[기업 사례] Nest Learning Thermostat - 스마트 냉난방 조절기

학교 강의 과제였습니다.
참고 포스팅 : 네스트의 제품 전략과 온도조절기(Nest Thermostat)의 동작 구조

🔻Nest 기업 소개

Nest는 IoT 산업에서 기술력과 특히 UX/UI 부문으로 고평가를 받는 기업입니다. UX/UI로 고평가받는 이유 중 하나로 직원 중 'Apple' 출신 엔지니어와 디자이너가 많다는 재밌는 뒷배경도 있습니다.

2011년, Nest Learning Thermostat이 출시되었습니다. 해당 온도조절기는 IoT기술을 접목하여 사용자의 직접적인 조작 없이도 스스로 사용자, 환경에 맞게 냉난방 온도를 설정해주는 스마트 냉난방 조절기입니다.

2013년, Nest Protect가 출시되었습니다. 화재 및 일산화탄소 감지 기기입니다.(아마존 제품 설명에는 침입자 경보 기능이 안 나와있긴 함)

2014년, Nest는 Youtube보다 2배 높은 가격에 Google에 인수되었습니다.

 

🔻Nest Learning Thermostat

🔸제품 설명

Nest를 대표하는 제품으로, 제품명 그대로 '스스로 학습하는' 냉난방 조절기입니다. 

Nest의 조절기는 외부 날씨, 내부 온도, 습도, 그리고 각종 사용자 데이터를 수집합니다. Nest의 조절기가 갖는 특징은 바로 사용자 데이터를 수집한다는 점에 있습니다. Nest는 냉난방 조절기에게 사람의 움직임, 실내 밝기 변화, 사용자의 기기 조작 여부 및 시간 등을 모두 수집하게 했습니다.

 

이렇게  수집된 데이터들을 바탕으로 Nest 온도조절기는 사용자의 '평일'과 '주말' 생활 패턴을 학습합니다.

 

그리고 학습한 내용을 바탕으로 각종 기능들을 수행합니다.

•  System Match 기능 : 온도조절기와 연결된 냉난방 시스템의 종류를 스스로 파악하여 최적의 가동 방식을 찾아내고 목표 온도에 도달하는 데에 걸리는 시간을 도출하여 또 다른 기능들에 활용한다.
• Air Wave 기능 : 냉방 최적화 기능
• Auto Schedule 기능 : 냉난방을 어떻게 할 것인지 온도조절기가 스스로 냉난방 일정을 짜고 그대로 수행한다.
• Auto Away 기능 : 사람이 없으면 자동으로 냉난방기의 에너지 효율을 최대화하도록 조절한다. 참고기사에 따르면 애완동물의 움직임은 무시하기 때문에 사람이 움질일 때만 이 Auto Away 기능이 비활성화되고, 다시 사람이 범위 내에서 사라지면 Auto Away 기능이 켜진다고 한다.

이외에도 다양한 기능들이 있습니다.

 

🔸일반적인 스마트 냉난방 조절의 동작 원리

네스트사의 구체적인 알고리즘이 검색해도 나오지 않기 때문에, 논문을 참고하는 것으로 대체합니다. 해당 논문은 네스트 사와 유사한 데이터를 수집하는 스마트 냉난방 조절기를 가정하여 이 조절기가 어떻게 목표 온도(Set-Point Value)를 도출해내는지를 분석했다고 합니다.

논문 : Huy, Tran Quoc Bao, and Sun-Tae Chung. "Smart Thermostat based on Machine Learning and Rule Engine." 멀티미디어학회논문지 23.2 (2020): 155-165.

우선 사용자가 Auto-Operation 즉 자동 작동 모드로 설정했을 때를 가정합니다. 이런 상황에서 스마트 온도조절기의 규칙 엔진(Rule Engine))에 의해 목표 온도(Set-Point Value)가 설정됩니다. 시간의 흐름, 주변 온도의 변화, 사용자의 조작 등 어떤 트리거에 의해 규칙 엔진은 실행됩니다. 규칙 엔진은 매주 스케쥴을 평가하고 스스로 개선하는 작업을 수행합니다.

