WO2024090662A1 - 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 PDF

Info

Publication number
WO2024090662A1
WO2024090662A1 PCT/KR2022/019204 KR2022019204W WO2024090662A1 WO 2024090662 A1 WO2024090662 A1 WO 2024090662A1 KR 2022019204 W KR2022019204 W KR 2022019204W WO 2024090662 A1 WO2024090662 A1 WO 2024090662A1
Authority
WO
WIPO (PCT)
Prior art keywords
equipment
consumer
energy efficiency
time
artificial intelligence
Prior art date
Application number
PCT/KR2022/019204
Other languages
English (en)
French (fr)
Inventor
안영호
조선건
Original Assignee
주식회사 레티그리드
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 레티그리드 filed Critical 주식회사 레티그리드
Publication of WO2024090662A1 publication Critical patent/WO2024090662A1/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
    • 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

Definitions

  • the present invention relates to an energy efficiency service system and method. More specifically, an energy efficiency service system based on facility use pattern analysis based on artificial intelligence that provides energy efficiency services by analyzing the use patterns of consumer facilities based on artificial intelligence, and It's about method.
  • the present invention is 1) the AI voucher support project general division (analytical intelligence field) project of the Ministry of Science and ICT (Project identification number: 0113221249, Project number: A0113-22-1249, Research project name: GMM-based compressor usage pattern analysis Cloud Energy Efficiency service development and construction, project management agency: National IT Industry Promotion Agency, contribution rate: 2/10, project implementation agency: Kyungwon Mechanical Engineering Co., Ltd., Retigrid Co., Ltd., research period: 2022.04.01 ⁇ 2022.10.31), 2 ) Ministry of Trade, Industry and Energy's Energy International Joint Research (R&D) Project (Project Identification Number: 1415176429, Project Number: 20218530050090, Project Management Agency: Korea Institute of Energy Technology Evaluation and Planning, Research Project Name: Energy IoT platform technology based on Vietnam multi-use remote meter reading infrastructure and Service development demonstration, contribution rate: 7/10, project performing organization: Retigrid Co., Ltd., research period: 2021.12.01 ⁇ 2024.11.30), and 3) Ministry of Trade, Industry
  • compressors air compressors
  • Compressors can be typically divided into FSD (Fixed Speed Drive) compressors and VSD (Variable Speed Drive) compressors depending on the inverter type.
  • FSD Fixed Speed Drive
  • VSD Very Speed Drive
  • the present invention is intended to provide an energy efficiency service system and method based on artificial intelligence-based facility use pattern analysis that provides energy efficiency services by analyzing the usage patterns of consumer facilities based on artificial intelligence.
  • the present invention is intended to provide an energy efficiency service system and method based on artificial intelligence-based facility usage pattern analysis that can quantitatively analyze facility operation rates and operation patterns using artificial intelligence based on actual energy data of consumers.
  • the present invention is to provide an energy efficiency service system and method based on artificial intelligence-based facility usage pattern analysis that can match facility consumers and facility suppliers based on facility operation rates and operation patterns analyzed by artificial intelligence. will be.
  • the present invention is to provide an energy efficiency service system and method based on artificial intelligence-based facility usage pattern analysis that facilitates the sharing of facility-related information and the facility purchase process based on information analyzed by artificial intelligence. will be.
  • the energy efficiency service system based on analysis of facility usage patterns based on artificial intelligence includes a consumer device configured to receive first actual energy data about the consumer facility being used by the consumer from at least one consumer terminal related to the consumer.
  • Equipment information receiving unit and a consumer equipment operation information analysis unit configured to analyze the operation rate and operation pattern per unit time of the consumer equipment based on the first measured energy data regarding the consumer equipment.
  • the consumer equipment operation information analysis unit analyzes the type of the consumer equipment based on the first measured energy data by a first artificial intelligence model, and determines a second artificial intelligence model corresponding to the analyzed type of the consumer equipment. ; And, it is configured to analyze the operation rate and operation pattern per unit time of the consumer equipment by analyzing the first measured energy data using the second artificial intelligence model.
  • the first artificial intelligence model may be an artificial intelligence model based on GMM (Gaussian mixture model).
  • the first artificial intelligence model extracts a representative waveform of the first measured energy data; And it can be configured to classify the control scheme of the consumer equipment by comparing the representative waveform with a plurality of set reference waveforms and performing clustering on the representative waveform using the GMM-based artificial intelligence model.
  • the first artificial intelligence model analyzes the distance distribution between the representative waveform and the reference waveform based on dynamic time warping by the GMM-based artificial intelligence model and determines the similarity between the waveforms to the consumer. It can be configured to classify the control scheme of the facility.
  • the consumer equipment may include a compressor.
  • the consumer equipment operation information analysis unit may be configured to measure power usage based on the unit time operation rate and operation pattern of the compressor using the second artificial intelligence model.
  • the artificial intelligence-based facility usage pattern analysis-based energy efficiency service system is configured to receive multiple provider facility information related to multiple different provider facilities provided by multiple providers from multiple provider terminals.
  • Supplier facility information receiving unit an energy efficiency analysis unit configured to analyze supplier equipment related to energy efficiency of the consumer equipment, based on the operation rate and the operation pattern of the consumer equipment;
  • a supplier equipment information transmission unit configured to transmit equipment information of at least one first supplier equipment related to energy efficiency of the consumer equipment and the analyzed energy efficiency information to the consumer terminal;
  • a supplier equipment supply request unit configured to request supply of the second supplier equipment to the supplier terminal when a second supplier equipment is selected among the one or more first supplier equipment by the consumer terminal.
  • the energy efficiency analysis unit determines the operation time, non-operation time, and operation end time of the consumer equipment based on the actual energy measurement over time of the first actual energy data, analyzes the operation pattern, and calculates the operation time per unit time. It may be configured to calculate the operation rate according to the ratio.
