基于樹莓派的自適應空調控制系統設計

王玉濤 于金星 陳鑫 葛文超 易茂祥

摘 要：針對現有空調控制系統中存在溫度設置不合理且不能根據外界環境的變化自適應調整溫度控制的現狀，設計一種基于樹莓派的自適應智能空調控制系統。該系統通過連接在樹莓派上的傳感器網絡測量用戶周圍的環境數據，并使用長短時記憶神經網絡（LSTM）建立的預測平均投票數（PMV）模型獲得PMV預測值，進而自適應控制空調溫度的大小。實驗結果表明，該控制系統可以通過由傳感器獲得的實時數據精確地預測滿足最適人體熱舒適的溫度值，并能對空調溫度自適應控制。

關鍵詞：預測平均投票數;空調控制系統;樹莓派;人體熱舒適;LSTM;傳感器網絡

中圖分類號：TP242文獻標識碼：A文章編號：2095-1302（2020）10-00-03

0 引 言

建筑物的核心功能之一是為其居住者提供舒適的環境。舒適性是居住者的感知和行為以及建筑物能源利用的關鍵因素[1]。如今，人們90%的時間都在建筑物中度過，若在建筑物中感覺不舒適會增加患建筑物綜合癥、缺勤和認知能力等下降的概率[2]。目前，室內環境主要由空調系統控制，然而，從住宅到商業建筑的大部分空調控制系統主要由固定溫度設置點控制且不能隨著外界溫度的變化自動更改空調控制的溫度。在傳統的空調控制系統中，空調的控制多以控制面板按鍵控制或者紅外遙控控制為主。隨著技術的發展，目前的控制多支持手機等遠程終端控制，以上控制方法中空調溫度的設置基本是由用戶根據經驗設置，導致了在不同場景環境下設置的溫度存在著或高或低的問題。溫度設置不合理，將導致能源的浪費與人的不舒適，所以需根據不同場景及環境合理設置溫度的固定值，采用一種更精確的空調系統控制方法，實現空調溫度的準確自動控制，來提高用戶的舒適性以及便捷性。

近年來，物聯網技術與人工智能的快速發展，以神經網絡預測熱舒適指標PMV作為空調控制系統的控制目標受到廣泛的關注[3-6]，然而，現有以PMV為指標的控制系統中由于PMV的預測與參數取值精度低等原因，導致了其應用場景單一、應用范圍小、預測控制結果差等缺點。在實際應用中，系統通過傳感器收集到數據后，發送到PC端進行數據處理，進而控制空調設置。但是，使用PC作為數據處理終端導致了系統成本的增加以及操作的不便捷性。

為了克服以上傳統空調控制方法中存在的能效低、成本高和溫度設置不合理等問題，本文設計了一種基于樹莓派微處理器的嵌入式控制系統。該系統與傳統控制系統相比具有控制精度高、體積小、價格低和操作便捷等優點。

1 預測平均投票數PMV

影響人體舒適性的因素有很多，并不是單純的由某一個參數大小決定的，其中的關系也很復雜。為了創造真正的符合人體舒適的室內環境，本文采用Fanger等人提出的熱舒適評價指標[7]，即預測平均投票數（Predicted Mean Vote，PMV）作為評價指標。PMV利用6個因素對熱舒適性進行建模，包括4個環境因素（室內溫度、室內濕度、平均輻射溫度和空氣流速）和2個個人因素（人體新陳代謝和服裝熱阻）。以熱舒適指標PMV作為空調控制系統的控制目標，能夠很大程度上實現舒適與節能的統一。

PMV指數處于-3～3時人體的冷熱感分度見表1所列。當PMV為0時，人體達到最舒適狀態，表明在不同環境下，人在不同活動量條件下的熱中性，在實際應用中取PMV值為[-0.5，0.5]表示人體熱中性[8]。