 

규칙 엔진은 우선 주간 스케쥴(Weekly Schedule)을 작성합니다. 우선 시간 데이터, 온도 데이터, 사용자 조작여부 데이터 등의 과거 데이터(Past Data)를 토대로 K-평균 군집화 분석을 실시합니다. 15분, 30분 등 일정 시간 간격대로 구간을 설정하고 elbow point method에 의해 각 구간의 클러스터 개수인 K값을 설정합니다. 일반적으로 K값은 3으로 설정합니다. 반복학습을 통해 클러스터의 중심값인 centroid를 도출해냅니다. centroid를 더 정교화하기 위해 또다시 K-평균 알고리즘을 통해 3개의 centroid값을 도출해냅니다. 이후 베이즈 정리를 통해 각 centroid값의 사후확률을 구하고 구간별로 가장 확률이 높은 값을 Set-Point Value로 지정합니다.

해당 Set-Point value들은 사용자가 설정한 각종 모드에 따라 적절하게 값이 변형되어 최종적으로 주간 스케쥴을 완성하게 됩니다.

 

온도에 영향을 미치는 요인 중 하나가 습도이기 때문에 해당 논문에서는 규칙 엔진에서 습도 변수를 추가적으로 입력받기로 했습니다. 그래서 시간에 따른 습도의 변화를 예측하기 위해 장기간의 연속적인 데이터를 분석하는데 적합한 LSTM 모델을 사용하였습니다.

 

K-평균 군집화에 의해 도출된 주간 스케줄과 습도 데이터를 종합하여 최종적으로 다음 1주일 간 시간대별로 목표 온도를 결정하게 됩니다.

 

🔸Nest의 Learning Thermostat의 예상 메커니즘

네스트 사의 Learning Thermostat의 Auto-Schedule 기능에 대해 설명한 구글 서포트 문서를 참고하면

온도조절기를 처음 사용하는 사용자의 경우, 이틀 간 사용자의 조작대로만 온도를 조절하고, 이후 데이터가 쌓임에 따라 앞서 설명한 것과 마찬가지로 매주 weekly schedule을 생성하여 이를 지속적으로 개선한다고 합니다. 앞서 설명한 메커니즘을 기본으로 네스트만의 몇 가지 입력 변수를 추가하여 규칙 엔진을 만들었을 것으로 예상합니다. 특히 냉난방 시스템을 파악하는 system match 기능의 알고리즘과 사용자의 움직임이 없을 때 활성화되는 절약 모드인 auto away, 여름철과 같이 에너지 사용 경보 기간에 효율적인 에너지 사용을 도와주는 rush hour 모드, 계절에 따라 자연스럽게 온도를 변화시켜주는 seasonal savings 모드 등의 다양한 요인들이 추가적으로 고려될 것입니다.

이를 토대로 규칙 엔진은 주간 스케쥴을 만족시키기 위해 냉난방 시스템을 언제 얼마나 가동시킬지에 대한 결과값도 도출해낼 것입니다.

 

🔻결과

Nest Learning Thermostat은 단지 일반 가정집에서만 사용되는 것이 아닙니다. 각종 전력 및 에너지 기업에서 에너지 효율을 최대화하기 위해 Nest에 커스텀 냉난방 시스템을 의뢰하기도 합니다.

전쳑회사에서는 최대 50%, 일반 가구에서는 최대 10~15% 냉난방 비용을 절감했다고 합니다.

 

Nest의 Thermostat이 또 고평가를 받은 이유 중 하나로 소비자 경험 즉 UX를 중요시했기 때문입니다. 그들은 소비자로 하여금 Nest의 스마트 냉난방 조절기를 적극적으로 사용하도록 유도하기 위해 각종 '서비스'를 제공했습니다. 대표적인 것이 Rush Hour Rewards 입니다. 해당 서비스에 대해서는 참고로 언급한 포스팅에서 잘 다뤄주고 있으니 참고하면 좋을 것 같습니다.

직접 눈으로 내가 얼마나 에너지를 절약하고 있는지 확인할 수 있게 해준 점들도 Nest가 UX를 신경 쓴 부분이라고 생각합니다.