  • the energy efficiency analysis unit weights the operation rate to the difference between the first actual operation time energy measurement value generated during the operation time among the first actual energy data and the second operation time energy predicted value generated during the operation time of the supplier facility. Predict operation time energy efficiency information based on the value; Among the first actual energy data, the difference value between the first non-operation time energy measured value generated during the non-operation time and the second non-operation time energy predicted value generated during the non-operation time of the supplier facility is the difference value between the non-operation time per unit time. Predict non-operational time energy efficiency information based on a weighted value of the time ratio; And, it may be configured to generate energy efficiency information of the consumer facility based on the operation time energy efficiency information and the non-operation time energy efficiency information.
  • the consumer equipment information receiver may receive second actual energy data related to the second supplier equipment from the consumer terminal after the consumer equipment is replaced with the second supplier equipment.
  • the energy efficiency service system based on analysis of facility usage patterns based on artificial intelligence according to an embodiment of the present invention calculates an actual energy efficiency measurement value by comparing the first actual energy data and the second actual energy data, and calculates the actual energy efficiency measurement value. It may further include a settlement unit configured to calculate the cost of the energy efficiency service based on .
  • the energy efficiency service method based on analysis of facility usage patterns based on artificial intelligence provides first actual measured energy for the consumer facility being used by the consumer from at least one consumer terminal related to the consumer by the consumer facility information receiver. receiving data; And a step of analyzing, by the consumer equipment operation information analysis unit, the operation rate and operation pattern per unit time of the consumer equipment based on the first measured energy data regarding the consumer equipment.
  • the analyzing step includes analyzing the type of consumer equipment based on the first measured energy data by a first artificial intelligence model, and determining a second artificial intelligence model corresponding to the analyzed type of consumer equipment; And analyzing the first measured energy data using the second artificial intelligence model to analyze the operation rate and operation pattern per unit time of the consumer equipment.
  • Determining the second artificial intelligence model includes extracting a representative waveform of the first measured energy data; And it may include the step of classifying the control scheme of the consumer equipment by comparing the representative waveform with a plurality of set reference waveforms and performing clustering on the representative waveform using the GMM-based artificial intelligence model.
  • the classifying step is performed by analyzing the distance distribution between the representative waveform and the reference waveform based on dynamic time warping by the first artificial intelligence model based on GMM to determine the similarity between the waveforms to the consumer. It may include the step of classifying the control scheme of the equipment.
  • the classifying step includes normalizing the first measured energy data and removing outliers from the first measured energy data based on a setting value set in relation to the consumer equipment; Applying a time window with a set time section to the first measured energy data, sliding the time window along the time axis to search for a time section for extracting a representative waveform, calculating the number of waveform peaks in the time section within the time window steps; The number of waveform peaks corresponding to the time window is compared with a preset peak number range, and data of a time section corresponding to a time window that satisfies the set number of waveform peaks among the first measured energy data is extracted to form a first representative waveform.
  • the control scheme includes at least two of various control schemes, including an intake air volume control method, a loading-unloading control method, an automatic dual control method, a variable internal space control method, a variable speed control method, and a blow-off control method. can do.
  • the analyzing step may include measuring power usage based on the unit time operation rate and operation pattern of the compressor using the second artificial intelligence model.
  • the energy efficiency service method based on analysis of facility usage patterns based on artificial intelligence provides multiple provider facility information related to multiple different provider facilities provided by multiple providers by a provider facility information receiver.
  • the analysis step is performed by the consumer equipment operation information analysis unit to determine the operation time, non-operation time, and operation end time of the consumer equipment based on the time-dependent energy measurement value of the first actual energy data. It may include analyzing the pattern and calculating the operation rate according to the ratio of operation time per unit time.
  • the energy efficiency service method based on analysis of facility usage patterns based on artificial intelligence is performed by the energy efficiency analysis unit, the first actual operation time energy measurement value generated at the operation time among the first actual energy data, and predicting operation time energy efficiency information based on a value obtained by weighting the operation rate to a difference value between second operation time energy prediction values generated during the operation time of the supplier equipment;
  • the energy efficiency analysis unit the difference between the first actual measured energy value generated during the non-operating time among the first measured energy data and the second non-operating time energy predicted value generated during the non-operating time of the supplier facility.
  • predicting non-operational time energy efficiency information based on a value obtained by weighting the ratio of the non-operational time per unit time to the value; And it may further include generating, by the energy efficiency analysis unit, energy efficiency information of the consumer facility based on the operation time energy efficiency information and the non-operation time energy efficiency information.
  • the energy efficiency service method based on analysis of facility usage patterns based on artificial intelligence is performed by the consumer facility information receiver, after the consumer facility is replaced with the second provider facility, Receiving second actual energy data from the consumer terminal; and calculating, by the settlement unit, an actual energy efficiency measurement value by comparing the first actual energy data and the second actual energy data, and calculating a cost according to the energy efficiency service based on the actual energy efficiency measurement value. It can be included.
  • a non-transitory computer-readable recording medium on which a program for executing an energy efficiency service method based on analysis of facility usage patterns based on artificial intelligence is recorded.
  • an artificial intelligence-based facility usage pattern analysis-based energy efficiency service system and method are provided, which provide energy efficiency services by analyzing usage patterns of consumer facilities based on artificial intelligence.
  • an energy efficiency service system and method based on artificial intelligence-based facility usage pattern analysis is provided, which quantitatively analyzes facility operation rates and operation patterns using artificial intelligence based on actual energy data of consumers. .
  • an energy efficiency service system and method based on artificial intelligence-based facility usage pattern analysis that matches facility consumers and facility suppliers based on facility operation rates and operation patterns analyzed by artificial intelligence is provided. provided.
