KR20210063970A - 공기 조화기 및 그 제어 방법 - Google Patents

Abstract

본 발명의 일 실시 예에 따른 실내기 및 실외기를 포함하는 공기 조화기의 제어 방법은 공기 조화기의 가동에 따른 실내 온도의 변화에 기반하여 실내 온도 변화 기준을 생성하는 단계, 가동 신호에 대응하여 공기 조화기를 가동하고 가동 시간에 따른 실내 온도의 변화를 모니터링하는 단계, 실내 온도 변화 기준에 기반하여 실내 온도의 변화 속도를 평가하는 단계 및 실내 온도의 변화 속도를 평가한 결과에 기반하여 대응 신호를 생성하는 단계를 포함할 수 있다. 이에 따라, 공기 조화기의 가동에 따른 실내 온도의 설정 온도 도달 가능성을 판단하여 내부 열원이 다수 존재하거나 외부 공간과 연결 통로가 개방된 경우에 대응함으로써 에너지 절감 효과를 얻을 수 있다.

Description

공기 조화기 및 그 제어 방법{AIR CONDITIONER AND CONTROLLING METHOD THE SAME}

본 명세서는 공기 조화기 및 이의 제어방법에 관한 것으로, 보다 구체적으로는 공기 조화기 가동 이후 실내 온도의 설정 온도 도달을 모니터링한 결과에 기반하여 대응 신호를 생성하는 공기 조화기 및 이의 제어방법에 관한 것이다.

일반적으로 공기 조화기(이하, 공조기라 한다.)는 실내의 온도를 높이거나 낮추는 역할을 수행한다.

열 매체가 공조기 내부의 정해진 경로를 순환하고, 순환하는 열 매체는 열에너지를 방출하거나 흡수한다. 공조기에서 열 매체는 열에너지를 전달하는 수단이고, 열에너지의 방출을 통해 난방을, 열에너지의 흡수를 통해 냉각을 수행한다. 또한, 공조기는 공기 정화, 가습, 제습 기능을 수행하기도 한다.

공조기는 단순히 정해진 실내공간의 온도만을 조절하는 것이 아니라, 실내 공기를 정화하고, 습도를 조절함으로써 사용자에게 쾌적한 환경을 제공한다.

일반적으로 공조기는 사용자의 희망 온도인 설정 온도가 계측된 실내 온도보다 낮으면 냉방을 수행하고, 설정 온도가 계측된 실내 온도보다 높으면 난방을 수행하는 방식으로 제어된다.

공조기의 공조 능력이 낮은 경우 공조기의 구동에도 불구하고 실내 온도가 설정 온도에 도달하지 못하거나 도달에 오랜 시간이 걸릴 수 있다. 또는, 실내기가 설치된 장소에 내부 열원이 다수 존재하거나 외부 공간과 연결 통로가 개방된 경우 공조기의 가동에 불구하고 설정 온도에 도달하지 못할 수 있다.

하지만, 종래의 공조기는 실내 온도가 설정 온도에 계속해서 도달하지 못하는 경우에도, 설정 온도에 도달하기 위한 가동을 동일하게 수행함으로써 에너지를 낭비하는 문제점이 있다.

관련기술로서, 대한민국등록특허 제0160405호(이하, '관련기술1'이라 함.)는 '공기조화기의 제어방법'을 개시한다.

관련기술1에 개시된 공기조화기는 실내온도가 설정온도에 도달하는 시간을 기준치와 비교하여 판단한 열원환경 여부에 따라 압축기의 주파수 및 송풍팬을 제어하거나, 실내온도가 설정온도에 도달하는 시간을 기준치와 비교하여 운전 주파수를 제어하는 기술을 개시하고 있다. 하지만 관련기술1은 실내 온도가 설정온도에 도달하는 시간을 비교하기 위한 기준치를 생성하는 방법을 개시하고 있지 않으며 단순히 마이컴에 저장된 테이블을 이용하고 있고, 관련기술1의 기준치는 계절 및 날씨에 무관하게 저장되어 있는 문제점이 있다.

또 다른 관련기술로서, 대한민국공개특허 제10-2017-0092879호(이하, '관련기술2'이라 함.)는 '공기조화기 및 그 제어방법'을 개시한다.

관련기술2는 냉동 사이클의 감지된 고압 또는 저압에 기초하여 결정된 실내 공간의 부하 레벨에 따라 압축기의 운전주파수를 결정하는 기술을 개시하고 있다. 하지만, 관련기술2는 실내공간의 부하에 대한 대응만 개시하고 있고, 외부 공간과 실내 공간의 연결 통로가 개방된 경우에 대한 대응 방법은 제시하지 못하는 문제점이 있다.

전술한 관련 기술들은 발명자가 개시되는 내용을 위해 보유하고 있었거나, 개시되는 내용의 도출 과정에서 습득한 기술 정보로서, 반드시 개시되는 내용의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 개시의 실시 예는 실내기가 설치된 장소에 내부 열원이 다수 존재하거나 외부 공간과 연결 통로의 개방으로 인한 실내 온도의 설정 온도 도달 가능성을 판단하는 것을 일 과제로 한다.

