KR20210058839A - 외부 3d 모델링 및 신경망을 이용한 제어 방법 및 시스템 - Google Patents

Abstract

미래의 환경 조건의 예측에 기초하여 건물 내의 창문들의 하나 이상의 구역의 변색을 제어하기 위한 시스템.

Description

외부 3D 모델링 및 신경망을 이용한 제어 방법 및 시스템

우선권 정보

본 출원은 2018년 8월 15일에 출원된 미국 특허 임시출원 제62/764,821호(발명의 명칭: CONTROL METHODS AND SYSTEMS USING EXTERNAL 3D MODELING AND NEURAL NETWORKS), 2018년 10월 15일에 출원된 미국 특허 임시출원 제62/745,920호(발명의 명칭: CONTROL METHODS AND SYSTEMS USING EXTERNAL 3D MODELING AND NEURAL NETWORKS), 및 2019년 2월 14일에 출원된 미국 특허 임시출원 제62/805,841호(발명의 명칭: CONTROL METHODS AND SYSTEMS USING EXTERNAL 3D MODELING AND NEURAL NETWORKS)의 우선권을 주장하며, 본 출원은 또한, 2018년 3월 21일에 출원된 미국 특허 임시출원 제62/646,260호(발명의 명칭: METHODS AND SYSTEMS FOR CONTROLLING TINTABLE WINDOWS WITH CLOUD DETECTION) 및 2018년 5월 3일에 출원된 미국 특허 임시출원 제62/666,572호(발명의 명칭: CONTROL METHODS AND SYSTEMS USING EXTERNAL 3D MODELING AND SCHEDULE-BASED COMPUTING)의 우선권을 주장하는 2019년 3월 20일에 출원된 PCT 국제출원 PCT/US19/23268(발명의 명칭: CONTROL METHODS AND SYSTEMS USING EXTERNAL 3D MODELING AND SCHEDULE-BASED)의 부분계속 출원이고, 이 PCT 국제출원 PCT/US19/23268은 2016년 11월 9일에 출원된 미국 특허출원 제15/347,677호(발명의 명칭: CONTROL METHOD FOR TINTABLE WINDOWS)의 계속 출원인 2018년 6월 20일에 출원된 미국 특허출원 제16/013,770호(발명의 명칭: CONTROL METHOD FOR TINTABLE WINDOWS)의 부분계속 출원이며, 이 미국 특허출원 제15/347,677호는 2014년 5월 9일에 출원된 61/991,375(발명의 명칭: CONTROL METHOD FOR TINTABLE WINDOWS)의 우선권을 주장하는 2015년 5월 7일에 출원된 PCT 국제출원 PCT/US15/29675(발명의 명칭: CONTROL METHOD FOR TINTABLE WINDOWS)의 부분계속 출원이고, 위 미국 특허출원 제15/347,677호는 또한, 2013년 2월 21일에 출원된 미국 특허출원 제13/772,969호(발명의 명칭: CONTROL METHOD FOR TINTABLE WINDOWS)의 부분계속 출원이며, 본 출원은 또한, 2014년 10월 7일에 출원된 미국 특허출원 제14/391,122호(발명의 명칭: APPLICATIONS FOR CONTROLLING OPTICALLY SWITCHABLE DEVICES)의 계속출원인 2019년 6월 11일에 출원된 미국 특허출원 제16/438,177호(발명의 명칭: APPLICATIONS FOR CONTROLLING OPTICALLY SWITCHABLE DEVICES)의 부분계속 출원이고, 이 미국 특허출원 제14/391,122호는 2012년 4월 13일에 출원된 미국 특허 임시출원 제61/624,175호(발명의 명칭: APPLICATIONS FOR CONTROLLING OPTICALLY SWITCHABLE DEVICES)의 우선권을 주장하는 2013년 4월 12일에 출원된 PCT 국제출원 PCT/US2013/036456(발명의 명칭: APPLICATIONS FOR CONTROLLING OPTICALLY SWITCHABLE DEVICES)의 미국 특허법 제371조에 의거한 국내단계 출원이며, 이들 각각의 출원은 그 전제가 모든 목적을 위해 본원에 참고로 포함된다.

기술분야

본원에 개시된 실시예들은 변색 가능(tintable) 창(예를 들어, 전기 변색 창)의 색조 및 다른 기능들을 제어하는 방법을 구현하기 위한 창문 컨트롤러들 및 관련 제어 로직에 관한 것이다.

전기 변색(Electrochromism)은 대개, 전압이 변화되어 다른 전자적 상태에 놓인 물질이, 전기화학적으로 매개되는(electrochemically-mediated) 광학 특성의 가역적인 변화를 나타내는 현상이다. 광학 특성은 대개, 색, 투과율, 흡광도 및 반사율 중 하나 이상이다. 잘 알려진 하나의 전기 변색 물질은 산화텅스텐(WO₃)이다. 산화텅스텐은 전기화학적 환원에 의해 투명에서 청색으로 색상 전이가 발생하는 음극(cathodic) 전기 변색 물질이다.

전기 변색 물질은, 예를 들어, 가정용, 상업용 및 다른 용도의 창문에 포함될 수 있다. 이러한 창문의 색상, 투과율, 흡광도 및/또는 반사율은 전기 변색 재료의 변화를 유도하여 변경될 수 있는데, 즉, 전기 변색 창문은 전자적으로 어두워지거나 밝아질 수 있는 창문이다. 창문의 전기 변색 장치에 낮은 전압을 가하면 어두워지고, 전압 극성을 반대로 하면 밝아질 것이다. 이 기능은 창문을 통과하는 빛의 양을 제어하게 하며, 전기 변색 창문을 에너지 절약 장치로 사용할 수 있는 기회를 제공한다.

전기 변색은 1960년대에 발견되었지만, 전기 변색 장치, 특히, 전기 변색 창문은 불행히도 여전히 다양한 문제를 갖고 있으며, 전기 변색 기술, 장치 및 관련된 전기 변색 장치의 제조방법 및/또는 이용방법에 대한 최근의 많은 발전에도 불구하고, 그들의 상업적 잠재력의 완전한 실현은 시작되지 못했다.

일 실시예에서, 본 발명은 제어 시스템을 포함하고, 제어 시스템은 변색 가능 창문과, 변색 가능 창문에 연결된 창문 컨트롤러와, 창문 컨트롤러에 연결되는 하나 이상의 예측 모듈을 포함하며, 하나 이상의 예측 모듈은 적어도 하나의 센서로부터의 신호들을 처리하도록 그리고 미래 시간에서의 환경 조건의 예측 및/또는 미래 시간에서의 변색 가능 창문을 위한 원하는 창문 색조를 나타내는 하나 이상의 출력을 제공하도록 구성되는 제어 로직을 포함하고, 창문 컨트롤러는 하나 이상의 출력에 기초하여 변색 가능 창문을 제어하도록 구성된 제어 로직을 포함한다. 일 실시예에서, 하나 이상의 예측 모듈은 신경망을 포함한다. 일 실시예에서, 신경망은 LSTM 망을 포함한다. 일 실시예에서, 신경망은 DNN 망을 포함한다. 일 실시예에서, 환경 조건의 예측은 단기 환경 조건 및 상대적으로 더 긴 기간의 환경 조건을 포함한다. 일 실시예에서, 하나 이상의 예측 모듈은 머신러닝을 구현하도록 구성된다. 일 실시예에서, 적어도 하나의 센서는 광 센서 및/또는 적외선 센서를 포함한다. 일 실시예에서, 환경 조건은 날씨 상태를 포함한다. 일 실시예에서, 환경 조건은 태양의 위치를 포함한다. 일 실시예에서, 하나 이상의 출력은 최대 광 센서 값들의 이동 평균(rolling mean) 및/또는 최소 적외선 센서 값들의 이동 중앙값(rolling median)에 기초한다. 일 실시예에서, 하나 이상의 예측 모듈은 판독들의 시계열들로부터 질량중심 평균(Barycenter Averages)을 계산하도록 구성된다.

일 실시예에서, 본 발명은 제어 시스템을 포함하고, 제어 시스템은 복수의 변색 가능 창문들과, 복수의 변색 가능 창문들에 연결된 하나 이상의 창문 컨트롤러와, 하나 이상의 환경 조건을 나타내는 제1 출력을 제공하도록 구성된 적어도 하나의 센서와, 하나 이상의 창문 컨트롤러에 연결된 하나 이상의 신경망을 포함하며, 신경망은 제1 출력을 처리하도록 그리고 미래 환경 조건의 예측을 나타내는 제2 출력을 제공하도록 구성된 제어 로직을 포함하고, 하나 이상의 창문 컨트롤러는 제2 출력에 기초하여 복수의 변색 가능 창문들의 색조 상태들을 제어하도록 구성된 제어 로직을 포함한다. 일 실시예에서, 미래 환경 조건은 날씨 상태를 포함한다. 일 실시예에서, 신경망은 지도(supervised) 신경망을 포함한다. 일 실시예에서, 신경망은 LSTM 신경망 및 DNN 신경망을 포함한다. 일 실시예에서, 적어도 하나의 센서는 적어도 하나의 광 센서 및 적어도 하나의 적외선 센서를 포함하고, 제1 출력은 최대 광 센서 판독들의 이동 평균 및 최소 적외선 센서 판독들의 이동 중앙값을 포함한다. 일 실시예에서, 제2 출력은 LSTM 신경망과 DNN 신경망 사이의 다수결 합의(majority agreement)에 기초한다.

일 실시예에서, 본 발명은, 하나 이상의 센서를 사용하여 최근의 환경 조건을 나타내는 출력을 제공하는 단계, 출력을 제어 로직에 연결하는 단계, 제어 로직을 사용하여 미래의 환경 조건을 예측하는 단계, 및 제어 로직을 사용하여 미래 환경 조건의 예측에 기초하여 적어도 하나의 변색 가능 창문의 색조를 제어하는 단계를 포함하는, 적어도 하나의 변색 가능 창문을 제어하는 방법을 포함한다. 일 실시예에서, 하나 이상의 센서는 하나 이상의 광 센서 및 하나 이상의 적외선 센서를 포함한다. 일 실시예에서, 제어 로직은 LSTM 신경망 및 DNN 신경망 중 적어도 하나를 포함한다. 일 실시예에서, 출력은 최대 광 센서 판독들의 이동 평균 및 최소 적외선 센서 판독들의 이동 중앙값을 포함한다.

일 실시예에서, 본 발명은, 부지에 특정하고 계절적으로 구분되는 날씨 데이터를 이용하여 변색 가능 창문을 제어하는 방법을 포함하며, 이 방법은, 해당 부지에서 특정 기간(N일)에 걸쳐 적어도 하나의 센서로부터 환경 판독들을 획득하는 단계, 컴퓨터 판독 가능 매체에 해당 판독들을 저장하는 단계, N일 중 가장 최근의 날, 또는 N일 중 가장 최근의 날에 후속하는 날에 대해, 제어 로직으로 판독들을 처리하여, 적어도 하나의 센서로부터의 가능한 미래의 환경 판독들의 범위의 분포를 나타내는 제1 출력을 제공하는 단계, 및 제1 출력에 적어도 부분적으로 기초하여 변색 가능 창문의 색조를 제어하는 단계를 포함한다. 일 실시예에서, 제어 로직은 비-지도 분류기(unsupervised classifier)를 포함한다. 일 실시예에서, 본 발명은 제어 로직을 사용하여 N일 중 가장 최근의 날, 또는 N일 중 가장 최근의 날에 후속하는 날에 대한 부지에서의 환경 조건을 예측하는 단계를 더 포함한다. 일 실시예에서, 제어 로직은 신경망을 포함한다. 일 실시예에서, 제어 로직은 적어도 하나의 센서로부터의 신호들을 처리하도록 그리고 미래 시간에 변색 가능 창문에 대한 원하는 창문 색조를 나타내는 제2 출력을 제공하도록 구성된 하나 이상의 예측 모듈을 포함하고, 상기 방법은 제2 출력에 적어도 부분적으로 기초하여 변색 가능 창문의 색조를 제어하는 단계를 더 포함한다. 일 실시예에서, 하나 이상의 예측 모듈은 신경망을 포함한다. 일 실시예에서, 신경망은 LSTM 망을 포함한다. 일 실시예에서, 신경망은 DNN 망을 포함한다. 일 실시예에서, 제2 출력은 LSTM 신경망과 DNN 신경망 사이의 다수결 합의에 기초한다.

일 실시예에서, 본 발명은 건물 제어 시스템을 포함하며, 건물 제어 시스템은, 환경 판독들을 획득하도록 구성된 적어도 하나의 센서, 환경 판독들을 저장하기 위한 저장 장치, 및 환경 판독을 처리하도록 그리고 적어도 하나의 센서로부터의 가능한 미래의 환경 판독들의 범위를 나타내는 제1 출력을 제공하도록 구성된 제어 로직을 포함하고, 제1 출력은 건물의 시스템을 제어하기 위해 적어도 부분적으로 사용된다. 일 실시예에서, 시스템은 적어도 하나의 변색 가능 창문 및 적어도 하나의 변색 가능 창문 컨트롤러를 포함한다. 일 실시예에서, 제어 로직은 최근의 환경 판독들을 처리하도록 그리고 미래 시간에서의 미래 환경 조건의 예측을 나타내는 제2 출력을 제공하도록 구성된 하나 이상의 신경망을 포함한다. 일 실시예에서, 적어도 하나의 창문 컨트롤러는 제1 출력 또는 제2 출력에 적어도 부분적으로 기초하여 적어도 하나의 변색 가능 창문의 색조 상태를 제어하도록 구성된다. 일 실시예에서, 적어도 하나의 센서는 건물의 지붕 또는 벽 상에 위치된다. 일 실시예에서, 저장된 환경 판독들은 여러 날에 걸쳐 얻어진 판독들을 포함하고, 최근의 환경 판독들은 동일한 날에 얻어진 판독들을 포함한다. 일 실시예에서, 동일한 날에 얻어진 판독들은 몇 분 정도의 시간 구간에 걸쳐 얻어진 판독들을 포함한다. 일 실시예에서, 시간 구간은 5분이다. 일 실시예에서, 제2 출력은 미래 시간에 적어도 하나의 변색 가능 창문에 대한 원하는 창문 색조를 나타내는, 그리고 적어도 하나의 변색 가능 창문 컨트롤러를 사용하여 미래 시간에 원하는 창문 색조를 달성하도록 적어도 하나의 변색 가능 창문을 제어하는 것을 나타내는, 적어도 하나의 규칙으로 구성된다. 일 실시예에서, 제2 출력은 LSTM 신경망과 DNN 신경망 사이의 다수결 합의에 기초한다. 일 실시예에서, 제어 로직은 비-지도 분류기를 포함한다.

일 양태는 제어 시스템에 관한 것이고, 제어 시스템은 변색 가능 창문과, 변색 가능 창문과 통신하는 창문 컨트롤러와, 해당 창문 컨트롤러와 통신하되 하나 이상의 예측 모듈을 포함하는 다른 컨트롤러 또는 서버를 포함하며, 하나 이상의 예측 모듈은 적어도 하나의 센서로부터의 판독들을 사용하여 미래 시간에서의 환경 조건의 예측 및/또는 미래 시간에서의 변색 가능 창문에 대한 색조 레벨을 포함하는 하나 이상의 출력을 결정하도록 구성된 제어 로직을 포함하고, 창문 컨트롤러는 상기 하나 이상의 출력에 기초하여 변색 가능 창문을 전이시키도록 구성된다. 일 예에서, 하나 이상의 예측 모듈은 신경망(예를 들어, 심화 신경망 또는 장단기 메모리(LSTM: long short-term memory) 망)을 포함한다.

일 양태는 제어 시스템에 관한 것이고, 제어 시스템은 복수의 변색 가능 창문들과, 복수의 변색 가능 창문들을 제어하도록 구성된 하나 이상의 창문 컨트롤러와, 제1 출력을 제공하도록 구성된 적어도 하나의 센서와, 적어도 하나의 신경망을 포함하되 하나 이상의 창문 컨트롤러와 통신하는 하나 이상의 프로세서를 포함하며, 적어도 하나의 신경망은 상기 제1 출력을 처리하도록 그리고 미래 환경 조건의 예측을 포함하는 제2 출력을 제공하도록 구성되고, 하나 이상의 창문 컨트롤러는 제2 출력에 기초하여 복수의 변색 가능 창문들의 색조 상태를 제어하도록 구성된다.

일 양태는 적어도 하나의 변색 가능 창문을 제어하는 방법에 관한 것이다. 상기 방법은, 하나 이상의 센서로부터 출력을 수신하는 단계, 제어 로직을 사용하여 미래의 환경 조건을 예측하는 단계, 및 미래의 환경 조건의 예측에 기초하여 적어도 하나의 변색 가능 창문의 색조를 결정하는 단계를 포함한다.

일 양태는 부지에 특정하고 계절적으로 구분되는 날씨 데이터를 이용하여 변색 가능 창문을 제어하는 방법에 관한 것이며, 상기 방법은, 특정 기간(N일)에 걸쳐 해당 부지에서 적어도 하나의 센서로부터 환경 판독들을 수신하는 단계, N일 중 가장 최근의 날 또는 N일 중 가장 최근의 날에 후속하는 날에 대해 컴퓨터 판독가능 매체 상에 상기 판독들을 저장하는 단계, 제어 로직으로 판독들을 처리하여 적어도 하나의 센서로부터의 가능한 미래의 환경 판독들의 범위의 분포를 나타내는 제1 출력을 결정하는 단계, 및 제1 출력에 적어도 부분적으로 기초하여 결정되는 색조 레벨로 변색 가능 창문을 전이시키기 위한 색조 명령들을 송신하는 단계를 포함한다.

일 양태는 건물 제어 시스템에 관한 것이고, 건물 제어 시스템은 환경 판독들을 얻도록 구성된 적어도 하나의 센서, 환경 판독들을 저장하기 위한 메모리, 및 메모리에 저장되되 환경 판독들을 처리하여 적어도 하나의 센서로부터의 가능한 미래의 환경 판독들의 범위를 나타내는 제1 출력을 결정하도록 구성되는 제어 로직을 포함하고, 상기 제1 출력은 건물의 시스템을 제어하기 위해 적어도 부분적으로 사용된다.

일 양태는 건물에서의 변색 가능 창문을 제어하기 위한 제어 시스템에 관한 것이다. 제어 시스템은 하나 이상의 창문 컨트롤러, 및 현재 또는 과거 날씨 상태와 관련된 센서 판독들의 이력을 수신하도록 구성된 서버 또는 다른 컨트롤러를 포함하며, 상기 서버 또는 다른 컨트롤러는 센서 판독들의 이력에 기초하여 미래 날씨 상태를 예측하도록 그리고 미래의 환경 조건에 기초하여 색조 스케줄 명령들을 결정하도록 구성되는 적어도 하나의 신경망을 이용한 제어 로직을 갖는다. 하나 이상의 창문 컨트롤러는 서버 또는 다른 컨트롤러로부터 수신된 색조 스케줄 명령들, 및 기하학적 모델과 맑은 하늘 모델로부터 수신된 색조 스케줄 명령들 중 하나에 기초하여, 건물의 하나 이상의 변색 가능 창문의 색조 레벨을 제어하도록 구성된다.

일 양태는 하나 이상의 변색 가능 창문에 대한 색조 상태를 결정하는 방법에 관한 것이다. 상기 방법은 (a) 하나 이상의 변색 가능 창문의 색조 상태들의 선택에 영향을 미치는 현재 또는 미래의 외부 조건을 결정하는 단계, (b) 모델들의 세트로부터, 현재 또는 미래의 외부 조건들 하에서 상기 모델들의 세트 중의 다른 모델들보다 더 잘 수행하도록 결정된 제1 모델을 선택하는 단계 - 상기 모델들의 세트 중의 모델들은 외부 조건들의 다수의 세트들 하에서 하나 이상의 변색 가능 창문의 색조 상태들, 또는 색조 상태들을 결정하는 데에 사용되는 정보를 결정하기 위해 훈련되는 머신러닝 모델들임 -, 및 (c) 제1 모델을 실행하고, 제1 모델의 출력들을 이용하여 하나 이상의 변색 가능 창문에 대한 현재 또는 미래의 색조 상태들을 결정하는 단계를 포함한다.

일 양태는 하나 이상의 변색 가능 창문에 대한 색조 상태를 결정하도록 구성된 시스템에 관한 것이다. 상기 시스템은 (a) 하나 이상의 변색 가능 창문의 색조 상태들의 선택에 영향을 미치는 현재 또는 미래의 외부 조건을 결정하고 (b) 모델들의 세트 중에서, 현재 또는 미래의 외부 조건들 하에서 다른 모델들보다 더 잘 수행하도록 결정된 제1 모델을 상기 모델들의 세트로부터 선택하며 - 모델들의 세트 중의 모델들은 외부 조건들의 다수의 세트들 하에서 하나 이상의 변색 가능 창문의 색조 상태들, 또는 색조 상태들을 결정하는 데에 사용되는 정보를 결정하기 위해 훈련되는 머신러닝 모델들임 -, (c) 제1 모델을 실행하고, 제1 모델의 출력들을 이용하여 하나 이상의 변색 가능 창문에 대한 현재 또는 미래의 색조 상태들을 결정하도록 구성되는, 프로세서 및 메모리를 포함한다.

일 양태는 하나 이상의 변색 가능 창문들에 대한 색조 상태들을 결정하기 위한 컴퓨팅 시스템을 생성하는 방법에 관한 것이다. 이는 (a) 이력 복사 프로파일들 또는 패턴들에 기초하여 상이한 유형들의 외부 조건들을 클러스터링 또는 분류하는 단계, 및 (b) 상이한 유형들의 외부 조건들 각각에 대한 머신러닝 모델을 훈련하는 단계를 포함하며, 상기 머신러닝 모델들은 외부 조건들의 다수의 세트들 하에서 하나 이상의 변색 가능 창문의 색조 상태들, 또는 색조 상태들을 결정하는 데에 사용되는 정보를 결정하도록 훈련된다.

일 양태는 외부 조건들의 다수의 세트들 하에서 하나 이상의 변색 가능 창문의 색조 상태들, 또는 색조 상태들을 결정하는 데에 사용되는 정보를 결정하도록 구성된 머신러닝 모델에 대한 특징 입력들의 서브세트를 식별하는 방법에 관한 것이다. 상기 방법은 (a) 머신러닝 모델에 대해 이용 가능한 특징 입력들의 세트에 대해 특징 제거 절차를 수행하여, 이용 가능한 특징 입력들 중 하나 이상을 제거하고 특징 입력들의 서브세트를 생성하는 단계, 및 (b) 특징 입력들의 서브세트를 이용하여 머신러닝 모델을 초기화하는 단계를 포함한다.

일 양태는, 외부 조건들의 다수의 세트들 하에서 하나 이상의 변색 가능 창문의 색조 상태들, 또는 색조 상태들을 결정하는 데에 사용되는 정보를 결정하도록 구성된 머신러닝 모델에 대한 특징 입력들의 서브세트를 식별하도록 구성된 시스템에 관한 것이다. 상기 시스템은 (a) 머신러닝 모델에 대한 이용 가능한 특징 입력들의 세트에 대해 특징 제거 절차를 수행하여, 이용 가능한 특징 입력들 중 하나 이상을 제거하고 특징 입력들의 서브세트를 생성하도록, 그리고 (b) 특징 입력들의 서브세트를 이용하여 머신러닝 모델을 초기화하도록 구성되는, 프로세서 및 메모리를 포함한다.

이들 특징들과 다른 특징들, 및 실시예들은 도면들을 참조하여 이하에서 더 상세히 설명될 것이다.

도 1a 내지 도 1c는 유리 기판에 형성된 전기 변색 장치, 즉, 전기 변색 창(electrochromic lites)의 개략도를 도시한다.
도 2a 및 도 2b는 절연 유리 유닛에 통합된 도 1a 내지 도 1c에 관련하여 설명된 바와 같은 전기 변색 창의 개략적인 단면도를 도시한다.
도 3a는 전기 변색 장치의 개략적인 단면도를 도시한다.
도 3b는 무색(bleached) 상태에 있는(또는 무색 상태로 전환되는) 전기 변색 장치의 개략적인 단면도를 도시한다.
도 3c는 유색(colored) 상태에 있는(또는 유색 상태로 전환되는), 도 3b에 도시된 전기 변색 장치의 개략적인 단면도를 도시한다.
도 4는 창문 컨트롤러의 구성요소들의 단순화된 블록도를 도시한다.
도 5는 개시된 실시예들에 따른, 변색 가능 창문 및 적어도 하나의 센서를 포함하는 방의 개략도이다.
도 6은 특정 구현예들에 따른 건물 및 건물 관리 시스템(BMS: building management system)의 일 예의 개략도이다.
도 7은 특정 구현예들에 따른 건물의 하나 이상의 변색 가능 창의 기능을 제어하기 위한 시스템의 구성요소들의 블록도이다.
도 8은 다양한 구현예들에 따른, 클라우드 네트워크 상의 맑은 하늘 모델들을 유지시키고, 해당 모델들로부터의 출력으로부터 도출된 데이터에 기초하여 건물의 변색 가능 창문들을 제어하는 데에 관련된 시스템들 및 사용자들의 일반적인 시스템 구조를 도시한 개략도이다.
도 9는 일 예에 따른 건물 부지의 3D 모델의 도면이다.
도 10은 일 예에 따른, 3D 모델에 기초하고, 맑은 하늘 조건 하에서 하늘의 한 위치에 있는 태양으로부터의 직사광선을 나타내는 눈부심/그림자 및 반사 모델의 시각화를 나타낸다.
도 11은 도 8에 도시된 시스템 구조의 시스템들 중 일부 사이에서 통신되는 데이터의 흐름을 도시한 예이다.
도 12는 일 구현예에 따라 맑은 하늘 모델 스케줄링 정보를 생성하는 맑은 하늘 모듈의 로직 동작들의 일 예의 개략도이다.
도 13은 도 8에 도시된 시스템 구조의 클라우드 기반 시스템을 통한 모델 데이터 흐름의 개략도이다.
도 14는 다양한 구현예들에 따라 3D 모델 플랫폼상에서 3D 모델을 초기화하는 데에 포함된 일반적인 동작들의 흐름도이다.
도 15는 다양한 구현예들에 따라, 3D 모델에 속성들을 할당하고, 조건 모델들을 생성하는 데에 포함된 일반적인 동작들, 및 맑은 하늘 스케줄링 정보를 생성하는 데에 포함된 다른 동작들의 흐름도이다.
도 16은 다양한 구현예들에 따른 3D 모델링 플랫폼 상에서의 창문 관리의 시각화의 일 예이다.
도 17a는 다양한 구현예들에 따른, 3D 모델링 플랫폼상에서의 구역 관리의 시각화의 일 예이다.
도 17b는 다양한 구현예들에 따른, 3D 모델링 플랫폼상에서의 구역 관리의 시각화의 일 예이다.
도 18은 다양한 구현예들에 따라, 구역 관리에서 사용자에 의해 사용될 수 있는 인터페이스의 일 예이다.
도 19는 다양한 구현예들에 따라, 구역 관리에서 사용자가 각각의 구역에 할당된 속성들을 검토하기 위해 사용될 수 있는 인터페이스의 일 예이다.
도 20a는 일 구현예에 따른, 3D 모델의 층 바닥(floor) 상에 그려진 2차원 사용자 위치의 일 예이다.
도 20b는 도 20a의 2차원 대상을 위쪽에 있는 눈 높이로 변경함으로써 생성된 3차원 점유 영역의 일 예이다.
도 21은 도 20b에 도시된 3차원 점유 영역에 기초하여 일광이 없는 조건을 반환한 일광/음영 모델을 사용하는 일 예이다.
도 22는 도 20b에 도시된 3차원 점유 영역에 기초하여 일광 조건을 반환한 직접 반사(한 번 반사) 모델을 사용하는 일 예이다.
도 23은 일 양태에 따른, 건물 부지의 맑은 하늘 3D 모델을 사용자 정의하도록 사용자 입력을 구현하기 위한 동작들 및 프로세스들의 흐름도이다.
도 24는 다양한 구현예들에 따른, 건물 내의 변색 가능 창문들의 하나 이상의 구역을 제어하기 위한 일반적인 제어 로직을 이용한 창문 제어 시스템을 도시한다.
도 25는 다양한 구현예들에 따른, 모듈들(A-E)로부터의 출력들에 기초하여 색조 결정들을 수행하기 위한 제어 로직을 이용한 흐름도를 도시한다.
도 26은 다양한 구현예들에 따른, 모듈들로부터의 출력들에 기초하여 색조 결정들을 수행하기 위한 제어 로직을 이용한 흐름도를 도시한다.
도 27a는 동적 모델 선택에 대한 하나의 접근법을 예시하는 흐름도를 제공한다.
도 27b는 실시간 모델 선택에 사용될 수 있는 상이한 클러스터들 또는 모델들에 대한 예시적인 특성 복사 프로파일들을 나타낸다.
도 28은 동적 모델 선택을 위한 구조의 일 예의 블록도를 나타낸다.
도 29는 동적 모델 선택 프로세스 동안의 정오부터 일몰까지의 스트레스 테스트의 결과를 나타낸다.
도 30은 주기적인 입력 특징 필터링을 이용하는 모델 업데이트를 위한 프로세스의 흐름도를 나타낸다.
도 31은 모델 재-초기화 및 재-훈련 구조의 일 예를 나타낸다.

이하의 설명에서, 제시된 실시예들의 완전한 이해를 제공하기 위해 다수의 특정한 세부사항들이 설명된다. 개시된 실시예들은 일부의 또는 이들의 특정 세부사항들 없이도 실시될 수 있다. 다른 예들에서, 잘 알려진 공정 동작들은 개시된 실시예들이 불필요하게 불명료해지지 않도록, 상세히 기술되지는 않았다. 개시된 실시예들은 특정 실시예들과 관련하여 설명되지만, 개시된 실시예들을 제한하는 것으로 의도되지는 않음을 이해할 것이다. 개시된 실시예들은 전기 변색 창문(또한 스마트 창문이라고도 함)에 초점을 맞추고 있지만, 본원에 개시된 양태들은 다른 유형의 변색 가능 창에 적용될 수 있음을 이해해야 한다. 예를 들어, 개시된 실시예들 중 임의의 실시예에서, 전기 변색 장치 대신에, 액정 장치 또는 부유 입자 장치(suspended particle device)를 포함한 변색 가능 창이 포함될 수 있다.

I. 전기 변색 장치 및 창문 컨트롤러의 개요

본원에 개시된 시스템 및 방법의 실시예들을 설명하기 위해, 전기 변색 장치 및 창문 컨트롤러에 대한 간략한 설명이 제공된다. 이러한 처음의 설명은 맥락을 위해서만 제공되고, 뒤이어 설명되는 시스템들, 창문 컨트롤러들, 및 방법들은 이 처음의 설명의 특정한 특징들 및 제조 공정들로 제한되지 않는다.

A. 전기변색 장치

본원에 설명된 실시예들을 설명하기 위하여, 전기 변색 라이트(lite)의 특정한 예가 도 1a 내지 도 1c를 참조하여 설명된다. 도 1a는 유리 시트(105)로 시작하여 제조되는 전기 변색 라이트(100)의 단면 표현(도 1c의 절단면 X'-X' 참조)이다. 도 1b는 전기 변색 라이트(100)의 측면도(도 1c의 Y-Y' 시선 참조)를 나타내고, 도 1c는 전기 변색 라이트(100)의 평면도를 나타낸다. 도 1a는 라이트의 둘레 주위에서 영역(140)을 생성하도록 엣지가 제거된, 유리 시트(105) 상에 제조된 후의 전기 변색 라이트를 나타낸다. 전기 변색 라이트는 또한 레이저로 스크라이빙(scribe)되고 버스 바(bus bar)가 부착되어 있다. 유리 라이트(105)는 확산 방지층(110), 및 확산 방지층 위의 제1 투명 전도성 산화물 층(TCO)(115)을 갖는다. 이 예에서, 엣지 제거 공정은 TCO(115) 및 확산 방지층(110)을 모두 제거하지만, 다른 실시예들에서는 TCO만 제거되고 확산 방지층은 남아 있게 된다. TCO(115)는 유리 시트 상에 제조된 전기 변색 장치의 전극을 형성하는 데 사용되는 두 개의 전도층들 중 제1 층이다. 이 예에서, 유리 시트는 하부 유리 및 확산 방지층을 포함한다. 따라서, 이 예에서, 확산 방지층이 형성되고, 그 다음에 제1 TCO, 전기 변색 스택(125)(예를 들어, 전기 변색 층, 이온 전도체 층, 및 대향 전극층을 가짐), 및 제2 TCO(130)가 형성된다. 일 실시예에서, 전기 변색 장치(전기 변색 스택 및 제2 TCO)는 스택의 제조 동안 내내 유리 시트가 통합된 증착 시스템으로부터 이탈되지 않는 통합 증착 시스템에서 제조된다. 일 실시예에서, 제1 TCO 층은, 유리 시트가 전기 변색 스택 및 상기 (제2) TCO층의 증착 동안 통합된 증착 시스템으로부터 이탈되지 않는 통합 증착 시스템을 사용하여 형성된다. 일 실시예에서, 모든 층(확산 장벽, 제1 TCO, 전기변색 스택, 및 제2 TCO)은, 증착 동안 유리 시트가 통합된 증착 시스템으로부터 이탈되지 않는 통합 증착 시스템에서 증착된다. 이 예에서, 전기 변색 스택(125)의 증착 이전에, 분리 트렌치(120)가 TCO(115) 및 확산 방지층(110)을 관통하여 절단한다. 트렌치(120)는 제조가 완료된 후에 버스 바 1 아래에 놓일 TCO(115)의 영역을 전기적으로 절연하도록 제조된다(도 1a 참조). 이것은 버스 바 아래에서의 전기 변색 장치의 바람직하지 않을 수 있는 전하 축적 및 착색을 피하기 위해 수행된다.

전기 변색 장치가 형성된 이후에, 엣지 제거 공정 및 추가적인 레이저 스크라이빙이 수행된다. 도 1a는 이 예에서, 전기 변색 장치가, 레이저 스크라이브 트렌치들(150, 155, 160, 및 165)을 둘러싼 주위 영역으로부터 제거되어 있는 영역들(140)을 도시한다. 트렌치들(150, 160 및 165)은 전기 변색 스택을 관통하고, 또한 제1 TCO 및 확산 방지층을 관통한다. 트렌치(155)는 제2 TCO(130) 및 전기 변색 스택을 관통하지만, 제1 TCO(115)는 관통하지 않는다. 레이저 스크라이브 트렌치들(150, 155, 160 및 165)은 동작가능한 전기 변색 장치로부터 엣지를 제거하는 공정 동안에 잠재적으로 손상된 전기 변색 장치의 부분들(135, 145, 170 및 175)을 절연시키도록 만들어진다. 이 예에서, 레이저 스크라이브 트렌치들(150, 160 및 165)은 장치의 절연을 돕기 위해 제1 TCO를 관통한다(레이저 스크라이브 트렌치(155)는 제1 TCO를 관통하지는 않는데, 그렇지 않으면, 버스 바 2가 제1 TCO 및 전기 변색 스택과 전기적으로 연결되는 것이 차단될 것이다). 레이저 스크라이빙 프로세스에 사용되는 레이저 또는 레이저들은 대개, 반드시 그러한 것은 아니지만, 펄스-유형 레이저, 예를 들어, 다이오드 펌핑된 고체-상태(solid-state) 레이저이다. 예를 들어, 레이저 스크라이빙 공정은 IPG Photonics(매사추세츠 주의 옥스포드 소재), 또는 Ekspla(리투아니아 빌뉴스 소재)가 제조하는 적절한 레이저를 사용하여 수행될 수 있다. 또한, 스크라이빙은 예를 들어, 다이아몬드 팁(diamond tipped) 스크라이빙과 같이 기계적으로 수행될 수도 있다. 통상의 기술자는 레이저 스크라이빙 공정이 상이한 깊이에서 수행될 수 있고/있거나 전기 변색 장치의 주위 둘레의 연속 경로 동안 레이저 절삭 깊이가 변하거나 변하지 않는 단일 공정에서 수행될 수 있음을 이해할 것이다. 일 실시예에서, 엣지 제거는 제1 TCO의 깊이까지 수행된다.

레이저 스크라이빙이 완료된 후, 버스 바가 부착된다. 비-관통 버스 바 1은 제2 TCO에 적용된다. 비-관통 버스 바 2는 (예를 들어, 장치 증착으로부터 제1 TCO를 보호하는 마스크를 통해) 장치가 증착되지 않고 제1 TCO와 접촉하는 영역에 적용되거나, 이 예에서, 제1 TCO까지의 물질을 제거하는 데에 엣지 제거 공정(예를 들어, XY 또는 XYZ 검류계가 구비된 장치를 사용한 레이저 절제)이 사용되는 영역에 적용된다. 이 예에서, 버스 바 1 및 버스 바 2는 모두 비-관통(non-penetrating) 버스 바이다. 관통 버스 바는 대개, 스택의 바닥에서 TCO와 접촉하도록 전기 변색 스택 내로 가압되어 전기 변색 스택을 관통하는 버스 바이다. 비-관통 버스 바는 전기 변색 스택 층 내로 관통하지 않고, 오히려 전도층, 예를 들어 TCO 상의 표면에 전기적으로 및 물리적으로 접촉한다.

TCO 층은 통상적이지 않은 버스 바, 예를 들어, 스크린 및 리소그래피 패터닝 방법으로 제조된 버스 바를 이용하여 전기적으로 연결될 수 있다. 일 실시예에서, 전도성 잉크를 실크 스크리닝(또는 다른 패터닝 방법을 사용하여)한 다음, 잉크를 열 경화 또는 소결하여 장치의 투명 전도층과 전기적으로 연결된다. 전술한 장치 구성을 사용하는 것의 이점은, 제조가 단순해지고, 예를 들어, 관통 버스 바를 사용하는 종래 기술보다 레이저 스크라이빙을 덜 포함하는 것이다.

버스 바가 연결된 후에, 장치는, 예를 들어, 버스 바 등을 배선 연결하는 것을 포함하는 절연 유리 유닛(IGU: insulated glass unit) 내로 통합된다. 일부 실시예들에서, 버스 바들 중 하나 또는 둘 모두는 완성된 IGU 내부에 있지만, 일 실시예에서는 하나의 버스 바가 IGU의 밀봉재 외부에 있고 다른 하나의 버스 바는 IGU 내부에 있다. 전술한 실시예에서, 영역(140)은 IGU를 형성하기 위해 사용되는 스페이서의 일 면과 밀봉을 형성하는 데에 사용된다. 따라서, 버스 바에 대한 와이어 또는 다른 연결 부재는 스페이서 및 유리 사이에 연장된다. 많은 스페이서는 전도성 금속, 예를 들어, 스테인리스 강으로 만들어지기 때문에, 버스 바, 그에 대한 커넥터 및 금속 스페이서 간의 전기적 연결로 인한 단락을 방지하는 것이 바람직하다.

전술한 바와 같이, 버스 바가 연결된 후, 전기 변색 라이트는, 예를 들어, 버스 바 등에 대한 배선 연결을 포함하는 IGU 내에 포함된다. 본원에 설명된 실시예들에서, 버스 바는 모두, 완성된 IGU의 1차 밀봉 부재 내부에 있다.

도 2a는 IGU(200) 내에 포함된 도 1a 내지 도 1c와 관련하여 설명된 바와 같은 전기 변색 창의 개략적인 단면도를 도시한다. 스페이서(205)는 제2 라이트(210)로부터 전기 변색 라이트를 분리하는 데에 사용된다. IGU(200) 내의 제2 라이트(210)는 비-전기 변색(non-electrochromic) 라이트이지만, 본원에 개시된 실시예들은 이에 제한되지 않는다. 예를 들어, 라이트(210)는 그 위에, 전기 변색 장치 및/또는 낮은 E(low-E) 코팅 등과 같은 하나 이상의 코팅을 가질 수 있다. 또한, 라이트(201)는 도 2b에 도시된 것과 같은 적층 유리일 수도 있다(라이트(201)는 수지(235)를 통해 보강 패널(pane)(230)에 적층된다). 스페이서(205) 및 전기 변색 라이트의 제1 TCO층 사이에는 1차 밀봉 물질(215)이 있다. 이러한 1차 밀봉 물질은 스페이서(205) 및 제2 유리 라이트(210) 사이에도 있다. 스페이서(205)의 주위 둘레에는 2차 밀봉 부재(220)가 있다. 버스 바 배선/리드는 컨트롤러에 연결하기 위해 밀봉 부재를 가로지른다. 2차 밀봉 부재(220)는 도시된 것보다 훨씬 더 두꺼울 수 있다. 이들 밀봉 부재는 IGU의 내부 공간(225) 바깥에 습기를 유지시키는 데에 도움이 된다. 이들은 또한 IGU 내부의 아르곤 또는 다른 가스가 탈출하는 것을 방지하는 역할을 한다.

도 3a는 전기 변색 장치(300)의 단면도를 개략적으로 도시한다. 전기 변색 장치(300)는 기판(302), 제1 전도층(CL)(304), 전기 변색 층(EC)(306), 이온 전도층(IC)(308), 대향 전극층(CE)(310), 및 제2 전도층(CL)(314)을 포함한다. 층(304, 306, 308, 310 및 314)은 일괄하여 전기 변색 스택(320)으로 지칭된다. 전기 변색 스택(320)에 걸쳐서 전위를 인가하도록 작동 가능한 전압원(316)는, 예를 들어, 무색 상태로부터 유색 상태(도시됨)로의 전기 변색 장치의 전이에 영향을 미친다. 층의 순서는 기판을 기준으로 역전될 수 있다.

