2.1 실험 방법

Wi-Fi로 연동하는 LED 조명 장치와 제어기로 구성되어, 제어부를 통해 LED 조명의 디밍을 설정하고 제어하며, 조명 사용 시의 날짜, 기상, 조명 설정값 등의 정보를 수집하는 장치를 구현하여 사용했다(Fig. 1). LED 조명 장치는 광원부, SMPS(Switching Mode Power Supply), MCU(Micro Controller Unit), Wi-Fi 모듈로 구성된다. SMPS는 IRM-03-5(MEAN WELL USA Inc., USA)를, MCU는 STM8L151(STMicro electronics, Suisse)를 사용하였다. Wi-Fi 모듈로는 ESP32 Espressif Systems, China)를 사용했다. LED 조명 장치는 소비전력을 기준으로 총 6단계(5W, 15W, 25W, 35W, 40W, 50W)로 디밍을 제어하며, 색온도가 약 4500K로 광원의 색상이 백색이 되도록 구현했다. 제어기는 GUI(Graphical User Interface), 데이터 수집부, Wi-Fi 통신부, 메모리로 구성되며, Raspberry Pi 3와 파이썬을 사용해 구현했다. GUI는 LED 조명 장치의 전원과 색온도를 설정하기 위해 구현했다. 데이터 수집부는 조명 사용 시의 기온, 상대습도, 강수량, 풍속, 시각, 오전/오후 여부, 요일, 주말/평일 여부, 조명 사용 여부, 디밍 단계에 대한 정보를 수집하고자 구현했다. 수집 정보 중 기상 정보인 기온, 상대습도, 강수량, 풍속은 Open API(Application Programming Interface)를 사용해 기상청의 초단기실황 데이터에서 수집했다^[14]. Wi-Fi 통신부는 LED 조명 장치와 Wi-Fi로 연동하며 설정한 전원과 색온도 설정값을 LED 조명 장치로 전송하고, LED 조명 장치의 상태값을 전송받고자 구현했다. 메모리에는 수집한 데이터를 CSV 파일로 저장했다.

Fig. 1. Block diagram of LED lighting device and controller

LED 조명 장치와 제어기의 디밍 단계 설정 기능을 확인하고, 디밍 단계에 따른 LED 조명 장치의 조도와 색온도의 변화를 측정했다. 암실에 LED 조명 장치와 제어기를 설치한 후, 디밍 단계를 변경하며 LED 조명 장치의 조도(lux), 색온도(K)를 측정했다(Fig. 2). LED 조명 장치의 조도와 색온도는 수평면을 기준으로 1.4m 거리에서 CL-200A(KONICA MINOLTA, Japan)를 사용해 측정했다. Table 1은 디밍 단계별 조도와 색온도 측정 결과이다. LED 조명의 조도는 단계가 하나 증가할 때마다 평균 17.38% 증가한 것으로 나타났다. LED 조명의 색온도는 모든 디밍 단계에서 4000K에서 4500K 사이의 색온도가 측정되어, 디밍 단계가 변해도 광원의 색온도는 4500K의 색온도 범주 내에 있는 것을 확인했다.

Fig. 2. LED lighting device

실험은 가로 412cm, 세로 308cm, 높이 295cm의 직사각형 형태의 주거공간에 구현한 LED 조명 장치와 제어기를 설치하고 총 312시간 동안 실시했다(Fig. 3). LED 조명 장치는 실험 장소 중앙의 천장부에 설치했고, 조명의 전원과 디밍 단계는 Wi-Fi로 연결된 제어기의 GUI를 통해 설정했다. 실험 중의 기온, 상대습도, 강수량, 풍속, 시각, 오전/오후 여부, 요일, 주말/평일 여부, 조명 사용 여부, 디밍 단계에 대한 정보는 1시간 간격으로 제어기를 통해 수집했다. 디밍 단계는 총 ６가지의 디밍 단계 중 측정 간격인 1시간 동안 가장 많이 설정한 디밍 단계를 대푯값으로 기록했다.

