[go: up one dir, main page]

KR20220162530A - 공기조화기, 공기조화기의 제어 방법 및 제어 시스템 - Google Patents

공기조화기, 공기조화기의 제어 방법 및 제어 시스템 Download PDF

Info

Publication number
KR20220162530A
KR20220162530A KR1020210071088A KR20210071088A KR20220162530A KR 20220162530 A KR20220162530 A KR 20220162530A KR 1020210071088 A KR1020210071088 A KR 1020210071088A KR 20210071088 A KR20210071088 A KR 20210071088A KR 20220162530 A KR20220162530 A KR 20220162530A
Authority
KR
South Korea
Prior art keywords
temperature
air conditioner
information
server device
artificial intelligence
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
KR1020210071088A
Other languages
English (en)
Inventor
김경재
김주유
송형선
신동준
유미영
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210071088A priority Critical patent/KR20220162530A/ko
Priority to US17/829,767 priority patent/US20220381472A1/en
Publication of KR20220162530A publication Critical patent/KR20220162530A/ko
Pending legal-status Critical Current

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
    • F24F11/62—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
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • 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
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • 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
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • 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
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • 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
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • 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
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air
    • 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
    • F24F2110/30—Velocity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

공기조화기가 설정 온도 또는 풍속 강도를 조절하는 동작 방법이 개시될 수 있다. 구체적으로, 서버 장치와 통신하는 통신부; 하나 이상의 인스트럭션을 저장하는 메모리; 및 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 하나 이상의 인스트럭션을 실행함으로써, 공기조화기의 가동 시간 정보, 공기조화기의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 통신부를 통해 서버 장치에 전송하는 동작; 현재 상태 정보에 대한 응답으로, 서버 장치로부터 설정 온도 상승 요청을 통신부를 통해 수신하는 동작; 및 설정 온도 상승 요청에 따라 공기조화기의 설정 온도를 조절하는 동작을 수행하되, 설정 온도 상승 요청은, 제 1 인공지능 모델로부터 획득되는 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우에 수신되는, 공기조화기가 개시될 수 있다.