然而，PMV的值并不能由傳感器直接測得，需要根據多個參數通過繁瑣的迭代計算得到，并且采用程序計算方式所得到的值與現實相比具有一定誤差[9]。因此，本文通過LSTM建立PMV模型獲得PMV預測值，進而自適應控制空調溫度的大小。

2系統總體設計方案

自適應空調控制系統主要以樹莓派微處理器為智能控制核心，外圍電路主要包括傳感器模塊、按鍵模塊、顯示模塊和攝像頭模塊等，系統總體設計框圖如圖1所示。

該系統通過傳感器直接或者間接測量影響PMV值的因素（室內溫濕度、室外溫度、平均輻射度以及著衣量）。另外，在初始使用時，通過按鍵選擇來確定空調應用場景進而確定人體新陳代謝率，并將以上測量值和設置值記錄到數據庫中。在空調設置溫度的預測中，該系統使用了基于長短時記憶神經網絡（LSTM）[10]建立的PMV預測模型。該預測模型在PC計算機中訓練得到，并將最終訓練得到的模型移植到樹莓派操作系統中。該預測模型通過傳感器收集到的數據和人為設置的數據預測距離人體達到最舒適狀態的偏差，進而確定空調溫度的設置值。為達到空調的自動啟動與關閉的目的，減少人為操作，該系統另加入攝像頭模塊進行判斷是否有用戶進入室內以及離開房間。

3 硬件設計與實現

硬件電路主要分為主控模塊、傳感器模塊、攝像頭模塊、顯示模塊、按鍵模塊。

3.1 主控模塊

本系統選用基于Linux操作系統的樹莓派3b+作為主控核心，其本質是一種體型很小的卡片式電腦，具備所有PC的基本功能。其CPU為64位1.4 GHz的ARM Cortex-A53的四核處理器。該處理器的性能能夠運行本設計中訓練完成的PMV預測模型;另外，還包含1 GB的RAM、40位引腳擴展GPIO接口、4個USB接口等，用戶可以通過GPIO口和硬件進行數據交互、讀取硬件工作狀態等。此外，其成本低，便于部署和安裝。

3.2 傳感器模塊

傳感器模塊主要是溫濕度傳感器DHT11，該傳感器可以直接連接到樹莓派上進行數據收集。本文系統使用了3個溫濕度傳感器，其中一個用于室內溫濕度測量，測量數據分別是室內溫度和室內濕度兩個影響PMV的因素。人體一天的著衣量的多少與早晨7時的溫度有著密切的關系[3]，因此，第二個傳感器用于室外溫度的測量，測量結果用來間接確定人體著衣量。第三個傳感器主要用于近似測量平均輻射度，平均輻射度的測量可以通過測量貼近墻體表面的溫度近似估計[11]。

3.3 攝像頭模塊

攝像頭模塊由樹莓派3b+配套的USB攝像頭構成，與樹莓派之間通過USB接口相連接，具有可調焦，170°的視角的特點。通過攝像頭模塊采集到的數據，經由人體檢測算法判斷早晨室內用戶初次進入的時間以及晚上用戶離開的時間，進而判定空調的開啟與關閉時間。

3.4 顯示模塊

顯示模塊采用分辨率為128×64的OLED液晶顯示屏，顯示單元能自發光，采用SPI或I2C通信方式。該模塊主要用于人機交互，顯示用戶設置的空調風速和空調的應用場景以及預測系統輸出的空調設置溫度，如圖2所示。

3.5 按鍵模塊

按鍵模塊由一個矩陣鍵盤構成，共有4個按鍵，分別是“確認”“復位”“上”“下”功能，用于用戶更改空調風速和空調的應用場景。

4 系統的軟件設計

系統軟件主要包括PMV預測模型算法的實現和數據采集。

4.1 PMV預測模型

本文的PMV預測模型訓練與性能評估在PC計算機中完成。在PyTorch框架下搭建LSTM模型，通過多次實驗預測模型的超參數設置見表2所列。

將PMV預測模型導出，移植到樹莓派操作系統中，通過由硬件獲取的數據預測得到PMV的值，進而判斷輸出溫度值。為了更加接近熱中性，本設計PMV的取值范圍設為[-0.2，0.2]之間，溫度計算流程如圖3所示。