설명된 바와 같이 상이한 층을 갖는 전기변색 장치는 전고체 장치 및/또는 전부 무기물인(all inorganic) 장치로서 제조될 수 있다. 이러한 장치들 및 그 제조방법은 2009년 12월 22일에 출원된 미국 특허출원 제12/645,111호(Fabrication of Low-Defectivity Electrochromic Devices, 발명자: Mark Kozlowski et al.), 및 2009년 12월 22일에 출원된 미국 특허출원 제12/645,159호(Electrochromic Devices, 발명자: Zhongchun Wang et al.)에 보다 상세히 설명되어 있으며, 이들 모두는 그 전문이 본원에 참고로 포함된다. 그러나, 스택 내의 임의의 하나 이상의 층은 유기 물질을 일부 포함할 수 있음을 이해해야 한다. 또한, 하나 이상의 층에 소량의 액체가 포함될 수도 있다. 고체 물질은 졸-겔 또는 화학 기상 증착을 사용하는 특정 공정과 같이, 액체 성분을 사용하는 공정에 의해 증착되거나 또는 다른 방식으로 형성될 수 있음을 이해해야 한다.

또한, 무색 상태와 유색 상태 사이의 전이에 대한 언급은 제한적이지 않으며, 구현될 수 있는 전기 변색 전이 중의 단 일 예를 제안하는 것으로 이해해야 한다. (전술한 설명을 포함하는) 본원에서 달리 특정되지 않는 한, 무색 상태-착색 상태의 전이를 지칭할 때마다, 그에 대응하는 장치 또는 공정은, 반사되지 않는 상태-반사되는 상태, 투명한 상태-불투명한 상태 등과 같은 다른 광학 상태의 전이를 포함한다. 또한, 용어 "무색(bleached)"은 광학적으로 중성인 상태, 예를 들어, 색이 없는(uncolored), 투명한 또는 반투명한(translucent) 상태를 의미한다. 또한, 본원에서 달리 특정되지 않는 한, 전기 변색 전이의 "색"은 임의의 특정 파장 또는 파장 범위로 제한되지 않는다. 통상의 기술자는 적절한 전기 변색성 물질 및 대향 전극 물질의 선택이 관련된 광학 전이를 결정할 것임을 이해할 것이다.

본원에 설명된 실시예들에서, 전기 변색 장치는 무색 상태와 유색 상태 사이에서 가역적으로 전환된다. 일부 경우에, 장치가 무색 상태에 있을 때, 스택 내의 이용 가능한 이온들이 대향 전극(310) 내에 주로 존재하도록, 전위가 전기 변색 스택(320)에 인가된다. 전기 변색 스택 상의 전위가 반전되는 경우, 이온들은 이온 전도층(308)을 가로질러 전기 변색 물질(306)로 이송되고, 해당 물질이 유색 상태(colored state)로 전이되도록 한다. 비슷한 방식으로, 본원에 설명된 실시예들의 전기 변색 장치는 상이한 색조 레벨(예를 들어, 무색 상태, 가장 어두운 유색 상태, 및 무색 상태와 가장 어두운 유색 상태 사이의 중간 레벨) 사이에서 가역적으로 전환될 수 있다.

다시 도 3a를 참조하면, 전압원(316)은 복사 및 다른 환경 센서와 함께 동작하도록 구성될 수 있다. 본원에서 설명된 바와 같이, 전압원(316)은 장치 컨트롤러(이 도면에는 도시되지 않음)와 인터페이스한다. 또한, 전압원(316)은, 연중 시각, 일중 시각, 및 측정된 환경 조건들과 같은 다양한 기준들에 따라 전기 변색 장치를 제어하는 에너지 관리 시스템과 인터페이스할 수 있다. 이러한 에너지 관리 시스템은, 대면적 전기 변색 장치(예를 들어, 전기 변색 창)와 함께, 건물의 에너지 소비를 극적으로 낮출 수 있다.

기판(302)에는 적절한 광학적, 전기적, 열적, 및 기계적 특성을 가진 임의의 물질이 사용될 수 있다. 이러한 기판은, 예를 들어, 유리, 플라스틱, 및 거울 물질을 포함한다. 적절한 유리는 투명한 또는 착색된 소다 라임 유리를 포함하며, 소다 라임 플로트(float) 유리를 포함한다. 상기 유리는 템퍼링되거나 템퍼링되지 않을 수 있다.

많은 경우에, 기판은 주거용 창에 적용되기 위한 크기의 유리 패널이다. 이러한 유리 패널의 크기는 특정한 거주 필요성에 따라 매우 다양할 수 있다. 다른 경우에, 기판은 건축 유리이다. 건축 유리는 일반적으로 상업용 건물에 사용되지만, 대개, 실외 환경으로부터 실내 환경을 분리시키기 위해(반드시 그렇지는 않음) 주거용 건물에 사용될 수도 있다. 특정 실시예들에서, 건축 유리는 적어도 20인치×20인치이며, 예를 들어, 약 80인치×120인치만큼 크게 될 수도 있다. 건축 유리는 대개, 적어도 약 2 mm 두께, 대개는 약 3 mm 내지 약 6 mm 두께이다. 물론, 전기 변색 장치들은 건축 유리보다 더 작거나 더 큰 기판들에 대해 크기가 맞춰질 수 있다. 또한, 전기 변색 장치는 임의의 크기 및 형상의 거울 위에 제공될 수 있다.

기판(302)의 상부에는 전도층(304)이 있다. 특정 실시예에서, 전도층들(304, 314) 중 하나 또는 둘 모두는 무기물이고/이거나 고체이다. 전도층들(304, 314)은 전도성 산화물, 얇은 금속 코팅, 전도성 금속 질화물, 및 복합 전도체를 포함하는 다수의 상이한 재료로 제조될 수 있다. 대개, 전도층들(304, 314)은 적어도 전기 변색 층에 의해 전기 변색이 나타나는 파장의 범위 내에서 투명하다. 투명한 전도성 산화물은 금속 산화물, 및 하나 이상의 금속으로 도핑된 금속 산화물을 포함한다. 이러한 금속 산화물 및 도핑된 금속 산화물의 예는 산화인듐, 인듐 주석 산화물, 도핑된 산화인듐, 산화주석, 도핑된 산화주석, 산화아연, 알루미늄 아연 산화물, 도핑된 산화아연, 산화루테늄, 도핑된 산화루테늄 등을 포함한다. 이러한 층에 산화물이 종종 사용되기 때문에, 이들은 때때로 "투명 전도성 산화물(TCO: transparent conductive oxide) 층"으로 지칭된다. 실질적으로 투명한 얇은 금속 코팅이 또한 사용될 수 있을 뿐만 아니라, TCO 및 금속 코팅의 조합도 사용될 수도 있다.

전도층들의 기능은, 전기 변색 스택(320)의 표면들 위의 전압원(316)에 의해 제공되는 전위를, 비교적 적은 저항성 전위 강하로, 스택의 내부 구역으로 확산시키는 것이다. 전위는 전도층에 대한 전기적 연결을 통해 전도층으로 전달된다. 일부 실시예들에서, 하나가 전도층(304)과 접촉하고 다른 하나가 전도층(314)과 접촉하는 버스 바들은, 전압원(316)과 전도층들(304, 314) 사이의 전기적 연결을 제공한다. 전도층들(304, 314)은 다른 통상적인 수단을 이용하여 전압원(316)에 연결될 수도 있다.

전기 변색 층(306)은 전도층(304)에 중첩(overlay)된다. 일부 실시예들에서, 전기 변색 층(306)은 무기물 및/또는 고체이다. 전기 변색 층은 금속 산화물을 포함하는 다수의 상이한 전기 변색 물질 중 임의의 하나 이상을 포함할 수 있다. 이러한 금속 산화물은 산화텅스텐(WO₃), 산화몰리브덴(MoO₃), 산화니오브(Nb₂O₅), 산화티타늄(TiO₂), 산화구리(CuO), 산화이리듐(Ir₂O₃), 산화크롬(Cr₂O₃), 산화망간(Mn₂O₃), 산화바나듐(V₂O₅), 산화니켈(Ni₂O₃), 산화코발트(Co₂O₃) 등을 포함한다. 동작되는 동안, 전기 변색 층(306)은 대향 전극층(310)에 이온들을 전달하거나 대향 전극층(310)으로부터 이온들을 수용하여 광학 전이를 야기한다.

일반적으로, 전기 변색 물질의 유색화(colorization)(또는 임의의 광학 특성(예를 들어, 흡광도, 반사율, 및 투과율)의 변화)는 상기 물질 내로의 가역적인 이온 삽입(예를 들어, 인터칼레이션(intercalation)) 및 전하 균형 전자의 상응하는 주입에 의해 유발된다. 대개, 광학 전이를 담당하는 이온의 일부는 전기 변색 물질에서 비가역적으로 연결된다. 비가역적으로 연결된 이온의 일부 또는 전부는 상기 물질의 "블라인드 전하(blind charge)"를 보상하는 데 사용된다. 대부분의 전기 변색 물질에서, 적절한 이온은 리튬 이온(Li+) 및 수소 이온(H+)(즉, 양성자)을 포함한다. 그러나, 일부 경우에는, 다른 이온들이 적절할 것이다. 다양한 실시예들에서, 리튬 이온은 전기 변색 현상을 생성하는 데 사용된다. 산화텅스텐(WO_3-y(0 < y ≤ ~0.3))으로의 리튬 이온의 인터칼레이션(Intercalation)은 산화텅스텐이 투명(무색 상태)에서 청색(변색된 상태)으로 변화되게 한다.

다시 도 3a를 참조하면, 전기 변색 스택(320)에서, 이온 전도층(308)은 전기 변색 층(306) 및 대향 전극층(310) 사이에 개재된다. 일부 실시예들에서, 대향 전극층(310)은 무기물 및/또는 고체이다. 대향 전극층은, 전기 변색 장치가 무색인 상태에 있을 때, 이온의 저장소로서 작용하는 다수의 상이한 물질 중 하나 이상을 포함할 수 있다. 예를 들어, 적절한 전위의 인가에 의해 개시되는 전기 변색 전이 동안, 대향 전극층은 보유한 이온들 중 일부 또는 전부를 전기 변색 층에 전달하여, 전기 변색 층을 유색 상태로 변화시킨다. 동시에, NiWO의 경우에, 대향 전극층은 이온을 손실하면서 유색 상태로 만든다.

일부 실시예에서, WO₃에 상보적인 대향 전극을 위한 적절한 물질들은 산화니켈(NiO), 니켈 텅스텐 산화물(NiWO), 니켈 바나듐 산화물, 니켈 크롬 산화물, 니켈 알루미늄 산화물, 니켈 망간 산화물, 니켈 마그네슘 산화물, 산화크롬(Cr₂O₃), 산화망간(MnO₂), 및 프러시안 블루를 포함한다.

전하가 니켈 텅스텐 산화물로 이루어진 대향 전극(310)으로부터 제거되는 경우(즉, 이온들이 대향 전극(310)으로부터 전기 변색 층(306)으로 수송됨), 대향 전극층은 투명한 상태에서 유색 상태로 전이될 것이다.

도시된 전기 변색 장치에서, 전기 변색 층(306)과 대향 전극층(310) 사이에는, 이온 전도층(308)이 존재한다. 이온 전도층(308)은, 전기 변색 장치가 무색 상태와 유색 상태 사이에서 전이할 때 이온이 (전해질의 방식으로) 수송되는 매체로서 작용한다. 바람직하게는, 이온 전도층(308)은 전기 변색 층 및 대향 전극층을 위한 관련된 이온들에 대해 매우 높은 전도성을 갖지만, 정상적인(normal) 동작 동안에는 전자 전달이 무시할 정도로 발생하는 충분히 낮은 전자 전도성을 가진다. 높은 이온 전도도를 갖는 얇은 이온 전도층은 빠른 이온 전도를 가능하게 하고, 이에 따라 고성능 전기 변색 장치를 위한 고속 스위칭을 가능하게 한다. 일부 실시예들에서, 이온 전도층(308)은 무기물 및/또는 고체이다.

적절한 이온 전도층의 예(별개의 IC층을 갖는 전기 변색 장치의 경우)는 실리케이트, 산화규소, 산화텅스텐, 산화탄탈륨, 산화니오븀 및 붕산염을 포함한다. 이러한 물질들은 리튬을 포함한 상이한 도펀트들로 도핑될 수 있다. 리튬 도핑된 산화규소는 리튬 규소-알루미늄-산화물을 포함한다. 일부 실시예들에서, 이온 전도층은 실리케이트 기반 구조를 포함한다. 일부 실시예들에서, 규소-알루미늄-산화물(SiAlO)은 이온 전도층(308)에 사용된다.

전기 변색 장치(300)는 하나 이상의 부동태 층들과 같은 하나 이상의 부가적인 층(도시되지 않음)을 포함할 수 있다. 특정한 광학 특성을 개선하는 데 사용되는 부동태 층은 전기 변색 장치(300)에 포함될 수 있다. 수분 또는 스크래치에 대해 내성을 제공하기 위한 부동태 층이 전기 변색 장치(300)에 포함될 수도 있다. 예를 들어, 전도층들은 반사를 방지하거나 표면을 보호하는 산화물 층 또는 질화물 층으로 처리될 수 있다. 다른 부동태 층들은 전기 변색 장치(300)를 기밀시키는 역할을 할 수 있다.

도 3b는 무색 상태에서의(또는 무색 상태로 전환되는) 전기 변색 장치의 개략적인 단면도이다. 특정 실시예들에 따르면, 전기 변색 장치(400)는 산화텅스텐 전기 변색 층(EC)(406) 및 니켈-텅스텐 산화물 대향 전극층(CE)(410)을 포함한다. 전기 변색 장치(400)는 또한 기판(402), 전도층(CL)(404), 이온 전도층(IC)(408), 및 전도층(CL)(414)을 포함한다.

전원(416)은 전도층들(404, 414)에 대한 적절한 연결(예를 들어, 버스 바)을 통해 전기 변색 스택(420)에 전위 및/또는 전류를 인가하도록 구성된다. 일부 실시예들에서, 전압원은 하나의 광학 상태로부터 다른 광학 상태로의 장치의 상태를 전이시키기 위해 수 볼트의 전위를 인가하도록 구성된다. 도 3a에 도시된 바와 같은 전위의 극성은 이온들(이 예에서는 리튬 이온들)이 (점선 화살표로 나타낸 바와 같이) 니켈-텅스텐 산화물 대향 전극층(410) 내에 주로 존재하도록 설정된다.

도 3c는 유색 상태에 있는(또는 유색 상태로 전이되는), 도 3b에 도시된 전기 변색 장치(400)의 개략적인 단면도이다. 도 3c에서는, 전압원(416)의 극성이 반전되어, 전기 변색 층이 추가적인 리튬 이온들을 수용하는 것을 더 반발하게 되고 그에 따라 유색 상태로 전이되게 한다. 점선 화살표로 나타낸 바와 같이, 리튬 이온은 이온 전도층(408)을 가로질러 산화텅스텐 전기 변색 층(406)으로 수송된다. 산화텅스텐 전기 변색 층(406)은 유색 상태로 도시되어 있다. 니켈-텅스텐 산화물 대향 전극(410)도 또한 유색 상태로 도시되어 있다. 설명된 바와 같이, 니켈-텅스텐 산화물은 리튬 이온을 포기(deintercalate)하기 때문에 점진적으로 더 불투명해진다. 이 예에서는, 층들(406, 410) 모두에 대한 유색 상태로의 전이가 스택 및 기판을 통해 투과된 광의 양을 감소시키는 첨가제 역할을 하는 시너지 효과가 존재한다.

전술한 바와 같이, 전기 변색 장치는 이온에 대해 높은 전도성을 갖고 전자에 대한 높은 저항성을 갖는 이온 전도층(IC)에 의해 분리되는, 전기 변색(EC) 전극층 및 대향 전극층(CE)을 포함할 수 있다. 통상적으로 이해되는 바와 같이, 따라서 이온 전도층은 전기 변색 층과 대향 전극층 사이의 단락을 방지한다. 이온 전도층은 전기 변색 전극 및 대향 전극이 전하를 보유하게 하여 그들의 무색 상태 또는 유색 상태를 유지할 수 있게 한다. 구별된 층들을 갖는 전기 변색 장치에서, 이 층들은 전기 변색 전극층과 대향 전극층 사이에 개재된 이온 전도층을 포함하는 스택을 형성한다. 이들 3개의 스택 구성요소들 사이의 경계는 조성물 및/또는 미세구조의 급격한 변화에 의해 정의된다. 따라서, 상기 장치는 2개의 급격한 계면을 갖는 3개의 상이한 층들을 갖는다.

특정 실시예들에 따르면, 대향 전극 및 전기 변색 전극은 이온 전도층을 별도로 증착하지 않고, 종종 직접 접촉하여, 서로 바로 인접하게 형성된다. 일부 실시예들에서, 별개의 IC층이 아닌 계면 영역을 갖는 전기 변색 장치가 사용된다. 이러한 장치 및 이들의 제조방법은 2010년 4월 30일에 출원된 미국 특허 제8,300,298호 및 미국 특허출원 제12/772,075호, 및 2010년 6월 11일에 출원된 미국 특허출원 제12/814,277호 및 제12/814,279호(이들 3건의 특허출원들 각각 및 특허는 발명의 명칭이 Electrochromic Devices이고, Zhongchun Wang et al.을 발명자로 함)에 기술되어 있고, 각각 그 전문이 본원에 참고로 포함된다.

B. 창문 컨트롤러

창문 컨트롤러는 전기 변색 창의 전기 변색 장치의 색조 레벨을 제어하는 데 사용된다. 일부 실시예들에서, 창문 컨트롤러는 2개의 색조 상태(레벨), 즉, 무색 상태 및 유색 상태 사이에서 전기 변색 창을 전환할 수 있다. 다른 실시예들에서, 컨트롤러는 전기 변색 창(예를 들어, 하나의 전기 변색 장치를 가짐)을 중간 색조 레벨로 추가로 전환할 수 있다. 일부 개시된 실시예들에서, 창문 컨트롤러는 전기 변색 창을 4개 이상의 색조 레벨로 전환할 수 있다. 특정 전기 변색 창은 하나의 IGU에 2개(또는 그 이상)의 전기 변색 라이트(lite)를 사용함으로써 중간 색조 레벨을 가능하게 하고, 여기서 각각의 라이트는 2-상태의 라이트이다. 이는 본 섹션에서 도 2a 및 2b를 참조하여 설명된다.

도 2a 및 도 2b에 도시된 바와 같이, 일부 실시예들에서, 전기 변색 창은 IGU(200)의 하나의 라이트 상에 전기 변색 장치(400)를, 그리고 IGU(200)의 다른 라이트 상에 또다른 전기 변색 장치(400)를 포함할 수 있다. 창문 컨트롤러가 각각의 전기 변색 장치를 2개의 상태, 무색 상태 및 유색 상태로 전환할 수 있는 경우, 전기 변색 창은 4개의 상이한 상태(색조 레벨), 즉, 두 전기 변색 장치가 모두 색상을 갖는 유색 상태, 하나의 전기 변색 장치가 색상을 갖는 제1 중간 상태, 다른 전기 변색 장치가 색상을 갖는 제2 중간 상태, 및 두 전기 변색 장치가 모두 무색인 무색 상태를 달성할 수 있다. 다중-패널 전기 변색 창의 실시예들은 미국 특허 제8,270,059호(MULTI-PANE ELECTROCHROMIC WINDOWS, 발명자: Robin Friedman et al.)에 더 기재되어 있고, 그 전문이 본원에 참고로 포함된다.

일부 실시예들에서, 창문 컨트롤러는 2개 이상의 색조 레벨들 사이에서 전이될 수 있는 전기 변색 장치를 갖는 전기 변색 창을 전환할 수 있다. 예를 들어, 창문 컨트롤러는 전기 변색 창을 무색 상태, 하나 이상의 중간 레벨, 및 유색 상태로 전환할 수 있다. 일부 다른 실시예들에서, 창문 컨트롤러는, 무색 상태와 유색 상태 사이에서 임의의 개수의 색조 레벨들 간의 전기 변색 장치를 포함하는 전기 변색 창을 전환할 수 있다. 전기 변색 창을 중간 색조 레벨 또는 레벨들로 전환하기 위한 방법 및 컨트롤러의 실시예들은 미국 특허 제8,254,013호(CONTROLLING TRANSITIONS IN OPTICALLY SWITCHABLE DEVICES, 발명자: Disha Mehtani et al.)에 더 기재되어 있으며, 그 전문이 본원에 참고로 포함된다.

일부 실시예들에서, 창문 컨트롤러는 전기 변색 창에서 하나 이상의 전기 변색 장치들에 전원을 공급할 수 있다. 대개, 창문 컨트롤러의 이러한 기능은 이하 더 상세히 설명되는 하나 이상의 다른 기능으로 보강된다. 본원에서 설명되는 창문 컨트롤러들은 제어를 위해 연관된 전기 변색 장치에 전원을 공급하는 기능을 갖는 것들로 제한되지 않는다. 즉, 전기 변색 창을 위한 전원은 창문 컨트롤러와 분리될 수 있으며, 이때 컨트롤러는 자신의 전원을 가진 채, 창문 전원으로부터 창에 대해 전원이 인가되도록 지시한다. 그러나, 전원을 창문 컨트롤러에 포함시키고 컨트롤러가 직접 창에 전원을 공급하도록 구성하는 것은 전기 변색 창에 전원을 공급하기 위한 별도의 배선을 필요로 하지 않기 때문에 편리하다.

또한, 본 섹션에서 설명되는 창문 컨트롤러들은, 창문 컨트롤러가 건물 제어 네트워크 또는 건물 관리 시스템(BMS)에 통합되지 않고도, 하나의 창문 또는 복수의 전기 변색 창들의 기능들을 제어하도록 구성될 수 있는 독립형 컨트롤러로서 설명된다. 그러나, 본 개시의 건물 관리 시스템 섹션에서 더 설명되는 바와 같이, 창문 컨트롤러들은 건물 제어 네트워크 또는 BMS에 통합될 수도 있다.

도 4는 개시된 실시예들의 창문 컨트롤러 시스템의 창문 컨트롤러(450)의 일부 구성요소들 및 다른 구성요소들의 단순화된 블록도를 도시한다. 창문 컨트롤러들의 구성요소들의 더 상세한 설명은 2012년 4월 17일에 출원된 미국 특허출원 제13/449,248호 및 제13/449,251호(둘 모두 발명의 명칭은 CONTROLLER FOR OPTICALLY-SWITCHABLE WINDOWS이고, Stephen Brown을 발명자로 함), 및 2012년 4월 17일에 출원된 미국 특허출원 제13/449,235호(발명의 명칭: CONTROLLING TRANSITIONS IN OPTICALLY SWITCHABLE DEVICES, 발명자: Stephen Brown et al.)에서 확인될 수 있으며, 이들 모두는 그 전문이 본원에 참고로 포함된다.

도 4에서, 창문 컨트롤러(450)의 도시된 구성요소들은 마이크로프로세서(455) 또는 다른 프로세서, 펄스 폭 변조기(460), 하나 이상의 입력부(465), 및 구성 파일을 갖는 컴퓨터 판독가능 매체(예를 들어, 메모리)(475)를 포함한다. 창문 컨트롤러(450)는 하나 이상의 전기 변색 장치들(400)에 명령들을 전송하기 위해 네트워크(480)(유선 또는 무선)를 통해 전기 변색 창문 내의 하나 이상의 전기 변색 장치들(400)과 전자적으로 통신한다. 일부 실시예들에서, 창문 컨트롤러(450)는 네트워크(유선 또는 무선)를 통해 마스터 창문 컨트롤러에 통신하는 로컬 창문 컨트롤러일 수 있다.

개시된 실시예들에서, 건물은 건물의 외부와 내부 사이에 전기 변색 창을 갖는 적어도 하나의 방을 가질 수 있다. 하나 이상의 센서가 건물의 외부 및/또는 방 내부에 위치될 수 있다. 실시예들에서, 전기변색 장치(400)를 제어하기 위해 하나 이상의 센서로부터의 출력이 사용된다. 도시된 실시예들의 센서들은 건물의 외부 수직 벽 상에 위치되는 것으로 도시되어 있지만, 이는 단순함을 위한 것이고, 센서들은 방 안, 지붕 또는 외부의 다른 표면들과 같은 다른 위치들에 있을 수도 있다. 일부 경우에, 하나의 센서가 고장나거나 그렇지 않으면 잘못된 판독들을 하는 경우에 불필요한 정보를 제공할 수 있으므로, 동일한 입력을 측정하기 위해 2개 이상의 센서가 사용될 수 있다.

도 5는 적어도 하나의 전기 변색 장치를 갖는 전기 변색 창(505)이 구비된 방(500)의 개략적인 (측면) 도면을 도시한다. 전기 변색 창(505)은 방(500)을 포함하는 건물의 외부와 내부 사이에 위치된다. 방(500)은 또한 전기변색 창문(505)의 색조 레벨을 제어하도록 구성되고 그에 연결되는 창문 컨트롤러(450)를 포함한다. 외부 센서(510)는 건물 외부의 수직 표면 상에 위치된다. 다른 실시예들에서, 방(500) 안의 주위광을 측정하는 데에 내부 센서가 사용될 수도 있다. 또 다른 실시예들에서, 사람이 방(500) 안에 있는 경우를 판단하기 위해 실내 인물 감지 센서(occupant sensor)가 사용될 수도 있다.

외부 센서(510)는 태양과 같은 광원으로부터 장치에 입사되거나 또는 표면, 대기 중의 입자, 구름 등으로부터 센서에 반사되어 장치에 입사되는 복사 광을 검출할 수 있는, 광 센서와 같은 장치이다. 외부 센서(510)는 광전 효과로부터 기인하는 전류의 형태로 신호를 발생할 수 있고, 신호는 센서(510)에 입사되는 광의 함수일 수 있다. 일부 경우에, 장치는 W/m² 또는 다른 유사한 단위의 복사 조도로, 복사 광을 검출할 수 있다. 다른 경우에, 장치는 푸트캔들(foot candle) 또는 유사한 단위로 가시 파장 범위 내의 광을 검출할 수 있다. 많은 경우에, 이러한 조도 값 및 가시 광 값 사이에 선형 관계가 존재한다.

일부 실시예들에서, 외부 센서(510)는 적외선 광을 측정하도록 구성된다. 일부 실시예들에서, 외부 광 센서는 적외선 광 및/또는 가시광을 측정하도록 구성된다. 일부 실시예들에서, 외부 광 센서(510)는 온도 및/또는 습도 데이터를 측정하기 위한 센서를 포함할 수도 있다. 일부 실시예들에서, 지능형 로직은 외부 센서를 사용하여 결정되거나 외부 네트워크(예를 들어, 기상 관측소)로부터 수신된 하나 이상의 파라미터들(예를 들어, 가시광 데이터, 적외선 데이터, 습도 데이터, 및 온도 데이터)을 이용하여 구름에 의해 야기되는 차단을 정량화하고/하거나 방해되는 구름의 존재를 판단할 수 있다. 적외선 센서를 이용하여 구름을 검출하는 다양한 방법들은 미국을 지정국으로 지정하고 2017년 10월 6일에 출원된 국제특허출원 PCT/US17/55631(발명의 명칭: INFRARED CLOUD DETECTOR SYSTEMS AND METHODS)에 기술되어 있고, 그 전문이 본원에 포함된다.

태양이 지구를 비추는 각도가 바뀌기 때문에, 연중 시간과 일중 시간에 기초하여 태양으로부터의 복사 값이 예측될 수 있다. 외부 센서(510)는 실시간으로 복사 광을 검출할 수 있으며, 이는 건물들, 날씨 변화(예를 들어, 구름) 등으로 인한 광의 반사 및 차단을 고려한다. 예를 들어, 흐린 날에는, 태양광이 구름에 의해 차단될 것이며 외부 센서(510)에 의해 검출된 복사 광은 구름이 없는 날보다 더 낮을 것이다.

일부 실시예들에서, 하나 이상의 외부 센서(510)가 하나의 전기 변색 창(505)과 관련될 수 있다. 하나 이상의 외부 센서(510)로부터의 출력은, 예를 들어 외부 센서(510) 중 하나가 외부 센서(510) 위에 앉은 새와 같은 물체에 의해 그림자 지는지 판단하기 위해 서로 비교될 수 있다. 일부 경우에, 일부 센서들은 신뢰할 수 없고/없거나 고가일 수 있기 때문에, 비교적 적은 센서들을 사용하는 것이 바람직할 수 있다. 특정 구현예들에서, 건물 또는 건물의 일측에 입사되는 태양으로부터의 복사 광의 현재 레벨을 결정하는 데에 하나의 센서 또는 적은 수의 센서들이 사용될 수 있다. 구름이 태양의 앞을 가로막아 지나갈 수 있거나, 또는 저물고 있는 태양 앞에서 공사 차량이 멈춰 있을 수 있다. 이들은 건물에 수직으로 입사하도록 계산된 태양으로부터의 복사 광의 양에 편차를 야기할 것이다.

외부 센서(510)는 광 센서의 일 유형일 수 있다. 예를 들어, 외부 센서(510)는 전하 연결 소자(CCD), 포토다이오드, 포토레지스터, 또는 광전지 셀일 수 있다. 통상의 기술자는 광 강도를 측정하고 광 레벨을 나타내는 전기적 출력을 제공하는 미래의 발전된 광 센서 및 다른 센서 기술이 적용될 수도 있음을 이해할 것이다.

개시된 실시예들에서, 창문 컨트롤러(450)는 PWM(460)에 지시하여, 전압 및/또는 전류를 전기 변색 창(505)에 인가하여 전기 변색 창을 4개 이상의 상이한 색조 레벨들 중 임의의 하나로 전이시킬 수 있다. 개시된 실시예들에서, 전기 변색 창(505)은 0(가장 밝음), 5, 10, 15, 20, 25, 30, 및 35(가장 어두움)과 같이 기술되는 적어도 8개의 상이한 색조 레벨들로 전이될 수 있다. 색조 레벨은 전기 변색 창(505)을 통해 투과된 광의 시각적 투과율 값 및 태양 열 이득 계수(SHGC: solar heat gain coefficient) 값에 선형으로 대응할 수 있다. 예를 들어, 상기 8개의 색조 레벨들을 사용하는 경우, 가장 밝은 색조 레벨 0은 SHGC값 0.80에 대응할 수 있고, 색조 레벨 5는 SHGC값 0.70에 대응할 수 있으며, 색조 레벨 10은 SHGC값 0.60에 대응할 수 있고, 색조 레벨 15는 SHGC값 0.50에 대응할 수 있으며, 색조 레벨 20은 SHGC값 0.40에 대응할 수 있고, 색조 레벨 25는 SHGC값 0.30에 대응할 수 있으며, 색조 레벨 30은 SHGC값 0.20에 대응할 수 있고, 가장 어두운 색조 레벨 35는 SHGC값 0.10에 대응할 수 있다.

창문 컨트롤러(450) 또는 창문 컨트롤러(450)와 통신하는 마스터 컨트롤러는 외부 센서(510) 및/또는 다른 입력으로부터의 신호들에 기초하여 원하는 색조 레벨을 결정하기 위해 임의의 하나 이상의 예측 제어 로직 구성요소를 사용할 수 있다. 창문 컨트롤러(450)는 전기 변색 창(505)에 전압 및/또는 전류를 인가하여 전기 변색 창을 원하는 색조 레벨로 전이시키도록 PWM(460)에 명령할 수 있다.

- 건물 관리 시스템(BMS)

본원에서 설명되는 창문 컨트롤러들은 또한 BMS와 통합되거나 그 내부에 일부로 배치되기에 적절하다. BMS는 건물의 기계 및 전기 장비(예: 환기, 조명, 전력 시스템, 엘리베이터, 화재 시스템, 보안 시스템)를 모니터하고 제어하는, 건물에 설치된 컴퓨터 기반 제어 시스템이다. BMS는 컴퓨터 또는 컴퓨터들과의 통신 채널에 의한 상호연결을 포함한 하드웨어, 및 실내 인물 및/또는 건물 관리자에 의해 설정된 선호도에 따라 건물 내의 조건을 유지하기 위한 관련 소프트웨어로 구성된다. 예를 들어, BMS는 이더넷과 같은 근거리 통신망을 이용하여 구현될 수 있다. 소프트웨어는 예를 들어, 인터넷 프로토콜 및/또는 오픈 표준에 기초할 수 있다. 일 예는 Tridium 사(버지니아주 리치몬드 소재)의 소프트웨어다. BMS에 공통적으로 사용되는 하나의 통신 프로토콜은 BACnet(건물 자동화 및 제어 네트워크)이다.

BMS는 대형 건물에서 가장 일반적이며, 대개 적어도 건물 내부의 환경을 제어하는 기능을 가진다. 예를 들어, BMS는 건물 내의 온도, 이산화탄소 레벨 및 습도를 제어할 수 있다. 대개, 히터, 에어컨, 송풍기, 벤트 등과 같은 BMS에 의해 제어되는 많은 기계 장치가 있다. 건물 환경을 제어하기 위해, BMS는 정의된 조건 하에서 이러한 다양한 장치를 턴온 및 턴오프할 수 있다. 대개의 현대적인 BMS의 핵심 기능은 난방과 냉방 비용/수요를 최소화하면서도 실내 사람들에게 쾌적한 환경을 유지시키는 것이다. 따라서, 현대적인 BMS는 모니터링 및 제어뿐만 아니라, 예를 들어, 에너지를 보존하고 건물 운영 비용을 절감하기 위해, 다양한 시스템 간의 시너지를 최적화하는 데에도 사용된다.

일부 실시예들에서, 창문 컨트롤러는 BMS와 통합되는데, 여기서 창문 컨트롤러는 하나 이상의 전기 변색 창(예를 들어, 505) 또는 다른 변색 가능 창들을 제어하도록 구성된다. 다른 실시예들에서, 창문 컨트롤러는 BMS 내부에 있거나 BMS의 일부이고, BMS는 건물의 다른 시스템들의 기능과 함께 변색 가능 창을 모두 제어한다. 일 예에서, BMS는 건물 내의 변색 가능 창들의 하나 이상의 구역들을 포함하는 모든 건물 시스템들의 기능들을 제어할 수 있다.

일부 실시예들에서, 하나 이상의 구역의 각각의 변색 가능 창은 적어도 하나의 고체 및 무기물인 전기 변색 장치를 포함한다. 일 실시예에서, 하나 이상의 구역의 변색 가능 창들 각각은 하나 이상의 고체 및 무기물인 전기 변색 장치들을 갖는 전기 변색 창이다. 일 실시예에서, 하나 이상의 변색 가능 창은 적어도 하나의 전고체 및 무기물인 전기 변색 장치를 포함하지만, 둘 이상의 전기 변색 장치, 예를 들어 IGU의 각각의 라이트 또는 패널이 변색 가능한 것을 포함할 수 있다. 일 실시예에서, 전기 변색 창은, 2010년 8월 5일에 출원된 미국 특허출원 제12/851,514호(Multipane Electrochromic Windows)에 기재된 바와 같은, 다중상태(multistate) 전기 변색 창이다. 도 6은 건물(601)과, 보안 시스템, 난방/환기/에어컨(HVAC), 건물의 조명, 전력 시스템, 엘리베이터, 화재 시스템 등을 포함하는 다수의 건물 시스템을 관리하는 BMS(605)의 일 예의 개략도를 도시한다. 보안 시스템은 자기 카드 액세스, 회전문, 솔레노이드 구동되는 문 잠금, 감시 카메라, 강도 경보기, 금속 탐지기 등을 포함할 수 있다. 화재 시스템은 물 배관 제어를 포함하는 화재 경보기 및 화재 진압 시스템을 포함할 수 있다. 조명 시스템은 실내 조명, 외부 조명, 비상 경고등, 비상 출구 표지 및 비상 바닥 출구 조명을 포함할 수 있다. 전력 시스템은 주 전력, 백업 전력 발생기, 및 UPS(uninterrupted power source) 그리드를 포함할 수 있다.

또한, BMS(605)는 창문 제어 시스템(602)을 관리한다. 창문 제어 시스템(602)은 마스터 컨트롤러(603), 네트워크 컨트롤러(607a, 607b), 및 말단 또는 리프(leaf) 컨트롤러(608)를 포함하는 창문 컨트롤러들의 분산 네트워크이다. 말단 또는 리프 컨트롤러(608)는 도 4와 관련하여 기술된 창문 컨트롤러(450)와 유사할 수 있다. 예를 들어, 마스터 컨트롤러(603)는 BMS(605)에 근접하여 있을 수 있고, 건물(601)의 각각의 층은 하나 이상의 네트워크 컨트롤러들(607a 및 607b)을 가질 수 있는 반면, 건물의 각각의 창문은 그 자신의 말단 컨트롤러(608)를 갖는다. 이 예에서, 컨트롤러들(608) 각각은 건물(601)의 특정 전기변색 창문을 제어한다. 창문 제어 시스템(602)은 데이터를 수신하기 위해 클라우드 네트워크(610)와 통신한다. 예를 들어, 창문 제어 시스템(602)은 클라우드 네트워크(610) 상에 유지된 맑은 하늘 모델들로부터 스케줄 정보를 수신할 수 있다. 비록 도 6에서는 마스터 컨트롤러(603)가 BMS(605)로부터 구분되어 있는 것으로 설명되어 있지만, 다른 실시예에서, 마스터 컨트롤러(603)는 BMS(605)의 일부이거나 그 안에 있다.

컨트롤러들(608) 각각은 자신이 제어하는 전기변색 창문으로부터 분리된 위치에 있을 수 있거나, 또는 전기변색 창문 내에 포함될 수 있다. 단순화를 위해, 마스터 창문 컨트롤러(602)에 의해 제어되는 바와 같은, 건물(601)의 10개의 전기변색 창문만이 도시되어 있다. 대개의 설정에서, 창문 제어 시스템(602)에 의해 제어되는 건물 내에는 많은 수의 전기변색 창문들이 존재할 수 있다. 본원에서 BMS로 설명되는 바와 같은 전기변색 창문 컨트롤러들을 포함하는 것의 장점들 및 특징들은 적절한 경우, 도 6과 관련하여 이하에서 더 상세히 설명된다.

개시된 실시예들의 일 양태는 본원에 기재된 바와 같은 다목적 전기변색 창문 컨트롤러를 포함하는 BMS이다. 전기 변색 창문 컨트롤러로부터의 피드백을 포함함으로써, BMS는 예를 들어 향상된, 1) 환경 제어, 2) 에너지 절약, 3) 보안, 4) 제어 옵션에서의 유연성, 5) 다른 시스템들에의 낮은 의존성 및 덜 빈번한 유지보수에 따른 그들의 개선된 신뢰도 및 가용 수명, 6) 정보 가용성 및 진단, 7) 전기변색 창문들이 자동적으로 제어될 수 있음으로 인한 직원들의 더 높은 생산성, 및 이들의 다양한 조합을 제공할 수 있다. 일부 실시예들에서, BMS는 존재하지 않거나, 또는 BMS가 존재하지만 마스터 컨트롤러와 통신하지 않거나, 또는 마스터 컨트롤러와 높은 레벨에서 통신할 수 있다. 특정 실시예들에서, BMS에 대한 유지보수는 전기변색 창문들의 제어를 방해하지 않을 것이다.

일부 경우에, BMS(605) 또는 건물 네트워크(1200)의 시스템들은 일별, 월별, 분기별, 또는 연간 스케줄들에 따라 실행될 수 있다. 예를 들어, 조명 제어 시스템, 창문 제어 시스템, HVAC, 및 보안 시스템은 근무일 동안 사람들이 건물 내에 있을 때를 고려한 24시간 스케줄에 따라 동작할 수 있다. 야간에, 건물은 에너지 절약 모드로 진입할 수 있고, 낮 동안에, 시스템들은 점유자의 편안함을 제공하면서도 건물의 에너지 소비를 최소화하는 방식으로 동작할 수 있다. 또 다른 예로서, 시스템들은 휴일 기간 동안 에너지 절약 모드로 진입하거나 시스템들을 종료할 수 있다.

BMS 스케줄은 지리 정보와 조합될 수 있다. 지리 정보는 건물의 위도 및 경도를 포함할 수 있다. 지리 정보는 또한, 건물의 각각의 면이 바라보는 방향에 관한 정보를 포함할 수 있다. 이러한 정보를 이용하여, 건물의 상이한 면들에 있는 서로 다른 방들은 상이한 방식들로 제어될 수 있다. 예를 들어, 겨울에 건물의 동쪽을 향하는 방의 경우, 창문 컨트롤러는 방에 비치는 햇빛으로 인해 방이 따뜻해지도록 그리고 햇빛으로부터 조명되기 때문에 조명 제어 패널이 광을 희미하게 하도록 지시할 수 있도록, 아침에 변색되지 않게 창문에 지시할 수 있다. 서쪽을 향하는 창문의 색조는 에너지 절약에 영향을 주지 않기 때문에 서쪽을 향하는 창문은 아침에 방의 점유자들에 의해 제어될 수 있다. 그러나, 저녁에는 동향 창문 및 서향 창문의 작동 모드가 전환될 수 있다(예를 들어, 해가 질 때, 서향 창문들은 열과 조명 모두를 위해 일광을 허용하도록 변색되지 않는다).