또한, 본 개시의 실시 예는 실내 온도의 설정 온도 도달 가능성을 판단하기 위한 기준을 생성하는 것을 일 과제로 한다.

또한 본 개시의 실시 예는 계절 및 외부 환경을 고려하여 실내 온도의 설정 온도 도달 가능성을 판단하기 위한 기준을 생성하는 것을 일 과제로 한다.

본 개시의 일 실시 예는 실내 온도 변화 기준에 기반하여 공조기의 가동에 따른 실내 온도 변화가 정상적인 시간 내에 설정 온도에 도달 가능한지 평가할 수 있는 공조기 및 그 제어 방법을 제공할 수 있다.

본 개시의 일 실시 예에 따른 공조기의 제어 방법은 공조기의 가동에 따른 실내 온도의 변화에 기반하여 실내 온도 변화 기준을 생성하는 단계, 공조기의 가동 시간에 따른 실내 온도의 변화를 모니터링하는 단계, 실내 온도 변화 기준에 기반하여 실내 온도의 변화 속도를 평가하는 단계 및 실내 온도의 변화 속도를 평가한 결과에 기반하여 대응 신호를 생성하는 단계를 포함할 수 있다.

본 개시의 다른 실시 예는 공조기의 가동 시기에 따라 적절한 실내 온도 변화 기준으로 공조기의 가동에 따른 실내 온도 변화가 정상적인 시간 내에 설정 온도에 도달 가능한지 평가할 수 있는 공조기 및 그 제어 방법을 제공할 수 있다.

본 개시의 일 실시 예에 따른 공조기의 제어 방법의 실내 온도 변화 기준을 생성하는 단계는 미리 설정된 기준 기간 동안의 공조기의 가동 중 실내 온도가 설정 온도에 도달하기까지 소요된 시간에 기반하여 머신 러닝 기반의 학습 모델을 생성하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 공조기의 제어 방법의 실내 온도 변화 기준을 생성하는 단계는 미리 설정된 기준 기간 동안의 공조기의 가동에 따른 실내 온도가 설정 온도의 도달에 소요된 시간의 평균 소요 시간 및 표준 편차를 계산하는 단계를 포함할 수 있다.

여기에서, 미리 설정된 기준 기간은 가동 신호를 수신한 시점으로부터 제1 기간 이전까지의 기간이거나, 공조기의 최초 가동 시점으로부터 제2 기간 이후까지의 기간일 수 있다.

본 개시의 일 실시 예에 따른 공조기의 제어 방법의 머신 러닝 기반의 학습 모델을 생성하는 단계는, 미리 설정된 기준 기간 동안에 공조기를 가동할 때마다 가동을 시작한 시점으로부터 가동 시작 온도, 설정 온도 및 설정 온도의 도달에 소요된 시간을 포함하는 설정 온도 도달 시간 데이터를 저장하는 단계 및 설정 온도 도달 시간 데이터를 훈련 데이터로서 머신 러닝 기반의 시계열(time-series) 신경망을 훈련하여 시계열 학습 모델을 생성하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 공조기는 압축기와 실외 팬 모터를 포함하는 실외기, 공조 영역의 공기 조화를 수행하고, 실내 온도를 측정하는 온도 센서를 포함하는 실내기 및 실외기와 실내기의 가동 동작을 제어하는 제어 장치를 포함하고, 제어 장치는 실외기의 가동 동작 또는 실내기의 가동 동작 중 적어도 하나를 조절하는 운전 조작부, 공조기의 가동에 따른 실내 온도의 변화에 기반하여 생성된 실내 온도 변화 기준이 저장되는 메모리 및 실내 온도 변화 기준에 기반하여 공조기의 가동에 따른 실내 온도의 변화 속도를 평가하고 대응 신호를 생성하는 제어부를 포함할 수 있다.

본 개시의 실시 예에 따른 공조기 및 그 제어 방법은 실내기 설치 장소에 내부 열원이 다수 존재하거나 외부 공간과 연결 통로의 개방으로 인한 실내 온도의 설정 온도 도달 가능성을 판단할 수 있다.

또한, 본 개시의 실시 예에 따른 공조기 및 그 제어 방법은 계절 및 외부 환경을 고려하여 실내 온도의 설정 온도 도달 가능성을 판단하기 위한 기준을 생성할 수 있다.

또한, 본 개시의 실시 예에 따른 공조기 및 그 제어 방법은 낮은 연산 부하량으로 실내 온도의 설정 온도 도달 가능성을 판단하기 위한 기준을 생성할 수 있다.

또한, 본 개시의 실시 예에 따른 공조기 및 그 제어 방법은 공조기 성능 이외의 문제로 인한 실내 온도의 설정 온도 도달 실패 시, 대응 신호를 생성함으로써 에너지 절감 효과를 얻을 수 있다.

