체에서, '서버(100)'는 인공지능을 통해 건물의 에너지를 관리하는 장치를 의미할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 인공지능을 통해 건물의 에너지를 관리하는 시스템의 구성을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따라 시스템은 서버(100), 및 건물 센서(200)로 구성될 수 있다. 이때, 각 장치는 통신망을 통해 유선 또는 무선으로 상호 연결될 수 있다.
본 발명의 일 실시예에 따라, 서버(100)는 건물 내에 배치된 건물 센서(200)로부터 상태 데이터를 수집하고, 이를 LSTM모델에 입력하여 예측상태 데이터를 산출할 수 있다.
이때, 상태 데이터 및 예측상태 데이터란 건물 센서(200)로부터 건물의 실내외 온도 및 소정의 시간 동안 사용된 에너지 사용량의 데이터를 뜻할 수 있다. 즉, 건물의 외부 온도와 냉방 또는 난방을 통해 형성된 건물 내부의 온도 및 건물 내부의 온도를 유지하기 위해 이용되는 에너지의 사용량 등이 포함될 수 있다. 이때, 에너지는 일반적으로 전기가 해당 될 수 있으나 추후에 다른 에너지원이 개발될 수 있기에, 본 발명에 있어서 에너지의 종류를 정의하여 발명의 범위를 제한하지는 않는다.
또한, 서버(100)는 제1상태 데이터와 LSTM모델을 통해 생성된 예측상태 데이터를 각각 기설정된 건물관리 모델에 학습시킬 수 있다. 이때, 건물관리 모델은 인공지능의 일종으로 지도학습 또는 비지도학습이나 강화학습의 성격을 갖는 모델이 적용될 수 있고, 본 명세서에서는 원활한 설명을 위해 강화학습을 기준으로 발명을 설명하도록 한다.
이를 통해, 서버(100)는 학습된 건물관리 모델을 통해 건물 센서(200)로부터 수신된 상태 데이터를 입력하고, 최적의 건물관리 데이터를 산출하여 건물에 구비된 공조 및 히팅장치를 가동하는 것을 특징으로 한다.
즉, 건물관리 모델은 건물관리 데이터란 에너지 사용량 및 건물 내부의 온도조절 데이터가 포함될 수 있다. 즉, 건물 내부의 냉난방을 어떻게 수행할 것인지에 대한 데이터 및 그에 대한 에너지 사용량 등이 포함될 수 있다.
본 발명의 일 실시예에 따른, 건물 센서(200)는 일반적으로 건물의 안팍의 온도를 측정하기 위한 온도 센서와 건물에 구비되는 각종 장치(공조나 히팅장치 등)들이 사용하는 에너지를 측정하기 위한 센서(예를 들면, 전기 계측기 등)가 해당될 수 있다.
한편, 통신망은 서버(100)와 건물 센서(200)를 연결하는 역할을 수행한다. 즉, 통신망은 서버(100)가 건물 센서(200)에 접속한 후 데이터를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 2는 본 발명의 일 실시예에 따른, 서버의 구성을 나타낸 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 메인 서버(100)는 통신 모듈(110), 메모리(120), 프로세서(130) 및 데이터베이스(140)를 포함한다.
상세히 설명하자면, 통신 모듈(110)은 통신망과 연동하여 서버(100) 및 건물 센서(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공한다. 나아가, 통신 모듈(110)은 건물 센서(200)로부터 데이터 요청을 수신하고, 이에 대한 응답으로서 데이터를 송신하는 역할을 수행할 수 있다.
여기서, 통신 모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
