선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- Variable subset selection 기법에는 filter 방식, wrapper방식, embedded방식이 있는데 이 논문에서는 상관관계를 이용한 filter 방식을 선택하였고, 이러한 이유는 최종 모델링을 실제 환경에서 사용할 경우 발생하는 다중공선성 문제를 해결하기 위해서이다[6].
- 따라서 본 연구에서 정밀한 온실 환경제어를 위해 인공신경망을 이용한 온실 외부 온도의 예측모델을 제안한다. 데이터 전처리 단계에서 예측모델의 정확성 향상을 위해 상관관계분석을 통해 데이터의 차원을 축소하고, 새로운 요인을 추출하여 트레이닝 데이터에 반영하였다[5].
- 본 연구에서는 벤로형 온실에서 수집된 데이터를 기반으로 인공신경망을 이용하여 온실 외부의 온도를 예측하고 예측한 결과와 다중회귀모델 및 SVM 모델과 비교분석하여 모델의 타당성을 검증하였다. 또한 예측된 데이터를 온실 난방 부하 예측에 활용함으로써 보다 효율적인 온실 제어를 가능케 하였다.
제안 방법
- 인공신경망의 은닉층 개수는 입력 데이터가 n개 일 때, n/2, n, 2n과 2n+1로 결정하였다[8]. 각 구조의 평균제곱근 오차(RMSE)를 비교하여 가장 작은 값의 구조를 선택하였다[Table 3].
- 함안 시설원예연구소에 위치한 벤로형 온실(Venlo-type Greenhouse)에서 수집한 데이터를 바탕으로 실험을 진행하 였다. 난방조건은 주간(09 - 18시)을 기준으로 20℃, 야간(18 - 09시)은 18℃를 유지하게 설정하였으며, 온수를 이용한 난방을 하였다. 작물은 파프리카(품종: 쿠푸라)와 토마토(품종 데프니스)를 재배하였으며, 환기는 천창 환기창은 28℃ 이상이면 열리도록 설정하였고, 고온기에는 측창 환기창은 수동으로 열어 두었다.
- 따라서 본 연구에서 정밀한 온실 환경제어를 위해 인공신경망을 이용한 온실 외부 온도의 예측모델을 제안한다. 데이터 전처리 단계에서 예측모델의 정확성 향상을 위해 상관관계분석을 통해 데이터의 차원을 축소하고, 새로운 요인을 추출하여 트레이닝 데이터에 반영하였다[5]. 또한, 난방이 되지 않은 온실의 데이터를 활용하여 다중회귀모델 및 SVM 모델을 구축하고 비교분석을 통해 예측모델의 타당성 검증하였다.
- 데이터 마이닝 기법을 농업에 적용함으로써 재배, 온실제어, 에너지 관리 등 다양한 분야에서 이를 활용하는데 기여하였다[11]. 또한 온실 환기제어에 인공신경망 모델을 활용하여 환기 제어를 함으로써 에너지를 보다 효율적으로 관리할 수 있게 하였다.
- 인공신경망을 이용한 온실 난방 에너지 소비를 예측한 연구에서는 회귀모델과의 비교를 통해 타당성을 검증하였다 [2]. 온실의 온도 예측을 위해 LSSVM(Least Squares Support Vector Machine) 모델을 구축하여 SVM과 인공신경망과의 비교 분석을 수행하였다[3]. 퍼지이론과 인공신경망을 접목 하여 딸기의 수확 예측모델을 제안하였으며, 기존의 인공신 경망 기법과 비교 분석을 하였다[4].
- 이에 온실 내·외부 수증기 포차를 계산하여 각 모델의 입력변수로 반영하였다.
- 인공신경망의 입력 개수에 따른 성능 평가를 위해 측정된 데이터 모두를 입력변수로 하고 온실 외부 온도를 예측값으로 하여 모델을 구축하였다. 구축 시간은 제안한 모델보다 1.
- 난방조건은 주간(09 - 18시)을 기준으로 20℃, 야간(18 - 09시)은 18℃를 유지하게 설정하였으며, 온수를 이용한 난방을 하였다. 작물은 파프리카(품종: 쿠푸라)와 토마토(품종 데프니스)를 재배하였으며, 환기는 천창 환기창은 28℃ 이상이면 열리도록 설정하였고, 고온기에는 측창 환기창은 수동으로 열어 두었다. 온실 주 난방기는 경유 보일러로 온수난방을 하고, 보조 냉난방기로 GHP(Gas engine Heat Pump)를 사용하였다.
