KR102380397B1 - IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 - Google Patents
IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 Download PDFInfo
- Publication number
- KR102380397B1 KR102380397B1 KR1020190124474A KR20190124474A KR102380397B1 KR 102380397 B1 KR102380397 B1 KR 102380397B1 KR 1020190124474 A KR1020190124474 A KR 1020190124474A KR 20190124474 A KR20190124474 A KR 20190124474A KR 102380397 B1 KR102380397 B1 KR 102380397B1
- Authority
- KR
- South Korea
- Prior art keywords
- building
- data
- artificial intelligence
- equipment
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 54
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 73
- 238000007726 management method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000009423 ventilation Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 32
- 230000008859 change Effects 0.000 description 15
- 230000036760 body temperature Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 239000012855 volatile organic compound Substances 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000001755 vocal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 231100000597 Sick building syndrome Toxicity 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000008842 sick building syndrome Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000027758 ovulation cycle Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q50/10—Services
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
-
- G—PHYSICS
- 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
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법이 제공된다. 상기 IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법은 하나 이상의 IoT 센서에 의하여 수집된, 빌딩에 관한 데이터를 획득하는 단계(S110), 상기 획득된 데이터를 전처리하는 단계(S120), 하나 이상의 사용자 피드백을 획득하는 단계(S130), 상기 획득된 사용자 피드백을 전처리하는 단계(S140), 상기 전처리된 데이터 및 사용자 피드백을 인공지능 모델에 입력하는 단계(S150), 상기 인공지능 모델의 출력으로부터 상기 빌딩 설비의 제어를 위한 데이터를 획득하는 단계(S160), 상기 판단획득된 데이터에 기초하여 상기 빌딩 설비를 제어하는 단계(S170) 및 상기 설비의 제어에 따른 사용자 피드백을 획득하여 상기 인공지능 모델을 업데이트하는 단계(S180) 를 포함한다.
Description
본 발명은 IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법에 관한 것이다.
인공지능 기술이 대두되고 발전함에 따라 다양한 분야에서의 자동화 시스템이 등장하고 있다. 이는 인적자원의 소모를 최소화하면서도 보다 효율적이고 체계적인 시스템을 구축하기 위함으로, 보다 예민하고 발전된 기술을 탐재한 각종 IoT센서 모듈들이 등장하면서 빌딩의 각종 시설을 관리함에 있어서도 인공지능에 의한 자율적 시스템을 구축할 수 있는 기술이 구체화되고 있다.
한편, 빌딩의 메인터넌스 설비와 각종 전력소모 시설의 동작은 매우 다양한 요소가 고려되어야 하는 복잡한 과정으로, 시설 관리자가 실시간으로 반응하거나, 장기적인 빌딩 관리계획을 수립, 실행하는 데에는 어려움이 있다.
빌딩 관리에는 빌딩 외부의 온도, 습도, 계절, 일조량, 기후상황 등의 외부환경에 관한 요소부터 빌딩 내부의 온도, 습도, 공기질, 휘발성 유기화합물(VOC, Volatile Organic Compounds), 조명, 전력소모, 시설의 이용자 수, 유동인구 또는 창문의 크기 및 위치 등의 내부환경에 관한 요소까지 매우 다양한 변인이 고려되어야 하며, 이처럼 다양한 원인에 의해 최종적으로 내부 사용자가 실제로 체감하는 내부환경이 구축되기 때문에 하나의 개별 요인이 최종적인 내부환경을 구축함에 있어서 어떤 영향을 미치는지 개별적인 인과관계를 인간이 직접적으로 유추하고 조정하기에는 큰 어려움이 있다.
더욱이 VOC는 새집증후군(SBS, Sick Building Syndrome)의 원인으로 잘 알려진 물질군으로써, 공기조화기술(空氣調和技術, HVAC: Heating, Ventilation, & Air Conditioning)에 의해 건물 내부공간에서의 농도가 조절될 수 있음에도 설비 관리자가 상주하며 실시간 모니터링을 통해 습도 및 온도 등을 함께 고려하여 필요한 곳에 필요한 만큼의 환기를 수행하기에는 현실적인 어려움이 있다.
이러한 현실적 어려움으로 인해 대다수의 빌딩이 비효율적으로 관리되고, 비효율적으로 전력을 소모함에 따라 사회적으로 막대한 비용의 소요가 일어나고 있으며, 비용의 문제뿐만 아니라 사회 전체의 지속가능성 면에서도 에너지 문제의 발생에 박차를 가하는 바가 있다.
이에, 설비 관리자의 최소한의 입력을 통해 설비를 효율적으로 관리하고, 빌딩 사용자들의 요구와 반응을 해석하여 빌딩 내부 설비를 쾌적하게 유지하면서도 설비 작동에 필요한 비용과 에너지 소모를 최소화하는 빌딩 운영 전략을 수립할 수 있는 빌딩 관리 시스템 구축에 관한 사회적 요청이 있다고 할 수 있다.
이러한 인공지능 및 IoT 기술의 발달과 빌딩 관리에 관하여 비용과 에너지 소모의 최소화에 대한 필요에 대응하여 본 발명에서 개시되는 기술적 사상이 창작되게 되었다.
본 발명이 해결하고자 하는 과제는 IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법은, 하나 이상의 IoT 센서에 의하여 수집된, 빌딩에 관한 데이터를 획득하는 단계(S110), 상기 수집된 데이터를 전처리하는 단계(S120), 하나 이상의 사용자 피드백을 획득하는 단계(S130), 상기 획득된 사용자 피드백을 전처리하는 단계(S140), 상기 전처리된 데이터 및 사용자 피드백을 인공지능 모델에 입력하는 단계(S150), 상기 인공지능 모델의 출력으로부터 상기 빌딩 의 설비의 제어를 위한 데이터를 획득하는 단계(S160), 상기 획득된 데이터에 기초하여 상기 빌딩의 설비를 제어하는 단계(S170) 및 상기 설비의 제어에 따른 사용자 피드백을 획득하여 상기 인공지능 모델을 업데이트하는 단계(S180)를 포함한다.
또한, 상기 단계(S180)는, 상기 단계(S180)에서 획득된 사용자의 피드백을 퍼지논리에 기반하여 파라미터로 변환하는 단계(S210), 상기 변환된 파라미터를 상기 인공지능 모델에 입력하는 단계(S220), 상기 인공지능 모델의 출력값에 기반하여 상기 빌딩의 설비의 제어를 위한 데이터를 다시 획득하는 단계(S230) 및 상기 다시 획득된 데이터를 이용하여 상기 빌딩의 설비를 제어하는 단계(S240)를 포함할 수 있다.
또한, 상기 단계(S120)는, 상기 하나 이상의 IoT센서에 의해 수집된, 빌딩에 관한 데이터를 외부환경에 관한 데이터와 내부환경에 관한 데이터로 분류하는 단계(S310)를 포함할 수 있고, 상기 단계(S140)는, 상기 획득된 사용자 피드백을 퍼지논리에 기반하여 파라미터로 변환하는 단계(S320)를 포함할 수 있으며, 상기 단계(S160)에서, 상기 인공지능의 출력은, 상기 내부환경에 관한 데이터, 상기 외부환경에 관한 데이터 및 상기 파라미터로 변환된 사용자 피드백으로부터 학습된 사용자의 최적선호상태 및 상기 내부환경에 관한 데이터와 상기 사용자의 최적선호상태로부터 학습된, 상기 최적선호상태로 내부환경을 변화시키기 위한 설비제어에 관한 제어값을 포함할 수 있다.
또한, 상기 단계(S120)는, 상기 단계(S110)에서 획득된 데이터를 전처리하는 단계(S410), 상기 단계(S410)에서 전처리된 데이터를 기 학습된 제2 인공지능 모델에 입력하는 단계(S420) 및 상기 제2 인공지능 모델의 출력으로부터 상기 빌딩의 향후 전력 소모량을 예측하는 단계(S430)를 포함할 수 있다.
또한, 상기 단계(S160)는, 상기 빌딩의 설비의 제어를 위한 복수의 후보 데이터를 획득하는 단계(S510), 상기 복수의 후보 데이터 각각에 따라 상기 빌딩의 설비가 제어되는 경우의 전력 소모량을 산출하는 단계(S520), 상기 복수의 후보 데이터 각각에 따라 상기 빌딩의 설비가 제어되는 경우의 상기 빌딩의 상태를 추정하는 단계(S530) 및 상기 복수의 후보 데이터 각각에 따른 상기 빌딩의 상태 및 전력 소모량에 기초하여 하나의 최종 데이터를 결정하는 단계(S540)를 더 포함할 수 있다.
또한, 상기 단계(S180)는 제1 사용자로부터 설비 제어 입력을 수신하는 단계(S610), 상기 제1 사용자의 제어 입력에 따라 상기 빌딩의 설비를 제어하는 단계(S620) 및 상기 제1 사용자의 제어 입력에 기반하여 상기 인공지능 모델을 업데이트하는 단계(S630)를 더 포함할 수 있다.