  • an energy efficiency service system and method based on artificial intelligence-based facility usage pattern analysis that conveniently performs the sharing of facility-related information and the facility purchase process based on information analyzed by artificial intelligence This is provided.
  • Figure 1a is a configuration diagram of an energy efficiency service system based on artificial intelligence-based facility usage pattern analysis according to an embodiment of the present invention.
  • FIG. 1B is an illustration of representative waveforms extracted from first measured energy data according to an embodiment of the present invention.
  • Figure 1c is a diagram showing the clustering results of representative waveforms extracted according to an embodiment of the present invention.
  • Figure 1d is a conceptual diagram showing a method for calculating similarity between waveforms.
  • FIG. 2 is a configuration diagram of an energy management server that constitutes an energy efficiency service system based on artificial intelligence-based facility usage pattern analysis according to an embodiment of the present invention.
  • Figure 3 is a configuration diagram of a consumer facility operation information analysis unit and an energy efficiency analysis unit that constitute an energy management system according to an embodiment of the present invention.
  • Figure 4 is a flowchart showing an energy efficiency service method based on artificial intelligence-based facility usage pattern analysis according to an embodiment of the present invention.
  • Figure 5 is an exemplary diagram of first actual energy data of consumer equipment to explain the operation pattern analysis process of the consumer equipment operation information analysis unit constituting the energy management system according to an embodiment of the present invention.
  • Figure 6 is a flowchart for explaining the settlement process of the energy management method according to an embodiment of the present invention.
  • Figure 7 is a diagram for explaining the settlement process of the energy management method according to an embodiment of the present invention, and is an example of second actual energy data of consumer equipment after being replaced with supplier equipment.
  • Figure 8 is an example diagram for explaining a measurement data transmission method according to an embodiment of the present invention.
  • ' ⁇ module', ' ⁇ unit', and ' ⁇ model' are units that process at least one function or operation, and may mean, for example, hardware components such as software, FPGA, or one or more processors. You can. In describing embodiments of the present invention, if a detailed description of a related known function or known configuration is judged to unnecessarily obscure the gist of the present invention, the detailed description will be omitted.
  • the energy efficiency service system and method based on analysis of facility usage patterns based on artificial intelligence receives first actual energy data about the consumer facility in use by the consumer from at least one consumer terminal related to the consumer, and In order to improve the energy efficiency of the equipment, the operation rate and operation pattern per unit time of the consumer equipment are analyzed based on the first actual energy data regarding the consumer equipment.
  • the operation rate and operation pattern of consumer equipment include a process of analyzing the type of consumer equipment based on first actual energy data using a first artificial intelligence model and determining a second artificial intelligence model corresponding to the type of consumer equipment.
  • the operation rate and operation pattern per unit time of the consumer equipment can be analyzed by analyzing the first actual energy data using the second artificial intelligence model determined according to the type of the analyzed consumer equipment.
  • the operation rate and operation pattern per unit time of the consumer equipment can be analyzed by analyzing the first actual energy data using the second artificial intelligence model determined according to the type of the analyzed consumer equipment.
  • FIG. 1a is a configuration diagram of an energy efficiency service system based on artificial intelligence-based facility usage pattern analysis according to an embodiment of the present invention.
  • the energy efficiency service system 10 may include at least one consumer terminal 100 and an energy management server 300.
  • the consumer terminals 110, 120, and 130 are, for example, consumer terminals such as factories or buildings, and provide various services to the energy management server 300, such as energy efficiency of facilities, energy monitoring, supplier information search, and/or supplier matching. It may be configured to request energy-related services.
  • the energy efficiency service system 10 may further include at least one supplier terminal 200.
  • the supplier terminals 210, 220, and 230 are, for example, supplier terminals that supply various equipment used by consumers, such as factories or buildings, and provide equipment-related information provided by the supplier to the energy management server 300. , can be configured to request energy-related services such as consumer information search and consumer matching.
  • the energy management server 300 analyzes the operation rate and operation pattern per unit time of the consumer's equipment to improve the energy efficiency of the equipment used by the consumer, and additionally matches the consumer and the supplier, allows the consumer to search supplier equipment information, or A variety of energy efficiency services can be provided, such as allowing suppliers to search for consumer facility information.
  • the energy management server 300 may receive first actual energy data about the consumer equipment 140 being used by the consumer in a factory, building, etc. from the consumer terminal 100 related to the consumer.
  • the energy management server 300 automatically analyzes the type of the corresponding consumer equipment 140 based on the first actual energy data obtained through remote collection using the first artificial intelligence model and the second artificial intelligence model, and Operation rates and operation patterns can be analyzed.
  • the energy management server 300 analyzes the operation rate and operation pattern per unit time for the consumer equipment 140 using the first artificial intelligence model and the second artificial intelligence model, Even if consumer facility information related to (140) is not separately provided, the optimal energy efficiency plan can be provided by accurately analyzing the operation rate and operation pattern per unit time for the consumer facility (140).
  • the energy management server 300 analyzes the type of consumer equipment 140 based on the first actual energy data using the first artificial intelligence model, and derives an accurate operation rate and operation pattern per unit time for the consumer equipment 140. To this end, a second artificial intelligence model corresponding to the type of the analyzed consumer equipment 140 can be determined.
  • the second artificial intelligence model is an artificial intelligence model for analyzing the operation rate and operation pattern per unit time of the consumer equipment 140 from the first measured energy data related to the consumer equipment 140, and data processing/ It may include analysis algorithms and various parameters for data processing/analysis.
  • the energy management server 300 can analyze the first actual energy data using the second artificial intelligence model to analyze the operation rate and operation pattern per unit time of consumer equipment.
  • the first artificial intelligence model may be an artificial intelligence model based on GMM (Gaussian mixture model).
