WO2023008825A1 - 실내 환경 제어 시스템 및 그 동작방법 - Google Patents

실내 환경 제어 시스템 및 그 동작방법 Download PDF

Info

Publication number
WO2023008825A1
WO2023008825A1 PCT/KR2022/010683 KR2022010683W WO2023008825A1 WO 2023008825 A1 WO2023008825 A1 WO 2023008825A1 KR 2022010683 W KR2022010683 W KR 2022010683W WO 2023008825 A1 WO2023008825 A1 WO 2023008825A1
Authority
WO
WIPO (PCT)
Prior art keywords
indoor
fine dust
difference value
concentration
dust concentration
Prior art date
Application number
PCT/KR2022/010683
Other languages
English (en)
French (fr)
Inventor
문현준
Original Assignee
단국대학교 산학협력단
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
Priority claimed from KR1020210098280A external-priority patent/KR102508130B1/ko
Priority claimed from KR1020210098282A external-priority patent/KR102650015B1/ko
Application filed by 단국대학교 산학협력단 filed Critical 단국대학교 산학협력단
Priority to US18/289,041 priority Critical patent/US20240219050A1/en
Publication of WO2023008825A1 publication Critical patent/WO2023008825A1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/0001—Control or safety arrangements for ventilation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
    • F24C15/00—Details
    • F24C15/20—Removing cooking fumes
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F7/00—Ventilation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
    • F24F8/10—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by separation, e.g. by filtering
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
    • F24F8/80—Self-contained air purifiers
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • 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 indoor environment control system and an operating method thereof, and more particularly, when indoor temperature and humidity fall within a comfortable range, indoor air quality can be improved according to indoor fine dust concentration and outdoor fine dust concentration It relates to an indoor environment control system and its operating method.
  • the temperature is slightly lowered and when the dehumidifier is operating, the temperature is slightly increased.
  • Energy waste may occur here, and excessive cooling or excessive heating may occur.
  • a user feeling poor indoor air quality may operate a ventilation device or open a window for ventilation. In this case, as the indoor temperature changes, additional energy is required to cool or heat it again.
  • An object of the present invention is to provide an indoor environment control system and an operating method thereof capable of improving indoor air quality according to indoor fine dust concentration and outdoor fine dust concentration when indoor temperature and humidity fall within a comfortable range.
  • An object of the present invention is to provide an indoor environment control system and method of operating the same, which extracts a occupant's behavior according to an indoor environment value and a power consumption value, and easily maintains a reference indoor environment value set according to the occupant's behavior.
  • An indoor environment control system includes an indoor environment device including a ventilation device, an air purifier and a kitchen hood, a thermal comfort device including a heating device, a cooling device, a humidifier, and a controller, and a comfort range in which indoor temperature and humidity are set. , may include a control device for controlling the operation of at least one of the indoor environment device and the thermal comfort device based on the indoor fine dust concentration and the outdoor fine dust concentration.
  • the control device may include a sensor module for measuring the temperature, the humidity, the indoor fine dust concentration, and the outdoor fine dust concentration, and the indoor fine dust concentration and the outdoor fine dust concentration when the temperature and the humidity fall within the comfort range. and a control module that compares dust concentrations and controls an operation of at least one of the ventilation device, the air purifier, and the kitchen hood.
  • the control module may include a calculation module that compares the indoor fine dust concentration and the outdoor fine dust concentration to calculate a concentration difference value, and operates at least one of the ventilation device, the air purifier, and the kitchen hood according to the concentration difference value. It may include an operation module that controls.
  • the operation module When the concentration difference value is higher than the indoor fine dust concentration and the outdoor fine dust concentration and belongs to a first reference concentration difference value range, the operation module operates the ventilation device and the kitchen hood according to the first reference concentration difference value. can be turned on.
  • the operation module When the concentration difference value is higher than the indoor fine dust concentration and the outdoor fine dust concentration and belongs to the second reference concentration difference value range, the operation module operates the ventilation device and the kitchen hood according to the second reference concentration difference value. And it is possible to turn on the air purifier.
  • the operation module turns on the air purifier according to the third reference concentration difference value. can make it
  • the indoor environment control system further includes an operating state determining device for determining an operating state of at least one of the heating device and the air conditioning device, wherein the operating state determining device determines an arbitrary indoor and outdoor environmental data. Predicting the operating state of the air conditioner for the environmental data by training a machine learning model based on a sensor that measures, a collection device that collects operating state data of the air conditioner that cools and heats the room, and the environmental data and the operating state data. It may include a learning device for generating a learning model for.
  • the control device further includes a power measurement module that measures a power consumption value consumed for each electronic device, and the control module applies the indoor environmental value and the power consumption value measured by the sensor module to a set occupant behavior classification model, Behavioral information of occupants located indoors may be extracted, and the indoor environmental device may be controlled so that the indoor environmental values are maintained as reference indoor environmental values corresponding to the behavioral information.
  • An operating method of an indoor environment control system includes the steps of measuring indoor temperature, humidity, indoor fine dust concentration and outdoor fine dust concentration, determining whether the temperature and humidity belong to a set comfort range, Comparing the indoor fine dust concentration and the outdoor fine dust concentration to calculate a concentration difference value when it belongs to the comfort range, and among the ventilator, air purifier, and kitchen hood included in the indoor environment device based on the concentration difference value. It may include controlling at least one operation.
  • the method may further include operating at least one of a heating device, a cooling device, a humidifier, and a dehumidifier so that the temperature and humidity fall within the comfort range.
  • the controlling of the operation may include the ventilation device and the ventilation device according to the first reference concentration difference value when the concentration difference value is higher than the indoor fine dust concentration and the outdoor fine dust concentration and belongs to a first reference concentration difference value range.
  • the kitchen hood may be turned on.
  • the controlling of the operation may include the ventilation device according to the second reference concentration difference value when the concentration difference value is higher than the indoor fine dust concentration and the outdoor fine dust concentration and belongs to a second reference concentration difference value range;
  • the kitchen hood and the air purifier may be turned on.
  • the controlling of the operation may include, when the concentration difference is that the indoor fine dust concentration is lower than the outdoor fine dust concentration and belongs to the third reference concentration difference value range, the air purifier is operated according to the third reference concentration difference value. can be turned on.
  • the indoor environment control system and its operating method according to the present invention can improve thermal comfort based on indoor temperature and humidity, and can improve indoor air quality based on the indoor fine dust concentration and outdoor fine dust concentration. By enabling it, there is an advantage of increasing the convenience of occupants or users.
  • An indoor environment control system and method of operating the same according to the present invention infer the behavior of a occupant located indoors based on the indoor environment value and the power consumption value, and the indoor environment value is the reference indoor environment value according to the occupant's behavior.
  • FIG. 1 is a control block diagram showing the configuration of an indoor environment control system according to a first embodiment of the present invention.
  • 2 to 4 are exemplary diagrams for explaining an occupant behavior classification model applied to a calculation module.
  • FIG. 5 is a block diagram showing the configuration of a device for determining an operating state of a cooling and heating system according to the present invention.
  • FIG. 6 is a block diagram showing the configuration of a learning device according to the present invention.
  • FIG. 7 is a classification table for explaining an error matrix according to an embodiment of the present invention.
  • FIG. 8 is a graph comparing precision, reproducibility, and F1 score of a DNN-based learning model and a CNN-based learning model according to an embodiment of the present invention.
  • FIGS. 9 and 10 are flowcharts illustrating an operating method of an indoor environment control system according to the present invention.
  • FIG. 11 is a control block diagram showing the configuration of an indoor environment control system according to a second embodiment of the present invention.
  • first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention.
  • the term and/or includes a combination of a plurality of related recited items or any one of a plurality of related recited items.
  • FIG. 1 is a control block diagram showing the configuration of an indoor environment control system according to a first embodiment of the present invention.
  • the indoor environment control system 100 includes a ventilation device 110, an air purifier 120, a kitchen hood 130, a heating device 140, a cooling device 150, a humidifier 160, and a dehumidifier. 170 and a control device 180.
  • the indoor environment device may include a ventilation device 110, an air purifier 120, and a kitchen hood 130, and may be devices for improving indoor air quality, but are not limited thereto. do not let
  • the thermal comfort device may include a heating device 140, a cooling device 150, a humidifier 160, and a dehumidifier 170, and may improve thermal comfort by adjusting indoor temperature and humidity. It may be a device that is present, but is not limited thereto.
  • the ventilation device 110 is a forced ventilation device that uses energy, and has a somewhat weak control function for temperature and humidity, but can improve indoor air quality.
  • the air purifier 120 may perform a function of improving indoor air quality by removing foreign substances contained in indoor air.
  • the kitchen hood 130 can discharge carbon dioxide and odor generated during cooking to the outside, and can additionally perform a function of improving indoor air quality.
  • the heating device 140 may perform a heating function by raising the temperature of the room, and the cooling device 150 may perform a cooling function by lowering the temperature of the room unlike the heating device 140 .
  • the humidifier 160 and the dehumidifier 170 may perform a function of controlling indoor humidity.
  • the indoor environment control system may further include an operating state determining device 500 for determining operating states of the heating device 140 and the cooling device 150 .
  • an operating state determining device 500 for determining operating states of the heating device 140 and the cooling device 150 .
  • a method of operating the operating state determination device 500 will be described in detail below.
  • the control device 180 may include a sensor module 210 and a control module 220 .
  • the sensor module 210 may include a plurality of sensors capable of measuring indoor temperature, humidity, indoor fine dust concentration, and outdoor fine dust concentration, but is not limited thereto.
  • the plurality of sensors may include a temperature sensor, a humidity sensor, an odor sensor, a dust sensor, and the like, but is not limited thereto.
  • the sensor module 210 may output the indoor environment value data1 measured by the plurality of sensors.
  • the indoor environmental value data1 may include a temperature value, a humidity value, a carbon dioxide value, a noise value, an illuminance value, a volatile organic compound (VOC) capacity value, and a fine dust capacity value, but is not limited thereto.
  • the plurality of sensors may be installed in a room, a living room, and a kitchen, and include a temperature value, a humidity value, a carbon dioxide value, a noise value, an illuminance value, and a volatile organic compound (VOC) included in the indoor environmental value (data1).
  • the capacitance value and the fine dust capacitance value may be values measured in each of a room, a living room, and a kitchen, but are not limited thereto.
  • control module 220 may further include a power measurement module (not shown).
  • the power measurement module may measure a power consumption value (data2) consumed for each electronic device disposed indoors.
  • the power measurement module may be a smart meter capable of measuring power consumption for each electronic device, but is not limited thereto.
  • electronic devices may include, but are not limited to, TVs, lights, washing machines, microwave ovens, air conditioners (system air conditioners), rice cookers, dryers, hot water mats, humidifiers, ventilators, air purifiers, and laptops. .
  • the control module 220 may include a calculation module 230 and an operation module 240 .
  • the calculation module 230 may calculate a concentration difference value by comparing the indoor fine dust concentration and the outdoor fine dust concentration.
  • the concentration difference value is a value obtained by subtracting the outdoor fine dust concentration from the indoor fine dust concentration. , it means that the indoor fine dust concentration is higher than the outdoor fine dust concentration.
  • the operation module 240 may determine whether the temperature and humidity fall within a set comfort range.
  • the operation module 240 may increase thermal comfort by determining whether the temperature and humidity fall within the comfort range before improving indoor air quality.
  • the comfort range may be, for example, a comfort temperature of 24.4° C. to 26.5° C. and a comfort humidity of 40% to 55%, and settings may be changed by the user.
  • the operation module 240 may operate in a heating comfort mode to operate at least one of the heating device 140 and the dehumidifier 170. .
  • the operation module 240 operates in a heating comfort mode to operate the heating device 140 .
  • the operation module 240 may operate in a cooling comfort mode to operate at least one of the cooling device 150 and the humidifier 160.
  • the operation module 240 When the temperature is higher than the comfort temperature and the humidity is higher than the comfort humidity, the operation module 240 operates in a cooling comfort mode to operate at least one of the cooling device 150 and the dehumidifier 160 .
  • the operation module 240 determines whether the concentration difference value belongs to any one of the first to third reference concentration difference value ranges. can judge
  • the first reference concentration difference value range is a range in which the indoor fine dust concentration is higher than the outdoor fine dust concentration
  • the second reference concentration difference value range is a range in which the indoor fine dust concentration is greater than the outdoor fine dust concentration and It may be greater than the first reference concentration difference value range.
  • the third reference concentration difference value range may represent a range in which the indoor fine dust concentration is lower than the outdoor fine dust concentration.
  • the operation module 240 may turn on the ventilation device 110 and the kitchen hood 130 according to the first reference concentration difference value.
  • the operation module 240 may turn on the ventilation device 110 and the kitchen hood 130 to discharge indoor air to the outdoors.
  • the operation module 240 may adjust the speed of the pen.
  • the operation module 240 When the concentration difference value falls within the second reference concentration difference value range, the operation module 240 operates the ventilation device 110, the air purifier 120, and the kitchen hood 130 according to the second reference concentration difference value. On can be operated.
  • the operation module 240 discharges the indoor air to the outdoors and purifies the indoor air.
  • the kitchen hood 130 may be turned on.
  • the operation module 240 may turn on the air purifier 120 according to the third reference concentration difference value.
  • the operation module 240 prevents outdoor air from flowing into the room and turns on the air purifier 120 to maintain the indoor air in the current state. can make it
  • the indoor environment control system 100 can improve thermal comfort by considering indoor temperature and humidity, and can improve indoor air quality by considering indoor fine dust concentration and outdoor fine dust concentration. There is an advantage to being
  • control module 220 may further include a calculation module 230 and an operation module 240 as well as a decision module 235 .
  • the calculation module 230 may apply the indoor environment value (data1) and the power consumption value (data2) to the set occupant behavior classification model to extract behavioral information of occupants located indoors.
  • the occupant behavior classification model may be generated by machine learning the indoor environment value data1 and power consumption value data2 that change according to the occupant's behavior, and will be described with reference to FIGS. 2 to 4 .
  • the calculation module 230 calculates a first amount of change between the indoor environmental value data1 and the previous indoor environmental value and a second amount of change between the power consumption value data2 and the previous power consumption value, and calculates the first and second changes as described above.
  • the behavioral information may be extracted by applying an occupant's behavioral classification model.
  • the behavioral information of the occupant may be any one of a sleep state, an outing state, a cooking state, an exercise state, and a rest state of the occupant, but is not limited thereto.
  • the determination module 235 may determine control values of each indoor environment device (not shown) such that the indoor environment value data1 is maintained as a set reference indoor environment value.
  • the indoor environmental device may be a ventilation device, an air purifier, and a kitchen hood, but is not limited thereto.
  • the reference indoor environment value is a value set in advance to create a comfortable indoor environment with respect to temperature value, humidity value, carbon dioxide value, noise value, illuminance value, VOC (volatile organic compound) capacity value, and fine dust capacity value.
  • the determination module 235 may determine control values for the operation of each indoor environment device in order to lower fine dust and carbon dioxide in the behavioral state of the occupant, for example, when the occupant is exercising. Control values for the operation of each indoor environment device may be different from when watching TV.
  • the operation module 240 may control the operation of the indoor environment device by transmitting the control values to the indoor environment device.
  • 2 to 4 are exemplary diagrams for explaining an occupant behavior classification model applied to a calculation module.
  • FIG. 2 shows a data processing process for generating an occupant behavior classification model.
  • the input data of FIG. 2 may include the indoor environment value (data1) and the power consumption value (data2) described in FIG. 1, and the output value is designated as the occupant's behavior, and a data pre-processing process is performed to fit the model. .
  • Occupant behavior data is converted from image data to categorical data through a separate process.
  • variable importance method using the Random Forest algorithm is used, and the classification algorithm of KNN and Random Forest is applied as a method of developing an occupant cognition model to perform evaluation according to input data and evaluation by classification algorithm.
  • the analysis process used Python and sklearn as a machine learning library.
  • the machine learning algorithm is not limited thereto, and various program languages and machine learning libraries may be utilized.
  • 3 shows locations of shower facilities, cooking facilities, and home appliances for experiments to generate occupant behavior classification models.
  • the calculation module 230 calculates the kitchen PM2.5 concentration (PM2.5_K), the living room PM2.5 concentration (PM2.5_L), the outside air PM2.5 concentration (PM2.5_O), and the bedroom PM2.5 concentration (PM2). .5_B), room temperature (TEMP_L), living room relative humidity (RH_L), living room CO2 concentration (CO2_L), bedroom temperature (TEMP_B), bedroom relative humidity (RH_B), indoor environmental values including bedroom CO2 concentration (CO2_B) ( data1) and power consumption values (data2) including the power consumed by each washing machine, microwave oven, lighting, system air conditioner, electric rice cooker, dryer, TV, hot water mat, humidifier, ventilator, air purifier, and laptop (Laptop) can be obtained.
  • occupant's behavioral information is collected as image data through a web camera installed in the living room, but since image data cannot be used for a classification model, it is converted into categorical data at 1-minute intervals.
  • the behaviors of Korean citizens are classified, and occupant behaviors are classified from the collected images to sleep, going out, eating, exercising, using a dryer, Behavioral conditions such as rest, meal preparation, dishwashing, cleaning, work (computer), and walking are classified as unknown due to out of range of the webcam or poor recording.
  • the behavior classification method and results of the classification may vary and are not limited thereto.
  • the time spent among occupants' activities is highest in the order of sleeping, going out, working, resting, cooking, eating, exercising, washing dishes, using a dryer, cleaning, and walking.
  • the top 7 actions account for more than 98% of the total actions, so sleep, going out, work, rest, cooking, eating, and exercise are designated as output labels for the model and used. However, it is not necessarily limited thereto.
  • data collected through experiments may generate missing values due to an error or failure of a measuring instrument, and such missing data may degrade the performance of the developed model or produce biased results.
  • KNN is used to process missing values.
  • the KNN missing value processing method predicts and replaces the missing value with k nearest neighbors for the missing value of the given data. It is a simple but widely used method with relatively high accuracy.
  • the data (x) with different units such as the hot water mat (W), kitchen PM2.5 concentration ( ⁇ g / m3), and living room CO2 concentration (ppm), are in the [0, 1] range through Equation 1
  • the range of data was unified by performing Min-Max Normalization that converts to (x t ).
  • imbalanced data occurs in the number of data for each behavior due to the behavioral characteristics of occupants. If a model is developed without resolving data imbalance, preprocessing to resolve imbalance is essential because it may be biased toward the majority class and make it impossible to identify and predict the minority class.
  • Data imbalance processing is classified into oversampling, which adjusts the number of minority classes to the number of majority classes, and undersampling, which adjusts the number of majority classes to the number of minority classes.