또한, 상기 단계(S110)에서 수집된, 시설에 관한 데이터는 VOC(Volatile Organic Compunds)농도, 미세먼지 농도, 이산화탄소 농도, 종합적인 공기질, 조명, 자연광, 실내온도, 실외온도, 습도, 진동, 빌딩 외부의 기후상태, 계절, 빌딩 내부 설비의 전력소모량, 시설 내부의 이용자 수 또는 시설 내부의 움직임 중 하나 이상인 것을 특징으로 하고, 상기 단계(S170)에서, 제어되는 설비는 HVAC(Heating, Ventilation and Air Conditioning)설비, 냉방설비, 난방설비, 엘리베이터, 보안 시스템, 조명설비, 공기청정기, 창문, 차광설비, 출입문의 차폐설비, 가습기, 제습기, 내부시설의 위치이동을 위한 설비, 소방설비 또는 가전제품 중 하나 이상인 것을 특징으로 할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 장치는 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 개시된 실시 예에 따른 IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법을 수행한다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 컴퓨터프로그램은 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에서 개시하고 있는 기술에 의해, 빌딩의 내부환경 또는 전력소모량에 영향을 미치는 빌딩 내외부 환경에 관한 데이터가 손쉽게 수집될 수 있으며, 이러한 빌딩 관리에 관한 요인들 간의 관계에 대해 복잡한 이해가 없이도 효율적인 빌딩 관리가 이루어질 수 있다.
또한, 빌딩의 설비 관리자가 최소한의 조작 또는 제어만 수행하더라도 자율적인 환경적응에 의해 스스로 업데이트되는 인공지능이 빌딩의 사용자 또는 설비관리자에게 다양한 최적화 시나리오를 제공하며, 사용자들의 피드백을 수집하여 이를 퍼지논리에 의해 처리함으로써 보다 융통성있는 제어가 이루어질 수 있도록 할 수 있다.
인공지능은 사용자들의 구두 피드백을 퍼지논리에 의해 파라미터로 변환함으로써 실제 사용자들이 체감하는 외부환경 대비 최적의 쾌적함을 제공하는 내부환경을 학습하여 기준 또는 목적상태로 설정할 수 있으며, 해당 상태를 유지하기 위해 소모되는 에너지를 최소화하며, 사용자의 생산성을 높이고, 건물 운영을 개선하며 사회의 지속가능성에 기여할 수 있는 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 인공지능을 활용해 빌딩을 관리하기 위한 데이터를 획득하는 과정을 도시한 흐름도이다.
도 2는 사용자 피드백을 획득하여 퍼지논리에 의해 처리하는 과정을 도시한 흐름도이다.
도 3은 수집된 센서데이터와 사용자 피드백을 활용해 빌딩의 내부환경을 변화시키기 위한 설비의 제어값을 얻는 과정을 도시한 흐름도이다.
도 4는 센서데이터를 이용해 빌딩의 전력 소모량을 예측하는 과정을 도시한 흐름도이다.
도 5는 빌딩 관리를 위한 복수의 후보 데이터를 획득하고 하나의 최종 데이터를 결정하는 과정을 도시한 흐름도이다.
도 6은 사용자로부터 설비 제어에 관한 입력을 수신하고 이를 통해 인공지능을 업데이트하는 과정을 도시한 흐름도이다.
도 7은 일 실시 예에 따른 장치의 구성도이다.
도 8은 사용자의 최적선호상태를 획득하고 이를 통해 제어값이 도출되는 과정을 도시한 도면이다.
도 2는 사용자 피드백을 획득하여 퍼지논리에 의해 처리하는 과정을 도시한 흐름도이다.
도 3은 수집된 센서데이터와 사용자 피드백을 활용해 빌딩의 내부환경을 변화시키기 위한 설비의 제어값을 얻는 과정을 도시한 흐름도이다.
도 4는 센서데이터를 이용해 빌딩의 전력 소모량을 예측하는 과정을 도시한 흐름도이다.
도 5는 빌딩 관리를 위한 복수의 후보 데이터를 획득하고 하나의 최종 데이터를 결정하는 과정을 도시한 흐름도이다.
도 6은 사용자로부터 설비 제어에 관한 입력을 수신하고 이를 통해 인공지능을 업데이트하는 과정을 도시한 흐름도이다.
도 7은 일 실시 예에 따른 장치의 구성도이다.
도 8은 사용자의 최적선호상태를 획득하고 이를 통해 제어값이 도출되는 과정을 도시한 도면이다.
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 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
본 명세서에서 언급되는 빌딩은 다수인이 이용하는 대형 건축물뿐만 아니라 1인 이상의 구성원으로 이루어진 가구의 일반 주거용 건축물 등 종류를 가리지 않고 다양한 건축물을 의미할 수 있다.
본 명세서에서 언급되는 퍼지화에 이용되는 멤버십 함수(또는 소속 함수)는 삼각형 모양, 사다리꼴 모양 또는 임의의 곡선형 등 다양한 형태로 정의될 수 있으나 이에 제한되는 것은 아니다.
본 명세서에서 언급되는 퍼지추론은 말디니형 퍼지추론, 스게노형 퍼지추론 중 하나를 의미할 수 있으나, 이에 제한되는 것은 아니다.
본 명세서에서 언급되는 역퍼지화는 무게중심법(Cetroid Technique)을 주로 의미하지만, 최대값 평균법(mean of maximum) 등의 방법이 다양하게 채용될 수 있으며 이에 제한되지 않는다.
도 1은 인공지능을 활용해 빌딩을 관리하기 위한 데이터를 획득하는 과정을 도시한 흐름도이다.
도 1은 인공지능을 활용해 빌딩을 관리하기 위한 데이터를 획득하는 과정을 도시한 흐름도이다.
삭제
삭제
단계 S110에서, 컴퓨터는 하나 이상의 IoT 센서에 의하여 수집된, 빌딩에 관한 데이터를 획득한다.
일 실시 예에서, 상술한 하나 이상의 IoT 센서는 통상의 무선통신기술 중 하나 이상을 채용할 수 있으며, 이를 이용해 수집한 데이터를 컴퓨터로 전송할 수 있다.
일 실시 예에서, 상술한 빌딩에 관한 데이터는 빌딩 외부에 관한 데이터와 빌딩 내부에 관한 데이터를 포함할 수 있다.
또한, 상술한 빌딩 외부에 관한 데이터에는 빌딩 외부의 온도, 습도, 기상상태, 풍속, 공기의 구성성분비, 미세먼지 농도, 조도, 태양광의 조사각도, 일조량, 외부 객체의 움직임, 유독성 성분 유무 또는 빌딩이 있는 지역의 일기예보 등이 포함될 수 있다.
또한, 상술한 빌딩 내부에 관한 데이터에는 빌딩 내부의 온도, 습도, 공기의 구성성분비, 미세먼지 농도, 조도, 빌딩 내부의 이용자 수, 빌딩 내부 공간구획별 이용시간, 빌딩 내부 공간구획별 점유율 또는 빌딩 내부 설비의 이용패턴 등이 포함될 수 있다.
단계 S120에서, 컴퓨터는 상기 수집된 데이터를 전처리한다.
일 실시 예에서, 상술한 전처리는 수집된 데이터를 인공지능 모델에 입력하기 위한 형태로 가공하는 것을 의미할 수 있다.
예를 들어, 컴퓨터는 숫자로 표현될 수 없는 값들을 숫자코드로 변환할 수 있다. 그리고, 컴퓨터는 결손된 계측치를 중간값, 특정구간의 평균값, 최빈값, 회귀분석에 의한 대응값 또는 패턴추정에 의한 예측값 등으로 채울 수 있으며, 무의미한 값들을 삭제할 수 있다.
또한, 컴퓨터는 센서의 오작동으로 인한 이상계측치 등을 삭제할 수 있다. 예를 들어, 일 시점의 외부 온도가 섭씨 200도로 측정되는 등 물리적으로 일어나기 힘든 범위의 계측값을 에러로 처리하여 삭제하고 추정되는 적정값으로 대체할 수 있다.
또한, 컴퓨터는 기존의 측정된 값을 이용하여 새로운 변수를 생성할 수 있다. 예를 들어, 컴퓨터는 빌딩의 내부상태를 판단하기 위해 온도와 습도를 변수로 삼아 특정 연산을 수행하고 이 연산의 결과로 도출되는 변수를 빌딩 내부상태의 판단을 위한 새로운 파라미터로 이용할 수 있다.
그리고, 컴퓨터는 빌딩의 내부상태를 판단하기 위해 특정 변수에 로그함수, 제곱근, 표준편차, 분산, 평균분포 등의 연산방법을 사용하여 보다 적절한 변수를 얻을 수 있다.
또한, 컴퓨터는 시간대를 통일하여 특정 변수들만을 선택적으로 취합하여 인공지능을 학습시키기 위한 데이터셋을 생성할 수 있다. 그리고, 컴퓨터는 특정 변수가 통제될 경우 다른 변수들이 변화하는 양상을 모아서 데이터셋을 생성할 수 있다. 예를 들어, 컴퓨터는 온도가 25도일 때 나머지 변수들이 어떤 값을 갖는지 취합하여, 빌딩 내부 온도가 25도일 때 다른 변수들이 변화하는 패턴을 학습시킬 수 있도록 인공지능 모델에 입력하기 위한 형태로 데이터를 가공할 수 있다. 이렇게 가공된 데이터는 온도가 아닌 다른 변수가 통제된 상태로 가공될 수 있음은 물론이며, 특정 시간구간을 설정하거나, 하나 이상의 변수가 통제된 상태의 데이터셋을 생성할 수도 있다.