이하에서는 예를 들어, 건물 네트워크 또는 BMS, 건물의 외부 창문용 변색 가능 창문(즉, 건물의 외부로부터 건물의 내부를 분리하는 창문), 및 다수의 상이한 센서들을 포함하는, 도 6의 건물(601)과 같은 건물의 일 예가 설명된다. 건물의 외부 창문으로부터의 빛은 일반적으로 창문으로부터 약 20피트 또는 약 30피트에 있는 건물 내의 내부 조명에 영향을 미친다. 즉, 외부 창문으로부터 약 20피트 또는 약 30피트보다 더 멀리 있는 건물 내의 공간은 외부 창문으로부터 빛을 거의 받지 못한다. 건물의 외부 창문으로부터 멀리 있는 이러한 공간은 건물의 조명 시스템에 의해 조명된다.

또한, 건물 내의 온도는 외부 광 및/또는 외부 온도에 의해 영향을 받을 수 있다. 예를 들어, 추운 날에, 건물이 가열 시스템에 의해 난방되는 경우, 문 및/또는 창문에 가까운 방은 건물의 내부 영역보다 더 빠르게 열을 잃고 내부 영역에 비해 더 냉각될 것이다.

외부 센서들의 경우, 건물은 건물의 지붕 위에 외부 센서들을 포함할 수 있다. 대안적으로, 건물은 각각의 외부 창문과 연관된 외부 센서(예를 들어, 도 5의 방(500)과 관련하여 설명된 바와 같이) 또는 건물의 각각의 측면 상의 외부 센서를 포함할 수 있다. 건물의 각각의 측면에 있는 외부 센서는 태양이 하루 종일 위치를 변경함에 따라 건물의 한 측면 상으로의 조도(irradiance)를 추적할 수 있다.

일부 실시예들에서, 수신된 출력 신호들은 건물 내의 난방 시스템, 냉방 시스템, 및/또는 조명에 의한 에너지 또는 전력 소비를 나타내는 신호를 포함한다. 예를 들어, 건물의 난방 시스템, 냉방 시스템, 및/또는 조명의 에너지 또는 전력 소비는 에너지 또는 전력 소비를 나타내는 신호를 제공하도록 모니터링될 수 있다. 장치들은 이 모니터링을 가능하도록 건물의 회로 및/또는 배선과 인터페이스하거나 연결될 수 있다. 대안적으로, 건물 내의 전력 시스템들은, 건물 내의 난방 시스템, 냉방 시스템, 및/또는 개별 방에 대한 조명이나 건물 내의 일 그룹의 방들에 대한 조명에 의해 소비되는 전력이 모니터링될 수 있도록 설치될 수 있다.

변색 가능 창의 색조를 결정된 색조 레벨로 바꾸기 위해 색조 명령들이 제공될 수 있다. 예를 들어, 도 6을 참조하면, 색조 명령들은 하나 이상의 네트워크 컨트롤러(607a, 607b)에 대한 마스터 컨트롤러(603)의 명령을 포함할 수 있으며, 이는 차례로, 건물의 각각의 창을 제어하는 말단 컨트롤러(608)로 명령을 발행한다. 말단 컨트롤러들(608)은 명령들에 따라 색조를 변화시키기 위해 전압 및/또는 전류를 창에 인가할 수 있다.

일부 실시예들에서, 전기변색 창문을 포함하는 건물 및 BMS는 건물에 전력을 제공하는 유틸리티 또는 유틸리티들에 의해 실행되는 수요 응답 프로그램에 등록되거나 그에 참여될 수 있다. 이 프로그램은 피크 부하 발생이 예상될 때 건물의 에너지 소모가 감소되는 프로그램일 수 있다. 유틸리티는 예상된 피크 부하 발생 이전에 경고 신호를 보낼 수 있다. 예를 들어, 경고는 예상된 피크 부하 발생되기 하루 전, 아침, 또는 약 1시간 전에 전송될 수 있다. 예를 들어, 냉방 시스템/에어컨이 유틸리티로부터 많은 양의 전력을 사용하고 있을 때, 피크 부하 발생은 더운 여름 날에 발생할 것으로 예상될 수 있다. 경고 신호는 건물의 BMS에 의해 또는 건물 내의 전기변색 창문을 제어하도록 구성된 창문 컨트롤러에 의해 수신될 수 있다. 이 경고 신호는 시스템으로부터 창문 컨트롤러를 해제하는 대체 메커니즘일 수 있다. 그 후, BMS는 창문 컨트롤러(들)에게 전기변색 창문(505) 내의 적절한 전기변색 장치를 어두운 색조 레벨로 전이하도록 지시하여, 피크 부하가 예상되는 시간에 건물 내의 냉각 시스템의 전력 인출 감소를 도울 수 있다.

일부 실시예들에서, 건물의 외부 창(즉, 건물의 외부로부터 건물의 내부를 분리하는 창들)을 위한 변색 가능 창들은 구역들로 그룹화될 수 있고, 특정 구역의 변색 가능 창들에게 유사한 방식으로 지시될 수 있다. 예를 들어, 건물의 상이한 층들 또는 건물의 상이한 측면들 상의 전기변색 창문들의 그룹들은 상이한 구역들에 있을 수 있다. 예를 들어, 건물의 1층에서, 모든 동향 전기변색 창문은 구역 1에 있을 수 있고, 모든 남향 전기변색 창문은 구역 2에 있을 수 있으며, 모든 서향 전기변색 창문은 구역 3에 있을 수 있고, 모든 북향 전기변색 창문은 구역 4에 있을 수 있다. 또 다른 예로서, 건물의 1층에 있는 모든 전기변색 창문은 구역 1에 있을 수 있고, 2층에 있는 모든 전기변색 창문은 구역 2에 있을 수 있으며, 3층에 있는 모든 전기변색 창문은 구역 3에 있을 수 있다. 또 다른 예로서, 모든 동향 전기변색 창문은 구역 1에 있을 수 있고, 모든 남향 전기변색 창문은 구역 2에 있을 수 있으며, 모든 서향 전기변색 창문은 구역 3에 있을 수 있고, 모든 북향 전기변색 창문은 구역 4에 있을 수 있다. 또 다른 예로서, 한 층의 동향 전기변색 창문은 상이한 구역들로 분할될 수 있다. 건물의 동일한 면 및/또는 상이한 면들 및/또는 상이한 층들에 있는 임의의 개수의 변색 가능 창들이 하나의 구역에 할당될 수 있다. 개별적인 변색 가능 창들이 독립적으로 제어될 수 있는 구역들을 가진 실시예들에서, 개별 창들의 구역들의 조합을 사용하는 건물 면에 변색 구역들이 생성될 수 있고, 예를 들어, 개별 창들의 구역 전체가 변색되거나 변색되지 않을 수 있다.

일부 실시예들에서, 특정 구역 내의 전기변색 창문들은 동일한 창문 컨트롤러 또는 동일한 세트의 창문 컨트롤러들에 의해 제어될 수 있다. 일부 다른 실시예들에서, 특정 구역 내의 전기변색 창문들은 상이한 창문 컨트롤러(들)에 의해 제어될 수 있다.

일부 실시예들에서, 특정 구역 내의 전기변색 창문들은 투과율 센서로부터 출력 신호를 수신하는 창문 컨트롤러 또는 컨트롤러들에 의해 제어될 수 있다. 일부 실시예들에서, 투과율 센서는 하나의 구역 내의 창들에 근접하게 장착될 수 있다. 예를 들어, 투과율 센서는 구역 내에 포함된 IGU를 포함한 프레임 내에 또는 그 위에 장착(예를 들어, 프레임의 중간 선대(mullion), 수평 새시 내에 또는 그 위에 장착)될 수 있다. 일부 다른 실시예들에서, 건물의 단일 측면 상의 창문들을 포함하는 특정 구역의 전기변색 창문들은 투과율 센서로부터 출력 신호를 수신하는 창문 컨트롤러 또는 컨트롤러들에 의해 제어될 수 있다.

일부 실시예들에서, 건물 관리자, 제2 구역 내의 방 안의 사람들, 또는 다른 사람은 (예를 들어, BMS의 사용자 콘솔로부터의 색조 또는 투명 명령 또는 특정 명령을 사용하여) 제2 구역(즉, 슬레이브 제어 구역) 내의 전기변색 창문들이 변색된 상태(레벨) 또는 투명 상태와 같은 변색 레벨로 진입하도록 수동으로 지시할 수 있다. 일부 실시예들에서, 제2 구역 내의 창문들의 색조 레벨이 이러한 수동 명령으로 대체될 때, 제1 구역(즉, 마스터 제어 구역) 내의 전기변색 창문들은 투과율 센서로부터 수신된 출력의 제어 하에 유지된다. 제2 구역은 일정 기간 동안 수동 명령 모드로 유지될 수 있고, 그 후에 투과율 센서로부터의 출력의 제어 하에 있도록 다시 복귀할 수 있다. 예를 들어, 제2 구역은 덮어쓰기(override) 명령을 수신한 후 1시간 동안 수동 모드로 유지될 수 있고, 그 후에 투과율 센서로부터의 출력의 제어 하에 다시 복귀할 수 있다.

일부 실시예들에서, 건물 관리자, 제1 구역 내의 방 안의 사람들, 또는 다른 사람은 유색 상태 또는 클리어 상태와 같은 색조 레벨을 입력하기 위해 제1 구역(즉, 마스터 제어 구역) 내의 창들을 수동으로 (예를 들어, 색조 명령 또는 BMS의 사용자 콘솔로부터의 명령을 사용하여) 지시할 수 있다. 일부 실시예들에서, 제1 구역 내의 창문들의 색조 레벨이 이러한 수동 명령으로 대체될 때, 제2 구역(즉, 슬레이브 제어 구역) 내의 전기변색 창문들은 외부 센서로부터의 출력들의 제어 하에 유지된다. 제1 구역은 일정 기간 동안 수동 명령 모드로 유지될 수 있고, 그 후에 투과율 센서로부터의 출력의 제어 하에 있도록 다시 복귀할 수 있다. 예를 들어, 제1 구역은 덮어쓰기 명령을 수신한 후 1시간 동안 수동 모드로 유지될 수 있고, 그 후에 투과율 센서로부터의 출력의 제어 하에 다시 복귀할 수 있다. 일부 다른 실시예들에서, 제2 구역의 전기변색 창문들은 제1 구역에 대한 수동 덮어쓰기가 수신될 때의 색조 레벨로 유지될 수 있다. 제1 구역은 일정 기간 동안 수동 명령 모드로 유지될 수 있고, 그 이후에 제1 구역 및 제2 구역 모두, 투과율 센서로부터의 출력의 제어 하에 다시 복귀할 수 있다.

창문 컨트롤러가 독립형 창문 컨트롤러인지 또는 건물 네트워크와 인터페이스되는지에 상관없이, 변색 가능 창을 제어하는 데에는, 변색 가능 창의 제어에 대한 본원에 개시된 방법들 중 임의의 방법이 사용될 수 있다.

무선 통신 또는 유선 통신

일부 실시예들에서, 본원에 설명된 창문 컨트롤러들은 해당 창문 컨트롤러, 센서들, 및 별도의 통신 노드들 사이의 유선 또는 무선 통신을 위한 구성요소들을 포함한다. 무선 또는 유선 통신은 창문 컨트롤러와 직접 인터페이스하는 통신 인터페이스를 이용하여 달성될 수 있다. 이러한 인터페이스는 마이크로프로세서에서 자체 제공되거나 이러한 기능을 가능하게 하는 추가 회로를 통해 제공될 수 있다.

무선 통신을 위한 별개의 통신 노드는, 예를 들어, 다른 무선 창문 컨트롤러, 말단, 중간, 또는 마스터 창문 컨트롤러, 원격 제어 장치, 또는 BMS일 수 있다. 무선 통신은 전기변색 창문(505)의 프로그래밍 및/또는 동작, EC 창문(505)로부터의 데이터를 본원에 설명된 다양한 센서들 및 프로토콜들로부터 수집, 및 무선 통신을 위한 릴레이 포인트로서 전기변색 창문(505)을 이용하는 동작들 중 적어도 하나를 위해 창문 컨트롤러에서 사용된다. 전기변색 창문(505)로부터 수집된 데이터는 또한, EC 장치가 활성화된 횟수, 시간에 따른 EC 장치의 효율 등과 같은 카운트 데이터를 포함할 수 있다. 이러한 무선 통신 기능들은 아래에서 더 상세히 설명된다.

일 실시예에서, 무선 통신은 예를 들어, 적외선(IR) 및/또는 무선 주파수(RF) 신호를 통해, 연관된 전기변색 창문(505)을 동작시키는 데에 이용된다. 특정 실시예들에서, 컨트롤러는 블루투스, EnOcean, WiFi, 지그비(Zigbee) 등과 같은 무선 프로토콜 칩을 포함할 것이다. 또한, 창문 컨트롤러들은 네트워크를 통해 무선 통신할 수 있다. 창문 컨트롤러에 대한 입력은 직접적으로 또는 무선 통신을 통해 벽 스위치에서 최종 사용자에 의해 수동으로 입력될 수 있거나, 또는 입력은 전기 변색 창을 구성요소로 포함하는 건물의 BMS 로부터 제공될 수 있다.

일 실시예에서, 창문 컨트롤러가 컨트롤러들의 분산 네트워크의 일부인 경우, 무선 통신은 각각이 무선 통신 구성요소들을 갖는 컨트롤러들의 분산 네트워크를 통해 복수의 전기 변색 창들에 대해 또는 그로부터 데이터를 전송하는 데에 사용된다. 예를 들어, 도 6을 다시 참조하면, 마스터 컨트롤러(603)는 각각의 네트워크 컨트롤러들(607a 및 607b)과 무선으로 통신하며, 이들은 각각 전기변색 창문과 연관되는 말단 컨트롤러들(608)과 무선으로 통신한다. 마스터 컨트롤러(603)는 BMS(605)와 무선으로 통신할 수도 있다. 일 실시예에서, 창문 컨트롤러 내의 적어도 하나의 통신 레벨은 무선으로 수행된다.

일부 실시예들에서, 창문 컨트롤러 분산 네트워크에서 둘 이상의 무선 통신 모드가 사용된다. 예를 들어, 마스터 창문 컨트롤러는 WiFi 또는 지그비를 통해 중간 컨트롤러들에 무선으로 통신할 수 있는 반면, 중간 컨트롤러들은 블루투스, 지그비, EnOcean, 또는 다른 프로토콜을 통해 말단 컨트롤러들과 통신할 수 있다. 다른 예에서, 창문 컨트롤러들은 무선 통신을 위한 최종 사용자 선택의 유연성을 위해 필요 이상으로 많은(redundant) 무선 통신 시스템들을 갖는다.

예를 들어, 마스터 및/또는 중간 창문 컨트롤러들과, 말단 창문 컨트롤러들 사이의 무선 통신은, 하드 통신 라인들의 설치를 회피하는 이점을 제공한다. 이는 창문 컨트롤러들과 BMS 간의 무선 통신에도 마찬가지이다. 일 양태에서, 이러한 역할들에서 무선 통신은, 창을 동작시키기 위해 전기 변색 창들에 또는 그로부터 데이터를 전송하고, 예를 들어, 건물 내의 환경 및 에너지 절약을 최적화하기 위해 BMS로 데이터를 제공하는 데에 유용하다. 창문 위치 데이터 및 센서로부터의 피드백은 이러한 최적화를 위해 상승 작용한다. 예를 들어, 건물의 다양한 환경을 최적화하기 위해 입자 레벨의(창문별) 미세기후 정보가 BMS에 제공된다.

- 변색 가능 창문의 기능을 제어하기 위한 시스템의 예

도 7은 실시예들에 따른, 건물의 하나 이상의 변색 가능 창문들(예를 들어, 도 6에 도시된 건물(601))의 기능들(예를 들어, 상이한 색조 레벨들로의 전이)을 제어하기 위한 시스템(700)의 구성요소들의 블록도이다. 시스템(700)은 BMS(예를 들어, 도 6에 도시된 BMS(605))에 의해 관리되는 시스템들 중 하나일 수 있거나, 또는 BMS와 독립적으로 동작할 수 있다.

시스템(700)은 그의 기능들을 제어하기 위해 제어 신호들을 전기변색 창문들에 전송할 수 있는 창문 컨트롤러들의 네트워크를 갖는, 창문 제어 시스템(702)을 포함한다. 시스템(700)은 또한, 마스터 컨트롤러(703)와 전자적으로 통신하는 네트워크(701)를 포함한다. 변색 가능 창(들)의 기능들을 제어하기 위한 예측 제어 로직, 다른 제어 로직 및 명령들, 센서 데이터, 및/또는 맑은 하늘 모델들에 관한 스케줄 정보는 네트워크(701)를 통해 마스터 컨트롤러(703)로 전달될 수 있다. 네트워크(701)는 유선 또는 무선 네트워크(예를 들어, 클라우드 네트워크)일 수 있다. 일 실시예에서, 네트워크(701)는 BMS가 네트워크(701)를 통해 건물 내의 변색 가능 창문(들)으로 변색 가능 창문(들) 제어를 위한 명령들을 전송하게 하기 위해 BMS와 통신할 수 있다.

시스템(700)은 또한, 마스터 컨트롤러(703)와 전자적으로 통신하는, 변색 가능 창문들(도시되지 않음)의 EC 장치들(780) 및 선택적인 벽 스위치들(790)을 포함한다. 이러한 도시된 예에서, 마스터 컨트롤러(703)는 EC 장치(들)(780)를 갖는 변색 가능 창문들의 색조 레벨을 제어하기 위해 제어 신호들을 EC 장치(들)(780)에 전송할 수 있다. 각각의 벽 스위치(790)는 또한, EC 장치(들)(780) 및 마스터 컨트롤러(703)와 통신한다. 최종 사용자(예를 들어, 변색 가능 창문을 갖는 방 안의 사람)는 벽 스위치(790)를 이용하여, EC 장치(들)(780)를 갖는 변색 가능 창문의 대체 색조 레벨 및 다른 기능들을 입력할 수 있다.

도 7에 도시된 바와 같이, 창문 제어 시스템(702)은 마스터 컨트롤러(703), 마스터 컨트롤러(703)와 통신하는 복수의 네트워크 컨트롤러(705), 및 다수의 복수의 말단 또는 리프 창문 컨트롤러(710)를 포함하는 창문 컨트롤러들의 분산 네트워크로서 도시되었다. 각각의 복수의 말단 또는 리프 창문 컨트롤러(710)는 하나의 네트워크 컨트롤러(705)와 통신한다. 도 7의 시스템(700)의 구성요소들은 도 6과 관련하여 설명된 구성요소들에 대해 일부 측면에서 유사할 수 있다. 예를 들어, 마스터 컨트롤러(703)는 마스터 컨트롤러(603)와 유사할 수 있고, 네트워크 컨트롤러(705)는 네트워크 컨트롤러(607)와 유사할 수 있다. 도 7의 분산 네트워크 내의 창문 컨트롤러들 각각은 프로세서(예를 들어, 마이크로프로세서) 및 프로세서와 전기적으로 통신하는 컴퓨터 판독가능 매체를 포함할 수 있다.

도 7에서, 각각의 리프 또는 말단 창문 컨트롤러(710)는 단일 전기변색 창문의 EC 장치(들)(780)와 통신하여, 건물 내의 해당 변색 가능 창문의 색조 레벨을 제어한다. IGU의 경우, 리프 또는 말단 창문 컨트롤러(710)는 IGU의 다수의 라이트들 상의 EC 장치들(780)과 통신하여, IGU의 색조 레벨을 제어할 수 있다. 다른 실시예들에서, 각각의 리프 또는 말단 창문 컨트롤러(710)는 복수의 변색 가능 창문들과 통신할 수 있다. 리프 또는 말단 창문 컨트롤러(710)는 변색 가능 창에 포함될 수 있거나, 제어하는 변색 가능 창과 분리될 수 있다. 도 7의 리프 및 말단 창문 컨트롤러(710)는 도 6의 말단 또는 리프 컨트롤러(608)와 유사할 수 있고/있거나, 도 4와 관련하여 설명된 창문 컨트롤러(450)와 유사할 수도 있다.

벽 스위치(790)로부터의 신호들은 일부 경우에 창문 제어 시스템(702)으로부터의 신호들을 대체할 수 있다. 다른 경우(예를 들어, 수요가 많은 경우)에, 창문 제어 시스템(702)으로부터의 제어 신호들은 벽 스위치(1490)로부터의 제어 신호들을 대체할 수 있다. 각각의 벽 스위치(790)는 또한, 리프 또는 말단 창문 컨트롤러(710)와 통신하여, 벽 스위치(790)로부터 다시 마스터 창문 컨트롤러(703)로 보내진 제어 신호(예를 들어, 시간, 날짜, 요청된 색조 레벨 등)에 관한 정보를 전송한다. 일부 경우에, 벽 스위치들(790)은 수동으로 작동될 수 있다. 다른 경우에, 벽 스위치들(790)은 예를 들어, 적외선(IR), 및/또는 무선 주파수(RF) 신호들을 통해 제어 신호들과 함께 무선 통신들을 전송하는 원격 장치(예를 들어, 핸드폰, 태블릿 등)를 이용하여, 최종 사용자에 의해 무선으로 제어될 수 있다. 일부 경우에, 벽 스위치들(790)은 블루투스, EnOcean, WiFi, 지그비 등과 같은 무선 프로토콜 칩을 포함할 수 있다. 도 7에 도시된 벽 스위치들(790)은 벽(들)에 위치되지만, 시스템(700)의 다른 실시예들은 방의 다른 곳에 위치된 스위치들을 가질 수 있다.

II. 일반적인 시스템 구조

통상적인 스마트 창문 및/또는 음영 제어 시스템들은 건물에서의 컴퓨팅 자원들에 대해 번거롭고 비효율적인, 건물 상의 그림자들 및 반사들을 능동적으로 모델링한다. 본원에 설명된 시스템 구조는 건물의 모델들을 능동적으로 생성하기 위해 창문 제어 시스템을 필요로 하지는 않는다. 대신, 건물 부지에 특정한 모델들은, 창문 제어 시스템과는 별개인 클라우드 네트워크 또는 다른 네트워크상에서 생성되고 유지된다. 예를 들어, 신경망 모델(예를 들어, DNN 및 LSTM)이 초기화, 재-훈련되고/되거나, 클라우드 네트워크 또는 창문 제어 시스템과는 별도의 다른 네트워크 상에서 실행되는 실시간 모델들 및 이들 모델로부터의 색조 스케줄 정보가 창문 제어 시스템(840)으로 푸시된다.

색조 스케줄 정보는 이러한 모델들에서 유도되고 창문 제어 시스템으로 푸시되는 규칙을 정의한다. 창문 제어 시스템은 관심 건물에 맞추어진 미리 정의된 모델들로부터 유도된 색조 스케줄 정보를 사용하여, 변색 가능 창문들에서 구현되는 최종 색조를 결정한다. 3D 모델들은 사용자로 하여금 건물 부지, 및 변색 가능 창문들에 적용되는 대응하는 최종 색조 상태를 셋업하고 사용자 맞춤 설정하기 위한 입력을 관리하도록, 3D 모델의 시각화를 생성할 수 있는 클라우드 기반의 3D 모델링 플랫폼에서 유지된다. 색조 스케줄 정보가 창문 제어 시스템에 로딩되면, 제어 시스템의 연산 능력을 집중시키기 위한 모델링 계산이 필요하지 않다. 필요한 경우, 모델에 대한 임의의 변경으로 인해 발생하는 색조 스케줄 정보가 창문 제어 시스템으로 푸시될 수 있다. 비록 본원에서는 시스템 구조가 일반적으로, 변색 가능 창문들을 제어하는 것과 관련하여 기술되어 있지만, 건물의 다른 구성요소들 및 시스템들이 추가적으로 또는 대안적으로 이 구조에 의해 제어될 수 있음이 이해될 것이다.

다양한 구현예들에서, 시스템 구조는 건물 위치의 3D 모델을 셋업하고 사용자 맞춤 설정하기 위한 클라우드 기반 모듈들을 포함한다. 클라우드 기반 3D 모델 시스템은 건축 모델(들)을 입력으로 사용하여 건물 부지의 3D 모델을 초기화하며, 예를 들어 Autodesk사의 ®Revit 모델 또는 다른 산업 표준 건물 모델이 사용될 수 있다. 가장 단순한 형태의 3D 모델은, 창문 개구부들을 포함하는 건물의 구조물들의 외부 표면들과, 층 바닥 및 벽만을 구비한 해당 건물의 내부의 스트립된 버전을 포함한다. 더 복잡한 모델들은 건물을 둘러싸는 오브젝트들의 외부 표면뿐만 아니라 건물의 내부 및 외부의 보다 상세한 특징부를 포함할 수 있다. 시스템 구조는 또한, 3D 모델 내의 오브젝트들의 외부 표면에 대한 반사 또는 비-반사 속성을 할당하고, 내부의 3차원 점유 영역을 정의하며, 창문들에 ID를 할당하고, 사용자로부터의 입력에 기초하여 창문들을 구역들로 그룹화하는, 클라우드 기반의 맑은 하늘 모듈을 포함한다. 생성된 맑은 하늘 3D 모델(즉, 할당된 속성을 갖는 구성 데이터를 갖는 3D 모델)의 시간에 따른 시뮬레이션은, 맑은 하늘 조건 하에서 태양의 상이한 위치에서의 일광의 방향을 결정하기 위해, 그리고 건축 부지에서의 오브젝트들로부터의 그림자 및 반사, 건물의 공간으로 진입하는 태양광, 및 건물 내의 3차원 점유 영역을 갖는 태양광의 3D 투사의 교차를 고려하기 위해 사용될 수 있다. 맑은 하늘 모듈은 이러한 정보를 이용하여, 예를 들어 눈부심 조건, 직접 및 간접 반사 조건, 그리고 패시브(passive) 열 조건과 같이, (즉, 실내에 있는 사람의 관점에서) 특정한 점유 영역에 대해 특정한 조건들이 존재하는지 여부를 판단한다. 맑은 하늘 모듈은, 해당 시간에서의 특정 조건들의 존재, 조건들에 할당된 색조 상태들, 및 여러 조건들이 존재하는 경우 상이한 조건들에 대한 우선순위에 기초하여, 각각의 시간 구간에서 각각의 구역에 대하여 맑은 하늘 색조 상태를 결정한다. 대개 1년 동안의 색조 스케줄 정보가 건물에서의 창문 제어 시스템의 예컨대, 마스터 컨트롤러에 푸시된다. 창문 제어 시스템은 적외선 센서 및/또는 광 센서로부터의 측정과 같은 센서 데이터에 기초하여 각각의 시간 구간에서 각각의 구역에 대해 날씨에 기초한 색조 상태를 결정한다. 이후, 창문 제어 시스템은 날씨-기반 색조 상태 및 맑은 하늘 색조 상태 중 최소값을 결정하여 최종 색조 상태를 설정하고, 변색 가능 창문들의 구역들에서 최종 색조 상태를 구현하기 위한 색조 명령들을 전송한다. 따라서, 일부 실시예들에서, 창문 제어 시스템은 오프라인으로 수행되는, 건물이나, 건물 주위 및 내부의 3D 파라미터들의 모델링을 수행하지 않으며, 따라서 창문 제어 시스템의 연산 능력은 창문 제어 시스템에 의해 수신된 모델(들) 및/또는 다른 입력(들)에 기초하여 색조 상태들을 적용하는 것과 같은 다른 작업들을 위해 사용될 수 있다.

도 8은 다양한 구현예들에 따른, 클라우드 네트워크(801)에서 유지되는 모델들을 초기화 및 사용자 설정하고, 모델들로부터의 규칙들과 같은 출력에 기초하여 건물의 변색 가능 창문들을 제어하는 것에 관련된, 시스템들의 일반적인 구조(800) 및 사용자들을 도시하는 개략도이다. 시스템 구조(800)는 클라우드 기반의 맑은 하늘 모듈(820)과 통신하는 클라우드 기반 3D 모델 시스템(810)을 포함하며, 여기서 810 및 820의 조합은 모듈 A로 지칭된다. 일 실시예에서, 모듈 A는 창문 제어 시스템(840)에 입력을 제공한다. 3D 모델 시스템(810)은 건물 부지의 3D 모델을 초기화 및/또는 수정할 수 있고, 3D 모델용 데이터를 맑은 하늘 모듈(820)에 전달할 수 있다. 3D 모델 시스템에 의해 초기화되는 3D 모델은 건물 부지에 있는 다른 오브젝트들 및 주변 구조물들의 외부 표면들과, 벽, 바닥, 및 외부 표면을 제외하고는 모두 제거된 건물을 포함한다. 클라우드 기반의 맑은 하늘 모듈(820)은, 예를 들어, 하나 이상의 일광/음영 모델, 반사 모델, 및 패시브 열 모델과 같은 맑은 하늘 3D 모델을 생성하기 위해 3D 모델에 속성들을 할당할 수 있다. 클라우드 기반 시스템은 응용 프로그램 인터페이스(API)를 사용하여 클라우드 네트워크를 통해 서로 간에 그리고 다른 응용 프로그램들과 통신한다. 클라우드 기반 3D 모델 시스템(810) 및 맑은 하늘 모듈(820)은 모두, 본원에서 더 상세히 설명되는 바와 같은 로직을 포함한다. 이들 클라우드 기반 모듈들 및 본원에 설명된 다른 모듈들의 로직은 클라우드 네트워크의 서버의 컴퓨터 판독가능 매체(예를 들어, 메모리)에 저장될 수 있고, 클라우드 네트워크 내의 서버 상의 하나 이상의 프로세서들이 해당 로직의 기능들을 수행하기 위한 명령들을 실행하기 위해 컴퓨터 판독가능 매체와 통신하는 것을 이해할 것이다. 일 실시예에서, 창문 제어 시스템(840)은 또한, 본원에서 더 설명되는 모듈 B로부터 입력을 수신한다. 다른 실시예에서, 창문 제어 시스템(840)은 모듈 A, C1 및 D1으로부터 입력을 수신한다.

맑은 하늘 모듈(820)은 건물 부지의 3D 모델을 사용하여, 맑은 하늘 조건 하에서 태양의 상이한 위치들에 대한 시간에 따른 시뮬레이션을 생성하고, 눈부심, 건물 부지 주변의 하나 이상의 오브젝트로부터의 그림자 및 반사를 결정할 수 있다. 예를 들어, 맑은 하늘 모듈(820)은 맑은 하늘 일광/음영 모델 및 반사 모델을 생성할 수 있고, 광선 추적 엔진을 사용하여 맑은 하늘 조건 하에서의 그림자 및 반사에 기초한 건물의 창문 개구부를 통한 직사광선을 결정할 수 있다. 맑은 하늘 모듈(820)은 그림자 및 반사 데이터를 사용하여 건물의 점유 영역(즉, 실내에 사람이 있을 만한 위치)에서의 눈부심, 반사 및 패시브 열 조건의 존재를 판단한다. 클라우드 기반의 맑은 하늘 모듈(820)은 이러한 조건들에 기초하여 건물의 각각의 구역에 대한 색조 상태들의 연간 스케줄(또는 다른 시간 주기)을 결정한다. 일반적으로, 클라우드 기반의 맑은 하늘 모듈(820)은 색조 스케줄 정보를 창문 제어 시스템(840)으로 푸시한다.

창문 제어 시스템(840)은 도 6 및 도 7에 도시된 네트워크들과 같은 창문 컨트롤러들의 네트워크를 포함한다. 창문 제어 시스템(840)은 제1 구역(872)으로부터 제n 구역(874)까지의 일련의 구역들로서 도 8에 도시된, 건물 내의 변색 가능 창문들의 구역들과 통신한다. 창문 제어 시스템(840)은 최종 색조 상태들을 결정하고, 색조 명령들을 전송하여 변색 가능 창들의 색조 상태들을 제어한다. 최종 색조 상태들은 연간 스케줄 정보, 센서 데이터, 및/또는 날씨 피드 데이터에 기초하여 결정된다. 도시된 시스템 구조(800)와 관련하여 설명된 바와 같이, 창문 제어 시스템(840)은 그렇지 않을 경우 모델링으로 연산 능력을 낭비할 수 있는, 모델들의 생성을 수행하지 않는다. 건물 부지에 특정된 모델들은 클라우드 네트워크(801)에서 생성되고, 사용자 정의되며, 저장된다. 처음에는 미리 정의된 색조 스케줄 정보가 창문 제어 시스템으로 푸시되고, 3D 모델에 대한 업데이트(예를 들어, 건물 레이아웃에 대한 변경, 주변 영역 내의 새로운 오브젝트 등)가 필요한 경우에만 다시 푸시된다.

시스템 구조(800)는 또한, 애플리케이션 서비스, 리포트 및 3D 모델의 시각화를 제공하고, 3D 모델의 설정 및 사용자 정의를 위한 입력을 수신하기 위해, 고객 및 다른 사용자와 통신하는 그래픽 사용자 인터페이스(GUI)(890)를 포함한다. 3D 모델의 시각화는 사용자에게 제공될 수 있고 GUI를 통해 사용자로부터 수신될 수 있다. 도시된 사용자들은 해당 부지에서의 문제 해결에 관련된 현장의 동작들(892)을 포함하고, 시각화를 검토하고 3D 모델을 편집하는 능력을 갖는다. 사용자 동작들은 또한 시각화 및 3D 모델에 대한 현장의 구성 변화들을 검토하는 기능을 가진 고객 성공 관리자(CSM)(894)를 포함한다. 또한, 사용자 동작들은 다양한 고객들과 통신하는 고객 구성 포털(898)을 포함한다. 고객(들) 구성 포털(898)을 통해, 고객들은 3D 모델에 맵핑된 데이터의 다양한 시각화를 검토하고, 건물 부지에서의 구성을 변경하기 위한 입력을 제공할 수 있다. 사용자로부터의 입력의 일부 예들은, 점유 영역들과 같은 공간 구성들, 건물 부지에서의 3D 오브젝트의 정의, 특정 조건들에 대한 색조 상태들, 및 조건들의 우선순위를 포함한다. 사용자에게 제공되는 출력의 일부 예들은 3D 모델 상의 데이터의 시각화, 표준 리포팅, 및 건물의 성능 평가를 포함한다. 특정 사용자 동작들은 예시적인 목적으로 도시되어 있다. 다른 또는 추가적인 사용자 동작들이 포함될 수 있다는 것을 이해할 것이다.

본원에서 시스템 구조의 많은 예들이 클라우드 네트워크 상에 상주하는 3D 모델 시스템, 맑은 하늘 모듈, 및 신경망 모델들과 함께 설명되지만, 다른 구현예에서는, 하나 이상의 이러한 모듈들 및 모델들이 클라우드 네트워크 상에 반드시 상주할 필요는 없다. 예를 들어, 본원에 설명된 3D 모델 시스템, 맑은 하늘 모듈 및 다른 모듈들 또는 모델들은 창문 제어 시스템과는 분리되어 있고 창문 제어 시스템과 통신하는, 독립형 컴퓨터 또는 다른 컴퓨팅 장치에 존재할 수 있다. 다른 예로서, 본원에 설명된 신경망 모델들은 마스터 창문 컨트롤러 또는 네트워크 창문 컨트롤러와 같은 창문 컨트롤러에 존재할 수 있다.

특정 실시예들에서, 본원에 설명된 시스템 구조의 다양한 모델들(예를 들어, DNN 및 LSTM 모델) 및 모듈들을 훈련 및 실행하기 위한 컴퓨팅 자원들은 (1) 창문 제어 시스템의 로컬 자원들, (2) 창문 제어 시스템으로부터 분리된 원격 소스들, 또는 (3) 공유 자원들을 포함한다. 첫 번째 경우에, 다양한 모델들 및 모듈들을 훈련 및 실행하기 위한 컴퓨팅 자원들은 도 6의 창문 제어 시스템(602)의 분산 네트워크와 같은 창문 컨트롤러들의 분산 네트워크 중 마스터 컨트롤러 또는 하나 이상의 창문 컨트롤러들 상에 상주한다. 두 번째 경우에, 다양한 모델들 및 모듈들을 훈련 및 실행하기 위한 컴퓨팅 자원들은 창문 제어 시스템과는 별개의 원격 자원들 상에 상주한다. 예를 들어, 컴퓨팅 자원들은 외부의 제3자 네트워크의 서버 상에 또는 도 8의 클라우드 네트워크(801) 상에서 이용 가능할 수 있는 것과 같은 임대 가능한 클라우드 기반 자원의 서버 상에 상주할 수 있다. 다른 예로서, 컴퓨팅 자원들은 창문 제어 시스템과는 분리되어 있고 창문 제어 시스템과 통신하는, 부지에 있는 독립형 컴퓨팅 장치의 서버 상에 상주할 수 있다. 세 번째 경우에, 다양한 모델 및 모듈을 훈련 및 실행하기 위한 컴퓨팅 자원들은 공유 자원(로컬 및 원격)에 상주한다. 예를 들어, 도 8의 클라우드 네트워크(801) 상에서 이용 가능한 임대 가능한 클라우드 기반 자원과 같은 원격 자원은 야간에 DNN 모델 및/또는 LSTM 모델의 일별 재-훈련 동작을 수행하고, 도 6의 창문 제어 시스템(602)의 마스터 창문 컨트롤러 또는 창문 컨트롤러들의 그룹과 같은 로컬 자원들은 색조 결정이 필요한 주간 시간 동안에 실시간 모델들을 실행한다.

A. 클라우드 기반 3D 모델링 시스템

다양한 구현예들에서, 시스템 구조는 3D 모델링 플랫폼을 이용하여 건물 부지의 3D 모델(예를 들어, 솔리드 모델, 표면 모델, 또는 와이어프레임 모델)을 생성할 수 있는 클라우드 기반 3D 모델링 시스템을 갖는다. 상업적으로 이용 가능한 다양한 프로그램들이 3D 모델링 플랫폼으로서 사용될 수 있다. 이러한 상업적으로 이용 가능한 프로그램들의 일 예는 워싱턴 주 시애틀에 소재한 McNeel North America사가 만든 Rhino® 3D 소프트웨어이다. 상업적으로 이용 가능한 프로그램의 다른 예는 캘리포니아 주 산 라파엘에 소재한 Autodesk®사의 Autocad® 컴퓨터 지원 설계 및 도안 소프트웨어 애플리케이션이다. 본 발명의 양태들을 구현하기 위해 사용될 수 있는 툴들의 다른 예들은 영국 WRLD of Dundee city DD1 1NJ의 WRLD3d 및 Immersify 프로젝트(https://immersify.eu)에서 이용 가능한 IMMERSIFY! VR for Revit and Rhino와 같은, 상업적으로 이용 가능한 반사광/직사광 일광 툴이다.

3D 모델은 변색 가능 창들을 가진 건물의 부지에 있는, 건물과 다른 오브젝트들의 3차원 표현이다. 건물 부지는 일반적으로, 관심 건물을 둘러싸는 영역을 지칭한다. 상기 영역은 대개, 건물에 대한 그림자 또는 반사를 야기하는 건물 주위의 모든 오브젝트를 포함하는 것으로 정의된다. 3D 모델은 건물 및 건물 주위의 다른 오브젝트의 외부 표면의 3차원 표현과, 벽, 층 바닥, 외부 표면을 제외한 모든 표면이 제거된 건물의 3차원 표현을 포함한다. 3D 모델 시스템은 예를 들어, Revit 또는 다른 산업 표준 건물 모델과 같은 3D 모델을 자동으로 사용하고 모델링된 건물로부터 창문 개구부를 갖는 벽, 바닥 및 외부 표면을 제외한 모든 표면을 제거하여 3D 모델을 생성할 수 있다. 3D 모델 내의 임의의 다른 오브젝트들은 외부 표면을 제외한 모든 요소들이 자동으로 제거될 것이다. 다른 예로서, 3D 모델은 3D 모델링 소프트웨어를 사용하여 스크래치로부터 생성될 수 있다. 3개의 건물들을 갖는 건물 부지의 3D 모델의 일 예가 도 9에 도시되어 있다.

B. 클라우드 기반의 맑은 하늘 모듈

대규모 건물에서 종종 "스마트 창문(smart window)"으로 지칭되는, 전기변색 창문과 같은 다수의 변색 가능 창문들의 최근의 설치는, 광범위한 컴퓨팅 자원들을 수반하는 복잡한 제어 및 모니터링 시스템들에 대한 필요성을 증가시켰다. 예를 들어, 대규모 건물에 배치된 다수의 변색 가능 창문들은 복잡한 반사 및 일광 모델들을 필요로 하는 많은 수(예를 들어, 10,000)의 구역들을 가질 수 있다. 이러한 전기변색 창문들이 계속해서 수용되고 더 널리 배치됨에 따라, 이들은 많은 양의 데이터를 포함하는 보다 정교한 시스템들 및 모델들을 필요로 할 것이다.