Fig. 3. Experiment place and equipment setup

2.2 측정 결과 분석

데이터 특성분석과 랜덤 포레스트 모델의 구축 및 평가에는 총 312시간의 실험 중 조명을 사용한 171시간 동안 수집된 기온, 상대습도, 강수량, 풍속, 시각, 오전/오후 여부, 요일, 주말/평일 여부, 디밍 단계에 대한 데이터를 사용했다. Table 2는 연속형 변수들인 기온, 상대습도, 강수량, 풍속 데이터의 특성을 나타낸다. Fig. 4는 범주형 변수들인 요일, 주말/평일 여부, 시각, 오전/오후 여부, 디밍 단계에 대한 빈도수를 나타낸다.

연속형 변수(기온, 상대습도, 강수량, 풍속) 및 범주형 변수(시각, 오전/오후 여부, 요일, 주말/평일 여부)와 디밍 단계 간의 상관관계를 알아보고자 PhiK 상관계수(correlation coefficient)를 계산했다^[15]. Table 3은 각 변수들과 디밍 단계 간의 PhiK 상관계수를 나타낸다. 상관계수 값을 기준으로 시각, 온도, 오전/오후 여부, 상대습도, 풍속, 강수량, 요일, 평일/주말 여부 순으로 디밍 단계와 상관성이 높은 것으로 나타났다.시각, 온도, 오전/오후 여부, 상대습도, 풍속의 경우 모두 0.001보다 작은 P-값이 나타나 디밍 단계와 통계적으로 유의한 상관성이 있는 것으로 나타났다. 반면, 강수량, 요일, 평일/주말 여부는 모두 0.05보다 큰 P-값이 나타나 디밍 단계와 통계적으로 유의한 상관성이 없는 것으로 나타났다. 랜덤 포레스트 모델 구축 시에는 전체 변수 중 강수량, 요일, 평일/주말 여부를 제외한 총 5가지 변수(시각, 온도, 오전/오후 여부, 상대습도, 풍속)를 사용했다.

Fig. 4. Frequency of day of the week, weekday/ weekend, hour, AM/PM, and dimming setting data measured for a total of 171 hours

3.1 랜덤 포레스트 모델

랜덤 포레스트 모델은 부트스트랩(bootstrap) 방식을 이용해 다수의 표본을 생성하고 의사결정나무 모델을 적용하여 그 결과를 종합하는 방법이다^[16]. 랜덤 포레스트 모델은 다수의 변수 이용 시 예측력이 뛰어나고 안정적인 모델을 제공하며, 각 입력변수에 대한 변수중요도(variable importance)를 계산할 수 있어 주요변수 탐색에도 활용할 수 있다^[17]. 하지만, 생성된 모델의 내부는 관찰할 수 없기에, 예측 결과 이외의 정보는 얻을 수 없다는 단점이 있다^[18]. 랜덤 포레스트 모델은 지정한 수만큼의 독립적인 의사결정나무들로 구성된다. 의사결정나무를 생성하기 위한 데이터는 전체 데이터로부터 각각 무작위하게 배정받으며, 각 의사결정나무는 배정받은 데이터가 노드로 들어가 조건을 형성하고 조건에 따라 다시 가지를 확장하는 과정을 반복한다. 최종 분류 결과는 각 의사결정나무들의 결과를 종합해 다수결 원칙에 의해 결정된다. 본 논문에서는 시각, 온도, 오전/오후 여부, 상대습도, 풍속을 입력변수로 사용해 디밍 단계 예측을 위한 랜덤 포레스트 모델을 구축했다.