  • the first artificial intelligence model extracts a representative waveform of the first measured energy data, compares the representative waveform with a plurality of reference waveforms set by a GMM-based artificial intelligence model, and performs clustering on the representative waveform.
  • the control scheme of the consumer equipment 140 can be classified.
  • the first artificial intelligence model first normalizes the first measured energy data to have a set normalization range, for example, 0 to 1, and calculates the first measured energy based on set standards related to consumer equipment such as compressor capacity. Outliers can be removed from data.
  • the first artificial intelligence model applies a time window with a set time section to the first measured energy data, and slides the time window along the time axis to search for a time section for extracting a representative waveform, while changing the time window within the time window.
  • the number of waveform peaks in a section can be calculated.
  • the first artificial intelligence model performs the first actual measurement when the number of waveform peaks corresponding to the time window satisfies a preset peak number range (e.g., 3 to 4, or 4 to 5 or less) Among the energy data, data in the time section corresponding to the time window that satisfies the set number of waveform peaks can be extracted as a representative waveform.
  • a preset peak number range e.g. 3 to 4, or 4 to 5 or less
  • the first artificial intelligence model is, for example, when the current harmonic distortion rate deviates from the preset current harmonic distortion rate reference range (e.g., 20% or more), or the voltage harmonic distortion rate deviates from the preset voltage harmonic distortion rate reference range. (e.g., 5% or more), the corresponding noise data can be removed.
  • the preset current harmonic distortion rate reference range e.g. 20% or more
  • the voltage harmonic distortion rate deviates from the preset voltage harmonic distortion rate reference range. (e.g., 5% or more)
  • the corresponding noise data can be removed.
  • FIG. 1B is an illustration of representative waveforms extracted from first measured energy data according to an embodiment of the present invention.
  • Figure 1c is a diagram showing the clustering results of representative waveforms extracted according to an embodiment of the present invention.
  • Figure 1d is a conceptual diagram showing a method for calculating similarity between waveforms.
  • the first artificial intelligence model is based on dynamic time warping by a GMM-based artificial intelligence model, and includes a representative waveform extracted from the first measured energy data and a preset reference waveform.
  • a representative waveform extracted from the first measured energy data and a preset reference waveform.
  • the reference waveform (Shapelet s 1 , s 2 ) may be a basic waveform extracted from actual energy data collected for equipment such as a specific compressor.
  • the types of consumer equipment are classified into four types (Class 1, 2, 3, and 4).
  • the horizontal and vertical axes of Figure 1c are the distance d(x, s 1 ) between the representative waveform extracted for the consumer equipment and the first reference waveform (Shapelet s 1 ), respectively, and the representative waveform and the second reference waveform extracted for the consumer equipment.
  • the distance from (Shapelet s 2 ) is d(x, s 2 ).
  • the type of consumer equipment 140 corresponding to the representative waveform for example, the control scheme, can be determined by analyzing the similarity between the two waveforms at a high level using a kernel trick.
  • the similarity between waveforms will be analyzed using a Dynamic Time Warping Matching algorithm based on an encoder-decoder supervised learning algorithm or a Gaussian mixture model unsupervised learning algorithm, as illustrated in Figure 1d.
  • Euclidean matching algorithms, etc. may be used.
  • the control scheme of the consumer equipment 140 is, for example, an intake air volume control method (inlet modulation method), a loading/unloading control method, an automatic dual control method, and an internal space (volume).
  • -off control may include at least two or more of various control schemes, and among these various control schemes, one or a plurality of control schemes corresponding to the consumer equipment 140 may be determined.
  • consumer equipment 140 may include a compressor.
  • the energy management server 300 can measure the power usage of the consumer facility 140 based on the unit time operation rate and operation pattern of the compressor corresponding to the consumer facility 140 using the second artificial intelligence model.
  • FIGS. 1A and 2 is a configuration diagram of an energy management server that constitutes an energy efficiency service system based on artificial intelligence-based facility usage pattern analysis according to an embodiment of the present invention.
  • the energy management server 300 includes a supplier equipment information receiving unit 310, a consumer equipment information receiving unit 320, a consumer equipment operation information analysis unit 330, an energy efficiency analysis unit 340, It may include a supplier equipment information transmission unit 350, a supplier equipment supply request unit 360, a settlement unit 370, and a control unit 380.
  • the energy management server 300 is provided as a cloud energy management server to reduce data collection and communication costs, and is connected to the consumer equipment 140 from the meter 150 of the consumer terminal 100 to the cloud ( Cloud)-based data can be collected, or consumer facility information and supplier facility information can be provided in other ways.
  • the meter 150 may include a remote terminal unit (RTU), a mobile energy meter, and/or SCADA data.
  • Consumer equipment information may include energy data measured for the consumer equipment 140 (first measured energy data).
  • the consumer equipment information may further include equipment information such as specifications, type, and manufacturing year of the consumer equipment 140, in addition to actual energy data.
  • the energy management server 300 provides consumer equipment (140) based on the equipment information of the consumer equipment 140. By identifying the type of 140), energy efficiency information of the corresponding consumer facility 140 can be analyzed.
  • the energy management server 300 manages the consumer equipment 140 for which the equipment information of the consumer equipment 140 is not provided using the above-described first artificial intelligence model and the second artificial intelligence model. Energy efficiency information can be analyzed by identifying the type.
  • Consumer equipment 140 may include, but is not limited to, a compressor, compressor, motor, inverter, pump, or extruder.
  • the energy management server 300 When the energy management server 300 additionally provides services such as consumer-supplier matching, the energy management server 300 receives supplier equipment information related to the supplier equipment supplied by each supplier from a plurality of supply terminals 200. It can be provided. Supplier equipment information may include equipment information such as specifications, type, manufacturing year, rated voltage/current when in operation, and power consumption when not in operation.
  • the supplier equipment information receiving unit 310 may be configured to receive, from the plurality of supplier terminals 200, a plurality of supplier equipment information related to a plurality of different supplier equipment provided by a plurality of suppliers.
  • the consumer equipment information receiving unit 320 may receive first actual energy data regarding the consumer equipment 140 being used by the consumer from at least one consumer terminal 100 related to the consumer.
