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
- 따라서 이 연구에서는 정밀한 온실 제어를 위해 머신러닝 기반의 예측모델을 개발한다. 데이터 전처리 단계에서 예측모델의 정확성을 향상시키기 위해 상관관계분석을 통해 데이터를 축소하고, 새로운 Feature를 추출하여 Training dataset 데이터에 반영하였다[9].
- Full dataset은 수집된 모든 데이터를 이용하여 예측모델을 구축하는데 사용되고, Selected dataset은 예측성능향상을 위해 데이터를 축소하여 구성한다. 본 연구에서는 데이터의 축소를 위해 상관관계분석을 이용한 Filter 방식을 선택하였고, 이러한 이유는 구축된 최종 모델을 실제 환경에서 사용할 경우 발생하는 다중공선성 문제를 해결하기 위해서이다[10].
- 복잡한 온실 환경을 제어하기 위해 다양한 방법이 시도되고 있지만, 아직까지 온실의 기상을 정확하게 판단하고 제어하기엔 전통의 제어 방법으로는 부족한 점이 많다. 이 연구에서는 함안 시설원예연구소의 벤로형 온실에서 수집된 데이터를 기반으로 예측모델을 이용하여 온실 내부의 온도를 예측하고 예측한 결과와 ANN, RNN 모델과 MRM과의 비교분석하여 모델의 타당성을 검증하였다. 또한 예측된 온실 내 온도 데이터를 온실 환기 제어에 활용함으로써 보다 효율적인 온실 제어를 가능케 하였다.
제안 방법
- Training dataset의 구성은 측정변수를 모두 반영한 Full dataset과 데이터 축소를 수행한 Selected dataset으로 구성(11Variables)하였다. Full Dataset 역시 앞서 추출한 Vapor Deficit을 포함하며, 총 30 Variables로 구성하였다.
- Full dataset은 센서로부터 측정되는 모든 변수를 입력값으로 하는 동시에 전처리 과정에서 추출된 새로운 Feature도 포함한다. Training dataset의 확장을 통해 머신러닝 예측모델로써 다양한 구조의 ANN (artificial neural network), RNN (recurrent neural network) 및 MRM (multi regression model)을 구축하고 비교분석을 통해 예측모델의 타당성 검증하였다. 아울러 계절별 모델의 비교를 통해 가장 적합한 예측모델을 선택하여 온실 제어에 활용토록 하였다.
- Full Dataset 역시 앞서 추출한 Vapor Deficit을 포함하며, 총 30 Variables로 구성하였다. 각 Dataset은 계절별로 봄(3-5월), 여름(6-8월), 가을(9-11월) 그리고 겨울(12-2월)로 나누었으며, 각각 13,249 Samples, 13,248 Samples, 13,103 Samples, 12,975 Samples로 총 52,575 Samples 이다. 표 3은 전처리를 통해 구성한 Selected data을 나타낸다.
- 이를 이용하여 Training dataset을 구성하며, Full dataset과 Selected dataset으로 구분한다. 각 Training dataset을 계절별로 나누어 예측모델을 구축하는데 사용한다. 계절별로 구축된 모델을 비교분석하여 예측모델의 타당성을 검증한다.
- 비교결과로 Selected data에서는 11-23-1구조이며, Full dataset에서는 30-60-1의 구조로 모델을 구축하였다. 같은 Dataset을 기반으로 하여 MRM도구축하였다. Target 변수는 온실 내부 온도이고 독립변수로는 나머지 변수를 적용하였다.
- 각 Training dataset을 계절별로 나누어 예측모델을 구축하는데 사용한다. 계절별로 구축된 모델을 비교분석하여 예측모델의 타당성을 검증한다.
- 따라서 이 연구에서는 정밀한 온실 제어를 위해 머신러닝 기반의 예측모델을 개발한다. 데이터 전처리 단계에서 예측모델의 정확성을 향상시키기 위해 상관관계분석을 통해 데이터를 축소하고, 새로운 Feature를 추출하여 Training dataset 데이터에 반영하였다[9]. 예측모델의 성능 비교분석을 위해 Training dataset은 계절별로 구분되며, Selected dataset과 Full dataset으로 나누어 각각의 예측모델을 구축하고 비교하였다.