메모리(120)는 인공지능을 통해 건물의 에너지를 관리하기 위한 프로그램이 기록된다. 또한, 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 메모리(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(130)는 일종의 중앙처리장치로서 인공지능을 통해 건물의 에너지를 관리하는 전체 과정을 제어한다. 프로세서(130)가 수행하는 각 단계에 대해서는 도 3을 참조하여 후술하기로 한다.
여기서, 프로세서(130)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 건물 센서(200)로부터 수집된 상태 데이터와 LSTM 및 건물관리 모델로부터 생성된 정보 등이 저장될 수 있다.
비록 도 2에는 도시하지 아니하였으나, 상태 데이터와 LSTM 및 건물관리 모델로부터 생성된 정보에 대한 데이터 중 일부는 데이터베이스(140)와 물리적 또는 개념적으로 분리된 데이터베이스(미도시)에 저장될 수 있다.
도 3은 본 발명의 일 실시예에 따른, 인공지능을 통해 건물의 에너지를 관리하는 과정을 나타낸 동작흐름도이다.
도 3을 참조하면, 서버(100)는 건물 내에 배치된 복수의 건물 센서(200)로부터 과거의 특정 기간 동안 생성된 제1상태 데이터를 수집하고, 제1상태 데이터를 LSTM모델에 입력하여 현재부터 소정기간 이후에 대한 예측상태 데이터를 출력할 수 있다(S110).
이때, 앞서 설명한 바와 같이 제 1 및 제 2 상태 데이터(제2상태 데이터는 실시간으로 측정된 상태 데이터일 수 있다.) 및 예측상태 데이터는 건물의 실내외 온도 및 소정의 시간 동안 사용된 에너지 사용량의 데이터가 될 수 있다.
즉, LSTM모델은 제1상태 데이터를 기반으로 다양한 에너지 사용량 대비 예상되는 실내 온도를 산출하여 예측상태 데이터를 생성할 수 있다.
이때, 선택적 실시예로 서버(100)는 각각의 에너지 사용량의 크기에 따라 산출된 실내 온도는 실외 온도 및 기후를 기반으로 보정이 수행되되, 건물 외부의 날씨 및 계절에 따른 보정치가 적용될 수 있다. 즉, 맑은 날과 비가 오는 날 혹은 여름과 겨울에 각각 실내 온도를 조절하기 위해 이용되는 에너지 사용량이 각각 다를 수 있기 때문에 서버(100)는 이러한 상황에 대한 보정치를 LSTM모델에 적용하여 학습을 수행할 수 있다.
또한, 다른 선택적 실시예로 서버(100)는 제1상태 데이터 중 에너지 사용량이 급증한 구간에 대한 실내외 온도를 기준으로 에너지 사용량의 타당성을 판단하고, 타당성 여부에 따라 에너지 사용량이 급증한 구간에 대한 보정치를 적용할 수 있다. 예를 들어, 건물 내에 설치된 온풍기의 고장으로 건물 내부의 온도 상승 대비 에너지 사용량만 급증하는 경우와 같은 특수한 상황을 서버(100)가 인지하고, 그에 대한 보정치를 LSTM모델에 적용하여 학습을 수행할 수 있다.
다음으로 서버(100)는 제1상태 데이터 및 예측상태 데이터를 state값으로 설정하고, 건물관리 데이터를 action 값으로 출력하되, 건물의 실내 온도가 특정 온도값일 때에 예상되는 에너지 사용량이 낮을수록 보상을 제공하도록 하는 강화학습 기반의 건물관리 모델을 학습시킬 수 있다(S120). 강화학습이란 건물이라는 Environment 상에서 state값이 정해져있을 때 agent가 특정 action을 취하였을 경우 보상을 제공함으로써, 기계학습이 이루어지도록 하는 학습모델이다.
이때, 건물관리 데이터란 공조 및 히팅장치에 공급되는 전력레벨의 변동 데이터가 포함할 수 있다. 즉, 건물 내부의 온도 관리를 위해 공조장치나 히팅장치를 구동하기 위해 에너지를 얼마나 공급할 것인지 여부를 결정하는 데이터에 해당될 수 있다.
