기본 콘텐츠로 건너뛰기

리드스위치로 원격에서 가스 검침하기

집 바깥의 가스검침기의 가스 사용량을 집안에서 편하게 조회해볼 수 있는 기능을 구현해보고자 합니다.


그런데, 원격에서 가스 검침을 하시려면 가스 검침기에 해당 기능이 지원되어야 합니다.


본인 집의 가스 검침기에 가셔서 가스 사용량을 표시하는 아래 부분에 리드 센서를 부착하는 곳이 있는지 확인해 보시기 바랍니다.



위에 표시한 곳에 리드 센서를 장착할 수 있는 홈이 있어야 합니다.


자 그럼 시작해볼까요?

우선은 준비물이 필요하겠죠.. 기본적인 준비물은


https://murianwind.blogspot.com/2021/12/esp.html


에서 소개해 드린 준비물과 크게 다르지 않습니다. 이미 지역난방 유량계 작업을 하셨던 분이라면 준비물이 넉넉히 남아 있으실 수도 있고.. 유량계와 가스 검침을 동시에 하시려면 각각 필요한 만큼 적당히 물품을 구매하시면 됩니다.


다만.. 이번에는 유량계에서 사용했던 것만큼의 오버 스펙이 필요한건 아니라서 조금 더 저렴한 ESP8266 을 이용하도록 하겠습니다.


이것도 2번만에 조금 익숙해지고 나서 생각하니.. 유량계도 ESP8266으로 구현해도 충분한 것이었는데.. 뭐.. 이미 구현해버렸으니 후회는 없습니다.


ESP8266을 저는 납땜하기 귀찮아서 NodeMCU로 구매했습니다.


https://www.11st.co.kr/products/3079314807?&xfrom=&xzone=


그리고 빵보드 2개, 터미널 블록 1개, 점프 케이블 2개가 필요합니다.


그리고 중요한 리스센서가 필요한데.. 리드 센서는 본인의 가스 검침기를 사진으로 찍은신 후에


https://m.blog.naver.com/pjwook0129/221265570229


에 연락해서 구입하시면 됩니다.


준비된 물품을 아래처럼 구현했습니다.


D7과 G에 가스 검침기에 부착한 리드센서의 전선을 연결해 주시면 됩니다.


ESP8266에 처음으로 플래싱하는 부분은 이전에 올렸던 유량계 게시물을 참조하시면 됩니다.


그리고 윈도우에서 버추얼 박스를 쓰시는 분들은 간혹 ESP가 인식 안되는 경우가 있는데.. 이때는 버추얼 박스를 종료하고 ESP를 연결하시면 인식이 됩니다.


ESPHOME에는

substitutions: devicename: GasMeter esphome: name: gas-usage platform: ESP8266 board: nodemcuv2 esp8266_restore_from_flash: true on_boot: then: - sensor.template.publish: id: gas_meter state: !lambda 'return id(gas_meter_global);' preferences: flash_write_interval: 60min logger: api: services: - service: meter_calibration variables: meter_counter: float then: - globals.set: id: gas_meter_global value: !lambda |- return id(gas_meter_global) = meter_counter; - sensor.template.publish: id: gas_meter state: !lambda 'return id(gas_meter_global);' ota: password: !secret ota_pwd wifi: ssid: !secret main_ap_ssid password: !secret main_ap_pwd ap: ssid: "Gas Meter" password: !secret fallback_ap_pwd captive_portal: globals: - id: gas_meter_global type: float restore_value: true initial_value: '82.50' // 초기 값은 0.0 으로 하시고 나중에 HA의 서비스에서 값을 변경하셔도 됩니다. sensor: - platform: template name: "${devicename} Total" id: gas_meter update_interval: never unit_of_measurement: m³ accuracy_decimals: 2 // 간혹 검침기의 리드스위치가 소숫점 둘째 자리가 아니라 셋째 자리를 기준으로 한다면 여기를 3으로 변경하시기 바랍니다. state_class: 'total_increasing' device_class: 'gas' icon: mdi:counter binary_sensor: - platform: gpio name: "${devicename} Pulse Counter" pin: number: D7 mode: INPUT_PULLUP inverted: true filters: - delayed_on: 100ms - delayed_off: 100ms on_press: then: - globals.set: id: gas_meter_global value: !lambda |- return id(gas_meter_global) += 0.01; // 간혹 검침기의 리드스위치가 소숫점 둘째 자리가 아니라 셋째 자리를 기준으로 한다면 여기를 0.001으로 변경하시기 바랍니다. - sensor.template.publish: id: gas_meter state: !lambda 'return id(gas_meter_global);' - platform: status name: "Gas Meter Status"


처럼 코드를 적어주시면 됩니다.