도 1은 본 발명의 일 실시 예에 따른 공조기의 제어 방법을 수행하기 위한 환경의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 머신 러닝 기반의 학습 모델을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 공조기의 제어 방법을 설명하기 위한 순서도이다.
도 4 및 도 5는 본 발명의 일 실시 예에 따른 실내 온도 변화 기준을 생성하는 방법을 설명하기 위한 도면이다.
도 6 내지 도 7은 본 발명의 일 실시 예에 따른 실내 온도의 변화 속도를 평가하는 방법을 설명하기 위한 도면이다.
도 8 내지 도 9는 본 발명의 일 실시 예에 따른 설정 온도 도달 예정 시간을 추론하는 방법을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

도 1은 본 개시의 실시 예에 따른 공조기의 제어 방법을 수행하고 공조기가 동작하기 위한 환경의 예시도이다.

본 개시의 실시 예에 따른 공조기의 제어 방법을 수행하기 위한 환경은 공조기(100), 환기 제어 시스템(200) 및 공간 제어 시스템(300)을 포함할 수 있다.

공조기(100)는 압축기와 실외 팬 모터를 포함하는 실외기(120), 실외기와 전기적으로 연결되어 공조 영역의 공기 조화를 수행하고, 실내 온도를 측정하는 온도 센서(미도시)를 포함하는 실내기(130a, 130b) 및 제어 장치(110)를 포함할 수 있다.

제어 장치(110)는 실외기(120) 및 실내기(130a, 130b)의 가동 동작 중 적어도 하나를 조절하는 운전 조작부(미도시), 실내 온도 변화 기준이 저장되는 메모리(미도시), 운전 조작부를 제어하고 실내 온도의 변화 속도를 평가하는 제어부(미도시)를 포함할 수 있다.

도 1의 제어 장치(110)가 실외기(120) 및 실내기(130a, 130b)와 별도의 하우징(housing)으로 구성되는 것은 일 실시 예일 뿐이고, 제어 장치(110)는 실외기(120) 또는 실내기(130a, 130b)와 동일한 하우징 내부에 구현될 수 있다. 또는 제어 장치(110)는 실외기(120), 실내기(130a, 130b), 환기 제어 시스템(200) 및 공간 제어 시스템(300) 과 네트워크로 연결된 서버 장치로 구현될 수 있다.

제어 장치(110)는 환기 제어 시스템(200)의 환기 제어 장치(210)로 환기 모드 변경을 요청할 수 있다. 환기 제어 장치(210)는 외부 공기를 유입하는 외부 환기 모드, 외부 공기를 차단하고 내부 공기를 청정 후 공급하는 내부 환기 모드 등의 복수의 환기 모드를 운용할 수 있다. 환기 제어 시스템(200)은 공조기(100)의 실내기(130a, 130b)가 설치된 장소마다 설치된 환기구(220a, 220b)를 포함할 수 있다.

제어 장치(110)는 공간 제어 시스템(300)의 공간 제어 장치(310)로 문(320a) 또는 창문(320b)의 개폐 제어를 요청하는 신호를 전송할 수 있다. 공간 제어 장치(310)는 문(320a) 또는 창문(320b)의 개폐를 제어하기 위한 유압 제어부 등을 포함할 수 있다.

제어 장치(110)는 온도 센서에서 측정된 실내 온도의 설정 온도 도달 여부를 판단할 수 있다. 또한, 실내 온도의 변화 속도를 평가하기 위한 실내 온도 변화 기준을 생성할 수 있다. 제어 장치(110)는 실내 온도 변화 기준에 기반하여 실외기 및 실내기의 가동에 의한 실내 온도의 변화 속도를 평가하고, 평가된 결과에 기반하여 환기 제어, 공간 제어 및 알림 신호 생성 중에서 적어도 하나를 수행하기 위한 대응 신호를 생성할 수 있다.

제어 장치(110)는 통계적인 방법 또는 머신 러닝(Machine Learning) 기반의 방법에 의해 실내 온도 변화 기준을 생성할 수 있다.

머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술일 수 있다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조 또는 체인의 형태로 연결된 정보처리 시스템이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

인공 신경망 중 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다. 한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

제어 장치(110)는 설정 온도에 따라 공조기(100)의 제어를 수행할 수 있다. 공조기(100)의 제어란, 냉난방을 위한 실내기 또는 실외기의 운전여부, 온도, 풍량 및 풍향 중 적어도 하나를 조절하는 운전 조작부(미도시)를 제어하는 것일 수 있다. 또는, 냉난방을 수행함에 있어 냉방 또는 난방을 위한 설정 온도를 수신하고(사용자로부터의 입력을 포함한다.), 수신한 설정 온도로 공조영역을 냉방 또는 난방하기 위한 운전 조작부의 제어를 수행할 수 있다.