  • Over Sampling includes Random Over Sampling, which simply copies the minority class at random, SMOTE (Synthetic Minority Over-sampling Technique), which creates new data by interpolating the minority class, and ENN (Edited There is a SMOTE+ENN method that combines the Nearest Neighbor method.
  • SMOTE Synthetic Minority Over-sampling Technique
  • ENN Edited There is a SMOTE+ENN method that combines the Nearest Neighbor method.
  • Machine learning algorithms are classified into supervised learning, unsupervised learning, and reinforcement learning according to the method of analyzing data.
  • Supervised learning is used for classification and regression as a method to determine the extraction of new input values by learning the data of input and output values.
  • a classification method of supervised learning is used to extract the current occupant state as an output value by using the indoor environment and device power consumption data as input values.
  • Representative classification techniques include K-Nearest Neighbor (KNN), Random Forest, Support Vector Machine (SVM), Artificial Neural Network (ANN), Decision Tree, and Bayesian Classification.
  • KNN K-Nearest Neighbor
  • Random Forest K-Nearest Neighbor
  • KNN is an algorithm proposed by Cover in 1968 and is the simplest machine learning algorithm.
  • a method of classifying unlabeled samples according to the similarity of the samples in the training data set Given new data, it finds the nearest K labeled samples and assigns the new data to the most frequently occurring group within the K subsets.
  • Random Forest is a method mainly used in building energy-related research due to its simplicity and ease of use. Random Forest tests the properties of internal nodes, branches them according to the results, creates several decision trees that classify classes into leaf nodes, and uses ensembles that adopt and use the results of each tree by a majority ( Ensemble) learning method. It learns in a direction in which the impurity between the output variables before and after classification is lowered.
  • Types of validation include Hold Out, which randomly divides the already given train set into a train set and test set once more and uses it for validation, and train and test set are randomly redone. There are bootstrap that is set and used, and cross validation that randomly divides data into k pieces of similar size and uses all data at least once as a test set.
  • analysis was performed using 10-fold cross validation, which verifies data by dividing it into 10 groups.
  • the performance of the model is evaluated by comparing the pre-labels with the labels output by the model.
  • the operating state determination device 500 determines the operating state of the heating device 140 and the cooling device 150 through an optimal machine learning model generated based on indoor and outdoor environmental data.
  • FIG. 5 is a block diagram showing the configuration of an operating state determination device for a cooling and heating device according to the present invention
  • FIG. 6 is a block diagram showing the configuration of a learning device according to the present invention.
  • an operating state determination device 500 for determining an operating state of a cooling and heating device may include a sensor 510 , a collection device 520 and a learning device 530 .
  • the sensor 510 includes a plurality of sensors and can measure arbitrary indoor and outdoor environment data.
  • the senor may be a temperature sensor, a humidity sensor, or a carbon dioxide concentration sensor
  • the environmental data may include indoor temperature, indoor humidity, indoor carbon dioxide concentration, outdoor temperature, and outdoor humidity.
  • the senor 510 may further include a dust sensor capable of measuring fine dust, and is not limited thereto.
  • the collecting device 520 may collect operating state data of an indoor air-conditioning device.
  • the cooling and heating device may be, for example, an air conditioning system (HVAC).
  • HVAC air conditioning system
  • An air conditioning system is an air conditioning system that maintains a comfortable interior of a building or vehicle through heating, ventilation, and air conditioning systems.
  • the operating state data may include power off, power on, cooling mode, and heating mode, but is not limited thereto.
  • the learning device 530 may train a machine learning model based on the environment data and the operation state data to generate a learning model for predicting the operation state of the air conditioner for the environment data.
  • the learning device 530 may include a preprocessing module 531 , a learning module 532 , and an evaluation module 533 .
  • the pre-processing module 531 generates a data set by time-synchronizing the environment data and the operating state data.
  • the preprocessing module 531 may replace the data with a value just before the missing value when a missing value of a preset first time period, for example, 2 minutes or less, exists in the data set.
  • the pre-processing module 531 may exclude the corresponding section when the same value of environment data is repeated during the preset second time section. For example, if the same value is repeated in one or more of environmental data of indoor temperature, indoor humidity, indoor carbon dioxide concentration, outdoor temperature, and outdoor humidity for 520 minutes or longer, the corresponding section is excluded from the data set.
  • the pre-processing module 531 excludes the corresponding section from the data set when a missing section occurs for a preset third time period, for example, 3 minutes or more.
  • the learning module 532 trains a machine learning model based on the data set preprocessed by the preprocessing module 531 to generate the learning model.
  • the machine learning model may be any one of a Deep Neural Network (DNN)-based model, a Convolutional Neural Network (CNN)-based model, and a multi-channel Recurrence Plot (RP) CNN-based model.
  • DNN Deep Neural Network
  • CNN Convolutional Neural Network
  • RP multi-channel Recurrence Plot
  • a DNN-based model consists of inputting data, applying weights and biases, and outputting data.
  • environmental data is first normalized to generate a learning model with a DNN-based model.
  • Set the data range to be 0 to 1 for each item of environmental data using the MinMaxscaler method.
  • a feature value using data of 160 minutes before the prediction time point is added. For example, 75 feature values with high importance are extracted using the random forest technique.
  • a CNN-based model is a characteristic neural network that can greatly reduce learning parameters through local connection of input values, and a kernel that shares weights moves input values horizontally and returns a feature map.
  • CNN-based models may adopt the Recurrence Plot algorithm.
  • Recurrence Plot is one of the algorithms used for dynamic system analysis. It converts time series data into RP matrix and expresses the trajectory of spatial coordinates of the i-th and j-th data of one-dimensional data with coordinates of (i, j) Parameter The dimension (m) of spatial coordinates, the time deviation (t) representing the interval of coordinates, and the threshold value ( ⁇ ) are used.
  • the RP matrix is treated as an image and can be used in a CNN model specialized for image classification.
  • the multi-channel RP CNN-based model has a converted RP image for each item of each environment data as a channel. Therefore, machine learning is performed using 5-channel RP images using CNN.
  • the multi-channel RP CNN-based model learning model maintains the temporal characteristics of raw data to improve the performance of the predictive model.
  • the predictive performance may be high by maintaining the relationship by item of the environmental data collected at the same time point compared to the case of a single channel.
  • the evaluation module 533 generates an evaluation data set based on past data and evaluates the performance of the learning model based on the generated evaluation data set.
  • the evaluation module 533 creates an evaluation data set by extracting a representative cooling day on which cooling mainly occurs and a representative heating day on which heating mainly occurs from among the data included in the data set.
  • the evaluation module 533 evaluates the learning model based on a confusion matrix.
  • the evaluation module 533 performs performance analysis by comparing actual values with predicted values based on the error matrix.
  • FIG. 7 is a classification table for explaining an error matrix according to an embodiment of the present invention.
  • ACTUAL VALUES means actual values
  • REDICTIVE VALUES means predicted values.
  • TP and TN are the predicted parts that match the actual values
  • FP and FN mean the predicted parts that are different from the actual values.
  • accuracy is the ratio of matching prediction results and labels among the entire verification data, and is calculated by Equation 1.
  • Precision is the ratio of data with a positive label among data with a positive prediction result, and is calculated by Equation 2.
  • the F1 score is a harmonic average of precision and reproducibility, and is calculated by Equation 4.
  • the F1 score is suitable for evaluation when the labels of validation data are disproportionate.
  • the evaluation module 533 of FIG. 6 designates the range of hyperparameters to optimize the learning model based on the grid search method, and trains them through the learning device 530 according to all combinations corresponding to the range. , perform verification.
  • the accuracy of the DNN-based model was 0.83, and the accuracy of the CNN model was 0.96.
  • FIG. 8 is a graph comparing precision, reproducibility, and F1 score of a DNN-based learning model and a CNN-based learning model according to an embodiment of the present invention.
  • the CNN-based learning model showed higher evaluation results for all three states of precision, reproducibility, and F1 score than the DNN-based learning model.
  • the DNN-based learning model has low accuracy for cooling and heating, so the reliability of the prediction result is low, and the performance of detecting the heating state in the verification data is poor through reproducibility.
  • misclassification mainly occurs during the cooling process of the operating state change of the air conditioner.
  • the CNN-based learning model showed relatively high performance compared to the DNN-based learning model, but showed lower performance than other classes when predicting the cooling state.
  • Determination of the operating state of the air conditioning system using environmental data is suitable for detecting power off and heating states.
  • the CNN-based learning model is unaffected by changes in operating conditions and misclassification occurs when indoor temperature and humidity rapidly change.
  • misclassification may occur when the cooling/heating operation status changes, the cooling operation is in operation, or the power is turned off for the cooling representative day.
  • the prediction probability continuously decreases and misclassification occurs, which is caused by the time difference between the power supply change and the air temperature and humidity change.
  • the prediction probability decreases and increases, and then decreases again, and this occurs because ventilation and cooling appear alternately when the appropriate temperature is reached during cooling.
  • Misclassification when the power is turned off maintains a low prediction probability, but occurs at 19:00 and 21-23:00.
  • the air conditioner is not used, but the temperature and humidity change due to the influence of occupant's activities such as cooking is the cause.
  • the DNN-based learning model it mainly occurs when the operation state of the EHP changes for the heating representative day, and when the power heating is turned on from power off, it is recognized after about 5 to 10 minutes, and the prediction probability is rapidly lowered.
  • the operating state of the air conditioning and heating device can be determined based on indoor and outdoor environmental data, so that efficient and effective building energy management can be performed, and indoor and outdoor environmental data can be determined. It has the advantage of effectively improving air quality.
  • FIGS. 9 and 10 are flowcharts illustrating an operating method of an indoor environment control system according to the present invention.
  • control device 180 of the indoor environment control system 100 may measure indoor temperature, humidity, indoor fine dust concentration, and outdoor fine dust concentration (S110).
  • the sensor module 210 included in the control device 180 may measure indoor temperature, humidity, indoor fine dust concentration, and outdoor fine dust concentration.
  • the control device 180 determines whether the temperature and humidity fall within the set comfort range (S120), and if they do not fall within the comfort range, it may operate in a cooling comfort mode or a heating comfort mode (S130).
  • the cooling comfort mode and the heating comfort mode will be described with reference to FIG. 10 .
  • step S120 if it belongs to the comfortable range, the control device 180 compares the indoor fine dust concentration with the outdoor fine dust concentration to calculate a concentration difference value (S140), and ventilates based on the concentration difference value.
  • An operation of at least one of the device 110, the air purifier 120, and the kitchen hood 130 may be controlled (S150).
  • control module 220 included in the control device 180 may compare the indoor fine dust concentration and the outdoor fine dust concentration to calculate a concentration difference value.
  • the concentration difference value is a value obtained by subtracting the outdoor fine dust concentration from the indoor fine dust concentration. , it means that the indoor fine dust concentration is higher than the outdoor fine dust concentration.
  • the control module 220 may determine whether the concentration difference value belongs to any one of the first to third reference concentration difference value ranges.
  • the first reference concentration difference value range is a range in which the indoor fine dust concentration is higher than the outdoor fine dust concentration
  • the second reference concentration difference value range is a range in which the indoor fine dust concentration is greater than the outdoor fine dust concentration and It may be greater than the first reference concentration difference value range.
  • the third reference concentration difference value range may represent a range in which the indoor fine dust concentration is lower than the outdoor fine dust concentration.
  • control module 220 may turn on the ventilation device 110 and the kitchen hood 130 according to the first reference concentration difference value.
  • control module 220 may turn on the ventilation device 110 and the kitchen hood 130 to discharge indoor air to the outdoors.
  • the control module 220 may adjust the speed of the pen.
  • the operation module 240 When the concentration difference value falls within the second reference concentration difference value range, the operation module 240 operates the ventilation device 110, the air purifier 120, and the kitchen hood 130 according to the second reference concentration difference value. On can be operated.
  • control module 220 discharges the indoor air to the outdoors and purifies the indoor air.
  • the kitchen hood 130 may be turned on.
  • control module 220 may turn on the air purifier 120 according to the third reference concentration difference value.
  • control module 220 prevents outdoor air from flowing into the room and turns on the air purifier 120 to maintain the indoor air in the current state. can make it
  • control module 220 has been described as controlling the operation of the ventilation device 110, the air purifier 120, and the kitchen hood 130 based on indoor and outdoor fine dust concentrations, indoor temperature and humidity, It can be controlled by adding the indoor carbon dioxide concentration and VOCs concentration, but is not limited thereto.
  • FIG. 10 shows the step (S130) of FIG. 9 in detail.
  • the control device 180 determines whether the temperature is lower than the comfort temperature included in the comfort range (S210), and determines whether the humidity is lower than the comfort humidity included in the comfort range. It can (S220).
  • the comfort range may be, for example, a comfort temperature of 24.4° C. to 26.5° C. and a comfort humidity of 40% to 55%, and settings may be changed by the user.
  • control device 180 when the comfort temperature is lower than the comfort temperature and the comfort humidity is higher, the control device 180 operates in the heating comfort mode and operates at least one of the heating device 140 and the dehumidifier 170. It can be done (S230).
  • control device 180 may operate in the heating comfort mode to operate the heating device 140 (S240) .
  • control device 180 when the comfort temperature is higher than the comfort temperature and belongs to the comfort humidity, the control device 180 operates in the cooling comfort mode to operate the heating device 140 (S250).
  • control device 180 when the comfort temperature is higher than the comfort temperature and the comfort humidity is lower than the comfort humidity, the control device 180 operates in the cooling comfort mode, and at least one of the cooling device 150 and the humidifier 160 can be operated (S260).
  • FIG. 11 is a control block diagram showing the configuration of an indoor environment control system according to a second embodiment of the present invention.
  • the indoor environment control system 300 includes a ventilation device 310, an air purifier 320, a kitchen hood 330, a heating device 340, a cooling device 350, a humidifier 360, and a dehumidifier. 370 and a control device 380.
  • the indoor environment devices may include a ventilation device 310, an air purifier 320, and a kitchen hood 330, and may be devices for improving indoor air quality, but are not limited thereto. do not let
  • the thermal comfort device may include a heating device 340, a cooling device 350, a humidifier 360, and a dehumidifier 370, and may improve thermal comfort by adjusting indoor temperature and humidity. It may be a device that is present, but is not limited thereto.
  • the ventilation device 310 is a forced ventilation device that uses energy, and has a somewhat weak control function for temperature and humidity, but can improve indoor air quality.
  • the air purifier 320 may perform a function of improving indoor air quality by removing foreign substances contained in indoor air.
  • the kitchen hood 330 can discharge carbon dioxide and odor generated during cooking to the outside, and can additionally perform a function of improving indoor air quality.
  • the heating device 340 may perform a heating function by raising the temperature of the room, and the cooling device 350 may perform a cooling function by lowering the temperature of the room unlike the heating device 340 .
  • the humidifier 360 and the dehumidifier 370 may perform a function of controlling indoor humidity.
  • the control device 380 may include a sensor module 410 and a control module 420 .
  • the sensor module 410 may include a plurality of sensors capable of measuring indoor temperature, humidity, indoor fine dust concentration, and outdoor fine dust concentration, but is not limited thereto.
  • the plurality of sensors may include a temperature sensor, a humidity sensor, an odor sensor, a dust sensor, and the like, but is not limited thereto.
  • the sensor module 420 may include an image sensor capable of capturing indoor images.
  • the control module 420 may include a calculation module 430 , an image analysis module 440 and an operation module 450 .
  • the calculation module 430 may calculate a concentration difference value by comparing the indoor fine dust concentration and the outdoor fine dust concentration.
  • the concentration difference value is a value obtained by subtracting the outdoor fine dust concentration from the indoor fine dust concentration. , it means that the indoor fine dust concentration is higher than the outdoor fine dust concentration.
  • the operation module 450 may determine whether the temperature and humidity fall within a set comfort range.
  • the image analysis module 440 may analyze the occupant's behavior based on the indoor image captured by the image sensor included in the sensor module 420 .
  • the image analysis module 440 may infer the generation concentration of fine dust that may occur according to the occupant's behavior, for example, cleaning, exercise, cooking, and the like.
  • the fine dust generation concentration may be a predicted value of the fine dust concentration generated after the current point in time according to the behavior of the occupant.
  • the operation module 450 may increase thermal comfort by determining whether the temperature and humidity fall within the comfort range before improving indoor air quality.
  • the comfort range may be, for example, a comfort temperature of 24.4° C. to 26.5° C. and a comfort humidity of 40% to 55%, and settings may be changed by the user.
  • the operation module 450 may operate in a heating comfort mode to operate at least one of the heating device 340 and the dehumidifier 370. .
  • the operation module 450 operates in a heating comfort mode to operate the heating device 340 .
  • the operation module 450 may operate in a cooling comfort mode to operate at least one of the cooling device 350 and the humidifier 360.
  • the operation module 450 may operate in a cooling comfort mode to operate at least one of the cooling device 350 and the dehumidifier 360 .
  • the operation module 450 controls the ventilation device 310, the air purifier 320, and the kitchen hood 330 based on the concentration difference value from the calculation module 430 and the concentration of fine dust input from the image analysis module 440. You can control one action.
  • the operation module 450 may adjust the operation time of at least one of the ventilation device 310, the air purifier 320, and the kitchen hood 330 based on the concentration of fine dust.
  • the operation module 450 may increase the operating time of at least one of the ventilator 310, the air purifier 320, and the kitchen hood 330 when the concentration of fine dust is higher than the set reference concentration. .
  • the operation module 450 may determine whether the concentration difference value belongs to any one of the first to third reference concentration difference value ranges.
  • the first reference concentration difference value range is a range in which the indoor fine dust concentration is higher than the outdoor fine dust concentration
  • the second reference concentration difference value range is a range in which the indoor fine dust concentration is greater than the outdoor fine dust concentration and It may be greater than the first reference concentration difference value range.
  • the third reference concentration difference value range may represent a range in which the indoor fine dust concentration is lower than the outdoor fine dust concentration.
  • the operation module 450 may turn on the ventilation device 310 and the kitchen hood 330 according to the first reference concentration difference value.
  • the operation module 450 may turn on the ventilation device 310 and the kitchen hood 330 to discharge indoor air to the outdoors.
  • the operation module 450 may adjust the speed of the pen.
  • the operation module 450 When the concentration difference value falls within the second reference concentration difference value range, the operation module 450 operates the ventilation device 310, the air purifier 320, and the kitchen hood 330 according to the second reference concentration difference value. On can be operated.
  • the operation module 450 discharges the indoor air to the outdoors and purifies the indoor air.
  • the kitchen hood 330 may be turned on.
  • the operation module 450 may turn on the air purifier 320 according to the third reference concentration difference value.
  • the operation module 450 prevents outdoor air from flowing into the room and turns on the air purifier 320 to maintain the indoor air in the current state. can make it
  • the indoor environment control system 300 can improve thermal comfort by considering indoor temperature and humidity, and can improve indoor air quality by taking into consideration indoor and outdoor fine dust concentrations and occupant behavior. There are advantages to improving.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명은, 환기 장치, 공기 청정기 및 주방 후드를 포함하는 실내 환경 기기, 난방 장치, 냉방 장치, 가습기, 제어기를 포함하는 열쾌적기기 및 실내의 온도 및 습도가 설정된 쾌적 범위에 속하는 경우, 실내 미세먼지 농도 및 실외 미세먼지 농도를 기반으로 상기 실내 환경 기기 및 상기 열쾌적기기 중 적어도 하나의 동작을 제어하는 제어 기기를 포함 하는 실내 환경 제어 시스템을 제공한다.