Description

공기조화기, 공기조화기의 제어 방법 및 제어 시스템{AIR CONDITIONER, METHOD FOR OPERATING BY AIR CONDITIONER, AND CONTROL SYSTEM}
본 개시의 실시예들은 공기조화기, 공기조화기의 동작 방법, 및 공기조화기와 서버 장치를 포함하는 제어 시스템에 관한 것이다. 구체적으로 본 개시의 실시예들은 인공지능 모델들을 이용하여 공기조화기의 설정 온도 또는 풍속 강도를 최적화하기 위한 제어 시스템에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙(Rule) 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
최근에는, 사용자에게 쾌적한 환경을 제공하기 위해, 청소 로봇, 공기조화기, 공기 청정기, 세탁기, 건조기 등과 같은 가전 기기에도 인공지능 기술을 적용하려는 시도들이 많이 있다.
본 개시의 다양한 실시 예에 의하면, 공기조화기의 설정 온도 또는 풍속 강도를 최적화하는 방법 및 시스템이 제공될 수 있다. 구체적으로, 본 개시의 다양한 실시 예에 의하면, 쾌적 온도보다 실내 온도가 낮아지는 과냉방이 발생하지 않도록, 인공지능 모델들을 이용하여, 공기조화기의 설정 온도 또는 풍속 강도를 제어하는 방법 및 시스템이 제공될 수 있다.
본 개시의 일 실시예에 따른 공기조화기는, 서버 장치와 통신하는 통신부; 하나 이상의 인스트럭션을 저장하는 메모리; 및 적어도 하나의 프로세서를 포함할 수 있다. 본 개시의 일 실시예에 따른 공기조화기의 적어도 하나의 프로세서는, 하나 이상의 인스트럭션을 실행함으로써, 공기조화기의 가동 시간 정보, 공기조화기의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 통신부를 통해 서버 장치에 전송하는 동작; 현재 상태 정보에 대한 응답으로, 서버 장치로부터 설정 온도 상승 요청을 통신부를 통해 수신하는 동작; 및 설정 온도 상승 요청에 따라 공기조화기의 설정 온도를 조절하는 동작을 수행하되, 설정 온도 상승 요청은, 제 1 인공지능 모델로부터 획득되는 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우에 수신될 수 있다.
본 개시의 일 실시예에 따른 공기조화기의 동작 방법은, 공기조화기의 가동 시간 정보, 공기조화기의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 서버 장치에 전송하는 단계; 현재 상태 정보에 대한 응답으로, 서버 장치로부터 설정 온도 상승 요청을 수신하는 단계; 및 설정 온도 상승 요청에 따라 공기조화기의 설정 온도를 조절하는 단계를 포함하되, 설정 온도 상승 요청은, 제 1 인공지능 모델로부터 획득되는 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우에 수신될 수 있다.
본 개시의 일 실시예에 따른 제어 시스템은, 공기조화기의 가동 시간 정보, 공기조화기의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 서버 장치에 전송하고, 현재 상태 정보에 대한 응답으로 서버 장치로부터 수신되는 설정 온도 상승 요청에 따라 공기조화기의 설정 온도를 조절하는 공기조화기; 및 제 1 인공지능 모델로부터 획득되는 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우, 설정 온도 상승 요청을 공기조화기로 전송하는 서버 장치를 포함할 수 있다.
도 1은 일반적인 공기조화기 제어 시스템을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시예에 따른 공기조화기 제어 시스템을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른 공기조화기의 동작 방법을 설명하기 위한 순서도이다.
도 4는 본 개시의 일 실시예에 따른 제 1 인공지능 모델의 학습 동작을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시예에 따른 쾌적 온도 그래프의 불안정 구간을 모델링하는 동작을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시예에 따른 쾌적 온도 그래프의 불안정 구간과 안정 구간을 설명하기 위한 도면이다.
도 7a는 본 개시의 일 실시예에 따른 복수의 풍속 값을 제 1 인공지능 모델에 적용하여 획득되는 복수의 쾌적 온도 그래프를 설명하기 위한 도면이다.
도 7b는 본 개시의 일 실시예에 따른 복수의 시간대를 제 1 인공지능 모델에 적용하여 획득되는 복수의 쾌적 온도 그래프를 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시예에 따른 제 1 인공지능 모델로부터 쾌적 온도 그래프를 획득하는 동작을 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시예에 따른 제 2 인공지능 모델로부터 예측 온도 그래프를 획득하는 동작을 설명하기 위한 도면이다.
도 10은 본 개시의 일 실시예에 따른 서버 장치가 과냉방 구간을 식별하는 동작을 설명하기 위한 도면이다.
도 11은 본 개시의 일 실시예에 따른 서버 장치가 제 2 인공지능 모델을 이용하여 공기조화기의 설정 온도를 결정하는 동작을 설명하기 위한 도면이다.
도 12는 본 개시의 일 실시예에 따른 공기조화기의 설정 온도를 조절하는 방법을 설명하기 위한 순서도이다.
도 13은 본 개시의 일 실시예에 따른 서버 장치가 소정 시간 경과 후 재 문의할 것을 공기조화기에 요청하는 동작을 설명하기 위한 도면이다.
도 14는 본 개시의 일 실시예에 따른 공기조화기가 소정 시간 경과 후 서버 장치에 설정 온도 조절을 재 문의하는 동작을 설명하기 위한 도면이다.
도 15a 및 도 15b는 본 개시의 일 실시예에 따른 공기조화기가 복수 회 설정 온도를 조절하는 동작을 설명하기 위한 도면이다.
도 16은 본 개시의 일 실시예에 따른 공기조화기가 풍속 강도를 조절하는 방법을 설명하기 위한 순서도이다.
도 17은 본 개시의 일 실시예에 따른 서버 장치가 제 1 인공지능 모델 및 제 2 인공지능 모델을 이용하여 공기조화기의 풍속 강도를 결정하는 동작을 설명하기 위한 도면이다.
도 18은 본 개시의 일 실시예에 따른 공기조화기가 설정 온도 및 풍속 강도를 조절하는 방법을 설명하기 위한 순서도이다.
도 19a 및 도 19b는 본 개시의 일 실시예에 따른 서버 장치가 설정 온도 및 풍속 강도를 결정하는 동작을 설명하기 위한 도면이다.
도 20은 본 개시의 일 실시예에 따른 서버 장치가 디스플레이 장치를 통해서 인공지능 쾌적 모드에 따른 에너지 절약 정보를 제공하는 동작을 설명하기 위한 도면이다.
도 21은 본 개시의 일 실시예에 따른 공기조화기의 기능을 설명하기 위한 블록구성도이다.
도 22는 본 개시의 일 실시예에 따른 공기조화기의 기능을 설명하기 위한 블록구성도이다.
도 23은 본 개시의 일 실시예에 따른 서버 장치의 기능을 설명하기 위한 블록구성도이다.
본 개시에서 사용되는 용어에 대해 간략히 설명하고, 본 개시의 일 실시예에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시의 일 실시예에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 본 개시의 실시예의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 본 개시에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시의 일 실시예는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시의 일 실시예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 본 개시 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일반적인 공기조화기 제어 시스템을 설명하기 위한 도면이다.
일반적으로 사용자(10)가 야외에서 활동하다가 실내에 들어온 경우, 사용자(10)의 활동 대사량이 증가되어 있는 상태여서, 사용자(10)는 실내가 무척 덥다고 느낄 수 있다. 이때, 사용자(10)는 일반적인 공기조화기(100)의 희망 온도를 최저 온도인 18도로 설정하고, 공기조화기(100)를 가동할 수 있다. 공기조화기(100)를 가동하고 T 시간이 경과하게 되면, 사용자(10)의 활동 대사량이 안정 상태에 접어들게 되면서, 사용자(10)는 실내가 춥다고 느끼게 된다. 이때, 사용자(10)는 공기조화기(100)를 끄거나, 공기조화기(100)의 설정 온도를 25도로 올릴 수 있다. 하지만, 이미 사용자(10)는 춥다고 느꼈으므로, 과냉방에 의한 불쾌적을 경험하게 된다.
도 1의 그래프들(101, 102)을 참조하여, 일반적인 공기조화기 제어 시스템에 있어서 사용자의 불쾌적한 경험에 대해서 조금 더 살펴보기로 한다.
사용자(10)가 쾌적하다고 느끼는 온도의 집합인 쾌적 온도 그래프(101)를 참조하면, 사용자(10)는 처음에는 더워서 c도 정도로 낮은 온도를 쾌적하다고 느낀다. 하지만, 시간이 경과할수록 사용자(10)의 몸에서 열이 빠져나가게 되므로, 사용자(10)가 쾌적하다고 느끼는 온도가 점점 상승하게 된다. 사용자(10)가 쾌적하다고 느끼는 온도가 특정 온도까지 상승하고 나면, 그 뒤로는 사용자(10)가 쾌적하다고 느끼는 온도가 특정 온도로 유지된다.
한편, 실내 온도 변화 그래프(102)를 참조하면, 사용자(10)가 처음에 더워서 설정 온도를 18도로 입력한 경우, 실내 온도가 점점 낮아지게 된다. 공기조화기(100)가 가동되고 20분이 경과한 시점에 사용자(10)가 춥다고 느끼고 설정 온도를 25도로 변경할 수 있다. 이 경우, 열 관성 때문에 바로 실내 온도가 상승하지 않고, r 시간 동안은 조금 더 실내 온도가 내려갔다가 r 시간이 경과 후부터 실내 온도가 상승하는 패턴으로 변경된다. 쾌적 온도 그래프(101)와 실내 온도 변화 그래프(102)를 비교하면, 사용자(10)는 20분 후에 추워서 설정 온도를 25도로 변경했지만, 사용자(10)가 설정 온도를 변경하기 전인 i 시점부터 이미 사용자(10)가 춥다고 느끼는 과냉방이 발생하게 된다. 과냉방은 실내 온도가 사용자의 쾌적 온도보다 낮아지는 것을 의미할 수 있다. 따라서, 사용자(10)가 공기조화기(100)를 가동하고 난 후 i 시점부터 실내 온도가 쾌적 온도와 유사해지는 j시점까지 사용자(10)는 계속 춥다고 느끼면서, 과냉방에 의한 불쾌적을 경험하게 된다.
그러므로, 사용자(10)가 설정했던 온도 이력을 그대로 학습하여 설정 온도를 제어는 일반적인 공기조화기 제어 시스템에 의하면, 사용자(10)가 이미 불쾌적을 경험한 후에 설정 온도를 제어하게 되며, 사용자(10)가 불쾌적하다고 느끼는 시간이 길어지게 된다. 따라서, 사용자(10)가 과냉방에 의한 불쾌적을 느끼기 전에 공기조화기(100)가 설정 온도를 효율적으로 제어하는 시스템이 필요하다. 이하에서는, 본 개시의 일 실시예에 따른 인공지능 모델들을 이용하여, 사용자가 과냉방에 의한 불쾌적을 느끼기 전에 공기조화기(100)의 설정 온도를 제어하는 시스템에 대하여 도 2를 참조하여 살펴보기로 한다.
도 2는 본 개시의 일 실시예에 따른 공기조화기 제어 시스템을 설명하기 위한 도면이다.
본 개시의 일 실시예에 따른 공기조화기 제어 시스템(이하, 제어 시스템)은 공기조화기(1000)와 서버 장치(2000)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 제어 시스템이 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 제어 시스템이 구현될 수 있다. 예를 들어, 제어 시스템은, 서버 장치(2000)에 연결된 디스플레이 장치(예컨대, 모바일 단말)를 더 포함할 수도 있다. 디스플레이 장치(미도시)는 서버 장치(2000)에서 제공하는 소정의 애플리케이션을 실행하고, 소정의 애플리케이션의 실행 창을 통해서 서버 장치(2000)에서 제공하는 정보를 표시하는 장치일 수 있다. 디스플레이 장치에 대해서는 도 20을 참조하여 후에 자세히 살펴보기로 한다. 이하에서는, 본 개시의 일 실시예에 따른 제어 시스템의 각 구성에 대해서 살펴보기로 한다.
본 개시의 일 실시예에 따른 공기조화기(1000)는, 실내 공기의 온도, 습도, 청정도 또는 기류를 적절하게 조절하는 장치일 수 있다. 공기조화기(1000)는 공기조화기(1000)를 제어하기 위한 원격 제어 장치(이하, 리모컨이라 함)를 포함할 수 있다. 또한, 공기조화기(1000)는, 적어도 하나의 센서를 통해서 실내 환경 정보를 획득할 수 있다. 예를 들어, 공기조화기(1000)는 온도 센서, 습도 센서, 먼지 센서 등을 포함할 수 있다. 공기조화기(1000)는 온도 센서를 통해서 현재 실내 온도를 측정하고, 습도 센서를 통해서 현재 실내 습도를 측정하고, 먼지 센서를 통해서 현재 실내의 먼지 값을 측정할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 외부의 장치와 통신을 수행하기 위한 통신 인터페이스를 포함할 수 있다. 예를 들어, 공기조화기(1000)는 통신 인터페이스를 통해 서버 장치(2000)와 통신을 수행할 수 있다. 통신 인터페이스는, 근거리 통신부, 이동 통신부 등을 포함할 수 있다. 근거리 통신부(short-range wireless communication interface)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication interface), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는 통신 인터페이스를 통해서 실내 환경 정보를 서버 장치(2000)에 업로드할 수 있다. 공기조화기(1000)는 주기적으로 실내 환경 정보를 서버 장치(2000)에 전송할 수도 있고, 특정 이벤트가 발생하는 경우(예컨대, 서버 장치(2000)로부터 요청이 수신된 경우)에 실내 환경 정보를 서버 장치(2000)로 전송할 수도 있다. 본 개시의 일 실시예에 의하면, 공기조화기(1000)는 현재 설정 온도, 현재 풍속(풍량으로 표현되기도 함), 기기 정보(기기 성능, 노후화 등) 등을 통신 인터페이스를 통해서 서버 장치(2000)에 전송할 수도 있고, 서버 장치(2000)에 공기조화기(1000)의 설정과 관련된 문의를 전달할 수도 있다. 공기조화기(1000)는 서버 장치(2000)로부터 문의에 대한 응답으로 온도 조절과 관련된 요청 또는 풍속 조절과 관련된 요청을 수신할 수 있다. 예를 들어, 공기조화기(1000)는 서버 장치(2000)로부터 설정 온도 유지 요청, 설정 온도 하강 요청, 설정 온도 상승 요청, 풍속 하강 요청, 풍속 상승 요청, 풍속 유지 요청 등을 수신할 수 있으나, 이에 한정되는 것은 아니다. 이하에서는, 과냉방이 발생하는 것을 방지하기 위해, 공기조화기(1000)가 설정 온도 상승 요청 또는 풍속 하강 요청을 수신하는 경우를 주된 예로 설명하기로 한다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 설정 온도 조절과 관련된 요청이 서버 장치(2000)로부터 수신되는 경우, 설정 온도를 조절할 수 있다. 공기조화기(1000)는 풍속 조절과 관련된 요청이 서버 장치(2000)로부터 수신되는 경우, 풍속 강도를 조절할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 인공 지능(AI) 프로세서를 탑재할 수 있다. 인공 지능(AI) 프로세서는, 인공 지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 공기조화기(1000)에 탑재될 수도 있다. 공기조화기(1000)는 인공 지능(AI) 프로세서를 이용하여 설정 온도를 조절하거나 풍속 강도를 조절할 수 있다. 또한, 공기조화기(1000)는 인공 지능(AI) 프로세서를 이용하여 사용자(10)의 음성을 인식하고 사용자(10)의 음성에 따른 명령을 수행할 수도 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 마이크로폰을 통해 아날로그 신호인 음성 신호를 수신하고, ASR(Automatic Speech Recognition) 모델을 이용하여 음성 신호를 컴퓨터로 판독 가능한 텍스트로 변환할 수 있다. 공기조화기(1000)는 자연어 이해(Natural Language Understanding, NLU) 모델을 이용하여 변환된 텍스트를 해석하여, 사용자(10)의 발화 의도를 획득할 수 있다. 여기서 ASR 모델 또는 NLU 모델은 인공지능 모델일 수 있다. 인공지능 모델은 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계된 인공지능 전용 프로세서에 의해 처리될 수 있다. 인공지능 모델은 학습을 통해 만들어 질 수 있다. 예를 들어, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 훈련 데이터들을 학습함으로써, 특정 기능을 수행하는 인공지능 모델로 만들어질 수 있다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다.
언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리(Natural Language Processing), 기계 번역(Machine Translation), 대화 시스템(Dialog System), 질의 응답(Question Answering), 음성 인식/합성(Speech Recognition/Synthesis) 등을 포함한다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 리모컨을 통해서 사용자(10)의 음성을 획득할 수도 있다. 공기조화기(1000)의 리모컨은, 마이크로폰을 통해서 사용자(10)의 음성 신호를 수신한 경우, 공기조화기(1000)에 음성 신호를 전달할 수 있다. 본 개시의 다른 실시예에 의하면, 서버 장치(2000)에서 ASR 모델 또는 NLU 모델이 구동되는 경우, 공기조화기(1000)의 리모컨은 무선 통신(예컨대, 와이파이 등)을 통해서 서버 장치(2000)에 음성 신호를 전달하고, 서버 장치(2000)로부터 음성 인식 결과를 수신할 수도 있다. 이 경우, 공기조화기(1000)의 리모컨은 공기조화기(1000)로 음성 인식 결과를 전달할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는 다양한 동작 모드를 제공할 수 있다. 예를 들어, 공기조화기(1000)는 인공지능 쾌적 모드, 냉방 모드, 제습 모드, 청정 모드, 무풍 모드 등을 제공할 수 있으나, 이에 한정되는 것은 아니다. 인공지능 쾌적 모드는, 인공지능 모델들을 이용하여 공기조화기(1000)의 설정을 자동으로 최적화하는 모드일 수 있다. 냉방 모드는 기본적인 냉방 운전 모드일 수 있다. 제습 모드는 공기 속의 습기를 빨아들여 실내를 쾌적하게 바꾸는 운전모드일 수 있다. 청정 모드는 실내 공기 중에 떠다니는 황사나 미세 먼지를 걸러내 쾌적한 공기를 만들어 주는 운전 모드일 수 있다. 본 개시에서는 공기조화기(1000)가 인공지능 쾌적 모드로 동작하는 경우를 예로 들어 설명하기로 한다.
본 개시의 일 실시예에 따른 서버 장치(2000)는 AI 프로세서를 포함할 수 있다. AI 프로세서는 인공신경망을 학습시켜, 사용자(10)가 쾌적하다고 느끼는 온도를 추론하기 위한 제 1 인공지능 모델(201)과 실내 온도를 예측하기 위한 제 2 인공지능 모델(202)을 생성할 수 있다. 인공신경망을 ‘학습’시킨다는 것은 데이터를 바탕으로 가중치를 적절히 바꿔주면서 인공신경망을 구성하는 뉴런들의 연결이 최적의 의사결정을 할 수 있는 수학적 모델을 만드는 것을 의미할 수 있다. 서버 장치(2000)는, 제 1 인공지능 모델(201)과 제 2 인공지능 모델(202)을 메모리에 저장할 수 있다. 서버 장치(2000)는, 제 1 인공지능 모델(201)로부터 사용자(10)의 쾌적 온도 그래프를 획득하고, 제 2 인공지능 모델(202)로부터 예측 온도 그래프를 획득할 수 있다. 쾌적 온도 그래프는 공기조화기(1000)의 가동 시간에 따라 사용자(10)가 쾌적하다고 느끼는 온도들의 집합을 의미할 수 있다. 예측 온도 그래프는 미래 시점들에서 예측되는 온도들의 집합을 의미할 수 있다. 제 1 인공지능 모델(201)과 제 2 인공지능 모델(202)에 대해서는 도 4 내지 도 9를 참조하여 후에 자세히 살펴보기로 한다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 하나의 서버로 구현될 수도 있고, 둘 이상의 서버로 구현될 수도 있고, 클라우드로 구현될 수도 있다. 또한, 서버 장치(2000)가 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)을 학습할 수도 있고, 외부 서버에서 학습된 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)을 수신하여 저장할 수도 있다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 외부의 장치와 통신을 수행하기 위한 통신 인터페이스를 포함할 수 있다. 예를 들어, 서버 장치(2000)는, 인공지능 쾌적 모드가 설정된 경우, 공기조화기(1000)로부터 설정 온도 조절에 관한 문의를 수신하고, 문의에 대한 응답을 공기조화기(1000)에 전송할 수 있다. 예컨대, 사용자(10)가 외부에 있다가 실내에 들어와서 공기조화기(1000)의 리모컨을 통해 '너무 더워, AI 쾌적 모드'라고 음성으로 입력하는 경우, 공기조화기(1000)는, 운전을 시작하면서, 동작 모드를 인공지능 쾌적 모드로 설정할 수 있다. 또한, 공기조화기(1000)는, 사용자 입력에 응답하여, "더우시군요. 빠른 냉방을 위해 희망 온도를 18도로 설정하겠습니다. 추위를 느끼시기 전에 희망 온도를 조절하겠습니다."와 같은 안내 메시지를 음성으로 출력하거나, 디스플레이에 표시해 줄 수 있다. 그리고 공기조화기(1000)는 가동 시간 정보(예컨대, 가동 시작), 설정 온도 정보(예컨대, 18도), 및 현재 실내 온도 정보(예컨대, 30도) 중 적어도 하나를 서버 장치(2000)에 전송하면서, 설정 온도 조절을 문의할 수 있다(단계 S210). 본 개시의 일 실시예에 의하면, 공기조화기(1000)는 공기조화기(1000)가 가동되는 동안 반복적으로 설정 온도 조절을 서버 장치(2000)에 문의할 수 있다.
서버 장치(2000)는, 공기조화기(1000)로부터 문의가 수신된 경우, 제 1 인공지능 모델(201)과 제 2 인공지능 모델(202)을 이용하여, 과냉방이 발생할지 여부를 예측할 수 있다(단계 S220). 예를 들어, 서버 장치(2000)는, 제 1 인공지능 모델(201)로부터 사용자(10)의 쾌적 온도 그래프를 획득하고, 공기조화기(1000)의 가동 시간 정보(예컨대, 가동 후 현재까지의 시간), 설정 온도 정보(예컨대, 18도), 및 현재 실내 온도 정보(예컨대, 30도) 중 적어도 하나에 기초하여 제 2 인공지능 모델(202)로부터 예측 온도 그래프를 획득할 수 있다. 서버 장치(2000)는, 사용자(10)의 쾌적 온도 그래프와 예측 온도 그래프를 비교한 결과, 사용자(10)의 쾌적 온도 그래프보다 예측 온도 그래프가 낮아지는 시점(예컨대, 도 1의 i 시점)부터 과냉방이 발생할 것을 예측할 수 있다. 본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 과냉방이 발생할 것이 예측되는 경우, 공기조화기(1000)로부터 문의가 수신될 때마다 적어도 하나의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 실내 온도 변화를 예측할 수 있다. 그리고 서버 장치(2000)는 실내 온도 변화 예측 값에 기초하여, 과냉방이 발생하지 않도록 하는 적절한 설정 온도를 결정할 수 있다. 서버 장치(2000)가 제 2 인공지능 모델(202)을 이용하여 적절한 설정 온도(예컨대, 25도)를 결정한 경우, 서버 장치(2000)는 공기조화기(1000)에 설정 온도 상승 요청(예컨대, 18도에서 25도로 상승)을 전송할 수 있다(단계 S230). 서버 장치(2000)가 과냉방 발생을 예측하는 동작에 대해서는 도 3을 참조하여 후에 자세히 살펴보기로 한다.
공기조화기(1000)는 서버 장치(2000)로부터 수신된 설정 온도 상승 요청에 기초하여, 설정 온도를 조절할 수 있다. 예를 들어, 공기조화기(1000)는 설정 온도 상승 요청이 수신된 시점에 설정 온도를 18도에서 25도로 변경할 수 있다. 본 개시의 일 실시예에 의하면, 공기조화기(1000)는 음성으로 설정 온도가 조절되었음을 안내해 줄 수도 있다. 또한, 공기조화기(1000)는 디스플레이를 통해 출력되는 설정 온도를 18도에서 25도로 변경하여 표시할 수도 있다.
따라서, 본 개시의 일 실시예에 따른 공기조화기 제어 시스템에 의하면, 제 1 인공지능 모델(201)과 제 2 인공지능 모델(202)을 이용하여, 사용자(10)가 과냉방으로 인한 불쾌적을 경험하기 전에 공기조화기(1000)의 설정 온도를 적절히 조절해 줄 수 있다. 또한, 본 개시의 일 실시예에 따른 공기조화기 제어 시스템에 의하면, 과냉방으로 인해 에너지가 낭비되는 것을 방지할 수 있으며, 과냉방으로 인해 발생되는 건강 문제(예컨대, 냉방병)를 예방하는데도 도움이 될 수 있다.
한편, 본 개시의 다른 실시예에 의하면, 서버 장치(2000)의 동작을 공기조화기(1000) 또는 실내의 다른 외부 장치(예컨대, 공기청정기, 냉장고, TV, 청소 로봇, AI 스피커 등)가 수행할 수도 있다.
이하에서는, 공기조화기(1000)가 인공지능 쾌적 모드로 동작하면서, 과냉방이 발생하지 않도록 설정 온도를 제어하는 방법에 대해서 도 3을 참조하여 자세히 살펴보기로 한다.
도 3은 본 개시의 일 실시예에 따른 공기조화기의 동작 방법을 설명하기 위한 순서도이다.
단계 S310에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다. 이때, 공기조화기(1000)는 서버 장치(2000)에 설정 온도 조절을 문의할 수 있다.
본 개시의 일 실시예에 의하면, 현재 상태 정보는 공기조화기(1000)의 가동 시간 정보, 공기조화기(1000)의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 현재 상태 정보는 풍속 정보, 기기 성능 정보, 실내 습도 정보 등을 더 포함할 수도 있다.
공기조화기(1000)의 가동 시간 정보는 공기조화기(1000)가 가동을 시작한 후 현재까지 경과한 시간을 나타내는 정보(예컨대, 5분, 10분, 20분 등)일 수 있다. 공기조화기(1000)의 설정 온도 정보는 공기조화기(1000)에 설정되어 있는 희망 온도(예컨대, 24 ℃)에 관한 정보일 수 있다. 현재 실내 온도 정보는 공기조화기(1000)의 온도 센서를 통해서 획득되는 실내 온도 값(예컨대, 29℃ 등)을 포함할 수 있다. 풍속 정보는 공기조화기(1000)에 현재 설정되어있는 풍속 단계에 관한 정보(예컨대, 무풍, 약, 중, 강 또는 0단계(무풍), 1단계, 2단계, 3단계, 4단계, 5단계, Max 단계 등)일 수 있다. 기기 성능 정보는 공기조화기(1000)의 성능에 관한 정보로서, 예를 들어, 하드웨어 성능 정보, 노후화 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 실내 습도 정보는 공기조화기(1000)의 습도 센서를 통해 획득되는 실내 습도 값(예컨대, 50%) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 따른 공기조화기(1000)는, 인공지능 쾌적 모드로 동작하는 중에 반복적으로 서버 장치(2000)에 현재 상태 정보를 전송하면서 설정 온도 조절을 문의할 수 있다. 예를 들어, 공기조화기(1000)는, 서버 장치(2000)에서 지정해주는 시점에 설정 온도 조절을 서버 장치(2000)에 문의할 수도 있고, 소정 주기로 설정 온도 조절을 서버 장치(2000)에 문의할 수도 있다.
단계 S320에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 현재 상태 정보에 대한 응답으로 서버 장치(2000)로부터 설정 온도 상승 요청을 수신할 수 있다.