이때, 제어부(미도시)는 러닝 프로세서(learning processor)(미도시)를 포함할 수 있고, 러닝 프로세서는 수집된 정보들에 메모리에 저장된 학습 모델을 적용하여 실내 온도의 설정 온도 도달 소요 시간을 추론할 수 있다.

러닝 프로세서는 하나 이상의 메모리 유닛을 포함할 수 있고, 일부 실시 예에서, 러닝 프로세서는 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 공조기(100)에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

본 발명의 일 실시 예에서 메모리에 저장되는 학습 모델은 딥 러닝 모델 (deep learning model), 강화 학습 모델 (reinforcement learning model)일 수 있다.

제어 장치(110)가 머신 러닝 기반의 방법에 의해 실내 온도 변화 기준을 생성하는 경우, 실내 온도 변화 기준은 머신 러닝 기반의 학습 모델일 수 있고, 학습 모델은 RNN, LSTM, GRU 방식의 시계열(time-series) 신경망을 포함할 수 있다.

시계열 신경망은 시계열 데이터로 훈련되어 학습 모델을 생성할 수 있다. 예를 들어, 매일의 날씨, 매일의 온도 등의 시계열 데이터가 훈련 데이터로 사용될 수 있다.

다른 실시 예에서, 제어 장치(110)는 서버 장치로 구현된 학습 장치(미도시)에서 훈련된 학습 모델을 수신하여 실내 온도의 변화 속도를 평가할 수 있다.

학습 장치는 공조기(100)의 외부에 별도로 구성된 장치 또는 서버로, 공조기(100)의 러닝 프로세서와 동일한 기능을 수행할 수 있다.

즉, 학습 장치는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치는 적어도 하나의 공조기(100)와 통신할 수 있고, 공조기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

학습 장치는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치는 주기적으로 혹은 요청에 의하여 공조기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 2를 참조하면, 본 발명의 일 실시 예에서 실내 온도의 설정 온도 도달 소요 시간을 추론하기 위한 학습 모델은 가동 시작 온도, 설정 온도 및 설정 온도의 도달에 소요된 시간을 포함하는 설정 온도 도달 시간 데이터를 훈련 데이터로 한 학습 모델일 수 있다.

또는, 훈련 데이터는 공기 조화기의 가동 날짜 및 공기 조화기의 가동 시작 시간(예를 들어, 오후 1시) 중 적어도 하나를 더 포함할 수 있다. 따라서, 공기 조화기의 가동 날짜 및 공기 조화기의 가동 시작 시간, 가동 시작 온도, 설정 온도를 입력으로 하고, 설정 온도의 도달에 소요된 시간을 레이블로 한 훈련 데이터를 이용하여 시계열 신경망을 훈련함으로써, 계절 및 외부 환경을 고려하여 실내 온도 변화 기준(학습 모델)을 생성할 수 있다.

도 2의 인공 신경망의 구조는 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다. 실내 온도의 설정 온도 도달 소요 시간을 추론하기 위한 학습 모델은 다양한 구조 및 방식의 신경망을 포함할 수 있다.

도 2에 도시된 인공 신경망은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망을 구성하는 하나 이상의 명령어는 메모리에 저장될 수 있다.

도 3은 본 개시의 실시 예에 따른 공조기의 제어 방법을 설명하기 위한 순서도이다.

본 개시의 실시 예에 따른 공조기(100)의 제어 장치(110)는 운전을 위한 가동 시작 후(S310) 통계적인 방법 또는 머신 러닝 기반의 방법에 의해 실내 온도 변화 기준을 생성할 수 있다(S320). 다른 실시 예에서는, 제어 장치(110)는 운전을 위한 가동 중이 아니더라도, 미리 정해진 주기 또는 비 주기에 따라 실내 온도 변화 기준을 생성할 수 있다(S320).

제어 장치(110)는 공조기(100)의 이전 가동에 따른 실내 온도의 변화에 기반하여 실내 온도 변화 기준을 생성할 수 있다.

예를 들어, 인공 신경망을 포함하는 학습 모델을 실내 온도 변화 기준으로 생성하는 경우, 공조기(100)의 가동 시점 또는 실내 온도 변화 기준 생성 시점 이전의 미리 설정된 기준 기간 동안의 공조기(100) 가동에 의해 실내 온도가 설정 온도에 도달하기까지 소요된 시간에 기반하여 학습 모델을 생성할 수 있다.

실내 온도 변화 기준을 생성하기 위한 미리 설정된 기준 기간은 공조기(100)의 각 가동 시점으로부터 각 가동 시점 이전의 일정 기간 동안의 기간이거나, 공조기(100)의 최초 가동일로부터 일정 기간 동안의 기간일 수 있다.