Description

실내 환경 제어 시스템 및 그 동작방법
본 발명은 실내 환경 제어 시스템 및 그 동작방법에 관한 것으로서, 더욱 상세하게는, 실내의 온도 및 습도가 쾌적 범위에 속하는 경우 실내 미세먼지 농도 및 실외 미세먼지 농도에 따라 실내의 공기질을 향상시킬 수 있는 실내 환경 제어 시스템 및 그 동작방법에 관한 것이다.
일반적으로, 냉방을 위하여 에어컨 등의 냉방 장치를 가동시키면 상대 습도가 제습으로 인하여 낮아지고, 난방을 위하여 보일러 등의 난방 장치를 가동시키는 습도가 낮아질 수 있다.
또한, 가습기 가동시 온도가 다소 낮아지고 제습기 가동시 온도가 다소 상승한다.
그러나, 냉방과 제습이 동시에 필요한 경우 냉방 장치만 가동하여도 무방하나, 냉방 시에도 습도가 낮아지고, 난방 시에도 실내공기가 건조해져서 상대습도가 낮아지므로, 온도 및 습도를 고려하여, 냉, 난방 장치 및 제습기를 가동할 수 있다.
여기에서 에너지 낭비가 발생하기도 하며, 과잉 냉방, 또는 과잉 난방이 이루어질 수도 있다.
또한, 실내 공기질이 좋지 않음을 느낀 사용자가 환기를 위하여 환기 장치를 가동시키거나 창호를 개방할 수도 있는데, 이 경우 실내 온도가 변경되면서 이를 다시 냉방 또는 난방하기 위한 별도의 에너지가 필요한 실정이다.
이와 같이, 실내 환경 기기를 개별적으로 제어하는 경우, 목표했던 개별 환경요소를 변화시킴과 동시에 다른 환경요소가 의도하지 않게 영향을 받을 수 있고 에너지 낭비가 발생하게 된다.
이를 해결하고자 통합 제어 방식이 제안된 바 있으나, 이들은 온도와 습도만을 이용하여 신속하게(즉, 가동 시간을 최대한 단축시키는 방식으로) 제어하는 것에 불과하였으며, 실내 공기질을 향상시킬 수 있는 방법을 고려하지 않았다.
최근들어, 실내의 온도 및 습도에 대한 열 쾌적성을 고려하고, 실내 공기질을 향상시킬 수 있는 통합 제어 방식을 연구하는 중이다.
본 발명의 목적은, 실내의 온도 및 습도가 쾌적 범위에 속하는 경우 실내 미세먼지 농도 및 실외 미세먼지 농도에 따라 실내의 공기질을 향상시킬 수 있는 실내 환경 제어 시스템 및 그 동작방법을 제공함에 있다.
본 발명의 목적은, 실내 환경값 및 소비 전력값에 따라 재실자의 행동을 추출하고, 재실자의 행동에 따라 설정된 기준 실내 환경값이 유지하기 용이한 실내 환경 제어 시스템 및 그 동작방법을 제공함에 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명에 따른 실내 환경 제어 시스템은, 환기 장치, 공기 청정기 및 주방 후드를 포함하는 실내 환경 기기, 난방 장치, 냉방 장치, 가습기, 제어기를 포함하는 열쾌적기기 및 실내의 온도 및 습도가 설정된 쾌적 범위에 속하는 경우, 실내 미세먼지 농도 및 실외 미세먼지 농도를 기반으로 상기 실내 환경 기기 및 상기 열쾌적기기 중 적어도 하나의 동작을 제어하는 제어 기기를 포함할 수 있다.
상기 제어 기기는, 상기 온도, 상기 습도, 상기 실내 미세먼지 농도 및 상기 실외 미세먼지 농도를 측정하는 센서 모듈 및 상기 온도 및 상기 습도가 상기 쾌적 범위에 속하는 경우, 상기 실내 미세먼지 농도와 상기 실외 미세먼지 농도를 비교하여, 상기 환기 장치, 상기 공기 청정기 및 상기 주방 후드 중 적어도 하나 동작을 제어하는 제어 모듈을 포함할 수 있다.
상기 제어 모듈은, 상기 실내 미세먼지 농도 및 상기 실외 미세먼지 농도를 비교하여 농도 차이값을 산출하는 산출 모듈 및 상기 농도 차이값에 따라 상기 환기 장치, 상기 공기 청정기 및 상기 주방 후드 중 적어도 하나의 동작을 제어하는 동작 모듈을 포함할 수 있다.
상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제1 기준 농도 차이값 범위에 속하는 경우, 상기 동작 모듈은, 상기 제1 기준 농도 차이값에 따라 상기 환기 장치 및 상기 주방 후드를 온 동작시킬 수 있다.
상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제2 기준 농도 차이값 범위에 속하는 경우, 상기 동작 모듈은, 상기 제2 기준 농도 차이값에 따라 상기 환기 장치, 상기 주방 후드 및 상기 공기 청정기를 온 동작시킬 수 있다.
상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 낮으며 제3 기준 농도 차이값 범위에 속하는 경우, 상기 동작 모듈은, 상기 제3 기준 농도 차이값에 따라 상기 공기 청정기를 온 동작시킬 수 있다.
본 발명에 따른 실내 환경 제어 시스템은, 상기 난방 장치 및 상기 냉방 장치 중 적어도 하나의 동작 상태를 판단하는 동작 상태 판단 장치를 더 포함하고, 상기 동작 상태 판단 장치는 임의의 실내 및 실외의 환경데이터를 측정하는 센서, 상기 실내를 냉난방하는 냉난방 장치의 동작상태 데이터를 수집하는 수집 장치 및 상기 환경데이터와 상기 동작상태 데이터에 기초하여 기계학습 모델을 트레이닝하여 환경데이터에 대한 냉난방 장치의 동작상태를 예측하기 위한 학습모델을 생성하는 학습 장치를 포함할 수 있다.
상기 제어 기기는 전자기기별로 소비되는 소비 전력값을 측정하는 전력 계측 모듈을 더 포함하고, 상기 제어 모듈은 상기 센서 모듈이 측정한 실내 환경값 및 상기 소비 전력값을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치하는 재실자의 행동 정보를 추출하고, 상기 실내 환경값이 상기 행동 정보에 대응하는 기준 실내 환경값으로 유지되게 상기 실내 환경 기기를 제어할 수 있다.
본 발명에 따른 실내 환경 제어 시스템의 동작방법은, 실내의 온도, 습도, 실내 미세먼지 농도 및 실외 미세먼지 농도를 측정하는 단계, 상기 온도 및 상기 습도가 설정된 쾌적 범위에 속하는지 판단하는 단계, 상기 쾌적 범위에 속하는 경우, 상기 실내 미세먼지 농도와 상기 실외 미세먼지 농도를 비교하여 농도 차이값을 산출하는 단계 및 상기 농도 차이값을 기반으로 실내 환경 기기에 포함된 환기 장치, 공기 청정기 및 주방 후드 중 적어도 하나의 동작을 제어하는 단계를 포함할 수 있다.
상기 쾌적 범위에 속하지 않는 경우, 상기 온도 및 상기 습도가 상기 쾌적 범위에 속하도록 난방 장치, 냉방 장치, 가습기 및 제습기 중 적어도 하나를 동작시키는 단계를 더 포함할 수 있다.
상기 동작을 제어하는 단계는, 상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제1 기준 농도 차이값 범위에 속하면, 상기 제1 기준 농도 차이값에 따라 상기 환기 장치 및 상기 주방 후드를 온 동작시킬 수 있다.
상기 동작을 제어하는 단계는, 상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제2 기준 농도 차이값 범위에 속하면, 상기 제2 기준 농도 차이값에 따라 상기 환기 장치, 상기 주방 후드 및 상기 공기 청정기를 온 동작시킬 수 있다.
상기 동작을 제어하는 단계는, 상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 낮으며 제3 기준 농도 차이값 범위에 속하면, 상기 제3 기준 농도 차이값에 따라 상기 공기 청정기를 온 동작시킬 수 있다.
본 발명에 따른 실내 환경 제어 시스템 및 그 동작방법은, 실내의 온도 및 습도를 기반으로 열쾌적성을 높일 수 있으며, 실내의 미세먼지 농도 및 실외의 미세먼지 농도를 기반으로 실내의 공기질을 개선할 수 있도록 함으로써, 재실자 또는 사용자의 편의성을 증대시킬 수 있는 이점이 있다.
본 발명에 따른 실내 환경 제어 시스템 및 그 동작방법은, 실내의 실내 환경값 및 소비 전력값을 기반으로 실내에 위치하는 재실자의 행동을 유추하고, 재실자의 행동에 따라 실내 환경값이 기준 실내 환경값으로 유지되게 실내 환경 기기 각각을 제어함으로써, 실내가 쾌적한 상태를 유지할 수 있는 이점이 있다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 발명의 제1 실시 예에 따른 실내 환경 제어 시스템의 구성을 나타낸 제어 블록도이다.
도 2 내지 도 4는 산출 모듈에 적용되는 재실자 행동 분류 모델을 설명하기 위한 예시도이다.
도 5는 본 발명에 따른 냉난방 장치의 동작 상태 판단 장치의 구성을 나타낸 블록도이다.
도 6은 본 발명에 따른 학습 장치의 구성을 나타낸 블록도이다.
도 7은 본 발명의 일 실시예에 따른 오차 행렬을 설명하기 위한 분류표이다.
도 8은 본 발명의 일 실시예에 따른 DNN 기반 학습모델과, CNN 기반 학습모델의 정밀도, 재현도, F1 스코어를 비교한 그래프이다.
도 9 및 도 10은 본 발명에 따른 실내 환경 제어 시스템의 동작방법을 나타낸 순서도이다.
도 11은 본 발명의 제2 실시 예에 따른 실내 환경 제어 시스템의 구성을 나타낸 제어 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수개의 관련된 기재된 항목들의 조합 또는 복수개의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
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.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 제1 실시 예에 따른 실내 환경 제어 시스템의 구성을 나타낸 제어 블록도이다.
도 1을 참조하면, 실내 환경 제어 시스템(100)은 환기 장치(110), 공기 청정기(120), 주방 후드(130), 난방 장치(140), 냉방 장치(150), 가습기(160), 제습기(170) 및 제어 기기(180)를 포함할 수 있다.
실시 예에서, 실내 환경 기기(미도시)는 환기 장치(110), 공기 청정기(120) 및 주방 후드(130)를 포함할 수 있으며, 실내의 공기질을 개선하기 위한 장치들일 수 있으며, 이에 한정을 두지 않는다.
열쾌적 기기(미도시)는 난방 장치(140), 냉방 장치(150), 가습기(160) 및 제습기(170)를 포함할 수 있으며, 실내의 온도 및 습도를 조절하여 열쾌적성을 개선할 수 있는 장치들일 수 있으며, 이에 한정을 두지 않는다.
환기 장치(110)는 에너지를 사용하는 강제 환기 장치로써, 온도 및 습도에 대한 제어 기능은 다소 약하지만 실내 공기질을 개선할 수 있는 기능을 수행할 수 있다.
공기 청정기(120)는 실내 공기에 포함된 이물질을 제거하여 실내 공기질을 개선할 수 있는 기능을 수행할 수 있다.
주방 후드(130)는 요리시 발생하는 이산화탄소 및 냄새 등을 외부로 배출 할 수 있으며, 실내 공기질을 개선할 수 있는 기능을 부가적으로 수행할 수 있다.
난방 장치(140)는 실내의 온도를 높여 난방 기능을 수행할 수 있으며, 냉방 장치(150)는 난방 장치(140)와 다르게 실내의 온도를 낮추는 냉방 기능을 수행할 수 있다.
가습기(160) 및 제습기(170)는 실내의 습도를 조절할 수 있는 기능을 수행할 수 있다.
일 실시예에서, 실내 환경 제어 시스템은 난방 장치(140)와 냉방 장치(150)의 동작 상태 판단을 위한 동작 상태 판단 장치(500)를 더 포함할 수 있다. 동작 상태 판단 장치(500)의 동작 방법에 대해서는 후술하여 상세히 설명하도록 한다.
제어 기기(180)는 센서 모듈(210) 및 제어 모듈(220)을 포함할 수 있다.
센서 모듈(210)은 실내의 온도, 습도, 실내 미세먼지 농도 및 실외 미세먼지 농도를 측정할 수 있는 복수의 센서를 포함할 수 있으며, 이에 한정을 두지 않는다.
예를 들어, 상기 복수의 센서는 온도 센서, 습도 센서, 냄새 센서, 먼지 센서 등을 포함할 수 있으며, 이에 한정을 두지 않는다.
또한, 센서 모듈(210)은 복수의 센서들에서 측정된 실내 환경값(data1)을 출력할 수 있다.
실내 환경값(data1)은 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값을 포함할 수 있으며, 이에 한정을 두지 않는다.
예를 들어, 상기 복수의 센서는 방, 거실 및 주방 등에 설치될 수 있으며, 실내 환경값(data1)에 포함되는 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값들은 방, 거실 및 주방 각각에서 측정된 값일 수 있으며, 이에 한정을 두지 않는다.
일 실시예에서, 제어 모듈(220)은 전력 계측 모듈(미도시)을 더 포함할 수 있다.
전력 계측 모듈은 실내에 배치된 전자기기별로 소비되는 소비 전력값(data2)을 측정할 수 있다.
먼저, 전력 계측 모듈은 전자기기별로 소비 전력을 측정할 수 있는 스마트 미터(Smart meter)일 수 있으며, 이에 한정을 두지 않는다.
여기서, 전자기기는 TV, 조명, 세탁기, 전자레인지, 공기조화기(시스템 에어컨), 전기밥솥, 드라이기, 온수매트, 가습기, 환기장치, 공기청정기 및 노트북을 포함할 수 있으며, 이에 한정을 두지 않는다.
제어 모듈(220)은 산출 모듈(230) 및 동작 모듈(240)를 포함할 수 있다.
산출 모듈(230)은 실내 미세먼지 농도 및 실외 미세먼지 농도를 비교하여 농도 차이값을 산출할 수 있다.