이처럼 컴퓨터는 인공지능 모델에 입력하기 위해 인공지능 모델이 학습할 수 잇는 형태로 데이터를 변환할 수 있다. 이는 하나 이상의 변수를 서로 연관지어 연산하는 형식일 수도, 하나의 변수를 연산을 통해 다른 팩터로 변화시키는 형태일 수도 있다.
단계 S130에서, 컴퓨터는 하나 이상의 사용자 피드백을 획득한다.
일 실시 예에서, 컴퓨터는 사용자 피드백을 획득하기 위해 IoT 센서를 통해 음성을 인식하거나, 사용자의 디바이스를 통해 사용자 피드백을 입력받을 수 있는 어플리케이션을 제공하거나, 피드백 입력용 디스플레이 장치를 추가적으로 가질 수 있다.
일 실시 예에서, 상기 사용자 피드백은 음성에 의한 구두입력, 문자열 입력, 사용자에 의한 직접적 설비 제어 또는 특정 상한값을 만점으로 하는 점수형태일 수 있다.
예를 들어, 컴퓨터가 내부 온도를 25도로 조절하는 상태에서 사용자가 내부 희망온도를 20도로 조절하였다면, 컴퓨터는 해당 조건에서 사용자가 25도보다는 20도를 선호한다는 피드백으로 판단하여 획득할 수 있다.
그리고, 내부 온도가 20도라는 제어값으로 조절되던 도중 실제 온도가 23도에 도달한 순간 해당 온도조절장치의 조작을 멈추는 사용자 입력이 수신되는 경우, 상술한 20도에 대한 선호 피드백은 23도에 대한 선호 피드백으로 대체될 수 있다.
일 실시 예에서, 컴퓨터는 사용자의 디바이스를 통해 사용자 피드백을 요청할 수 있다. 예를 들어, 사용자의 디바이스에 애플리케이션을 설치하도록 요청하고, 이를 통해 빌딩의 내부환경이나 컴퓨터의 설비제어에 관한 피드백을 요청하여 획득할 수 있다.
단계 S140에서, 컴퓨터는 상기 획득된 사용자 피드백을 전처리한다.
일 실시 예에 있어서, 컴퓨터는 상술한 구두의 사용자 피드백 음성을 문자열로 변환할 수 있으며 이러한 과정에서 음성을 문자로 변환할 수 있는 별도의 인공지능 모델을 추가로 활용할 수 있다.
일 실시 예에 있어서, 컴퓨터는 사용자 피드백을 전처리하는 과정에서 퍼지논리를 활용할 수 있다.
예를 들어, 컴퓨터는 온도에 관한 퍼지화를 수행하는 과정에서, '매우 춥다', '춥다', '시원하다', '적당하다', '따뜻하다', '덥다', '매우 덥다' 등의 다양한 집합을 설정하고 이것의 소속함수를 삼각형, 사다리꼴, 종(bell)형, 정규분포 등의 모양으로 근사화할 수 있다.
예를 들어, 섭씨 26도는 '적당하다'에서 0.3, '따뜻하다'에서 0.7의 소속도를 가질 수 있다. 컴퓨터가 내부 온도를 퍼지논리에 의해 상기 예시한 바대로 판단한다면, 실제 사용자가 체감하기에 '약간 따뜻한' 온도를 제공할 수 있다.
또한, 이러한 퍼지논리의 활용은 인간의 경계가 불분명한 감각에 관한 언어적 표현을 기계가 융통성 있게 입력받을 수 있도록 하기 위함이며, 이러한 특성상 컴퓨터는 IoT 센서가 감지한 외부 온도나 계절에 따라 사용자의 체감온도를 고려하여 서로 다른 소속함수를 활용할 수 있다.
예를 들어, 컴퓨터가 계절을 초겨울로 판단한 경우, 섭씨 20도는 '시원하다'에서 '약간 춥다'로 변경된 소속도를 갖게 될 수 있다.
또한, 컴퓨터는 외부환경 또는 내부환경에 관한 데이터를 가공하는 과정에서도 퍼지논리를 활용할 수 있다.
일 실시 예에서, 컴퓨터는 입력된 날짜 및 시간정보에 기초하여 계절을 판단할 수 있으며, 이러한 계절에 관한 판단은 퍼지논리에 근거하여 이뤄질 수 있다.
예를 들어, 컴퓨터는 9월 25일을 '9월 말', '늦여름', '초가을' 또는 '0.4늦여름과 0.6초가을의 조합' 등으로 판단할 수 있다.
또한, 컴퓨터는 이러한 계절판단에 기초하여 빌딩 내부의 쾌적성이 높은 것으로 판단되는 내부환경 파라미터 범위의 기준을 변경할 수 있다. 또한, 컴퓨터는 전술한 내부환경 파라미터 범위의 기준을 변경함과 동시에 해당 파라미터의 소속함수를 변경할 수 있다. 여기에서 파라미터는 온도, 습도 등 내부환경의 상태를 나타내는 수치를 의미한다.
이러한 파라미터 범위의 기준은 후술하는 사용자의 최적선호상태를 의미하는 것이며, 기존 빌딩을 이용했던 이용자들의 피드백을 기초로 판단된 값이지만, 새로운 이용자들의 피드백을 획득하여 이에 의해 새로이 변경될 수 있음은 물론이다.
또한, 컴퓨터는 상술한 계절판단에 기초하여, '한여름' 또는 '한겨울' 등으로 판단되는 경우, 실외활동 후 실내로 들어오는 출입자의 출입시간과 체온 또는 체감온도를 고려하여 쾌적성 기준보다 낮은 온도로 냉방을 하거나, 높은 온도로 난방을 수행하도록 해당 온도조절장치를 제어할 수 있다.
예를 들어, 한여름에 실외활동을 하고 실내로 들어오는 건축물 이용자가 있는 경우, 건물 내부에서 머무르는 이용자를 위한 적정온도가 25도로 판단된다고 하더라도, 컴퓨터는 계절과 외부 온도 및 습도에 기초한 판단에 의해 실외에서 실내로 진입하는 이용자의 진입 시점을 기준으로 하여 미리 18도로 냉방장치를 작동하고, 이용자가 실내로 들어온 시점부터 점진적으로 쾌적한 환경의 적정을 이룰 수 있도록 온도조절장치를 조작할 수 있다.
일 실시 예에서, 컴퓨터는 관리대상 건축물 이용자의 체온에 관한 정보를 획득할 수 있다. 이러한 체온에 관한 정보를 제공하기 위한 체온의 감지는 IoT센서에 기반하여 적외선에 기초한 열화상영상을 촬영하여 이루어지거나, 냉장고 손잡이 또는 현관문 손잡이 등에 부착된 IoT 온도 센서에의 감지될 수 있으며, 이러한 수단과 방법에 제한되지 않는 다양한 기기 또는 방법에 의해 감지될 수 있다.
그리고, 컴퓨터는 빌딩 이용자의 체온에 관한 정보를 획득하여 이에 기반해 건축물 내부의 장치를 조작할 수 있다.
예를 들어, 빌딩 이용자의 체온이 평소보다 높아 감기에 걸린 것으로 판단되는 경우, 적정온도나 적정습도를 보다 높게 설정할 수 있으며, 냉방장치의 송풍기능 등을 약하게 조절할 수 있고, 습도를 조절할 수 있다.
또한, 빌딩 이용자가 여성인 경우, 해당 이용자의 기초체온이 평소보다 높아진 것으로 감지되면, 컴퓨터는 해당 이용자가 생리주기의 고온기에 있는 것으로 판단하고 이용자가 기 설정한 수치에 따라 이용자의 쾌적성을 높이기 위해 각종 파라미터의 소속 함수를 변경할 수 있다.
이러한 퍼지화, 퍼지추론, 역퍼지화 등의 퍼지이론은 그 기술이 충분한 성숙도에 이르러, 상술한 실시예에 있어서 통상의 기술자가 활용할 수 있는 기술이 다양하게 활용될 수 있음은 물론이며, 본 명세서에서 개시하는 기술적 사상은 상술한 실시예에 제한되지 않는다.
단계 S150에서, 컴퓨터는 상기 전처리된 데이터 및 사용자 피드백을 인공지능 모델에 입력한다.
일 실시 예에서, 상술하는 인공지능 모델은 서로 다른 하나 이상의 인공지능 모델일 수 있으며, 입력값과 출력값이 상이한 다른 목적을 갖는 인공지능 모델일 수 있다.
예를 들어, 상술한 인공지능 모델은 내부환경에 관한 상태를 종합적으로 판단하는 하나의 인공지능일 수 있으나, 온도, 습도 또는 내부 VOC(Volatile Organic Compounds)농도 등의 파라미터 중 하나 이상의 파라미터를 조절하기 위한 인공지능 모델일 수 있다.
단계 S160에서, 컴퓨터는 상기 인공지능 모델의 출력으로부터 상기 빌딩 설비의 제어를 위한 데이터를 획득한다.