3.2 모델 구축 및 평가 방법

전체 데이터(n = 171) 중 약 70%의 데이터(n = 119)는 모델 구축을 위한 트레이닝 셋으로, 약 30%의 데이터(n = 52)는 성능 평가를 위한 테스트 셋으로 사용했다[19, 20]. 데이터 분류 시 디밍 단에 따른 데이터의 비율이 트레이닝 셋과 테스트 셋 모두 동일하도록 무작위하게 분류했다^[18]. Table 4는 디밍 단계에 따른 트레이닝 셋과 테스트 셋의 수를 나타낸다. Fig. 5는 랜덤 포레스트 모델의 구축 및 평가 방법을 나타낸다. 랜덤 포레스트 모델은 의사결정나무의 수와 최대 입력변수의 수가 모델의 예측 성능에 영향을 줄 수 있다^{[17, 21]}. 최적의 의사결정나무의 수와 최대 입력변수의 수를 도출하고자, 랜덤 포레스트 모델 구축 시 3차 교차검증(3-fold cross validation)을 실시했다. 교차검증 시 의사결정나무의 수는 10개, 100개, 200개, 300개, 400개, 500개로 변경하고, 각 노드에서 무작위로 선택되는 변수의 수는 최소 1개에서부터 최대 입력변수의 수까지 변경하며 정확도를 기준으로 최적의 값들을 격자 검색(grid search)했다. 또한, 사용한 입력변수도 모델의 예측 성능에 영향을 줄 수 있다. 사용변수에 따른 랜덤 포레스트 모델의 성능 변화를 알아보고자, 변수중요도를 계산하고 후진제거법을 적용해 변수중요도가 낮은 입력변수부터 하나씩 제거하며 최소 1개의 변수가 사용될 때까지 각각의 모형을 구축한 후, 교차검증 시 도출되는 정확도를 기준으로 최적의 입력변수를 선정해 모델을 구축했다^[22]. 구축한 모델의 성능은 테스트 셋을 대상으로 정확도, RCI, 카파 인덱스를 계산해 평가했다^[23]. 모델의 구축 및 평가에는 Python을 사용했다.

Fig. 5. Construction and evaluation method of the random forest model

3.3 모델 구축 및 성능평가 결과

Table 5는 랜덤 포레스트의 변수중요도를 나타낸다. 시각, 온도, 상대습도, 풍속, 오전/오후 여부 순으로 변수중요도가 높은 것으로 나타났다. Table 6은 랜덤 포레스트 모델의 교차검증 결과이다. 입력변수로 시각, 온도를 사용하고 의사결정나무의 수를 200개로, 노드에서 선택되는 변수는 1개로 설정했을 경우가 디밍 단계 예측을 위한 최적의 모델인 것으로 나타나, 해당 조건으로 랜덤 포레스트 모델을 구축했다. 추가로, 최적의 입력변수로 선정된 시각과 온도를 모두 사용한 모델과 입력변수로 시각이나 온도 중 하나의 변수만을 사용한 모델의 성능 차이를 비교해 보고자 입력변수로 시각이나 온도만을 사용한 모델을 교차검증을 통해서 각각 구축했다. 시각만을 사용한 모델은 의사결정나무의 수는 200개로, 노드에서 선택되는 변수는 1개로 설정했을 때 최적의 모델인 것으로 나타났다. 온도만을 사용한 모델은 의사결정나무의 수는 200개로, 노드에서 선택되는 변수는 1개로 설정했을 때 최적의 모델인 것으로 나타났다.

Table 7은 구축한 랜덤 포레스트 모델의 성능을 테스트 셋을 사용해 평가한 결과를 나타낸다. 교차검증 시 최적의 모델로 선정되었던 랜덤 포레스트 모델은 총 2개의 변수(시각, 온도)를 사용해 78.85%의 정확도로 사용자의 선호 디밍 설정값을 예측할 수 있는 것으로 나타났다. 모델의 RCI와 카파 인덱스는 각각 0.651과 0.714인 것으로 나타났다. 시각이나 온도 중 하나의 변수만을 사용한 모델들은 시각과 온도 모두를 사용한 모델보다는 낮은 성능을 보였다. 시각만을 사용한 모델은 63.46%의 정확도로, 온도만을 사용한 모델은 55.77%의 정확도로 사용자의 선호 디밍 설정값을 예측할 수 있는 것으로 나타났다.