본원에 설명된 시스템 구조는 클라우드에서, 또는 필요한 경우 로컬로 구현될 수 있는 3D 모델링 플랫폼을 사용하여 3D 모델 시각화를 생성한다. 모델은 예를 들어, 일광/음영 모델, 반사 모델 및 패시브 열 모델을 포함한다. 3D 모델은 건물 내부와 외부에 햇빛이 미치는 영향을 시각화하는 데에 사용된다. 도 10은 일중 특정한 시각에서의 태양의 경로에 따른 건물의 외부 표면을 따라 존재하는 눈부심, 그림자, 반사 및 열의 시각화의 일 예이다. 시각화는 건물의 위치에 대한 맑은 하늘 모델을 기반으로 하는 맑은 하늘 조건 하에서 생성된다. 시각화는 건물의 임의의 층에 있는 임의의 크기의 내부 공간에서의 단일 또는 다수의 점유 영역들 및 구역들에서의 일광을 평가 및 제어하는 데에 사용될 수 있고, 건물의 외부 및 태양의 경로에 있을 수 있는 돌출부, 기둥 등의 특징을 고려할 수 있다. 이 표현은 또한, 1차 및 2차 반사뿐만 아니라, 외부 오브젝트 및 건물의 복잡한 만곡되고 볼록한 형상으로부터의 단일 및 다수의 반사, 및 건물 내의 점유 영역 및 구역들에 미치는 그들의 영향을 고려할 수 있다. 또한, 시각화는 직접 복사선에 의해 야기되는 열의 존재 및 영향, 외부 오브젝트 및 건물에 의해 반사 및/또는 확산되는 복사선, 및 또한 외부 오브젝트 및 건물에 의해 차단되는 복사선을 모델링하는 데에 사용될 수 있다.

맑은 하늘 모듈은 맑은 하늘 3D 모델을 생성하기 위해 3D 모델에 속성을 할당하도록 구현될 수 있는 로직을 포함한다. 또한, 맑은 하늘 모듈은 예를 들어, 일광/음영 모델, 반사 모델, 및 패시브 열 모델과 같은 다양한 조건을 결정하기 위해 다른 모델들을 생성하는 데 사용될 수 있는 로직을 포함한다. 이러한 건물 부지의 모델들은 최종 색조 결정을 내리기 위해 건물의 창문 제어 시스템으로 푸시되는 건물의 해당 구역들에 대한 색조 상태의 연간 스케줄을 생성하는 데에 사용될 수 있다. 이 시스템 구조를 사용하면 대부분의 데이터가 클라우드 네트워크에 보관될 수 있다. 모델을 클라우드 네트워크에 유지하는 것은 고객 및 다른 사용자가 쉽게 액세스하고 사용자 정의할 수 있게 한다. 예를 들어, 다양한 모델들의 시각화는, 사용자가 예를 들어, 모델들을 셋업 및 사용자 설정하고/하거나 건물의 최종 색조 스케줄 또는 다른 시스템 기능들을 대체하기 위한 입력들을 검토 및 전송하게 하기 위해, 사용자에게 전송될 수 있다. 예를 들어, 시각화는 사용자가 구역 관리 및 창문 관리와 같은 맑은 하늘 모델에 규칙을 지정하는 데에 사용되는 부지 설정 또는 사용자 설정의 일부로서 입력을 관리하는 데에 사용될 수 있다.

C. 부지 설정 및 사용자 정의를 위한 그래픽 사용자 인터페이스(GUI)

시스템 구조는 또한, 다양한 고객 및 다른 사용자와 인터페이스하기 위한 GUI를 포함한다. GUI는 사용자들에게 애플리케이션 서비스들 또는 리포트들을 제공할 수 있고, 사용자들로부터 다양한 모델들에 대한 입력을 수신할 수 있다. GUI는, 예를 들어, 다양한 모델의 시각화를 사용자에게 제공할 수 있다. 또한, GUI는 맑은 하늘 모델을 설정하기 위해, 구역 관리, 창문 관리 및 점유 영역 정의를 위한 인터페이스를 제공할 수 있다. 또한, GUI는 우선순위 데이터, 외부 표면의 반사 속성, 덮어쓰기(override) 값, 및 다른 데이터를 입력하기 위한 인터페이스를 제공할 수 있다. 또한, 사용자는 예를 들어, 건물 부지의 맑은 하늘 모델의 시각화를 보고 나서, 3D 모델의 공간을 사용자 정의하기 위해 GUI를 사용할 수 있다. 사용자 정의의 일부 예들은 다음을 포함한다.

ㆍ 반사 조건, 일광 조건, 열 조건의 변화 또는 건물의 구역들의 색조의 변화를 확인하기 위해 건물 부지(건물 이동, 외부 표면 특성 변경)를 재구조화

ㆍ 변경사항이 색조 상태에 미치는 영향을 확인하기 위해 내부 구조물(벽, 층 바닥) 및 건물 외부 쉘(shell) 구조물을 재구조화

ㆍ 창의 구역을 관리

ㆍ 반사 속성의 변화와, 반사 모델 및 색조 상태에서의 대응하는 변화를 확인하기 위해 건물에 사용된 재료를 변경

ㆍ 건물의 3D 모델에 맵핑된 색조 상태의 변화를 확인하기 위해 색조 우선순위를 변경

ㆍ 스케줄 데이터에서 색조 상태를 덮어쓰기

ㆍ 건물 부지에서 건물을 수정

ㆍ 새 조건의 모델을 추가

D. 창문 제어 시스템

본원에 설명된 시스템 구조는 건물에서의 변색 가능 창문들의 하나 이상의 구역들의 색조 레벨들을 제어하는 창문 컨트롤러들의 네트워크가 포함된 창문 제어 시스템을 포함한다. 시스템 구조의 창문 제어 시스템(840)에 포함될 수 있는 컨트롤러들의 일부 예들이 도 6 내지 도 8과 관련하여 설명된다. 창문 컨트롤러들의 다른 예들은 2016년 10월 26일에 출원된 미국 특허출원 제15/334,835호(발명의 명칭: CONTROLLERS FOR OPTICALLY-SWITCHABLE DEVICES)에 기술되어 있으며, 그 전문이 본원에 참고로 포함된다.

창문 제어 시스템(840)은 색조를 결정하고 변색 가능 창문들의 색조 레벨들을 변경하는 색조 명령들을 전송하기 위한 제어 로직을 포함한다. 특정 실시예들에서, 제어 로직은 클라우드 기반 3D 모델 시스템(810) 및 클라우드 기반의 맑은 하늘 모듈(820)을 갖는 모듈 A, 및 아래에서 더 설명되는 모듈 B를 포함하며, 모듈 B는 하나 이상의 광 센서 값들을 갖는 모듈 C 로부터 및/또는 하나 이상의 적외선 센서 값들을 갖는 모듈 D로부터 신호들을 수신한다(도 27 참조). 모듈 C는 광 센서 판독을 획득하는 하나 이상의 광 센서를 포함할 수 있거나, 예를 들어, 다중 센서 장치 또는 스카이 센서에 존재하는 하나 이상의 광 센서로부터의 미가공 광 센서 판독을 갖는 신호를 수신할 수 있다. 유사하게, 모듈 D는 하나 이상의 적외선 센서 및/또는 온도 판독을 획득하는 주위 온도 센서(들)를 포함할 수 있거나, 또는 예를 들어 다중 센서 장치 또는 스카이 센서에 존재하는 하나 이상의 적외선 센서로부터의 미가공 온도 측정값을 갖는 신호를 수신할 수 있다.

E. 시스템 구조의 일반적인 프로세스

도 11은 도 8에 도시된 시스템 구조(800)의 시스템들 중 일부 사이에서 통신되는 데이터 흐름의 도시된 예이다. 도시된 바와 같이, 모듈 A(810 및 820를 포함)는 그의 정보를 창문 제어 시스템(840)에 제공한다. 일 구현예에서, 창문 제어 시스템(840)의 제어 로직은 또한, 모듈 B로부터 하나 이상의 입력들을 수신하고, 모듈 A 및/또는 모듈 B로부터 수신된 출력들에 기초하여 각각의 구역에 대한 최종 색조 상태를 설정한다. 도 28에 도시된 다른 구현예에서, 창문 제어 시스템(840)의 제어 로직은 또한, 모듈 C1 및 모듈 D1으로부터 하나 이상의 입력을 수신하고, 모듈 A, 모듈 C1 및 모듈 D1으로부터 수신된 출력에 기초하여 각각의 구역에 대한 최종 색조 상태를 설정한다.

도 12는 맑은 하늘 조건에 기초하여 색조 스케줄 정보를 생성하기 위해 맑은 하늘 모듈(820)에 의해 구현되는 특정 로직 동작의 일 예의 개략도이다. 이 일 예에서, 맑은 하늘 모듈은 특정 시간에 각각의 구역에 대한 색조 상태를 결정하기 위해, 각각의 조건에 할당된 색조 상태를 조건 값에 적용하고, 그 후 우선순위 데이터로부터 우선순위를 적용한다. 다른 예에서, 맑은 하늘 모듈은 특정 시간 구간에서 각각의 구역에 대한 색조 상태를 결정하기 위해, 우선순위 데이터로부터 우선순위를 조건 값에 적용하고, 그 후 해당 조건에 대한 색조 상태를 적용할 수 있다. 도 12에서, 맨 위의 표는 하루 동안의 시간 구간들에서 구역 1에 대한 일광 조건, 직접 반사 조건, 및 패시브 열 조건의 값들을 포함하는 맑은 하늘 모듈에 의해 결정되는 조건 값들의 표의 예이다. 이 예에서 조건 값들은, 하루 중 상이한 시간들에 조건이 존재하는지 여부의 이진 값들인 0/1, 즉, 0은 조건이 존재하지 않는 경우, 1은 조건이 존재하는 경우의 값들이다. 도 12는 또한, 맑은 하늘 모듈로부터의 색조 상태 출력의 일 예인 제2 표를 포함한다. 이는 각각의 조건에 대해 각각의 구역에 지정된 색조 상태를 나타낸다. 예를 들어, 구역 1은 일광 조건 동안 Tint 4로 할당되고, 구역 1은 반사 조건 동안 Tint 3으로 할당되며, 구역 2는 패시브 열 조건 동안 Tint 1로 할당된다. 조건이 참인 경우, 맑은 하늘 모듈은 해당 조건에 적용할 색조 상태를 할당한다. 우선순위 데이터는 일반적으로 건물의 각각의 구역에서 조건을 적용하기 위한 우선순위 목록을 나타낸다. 우선순위 데이터는 특정 경우에 사용자에 의해 구성될 수 있다. 도 12에 도시된 제3 표는 어떤 조건이 우선하는지를 시스템이 알게 하는, 구성 가능한 우선순위 표(예를 들어, 사용자에 의해 구성가능함)의 일 예이다. 이 예에서, 우선순위는 건물의 각각의 구역에 대한 일광 조건, 직접 반사 조건, 및 패시브 열 조건의 경우에 주어진다. 도 12의 맨 아래의 표는 맨 위의 표의 조건 값들에 적용된 중간 표로부터의 우선순위 데이터에 기초하여 하루 동안 구역 1에서 결정되는 색조 상태들의 일 예이다.

도 13은 일 구현의 시스템 구조의 클라우드 기반 시스템들을 통한 모델 데이터 흐름의 개략도이다. 3D 모델은 3D 플랫폼에서 생성된다. 3D 모델은 창문 개구부, 벽, 및 바닥이 정의된 건물의 3D 버전을 포함한다. 주변 오브젝트들의 외부 표면들 및 그들의 반사 속성이 3D 모델에 추가된다. 3D 모델의 창문 개구부들은 구역들 및 주어진 명칭들로 그룹화된다.

정보는 사용자로부터, 예를 들어, 사용자 위치 GUI를 통해 수신된다. 예를 들어, 사용자는 3D 모델을 생성하는 데에 사용되는 건축 모델에서의 또는 건물의 3D 모델의 공간들의 바닥 상에서, 점유 위치들의 2D 영역들 및 점유 위치들에 대한 원하는 색조 상태들을 하이라이트하거나 식별할 수 있다. 사용자는 또한 GUI를 사용하여, 예를 들어, 직접 일광 조건 및 반사 조건과 같은 각각의 조건에 관련된 각각의 점유 영역에 대한 색조 상태를 정의할 수 있다. 사용자는 또한, 지면 높이로부터 사용자 눈 높이까지의 사이의 사용자 높이를 입력할 수 있으며, 이 높이는 점유 영역의 3D 부피를 생성하기 위한 2D 영역의 3D 돌출(extrusion)을 생성하는 데 사용될 수 있다. 일 실시예에서, 사용자가 높이를 입력하지 않는 경우, 해당 높이는 기본적으로 6피트로 설정된다. 맑은 하늘 모듈 조건 로직은 예를 들어, 일광/음영 모델, 반사 모델, 및 열 모델을 포함하는 다양한 조건 모델들을 생성하는데 사용될 수 있다. 이러한 조건 모델들을 사용하여 창문 제어 시스템에 대해 통신되는 연간 스케줄 정보가 생성될 수 있다.

맑은 하늘 모듈 - 모델 설정/사용자 정의 및 스케줄링 정보 생성

건물 부지의 3D 모델은 부지 설정 프로세스 중에 초기화된다. 일부 구현예들에서, 사용자는 예를 들어 GUI를 통해, 건물 내의 변색 가능 창문들 및/또는 다른 시스템들의 제어를 사용자 정의하기 위해 모델을 수정할 수 있다. 이러한 사용자 정의는 3D 모델링 플랫폼에서 시각화를 통해 사용자에 의해 검토될 수 있다. 예를 들어, 고객 또는 다른 사용자들은 사용자 정의 후에 건물에 대해 설계된 내용과, 주어진 날에 어떻게 동작할 것인지 및 그에 따라 제공되는 "가상" 시나리오를 확인할 수 있다. 또한, 서로 다른 사용자들은 클라우드 네트워크 상에 저장된 동일한 3D 모델을 검토하여, 다수의 사용자들에게 제공될 옵션들을 비교하고 설명할 수 있다. 예를 들어, CSM는 시설 관리자들과 함께, 맑은 하늘 조건 동안의 사용자 위치, 조건별 색조 상태, 우선순위 및 예상 동작을 검토할 수 있다.

부지 설정 프로세스는 건물 부지의 3D 모델을 생성하는 단계 및 3D 모델의 구성요소들에 속성들을 할당하는 단계를 포함한다. 3D 모델 플랫폼은 일반적으로 건물의 건축 모델에서 불필요한 특징을 제거하고 건물 주위에 있는 오브젝트들의 외부 표면을 생성함으로써, 건물 부지의 3D 모델을 생성하는 데 사용된다.

도 14는 다양한 구현예들에 따른 3D 모델 플랫폼 상에서 3D 모델을 초기화하는 것과 관련된 일반적인 동작들의 흐름도이다. 일 구현예에서, 3D 모델은 건물 및/또는 주변 구조물들의 건축 모델로부터 모든 여분 요소들의 건축 모델을 제거함으로써 자동적으로 생성된다. 예를 들어, 건물의 Autodesk Revit® 모델이 수신되어, 벽, 층 바닥, 및 창문 개구부를 포함한 외부 표면을 제외한 모든 요소가 제거될 수 있다. 이러한 동작들은 3D 모델링 시스템에 의해 구현될 수 있다. 도 14에서, 3D 모델링 시스템은 건물 부지(1410)에서의 건물 주변의 다른 오브젝트들 및 구조물들에 대해 변색 가능 창문들을 갖는 건물을 위한 건축 모델을 수신한다. 동작(1420)에서, 3D 모델링 시스템은 창문 개구부, 벽, 층 바닥 및 변색 가능 창을 가진 건물의 외부 표면을 나타내는 구조적 요소를 제외한 나머지를 제거한다. 동작(1430)에서, 3D 모델링 시스템은 건물의 외부 표면 및 건물 주위의 다른 오브젝트들을 빌드하거나, 주위 오브젝트들로부터 외부 표면들을 제외한 모든 요소들을 제거한다. 동작(1430)의 출력은 건물 부지의 3D 모델이다. 건물 부지의 3D 모델의 일 예가 도 9에 도시되어 있다.

도 15는 3D 모델에 속성들을 할당하는 것, 조건 모델들을 생성하는 것, 및 특정 구현예들에 따른 맑은 하늘 스케줄링 정보를 생성하는 것과 관련된 다른 동작들에 수반되는 일반적인 동작들의 흐름도이다. 이러한 동작들 중 하나 이상은 맑은 하늘 모듈의 로직을 사용하여 구현될 수 있다. 도시된 바와 같이, 동작들에 대한 입력은 3D 모델링 시스템으로부터의 건물 부지의 3D 모델이다. 동작(1510)에서, 반사 또는 비반사 속성들이 건물 부지의 3D 모델의 건물 주변 오브젝트들의 표면 요소들에 할당된다. 이러한 반사 속성은 조건들을 평가하기 위해 반사 모델을 생성하는 데에 사용된다. 블록(1520)에서, 3D 모델의 각각의 창문 개구부에 대해 고유한 창문 ID가 할당된다. 이러한 창문 관리 동작에서, 창문 개구부들은 고유한 창/컨트롤러 ID로 맵핑된다. 일 구현예에서, 이러한 맵핑들은 건물의 설치 시에 창문의 커미셔닝(commissioning)으로부터의 입력에 기초하여 검증 및/또는 수정될 수 있다. 블록(1530)에서, 3D 모델의 창문 개구부들은 구역들로 그룹화되고, 구역 ID들 및/또는 명칭들이 구역들에 할당된다. 이러한 구역 관리 동작에서, 3D 모델의 창문 개구부들은 구역들로 맵핑된다. 블록(1540)에서, 모델 내의 3D 점유 영역이 생성되고, 색조 상태가 할당된다. 예를 들어, 사용자는 3D 모델의 층 바닥 상의 2D 점유 영역 및 실내에 있는 사람의 눈 높이를 식별할 수 있고, 맑은 하늘 모듈의 로직은 3D 영역을 생성하기 위해 3D 점유 영역의 눈 높이로의 돌출을 생성할 수 있다. 블록(1550)에서, 적용될 맑은 하늘 모델이 결정되고, 창문 개구부를 통한 태양광의 3D 투사를 결정하기 위해 모델이 실행된다. 이러한 모델 관리 동작에서, 일 구현예에 따라 다양한 맑은 하늘 모델, 예를 들어 일광/음영 모델 및 반사 모델이 생성된다. 맑은 하늘 모듈은, 1년 중 특정한 날 또는 그 밖의 기간에 걸친 하늘에서의 태양의 상이한 위치에 기초하여 태양 광선의 방향을 결정하고 건물 주위의 오브젝트들의 외부 표면의 위치 및 반사 속성으로부터의 반사 방향 및 세기를 결정하는, 광선 추적 엔진을 포함한다. 이러한 결정들로부터, 3D 모델의 창문 개구부를 통한 태양의 직사광 빔의 3D 투사가 결정될 수 있다. 블록(1560)에서, 모델들로부터의 태양광의 3D 투사 및 3D 점유 영역의 임의의 교차점의 양 및 지속기간이 결정된다. 블록(1570)에서, 동작(1560)에서의 결정된 교차 특성들에 기초하여 조건들이 평가된다. 동작(1580)에서, 우선순위 데이터는 예를 들어, 연간 스케줄에서 시간에 걸쳐 건물의 각각의 구역에 대한 색조 상태를 결정하기 위해 조건들 값들에 적용된다. 맑은 하늘 조건에 기초한 이러한 색조 상태들이 창문 제어 시스템으로 전달된다.

A. 창문 관리

건물 부지의 3D 모델의 셋업 동안, 각각의 창문 개구부는 그의 로컬 창문 컨트롤러에 대응하는 고유한 창문 ID를 할당받는다. 창문 개구부에 창문 ID를 할당하는 것은 창문 개구부를 창문 컨트롤러에 맵핑시킨다. 각각의 창문 ID는 하나의 구역으로 그룹화될 수 있는 각각의 창문 컨트롤러를 효과적으로 나타낸다. 대안적으로 또는 추가적으로, 건물 내에 창문들 및 그들의 컨트롤러들을 설치한 후에, 어느 창문이 어느 위치에 설치되어 있고 어떤 창문 컨트롤러와 쌍을 이루는지를 결정하기 위해 커미셔닝 동작들이 사용될 수 있다. 그런 다음, 커미셔닝 프로세스로부터의 이러한 연관은 3D 모델에서의 맵핑을 비교하고 검증하거나 3D 모델의 구성 데이터에서의 맵핑을 갱신하는 데에 사용될 수 있다. 이러한 맵핑을 결정할 수 있는 커미셔닝 프로세스의 일 예는 2017년 11월 11일에 출원된 국제출원 PCT/US2017/062634(발명의 명칭: AUTOMATED COMMISSIONING OF CONTROLLERS IN A WINDOW NETWORK)에 기재되어 있으며, 그 전문이 본원에 참고로 포함된다. 창문 ID에 대한 창문 개구부의 맵핑은 또한, 다른 사용자 정의들에 기초하여 수정될 수 있다.

일 구현예에서, 사용자는 3D 플랫폼 상의 3D 모델에서 창문 개구부들을 선택하고, 고유한 창문 ID들을 할당할 수 있다. 도 16은 건물의 특정 층에 있는 14개의 창문 개구부에 적용되는 그러한 구현의 일 예이다. 도시된 바와 같이, 사용자는 이러한 창문 개구부에 1 내지 14의 창문 ID를 할당하였다.

B. 구역 관리

건물의 각각의 구역은 하나 이상의 변색 가능 창을 포함한다. 변색 가능 창들은 3D 모델에서의 개구부들로서 표현된다. 각각의 구역의 하나 이상의 변색 가능 창은 동일한 방식으로 작동하도록 제어된다. 이는 구역 내의 창문들 중 하나와 연관된 점유 영역(들)이 특정 조건을 경험하는 경우, 모든 창문들이 그 조건에 반응하도록 제어될 것임을 의미한다. 3D 모델의 속성들을 갖는 구성 데이터는 이름, 유리 SHGC 및 최대 내부 복사선과 같은 구역 속성들을 포함한다.

3D 모델의 부지 설정 또는 사용자 정의의 일부로서의 구역 관리 중에, 사용자는 구역들에서 함께 그룹화되고 정의된 구역들에 속성들을 할당하는 창문 개구부들을 정의할 수 있다. 도 17a는 사용자로 하여금 도 16에 도시된 창문 개구부들을 선택하여 구역으로 함께 그룹화(맵핑)하고 구역들에 명칭을 부여할 수 있게 하는 3D 모델링 플랫폼 상의 인터페이스의 일 예이다. 도시된 바와 같이, 개구부들(1, 2, 및 3)은 "구역 1"로 정의되고, 개구부들(4-7)은 "구역 2"로 정의되며, 개구부들(8-14)은 "구역(3)"으로 정의된다. 일 양태에서, 사용자는 또한, 다수의 구역들이 동일한 방식으로 동작하도록 구역들을 조합할 수 있다. 도 17b는 사용자로 하여금 도 17a의 다수의 구역들을 조합할 수 있게 하는 3D 모델링 플랫폼 상의 인터페이스의 일 예이다. 도시된 바와 같이, "구역 1" 및 "구역 2"는 함께 그룹화된다.

도 18은 3D 모델의 맵핑되지 않은 공간들을 특정한 모델링된 구역들에 맵핑하기 위해 사용자에 의해 사용될 수 있는 인터페이스의 일 예이다. 도시된 바와 같이, 사용자는 "사무실 1", "사무실 2", "사무실 3", 및 "사무실 4"의 공간을 "구역 1"에 맵핑되도록 선택하였다. 이 예에서, 이러한 공간과 연관된 창문들이 "구역 1"과 연관된다. 일 양태에서, 사용자는 건물 부지의 3D 모델 상의 "구역 1" 내의 공간들의 맵핑된 창문들을 시각화하기 위해 "맵핑 검토" 버튼을 선택할 수 있다.

구역 관리 동안, 각각의 구역에는 구역 속성이 할당된다. 구역 속성의 일부 예들은 구역 이름(사용자 정의됨), 구역 ID(시스템에 의해 생성됨), 창문 ID, 유리 SHGC, 공간 내에 허용 가능한 최대 복사선(단위: W/m²)을 포함한다. 도 19는 각각의 구역에 할당된 속성들을 검토함으로써 사용될 수 있는 인터페이스의 일 예이다.

C. 3D 점유 영역을 생성

본원에 사용되는 바와 같이, 점유 영역은 특정 기간 동안 점유될 가능성이 있는 3차원 부피를 지칭한다. 점유 영역은 부지 설정 동안 정의되며 사용자 정의 동안 다시 정의될 수 있다. 일반적으로 점유 영역을 정의하는 것은 2차원 영역을 점유자의 눈 높이로 돌출시키고, 점유 영역에 속성을 할당함으로써 3차원 부피를 정의하는 것을 포함한다. 속성들의 일부 예들은 점유 영역 이름, 눈부심 색조 상태(일광 조건이 존재하는 경우의 색조 상태), 직접 반사 색조 상태(직접 반사 복사선의 상이한 레벨들에 대한 색조 상태), 및 간접 반사 색조 상태(간접 반사 복사선의 상이한 레벨들에 대한 색조 상태)를 포함한다.

특정 구현예들에서, 점유 영역은 3D 모델링 플랫폼 상에 생성된다. 사용자는 사용자 위치를 3D 모델의 층 바닥 또는 다른 표면(예를 들어, 데스크톱) 상의 2차원 형상(예를 들어, 다각형) 또는 형상들로서 그리거나 정의하고, 사용자의 눈 높이를 정의한다. 맑은 하늘 모듈은 바닥부터 사용자의 눈 높이(예를 들어, 더 낮은 눈 높이 또는 더 높은 눈 높이)까지의 2차원 오브젝트의 돌출로서 3차원 점유 영역을 정의한다. 3D 모델의 층 바닥에 그려진 2차원의 4-면의 사용자 위치의 일 예가 도 20a에 도시되어 있다. 도 20a의 2차원 오브젝트를 상부 눈 높이로 분출함으로써 생성된 3차원 공간 점유 영역의 일 예가 도 20b에 도시되어 있다.

D. 맑은 하늘 모델

특정 구현예에서, 3D 모델에 기초하여 일광/음영 모델, 직접 반사 모델, 및 간접 반사 모델이 생성된다. 이들 모델은 맑은 하늘 조건에 기초하여 시간에 따른 3D 모델의 창문 개구부를 통한 태양광의 3D 투사를 결정하는 데에 사용된다. 광선 추적 엔진은 각각의 시간 구간 동안 태양의 위치에서 태양광선의 방향을 시뮬레이션하는 데 사용된다. 시뮬레이션은, 기본 일광 조건(점유 영역과 교차하는 직접 복사선), 직접 반사 일광 조건(직접 반사 표면으로부터 점유 영역에 대해 한번 바운스된 반사), 간접 반사 일광 조건(간접 반사 표면(들)으로부터 점유 영역에 대해 여러 번 바운스된 반사)과 같은, 건물의 구역들 각각에서 상이한 일광 조건을 평가하도록 실행된다. 이 시뮬레이션들은 맑은 하늘 조건을 전제로 하고, 건물 주위의 외부 오브젝트들에 의한 반사 및 공간들에서의 그림자를 고려한다. 시뮬레이션들은 1년 또는 다른 시간 주기에 걸쳐서 시간 구간들에서 일광의 값들 및 다른 조건들을 결정한다. 스케줄 데이터는 1년과 같은 기간에 걸쳐 각각의 시간 구간(예를 들어, 매 10분마다)에 대한 각각의 조건 및/또는 색조 상태에 대한 값을 포함한다.

일반적으로, 맑은 하늘 모듈은 1년과 같은 특정 기간의 각각의 시간 구간에서(예를 들어, 매 10분마다) 건물의 각각의 구역에 상이한 조건들(예를 들어, 일광, 반사, 패시브 열)이 존재하는지를 결정하는 로직을 포함한다. 맑은 하늘 모듈은 각각의 시간 구간 동안 각각의 구역에서 이러한 조건들 및/또는 연관된 색조 상태들에 대한 값들의 스케줄 정보를 출력한다. 조건의 값은 예를 들어, 2진 값인 1(조건이 존재함) 또는 0(조건이 존재하지 않음)일 수 있다. 일부 경우에, 맑은 하늘 모듈은 서로 다른 시간에 태양의 위치에 기초하여 태양의 (직접 또는 반사) 광선의 방향을 결정하는 광선 추적 엔진을 포함한다.

일 양태에서, 일광 조건은 하나의 점유 영역에서 모델로부터의 다수의 일광 영역들에 기초하여 평가된다. 예를 들어, 광 투사는 하나의 점유 영역 내의 상이한 점유 영역들과 교차할 수 있다. 일 양태에서, 조건들은 하나의 구역 내에서의 다수의 고도각들에 기초하여 평가된다.

- 빛 제어

일광 조건의 결정은 일광(그림자 없음) 모델 및/또는 직접 반사(1회 반사) 모델로부터의 태양광의 3D 투사와 3차원 점유 영역과의 교차 영역의 함수이다. 일광 모델로부터의 기본 일광의 긍정적인 결정은 3D 점유 영역 및 교차점의 지속시간과 총 교차점의 함수이다. 반사 모델에 기초한 반사 일광의 판정은 교차 부분의 지속 기간의 함수이다.

맑은 하늘 모듈은 건물 주변 오브젝트들에 기초하여 일광(그림자 없음) 모델 및/또는 직접 반사(1회 반사) 모델에 기초한 일광 조건의 존재를 평가하기 위한 로직을 포함한다.

일 구현예에 따르면, 각각의 구역에 대해, 상기 로직은 구역의 창문 개구부들을 통한 직사광선의 3D 투사들이 구역 내의 3차원 점유 영역들 중 임의의 것과 교차하는 경우, 일광 모델로부터 결정된다. 교차 부분(%)이 전체 교차 부분의 최소 영역(%)(일광 조건이 고려되기 전에 창문 투사로부터 점유 영역 안으로 중첩되는 최소 임계값)보다 크고, 교차 부분의 지속시간이 교차 부분의 최소 지속시간(교차 부분이 상당해지기 전에 교차 부분이 발생해야 하는 최소 시간의 양)보다 큰 경우, 일광 조건 값(예를 들어, 1) 및 일광 조건에 연관된 색조 상태가 반환된다. 예를 들어, 구역이 음영 내에 있는 것처럼, 창문 개구부들을 통한 직접 태양광의 3D 투사가 구역 내의 임의의 3차원 점유 영역과 교차하지 않는 것으로, 로직이 일광 모델로부터 판정하는 경우, 일광 조건 값(예를 들어, 0), 및 일광 조건이 없는 것에 연관된 색조 상태가 반환된다. 로직은 함께 링크될 수 있는 구역들의 최대 색조 상태를 가진다. 교차 부분이 없는 경우, 가장 낮은 색조 상태가 반환된다(예를 들어, 색조 1).

다른 구현예에서, 로직은, 각각의 시간 구간 동안 변색 가능 창들의 각각의 구역(창문 개구부들의 집합)에 대해, 태양이 3차원 점유 영역들 중 어느 하나에 직접 교차하는지 판단한다. 임의의 점유 영역이 동시에 교차하는 경우, 조건이 존재한다는 것으로 출력된다. 점유 영역이 교차하지 않으면, 해당 조건이 존재하지 않는다.

도 21은 기본 일광에 기초한 일광 조건을 반환하지 않은 일광/음영 모델의 시뮬레이션을 사용하는 일 예이다. 이 예에서, 시뮬레이션은 3D 점유 영역과의 전체적인 교차 부분을 적게 생성했고, 일광은 맑은 하늘 모듈이 일광 조건을 반환하지 않도록 하루 종일 존재하지 않았다.

도 22는 한 번 바운스된 직접 반사로부터의 빛에 기초하는 일광 조건을 반환하는 직접 반사(한 번의 바운스) 모델의 시뮬레이션을 사용하는 일 예이다. 이 예에서, 시뮬레이션은 3D 점유 영역과의 전체적인 교차 부분을 많이 생성했고, 일광 값이 반환되도록 이 날 동안에는 일광 기간이 길었다.

- 반사된 복사선 제어

맑은 하늘 모듈은, 모델들에 기초하여 맑은 하늘 조건 하에서 반사 조건의 존재를 평가하고 최대 허용가능한 내부 복사보다 적은 내부 복사를 유지하도록 최저 상태를 결정하기 위한 로직을 포함한다. 상기 로직은 어느 구역의 창문 개구부들에 부딪치는 직접 법선 복사에 기초하여 복사 조건을 결정한다. 상기 로직은 법선 복사를 해당 구역에 대해 정의된 임계값 아래로 유지할 수 있는 가장 맑은 색조 상태에 기초하여 색조 상태를 결정한다.

상기 로직은 3D 모델로부터 변색 가능 창문 상의 외부 법선 복사를 결정하고, 결정된 외부 복사의 레벨을 유리 SHGC와 곱함으로써 각각의 색조 상태에 대한 내부 복사를 계산한다. 상기 로직은 구역에 대한 최대 내부 복사를 각각의 색조 상태에 대해 계산된 내부 복사와 비교하고, 해당 구역에 대한 최대 내부 복사 미만인 가장 밝은 계산된 색조 상태를 선택한다. 예를 들어, 모델로부터의 외부 수직 복사는 800이고, 최대 내부 복사는 200이며, T1 SHGC = .5, T2 = .25, 및 T3 = .1이다. 로직은 외부 복사의 결정된 레벨에, 유리 SHGC의 경우 Calc T1 (800)*.5 = 400, Calc T2 (800)*.25 = 200, 및 Calc T3 (800)*.1 = 80을 곱함으로써, 각각의 색조 상태에 대한 내부 복사를 계산하였다. 상기 로직은 T2가 T3 보다 더 밝기 때문에, T2를 선택할 것이다.

다른 구현예에서, 상기 로직은, 태양광이 외부 오브젝트들로부터 한 번 바운스되는지를, 창들의 각각의 구역(개구부들의 집합)에 대해 결정한다. 반사가 임의의 점유 영역에 존재하는 경우, 반사 조건이 존재한다. 반사가 점유 영역 중 어디에도 있지 않으면, 반사 조건이 존재하지 않는다.

- 패시브 열 제어

특정 구현예들에서, 맑은 하늘 모듈은 맑은 하늘 모델로부터의 출력에 기초하여 특정 구역의 창에서 더 어두운 색조 상태를 설정하는 패시브 열 조건의 존재를 평가하기 위한 로직을 포함한다. 상기 로직은 맑은 하늘 모델들로부터 맑은 하늘 조건들 하에서 변색 가능 창들에 도달하는 외부 태양 복사를 결정한다. 상기 로직은 변색 가능 창들 상의 외부 복사에 기초하여 방으로 들어가는 추정된 맑은 하늘 열을 결정한다. 방으로 들어가는 추정된 맑은 하늘 열이 최대 허용가능한 값보다 크다고 상기 로직이 결정하는 경우, 패시브 열 조건이 존재하고, 패시브 열 조건에 기초하여 해당 구역에 더 어두운 색조 상태가 설정된다. 최대 허용가능한 값은 건물 및/또는 사용자 입력에 대한 외부 온도에 기초하여 설정될 수 있다. 일 예에서, 외부 온도가 낮으면, 건물 공간에 유입되는 패시브 열의 레벨을 증가시키기 위해, 허용가능한 최대 외부 복사가 매우 높게 설정될 수 있다.

E. 건물 부지 맑은 하늘 모델 사용자 정의

도 23은 일 양태에 따른, 건물 부지의 맑은 하늘 3D 모델을 사용자 정의하도록 사용자 입력을 구현하기 위한 동작들 및 프로세스들의 흐름도이다. 이러한 부지 편집 동작들은 맑은 하늘 모듈(820) 상의 로직에 의해 구현될 수 있다. 맑은 하늘 모델의 속성은 언제든지 편집 가능(사용자 정의 가능) 하고, 정의/재정의될 수 있다. 사용자는 예를 들어, GUI를 통해 입력을 입력할 수 있다. 흐름도에서, 프로세스는 3D 모델을 여는 단계로 시작한다(2202). 그 후, 사용자는 편집할 구역 또는 편집할 사용자 위치를 선택하는 옵션을 가질 수 있다(2210, 2220). 사용자가 구역을 편집하기로 선택하는 경우, 사용자는 해당 구역에 정의된 창을 재정의하고(2212), 구역의 이름을 바꾸며(2214), 허용가능한 내부 복사 또는 구역의 다른 속성을 편집(2216)할 수 있다. 사용자가 편집할 사용자 위치를 선택하는 경우(2220), 사용자는 사용자 위치로 맵핑하기 위해 일광 모델 또는 반사 모델을 선택하는 사용자 선호사항을 편집하거나(2222), 사용자 위치를 삭제(2224)하거나 사용자 위치를 추가(2226)한다. 일단 편집이 이루어지면, 사용자는 건물 부지의 맑은 하늘 3D 모델을 업데이트하기 위해 변경사항을 제출한다(2230). 변경사항들은 수정된 맑은 하늘 3D 모델에 기초하여 새로운 스케줄 데이터를 생성하는 데에 사용되며, 스케줄 데이터가 내보내져 창문 제어 모듈에 전달된다(2240).

특정 구현예들에서, 시스템 구조는 사용자가 모델에 대한 변경 및/또는 3D 모델링 플랫폼에서의 시각화의 스케줄 데이터에 대한 변경을 확인하기 위해 맑은 하늘 모델의 속성을 변경할 수 있게 하는 GUI를 포함한다. 3D 모델링 플랫폼 상의 건물 부지의 시각화는 사용자 정의를 위해 사용될 수 있다.

일 예에서, GUI는 사용자로 하여금 태양의 경로에서 매일의 변화들을 신속하게 시뮬레이션하고, 하루 동안 태양에 의해 야기되는 일광, 음영 및 열을 시각화할 수 있게 하는, 슬라이더 또는 다른 인터페이스를 포함할 수 있다.

건물 상의 또는 건물 내의 하나 이상의 위치에서의 직접 및 간접 반사, 일광, 음영, 및 열의 시각화에 추가하여, 창문의 색조 상태들이 또한 창문의 내부 또는 외부 뷰를 통해 시각화될 수 있으며, 창문 색조는 아래에서 설명되는 바와 같은 제어 로직에 의해 결정된다. 예를 들어, 사용자는 태양의 각각의 시간/위치에 대해 제어 로직에 의해 창문 색조 및 그에 대한 변경을 시각화할 수 있다. 이러한 시각화는 모델 및/또는 제어 로직의 적절한 동작을 검증하기 위해 사용자에 의해 사용될 수 있다.

III. 모듈

모듈 A

모듈 A는 맑은 하늘 조건 하에서 건물의 광택 및 반사율을 제어하기 위해 사용되는 제어 로직 및 규칙을 구현한다. 그러나, 모듈 A에 의해 사용되는 맑은 하늘 모듈은 날씨의 변화를 고려하지 않기 때문에, 모듈 A만으로 이루어진 색조 결정은 창문에 적용되는 최적의 색조보다 덜 최적화된 결과를 초래할 수 있다. 일 실시예에서, 날씨의 변화들은 추가적인 모듈 B의 사용을 통하여 해결된다.

도 24는 건물 내의 하나 이상의 구역들 내에서 변색 가능 창문들을 전환시키기 위해 색조 명령들을 통신하는 창문 제어 시스템(2600)에 의해 구현된 일반적인 제어 로직을 갖는 창문 제어 시스템(2600)을 도시한다. 동작(2620)에서, 제어 로직은 모듈 A 및 모듈 B에 의해 출력되는 규칙들에 기초하여 각각의 창문 및/또는 구역에 대한 최종 색조 레벨을 결정한다. 예를 들어, 일 실시예에서, 창문 제어 시스템(2600)은, 타이밍을 결정하고 각각의 구역에 대한 최종 색조 레벨을 해당 구역의 변색 가능 창문을 제어하는 로컬 창문 컨트롤러(들)에 전달하는 제어 로직을 구현하는, 마스터 컨트롤러를 포함한다. 일 구현예에서, 변색 가능 창들은, 각각 적어도 하나의 전기 변색 장치를 포함하는 전기 변색 창들이다. 예를 들어, 각각의 변색 가능 창은 라이트들 중 적어도 하나에 전기 변색 장치를 갖는 2개의 유리 라이트들을 갖는 절연 유리 유닛일 수 있다. 제어 로직은 창문 제어 시스템의 하나 이상의 프로세서에 의해 수행된다.

도 25는 창문 컨트롤러(2720), 예를 들어, 마스터 컨트롤러 또는 로컬 창문 컨트롤러를 포함하는 창문 제어 시스템(2700)의 또 다른 표현이다. 창문 제어 시스템(2700)은 또한, 창문 제어 시스템(2700)의 하나 이상의 구성요소들(예를 들어, 다른 컨트롤러들)에 의해 구현되는 제어 로직을 포함한다. 도시된 바와 같이, 창문 컨트롤러(2720)는 도시된 제어 로직에 따라 창문 컨트롤러 시스템(2700)의 다른 구성요소들로부터 색조 스케줄 정보, 예를 들어 규칙들을 수신한다.