- 선정한 입력변수 중 상대습도는 단위의 문제 때문에 통계적 분석이나 온실 제어에 많이 사용되지 않는다. 따라서 수증기 포차(Vapor Deficit)를 구하여 새로운 Feature로 활용하였다. 수증기 포차를 계산하는 수식은 다음과 같다[11].
- 이 연구에서는 함안 시설원예연구소의 벤로형 온실에서 수집된 데이터를 기반으로 예측모델을 이용하여 온실 내부의 온도를 예측하고 예측한 결과와 ANN, RNN 모델과 MRM과의 비교분석하여 모델의 타당성을 검증하였다. 또한 예측된 온실 내 온도 데이터를 온실 환기 제어에 활용함으로써 보다 효율적인 온실 제어를 가능케 하였다. 예측 성능의 향상을 위해 상관관계 분석을 통해 데이터 축소를 수행하였으며, 새로운 Feature의 추출을 통해 데이터의 신뢰성 및 제어 성능 향상에 기여하였다.
- 이에 따라 다양한 환경 조건에서 효과적으로 온실을 제어하고 에너지 소비를 줄이고 수익을 증대시키는 방향으로 연구가 수행되어왔다. 미기상 환경 예측모델을 제안하였고, 이 모델은 온실 환경 조절 시스템에 적용할 수 있도록 설계 되었다[4]. 인공신경망을 이용해 온실 내 습도 모델링, 난방 에너지 소비 예측 등의 예측모델을 통한 연구가 수행되어 회귀모델과의 비교를 통해 타당성을 검증하였다[5-7].
- Training dataset의 확장을 통해 머신러닝 예측모델로써 다양한 구조의 ANN (artificial neural network), RNN (recurrent neural network) 및 MRM (multi regression model)을 구축하고 비교분석을 통해 예측모델의 타당성 검증하였다. 아울러 계절별 모델의 비교를 통해 가장 적합한 예측모델을 선택하여 온실 제어에 활용토록 하였다. 제안한 예측모델을 적용하여 효율적인 온실에너지 관리를 가능케 하며, 온실에 사용되는 에너지 비용의 절감 효과를 기대할 수 있다.
- 예측모델의 Training dataset을 구성하기 위해 데이터의 전처리를 수행하였다. Full dataset은 수집된 모든 데이터를 이용하여 예측모델을 구축하는데 사용되고, Selected dataset은 예측성능향상을 위해 데이터를 축소하여 구성한다.
- 온실 환기 제어를 위해 온실 내 온도를 예측하는 예측모델을 구축하였다. 예측모델의 비교분석을 위해 ANN, RNN과 MRM을 구축하였다. Neural network 모델의 은닉층을 결정하기 위해 입력 데이터가 n개 일 때, n/2, n, 2n과 2n+1의 평균제곱근오차(RMSE: root mean square error)를 비교하여 가장 작은 값의 구조를 선택하였다[12].
- 데이터 전처리 단계에서 예측모델의 정확성을 향상시키기 위해 상관관계분석을 통해 데이터를 축소하고, 새로운 Feature를 추출하여 Training dataset 데이터에 반영하였다[9]. 예측모델의 성능 비교분석을 위해 Training dataset은 계절별로 구분되며, Selected dataset과 Full dataset으로 나누어 각각의 예측모델을 구축하고 비교하였다. Full dataset은 센서로부터 측정되는 모든 변수를 입력값으로 하는 동시에 전처리 과정에서 추출된 새로운 Feature도 포함한다.
- 온실 환기 제어를 위해 온실 내 온도를 예측하는 예측모델을 구축하였다. 예측모델의 비교분석을 위해 ANN, RNN과 MRM을 구축하였다.
- 각 예측모델의 비교 분석을 통해 ANN의 성능이 가장 뛰어나다고 판단되었다[9]. 이 연구에서는 Training dataset으로 모든 측정값 및 새로운 Feature를 입력 변수로 하는 Full dataset을 구성하여 예측 성능을 평가를 위해 기존 예측모델과 비교분석을 수행하였다. 그림 2와 3은 계절별 모델의 예측값과 실측값을 비교한 그래프이다.