예를 들어, 공기조화기(1000)는, 제 1 인공지능 모델(201)로부터 획득되는 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우, 서버 장치(2000)로부터 설정 온도 상승 요청을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 설정 온도 상승 요청은, 설정 온도 값을 포함할 수 있다. 또한, 설정 온도 상승 요청은, 다음 문의 시점 정보(예컨대, 5분 후)를 포함할 수도 있다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 공기조화기(1000)로부터 현재 상태 정보가 수신되는 경우, 제 1 인공지능 모델(201)로부터 쾌적 온도 그래프를 획득하고, 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 제 1 예측 온도 그래프를 획득할 수 있다. 서버 장치(2000)는, 쾌적 온도 그래프와 제 1 예측 온도 그래프를 비교하여, 과냉방 구간을 식별할 수 있다.
본 개시의 일 실시예에 의하면, 쾌적 온도 그래프는, 공기조화기(1000)의 가동 시간에 따라 사용자가 쾌적하다고 느끼는 온도들의 집합일 수 있다. 쾌적 온도 그래프는 실선 형태일 수도 있고, 점의 집합 형태일 수도 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 쾌적 온도 그래프는, 공기조화기(1000)의 가동 시간에 따라 쾌적 온도가 변화하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함할 수 있다. 예를 들어, 사용자는 공기조화기(1000)를 작동하기 전에는 더워서 낮은 온도를 쾌적하다고 느끼지만, 공기조화기(1000)가 가동된 후 시간이 경과할수록 사용자의 몸에서 열이 빠져나가게 되므로, 사용자가 쾌적하다고 느끼는 온도가 점점 상승하게 된다. 그리고 공기조화기(1000)가 가동된 뒤 소정 시간이 경과하면 인체 또는 실내 온도는 열평형 상태에 들어서게 되고 사용자가 쾌적하다고 느끼는 온도도 특정 온도로 계속 유지된다.
본 개시의 일 실시예에 의하면, 쾌적 온도 그래프는, 사용자의 쾌적 온도를 추론하는 제 1 인공지능 모델(201)로부터 획득될 수 있다. 제 1 인공지능 모델(201)은, 사용자 설정 정보(예컨대, 제 1 시점의 설정 온도, 가동 후 제 1 시점까지의 가동 시간 등), 환경 정보(예컨대, 실내 온도, 실외 온도, 실내 습도, 실외 습도, 실내 온도와 실외 온도 차, 실내 습도와 실외 습도 차 등), 기기 정보(예컨대, 풍속 정보) 등을 학습하여, 쾌적 온도를 추론하도록 구성된 모델일 수 있다. 제 1 인공지능 모델(201)에 대하여는 도 4를 참조하여 후에 자세히 살펴보기로 한다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 공기조화기(1000)의 가동 시점 정보, 공기조화기(1000)의 풍속 정보, 실내 습도 정보, 실외 습도 정보, 실외 온도 정보, 실내 습도와 실외 습도의 차, 실내 온도와 실외 습도의 차 중 적어도 하나를 제 1 인공지능 모델(201)에 적용하여 쾌적 온도 그래프를 획득할 수 있으나, 이에 한정되는 것은 아니다. 가동 시점 정보는 공기조화기(1000)가 가동되고 있는 시각 또는 시간대에 관한 정보일 수 있다. 예를 들어, 가동 시점 정보는 오전, 오후, 저녁, 밤, 정오, 새벽 등의 시간대 정보를 포함할 수 있고, 몇 시 몇 분 등의 시각 정보를 포함할 수 있다.
예를 들어, 서버 장치(2000)는, 제 1 인공지능 모델(201)을 이용하여, 공기조화기(1000)의 풍속이 '약'이고, 시간대가 '저녁'이고, 실내 습도가 60%'인 제 1 조건에서 공기조화기(1000)의 가동 시간에 따라 사용자가 쾌적하다고 느끼는 온도들의 집합을 쾌적 온도 그래프로 획득할 수 있다.
본 개시의 일 실시예에 의하면, 사용자가 쾌적하다고 느끼는 온도가 시간대, 풍속, 날씨 등에 따라 달라지므로, 제 1 인공지능 모델(201)로부터 획득되는 쾌적 온도 그래프는 시간대, 풍속의 강도, 날씨, 실내 습도, 실외 습도 등에 따라 다양하게 나타날 수 있다.
본 개시의 일 실시예에 의하면, 제 1 예측 온도 그래프는 공기조화기(1000)로부터 수신된 현재 상태 정보를 제 2 인공지능 모델(202)에 적용하여 획득될 수 있다. 제 1 예측 온도 그래프는 현재 상태 정보에 기초하여 예측되는 온도들의 집합을 의미할 수 있다. 제 1 예측 온도 그래프는 실선 형태일 수도 있고, 점의 집합 형태일 수도 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 제 1 예측 온도 그래프는, 공기조화기(1000)로부터 수신된 현재 상태 정보 이외에 부가 정보를 더 제 2 인공지능 모델(202)에 입력하여 획득될 수도 있다. 예를 들어, 제 1 예측 온도 그래프는, 공기조화기(1000)의 가동 시점 정보, 실내 습도 정보, 실외 온도 정보, 실외 습도 정보, 날씨 정보, 공기조화기(1000)의 성능 정보, 및 공기조화기(1000)가 설치된 공간 정보 중 적어도 하나를 더 제 2 인공지능 모델(202)에 입력하여 획득될 수도 있다. 공기조화기(1000)의 성능 정보는, 하드웨어 성능 정보, 노후화 정보, 모델 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 공기조화기(1000)가 설치된 공간 정보는 단열 정도에 관한 정보, 열이 발생되는 조리 장치(예컨대, 가스레인지, 인덕션 등)를 사용하는지 여부에 관한 정보, 열이 발생되는 조명 기기의 사용 여부에 관한 정보, 창문 개폐 여부에 관한 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는 부가 정보를 외부의 서버, 가전 기기, 또는 홈 네트워크 시스템 등으로부터 획득할 수 있다. 예를 들어, 서버 장치(2000)는 날씨 정보, 실외 온도 정보, 실외 습도 정보 등을 날씨 서버로부터 획득할 수 있다. 또한, 서버 장치(2000)는, 실내 습도 정보를 공기 청정기 또는 가습기로부터 획득할 수 있고, 조리 장치(예컨대, 가스레인지, 인덕션 등)로부터 조리 장치의 사용 여부에 관한 정보를 획득할 수도 있다. 서버 장치(2000)는 홈 네트워크 시스템으로부터 열이 발생되는 조명 기기의 사용 여부에 관한 정보, 창문 개폐 여부에 관한 정보 등을 획득할 수도 있다.
서버 장치(2000)는 제 1 인공지능 모델(201)로부터 획득되는 쾌적 온도 그래프와 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 획득되는 제 1 예측 온도 그래프를 비교할 수 있다. 서버 장치(2000)는, 비교 결과에 기초하여, 미래 시점에, 쾌적 온도 그래프보다 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 발생함을 식별할 수 있다.
서버 장치(2000)는, 과냉방 구간이 식별되는 경우, 공기조화기(1000)의 설정 온도를 제 1 온도로 설정하라는 정보를 포함하는 설정 온도 상승 요청을 생성할 수 있다. 본 개시의 일 실시예에 의하면, 제 1 온도는, 적어도 하나의 설정 온도를 제 2 인공지능 모델(202)에 입력하여 획득된 적어도 하나의 제 2 예측 온도 그래프와 쾌적 온도 그래프를 비교한 결과에 기초하여, 적어도 하나의 설정 온도 중에서 결정될 수 있다. 여기서, 적어도 하나의 설정 온도는 공기조화기(1000)의 현재 설정 온도보다 높은 온도일 수 있다.
예를 들어, 서버 장치(2000)는, 적어도 하나의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 적어도 하나의 제 2 예측 온도 그래프를 획득할 수 있다. 이때, 서버 장치(200)는, 적어도 하나의 제 2 예측 온도 그래프 중에서 쾌적 온도 그래프보다 낮아지지 않으며, 쾌적 온도 그래프에 수렴하는 제 2 예측 온도 그래프를 식별할 수 있다. 서버 장치(2000)는 식별된 제 2 예측 온도 그래프에 대응하는 설정 온도를 제 1 온도로 결정할 수 있다. 예컨대, 서버 장치(2000)는 제 2 인공지능 모델(202)에 설정 온도로 23도, 24도, 25도를 각각 적용하여, 복수의 제 2 예측 온도 그래프를 획득할 수 있다. 이때, 23도 및 24도에 각각 대응하는 제 2-1 예측 온도 그래프 및 제 2-2 예측 온도 그래프가 쾌적 온도 그래프보다 낮아지는 과냉방 구간이 존재하는 경우, 서버 장치(2000)는 설정 온도로 23도와 24도를 선택하지 않을 수 있다. 그리고 25도에 대응하는 제 2-3 예측 온도 그래프가 쾌적 온도 그래프보다 낮아지지 않으며, 쾌적 온도 그래프에 수렴하는 경우, 서버 장치(2000)는 설정 온도로 25도를 결정할 수 있다. 서버 장치(2000)가 설정 온도를 결정하는 동작에 대해서는 도 11을 참조하여 후에 자세히 살펴보기로 한다.
서버 장치(2000)는 설정 온도를 제 1 온도(예컨대, 25도)로 변경하라는 설정 온도 상승 요청을 공기조화기(1000)에 전송할 수 있다. 서버 장치(2000)는 소정 시간 경과 후 설정 온도 조절을 다시 문의하라고 공기조화기(1000)에 요청할 수도 있다.
단계 S330에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 설정 온도 상승 요청에 기초하여 공기조화기(1000)의 설정 온도를 조절할 수 있다. 예를 들어, 설정 온도 상승 요청에 설정 온도(희망 온도)를 제 1 온도(예컨대, 25도)로 설정하라는 정보가 포함되어 있는 경우, 공기조화기(1000)는, 설정 온도를 제 1 온도(예컨대, 25도)로 조절할 수 있다.
한편, 공기조화기(1000)는 서버 장치(2000)로부터 설정 온도 상승 요청과 함께 소정 시간 경과 후에 설정 온도 조절을 재 문의하라는 요청을 수신할 수 있다. 이 경우, 공기조화기(1000)는, 서버 장치(2000)가 지정한 소정 시간이 경과하는 경우, 현재 상태 정보를 서버 장치(2000)에 전송하면서, 설정 온도 조절을 재 문의할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 서버 장치(2000)에서 구동되는 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)을 이용하여, 사용자가 추위를 느끼지 않고, 항상 쾌적하게 느낄 수 있도록 설정 온도를 제어할 수 있다.
이하에서는 도 4를 참조하여, 사용자의 쾌적 온도를 추론하는 제 1 인공지능 모델(201)에 대해서 조금 더 살펴보기로 한다.
도 4는 본 개시의 일 실시예에 따른 제 1 인공지능 모델의 학습 동작을 설명하기 위한 도면이다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)에 포함된 AI 프로세서는 인공신경망을 학습시켜, 쾌적 온도 추론 모델을 생성할 수 있다. 여기서 쾌적 온도 추론 모델은 제 1 인공지능 모델(201)일 수 있다. 인공신경망을 ‘학습’시킨다는 것은 훈련 데이터(400)를 바탕으로 가중치를 적절히 바꿔주면서 인공신경망을 구성하는 뉴런들의 연결이 최적의 의사결정을 할 수 있는 수학적 모델을 만드는 것을 의미할 수 있다. 예를 들어, AI 프로세서는 훈련 데이터(400)를 획득하고, 훈련 데이터(400)를 이용하여 기본 머신 러닝 알고리즘을 학습시킴으로써, 쾌적 온도를 추론하기 위한 제 1 인공지능 모델(201)을 구성할 수 있다.
본 개시의 일 실시예에 의하면, 훈련 데이터(400)는, 조건 정보와 쾌적 온도 정보를 포함할 수 있다. 조건 정보는, 사용자 설정 정보(예컨대, 사용자가 설정한 희망 온도, 사용자가 희망 온도를 설정하는 시점), 환경 정보(예컨대, 실내 온도, 실내 습도, 실외 온도, 실외 습도, 실내와 실외 습도 차, 실내와 실외 온도 차, 날씨 등), 기기 정보(예컨대, 공기조화기(1000)에 현재 설정된 풍속의 강도 등) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 조건 정보는 시간대 정보(예컨대, 아침, 점심, 저녁, 새벽 등), 계절 정보, 사용자의 활동 정보(예컨대, 운동 중인지 요리 중인지 등)를 더 포함할 수도 있다. 쾌적 온도 정보는 각 조건에서 사용자가 쾌적하다고 느끼는 온도를 포함할 수 있다. 예를 들어, 사용자가 공기조화기(1000)가 가동되고 20분이 경과한 제 1 시점에 희망 온도를 18도에서 25도로 변경하였고, 제 1 시점의 풍속이 '약'이었으며, 실내 온도가 20도인 경우, 사용자는 제 1 시점에 20도가 춥다고 느낀 것이므로, 실내 온도에 2도를 더한 22도가 제 1 시점의 쾌적 온도가 될 수 있다. 따라서, 이때의 훈련 데이터(400)는 {설정 시점: 가동 후 20분, 설정 온도: 25도, 현재 실내 온도: 20도, 현재 실내 습도: 60%, 풍속: 약, 쾌적 온도: 22도}가 될 수 있다.
본 개시의 일 실시예에 의하면, 훈련 데이터(400)는 공기조화기(1000), 외부 서버 또는 적어도 하나의 가전 기기로부터 획득할 수 있다. 예를 들어, 서버 장치(2000)는 공기조화기(1000)로부터 사용자 설정 정보, 풍속 정보, 실내 온도 정보, 실내 습도 정보를 획득할 수 있다. 서버 장치(2000)는 외부 서버(예컨대 날씨 서버)로부터 날씨 정보, 실외 습도 정보, 실외 온도 정보 등을 획득할 수 있다. 서버 장치(2000)는 가습기 또는 공기청정기로부터 실내 온도 정보, 실내 습도 정보 등을 획득할 수 있다. 서버 장치(2000)는 청소 로봇으로부터 사용자의 활동이 포함된 이미지를 획득할 수도 있다. 서버 장치(2000)는 운동 기기로부터 사용자의 운동 정보를 획득할 수도 있고, 조리 장치로부터 사용자가 요리 중 인지와 관련된 정보를 획득할 수도 있다.
본 개시의 일 실시예에 의하면, 기본 머신 러닝 알고리즘은 선형 회귀 알고리즘, 또는 딥러닝 알고리즘일 수 있으나, 이에 한정되는 것은 아니다. 선형 회귀(linear regression) 알고리즘은 종속 변수 y와 한 개 이상의 독립 변수 (또는 설명 변수) X와의 선형 상관 관계를 모델링할 수 있다. 딥러닝 알고리즘은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는　기계 학습　알고리즘이다.
본 개시의 일 실시예에 의하면, 제 1 인공지능 모델(201)은 훈련 데이터(400)를 이용하여 학습함으로써, 쾌적 온도 DB(410)를 생성할 수 있다. 본 개시의 일 실시예에 의하면, 제 1 인공지능 모델(201)은 훈련 데이터(400)가 추가되거나 갱신됨에 따라, 쾌적 온도 DB(410)를 갱신할 수 있다. 본 개시의 일 실시예에 의하면, 쾌적 온도 DB(410)는 다양한 조건에 따른 사용자의 쾌적 온도 그래프를 저장하는 DB로서, 조건 정보와 사용자의 쾌적 온도 그래프를 맵핑한 테이블을 포함할 수 있다. 조건 정보에는, 시간 정보(예컨대, 공기조화기(1000)의 가동 시점 정보), 환경 정보(예컨대, 실내 습도, 실외 습도, 실내 온도, 실외 온도, 실내외 습도 차, 실내외 온도 차, 날씨 등), 기기 정보(예컨대 풍속 정보, 성능 정보) 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 쾌적 온도 DB(410)는 제 1 인공지능 모델(201)의 학습 과정에서 형성될 수도 있고, 제 1 인공지능 모델(201)의 학습이 완료된 후에 형성될 수도 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 쾌적 온도 DB(410)에는 다양한 조건에 따른 다양한 쾌적 온도 그래프가 저장될 수 있다. 다양한 쾌적 온도 그래프에 대해서는 도 7a 및 도 7b를 참조하여 후에 자세히 살펴보기로 한다.
한편, 본 개시의 일 실시예에 의하면, 제 1 인공지능 모델(201)은, 불안정 구간과 안정 구간을 포함하는 쾌적 온도 그래프를 생성하도록 구성될 수 있다. 도 5를 참조하여, 제 1 인공지능 모델(201)이 불안정 구간을 모델링하는 동작에 대해서 먼저 살펴보고, 도 6을 참조하여 제 1 인공지능 모델(201)이 안정 구간을 모델링하는 동작에 대해서 살펴보기로 한다.
도 5는 본 개시의 일 실시예에 따른 쾌적 온도 그래프의 불안정 구간을 모델링하는 동작을 설명하기 위한 도면이다.
도 5를 참조하면, AI 프로세서는 선형 회귀 알고리즘(선형 회귀 AI 모델이라고도 함)을 이용하여 쾌적 온도 그래프 중 불안정 구간의 쾌적 온도를 모델링할 수 있다. 예를 들어, 사용자가 제 1 시점에 공기조화기(1000)의 설정 온도를 올리는 경우, AI 프로세서는 "제 1 시점의 실내 온도 +1도(또는 +2도)"를 제 1 시점의 쾌적 온도로 정의할 수 있다. 그리고 AI 프로세서는 제 1 시점의 쾌적 온도와 제 1 시점의 공기조화기(1000) 가동 시간을 제 1 훈련 데이터로 저장할 수 있다. 훈련 데이터로 저장된 쾌적 온도가 2개 이상인 경우, 선형 회귀 알고리즘(선형 회귀 AI 모델)은 훈련 데이터를 학습하여, 공기조화기(1000)의 가동 시간에 따른 쾌적 온도를 추론할 수 있다.
예를 들어, 선형 회귀 알고리즘(선형 회귀 AI 모델)은 모든 점과 거리가 가장 작아지는 1차 방정식을 찾아 c와 Δ를 추정할 수 있다. 즉, 선형 회귀 알고리즘(선형 회귀 AI 모델)은 쾌적 온도 y = x*Δ + c라는 1차 방정식(500)을 획득할 수 있다. 한편, 도 5에서는, 제 1 인공지능 모델(201)이 선형 회귀 AI 모델인 경우를 예로 들어 설명하였으나, 이에 한정되는 것은 아니며, 제 1 인공지능 모델(201)은 비선형 AI 모델일 수도 있다.
도 6은 본 개시의 일 실시예에 따른 쾌적 온도 그래프의 불안정 구간과 안정 구간을 설명하기 위한 도면이다.
제 1 인공지능 모델(201)은 인체 또는 실내의 열 평형을 통해 쾌적 온도가 안정 상태에 진입했는지 여부를 판단할 수 있다. 안정 상태란 쾌적 온도가 공기조화기(1000)의 가동 시간에 따라 변하지 않고 일정하게 유지되는 상태를 의미한다. 예를 들어, 제 1 인공지능 모델(201)은, 훈련 데이터를 학습하여, 공기조화기(1000) 가동 후 소정 시간(예컨대, 30분)이 경과하였고, 일정 시간(h) 동안 공기조화기(1000)의 설정 온도 변화가 없었고, 실내 온도가 일정 범위에서 유지되었다면 안정 상태로 진입했다고 판단할 수 있다. 이 경우, 제 1 인공지능 모델(201)은 일정 시간(h) 동안의 실내 온도를 안정 구간의 쾌적 온도로 정의할 수 있다.
도 6을 참조하면, 제 1 인공지능 모델(201)은 도 5의 1차 방정식(500)에 대응하는 제 1 그래프(601)와 일정 시간(h) 동안의 실내 온도를 연결한 제 2 그래프(602)가 만나는 좌표(T, b)를 식별할 수 있다. 제 1 인공지능 모델(201)은 T 시간(603) 전에는 제1 그래프(601)를 따르고, T시간(603) 후에는 제 2 그래프(602)를 따르도록 쾌적 온도 그래프(600)를 생성할 수 있다. 예를 들어, 제 1 인공지능 모델(201)은, T시간(603) 전에는 공기조화기(1000)의 가동 시간에 따라 쾌적 온도가 변화하는 불안정 구간(610)이 존재하고, T 시간(603) 이후에는 쾌적 온도가 일정하기 유지되는 안정 구간(620)이 존재하는 쾌적 온도 그래프(600)를 출력 값으로 획득할 수 있다.
일반적으로 매우 더운 상태에서도 공기조화기(1000)를 켜고 가만히 약 30분간 있으면 열 평형을 통해 안정 상태에 진입한다. 따라서, 공기조화기(1000)를 켜는 경우, 도 6의 쾌적 온도 그래프(600)와 같은 패턴 모양은 항상 존재할 수 있다.
도 7a는 본 개시의 일 실시예에 따른 복수의 풍속 값을 제 1 인공지능 모델에 적용하여 획득되는 복수의 쾌적 온도 그래프를 설명하기 위한 도면이다.
도 7a를 참조하면, 제 1 인공지능 모델(201)은, 공기조화기(1000)의 풍속 값에 따라 다양한 쾌적 온도 그래프를 생성할 수 있다. 예를 들어, 풍속이 '약'인 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a도에서부터 b도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b도로 유지되는 제 1 쾌적 온도 그래프(701)를 획득할 수 있다.
풍속이 '중'인 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a+1도에서부터 b+1도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b+1도로 유지되는 제 2 쾌적 온도 그래프(701)를 획득할 수 있다. 풍속이 '강'인 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a+2도에서부터 b+2도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b+2도로 유지되는 제 3 쾌적 온도 그래프(703)를 획득할 수 있다. 풍속이 '무풍'인 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a-1도에서부터 b-1도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b-1도로 유지되는 제 4 쾌적 온도 그래프(704)를 획득할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)의 풍속이 강할수록 쾌적 온도는 상승하고, 풍속이 약할수록 쾌적 온도는 하강하게 된다. 본 개시의 일 실시예에 의하면, 제 1 쾌적 온도 그래프(701) 내지 제 4 쾌적 온도 그래프(704)는 쾌적 온도 DB(410)에 저장될 수 있다.
도 7b는 본 개시의 일 실시예에 따른 복수의 시간대를 제 1 인공지능 모델에 적용하여 획득되는 복수의 쾌적 온도 그래프를 설명하기 위한 도면이다.
도 7b를 참조하면, 제 1 인공지능 모델(201)은, 공기조화기(1000)가 가동되는 시점(시간대)에 따라 다양한 쾌적 온도 그래프를 생성할 수 있다. 예를 들어, 공기조화기(1000)가 한낮에 가동되는 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a도에서부터 b도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b도로 유지되는 제 5 쾌적 온도 그래프(705)를 획득할 수 있다.
공기조화기(1000)가 저녁에 가동되는 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a+1도에서부터 b+1도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b+1도로 유지되는 제 6 쾌적 온도 그래프(706)를 획득할 수 있다. 공기조화기(1000)가 오전에 가동되는 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a+1.5도에서부터 b+1.5도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b+1.5도로 유지되는 제 7 쾌적 온도 그래프(707)를 획득할 수 있다. 공기조화기(1000)가 새벽에 가동되는 경우, 제 1 인공지능 모델(201)은 불안정 구간(710)에서는 쾌적 온도가 a+2도에서부터 b+2도까지 상승하고, 안정 구간(720)에서는 쾌적 온도가 b+2도로 유지되는 제 8 쾌적 온도 그래프(708)를 획득할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)가 한낮에 가동될 때에는 쾌적 온도가 낮아지지만, 공기조화기(1000)가 오전이나 새벽에 가동될 때에는 쾌적 온도가 높아질 수 있다. 본 개시의 일 실시예에 의하면, 제 5 쾌적 온도 그래프(705) 내지 제 8 쾌적 온도 그래프(708)는 쾌적 온도 DB(410)에 저장될 수 있다.
한편, 본 개시의 일 실시예에 의하면, 사용자의 활동 정보에 따라서 쾌적 온도 그래프가 달라질 수도 있다. 예를 들어, 사용자가 운동하는 중이거나 운동한 직후인 경우, 쾌적 온도는 낮아질 수 있으며, 사용자가 책상에 앉아서 책을 읽거나 소파에 앉아서 TV를 보는 경우, 쾌적 온도는 높아질 수 있다. 본 개시의 일 실시예에 의하면, 쾌적 온도 DB(410)에는 사용자의 활동 정보에 따라 다양한 쾌적 온도 그래프가 저장될 수도 있다.
도 8은 본 개시의 일 실시예에 따른 제 1 인공지능 모델로부터 쾌적 온도 그래프를 획득하는 동작을 설명하기 위한 도면이다.
도 8을 참조하면, 본 개시의 일 실시예에 의하면, 서버 장치(2000)는 제 1 인공지능 모델(201)에 시간 정보(801), 환경 정보(802), 및 기기 정보(803) 중 적어도 하나를 적용하여, 쾌적 온도 그래프(800)를 획득할 수 있으나, 이에 한정되는 것은 아니다. 시간 정보(801)는 공기조화기(1000)의 가동 시점 정보(예컨대, 가동 시각, 시간대 등)를 포함할 수 있다. 환경 정보(802)는, 실내 습도, 실외 습도, 실내 온도, 실외 온도, 실내와 실외 간 온도 차, 실내와 실외 간 습도 차, 날씨 등을 포함할 수 있다. 기기 정보(803)는 풍속 정보, 기기 성능 정보, 기기 노후화 정보 등을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는 제 1 인공지능 모델(201)의 출력 값으로 쾌적 온도 그래프(800)를 획득할 수 있다. 예를 들어, 제 1 인공지능 모델(201)은, 시간 정보(801), 환경 정보(802), 기기 정보(803)에 기초하여 쾌적 온도 그래프(800)를 출력 값으로 생성할 수 있다. 그리고 제 1 인공지능 모델(201)은, 쾌적 온도 그래프(800)를 서버 장치(2000)의 프로세서에 전달할 수 있다. 본 개시의 일 실시예에 의하면, 제 1 인공지능 모델(201)은, 시간 정보(801), 환경 정보(802), 기기 정보(803)에 기초하여, 쾌적 온도 DB(410)에서 쾌적 온도 그래프(800)를 추출할 수도 있다. 이때, 쾌적 온도 그래프(800)는 공기조화기(1000)의 가동 시간에 따라 쾌적 온도가 상승하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 제 1 인공지능 모델(201)은 사용자의 컨텍스트 정보를 더 적용하여, 쾌적 온도 그래프(800)를 출력 값으로 획득할 수도 있다. 예를 들어, 서버 장치(2000)가 사용자의 모바일 단말(예컨대, 웨어러블 디바이스)로부터 사용자의 컨텍스트 정보(예컨대, 달리기를 마치고 집에 돌아옴)를 수집하는 경우, 제 1 인공지능 모델(201)은 사용자의 컨텍스트 정보가 반영된 쾌적 온도 그래프(800)를 출력할 수 있다. 사용자가 달리기를 마치고 집에 돌아온 경우, 일반적인 경우에 비해서 쾌적 온도 그래프(800)는 낮게 형성될 수 있다.
또한, 서버 장치(2000)가 조리 장치(예컨대, 인덕션)로부터 사용자가 조리 장치를 사용 중이라는 정보를 수집하는 경우, 제 1 인공지능 모델(201)은, 사용자가 요리 중이라는 컨텍스트 정보가 반영된 쾌적 온도 그래프(800)를 출력할 수 있다.
도 9는 본 개시의 일 실시예에 따른 제 2 인공지능 모델로부터 예측 온도 그래프를 획득하는 동작을 설명하기 위한 도면이다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)에 포함된 AI 프로세서는 인공신경망(artificial neural network, ANN)을 학습시켜 실내 온도 예측 모델을 생성할 수 있다. 여기서 실내 온도 예측 모델은 제 2 인공지능 모델(202)일 수 있다. 인공신경망을 ‘학습’시킨다는 것은 훈련 데이터를 바탕으로 가중치를 적절히 바꿔주면서 인공신경망을 구성하는 뉴런들의 연결이 최적의 의사결정을 할 수 있는 수학적 모델을 만드는 것을 의미할 수 있다. 여기서, 인공신경망은, 심층 신경망(Deep Neural Network, DNN), 순환 신경망(Recurrent Neural Network, RNN), 합성곱 신경망(Convolutional Neural Network, CNN), 제한 볼츠만 머신(Restricted Boltzmann Machine), 심층 신뢰 신경망(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