  • the consumer equipment information receiving unit 320 may additionally receive consumer equipment information in addition to the first measured energy data.
  • the consumer equipment operation information analysis unit 330 may be configured to analyze the operation rate and operation pattern per unit time of the consumer equipment based on the first actual energy data regarding the consumer equipment 140.
  • the consumer equipment operation information analysis unit 330 analyzes the type of consumer equipment 140 based on the first actual energy data using the first artificial intelligence model, and analyzes the type of consumer equipment 140 corresponding to the analyzed type of consumer equipment 140. You can decide on an artificial intelligence model.
  • the first artificial intelligence model for analyzing the type of consumer equipment 140 may be an artificial intelligence model based on GMM (Gaussian mixture model).
  • the input data of the first artificial intelligence model may be actual energy data of consumer equipment, and the output data may be the type of consumer equipment.
  • the first artificial intelligence model is a GMM-based artificial intelligence model, as well as supervised learning artificial intelligence models such as SVM (Support Vector Machine), LSTM (Long Short-Term Memory), and LSTM-CNN/RNN (LSTM Convolutional/Recurrent Neural Network). , It can also be implemented with unsupervised learning artificial intelligence models such as Variational Autoencoder, Adversarial Autoencoder, and MAD-GAN (Multivariate Anomaly Detection with Generative Adversarial Network).
  • SVM Serial Vector Machine
  • LSTM Long Short-Term Memory
  • LSTM-CNN/RNN LSTM Convolutional/Recurrent Neural Network
  • unsupervised learning artificial intelligence models such as Variational Autoencoder, Adversarial Autoencoder, and MAD-GAN (Multivariate Anomaly Detection with Generative Adversarial Network).
  • the first artificial intelligence model of the consumer facility operation information analysis unit 330 extracts a representative waveform of the first actual energy data, and compares the extracted representative waveform with a number of set reference waveforms and a GMM-based artificial intelligence model to represent the representative waveform. By performing clustering on the waveform, the control scheme of the consumer equipment can be classified.
  • the first artificial intelligence model is a representative waveform extracted from actual energy data of consumer equipment based on dynamic time warping by a GMM-based artificial intelligence model and collected by various types of consumer equipment, respectively.
  • the control scheme of consumer equipment can be classified.
  • the consumer equipment operation information analysis unit 330 analyzes the first actual energy data using a second artificial intelligence model determined according to the type of the analyzed consumer equipment 140 to analyze the unit time operation rate and operation pattern of the consumer equipment. It is composed.
  • the second artificial intelligence model of the consumer equipment operation information analysis unit 330 may be pre-trained (supervised learning or unsupervised learning) based on learning data corresponding to the type of consumer equipment 140.
  • the input data of the second artificial intelligence model is the actual energy data of the consumer's equipment, and the output data is the operation rate and operation pattern per unit time of the equipment.
  • the unit time operation rate and/or operation pattern of the consumer equipment 140 analyzed by the consumer equipment operation information analysis unit 330 is used for prediction of energy usage or power generation, energy efficiency analysis, energy use pattern analysis, energy optimization scheduling analysis, etc. It can be.
  • the usage pattern, operation pattern, energy usage, energy saving amount, energy efficiency ROI, etc. of consumer equipment 140 can be determined with high accuracy of about 95% or more (based on TPR and MAPE). It can be analyzed or predicted.
  • the energy efficiency analysis unit 340 is based on the operation rate and operation pattern of the consumer equipment 140 analyzed by the first artificial intelligence model and the second artificial intelligence model of the consumer equipment operation information analysis unit 330, consumer equipment ( 140) can be configured to analyze supplier facilities related to energy efficiency.
  • the supplier equipment information transmission unit 350 may be configured to transmit equipment information of one or more first supplier equipment related to energy efficiency of the consumer equipment 140 and the analyzed energy efficiency information to the consumer terminal 100.
  • the supplier equipment supply request unit 360 may be configured to request supply of the second supplier equipment to the supplier terminal when the second supplier equipment is selected among one or more first supplier equipment by the consumer terminal 100.
  • the settlement unit 370 can calculate the actual energy efficiency measurement value based on the operation rate and operation pattern of the first actual energy data collected for the consumer facility, and calculate the cost according to the energy efficiency service based on the actual energy efficiency measurement value. there is.
  • the control unit 380 may include a processor that controls each component of the energy management server 300 and executes a program to provide services such as consumer-supplier matching, consumer/supplier information search, and equipment trading.
  • Figure 3 is a configuration diagram of a consumer facility operation information analysis unit and an energy efficiency analysis unit that constitute an energy management system according to an embodiment of the present invention.
  • the consumer equipment operation information analysis unit 330 may include an operation pattern analysis unit 332 and an operation rate calculation unit 334.
  • the operation pattern analysis unit 332 determines the operation time and non-operation time of the consumer equipment based on the actual energy measurements over time of the first actual energy data collected for the consumer equipment 140 by the second artificial intelligence model.
  • the operation pattern can be analyzed by determining the operation end time.
  • the operation rate calculation unit 334 may calculate the operation rate according to the ratio of operation time per unit time.
  • the energy efficiency analysis unit 340 may include an operation time energy efficiency prediction unit 342, a non-operation time energy efficiency prediction unit 344, and an energy efficiency information generation unit 346.
  • the operation time energy efficiency prediction unit 342 includes a first actual operation time energy measurement value generated during the operation time among the first actual energy data collected for the consumer facility 140 and a second operation time energy measurement value generated during the operation time of the supplier facility. Uptime energy efficiency information can be predicted based on the difference between the time energy forecast values and the operating rate weighted.
  • the non-operating time energy efficiency prediction unit 344 determines the first actual measured energy value generated during non-operating time among the first actual energy data collected for the customer facility 140 and the first non-operating time energy measured value generated during non-operating time of the supplier facility.
  • Non-down time energy efficiency information can be predicted based on a value obtained by weighting the ratio of down time per unit time to the difference between the second down time energy prediction values.