4.2 數據采集程序

在樹莓派上DHT11溫濕度的讀取需要遵循特定的信號協議，為了方便讀取數據，該系統導入AdafruitDHT庫。在讀取數據時，為了節省系統存儲空間、延長器件使用壽命，系統每隔10 min記錄1次數據。傳感器部分關鍵代碼如下：

importAdafruit_DHT//導入Adafruit_DHT庫

sensor=Adafruit_DHT.DHT11//設置傳感器類型

gpio=17//設置連接引腳

humidity，temperature = Adafruit_DHT.read_retry（sensor，gpio）

//讀取濕度和溫度

在讀取室外溫度時只需設置讀取每天早晨7時的溫度以確定用戶當日著衣量情況即可。

5 系統功能實現

圖4為系統實物連接圖。一般情況下，控制系統安裝在實驗室、辦公室、賓館等室內后，初次設置后，在不更改應用場景時，無需對系統再次設置。為了短時間驗證系統功能能夠準確執行控制結果，在系統硬件實驗時，將系統傳感器置于不同溫濕度條件下并通過按鍵與顯示屏設置不同風速與應用場景，通過多次實驗表明，其溫度控制誤差均在±0.6 ℃以內。

6 結 語

本文通過LSTM神經網絡算法建立了PMV預測模型，并進行了實驗。該模型實現了以熱舒適指標PMV作為空調控制系統的舒適與節能統一的控制目標。將預測模型移植到成本低、性能高的樹莓派中，通過連接在樹莓派上的傳感器獲取用戶周圍相關環境數據，經由預測模型計算得到最適人體舒適的空調溫度設置值。克服了傳統空調控制方法中人為溫度設置的問題，滿足了室內人體熱舒適的要求。但該系統依然需要人為輸入參數的操作以及存在空調系統動作滯后的現象，針對這個問題，未來的工作主要根據系統收集到的用戶喜好，更加智能的啟動、控制空調。

參考文獻

[1] NICOL F，STEVENSON F. Adaptive comfort in an unpredictable world[J].Building research & information，2013，41（6）：661-666.

[2] DEAR D R J，AKIMOTO T，ARENS E A，et al. Progress in thermal comfort research over the last twenty years [J]. Indoor air，2013，23（6）：442-461.

[3] YOON Hyunjung，LEE Dongseok，CHO Hyun，et al. Prediction of thermal environment in a large space using artificial neural network [J]. Energies，2018，11（2）：418.

[4]姚凱學.基于自適應方法的智能家居熱舒適度的研究[D].貴陽：貴州大學，2018.

[5] WANG Xingjuan，LIANG Mengfan. Design and Implementation of Core Processing System for Smart Home Control [C]// 11th International Conference on Measuring Technology and Mechatronics Automation（ICMTMA）.2019.

[6]郭彤穎，陳露.基于鳥群算法優化BP神經網絡的熱舒適度預測[J].計算機系統應用，2018，27（4）：162-166.

[7] FANGER P O. Thermal comfort：analysis and applications in environmental engineering [J]. Thermal comfort analysis & applications in environmental engineering，1972，1：225-240.

[8] European Standard. Ergonomics of the thermal environments：analytical determination and interpretation of thermal comfort using calculation of the PMV and PPD indices and local thermal comfort criteria：ISO 7730 [S]. Geneva，Switzerland：British Standards Institution，2005.

[9]蔣延煒. 基于PMV指標的建筑智能熱濕環境控制原理及方法的研究[D]. 西安：長安大學，2015.

[10] GRAVES Alex. Long short-term memory supervised sequence labelling with recurrent neural networks [J]. Springer，2012，385：1735-1780.

[11] RUANO A，SILVA S，DUARTE H，et al. Wireless sensors and IoT platform for intelligent HVAC control [J]. Applied sciences，2018，8（3）：1-31.