基于树莓派的自适应空调控制系统设计

王玉涛 于金星 陈鑫 葛文超 易茂祥

摘 要：针对现有空调控制系统中存在温度设置不合理且不能根据外界环境的变化自适应调整温度控制的现状，设计一种基于树莓派的自适应智能空调控制系统。该系统通过连接在树莓派上的传感器网络测量用户周围的环境数据，并使用长短时记忆神经网络（LSTM）建立的预测平均投票数（PMV）模型获得PMV预测值，进而自适应控制空调温度的大小。实验结果表明，该控制系统可以通过由传感器获得的实时数据精确地预测满足最适人体热舒适的温度值，并能对空调温度自适应控制。

关键词：预测平均投票数;空调控制系统;树莓派;人体热舒适;LSTM;传感器网络

中图分类号：TP242文献标识码：A文章编号：2095-1302（2020）10-00-03

0 引 言

建筑物的核心功能之一是为其居住者提供舒适的环境。舒适性是居住者的感知和行为以及建筑物能源利用的关键因素[1]。如今，人们90%的时间都在建筑物中度过，若在建筑物中感觉不舒适会增加患建筑物综合症、缺勤和认知能力等下降的概率[2]。目前，室内环境主要由空调系统控制，然而，从住宅到商业建筑的大部分空调控制系统主要由固定温度设置点控制且不能随着外界温度的变化自动更改空调控制的温度。在传统的空调控制系统中，空调的控制多以控制面板按键控制或者红外遥控控制为主。随着技术的发展，目前的控制多支持手机等远程终端控制，以上控制方法中空调温度的设置基本是由用户根据经验设置，导致了在不同场景环境下设置的温度存在着或高或低的问题。温度设置不合理，将导致能源的浪费与人的不舒适，所以需根据不同场景及环境合理设置温度的固定值，采用一种更精确的空调系统控制方法，实现空调温度的准确自动控制，来提高用户的舒适性以及便捷性。

近年来，物联网技术与人工智能的快速发展，以神经网络预测热舒适指标PMV作为空调控制系统的控制目标受到广泛的关注[3-6]，然而，现有以PMV为指标的控制系统中由于PMV的预测与参数取值精度低等原因，导致了其应用场景单一、应用范围小、预测控制结果差等缺点。在实际应用中，系统通过传感器收集到数据后，发送到PC端进行数据处理，进而控制空调设置。但是，使用PC作为数据处理终端导致了系统成本的增加以及操作的不便捷性。

为了克服以上传统空调控制方法中存在的能效低、成本高和温度设置不合理等问题，本文设计了一种基于树莓派微处理器的嵌入式控制系统。该系统与传统控制系统相比具有控制精度高、体积小、价格低和操作便捷等优点。

1 预测平均投票数PMV

影响人体舒适性的因素有很多，并不是单纯的由某一个参数大小决定的，其中的关系也很复杂。为了创造真正的符合人体舒适的室内环境，本文采用Fanger等人提出的热舒适评价指标[7]，即预测平均投票数（Predicted Mean Vote，PMV）作为评价指标。PMV利用6个因素对热舒适性进行建模，包括4个环境因素（室内温度、室内湿度、平均辐射温度和空气流速）和2个个人因素（人体新陈代谢和服装热阻）。以热舒适指标PMV作为空调控制系统的控制目标，能够很大程度上实现舒适与节能的统一。

PMV指数处于-3～3时人体的冷热感分度见表1所列。当PMV为0时，人体达到最舒适状态，表明在不同环境下，人在不同活动量条件下的热中性，在实际应用中取PMV值为[-0.5，0.5]表示人体热中性[8]。

然而，PMV的值并不能由传感器直接测得，需要根据多个参数通过繁琐的迭代计算得到，并且采用程序计算方式所得到的值与现实相比具有一定误差[9]。因此，本文通过LSTM建立PMV模型获得PMV预测值，进而自适应控制空调温度的大小。

2系统总体设计方案

自适应空调控制系统主要以树莓派微处理器为智能控制核心，外围电路主要包括传感器模块、按键模块、显示模块和摄像头模块等，系统总体设计框图如图1所示。

该系统通过传感器直接或者间接测量影响PMV值的因素（室内温湿度、室外温度、平均辐射度以及着衣量）。另外，在初始使用时，通过按键选择来确定空调应用场景进而确定人体新陈代谢率，并将以上测量值和设置值记录到数据库中。在空调设置温度的预测中，该系统使用了基于长短时记忆神经网络（LSTM）[10]建立的PMV预测模型。该预测模型在PC计算机中训练得到，并将最终训练得到的模型移植到树莓派操作系统中。该预测模型通过传感器收集到的数据和人为设置的数据预测距离人体达到最舒适状态的偏差，进而确定空调温度的设置值。为达到空调的自动启动与关闭的目的，减少人为操作，该系统另加入摄像头模块进行判断是否有用户进入室内以及离开房间。