- 온실의 온도 예측을 위해 LSSVM(Least Squares Support Vector Machine) 모델을 구축하여 SVM과 인공신경망과의 비교 분석을 수행하였다[3]. 퍼지이론과 인공신경망을 접목 하여 딸기의 수확 예측모델을 제안하였으며, 기존의 인공신 경망 기법과 비교 분석을 하였다[4]. 온실 환경제어를 위한 내부 온도 예측모델은 통계적 접근이나 복잡한 데이터마이닝 기법까지 여러 방법으로 구축될 수 있으나, 정확한 예측을 데이터 전처리와 같은 측정된 데이터의 신뢰성 확보 과정이 필요하다.
대상 데이터
- Training data set을 이용하여 Cross validation 방법에 적용하여 각 모델의 비교분석을 수행하였다[7]. Target 변수는 실외 온도이며, 2017년 1월 데이터를 이용하여 실측값과 예측값을 비교하였다.
- 데이터 수집을 위해 차광통 조건 하에서 온도 및 습도센서(Jauntering Int., 111N & 222N, Taiwan), CO2 센서 (소하테크, VT-250, 한국), 일사량 센서(KIPP&ZONEN, CNR4, 네덜란드), 데이터 로거(캠벨社, CR1000, 미국)를 사용하였다.
- 등 총 29개의 항목을 수집하였다[Table 1]. 데이터는 2016년 1년간 수집된 데이터를 사용하였으며, 데이터의 변화가 적기 때문에 10분 평균값으로 구성하였다.
- 본 연구는 대한민국 경상남도 함안의 시설원예연구소 내에 위치한 온실에서 실험을 수행하였다. 온실 내·외에 설치되어있는 각 센서로부터 다양한 유형의 데이터가 수집되며 이를 바탕으로 온실 제어가 수행된다.
- 상관관계 분석에 Pearson correlation coefficient 방법을 적용하였으며, 상관계수 값이 같거나 중복되는 변수는 하나만 선택하였다. 상관계수가 0.3 이상, -0.3이 하로 나타난 변수를 선택하여 총 29개 변수 중에 17개의 입력변수를 선정하였다.
- 실험을 수행한 온실의 면적은 72m2이고 유리온실이며, 예측된 최저온도는 –5.4℃이다.
- 일련의 과정을 통해 인공신경망 모델의 Training data set을 구성하였으며, 작물 재배시기를 고려하여 6, 7월을 제외한 나머지 데이터를 Training에 사용하였다. 총 18개의 입력 변수로 구성되며 43,932개의 열로 구성하였다.
- 일련의 과정을 통해 인공신경망 모델의 Training data set을 구성하였으며, 작물 재배시기를 고려하여 6, 7월을 제외한 나머지 데이터를 Training에 사용하였다. 총 18개의 입력 변수로 구성되며 43,932개의 열로 구성하였다. Training data set을 이용하여 Cross validation 방법에 적용하여 각 모델의 비교분석을 수행하였다[7].
- 함안 시설원예연구소에 위치한 벤로형 온실(Venlo-type Greenhouse)에서 수집한 데이터를 바탕으로 실험을 진행하 였다. 난방조건은 주간(09 - 18시)을 기준으로 20℃, 야간(18 - 09시)은 18℃를 유지하게 설정하였으며, 온수를 이용한 난방을 하였다.
- 환경 측정 데이터는 외부기상(온도, 습도, 풍향, 풍속)을 비롯한 일사량, 감우, 지표하 온도, 외부 CO2, 온실 내 온도, 상대습도, 내부 CO2 등 총 29개의 항목을 수집하였다[Table 1]. 데이터는 2016년 1년간 수집된 데이터를 사용하였으며, 데이터의 변화가 적기 때문에 10분 평균값으로 구성하였다.
데이터처리
- 총 18개의 입력 변수로 구성되며 43,932개의 열로 구성하였다. Training data set을 이용하여 Cross validation 방법에 적용하여 각 모델의 비교분석을 수행하였다[7]. Target 변수는 실외 온도이며, 2017년 1월 데이터를 이용하여 실측값과 예측값을 비교하였다.