도 4를 참조하여 미리 설정된 기준 기간이 공조기(100)의 각 가동 시점으로부터 각 가동 시점 이전의 일정 기간 동안의 기간인 경우, 실내 온도 변화 기준을 생성하는 방법을 설명한다. 미리 설정된 기준 기간이 30일인 경우, 각 가동 시점으로부터 30일 이전부터 각 가동 시점까지의 공조기(100)의 가동에 따른 실내 온도의 설정 온도 도달 소요 시간을 레이블로 하고 기준 기간인 30일 동안의 각 가동에서의 가동 시작 온도 및 설정 온도를 입력으로 하는 훈련 데이터를 이용하여 학습 모델을 훈련할 수 있다.

따라서, 각 가동 시점마다 공조기(100)의 최근 기준 기간 동안의 가동에 따른 훈련 데이터에 기반하여 학습 모델을 훈련시킬 수 있으므로, 계절에 따라 적합한 실내 온도의 설정 온도 도달 소요 시간을 추론 가능한 학습 모델을 생성할 수 있다.

다른 실시 예에서, 기준 기간은 공조기(100)의 가동 횟수일 수 있다. 미리 설정된 기준 기간이 30회인 경우, 각 가동 시점으로부터 30회 이전의 각 가동에 따른 가동 시작 온도, 설정 온도 및 상기 설정 온도의 도달에 소요된 시간을 포함하는 실내 온도 도달 시간 데이터를 훈련 데이터로 이용하여 학습 모델을 훈련할 수 있다.

제어 장치(110)는 미리 설정된 기준 기간 동안의 공조기(100)의 가동 날짜 및 공조기(100)의 가동 시작 시간 중 적어도 하나를 더 포함하는 훈련 데이터를 이용하여 학습 모델을 훈련할 수 있다.

따라서, 각 가동 시점마다 공조기(100)의 최근 기준 기간 동안의 가동 환경에 대한 정보를 포함하여 학습 모델을 훈련함으로써, 계절 및 날씨에 따라 정확한 실내 온도의 설정 온도 도달 소요 시간을 추론 가능한 학습 모델을 생성할 수 있다.

제어 장치(110)는 통계적인 방법으로 실내 온도의 변화에 기반하여 실내 온도 변화 기준을 생성할 수 있다.

도 4를 참조하면 미리 설정된 기준 기간이 30일(또는 30회)인 경우, 각 가동 시점으로부터 30일(30회) 이전부터 각 가동 시점까지의 공조기(100)의 가동에 따른 실내 온도의 설정 온도 도달 소요 시간의 평균 소요 시간을 실내 온도 변화 기준으로 생성할 수 있다.

따라서, 공조기(100)의 최근 기준 기간 동안의 가동에 따른 실내 온도 변화에 기반하여 낮은 연산 부하로도 실내 온도 변화 기준을 생성할 수 있으므로, 계절에 따라 적합한 실내 온도의 설정 온도 도달 소요 시간을 추론할 수 있다.

도 5를 참조하여 미리 설정된 기준 기간이 공조기(100)의 최초 가동일로부터 일정 기간 동안의 기간인 경우, 실내 온도 변화 기준을 생성하는 방법을 설명한다.

미리 설정된 기준 기간이 30일인 경우, 공조기(100)의 최초 가동일로부터 30일 이후의 가동 시점까지의 공조기(100)의 가동에 따른 실내 온도의 설정 온도 도달 소요 시간을 레이블로 하고 기준 기간인 30일 동안의 각 가동에서의 가동 시작 온도 및 설정 온도를 입력으로 하는 훈련 데이터를 이용하여 학습 모델을 훈련할 수 있다. 도 4를 참조하여 설명한 것과 유사하게, 미리 설정된 기준은 공조기(100)의 가동 횟수일 수 있다.

또한, 다른 실시 예에서 공조기(100)의 최초 가동일로부터 30일(30회) 이후의 가동까지의 공조기(100)의 가동에 따른 실내 온도의 설정 온도 도달 소요 시간의 평균 소요 시간을 실내 온도 변화 기준으로 생성할 수 있다.

따라서, 각 가동 시점마다 학습 모델을 재 훈련시키거나 실내 온도 변화 기준을 생성하는 연산 부하를 감소시킬 수 있다.

제어 장치(110)는 온도 센서에 의해 측정된 실내 온도의 변화를 모니터링하고(S330), 실내 온도의 변화 속도를 평가할 수 있다(S340).

실내 온도 변화 기준이 학습 모델인 경우, 제어 장치(110)는 가동 시작 시간으로부터 학습 모델에 의해 추론된 설정 온도 도달 예상 소요 시간 내 또는 설정 온도 도달 예상 소요 시간으로부터 미리 설정된 기준 시간 내에 실내 온도가 설정 온도에 도달하는지 판단을 통해 실내 온도의 변화 속도를 평가할 수 있다.

실내 온도 변화 기준이 실내 온도의 설정 온도 도달 소요 시간의 평균 소요 시간인 경우, 제어 장치(110)는 가동 시작 시간으로부터 평균 소요 시간 내 또는 평균 소요 시간으로부터 미리 설정된 기준 시간 내에 실내 온도가 설정 온도에 도달하는지 판단을 통해 실내 온도의 변화 속도를 평가할 수 있다.