도 25에서, 제어 로직은 모듈 B(2710)에 의해 구체화되는 로직을 포함한다. 모듈 B(2710)는 미래 시간에 부지의 특정 지리적 위치에서의 날씨 조건(들)을 예측하도록 구성된다. 일 실시예에서, 예측들은 모듈 C(2711) 및 모듈 D(2712)에 의해 제공되는 위치에 특정한 측정들에 기초하여 이루어진다. 일 실시예에서, 날씨 조건의 예측은 미래 시간에 일어날 것으로 예상되는 날씨 상태에 대해 미래 시간에서의 내부 광 강도, 일광 및 반사가 최적화되도록 미래 시간에 의한 전환을 완료하기 위해, 현재 시간에서의 창문 색조의 변화를 개시하는 데에 사용될 수 있는 하나 이상의 규칙의 형태로 제공된다. 색조 전환은 미래의 조건을 예상하여 발생한다. 그렇게 함으로써, 색조 전환은 창문의 색조가 실시간, 또는 실시간에 가깝게 날씨 조건의 변화에 반응하여 제어되고 있는 것처럼 관찰자에게 나타난다. 모듈 B는 LSTM(일변량) 서브모듈(2710a), 색조 값에 대한 후처리 맵핑 서브모듈(2714), DNN(다변량) 모듈(2710b), 이진 확률 서브모듈(2716), 및 투표 서브모듈(2786)을 포함한다. 도시된 제어 로직은 또한, 3D 모델 및 맑은 하늘 모델을 갖는 모듈 A(2701), 광 센서 판독(들)으로부터 미가공된 또는 필터링된 광 센서 값(들)을 결정하기 위한 로직을 갖는 모듈 C(2711), 적외선 및/또는 주위 온도 판독(들)으로부터 미가공된 또는 필터링된 IR 센서 및 주변 센서 값(들)을 결정하기 위한 로직을 갖는 모듈 D(2712), 및 비-지도 분류기 서브모듈을 갖는 모듈 E(2713)를 포함한다. 이들 및 다른 예시된 구성요소들이 섹션 III에 걸쳐 보다 상세하게 기술된다.

모듈 C

일 실시예에서, 모듈 C(2711)로부터의 값들은 하나 이상의 광 센서들에 의해 측정된 현재 환경 조건들을 나타내는 미가공된 또는 필터링된 값들/신호들의 형태로 모듈 B(2710)에 제공된다. 일 실시예에서, 미가공된 또는 필터링된 신호들/값들은 상이한 샘플 시간들에서 얻어진 다수의 광 센서 판독들의 필터링된 이동 평균의 형태로 제공되며, 각각의 광 센서 판독은 광 센서들에 의해 얻어진 측정들의 최대 값이다. 일 실시예에서, 각각의 광 센서 판독은 실시간 조도(irradiance) 판독들을 포함한다.

모듈 D

일 실시예에서, 모듈 D(2712)로부터의 값들은 하나 이상의 적외선(IR) 센서들에 의해 측정된 현재 환경 조건들을 나타내는 미가공된 또는 필터링된 값들/신호들의 형태로 모듈 B(2710)에 제공된다. 일 실시예에서, 미가공된 또는 필터링된 값들/신호들은 상이한 샘플 시간들에 얻어진 다수의 적외선 센서 판독들의 필터링된 이동 중앙값의 형태로 제공되며, 각각의 판독은 하나 이상의 적외선 센서들에 의해 얻어진 측정들의 최소 값이다.

일 실시예에서, 적외선 센서 측정 및 주위 온도 센서 측정은 하늘 온도 판독(T _sky ), 건물에서의 로컬 센서들로부터의 주위 온도 판독(T _amb ), 또는 날씨 피드로부터의 주위 온도 판독(T _weather ) 및/또는 그 차이 T _sky - T _amb 를 포함한다. 필터링된 적외선 센서 값들은 하늘 온도 판독(T _sky ) 및 로컬 센서로부터의 주위 온도 판독(T _amb ) 또는 날씨 피드로부터의 주위 온도 판독(T _weather )에 기초하여 결정된다. 하늘 온도 판독은 적외선 센서에 의해 얻어진다. 주위 온도 판독은 하나 이상의 주위 온도 센서들에 의해 얻어진다. 주위 온도 판독은 다양한 소스로부터 수신될 수 있다. 예를 들어, 주위 온도 판독은 적외선 센서 및/또는 예를 들어 건물의 다중-센서 장치의 독립형 온도 센서에 탑재된 하나 이상의 주위 온도 센서들로부터 전달될 수 있다. 또 다른 예로서, 주위 온도 판독은 날씨 피드로부터 수신될 수 있다.

일 실시예에서, 모듈 D(2712)는 Cloudy Offset 값, 하늘 온도 판독(T _sky ) 및 로컬 센서로부터의 주위 온도 판독(T _amb ) 또는 날씨 피드로부터의 주위 온도 판독(T _weather ), 및/또는 하늘 온도 판독과 주위 온도 판독 사이의 차이(델타, Δ)를 이용하여, 필터링된 IR 센서 값들을 계산하기 위한 로직을 포함한다. Cloudy Offset 값은 모듈 D에서 로직에 의해 흐린 상태를 결정하는데 사용될 임계 값에 대응하는 온도 오프셋이다. 모듈 D의 로직은 네트워크 컨트롤러 또는 마스터 컨트롤러의 하나 이상의 프로세서들에 의해 수행될 수 있다. 대안적으로, 모듈 D의 로직은 하나 이상의 광 센서 및 적외선 센서로 구성된 센서 장치의 하나 이상의 프로세서에 의해 수행될 수 있다.

동작(2810)에서, 모듈 D의 동작들을 수행하는 프로세서(들)는 입력으로서, 현재 시간에서의 센서 판독들을 수신한다. 센서 판독은 예를 들어, 옥상의 다중-센서 장치로부터 건물의 통신 네트워크를 통해 수신될 수 있다. 수신된 센서 판독들은 하늘 온도 판독(T _sky )와 건물의 로컬 센서들로부터의 주위 온도 판독(T _amb ) 또는 날씨 피드로부터의 주위 온도 판독(T _weather ) 및/또는 T _sky 와 T _amb 사이의 차이의 판독(Δ)를 포함한다. 건물에서의 로컬 센서들로부터의 주위 온도 판독(T _amb )은 센서 장치에 탑재되거나 센서 장치로부터 분리된, 주위 온도 센서들에 의해 얻어진 측정들이다. 주위 온도 센서 판독은 대안적으로, 날씨 피드 데이터로부터의 것일 수 있다.

일 구현예에서, 모듈 D(2712)는 건물(예를 들어, 옥상 다중 센서 장치)에서 2개 이상의 IR 센서 장치들에 의해 얻어진 측정들의 미가공된 센서 판독들을 수신 및 사용하고, 각각의 IR 센서 장치는 주위 온도(T _amb )를 측정하기 위한 온보드 주위 온도 센서, 및 자신의 시야 내에서 수신된 적외선 복사에 기초하여 하늘 온도(T _sky )를 측정하기 위해 하늘로 향하는 온보드 적외선 센서를 갖는다. 2개 이상의 IR 센서 장치들은 대개, 필요 이상의 값들(redundancy)을 제공하는 데에 사용된다. 일 경우에, 각각의 적외선 센서 장치는 주위 온도의 판독(T _amb ) 및 하늘 온도의 판독(T _sky )를 출력한다. 다른 경우에, 각각의 적외선 센서 장치는 주위 온도의 판독(T _amb ), 하늘 온도의 판독(T _sky ), 및 T _sky 와 T _amb 사이의 차이의 판독(Δ)를 출력한다. 일 경우에, 각각의 적외선 센서 장치는 T _sky 와 T _amb 사이의 차이의 판독(Δ)을 출력한다. 일 양태에 따르면, 모듈 D의 로직은 건물에서 2개의 IR 센서 장치들에 의해 얻어진 측정들의 원시 센서 판독들을 사용한다. 다른 양태에서, 모듈 D의 로직은 건물에서 1 내지 10개의 IR 센서 장치들에 의해 얻어진 측정치들의 원시 센서 판독들을 사용한다.

다른 구현예에서, 모듈 D(2712)는 자신의 시야 내에서 적외선을 수신하기 위해 하늘로 향하는 건물의 적외선 센서들에 의해 얻어진 원시 하늘 온도(T _sky ) 및 날씨 피드 데이터(T _weather )로부터의 주위 온도 판독을 수신하고 사용한다. 날씨 피드 데이터는 통신 네트워크를 통해 하나 이상의 날씨 서비스 및/또는 다른 데이터 소스로부터 수신된다. 날씨 피드 데이터는 예를 들어, 구름 덮임 비율, 가시도 데이터, 풍속 데이터, 강수 확률, 및/또는 습도와 같은 날씨 조건과 관련된 다른 환경 데이터를 포함할 수 있다. 대개, 날씨 피드 데이터는 통신 네트워크를 통해 창문 컨트롤러에 의해 신호로 수신된다. 특정 양태들에 따라, 창문 컨트롤러는 통신 네트워크를 이용한 하나 이상의 날씨 서비스들에 대한 통신 인터페이스를 통해 날씨 피드 데이터에 대한 요청을 가진 신호를 전송할 수 있다. 요청은 일반적으로, 제어되는 창(들)의 위치의 적어도 경도 및 위도를 포함한다. 이에 응답하여, 하나 이상의 날씨 서비스들은 통신 인터페이스를 이용한 통신 네트워크를 통해 창문 컨트롤러에 날씨 피드 데이터를 가진 신호를 전송한다. 통신 인터페이스 및 네트워크는 유선 또는 무선 형태일 수 있다. 일부 경우에, 날씨 서비스는 날씨 웹사이트를 통해 액세스될 수 있다. 날씨 웹사이트의 일 예는 www.forecast.io에서 확인할 수 있다. 다른 예는 미국 국립기상청(www.weather.gov)이다. 날씨 피드 데이터는 현재 시간에 기초할 수 있거나 미래 시간에 예측될 수 있다. 날씨 피드 데이터를 사용하는 로직의 예들은 2016년 7월 7일에 출원된 국제출원 PCT/US16/41344(발명의 명칭: CONTROL METHOD FOR TINTABLE WINDOWS)에 기재되어 있고, 그 전문이 본원에 참조로 포함된다.

일 구현예에서, 온도 값(T _calc )은 하나 이상의 적외선 센서로부터의 하늘 온도 판독, 하나 이상의 로컬 주위 온도 센서로부터의 또는 날씨 피드로부터의 주위 온도 판독, 및 Cloudy Offset 값에 기초하여 계산된다. Cloudy Offset 값은 모듈 D(2712)에서의 구름 조건을 결정하는 데에 사용되는 제1 및 제2 임계값들에 대응하는 온도 오프셋이다. 일 구현예에서, Cloudy Offset 값은 섭씨 -17밀리도이다. 일 예에서, -17밀리도의 Cloudy Offset 값은 섭씨 0밀리도의 제1 임계값에 대응한다. 일 구현예에서, Cloudy Offset 값은 섭씨 -30밀리도 내지 0밀리도의 범위에 있다.

일 구현예에서, 온도 값(T _calc )은 2개 이상의 열 센서 쌍으로부터의 하늘 온도 판독에 기초하여 계산되고, 각각의 열 센서 쌍은 적외선 센서 및 주위 온도 센서를 갖는다. 일 경우에, 각각의 열 센서 쌍은 IR 센서 장치의 일체형 구성요소들이다. 각각의 IR 센서 장치는 온보드(onboard) 적외선 센서 및 온보드 주위 온도 센서를 갖는다. 2개의 IR 센서 장치들은 대개, 필요 이상의 값들(redundancy)을 제공하는 데에 사용된다. 다른 경우에, 적외선 센서 및 주위 온도 센서는 별개이다. 이 구현예에서 온도 값은 다음과 같이 계산된다.

T _sky1 , T _{sky2 , ...} 는 다수의 적외선 센서들에 의해 얻어진 온도 판독이고, T _amb1 , T _amb2 ,... 는 다수의 주위 온도 센서에 의해 얻어진 온도 판독이다. 2개의 적외선 센서 및 2개의 주위 온도 센서가 사용되는 경우, T _calc = minimum (T _sky1 , T _sky2 ) - minimum (T _amb1 , T _amb2 ) - Cloudy Offset이다. 동일한 유형의 다수의 센서로부터의 판독들의 최소값들은, 더 많은 구름 덮임을 나타내고 일광을 회피하는 쪽으로 결과를 바이어스시키기 위해서 더 높은 색조 레벨을 초래하는, 보다 낮은 온도 값으로 결과를 바이어싱하는 데에 사용된다.

다른 실시예에서, 모듈 D(2712)는 주위 온도 센서 판독이 이용 가능하지 않거나 부정확하게 될 때(예를 들어, 주위 온도 센서가 옥상과 같은 로컬 소스로부터 복사되는 열을 판독하고 있는 경우) 로컬 주위 온도 센서를 사용하는 것으로부터 날씨 피드 데이터를 사용하는 것으로 전환할 수 있다. 이러한 구현예에서, 온도 값(T _calc )은 하늘 온도 판독들, 및 날씨 피드 데이터(T _weather )로부터의 주위 온도 판독들에 기초하여 계산된다. 이 구현예에서 온도 값은 다음과 같이 계산된다.

다른 구현예에서, 온도 값(Tc _alc )은, 각각 온보드 적외선 센서 및 주위 온도 센서를 갖는, 2개 이상의 IR 센서 장치들에 의해 측정되는 바와 같이, 하늘 온도와 주위 온도 사이의 차이의 판독(Δ)에 기초하여 계산된다. 이 구현예에서 온도 값은 다음과 같이 계산된다.

Δ ₁ , Δ ₂ ,...는 다수의 IR 센서 장치들에 의해 측정된 하늘 온도와 주위 온도 사이의 차이의 판독(Δ)이다. 식 1, 식 2 및 식 3을 사용하는 구현예에서, 제어 로직은 구름 조건을 결정하도록 모듈 D(2712)에 입력되는 IR 센서 값을 결정하기 위해 하늘 온도와 주위 온도 사이의 차이를 사용한다. 주위 온도 판독은 하늘 온도 판독보다 덜 변동(fluctuate)되는 경향이 있다. 색조 상태를 결정하기 위한 입력으로서 하늘 온도와 주위 온도 사이의 차이를 사용함으로써, 시간에 따라 결정된 색조 상태들은 더 낮은 정도로 변동할 수 있다.

다른 구현예에서, 제어 로직은 2개 이상의 적외선 센서로부터의 하늘 온도 판독에만 기초하여 T _calc 를 계산한다. 이 구현예에서, 모듈 D(2712)에 의해 결정된 IR 센서 값은 주위 온도 판독이 아니라 하늘 온도 판독에 기초한다. 이 경우에, 모듈 D는 하늘 온도 판독에 기초한 구름 조건을 결정한다. T _calc 를 결정하기 위한 전술한 구현예들은 각각의 유형의 2개 이상의 필요 이상의(redundant) 센서들에 기초하지만, 제어 로직은 하나의 센서로부터의 판독들로 구현될 수 있음을 이해할 것이다.

모듈 B

일 실시예에서, 모듈 B(2710)는 모듈 C 및 모듈 D에 의해 제공되는 날씨 데이터의 시계열에 대해 머신러닝 및 딥 러닝을 이용하는 로직을 갖는 서브모듈(2710a)을 사용하여 날씨 예측을 제공한다. 서브모듈(2710a)은 본 기술분야의 통상의 기술자에게 공지된 바와 같이 시퀀스를 시퀀스로 맵핑(예를 들어, seq2seq 인코더/디코더 프레임워크를 이용하여)하기 위해 장단기 메모리(LSTM)을 구현하기 위한 재귀적 신경망 모델 로직을 포함한다. LSTM seq2seq 예측 또는 다른 LSTM 예측을 이용하여, 모듈 C 및 D 로부터 새로운 센서 값이 획득될 때, 라이브, 이동(rolling) 기반으로 사용자 정의 길이(예를 들어, 미래로 4분)의 단기 예측을 생성하는 데에 날씨 이력 데이터의 사용자 정의된 지속기간(예를 들어, 3분의 메모리, 5분의 메모리 등)이 사용될 수 있다. 이러한 파라미터의 유연성은 변화하는 날씨 조건의 메모리가 관심 있는 예측 창문에 유용한 척도로만 유지되도록 보장한다.

일 실시예에서, LSTM seq2seq 예측은 모듈 C 및 모듈 D로부터의 센서 값들을 3개의 상이한 범위들 및 대응하는 색조 추천들(2, 3, 및 4)로 이산화하는 데에 사용되도록 구현된다. 따라서, 날씨 예측에 필요한 정밀도 수준은 실시간 데이터가 변경될 때 적절한 범위의 센서 값들에 대한 시간적으로 적절한 대응으로 정의된다. 이러한 수준의 정밀도는, 과반응성 모델 동작을 제한하도록 설계된 다른 정규화 제어 구조 및 예측 평활화를 사용하여, 보다 큰 휘발성(조건의 갑작스러운 변화)의 기간을 가능하게 한다. 일 실시예에서, LSTM seq2seq 예측의 구현은 최대 광 센서 판독의 5분 이동 평균 및 최소 IR 센서 판독의 이동 중앙값을 사용하고, 즉각적인 미래의 대표적인 측정을 생성하기 위해 T+4분에서의 일련의 4개의 예측들을 평균한다. 기존의 5분의 창문 제어 시스템 명령 사이클에 의해 정의되는 제약들 내에서, 이 구현예는 기존 하드웨어가 응답할 수 있는 시간 프레임에 대해서만 명령들의 변경이 이루어지는 것을 보장하도록(예를 들어, 지속기간이 사용자 정의된 수 분보다 짧은 명령 변경들을 무시함) 추가적인 제어 구조들의 도입을 지원한다.

일 실시예에서, 모듈 B(2710)의 LSTM 서브모듈(2710a)은 모듈 C(2711) 및 모듈 D(2712)로부터의 출력들을, 통상의 기술자에게 공지된 LSTM seq2seq 방법들에 따른 단변량 입력들로서 처리하며, 여기서 하나의 단변량 변수는 모듈 C에 의해 제공되는 최대 광 센서 값들에 대응하며 다른 하나의 단변량 입력은 모듈 D에 의해 제공되는 최소 IR 센서 값들에 대응한다. LSTM seq2seq 방법에 따른 각각의 입력의 처리는, 색조 값에 맵핑되는 출력 값을 제공하기 위해 후처리 모듈(2714)에 의해 후처리되고 정규화되는 실수 값을 제공한다. 일부 실시예들에서, LSTM seq2seq 방법의 사용은 장기 예측들을 제공하는 것보다는 비교적 단기간의 예측들을 제공하는 데에 더 적합하다는 것이 밝혀졌다.

모듈 C 및 모듈 D에 의해 제공되는 값들에 기초하여 비교적 장기간의 날씨 예측들을 얻기 위해서, 모듈 B(2710)는 통상의 기술자에게 공지된 바와 같은 심화 신경망(DNN: dense neural network) 다변량 예측을 구현하는 로직을 갖는 서브 모듈(2170b)을 포함한다. 일 실시예에서, DNN 방법은 더 긴 시간 프레임 상에서 발생하는 날씨 또는 환경 조건을 예측하는 데에 가장 유용한, 모듈 C 및 모듈 D에 의해 제공되는 광 센서 값 및 IR 센서 값 사이의 관계를 이용하는 것을 특징으로 한다. LSTM 방법이 실수 값 예측(대응하는 추천된 색조 영역에 맵핑된)을 출력하는 경우, DNN 예측은 로그-우도 출력이 맑음 조건 대 맑지 않음 조건을 확률적으로 모델릴하는 2진 분류기로서 구현된다. 2진 분류의 사용은 모델이 (맑지 않음이 아닌) 맑은 조건을 예측하는 신뢰 임계값(0과 1 사이)을 결정(최적화, 부지에 특정, 및 사용자-개인화)하는데 있어서의 유연성을 수반한다. 더 낮은 신뢰 임계값은 고위험 일광 조건을 사전에 방지하도록 설정될 수 있다. 더 높은 신뢰 임계값은 내부의 자연 광을 최대화하는 관점에서 설정될 수 있다. 일 실시예에서, DNN 출력은 사용자가 구성할 수 있는 임계값에 기초하며, 여기서 임계값 이상의 출력은 맑음 조건으로 처리되고(예를 들어, 1의 2진 값), 임계값 미만의 출력은 맑지 않음 조건으로 처리된다(예를 들어, 0의 2진 값).

특정 실시예들에서, DNN 모델 및 LSTM 모델은 클라우드 네트워크 상의 서버 상에 및/또는 창문 컨트롤러들의 분산 네트워크의 마스터 창문 컨트롤러 또는 창문 컨트롤러들의 그룹과 같은 창문 컨트롤러 상에 존재한다. DNN 모델 및/또는 LSTM 모델을 정의하고, 훈련하며, 실행하기 위해 클라우드 서버 또는 창문 컨트롤러(들) 상에 다양한 상업적으로 이용 가능한 머신러닝 프레임워크가 존재할 수 있다. 상업적으로 이용 가능한 머신러닝 프레임워크의 일 예는 캘리포니아주 소재 Google®사가 제공하는 TensorFlow®이다. 상업적으로 이용 가능한 머신러닝 프레임워크의 일 예는 워싱턴주 시애틀 소재 아마존 웹서비스(Amazon Web Services)가 제공하는 Amazon® SageMaker®이다.

일 실시예에서, DNN 서브모듈(2170b)은 6분의 이력을 사용하여 8분 일기 예측을 생성하는 DNN 2진 분류기를 사용한다. 단변량 LSTM 예측과는 달리, DNN 2진 분류기는 실시간으로 실행될 필요가 없어, 기존 하드웨어 상의 연산 부하를 완화시킨다. 부지에 특정된 차이(지리적 위치, 계절 변동, 및 지속적으로 변화하는 날씨 기단)를 고려하기 위해, DNN 2진 분류기는 매일 업데이트되는 2주 내지 3주의 이력 데이터를 사용하여 밤새 실행될 수 있고, 매일 밤 모델을 재-훈련함에 있어서 가장 오래된 날을 무시하고, 가장 최근의 데이터를 가져올 수 있다. 이러한 이동(rolling) 일일 업데이트는 분류기가 변화하는 날씨 조건의 페이스 및 정성적 특성을 유지하도록 적응하는 것을 보장한다. 재-훈련 시, 후속되는 날짜의 지속 기간 동안의 예측을 생성하기 위해 새로운 입력을 수신하도록 모델 파라미터 가중치가 조정된다.

다변량 DNN 및 단변량 LSTM 예측 서브모듈(2710a, 2710b)은 함께, 환경의 변화를 기대하고 이에 응답하는 예측을 제공한다. 일 실시예에서, DNN에 의한 장기적 과소 반응 및 LSTM에 의한 단기적 과다 반응의 잠재적인 영향을 완화시키기 위해, 모듈 B(2710)는 투표 로직(2786)에 의해 결정된 규칙 기반의 결정에 기초하여 출력을 제공하도록 구성된다. 예를 들어, (PS)에 대한 LSTM 출력이 색조 상태 3(즉, 태양이 존재함)로 맵핑하고, (IR)에 대한 LSTM 출력이 색조 상태 3(즉, 태양이 존재함)으로 맵핑되며, DNN 출력이 "0"(여기서, "0"은 "흐림"의 예측을 나타내고, "1"은 "맑음"의 예측을 나타냄)의 2진 출력을 제공하는 경우, LSTM(PS), LSTM(IR), 및 DNN(PS 및 IR)의 다수결은 환경 조건이 미래 시간에 맑을 것이라는 예측으로서 사용된다. 즉, LSTM(PS), LSTM(IR), 및 DNN(PS 및 IR) 중 두 개의 합의가 바로, 출력이 창문 컨트롤러(2720)에 제공되는 규칙이다. 다른 실시예들에서는, 상기 다수결이, 예측들을 제공하기 위해 LSTM(PS), LSTM(IR), 및 DNN(PS 및 IR)에 의해 제공되는 다른 다수결 및 소수결도 또한 사용될 수 있음을 제한하는 것으로 고려되어서는 안 된다.

일 실시예에서, 모듈 B(2710)에 의해 만들어진 날씨 조건의 미래 예측은 창문 컨트롤러(2720)에 의해, 모듈 A(2701)에 의해 제공되는 색조 규칙과 비교되며, 예를 들어, 미래에 날씨 조건이 맑을 것이라고, 모듈 B(2710)의 출력이 해당 미래 시간 전에 나타내는 표시를 제공하는 경우, 제어 시스템(2720)은 모듈 A(2701)에 의해 제공되는 색조 규칙에 따라 색조 명령을 제공한다. 그 반대로, 미래에 날씨 조건이 맑지 않을 것이라고 모듈 B(2710)의 출력이 해당 미래 시간 전에 나타내는 표시를 제공하는 경우, 제어 시스템(2720)은 모듈 A(2701)의 맑은 하늘 모듈에 의해 결정되는 색조 명령을 덮어쓰는 색조 명령을 제공한다.

간단히 다시 도 24를 참조하면, 일 실시예에서, 동작(2630)에서 창문 컨트롤러(2600)는, 다양한 유형의 덮어쓰기 값들이 해당 로직을 해제시키는, 덮어쓰기가 존재하는지 여부를 결정하는 제어 로직을 포함한다. 덮어쓰기가 있는 경우, 제어 로직은 동작(2640)에서 해당 구역에 대한 최종 색조 레벨을 덮어쓴 값으로 설정한다. 예를 들어, 덮어쓰기는 제어 시스템을 대체하여 색조 레벨을 설정하고자 하는, 해당 실내 공간에 현재 있는 사람에 의해 입력될 수 있다. 또 다른 예는, 건물 내의 에너지 소비가 감소되는 유틸리티의 필요성과 연관되는 높은 수요(또는 피크 부하)의 덮어쓰기이다. 예를 들어, 대도시 지역에서 특히 더운 날에는 지역 사회의 에너지 생성 및 공급 시스템으로부터 지나치게 과세되지 않도록 지역 전체의 에너지 소비를 감소시키는 것이 필요할 수 있다. 이러한 경우, 건물 관리는 모든 변색 가능 창들이 높은 색조 레벨을 갖도록 제어 로직으로부터의 색조 레벨을 대체할 수 있다. 이러한 대체는 사용자의 수동 덮어쓰기를 대체할 수 있다. 대체 값에는 우선순위 레벨이 있을 수 있다.

동작(2650)에서, 제어 로직은 결정되는 건물의 각각의 구역에 대한 색조 레벨이 결정되었는지 여부를 판단한다. 그렇지 않은 경우, 제어 로직은 다음 구역에 대한 최종 색조 레벨을 결정하기 위해 반복된다. 최종적으로 구역에 대한 색조 상태 결정이 완료되는 경우, 동작(2660)에서, 각각의 구역에 대한 색조 레벨을 구현하기 위한 제어 신호들이 네트워크를 통해 최종 색조 레벨로 전환하기 위해 해당 구역의 변색 가능 창의 장치(들)와 전기적으로 통신하는 전력 공급 장치로 전송되고, 제어 로직은 동작(2610)으로 복귀하여 다음 시간 구간 동안 반복된다. 예를 들어, 색조 레벨은 창을 해당 색조 레벨로 전이시키기 위해, 네트워크를 통해, 하나 이상의 전기 변색 창들의 전기 변색 장치(들)와 전기적으로 통신하는 전력 공급원에 전송될 수 있다. 특정 실시예들에서, 건물의 창들에 대한 색조 레벨의 전송은 효율적으로 구현될 수 있다. 예를 들어, 색조 레벨의 재계산(recalculation)이 현재의 색조 레벨에서 색조의 변화가 필요하지 않음을 암시하는 경우, 업데이트된 색조 레벨을 갖는 명령들은 전송되지 않는다. 다른 예로서, 제어 로직은 더 큰 창들을 갖는 구역들의 경우에 비해, 더 작은 창들을 갖는 구역들에 대한 색조 레벨들을 더 자주 재계산할 수 있다.

일 경우에, 도 24의 제어 로직은 단일 장치, 예를 들어, 단일 마스터 창문 컨트롤러 상의 전체 건물의 모든 전기변색 창문의 색조 레벨을 제어하기 위한 제어 방법을 구현한다. 이 장치는 건물 내의 각각의 그리고 모든, 전기 변색 창에 대한 계산을 수행할 수 있고, 또한 개별적인 전기 변색 창들에서 전기 변색 장치들에 색조 레벨들을 전송하기 위한 인터페이스를 제공할 수 있다. 또한, 실시예들의 제어 로직의 특정한 적응형 구성요소들이 존재할 수 있다. 예를 들어, 제어 로직은 하루 중 특정 시간에 최종 사용자(예를 들어, 실내 사람)가 알고리즘을 어떻게 대체하려고 시도하는지를 판단하고, 이어서 이 정보를 보다 예측적인 방식으로 이용하여 원하는 색조 레벨을 결정할 수 있다. 예를 들어, 최종 사용자는, 벽 스위치를 사용하여, 연속적인 날들의 시퀀스에 걸쳐 매일 특정 시간에 제어 로직에 의해 제공되는 색조 레벨을 덮어쓰기 값으로 대체할 수 있다. 제어 로직은 이러한 인스턴스들에 관한 정보를 수신하고, 하루 중 해당 시간에 최종 사용자가 덮어쓴 값으로 색조 레벨을 변경하는 덮어쓰기 값을 도입하도록 제어 로직을 변경할 수 있다.

모듈 E

도 25를 다시 참조하면, 일 실시예에서, 창문 제어 시스템(2700)은, 과거 데이터에 기초하여, 해당 부지에 존재하는 부지에 특정되고 계절적으로 변화하는 광 및 열 복사의 프로파일의 통계적으로 알려진 예측을 제공하도록 구성된 제어 로직을 갖는, 모듈 E(2713)를 포함한다. 일 실시예에서, 모듈 C(2711) 및 모듈 D(2712)에 의해 제공되는 위치 특정 값들은, 창문 제어 시스템(2700)에 의해, 모듈 E(2713)에 의한 프로파일들이 생성되는 시계열 데이터로서 메모리에 저장된다. 예측이 요구되는 특정 위치에서 획득된 과거 데이터(본원에서 "이력 데이터"이라고도 함)를 사용하는 것은 예측을 잠재적으로 더 정확해지게 한다. 일 실시예에서, 그러한 프로파일을 구성하는 것은 시계열 정보를 종방향(longitudinal) 센서 값들이 유사한 형상 및 패턴을 나타내는 그룹으로 클러스터링하기에 적합한 머신러닝 분류 알고리즘의 사용을 포함한다. (주어진 시간, 일, 주, 월, 또는 계절 동안) 원하는 수준의 해상도(granularity)에 따라, 식별된 클러스터 중심값들은 그들 자신들 사이의 유사성이 유사한 레코드들의 다른 그룹들과 정량적으로 구별될 수 있는 시간 프레임 내의 모든 레코드들의 평균 값들의 궤적을 나타낼 것이다. 이러한 그룹들 사이의 차이는 현재 시간 프레임 동안 주어진 위치에서 모니터링되기를 바라는 "전형적인" 환경 조건과 관련하여, 통계적으로 기초한 추론을 가능하게 한다.

주어진 위치 및 시간 프레임에 대해 "전형적인" 것으로 고려되는 것에 대한 기본적 지식 없이, 개별적인 날씨 프로파일의 알고리즘 분류는 반드시 비-지도(unsupervised) 방식으로 시작된다. "올바른" 클래스가 미리 정의될 수 없는 이상, 분류기의 성능을 평가하려면, 얼마나 많은 출력이 실행 가능한지, 즉 실질적으로 구별이 유용한, 구별되는 클러스터들의 수와 관련된 추론적 의사결정이 필요한다.

도 25에서, 원하는 길이 및 해상도(granularity)의 단변량 입력들(모듈 C 또는 모듈 D로부터의)은 모듈 E(2713)로 전달되는데, 이는 머신러닝 분야의 통상의 기술자들에게 공지된 비-지도 학습 분류기의 기능들을 수행하도록 구성된다. 주어진 달(month) 동안 특정 부지에서의 낮 동안의 날씨 패턴들을 프로파일링하는 것으로 관심 질문이 구성되는 경우, 모듈 E(2713)에 의한 전처리는 m x n 차원 데이터 프레임을 생성하는데, 여기서 m은 낮 동안 빛이 비치는 분(minute)의 개수이고, n은 광 센서 입력들이 수집되는 날(day)의 개수이다. 상이한 위도들은 상이한 계절들 동안 상이한 태양 궤도에 대응하기 때문에, 하루 중 상이한 시간들에 상이한 방향들을 가리키는 상이한 센서들이 중요할 수 있다. 이러한 차이들을 통합하는 것은, 데이터 감소 기술(예를 들어, 주성분 분석(Principal Component Analysis)과 같은)을 수행하여 x개의 센서들로부터의 시계열 정보를 각각의 방위로부터 수신된 y개의 가장 강한 복사 신호들을 캡처하는 1차원 벡터로 압축하는 것을 포함할 수 있다. 낮 동안 광의 데이터 포인트들의 수가 날마다 변할 것이기 때문에, 모듈 E(2713)로 입력되는 데이터를 전처리하는 것은 또한 시간 인덱스들의 정렬을 포함한다. 개개의 시계열 벡터들 사이의 유사도(즉, 클러스터 후보들)는 가장 빈번하게는 포인트-별(유클리드(Euclidean)) 거리의 함수로서 측정된다. 시간 인덱스가 잘못 정렬되면 거리 계산이 잘못되어 클러스터링 프로세스가 왜곡될 수 있다.

벡터 길이 차이로 인한 오정렬을 처리하기 위한 한 가지 방법은 원래의 시계열을 동등한 크기의 프레임으로 나누고 각각의 프레임에 대한 평균 값을 계산하는 것을 포함한다. 이러한 변환은 단편적으로 시계열의 종방향 모양을 근사시킨다. 따라서, 클러스터링 거리 계산들이 동일한 길이의 n개의 시계열에 대해서 문제없이 수행될 수 있도록, 데이터의 차원수(dimensionality)가 감소되거나 확장될 수 있다.

모듈 E(2713)에 의해 제공되는 정렬 절차는 또한, DTW(dynamic time warping) 방법을 수행하도록 구성될 수 있다. DTW 방법은, 재정렬 동안에 로직이 데이터 왜곡을 최소화하는 최적의 왜곡(warping) 경로를 검색하는, 왜곡 행렬(warping matrix)을 구성함으로써 시계열을 신장하거나 압축한다. 이 절차는 클러스터링 분류기에 의해 수행되는 거리 계산이 실제보다 더 "멀리" 있는 두 개의 시퀀스(단지 약간 다른 주파수만 가짐)를 찾지는 않도록 보장한다. 수천 개의 레코드들에 걸친 포인트별 거리 계산들을 수행하는 것은 계산적으로 비싸기 때문에, 최적의 왜곡 경로를 결정함에 있어 DTW 방법이 검색하지 않는 국소 제한(locality constraint) 또는 구간을 강제함으로써, DTW 방법이 촉진될 수 있다. 포인트별 거리 계산에서 이러한 임계값 구간 크기 내의 맵핑만이 고려되어, 동작의 복잡도를 상당히 줄일 수 있다. DTW 계산의 대부분을 제거하기 위해 다른 국소 제한(예를 들어, LB-Keogh 바운딩)이 또한 적용될 수 있다.

모듈 E(2713)에 의한 전처리된 후에, 시계열 벡터들의 데이터 프레임은 비-지도 학습 로직에 입력될 수 있다. 클러스터들의 적절한 수(k)는 위치, 계절, 및 다른 정량화되지 않은 인자들에 따라 변할 수 있기 때문에, 통상의 기술자들에게 알려진 K-Means 클러스터링 로직의 사용이 모듈 E(2713)에 의해 사용되는 적절한 접근법으로 식별되는데, 이는 사용자로 하여금 식별된 클러스터들의 수를 정의하고 수동 조정하거나 미세 조정하게 하여, 출력이 넓게 대표성을 가질 뿐만 아니라 해석 가능하며 동작 가능하고 실질적으로 유용할 것을 보장한다. 상기 언급된 m x n차원 데이터 프레임의 예를 유지하면서, K-Means 클러스터링 로직의 실행은 k개의 후보 클러스터들의 초기 중심(centroid)으로서 n개의 시계열 벡터들 중 k개의 날들을 랜덤하게 선택함으로써 시작될 것이다. 데이터 프레임 내의 모든 다른 시계열 벡터들과 각각의 중심 사이의 포인트별 DTW 거리들을 계산하기 전에, 국소 제한이 적용된다. 동일한 그룹에 할당된 모든 벡터들의 평균 값들로 중심들이 재-계산되기 전에, 벡터들은 가장 가까운(가장 유사한) 중심에 할당된다. 이 프로세스는 사용자 정의된 또는 기타 사전 정의된 반복 횟수만큼 반복되거나, 더 이상의 반복이 다른 클러스터들에 벡터를 재할당하지 않을 때까지 반복된다. 프로세스의 종료 시, 모듈 E(2713)의 분류기는 데이터를, 지정된 과거 시간 프레임 동안 수집된 센서 데이터의 k개의 가장 대표적인 프로파일을 구성하는, 종방향 센서 값들의 유사한 패턴을 나타내는 벡터들의 k개의 그룹으로 클러스터링할 것이다. 이러한 프로파일을 구성하는 데에 사용되는 이력 데이터가 많을수록 이러한 K-Means 그룹의 대표성 및 정보가 많아질 것이다.

모듈 E(2713)에 의해 결정된 프로파일들은 주어진 지리적 위치에서 주어진 시간 프레임 동안 지정된 범위 내에서 발생하는 복사 레벨들의 사전 분포에 대한 정보를 생성하기 위해 사용될 수 있다. 이러한 식별된 "전형적인" 프로파일들이 가우시안(Gaussian)(즉, 랜덤 노멀) 프로세스들의 혼합을 구성한다는 베이지안(Bayesian) 원리의 가정에서, 가우시안 프로세스의 제1 모멘트(평균) 및 제2 모멘트(분산)의 함수로서 특정 범위 내에서 발생하는 예측된 센서 값들의 확실성을 정량화할 수 있다. 즉, 가우시안 프로세스 회귀(Gaussian Process Regression)와 같은 커널 기반 모델은 비-지도 클러스터링(unsupervised clustering)에 의해 식별된 프로파일을 이용하여 예측(즉, 예측된 센서 값들에 대한 신뢰 구간)에 대한 전체 사후 분포를 생성할 수 있고, 가능한 결과(분산) 및 가장 가능성 있는 결과(평균)에 대한 통찰을 제공할 수 있다. 따라서, 일 실시예에서, 모듈 E(2713)의 비-지도 머신러닝 기술은 모듈 B(2710)에 의해 수행된 날씨 예측을 강화하고 개선하기 위해 모듈 B(2710)의 지도 머신 기술과 쌍을 이룰 수 있다. 일 실시예에서, DNN 서브모듈(2710b)을 사용하여 획득된 확률적 신뢰는 예측을 수정하거나 더 잘 정량화하기 위해 모듈 E(2713)에 의해 제공된 프로파일들을 사용한다. 일부 경우에, 모듈은 정확하게 기능하는 데에 실패할 수 있고, 그 시간 동안, 그리고 실패가 식별되고 정정될 때까지, 창문 제어 시스템(2700)은 그의 의도된 기능을 제공할 수 없다. 이동, 사용된 자재, 제공된 유지보수 서비스, 및 고객에게 영향을 미치는 시스템의 작동 중단 시간의 비용들 사이에서, 이러한 이벤트를 처리하는 데 수반되는 비용은 빠르게 누적된다. 발생할 수 있는 한 가지 실패 유형은, 하나 이상의 센서들이 모듈 C 또는 모듈 D의 오동작과 연관되는 경우이다. 하나 이상의 센서가 그의 의도된 기능을 제공하지 못할 수 있지만, 본 발명은 창문 제어 시스템(2700)에 의해 시계열 데이터로서 저장된 위치 특정 센서 데이터가 전술한 바와 같은 목적을 위해 이용될 수 있음을 확인하였다.

일 실시예에서, 모듈 C(2711) 및/또는 모듈 D(2712)와 연관된 기능이 실패하거나 이용할 수 없게 된 경우, 본 발명은 가중된 질량중심 평균화를 수행하기 위한 제어 로직을 갖도록 구성된 모듈(2719)이 과거 획득된 센서 데이터의 이력 시퀀스에 적용되어, 현재 판독들에 대한 대체물로서 사용될 수 있고 미래 날씨 조건들의 예측을 제공하는 데에 사용될 수 있는 센서 값들의 분포를 제공할 수 있음을 확인하였다. 일 실시예에서, 대체 판독은 신경망, 예를 들어 모듈 B에 의해 처리될 수 있다. 일 실시예에서, 현재에 더 가까운 날들에는 최근 과거의 이동 구간(rolling window)에 걸친 하루 길이의 시계열 센서 데이터를 평균함에 있어서, 대응하여 더 큰 가중치가 제공된다. 하드웨어 고장이 발생한 경우, 수리를 위해 필요한 임의의 중단 시간 동안에, 이력 센서 데이터의 이러한 가중된 질량중심 평균이 제공될 수 있다.