- 기존 연구들에서는 센서로부터 측정된 데이터를 사용하였지만, 측정 오차, 수동/자동 조작의 에러 및 측정 오류에 대해서 고려하지 않았다. 데이터의 신뢰성 확보를 위해 상관관계 분석을 통해 데이터 축소를 수행하였으며, 새로운 factor의 추출을 통해 데이터의 신뢰성을 확보하였다. 인공신경망과 다중회귀모델 및 SVM을 비교한 결과 RMSE 값이 각각 0.
- 데이터 전처리 단계에서 예측모델의 정확성 향상을 위해 상관관계분석을 통해 데이터의 차원을 축소하고, 새로운 요인을 추출하여 트레이닝 데이터에 반영하였다[5]. 또한, 난방이 되지 않은 온실의 데이터를 활용하여 다중회귀모델 및 SVM 모델을 구축하고 비교분석을 통해 예측모델의 타당성 검증하였다. 온실의 난방부하 예측에 제안한 모델을 적용함으로써 효율적인 온실 에너지 관리가 가능하며, 온실에 사용되는 에너지 비용의 절감 효과를 기대할 수 있다.
- 예측 모델의 정확성 향상을 위해 온실 외부 온도와 수집된 데이터의 상관관계 분석을 통해 입력변수의 축소를 수행하였다 (Dimension reduction). 상관관계 분석에 Pearson correlation coefficient 방법을 적용하였으며, 상관계수 값이 같거나 중복되는 변수는 하나만 선택하였다. 상관계수가 0.
- 예측 모델의 정확성 향상을 위해 온실 외부 온도와 수집된 데이터의 상관관계 분석을 통해 입력변수의 축소를 수행하였다 (Dimension reduction). 상관관계 분석에 Pearson correlation coefficient 방법을 적용하였으며, 상관계수 값이 같거나 중복되는 변수는 하나만 선택하였다.
이론/모형
- 구축된 예측 모델의 성능비교 분석을 위해 10-Fold cross validation 방법을 이용하였다. 교차검증은 Training data를 기반으로 Training/test data의 비율과 선택을 다르게 하여 10번의 검증을 수행하는 방법이다.
- 구축된 인공신경망의 성능비교를 위해 다중회귀모델(M5 method)을 구축하였으며, 동일한 Training data set을 활용하였다[9]. Target 변수는 온실 외부 온도이고 독립변수로는 나머지 변수를 적용하였다.
- 인공신경망의 예측율 증대를 위해 Supervised Learning 기법 중의 하나인 Backpropagation algorithm을 이용하여 인공신경망 모델을 구축하였다(Fig. 1).
성능/효과
- 본 연구에서는 벤로형 온실에서 수집된 데이터를 기반으로 인공신경망을 이용하여 온실 외부의 온도를 예측하고 예측한 결과와 다중회귀모델 및 SVM 모델과 비교분석하여 모델의 타당성을 검증하였다. 또한 예측된 데이터를 온실 난방 부하 예측에 활용함으로써 보다 효율적인 온실 제어를 가능케 하였다.
- 예측값과 실측값을 비교한 결과 ANN과 다중회귀모델은 실측값과 비슷한 패턴을 보였지만, SVM 모델은 온도가 급격히 변하는 구간에서 예측이 어렵다는 것을 알 수 있다[Fig. 3].
- 데이터의 신뢰성 확보를 위해 상관관계 분석을 통해 데이터 축소를 수행하였으며, 새로운 factor의 추출을 통해 데이터의 신뢰성을 확보하였다. 인공신경망과 다중회귀모델 및 SVM을 비교한 결과 RMSE 값이 각각 0.9256, 1.8503과 7.5521로 인공신경망의 RMSE 값이 가장 작기 때문에 예측 정확도가 높다고 판단된다. 또한 예측된 온실 외부 온도를 난방부하 계산에 적용하여 미리 예측을 함으로써 온실에 사용되는 에너지 비용을 절약할 수 있다.
후속연구
- 또한, 난방이 되지 않은 온실의 데이터를 활용하여 다중회귀모델 및 SVM 모델을 구축하고 비교분석을 통해 예측모델의 타당성 검증하였다. 온실의 난방부하 예측에 제안한 모델을 적용함으로써 효율적인 온실 에너지 관리가 가능하며, 온실에 사용되는 에너지 비용의 절감 효과를 기대할 수 있다.
- 향후 연구로 예측 모델과 작물 재배를 위한 퍼지 이론을 접목하여 정밀한 온실 제어 및 에너지를 보다 효율적으로 관리함으로써 비용 감소와 수익 창출이 가능할 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.