도 6를 참조하면, 설정 온도 도달 예상 소요 시간(T_std)으로부터 미리 설정된 기준 시간(T_dev) 또는 평균 소요 시간(T_std)으로부터 미리 설정된 기준 시간(T_dev) 내에 실내 온도가 설정 온도에 도달하는지 판단하기 위해, 제어 장치(110)는 미리 설정된 기준 기간 내의 공조기(100)의 가동에 따른 실내 온도가 설정 온도의 도달에 소요된 시간의 표준 편차 또는 표준 편차의 배수를 기준 시간으로 설정할 수 있다. 즉, 공조기(100)의 가동에 따른 실내 온도의 설정 온도 도달에 소요된 시간은 정규 분포를 따른다는 가정하에 표준 편차 또는 표준 편차의 배수를 기준 시간으로 설정할 수 있다.

따라서, 도 6에서 실내 온도는 설정 온도 도달 예상 소요 시간(T_std) 또는 평균 소요 시간(T_std)을 지나서 설정 온도에 도달하였지만(T_arv) 미리 설정된 기준 시간(T_dev) 내에 실내 온도가 설정 온도에 도달하였으므로, 제어 장치(110)는 정상적으로 냉방이 수행된 것으로 판단할 수 있다.

도 7을 참조하면, 제어 장치(110)는 실내 온도가 설정 온도에 도달한 시간(T_arv)이 설정 온도 도달 예상 소요 시간(T_std)으로부터 미리 설정된 기준 시간(T_dev) 또는 평균 소요 시간(T_std)으로부터 미리 설정된 기준 시간(T_dev) 내에 도달하지 못하는 경우, 공조기(100)의 가동 시간에 따른 실내 온도 변화에 기반하여, 실내 온도 변화 기준 이후 설정 온도에 도달하는 설정 온도 도달 예정 시간을 추론할 수 있다.

도 8 및 도 9를 참조하여, 제어 장치(110)가 실내 온도 변화 기준 이후 설정 온도에 도달하는 설정 온도 도달 예정 시간을 추론하는 방법을 설명한다.

도 8 및 도 9를 참조하면, 실내 온도(810, 910)는 설정 온도 도달 예상 소요 시간(T_std)으로부터 미리 설정된 기준 시간 또는 평균 소요 시간(T_std)으로부터 미리 설정된 기준 시간인 미리 설정된 기준 기간 내의 공조기(100)의 가동에 따른 실내 온도가 설정 온도의 도달에 소요된 시간의 표준 편차의 1 배수 시간 내에 설정 온도에 도달하지 못한 것을 확인할 수 있다.

제어 장치(110)는 가동 시작 시점으로부터 설정 온도 도달 예상 소요 시간(T_std) 또는 평균 소요 시간(T_std)까지의 실내 온도 변화에 대해 회귀 분석(regression analysis), 아리마(AutoRegressive Integrated Moving Average; ARIMA) 분석, 지수 평활 분석(Error,Trend,Seasonal, ExponenTial Smoothing) 등의 통계적 분석 방법을 적용하여 설정 온도 도달 예정 시간을 추론할 수 있다(S350).

도 8을 참조하면, 제어 장치(110)는 통계적 분석 방법을 통해 추론된 설정 온도 도달 예정 시간(820)이 표준 편차의 3 배수 시간 내에 설정 온도에 도달하는 것으로 판단할 수 있고, 도 9를 참조하면 제어 장치(110)는 설정 온도 도달 예정 시간(920)이 표준 편차의 3 배수 시간 내에도 설정 온도에 도달하지 못하는 것을 판단할 수 있다.

제어 장치(110)는 추론된 설정 온도 도달 예정 시간이 미리 설정된 시간 범위, 예를 들어 표준 편차의 3 배수 시간 내에 설정 온도에 도달하는 것으로 판단한 경우 공조기(100)의 운전 가동을 지속할 수 있다(S370).

제어 장치(110)는 추론된 설정 온도 도달 예정 시간이 미리 설정된 시간 범위, 예를 들어 표준 편차의 3 배수 시간 내에 설정 온도에 도달하지 못하는 것으로 판단한 경우, 정상적인 가동 환경이 아니라고 판단하여 대응 신호를 생성할 수 있다(S360).

제어 장치(110)는 추론된 설정 온도 도달 예정 시간이 미리 설정된 시간 범위 내에 도달하지 못할 것으로 판단한 경우, 사용자 또는 관리자에게 알림 신호를 발생(네트워크를 통해 전송하는 것을 포함한다.)하거나 공조기(100)의 운전 모드를 변경할 수 있다.

예를 들어, 제어 장치(110)는 정상적인 가동 환경이 아니므로 에너지의 낭비를 막기 위해 운전 모드를 절전 모드로 변경할 수 있다.