가중된 질량중심 평균들의 계산은 시간적으로 좌표들을 정렬하고 가중 방식의 요건들을 반영하는 평균 값들의 최적 세트를 생성하는데 사용되는 시계열 프로파일들 사이의 거리를 최소화하기 위해, 전처리 및 머신러닝을 포함한다. 일 실시예에서, 적절한 전처리 기술은, 각각의 세그먼트를 데이터 포인트들의 평균으로 대체하기 전에 원하는 개수의 시간 단계들과 동일한 수의 세그먼트들로 시계열들을 분할함으로써 시간 축을 따라 데이터를 압축하는, 부분 집계 근사(PAA: Piecewise Aggregate Approximation)이다. PAA를 적용한 후, 과거 이동 구간에 포함된 모든 시계열 프로파일들은 지정된 시간 프레임의 경과에 따라 변경될 수 있는 하루 길이의 계절별 차이에 상관없이, 동일한 수의 시간 단계를 포함한다. 시간 축을 따른 동일한 차원들은, 질량중심 평균을 수행하는데 사용되는 최적화 함수에 의해 최소화되는 포인트별 거리의 계산에 필요하다. 다양한 거리 메트릭들이 질량중심을 계산하는데 사용될 수 있지만, 유클리드 메트릭 또는 소프트-동적 시간 왜곡(Soft-DTW: Soft-Dynamic Time Warping) 메트릭과 같은 다른 솔루션들이 또한, 평균 프로파일들을 제공하는 데에 사용될 수 있다. 전자는 시간 축을 따른 좌표들 사이에서 통상적인 직선 거리를 계산하고 수행하는 데에 더 빠른 반면, 후자는 약간의 위상 차이들을 설명하기 위해 한정된 구간을 그 거리 계산들에 적용하는, DTW 메트릭의 정규화된, 평활화된(smoothed) 형 식이다. 사용될 이력 데이터의 이동 구간의 길이를 결정하기 위해 질량중심 최적화 함수에 대해 제한조건이 부과될 수 있다. 최적화 비용이 높은 시간 프레임들은, 질량중심 평균을 수행하기 위해 이동 구간의 날들을 더 짧게 사용하여, 휘발성 있는 날씨 및 보증을 나타낸다. 더 낮은 최적화 비용은 보다 안정한 날씨에 대응하며, 이로부터 질량중심 평균을 수행하는 데에 정보 이력 데이터의 보다 긴 이동 구간이 얻어질 수 있다. 일 실시예에서, 부지마다의 특징을 기반으로 어떤 이력 데이터가 이용 가능한지에 따라 생성될 수 있다.

실시간 데이터가 이용가능하지 않게 되는 경우, (예를 들어, 모듈(2719) 또는 모듈(2819) 내의) 질량중심 평균화 동작은 이력 데이터로부터 합성된 실시간의 미가공 센서 데이터를 생성하도록 구현될 수 있다. 예를 들어, 다중 센서 장치 또는 하늘 센서가 해당 부지에서 고장나거나 또는 이용가능하지 않으면, 합성된 실시간의 광 센서 및 적외선 센서 판독을 생성하는 데에 질량중심 평균화 동작이 사용될 수 있다. 합성된 실시간의 미가공 센서 데이터를 생성하기 위해, 질량중심 평균은 특정 시간 프레임에 걸쳐 저장된 이력 센서 데이터를 사용하여, 일출부터 일몰까지의 각각의 시간 인덱스에서의 포인트별 가중 거리를 계산하여 다음 날에 대한 가능한 복사 프로파일을 생성한다. 일 예에서, 7일 내지 10일 범위의 시간 프레임에 걸친 이력 센서 데이터가 사용될 수 있다. 질량중심 평균은 대개, 시간 프레임의 각각의 날에 대해, 예를 들어, 1분의 시간 간격으로 시간 인덱스들 간에 동일한 거리를 사용한다. 시간 인덱스의 개수는 일출부터 일몰까지의 각각의 날의 길이에 따라 변경된다. 날들이 길거나 짧아짐에 따라, 낮 동안의 일광 시간의 계절적 변화를 고려하여 연속된 날들의 시간 인덱스의 개수는 증가하거나 감소된다. 특정 실시예들에서, 질량중심 평균은 가장 최근의 값들이 더 많이 가중되는 시간 프레임 동안 각각의 시간 인덱스에 대한 이력 센서 값들의 가중 평균을 계산하는 데에 사용된다. 예를 들어, 질량중심 평균은 10일의 시간 프레임 동안 매일 12시에 얻어진 저장된 이력 광 센서 판독, 가장 최근 일로부터 더 가중된 가중 판독(예를 들어, 제10 일에 대한 가중치 10, 제9 일에 대한 가중치 9, 제8 일에 대한 가중치 8 등)을 사용하여, 매일 12시에서의 광 센서 값의 가중 평균을 계산할 수 있다. 질량중심 평균은 각각의 시간 인덱스에서의 광 센서 값의 가중 평균을 결정하여 하루 동안 합성된 실시간 광 센서 값들의 평균 프로파일을 생성하는 데에 사용된다.

질량중심 평균화 동작은 광 센서 값들, 적외선 센서 값들, 주위 온도 센서 값들 등과 같은 합성된 실시간 센서 값들의 평균 프로파일들을 생성하는 데에 사용될 수 있다. 질량중심 평균화 동작은 평균 프로파일들로부터 얻어진 합성된 실시간 센서 값들을 이용하여, 하루에 걸쳐 실행되도록 호출될 수 있는 다양한 모듈들 및 모델들에 대한 입력을 생성할 수 있다. 예를 들어, 질량중심 평균화 동작은 이동 이력 데이터를 이용하여, 신경망 모델 또는 다른 모델, 예를 들어, 모듈(2710a)의 LSTM 신경망, 및 모듈(2710b)의 DNN에 대한 입력으로서, 합성된 광 센서 값들을 생성할 수 있다.

- 실시간 모델 입력 및 출력

각각의 신경망 모델 또는 다른 모델에 대한 입력 특징들의 세트는 일반적으로 최신 상태로 유지되며, 부지에서의 조건을 예측하기 위해 실시간 모델에 공급될 준비가 된다. 특정 실시예들에서, 입력 특징들은 부지에서 센서들(예를 들어, 광 센서들, 적외선 센서들, 주위 온도 센서들 등)로부터의 미가공 측정값들에 기초한다. 특정 실시예들에서, 센서들은 단일 하우징 내에 위치되거나, 예를 들어, 건물의 옥상에 또는 하늘 센서 내에 위치된 다중 센서 장치에서 중앙에 위치된다. 다중 센서 장치는, 방사형으로 그리고 다양한 방위각 배향으로 배열된 12개의 광 센서들, (위를 향하는) 수직 배향된 하나의 광 센서, 위를 향하는 2개의 적외선 센서, 및 2개의 주위 온도 센서를 포함한다. 건물의 옥상에 장착될 수 있는 이러한 다중 센서 장치의 일 예는 미국 특허출원 제15/287,646호에 기재되어 있으며, 그 전문이 본원에 참고로 포함된다. 다수의 상이한 센서로부터의 정보는 다양한 방식으로 사용될 수 있다. 예를 들어, 특정 시간에, 2개 이상의 센서들로부터의 측정된 값들이 예를 들어, 센서 값들의 평균과 같은 중심 경향으로 조합될 수 있다. 대안적으로 또는 추가적으로, 특정 시간에, 단지 하나의 측정된 값이 사용되는데, 예를 들어 모든 센서들의 최대값, 모든 센서들의 최소값, 모든 센서 판독들의 중앙값(median value)이 사용된다. 일 실시예에서, 모델 입력 특징들은 다중 센서 장치의 13개의 광 센서들에 의해 얻어진 다수의 미가공된 광 센서 판독들의 최대값, 및 예를 들어, 다중 센서 장치의 2개의 주위 온도 센서 판독들의 최소값 보다 작은 2개의 적외선 센서 판독의 최소값과 같은 적외선 센서의 최소값에 기초한다. 광 센서의 최대값은 부지에서 최고 수준의 태양 복사를 나타내고, 적외선 센서의 최소값은 부지에서 최고 수준의 맑은 하늘을 나타낸다.

특정 실시예들에서, 신경망 모델 또는 다른 모델로 공급되는 입력 특징들의 세트는 이력 센서 데이터의 다수의 이동 구간들의 계산들을 포함한다. 일 경우에, 5분 내지 10분 길이의 6개의 이동 구간이 사용된다. 이동 계산의 예들은 이동 평균, 이동 중앙값, 이동 최소값, 이동 최대값, 지수적으로 가중된 이동 평균, 이동 상관 등을 포함한다. 일 실시예에서, 입력 특징들의 세트는 예측된 출력이 이러한 입력들의 이력의 시간 프레임의 함수로서 학습되는, 광 센서의 최대값 및 IR 센서의 최소값 각각의 이력 데이터의 다수의 이동 구간들에 대한 이동 평균, 이동 중앙값, 이동 최소값, 이동 최대값, 지수적으로 가중된 이동 평균, 및 이동 상관의 6개의 이동 계산들을 포함한다. 예를 들어, 예측된 출력이 4분 이력의 함수로서 학습되는 광 센서의 최대값 및 IR 센서의 최소값 각각에 대해 6분 내지 10분 길이의 범위인 5개의 이동 구간들에 대해 6개의 이동 계산들이 사용된 경우, 입력 특징들의 세트는 240개(= 6개의 이동 계산 x 5개의 이동 구간 x 2개의 센서 값 x 4분)이다. 이동 구간은 정기적으로(예를 들어, 매분마다) 업데이트되어, 가장 오래된 데이터를 삭제하고 가장 최신 데이터를 가져온다. 일부 경우에, 라이브(실시간) 예측 중에 데이터를 큐에 넣을 때의 지연을 최소화하도록 이동 구간의 길이가 선택된다.

특정 실시예들에서, 후술하는 바와 같은 자가-정정 특징 선택 프로세스를 갖는 머신러닝 서브모듈은 모든 잠재적 모델 입력들의 상대적 중요도를 간접적으로 정량화하고 경험적으로 검증하여, 입력 세트 내의 특징들의 수를 더 높은 성능 입력 구성으로 감소시키도록 구현될 수 있다. 이러한 경우, 입력 특징들의 총 개수는, 모델을 초기화하고 실행하는 데에 사용될 수 있는 더 작은 서브세트로 감소될 수 있다. 예를 들어, 미가공된 광 센서 최대값과 IR 센서 최소값 모두에 대해 5분 내지 10분 길이의 범위인 6개의 이동 구간들에 대한 6개의 이동 계산들에 기초한 72개의 입력 특징들의 세트는 50개의 입력 특징들의 서브세트로 감소될 수 있다.

일 실시예에서, 입력 특징들(예를 들어, 200개 이상의 입력 특징들의 세트)이 신경망으로 공급된다. 신경망 구조의 일 예는 7개의 층 및 전체 55개의 노드를 갖는 것과 같은 심화 신경망(DNN)이다. 일부 DNN 구조에서, 각각의 입력 특징은 각각의 제1 계층 노드와 연결되고, 각각의 노드는 모든 다른 노드와 연결되는 플레이스홀더(변수 X)이다. 첫 번째 계층의 노드들은 모든 입력 특징들 사이의 관계를 모델링한다. 후속 계층들의 노드들은 이전 계층들에서 모델링된 관계들의 관계를 학습한다. DNN을 실행할 때, 오류는 반복적으로 최소화되고, 각각의 노드 플레이스홀더의 계수 가중치들이 업데이트된다.

일부 경우에, 모델은 미래에 하나 이상의 예측된 조건 값들을 출력한다. 예를 들어, 모델은 미래의 특정 시점에서, 예를 들어, 미래의 약 5분 내지 60분의 시점에서 예측된 조건을 출력할 수 있다. 일부 실시예들에서, 모델은 미래의 7분(t+7분)에 예측된 조건을 출력한다. 또 다른 예로서, 모델은 다수의 미래 시간들에 예측된 조건, 예를 들어, 미래의 7분(t+7분), 미래의 10분, 미래의 15분(t+10분)에 예측된 조건을 출력할 수 있다. 다른 경우에, 모델은 단일 DNN 구조 실시예에서와 같은 예측된 센서 값들을 출력한다.

- 모델 재훈련

지리적 위치, 계절 변동 및 변화하는 날씨 기단에 있어서의 부지에 특이적인 차이를 고려하기 위해, 다양한 신경망 모델 또는 다른 예측 모델이 정기적으로 재훈련될 수 있다. 특정 실시예들에서, 이들은 업데이트된 훈련 데이터를 이용하여 매일 재훈련되거나, 또는 다르게 정기적으로(예를 들어, 매 1일 내지 매 10일 사이에) 재훈련된다. 모델들은 예를 들어, 실시간 모델들이 야간 시간 동안과 같이 실행되지 않을 때, 한 번에 재훈련된다. 특정 실시예들에서, 모델들은 예를 들어, 1주, 2주, 3주, 또는 그 이상과 같은 기간에 걸쳐 저장된 이력 데이터를 포함하는 훈련 데이터를 이용하여 재훈련된다. 이력 데이터는 정기적으로 업데이트되어 가장 오래된 데이터를 삭제하고 최신 데이터를 가져올 수 있다. 예를 들어, 이력 데이터가 매일 밤에 업데이트되는 경우, 가장 오래된 날의 데이터가 삭제되고 해당 날짜로부터 가장 최근 데이터가 삽입된다. 이러한 정기적인 업데이트는 이력 데이터가 온도, 태양 각도, 구름 비율 등과 같은 변화하는 외부 날씨 조건의 페이스 및 정성적 특성을 유지하는 것을 보장한다. 다른 실시예들에서, 모델들은 여러 기간에 걸쳐 저장된 이력 데이터의 하나 이상의 블록들에 기초한 훈련 데이터를 이용하여 재훈련된다. 또 다른 실시예들에서, 모델들은 이력 데이터의 조합 및 이력 데이터의 블록들에 기초한 훈련 데이터를 이용하여 재훈련된다. 훈련 데이터는 정상 실행 중에 모델에 의한 입력으로 사용되는 유형들의 특징 입력 값을 포함한다. 예를 들어, 설명된 바와 같이, 특징 입력 데이터는 센서 판독들의 이동 평균을 포함할 수 있다.

훈련 데이터는 부지에서 수집된 이력 데이터(이동 또는 기타)를 기초로 하는 모델 특징들의 값을 포함한다. 예를 들어, 훈련 데이터는 부지에서의 광 센서들 및 적외선 센서들의 이력 판독들 중 광 센서의 최대값들 및/또는 IR 센서의 최소값들을 포함할 수 있다. 다른 예에서, 훈련 데이터는 부지에서 수집된 광 센서들 및 적외선 센서들의 이력 판독들의 이동 구간들의 계산(예를 들어, 이동 평균, 이동 중앙값, 이동 최소값, 이동 최대값, 지수적으로 가중된 이동 평균, 및 이동 상관 등)에 기초한 모델 특징들을 포함할 수 있다. 훈련 데이터에 의해 커버되는 날씨 조건의 수 및 유형에 따라 훈련 데이터는 일, 주, 월 또는 년에 걸쳐 획득된 데이터를 포함할 수 있다.

특정 실시예들에서, 신경망 모델 또는 다른 모델로 공급되는 훈련 데이터는 전술한 바와 같은 이력 센서 데이터의 다수의 이동 구간들의 계산들에 기초한 모델 입력 특징들을 포함한다. 예를 들어, 훈련 데이터의 세트는 예측된 출력이 이러한 입력들의 이력의 시간 프레임의 함수로서 학습되는, 광 센서의 최대값 및 IR 센서의 최소값 각각의 이력 데이터의 다수의 이동 구간들에 대한 이동 평균, 이동 중앙값, 이동 최소값, 이동 최대값, 지수적으로 가중된 이동 평균, 및 이동 상관의 6개의 이동 계산들을 포함한다. 예측된 출력이 4분 이력의 함수로서 학습되는 광 센서의 최대값 및 IR 센서의 최소값 각각에 대해 6분 내지 10분 길이의 범위인 5개의 이동 구간들에 대해 6개의 이동 계산들이 사용된 경우, 훈련 데이터에서의 입력 특징들의 세트는 240개이다.

특정 실시예들에서, 신경망 모델 또는 다른 모델은, 이러한 조건들에 대한 모델을 최적화하고 전체 도메인의 서브세트들에 걸쳐 훈련 데이터를 다양화하기 위해 다양한 날씨 조건들이 부지에 존재하는 하나 이상의 기간들 동안 수집되는 이력 데이터의 블록들에 기초한 훈련 데이터를 사용하여 재훈련된다. 예를 들어, 훈련 데이터는 부분적으로 흐린 조건, 짙은 안개 조건, 맑은 하늘 조건, 및 다른 날씨 조건이 부지에 존재하는 기간들 동안 수집되는 모델 특징들의 값을 포함할 수 있다.

일부 경우에, 훈련 데이터는 모델 특징들을 사용하여 부지에서 가능한 모든 날씨 조건을 캡처하도록 설계된다. 예를 들어, 훈련 데이터는 지난 1년, 지난 2년 동안 수집된 모든 이동 이력 데이터를 포함할 수 있다. 다른 예에서, 훈련 데이터는 각각의 날씨 조건이 부지에 존재하는 기간들 동안 획득된 이력 데이터의 블록들을 포함할 수 있다. 예를 들어, 훈련 데이터는 짙은 안개 조건 동안에 획득된 데이터를 갖는 하나의 데이터 세트, 맑은 하늘 조건 동안 획득된 데이터를 갖는 하나의 데이터 세트, 부분적인 구름 조건 동안 획득된 데이터를 갖는 하나의 데이터 세트, 부분적으로 흐림 조건 동안 획득된 데이터를 갖는 하나의 데이터 세트 등을 포함할 수 있다.

다른 경우에, 훈련 데이터는 부지에서 가능한 모든 날씨 조건의 서브세트와 연관된 모델 특징들을 이용하여 설계된다. 예를 들어, 훈련 데이터는 날씨 조건들의 서브세트가 부지에서 발생하는 기간들 동안 획득된 이력 데이터의 블록들을 포함할 수 있다. 이 경우, 모델은 날씨 조건들의 서브세트에 대해 최적화된다. 예를 들어, 짙은 안개 조건 동안 최적화된 모델에 대한 훈련 데이터는 겨울동안 나아가 짙은 안개가 존재하는 기간 동안 획득된 입력 특징들을 사용할 수 있다.

날씨 패턴은 변화하고/하거나 부지 주위에서 건설이 진행되기 때문에, 미세기후의 변화, 건설로 인한 그림자, 및 부지의 국부적 조건에 대한 다른 변화가 발생할 수 있다. 변화하는 조건에 적응하기 위해, 훈련 데이터는 이러한 국부적 조건이 부지에 존재하는 동안 얻은 데이터를 대상으로 하는 입력 특징들을 이용하여 설계될 수 있다. 일 실시예에서, 부지에서의 기존의 모든 날씨 조건들에 대해 이전에 훈련된 모델로부터의 모델 파라미터들을 이용하여 재훈련되는 모델을 초기화하기 위해, 학습 전달이 구현될 수 있다. 그 후, 해당 모델이 부지에서의 변화하는 국부적 조건의 정성적 특성을 유지하는 것을 보장하기 위해, 새로운 국부적 조건 중에 획득된 훈련 데이터를 이용하여 모델이 재훈련될 수 있다.

특정 실시예들에서, 재훈련되는 모델은, 예를 들어, 데이터의 랜덤 분포에 기초하는, 하이퍼파라미터들에 기초한 모델 파라미터들(예를 들어, 계수 가중치, 바이어스 등)을 이용하여 먼저 초기화된다. 잘린(truncated) 정규 분포를 사용한 것과 같은, 랜덤 분포를 결정하는 데에 다양한 기술이 사용될 수 있다.

모델 훈련 동안, 모델 파라미터들(예를 들어, 계수 가중치, 바이어스 등)이 조정되고, 수렴될 때까지 오류가 반복적으로 최소화된다. 신경망 모델 또는 다른 모델은 다음 날에 실시간 모델에서 사용될 모델 파라미터를 설정하도록 훈련된다. 실행되고 있는 실시간 모델은 해당 날짜의 색조를 결정하기 위해 제어 로직에 의해 사용될 예측 조건들에 대한 실시간 센서 값들에 기초하는 입력 특징들을 사용한다. 재훈련 프로세스 동안 학습된 모델 파라미터들은 학습 전달 프로세스에서 시작 지점으로서 저장 및 사용될 수 있다.

학습 전달

일반적으로 학습 전달 동작은, 이전 훈련 프로세스에서 학습된, 저장된 모델 파라미터들을 시작 지점으로 사용하여 새로운 모델을 재훈련한다. 예를 들어, 학습 전달 동작은 하나 이상의 새로운 모델들을 초기화하기 위해 이전에 훈련된 신경망 모델의 노드 플레이스홀더들의 계수 가중치들을 사용할 수 있다. 이 예에서, 훈련된 모델의 노드 플레이스홀더들의 계수 가중치들은 메모리에 저장되고 재로딩되어, 예를 들어 일 단위로 재훈련되는 새로운 모델들을 초기화한다. 미리 훈련된 모델의 모델 파라미터들을 이용하여 새로운 모델을 초기화하는 것은 최종 최적화된 모델 파라미터들에 대한 수렴을 용이하게 하고 촉진할 수 있으며, 일반적으로 재훈련 프로세스를 가속시킬 수 있다. 또한 학습 전달은 (랜덤 초기화를 사용하여) 새로운 모델을 처음부터 다시 훈련할 필요성을 없앨 수 있다. 예를 들어, 일별 재훈련 프로세스 동안, 모델은 이전에 훈련된 모델의 노드 플레이스홀더들의 계수 가중치들을 이용하여 초기화될 수 있다. 모델 훈련은 계수 가중치들의 미세 조정 및 작업 파라미터의 변경을 특징으로 할 수 있다. 이전에 훈련된 모델의 계수 가중치들로 시작하여, 계수 가중치들의 최적화는 대개, 광역 오류 최소값에 근접하게 시작한다. 이는 계수 가중치에 대한 업데이트 횟수 및 최적화 중의 반복을 줄일 수 있으며, 이로 인해 플랫폼 중단 시간 및 계산 자원을 감소시킬 수 있다. 부가적으로 또는 대안적으로, 학습 전달 동작은 특정 계층들/노드들에 대한 새로운 모델의 전송된 모델 파라미터들을 수정하고, 수정되지 않은 계층들/노드들만을 재훈련하는데, 이 또한 계산 자원 및 플랫폼 중단 시간을 감소시킬 수 있다.

특정 실시예들에서, 학습 전달 동작은 모델의 재훈련 프로세스에 포함된다. 재훈련되는 각각의 모델은 이전 훈련 프로세스로부터의 저장된 모델 파라미터를 이용하여 초기화된다. 일 실시예에서, 학습 전달 동작은 해당 날짜 동안 실행될 때 호출될 수 있는 모델들의 일일 재훈련에 포함된다. 예를 들어, 학습 전달 동작은 도 27a의 재훈련 동작(2903)에 포함될 수 있다. 이러한 실시예들에서, 초기화 및 매일의 재훈련 중에 획득된 지식을 전달하는 것은 부지에 특이적인 조건 변화들에 대한 보다 미세한 조정들을 용이하게 한다.

일 실시예에서, 학습 전달 동작은 제1 기간 동안 이력 데이터의 블록으로부터 훈련 데이터를 사용하는 이전의 훈련 프로세스로부터의 저장된 모델 파라미터들을 이용하여 모델을 초기화한다. 예를 들어, 이전의 훈련 프로세스는 1개월, 2개월, 3개월 등의 기간 동안의 이력 데이터의 블록을 사용할 수 있다. 초기화된 모델의 재훈련 중에, 모델은 제2 기간 동안 이동(rolling) 이력 데이터에 기초한 훈련 데이터를 사용하여 모델을 업데이트하도록 재훈련된다. 예를 들어, 재훈련 프로세스는 5일 내지 10일 범위의 제2 기간을 갖는 이동 구간(rolling window)을 사용할 수 있다. 이력 데이터 블록의 기간은 이동 구간의 기간보다 더 길다.

일 실시예에서, 학습 전달 동작은 제1 기간(예를 들어, 1개월, 2개월, 3개월, 등) 동안의 이력 데이터의 블록으로부터 훈련 데이터를 사용하는 이전의 훈련 프로세스로부터의 저장된 모델 파라미터들을 이용하여, 모델을 초기화한다. 초기화된 모델의 재훈련 중에, 모델은 날씨 조건들의 목표된 서브세트에 기초한 훈련 데이터를 사용하여 모델을 업데이트하도록 재훈련된다. 예를 들어, 훈련 데이터는, 예를 들어, 재훈련 이전 3개월 중 2주 기간 동안에 발생한, 제2 기간 동안의 새로운 날씨 조건 동안 얻어진 데이터를 포함할 수 있다. 재훈련 프로세스는 제2 기간 동안의 훈련 데이터를 사용하여 모델을 재훈련시킨다.

- 단일 DNN 구조(순환 LSTM 신경망이 구현되지 않음)

특정 실시예들에서, 실시간 모델 선택 프레임워크는 광 센서 입력만을, 적외선 센서 입력만을, 날씨 피드 데이터 등 만을 이용하여 사용하기에 최적화된 것들과 같은, 특수 모델들의 릴리즈를 용이하게 한다. 이러한 실시예들 및 다른 실시예들에서, 제어 로직은 도 25에 도시된 모듈들 및 모델들의 전체 앙상블의 서브세트를 실행한다. 실행되지 않은 부분들은 메모리에 저장되고, 미래의 날에 실행되도록 재훈련될 수 있거나, 또는 구조에 존재하지 않을 수 있다.

예를 들어, 일 실시예에서, 도 25에 도시된 제어 로직은 모듈 B 및 모듈 E를 구현하지 않고, 대신 모듈 C(2711), 모듈 D(2712) 및 질량중심 평균화 모듈(2719)을 실행한다. 이 실시예에서, 모듈(2710a)의 순환 LSTM 신경망이 구현되지 않고, 대신에 단일의 심화 신경망(DNN)이 구현된다. 일 양태에 따르면, 단일 DNN은 모델들 및 모듈들의 전체 앙상블이 구현되는 모듈(2710b)의 DNN에서 통상적으로 사용될 모델 파라미터들의 총 개수로부터 감소된 수의 모델 파라미터들을 이용한 희소 DNN이다. 일 예에서, 희소 DNN은 모듈(2710b)의 DNN에 대해 20%의 모델 특징들을 갖는다. 일 실시예에서, 희소 DNN의 모델 특징들을 모듈(2710b)의 DNN의 잠재적인 특징들의 총 개수의 서브세트에 대해 제거하기 위해 선형-커널 서포트 벡터 머신(SVM: Support Vector Machine) 또는 다른 유사한 기술이 실행된다.

도 26은 일 실시예에 따른 단일 DNN 구조를 갖는 창문 제어 시스템(2800)의 블록도이다. 창문 제어 시스템(2800)은 창문 컨트롤러(2820), 예를 들어, 마스터 컨트롤러 또는 로컬 창문 컨트롤러를 포함한다. 창문 제어 시스템(2800)은 또한, 특정 블록들로 도시된 제어 로직을 포함한다. 창문 제어 시스템(2800)의 하나 이상의 구성요소들은 제어 로직을 구현한다. 제어 로직은 질량중심 평균화 모듈(2819), DNN 모듈(2830), 모듈 A(2801), 모듈 C1(2811), 및 모듈 D1(2812)을 포함한다. 일 경우에, DNN 모듈(2830)은 희소 DNN을 포함한다. 모듈 A(2801)는 도 25의 모듈(2701)의 로직과 유사한 제어 로직을 포함한다.

질량중심 평균화 모듈(2819)은, 이력 센서 데이터에 기초하여 합성 실시간 센서 값들을 결정하고, 합성 실시간 센서 값들에 기초하여 하루 동안의 평균 센서 프로파일들을 결정하도록 실행될 수 있다. 예를 들어, 질량중심 평균화 모듈(2819)은 하루 동안의 평균 광 센서 프로파일 및 평균 적외선 센서 프로파일을 결정하도록 실행될 수 있다. 일 경우에, 질량중심 평균화 모듈(2819)은 하루 동안의 평균 주위 온도 센서 프로파일을 추가적으로 결정하도록 실행될 수 있다. 질량중심 평균화 모듈(2819)은 DNN 모듈(2830)에 대한 입력으로서 이동 이력 데이터를 사용하여 합성 값을 생성한다. DNN 모듈(2830)의 실시간 희소 DNN은, 질량중심 평균화 모듈(2819)로부터의 합성 값들에 기초한 입력 특징들을 사용하여, 모듈 D1(2812)에 대한 입력으로서 사용되는 하나 이상의 예측된 IR 센서 값들을 출력하고, 모듈 C1(2811)에 대한 입력으로서 사용되는 하나 이상의 예측된 광 센서 값들을 출력한다. 예를 들어, DNN 모듈(2830)은 예측된 IR 센서 값 및 예측된 광 센서(PS) 값을 미래의 7분, 미래의 10분, 미래의 15분 등으로 출력할 수 있다.

모듈 C1(2811)은, 결정된 구름 비율 조건에 기초하여 색조 레벨을 결정하기 위해 DNN 모듈(2830)의 실시간 DNN으로부터 출력된 광 센서 값들을 임계값과 비교함으로써, 구름 비율 조건을 결정하도록 실행될 수 있는 제어 로직을 포함한다. 모듈 D1(2812)은 실시간 DNN(2830)로부터 출력된 적외선 센서 값들 및/또는 주위 온도 센서 값들에 기초하여 색조 레벨을 결정하도록 실행될 수 있다. 창문 컨트롤러(2820)는 모듈 A(2801), 모듈 C1(2811) 및 모듈 D1(2812)으로부터의 색조 레벨들의 최대값에 기초하여 색조 명령들을 실행한다.

실시간 모델 선택 - 도입 및 맥락

특정 실시예들에서, 창문 색조 상태들을 결정하도록 구성된 제어 로직은 이용 가능한 모델들의 세트 중 특정 모델들을 동적으로 선택하고 배치한다. 각각의 모델은 세트 내의 다른 모델들보다 창문 색조 상태를 더 잘 결정하는 조건들의 세트를 가질 수 있다. 이러한 접근법을 구현하기 위한 구조 또는 프레임워크는 모델들을 선택하기 위한 로직, 및 그들이 최적화되어 있는 특정 조건들에 대해 최상의 결과들을 생성하도록 훈련된 특수 모델들의 세트를 포함한다. 상이한 모델들이 상이한 시간에 배치되더라도 프레임워크는 중단되지 않는 실시간 색조 결정을 제공할 수 있다.

일, 주, 계절 또는 년에 걸쳐 건물에서 발생하는 모든 가능한 외부 조건을 처리하기 위해 단일 범용 모델을 배치하는 대신에, 모델 선택 프레임워크는 모델들을 동적으로 선택한다. 모델 선택 로직은 임의의 순간에, 특정 종류의 외부 조건들이 발생할 때 가장 성능이 높은 것으로 결정된 모델을 선택할 수 있다. 예를 들어, 선택은 특정 위치에서(예를 들어, 건물 부지에서) 현재 우세한 환경 조건들 및/또는 연중, 일중 등의 시간 동안 예상되는 조건들에 기초할 수 있다.

특정 실시예들에서, 모델 선택 로직은 이용 가능한 모델들 중 하나가 실행 중인 동안(실시간으로) 조건들을 평가하고 모델들을 선택한다. 이는 색조 결정 로직이 상당한 동작 중단 시간 없이, 모델들 간에 시프트될 수 있음을 의미한다. 이를 위해, 제어 로직은 현재 이용 가능한 데이터를 연속적으로 수신하고 현재 관찰된 실시간 조건들을 처리하는 데에 최적화된 모델들을 동적으로 배치할 수 있다.

색조 선택 로직에 대한 복원(resilience)을 제공하기 위해 또한, 동적 모델 선택 프레임워크가 이용될 수 있다. 특정 실시예들에서, 모델 선택 로직은 (모델들에 대한) 하나 이상의 유형들의 특징 입력 데이터가 일시적으로 이용가능하지 않게 되는 상황들을 고려할 수 있다. 예를 들어, 제1 모델은 IR 센서 값들을 포함하는 다수의 유형들의 입력 특징들을 필요로 할 수 있고, 제2 모델은 IR 센서 값들이 아니라 동일한 입력 특징들을 필요로 할 수 있다. 색조 결정 로직이 진행 중인 경우, 갑자기 IR 센서가 오프라인으로 될 때, 제1 모델을 사용하여, 모델 선택 로직은 실시간 색조 결정을 계속하기 위해 제2 모델로 전환할 수 있다. 일부 경우에, 모델 선택 로직은 모델들 중 하나 이상이 실패하거나 또는 이용가능하지 않게 되고, 해당 로직이 다른 모델을 즉시 선택해야 하는 상황들을 고려할 수 있다.

일부 실시예들에서, 실시간 모델 선택 프레임워크는 광 센서 입력만을 이용하여 사용하기에 최적화된 것들과 같은 특수 모델들의 릴리스를 용이하게 하여, 센서 유닛의 이전(또는 다수의) 버전들과 부합하는 건물 부지들로 하여금 모델-산출 예측의 이점들을 실현하게 한다.

실시간 모델 선택 - 상세한 설명

전체 프로세스(모델이 배치된 후)

도 27a는 동적 모델 선택에 대한 하나의 접근법을 예시하는 흐름도를 제공한다. 도시된 프로세스는 새로운 날짜의 시작, 일출 등과 같은 반복되는 이벤트와 연관될 수 있는 동작(2901)에서 시작한다. 이러한 이벤트의 타이밍은 매일 동일할 필요는 없으며, 일부 경우에는 반복되는 일별 이벤트를 기반으로 하지 않아도 된다. 이벤트의 기반에 관계없이, 프로세스는 동작(2903)에서 실행하기 위해 다양한 이용 가능한 모델들을 초기화하거나 준비한다. 도시된 실시예에서, 이러한 동작은 프로세스가 다시 시작할 때까지 하루 동안 또는 다른 기간 동안 실행하기 위해 호출될 수 있는 모든 모델들을 재훈련하는 것을 포함한다. 색조 조건 결정 모델들의 성능은, 예를 들어, 매일 또는 심지어 더 자주 재훈련될 때, 상당히 개선된다.

동작(2905)에서, 현재 조건들이 모델 선택 로직에 제공된다. 이러한 동작은, 모든 모델들이 재훈련 또는 다른 동작들에 의해 실행될 준비가 되기 전에, 그 동안, 또는 그 후에 수행될 수 있다. 현재 조건들은 본원에 기술된 IR 센서들 및/또는 광 센서들과 같은 하나 이상의 센서들에 의해 결정될 수 있는 외부 날씨 조건들(예를 들어, 온도, 태양 각도, 구름 비율 등)에 관련될 수 있다. 또는 현재 조건들은 현재 이용 가능한 입력 특징들의 세트(예를 들어, 인터넷으로부터의 날씨 데이터 제공, IR 센서 데이터, 광 센서 데이터 등)에 기초할 수 있다. 이용 가능한 입력 특징들의 서브세트만 사용할 수 있는 경우, 해당 세트의 특정 모델들이 사용되지 못할 수 있다.

동작(2907)에서, 모델 선택 로직은 현재의 외부 조건들을 고려하여 실행을 위한 모델을 실제로 선택한다. 예를 들어, 현재의 날씨 조건이 안개 또는 유사한 조건을 나타내는 경우, 모델 선택 로직은 안개 조건 하에서 색조 상태를 정확하게 선택하기 위해 훈련되고/되거나 최적화된 모델을 자동으로 선택할 수 있다. 다른 예에서, 주 모델이 입력 특징들로서, 날씨 피드, IR 센서 데이터, 및 광 센서 데이터를 필요로 하고, 통신 링크가 실패하고 날씨 피드가 갑자기 이용가능하지 않을 때 주 모델이 실행 중인 경우, 모델 선택 로직은 입력 특징들로서, IR 센서 데이터 및 광 센서 데이터만을 필요로 하는 백업 모델의 실행을 자동으로 트리거할 수 있다.

모델 선택 로직이 현재 조건에 기초하여 실행할 모델을 식별하는 경우, 로직은 원활한 지속적 조작을 보장해야 한다. 이를 위해, 로직은 동작(2907)에서 선택된 모델이 현재 실행 중인 모델인지 여부를 판단할 수 있다. 판단 동작(2909)을 참조하라. 선택된 모델이 현재 실행 중인 모델인 경우, 현재 실행 중인 모델이 계속 실행되도록 허용하고 미래의 색조 상태를 결정할 수 있다. 동작(2913)을 참조하라. 그렇지 않은 경우, 새로 선택한 모델로 전환시켜, 미래의 색조 상태 결정을 시작할 수 있다. 동작 (2911)을 참조하라.

모델들이 전환되는지 또는 일정하게 유지되는지 여부에 관계없이, 프로세스는, 일몰 또는 하루의 종료와 같이 창문 변색이 더 이상 필요하지 않을 때까지, 현재 조건들의 반복된 체크들(동작 2905) 및 조건들에 대한 최선의 모델 선택들(동작 2907)을 통해 계속 순환할 수 있다. 판단 동작(2915)을 참조하라. 동작(2915)에 의해 종료 이벤트가 결정될 때, 프로세스 제어는 종료 상태(2917)로 지향되고, 다음 시작 이벤트(2901)가 발생할 때까지 더 이상의 모델 선택이 수행되지 않는다.

다수의 모델

표시된 바와 같이, 색조 결정 로직은, 창문들의 어느 색조 상태가 가까운 미래의 날씨 조건들을 가장 잘 고려하는지를 판단하는 데에 이용 가능한 다수의 모델들을 갖는 구조들을 채용할 수 있다. 물론, 선택에 이용할 수 있는 모델의 개수는, 고유하고 잠재적으로 약한(fragile) 입력 특징 소스들의 개수, 특정 위치에서의 정성적으로 상이한 날씨 조건들의 범위, 이용 가능한 훈련 및/또는 계산 자원 등과 같은 다수의 사례별로 특이적인 인자들에 의존한다. 특정 실시예들에서, 선택할 수 있는 모델의 수는 적어도 3개이다. 특정 실시예들에서, 이용 가능한 모델의 수는 약 2개 내지 20개, 또는 약 3개 내지 10개 사이이다.

많은 구현예들에서, 선택을 위해 이용 가능한 모든 모델들은 색조 결정과 유사한 출력, 또는 색조 제어 로직이 현재 조건들에 기초하여 어떤 색조 상태를 제안할지를 결정하는 데에 사용할 수 있는 정보를 제공한다. 예를 들어, 일부 실시예들에서, 각각의 모델은 2개 이상의 가능한 색조 상태들(예를 들어, 2개, 3개, 4개, 또는 그 이상의 가능한 색조 상태들) 중에서 색조 상태를 출력하도록 구성된다. 다른 실시예들에서, 각각의 모델은 예측된 일광 조건, 열 플럭스 등을 출력하도록 구성된다.

선택 가능한 모델은 유사한 입력을 필요로 하거나 필요로 하지 않을 수 있다. 모델 선택 프레임워크가 여분의(redundancy) 특징 입력을 제공하도록 의도되는 경우, 하나 이상의 모델은 한 세트의 특징 입력을 필요로 할 수 있는 반면, 하나 이상의 다른 모델은 상이한 세트의 특징 입력을 요구할 수 있다.

선택을 위해 이용 가능한 모든 모델은 동일하거나 유사하거나 관련되지 않은 모델 유형일 수 있다. 예를 들어, 모든 모델은 동일하거나 유사한 구조를 갖는 인공 신경망일 수 있으며, 예를 들어, 이들은 모두 동일한 구조를 갖는 순환 또는 합성곱(convolutional) 신경망일 수 있다. 또는, 일부 모델은 제1 신경망 구조를 가질 수 있는 반면, 다른 모델은 상이한 신경망 구조를 가질 수 있다. 또는 하나 이상의 모델은 신경망일 수 있는 반면, 하나 이상의 다른 모델은 회귀 모델, 랜덤 포레스트 모델 등일 수 있다. 특정 실시예들에서, 모델들의 일부 또는 전부는 순방향(feedforward) 신경망이다. 특정 실시예들에서, 하나 이상의 모델은 심화 신경망이다.

실시간 모델 선택사항이 사용될 수 있는 상황 및 각각의 상황에서 사용되는 모델의 유형

특징 소스 복원: 이 경우, 선택 가능한 모델은 다양한 입력 특징들의 상이한 세트를 이용하여 작업하도록 설계되었다. 대개, 주어진 신경망은 오직 특정한 세트의 입력 특징 유형들을 이용해서만 동작한다(예를 들어, 특정 모델은 IR 센서로부터의 4개의 입력과 날씨 피드로부터의 하나의 입력을 필요로 할 수 있다). 신경망은 한 가지 유형의 입력 특징만을 수신하는 데에 각각 전용되는 입력 노드들의 세트를 가진다. 또한, 입력 특징들의 상이한 세트들을 필요로 하는 모델들은 (상이한 훈련 세트들을 이용하여) 상이하게 훈련되고, 상이한 내부 구조들을 가질 수 있다. 예를 들어, 2개의 색조 예측 모델들이 신경망들인 경우, 이들의 제1 층들은 상이한 수의 노드들(별개의 입력 특징들의 예상된 개수에 기초함) 및/또는 상이한 유형들의 노드들을 가질 수 있다. 간단히 말해, 각각의 이용 가능한 모델은 예상되는 입력 특징들의 세트에 특정한 구조 및 훈련 접근법을 가질 것이다.

특정 실시예들에서, 특징 소스 복원은 본원에 기술된 바와 같은 모델 선택 프레임워크를 사용하는 것뿐만 아니라, 본원의 다른 곳에 기재된 바와 같은 보충적인 질량중심 평균 프레임워크 또는 모듈을 사용함으로써 제공된다. 특정 실시예들에서, 센서 데이터가 이용가능할 때, 질량중심 평균화는 실시간 예측 동안에 생성된 데이터에 대한 신뢰 구간들을 생성하는 데에 사용된다.

외부 조건에 특이적인 모델: 이 경우, 선택 가능한 모델은 상이한 날씨 조건(예를 들어, 맑음, 안개, 빠르게 통과하는 구름, 뇌우, 스모그, 지역 내 화재 등)과 같은 상이한 유형의 외부 조건에 대해 설계되거나 최적화된다. 특정 실시예들에서, 모델 선택 로직은 다양한 가능한 유형들의 외부 조건들 중에서 현재의 유형의 외부 조건들을 식별한다. 그후, 모델 선택 로직은 현재의 외부 조건 하에서 가장 잘 수행하도록 최적화된 모델을 선택한다. 특정 실시예들에서, 별개의 외부 조건들의 특징들은 비-지도 학습 모델과 같은 알고리즘 분류기를 사용하여 결정된다.