여기서, 상기 농도 차이값은 실내 미세먼지 농도에 실외 미세먼지 농도를 차감한 값이며, 예를 들어 마이너스(-) 값을 가지는 경우 실외 미세먼지 농도가 실내 미세먼지 농도보다 높으며, 플러스(+) 값을 가지는 경우 실내 미세먼지 농도가 실외 미세먼지 농도보다 높음을 의미한다.
먼저, 실내의 온도 및 습도가 입력되는 경우, 동작 모듈(240)은 온도 및 습도가 설정된 쾌적 범위에 속하는지 여부를 판단할 수 있다.
즉, 동작 모듈(240)은 실내의 공기질을 개선하기 이전에, 온도 및 습도가 상기 쾌적 범위에 속하는지 판단하여, 열쾌적성을 높일 수 있다.
상기 쾌적 범위는 예를 들어, 쾌적 온도가 24.4℃ 내지 26.5℃이고, 쾌적 습도가 40% 내지 55%일 수 있으며, 사용자에 의해 설정 변경할 수 있다.
상기 온도가 상기 쾌적 온도보다 낮고, 상기 습도가 상기 쾌적 습도보다 높은 경우, 동작 모듈(240)은 난방 쾌적 모드로 동작하여, 난방 장치(140) 및 제습기(170) 중 적어도 하나를 동작시킬 수 있다.
또한, 상기 온도가 상기 쾌적 온도보다 낮고, 상기 습도가 상기 쾌적 습도에 속하는 경우, 동작 모듈(240)은 난방 쾌적 모드로 동작하여 난방 장치(140)를 동작시킬 수 있다.
상기 온도가 상기 쾌적 온도보다 높고 상기 습도가 상기 쾌적 습도보다 낮은 경우, 동작 모듈(240)은 냉방 쾌적 모드로 동작하여, 냉방 장치(150) 및 가습기(160) 중 적어도 하나를 동작시킬 수 있다.
상기 온도가 상기 쾌적 온도보다 높고 상기 습도가 상기 쾌적 습도보다 높은 경우, 동작 모듈(240)은 냉방 쾌적 모드로 동작하여, 냉방 장치(150) 및 제습기(160) 중 적어도 하나를 동작시킬 수 있다.
난방 또는 냉방 쾌적 모드로 동작 중 산출 모듈(230)로부터 농도 차이값이 입력되는 경우, 동작 모듈(240)은 농도 차이값이 제1 내지 제3 기준 농도 차이값 범위 중 어느 하나에 속하는지 여부를 판단할 수 있다.
우선, 상기 제1 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높은 범위이며, 상기 제2 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 상기 제1 기준 농도 차이값 범위보다 큰 범위일 수 있다.
상기 제3 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 낮은 범위를 나타낼 수 있다.
상기 농도 차이값이 상기 제1 기준 농도 차이값 범위에 속하는 경우, 동작 모듈(240)은 상기 제1 기준 농도 차이값에 따라 환기 장치(110) 및 주방 후드(130)를 온 동작시킬 수 있다.
즉, 동작 모듈(240)은 실내 미세먼지 농도가 실외 미세먼지 농도보다 높으므로, 실내의 공기를 실외로 배출하기 위해, 환기 장치(110) 및 주방 후드(130)를 온 동작시킬 수 있다.
이때, 동작 모듈(240)은 환기 장치(110) 및 주방 후드(130)가 펜을 포함하는 경우, 상기 펜의 속도를 조절할 수 있다.
상기 농도 차이값이 상기 제2 기준 농도 차이값 범위에 속하는 경우, 동작 모듈(240)은 상기 제2 기준 농도 차이값에 따라 환기 장치(110), 공기 청정기(120) 및 주방 후드(130)를 온 동작시킬 수 있다.
즉, 동작 모듈(240)은 실내 미세먼지 농도가 실외 미세먼지 농도보다 높으므로, 실내의 공기를 실외로 배출하고 실내의 공기를 정화할 수 있도록, 환기 장치(110), 공기 청정기(120) 및 주방 후드(130)를 온 동작시킬 수 있다.
상기 농도 차이값이 상기 제3 기준 농도 차이값 범위에 속하는 경우, 동작 모듈(240)은 상기 제3 기준 농도 차이값에 따라 공기 청정기(120)를 온 동작시킬 수 있다.
즉, 동작 모듈(240)은 실외 미세먼지 농도가 실내 미세먼지 농도보다 높으므로, 실외의 공기가 실내로 유입되지 않도록 하며, 실내의 공기를 현 상태로 유지하기 위해 공기 청정기(120)를 온 동작시킬 수 있다.
본 발명에 따른 실내 환경 제어 시스템(100)은 실내의 온도 및 습도를 고려하여 열쾌적성을 높일 수 있으며, 실내의 실내 미세먼지 농도와 실외 미세먼지 농도를 고려하여, 실내의 공기질을 개선할 수 있는 이점이 있다.
본 발명의 다른 실시예에서, 제어 모듈(220)은 산출 모듈(230), 동작 모듈(240)뿐만 아니라 결정 모듈(235)을 더 포함할 수 있다.
산출 모듈(230)은 실내 환경값(data1) 및 소비 전력값(data2)을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치한 재실자의 행동 정보를 추출할 수 있다.
여기서, 상기 재실자 행동 분류 모델은 상기 재실자의 행동에 따라 변화되는 실내 환경값(data1) 및 소비 전력값(data2)을 기계학습하여 생성될 수 있으며, 도2 내지 도 4에서 설명하기로 한다.
산출 모듈(230)은 실내 환경값(data1)과 이전 실내 환경값의 제1 변화량 및 소비 전력값(data2)과 이전 소비 전력값 사이의 제2 변화량을 산출하고, 상기 제1, 2 변화량을 상기 재실자 행동 분류 모델에 적용하여 상기 행동 정보를 추출할 수 있다.
상기 재실자의 행동 정보는 상기 재실자가 수면 상태, 외출 상태, 요리 상태, 운동 상태 및 휴식 상태 중 어느 한 상태일 수 있으며, 이에 한정을 두지 않는다.
결정 모듈(235)은 실내 환경값(data1)이 설정된 기준 실내 환경값으로 유지되게, 실내 환경 기기(미도시) 각각의 제어값들을 결정할 수 있다.
예를 들어, 실내 환경 기기는 환기 장치, 공기청정기 및 주방 후드 등일 수 있으며, 이에 한정을 두지 않는다.
여기서, 상기 기준 실내 환경값은 온도값, 습도값, 이산화탄소값, 소음값, 조도값, VOC(volatile organic compound) 용량값 및 미세먼지 용량값에 대하여, 실내의 쾌적한 환경을 조성하기 위해 기 설정된 값일 수 있다.
결정 모듈(235)은 상기 재실자의 행동 상태, 예를 들어 운동 중인 경우 미세먼지 및 이산화탄소를 낮추기 위해 실내 환경 기기 각각의 동작을 위한 제어값들을 결정할 수 있으며, 상기 재실자의 행동 상태가 수면 또는 거실에서 TV 시청 중일 때와 실내 환경 기기 각각의 동작을 위한 제어값들과 서로 다를 수 있다.
동작 모듈(240)은 실내 환경 기기로 상기 제어값들을 전송하여, 실내 환경 기기의 동작을 제어할 수 있다.
도 2 내지 도 4는 산출 모듈에 적용되는 재실자 행동 분류 모델을 설명하기 위한 예시도이다.
먼저, 도 2는 재실자 행동 분류 모델을 생성하기 위한 데이터 처리 과정을 나타낸다.
도 2의 input data는 도 1에서 설명한 실내 환경값(data1) 및 소비 전력값(data2)를 포함할 수 있으며, Output 값은 재실자 행동으로 지정하였으며 모델에 적합하게 가공하기 위해 데이터 전처리 과정을 수행한다.
재실자 행동 데이터는 별도의 처리 과정을 거쳐 이미지 데이터에서 범주형 데이터로 변환한다.
모델의 입력 값은 Random Forest algorithm을 활용한 변수중요도 기법을 사용하고, 재실자 인지 모델 개발 방법으로 KNN과 Random Forest의 Classification algorithm을 적용하여 Input data에 따른 평가와 Classification algorithm 별 평가를 수행한다.
분석 과정은 Python, 기계학습 라이브러리로는 sklearn을 활용하였다. 다만, 기계학습 알고리즘은 이에 한정되지 않으며, 다양한 프로그램의 언어 및 기계학습 라이브러리가 활용될 수 있다.
도 3은 재실자 행동 분류 모델을 생성하기 위한, 실험을 위한 샤워시설, 조리시설 및 가전제품의 위치를 나타낸다.
실험 기간 동안, 산출 모듈(230)은 주방PM2.5농도(PM2.5_K), 거실PM2.5 농도(PM2.5_L), 외기PM2.5농도(PM2.5_O), 침실PM2.5농도(PM2.5_B), 거실온도(TEMP_L), 거실상대습도(RH_L), 거실CO2농도(CO2_L), 침실온도(TEMP_B), 침실상대습도(RH_B), 침실CO2농도(CO2_B)를 포함하는 실내 환경값(data1) 및 세탁기, 전자레인지, 조명, 시스템에어컨, 전기밥솥, 드라이기, TV, 온수매트, 가습기, 환기장치, 공기청정기, 노트북(Laptop) 각각에서 소비되는 소비 전력을 포함하는 소비 전력값(data2)을 획득할 수 있다.
데이터 수집단계에서 재실자의 행동 정보는 거실에 설치된 Web Camera를 통하여 이미지 데이터로 수집하지만, 이미지 데이터는 분류 모델에 사용할 수 없기 때문에 1분 간격의 범주형 데이터로 변환한다.
재실자 행동 레이블을 지정하기 위해 국민생활시간 통계자료를 참고하며, 국민생활시간 통계자료에서는 우리나라 국민들의 행동을 분류하고, 수집한 이미지로부터 재실자 행동을 구분하여 수면, 외출, 식사, 운동, 드라이기 사용, 휴식, 식사준비, 설거지, 청소, 작업(컴퓨터), 보행 등의 행동 상태와 Web camera범위를 벗어나거나 녹화 불량으로 인한 미상으로 분류한다. 다만, 행동 분류 방법 및 분류의 결과는 다양할 수 있어 이에 제한되지 않는다.
재실자 행동 중 본 연구에서 개발하는 모델의 Output 레이블을 선정하기 위해, 실험기간 동안 피 실험자가 행동 별로 소비하는 시간을 분(Minute)으로 나타낸다.
재실자의 행동 중 소비하는 시간은 수면, 외출, 작업, 휴식, 요리, 식사, 운동, 설거지, 드라이기사용, 청소, 보행 순으로 높게 나타난다. 이 중 상위 7가지 행동이 전체 행동의 98%이상을 차지하므로 수면, 외출, 작업, 휴식, 요리, 식사, 운동을 모델의 Output 레이블로 지정해 사용한다. 다만, 반드시 이에 한정되는 것은 아니다.
도 4를 참조하면, 실험을 통해 수집한 데이터는 계측기의 오류 또는 고장 등으로 인해 결측치가 생성될 수 있으며, 이러한 누락된 데이터는 개발된 모델의 성능을 저하시키거나 편향된 결과를 낼 수 있다.
따라서, 결측치를 사전에 보간(Imputation)하는 과정을 거쳐야 한다.
결측치를 처리하는 방법으로는 단순 삭제와 다른 값으로 대치하는 방식으로 구분한다.
그러나 삭제 방법과 같은 경우 데이터의 특성을 분석하는데 중요한 속성을 제거할 수 있는 위험이 있기 때문에 대부분 대치 방법을 활용하며, 평균(meam), 중앙(median), 최빈(mode)값으로 대치하거나 KNN(K-nearest neighbour) 혹은 인공신경망과 같은 기계학습을 사용하는 방법이 있다.
본 발명에서는 KNN을 활용하여 결측값들을 처리한다. KNN 결측치 처리 방법은 주어진 데이터의 결측값에 대한 k개의 가장 가까운 이웃으로 결측값을 예측하여 대치하는 방법으로 단순하지만 비교적 높은 정확도로 많이 사용하는 방법이다.
또한, 데이터마다 다른 계측 단위는 모델의 안정성 저하에 영향을 미치거나 높은 수치의 데이터가 낮은 수치의 데이터를 지배하는 등의 문제가 발생할 수 있다. 따라서 특성에 따라 다른 척도를 가진 데이터의 범위를 일치 시키는 데이터 정규화(Feature scaling) 방식이 필요하다.
도 4와 같이 온수매트(W), 주방PM2.5농도(㎍/㎥), 거실CO2농도(ppm)과 같이 각기 다른 단위를 가지고 있는 데이터(x)를 Equation 1을 통해 [0, 1] 범위로 변환(xt)시키는 최소최대정규화(Min-Max Normalization)을 수행하여 데이터의 범위를 통일하였다.
또한 재실자 행동 특성 상 행동 별 데이터 수의 불균형(Imbalanced data)이 발생한다. 데이터 불균형을 해결하지 않고 모델을 개발한다면, 다수 클래스에 편향되어 소수 클래스의 식별 및 예측이 불가능한 모델이 될 수 있으므로 불균형을 해소하는 전처리가 필수적이다.
데이터 불균형 처리는 소수 클래스의 수를 다수 클래스 수에 맞추는 오버샘플링(Over Sampling)과 다수 클래스의 수를 소수 클래스의 수에 맞추는 언더샘플링(Under Sampling)으로 분류된다.
Over Sampling은 소수 클래스를 랜덤으로 단순 복사하는 Random Over Sampling과 소수 클래스를 보간하여 새로운 데이터를 만드는 SMOTE(Synthetic Minority Over-sampling Technique), SMOTE 방식에 소수 클래스 주변에 다수 클래스가 있으면 삭제하는 ENN(Edited Nearest Neighbour) 방식을 결합한 SMOTE+ENN기법 등이 있다.
기계학습 알고리즘은 데이터를 분석하는 방법에 따라 지도학습(Supervised learning), 비지도학습(Unsupervised learning), 강화학습(Reinforcement learning)으로 구분된다. 지도학습은 입력값과 출력값의 데이터를 학습시켜 새로운 입력값에 대한 추출을 결정할 수 있도록 하는 방법으로 분류(Classification)과 회귀(Regression)에 활용된다.
본 발명에서는 실내 환경과 기기 전력 사용량 데이터를 입력값으로 하여, 현재 재실자의 상태를 출력값으로 추출하기 위해 지도학습의 분류기법을 활용하였다. 대표적인 Classification 기법으로 K-Nearest Neighbor(KNN), Random Forest, Support Vector Machine(SVM), Artificial Neural Network(ANN), Decision Tree, Bayesian Classification등이 있다.