일 실시 예에서, 상술하는 빌딩 설비의 제어를 위한 데이터는, 개별 설비 자체의 제어값, 설비와 설비간의 영향력이 고려된 가중치, 전력소모량, 특정 설비를 작동시킬 경우 하나 이상의 내부환경 파라미터에 미치는 영향, 하나 이상의 현재 빌딩 이용자들의 최적선호상태, 최적선호상태와 현재 내부환경의 차이값, 최적선호상태에 도달하기 위한 목표소요시간 또는 소요시간을 고려한 설비의 제어값을 포함할 수 있다.
예를 들어, 현재 온도가 섭씨 30도이고, 사용자의 최적선호상태는 섭씨 25도이며, 사용자의 체온과 외부 기온을 고려할 때 목표소요시간은 5분이라고 가정하면, 컴퓨터는 목표소요시간이 20분인 경우보다 온도조절장치의 강도를 강하게 작동시켜 목표소요시간을 만족시킬 수 있다.
그리고, 상술한 경우처럼 목표소요시간이 고려되어 보다 강한 출력으로 설비를 작동시키는 경우, 전력소모량을 고려하여 제어값을 달리 조절하거나 다른 설비를 함께 제어할 수 있다.
예를 들어, 온도를 빠르게 떨어뜨릴 필요가 있는 경우, 외부온도가 내부온도보다 낮다면, 컴퓨터는 창문을 열거나 환기시설을 먼저 작동시켜 외부 공기의 유입으로 내부 온도를 일부 낮춘 이후에 냉방설비를 작동시킬 수 있다.
단계 S170에서, 컴퓨터는 상기 획득된 데이터에 기초하여 상기 빌딩 설비를 제어한다.
일 실시 예에서, 컴퓨터는 무선통신 혹은 유선통신을 이용하여 각종의 제어신호를 컴퓨터와 연결된 설비에 전송할 수 있다.
상술한 빌딩 설비에는, HVAC(Heating, Ventilation and Air Conditioning)를 포함한 환기설비 및 냉난방설비, 창문을 여닫는 모터, 차양막이나 커튼을 움직일 수 있는 모터, 제습기, 엘리베이터, 조명설비, 수도설비, 종류를 불문한 메인터넌스 설비 또는 보안설비 등이 포함될 수 있다.
일 실시 예에서, 컴퓨터는 상기 획득한 데이터를 새로이 가공하여 얻은 제어값으로 빌딩 설비를 제어할 수도 있다.
단계 S180에서, 컴퓨터는 상기 설비의 제어에 따른 사용자 피드백을 획득하여 상기 인공지능 모델을 업데이트한다.
일 실시 예에서, 컴퓨터는 일 시점의 작동으로 설비를 작동시키고 이로 인하여 일정 시간이 경과하여 내부환경이 변화된 경우, 이에 대한 사용자의 피드백을 요청할 수 있다. 또한, 컴퓨터는 사용자가 아무런 피드백을 하지 않는 상태를 긍정적인 피드백으로 퍼지처리할 수 있다. 또한, 컴퓨터는 사용자의 피드백을 피드백이 입력된 시점과 최초의 제어신호를 송신한 시점 사이의 시간 간격을 고려하여 사용자 피드백을 퍼지처리할 수 있다.
예를 들어, 사용자가 컴퓨터에 의한 제어가 이루어진 이후 매우 짧은 시간 이내에 사용자의 새로운 제어입력이 수신된 경우, 시간 간격이 좁을수록, 사용자가 입력한 제어값과 컴퓨터가 송신한 제어값의 차이가 클수록, 부정적인 피드백이 있는 것으로 판단할 수 있다.
도 2는 사용자 피드백을 획득하여 퍼지논리에 의해 처리하는 과정을 도시한 흐름도이다.
단계 S210에서, 컴퓨터는 상기 단계(S180)에서 획득된 사용자의 피드백을 퍼지논리에 기반하여 파라미터로 변환한다.
여기에서, 상술한 파라미터는 사용자 피드백이 정량화된 수치로 변환된 값을 의미한다.
일 실시 예에서, 컴퓨터는 사용자의 구두 음성 피드백을 문자열로 변환할 수 있으며, 이것을 인공지능 모델에 입력하여 정량화된 출력을 얻을 수 있다.
예를 들어, 사용자가 '아, 약간 추운 것 같네'라고 말한 경우, 컴퓨터는 이것을 '조금 추움'이라는 피드백으로 근사하여, 근사된 피드백을 퍼지화하여 정량화할 수 있다.
구체적으로 예시한다면, 상술한 '아, 약간 추운 것 같네'라는 사용자의 발화 음성을 IoT 센서에 의해 수집하고, 컴퓨터가 이를 문자열로 변환하여 인공지능 모델에 입력하면, 인공지능 모델은 해당 언어 표현을 입력받아, 이것이 '매우 추움', '추움', '조금 추움', '시원함', '적당함', '따뜻함', '조금 더움', '더움', '매우 더움' 등으로 정량화될 수 있는 표현들 중 어느 하나에 속하는지를 출력할 수 있다. 컴퓨터는 이러한 인공지능 모델의 출력으로부터 퍼지화, 퍼지추론, 역퍼지화를 수행하여 사용자의 구두 피드백을 정량화된 값, 즉 상술한 파라미터로 변환할 수 있다.
일 실시 예에서, 컴퓨터는 사용자 피드백을 정량화된 파라미터로 변환할 필요가 없는 형태의 점수로 입력받을 수 있다. 또한, 컴퓨터는 사용자 피드백을 점수로 입력받는 경우, 상기 사용자 피드백을 주는 사용자를 구별하여 인식할 수 있으며, 사람마다 점수를 주는 기준이 상이할 수 있음을 고려하여 사용자 피드백을 퍼지처리할 수 있다.
예를 들어, 특정 사용자는 스스로 매우 만족한 상태를 100점으로 평가하고, 불만족한 상태를 70점으로 평가할 수 있으나, 그와 다른 사용자는 만족한 상태를 90점으로 평가하고, 불만족한 상태는 45점으로 평가할 수 있다. 이러한 수치 입력은 사용자 개개인의 주관에 따른 것으로, 각각의 사용자는 객관적으로 같은 환경상태에 대한 점수를 상이하게 평가할 수 있다.
예를 들어, 컴퓨터는 특정 제1 사용자의 최저점수와 최고점수의 차이 및 각종 피드백 점수를 정규화하여 근사값을 취하는 그래프를 생성하고, 제2 사용자의 최저점수와 최고점수의 차이 및 각종 피드백 점수를 종합적으로 정규화한 근사값을 취하는 그래프를 생성하여, 상술한 2개의 그래프를 비교하는 방식으로 개개인마다 다른 기준으로 하는 평가를 객관화할 수 있다. 이는 사용자 피드백에 해당하는 특정 점수가 평균으로부터 표준편차를 기준으로 멀리있는 정도를 측정하여 주관적으로 매겨진 점수를 최대한 객관화하기 위한 것이다.
일 실시 예에서, 상술한 사용자 피드백을 파라미터로 변환하는 데 채용되는 퍼지논리 기술은 당업계 통상의 기술자들이 상용하는 기술을 모두 채용하여 이뤄질 수 있다.
단계 S220에서, 컴퓨터는 상기 변환된 파라미터를 상기 인공지능 모델에 입력한다.
일 실시 예에서, 컴퓨터는 상이한 목적의 인공지능 모델의 학습 또는 결과 출력을 위해 상기 변환된 파라미터를 상이한 데이터셋으로 전처리하여 인공지능 모델에 입력할 수 있다.
단계 S230에서, 컴퓨터는 상기 인공지능 모델의 출력값에 기반하여 상기빌딩 설비의 제어를 위한 데이터를 다시 획득한다.
이러한 과정은 사용자 피드백이 반영된 제어값을 컴퓨터가 인공지능을 이용하여 산출하도록 하기 위함이다.
일 실시 예에서, 상기 다시 획득된 설비 제어를 위한 데이터는 기 획득되어 사용되었던 제어값과 결과적으로 다르지 않은 제어값을 가질 수 있다.
예를 들어, 사용자 피드백이 현 상태에 만족한다는 내용의 피드백인 경우, 혹은 해당 제어값에 대응하도록 내부환경이 변화하기 위한 충분한 시간이 지나기 전에 사용자 피드백이 입력된 경우 여전히 같은 제어값을 가질 수 있다.
일 실시 예에서, 상기 설비의 제어를 위한 데이터는 하나 이상의 빌딩 사용자들의 최적선호상태를 변경, 갱신하기 위한 데이터일 수 있다.
상술한 최적선호상태는 하나 이상의 빌딩 이용자들이 갖는 내부환경에 대한 만족도 점수의 합이 최대로 되는 내부환경상태를 의미한다. 새로운 빌딩 사용자가 빌딩에 들어오거나 기존의 빌딩 사용자가 새로운 피드백을 입력하는 경우 이러한 최적선호상태 역시 새로운 상태로 변경될 수 있으며, 설비의 제어를 위한 데이터는 이러한 상태에 관한 수치를 의미할 수 있다.
일 실시 예에서, 상술한 제어를 위한 데이터는 단순히 설비를 제어하기 위한 제어값일 수 있으며, 서로 다른 하나 이상의 설비를 동시에 동작하여 각 설비의 동작이 상호간에 어떠헌 영향을 미치는지를 고려하여 새로이 조정된 제어값일 수도 있다.