실시간 모델 선택 프레임워크 설정

특징 소스 복원 사례:

이 경우 모델 세트의 색조 예측 모델은 입력 특징 세트의 측면에서 서로 보완하도록 선택된다. 예를 들어, 세트 내의 제1 모델은 입력 특징들(예를 들어, 특징 A, B, 및 C)의 제1 세트를 필요로 할 수 있고, 세트 내의 제2 모델은 입력 특징들의 제2 세트(예를 들어, 특징 A 및 C)를 필요로 할 수 있다. 입력 특징들의 복잡도에 따라, 세트 내에 추가적인 또는 상이한 모델들이 제공될 수 있다. 예를 들어, 특정 세트는 입력 특징 A, B, 및 D를 필요로 하는 제3 모델, 및 입력 특징 C, E 및 F를 필요로 하는 제4 모델을 추가적으로 포함할 수 있다. 일반적으로, 특징 복원에 있어서, 모델들의 세트 내의 모델들의 개수는 계산 비용 및 잠재적인 고장 지점들의 수의 균형에 의해 결정될 수 있다. 특정 실시예들에서, 단지 2개의 이용 가능한 모델이 존재한다. 일부 실시예들에서, 2개 이상의 실시예들이 존재한다. 다른 실시예들에서, 4개 이상의 모델이 존재한다.

일 예에서, 실시간 모델 선택 프레임워크는 (i) 가장 잘 수행하고 입력 특징들의 제1 세트(예를 들어, IR 및 광 센서 데이터)를 사용하는 주 모델, 및 (ii) 잘 수행하지는 않지만, 제1 세트의 전체 입력 파라미터들을 필요로 하는 입력 특징 세트를 사용하지는 않는 하나 이상의 폴백(fallback) 모델들을 이용한다. 예를 들어, 백업 모델은 입력 특징으로서 광 센서 판독 및 날씨 피드만을 필요로 할 수 있다. 또는, 백업 모델은 입력 특징으로서 IR 센서 판독 및 날씨 피드만을 필요로 할 수 있다. 주 모델이 실행 중인 경우, IR 센서 또는 광 센서가 갑자기 이용가능하지 않을 때, 모델 선택 로직은 적절한 폴백 모델을 선택하여 해당 모델 내부로 진입하고 이를 실행할 수 있다.

외부 조건 변동의 경우:

이 경우, 모델 세트는 색조 선택 로직이 동작하는 주어진 위치에서 전형적으로 발생하는 정성적으로 구별되는 날씨 조건의 개수에 기초하여 선택된다. 이 프레임워크는 범용 모델만 사용하는 프레임워크와 대조될 수 있다.

범용 모델은 모든 유형의 날씨 조건에 대해, 어떤 정보가 사용 가능한지에 대해 훈련한다. 이러한 모델은 이론적으로, 모든 유형의 미래 날씨 조건을 예측할 수 있고, 따라서 모든 유형의 날씨에 대해 적절한 색조 상태를 결정할 수 있다. 그러나, 이러한 유연성은 일부 맥락에서는 정확성을 감소시키는 비용으로 발생할 수 있다. 특정한 지정 맥락에서 미래의 조건을 예측하기 위해 최적화된 훈련된 모델은 종종 해당 맥락 내에서 범용 모델의 성능을 능가한다. 특수 목적 모델이 범용 모델의 성능을 능가할 수 있는 맥락의 한 예는 구름들이 빠르게 이동하는 맥락이 있다.

상이한 모델들이 더 나은 결과를 제공할 수 있는 이유의 일 예로서, 안개 조건 또는 대부분 흐림 조건에 최적화된 모델은 맑음 조건으로부터의 데이터에 노출되는 경우 포화될 수 있으며, 따라서 맑음 조건 동안의 색조 상태 결정에는 적절하지 않을 것이지만, 안개 조건 동안에는 범용 모델보다 더 잘 수행할 것이다. 예를 들어, 안개 조건 또는 흐림 조건에 최적화된 모델은 안개가 끼거나 또는 흐린 동안 더 미세하거나 더 미묘한 조건 변동을 제공할 수 있다. 이러한 모델의 훈련은 더 낮은 강도의 복사 값들을 갖는 훈련 데이터를 이용한다.

외부 조건 변동에 대해 특수화된 모델의 세트를 사용하는 경우, 실시간 모델 프레임워크 설정은, 특정 유형의 외부 조건의 범주 내에서 미래의 외부 조건을 예측하는 데에 각각 최적화된 자신의 모델을 갖는 이점을 얻을 수 있는, 환경 조건의 그룹들 또는 유형들을 먼저 식별하는 것을 포함할 수 있다.

일 접근법에서, 설정 프로세스는 특징 값 프로파일들(예를 들어, 하루 중 일부 또는 하루 전체 동안의 특징 값들의 시계열)과 같은 특징 값들의 반복 세트들(예를 들어, 측정된 가시광 및/또는 IR 값들)에 기초하여, 가능한 날씨 조건의 클래스들을 식별한다. 주어진 위치에 대한 특징 프로파일은 수 일, 예를 들어, 100일 또는 300일 또는 500일 동안 수집될 수 있다. 그런 다음, 알고리즘 분류 도구를 사용하여 특징 프로파일의 클러스터들을 식별한다. 각각의 클러스터는 별도의 모델이 필요한 환경 조건을 나타낼 수 있다.

다른 접근법에서, 설정은 상이한 모델을 필요로 하는 것으로 예상되는 상이한 유형의 날씨 조건들(예를 들어, 안개, 스모그, 구름 없는 하늘, 적운 통과, 권운, 뇌우 등)을 식별하는 것을 포함한다. 이러한 상이한 날씨 조건들 각각에 대해, 프로세스는 (프로파일로서 시간에 따라 제공될 수 있는) 특징 값들을 수집하고, 상이한 날씨 조건들과 연관된 패턴들을 알고리즘적으로 결정한다.

특정 실시예들에서, 모델들의 세트에는, 특정 유형의 날씨 조건을 예측하는 데에 탁월하도록 각각 설계되고 훈련된, 4개 이상의 모델들이 존재한다. 특정 실시예들에서, 이러한 모델은 7개 이상이다.

다양한 실시예들에서, 별개의 외부 조건 유형들 또는 클러스터들은 이력 데이터(예를 들어, 강도 대 시간 데이터 세트들로서 제공될 수 있는, 복사 프로파일들)를 분석함으로써 식별되고, 그 후 적절한 분류 알고리즘에 기초하여 이들 프로파일들을 클러스터링한다. 프로파일들의 수집은 긴 기간, 예를 들어, 수개월 또는 심지어 1년 이상의 기간 동안 취해질 수 있다. 일부 실시예들에서, 프로파일은 단일 측정된 값이 사용되는 순차적인 값들을 포함하며, 예를 들어, 시간의 함수로서 외부 복사 플럭스의 미가공된 광 센서 측정들을 포함한다.

특정 실시예들에서, 프로파일들의 클러스터는 사용할 모델을 결정하기 위해 현재 복사 데이터와의 비교에 사용될 수 있는 평균 또는 대표 프로파일을 생성하는 데에 사용된다. 현재 조건에 가장 가까운 클러스터를 결정하는 것은, 예를 들어, 단순 유클리드 거리를 포함하는 다양한 거리 메트릭들을 사용하여 달성될 수 있다.

클러스터링 알고리즘은 개별적인 복사 프로파일들의 다수(예를 들어, 적어도 선택될 수 있는 모델들의 수)의 클러스터들을 생성한다. 적절히 설계된 클러스터링 알고리즘에서, 클러스터들은, 색조 제어 로직이 예를 들어, 주어진 센서 판독들에 대해 상이한 창문 색조 시퀀스들을 갖는 경우에 의미가 있는 속성들에 기초한다. 정성적으로 상이한 복사 프로파일 클러스터를 야기하는 발산 조건의 예들은 빠르게 이동하는 구름(예를 들어, 적운), 낮게 낀 구름 또는 안개, 맑고 화창한 조건, 눈 등을 생성하는 날씨를 포함한다.

적절한 클러스터링 알고리즘은 많은 다른 형태를 취할 수 있다. 하나의 접근법에서, 복사 프로파일들이 제공되고 포인트별 거리들을 생성하기 위해 서로 비교된다. 다차원 프로파일 공간에서, 프로파일은 상이한 날씨 조건과 종종 연관되는 상이한 그룹으로 자연스럽게 클러스터링된다. 그러나, 이것은 필수적인 것은 아니며, 이러한 상이한 클러스터들과 관련된 상이한 날씨 조건들을 명시적으로 식별하는 것이 필요하지도 않다.

특정 실시예들에서, 시간에 따른 측정된 복사 값들의 프로파일들이 수집되고 클러스터들을 식별하는 데에 사용된다. 복사 프로파일은 다양한 길이를 가질 수 있다. 예를 들어, 일부 경우에, 이들은 하루 길이의 복사 프로파일이다. 클러스터링에 사용되는 복사 프로파일은 일, 주, 월, 1년 이상 등의 기간 동안 수집될 수 있다. 각각의 프로파일은 수 초, 매 분, 수 분, 매 30분, 또는 매 시간마다 수집되는 복사 값들을 가질 수 있다. 특정 실시예들에서, 값들은 적어도 수 분 정도로 얻어진다. 이러한 프로파일은 클러스터링의 기초로 사용된다. 이들은 비-지도 방식으로 클러스터링될 수 있으며, 단순히 구별되는 클러스터를 형성하는 프로파일을 고려한다.

클러스터링 프로세스를 용이하게 하고, 가능하게는 계산 노력을 감소시키기 위해, 복사 프로파일들 내의 데이터는 임의의 다양한 기술들에 의해 크기가 감소될 수 있다. 하나의 접근법은 프로파일을 클러스터링에 여전히 유효한 감소된 차원 공간으로 맵핑한다. 클러스터링에 대한 이러한 접근법은 Tensorflow에서 Google의 seq2seq 프레임워크와 같은 자동 인코더를 이용하여 구현될 수 있다. 특정 기술들은 궁극적으로 함께 클러스터링될 수 있는 관련된 프로파일들의 일반적인 특성들을 식별하는 비-지도 사전 훈련을 제공한다. 대안적으로, 또는 부가적으로, 컴퓨팅 문제는 2일 이상의 데이 터를 단일 프로파일로 조합함으로써 감소될 수 있다. 예를 들어, 질량중심 평균화와 같은 기술들이 2일 이상의 날들로부터 프로파일들을 조합하는 데에 이용될 수 있다. 특정 실시예들에서, k-means 클러스터링 기술이 사용된다.

클러스터가 식별된 후, 이들은 테스트될 수 있다. 임의의 다양한 클러스터링 테스트 또는 검증 절차가 사용될 수 있다. 예들은 다음을 포함한다:

1. 관성(샘플들 [즉, 데이터 인스턴스]의 그들로부터 가장 가까운 클러스터 중심까지의 거리의 합계)

2. 실루엣 스코어(각각의 샘플에 대한 평균 클러스터-내(intra-cluster) 거리와 평균 최근접-클러스터 거리의 차이를, 그 둘 중 최대값으로 나눈 것)

3. Calinski-Harabaz 스코어(클러스터-내(within-cluster) 분산 및 클러스터-간 분산 사이의 비율)(참고: Journal of Computational and Applied Mathematics. 20. 53-65의 Rousseeuw, P. (1986). Silhouettes: a Graphical Aid to the Interpretation and Validation of Cluster Analysis). (참고: Communications in Statistics, 3:1, 1-27의 Calinski T. and Harabasz J. (1974). A Dendrite Method for Cluster Analysis)

일부 경우에, 특정 테스트가, 클러스터-내 거리 및 클러스터-간 거리를 확인하고 비교한다.

종종, 복사 프로파일의 클러스터는 인식가능한 특성을 갖는 것으로 밝혀졌다. 도 27b는 상이한 클러스터들로부터의 특징 복사 프로파일들의 예들을 도시한다. 이 도면은 상이한 클러스터들 내의 복사 프로파일의 특징 프로파일을 예시한다.

레이블은 다음과 같다.

1. 맑음

2. 흐림

3. 부분적으로 흐림

4. 맑음/부분적으로 흐림의 혼합

5. 폐색(Occlusion)이 있는 맑음

6. 폐색이 있는 부분적으로 흐림

모든 프로파일은 분-단위 해상도를 가진 하루 길이이다. Y-축은 (0 내지 779 Watts/제곱미터)로부터 (0 내지 1)로 스케일링된, 광 센서 값들이다.

특정 실시예들에서, 클러스터링 로직은 복사 프로파일들의 개별 클러스터들에 대한 특징적인 특징들(characteristic features)을 구별하는 것을 식별한다. 이를 위해 다양한 기술들이 이용될 수 있다. 일 실시예는 shapelet 분석을 사용한다. 프로파일 내의 특정한 복사 데이터 포인트들의 서브세트들은 특징적인 특징으로서의 역할을 할 수 있다. shapelet 식별 알고리즘이 사용될 수 있다. 실시간 모델 선택을 사용할 때, 현재 조건들은 예를 들어 실시간으로 처리되어, 다양한 이용 가능한 실시간 모델들과 연관된 다양한 클러스터들에 대한 대응하는 특징들과 비교되는 shapelet 또는 다른 특징을 생성할 수 있다. 현재 조건과 연관된 클러스터를 기반으로, 실시간 모델을 선택할 수 있다.

특정 실시예들에서, 클러스터링은 지도 또는 비-지도 학습을 사용하여 수행된다. 일부 경우에, 클러스터링은 비-지도 학습을 사용하여 수행되고, 선택적으로는, 수집된 정보 및 도 25의 맥락에서 논의된 모듈 E의 로직을 사용하여 도출된 결론들을 이용하여 수행된다.

모델 생성

프레임워크에 포함하기 위한 다른 유형의 모델들이 식별된 경우, 이 모델들은 실제로 생성되거나 획득되어야 한다. 따라서 관련 작업 흐름은 특정 모델에 대한 프로파일 또는 기타 정보에 대한 데이터를 기반으로 모델을 생성하거나 선택한다.

입력 특징 복원의 경우, 다른 모델들은 입력 특징들의 상이한 조합을 사용하는 상이한 훈련 세트를 사용하여 훈련되어야 한다. 예를 들어, 하나의 모델은 IR 센서 판독들 및 대응하는 날씨 피드 정보를 갖는 데이터를 사용하여 훈련될 수 있는 반면, 다른 모델은 대응하는 IR 센서 판독들 및 날씨 피드 정보와 함께 광 센서 판독들을 갖는 데이터를 사용하여 훈련될 수 있다. 또 다른 모델은 광 센서 판독들 및 대응하는 날씨 피드 정보를 사용하여 훈련될 수 있다. 이러한 각각의 모델은 서로 다른 구조를 가질 수 있다.

상이한 외부 조건들(예를 들어, 상이한 날씨 유형들)에 대해 최적화된 모델들의 세트의 경우에, 개별 모델은 자신의 특정 유형의 외부 조건에 대해 수집된 데이터에 대해 각각 훈련된다. 설정에서 식별된 각각의 외부 조건에 대해, 작업 흐름은 이러한 조건이 발생할 때 얻은 데이터만 사용하여 모델을 훈련한다. 예를 들어, 작업 흐름은 제1 날씨 조건(예를 들어, 안개 낀 아침)으로부터의 훈련 데이터를 이용하여 제1 모델을 전개하고 테스트할 수 있고, 제2 날씨 조건(예를 들어, 지나가는 구름)으로부터의 훈련 데이터를 이용하여 제2 모델을 전개하고 테스트할 수 있다. 특정 실시예들에서, 각각의 훈련된 모델의 성능은 (다수의 상이한 날씨 조건들로부터의 데이터를 이용하여 훈련된 모델의 성능과 같은) 일부 벤치마크에 대해 테스트된다.

사용할 모델을 결정하는 기준(실시간)

즉각적인 또는 단기간의 색조 상태 결정을 위해 사용할 모델을 실제로 선택하기 위해, 모델 선택 로직에 의해 다양한 인자들이 사용될 수 있다. 실시간 사용할 모델을 결정하는 프로세스는 대개, 즉각적인 또는 예상되는 조건들과, 선택 가능한 모델들 간의 차이에 의존한다. 예를 들어, 특징 소스 복원의 경우, 모델 선택 로직은 가능한 문제들에 대한 입력 파라미터 소스들을 모니터링할 수 있다. 현재 실행 중인 모델에 대해 입력 특징을 사용 불가능하게 하거나 그렇게 될 가능성이 있는 고장이 관찰되는 경우, 모델 선택 로직은 모든 필요한 입력 특징들이 현재 이용 가능한 상이한 모델로 즉시 또는 신속하게 전환할 수 있다.

일 예에서, 주 모델이 가장 잘 수행하고 제1 세트의 입력 특징들(예를 들어, IR 센서 및 광 센서 데이터)을 사용하며, 하나 이상의 폴백 모델들은 잘 수행하지는 않지만 제1 세트의 입력 파라미터들 전체를 필요로 하는 입력 특징 세트를 사용하지는 않는다. 예를 들어, 백업 모델은 입력 특징으로서 광 센서 판독 및 날씨 피드만을 필요로 할 수 있다. 또는, 백업 모델은 입력 특징으로서 IR 센서 판독 및 날씨 피드만을 필요로 할 수 있다. 그 후, 주 모델이 실행 중인 경우, 갑자기 IR 센서 또는 광 센서가 이용 가능하지 않을 때, 모델 선택 로직은 적절한 폴백 모델을 선택하여 해당 모델 내부로 진입하고 이를 실행할 수 있다.

모델들의 세트가 상이한 유형들의 외부 조건들을 처리하도록 최적화된 모델들을 포함하는 경우에, 선택 로직은 외부 조건들을 모니터링하고, 이들 조건들이 주어진 경우 어느 모델이 가장 잘 수행할 것인지를 정기적으로 결정할 수 있다.

일부 실시예들에서, 이러한 모델 선택 로직은 현재의 외부 조건(예를 들어, 복사 프로파일에 기초하여)을 평가하기 위해 현재 데이터(예를 들어, 로컬 IR 센서 및/또는 광 센서 판독) 및/또는 현재 정보(예를 들어, 날씨 피드)의 세트를 사용한다. 모델 선택 로직은 현재 외부 조건을 가장 유사한 클러스터 또는 분류와 연관시키며, 이는 특정 모델을 암시한다. 현재 조건과 가장 유사한 클러스터 또는 분류를 식별하기 위해 다양한 기술이 사용될 수 있다. 예를 들어, 클러스터 또는 분류가 다차원 공간의 영역 또는 포인트에 의해 표현되는 경우, 모델 선택 로직은 현재 조건과 각각의 클러스터 또는 분류 사이의 유클리드 거리와 같은 거리를 결정할 수 있다. 비-유클리드 기술이 또한 이용될 수 있다. 일부 실시예들에서, k-means는 현재 조건들과 연관하는 데에 사용된다. 현재 조건을 클러스터링한 후에, 로직은 현재 조건과 연관된 클러스터 또는 분류와 연관되는 모델을 실행하기 위해 선택한다.

일 예로서, 예를 들어, 안개 부유 또는 폭풍 기단 접근으로 인해 복사 프로파일이 변하는 경우, 처리된 센서 판독은 외부 조건이 복사 프로파일의 하나의 분류로부터 복사 프로파일의 다른 분류로 전환되었음을 나타낼 수 있고, 이러한 전환은 새로운 복사 프로파일에 대해 최적화된 새로운 모델의 선택을 필요로 한다.

타이밍

모델 선택 로직은 창문 변색의 실시간 제어에 적절한 특정한 주파수로, 예를 들어, 수 초 내지 수 시간에, 모델들을 선택할 수 있다. 즉, 모델 선택 로직은 수 초마다, 수 분마다, 또는 수 시간마다와 같은 정의된 주파수로 어느 모델을 사용할지를 결정할 수 있다. 특정 실시예들에서, 모델 선택 로직은 약 5초 내지 30분 사이의 주파수로 사용할 모델을 결정한다. 특정 실시예들에서, 모델 선택 로직은 약 30초 내지 15분 사이의 주파수로 사용할 모델을 결정한다. 일부 실시예들에서, 모델 선택 로직은 정의된 임계값보다 큰 검출된 복사 프로파일의 변화와 같은 검출된 이벤트에 의해 트리거될 때 모델들을 선택한다.

재훈련 및 사용 준비 상태로 모델 유지

모델 세트 내에서, 현재 색조 상태를 결정하는 데에 사용되지 않는 모델들은 실행을 위해 준비되어 있어야 할 수 있다. 이를 위해, 세트 내의 모든 모델은 매일, 또는 다른 정기적 시간마다(예를 들어, 매 1일 내지 매 10일 사이)에 재훈련될 수 있다. 특정 실시예들에서, 모델들은 실시간 모델들이 실행되고 있지 않을 때(예를 들어, 자정과 같은 밤 중에) 재훈련된다.

색조 결정이 이루어지고 있을 때(예를 들어, 낮 시간 동안), 모든 모델들은 배포 준비가 되어 있어야 한다. 따라서 모든 모델에 필요한 데이터, 특히 이동 평균 센서 데이터와 같이 이력 구성요소를 포함하는 데이터는 현재 실행 중인 모델에서 사용되지 않는 경우에도, 새로 선택된 모델의 특징 입력으로 사용되도록 준비되고 최신 상태로 유지되어야 한다. 즉, 다양한 실시예들에서, 모든 모델들에 대한 모든 입력 특징들은 끊임없이 생성되거나, 최신 상태로 유지되고 모델들에 공급될 준비가 되어 있다.

또한, 색조 상태들을 결정하는 데에 현재 사용되지 않는 모델이 순환 신경망인 경우, 입력 특징들을 공급하는 것이 필요할 수 있고, 그 출력들이 현재 사용되지 않는 경우에도 실행되도록 하여, 선택되어야 하는 유용한 출력들을 즉시 제공할 준비가 되어 있어야 할 수 있다. 모델이 시간 의존적이지 않은 경우(즉, 메모리를 포함하지 않고/않거나 순방향 신경망의 경우와 같이 피드백 루프를 갖지 않는 경우), 색조 상태를 결정하기 위해 호출되기 전에 실행될 필요는 없다.

구조의 예

도 28은 실시간 모델 선택 프레임워크를 위한 예시적인 구조(3001)의 블록도를 나타낸다. 도시된 바와 같이, 프레임워크는 실시간 모델 선택 로직(3003)에 의존하며, 이는 프로그램 명령들 및 관련 프로세싱 하드웨어로서 구현될 수 있다. 로직(3003)은 현재의 외부 조건들과 관련된 다양한 입력을 수신한다. 도시된 실시예에서, 이러한 입력들은 로컬 센서 데이터(3007), 및 인터넷을 통해 제공되는 날씨 피드와 같은 원격 데이터(3009)를 포함한다. 실시간 모델 선택 로직(3003)은 또한, 시그니처들(3011), 또는 로직으로 하여금 이전에 분류된 조건 유형들과 현재 조건들을 비교할 수 있게 하는 다른 저장된 정보에 액세스할 수 있다. 특정 실시예들에서, 분류 시그너처는 shapelet이다. 현재 조건들에 대한 분류 로직을 적용함으로써, 실시간 모델 선택 로직(3003)은 복수의 조건-특이적 모델들 중에서 미래의 조건들을 예측하기 위해 선택해야 하는 모델의 유형을 결정한다. 이러한 결정을 내릴 때, 로직(3003)은 이용 가능한 조건-특이적 모델들의 세트(3005) 내의 모델들 중에서 하나의 모델을 선택한다. 도시된 실시예에서는, 6개의 이용 가능한 모델들이 존재한다.

실시간 모델 선택 - 예

특정 실시예들에서, 실시간 모델 선택 프레임워크는 센서 데이터 및/또는 현재의 조건 정보를 사용한다. 센서 데이터의 예들은 광 검출기 및 IR 센서 입력들, 및/또는 예를 들어, 선택된 제3자 API로부터의 실시간 날씨 피드를 포함한다.

입력 복원은 이 프레임워크의 하나의 응용이다. 하드웨어 유닛(예를 들어, 2017년 5월 4일에 공개된 미국 특허출원 공개 제2017/0122802호에 기술된 것과 같은 옥상 센서 유닛)으로부터의 광 센서 및 IR 센서 입력에 부가하여 제3자 API 로부터의 실시간 날씨 데이터를 활용하는 예측 모델에는, 세 가지의 가능한 실패 지점이 있다. 연결 실패 이벤트 동안 세 개의 입력들 중 하나가 존재하거나 부재할 수 있기 때문에, 8개(또는 23개)의 가능한 입력 조합들이 존재하며, 이는 실시간 모델 선택을 지원하는 프레임워크만이 중단 시간 없이 원활하게 처리할 수 있다.

센서 데이터와는 달리, 제3자 날씨 데이터는 예를 들어, 가중된 질량중심 평균화 기술을 이용하여 이력 값으로부터 신뢰성 있게 합성될 수 없다. 그러나, 실험 결과는, 센서 입력들 중 하나 또는 모두에의 연결이 누락되어 합성되어야 할 때, 실제 날씨 데이터를 이용하여 모델을 보완하는 것이 도움된다는 것을 보여주었다. 주어진 모델은 대개, 모든 예상 입력이 제공되는 경우에만 수행되므로, 연결 실패 이벤트의 경우, 실시간 날씨 피드로부터 입력을 수신할 준비가 된 네트워크 플레이스홀더를 포함하는 하나의 모델 및 그렇지 않은 다른 모델의, 2개의 모델이 배치 준비되어야 한다.

이러한 구조를 사용하여, 실시간 모델 선택 프레임워크는 사용 가능할 때 실제 날씨 데이터만 사용하며, 프레임워크는 수신된 모든 실제 데이터 포인트를 유지하면서 누락된 입력에 대한 센서 값만을 합성한다. 이런 식으로, 매 분마다의 입력의 존재 또는 부재가 실시간 모델 선택을 구동하여, 현재 배치된 모델이 현재 수신되고 있는 입력의 조합을 지원하는지를 보장한다.

이 접근법(및 연관된 구조)은 광 센서 하드웨어 유닛만을 이용하여 현재 장착된 부지에 특화된 모델을 갖는 단일 프레임워크의 배치를 가능하게 한다. 업그레이드를 수신할 때(예를 들어, 하나의 건물 상의 하나의 유형의 센서, 및 다른 센서의 업그레이드된 버전) 해당 부지가 하드웨어의 모든 버전을 유지하기를 선호하면, 실시간 모델 선택 프레임워크는 2개의 예측 모델들의 동시 배치를 지원하며, 각각은 대응하는 하드웨어 유닛으로부터 수신하는 입력에 대해 최적화된다. 이런 식으로, 프레임워크는 센서 예측 소프트웨어에서의 융통성을 제공한다.

실시간 모델 선택 프레임워크의 복원을 검증하기 위해, 매 분마다 예측 모듈에 대한 입력을 랜덤화하는 극단적인 휘발성 스트레스 테스트가 고안되었다. 이러한 테스트는 3개의 입력들 중 임의의 하나의 존재 또는 부재가 랜덤 결정되는 시나리오를 시뮬레이션한다. 1분에서 다음 시간까지, 2개 입력들 모두 존재하거나 모두 부재하거나 하나만 존재하거나, 또는 임의의 조합이 예측 모듈에 대해 사용 가능하게 되며, 예측 모듈은 이러한 입력을 위해 설계된 두 개의 모델 중 하나를 실시간으로 선택한다. 예측 모듈이 스트레스 테스트를 받는 7일 중 각각의 기간 동안, 실시간 모델 선택 프레임워크의 배치는 중단 시간이 없는 결과를 야기하고, 하루 동안 분 단위 예측들을 성공적으로 생성하였다.

도 29는 정오부터 일몰까지 진행되는 스트레스 테스트의 결과를 나타낸다. 주황색 선(3103)은 모든 입력(광 센서, IR, 날씨 피드로부터의 예측 IO 데이터)을 사용하여 생성된 예측을 나타낸다. 청색 선(3111)은 예측되는 실제 값, 예를 들어, 외부로부터의 실제 측정된 복사 강도를 나타낸다. 밝은 녹색 선(3119)은 예측 IO 데이터, 및 합성된 광 센서 및 IR 데이터를 사용하여 생성된 예측을 나타낸다. 합성 데이터는 최근 날짜로부터의 데이터의 질량중심 평균으로부터 생성되었다. 보라색 선(3105)은 실제 광 센서 및 IR 데이터만을 사용하여 생성된 예측을 나타낸다. 적색 선(3107)은 합성 광 센서 및 IR 데이터만을 사용하여 생성된 예측을 나타낸다. 짙은 녹색 선(3117)은 합성 광 센서 데이터 및 실제 IR 데이터를 사용하여 생성된 예측을 나타낸다. 황색 선은 실제 광 센서 데이터 및 합성 IR 데이터를 사용하여 생성된 예측을 나타낸다. 그리고 갈색 선(3131)은 스트레스 테스트가 적용된 모델에 의해 생성된 예측을 나타내며, 여기서 모델에 대한 3개의 입력들 중 임의의 입력의 존재 또는 부재는 분 단위로 랜덤화된다. 즉, 갈색 선으로 도시된 예측들은 광 센서 데이터, IR 센서 데이터 및 예측 IO 데이터를 수용하도록 모델, 및 광 센서 및 IR 센서 데이터만을 수신하도록 설계된 다른 모델의, 2개의 모델 중 실시간 모델 선택을 사용하여 생성되었다. 모든 3개의 소스, 즉, 광 센서 데이터, IR 데이터 및 예측 IO 데이터로부터의 데이터를 수용하는 모델만을 이용하여, 다른 모든 곡선이 생성되었다. 실시간 모델 선택 실행(갈색 선)은 두 모델 사이에서 앞뒤로 전환했기 때문에, 예측들은 이전에 설명된 모든 모델에 의해 출력되는 예측값들의 범위에 걸친 변동을 생성하였다. 그러나, 갈색 선(3131)이 변동하는 동안, 이는 복사 플럭스(청색 선(3111))의 실제 측정된 값에 상당히 근접하며, 따라서 추구하는 조건 하에서 합리적인 예측을 제공한다는 것을 나타낸다.

재귀적 특징 제거 - 도입 및 맥락

심화 학습의 출력은 네트워크 구조의 계층들에 의해 관계가 표현되는 입력 특징들의 유익한 신호 강도에 의존한다. 그러나, 어떠한 양의 도메인 지식도, 어떤 기본 입력 특징 세트가 모든 지리적 위치들 및 연중 모든 시간들에서 최상의 예측 성능을 초래하는지 미리 결정할 수 있는 것은 아니다. 종종, 수백 또는 그 이상의 신경망을 위한 많은 가능한 입력 특징들이 존재한다. 본원에 언급된 바와 같이, 일부 예들은 약 200개의 이용 가능한 입력 특징들을 가진다. 그러나, 그러한 모든 특징들을 사용하는 것은 이러한 오버피팅(overfitting)과 같은 특정 문제들을 야기할 수 있고, 가능하게는 프로세스를 느리게 하는 비용을 추가하는 여분의 계산 자원들을 필요로 한다.

신경망은 일부 측면에서 "블랙박스" 알고리즘이기 때문에, 입력 특징들의 상대적 중요성을 직접적으로 정량화할 수는 없다. 이러한 네트워크의 경우, 얼마나 많은 표현 계층들이 구성되는지에 대한, 입력들 간의 모델 관계뿐만 아니라, (관계들의…) 관계들의 관계는 입력 특징들의 상대적 중요성을 효과적으로 사라지게(bury) 한다. 심화 학습 모델의 이 특성은 현재 사용 중인 입력 특징들의 세트가 실제로 최적인지 여부를 판별하는 것을 어렵게 한다. 입력 특징들의 상이한 세트는 (관계들의…) 관계들의 상이한 세트를 훈련시키고, 대안적인 기본 특징 세트의 신경 표현은 전체 예측 오류를 최소화하는데 더 성공적일 수 있다. 다양한 범위의 부지-특이적인 외부 조건과 이들의 구별되고 불규칙한 변화율은, 모델 입력 특징을 수동으로 조정하는 것을 실용적이지 않게 만든다.

재귀적 특징 제거 - 특징 필터링(일반)

특정 실시예들에서, 모델 파라미터들을 정기적으로 업데이트하는 전문가들의 팀에 의한 모니터링을 필요로 할 수 있는 특징 선택 프로세스를 자동화하기 위해 머신러닝이 사용된다. 특정 실시예들에서, 자동화된 특징 선택은, 창문 변색 및/또는 지역 날씨 조건들의 미래 값들을 예측하는 모델들에 대한 초기화 구조에 머신러닝 모듈을 통합함으로써 구현된다. 이러한 특징 선택 모듈은 상대적인 특징 중요도를 정량화하고 경험적으로 검증하도록 구성될 수 있다. 이러한 정보는, 특정 실시예들에서, 예를 들어, 상이한 위치들 및/또는 연중 상이한 시간들에서의 변화들에 대한 특징 세트의 새로운 입력들 및 업데이트들을 이용한 예측 모델들의 자동 재-초기화를 가능하게 한다.

따라서, 특정 시간 및 장소에서 우세한 조건들은 예측 오류를 최소화하기 위해 어느 입력 특징 세트가 최선인지를 결정할 수 있다. 시간 경과에 따른 조건의 부지-특이적 변경은 향상된 입력 세트를 이용하여 모델의 재-초기화를 구동하고, 자동으로 자체 수정하여 기존 파라미터를 업데이트할 수 있게 할 것이다.

프로세스는 하나 이상의 다양한 이용 가능한 입력 특징들을 효과적으로 필터링한다. 다양한 필터링 프로세스가 이용될 수 있지만, 다음의 설명은 서포트 벡터 머신 또는 랜덤 포레스트 기술과 같은 회귀 또는 분류 방법으로 구현될 수 있는 재귀적 특징 제거 프로세스(RFE: recursive feature elimination)에 초점을 맞춘다.

개시된 기술들은 재귀적 특징 제거 시스템으로 하여금 모든 가능한 특징 입력들 중에서 임의의 주어진 날에 가장 가치 있을 것 같은 특정한 특징 입력들을 식별할 수 있게 한다. 따라서, 모델을 초기화하고 실행하는 데에, 비교적 작은 입력 특징 세트가 사용될 수 있다. 결과적으로, 예측 루틴들을 실행하는 데에, 감소된 계산 자원들이 필요하다. 이는 또한 모델 오류, 즉, 적절한 창문 색조 상태들을 선택하는 것과 관련된 미래의 외부 조건들의 부정확한 예측들을 감소시킬 수 있다.

제안된 바와 같이, RFE는 상이한 위치들(동일한 도시 또는 이웃 내에서도)뿐만 아니라 연중 상이한 시간들에서 날씨 데이터 및 특성들에서의 거동 차이들을 포착하는 데에 사용될 수 있다. 따라서, 한 위치에서 잘 작동하는 입력 특징 세트가 다른 위치에서는 작동하지 않을 수 있다. 마찬가지로, 2월 초에 잘 작동하는 특징 세트가 3월 중순에는 작동하지 않을 수 있다. 새로운 입력 특징 세트가 선택될 때마다, 이는 미래의 색조 상태 및/또는 날씨 조건을 예측하는데 사용되는 심화 신경망 또는 순환 신경망과 같은 신경망을 재-초기화하기 위해 사용될 수 있다.

특정 실시예들에서, 특징 제거 시스템은 특징 입력들의 상대적 중요성을 식별한다. 프로세스는 본원에 기술된 바와 같은 광 센서 및/또는 IR 센서 입력으로부터 유도된 다양한 특징을 이용할 수 있다.

특정 실시예들에서, 본원에 기재된 바와 같이 주기적으로 재-초기화되는 모델은 본원의 다른 곳에 기재된 심화 신경망 및/또는 순환 신경망(예를 들어, LSTM)과 같은 임의의 신경망이다. 특정 실시예들에서, 모델은 외부 조건들을 미래의 적어도 약 5분 내에서 예측하도록 구성된다. 특정 실시예들에서, 예측은, 적어도 약 15분 또는 적어도 약 30분과 같은 미래로, 더 연장된다. 일부 실시예들에서, 이는 임의의 하나의 색조 상태로부터 상이한 색조 상태로 전이하는데 필요한 가장 긴 시간 기간까지, 더 이상 연장되지 않는 기간까지 연장된다.

재귀적 특징 제거 - 특징 서브세트 식별

특정 실시예들에서, 입력 특징들을 필터링하기 위한 서브모듈은 서포트 벡터 회귀, 또는 더 구체적으로는 선형 커널 서포트 벡터 머신을 수행하도록 구성된다. 이 유형의 알고리즘 도구는 사용 가능한 모든 입력 파라미터의 계수를 생성한다. 계수들의 상대적인 크기들은 관련된 입력 파라미터들의 정량적 표시자들로서 상대적 중요도로서의 역할을 할 수 있다. 특징 필터링 서브모듈은 모델 훈련 동안 신경망에 대한 입력을 전처리하는 데 사용되는 특징 엔지니어링 파이프라인에 포함될 수 있다. 일 예로서, 이하에서 설명되는 도 30을 참조하라.

특정 실시예들에서, 서포트 벡터 머신은 분류 맥락(서포트 벡터 머신을 위해 일반적으로 사용되는 다른 경우)이 아니라 회귀 맥락에서 사용된다. 수학적으로, 두 프로세스는 초평면을 생성하고 초평면에 가장 가까운 데이터 포인트를 식별한다. 이러한 프로세스를 통해, 서포트 벡터 머신은 그들의 중요성을 특정하는데 사용될 수 있는 특징 입력들에 대한 계수들을 식별한다. 상이한 특징 유형들에 대한 이러한 계수들의 생성은 부분 최소 제곱 및 주성분 분석에 대해 일반적이다. 그러나, 주성분 분석과는 달리, 서포트 벡터 머신은 특징 유형들을 벡터들로 조합하지 않는다. 이는 별도로 독립적인 특징 입력을 제공한다.

서포트 벡터 머신의 "서포트 벡터들"은, 서포트 벡터 머신이 예측된 목표 변수(예를 들어, 광 센서들의 경우 W/m2, IR 센서들의 경우 화씨 또는 섭씨 등)에 대한 잠재적인 모델 입력들을 회귀하는 데에 수용 가능한 오류 임계값 밖에 놓인 데이터 포인트들이다. 서포트 벡터 머신을 훈련시킬 때, 이러한 데이터 포인트만이 예측 오차를 최소화하는 데에 사용되어, 모델에 가장 큰 어려움을 주는 조건과 관련하여 상대적인 특징 중요도가 정량화된다.

특정 실시예들에서, 회귀 분석은 주어진 시간(예를 들어, 특정한 겨울 날의 정오)동안 얻어진 이력 데이터 포인트들을 이용하고, 각각의 데이터 포인트는 단일 추정 입력 특징의 값(예를 들어, 마지막 10분 동안의 IR 센서 판독의 이동 평균 값) 및 연관된 미가공된 측정된 외부 복사 값(예를 들어, 추정 입력 특징 값들 중 일부를 제공하는 동일한 광 센서일 수 있는 외부 광 센서에 의해 측정된 복사 값)을 포함한다. 미가공된 측정된 외부 복사 값은 회귀 분석을 위한 레이블 또는 독립 변수로 사용될 수 있다.

대개, 회귀 분석에 대한 입력은 각각의 추정 입력 특징에 대한 단일 데이터 포인트이다. 물론, 일부 입력 데이터 포인트들(추정 입력 특징들)은 연관된 시간 값을 가지며, 그 시간 값 외에, 이들은 하나 이상의 상이한 입력 포인트들과 동일한 특징 유형들을 나타낸다. 본원의 다른 곳에서 설명되는 바와 같이, 일부 또는 모든 입력 특징들은 예를 들어 4회 이상의 시간 단계만큼 시차 지연(time-lagged)된다. 예를 들어, 측정된 IR 최소 값의 5분 이동 중앙값은 4개의 모델 파라미터들(시간 인덱스 't', 't-1', 't-2', 및 't-3'에서의 값)에 의해 표현될 수 있으며, 이들 중 일부만이 RFE에 의해 선택될 수 있다. 따라서, 매 분마다(예를 들어, 입력 데이터 구조의 모든 행에서), 모델은 해당 특징이 이전의 4분 동안 어떻게 변경되었는지에 관한 일부 정보를 포함한다.

계수(추정 입력 특징을 이용한)와 외부 복사 값 사이의 표현식 또는 관계식을 전개하는 데에 서포트 벡터 회귀(또는 다른 회귀 기술)이 사용될 수 있다. 표현식은 입력 특징 값들 및 그들의 연관된 계수들의 함수이다. 예를 들어, 표현식은 계수들의 곱들 및 그들의 연관된 추정 입력 특징들의 값들의 합일 수 있다.

함수에 의해 생성된 계산된 복사 값이 측정된 실제 복사 값(예를 들어, 특징 값들을 생성하기 위해 얻어진 광 센서 값)과 매칭되도록 계수들을 조정하기 위해 오차 최소화 루틴이 사용된다. 회귀 기술은 서포트 벡터 머신에 의해 사용되는 계산을 이용하여 레이블링된 포인트들을 분류할 수 있다. 본질적으로 프로세스는 예측 오류를 최소화하는 데에 가장 덜 기여하는 특징들을 제거한다. 사용되는 특정 기술에 상관없이, 프로세스는 각각의 특징 값에 대한 계수를 갖는 회귀 표현식을 생성한다.

