基于PNN算法的空調智能控制策略研究

（北京工商大學 計算機與信息工程學院 食品安全大數據技術北京市重點實驗室，北京 100048）

0 引言

隨著生活水平的不斷提高，人們追求更加舒適的生活環境，空調是對室內溫度、濕度變化影響最大的家電之一。目前大多數空調都需要用戶通過遙控或者手機APP設置空調溫度、風速、運行模式到某一固定值，實現了室內的恒溫恒濕控制[1]。由于空調忽略了人體舒適感在室內熱環境控制中的主導地位[2]，當用戶感到室內環境不舒適時，空調設置值不會自動更新，需要人工重新設置。近年來前沿的空調研究已經考慮到人體舒適度對空調設定值的影響，提出人體舒適度模型，但目前成果還處在研究階段，尚未實際應用。由于概率神經網絡（Probabilistic Neural Network，PNN）具有訓練速度快，分類結果不易陷入局部最小，可以增加訓練樣本使網絡分類效果達到最優的特點[3,4]，因此，本文建立了基于PNN的舒適度模型，通過該模型可以得到不同時段用戶的舒適度指數，從而依據舒適度指數改進空調控制策略并進行相關實踐。整套系統根據空調控制策略動態調節設定參數，構建出動態變化的智能熱環境[5]，使空調運行方式更加符合人體需求，實現空調的自動閉環控制。

1 系統總體方案

基于PNN算法的空調智能控制系統構框圖如圖1所示，包括空調、控制終端、ZigBee協調器和上位機。

圖1 系統結構框圖

當空調控制終端采集的環境參數和用戶輸入的人體參數上傳至上位機時，上位機對數據進行分析處理，并利用嵌在上位機的舒適度模型計算人體舒適度指數；同時基于該指數設計空調智能控制策略，給出下一步空調的溫度設定值、風速設定值，以及運行模式，然后將空調設定值按照制定的通信協議通過無線方式下發至空調控制終端；空調控制終端再通過紅外方式將控制指令下發到空調，實現空調的自動控制。

對人體舒適度的評價，業內比較認可Fanger教授提出的PMV模型；該模型指出影響人體舒適度的參數主要包括環境因素和人體因素兩大類，其中環境因素包括空氣溫度、空氣流速、空氣相對濕度、平均熱輻射溫度等參數，人體因素包括人體代謝率、衣服熱阻等參數[6,7]。但在實際工程中，人體代謝率、衣服熱阻等與人體緊密相關的參數難以采集和計算，所以部分文獻在計算中近似或者忽略了這些參數。然而不同人做同一運動或同一人做不同運動，其人體代謝水平不同，則舒適感覺也不同，同時穿著不同的人感覺也有所差異。針對先前研究的不足，綜合考慮了對人體舒適度產生影響的各個因素后，本文選擇穿衣指數、運動指數、體重、性別作為人體參數來代替人體代謝率和衣服熱阻等不易測量的人體相關參數，選擇室內的實時溫度、濕度作為環境參數；選擇PNN算法進行人體舒適度建模，相比于固定的公式推導，采用神經網絡建立的模型適應性更強。

2 系統硬件部分

系統硬件部分由空調控制終端，ZigBee無線協調器組成，其中空調控制終端的硬件結構如圖2所示。

圖2 空調控制終端硬件結構

空調控制終端在Flash模塊中存儲紅外指令等數據，通過溫濕度傳感器完成當前熱環境溫濕度信息的采集，通過Zigbee無線模塊完成與協調器的無線數據通信，最終通過紅外發射指令對空調進行控制。為實現上述功能以及保證系統低功耗，選擇MSP430F4152[8,9]芯片作為主控芯片，選擇SHT20溫濕度傳感器，選擇M25PE20作為Flash存儲芯片，選擇ZigBee CC2530無線通信模塊，選擇紅外發光二極管作為紅外發射器。工作中，每當有中斷觸發時喚醒MSP430，執行服務后MSP430進入休眠狀態。限于篇幅，本文對電路設計不做詳細介紹。