예를 들어, AI 프로세서는 훈련 데이터를 획득하고, 훈련 데이터를 이용하여 인공신경망 모델을 학습시킴으로써, 미래 시점의 실내 온도를 예측하기 위한 제 2 인공지능 모델(202)을 구성할 수 있다. 본 개시의 일 실시예에 의하면, 훈련 데이터는 사용자 설정 정보(예컨대, 사용자가 설정한 희망 온도, 사용자가 희망 온도를 설정하는 시점), 환경 정보(예컨대, 실내 온도, 실내 습도, 실외 온도, 실외 습도, 실내와 실외 습도 차, 실내와 실외 온도 차, 날씨 등), 기기 정보(예컨대, 공기조화기(1000)에 현재 설정된 풍속의 강도, 기기 성능 등), 공간 정보(예컨대, 단열 정보, 조명 기기 사용 여부, 창문 개폐 여부 등) 등을 포함할 수 있다. 예를 들어, 사용자가 공기조화기(1000)가 가동되고 20분이 경과한 제 1 시점에 희망 온도를 18도에서 25도로 변경할 수 있으며, 제 1 시점의 풍속이 '약'일 수 있고, 제 1 시점의 실내 온도는 20도일 수 있다. 그리고 제 1 시점에서 5분이 경과한 제 2 시점의 실내 온도가 21도이고, 제 1 시점에서 10분이 경과한 제 3 시점의 실내 온도가 22도일 수 있다. 이 경우, 훈련 데이터는 {설정 시점: 제 1 시점(가동 후 20분), 제 1 시점의 설정 온도: 25도, 제 1 시점의 풍속: 약, 제 1 시점의 실내 온도: 20도, 제 2 시점의 실내 온도: 21도, 제 3 시점의 실내 온도: 22도}가 될 수 있다. 제 2 인공지능 모델(202)이 다양한 훈련 데이터를 학습할수록 제 2 인공지능 모델(202)에 의해서 예측되는 온도 값의 정확도가 올라갈 수 있다.
도 9를 참조하면, 서버 장치(2000)는, 시간 정보(901), 환경 정보(902), 기기 정보(903), 공간 정보(904)를 제 2 인공지능 모델(202)에 적용하여, 예측 온도 그래프(900)를 획득할 수 있다. 본 개시의 일 실시예에 의하면, 시간 정보(901), 환경 정보(902), 기기 정보(903), 공간 정보(904) 모두가 제 2 인공지능 모델(202)에 적용되어야 하는 것은 아니며, 일부 정보만 적용될 수도 있다. 시간 정보(901)는 공기조화기(1000)의 가동 시간 정보, 공기조화기(1000)의 가동 시점 정보(예컨대, 가동 시각, 시간대 등)를 포함할 수 있다. 환경 정보(902)는, 실내 습도, 실외 습도, 실내 온도, 실외 온도, 실내와 실외 간 온도 차, 실내와 실외 간 습도 차, 날씨 등을 포함할 수 있다. 기기 정보(903)는 공기조화기(1000)에 설정된 풍속의 강도 정보, 공기조화기(1000)의 설정 온도 정보, 기기 성능 정보, 기기 노후화 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 공간 정보(904)는 단열 정도에 관한 정보, 열이 발생되는 조리 장치(예컨대, 가스레인지, 인덕션 등)를 사용하는지 여부에 관한 정보, 열이 발생되는 조명 기기의 사용 여부에 관한 정보, 창문 개폐 여부에 관한 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 제 2 인공지능 모델(202)의 출력 값으로 예측 온도 그래프(900)를 획득할 수 있다. 예를 들어, 현재 실내 온도가 30도이고, 공기조화기(1000)의 현재 설정 온도가 18도인 경우, 제 2 인공지능 모델(202)은 시간이 경과함에 따라 30도에서부터 18도까지 온도가 하강하는 형태의 예측 온도 그래프(900)를 출력 값으로 생성할 수 있다.
본 개시의 일 실시예에 의하면, 예측 온도 그래프(900)는, 공기조화기(1000)의 설정 온도, 풍속, 공기조화기(1000)의 가동 시간, 현재 실내 온도 등에 의해서 다양하게 생성될 수 있다. 예를 들어, 풍속이 강인 경우, 풍속이 약인 경우에 비해, 온도가 하강하는 기울기가 급격해질 수 있다.
이하에서는 서버 장치(2000)가 제 1 인공지능 모델(201)로부터 획득되는 쾌적 온도 그래프와 제 2 인공지능 모델(202)로부터 획득되는 예측 온도 그래프에 기초하여 과냉방 발생 여부를 식별하는 동작에 대해서 도 10을 참조하여 자세히 살펴보기로 한다.
도 10은 본 개시의 일 실시예에 따른 서버 장치가 과냉방 구간을 식별하는 동작을 설명하기 위한 도면이다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는 t0 시점에 서버 장치(2000)에 설정 온도 조절을 문의할 수 있다. 이때, 공기조화기(1000)는 t0 시점의 설정 온도(예컨대, 18도), t0 시점까지의 가동 시간(예컨대, 6분), t0 시점의 실내 온도(예컨대, 27도) 등을 포함하는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다.
서버 장치(2000)는 공기조화기(1000)로부터 설정 온도 조절 문의가 수신되는 경우, 제 1 인공지능 모델(201)로부터 쾌적 온도 그래프(1001)를 획득하고, 제 2 인공지능 모델(202)로부터 제 1 예측 온도 그래프(1002)를 획득할 수 있다. 예를 들어, 서버 장치(2000)는 제 1 인공지능 모델(201)에 시간 정보(예컨대, t0 시점=한낮), 환경 정보(예컨대, t0 시점의 실내 온도, t0 시점의 실내 습도, t0 시점의 날씨, t0 시점의 실외 온도, t0 시점의 실외 습도 등), 및 기기 정보(예컨대, t0 시점의 풍속) 중 적어도 하나를 적용하여, 쾌적 온도 그래프(1001)를 획득할 수 있으나, 이에 한정되는 것은 아니다. 쾌적 온도 그래프(1001)는 불안정 구간과 안정 구간을 포함할 수 있다. 서버 장치(2000)가 쾌적 온도 그래프(1001)를 획득하는 동작은 도 8에서 설명하였으므로, 구체적인 설명은 생략하기로 한다.
서버 장치(2000)는 공기조화기(1000)로부터 수신된 현재 상태 정보를 제 2 인공지능 모델(202)에 적용하여 제 1 예측 온도 그래프(1002)를 획득할 수 있다. 예를 들어, 서버 장치(2000)는, t0 시점의 설정 온도(예컨대, 18도), t0 시점까지의 공기조화기(1000) 가동 시간(예컨대, 6분), t0 시점의 실내 온도(예컨대, 27도)를 제 2 인공지능 모델(202)에 적용하여 제 1 예측 온도 그래프(1002)를 획득할 수 있다. 현재 실내 온도가 27도이고, 공기조화기(1000)의 현재 설정 온도가 18도이므로, 제 2 인공지능 모델(202)은 시간이 경과함에 따라 27도에서부터 18도까지 온도가 하강하는 형태의 제 1 예측 온도 그래프(1002)를 출력 값으로 생성할 수 있다. 서버 장치(2000)가 제 1 예측 온도 그래프(1002)를 획득하는 동작은 도 9에서 설명하였으므로, 구체적인 설명은 생략하기로 한다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는 쾌적 온도 그래프(1001)와 제 1 예측 온도 그래프(1002)를 비교하여, 과냉방 구간을 식별할 수 있다. 예를 들어, 서버 장치(2000)는 t1 시점에 쾌적 온도 그래프(1001)보다 제 1 예측 온도 그래프(1002)가 낮아지므로, t1 시점부터 과냉방이 발생함을 예측할 수 있다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 과냉방이 발생할 것이 예측되는 경우, 과냉방을 방지하기 위해 공기조화기(1000)의 설정 온도를 특정 온도로 높일 수 있다. 서버 장치(2000)가 공기조화기(1000)의 설정 온도를 특정 온도로 조절하는 동작에 대해서 도 11을 참조하여 자세히 살펴보기로 한다.
도 11은 본 개시의 일 실시예에 따른 서버 장치가 제 2 인공지능 모델을 이용하여 공기조화기의 설정 온도를 결정하는 동작을 설명하기 위한 도면이다.
도 11을 참조하면, 서버 장치(2000)는, 과냉방이 발생하는 것을 방지하기 위해, t0 시점에 복수의 설정 온도를 제 2 인공지능 모델(202)에 적용해 볼 수 있다. 예를 들어, 서버 장치(2000)는 24.5도, 25도, 25.5도를 제 2 인공지능 모델(202)에 적용해 볼 수 있다. 이때, 서버 장치(2000)는 제 2 인공지능 모델(202)로부터 각 설정 온도에 대응하는 예측 온도 그래프를 획득할 수 있다. t0 시점에 설정 온도를 변경하더라도 열관성 때문에 바로 실내 온도가 상승하게 되는 것은 아니다. 따라서, 각 설정 온도에 대응하는 예측 온도 그래프는, t0 시점부터 일정 시간(예컨대, r) 동안 실내 온도가 하강을 하다가 일정 시간(예컨대, r) 경과 후부터 실내 온도가 상승하는 패턴으로 나타날 수 있다.
서버 장치(2000)는 24.5도의 설정 온도에 대응하는 제 2-1 예측 온도 그래프(1101), 25.0도의 설정 온도에 대응하는 제 2-2 예측 온도 그래프(1102), 25.5도의 설정 온도에 대응하는 제 2-3 예측 온도 그래프(1103)를 획득할 수 있다. 이때, 24.5도의 설정 온도에 대응하는 제 2-1 예측 온도 그래프(1101)의 경우, t2 시점부터 실내 예측 온도가 쾌적 온도보다 낮아지는 과냉방 구간이 나타나므로, 서버 장치(2000)는 공기조화기(1000)의 설정 온도로 24.5도를 선택하지 않을 수 있다. 25.0도의 설정 온도에 대응하는 제 2-2 예측 온도 그래프(1102)와 25.5도의 설정 온도에 대응하는 제 2-3 예측 온도 그래프(1103)를 비교하면, 제 2-2 예측 온도 그래프(1102)가 쾌적 온도 그래프(1001)에 가장 근접하게 된다. 즉, 제 2-2 예측 온도 그래프(1102)는 쾌적 온도 그래프(1001)보다 낮아지지 않으며, 쾌적 온도 그래프(1001)에 수렴할 수 있다. 따라서, 서버 장치(2000)는 공기조화기(1000)의 설정 온도로 25.0도를 선택할 수 있다.
서버 장치(2000)는, 제 2 인공지능 모델(202)을 이용하여 공기조화기(1000)의 설정 온도를 25.0도로 결정했으므로, 공기조화기(1000)에 설정 온도를 25도로 변경하라는 설정 온도 상승 요청을 전송할 수 있다. 공기조화기(1000)는 설정 온도 상승 요청에 따라 설정 온도를 18도에서 25도로 변경할 수 있다. 이 경우, 실내 예측 온도가 쾌적 온도보다 낮아지지 않으므로, 사용자는 과냉방에 의한 불쾌적을 경험하지 않을 수 있다. 도 12를 참조하여, 서버 장치(2000)가 공기조화기(1000)의 설정 온도를 조절하는 방법에 대해서 조금 더 자세히 살펴보기로 한다.
도 12는 본 개시의 일 실시예에 따른 공기조화기의 설정 온도를 조절하는 방법을 설명하기 위한 순서도이다.
단계 S1201에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 현재 상태 정보를 획득할 수 있다. 예를 들어, 공기조화기(1000)는, 가동 시간 정보(예컨대, 가동 시작 후 현재까지의 시간 정보), 공기조화기(1000)의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 획득할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 공기조화기(1000)는 풍속 정보, 기기 성능 정보, 실내 습도 정보 등을 현재 상태 정보로 더 획득할 수도 있다.
단계 S1202에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 설정 온도 조절을 서버 장치(2000)에 문의할 수 있다. 이때, 공기조화기(1000)는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다.
단계 S1203에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는, 공기조화기(1000)로부터 문의가 수신된 경우, 제 1 인공지능 모델(201)로부터 쾌적 온도 그래프를 획득할 수 있다. 이때, 쾌적 온도 그래프는 공기조화기(1000)의 가동 시간에 따라 쾌적 온도가 증가하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함할 수 있다. 서버 장치(2000)가 제 1 인공지능 모델(201)로부터 쾌적 온도 그래프를 획득하는 동작에 대해서는 도 8에서 자세히 설명하였으므로, 여기서는 구체적인 설명은 생략하기로 한다.
단계 S1204에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는 제 2 인공지능 모델(202)로부터 현재 상태 정보에 기반한 제 1 예측 온도 그래프를 획득할 수 있다. 예를 들어, 서버 장치(2000)는 공기조화기(1000)의 가동 시간 정보(예컨대, 가동 시작 후 현재까지의 시간 정보), 공기조화기(1000)의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 제 2 인공지능 모델(202)에 적용하여 제 1 예측 온도 그래프를 획득할 수 있다. 서버 장치(2000)가 제 1 예측 온도 그래프를 획득하는 동작에 대해서는 도 9에서 자세히 살펴봤으므로, 여기서는 구체적인 설명은 생략하기로 한다.
단계 S1205에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는 과냉방 구간이 발생하는지 식별할 수 있다. 서버 장치(2000)는 쾌적 온도 그래프와 제 1 예측 온도 그래프를 비교하여 과냉방 구간을 식별할 수 있다. 예를 들어, 서버 장치(2000)는 쾌적 온도 그래프보다 제 1 예측 온도 그래프가 낮아지는 특정 시점을 식별하고, 특정 시점부터 과냉방이 발생한다고 판단할 수 있다.
단계 S1206에서, 과냉방 구간이 식별되지 않는 경우, 현재 시점에 공기 조화기(1000)의 설정 온도가 조절될 필요가 없으므로, 본 개시의 일 실시예에 따른 서버 장치(2000)는, 현재 설정 온도를 유지하고, 소정 시간 경과 후에 다시 문의할 것을 공기조화기(1000)에 요청할 수 있다. 예를 들어, 서버 장치(2000)는 10분 후에 다시 설정 온도 조절을 문의하라고 공기조화기(1000)에 요청할 수 있다.
여기서, 소정 시간은, 서버 장치(2000)에 의해 임의로 지정될 수 있다. 예를 들어, 실내 온도 변화가 급격히 이루어지는 경우, 서버 장치(2000)는 소정 시간을 짧게 지정할 수 있으며, 실내 온도 변화가 완만히 이루어지는 경우, 서버 장치(2000)는, 소정 시간을 길게 지정할 수 있다. 예컨대, 서버 장치(2000)는 온도 변화량이 제 1 임계 값보다 큰 경우 소정 시간을 5분 이내로 지정할 수 있고, 온도 변화량이 제 1 임계 값과 제 2 임계 값 사이인 경우, 소정 시간을 10분에서 30분 사이로 지정할 수 있고, 온도 변화량이 제 2 임계 값보다 작은 경우, 소정 시간을 30분 이상으로 지정할 수 있다.
단계 S1207에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는, 과냉방 구간이 식별된 경우, 복수의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 복수의 제 2 예측 온도 그래프를 획득할 수 있다. 공기조화기(1000)의 설정 온도에 따라 실내 온도가 변화하게 되므로, 복수의 제 2 예측 온도 그래프는 다양한 형태일 수 있다.
단계 S1208에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는 복수의 제 2 예측 온도 그래프와 쾌적 온도 그래프를 비교할 수 있다. 예를 들어, 서버 장치(2000)는 복수의 제 2 예측 온도 그래프 중에서 쾌적 온도 그래프보다 낮아지지 않는 예측 온도 그래프를 식별할 수 있다.
단계 S1209에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는, 복수의 제 2 예측 온도 그래프와 쾌적 온도 그래프를 비교한 결과에 기초하여, 현재 공기조화기(1000)의 설정 온도 제어가 필요한지 판단할 수 있다.
예를 들어, 서버 장치(2000)는, 현재 공기조화기(1000)의 설정 온도를 제어하면, 예측 온도 그래프가 쾌적 온도 그래프보다 임계 값 이상 높게 되는 경우, 현재 시점에서는 제어가 필요하지 않다고 판단할 수 있다. 예측 온도 그래프가 쾌적 온도 그래프보다 임계 값 이상 높다는 것은, 실내 온도가 사용자가 쾌적하다고 느끼는 만큼 낮아지지 않는 것을 의미할 수 있다. 따라서, 현재 설정 온도를 제어하게 되면, 과냉방이 발생하지는 않지만, 반면에 사용자가 덥다고 느끼게 될 수도 있으므로, 서버 장치(2000)는 현재 시점에서 설정 온도의 제어가 필요하지 않다고 판단할 수 있다.
한편, 제 2 인공지능 모델(202)에 제 1 온도를 적용하여 획득된 예측 온도 그래프가 쾌적 온도 그래프에 근접하게 되는 경우, 서버 장치(2000)는, 현재 시점에서 공기조화기(1000)의 설정 온도를 제 1 온도로 제어할 필요가 있다고 판단할 수 있다.
단계 S1210에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는, 현재 공기조화기(1000)의 설정 온도를 제어할 필요가 없다고 판단한 경우, 공기조화기(1000)에 현재 설정 온도를 유지하고, 소정 시간 경과 후 다시 문의할 것을 요청할 수 있다. 여기서, 소정 시간은, 서버 장치(2000)에 의해 임의로 지정될 수 있다. 예를 들어, 실내 온도 변화가 급격히 이루어지는 경우, 서버 장치(2000)는 소정 시간을 짧게 지정할 수 있으며, 실내 온도 변화가 완만히 이루어지는 경우, 서버 장치(2000)는, 소정 시간을 길게 지정할 수 있다.
단계 S1211에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 서버 장치(2000)에서 요청한 소정 시간에 도달했다고 판단된 경우, 단계 S1201로 돌아가서, 현재 상태 정보를 다시 획득하고, 서버 장치(2000)에 설정 온도 조절을 다시 문의할 수 있다.
단계 S1212에서, 본 개시의 일 실시예에 따른 서버 장치(2000)는, 현재 공기조화기(1000)의 설정 온도를 제어할 필요가 있다고 판단한 경우, 공기조화기(1000)에 설정 온도 상승을 요청하고, 소정 시간 경과 후에 다시 문의할 것을 요청할 수 있다.
예를 들어, 서버 장치(2000)는, 제 2 인공지능 모델(202)에 제 1 온도를 적용하여 획득된 예측 온도 그래프가 쾌적 온도 그래프에 근접하게 되는 경우, 공기조화기(1000)의 설정 온도를 제 1 온도로 조절하라는 요청을 공기조화기(1000)에 전송할 수 있다. 그리고 서버 장치(2000)는, 20분 후에 다시 설정 온도 조절을 문의하라고 공기조화기(1000)에 요청할 수 있다.
단계 S1213에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는 설정 온도 상승 요청에 따라 설정 온도를 조절할 수 있다. 예를 들어, 공기조화기(1000)는 설정 온도를 제 1 온도로 조절할 수 있다.
단계 S1214에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 서버 장치(2000)에서 요청한 소정 시간에 도달했다고 판단한 경우, 단계 S1201로 돌아가서, 현재 상태 정보를 다시 획득하고, 서버 장치(2000)에 설정 온도 조절을 다시 문의할 수 있다.
본 개시의 일 실시예에 의하면, 사용자가 위치하는 공간의 상태가 계속 변화하기 때문에, 서버 장치(2000)는 지속적으로 사용자 주변의 상태를 모니터링함으로써, 사용자가 계속하여 쾌적하게 느낄 수 있도록 적절한 시점에 공기조화기(1000)의 설정 온도를 제어할 수 있다. 서버 장치(2000)가 지속적으로 사용자 주변의 상태를 모니터링하여 공기조화기(1000)의 설정 온도를 제어하는 동작에 대해서 도 13 및 도 14를 참조하여 조금 더 살펴보기로 한다.
도 13은 본 개시의 일 실시예에 따른 서버 장치가 소정 시간 경과 후 재 문의할 것을 공기조화기에 요청하는 동작을 설명하기 위한 도면이다.
도 13을 참조하면, 공기조화기(1000)는 가동 후 5분이 경과한 시점에 서버 장치(2000)에 설정 온도 조절을 문의할 수 있다(단계 S1310). 이때, 공기조화기(1000)는 가동 시간 정보(5분), 현재 실내 온도(26도), 현재 설정 온도(18도)를 포함하는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다.
서버 장치(2000)는, 제 1 인공지능 모델(201)에서 획득되는 쾌적 온도 그래프(1311)와 현재 상태 정보를 제 2 인공지능 모델(202)에 적용하여 획득된 제 1 예측 온도 그래프(1312)를 비교할 수 있다. 서버 장치(2000)는, 비교 결과에 기초하여, 공기조화기(1000) 가동 후 20분이 경과한 시점부터 과냉방이 발생할 것을 예측할 수 있다. 이때, 서버 장치(2000)는 복수의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 복수의 제 2 예측 온도 그래프(1301, 1302, 1303)를 획득할 수 있다. 예를 들어, 서버 장치(2000)는 25.5도의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 제 2-1 예측 온도 그래프(1301)를 획득하고, 25.0도의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 제 2-2 예측 온도 그래프(1302)를 획득하고, 24.5도의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 제 2-3 예측 온도 그래프(1303)를 획득할 수 있다.
복수의 제 2 예측 온도 그래프(1301, 1302, 1303) 모두 Tk 시점에 쾌적 온도 그래프보다 임계 온도(K)(예컨대, 2도) 이상 높으므로, 서버 장치(2000)는, 현재 공기조화기(1000)의 설정 온도를 제어할 필요가 없다고 판단할 수 있다. 서버 장치(2000)가 공기조화기(1000)의 설정 온도를 현재 시점(공기조화기(1000) 가동 후 5분)에서 조절하게 되면, 사용자가 쾌적하다고 느끼는 온도만큼 충분히 실내 온도가 내려가지 않으므로, 서버 장치(2000)는 현재 시점에서 공기조화기(1000)의 설정 온도를 조절하지 않기로 결정할 수 있다.
서버 장치(2000)는, 공기조화기(1000)에 현재 설정 온도를 유지하고, 5분 후 설정 온도 조절을 재 문의할 것을 요청할 수 있다(단계 S1320). 이 경우, 공기조화기(1000)는 현재 설정 온도를 유지할 수 있다. 그리고 서버 장치(2000)에서 요청한 소정 시간(예컨대, 5분)이 경과한 경우, 공기조화기(1000)는 설정 온도 조절을 서버 장치(2000)에 재 문의할 수 있다. 도 14를 참조하기로 한다.
도 14는 본 개시의 일 실시예에 따른 공기조화기가 소정 시간 경과 후 서버 장치에 설정 온도 조절을 재 문의하는 동작을 설명하기 위한 도면이다.
도 14를 참조하면, 공기조화기(1000)는, 서버 장치(2000)에서 요청한 소정 시간(5분)이 경과한 경우, 서버 장치(2000)에 설정 온도 조절을 문의할 수 있다(단계 S1410). 예를 들어, 서버 장치(2000)가 공기조화기(1000) 가동 후 5분이 경과한 시점에 다시 5분 후에 설정 온도 조절을 문의하라고 요청했으므로, 공기조화기(1000)는 가동 후 10분이 경과한 시점에 서버 장치(2000)에 설정 온도 조절을 문의할 수 있다. 이때, 공기조화기(1000)는 가동 시간 정보(10분), 현재 실내 온도(22도), 현재 설정 온도(18도)를 포함하는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다.
서버 장치(2000)는, 제 1 인공지능 모델(201)에서 획득되는 쾌적 온도 그래프(1411)와 현재 상태 정보를 제 2 인공지능 모델(202)에 적용하여 획득된 제 1 예측 온도 그래프(1412)를 비교할 수 있다. 서버 장치(2000)는, 비교 결과에 기초하여, 공기조화기(1000) 가동 후 20분이 경과한 시점부터 과냉방이 발생할 것을 예측할 수 있다. 이때, 서버 장치(2000)는 복수의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 복수의 제 2 예측 온도 그래프(1401, 1402, 1403)를 획득할 수 있다. 예를 들어, 서버 장치(2000)는 25.5도의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 제 2-1 예측 온도 그래프(1401)를 획득하고, 25.0도의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 제 2-2 예측 온도 그래프(1402)를 획득하고, 24.5도의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 제 2-3 예측 온도 그래프(1403)를 획득할 수 있다.
Tk 시점에서의 쾌적 온도와 복수의 제 2 예측 온도 그래프(1401, 1402, 1403) 상의 Tk 시점에서의 예측 온도의 차이가 임계 온도(K)(예컨대, 2도)보다 작으므로, 서버 장치(2000)는, 현재 시점(가동 후 10분)에 공기조화기(1000)의 설정 온도를 제어할 필요가 있다고 판단할 수 있다. 24.5도의 설정 온도에 대응하는 제 2-1 예측 온도 그래프(1401)의 경우, T2 시점부터 실내 예측 온도가 쾌적 온도보다 낮아지는 과냉방 구간이 나타나므로, 서버 장치(2000)는 공기조화기(1000)의 설정 온도로 24.5도를 선택하지 않을 수 있다. 25.0도의 설정 온도에 대응하는 제 2-2 예측 온도 그래프(1402)와 25.5도의 설정 온도에 대응하는 제 2-3 예측 온도 그래프(1403)를 비교하면, 제 2-2 예측 온도 그래프(1402)가 쾌적 온도 그래프(1411)에 가장 근접하게 된다. 제 2-2 예측 온도 그래프(1402)는 쾌적 온도 그래프(1411)보다 낮아지지 않으며, 쾌적 온도 그래프(1411)에 수렴할 수 있다. 따라서, 서버 장치(2000)는 공기조화기(1000)의 설정 온도로 25.0도를 선택할 수 있다.
서버 장치(2000)는, 제 2 인공지능 모델(202)을 이용하여 공기조화기(1000)의 설정 온도를 25.0도로 결정했으므로, 공기조화기(1000)에 설정 온도를 25도로 변경하라는 설정 온도 상승 요청을 전송할 수 있다(단계 S1420). 이때, 서버 장치(2000)는 10분 후에 설정 온도 조절을 재 문의할 것을 공기조화기(1000)에 요청할 수 있다.
공기조화기(1000)는, 설정 온도 상승 요청에 따라, 가동 후 10분 시점에 설정 온도를 18도에서 25도로 변경할 수 있다. 이 경우, 실내 예측 온도가 쾌적 온도에 근접하므로, 사용자는 쾌적함을 지속적으로 느낄 수 있다. 공기조화기(1000)가 설정 온도를 25도로 변경하고 10분이 경과하면, 공기조화기(1000)는 서버 장치(2000)에 설정 온도 조절을 재 문의할 수 있다. 한편, 공기조화기(1000)는 서버 장치(2000)로부터 설정 온도 상승 요청을 복수 회 수신할 수도 있다. 도 15a 및 도 15b를 참조하여, 공기조화기(1000)가 서버 장치(2000)로부터 설정 온도 상승 요청을 복수 회 수신하는 동작에 대해서 자세히 살펴보기로 한다.
도 15a 및 도 15b는 본 개시의 일 실시예에 따른 공기조화기가 복수 회 설정 온도를 조절하는 동작을 설명하기 위한 도면이다.
도 15a를 참조하면, 공기조화기(1000)는 T0 시점에 가동을 시작하면서 설정 온도를 18도로 조절할 수 있다. 공기조화기(1000)는 가동 후 6분이 경과한 T1 시점에 서버 장치(2000)에 설정 온도 조절을 문의하고, 서버 장치(2000)로부터 설정 온도를 23도로 변경하라는 설정 온도 상승 요청을 수신할 수 있다. 그리고 공기조화기(1000)는 9분 후에 설정 온도 조절을 다시 문의하라는 요청을 서버 장치(2000)로부터 수신할 수 있다. 공기조화기(1000)는, 설정 온도 상승 요청에 따라, T1 시점(가동 후 6분)에 설정 온도를 18도에서 23도로 변경할 수 있다. 공기조화기(1000)가 T1 시점에 설정 온도를 23도로 변경하더라도, 열 관성 때문에 T1 시점에 바로 실내 온도가 상승하지 않고, r 시간 동안은 조금 더 실내 온도가 내려갔다가 r 시간이 경과 후부터 실내 온도가 상승하게 된다.
그리고 공기조화기(1000)는, T1 시점(가동 후 6분)으로부터 9분이 경과한 현재 T2 시점(가동 후 15분)에 서버 장치(2000)로 설정 온도 조절을 다시 문의할 수 있다(단계 S1510). 예를 들어, 공기조화기(1000)는 현재 T2 시점의 가동 시간 정보(가동 후 15분), 현재 T2 시점의 실내 온도 정보(20도), 현재 T2 시점의 설정 온도 정보(23도)를 포함하는 현재 상태 정보를 서버 장치(2000)에 전송하면서, 설정 온도 조절을 문의할 수 있다.
서버 장치(2000)는, 설정 온도 조절 문의가 수신되는 경우, 제 1 인공지능 모델(201)로부터 획득되는 쾌적 온도 그래프(1501)와 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 획득된 제 1 예측 온도 그래프(1502)를 비교하여, 과냉방 구간을 식별할 수 있다(단계 S1520). 예를 들어, 서버 장치(2000)는, 쾌적 온도 그래프(1501)보다 제 1 예측 온도 그래프(1502)가 낮아지는 T3 시점부터 과냉방이 발생한다고 판단할 수 있다. 이 경우, 서버 장치(2000)는, 제 2 인공지능 모델(202)을 이용하여 현재 T2 시점에서 변경해야 하는 설정 온도를 결정할 수 있다.