그리고 저는 다원 가스락을 사용하고 있는데.. 이 가스 검침기가 있으면.. 가스가 더 이상 공급되지 않으면 다원 가스락을 자동으로 잠그도록 구성할 수 있습니다.


자동화를 충분히 작성하실 수 있으실 겁니다.


저는 측정해보니 3분 간격으로 0.1씩 소모하는 걸 확인하고 아래처럼 바이너리 센서를 만든 후에 바이너리 센서가 꺼지면 다원 가스락이 잠기도록 설정해두었습니다.


templates: - binary_sensor: - name: "도시가스 제어" unique_id: gas_control icon: mdi:fire state: > {{ as_timestamp( utcnow() ) | int < as_timestamp(states.sensor.gasmeter_total.last_changed ) | int + 5*60 }}


자동화의 트리거를 템플릿으로 지정하고


{{ as_timestamp( utcnow() ) | int < as_timestamp(states.sensor.gasmeter_total.last_changed ) | int + 5*60 }}


위 값을 집어 넣어 자동화를 구성하셔도 되는데.. 저는 제대로 동작을 안해서 그냥 센서로 구성했습니다.


시간은 본인 집의 가스 사용량을 보셔서 적절히 조정하시면 됩니다. 

댓글

이 블로그의 인기 게시물

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...

AI가 만들고 사람이 고친 글, 과연 'AI 생성물'일까? — 무너지는 경계선과 각국의 표기 가이드라인

이미지, 음성, 텍스트를 가리지 않고 생성형 AI의 산출물이 전 세계 디지털 공간에 폭포수처럼 쏟아져 나오고 있습니다. 가짜 뉴스, 딥페이크 오정보, 저작권 침해 등 여러 사회적 문제를 일으키면서, 최근 EU를 비롯한 세계 각국의 규제 기관들이 "AI가 만든 콘텐츠에는 반드시 표시(Labelling)를 하라"는 강제 가이드라인을 잇달아 꺼내 들고 있습니다. 이와 관련해 Smashing Magazine에 비탈리 프리드만(Vitaly Friedman)이 기고한 아티클은 EU의 최신 규제가 실무 인터페이스(UI/UX)에 어떤 변화를 요구하는지 잘 보여줍니다. (출처: Smashing Magazine - New EU Guidelines For AI Labelling / Vitaly Friedman) https://www.smashingmagazine.com/2026/08/eu-guidelines-ai-labelling/ EU AI Act 제50조 투명성 규정에 따르면, 딥페이크나 AI 챗봇 대화, 인간의 검수 없이 AI가 100% 작성한 공공 텍스트 등에는 전용 AI 마크나 암호화된 메타데이터(Watermark)를 반드시 내장해야 합니다. 기존에 서비스들이 유행처럼 쓰던 모호한 '반짝이 아이콘(✨ Sparkles)' 수준으로는 법적 기준을 충족할 수 없게 된 것입니다. 하지만 현장의 개발자, 에디터, 테스터들이 마주한 진짜 혼란은 규제의 유무가 아닙니다. 바로 "도대체 어디까지를 AI가 만들었다고 볼 것이며, 어디서부터를 사람이 만든 것으로 정의할 것인가?"라는 근본적인 경계선의 모호함입니다. 프롬프트 한 줄 던져서 AI가 뽑아낸 초안을 사람이 문장 몇 개 다듬었다면, 이것은 AI 산출물일까요, 인간의 글일까요? AI가 코딩한 1,000줄의 소스 코드를 엔지니어가 한 시간 동안 디버깅하고 검수했다면 이 코드의 주인은 누구일까요? 글로벌 규제 기관들도 이 모호함을 인지하고 명확한 자격 기준을 세우기 위해 격렬한 논의를 ...