예를 들어, 컴퓨터는 습도를 조절하기 위해 에어컨을 가동하여 온도를 낮추는 동시에 제습기를 가동할 수도 있고, 이러한 설비의 제어가 전력소모량이 높은 것으로 판단되는 경우, 제습기만을 가동하도록 변경된 제어값을 제공할 수 있다.
또 다른 실시 예로, 둘 이상의 사용자가 같은 실내공간에서 동일한 내부환경상태에 대해 상이한 피드백을 입력하는 경우가 있을 수 있다. 이러한 경우 컴퓨터는 해당 피드백을 입력한 사용자가 상주하는 위치를 IoT 센서를 통해 인식하거나 사용자로부터 입력받아, 해당 위치로 에어컨의 풍향을 돌리는 등의 방법으로 특정위치의 체감온도가 조절되도록 설비를 제어할 수 있다.
그리고, 해당 컴퓨터의 설비 제어를 통해 둘 이상의 사용자가 체감하는 피드백의 간극을 좁힐 수 없을 경우, 컴퓨터는 특정 사용자의 사용공간 구획 변경을 제안하거나 추가적인 차폐물의 설치를 제안할 수 있다.
단계 S240에서, 컴퓨터는 상기 다시 획득된 데이터를 이용하여 상기 빌딩의 설비를 제어한다.
이는 퍼지처리된 사용자 피드백을 반영하여 설비를 제어하기 위함이다.
도 3은 수집된 센서데이터와 사용자 피드백을 활용해 빌딩의 내부환경을 변화시키기 위한 설비의 제어값을 얻는 과정을 도시한 흐름도이다.
또한, 도 8은 사용자의 최적선호상태를 획득하고 이를 통해 제어값이 도출되는 과정을 도시한 도면이다.
단계 S310에서, 컴퓨터는 상기 하나 이상의 IoT센서에 의해 수집된, 빌딩에 관한 데이터를 외부환경에 관한 데이터와 내부환경에 관한 데이터로 분류한다.
이는 양자를 분리하여 활용할 필요가 있기 때문으로, 외부환경에 관한 데이터는 빌딩의 설비를 어떻게 작동시킬 것인지 또는 사용자의 체감온도 등이 고려된 빌딩 관리방법을 수행하기 위한 것이고, 내부환경에 관한 데이터를 분리하는 것은 현재 내부환경으로부터, 조성 목표가 되는 내부환경과의 차이값을 산출하여 내부 설비를 제어하기 위한 제어값을 획득하기 위함이다.
또한, 외부환경과 내부환경에 관한 데이터를 분리하는 것은 상술하는 목적에 한정되지 않으며 다양한 목적을 위해 가공, 편집, 활용될 수 있다.
상술한 외부환경에 관한 데이터에는 빌딩 외부의 풍향, 풍속, 일출 및 일몰시간 등 건물의 내 외부의 생활환경에 영향을 줄 수 있는 모든 요소가 포함될 수 있다.
단계 S320에서, 컴퓨터는 상기 획득된 사용자 피드백을 퍼지논리에 기반하여 파라미터로 변환한다.
상술한 단계(S320)에서 사용자 피드백을 정량화된 파라미터로 변환하는 것은, 그 방법에 있어서는 다른 단계가 수행되는 방법을 예시하여 설명한 상술된 방법과 다르지 않으나, 그 목적에 있어서는 상술한 내부환경에 관한 데이터와의 비교, 조합 또는 분석을 통해 후술하는 최적선호상태를 산출하기 위함이 더 포함될 수 있다.
또한, 상기 단계(S160)에서, 상기 인공지능의 출력은, 상기 내부환경에 관한 데이터, 상기 외부환경에 관한 데이터 및 상기 파라미터로 변환된 사용자 피드백으로부터 학습된 사용자의 최적선호상태일 수 있다.
일 실시 예에서, 상술한 인공지능은 특정 외부환경에 관한 조건 속에서, 특정 내부환경이 조성된 경우, 사용자가 만족감이나 쾌적함을 느끼는지 여부 및 그 정도는 어떠한지를 컴퓨터에게 전달할 수 있다.
예를 들어, 빌딩 외부에 비가 오는 날, 실내 온도는 실외 온도보다 조금 높으며, 습도는 실외보다 매우 낮은 상태로 빌딩 내부환경이 조성된 경우의 사용자 피드백이 가장 높은 쾌적함 파라미터를 갖는다면, 인공지능은 해당 상태를 사용자의 최적선호상태로 출력할 수 있다.
여기에서 상술한 '조금 높은' 온도와 '매우 낮은' 습도는 해당 사용자의 피드백을 고려하여 퍼지 논리를 이용하여 정량화된 값으로 변환된다.
구체적으로, 사용자의 최적선호상태는, 사용자가 가장 높은 만족감을 느끼는 내부환경상태를 의미하지만, '만족감'이라는 인간의 경계가 불분명한 감정적 표현은 여러 가지 요인에 의해 쉽게 달라질 수 있으므로, 보다 융통성 있는 빌딩의 자율적 관리방법을 수행하기 위해 외부환경에 대한 데이터를 추가적으로 고려하도록 설계되었다.
예를 들어, 외부 환경이 추운 날씨라고 한다면, 사용자는 평상시보다 조금 높은 온도와 습도에서 보다 큰 쾌적성과 만족감을 느낄 수 있다. 그리고, 이러한 만족감은 같은 조건의 내부환경이라도 사용자마다 다를 수 있으며, 같은 사용자라고 하더라도 그 날 혹은 그 시기의 컨디션 또는 건강상태에 따라 다를 수 있다.
따라서 일 실시 예에서, 상술한 내부환경에 관한 데이터에는 빌딩 내부를 이용하고 있는 사용자의 체온이나 건강상태에 관한 정보가 포함될 수 있다. 이러한 사용자의 체온은 휴먼스케일을 갖는 열화상감지카메라, 출입문의 손잡이, 냉장고 등 자주 이용하는 설비의 손잡이 또는 접촉부 등에 설치된 온도감지센서 등에 의해 수집될 수 있다.
또한, 컴퓨터는 사용자에게 빌딩 사용자의 건강상태에 관한 정보를 별도의 디스플레이 및 입력장치 혹은 사용자의 디바이스를 통해 입력하도록 요청할 수 있다.
일 실시 예에서, 빌딩 사용자가 둘 이상 있는 경우, 각각의 사용자는 같은 내부환경 상태에 관하여 상이한 만족도 점수를 피드백으로 제공할 수 있으며, 이러한 경우 컴퓨터는 복수의 빌딩 사용자들의 만족도 점수를 모두 합산한 값이 최대가 되도록 내부환경을 조성할 수 있다.
또한, 상술한 내부환경의 조성 또는 만족도에 관한 사용자 피드백이 합산되어 컴퓨터의 판단에 반영되거나, 또는 인공지능 모델의 학습에 이용되기 위해서는 순환적으로 수회의 사용자 피드백 획득과 새로운 제어값 조절이 필요할 수 있다.
즉, 상술하는 단계에서 컴퓨터는 사용자 피드백을 새로운 제어값을 얻는 것과, 사용자가 쾌적함을 느끼는 상태를 알아내는 것, 크게 두 가지의 목적으로 활용하고 있다고 할 수 있다.
단계 S330에서, 컴퓨터는 상기 획득된 사용자의 최적선호상태와 상기 내부환경에 관한 데이터로부터 상기 빌딩의 내부환경을 변화시키기 위한 설비제어에 관한 제어값을 획득한다.
일 실시 예에서, 컴퓨터는 현재 내부환경 상태에 관한 데이터를 획득하여, 상술한 단계(S320)에서 획득된 사용자의 최적선호상태와 비교하고, 차이가 있는 경우 이러한 차이를 없애기 위한 방향으로 빌딩의 내부설비를 제어하기 위한 제어값을 산출한다.
또한, 컴퓨터는 상술한 제어값을 획득하기 위해 하나의 개별 설비를 작동했을 때 이러한 설비의 작동이 내부환경 상태를 구성하는 다양한 개별 요소에 미치는 영향을 고려할 수 있다.
예를 들어, 에어컨을 작동시켜 빌딩의 냉방이 수행되는 경우, 온도를 낮추기 위해 냉방설비를 가동하였지만 이것이 습도에 영향을 미칠 수도 있다. 이런 영향을 고려하여, 컴퓨터는 내부환경의 온도와 습도를 동시에 낮춰야 하는 경우, 에어컨을 가동하여 습도가 낮아지는 정도를 고려하여 제습기 또는 환기시설 등의 습도를 낮추는 설비의 제어값을 보다 낮은 값으로 출력할 수 있다.
또한 예를 들어, 내부환경의 온도를 높여야 하는 경우, 온도를 높이는 과정에서 습도가 함께 상승하는 영향이 있다면, 컴퓨터는 온도를 높임과 동시에 불필요하게 상승하는 습도를 억제하기 위해 제습기를 함께 가동하도록 하는 제어값을 출력할 수 있다.
도 4는 센서데이터를 이용해 빌딩의 전력 소모량을 예측하는 과정을 도시한 흐름도이다.