본 발명에서는 K-Nearest Neighbor(KNN)과 Random Forest을 활용하며, KNN은 1968년 Cover에 의해 제안된 알고리즘으로 가장 간단한 기계학습 알고리즘이다.
훈련데이터 집합에 있는 표본들의 유사도에 따라 라벨이 없는 표본들을 분류하는 방법으로. 새로운 데이터가 주어졌을 때 가장 가까운 K개의 라벨 표본을 찾고 K개의 부분 집합 내에 가장 빈도가 많이 나타나는 그룹에 새로운 데이터를 할당한다.
Random Forest은 단순성과 사용편의성으로 인해 건물 에너지 관련 연구에서 주로 사용되는 방법이다. Random Forest는 내부 노드(Internal node)의 속성을 테스트 하여 결과에 따라 분기(Branch)하여 리프 노드(Leaf node)로 클래스를 분류하는 Decision Tree를 여러 개 만들어 Tree 별 결과를 과반수 채택하여 사용하는 앙상블(Ensemble) 학습 방법이다. 분류 전과 후의 출력 변수 간의 불순도가 낮아지는 방향으로 학습한다.
분류 결과의 정확성을 평가하기 위해서는 모델에 대한 유효성 평가가 선행되어야 한다. 이를 검증(Validation)이라고 하는데, 검증의 종류로는 이미 주어진 Train set을 랜덤하게 Train set과 Test set으로 한 번 더 분할하여 검증에 사용하는 홀드아웃(Hold Out), Train과 Test set을 Random하게 다시 설정하여 사용하는 부트스트랩(Bootstrap) 및 데이터를 무작위로 비슷한 크기의 k개로 나눠 모든 데이터가 적어도 한번 씩 Test set으로 사용하게 되는 교차검증(Cross validation)이 있다.
따라서 본 발명에서는 데이터를 10개로 나눠 검증하는 10-fold cross validation을 사용하여 분석을 수행하였다.
분류 알고리즘에서는 사전 label과 모델에 의해 출력된 label을 비교하여 모델의 성능을 평가한다.
이하, 전술한 동작 상태 판단 장치(500)에 대해 도 5 내지 도 8를 참조하여 구체적으로 설명하도록 한다.
동작 상태 판단 장치(500)는 실내외 환경데이터에 기초하여 생성된 최적의 기계 학습 모델을 통해 난방 장치(140) 및 냉방 장치(150)의 동작 상태를 판단한다.
도 5는 본 발명에 따른 냉난방 장치의 동작 상태 판단 장치의 구성을 나타낸 블록도이고, 도 6은 본 발명에 따른 학습 장치의 구성을 나타낸 블록도이다.
도 5 및 도 6을 참조하면, 냉난방 장치의 동작상태 판단을 위한 동작 상태 판단 장치(500)는 센서(510), 수집 장치(520) 및 학습 장치(530)를 포함할 수 있다.
센서(510)는 복수개의 센서를 포함하고, 임의의 실내 및 실외의 환경데이터를 측정할 수 있다.
여기서, 센서는 온도 센서, 습도 센서, 이산화탄소 농도 센서 일 수 있고, 환경 데이터는 실내 온도, 실내 습도, 실내 이산화탄소 농도, 실외 온도, 실외 습도를 포함할 수 있다.
또한, 센서(510)는 미세먼지를 측정할 수 있는 먼지 센서 등을 더 포함할 수 있으며, 이에 한정을 두지 않는다.
수집 장치(520)는 실내의 냉난방 장치의 동작상태 데이터를 수집할 수 있다. 여기서 냉난방 장치는 예컨대 공조시스템(HVAC)일 수 있다. 공조시스템이란 난방(Heating), 환기(Ventilation), 냉방(Air Conditioning System) 등을 통해 건물이나 차량의 실내를 쾌적하게 유지해주는 공기조절 시스템이다.
동작상태 데이터는 전원 꺼짐, 전원 켜짐, 냉방 모드, 난방 모드를 포함할 수 있으며, 이에 한정을 두지 않는다.
학습 장치(530)는 환경데이터와 상기 동작상태 데이터에 기초하여 기계학습 모델을 트레이닝하여 환경데이터에 대한 냉난방 장치의 동작상태를 예측하기 위한 학습모델을 생성할 수 있다.
도 6을 참조하면, 학습 장치(530)는 전처리모듈(531), 학습모듈(532), 평가모듈(533)을 포함할 수 있다.
전처리모듈(531)은 환경데이터와 상기 동작상태 데이터를 시간 동기화하여 데이터 셋을 생성한다.
전처리모듈(531)은 상기 데이터 셋에, 미리 설정된 제1 시간 예를 들어 2분 이하의 결측값이 존재하는 경우 결측 직전 값으로 데이터를 대체할 수 있다.
전처리모듈(531)은 미리 설정된 제2 시간 구간 동안 환경데이터가 동일한 값이 반복되는 경우 해당 구간을 제외시킬 수 있다. 예를 들어, 예를 들어 520분 이상 환경데이터 실내 온도, 실내 습도, 실내 이산화탄소 농도, 실외 온도 및 실외 습도 중 어느 하나 이상에서 동일값이 반복되는 경우, 해당 구간을 데이터 셋에서 제외시킨다.
전처리모듈(531)은 미리 설정된 제3 시간 예를 들어 3분 이상 결측이 발생하는 경우 해당 구간을 데이터 셋에서 제외한다.
학습모듈(532)은 전처리모듈(531)에 의해 전처리된 데이터 셋에 기초하여 기계학습 모델을 트레이닝하여 상기 학습모델을 생성한다. 기계학습 모델은 DNN(Deep Neural Network) 기반 모델, CNN(Convolutional Neural Network) 기반 모델, 멀티 채널 RP(Recurrence Plot) CNN 기반 모델 중 어느 하나일 수 있다.
DNN 기반 모델은 데이터의 입력, 가중치 및 편향 적용, 데이터의 출력 과정으로 구성된다.
일 실시예에서 DNN 기반 모델로 학습모델을 생성하기 위하여 먼저 환경데이터를 정규화한다. MinMaxscaler 방법으로 환경데이터 각각의 항목 별로 데이터 범위를 0~1이 되도록 설정한다. 이후, 정규화된 환경데이터의 각각의 항목에 대하여 시간에 따른 변화를 반영하기 위하여, 예측 시점 이전 160분의 데이터를 이용한 특징값을 추가한다. 랜덤 포레스트 기법을 이용하여 중요도가 높은 특징값 예를 들어 75개의 특징값을 추출한다. 특징값의 수를 줄여 예측을 위한 학습모델의 성능을 향상시키고 과적합을 방지할 수 있다. 학습모델의 과적합을 방지하기 위해 L1-regularization을 채택한다.
CNN 기반 모델은 특징적인 신경망으로 입력값의 국부적 연결을 통해 학습 파라미터를 크게 줄일 수 있고, 가중치를 공유하는 커널이 입력값을 수평으로 이동하며 특징맵을 반환시킨다.
일 실시예에서 CNN 기반 모델은 Recurrence Plot 알고리즘을 채택할 수 있다. Recurrence Plot은 Dynamic system의 해석에 사용되는 알고리즘의 하나로서, 시계열 데이터를 RP행렬로 변환 1차원 데이터의 i번째 데이터와 j번째 데이터의 공간좌표의 궤도를 (i, j)의 좌표로 표현 매개변수로 공간좌표의 차원(m), 좌표의 간격을 나타내는 시간편차(t), 임계값(ε) 사용 RP행렬은 이미지로 취급하여, 이미지 분류에 특화된 CNN 모델에 사용 가능하다.
멀티 채널 RP CNN 기반 모델은 각 환경데이터의 각 항목에 대한 변환 RP 이미지를 채널로 갖는다. 따라서, 5 채널 RP 이미지를 CNN을 이용하여 기계학습을 수행한다.
일 실시예에서 멀티 채널 RP CNN 기반 모델 학습모델은 원시 데이터의 시간 특성을 유지하여 예측 모델의 성능을 높인다
RP 이미지를 다채널로 구성하여, 단일 채널의 경우와 비교하여 동일한 시점에 수집된 환경데이터의 항목별 관계를 유지하여 예측성능이 높게 나타날 수 있다.
평가모듈(533)은 과거 데이터에 기초하여 평가 데이터 셋을 생성하고, 생성된 평가 데이터 셋에 기초하여 학습모델의 성능을 평가한다.
평가모듈(533)은 상기 데이터 셋에 포함된 데이터 중에서 냉방이 주로 일어난 냉방 대표일과 난방이 주로 일어난 난방 대표일을 추출하여 평가 데이터 셋을 생성한다.
평가모듈(533)은 오차 행렬(Confusion Matrix)에 기초하여 학습모델을 평가한다.
평가모듈(533)은 오차 행렬에 기초하여 예측 값에 따른 실제 값을 비교하여 성과분석을 행한다.
도 7은 본 발명의 일 실시예에 따른 오차 행렬을 설명하기 위한 분류표이다.
도 7을 참고하면, ACTUAL VALUES는 실제값을 의미하고, REDICTIVE VALUES은 예측값을 의미한다. 즉 TP와 TN은 실제값을 맞게 예측한 부분이고, FP와 FN은 실제값과 다르게 예측한 부분을 의미한다.
오차 분류표에서, 정확도(Accuracy)는 전체 검증 데이터 중 예측 결과와 라벨이 일치하는 비율로서, 수학식 1에 의해 산출된다.
[수학식 1]
Figure PCTKR2022010683-appb-img-000001
정밀도(Precision)는 예측 결과가 양성인 데이터 중 라벨이 양성인 데이터의 비율로서, 수학식 2에 의해 산출된다.
[수학식 2]
Figure PCTKR2022010683-appb-img-000002
재현도(Recall)는 전체 검증 데이터에서 라벨이 양성인 데이터 중 예측 결과가 양성인 데이터의 비율로서, 수학식 3에 의해 산출된다.
[수학식 3]
Figure PCTKR2022010683-appb-img-000003
F1 스코어(score)란 정밀도와 재현도의 조화평균으로, 수학식 4에 의해 산출된다. F1 스코어는 검증 데이터의 라벨이 불균형할 경우 평가하기에 적합하다.
[수학식 4]
Figure PCTKR2022010683-appb-img-000004
다시 도 6의 평가모듈(533)은 그리드 서치 방법에 기초하여 학습모델을 최적화하기 위해 초매개변수의 범위를 지정하고, 해당 범위에 해당하는 모든 조합에 따라 학습 장치(530)를 통해 학습시킨 후, 검증을 수행한다.
대상 매개변수 공간 전체를 탐색하고, 매개 변수 간의 영향을 확인한다.
일 실시예에 따르면 DNN 기반 모델의 정확도는 0.83이고, CNN 모델은 0.96으로 나타났다.
도 8은 본 발명의 일 실시예에 따른 DNN 기반 학습모델과, CNN 기반 학습모델의 정밀도, 재현도, F1 스코어를 비교한 그래프이다.
도 8을 참고하면, CNN 기반 학습모델은 DNN 기반 학습모델 보다 정밀도, 재현도, F1 스코어 세 상태에 대한 평가 결과가 모두 높게 나타났다.
DNN 기반 학습모델은 냉방 및 난방에 대한 정밀도이 낮게 나타나 예측 결과에 대한 신뢰도 낮으며, 재현도를 통해 검증 데이터에서 난방 상태를 검출하는 성능이 떨어짐을 확인할 수 있다.
DNN 기반 학습모델은 냉난방기의 가동상태 변화 냉방 진행중에 오분류가 주로 발생한다.
CNN 기반 학습모델은 DNN 기반 학습모델에 비하여 비교적 높은 성능을 보이지만, 냉방 상태를 예측할 경우 다른 클래스에 비해 낮은 성능을 보였다.
환경데이터를 이용한 냉난방 장치의 동작상태 판단은 전원 꺼짐과 난방 상태를 검출할 때 적합하다.
CNN 기반 학습모델은 가동상태 변화에 영향을 받지않고 실내 온습도가 급격히 변하는 경우 오분류가 발생한다.
보다 구체적으로 DNN 기반 학습모델에서의 냉방 대표일에 대하여 냉난방의 가동상태 변화, 냉방 가동중, 전원 꺼짐 시 오분류가 나타날 수 있다.
냉난방의 가동상태 변화 후 약 10~30분 간 예측확률이 지속적으로 하락하며 오분류가 발생하며 이는 전원이 바뀌고 공기중의 온도 및 습도가 바뀔 때까지 발생하는 시간차가 원인이다.
냉방 가동 중 예측확율이 낮아짐과 높아짐 이후 다시 낮아짐을 반복하며, 이는 냉방 중 적정 온도에 도달할 경우 송풍과 냉방이 교대로 나타나기 때문에 발생한다.
전원 꺼짐 시 오분류는 예측확률이 낮음을 유지하지만 19시 및 21~23시에 발생하며, 이 때 냉난방기는 사용하지 않으나 재실자의 요리와 같은 활동의 영향으로 인한 온습도 변화가 원인이다.
DNN 기반 학습모델에서의 난방 대표일에 대하여 EHP의 가동상태가 바뀌는 경우 주로 발생하며, 전원 꺼짐에서 전원 난방 켜짐이 발생하면 약 5~10분이 지난 후 인식되어 예측확률이 급격히 낮아진다.
전원 켜짐상태에서 전원 꺼짐이 발생하면 약 30~70분이 지난 후에 인식되어 예측확률이 서서히 낮아진다.
즉 냉난방기가 꺼짐에서 켜짐으로 전환되는 경우 냉방에 비해 난방이 온도 및 습도에 빠르게 영향을 받으며 가동이 중지될 경우 실내 온도가 서서히 떨어짐으로 인해 예측확률도 서서히 낮아진다.
이와 같이, 본 발명의 일 실시예에 따른 동작 상태 판단 장치를 이용하면, 실내외 환경데이터에 기초하여 냉난방 장치의 동작상태를 판단할 수 있으므로, 효율적이고 효과적인 건물 에너지 관리를 수행할 수 있고, 실내의 공기질을 효율적으로 향상시킬 수 있는 이점이 있다.
도 9 및 10은 본 발명에 따른 실내 환경 제어 시스템의 동작방법을 나타낸 순서도이다.
도 9를 참조하면, 실내 환경 제어 시스템(100)의 제어 기기(180)는 실내의 온도, 습도, 실내 미세먼지 농도 및 실외 미세먼지 농도를 측정할 수 있다(S110).
즉, 제어 기기(180)에 포함된 센서 모듈(210)은 실내의 온도, 습도, 실내 미세먼지 농도 및 실외 미세먼지 농도를 측정할 수 있다.
제어 기기(180)는 온도 및 습도가 설정된 쾌적 범위에 속하는지 판단하고(S120), 상기 쾌적 범위에 속하지 않으면 냉방 쾌적 모드 또는 난방 쾌적 모드로 동작할 수 있다(S130).
상기 냉방 쾌적 모드 및 상기 난방 쾌적 모드에 대한 설명은 도 10에서 하기로 한다.