- Neural network 모델의 은닉층을 결정하기 위해 입력 데이터가 n개 일 때, n/2, n, 2n과 2n+1의 평균제곱근오차(RMSE: root mean square error)를 비교하여 가장 작은 값의 구조를 선택하였다[12]. 학습과 테스트를 위한 데이터의 구성은 70/30으로 하여 구축을 수행하였다. 표 4와 5는 데이터에 따른 예측모델의 각 구조를 비교한 결과이다.
대상 데이터
- 데이터 수집을 위해 차광 조건 하에서 온도, 습도 및 CO2센서(소하테크, VT-250, 한국), 일사량 센서(KIPP&ZONEN, CNR4, 네덜란드), 데이터 로거(캠벨, CR1000, 미국)를 사용하였다.
- 벤로형 온실(Venlo type greenhouse)에서 데이터 수집하고 실험을 진행하였다. 데이터 수집을 위해 차광 조건 하에서 온도, 습도 및 CO2센서(소하테크, VT-250, 한국), 일사량 센서(KIPP&ZONEN, CNR4, 네덜란드), 데이터 로거(캠벨, CR1000, 미국)를 사용하였다.
- 본 연구에서는 함안에 위치한 시설원예연구소 내의 온실 내·외부에서 측정한 데이터를 수집 및 가공하여 실험을 수행하였다.
- 데이터 수집을 위해 차광 조건 하에서 온도, 습도 및 CO2센서(소하테크, VT-250, 한국), 일사량 센서(KIPP&ZONEN, CNR4, 네덜란드), 데이터 로거(캠벨, CR1000, 미국)를 사용하였다. 수집되는 데이터는 표 1과 같으며, 총 29개의 Attribute로 구성되며, 2016년 1년 동안의 데이터를 활용하였다. 데이터의 변화가 적기 때문에 10분 평균 데이터로 구성한다.
데이터처리
- 예측모델의 비교분석을 위해 ANN, RNN과 MRM을 구축하였다. Neural network 모델의 은닉층을 결정하기 위해 입력 데이터가 n개 일 때, n/2, n, 2n과 2n+1의 평균제곱근오차(RMSE: root mean square error)를 비교하여 가장 작은 값의 구조를 선택하였다[12]. 학습과 테스트를 위한 데이터의 구성은 70/30으로 하여 구축을 수행하였다.
- 온실 내 온도와 나머지 데이터의 상관관계분석을 통해 데이터의 축소를 수행하였다. Pearson correlation coefficient 방법을 사용하였으며, 측정되는 데이터 중 중복되는 값은 제외하였다. 또한 상관계수의 값을 분석하여 강한 음의 상관관계와 강한 양의 상관관계(-0.
- 또한 예측된 온실 내 온도 데이터를 온실 환기 제어에 활용함으로써 보다 효율적인 온실 제어를 가능케 하였다. 예측 성능의 향상을 위해 상관관계 분석을 통해 데이터 축소를 수행하였으며, 새로운 Feature의 추출을 통해 데이터의 신뢰성 및 제어 성능 향상에 기여하였다. ANN, RNN 및 MRM을 비교한 결과 입력 데이터의 개수에 따라 다른 성능을 나타내었다.
- 예측모델의 비교분석을 위해 예측 데이터와 실측 데이터의 패턴을 분석하였다. ANN 모델에 비해 다중회귀모델은 예측값과 실측값의 패턴은 비슷하나 급격하게 변화하는 실내 온도값을 예측하기 어려우며, 정확성이 떨어지는 것을 알 수 있다.
- 온실 내 온도와 나머지 데이터의 상관관계분석을 통해 데이터의 축소를 수행하였다. Pearson correlation coefficient 방법을 사용하였으며, 측정되는 데이터 중 중복되는 값은 제외하였다.