도 15b를 참조하면, 서버 장치(2000)는, 적어도 하나의 설정 온도를 제 2 인공지능 모델(202)에 적용하여, 적어도 하나의 제 2 예측 온도 그래프를 획득할 수 있다. 서버 장치(2000)는, 적어도 하나의 제 2 예측 온도 그래프에 기초하여, 적어도 하나의 설정 온도 중에서 25도를 결정할 수 있다. 이때, 25도의 설정 온도에 대응하는 예측 온도 그래프(1503)는 쾌적 온도 그래프(1501)보다 낮아지지 않으며, 쾌적 온도 그래프(1501)에 가장 근접할 수 있다.
서버 장치(2000)는 설정 온도를 25도로 상승시키라는 요청을 공기조화기(1000)로 전송할 수 있다(단계 S1530). 공기조화기(1000)는 T2 시점에 설정 온도를 23도에서 25도로 변경할 수 있다. 이 경우, T3 시점에 과냉방이 발생하지 않게 되므로, 사용자는 계속 쾌적함을 유지할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는 서버 장치(2000)와 연동하여, 설정 온도를 T1시점에 18도 에서 23도로 변경하고, T2 시점에 23도에서 25도로 단계적으로 변경함으로써, 사용자가 과냉방에 의한 불쾌적을 경험하지 않게 할 수 있다. 도 15a 및 도 15b에서는 공기조화기(1000)의 설정 온도가 두 번 변경되는 경우를 예로 들어 설명하였으나, 이에 한정되는 것은 아니다. 공기조화기(1000)는 서버 장치(2000)와 연동하여, 3번 이상 설정 온도를 변경할 수도 있다.
한편, 공기조화기(1000)는 과냉방이 발생하는 것을 방지하기 위해 풍속 강도를 조절할 수도 있다. 이하에서는 도 16을 참조하여 공기조화기(1000)가 풍속 강도를 조절하는 방법에 대해서 자세히 살펴보기로 한다.
도 16은 본 개시의 일 실시예에 따른 공기조화기가 풍속 강도를 조절하는 방법을 설명하기 위한 순서도이다.
단계 S1610에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다. 그리고 공기조화기(1000)는 서버 장치(2000)에 풍속 조절을 문의할 수 있다.
본 개시의 일 실시예에 의하면, 현재 상태 정보는 공기조화기(1000)의 가동 시간 정보, 공기조화기(1000)의 설정 온도 정보, 현재 실내 온도 정보, 풍속 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 현재 상태 정보는 기기 성능 정보, 실내 습도 정보 등을 더 포함할 수도 있다.
본 개시의 일 실시예에 따른 공기조화기(1000)는, 인공지능 쾌적 모드로 동작하는 중에 반복적으로 서버 장치(2000)에 현재 상태 정보를 전송하면서 풍속 조절을 문의할 수 있다. 예를 들어, 공기조화기(1000)는, 서버 장치(2000)에서 지정해주는 시점에 풍속 조절을 서버 장치(2000)에 문의할 수도 있고, 소정 주기로 풍속 조절을 서버 장치(2000)에 문의할 수도 있다.
단계 S1620에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 현재 상태 정보에 대한 응답으로, 서버 장치(2000)로부터 풍속 하강 요청을 수신할 수 있다.
예를 들어, 공기조화기(1000)는, 풍속 정보에 기초하여 제 1 인공지능 모델(201)로부터 획득되는 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우, 서버 장치(2000)로부터 풍속 하강 요청을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 풍속 하강 요청은, 풍속의 강도 값을 포함할 수 있다. 또한, 풍속 하강 요청은, 다음 문의 시점 정보(예컨대, 5분 후)를 포함할 수도 있다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 공기조화기(1000)로부터 현재 상태 정보가 수신되는 경우, 제 1 인공지능 모델(201)로부터 쾌적 온도 그래프를 획득할 수 있다. 쾌적 온도 그래프는, 공기조화기(1000)의 가동 시간에 따라 사용자가 쾌적하다고 느끼는 온도들의 집합일 수 있다. 쾌적 온도 그래프는 현재 풍속에 따라 달라질 수 있다. 따라서, 서버 장치(2000)는 현재 상태 정보 중에서 풍속 정보를 제 1 인공지능 모델(201)에 적용하여 쾌적 온도 그래프를 획득할 수 있다. 서버 장치(2000)는 공기조화기(1000)로부터 수신된 현재 상태 정보를 제 2 인공지능 모델(202)에 적용하여 제 1 예측 온도 그래프를 획득할 수도 있다. 서버 장치(2000)는, 쾌적 온도 그래프와 제 1 예측 온도 그래프를 비교하여, 미래 시점에, 쾌적 온도 그래프보다 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 발생함을 식별할 수 있다.
서버 장치(2000)는, 과냉방 구간이 식별되는 경우, 공기조화기(1000)의 풍속 강도를 제 1 레벨로 변경하라는 정보를 포함하는 풍속 하강 요청을 생성할 수 있다. 이때, 제 1 레벨은, 적어도 하나의 풍속 강도를 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)에 각각 적용하여 결정될 수 있다. 예를 들어, 서버 장치(2000)는 적어도 하나의 풍속 강도를 제 1 인공지능 모델(201)에 적용하여 적어도 하나의 제 2 쾌적 온도 그래프를 획득할 수 있다. 서버 장치(2000)는 적어도 하나의 풍속 강도를 제 2 인공지능 모델(202)에 적용하여 적어도 하나의 제 2 예측 온도 그래프를 획득할 수 있다. 그리고 서버 장치(2000)는 적어도 하나의 제 2 쾌적 온도 그래프와 적어도 하나의 제 2 예측 온도 그래프를 비교한 결과에 기초하여, 적어도 하나의 풍속 강도 중에서 제 1 레벨의 풍속 강도를 결정할 수 있다. 제 2 인공지능 모델(202)에 제 1 레벨의 풍속 강도를 적용하여 획득된 제 2 예측 온도 그래프는, 제 1 인공지능 모델(201)에 제 1 레벨의 풍속 강도를 적용하여 획득된 제 2 쾌적 온도 그래프보다 낮아지지 않으며, 제 2 쾌적 온도 그래프에 수렴할 수 있다. 여기서, 제 1 레벨은, 공기조화기(1000)에 현재 설정된 풍속 강도보다 낮은 강도일 수 있다.
서버 장치(2000)는 풍속 강도를 제 1 레벨로 조정하라는 풍속 하강 요청을 공기조화기(1000)로 전송할 수 있다. 그리고 서버 장치(2000)는 소정 시간 경과 후 풍속 조절을 다시 문의하라고 공기조화기(1000)에 요청할 수도 있다.
단계 S1630에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 풍속 하강 요청에 따라, 공기조화기(1000)의 풍속 강도를 조절할 수 있다. 예를 들어, 풍속 하강 요청에 풍속 강도를 제 1 레벨(예컨대, 약)로 변경하라는 정보가 포함되어 있고, 현재 풍속 강도가 '강'인 경우, 공기조화기(1000)는 풍속 강도를 '강'에서 '약'으로 조절할 수 있다.
한편, 공기조화기(1000)는 서버 장치(2000)로부터 풍속 하강 요청과 함께 소정 시간 경과 후에 풍속 조절을 재 문의하라는 요청을 수신할 수 있다. 이 경우, 공기조화기(1000)는, 서버 장치(2000)가 지정한 소정 시간이 경과하는 경우, 현재 상태 정보를 서버 장치(2000)에 전송하면서, 풍속 조절을 재 문의할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 서버 장치(2000)에서 구동되는 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)을 이용하여, 사용자가 추위를 느끼지 않고, 항상 쾌적하게 느낄 수 있도록 풍속 강도를 제어할 수 있다. 이하에서는 도 17을 참조하여, 공기조화기(1000)가 서버 장치(2000)와 연동하여, 풍속 강도를 조절하는 동작에 대해서 조금 더 살펴보기로 한다.
도 17은 본 개시의 일 실시예에 따른 서버 장치가 제 1 인공지능 모델 및 제 2 인공지능 모델을 이용하여 공기조화기의 풍속 강도를 결정하는 동작을 설명하기 위한 도면이다.
도 17을 참조하면, 공기조화기(1000)는 가동 후 10분이 경과한 T0 시점에 서버 장치(2000)에 풍속 조절을 문의할 수 있다(단계 S1710). 이때, 공기조화기(1000)는 가동 시간 정보(10분), 현재 실내 온도(24도), 현재 설정 온도(18도), 현재 풍속 강도(강)를 포함하는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다.
서버 장치(2000)는, 현재 풍속 강도(강)를 제 1 인공지능 모델(201)에 적용하여 획득되는 제 1 쾌적 온도 그래프(1701)와 현재 상태 정보를 제 2 인공지능 모델(202)에 적용하여 획득된 제 1 예측 온도 그래프(1711)를 비교할 수 있다. 서버 장치(2000)는, 비교 결과에 기초하여, T1 시점부터 과냉방이 발생할 것을 예측할 수 있다.
과냉방이 발생할 것이 예측되는 경우, 서버 장치(2000)는, 복수의 풍속 강도(예컨대, 중, 약, 무풍)를 제 1 인공지능 모델(201)에 적용하여 복수의 쾌적 온도 그래프(1702, 1703, 1704)를 획득할 수 있다. 예를 들어, 서버 장치(2000)는, '풍속 강도: 중'을 제 1 인공지능 모델(201)에 적용하여 제 2 쾌적 온도 그래프(1702)를 획득하고, '풍속 강도: 약'을 제 1 인공지능 모델(201)에 적용하여 제 3 쾌적 온도 그래프(1703)를 획득하고, '풍속 강도: 무풍'을 제 1 인공지능 모델(201)에 적용하여 제 4 쾌적 온도 그래프(1704)를 획득할 수 있다. 제 2 쾌적 온도 그래프(1702)는 제 1 쾌적 온도 그래프(1701)보다 1도 낮고, 제 3 쾌적 온도 그래프(1703)는 제 1 쾌적 온도 그래프(1701)보다 2도 낮고, 제 4 쾌적 온도 그래프(1704)는 제 1 쾌적 온도 그래프(1701)보다 3도 낮을 수 있다. 즉, 풍속 강도가 약해질수록 쾌적 온도 그래프는 낮아질 수 있다.
한편, 서버 장치(2000)는 복수의 풍속 강도(예컨대, 중, 약, 무풍)를 제 2 인공지능 모델(202)에 적용하여 복수의 예측 온도 그래프(1712, 1713, 1714)를 획득할 수 있다. 예를 들어, 서버 장치(2000)는 '풍속 강도: 중'을 제 2 인공지능 모델(202)에 적용하여 제 2 예측 온도 그래프(1712)를 획득하고, '풍속 강도: 약'을 제 2 인공지능 모델(202)에 적용하여 제 3 예측 온도 그래프(1713)를 획득하고, '풍속 강도: 무풍'을 제 2 인공지능 모델(202)에 적용하여 제 4 예측 온도 그래프(1714)를 획득할 수 있다. 풍속 강도가 약해질수록 예측 온도 그래프의 온도 하강 속도가 완만해질 수 있다.
서버 장치(2000)는, 복수의 쾌적 온도 그래프(1701, 1702, 1703, 1704)와 복수의 예측 온도 그래프(1711, 1712, 1713, 1714)를 비교하여, 풍속 강도를 '중'으로 결정할 수 있다. '풍속 강도: 중'을 제 2 인공지능 모델(202)에 적용하여 획득된 제 2 예측 온도 그래프(1712)는, '풍속 강도: 중'을 제 1 인공지능 모델(201)에 적용하여 획득된 제 2 쾌적 온도 그래프(1702)보다 낮아지지 않으며, 제 2 쾌적 온도 그래프(1702)에 수렴하게 된다. 따라서, 공기조화기(1000)의 풍속 강도가 강에서 중으로 조절되는 경우, 과냉방에 의한 사용자의 불쾌적을 예방할 수 있다.
서버 장치(2000)는, 공기조화기(1000)에 풍속 강도를 중으로 조절하라는 풍속 하강 요청을 전송할 수 있다(단계 S1720), 이때, 서버 장치(2000)는 10분 후에 풍속 조절을 재 문의할 것을 공기조화기(1000)에 요청할 수도 있다.
공기조화기(1000)는, 풍속 하강 요청에 따라, 풍속 강도를 강에서 중으로 변경할 수 있다. 이 경우, 실내 예측 온도가 쾌적 온도에 근접하므로, 사용자는 쾌적함을 지속적으로 느낄 수 있다. 공기조화기(1000)가 풍속 강도를 중으로 변경하고 10분이 경과하면, 공기조화기(1000)는 서버 장치(2000)에 풍속 조절을 재 문의할 수 있다.
한편, 본 개시의 일 실시예에 의하면, 공기조화기(1000)는 서버 장치(2000)로부터 풍속 하강 요청을 복수 회 수신할 수도 있다. 예를 들어, 공기조화기(1000)는, 서버 장치(2000)로부터 풍속 강도를 강에서 중으로 변경하라는 제 1 풍속 하강 요청, 풍속 강도를 중에서 약으로 변경하라는 제 2 풍속 하강 요청, 및 풍속 강도를 약에서 무풍으로 변경하라는 제 3 풍속 하강 요청을 일정 시간 간격으로 수신할 수도 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는 서버 장치(2000)로부터 설정 온도 상승 요청과 풍속 하강 요청을 동시에 수신할 수도 있다. 공기조화기(1000)가 서버 장치(2000)로부터 설정 온도 상승 요청과 풍속 하강 요청을 동시에 수신하는 동작에 대해서 도 18을 참조하여 자세히 살펴보기로 한다.
도 18은 본 개시의 일 실시예에 따른 공기조화기가 설정 온도 및 풍속 강도를 조절하는 방법을 설명하기 위한 순서도이다.
단계 S1810에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다. 그리고 공기조화기(1000)는 서버 장치(2000)에 설정을 문의할 수 있다.
본 개시의 일 실시예에 의하면, 현재 상태 정보는 공기조화기(1000)의 가동 시간 정보, 공기조화기(1000)의 설정 온도 정보, 현재 실내 온도 정보, 풍속 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 현재 상태 정보는 기기 성능 정보, 실내 습도 정보 등을 더 포함할 수도 있다.
본 개시의 일 실시예에 따른 공기조화기(1000)는, 인공지능 쾌적 모드로 동작하는 중에 반복적으로 서버 장치(2000)에 현재 상태 정보를 전송하면서 설정을 문의할 수 있다. 예를 들어, 공기조화기(1000)는, 서버 장치(2000)에서 지정해주는 시점에 설정을 서버 장치(2000)에 문의할 수도 있고, 소정 주기로 설정을 서버 장치(2000)에 문의할 수도 있다.
단계 S1820에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 서버 장치(2000)로부터 설정 온도 상승 요청 및 풍속 하강 요청을 수신할 수 있다.
예를 들어, 공기조화기(1000)는, 풍속 정보에 기초하여 제 1 인공지능 모델(201)로부터 획득되는 제 1 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우, 서버 장치(2000)로부터 설정 온도 상승 요청 및 풍속 하강 요청을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 설정 온도 상승 요청은, 설정 온도 값을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 풍속 하강 요청은, 풍속의 강도 값을 포함할 수 있다. 또한, 설정 온도 상승 요청 및 풍속 하강 요청은, 다음 문의 시점 정보(예컨대, 5분 후)를 포함할 수도 있다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 공기조화기(1000)로부터 현재 상태 정보가 수신되는 경우, 제 1 인공지능 모델(201)로부터 제 1 쾌적 온도 그래프를 획득할 수 있다. 제 1 쾌적 온도 그래프는, 공기조화기(1000)의 가동 시간에 따라 사용자가 쾌적하다고 느끼는 온도들의 집합일 수 있다. 제 1 쾌적 온도 그래프는 현재 풍속에 따라 달라질 수 있다. 따라서, 서버 장치(2000)는 현재 상태 정보 중에서 풍속 정보를 제 1 인공지능 모델(201)에 적용하여 제 1 쾌적 온도 그래프를 획득할 수 있다. 서버 장치(2000)는 공기조화기(1000)로부터 수신된 현재 상태 정보를 제 2 인공지능 모델(202)에 적용하여 제 1 예측 온도 그래프를 획득할 수도 있다. 그리고 서버 장치(2000)는, 미래 시점에, 제 1 쾌적 온도 그래프보다 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 발생함을 식별할 수 있다.
서버 장치(2000)는, 과냉방 구간이 식별되는 경우, 공기조화기(1000)의 설정 온도를 제 1 온도로 변경하고, 공기조화기(1000)의 풍속 강도를 제 1 레벨로 변경하라는 정보를 포함하는 요청을 생성할 수 있다.
본 개시의 일 실시예에 의하면, 서버 장치(2000)는, 적어도 하나의 설정 온도 및 적어도 하나의 풍속 강도를 제 2 인공지능 모델(202)에 적용하여 획득된 적어도 하나의 제 2 예측 온도 그래프와 적어도 하나의 풍속 강도를 제 1 인공지능 모델(201)에 적용하여 획득된 적어도 하나의 제 2 쾌적 온도 그래프를 비교한 결과에 기초하여, 적어도 하나의 설정 온도 중에서 제 1 온도를 결정하고, 적어도 하나의 풍속 강도 중에서 제 1 레벨을 결정할 수 있다. 여기서, 적어도 하나의 설정 온도는 공기조화기(1000)의 현재 설정 온도보다 높은 온도일 수 있고, 적어도 하나의 풍속 강도는 현재 풍속 강도보다 낮은 강도일 수 있다. 제 2 인공지능 모델(202)에 제 1 레벨의 풍속 강도 및 제 1 온도를 적용하여 획득된 예측 온도 그래프는, 제 1 인공지능 모델(201)에 제 1 레벨의 풍속 강도를 적용하여 획득된 쾌적 온도 그래프보다 낮아지지 않으며, 쾌적 온도 그래프에 수렴할 수 있다.
서버 장치(2000)는 풍속 강도를 제 1 레벨로 조정하고, 설정 온도를 제 1 온도로 조정하라는 요청을 공기조화기(1000)로 전송할 수 있다. 그리고 서버 장치(2000)는 소정 시간 경과 후 설정 조절을 다시 문의하라고 공기조화기(1000)에 요청할 수도 있다.
단계 S1830에서, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 설정 온도 상승 요청 및 풍속 하강 요청에 따라, 공기조화기(1000)의 설정 온도 및 풍속 강도를 조절할 수 있다.
예를 들어, 설정 온도 상승 요청에 설정 온도를 제 1 온도(예컨대, 25)로 변경하라는 정보가 포함되어 있고, 현재 설정 온도가 18도인 경우, 공기조화기(1000)는 설정 온도를 18도에서 25도로 변경할 수 있다. 또한, 풍속 하강 요청에 풍속 강도를 제 1 레벨(예컨대, 약)로 변경하라는 정보가 포함되어 있고, 현재 풍속 강도가 '강'인 경우, 공기조화기(1000)는 풍속 강도를 '강'에서 '약'으로 조절할 수 있다.
한편, 공기조화기(1000)는 서버 장치(2000)로부터 설정 온도 상승 요청 및 풍속 하강 요청과 함께 소정 시간 경과 후에 설정 조절을 재 문의하라는 요청을 수신할 수 있다. 이 경우, 공기조화기(1000)는, 서버 장치(2000)가 지정한 소정 시간이 경과하는 경우, 현재 상태 정보를 서버 장치(2000)에 전송하면서, 설정 조절을 재 문의할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 서버 장치(2000)에서 구동되는 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)을 이용하여, 사용자가 추위를 느끼지 않고, 항상 쾌적하게 느낄 수 있도록 설정 온도 및 풍속 강도를 제어할 수 있다. 이하에서는 도 19a 및 도 19b를 참조하여, 공기조화기(1000)가 서버 장치(2000)와 연동하여, 설정 온도 및 풍속 강도를 조절하는 동작에 대해서 조금 더 살펴보기로 한다.
도 19a 및 도 19b는 본 개시의 일 실시예에 따른 서버 장치가 설정 온도 및 풍속 강도를 결정하는 동작을 설명하기 위한 도면이다.
도 19a를 참조하면, 공기조화기(1000)는 T0 시점에 가동을 시작하면서 설정 온도를 18도로 조절할 수 있다. 공기조화기(1000)는 가동 후 6분이 경과한 T1 시점에 서버 장치(2000)에 설정 조절을 문의하고, 서버 장치(2000)로부터 설정 온도를 23도로 변경하라는 설정 온도 상승 요청을 수신할 수 있다. 그리고 공기조화기(1000)는 9분 후에 설정 조절을 다시 문의하라는 요청을 서버 장치(2000)로부터 수신할 수 있다. 공기조화기(1000)는, 설정 온도 상승 요청에 따라, T1 시점(가동 후 6분)에 설정 온도를 18도에서 23도로 변경할 수 있다. 공기조화기(1000)가 T1 시점에 설정 온도를 23도로 변경하더라도, 열 관성 때문에 T1 시점에 바로 실내 온도가 상승하지 않고, r 시간 동안은 조금 더 실내 온도가 내려갔다가 r 시간이 경과 후부터 실내 온도가 상승하게 된다.
그리고 공기조화기(1000)는, T1 시점(가동 후 6분)으로부터 9분이 경과한 현재 T2 시점(가동 후 15분)에 서버 장치(2000)로 설정 조절을 다시 문의할 수 있다(단계 S1910). 예를 들어, 공기조화기(1000)는 현재 T2 시점의 가동 시간 정보(가동 후 15분), 현재 T2 시점의 실내 온도 정보(20도), 현재 T2 시점의 설정 온도 정보(23도), 현재 T2 시점의 풍속 정보(풍속 강도: 중)를 포함하는 현재 상태 정보를 서버 장치(2000)에 전송하면서, 설정 조절을 문의할 수 있다.
서버 장치(2000)는, 설정 조절 문의가 수신되는 경우, 제 1 인공지능 모델(201)로부터 획득되는 제 1 쾌적 온도 그래프(1901)와 제 2 인공지능 모델(202)로부터 획득되는 제 1 예측 온도 그래프(1902)를 비교하여, 과냉방 구간을 식별할 수 있다(단계 S1920). 예를 들어, 서버 장치(2000)는, 제 1 쾌적 온도 그래프(1901)보다 제 1 예측 온도 그래프(1902)가 낮아지는 T3 시점부터 과냉방이 발생한다고 판단할 수 있다. 이 경우, 서버 장치(2000)는, 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)을 이용하여, 현재 T2 시점에서 변경해야 하는 설정 온도 및 풍속 강도를 결정할 수 있다.
도 19b를 참조하면, 서버 장치(2000)는, 적어도 하나의 설정 온도 및 적어도 하나의 풍속 강도를 제 2 인공지능 모델(202)에 적용하여, 적어도 하나의 제 2 예측 온도 그래프를 획득할 수 있다. 서버 장치(2000)는, 적어도 하나의 풍속 강도를 제 1 인공지능 모델(201)에 적용하여 적어도 하나의 제 2 쾌적 온도 그래프를 획득할 수 있다. 서버 장치(2000)는, 적어도 하나의 제 2 예측 온도 그래프 및 적어도 하나의 제 2 쾌적 온도 그래프에 기초하여, 적어도 하나의 설정 온도 중에서 24도를 결정하고, 적어도 하나의 풍속 강도 중에서 '약'을 선택할 수 있다. 이때, 24도의 설정 온도 및 풍속 강도 '약'에 대응하는 제 2 예측 온도 그래프(1904)는 풍속 강도 '약'에 대응하는 제 2 쾌적 온도 그래프(1903)보다 낮아지지 않으며, 제 2 쾌적 온도 그래프(1903)에 가장 근접할 수 있다. 본 개시의 일 실시예에 의하면, 풍속 강도 '약'에 대응하는 제 2 쾌적 온도 그래프(1903)는, 풍속 강도 '중'에 대응하는 제 1 쾌적 온도 그래프(1901)보다 1도 낮을 수 있다.
서버 장치(2000)는 설정 온도를 24도로 상승시키고, 풍속 강도를 '약'으로 낮추라는 요청을 공기조화기(1000)로 전송할 수 있다(단계 S1930). 공기조화기(1000)는, T2 시점에 설정 온도를 23도에서 24도로 변경하고, 풍속 강도를 '중'에서 '약'으로 변경할 수 있다. 이 경우, T3 시점에 과냉방이 발생하지 않게 되므로, 사용자는 계속 쾌적함을 유지할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는 서버 장치(2000)와 연동하여, 설정 온도와 풍속 강도를 조절함으로써, 사용자가 과냉방에 의한 불쾌적을 경험하지 않게 할 수 있다.
한편, 서버 장치(2000)는 공기조화기(1000)와 관련된 정보를 서버 장치(2000)에 연결된 디스플레이 장치를 통해서 사용자에게 제공할 수 있다. 이하에서는 도 20을 참조하여 서버 장치(2000)가 공기조화기(1000)와 관련된 정보를 사용자에게 제공하는 동작에 대해서 살펴보기로 한다.
도 20은 본 개시의 일 실시예에 따른 서버 장치가 디스플레이 장치를 통해서 인공지능 쾌적 모드에 따른 에너지 절약 정보를 제공하는 동작을 설명하기 위한 도면이다. 도 20에서는 디스플레이 장치(3000)가 서버 장치(2000)에서 제공하는 특정 애플리케이션을 실행하는 경우를 예로 들어 설명하기로 한다. 특정 애플리케이션은 가전 기기들과 관련된 정보를 제공하는 컴퓨터 프로그램일 수 있다.
도 20의 2000-1을 참조하면, 디스플레이 장치(3000)는, 특정 애플리케이션을 실행하고, 사용자의 가전 기기들의 목록을 표시할 수 있다. 사용자의 가전 기기들은 동일한 계정으로 서버 장치(2000)에 연결되어 있을 수 있다. 예를 들어, 사용자가 디스플레이 장치(3000)에서 가전 기기들을 제어하기 위한 특정 애플리케이션을 실행하는 경우, 디스플레이 장치(3000)는 애플리케이션의 실행 화면에 공기조화기(1000), 냉장고, 텔레비전, 공기 청정기 등을 나타내는 아이콘들의 목록을 표시할 수 있다. 이때, 디스플레이 장치(3000)는 공기조화기(1000)를 나타내는 아이콘(2001)을 선택하는 사용자 입력을 수신할 수 있다.
본 개시의 일 실시예에 의하면, 디스플레이 장치(3000)는 서버 장치(2000)에서 제공되는 특정 애플리케이션을 실행하기 위한 장치일 수 있다. 디스플레이 장치(3000)는 사용자의 모바일 단말, 사용자의 웨어러블 디바이스, 디스플레이를 포함하는 냉장고, TV, 데스크탑, 노트북 등일 수 있으나, 이에 한정되는 것은 아니다. 도 20에서는 설명의 편의상 디스플레이 장치(3000)가 모바일 단말인 경우를 예로 들어 설명하기로 한다.
도 20의 2000-2를 참조하면, 디스플레이 장치(3000)는, 공기조화기(1000)를 나타내는 아이콘(2001)을 선택하는 사용자 입력에 기초하여, 공기조화기(1000)에 관한 정보를 제공하는 인터페이스 화면을 표시할 수 있다. 이때, 인터페이스 화면에는 공기조화기(1000)의 현재 동작 중인 모드가 표시될 수 있다. 예를 들어, 현재 공기조화기(1000)가 인공지능 쾌적 모드로 동작 중인 경우, 화면의 상단에 인공지능 쾌적 모드를 나타내는 이미지와 함께 '인공지능 쾌적'이 표시될 수 있다.
사용자가 공기조화기(1000)의 전력량을 모니터링하기 원하는 경우, 디스플레이 장치(3000)는, 전력량 모니터링 아이콘(2002)을 선택하는 사용자 입력을 수신할 수 있다.
도 20의 2000-3을 참조하면, 디스플레이 장치(3000)는 전력량 모니터링 아이콘(2002)을 선택하는 사용자 입력에 응답하여, 인공지능 쾌적 모드와 관련된 전력량 정보를 제공할 수 있다. 예를 들어, 디스플레이 장치(3000)는, 일반 모드에 비해 인공지능 쾌적 모드로 동작했을 때 절약되는 전력량 정보(예컨대, AI 쾌적 모드로 256kwh를 절약 중입니다)를 제공할 수 있다. 또한, 디스플레이 장치(3000)는, 일반 모드에 대응되는 실내 (예측) 온도 그래프와 쾌적 온도 그래프를 비교한 제 1 이미지(2004)를 제공할 수도 있고, 인공지능 쾌적 모드에 대응되는 실내 (예측) 온도 그래프와 쾌적 온도 그래프를 비교한 제 2 이미지(2005)를 제공할 수도 있다. 일반 모드와 관련된 제 1 이미지(2004)의 경우, 과냉방 구간이 나타나는 게 표시될 수도 있다.
디스플레이 장치(3000)는 일반 모드에 비해 인공지능 쾌적 모드로 동작했을 때 절약되는 전력량(예컨대, 오늘까지 256kwh) 및 환산 요금(예컨대, 37,481원)을 포함하는 정보(2006)를 제공할 수도 있다.
도 21 및 도 22는 본 개시의 일 실시예에 따른 공기조화기의 기능을 설명하기 위한 블록구성도이다.
도 21에 도시된 바와 같이, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 프로세서(1400), 통신부(1500), 메모리(1800)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 공기조화기(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 공기조화기(1000)는 구현될 수 있다. 도 22에 도시된 바와 같이, 본 개시의 일 실시예에 따른 공기조화기(1000)는, 송풍부(1100), 필터부(1200), 출력부(1300), 프로세서(1400), 통신부(1500), 센싱부(1600), 사용자 입력부(1700), 메모리(1800)를 포함할 수 있다.
이하 상기 구성요소들에 대해 차례로 살펴본다.
송풍부(1100)는, 공기 흡입부(1110), 송풍팬(1120), 모터(1130), 공기 배출부(1140)를 포함할 수 있으나, 이에 한정되는 것은 아니다. 공기 흡입부(1110)는 공기조화기(1000) 주변의 공기를 흡입할 수 있다.