(S120) 단계에서, 쾌적 범위에 속하는 경우, 제어 기기(180)는 상기 실내 미세먼지 농도와 상기 실외 미세먼지 농도를 비교하여 농도 차이값을 산출하고(S140), 상기 농도 차이값을 기반으로 환기 장치(110), 공기 청정기(120) 및 주방 후드(130) 중 적어도 하나의 동작을 제어할 수 있다(S150).
즉, 제어 기기(180)에 포함된 제어 모듈(220)은 실내 미세먼지 농도 및 실외 미세먼지 농도를 비교하여 농도 차이값을 산출할 수 있다.
여기서, 상기 농도 차이값은 실내 미세먼지 농도에 실외 미세먼지 농도를 차감한 값이며, 예를 들어 마이너스(-) 값을 가지는 경우 실외 미세먼지 농도가 실내 미세먼지 농도보다 높으며, 플러스(+) 값을 가지는 경우 실내 미세먼지 농도가 실외 미세먼지 농도보다 높음을 의미한다.
제어 모듈(220)은 농도 차이값이 제1 내지 제3 기준 농도 차이값 범위 중 어느 하나에 속하는지 여부를 판단할 수 있다.
우선, 상기 제1 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높은 범위이며, 상기 제2 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 상기 제1 기준 농도 차이값 범위보다 큰 범위일 수 있다.
상기 제3 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 낮은 범위를 나타낼 수 있다.
상기 농도 차이값이 상기 제1 기준 농도 차이값 범위에 속하는 경우, 제어 모듈(220)은 상기 제1 기준 농도 차이값에 따라 환기 장치(110) 및 주방 후드(130)를 온 동작시킬 수 있다.
즉, 제어 모듈(220)은 실내 미세먼지 농도가 실외 미세먼지 농도보다 높으므로, 실내의 공기를 실외로 배출하기 위해, 환기 장치(110) 및 주방 후드(130)를 온 동작시킬 수 있다.
이때, 제어 모듈(220)은 환기 장치(110) 및 주방 후드(130)가 펜을 포함하는 경우, 상기 펜의 속도를 조절할 수 있다.
상기 농도 차이값이 상기 제2 기준 농도 차이값 범위에 속하는 경우, 동작 모듈(240)은 상기 제2 기준 농도 차이값에 따라 환기 장치(110), 공기 청정기(120) 및 주방 후드(130)를 온 동작시킬 수 있다.
즉, 제어 모듈(220)은 실내 미세먼지 농도가 실외 미세먼지 농도보다 높으므로, 실내의 공기를 실외로 배출하고 실내의 공기를 정화할 수 있도록, 환기 장치(110), 공기 청정기(120) 및 주방 후드(130)를 온 동작시킬 수 있다.
상기 농도 차이값이 상기 제3 기준 농도 차이값 범위에 속하는 경우, 제어 모듈(220)은 상기 제3 기준 농도 차이값에 따라 공기 청정기(120)를 온 동작시킬 수 있다.
즉, 제어 모듈(220)은 실외 미세먼지 농도가 실내 미세먼지 농도보다 높으므로, 실외의 공기가 실내로 유입되지 않도록 하며, 실내의 공기를 현 상태로 유지하기 위해 공기 청정기(120)를 온 동작시킬 수 있다.
실시 예에서, 제어 모듈(220)는 실내, 외 미세먼지 농도, 실내 온도 및 습도를 기반으로 환기 장치(110), 공기 청정기(120) 및 주방 후드(130)의 동작을 제어하는 것으로 설명하였으나, 실내 이산화탄소 농도 및 VOCs 농도를 추가하여 제어할 수 있으며, 이에 한정을 두지 않는다.
도 10은 도 9의 (S130) 단계를 자세하게 나타낸다.
먼저, 제어 기기(180)는 상기 쾌적 범위에 속하지 않는 경우, 온도가 상기 쾌적 범위에 포함된 쾌적 온도보다 낮은지 판단하고(S210), 상기 습도가 상기 쾌적 범위에 포함된 쾌적 습도보다 낮은지 판단할 수 있다(S220).
이때, 상기 쾌적 범위는 예를 들어, 쾌적 온도가 24.4℃ 내지 26.5℃이고, 쾌적 습도가 40% 내지 55%일 수 있으며, 사용자에 의해 설정 변경할 수 있다.
(S210) 및 (S220) 단계 결과, 상기 쾌적 온도보다 낮고 상기 쾌적 습도보다 높은 경우, 제어 기기(180)는 난방 쾌적 모드로 동작하여, 난방 장치(140) 및 제습기(170) 중 적어도 하나를 동작시킬 수 있다(S230).
또한, (S210) 및 (S220) 단계 결과, 상기 쾌적 온도보다 낮고 상기 쾌적 습도보다 낮은 경우, 제어 기기(180)는 난방 쾌적 모드로 동작하여, 난방 장치(140)를 동작시킬 수 있다(S240).
(S210) 및 (S220) 단계 결과, 상기 쾌적 온도보다 높고 상기 쾌적 습도에 속하는 경우, 제어 기기(180)는 냉방 쾌적 모드로 동작하여, 난방 장치(140)를 동작시킬 수 있다(S250).
또한, (S210) 및 (S220) 단계 결과, 상기 쾌적 온도보다 높고 상기 쾌적 습도보다 낮은 경우, 제어 기기(180)는 냉방 쾌적 모드로 동작하여, 냉방 장치(150) 및 가습기(160) 중 적어도 하나를 동작시킬 수 있다(S260).
도 11은 본 발명의 제2 실시 예에 따른 실내 환경 제어 시스템의 구성을 나타낸 제어 블록도이다.
도 11을 참조하면, 실내 환경 제어 시스템(300)은 환기 장치(310), 공기 청정기(320), 주방 후드(330), 난방 장치(340), 냉방 장치(350), 가습기(360), 제습기(370) 및 제어 기기(380)를 포함할 수 있다.
실시 예에서, 실내 환경 기기(미도시)는 환기 장치(310), 공기 청정기(320) 및 주방 후드(330)를 포함할 수 있으며, 실내의 공기질을 개선하기 위한 장치들일 수 있으며, 이에 한정을 두지 않는다.
열쾌적 기기(미도시)는 난방 장치(340), 냉방 장치(350), 가습기(360) 및 제습기(370)를 포함할 수 있으며, 실내의 온도 및 습도를 조절하여 열쾌적성을 개선할 수 있는 장치들일 수 있으며, 이에 한정을 두지 않는다.
환기 장치(310)는 에너지를 사용하는 강제 환기 장치로써, 온도 및 습도에 대한 제어 기능은 다소 약하지만 실내 공기질을 개선할 수 있는 기능을 수행할 수 있다.
공기 청정기(320)는 실내 공기에 포함된 이물질을 제거하여 실내 공기질을 개선할 수 있는 기능을 수행할 수 있다.
주방 후드(330)는 요리시 발생하는 이산화탄소 및 냄새 등을 외부로 배출할수 있으며, 실내 공기질을 개선할 수 있는 기능을 부가적으로 수행할 수 있다.
난방 장치(340)는 실내의 온도를 높여 난방 기능을 수행할 수 있으며, 냉방 장치(350)는 난방 장치(340)와 다르게 실내의 온도를 낮추는 냉방 기능을 수행할 수 있다.
가습기(360) 및 제습기(370)는 실내의 습도를 조절할 수 있는 기능을 수행할 수 있다.
제어 기기(380)는 센서 모듈(410) 및 제어 모듈(420)을 포함할 수 있다.
센서 모듈(410)은 실내의 온도, 습도, 실내 미세먼지 농도 및 실외 미세먼지 농도를 측정할 수 있는 복수의 센서를 포함할 수 있으며, 이에 한정을 두지 않는다.
예를 들어, 상기 복수의 센서는 온도 센서, 습도 센서, 냄새 센서, 먼지 센서 등을 포함할 수 있으며, 이에 한정을 두지 않는다.
또한, 센서 모듈(420)는 실내 영상을 촬영할 수 있는 이미지 센서를 포함할 수 있다.
제어 모듈(420)은 산출 모듈(430), 영상 분석 모듈(440) 및 동작 모듈(450)을 포함할 수 있다.
산출 모듈(430)은 실내 미세먼지 농도 및 실외 미세먼지 농도를 비교하여 농도 차이값을 산출할 수 있다.
여기서, 상기 농도 차이값은 실내 미세먼지 농도에 실외 미세먼지 농도를 차감한 값이며, 예를 들어 마이너스(-) 값을 가지는 경우 실외 미세먼지 농도가 실내 미세먼지 농도보다 높으며, 플러스(+) 값을 가지는 경우 실내 미세먼지 농도가 실외 미세먼지 농도보다 높음을 의미한다.
먼저, 실내의 온도 및 습도가 입력되는 경우, 동작 모듈(450)은 온도 및 습도가 설정된 쾌적 범위에 속하는지 여부를 판단할 수 있다.
영상 분석 모듈(440)은 센서 모듈(420)에 포함된 상기 이미지 센서로부터 촬영된 실내 영상을 기반으로 재실자의 행동을 분석할 수 있다.
즉, 영상 분석 모듈(440)은 재실자의 행동, 예를 들면 청소, 운동, 요리 등에 따라 발생할 수 있는 미세먼지 발생 농도를 유추할 수 있다.
여기서, 상기 미세먼지 발생 농도는 재실자의 행동에 따라 현재시점 이후에 발생하는 미세먼지 농도의 예측값일 수 있다.
동작 모듈(450)은 실내의 공기질을 개선하기 이전에, 온도 및 습도가 상기 쾌적 범위에 속하는지 판단하여, 열쾌적성을 높일 수 있다.
상기 쾌적 범위는 예를 들어, 쾌적 온도가 24.4℃ 내지 26.5℃이고, 쾌적 습도가 40% 내지 55%일 수 있으며, 사용자에 의해 설정 변경할 수 있다.
상기 온도가 상기 쾌적 온도보다 낮고, 상기 습도가 상기 쾌적 습도보다 높은 경우, 동작 모듈(450)은 난방 쾌적 모드로 동작하여, 난방 장치(340) 및 제습기(370) 중 적어도 하나를 동작시킬 수 있다.
또한, 상기 온도가 상기 쾌적 온도보다 낮고, 상기 습도가 상기 쾌적 습도에 속하는 경우, 동작 모듈(450)은 난방 쾌적 모드로 동작하여 난방 장치(340)를 동작시킬 수 있다.
상기 온도가 상기 쾌적 온도보다 높고 상기 습도가 상기 쾌적 습도보다 낮은 경우, 동작 모듈(450)은 냉방 쾌적 모드로 동작하여, 냉방 장치(350) 및 가습기(360) 중 적어도 하나를 동작시킬 수 있다.
상기 온도가 상기 쾌적 온도보다 높고 상기 습도가 상기 쾌적 습도보다 높은 경우, 동작 모듈(450)은 냉방 쾌적 모드로 동작하여, 냉방 장치(350) 및 제습기(360) 중 적어도 하나를 동작시킬 수 있다.
동작 모듈(450) 은 산출 모듈(430)로부터 농도 차이값 및 영상 분석 모듈(440)로부터 입력된 미세먼지 발생 농도를 기반으로 환기 장치(310), 공기 청정기(320) 및 주방 후드(330) 적어도 하나의 동작을 제어할 수 있다.
여기서, 동작 모듈(450)은 미세먼지 발생 농도를 기반으로 환기 장치(310), 공기 청정기(320) 및 주방 후드(330) 중 적어도 하나의 동작시간을 조절할 수 있다.
예를 들어, 동작 모듈(450)은 미세먼지 발생 농도가 설정된 기준 발생 농도보다 높은 경우 환기 장치(310), 공기 청정기(320) 및 주방 후드(330) 중 적어도 하나의 동작시간을 증가시킬 수 있다.
이후, 난방 또는 냉방 쾌적 모드로 동작하는 경우, 동작 모듈(450)은 농도 차이값이 제1 내지 제3 기준 농도 차이값 범위 중 어느 하나에 속하는지 여부를 판단할 수 있다.
우선, 상기 제1 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높은 범위이며, 상기 제2 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 상기 제1 기준 농도 차이값 범위보다 큰 범위일 수 있다.
상기 제3 기준 농도 차이값 범위는 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 낮은 범위를 나타낼 수 있다.
상기 농도 차이값이 상기 제1 기준 농도 차이값 범위에 속하는 경우, 동작 모듈(450)은 상기 제1 기준 농도 차이값에 따라 환기 장치(310) 및 주방 후드(330)를 온 동작시킬 수 있다.
즉, 동작 모듈(450)은 실내 미세먼지 농도가 실외 미세먼지 농도보다 높으므로, 실내의 공기를 실외로 배출하기 위해, 환기 장치(310) 및 주방 후드(330)를 온 동작시킬 수 있다.
이때, 동작 모듈(450)은 환기 장치(310) 및 주방 후드(330)가 펜을 포함하는 경우, 상기 펜의 속도를 조절할 수 있다.
상기 농도 차이값이 상기 제2 기준 농도 차이값 범위에 속하는 경우, 동작 모듈(450)은 상기 제2 기준 농도 차이값에 따라 환기 장치(310), 공기 청정기(320) 및 주방 후드(330)를 온 동작시킬 수 있다.
즉, 동작 모듈(450)은 실내 미세먼지 농도가 실외 미세먼지 농도보다 높으므로, 실내의 공기를 실외로 배출하고 실내의 공기를 정화할 수 있도록, 환기 장치(310), 공기 청정기(320) 및 주방 후드(330)를 온 동작시킬 수 있다.
상기 농도 차이값이 상기 제3 기준 농도 차이값 범위에 속하는 경우, 동작 모듈(450)은 상기 제3 기준 농도 차이값에 따라 공기 청정기(320)를 온 동작시킬 수 있다.
즉, 동작 모듈(450)은 실외 미세먼지 농도가 실내 미세먼지 농도보다 높으므로, 실외의 공기가 실내로 유입되지 않도록 하며, 실내의 공기를 현 상태로 유지하기 위해 공기 청정기(320)를 온 동작시킬 수 있다.
본 발명에 따른 실내 환경 제어 시스템(300)은 실내의 온도 및 습도를 고려하여 열쾌적성을 높일 수 있으며, 실내의 실내 미세먼지 농도와 실외 미세먼지 농도 및 재실자 행동을 고려하여, 실내의 공기질을 개선할 수 있는 이점이 있다.
이상에서 실시 예들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 예에 포함되며, 반드시 하나의 실시 예에만 한정되는 것은 아니다. 나아가, 각 실시 예에서 예시된 특징, 구조, 효과 등은 실시 예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (13)