즉, 건물의 실내온도가 23˚C이더라도, 복수개의 공조 및 히팅장치들 중 복도와 일부 사무실에 있는 공조 및 히팅장치를 구동할 경우와 복도를 제외한 모든 사무실에 있는 공조 및 히팅장치를 구동할 때가 동일한 실내온도를 나타낸다면, 두 경우 중 가장 전력레벨을 적게 소모하는 쪽의 정보(EX. 사무실1,2 및 복도1의 공조장치를 23˚C가 되도록 오후 1시~5시까지 가동) 를 출력하도록 건물관리 모델을 학습시킬 수 있다.
본 발명은 최적화된 전력을 갖고 건물 에너지를 관리하기 위한 기술이므로, 가장 적은 전력으로 효율적으로 건물 온도를 유지하기 위해, 어느 시간대에, 어느 공조 및 히팅장치를 어느 정도의 온도로 가동할 것인지에 대한 정보를 기계학습을 통해 도출하고, 이를 기반으로 건물의 공조 및 히팅장치를 운영할 수 있다.
앞서 언급한 바와 같이 건물관리 모델은 기설정된 강화학습모델의 한 종류로 구성될 수 있다. 따라서, 건물관리 모델은 실시간 실내 온도의 변동을 위해 최소한의 에너지 사용량을 산출하되, 특정 온도에 가장 가까운 실내 온도로 변화되도록 건물관리 데이터를 생성하게 된다.
즉, 단계(S120)에서는 건물관리 모델이 제1상태 데이터 및 예측상태 데이터와 건물관리 데이터를 바탕으로 학습하는 과정에서 최적의 에너지 사용량을 갖는 건물관리 데이터를 보상으로서 학습할 수 있다.
마지막으로 서버(100)는 건물 센서(200)로부터 실시간으로 수신된 제2상태 데이터를 건물관리 모델에 입력하고, 건물관리 데이터를 출력하여 건물에 구비된 공조 및 히팅장치를 가동할 수 있다(S130).
선택적 실시예로, 복수로 공조 및 히팅장치가 건물의 각 영역별 구비되면, 건물관리 모델에 의해 생성된 건물관리 데이터는 건물의 각 영역별 공조 및 히팅장치에 인가되는 전력레벨을 개별적으로 조절할 수 있다. 이는, 건물의 각 영역별 온도가 서로 동일하지 않기에, 각각의 영역에 설치되는 공조 및 히팅장치가 조절해야 하는 온도가 서로 상이해야 하기 때문이다.
또한, 다른 선택적 실시예로특정 온도가 시간의 변화에 따라 서로 다르게 설정되면, 건물관리 모델에 의해 생성된 건물관리 데이터는 시간의 변화에 따라 공조 및 히팅장치에 인가되는 전력레벨을 시간대비 특정 온도에 맞게 변동할 수 있다. 예를 들어, 퇴근 시간대에 사람이 이용하지 않는 공간까지 억지로 온도를 설정하여 에너지가 낭비되는 것을 막기 위함이 될 수 있다.
한편, 단계(S120)에서 서버(100)는 건물 내부에 설치된 복수의 전등이 온/오프(on/off)되는 시간을 포함하는 전등 관리 데이터를 state값으로 더 설정할 수 있다.
이를 통해, 단계(S130)에서 서버(100)는 건물관리 데이터를 통해 복수의 전등의 온/오프를 특정 시간마다 더 조절할 수 있게 된다. 이를 통해, 불필요하게 켜질 수 있는 전등을 소등함으로써 에너지를 조절할 수 있게 된다.
또한, 단계(S130) 이후 서버(100)는 제2상태 데이터 및 건물관리 데이터에 기초하여 LSTM모델 및 건물관리 모델에 업데이트 할 수 있다. 이때, 서버(100)는 제2상태 데이터를 LSTM모델에 입력하여 산출된 제2예측상태 데이터와 건물관리 데이터를 비교하여 발생되는 오차를 기반으로 LSTM모델을 보정할 수도 있다.
한편, 선택적 실시예로 서버(100)는 빌딩관리 데이터에 기초하여 건물의 온도를 조절하였음에도, 에너지 사용량 또는 실시간 내부 온도가 기설정된 임계치 범위를 벗어나면, 공조 및 히팅장치에 문제가 발생한 것으로 판단하여, 기설정된 관리자 단말로 경고 알람을 제공할 수도 있다.
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.