  • the energy efficiency information generation unit 346 may generate energy efficiency information for the consumer facility 140 based on the operation time energy efficiency information and the non-operation time energy efficiency information.
  • the artificial intelligence model can analyze the power status (usage pattern) (Loading/Unloading/Stop) of the consumer equipment 140 by utilizing an encoder-decoder artificial neural network using the LSTM artificial intelligence model.
  • the consumer equipment information receiver 320 additionally receives the second actual energy data related to the second supplier equipment from the consumer terminal 100. You can receive it. The second actual energy data collected remotely can be used to verify energy efficiency.
  • the settlement unit 370 uses first actual energy data collected for the consumer equipment 140 before replacement and second actual energy data collected for the second supplier equipment installed on the consumer side as a replacement for the consumer equipment 140. By comparison, the actual energy efficiency measurement value can be calculated, and the cost of the energy efficiency service can be calculated based on the calculated energy efficiency measurement value.
  • Figure 4 is a flowchart showing an energy efficiency service method based on artificial intelligence-based facility usage pattern analysis according to an embodiment of the present invention.
  • the consumer equipment information receiving unit 320 of the energy management server 300 receives the first information measured for the consumer equipment 140 being used by the consumer from at least one consumer terminal 100. Actual energy data can be received (S12, S13).
  • the consumer equipment operation information analysis unit 330 of the energy management server 300 may analyze the operation rate and operation pattern per unit time of the consumer equipment 140 based on the first actual energy data regarding the consumer equipment 140. (S14). At this time, if the consumer equipment operation information analysis unit 330 does not receive the type information or equipment information of the consumer equipment 140, the consumer equipment 140 is analyzed based on the first actual energy data using the first artificial intelligence model. The type can be analyzed, and a second artificial intelligence model corresponding to the analyzed type of consumer equipment 140 can be determined.
  • the first artificial intelligence model for analyzing the type of consumer equipment 140 may be an artificial intelligence model based on GMM (Gaussian mixture model).
  • the first artificial intelligence model of the consumer facility operation information analysis unit 330 extracts a representative waveform of the first actual energy data, and compares the extracted representative waveform with a number of set reference waveforms and a GMM-based artificial intelligence model to represent the representative waveform. By performing clustering on the waveform, the control scheme of consumer equipment can be classified.
  • the first artificial intelligence model is a representative waveform extracted from actual energy data of consumer equipment based on dynamic time warping by a GMM-based artificial intelligence model and collected by various types of consumer equipment, respectively.
  • the consumer equipment operation information analysis unit 330 analyzes the first actual energy data using a second artificial intelligence model determined according to the type of the analyzed consumer equipment 140 to analyze the unit time operation rate and operation pattern of the consumer equipment. You can.
  • Figure 5 is an exemplary diagram of first actual energy data of consumer equipment to explain the operation pattern analysis process of the consumer equipment operation information analysis unit constituting the energy management system according to an embodiment of the present invention.
  • the operation pattern analysis unit 332 of the consumer equipment operation information analysis unit 330 performs energy measurement over time of the first actual energy data 20 collected for the consumer equipment 140. Based on the value, the operation pattern can be analyzed by determining the operation time (T1), non-operation time (T2), and operation end time (T3) of the consumer facility 140 using the second artificial intelligence model.
  • the operation rate calculation unit 334 of the consumer facility operation information analysis unit 330 may calculate the operation rate according to the ratio of operation time (T1) per unit time (T0).
  • the energy efficiency analysis unit 340 of the energy management server 300 may analyze supplier equipment related to energy efficiency of the consumer equipment 140 based on the operation rate and operation pattern of the consumer equipment 140 (S15).
  • the operation time energy efficiency prediction unit 342 of the energy efficiency analysis unit 340 measures the first operation time energy generated at the operation time T1 among the first actual energy data 20 collected for the consumer equipment 140.
  • the operation time energy efficiency information can be predicted based on a value obtained by weighting the operation rate to the difference value between the value P1 and the second operation time energy prediction value generated during the operation time of the supplier equipment 200.
  • the non-operation time energy efficiency prediction unit 344 of the energy efficiency analysis unit 340 determines the first non-operation occurring during the non-operation time (T2) among the first actual energy data 20 collected for the consumer equipment 140.
  • Downtime energy efficiency information can be predicted based on the difference between the actual time energy measurement value and the second downtime energy predicted value generated during the downtime of the supplier facility 200, weighted by the ratio of downtime per unit time. You can.
  • the energy efficiency information generation unit 346 reports to the operation time energy efficiency prediction unit 342.
  • Energy efficiency information of the consumer facility 140 can be generated based on the operation time energy efficiency information calculated by and the non-operation time energy efficiency information predicted by the non-operation time energy efficiency prediction unit 344.
  • the energy efficiency analysis unit 340 may generate energy efficiency information by reflecting the energy efficiency information based on seasonal deviation (change). For example, in summer, additional energy may be generated for cooling the compressor, and by correcting data measured in winter, etc., energy efficiency information for summer, etc. can be predicted.
  • the supplier facility information receiving unit 310 of the energy management server 300 may receive multiple provider facility information related to multiple different provider facilities provided by multiple providers from the multiple provider terminals 200 ( S11).
  • the supplier equipment information transmission unit 350 of the energy management server 300 transmits equipment information of one or more first supplier equipment related to energy efficiency of the consumer equipment 140 and the analyzed energy efficiency information to the consumer terminal 100. You can do it (S16).
  • the supplier equipment supply request unit 360 of the energy management server 300 can request the supply of the second supplier equipment to the supplier terminal. There are (S17, S18, S19).
  • Figure 6 is a flowchart for explaining the settlement process of the energy management method according to an embodiment of the present invention.
  • the consumer equipment information receiver 320 may receive the second actual energy data related to the second supplier equipment from the consumer terminal 100 (S21, S22). .