송풍팬(1120)은 공기의 흐름을 형성하여 외부의 공기가 공기 흡입부(1110)를 통해　공기조화기(1000) 내부로 유입되도록 할 수 있다. 한편, 송풍팬(1120)은 필터부(1200)에 의해 정화된 공기가 공기 배출부(1140)를 통해　공기조화기(1000)의 외부로 토출되도록 할 수도 있다. 송풍팬(1120)은 모터(1130)에 의해 회전하여 공기의 흐름을 형성할 수 있다. 모터(1130)의 회전속도(즉, 분당 회전 수)는 프로세서(1400)의 제어에 따라 조절될 수 있다.
송풍팬(1120)은 하이패스(회오리) 팬과 서큘레이터 팬을 포함할 수 있다. 구현 예에 따라서 하이패스 팬과 서큘레이터 팬 각각은 복수 개 배치될 수도 있다. 하이패스 팬은 빠르고 강력한 냉기를 뿜어낼 수 있다. 예를 들어, 하이패스 팬은 하이패스 방식으로 공기를 흡입하자마자 바로 강력한 냉기를 뿜어낼 수 있다. 서큘레이터 팬은 바람을 멀리 보내주는 기능을 수행할 수 있다. 서큘레이터 팬은 흡입한 바람으로 사이드 바람 문(써큘러 공기 배출구)에서　강한 제트기류를 형성할 수 있다.
공기 배출부(1140)는 냉기를 배출하는 메탈 쿨링 패널과 써큘러 공기 배출구를 포함할 수 있다. 메탈 쿨링 패널은 직경 1mm의 모래알 크기의 구멍에서 냉기를 내보내는 마이크로 홀들을 포함할 수 있다. 마이크로 홀들을 포함하는 메탈 쿨링 패널을 통해 냉기가 균일하게 퍼져나갈 수 있다.
필터부(1200)는, 적어도 하나의 필터로 구성되어 케이스 본체의 내부에 결합될 수 있다. 필터부(1200)는 공기조화기(1000)의 공기 흡입부(1110)에 근접하여 위치할 수 있으며, 공기 흡입부(1110)로부터 유입된 공기에 포함된 오염 물질을 걸러낼 수 있다. 본 개시의 일 실시예에 의하면, 필터부(1200)는 복수의 필터를 포함할 수 있다. 예를 들어, 필터부(1200)는 전처리 필터(Prefilter)(1210), 헤파 필터(High Efficiency Particulate Air filter; HEPA filter)(1220), 탈취 필터(1230)를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 필터부(1200)는 다양한 종류의 기능성 필터를 더 포함할 수도 있다.
전처리 필터(1210)는 비교적 큰 입자를 제거하기 위한 필터일 수 있다. 예를 들어, 전처리 필터(1210)는 큰 먼지, 머리카락, 애완동물의 털 등을 제거할 수 있다. 헤파 필터(1220)는 미세한 먼지, 진드기, 바이러스, 곰팡이와 같은 각종 세균 등을 제거할 수 있다. 탈취 필터(1230)는 실내의 각종 악취와 유해가스 등을 제거할 수 있다. 탈취 필터(1230)는 탄소 필터로 표현될 수도 있다. 기능성 필터(미도시)는 항균, 꽃가루, 집진드기, 세균, 박테리아 등을 제거하기 위한 것일 수 있다. 기능성 필터(미도시)는 항균 필터, 카본 필터 등을 포함할 수 있다.
출력부(1300)는, 오디오 신호 또는 비디오 신호의 출력을 위한 것이다. 출력부(1300)는 디스플레이부(1310), 음향 출력부(1320)를 포함할 수 있다.
디스플레이부(1310)와 터치패드가 레이어 구조를 이루어 터치스크린으로 구성되는 경우, 디스플레이부(1310)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1310)는 액정 디스플레이부(liquid crystal display), 박막 트랜지스터 액정 디스플레이부(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이부(flexible display), 3차원 디스플레이부(3D display), 전기영동 디스플레이부(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 공기조화기(1000)의 구현 형태에 따라 공기조화기(1000)는 디스플레이부(1310)를 2개 이상 포함할 수도 있다.
본 개시의 일 실시예에 의하면, 디스플레이부(1310)는 공기조화기(1000)의 동작 모드, 현재 실내 온도, 현재 실내 습도, 현재 풍속, 설정 온도(희망 온도) 등을 표시할 수 있으나, 이에 한정되는 것은 아니다.
음향 출력부(1320)는, 통신부(1500)로부터 수신되거나 메모리(1800)에 저장된 오디오 데이터를 출력할 수 있다. 예를 들어, 음향 출력부(1320)는 공기조화기(1000)에서 수행되는 기능(예를 들어, 알림음, 안내 음성, 가이드 음성)과 관련된 음향 신호를 출력할 수 있다.
본 개시의 일 실시예에 의하면, 출력부(1300)는 원격제어장치(리모컨)의 출력부를 포함할 수 있다. 예를 들어, 공기조화기(1000)의 동작 모드, 설정 온도, 현재 풍속, 현재 실내 온도, 현재 실내 습도 등이 원격제어장치(리모컨)의 출력부를 통해서 표시될 수 있다. 또한, 원격제어장치(리모컨)에서 사용자를 위한 안내 음성이 출력될 수도 있다.
본 개시의 일 실시예에 의하면, 출력부(1300)는 조명 장치(미도시)를 더 포함할 수도 있다. 예를 들어, 출력부(1300)는 조명 장치(미도시)를 통해 공기조화기(1000)의 동작 여부, 실내 공기의 오염도, 풍속의 강도 등을 나타낼 수 있다. 조명 장치(미도시)는 다양한 종류의 색상을 가질 수 있다.
출력부(1300)는 필터부(1200)에 포함된 적어도 하나의 필터의 교체와 관련된 정보를 출력할 수도 있다. 예를 들어, 출력부(1300)는, 필터의 현재 상태 또는 필터의 교체 시기 도래를 안내하는 텍스트, 이미지(예컨대, 아이콘) 또는 음성을 출력할 수 있다.
프로세서(1400)는, 통상적으로 공기조화기(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1400)는, 메모리(1800)에 저장된 프로그램들을 실행함으로써, 송풍부(1100), 필터부(1200), 출력부(1300), 통신부(1500), 센싱부(1600), 사용자 입력부(1700), 메모리(1800), 전원공급부(미도시) 등을 전반적으로 제어할 수 있다.
본 개시의 일 실시예에 의하면, 프로세서(1400)는 학습 네트워크 모델을 생성하기 위한 인공지능(AI) 프로세서를 포함할 수 있으나, 이에 한정되는 것은 아니다. 본 개시의 일 실시예에 의하면, AI 프로세서는 프로세서(1400)와 별도의 칩으로 구현될 수도 있다. 본 개시의 일 실시예에 의하면, AI 프로세서는 범용 칩일 수도 있다.
본 개시의 일 실시예에 의하면, 메모리(1800)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 프로세서(1400)는 공기조화기(1000)의 가동 시간 정보, 공기조화기(1000)의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다.
프로세서(1400)는 현재 상태 정보에 대한 응답으로, 서버 장치(2000)로부터 설정 온도 상승 요청을 수신할 수 있다. 프로세서(1400)는, 제 1 인공지능 모델(201)로부터 획득되는 쾌적 온도 그래프보다 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우에 설정 온도 상승 요청을 수신할 수 있다. 쾌적 온도 그래프는, 공기조화기(1000)의 가동 시간에 따라 쾌적 온도가 변화하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함할 수 있다. 쾌적 온도 그래프는, 공기조화기(1000)의 가동 시점 정보(예컨대, 가동 시각, 시간대 등), 공기조화기(1000)의 풍속 정보, 실내 습도 정보, 실외 습도 정보, 실내 온도 정보 및 실외 온도 정보 중 적어도 하나를 제 1 인공지능 모델(201)에 적용하여 획득될 수 있다. 제 1 예측 온도 그래프는, 공기조화기(1000)의 가동 시점 정보, 실내 습도 정보, 실외 온도 정보, 실외 습도 정보, 날씨 정보, 공기조화기(1000)의 성능 정보, 및 공기조화기(1000)가 설치된 공간 정보 중 적어도 하나를 더 제 2 인공지능 모델(202)에 적용하여 획득될 수 있다.
프로세서(1400)는 설정 온도 상승 요청에 따라 공기조화기(1000)의 설정 온도를 조절할 수 있다. 설정 온도 상승 요청은, 공기조화기(1000)의 설정 온도를 제 1 온도로 설정하라는 정보를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 프로세서(1400)는 현재 상태 정보에 대한 응답으로, 서버 장치(2000)로부터 풍속 하강 요청을 수신할 수 있다. 이때, 현재 상태 정보는 풍속 정보를 더 포함할 수 있다. 프로세서(1400)는 풍속 하강 요청에 따라, 공기조화기(1000)의 풍속 강도를 조절할 수 있다.
통신부(1500)는, 공기조화기(1000)와 서버 장치(2000), 공기조화기(1000)와 디스플레이 장치(3000) 간의 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부, 방송 수신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
방송 수신부는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 공기공기조화(1000)는 방송 수신부를 포함하지 않을 수도 있다.
본 개시의 일 실시예에 의하면, 통신부(1500)는, 현재 상태 정보를 서버 장치(2000)에 전송할 수 있다. 통신부(1500)는 소정 주기로 현재 상태 정보를 서버 장치(2000)에 전송할 수도 있고, 서버 장치(2000)에서 요청한 시간에 현재 상태 정보를 서버 장치(2000)에 전송할 수도 있다. 현재 상태 정보는 공기조화기(1000)의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 현재 상태 정보는 풍속 정보, 실내 습도 정보, 기기 정보 등을 더 포함할 수도 있다.
본 개시의 일 실시예에 의하면, 통신부(1500)는 설정 온도 조절 문의 또는 풍속 조절 문의를 서버 장치(2000)에 전송할 수도 있다. 통신부(1500)는 서버 장치(2000)로부터 설정 온도 하강 요청 및 풍속 상승 요청 중 적어도 하나를 수신할 수 있다. 통신부(1500)는 설정 조절과 관련된 재 문의 시점에 대한 정보를 서버 장치(2000)로부터 수신할 수도 있다. 예를 들어, 통신부(1500)는 10분 후에 설정 조절을 재 문의하라는 요청을 서버 장치(2000)로부터 수신할 수 있다.
본 개시의 일 실시예에 의하면, 통신부(1500)는, 사용자의 모바일 단말(미도시)로부터 사용자의 위치 정보를 획득할 수도 있다. 예를 들어, 통신부(1500)는 사용자의 모바일 단말로부터 근거리 무선 통신(예컨대, 블루투스, UWB 등)을 통해 사용자의 위치 정보(예컨대, GPS 정보)를 수신할 수 있다. 다른 실시예에 의하면, 통신부(1500)는, 서버 장치(2000)로부터 사용자의 위치 정보를 획득할 수도 있다. 이때, 서버 장치(2000)는, 사용자의 모바일 단말 및 공기조화기(1000)와 특정 계정으로 연결되어 있을 수 있다. 예를 들어, 사용자의 모바일 단말이 자신의 위치 정보를 서버 장치(2000)에 업로드 하는 경우, 통신부(1500)는, 서버 장치(2000)로부터 모바일 단말의 위치 정보를 수신할 수 있다.
센싱부(1600)는, 습도 센서(1610), 먼지 센서(1620), 온도 센서(1630) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 센싱부(1600)는, 인체 감지 센서, 가스 센서, 공기 중의 이산화탄소 농도를 측정하기 위한 이산화탄소　센서, 사용자의 위치를 감지하기 위한 이미지 센서, 소음을 측정하기 위한 소음 측정 센서, 미세한 입자를 정밀하게 감지하기 위한 레이저 센서 등을 더 포함할 수도 있다.
습도 센서(1610)는, 공기 중의 습도를 측정하기 위한 센서일 수 있다. 먼지 센서(1620)는 공기 중의 먼지 농도를 측정하기 위한 센서일 수 있다. 온도 센서(1630)는, 공기의 온도를 측정하기 위한 센서일 수 있다. 각 센서들의 기능은 그 명칭으로부터 통상의 기술자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
사용자 입력부(1700)는, 사용자가 공기조화기(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1700)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 의하면, 사용자 입력부(1700)는 전원 버튼, 운전 모드 버튼(예컨대, 인공지능 쾌적 모드, 냉방 모드, 제습 모드, 청정 모드), 무풍 기능 버튼, 온도 조절 버튼, 예약 설정 버튼, 음량 조정 버튼, 취침 버튼, 자동 살균 버튼, 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
사용자 입력부(1700)는, 사용자의 음성 입력을 수신하기 위한 마이크로폰(1710)을 더 포함할 수도 있다. 마이크로폰(1710)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1710)은 외부 디바이스 또는 화자로부터 음향 신호(예컨대, 음성 명령)를 수신할 수 있다. 마이크로폰(1710)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
본 개시의 일 실시예에 의하면, 사용자 입력부(1700)는 원격 제어 장치(리모컨) 및 리모컨 수신부(1720)를 포함할 수 있다. 원격 제어 장치(리모컨)는 전원 버튼, 음성 인식 버튼, 운전 모드 버튼, 청정 기능 버튼, 음성 인식 마이크, 무풍 기능 버튼, MAX 버튼, 이동 및 조절 버튼, 온도 및 풍량 조절 버튼, 부가기능 선택 버튼 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 본 개시의 일 실시예에 의하면, 사용자가 원격 제어 장치(리모컨)의 음성 인식 버튼을 누르면서 음성 명령을 발화하는 경우, 원격 제어 장치는 사용자의 음성 명령을 인식할 수 있다. 예를 들어, 사용자는 원격 제어 장치의 음성 인식 버튼을 누르면서, '에어컨 켜줘', '에어컨 1시간 후에 꺼줘', '인공지능 쾌적 모드로 운전 해줘' 등의 음성 명령어를 입력할 수 있다. 이때, 원격 제어 장치는, 사용자의 음성 명령어에 응답하여, 답변을 음성으로 제공할 수도 있다. 예를 들어, 원격 제어 장치는, "인공지능 쾌적 모드로 운전합니다. 현재 온도가 춥거나 덥게 느껴진다면 수동으로 온도를 설정해 보세요"라는 음성을 출력할 수 있다.
리모컨 수신부(1720)는 원격 제어 장치로부터 제어 신호를 수신할 수 있다. 예를 들어, 리모컨 수신부(1720)는 적외선 통신을 통해 원격 제어 장치로부터 사용자가 입력한 제어 신호를 수신할 수 있다.
메모리(1800)는, 프로세서(1400)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들(예컨대, 동작 모드 정보, 사용자 설정 정보, 온도 데이터, 습도 데이터, 가스 수치, 알림 설정, 필터 교체 주기 정보, 기기 정보, 풍속 정보 등)을 저장할 수도 있다.
메모리(1800)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 메모리(1800)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있다. 메모리(1800)에는 적어도 하나의 인공지능 모델이 저장될 수도 있다.
공기조화기(1000)는 전원 공급부(미도시)를 더 포함할 수도 있다. 전원 공급부(미도시)는 프로세서(1400)의 제어에 의해 공기조화기(1000)의 구성 요소에게 전원을 공급할 수 있다. 전원 공급부(미도시)는 프로세서(1400)의 제어에 의해 전원 코드를 통해 외부의 전원 소스에서부터 입력되는 전원을 공기조화기(1000)의 각 구성 요소들에게 공급할 수 있다.
도 23은 본 개시의 일 실시예에 따른 서버 장치의 기능을 설명하기 위한 블록구성도이다.
도 23을 참조하면, 서버 장치(2000)는 통신부(2100), 프로세서(2200) 및 메모리(2300)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 서버 장치(2000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 서버 장치(2000)는 구현될 수 있다.
이하 상기 구성요소들에 대해 차례로 살펴본다.
통신부(2100)는, 서버 장치(2000)와 공기조화기(1000), 서버 장치(2000)와 가전 기기들, 또는 서버 장치(2000)와 디스플레이 장치(3000) 간의 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 통신부(2100)는 공기조화기(1000)로부터 공기조화기(1000)의 가동 시간 정보, 공기조화기(1000)의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 수신할 수 있다. 통신부(2100)는 공기조화기(1000)로부터 현재 습도 정보, 풍속 정보, 기기 정보, 사용자 설정 정보를 수신할 수도 있다.
본 개시의 일 실시예에 의하면, 통신부(2100)는 외부의 서버(예컨대, 날씨 서버)로부터 날씨 정보, 실외 습도 정보, 실외 온도 정보를 수신할 수도 있다. 통신부(2100)는, 실내 습도 정보를 공기 청정기 또는 가습기로부터 획득할 수 있고, 조리 장치(예컨대, 가스레인지, 인덕션 등)로부터 조리 장치의 사용 여부에 관한 정보를 획득할 수도 있다. 통신부(2100)는 홈 네트워크 시스템으로부터 열이 발생되는 조명 기기의 사용 여부에 관한 정보, 창문 개폐 여부에 관한 정보 등을 획득할 수도 있다.
통신부(2100)는, 사용자의 모바일 단말로부터 사용자의 위치 정보(예컨대, 집)를 수신할 수 있다. 통신부(2100)는 사용자의 모바일 단말로부터 사용자의 컨텍스트 정보를 수신할 수도 있다. 예를 들어, 통신부(2100)는 사용자의 모바일 단말(예컨대, 웨어러블 디바이스)로부터 사용자가 운동 중이라는 컨텍스트 정보(예컨대, 운동 중)를 수신할 수 있다. 이때, 서버 장치(2000)는 사용자의 위치 정보 및 사용자의 컨텍스트 정보에 기반하여, 사용자가 집에서 운동 중이라고 식별할 수도 있다.
통신부(2100)는, 현재 상태 정보에 대한 응답으로, 설정 온도 상승 요청을 공기조화기(1000)로 전송할 수 있다. 통신부(2100)는 현재 상태 정보에 대한 응답으로, 풍속 하강 요청을 공기조화기(1000)로 전송할 수도 있다. 통신부(2100)는 재 문의 시점에 대한 정보를 공기조화기(1000)에 전송할 수도 있다.
통신부(2100)는 디스플레이 장치(3000)를 통해서 공기조화기(1000)에 관한 정보를 사용자에게 제공할 수 있다. 예를 들어, 통신부(2100)는 디스플레이 장치(3000)에서 실행되는 특정 애플리케이션을 통해서, 공기조화기(1000)의 동작 모드, 전력량과 관련된 정보를 제공할 수 있으나, 이에 한정되는 것은 아니다.
프로세서(2200)는, 메모리(2300)에 저장된 프로그램 또는 정보를 이용하여 서버 장치(2000)의 전반적인 동작을 제어할 수 있다. 본 개시의 일 실시예에 의하면, 프로세서(2200)는, 인공 지능(AI; artificial intelligence) 프로세서를 포함할 수 있다. AI 프로세서는, 인공 지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 서버 장치(2000)에 탑재될 수도 있다.
본 개시의 일 실시예에 의하면, 프로세서(2200)는 공기조화기(1000)로부터 현재 상태 정보가 수신되는 경우, 제 1 인공지능 모델(201)로부터 쾌적 온도 그래프를 획득하고, 현재 상태 정보에 기초하여 제 2 인공지능 모델(202)로부터 제 1 예측 온도 그래프를 획득할 수 있다. 쾌적 온도 그래프는, 공기조화기(1000)의 가동 시간에 따라 쾌적 온도가 변화하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함할 수 있다. 프로세서(2200)는 공기조화기(1000)의 가동 시점 정보, 공기조화기(1000)의 풍속 정보, 실내 습도 정보, 실외 습도 정보, 실내 온도 정보 및 실외 온도 정보 중 적어도 하나를 제 1 인공지능 모델(201)에 적용하여 획득할 수 있다. 프로세서(2200)는, 현재 상태 정보 이외에, 공기조화기(1000)의 가동 시점 정보, 실내 습도 정보, 실외 온도 정보, 실외 습도 정보, 날씨 정보, 공기조화기(1000)의 성능 정보, 및 공기조화기(1000)가 설치된 공간 정보 중 적어도 하나를 더 제 2 인공지능 모델(202)에 적용하여, 제 1 예측 온도 그래프를 획득할 수도 있다.
프로세서(1000)는 쾌적 온도 그래프와 제 1 예측 온도 그래프를 비교할 수 있다. 프로세서(1000)는, 비교 결과에 기초하여, 쾌적 온도 그래프보다 제 1 예측 온도 그래프가 낮아지는 과냉방 구간을 식별할 수 있다. 프로세서(1000)는 과냉방 구간이 식별되는 경우, 통신부(2100)를 통해 설정 온도 상승 요청을 공기조화기(1000)로 전송할 수 있다. 이때, 설정 온도 상승 요청은, 공기조화기(1000)의 설정 온도를 제 1 온도로 설정하라는 정보를 포함할 수 있다. 프로세서(1000)는 적어도 하나의 설정 온도를 제 2 인공지능 모델(202)에 적용하여 획득된 적어도 하나의 제 2 예측 온도 그래프와 쾌적 온도 그래프를 비교한 결과에 기초하여, 적어도 하나의 설정 온도 중에서 제 1 온도를 결정할 수 있다. 제 1 온도를 제 2 인공지능 모델(202)에 적용하여 획득된 제 2 예측 온도 그래프는, 쾌적 온도 그래프보다 낮아지지 않으며, 쾌적 온도 그래프에 수렴할 수 있다.
프로세서(2200)는, 현재 상태 정보에 대한 응답으로, 풍속 하강 요청을 생성할 수 있다. 풍속 하강 요청은 공기조화기(1000)의 풍속 강도를 제 1 레벨로 변경하라는 정보를 포함할 수 있다. 프로세서(2200)는, 적어도 하나의 풍속 강도를 제 1 인공지능 모델(201) 및 제 2 인공지능 모델(202)에 각각 적용하여 제 1 레벨을 결정할 수 있다.
메모리(2300)는, 프로세서(2200)의 처리를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들을 저장할 수도 있다. 예를 들어, 메모리(2300)는 제 1 인공지능 모델(201), 제 2 인공지능 모델(202), 쾌적 온도 DB(410)를 저장할 수 있다.
제 1 인공지능 모델(201)은, 사용자의 쾌적 온도를 추론하기 위한 모델일 수 있다. 제 1 인공지능 모델(201)은, 불안정 구간과 안정 구간을 포함하는 쾌적 온도 그래프를 생성하도록 구성될 수 있다. 제 1 인공지능 모델(201)은, 인공신경망 모델(예컨대, 선형 회귀 모델 또는 심층 신경망 모델)에 훈련 데이터를 학습시켜 구성될 수 있다. 제 1 인공지능 모델(201)은 업데이트되는 훈련 데이터를 학습하여 갱신(refine)될 수 있다. 훈련 데이터는, 조건 정보와 쾌적 온도 정보를 포함할 수 있다. 조건 정보는, 사용자 설정 정보(예컨대, 사용자가 설정한 희망 온도, 사용자가 희망 온도를 설정하는 시점), 환경 정보(예컨대, 실내 온도, 실내 습도, 실외 온도, 실외 습도, 실내와 실외 습도 차, 실내와 실외 온도 차, 날씨 등), 기기 정보(예컨대, 공기조화기(1000)에 현재 설정된 풍속의 강도 등) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 조건 정보는 시간대 정보(예컨대, 아침, 점심, 저녁, 새벽 등), 계절 정보, 사용자의 활동 정보(예컨대, 운동 중인지 요리 중인지 등)를 더 포함할 수도 있다. 쾌적 온도 정보는 각 조건에서 사용자가 쾌적하다고 느끼는 온도들을 포함할 수 있다.
제 1 인공지능 모델(201)은, 시간 정보, 환경 정보, 및 기기 정보 중 적어도 하나를 적용하여, 쾌적 온도 그래프를 출력 값으로 획득할 수 있다. 시간 정보는 공기조화기(1000)의 가동 시점 정보(예컨대, 가동 시각, 시간대 등)를 포함할 수 있다. 환경 정보는, 실내 습도, 실외 습도, 실내 온도, 실외 온도, 실내와 실외 간 온도 차, 실내와 실외 간 습도 차, 날씨 등을 포함할 수 있다. 기기 정보는 풍속 정보, 기기 성능 정보, 기기 노후화 정보 등을 포함할 수 있다. 제 1 인공지능 모델(201)은, 시간 정보, 환경 정보, 기기 정보에 기초하여, 쾌적 온도 DB(410)에서 쾌적 온도 그래프를 추출할 수도 있다.
제 2 인공지능 모델(202)은, 미래 시점의 실내 온도를 예측하기 위한 모델일 수 있다. 제 2 인공지능 모델(202)은, 인공신경망 모델(예컨대, 심층 신경망 모델, 순환 신경망 모델, 합성곱 신경망 모델 등)에 훈련 데이터를 학습시켜 구성될 수 있다. 훈련 데이터는 사용자 설정 정보(예컨대, 사용자가 설정한 희망 온도, 사용자가 희망 온도를 설정하는 시점), 환경 정보(예컨대, 실내 온도, 실내 습도, 실외 온도, 실외 습도, 실내와 실외 습도 차, 실내와 실외 온도 차, 날씨 등), 기기 정보(예컨대, 공기조화기(1000)에 현재 설정된 풍속의 강도, 기기 성능 등), 공간 정보(예컨대, 단열 정보, 조명 기기 사용 여부, 창문 개폐 여부 등) 등을 포함할 수 있다.
제 2 인공지능 모델(202)은, 시간 정보, 환경 정보, 기기 정보, 공간 정보를 적용하여, 예측 온도 그래프를 출력 값으로 획득할 수 있다. 본 개시의 일 실시예에 의하면, 시간 정보, 환경 정보, 기기 정보, 공간 정보 모두가 제 2 인공지능 모델(202)에 적용되어야 하는 것은 아니며, 일부 정보만 적용될 수도 있다. 시간 정보는 공기조화기(1000)의 가동 시간 정보, 공기조화기(1000)의 가동 시점 정보(예컨대, 가동 시각, 시간대 등)를 포함할 수 있다. 환경 정보는, 실내 습도, 실외 습도, 실내 온도, 실외 온도, 실내와 실외 간 온도 차, 실내와 실외 간 습도 차, 날씨 등을 포함할 수 있다. 기기 정보는 공기조화기(1000)에 설정된 풍속의 강도 정보, 공기조화기(1000)의 설정 온도 정보, 기기 성능 정보, 기기 노후화 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 공간 정보는 단열 정도에 관한 정보, 열이 발생되는 조리 장치(예컨대, 가스레인지, 인덕션 등)를 사용하는지 여부에 관한 정보, 열이 발생되는 조명 기기의 사용 여부에 관한 정보, 창문 개폐 여부에 관한 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예측 온도 그래프는, 공기조화기(1000)의 설정 온도, 풍속, 공기조화기(1000)의 가동 시간, 현재 실내 온도 등에 의해서 다양하게 생성될 수 있다.
쾌적 온도 DB(410)는, 다양한 조건에 따른 사용자의 쾌적 온도 그래프를 저장하는 DB로서, 조건 정보와 사용자의 쾌적 온도 그래프를 맵핑한 테이블을 포함할 수 있다. 조건 정보에는, 시간 정보(예컨대, 공기조화기(1000)의 가동 시점 정보), 환경 정보(예컨대, 실내 습도, 실외 습도, 실내 온도, 실외 온도, 실내외 습도 차, 실내외 온도 차, 날씨 등), 기기 정보(예컨대 풍속 정보, 성능 정보) 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.
제 1 인공지능 모델(201)은 훈련 데이터를 이용하여 학습함으로써, 쾌적 온도 DB(410)를 생성할 수 있다. 본 개시의 일 실시예에 의하면, 제 1 인공지능 모델(201)은, 훈련 데이터가 추가되거나 갱신됨에 따라, 쾌적 온도 DB(410)를 갱신할 수 있다.
본 개시의 일 실시예에 의하면, 공기조화기(1000)는, 서버 장치(2000)에서 구동되는 쾌적 온도를 추론하기 위한 제 1 인공지능 모델(201)과 실내 온도를 예측하기 위한 제 2 인공지능 모델(202)을 이용하여, 사용자가 과냉방에 의한 불쾌적을 경험하지 않도록 설정 온도 및/또는 풍속 강도를 조절할 수 있다.
본 개시의 일 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
본 개시의 일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.　 또한, 본 개시의 일부 실시예는 컴퓨터에 의해 실행되는 컴퓨터 프로그램과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 컴퓨터 프로그램 또는 컴퓨터 프로그램 제품 (computer program product)으로도 구현될 수 있다.
기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
본 개시의 일 실시예에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수도 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서 본 개시의 실시예들에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (20)