다른 실시 예에서, 제어 장치(110)는 추론된 설정 온도 도달 예정 시간이 미리 설정된 시간 범위 내에 도달하지 못할 것으로 판단한 경우, 제어 장치(110)는 환기 제어 시스템(200)의 환기 제어 장치(210)로 환기 모드 변경을 요청하거나, 공간 제어 시스템(300)의 공간 제어 장치(310)로 문(320a) 또는 창문(320b)의 개폐 제어를 요청하는 신호를 전송할 수 있다.

예를 들어, 제어 장치(110)는 환기 제어 장치(210)로 외부 공기를 차단하고 내부 공기를 청정 후 공급하는 내부 환기 모드로 운전 모드 변경을 요청하는 신호를 전송하거나, 공간 제어 장치(310)로 문(320a) 또는 창문(320b)을 폐쇄 제어를 요청하는 신호를 전송할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 공조기의 프로세서를 포함할 수도 있다.

한편, 상기 프로그램은 본 개시를 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수 있다. 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 개시의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 개시에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 개시에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다. 본 개시에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 개시를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 개시의 범위가 한정되는 것은 아니다. 또한, 통상의 기술자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 폼 팩터(form factor)에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 개시의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 개시의 사상의 범주에 속한다고 할 것이다.

100: 공조기 110: 제어 장치
120: 실외기 130a, 130b: 실내기
200: 환기 제어 시스템 210: 환기 제어 장치
220a, 220b: 환기구 300: 공간 제어 시스템
310: 공간 제어 장치 320a: 문
320b: 창문 810: 실내 온도
820: 설정 온도도달 예정 시간 910: 실내 온도
920: 설정 온도도달 예정 시간

Claims (18)

1. 실내기 및 실외기를 포함하는 공기 조화기의 제어 방법으로서,
   공기 조화기의 가동에 따른 실내 온도의 변화에 기반하여 실내 온도 변화 기준을 생성하는 단계;
   가동 신호에 대응하여 상기 공기 조화기를 가동하고 가동 시간에 따른 상기 실내 온도의 변화를 모니터링하는 단계;
   상기 실내 온도의 변화 및 상기 실내 온도 변화 기준에 기반하여 상기 실내 온도의 변화 속도를 평가하는 단계; 및
   상기 실내 온도의 변화 속도를 평가한 결과에 기반하여 대응 신호를 생성하는 단계를 포함하는,
   공기 조화기의 제어 방법.
   
2. 제 1 항에 있어서,
   상기 실내 온도 변화 기준을 생성하는 단계는,
   미리 설정된 기준 기간 동안의 상기 공기 조화기의 가동 중 상기 실내 온도가 설정 온도에 도달하기까지 소요된 시간에 기반하여 머신 러닝 기반의 학습 모델을 생성하는 단계를 포함하는,
   공기 조화기의 제어 방법.
   
3. 제 2 항에 있어서,
   상기 기준 기간은 상기 가동 신호를 수신한 시점으로부터 제1 기간 이전까지의 기간인,
   공기 조화기의 제어 방법.
   
4. 제 2 항에 있어서,
   상기 기준 기간은 상기 공기 조화기의 최초 가동 시점으로부터 제2 기간 이후까지의 기간인,
   공기 조화기의 제어 방법.
   
5. 제 2 항에 있어서,
   상기 머신 러닝 기반의 학습 모델을 생성하는 단계는,
   상기 기준 기간 동안에 상기 공기 조화기를 가동할 때마다 가동을 시작한 시점으로부터 가동 시작 온도, 설정 온도 및 상기 설정 온도의 도달에 소요된 시간을 포함하는 설정 온도 도달 시간 데이터를 저장하는 단계; 및
   상기 설정 온도 도달 시간 데이터를 훈련 데이터로서 머신 러닝 기반의 시계열(time-series) 신경망을 훈련하여 시계열 학습 모델을 생성하는 단계를 포함하는,
   공기 조화기의 제어 방법.
   
6. 제 5 항에 있어서,
   상기 설정 온도 도달 시간 데이터는 상기 공기 조화기의 가동 날짜 및 상기 공기 조화기의 가동 시작 시간 중 적어도 하나를 더 포함하는,
   공기 조화기의 제어 방법.
   
7. 제 5 항에 있어서,
   상기 실내 온도의 변화 속도를 평가하는 단계는,
   상기 시계열 학습 모델로부터 추론된 설정 온도 도달 소요 시간을 상기 실내 온도 변화 기준과 비교하여 상기 실내 온도의 설정 온도 도달 실패를 판단하는 단계를 포함하는,
   공기 조화기의 제어 방법.
   