  • the settlement unit 370 uses first actual energy data collected for the consumer equipment 140 before replacement and second actual energy data collected for the second supplier equipment installed on the consumer side as a replacement for the consumer equipment 140. Compare and calculate actual energy efficiency measurements, calculate the cost of energy efficiency services based on the calculated actual energy efficiency measurements, transmit evaluation information on supplier equipment to the supplier terminal, and send ROI-based settlement information to the consumer terminal ( 100) can be transmitted (S23, S24, S25).
  • Figure 7 is a diagram for explaining the settlement process of the energy management method according to an embodiment of the present invention, and is an example of second actual energy data of consumer equipment after being replaced with supplier equipment.
  • FSD Fixed Speed Drive
  • VSD Very Speed Drive
  • the power amount of the consumer's equipment may be reduced compared to before the equipment replacement.
  • the operation pattern analysis unit 332 of the consumer equipment operation information analysis unit 330 performs actual energy measurements over time of the second actual energy data 30 collected for the replaced consumer equipment 140. Based on the values, the operation pattern can be analyzed by determining the operation time (T1), non-operation time (T2), and operation end time (T3) of the consumer facility 140.
  • the operation rate calculation unit 334 of the consumer facility operation information analysis unit 330 may calculate the operation rate according to the ratio of operation time (T1) per unit time (T0).
  • the amount of power of the consumer equipment 140 is generated during the operating time (T1) by the second operating power (P3), which is reduced from the first operating power (P1) before the equipment replacement.
  • the second non-operating power (P4) generated due to the idling of the motor of the consumer equipment 140 during the non-operating time (T2) is significantly reduced compared to the non-operating power (P2) before replacement.
  • the energy usage of the customer facility (140) can be reduced by the amount of operating energy saved (40) during the operating time (T1), and the energy consumption of the consumer facility (140) can be reduced by the amount of non-operating energy saved (50) during the non-operating time (T2). Energy usage can be reduced.
  • the energy efficiency analysis unit 340 of the energy management server 300 can analyze supplier equipment related to energy efficiency of the consumer equipment 140 based on the operation rate and operation pattern of the consumer equipment 140. There is (S15).
  • the operation time energy efficiency prediction unit 342 of the energy efficiency analysis unit 340 measures the first operation time energy generated at the operation time T1 among the first actual energy data 20 collected for the consumer equipment 140.
  • the operation time energy efficiency information can be predicted based on a value obtained by weighting the operation rate to the difference value between the value P1 and the second operation time energy prediction value generated during the operation time of the supplier equipment 200.
  • the non-operation time energy efficiency prediction unit 344 of the energy efficiency analysis unit 340 determines the first non-operation occurring during the non-operation time (T2) among the first actual energy data 20 collected for the consumer equipment 140.
  • Downtime energy efficiency information can be predicted based on the difference between the actual time energy measurement value and the second downtime energy predicted value generated during the downtime of the supplier facility 200, weighted by the ratio of downtime per unit time. You can.
  • the energy efficiency information generation unit 346 reports to the operation time energy efficiency prediction unit 342.
  • Energy efficiency information of the consumer facility 140 can be generated based on the operation time energy efficiency information calculated by and the non-operation time energy efficiency information predicted by the non-operation time energy efficiency prediction unit 344.
  • Figure 8 is an example diagram for explaining a measurement data transmission method according to an embodiment of the present invention.
  • measurement data actual energy data measured for consumer equipment 140 may be collected by the energy management server 300 according to a preset measurement data transmission cycle.
  • the measurement data transmission cycle is analyzed and generated by statistical processing based on the type of consumer equipment 140 predicted for the consumer equipment 140 and/or data measured for the consumer equipment 140, or by an AI model. It can be changed based on the state change cycle that is analyzed and generated.
  • the energy management server 300 may adjust the transmission cycle of the measurement data transmitted from the measuring device 150 to be smaller than the state change cycle (or state change prediction cycle) analyzed for the consumer equipment 140. At this time, the energy management server 300 transmits the measurement data to be more than 1/2 of the state change cycle (or state change prediction cycle) analyzed for the consumer equipment 140 to prevent data from being transmitted at a shorter cycle than necessary. You can set the cycle.
  • the energy management server 300 monitors changes in the state of the consumer equipment 140 in real time by the meter 150, and when a change in the power state of the consumer equipment 140 is detected, the meter 150 generates an event. It is also possible to collect actual energy data transmitted in this format. Accordingly, by recognizing changes in the status of the consumer equipment 140 in real time, operation patterns or energy efficiency information for the consumer equipment 140 can be analyzed with higher accuracy.
  • the devices, methods, and components described in the embodiments may include, for example, a processor, a controller, an Arithmetic Logic Unit (ALU), a Digital Signal Processor, a microcomputer, and a Field Programmable Gate (FPGA). It may be implemented using one or more general-purpose computers or special-purpose computers, such as an array, PLU (Programmable Logic Unit), microprocessor, or any other device that can execute and respond to instructions.
  • ALU Arithmetic Logic Unit
  • FPGA Field Programmable Gate
  • the processing device may execute an operating system and one or more software applications that run on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software. For ease of understanding, a single processing device may be described as being used; however, those skilled in the art will understand that a processing device may include multiple processing elements and/or multiple types of processing elements. You will understand that it can be included.
  • a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are also possible.
  • Software may include a computer program, code, instructions, or a combination of one or more of these, and may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device.
  • Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. It can be embodied in . Software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • Computer-readable media may include program instructions, data files, data structures, etc., singly or in combination.
  • Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CDROMs and DVDs, and ROM, RAM, and flash memory.
  • the hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
  • control unit 380 control unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (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 수요자 단말기로부터 수요자 설비에 대한 제1 실측 에너지 데이터를 수신하는 수요자 설비정보 수신부; 및 제1 실측 에너지 데이터를 기초로, 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석하는 수요자 설비 가동정보 분석부를 포함한다. 수요자 설비 가동정보 분석부는 제1 인공지능 모델에 의해 제1 실측 에너지 데이터를 기초로 수요자 설비의 유형을 분석하여 수요자 설비의 유형에 대응되는 제2 인공지능 모델을 결정하고; 제2 인공지능 모델에 의해 제1 실측 에너지 데이터를 분석하여 수요자 설비의 단위 시간당 가동율 및 가동 패턴을 분석한다.