Claims (13)

  1. 서버에 의해 수행되는, 강화학습을 통해 건물의 에너지를 관리하는 방법에 있어서,
    (a) 건물 내에 배치된 복수의 센서로부터 과거의 특정 기간 동안 생성된 제1상태 데이터를 수집하고, 상기 제1상태 데이터를 LSTM모델에 입력하여 현재부터 소정기간 이후에 대한 예측상태 데이터를 출력하는 단계;
    (b) 상기 제1상태 데이터 및 예측상태 데이터를 state값으로 설정하고, 건물관리 데이터를 action 값으로 출력하되, 상기 건물의 실내 온도가 특정 온도값일 때에 예상되는 에너지 사용량이 낮을수록 보상을 제공하도록 하는 강화학습 기반의 건물관리 모델을 학습시키는 단계; 및
    (c) 상기 센서로부터 실시간으로 수신된 제2상태 데이터를 상기 건물관리 모델에 입력하고, 상기 건물관리 데이터를 출력하여 상기 건물에 구비된 공조 및 히팅장치를 가동하는 단계;를 포함하고,
    상기 제 1 및 제 2 상태 데이터 및 예측상태 데이터는 상기 건물의 실내외 온도 및 소정의 시간 동안 사용된 에너지 사용량의 데이터이고, 상기 건물관리 데이터는 상기 공조 및 히팅장치에 공급되는 전력레벨의 변동 데이터가 포함되는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  2. 제 1 항에 있어서,
    상기 LSTM모델은 상기 제1상태 데이터를 기반으로 다양한 상기 에너지 사용량 대비 예상되는 상기 실내 온도를 산출하여 상기 예측상태 데이터를 생성하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  3. 제 2 항에 있어서,
    각각의 상기 에너지 사용량의 크기에 따라 산출된 상기 실내 온도는 상기 실외 온도 및 기후를 기반으로 보정이 수행되되, 건물 외부의 날씨 및 계절에 따른 보정치가 적용되는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  4. 제 2 항에 있어서,
    상기 제1상태 데이터 중 상기 에너지 사용량이 급증한 구간에 대한 상기 실내외 온도를 기준으로 상기 에너지 사용량의 타당성을 판단하고, 상기 타당성 여부에 따라 상기 에너지 사용량이 급증한 구간에 대한 보정치를 적용되는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  5. 제 1 항에 있어서,
    상기 건물관리 모델은 실시간 상기 실내 온도의 변동을 위해 최소한의 상기 에너지 사용량을 산출하되, 상기 특정 온도에 가장 가까운 상기 실내 온도로 변화되도록 상기 건물관리 데이터를 생성하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  6. 제 5 항에 있어서,
    상기 (c) 단계는
    복수로 상기 공조 및 히팅장치가 상기 건물의 각 영역별 구비되면, 상기 건물관리 모델에 의해 생성된 건물관리 데이터는 상기 건물의 각 영역별 상기 공조 및 히팅장치에 인가되는 상기 전력레벨을 개별적으로 조절하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  7. 제 5 항에 있어서,
    상기 (c) 단계는
    상기 특정 온도가 시간의 변화에 따라 서로 다르게 설정되면, 상기 건물관리 모델에 의해 생성된 상기 건물관리 데이터는 상기 시간의 변화에 따라 상기 공조 및 히팅장치에 인가되는 상기 전력레벨을 상기 특정 온도에 맞게 변동시키는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  8. 제 1 항에 있어서,
    상기 (b) 단계는
    상기 건물 내부에 설치된 복수의 전등이 온/오프(on/off)되는 시간을 포함하는 전등 관리 데이터를 상기 state값으로 더 설정하고,
    상기 (c) 단계는
    상기 건물관리 데이터를 통해 상기 복수의 전등의 온/오프를 특정 시간마다 더 조절하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  9. 제 1 항에 있어서,
    상기 (c) 단계 이후
    상기 제2상태 데이터 및 건물관리 데이터에 기초하여 상기 LSTM모델 및 건물관리 모델에 업데이트하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  10. 제 9 항에 있어서,
    상기 제2상태 데이터를 상기 LSTM모델에 입력하여 산출된 제2예측상태 데이터와 상기 건물관리 데이터를 비교하여 발생되는 오차를 기반으로 상기 LSTM모델을 보정하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  11. 제 1 항에 있어서,
    상기 (c) 단계 이후
    상기 건물관리 데이터에 기초하여 상기 건물의 온도를 조절하였음에도, 상기 에너지 사용량 또는 실시간 상기 건물의 내부 온도가 기설정된 임계치 범위를 벗어나면, 상기 공조 및 히팅장치에 문제가 발생한 것으로 판단하여, 기설정된 관리자 단말로 경고 알람을 제공하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 방법.
  12. 강화학습을 통해 건물의 에너지를 관리하는 장치에 있어서,
    상기 강화학습을 통해 건물의 에너지를 관리하는 방법을 제공하는 프로그램이 저장된 메모리 및
    상기 메모리에 저장된 프로그램을 실행하여 상기 강화학습을 통해 건물의 에너지를 관리하는 방법을 제공하는 프로세서를 포함하되,
    상기 프로세서는 건물 내에 배치된 복수의 센서로부터 과거의 특정 기간 동안 생성된 제1상태 데이터를 수집하고, 상기 제1상태 데이터를 LSTM모델에 입력하여 현재부터 소정기간 이후에 대한 예측상태 데이터를 출력하고, 상기 제1상태 데이터 및 예측상태 데이터를 state값으로 설정하고, 건물관리 데이터를 action 값으로 출력하되, 상기 건물의 실내 온도가 특정 온도값일 때에 예상되는 에너지 사용량이 낮을수록 보상을 제공하도록 하는 강화학습 기반의 건물관리 모델을 학습시키고, 상기 센서로부터 실시간으로 수신된 제2상태 데이터를 상기 건물관리 모델에 입력하여, 상기 건물관리 데이터를 출력하여 상기 건물에 구비된 공조 및 히팅장치를 가동하고,
    상기 제 1 및 제 2 상태 데이터 및 예측상태 데이터는 상기 건물의 실내외 온도 및 소정의 시간 동안 사용된 에너지 사용량의 데이터이고, 상기 건물관리 데이터는 상기 공조 및 히팅장치에 공급되는 전력레벨의 변동 데이터가 포함하는 것인, 강화학습을 통해 건물의 에너지를 관리하는 장치.
  13. 제 1 항에 의한 강화학습을 통해 건물의 에너지를 관리하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체.
PCT/KR2022/017342 2021-12-20 2022-11-07 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법 WO2023120967A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210182510A KR102634553B1 (ko) 2021-12-20 2021-12-20 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법
KR10-2021-0182510 2021-12-20