8. 제 1 항에 있어서,
   상기 실내 온도 변화 기준을 생성하는 단계는,
   미리 설정된 기준 기간 동안의 상기 공기 조화기의 가동에 따른 상기 실내 온도가 설정 온도의 도달에 소요된 시간의 평균 소요 시간 및 표준 편차를 계산하는 단계를 포함하고,
   상기 실내 온도의 변화 속도를 평가하는 단계는,
   상기 평균 소요 시간으로부터 상기 표준 편차 이내에 상기 실내 온도가 설정 온도에 도달하지 못하는지를 확인하는 단계를 포함하는,
   공기 조화기의 제어 방법.
   
9. 제 8 항에 있어서,
   상기 실내 온도의 변화 속도를 평가하는 단계는,
   상기 실내 온도가 설정 온도에 도달하지 못하는 것이 확인된 경우, 상기 공기 조화기의 가동 시간에 따른 상기 실내 온도 변화에 기반하여, 상기 설정 온도에 도달하는 설정 온도 도달 예정 시간을 추론하는 단계; 및
   상기 설정 온도 도달 예정 시간이 미리 설정된 시간 범위 이내인지 판단하는 단계를 더 포함하는,
   공기 조화기의 제어 방법.
   
10. 제 9 항에 있어서,
    상기 설정 온도 도달 예정 시간의 판단에 기반하여 알림 신호를 발생하는 단계를 더 포함하는,
    공기 조화기의 제어 방법.
    
11. 제 9 항에 있어서,
    상기 설정 온도 도달 예정 시간의 판단에 기반하여 상기 공기 조화기의 운전 모드를 변경하는 단계를 더 포함하는,
    공기 조화기의 제어 방법.
    
12. 제 9 항에 있어서,
    상기 설정 온도 도달 예정 시간의 판단에 기반하여 공간 제어 시스템에 문 또는 창문의 제어를 위한 요청 신호를 전송하는 단계를 더 포함하는,
    공기 조화기의 제어 방법.
    
13. 컴퓨터를 이용하여 제 1 항 내지 제 12 항의 방법 중 어느 한 항의 방법을 실행시키기 위하여 상기 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
    
14. 압축기와 실외 팬 모터를 포함하는 실외기;
    상기 실외기와 전기적으로 연결되어 공조 영역의 공기 조화를 수행하고, 실내 온도를 측정하는 온도 센서를 포함하는 실내기; 및
    상기 실외기 및 상기 실내기의 가동 동작을 제어하는 제어 장치를 포함하고,
    상기 제어 장치는,
    상기 실외기의 가동 동작, 상기 실내기의 가동 동작 중 적어도 하나를 조절하는 운전 조작부;
    공기 조화기의 가동에 따른 실내 온도의 변화에 기반하여 생성된 실내 온도 변화 기준이 저장되는 메모리; 및
    상기 운전 조작부를 제어하고, 가동 시간에 따른 상기 실내 온도의 변화 및 상기 실내 온도 변화 기준에 기반하여 상기 실내 온도의 변화 속도를 평가하고, 상기 실내 온도의 변화 속도를 평가한 결과에 기반하여 대응 신호를 생성하는 제어부를 포함하는,
    공기 조화기.
    
15. 제 14 항에 있어서,
    상기 제어부는,
    미리 설정된 기준 기간 동안의 상기 공기 조화기의 가동 중 상기 실내 온도가 설정 온도의 도달에 소요된 시간에 기반하여 머신 러닝(machine learing) 기반의 학습 모델을 생성하는,
    공기 조화기.
    
16. 제 15 항에 있어서,
    상기 학습 모델은 시계열(time-series) 신경망을 포함하는 학습 모델로서,
    상기 제어부는,
    상기 기준 기간 동안에 상기 공기 조화기를 가동할 때마다 가동 시작 온도, 설정 온도 및 상기 설정 온도의 도달에 소요된 시간을 포함하는 훈련 데이터를 이용하여 훈련된 상기 학습 모델에 기반하여 상기 실내 온도가 상기 설정 온도에 도달할 것으로 예상되는 설정 온도 도달 예상 시간을 추론하는,
    공기 조화기.
    
17. 제 14 항에 있어서,
    상기 실내 온도 변화 기준은 상기 실내 온도가 설정 온도에 도달할 것으로 예상되는 설정 온도 도달 예상 시간을 포함하고,
    상기 제어부는,
    미리 설정된 기준 기간 동안의 상기 공기 조화기의 가동 중 상기 실내 온도가 설정 온도의 도달에 소요된 시간의 평균 소요 시간을 상기 설정 온도 도달 예상 시간으로 생성하는,
    공기 조화기.
    
18. 제 16 항 또는 제 17 항에 있어서,
    상기 제어부는,
    상기 실내 온도가 상기 설정 온도 도달 예상 시간으로부터 미리 설정된 시간 범위 내에 상기 설정 온도에 도달하는지 판단한 결과에 기반하여, 알림 신호의 발생, 상기 공기 조화기의 운전 모드 변경 및 공간 제어 시스템으로 문 또는 창문의 제어를 위한 요청 신호의 전송 중 적어도 하나를 수행하는,
    공기 조화기.
    

Images