| 1 |
1
냉난방 시스템의 온도 조절기(1) 조작에 따른 과거의 온도조절 설정 시간 및 설정 온도에 대한 데이터를 수집 및 기록하는 이력정보 수집모듈(10)과;설정된 기간 동안 수집된 상기 온도조절 설정 시간 데이터를 K-평균 클러스터링(K-mean clustering) 알고리즘에 적용하여 장래 사용자의 요일별 온도조절 설정 시간을 학습하는 설정 시간 예측모듈(20)과;상기 K-평균 클러스터링 알고리즘에서 생성된 각 클러스터별로 상기 수집된 설정 온도 데이터를 나이브 베이즈(Naive Bayes) 알고리즘에 적용하여 장래 사용자의 요일별 설정 온도를 학습하는 설정 온도 예측모듈(30); 및상기 학습을 통해 추정된 온도조절 설정 시간 및 설정 온도 정보를 입력받아 설정된 단위 기간 동안 상기 온도 조절기(1)를 자율 제어하는 스케쥴러(40);를 포함하고, 상기 설정 시간 예측모듈(20)은,매 요일마다 수집된 상기 온도조절 설정 시간 데이터에 대해 상기 K-평균 클러스터링 알고리즘을 적용하되, 클러스터의 중심값(centroid)을 요일당 온도조절 설정 시간 값으로 추정하고, 상기 설정 시간 예측모듈(20)은,상기 클러스터의 개수를 결정하는 K값을 팔꿈치(elbow) 방법에 의해 선택하되, 상기 팔꿈치 방법은 각 K값에 따라 클러스터링 했을 경우에 클러스터의 중심값과 클러스터에 속한 데이터들간의 에러 거리에 대한 제곱값의 합을 Y축으로 하고 X축은 K값으로 한 그래프에서 팔꿈치에 해당하는 점의 X축 값을 K-평균 클러스터링 알고리즘의 K값으로 선택하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 2 |
2
삭제
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 설정 온도 예측모듈(30)은,상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서 상기 나이브 베이즈 알고리즘을 적용하여 산출된 아래의 003c#수학식 1003e#에 따라 온도 셋팅 포인트 온도 추정값 를 산출하여 상기 장래의 설정 온도로 학습하되,003c#수학식 1003e# 여기서, k는 상기 K-평균 클러스터링 알고리즘에서 선택된 K값, 는 수집된 설정 온도값을 상기 K-평균 클러스터링 알고리즘에 의해 클러스터링한 클러스터의 중심값이며, 는 상기 나이브 베이즈 정리에 의해 계산되는 상기 의 후험적 확률인 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 5 |
5
제4항에 있어서,상기 설정 온도 예측모듈(30)은,상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서 수집된 과거의 설정 온도값 데이터들의 집합 set(STi)(i=1, 2,…, K값); 및상기 i-th 구간 [TSTi-1, TSTi]에서 수집된 과거의 측정 온도값 데이터들의 집합 set(Ti)(i=1, 2,…, K값);를 포함하여 상기 나이브 베이즈 정리에 적용하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 6 |
6
제5항에 있어서,상기 설정 온도 예측모듈(30)은,상기 set(STi)(i=1, 2,…, K값)에 속하는 데이터들을 상기 K-평균 클러스터링 알고리즘을 사용하여 클러스터링하고, 각 클러스터를 해당 클러스터의 중심값들로 각각 표시한 (k=1, 2,…,K값)에 대해 아래의 003c#수학식 2003e#와 같이 선험적 확률을 계산하여 상기 후험적 확률 산출식에 적용하며,003c#수학식 2003e#여기서, 는 들의 집합, |A|는 A의 원소 개수인 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 7 |
7
제6항에 있어서,상기 설정 온도 예측모듈(30)은,상기 set(Ti)(i=1, 2,…, K값)에 속하는 데이터들을 상기 K-평균 클러스터링 알고리즘을 사용하여 클러스터링하고, 각 클러스터를 해당 클러스터의 중심값들로 각각 표시한 (k=1, 2,…,K값)들의 집합 을 상기 후험적 확률 산출식에 적용하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 8 |
8
제7항에 있어서,상기 설정 온도 예측모듈(30)은,상기 의 후험적 확률 을 아래의 003c#수학식 3003e#에 의해 계산하고,003c#수학식 3003e#상기 003c#수학식 3003e#의 를 아래의 003c#수학식 4003e#에 의해 계산하며,003c#수학식 4003e#여기서, 는 클러스터 가운데 클러스터 에 가장 가까운 측정 온도 데이터의 집합이고, 는 추정된 온도조절 설정 시간의 구간 [TSTi-1, TSTi]에서 수집된 설정 온도 데이터 중 상기 클러스터 에 가장 가까운 설정 온도 데이터의 집합인 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 9 |
9
제8항에 있어서,상기 설정 온도 예측모듈(30)은, 상기 수집된 측정 온도 데이터의 확률은 아래의 003c#수학식 5003e#에 의해 계산하고,003c#수학식 5003e#또한 아래의 003c#수학식 6003e#에 의해 상기 후험적 확률이 계산되며,003c#수학식 6003e#상기 추정된 온도조절 설정 시간의 i-th 구간 [TSTi-1, TSTi]에서의 후험적 확률의 계산값을 상기 온도 셋팅 포인트 온도 추정값으로 설정하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 10 |
10
제1항 및 제4항 내지 제9항 중 어느 하나의 항에 있어서,외기 온도를 측정하는 온도 센서(51); 및상기 K-평균 클러스터링 알고리즘에서 데이터 클러스터의 개수를 결정하는 K값에 가중치를 부여하는 K값 선택기(52);를 더 포함하되,상기 K값 선택기(52)는 상기 온도 센서(51)에 의해 측정된 외기 온도를 분석하여 일교차가 큰 계절일수록 상기 K값의 가중치를 크게 하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
| 11 |
11
제1항 및 제4항 내지 제9항 중 어느 하나의 항에 있어서,상기 냉난방 시스템의 온도 조절기(1)가 조작된 시간 간격이 설정된 시간 미만인 경우 상기 이력정보 수집모듈(10)에서 데이터를 수집하지 못하도록 차단 또는 삭제하는 유효 데이터 필터(60);를 더 포함하는 것을 특징으로 하는 사용자 이용 패턴의 학습을 기반으로 온도 설정 스케쥴링이 가능한 스마트 온도 조절기
|