  1. 서버 장치와 통신하는 통신부;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    공기조화기의 가동 시간 정보, 상기 공기조화기의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 상기 통신부를 통해 서버 장치에 전송하는 동작;
    상기 현재 상태 정보에 대한 응답으로, 상기 서버 장치로부터 설정 온도 상승 요청을 상기 통신부를 통해 수신하는 동작; 및
    상기 설정 온도 상승 요청에 따라 상기 공기조화기의 설정 온도를 조절하는 동작을 수행하되,
    상기 설정 온도 상승 요청은, 제 1 인공지능 모델로부터 획득되는 쾌적 온도 그래프보다 상기 현재 상태 정보에 기초하여 제 2 인공지능 모델로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우에 수신되는, 공기조화기.
  2. 제 1 항에 있어서, 상기 쾌적 온도 그래프는,
    상기 공기조화기의 가동 시간에 따라 쾌적 온도가 변화하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함하는, 공기조화기.
  3. 제 1 항에 있어서, 상기 쾌적 온도 그래프는,
    상기 공기조화기의 가동 시점 정보, 상기 공기조화기의 풍속 정보, 실내 습도 정보, 실외 습도 정보, 실내 온도 정보, 및 실외 온도 정보 중 적어도 하나를 상기 제 1 인공지능 모델에 적용하여 획득되는, 공기조화기.
  4. 제 1 항에 있어서, 상기 설정 온도 상승 요청은,
    상기 공기조화기의 설정 온도를 제 1 온도로 설정하라는 정보를 포함하고,
    상기 제 1 온도는, 적어도 하나의 설정 온도를 상기 제 2 인공지능 모델에 적용하여 획득된 적어도 하나의 제 2 예측 온도 그래프와 상기 쾌적 온도 그래프를 비교한 결과에 기초하여, 상기 적어도 하나의 설정 온도 중에서 결정되는, 공기조화기.
  5. 제 4 항에 있어서,
    상기 제 1 온도를 상기 제 2 인공지능 모델에 적용하여 획득된 제 2 예측 온도 그래프는, 상기 쾌적 온도 그래프보다 낮아지지 않으며, 상기 쾌적 온도 그래프에 가장 근접한, 공기조화기.
  6. 제 1 항에 있어서, 상기 프로세서는,
    상기 현재 상태 정보에 대한 응답으로, 상기 서버 장치로부터 풍속 하강 요청을 수신하는 동작; 및
    상기 풍속 하강 요청에 따라, 상기 공기조화기의 풍속 강도를 조절하는 동작을 더 수행하는, 공기조화기.
  7. 제 1 항에 있어서, 상기 제 1 예측 온도 그래프는,
    상기 공기조화기의 가동 시점 정보, 실내 습도 정보, 실외 온도 정보, 실외 습도 정보, 날씨 정보, 상기 공기조화기의 성능 정보, 및 상기 공기조화기가 설치된 공간 정보 중 적어도 하나를 더 상기 제 2 인공지능 모델에 적용하여 획득되는, 공기조화기.
  8. 공기조화기의 가동 시간 정보, 상기 공기조화기의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 서버 장치에 전송하는 단계;
    상기 현재 상태 정보에 대한 응답으로, 상기 서버 장치로부터 설정 온도 상승 요청을 수신하는 단계; 및
    상기 설정 온도 상승 요청에 따라 상기 공기조화기의 설정 온도를 조절하는 단계를 포함하되,
    상기 설정 온도 상승 요청은, 제 1 인공지능 모델로부터 획득되는 쾌적 온도 그래프보다 상기 현재 상태 정보에 기초하여 제 2 인공지능 모델로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우에 수신되는, 공기조화기의 동작 방법.
  9. 제 8 항에 있어서, 상기 쾌적 온도 그래프는,
    상기 공기조화기의 가동 시간에 따라 쾌적 온도가 변화하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함하는, 공기조화기의 동작 방법.
  10. 제 8 항에 있어서, 상기 쾌적 온도 그래프는,
    상기 공기조화기의 가동 시점 정보, 상기 공기조화기의 풍속 정보, 실내 습도 정보, 실외 습도 정보, 실내 온도 정보, 및 실외 온도 정보 중 적어도 하나를 상기 제 1 인공지능 모델에 적용하여 획득되는, 공기조화기의 동작 방법.
  11. 제 8 항에 있어서, 상기 설정 온도 상승 요청은,
    상기 공기조화기의 설정 온도를 제 1 온도로 설정하라는 정보를 포함하고,
    상기 제 1 온도는, 적어도 하나의 설정 온도를 상기 제 2 인공지능 모델에 적용하여 획득된 적어도 하나의 제 2 예측 온도 그래프와 상기 쾌적 온도 그래프를 비교한 결과에 기초하여, 상기 적어도 하나의 설정 온도 중에서 결정되는, 공기조화기의 동작 방법.
  12. 제 11 항에 있어서,
    상기 제 1 온도를 상기 제 2 인공지능 모델에 적용하여 획득된 제 2 예측 온도 그래프는, 상기 쾌적 온도 그래프보다 낮아지지 않으며, 상기 쾌적 온도 그래프에 가장 근접한, 공기조화기의 동작 방법.
  13. 제 8 항에 있어서, 상기 공기조화기의 동작 방법은,
    상기 현재 상태 정보에 대한 응답으로, 상기 서버 장치로부터 풍속 하강 요청을 수신하는 단계; 및
    상기 풍속 하강 요청에 따라, 상기 공기조화기의 풍속 강도를 조절하는 단계를 더 포함하는, 공기조화기의 동작 방법.
  14. 제 8 항에 있어서, 상기 제 1 예측 온도 그래프는,
    상기 공기조화기의 가동 시점 정보, 실내 습도 정보, 실외 온도 정보, 실외 습도 정보, 날씨 정보, 상기 공기조화기의 성능 정보, 및 상기 공기조화기가 설치된 공간 정보 중 적어도 하나를 더 상기 제 2 인공지능 모델에 적용하여 획득되는, 공기조화기의 동작 방법.
  15. 공기조화기의 가동 시간 정보, 상기 공기조화기의 설정 온도 정보, 및 현재 실내 온도 정보 중 적어도 하나를 포함하는 현재 상태 정보를 서버 장치에 전송하고, 상기 현재 상태 정보에 대한 응답으로 상기 서버 장치로부터 수신되는 설정 온도 상승 요청에 따라 상기 공기조화기의 설정 온도를 조절하는 공기조화기; 및
    제 1 인공지능 모델로부터 획득되는 쾌적 온도 그래프보다 상기 현재 상태 정보에 기초하여 제 2 인공지능 모델로부터 획득되는 제 1 예측 온도 그래프가 낮아지는 과냉방 구간이 식별되는 경우, 상기 설정 온도 상승 요청을 상기 공기조화기로 전송하는 서버 장치를 포함하는, 제어 시스템.
  16. 제 15 항에 있어서, 상기 쾌적 온도 그래프는,
    상기 공기조화기의 가동 시간에 따라 쾌적 온도가 변화하는 불안정 구간과 쾌적 온도가 일정하게 유지되는 안정 구간을 포함하고, 상기 공기조화기의 가동 시점 정보, 상기 공기조화기의 풍속 정보, 실내 습도 정보, 실외 습도 정보, 실내 온도 정보, 및 실외 온도 정보 중 적어도 하나를 상기 제 1 인공지능 모델에 적용하여 획득되는, 제어 시스템.
  17. 제 15 항에 있어서, 상기 설정 온도 상승 요청은,
    상기 공기조화기의 설정 온도를 제 1 온도로 설정하라는 정보를 포함하고,
    상기 서버 장치는, 적어도 하나의 설정 온도를 상기 제 2 인공지능 모델에 적용하여 획득된 적어도 하나의 제 2 예측 온도 그래프와 상기 쾌적 온도 그래프를 비교한 결과에 기초하여, 상기 적어도 하나의 설정 온도 중에서 상기 제 1 온도를 결정하는, 제어 시스템.
  18. 제 17 항에 있어서,
    상기 제 1 온도를 상기 제 2 인공지능 모델에 적용하여 획득된 제 2 예측 온도 그래프는, 상기 쾌적 온도 그래프보다 낮아지지 않으며, 상기 쾌적 온도 그래프에 가장 근접한, 제어 시스템.
  19. 제 15 항에 있어서, 상기 공기조화기는,
    상기 현재 상태 정보에 대한 응답으로, 상기 서버 장치로부터 풍속 하강 요청을 수신하고, 상기 풍속 하강 요청에 따라, 상기 공기조화기의 풍속 강도를 조절하는, 제어 시스템.
  20. 제 15 항에 있어서, 상기 서버 장치는,
    상기 공기조화기의 가동 시점 정보, 실내 습도 정보, 실외 온도 정보, 실외 습도 정보, 날씨 정보, 상기 공기조화기의 성능 정보, 및 상기 공기조화기가 설치된 공간 정보 중 적어도 하나를 더 상기 제 2 인공지능 모델에 적용하여, 상기 제 1 예측 온도 그래프를 상기 제 2 인공지능 모델로부터 획득하는, 제어 시스템.
KR1020210071088A 2021-06-01 2021-06-01 공기조화기, 공기조화기의 제어 방법 및 제어 시스템 Pending KR20220162530A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210071088A KR20220162530A (ko) 2021-06-01 2021-06-01 공기조화기, 공기조화기의 제어 방법 및 제어 시스템
US17/829,767 US20220381472A1 (en) 2021-06-01 2022-06-01 Air conditioner, air conditioner control method, and air conditioner control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210071088A KR20220162530A (ko) 2021-06-01 2021-06-01 공기조화기, 공기조화기의 제어 방법 및 제어 시스템