단계 S410에서, 컴퓨터는 상기 단계(S110)에서 획득된 데이터를 전처리한다.
일 실시 예에서, 컴퓨터는 상술한 빌딩에 관한 데이터로부터 빌딩 내부 설비들이 각각 작동하면서 소모하는 전력량에 관한 데이터를 분리할 수 있다.
또한, 컴퓨터는 상술한 전력 소모량에 관한 데이터를 후술하는 제2 인공지능 모델에 입력하기에 적절한 형태로 변형, 편집, 가공 또는 연산처리할 수 있다.
예를 들어, 전령 소모량에 관한 데이터는 상술한 전처리 과정과 마찬가지로 불명료하거나 명백한 에러로 추정되는 데이터를 삭제할 수 있으며, 이러한 삭제 또는 데이터 수집의 누락으로 인해 비어있는 데이터 값을 평균값, 회귀분석 등을 통해 추정된 값으로 대체할 수 있고, 연관성이 있는 데이터들만을 묶어 새로운 데이터셋으로 가공할 수 있다.
단계 S420에서, 컴퓨터는 상기 단계(S410)에서 전처리된 데이터를 기 학습된 제2 인공지능 모델에 입력한다.
단계 S430에서, 컴퓨터는 상기 제2 인공지능 모델의 출력으로부터 상기 빌딩의 향후 전력 소모량을 예측한다.
일 실시 예에서, 컴퓨터는 기 설정되었거나, 사용자로부터 입력받은 다양한 시간간격을 두고 전력 소모량을 예측할 수 있다.
예를 들어, 컴퓨터는 하루 동안의 전력 소모량을 예측하거나, 일주일, 한 달, 일 년 등 다양한 단위의 기간 동안의 전력 소모량을 예측할 수 있다.
일 실시 예에서, 컴퓨터는 외부환경의 변화로 인하여 전력 소모량의 예측을 다른 값으로 변경할 수 있다.
예를 들어, 무더운 여름날씨에 폭우가 내려 외부 기온이 떨어져 내부 온도에도 영향을 미치는 경우, 이러한 영향으로 인해 냉방설비를 덜 가동시키게 되는 만큼의 전력 소모가 줄어들 것으로 예측할 수 있다.
일 실시 예에서, 컴퓨터는 전력 소모량을 예측함에 있어, 과거의 연속적인 기간동안 누적된 데이터에 기반하여 예측할 수 있으며, 이러한 기간은 기 설정된 수치에 의하거나 사용자의 입력에 의해 정해질 수 있다.
예를 들어, 연간 전력 소모량을 예측하기 위해, 컴퓨터는 지난 3년간의 전력 소모량 데이터를 수집하여 이에 기반하여 금년의 전력 소모량을 예측할 수 있다.
일 실시 예에서, 컴퓨터는 특정 시점의 전력 소모량을 예측하기 위해 예측 대상이 되는 날짜 혹은 기간의 빌딩 내외부환경에 관한 데이터와 유사한 값을 갖는 날의 전력 소모량에 관한 데이터를 취합하여 이를 기반으로 전력 소모량을 예측할 수 있다.
예를 들어, 최고기온이 32도 최저기온이 25도이며, 40mm의 강수량을 갖는 비가 내릴 예정인 일기예보에 관한 데이터를 획득한 경우, 이러한 외부환경과 가장 유사한 외부환경에 관한 데이터를 라벨로 갖는 모든 날짜의 전력 소모량에 관한 데이터를 수집하여 해당 날짜의 전력 소모량을 예측할 수 있다.
또한, 관리대상이 되는 빌딩의 특성상 외부환경이 전력 소모량에 미치는 영향이 적은 경우, 빌딩 내부의 사용자 수 등을 고려하여 전력 소모량을 예측할 수 있으며, 빌딩 내부의 사용자 수는 출입구를 통과하는 진입자 및 진출자의 수를 카운팅하여 추산할 수 있다. 또한, 빌딩 내부의 사용자 수를 계산하기 위해 모션 센서, 진동 센서 등이 추가적으로 구비될 수 있으며, 출입구를 통과하는 지점을 촬영하는 CCTV의 화상을 컴퓨터가 인식하거나 분석하도록하여 사용자 수를 추산할 수도 있다.
도 5는 빌딩 관리를 위한 복수의 후보 데이터를 획득하고 하나의 최종 데이터를 결정하는 과정을 도시한 흐름도이다.
단계 S510에서, 컴퓨터는 상기 빌딩 설비의 제어를 위한 복수의 후보 데이터를 획득한다.
일 실시 예에서, 컴퓨터는 하나의 목적이 되는 내부환경을 조성하기 위해 소요되는 시간 혹은 소모되는 전력량을 달리하는 복수의 후보 제어값을 획득할 수 있다.
예를 들어, 빌딩의 내부 온도를 섭씨 25도에서 섭씨 20도가 되도록 하기 위하여 컴퓨터는 목적 상태에 도달하기 위해 다양한 설비제어의 조합을 시뮬레이션 할 수 있다. 단순히 냉방설비를 작동시키는 것 외에, 환기 설비를 이용해 보다 빠르게 내부 온도를 식히거나 습도를 함께 조절하여 보다 효율적인 전력 소모를 통해 목적 상태에 도달하도록 하는 다양한 시나리오를 사용자에게 제공할 수 있으며, 해당 목적 상태에 도달하기 위해 필요한 소요시간을 다양하게 설정하여 소요시간 별 제어값을 사용자에게 제공할 수도 있다.
단계 S520에서, 컴퓨터는 상기 복수의 후보 데이터 각각에 따라 상기 빌딩 설비가 제어되는 경우의 전력 소모량을 산출한다.
일 실시 예에서, 컴퓨터는 다양한 제어값들의 후보들이 각각 그대로 실행될 경우 빌딩이 내부환경상태를 유지하면서 소모하게 되는 전력량을 시뮬레이션하여 산출할 수 있다.
일 실시 예에서, 컴퓨터는 전력 소모량과 함께 특정 파라미터를 우선시할 경우 각 파라미터 별로 가장 효율적인 빌딩 설비의 제어 시나리오를 제공할 수 있다.
단계 S530에서, 컴퓨터는 상기 복수의 후보 데이터 각각에 따라 상기 빌딩 설비가 제어되는 경우의 상기 빌딩의 상태를 추정한다.
일 실시 예에서, 컴퓨터는 해당 후보 제어값들에 의해 빌딩 내부의 설비가 작동되거나 제어될 경우, 시간이 경과함에 따라 빌딩 내부의 각종 환경상태를 나타내는 파라미터들이 어떻게 변화할 수 있는지를 그래프 등의 방법으로 시각화하고 이것을 사용자에게 제공할 수 있다.
일 실시 예에서, 컴퓨터는 외부환경에 대한 데이터를 고려하여 이것이 미치는 영향이 반영된 내부 환경의 변화 양상을 추정할 수 있다.
단계 S540에서, 컴퓨터는 상기 복수의 후보 데이터 각각에 따른 상기 빌딩의 상태 및 전력 소모량에 기초하여 하나의 최종 데이터를 결정한다.
일 실시 예에서, 컴퓨터는 사용자에게 복수의 후보 제어값들 중 하나의 제어값 세트를 선택하도록 요청할 수 있으며, 이러한 과정에서 상술한 내부 환경상태의 변화 양상에 관한 예측 또는 전력 소모량과 소요 시간에 관한 정보를 함께 제공할 수 있다.
일 실시 예에서, 컴퓨터는 사용자로부터 입력을 받지 않더라도 기 설정된 우선순위에 따라 복수의 후보 제어값들 중 하나를 선택하여 빌딩 설비를 제어하고 관리할 수 있다.
예를 들어, 전력 소모량을 최소로 하도록 설정되어 있는 경우, 컴퓨터는 빌딩 내에서 최소의 전력 소모량을 갖는 시나리오를 선택하여 빌딩의 내부 설비를 제어하며, 이것은 빌딩 사용자들의 최적선호상태를 만족시키는 것을 전제로 한다.
즉, 컴퓨터는 시간과 자원의 소모를 다각도로 고려한 빌딩 내부환경 상태의 변화를 위한 제어값을, 제1 우선순위를 갖는 파라미터가 무엇이 되는지 여부에 따라 해당 파라미터 별로 사용자에게 제공할 수 있으며, 사용자가 이들 중 하나를 선택하거나 컴퓨터가 기 설정된 우선순위를 기준으로 선택한 빌딩 설비의 제어값을 사용하여 빌딩을 관리하게 된다.
도 6은 사용자로부터 설비 제어에 관한 입력을 수신하고 이를 통해 인공지능을 업데이트하는 과정을 도시한 흐름도이다.
단계 S610에서, 컴퓨터는 제1 사용자로부터 설비 제어 입력을 수신한다.
일 실시 예에서, 상술하는 설비 제어 입력은 그 종류를 불문하며, 전기적으로 제어신호를 입력하는 것 외에도 앞서 예시한 바와 같이 커튼 혹은 차양을 움직이는 모터가 있다면 이것을 손으로 움직이는 방식의 설비 제어가 될 수도 있다. 단, 이런 경우 컴퓨터는 센서를 통해 오프라인에서 일어난 동작을 전기적 신호로 변환해서 수신할 수 있다.