처음에, 특징 제거 프로세스는 모든 잠재적인 입력 특징들에 회귀를 적용하고, 이 프로세스를 통해 계수 크기들에 기초하여 특징들을 랭크한다. 낮은 크기의 계수를 갖는 하나 이상의 추정 입력 특징들은 필터에 의해 제거된다. 그런 다음, 프로세스가 다시 회귀를 적용하지만, 이번에는 이전 회귀에서의 특정한 하위 순위의 입력 특징들을 제거하여 세트가 감소되어, 추정 입력 특징 세트가 감소되었다. 프로세스는 원하는 수의 입력 특징들에 도달하기에 적절한 만큼 많은 사이클에 대해 반복적으로 계속될 수 있다. 예를 들어, 프로세스는 사용자 정의 중지 기준 또는 원하는 수의 나머지 예측변수에 도달할 때까지 계속될 수 있다.

그 다음, 결과적인 특징 세트를 사용하여, 가장 성능이 높은 입력 구성으로 신경망을 초기화할 수 있다. 입력 특징들의 새로운 구성으로 모델을 재-초기화하기 위한 결정은, 기존의 입력 특징들이 최근 이력 데이터의 동일한 검증 세트에 대해 얼마나 잘 수행되는지에 관하여 이루어질 수 있다.

서포트 벡터 회귀는 추정 입력 특징들을 필터링하거나 제거하기에 적합한 기술이지만, 유일하게 적합한 기술은 아니다. 다른 예들은 랜덤 포레스트 회귀, 부분 최소 제곱, 및 주성분 분석을 포함한다.

재귀적 제거

"재귀적(recursive)" 제거 프로세스는 필터링 알고리즘(예를 들어, 선형 커널 서포트 벡터 회귀)을 여러 번 실행하며, 각각의 시간은 더 큰 필터링 정도를 달성한다. 이러한 접근법을 통하여, 프로세스는 필터링 알고리즘의 다수의 실행을 통해 가장 덜 중요한 특징 입력들을 단계적으로 제거한다. 사용자 정의 가능한 파라미터일 수 있는 파라미터는 재귀적 필터링 프로세스의 종료 시, 선택될 특징들의 수를 지정한다.

일부 실시예들에서, 서포트 벡터 머신이 잠재적 입력 특징들의 세트를 이용하여 실행될 때마다, 고정된 수의 특징들이 제거된다. 예를 들어, 각각의 반복에서, 단일 특징이 제거된 후, 서포트 벡터 머신이 하나 더 적은 데이터 포인트를 이용하여 재실행된다. 일 예로서, 초기에 200개의 이용 가능한 입력 특징들이 있고, 서포트 벡터 머신이 실행될 때마다, 하나 이상의 입력 특징이 제거되는 경우, 서포트 벡터 머신은 200에서 100까지 입력 특징들의 수를 감소시키기 위해 100번 실행되어야 할 것이다.

특정 실시예들에서, RFE 프로세스는 이용 가능한 특징들의 초기 개수의 약 20% 내지 70% 사이를 제거한다. 특정 실시예들에서, RFE 공정은 적어도 약 50개의 특징들을 제거한다. 특정 실시예들에서, RFE 프로세스는 약 50개 내지 200개 사이의 특징들을 제거한다. 일 예로서, 초기에 200개의 구별되는 입력 특징들이 있고, RFE 프로세스의 과정 동안, 이러한 특징들 중 100개가 필터링되어, 프로세스의 종료 시, 입력 특징들이 100개의 특징들로 감소된다.

입력 특징 제거는 필터링할 특징을 식별하는데 있어서 유연성이 있을 수 있다. 예를 들어, 주어진 반복에서, 임의의 유형의 특징이 필터링될 수 있다. 예를 들어, 정적 센서 판독들에만 기초하여 50개의 입력 특징들이 존재하고, 이러한 50개의 입력 특징들이 4개의 상이한 시간 단계들 각각(예를 들어, 현재 시간 이전에 4개의 연속된 시간들 각각)에 걸쳐 이용 가능한 경우를 고려해보자. 따라서, 200개의 이용 가능한 입력 특징들이 존재한다. 제거 절차는 어느 시간 단계에서 일부 특징들을 제거하는 것, 다른 시간 단계에서 다른 특징들을 제거하는 것, 제3 시간 단계에서 또 다른 특징들을 제거하는 것 등을 고려할 수 있다. 또한, 일부 특징 유형들은 둘 이상의 시간 단계에서 보존될 수 있다. 따라서, 제거 절차는 특징 유형(예를 들어, 이동 광 센서 평균 값 대 이동 IR 센서 중앙값)에 기초하여 그리고 시간 증분에 기초하여(현재 시간과 비교하여) 특징들을 제거할 수 있다.

재귀적 특징 제거 - 새 파라미터 서브세트를 이용한 모델의 재-초기화

컴퓨터 모델 설계에서, 모델 정의 및 개발의 다양한 단계들이 존재할 수 있다. 이러한 단계들 중 하나는 초기화이다. 일부 실시예들에서, 새로운 세트의 입력 특징 유형들이 정의될 때마다, 프로세스는 모델을 초기화하거나 재-초기화한다.

1. 모델 구조 - 신경망의 경우에, 이것은 다수의 층들, 각각의 층 내의 노드들, 및 인접한 층들의 노드들 사이의 연결들을 포함하는 네트워크의 전체 구조를 나타낼 수 있다.

2. 모델 하이퍼파라미터 최적화 - 하이퍼파라미터는 훈련 전에 설정된다. 일 예로서, 하이퍼파라미터는 네트워크 내의 개별 노드들의 활성화 함수들에서의 하나 이상의 파라미터들에 대한 파라미터 값들의 초기(훈련 전) 세트일 수 있다. 또 다른 예에서, 최적화될 하이퍼파라미터는 개별 노드들의 초기(훈련 전에) 가중치들을 포함한다.

또한 종종 모델이 학습하는 방법을 정의하는 데에도 하이퍼파라미터가 사용된다. 예를 들어, 이들은 예를 들어, 기울기 하강 기술에서 모델이 학습하는 속도를 설정할 수 있다.

3. 초기화 - 일단 하이퍼파라미터가 설정되면, 사용될 입력 특징 유형들의 세트를 정의하여 모델이 초기화된다. 입력 특징들의 세트가 있는 신경망 모델의 초기 훈련은 초기화이다. 모델이 다시 초기화될 때마다, 새로운 세트의 입력 특징 유형들을 이용하여 훈련된다.

4. 학습 - 초기화된 모델을 사용하여, 훈련 알고리즘은 모델을 훈련하기 위해 입력 특징들 및 연관된 레이블들의 값들을 갖는 데이터의 훈련 세트를 사용한다.

재귀적 특징 제거 - 예시적 프로세스 흐름

도 30은 주기적인 입력 특징 필터링을 이용하는 모델 업데이트를 위한 프로세스의 일 구현예를 도시하는 흐름도(3201)를 나타낸다. 다음의 동작들이 수행될 수 있다.

a) 잠재적인 입력 특징들의 대규모 세트(예를 들어, 주파수 특이적 센서 판독들의 이력 값들로부터 도출된 100개 이상의 특징들)를 수신한다. 동작(3203)을 참조하라.

b) 제1 입력 특징 서브세트를 식별하기 위해 완전한 세트에 대해 초기 특징 필터링(예를 들어, SVM RFE를 사용)을 수행한다. 동작(3205)을 참조하라.

c) 현재 입력 특징들의 서브세트를 이용하여 모델을 초기화하고 훈련시킨다. 동작(3207)을 참조하라.

d) 현재 훈련된 모델을 사용하여 창문 색조 조건을 예측하고, 주기적으로(예를 들어, 매일) 학습 전달을 수행한다. 동작(3209)을 참조하라.

e) 입력 특징 세트를 수정할지 여부를 검사한다(예를 들어, 모델이 마지막으로 재-초기화된(예를 들어, 약 3일 내지 10일) 이후부터 임계값 만큼의 날짜들을 대기함). 동작(3211)을 참조하라.

f) 필요한 경우, 잠재적 입력 특징들의 대규모 세트를 사용하여 입력 특징 필터링을 다시 실행하지만, 모델이 마지막으로 초기화된 이후에 얻은 데이터를 이용하여 업데이트된다. 업데이트된 입력 특징 서브세트를 식별하고, 모델을 재-초기화하고 훈련시킨다. 동작(3213)을 참조하라.

g) 새로운 특징 세트를 이용하여 업데이트된 모델의 성능을 이전 모델(대개는, 현재의 모델)과 비교한다. 동작(3215)을 참조하라.

h) 새로운 모델이 더 잘 수행하는 경우, 이를 "현재" 모델로 설정하고(동작 3217참조), 새로운 모델 및 업데이트된 특징 부분 서브세트와 함께 동작(3209) (d)로 되돌아가며, 그렇지 않은 경우, 동작(3217)에 나타낸 바와 같이 이전 모델을 계속 사용한다.

조기 모델 재-초기화가 (재-훈련 모듈을 사용하여 야간과 같이 정기적으로 수행될 수 있는) 학습 전달 프로세스와 같은 다른 주기적인 최적화 루틴에 의해 달성된 성능 이득을 손상시키지 않도록 하기 위해, RFE에 의해 생성된 모델의 예측 능력 및 재-초기화는 학습 전달 또는 다른 루틴 재-훈련 기술에 의해 최적화된 모델의 예측 능력과 비교될 수 있다. 이것은 도 30의 동작들(3215 및 3217)에 의해 예시된다. 루틴 모델이 RFE 재-초기화를 이용한 모델의 성능을 능가하는 경우, 이전의 입력 특징 세트가 유지된다. 선택적으로, 기존 예측변수의 계수 가중치들은 갱신되므로, 다음 회귀 분석을 초기화하는 데에 재사용될 수 있다. RFE 재-초기화 모델이 일반적인 재-훈련 모델의 성능을 능가하는 경우, 입력 특징 세트는 자체 정정되고, 사용자 개입을 필요로 하지 않는다.

SVM 기반 재귀적 특징 제거를 (재-)훈련 모듈에 삽입하면, 주어진 위치 및 연중 시간에서 우세한 조건들이 모델 파라미터화를 구동하고 재-초기화하게 할 수 있다. 이러한 방식으로, 모델 입력들의 신경 표현은 그 자체와의 연속적인 경쟁을 겪도록 촉진된다. 그 결과는, 가장 어려운 시나리오로부터 학습하고, 유용한 것을 여전히 기억하며, 그렇지 않은 것을 잊고, 당면한 문제에 대해 더 나은 해결책을 찾을 때 스스로 교정하는, 인공 지능의 응용이 된다.

도 31은 재-훈련 구조의 일 예를 나타낸다.

재귀적 특징 제거 - 요약 포인트

▶ 시간에 따라 위치별로 입력 특징 세트를 정교화하는 것은 외부 입력을 필터링할 수 있다

▶ 의미있는 신호를 덜 유용한 특징들에 분산시키는 것은 모델 수렴을 저해한다

▶ 머신러닝 서브모듈은 심화 학습 파이프라인에 내장된다

▶ 특징 중요도는 선형 커널 서포트 벡터 회귀(SVR)를 사용하여 정량화할 수 있다

▶ SVR 모델 피팅은 '서포트 벡터'라고 알려진 가장 어려운 데이터 포인트들에 초점을 맞춘다

▶ 손실 함수의 최소화에 덜 기여하는 특징들은 재귀적으로 제거된다

▶ 사용자 입력은 원본에서 유지될 특징들의 수를 정의한다(예를 들어, 200개 이상의 특징들)

▶ 모델 초기화는 RFE를 적용하여 최적의 기준 특징 세트를 식별할 수 있다

▶ 최적의 특징 세트는 고정적이지 않으며, 위치별로 그리고 연중 내내 변경된다

▶ 가장 높은 성능의 모델 파라미터화는 알 수 없으며, 수동 조정은 실용적이지 않다

▶ RFE를 이용하여 자체적으로 수정하는 특징 선택을 자동화할 수 있다

▶ 학습 전달 및 RFE 모델 재-초기화는 서로에 대해 주기적으로 피팅될 수 있다

▶ 모델 성능은 가장 최근의 이력 데이터에 대해 검증된다

▶ 학습 전달이 RFE 재-초기화의 성능을 능가하는 경우, 특징들은 유지되고 가중치가 업데이트된다

▶ RFE 재-초기화가 학습 전달의 성능을 능가하는 경우, 특징 세트는 자체 수정한다

▶ 그러므로 우세한 조건들은 파라미터화 및 모델 재-초기화를 구동한다

상술된 기술들을 구현하는 데에 사용되는 제어 로직 및 다른 로직은 회로들, 프로세서들(범용 마이크로프로세서들, 디지털 신호 프로세서들, 특수 목적 집적 회로들, 필드-프로그래머블 게이트 어레이들과 같은 프로그램 가능 로직 등을 포함), 컴퓨터들, 컴퓨터 소프트웨어, 센서들과 같은 장치들, 또는 이들의 조합들의 형태로 구현될 수 있음을 이해해야 한다. 본원에 제공된 개시 및 교시들에 기초하여, 통상의 기술자는 하드웨어 및/또는 하드웨어와 소프트웨어의 조합을 이용하여 개시된 기술들을 구현하기 위한 다른 방식들 및/또는 방법들을 알고 이해할 것이다.

본 출원에 기술된 임의의 소프트웨어 구성요소들 또는 기능들은, 예를 들어, 통상적인 또는 객체 지향 기술들을 이용하는, 예를 들어, 자바, C++ 또는 Python과 같은 임의의 적절한 컴퓨터 언어를 사용하여 프로세서에 의해 실행될 코드로서 구현될 수 있다. 코드는 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 프로그래머블 메모리(EEPROM), 하드 드라이브나 플로피 디스크 같은 자기 매체, 또는 CD-ROM과 같은 광학 매체와 같은, 컴퓨터 판독가능 매체 상의 일련의 명령들로서 저장될 수 있다. 임의의 이러한 컴퓨터 판독가능 매체는 단일 컴퓨팅 장치 상에 또는 그 안에 상주할 수 있고, 시스템 또는 네트워크 내의 상이한 컴퓨팅 장치 상에 또는 그 안에 존재할 수 있다.

또한, 본 발명은 재귀 신경망의 특정 유형의 사용을 개시하고 있지만, 환경 조건의 단기 및/또는 장기 예측을 생성하기 위해, 다른 신경망 구조, 예를 들어, 이에 제한되는 것은 아니지만, 통상의 기술자에게 공지된 순환 다층 퍼셉트론(RMLP: recurrent multilayer perception), 게이티드 순환 유닛(GRU: gated recurrent unit), 및 시간 합성곱 신경망(TCNN: temporal convolutional neural network) 구조를 이용할 수 있다.

창문 또는 건물의 내부를 통해 수신된 광을 제어하기 위한 전술한 실시예들은 전기 변색 창들과 같은 광학적으로 스위칭 가능한 창들과 관련하여 설명되었지만, 통상의 기술자는 본원에 설명된 방법들이 창문 그림자의 위치, 창문 휘장, 창문 블라인드, 또는 빛이 건물의 내부 공간에 도달하는 것을 제한하거나 차단하도록 조정될 수 있는 임의의 다른 장치를 조절하는 데에 적절한 컨트롤러들 상에서 어떻게 구현될 수 있는지 이해할 수 있다. 일부 경우에, 본원에 기재된 방법들은 하나 이상의 광학적으로 스위칭 가능한 창의 색조 및 창문 가림 장치의 위치를 모두 제어하는 데에 사용될 수 있다. 이러한 모든 조합은 본 개시의 범위 내에 있는 것으로 의도된다.

임의의 실시예들로부터의 하나 이상의 특징들은 본 개시의 범위를 벗어나지 않고 임의의 다른 실시예들의 하나 이상의 특징들과 조합될 수 있다. 또한, 본 개시의 범위를 벗어나지 않고 임의의 실시예에 대해 변형, 부가 또는 생략이 이루어질 수 있다. 임의의 실시예의 구성요소들 및 모듈들은 본 개시의 범위를 벗어나지 않고 특정 요구들에 따라 통합되거나 분리될 수 있다.

따라서, 전술한 실시예들은 이해를 용이하게 하기 위해 일부 상세히 설명되었지만, 설명된 실시예들은 예시적인 것이며, 제한하기 위함이 아닌 것으로 간주되어야 한다. 첨부된 특허청구범위 내에서 특정 변형 및 수정이 실시될 수 있음이 통상의 기술자에게는 분명할 것이다.

Claims (87)

1. 제어 시스템으로서,
   변색 가능 창문;
   상기 변색 가능 창문과 통신하는 창문 컨트롤러; 및
   상기 창문 컨트롤러와 통신하고 하나 이상의 예측 모듈들을 포함하는 다른 컨트롤러 또는 서버를 포함하고, 상기 하나 이상의 예측 모듈들은, 미래 시간에서의 환경 조건의 예측 및/또는 상기 미래 시간에서의 상기 변색 가능 창문을 위한 색조 레벨을 포함하는 하나 이상의 출력들을 결정하기 위해 적어도 하나의 센서로부터의 판독들을 사용하도록 구성된 제어 로직을 포함하며, 상기 창문 컨트롤러는 상기 하나 이상의 출력에 기초하여 상기 변색 가능 창문을 전이시키도록 구성되는, 제어 시스템.
2. 제1항에 있어서, 상기 하나 이상의 예측 모듈들은 신경망을 포함하는, 제어 시스템.
3. 제2항에 있어서, 상기 신경망은 장단기 메모리(LSTM) 네트워크를 포함하는, 제어 시스템.
4. 제2항에 있어서, 상기 신경망은 심화 신경망(DNN)을 포함하는, 제어 시스템.
5. 제1항에 있어서, 상기 예측은 상기 환경 조건이 단기 환경 조건인지 또는 상대적으로 더 장기간의 환경 조건인지 여부에 기초하여 결정되는, 제어 시스템.
6. 제1항에 있어서, 상기 하나 이상의 예측 모듈들은 머신러닝을 이용하여 상기 센서 판독들로부터 상기 하나 이상의 출력들을 결정하는 로직을 포함하는, 제어 시스템.
7. 제2항에 있어서, 상기 적어도 하나의 센서는 광 센서 및 적외선 센서 중 하나 또는 둘 모두를 포함하는, 제어 시스템.
8. 제1항에 있어서, 상기 환경 조건은 날씨 조건을 포함하는, 제어 시스템.
9. 제1항에 있어서, 상기 환경 조건은 태양의 위치를 포함하는, 제어 시스템.
10. 제7항에 있어서, 상기 하나 이상의 출력들은 광 센서의 최대값들의 이동 평균 및/또는 적외선 센서의 최소값들의 이동 중앙값에 기초하는, 제어 시스템.
11. 제1항에 있어서, 상기 하나 이상의 예측 모듈들은 상기 판독들의 시계열로부터 질량중심 평균을 계산하도록 구성되는, 제어 시스템.
12. 제어 시스템으로서,
    복수의 변색 가능 창문들;
    상기 복수의 변색 가능 창문들을 제어하도록 구성된 하나 이상의 창문 컨트롤러들;
    제1 출력을 제공하도록 구성된 적어도 하나의 센서; 및
    상기 하나 이상의 창문 컨트롤러들과 통신하고 적어도 하나의 신경망을 포함하는 하나 이상의 프로세서들을 포함하고, 상기 적어도 하나의 신경망은 상기 제1 출력을 처리하고 미래의 환경 조건의 예측을 포함하는 제2 출력을 제공하도록 구성되며, 상기 하나 이상의 창문 컨트롤러들은 상기 제2 출력에 기초하여 상기 복수의 변색 가능 창문들의 색조 상태를 제어하도록 구성되는, 제어 시스템.
13. 제12항에 있어서, 상기 미래의 환경 조건은 날씨 조건을 포함하는, 제어 시스템.
14. 제12항에 있어서, 상기 적어도 하나의 신경망은 지도 신경망을 포함하는, 제어 시스템.
15. 제14항에 있어서, 상기 적어도 하나의 신경망은 LSTM 신경망 및 DNN 신경망을 포함하는, 제어 시스템.
16. 제12항에 있어서, 상기 적어도 하나의 센서는 적어도 하나의 광 센서 및 적어도 하나의 적외선 센서를 포함하고, 상기 제1 출력은 광 센서의 최대 판독들의 이동 평균 및 적외선 센서의 최소 판독들의 이동 중앙값을 포함하는, 제어 시스템.
17. 제14항에 있어서, 상기 제2 출력은 상기 LSTM 신경망과 상기 DNN 신경망 사이의 다수결 합의에 기초하는, 제어 시스템.
18. 적어도 하나의 변색 가능 창문을 제어하는 방법으로서, 상기 방법은,
    하나 이상의 센서들로부터 출력을 수신하는 단계;
    제어 로직을 사용하여 미래의 환경 조건을 예측하는 단계; 및
    상기 미래의 환경 조건의 예측에 기초하여 상기 적어도 하나의 변색 가능 창문의 색조 제어를 결정하는 단계를 포함하는, 방법.
19. 제18항에 있어서, 상기 하나 이상의 센서들은 하나 이상의 광 센서들 및/또는 하나 이상의 적외선 센서들을 포함하는, 방법.
20. 제18항에 있어서, 상기 제어 로직은 LSTM 신경망 및 DNN 신경망 중 적어도 하나를 포함하는, 방법.
21. 제18항에 있어서, 상기 출력은 광 센서의 최대 판독들의 이동 평균 및 적외선 센서의 최소 판독들의 이동 중앙값을 포함하는, 방법.
22. 제18항에 있어서, 상기 제어 로직은 하나 이상의 센서로부터의 상기 출력들의 시계열에 대해 질량중심 평균화를 수행하도록 구성되는, 방법.
23. 부지에 특정한 및 계절적으로 구별된 날씨 데이터를 사용하여 변색 가능 창문을 제어하는 방법으로서, 상기 방법은,
    기간 N일 동안 상기 부지에서 적어도 하나의 센서로부터 환경 판독들을 수신하는 단계;
    컴퓨터 판독가능 매체 상에 상기 판독들을 저장하는 단계;
    상기 N일 중 가장 최근의 날에, 또는 상기 N일 중 가장 최근의 날에 후속하는 날에, 제어 로직을 이용하여 상기 판독들을 처리하여, 상기 적어도 하나의 센서로부터의 환경 판독들의 가능한 미래 범위의 분포를 나타내는 제1 출력을 결정하는 단계; 및
    상기 제1 출력에 적어도 부분적으로 기초하여 결정되는 색조 레벨로 상기 변색 가능 창문을 전이시키기 위한 색조 명령들을 전송하는 단계를 포함하는, 방법.
24. 제23항에 있어서, 상기 제어 로직은 비-지도 분류기를 포함하는, 방법.
25. 제23항에 있어서, 상기 제어 로직을 사용하여, 상기 N일 중 가장 최근의 날에 또는 상기 N일 중 가장 최근의 날에 후속하는 날에, 상기 부지에서의 환경 조건을 예측하는 단계를 더 포함하는, 방법.
26. 제23항에 있어서, 상기 제어 로직은 신경망을 포함하는, 방법.
27. 제23항에 있어서, 상기 제어 로직은 제2 출력을 제공하기 위해 환경 판독들을 처리하도록 구성된 하나 이상의 예측 모듈들을 포함하고, 상기 방법은 상기 제2 출력에 적어도 부분적으로 기초하여 상기 변색 가능 창문의 상기 색조 레벨을 제어하기 위한 색조 명령들을 전송하는 단계를 더 포함하는, 방법.
28. 제27항에 있어서, 상기 하나 이상의 예측 모듈들은 신경망을 포함하는, 방법.
29. 제28항에 있어서, 상기 신경망은 LSTM 신경망을 포함하는, 방법.
30. 제26항에 있어서, 상기 신경망은 DNN 신경망을 포함하는, 방법.
31. 제26항에 있어서, 상기 제2 출력은 LSTM 신경망과 DNN 신경망 사이의 다수결 합의에 기초하는, 제어 시스템.
32. 건물 제어 시스템으로서,
    환경 판독들을 획득하도록 구성된 적어도 하나의 센서;
    상기 환경 판독들을 저장하기 위한 메모리; 및
    상기 메모리 상에 저장되고, 상기 환경 판독들을 처리하여 상기 적어도 하나의 센서로부터의 환경 판독들의 가능한 미래 범위를 나타내는 제1 출력을 결정하도록 구성되는 제어 로직을 포함하며, 상기 제1 출력은 적어도 부분적으로 상기 건물의 시스템을 제어하기 위해 사용되는, 건물 제어 시스템.
33. 제32항에 있어서, 상기 시스템은 적어도 하나의 변색 가능 창문 및 적어도 하나의 변색 가능 창문 컨트롤러를 포함하는, 건물 제어 시스템.
34. 제33항에 있어서, 상기 제어 로직은, 최근의 환경 판독들을 처리하고, 미래 시간에서의 미래의 환경 조건의 예측을 나타내는 제2 출력을 제공하도록 구성된 하나 이상의 신경망을 포함하는, 제어 시스템.
35. 제34항에 있어서, 상기 적어도 하나의 창문 컨트롤러는 상기 제1 출력 또는 상기 제2 출력에 적어도 부분적으로 기초하여 상기 적어도 하나의 변색 가능 창문의 색조 상태를 제어하도록 구성되는, 제어 시스템.
36. 제32항에 있어서, 상기 적어도 하나의 센서는 상기 건물의 지붕 또는 벽 위에 위치되는, 제어 시스템.
37. 제35항에 있어서, 상기 저장된 환경 판독들은 여러 날 동안 얻어진 판독들을 포함하고, 상기 최근의 환경 판독들은 동일한 날에 얻어진 판독들을 포함하는, 제어 시스템.
38. 제37항에 있어서, 상기 동일한 날에 얻어진 판독들은 수 분의 시간 구간 동안 얻어진 판독들을 포함하는, 제어 시스템.
39. 제37항에 있어서, 상기 시간 구간은 5분인, 제어 시스템.
40. 제34항에 있어서, 상기 제2 출력은, 상기 미래 시간에 상기 적어도 하나의 변색 가능 창문에 대한 원하는 창문 색조를 나타내고, 상기 적어도 하나의 변색 가능 창문 컨트롤러를 사용해 상기 적어도 하나의 변색 가능 창문을 제어하여 상기 미래 시간에서의 상기 원하는 창문 색조를 달성하는, 적어도 하나의 규칙을 포함하는, 방법.
41. 제40항에 있어서, 상기 제2 출력은 LSTM 신경망과 DNN 신경망 사이의 다수결 합의에 기초하는, 제어 시스템.
42. 제32항에 있어서, 상기 제어 로직은 비-지도 분류기를 포함하는, 제어 시스템.
43. 건물의 변색 가능 창문들을 제어하기 위한 제어 시스템으로서, 상기 제어 시스템은,
    하나 이상의 창문 컨트롤러들; 및
    현재 또는 과거의 날씨 조건과 관련된 이력 센서 판독들을 수신하도록 구성된 서버 또는 다른 컨트롤러를 포함하고, 상기 서버 또는 다른 컨트롤러는 상기 이력 센서 판독들에 기초하여 미래의 날씨 조건을 예측하고 상기 미래의 환경 조건에 기초하여 상기 색조 스케줄 명령들을 결정하도록 구성되며,
    상기 하나 이상의 창문 컨트롤러들은, 상기 서버 또는 다른 컨트롤러로부터 수신된 색조 스케줄 명령들, 및 기하학적 모델과 맑은 하늘 모델로부터 수신된 색조 스케줄 명령들 중 하나에 기초하여 건물의 상기 하나 이상의 변색 가능 창문들의 색조 레벨을 제어하도록 구성되는, 제어 시스템.
44. 제43항에 있어서, 상기 신경망은 LSTM 신경망 및 DNN 신경망을 포함하는, 제어 시스템.
45. 제43항에 있어서, 상기 적어도 하나의 센서는 적어도 하나의 광 센서 및 적어도 하나의 적외선 센서를 포함하는, 제어 시스템.
46. 제43항에 있어서, 상기 이력 센서 판독들로부터 질량중심 평균을 계산하도록 구성된 제어 로직을 더 포함하는, 제어 시스템.
47. 하나 이상의 변색 가능 창문들에 대한 색조 상태들을 결정하는 방법으로서, 상기 방법은,
    (a) 상기 하나 이상의 변색 가능 창문들의 색조 상태들의 선택에 영향을 미치는 현재 또는 미래의 외부 조건을 결정하는 단계;
    (b) 상기 현재 또는 미래의 외부 조건 하에서 모델들의 세트 중의 다른 모델들보다 더 잘 수행하는 것으로 결정된 제1 모델을 상기 모델들의 세트로부터 선택하는 단계 - 상기 모델들의 세트의 모델들은 외부 조건들의 다수의 세트들 하에서 상기 하나 이상의 변색 가능 창문들의 상기 색조 상태들, 또는 상기 색조 상태들을 결정하는 데에 사용되는 정보를, 결정하도록 훈련된 머신러닝 모델들임 -; 및
    (c) 상기 제1 모델을 실행하고, 상기 제1 모델의 출력들을 사용하여 상기 하나 이상의 변색 가능 창문들에 대한 현재 또는 미래의 색조 상태들을 결정하는 단계를 포함하는, 방법.
48. 제47항에 있어서, 상기 하나 이상의 변색 가능 창문들을 단계 (c)에서 결정된 상기 현재 또는 미래의 색조 상태들로 변색하기 위한 명령들을 전송하는 단계를 더 포함하는, 방법.
49. 제47항에 있어서, 단계 (c) 이후에,
    (d) 상기 하나 이상의 변색 가능 창문들의 색조 상태들의 선택에 영향을 미치는 제2의 현재 또는 미래의 외부 조건을 결정하는 단계;
    (e) 상기 제2의 현재 또는 미래의 외부 조건 하에서 상기 제1 모델보다 더 잘 수행하는 것으로 결정된 제2 모델을 상기 모델들의 세트로부터 선택하는 단계; 및
    (f) 상기 제2 모델을 실행하고, 상기 제2 모델의 출력들을 사용하여 상기 하나 이상의 변색 가능 창문들에 대한 제2의 현재 또는 미래의 색조 상태들을 결정하는 단계를 더 포함하는, 방법.
50. 제47항에 있어서, 상기 현재 또는 미래의 외부 조건은 상기 모델들의 세트에서 상기 모델들 중 하나 이상의 모델을 실행하는 데에 필요한 입력 특징들의 가용성인, 방법.
51. 제50항에 있어서, 상기 입력 특징들은 센서 판독들 또는 상기 센서 판독들로부터 도출된 특징들을 포함하는, 방법.
52. 제51항에 있어서, 상기 센서 판독들은 상기 하나 이상의 변색 가능 창문들에 근접하여 위치된 광 센서 또는 IR 센서로부터 획득되는, 방법.
53. 제47항에 있어서, 상기 현재 또는 미래의 외부 조건은 상기 하나 이상의 변색 가능 창문들을 통한 복사 플럭스에 영향을 미치는 조건인, 방법.
54. 제53항에 있어서, 상기 하나 이상의 변색 가능 창문들을 통과하는 복사 플럭스에 영향을 미치는 상기 조건을 결정하기 위해 복사 플럭스 값들을 측정하는 단계를 더 포함하는, 방법.
55. 제54항에 있어서, 복사 플럭스 값들은 센서 판독들 또는 상기 센서 판독들로부터 도출된 특징들을 포함하고, 상기 센서 판독들은 상기 하나 이상의 변색 가능 창문들에 근접하여 위치된 광 센서 또는 IR 센서로부터 획득되는, 방법.
56. 제53항에 있어서, 상기 제1 모델은 상기 하나 이상의 변색 가능 창문들을 통한 복사 플럭스에 영향을 미치는 조건 하에서 획득된 입력 특징들을 사용하여 훈련된 것인, 방법
57. 제47항에 있어서, 상기 하나 이상의 변색 가능 창문들은 제1 색조 상태 및 제2 색조 상태 사이에서 전이하는 데에 적어도 1분을 필요로 하는 전기 변색 창문들이고, 상기 제1 모델의 출력들은 상기 하나 이상의 변색 가능 창문들에 대한 미래의 색조 상태들을 결정하는 데에 사용되는, 방법.
58. 제47항에 있어서, 상기 모델들의 세트 내의 모든 모델들을 주기적으로 재훈련하는 단계를 더 포함하는, 방법.
59. 제58항에 있어서, 상기 주기는 매일인, 방법.
60. 하나 이상의 변색 가능 창문들에 대한 색조 상태들을 결정하도록 구성된 시스템으로서, 상기 시스템은,
    (a) 상기 하나 이상의 변색 가능 창문들의 색조 상태들의 선택에 영향을 미치는 현재 또는 미래의 외부 조건을 결정하고,
    (b) 상기 현재 또는 미래의 외부 조건 하에서 모델들의 세트 중의 다른 모델들보다 더 잘 수행하는 것으로 결정된 제1 모델을 상기 모델들의 세트로부터 선택하며 - 상기 모델들의 세트의 모델들은 외부 조건들의 다수의 세트들 하에서 상기 하나 이상의 변색 가능 창문들의 상기 색조 상태들, 또는 상기 색조 상태들을 결정하는 데에 사용되는 정보를, 결정하도록 훈련된 머신러닝 모델들임 -;
    (c) 상기 제1 모델을 실행하고, 상기 제1 모델의 출력들을 이용하여 상기 하나 이상의 변색 가능 창문들에 대한 현재 또는 미래의 색조 상태들을 결정하도록 구성되는, 프로세서 및 메모리를 포함하는, 시스템.
61. 제60항에 있어서, 상기 프로세서 및 메모리는, 상기 하나 이상의 변색 가능 창문들을 (c)에서 결정된 상기 현재 또는 미래의 색조 상태들로 변색하기 위한 명령들을 전송하도록 더 구성되는, 시스템.
62. 제60항에 있어서, 상기 프로세서 및 메모리는, (c) 이후에,
    (d) 상기 하나 이상의 변색 가능 창문들의 색조 상태들의 선택에 영향을 미치는 제2의 현재 또는 미래의 외부 조건을 결정하고,
    (e) 상기 제2의 현재 또는 미래의 외부 조건 하에서 상기 제1 모델보다 더 잘 수행하는 것으로 결정된 제2 모델을 상기 모델들의 세트로부터 선택하며,
    (f) 상기 제2 모델을 실행하고, 상기 제2 모델의 출력들을 사용하여 상기 하나 이상의 변색 가능 창문들에 대한 제2의 현재 또는 미래의 색조 상태들을 결정하도록 더 구성되는, 시스템.
63. 제62항에 있어서, 상기 현재 또는 미래의 외부 조건은 상기 모델들의 세트 내의 모델들 중 하나 이상의 모델을 실행하는 데에 필요한 입력 특징들의 가용성인, 시스템.
64. 제63항에 있어서, 상기 입력 특징들은 센서 판독들 또는 상기 센서 판독들로부터 도출된 특징들을 포함하는, 시스템.
65. 제64항에 있어서, 상기 센서 판독들은 상기 하나 이상의 변색 가능 창문들에 근접하여 위치된 광 센서 또는 IR 센서로부터 획득되는, 시스템.
66. 제60항에 있어서, 상기 현재 또는 미래의 외부 조건은 상기 하나 이상의 변색 가능 창문들을 통한 복사 플럭스에 영향을 미치는 조건인, 시스템.
67. 제66항에 있어서, 상기 제1 모델은 상기 하나 이상의 변색 가능 창문들을 통한 복사 플럭스에 영향을 미치는 조건 하에서 얻어진 입력 특징들을 사용하여 훈련된 것인, 시스템.
68. 제60항에 있어서, 상기 하나 이상의 변색 가능 창문들은 제1 색조 상태 및 제2 색조 상태 사이에서 전이하는 데에 적어도 1분을 필요로 하는 전기 변색 창문들이고, 상기 제1 모델의 출력들은 상기 하나 이상의 변색 가능 창문들에 대한 미래의 색조 상태들을 결정하는 데에 사용되는, 시스템.
69. 제60항에 있어서, 상기 프로세서 및 메모리는, 상기 모델들의 세트 내의 모든 모델들을 주기적으로 재훈련하도록 더 구성되는, 시스템.
70. 제69항에 있어서, 상기 주기는 매일인, 시스템.
71. 제60항에 있어서, 상기 하나 이상의 변색 가능 창문들을 더 포함하는, 시스템.
72. 제60항에 있어서, 상기 현재 또는 미래의 외부 조건을 결정하기 위한 데이터를 측정하도록 구성된 하나 이상의 센서들을 더 포함하는, 시스템.
73. 제72항에 있어서, 하나 이상의 센서들은 광 센서 및/또는 IR 센서를 포함하는, 시스템.
74. 제72항에 있어서, 측정된 데이터를 상기 하나 이상의 센서들로부터 상기 프로세서 및/또는 메모리로 전달하도록 구성된 컴퓨터 네트워크를 더 포함하는, 시스템.
75. 하나 이상의 변색 가능 창문들에 대한 색조 상태들을 결정하기 위한 컴퓨터 시스템을 생성하는 방법으로서, 상기 방법은,
    (a) 이력 복사 프로파일들 또는 패턴들에 기초하여 상이한 유형의 외부 조건들을 클러스터링 또는 분류하는 단계; 및
    (b) 상기 상이한 유형의 외부 조건들 각각에 대한 머신러닝 모델을 훈련하는 단계를 포함하고, 상기 머신러닝 모델들은 외부 조건들의 다수의 세트들 하에서 상기 하나 이상의 변색 가능 창문들의 상기 색조 상태들, 또는 상기 색조 상태들을 결정하는 데에 사용되는 정보를, 결정하도록 훈련되는, 방법.
76. 외부 조건들의 다수의 세트들 하에서 하나 이상의 변색 가능 창문들의 색조 상태들, 또는 상기 색조 상태들을 결정하는 데에 사용되는 정보를, 결정하도록 구성된 머신러닝 모델을 위한 특징 입력들의 서브세트를 식별하는 방법으로서, 상기 방법은,
    (a) 상기 머신러닝 모델에 대한 이용 가능한 특징 입력들의 세트에 대해 특징 제거 절차를 수행하여, 상기 이용 가능한 특징 입력들 중 하나 이상을 제거하고 특징 입력들의 서브세트를 생성하는 단계; 및
    (b) 상기 특징 입력들의 서브세트를 이용하여 상기 머신러닝 모델을 초기화하는 단계를 포함하는, 방법.
77. 제76항에 있어서, 단계 (a)는, 상기 이용 가능한 특징 입력들 중 상이한 하나를 각각의 시간마다 제거하여, 상기 특징 제거 절차를 재귀적으로 수행하는 단계를 포함하는, 방법.
78. 제76항에 있어서, 상기 특징 제거 절차는 회귀 절차를 포함하는, 방법.
79. 제76항에 있어서, 상기 특징 제거 절차는 서포트 벡터 회귀를 포함하는, 방법.
80. 제76항에 있어서, 상기 특징 입력들의 서브세트는 일정 기간 동안의 복사 레벨들의 이동 평균으로서 결정되는 제1 특징 입력을 포함하는, 방법.
81. 제76항에 있어서, 단계 (b)에서 초기화된 머신러닝 모델을 상기 이용 가능한 특징 입력들의 제2 서브세트를 사용하여 훈련된 상기 머신러닝 모델의 이전 버전과 비교하는 단계를 더 포함하고, 상기 비교는 머신러닝 모델들의 예측 능력에 기초하는, 방법.
82. 외부 조건들의 다수의 세트들 하에서 하나 이상의 변색 가능 창문들의 색조 상태들, 또는 상기 색조 상태들을 결정하는 데에 사용되는 정보를, 결정하도록 구성된 머신러닝 모델을 위한 특징 입력들의 서브세트를 식별하도록 구성된 시스템으로서, 상기 시스템은,
    (a) 상기 머신러닝 모델에 대해 이용 가능한 특징 입력들의 세트에 대한 특징 제거 절차를 수행하여, 상기 이용 가능한 특징 입력들 중 하나 이상을 제거하고 특징 입력들의 서브세트를 생성하며,
    (b) 상기 특징 입력들의 서브세트를 이용하여 상기 머신러닝 모델을 초기화하도록 구성된, 프로세서 및 메모리를 포함하는, 시스템.
83. 제82항에 있어서, 상기 프로세서 및 메모리는, 상기 이용 가능한 특징 입력들 중 상이한 하나를 각각의 시간마다 제거하여, 상기 특징 제거 절차를 재귀적으로 수행함으로써, (a)를 수행하도록 구성되는, 시스템.
84. 제82항에 있어서, 상기 특징 제거 절차는 회귀 절차를 포함하는, 시스템.
85. 제82항에 있어서, 상기 특징 제거 절차는 서포트 벡터 회귀를 포함하는, 시스템.
86. 제82항에 있어서, 상기 특징 입력들의 서브세트는 일정 기간 동안의 복사 레벨들의 이동 평균으로서 결정되는 제1 특징 입력을 포함하는, 시스템.
87. 제82항에 있어서, 상기 프로세서 및 메모리는, (b)에서 초기화된 상기 머신러닝 모델을 상기 이용 가능한 특징 입력들의 제2 서브세트를 사용하여 훈련된 상기 머신러닝 모델의 이전 버전과 비교하도록 더 구성되고, 상기 비교는 머신러닝 모델들의 예측 능력에 기초하는, 시스템.

Images