Publications (1)

Publication Number Publication Date
KR20220162530A true KR20220162530A (ko) 2022-12-08

Family

ID=84193963

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210071088A Pending KR20220162530A (ko) 2021-06-01 2021-06-01 공기조화기, 공기조화기의 제어 방법 및 제어 시스템

Country Status (2)

Country Link
US (1) US20220381472A1 (ko)
KR (1) KR20220162530A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102687214B1 (ko) * 2024-01-23 2024-07-24 (주)케이앤피 인공지능에 기반한 제어 패턴 분석을 통해 팬을 제어하기 위한 방법, 장치 및 프로그램

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933498A (zh) * 2022-12-30 2023-04-07 安徽扬子空调股份有限公司 一种单热型空调控制系统及控制方法
CN116255720A (zh) * 2023-01-31 2023-06-13 青岛海尔空调器有限总公司 用于控制空调的方法、装置及空调
CN118274413B (zh) * 2024-04-02 2024-09-06 斯缔凯兰(浙江)科技有限公司 一种基于ai模型的热泵空调制冷运行监控系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5415346A (en) * 1994-01-28 1995-05-16 American Standard Inc. Apparatus and method for reducing overshoot in response to the setpoint change of an air conditioning system
KR100239576B1 (ko) * 1997-12-17 2000-01-15 윤종용 공기조화기의 드라이 운전장치 및 그 제어방법
KR102431708B1 (ko) * 2016-03-04 2022-08-11 삼성전자주식회사 공기 조화를 위한 제어 장치 및 그 제어 방법
KR102393418B1 (ko) * 2017-03-30 2022-05-03 삼성전자주식회사 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
KR102488347B1 (ko) * 2018-01-10 2023-01-13 삼성전자주식회사 에어 컨디셔닝 시스템에서 에어 컨디셔너를 제어하는 장치 및 방법
IT201900005278A1 (it) * 2019-04-05 2020-10-05 Arrowspot Systems Ltd Trattamento a freddo a risposta attiva per carico refrigerato
JP7188255B2 (ja) * 2019-04-16 2022-12-13 富士通株式会社 学習方法、学習プログラムおよび学習装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102687214B1 (ko) * 2024-01-23 2024-07-24 (주)케이앤피 인공지능에 기반한 제어 패턴 분석을 통해 팬을 제어하기 위한 방법, 장치 및 프로그램

Also Published As

Publication number Publication date
US20220381472A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
KR102553299B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
KR20220162530A (ko) 공기조화기, 공기조화기의 제어 방법 및 제어 시스템
CN110410964B (zh) 空调器的控制方法及控制系统
US10837667B2 (en) Devices and methods for interacting with an HVAC controller
CN102866684B (zh) 基于用户舒适感的室内环境集成控制系统及方法
JP3954087B2 (ja) 機器制御方法および機器制御装置
US20160363336A1 (en) Method and apparatus for controlling an hvac system
CN110036246B (zh) 控制装置、换气系统、换气方法及记录介质
CN104033988A (zh) 空调控制系统及其控制方法
CN105102899A (zh) 空气环境调节系统和控制设备
US11371741B2 (en) Air conditioning apparatus and method for controlling using learned sleep modes
KR102176369B1 (ko) 공기조화기 및 이를 포함하는 공기조화시스템
CN117518849A (zh) 智能家居系统及其控制方法、装置、储存介质和程序产品
CN214098156U (zh) 一种家用电器与携带设备互联系统
CN211906005U (zh) 家用电器与携带设备互联控制系统
Flessner et al. Perception based method for indoor air quality control
CN218895470U (zh) Hvac设备和用于操作hvac设备的主控制设备
US20250167561A1 (en) Battery Management and Optimization Using Voice Integration Systems
KR20250010517A (ko) 사용자 데이터 기반의 공기조화기 제어 방법과, 이를 제공하는 서버와 공기조화기
KR20250007384A (ko) 온도 조절 장치의 제어 방법 및 이를 수행하는 서버 장치
CN118012546A (zh) 用户界面的显示方法、装置、设备及存储介质
CN117155727A (zh) 一种面向物联网的智能家居管理系统及其运行方法
JP2022191834A (ja) 制御装置、制御方法、及び制御プログラム
CN118011844A (zh) 调节方法、装置、设备及存储介质
CN119103180A (zh) 一种吊扇电机的控制方法及应用该方法的智能吊扇

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20210601

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20240603

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20210601

Comment text: Patent Application