단계 S620에서, 컴퓨터는 상기 제1 사용자의 제어 입력에 따라 상기 빌딩의 설비를 제어한다.
단계 S630에서, 컴퓨터는 상기 제1 사용자의 제어 입력에 기반하여 상기 인공지능 모델을 업데이트한다.
즉, 이는 사용자가 사용자 피드백으로써 설비의 제어신호를 입력하지 않고 단순히 설비를 제어하기만 하더라도 컴퓨터가 이를 사용자 피드백으로 받아들이도록 하기 위함이다. 이는 빌딩의 사용자가 따로 빌딩 설비의 최적화를 고려하여 행동하지 않고 일상적으로 생활하더라도 이것이 빌딩 내부 설비의 장기적 최적화가 될 수 있도록 도울 수 있다.
일 실시 예에 있어서, 상기 단계(S110)에서 수집된, 빌딩에 관한 데이터는 VOC(Volatile Organic Compunds)농도, 미세먼지 농도, 이산화탄소 농도, 종합적인 공기질, 조명, 자연광, 실내온도, 실외온도, 습도, 진동, 빌딩 외부의 기후상태, 계절, 빌딩 내부 설비의 전력소모량, 빌딩 내부의 이용자 수 또는 빌딩 내부의 움직임 중 하나 이상인 것을 특징으로 할 수 있다.
또한, 상기 단계(S170)에서, 제어되는 설비는 HVAC(Heating, Ventilation and Air Conditioning)설비, 냉방설비, 난방설비, 엘리베이터, 보안 시스템, 조명설비, 공기청정기, 창문, 차광설비, 출입문의 차폐설비, 가습기, 제습기, 내부시설의 위치이동을 위한 설비, 소방설비 또는 가전제품 중 하나 이상인 것을 특징으로 할 수 있다.
일 실시 예에서, 상술한 빌딩에 관한 데이터는 빌딩 내부환경 상태에 영향을 미칠 수 있는 요소를 더 포함할 수 있으며, 이를 감지하기 위한 센서 모듈이 추가적으로 부설될 수 있다.
일 실시 예에 있어서, 컴퓨터는 IoT센서로부터 수집한 데이터에 기초하여 관리대상 빌딩의 전력소모량에 관한 정보를 데이터베이스로 구축할 수 있다. 또한, 해당 구축된 데이터베이스의 정보를 전처리하여 인공지능 모델에 전달할 수 있으며, 인공지능은 이를 통해 관리대상 건축물의 전력소모량을 예측할 수 있다.
예를 들어, 상술한 데이터베이스의 정보를 전처리하는 과정은, 빌딩 이용자의 구성원이나 설비의 사용패턴 등의 변경된 시점을 기준으로 기간의 시점과 종점을 정하여 데이터를 추출하고, 이를 인공지능에 전달하기 위한 형태의 데이터 쌍으로 만드는 처리를 의미할 수 있다.
빌딩 이용자의 구성원이 변경되거나, 빌딩 이용자들의 빌딩 이용패턴이 변화하거나, 내부 설비가 새로 부설되는 등의 경우, 전력소모량이 달라질 수 있기 때문이다.
그리고, 계절과 기온의 변화에 따라 빌딩의 전력소모량은 차이가 날 수밖에 없으므로, 금년도 7월의 전력소모량을 예측하기 위해 작년 7월의 전력소모량을 데이터베이스로부터 추출하고, 이용자의 수 또는 전력소모패턴 등의 변화를 반영할 수 있다.
또한, 컴퓨터는 연속된 기간이 아닌, 특정 날짜 혹은 시간대의 데이터만을 추출하여 인공지능에 전달하기 위한 형태의 데이터 쌍을 만들 수 있다.
예를 들어, 오늘의 날씨를 반영한 하루치의 전력소모량을 예측하기 위해, 오늘의 일기예보와 유사한 범위에 속하는 날씨정보 또는 외부환경에 관한 데이터를 갖는 날의 전력소모량을 데이터베이스로부터 추출하여 인공지능에 전달하기 위한 형태의 데이터 쌍을 만들 수 있다.
혹은, 컴퓨터는 보다 짧은 범위의 전력소모량을 예측할 수도 있다. 예를 들어, 날씨가 예보와 달리 급변하는 경우, 갑작스러운 호우에 관한 정보를 반영하여 기온이 떨어지고 습도가 올라가는 등의 외부환경의 변화 패턴을 예측하고, 이와 비슷한 양상을 가졌던 날의 전력소모량에 관한 데이터를 추출하여 하루의 나머지 시간대에서 소모되는 전력의 양을 예측할 수 있다.
또한, 컴퓨터는 인공지능 모델이 제공한 정보에 기초하여 전력소모량을 예측하되, 날씨, 계절, 외부온도, 기후, 또는 빌딩 이용자의 설비 사용패턴 등을 고려하여 할 수 있다.
일 실시 예에서, 컴퓨터는 사용자 또는 설비 관리자의 요청에 따라 향후 특정 기간의 예상되는 전력소모 패턴에 기반하여 전력소모량을 예측할 수 있다.
도 7은 일 실시 예에 따른 장치의 구성도이다.
프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 6 및 도 8과 관련하여 설명된 방법을 수행한다.
예를 들어, 프로세서(102)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 상기 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 상기 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 상기 추출된 제1 학습용 데이터를 상기 신규 학습용 데이터로부터 삭제하고, 상기 추출된 학습용 데이터가 삭제된 상기 신규 학습용 데이터를 이용하여 상기 학습된 모델을 다시 학습시킬 수 있다.
한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
Claims (9)
- 컴퓨터에 의해 실행되는 방법에 있어서,
하나 이상의 IoT 센서에 의하여 수집된, 빌딩에 관한 데이터를 획득하는 단계(S110);
상기 획득된 데이터를 전처리하는 단계(S120);
하나 이상의 사용자 피드백을 획득하는 단계(S130);
상기 획득된 사용자 피드백을 전처리하는 단계(S140);
상기 전처리된 데이터 및 사용자 피드백을 인공지능 모델에 입력하는 단계(S150);
상기 인공지능 모델의 출력으로부터 상기 빌딩의 설비의 제어를 위한 데이터를 획득하는 단계(S160);
상기 획득된 데이터에 기초하여 상기 빌딩의 설비를 제어하는 단계(S170); 및
상기 설비의 제어에 따른 사용자 피드백을 획득하여 상기 인공지능 모델을 업데이트하는 단계(S180); 를 포함하며,
상기 단계(S110)에서 수집된, 상기 빌딩에 관한 데이터는 VOC(Volatile Organic Compunds)농도, 미세먼지 농도, 이산화탄소 농도, 종합적인 공기질, 조명, 자연광, 실내온도, 실외온도, 습도, 진동, 빌딩 외부의 기후상태, 계절, 빌딩 내부 설비의 전력소모량, 시설 내부의 이용자 수 또는 시설 내부의 움직임 중 하나 이상이고,
상기 단계(S170)에서, 제어되는 설비는 HVAC(Heating, Ventilation and Air Conditioning)설비, 냉방설비, 난방설비, 엘리베이터, 보안 시스템, 조명설비, 공기청정기, 창문, 차광설비, 출입문의 차폐설비, 가습기, 제습기, 내부시설의 위치이동을 위한 설비, 소방설비 또는 가전제품 중 하나 이상인, IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법. - 제1 항에 있어서,
상기 단계(S180)는,
상기 단계(S180)에서 획득된 사용자의 피드백을 퍼지논리에 기반하여 파라미터로 변환하는 단계(S210);
상기 변환된 파라미터를 상기 인공지능 모델에 입력하는 단계(S220);
상기 인공지능 모델의 출력값에 기반하여 상기 빌딩의 설비의 제어를 위한 데이터를 다시 획득하는 단계(S230); 및
상기 다시 획득된 데이터를 이용하여 상기 빌딩의 상기 설비를 제어하는 단계(S240); 를 포함하는,
IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법. - 제1 항에 있어서,
상기 단계(S120)는,
상기 하나 이상의 IoT센서에 의해 수집된, 빌딩에 관한 데이터를 외부환경에 관한 데이터와 내부환경에 관한 데이터로 분류하는 단계(S310); 를 포함하고,
상기 단계(S140)는,
상기 획득된 사용자 피드백을 퍼지논리에 기반하여 파라미터로 변환하는 단계(S320); 를 포함하고,
상기 단계(S160)에서, 상기 인공지능의 출력은,
상기 내부환경에 관한 데이터, 상기 외부환경에 관한 데이터 및 상기 파라미터로 변환된 사용자 피드백으로부터 학습된 사용자의 최적선호상태인 것을 특징으로 하고,
상기 획득된 사용자의 최적선호상태와 상기 내부환경에 관한 데이터로부터 상기 빌딩의 내부환경을 변화시키기 위한 설비제어에 관한 제어값을 획득하는 단계(S330); 를 포함하는,
IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법. - 제1 항에 있어서,
상기 단계(S120)는,
상기 단계(S110)에서 획득된 데이터를 전처리하는 단계(S410);
상기 단계(S410)에서 전처리된 데이터를 기 학습된 제2 인공지능 모델에 입력하는 단계(S420); 및
상기 제2 인공지능 모델의 출력으로부터 상기 빌딩의 향후 전력 소모량을 예측하는 단계(S430); 를 포함하는,
IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법. - 제1 항에 있어서,
상기 단계(S160)는,
상기 빌딩의 상기 설비의 제어를 위한 복수의 후보 데이터를 획득하는 단계(S510);
상기 복수의 후보 데이터 각각에 따라 상기 빌딩의 상기 설비가 제어되는 경우의 전력 소모량을 산출하는 단계(S520);
상기 복수의 후보 데이터 각각에 따라 상기 빌딩의 상기 설비가 제어되는 경우의 상기 빌딩의 상태를 추정하는 단계(S530); 및
상기 복수의 후보 데이터 각각에 따른 상기 빌딩의 상태 및 전력 소모량에 기초하여 하나의 최종 데이터를 결정하는 단계(S540); 를 더 포함하는,
IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법. - 제1 항에 있어서,
상기 단계(S180)는,
제1 사용자로부터 설비 제어 입력을 수신하는 단계(S610);
상기 제1 사용자의 제어 입력에 따라 상기 빌딩의 설비를 제어하는 단계(S620); 및
상기 제1 사용자의 제어 입력에 기반하여 상기 인공지능 모델을 업데이트하는 단계(S630); 를 더 포함하는,
IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법. - 삭제
- 하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1 항의 방법을 수행하는, 장치. - 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190124474A KR102380397B1 (ko) | 2019-10-08 | 2019-10-08 | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190124474A KR102380397B1 (ko) | 2019-10-08 | 2019-10-08 | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210041806A KR20210041806A (ko) | 2021-04-16 |
| KR102380397B1 true KR102380397B1 (ko) | 2022-03-31 |