3 硬件设计与实现

硬件电路主要分为主控模块、传感器模块、摄像头模块、显示模块、按键模块。

3.1 主控模块

本系统选用基于Linux操作系统的树莓派3b+作为主控核心，其本质是一种体型很小的卡片式电脑，具备所有PC的基本功能。其CPU为64位1.4 GHz的ARM Cortex-A53的四核处理器。该处理器的性能能够运行本设计中训练完成的PMV预测模型;另外，还包含1 GB的RAM、40位引脚扩展GPIO接口、4个USB接口等，用户可以通过GPIO口和硬件进行数据交互、读取硬件工作状态等。此外，其成本低，便于部署和安装。

3.2 传感器模块

传感器模块主要是温湿度传感器DHT11，该传感器可以直接连接到树莓派上进行数据收集。本文系统使用了3个温湿度传感器，其中一个用于室内温湿度测量，测量数据分别是室内温度和室内湿度两个影响PMV的因素。人体一天的着衣量的多少与早晨7时的温度有着密切的关系[3]，因此，第二个传感器用于室外温度的测量，测量结果用来间接确定人体着衣量。第三个传感器主要用于近似测量平均辐射度，平均輻射度的测量可以通过测量贴近墙体表面的温度近似估计[11]。

3.3 攝像头模块

摄像头模块由树莓派3b+配套的USB摄像头构成，与树莓派之间通过USB接口相连接，具有可调焦，170°的视角的特点。通过摄像头模块采集到的数据，经由人体检测算法判断早晨室内用户初次进入的时间以及晚上用户离开的时间，进而判定空调的开启与关闭时间。

3.4 显示模块

显示模块采用分辨率为128×64的OLED液晶显示屏，显示单元能自发光，采用SPI或I2C通信方式。该模块主要用于人机交互，显示用户设置的空调风速和空调的应用场景以及预测系统输出的空调设置温度，如图2所示。

3.5 按键模块

按键模块由一个矩阵键盘构成，共有4个按键，分别是“确认”“复位”“上”“下”功能，用于用户更改空调风速和空调的应用场景。

4 系统的软件设计

系统软件主要包括PMV预测模型算法的实现和数据采集。

4.1 PMV预测模型

本文的PMV预测模型训练与性能评估在PC计算机中完成。在PyTorch框架下搭建LSTM模型，通过多次实验预测模型的超参数设置见表2所列。

将PMV预测模型导出，移植到树莓派操作系统中，通过由硬件获取的数据预测得到PMV的值，进而判断输出温度值。为了更加接近热中性，本设计PMV的取值范围设为[-0.2，0.2]之间，温度计算流程如图3所示。

4.2 数据采集程序

在树莓派上DHT11温湿度的读取需要遵循特定的信号协议，为了方便读取数据，该系统导入AdafruitDHT库。在读取数据时，为了节省系统存储空间、延长器件使用寿命，系统每隔10 min记录1次数据。传感器部分关键代码如下：

importAdafruit_DHT//导入Adafruit_DHT库

sensor=Adafruit_DHT.DHT11//设置传感器类型

gpio=17//设置连接引脚

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

//读取湿度和温度

在读取室外温度时只需设置读取每天早晨7时的温度以确定用户当日着衣量情况即可。

5 系统功能实现

图4为系统实物连接图。一般情况下，控制系统安装在实验室、办公室、宾馆等室内后，初次设置后，在不更改应用场景时，无需对系统再次设置。为了短时间验证系统功能能够准确执行控制结果，在系统硬件实验时，将系统传感器置于不同温湿度条件下并通过按键与显示屏设置不同风速与应用场景，通过多次实验表明，其温度控制误差均在±0.6 ℃以内。

6 结 语

本文通过LSTM神经网络算法建立了PMV预测模型，并进行了实验。该模型实现了以热舒适指标PMV作为空调控制系统的舒适与节能统一的控制目标。将预测模型移植到成本低、性能高的树莓派中，通过连接在树莓派上的传感器获取用户周围相关环境数据，经由预测模型计算得到最适人体舒适的空调温度设置值。克服了传统空调控制方法中人为温度设置的问题，满足了室内人体热舒适的要求。但该系统依然需要人为输入参数的操作以及存在空调系统动作滞后的现象，针对这个问题，未来的工作主要根据系统收集到的用户喜好，更加智能的启动、控制空调。

参考文献

[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]姚凯学.基于自适应方法的智能家居热舒适度的研究[D].贵阳：贵州大学，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]郭彤颖，陈露.基于鸟群算法优化BP神经网络的热舒适度预测[J].计算机系统应用，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]蒋延炜. 基于PMV指标的建筑智能热湿环境控制原理及方法的研究[D]. 西安：长安大学，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.