Publications (1)

Publication Number Publication Date
WO2023120967A1 true WO2023120967A1 (ko) 2023-06-29

Family

ID=86902912

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/017342 WO2023120967A1 (ko) 2021-12-20 2022-11-07 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102634553B1 (ko)
WO (1) WO2023120967A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117146382B (zh) * 2023-10-31 2024-01-19 西华大学 一种智能化调适系统优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160035808A (ko) * 2014-09-24 2016-04-01 현대건설주식회사 건물 에너지 모델을 이용한 에너지 설비의 이상 검출 방법
KR20190140810A (ko) * 2018-05-22 2019-12-20 주식회사 석영시스템즈 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
KR20210046473A (ko) * 2019-10-18 2021-04-28 주식회사 케이티 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
KR20210061522A (ko) * 2019-11-19 2021-05-28 한국에너지기술연구원 기계 학습 기반 에너지 자동 제어 장치 및 그 방법
KR20210133066A (ko) * 2020-04-28 2021-11-05 한국전력공사 건물 내 에너지 최적 제어 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160035808A (ko) * 2014-09-24 2016-04-01 현대건설주식회사 건물 에너지 모델을 이용한 에너지 설비의 이상 검출 방법
KR20190140810A (ko) * 2018-05-22 2019-12-20 주식회사 석영시스템즈 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
KR20210046473A (ko) * 2019-10-18 2021-04-28 주식회사 케이티 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
KR20210061522A (ko) * 2019-11-19 2021-05-28 한국에너지기술연구원 기계 학습 기반 에너지 자동 제어 장치 및 그 방법
KR20210133066A (ko) * 2020-04-28 2021-11-05 한국전력공사 건물 내 에너지 최적 제어 장치 및 방법

Also Published As

Publication number Publication date
KR20230093678A (ko) 2023-06-27
KR102634553B1 (ko) 2024-02-08

Similar Documents

Publication Publication Date Title
CN113435657B (zh) 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质
CN102403790B (zh) 电力控制装置、电力控制系统及方法
WO2013176334A1 (ko) 지능형 건물 에너지 소비 관리 시스템
US7962536B2 (en) System and method for remote monitoring and controlling of facility energy consumption
WO2016056827A1 (en) Method and apparatus for managing heating, ventilation, and air conditioning
WO2023120967A1 (ko) 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법
CN104571034B (zh) 一种智能管控设备及其控制方法
WO2022114331A1 (ko) 전기 버스의 배터리 상태 분석 서비스 시스템
CN110673475B (zh) 具备物联传感功能的智慧建筑节能系统及控制方法
KR101278638B1 (ko) 스마트 에너지 관리 시스템 및 그 제어 방법
WO2019059514A1 (ko) 공동 주택 자동 온도 조절 시스템
CN116540576B (zh) 一种基于数字孪生和智慧楼宇的建筑节能管理系统
CN106885350A (zh) 一种空调节能控制系统
WO2013165156A1 (ko) 사용자 만족도 및 에너지 효율을 높이기 위한 냉난방 제어 방법 및 시스템
WO2023033240A1 (ko) 효율적 태양광 가로등 관리를 위한 인공지능 iot 엣지컴퓨팅 장치 및 이를 이용한 빅데이터 서비스 플랫폼 시스템
WO2024111951A1 (ko) 실내 최적 냉난방 설정온도 추론 방법 및 시스템
CN115031395A (zh) 用于调节室内空气的方法、装置、介质和空气处理系统
CN117234080B (zh) 一种面向大型动环监控场景的室温智能调控方法
WO2019093575A1 (ko) 빌딩의 폐열회수 난방 시스템
WO2015060676A2 (ko) 설계 및 운영 단계 통합 건물 제어 시스템
TWI699500B (zh) 空調負荷調整系統及空調負荷調整方法
CN208269356U (zh) 用于具有风机的站房的空气循环设备和风机空气循环系统
CN109213243B (zh) 智能家居温湿度无线自动控制系统
CN105450438A (zh) 多区域无线管理与通讯网络系统及其管理方法
CN204287952U (zh) 一种冷热联供自优化控制设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22911605

Country of ref document: EP

Kind code of ref document: A1