Family
ID=75743829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190124474A KR102380397B1 (ko) | 2019-10-08 | 2019-10-08 | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102380397B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102599586B1 (ko) * | 2023-04-05 | 2023-11-08 | 주식회사 금영종합건설 | 스마트폰을 이용한 시설 제어 시스템 |
| KR20240036185A (ko) | 2022-09-13 | 2024-03-20 | (주)코젠 | 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법 |
| WO2024143730A1 (ko) * | 2022-12-29 | 2024-07-04 | 한국전기연구원 | 데이터 기반의 hvac 시스템 모델 파라미터 추정 장치 및 방법 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220147270A (ko) | 2021-04-27 | 2022-11-03 | 주식회사 디지털안전기술단 | 추상적 개념을 센싱하는 가상 센서 시스템 및 그러한 센서 시스템의 생성 방법 |
| KR102646572B1 (ko) * | 2021-05-27 | 2024-03-11 | 광주대학교산학협력단 | 신재생 에너지 설비 모니터링 장치 및 방법 |
| KR102606526B1 (ko) * | 2021-06-25 | 2023-11-29 | 주식회사 제이티 | 인공 지능 기반의 무인국사용 종합 감시 시스템 |
| KR102500379B1 (ko) * | 2021-10-28 | 2023-02-16 | 엔컴주식회사 | 이벤트 기반 스마트 조명 공통플랫폼 시스템 |
| WO2023105519A1 (en) * | 2021-12-08 | 2023-06-15 | Aura Smart Air Ltd | Smart platform for iot devices |
| KR102623325B1 (ko) * | 2021-12-29 | 2024-01-10 | 주식회사 에코시안 | 인공지능 기반 건물에너지 절감 장치 및 방법 |
| KR102414371B1 (ko) * | 2022-02-08 | 2022-06-29 | 주식회사 엔라이트 | 안개, 폭우, 미세먼지, 악천후 인식 스마트 시스템 |
| KR102435561B1 (ko) * | 2022-05-19 | 2022-08-23 | 일성테크원주식회사 | 설비 기기들의 소비 전력량을 절감하면서 쾌적한 실내 환경을 보장하기 위한 bems를 구현하는 건물 에너지 관리 서버 및 방법 |
| KR102624117B1 (ko) * | 2022-07-07 | 2024-01-11 | 오토캠 테크놀로지 컴퍼니 리미티드 | Ai지능형 의사 결정 자동 공구 교환 장치 |
| KR102585859B1 (ko) * | 2022-08-10 | 2023-10-10 | 유비스 주식회사 | 빅데이터 분석 기반 빌딩 관리 시스템 및 방법 |
| KR102474936B1 (ko) * | 2022-09-16 | 2022-12-06 | 주식회사 이현정보 | Ai 기반의 복합제어센서를 활용한 자율제어 통합빌딩 시스템 |
| KR102549711B1 (ko) * | 2022-10-19 | 2023-06-30 | (재)한국건설생활환경시험연구원 | 물류 센터 에너지 고효율화를 위한 ai 기반 토탈 에너지 관리 시스템 |
| CN117691918B (zh) * | 2024-02-02 | 2024-04-30 | 广东凌霄泵业股份有限公司 | 一种用于泳池泵电机的控制方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101885720B1 (ko) | 2018-04-26 | 2018-08-06 | 오리온시스템즈 주식회사 | Iot환경 개별 실내 공기질 제어가 가능한 원격 빌딩 제어 시스템 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101645089B1 (ko) * | 2014-07-16 | 2016-08-03 | 한국과학기술원 | 스마트홈 사물인터넷 기기의 상태 표시등 제어 방법 및 장치 |
| CN106469212B (zh) * | 2016-09-05 | 2019-10-15 | 北京百度网讯科技有限公司 | 基于人工智能的人机交互方法和装置 |
| KR101838554B1 (ko) | 2017-03-24 | 2018-04-26 | (주)성안 | 태양광 발전을 이용한 스마트 빌딩 도로 결빙 및 에너지 실시간 관리 시스템 |
| KR20180119515A (ko) * | 2017-04-25 | 2018-11-02 | 김현민 | 스마트 휴대 기기를 이용한 스마트 기기와 로봇의 개인 맞춤형 서비스 운용 시스템 및 방법 |
| KR101960162B1 (ko) * | 2017-05-15 | 2019-07-05 | 현대오토에버 주식회사 | 디지털sop 및 예측기반 빌딩통합운영시스템 및 방법 |
| KR102006206B1 (ko) * | 2017-08-14 | 2019-08-01 | 오토시맨틱스 주식회사 | 딥러닝을 통한 음향기반 상수도 누수 진단 방법 |
-
2019
- 2019-10-08 KR KR1020190124474A patent/KR102380397B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101885720B1 (ko) | 2018-04-26 | 2018-08-06 | 오리온시스템즈 주식회사 | Iot환경 개별 실내 공기질 제어가 가능한 원격 빌딩 제어 시스템 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240036185A (ko) | 2022-09-13 | 2024-03-20 | (주)코젠 | 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법 |
| WO2024143730A1 (ko) * | 2022-12-29 | 2024-07-04 | 한국전기연구원 | 데이터 기반의 hvac 시스템 모델 파라미터 추정 장치 및 방법 |
| KR102599586B1 (ko) * | 2023-04-05 | 2023-11-08 | 주식회사 금영종합건설 | 스마트폰을 이용한 시설 제어 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210041806A (ko) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102380397B1 (ko) | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 | |
| JP6807556B2 (ja) | 空調制御方法、空調制御装置及び空調制御プログラム | |
| CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
| Elnour et al. | Neural network-based model predictive control system for optimizing building automation and management systems of sports facilities | |
| CN107942960B (zh) | 一种智能化的信息处理*** | |
| CN107750323B (zh) | 用于控制空调装置的启动的方法及其设备 | |
| WO2011129025A1 (ja) | 相互学習による建築物の省エネルギー化ユニット及びシステム | |
| KR101633969B1 (ko) | 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법 | |
| CN111788435B (zh) | 空调***中的复合控制装置及其方法 | |
| CN109974242A (zh) | 基于热成像的空调***智能调温方法与*** | |
| CN116109011B (zh) | 一种智慧园区的能耗管理方法及终端 | |
| Amayri et al. | Decision tree and parametrized classifier for estimating occupancy in energy management | |
| CN111043733B (zh) | 基于空间布局特征的空调器送风模式控制方法及空调器 | |
| CN116679577A (zh) | 智能家庭感知和控制终端 | |
| KR102081425B1 (ko) | 사용자 만족도 기반 에너지 대비 쾌적도 효율성 지수 분석 시스템 및 방법 | |
| CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| US11734932B2 (en) | State and event monitoring | |
| Yuan et al. | Space-Level air conditioner electricity consumption and occupant behavior analysis on a university campus | |
| Kciuk et al. | Design and modeling of intelligent building office and thermal comfort based on probabilistic neural network | |
| Aldakheel et al. | Indoor environmental quality evaluation of smart/artificial intelligence techniques in buildings–a review | |
| Pereira et al. | Intelligent Residential Buildings and the Behaviour of the Occupants: State of the Art | |
| CN113221452A (zh) | 一种基于分布式光纤的办公空间温度预测*** | |
| Saranya et al. | AI buildings: design of artificially intelligent buildings in the energy sector with an autonomous federated learning approach | |
| Peng | Learning-based demand-driven controls for energy-efficient buildings | |
| Habibi | A review of ICT-based applications to monitor environmental parameters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right |