  1. 환기 장치, 공기 청정기 및 주방 후드를 포함하는 실내 환경 기기;
    난방 장치, 냉방 장치, 가습기, 제어기를 포함하는 열쾌적기기; 및
    실내의 온도 및 습도가 설정된 쾌적 범위에 속하는 경우, 실내 미세먼지 농도 및 실외 미세먼지 농도를 기반으로 상기 실내 환경 기기 및 상기 열쾌적기기 중 적어도 하나의 동작을 제어하는 제어 기기를 포함하는,
    실내 환경 제어 시스템.
  2. 제 1 항에 있어서,
    상기 제어 기기는,
    상기 온도, 상기 습도, 상기 실내 미세먼지 농도 및 상기 실외 미세먼지 농도를 측정하는 센서 모듈; 및
    상기 온도 및 상기 습도가 상기 쾌적 범위에 속하는 경우, 상기 실내 미세먼지 농도와 상기 실외 미세먼지 농도를 비교하여, 상기 환기 장치, 상기 공기 청정기 및 상기 주방 후드 중 적어도 하나 동작을 제어하는 제어 모듈을 포함하는,
    실내 환경 제어 시스템.
  3. 제 2 항에 있어서,
    상기 제어 모듈은,
    상기 실내 미세먼지 농도 및 상기 실외 미세먼지 농도를 비교하여 농도 차이값을 산출하는 산출 모듈; 및
    상기 농도 차이값에 따라 상기 환기 장치, 상기 공기 청정기 및 상기 주방 후드 중 적어도 하나의 동작을 제어하는 동작 모듈을 포함하는,
    실내 환경 제어 시스템.
  4. 제 3 항에 있어서,
    상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제1 기준 농도 차이값 범위에 속하는 경우,
    상기 동작 모듈은,
    상기 제1 기준 농도 차이값에 따라 상기 환기 장치 및 상기 주방 후드를 온 동작시키는,
    실내 환경 제어 시스템.
  5. 제 3 항에 있어서,
    상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제2 기준 농도 차이값 범위에 속하는 경우,
    상기 동작 모듈은,
    상기 제2 기준 농도 차이값에 따라 상기 환기 장치, 상기 주방 후드 및 상기 공기 청정기를 온 동작시키는,
    실내 환경 제어 시스템.
  6. 제 3 항에 있어서,
    상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 낮으며 제3 기준 농도 차이값 범위에 속하는 경우,
    상기 동작 모듈은,
    상기 제3 기준 농도 차이값에 따라 상기 공기 청정기를 온 동작시키는,
    실내 환경 제어 시스템.
  7. 제 1 항에 있어서,
    상기 난방 장치 및 상기 냉방 장치 중 적어도 하나의 동작 상태를 판단하는 동작 상태 판단 장치를 더 포함하고,
    상기 동작 상태 판단 장치는
    임의의 실내 및 실외의 환경데이터를 측정하는 센서;
    상기 실내를 냉난방하는 냉난방 장치의 동작상태 데이터를 수집하는 수집 장치; 및
    상기 환경데이터와 상기 동작상태 데이터에 기초하여 기계학습 모델을 트레이닝하여 환경데이터에 대한 냉난방 장치의 동작상태를 예측하기 위한 학습모델을 생성하는 학습 장치를 포함하는
    실내 환경 제어 시스템.
  8. 제 2 항에 있어서,
    상기 제어 기기는
    전자기기별로 소비되는 소비 전력값을 측정하는 전력 계측 모듈을 더 포함하고,
    상기 제어 모듈은
    상기 센서 모듈이 측정한 실내 환경값 및 상기 소비 전력값을 설정된 재실자 행동 분류 모델에 적용하여 실내에 위치하는 재실자의 행동 정보를 추출하고, 상기 실내 환경값이 상기 행동 정보에 대응하는 기준 실내 환경값으로 유지되게 상기 실내 환경 기기를 제어하는
    실내 환경 제어 시스템.
  9. 실내의 온도, 습도, 실내 미세먼지 농도 및 실외 미세먼지 농도를 측정하는 단계;
    상기 온도 및 상기 습도가 설정된 쾌적 범위에 속하는지 판단하는 단계;
    상기 쾌적 범위에 속하는 경우, 상기 실내 미세먼지 농도와 상기 실외 미세먼지 농도를 비교하여 농도 차이값을 산출하는 단계; 및
    상기 농도 차이값을 기반으로 실내 환경 기기에 포함된 환기 장치, 공기 청정기 및 주방 후드 중 적어도 하나의 동작을 제어하는 단계를 포함하는,
    실내 환경 제어 시스템의 동작방법.
  10. 제 9 항에 있어서,
    상기 쾌적 범위에 속하지 않는 경우,
    상기 온도 및 상기 습도가 상기 쾌적 범위에 속하도록 난방 장치, 냉방 장치, 가습기 및 제습기 중 적어도 하나를 동작시키는 단계를 더 포함하는,
    실내 환경 제어 시스템의 동작방법.
  11. 제 9 항에 있어서,
    상기 동작을 제어하는 단계는,
    상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제1 기준 농도 차이값 범위에 속하면, 상기 제1 기준 농도 차이값에 따라 상기 환기 장치 및 상기 주방 후드를 온 동작시키는,
    실내 환경 제어 시스템의 동작방법.
  12. 제 9 항에 있어서,
    상기 동작을 제어하는 단계는,
    상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 높으며 제2 기준 농도 차이값 범위에 속하면, 상기 제2 기준 농도 차이값에 따라 상기 환기 장치, 상기 주방 후드 및 상기 공기 청정기를 온 동작시키는,
    실내 환경 제어 시스템의 동작방법.
  13. 제 9 항에 있어서,
    상기 동작을 제어하는 단계는,
    상기 농도 차이값이 상기 실내 미세먼지 농도가 상기 실외 미세먼지 농도보다 낮으며 제3 기준 농도 차이값 범위에 속하면, 상기 제3 기준 농도 차이값에 따라 상기 공기 청정기를 온 동작시키는,
    실내 환경 제어 시스템의 동작방법.
PCT/KR2022/010683 2021-07-27 2022-07-21 실내 환경 제어 시스템 및 그 동작방법 WO2023008825A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/289,041 US20240219050A1 (en) 2021-07-27 2022-07-21 Indoor environment control system and operation method thereof