성능/효과
- 그림 4와 5는 Training dataset별로 예측모델의 구축 속도를 비교한 그래프이다. ANN 모델이 다른 예측모델보다 빠른 구축 속도를 보이고 있으며, 제안된 온실 환경 즉, 낮은 성능이 제어시스템에 따라 빠른 응답을 위해 구축 속도가 빠르고 예측 성능이 보다 좋은 모델을 선택하는 것이 옳다고 생각된다.
- 입력 데이터가 많은 경우에, ANN 모델은 최악의 성능을 나타냈다. RNN 모델은 봄과 가을에 가장 좋은 성능을 보였으며, MRM은 여름과 겨울에 가장 좋은 성능을 나타냈다. 이러한 경우에는 제한적인 제어 환경을 고려할 때 MRM 모델을 선택하는 것이 가장 좋은 방법이다.
- ANN, RNN 및 MRM을 비교한 결과 입력 데이터의 개수에 따라 다른 성능을 나타내었다. Selected dataset의 경우 ANN이 대체적으로 좋은 성능을 보였으며, Full dataset의 경우 MRM이 좋은 성능을 보였다. 하지만, Full dataset의 경우 겨울의 예측성능이 현저히 떨어지는 것을 알 수 있었으며, 입력 데이터가 많다고 좋은 예측성능을 보이는 것은 아니라는 결론을 얻을 수 있었다.
- 표7과 8은 각각 Full dataset일 경우에 ANN과 RNN의 구축 성능을 비교한 것이다. 구축된 결과를 보면, 여름의 경우 ANN의 성능이 가장 좋았으며, 가을의 경우 RNN 모델의 성능이 좋은 것으로 나타났다.
- 하지만, Full dataset의 경우 겨울의 예측성능이 현저히 떨어지는 것을 알 수 있었으며, 입력 데이터가 많다고 좋은 예측성능을 보이는 것은 아니라는 결론을 얻을 수 있었다. 또한 온실 환경같이 제안된 조건하에서는 예측 성능의 향상 및 데이터의 신뢰성 확보를 위해 데이터의 축소가 필요하고, 모델의 구축 속도나 처리 속도가 빠른 보다 가벼운 예측모델을 선택하여 제어에 활용하는 것이 옳다고 판단된다.
- Selected dataset의 경우 ANN이 대체적으로 좋은 성능을 보였으며, Full dataset의 경우 MRM이 좋은 성능을 보였다. 하지만, Full dataset의 경우 겨울의 예측성능이 현저히 떨어지는 것을 알 수 있었으며, 입력 데이터가 많다고 좋은 예측성능을 보이는 것은 아니라는 결론을 얻을 수 있었다. 또한 온실 환경같이 제안된 조건하에서는 예측 성능의 향상 및 데이터의 신뢰성 확보를 위해 데이터의 축소가 필요하고, 모델의 구축 속도나 처리 속도가 빠른 보다 가벼운 예측모델을 선택하여 제어에 활용하는 것이 옳다고 판단된다.
후속연구
- 이는 겨울 데이터의 경우 온실 난방을 저녁부터 다음날 오전 9시까지 하였기 때문에 하지 않은 낮 동안에 측정된 데이터들이 온실 내 온도예측에 영향을 미치는 것으로 판단된다. 따라서 보다 정확한 모델을 구축하기 위해 난방을 하지 않은 온실의 데이터를 확보하여 예측모델을 구축하고 실측 데이터와의 추가적인 비교분석이 필요할 것으로 보인다.
- 아울러 계절별 모델의 비교를 통해 가장 적합한 예측모델을 선택하여 온실 제어에 활용토록 하였다. 제안한 예측모델을 적용하여 효율적인 온실에너지 관리를 가능케 하며, 온실에 사용되는 에너지 비용의 절감 효과를 기대할 수 있다.
- 향후 연구로 퍼지 이론을 온실 제어에 접목하여 온실을 운영하는 사람의 판단에 도움을 주고, 자동으로 정밀한 온실 제어를 함으로써 온실에 사용되는 에너지의 효율적인 관리가 가능할 것으로 판단된다. 이를 활용하여 에너지 절약 및 수확물 증가로 인한 농가의 수입 증대가 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.