Description

인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법
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.
본 발명은 1) 과학기술정보통신부의 AI바우처 지원사업 일반분과(분석지능분야) 사업(과제고유번호: 0113221249, 과제번호 : A0113-22-1249, 연구과제명 : GMM 기반 컴프레서 사용패턴 분석 Cloud 에너지 효율화 서비스 개발 및 구축, 과제관리기관 : 정보통신산업진흥원, 기여율 : 2/10, 과제수행기관 : 경원기계공(주), (주)레티그리드, 연구기간 : 2022.04.01 ~ 2022.10.31), 2) 산업통상자원부의 에너지국제공동연구(R＆D) 사업(과제고유번호 : 1415176429, 과제번호 : 20218530050090, 과제관리기관 : 한국에너지기술평가원, 연구과제명 : 베트남 다수용가 원격 검침 인프라 기반 에너지 IoT 플랫폼 기술 및 서비스 개발 실증, 기여율 : 7/10, 과제수행기관 : (주)레티그리드, 연구기간 : 2021.12.01 ~ 2024.11.30), 및 3) 산업통상자원부의 지식서비스산업기술개발 사업(과제고유번호 : 1415181639, 과제번호 : 20022017, 과제관리기관 : 한국산업기술평가관리원, 연구과제명 : 구독형 FEMS 기반 에너지 효율화 서비스 BM 개발, 기여율 : 1/10, 과제수행기관 : 주식회사 레티그리드, 연구기간 : 2022.07.01 ~ 2022.12.31)의 일환으로 수행한 연구로부터 도출된 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 따르면, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 비일시적 기록 매체가 제공된다.
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.
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.
[부호의 설명]
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

Claims (19)

  1. 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.
  2. 청구항 1에 있어서,
    상기 제1 인공지능 모델은 GMM(Gaussian mixture model) 기반의 인공지능 모델인, 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. 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.
  19. 청구항 10에 기재된 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 비일시적 기록 매체.
PCT/KR2022/019204 2022-10-28 2022-11-30 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 WO2024090662A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0140953 2022-10-28
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
WO2024090662A1 true WO2024090662A1 (ko) 2024-05-02

Family

ID=90831094

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/019204 WO2024090662A1 (ko) 2022-10-28 2022-11-30 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)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4849373B1 (ja) * 2010-12-14 2012-01-11 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
WO2022026925A1 (en) * 2020-07-30 2022-02-03 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4849373B1 (ja) * 2010-12-14 2012-01-11 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
WO2022026925A1 (en) * 2020-07-30 2022-02-03 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

Also Published As

Publication number Publication date
KR20240062187A (ko) 2024-05-09

Similar Documents

Publication Publication Date Title
US20210241544A1 (en) Platform for analyzing health of heavy electric machine and analysis method using the same
US20240142543A1 (en) Remaining-Life and Time-To-Failure Predictions of Power Assets
CN108518804A (zh) 一种机房温湿度环境预测方法及系统
US10139437B2 (en) Apparatus, server, system and method for energy measuring
WO2018221948A1 (ko) 빅데이터 분석을 통한 공정 관리 방법
WO2015026166A1 (ko) 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
KR20200074825A (ko) 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템
CN117176560A (zh) 一种基于物联网的监测设备监管系统及其方法
US20150355247A1 (en) Apparatus, server, system and method for energy measuring
CN116228184A (zh) 一种电力设备安装维护方法及系统
CN117931583B (zh) 一种设备集群运行状态预测方法、电子设备及存储介质
CN117785919A (zh) 一种基于工业数字孪生的故障预测方法和系统
WO2024090662A1 (ko) 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
CN117495106A (zh) 一种智能电表实时风险筛查、预测方法及系统
WO2023234617A1 (ko) 수요자 설비에 대한 정량적 에너지 데이터 분석을 기초로 수요자-공급자 매칭 가능한 에너지 관리 시스템 및 방법
CN110765486B (zh) 一种资产故障识别方法
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
WO2023234616A1 (ko) 모바일 에너지 계측기 임대형 에너지 관리 시스템 및 방법
CN115809805A (zh) 基于边缘计算的电网多源数据处理方法
KR20230077994A (ko) 제조 설비의 고장 예측 시스템
KR102617618B1 (ko) 산업용 공장의 고효율 설비 교체를 위한 인공지능 기반 의사 결정 서비스 제공 장치, 방법 및 시스템
CN117540330B (zh) 基于自学习功能的配电柜系统
WO2023200131A1 (ko) 텐서 기반의 상태 스코어 도출 시스템 및 방법
CN116805275B (zh) 一种基于数据分析的公共机构能耗智能监管系统

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: 22963623

Country of ref document: EP

Kind code of ref document: A1