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR1020210098280A KR102508130B1 (ko) 2020-07-28 2021-07-27 실내 환경 제어 시스템 및 그 동작방법
KR10-2021-0098282 2021-07-27
KR1020210098282A KR102650015B1 (ko) 2020-07-28 2021-07-27 실내 환경 관리 장치 및 그 동작방법
KR10-2021-0098280 2021-07-27
KR1020210104447A KR20230022546A (ko) 2021-08-09 2021-08-09 냉난방 설비의 동작상태 판단을 위한 학습방법 및 장치
KR10-2021-0104447 2021-08-09

Publications (1)

Publication Number Publication Date
WO2023008825A1 true WO2023008825A1 (ko) 2023-02-02

Family

ID=85087155

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/010683 WO2023008825A1 (ko) 2021-07-27 2022-07-21 실내 환경 제어 시스템 및 그 동작방법

Country Status (3)

Country Link
US (1) US20240219050A1 (ko)
KR (1) KR20230022546A (ko)
WO (1) WO2023008825A1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101866861B1 (ko) * 2017-09-26 2018-06-12 덕산메카시스 주식회사 실내외 환경 연계형 실내 환경 자동제어시스템
KR20190012295A (ko) * 2017-07-26 2019-02-11 주식회사 지알아이티 공간 환기 제어 시스템
KR20190044032A (ko) * 2016-07-29 2019-04-29 주식회사 경동나비엔 공기조화기의 제어방법
KR20190119967A (ko) * 2018-04-13 2019-10-23 삼성전자주식회사 공기 조화기 및 공기 조화기의 제어 방법
KR20210089045A (ko) * 2020-01-07 2021-07-15 엘지전자 주식회사 재실 판별 방법 및 시스템, 그리고 이를 이용한 객실 관리 시스템
KR20220014312A (ko) * 2020-07-28 2022-02-04 단국대학교 산학협력단 실내 환경 제어 시스템 및 그 동작방법
KR20220014314A (ko) * 2020-07-28 2022-02-04 단국대학교 산학협력단 실내 환경 관리 장치 및 그 동작방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190044032A (ko) * 2016-07-29 2019-04-29 주식회사 경동나비엔 공기조화기의 제어방법
KR20190012295A (ko) * 2017-07-26 2019-02-11 주식회사 지알아이티 공간 환기 제어 시스템
KR101866861B1 (ko) * 2017-09-26 2018-06-12 덕산메카시스 주식회사 실내외 환경 연계형 실내 환경 자동제어시스템
KR20190119967A (ko) * 2018-04-13 2019-10-23 삼성전자주식회사 공기 조화기 및 공기 조화기의 제어 방법
KR20210089045A (ko) * 2020-01-07 2021-07-15 엘지전자 주식회사 재실 판별 방법 및 시스템, 그리고 이를 이용한 객실 관리 시스템
KR20220014312A (ko) * 2020-07-28 2022-02-04 단국대학교 산학협력단 실내 환경 제어 시스템 및 그 동작방법
KR20220014314A (ko) * 2020-07-28 2022-02-04 단국대학교 산학협력단 실내 환경 관리 장치 및 그 동작방법

Also Published As

Publication number Publication date
KR20230022546A (ko) 2023-02-16
US20240219050A1 (en) 2024-07-04

Similar Documents

Publication Publication Date Title
WO2019151681A1 (ko) 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법
WO2018182357A1 (en) Data learning server and method for generating and using learning model thereof
EP3411634A1 (en) Data learning server and method for generating and using learning model thereof
WO2017123074A1 (ko) 전자 장치 및 이의 냉난방 제어 방법
WO2019151846A2 (ko) 공기 청정기
AU2018205958B2 (en) Ventilation system and method for controlling the same
WO2019172736A2 (ko) 필터의 교체시기 판단 방법 및 필터의 교체시기를 판단하는 공기 조화기
WO2019066301A1 (ko) 공기조화장치 및 그의 제어 방법
WO2019221430A1 (en) Method for controlling a ceiling type air conditioner
WO2021141189A1 (ko) 빌딩 설비 에너지 관리 제어 시스템 및 그 제어 방법
WO2013159544A1 (zh) 基于日程表的教学楼中央空调末端设备管理方法及***
WO2018131804A1 (ko) 실내에서의 효율적인 냉난방 및 에너지 절약을 위한 온도 성층화 개선방법 및 이를 이용한 난방제어 시스템
WO2020199330A1 (zh) 家电设备及其控制权限分享方法、控制终端以及存储介质
WO2021010695A1 (ko) 의류 관리기 및 그 제어 방법
WO2012177072A2 (en) Dehumidification-type air cleaner and control method thereof
WO2020130308A1 (ko) 공기 조화 장치 및 그 제어 방법
WO2019168349A1 (en) Compound control apparatus and method thereof in air conditioning system
WO2018186623A1 (en) Air conditioner and method for controlling the same
WO2023008825A1 (ko) 실내 환경 제어 시스템 및 그 동작방법
WO2020004972A1 (en) Automatic control artificial intelligence device and method for updating a control function
WO2018230864A2 (ko) 외부광을 반영하여 객체의 뎁스를 센싱하는 방법 및 이를 구현하는 장치
KR102508130B1 (ko) 실내 환경 제어 시스템 및 그 동작방법
WO2019240514A1 (ko) 공기 정화 장치 및 이를 제어하는 방법
WO2019221458A1 (ko) 공기 조화 장치 및 이의 제어 방법
WO2019031778A1 (en) AIR CONDITIONER AND ITS CONTROL METHOD

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: 22849801

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18289041

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2301007382

Country of ref document: TH

NENP Non-entry into the national phase

Ref country code: DE