3 基于PNN的舒適度建模與控制策略設計

3.1 人體舒適度指數及樣本采集

舒適度模型對環境溫度、濕度、穿衣指數、運動指數、體重、性別等輸入參數處理分析后，計算出一個值用來表示當前環境下人體的舒適級別，我們把它稱作舒適度指數。舒適度指數共設定9個等級，從1～9依此表示特別冷、很冷、比較冷、有點冷、舒適、有點熱、比較熱、很熱、特別熱。人體舒適度指數劃分如圖3所示。

圖3 人體舒適度指數劃分

為實現舒適度模型的構建，首先進行樣本采集。樣本采集采用問卷調查的方式，對6個受試者在測試房間中進行體驗和問卷調查，采用空調控制終端對當前測試房間的環境參數進行采集，最終選取了54組數據作為樣本數據。在PNN網絡訓練中，選取46組數據作為訓練數據，8組數據作為測試數據。樣本數據如表1所示，其中Xi（i=1，2）分別對應環境指標，即當前測試房間的溫度（°C）、濕度（%），Yi（i=1，2，3，4）分別對應人體參數指標，即體重（kg）、穿衣指數、運動指數、性別。此外，穿衣指數、運動指數、性別分別以等級形式劃分，具體劃分情況如表2所示。

表1 樣本數據

（表1）續

表2 穿衣指數、運動指數、性別等級劃分

3.2 舒適度模型構建

PNN是一種基于貝葉斯決策理論的前饋型神經網絡模型[10]。網絡一般分為4層，分別是輸入層、模式層、求和層和輸出層。

1）網絡結構介紹

PNN的輸入層對應數據中的每一維特征值，神經元個數與樣本維數一致，在舒適度模型中，首先對Xi（i=1，2）和Yi（i=1，2，3，4）進行歸一化，歸一化后作為模型的輸入神經元，該層采用多元高斯核函數作為激活函數，該層各個神經元的輸出為：

其中，xij為輸入神經元到模式層的權值，σ為平滑因子。

求和層連接了網絡的模式層和輸出層，求和層的每個神經元對應于輸出層的一類，也就是說對應于1～9共9個人體舒適度指數等級。求和層的各個神經元將模式層中屬于一類神經元的概率進行求和并求平均，得到屬于每個類別的概率密度，該層各個神經元的輸出為：

輸出層采用競爭神經元，對應每個舒適度指數。通過競爭，只有概率密度最大的神經元對應的輸出為1，其他神經元的輸出全部為0，這樣就找出了樣本數據對應的舒適度指數。輸出層各個神經元的輸出為：

2）平滑因子的調節

平滑因子是PNN算法的重要指標，它的大小決定了各個類別樣本之間的影響程度，會對概率密度的計算產生影響，最終將直接影響分類效果。如果σ過大，概率密度估計值較為平滑，嚴重丟失類別間差異的細節，故無法準確分類；如果σ過小，概率密度估計值會出現很多尖峰突起，也不能實現準確分類。本文通過對數據的仿真實驗，得出當σ取為0.31時，舒適度評價模型準確率相對最高，可以達到81.6%以上。

3.3 空調控制策略設計

上位機需要獲取的參數包括協調器傳回的環境參數，用戶輸入的人體參數。1）首先通過判斷當前房間的溫度來確定空調下一步需要設為制冷模式還是制熱模式，當氣溫高于27℃時開啟制冷模式，當低于20℃時開啟制熱模式，若介于兩者直接則無需開啟空調；2）接著調用舒適度模型，計算當前環境下的人體舒適度指數，通過舒適度指數判斷出是由于溫度高造成的不滿意還是由于溫度低造成的不滿意，若是由溫度高造成的不滿意，就需要在下一次控制中降低空調設定的溫度，反之，升高空調設置溫度；3）當舒適度指數偏離最佳舒適度5越遠時，調節幅度越大，反之，調節幅度越?。?）重新設定溫度后，環境參數將會發生變化，又由空調控制終端采集當前環境參數，該數據又會作為新的輸入參數傳給上位機，參與下一輪的模型運算和控制，這樣就實現了空調根據用戶舒適度進行自動調節的目標?？照{控制策略總體設計思路如圖4所示，圖中，Comfort為舒適度指數；Temp為設定溫度值；WS為設定風速值。

4 系統軟件部分

系統軟件設計包括控制器軟件設計和上位機設計。其中，控制器軟件部分主要包括ZigBee協調器與上位機之間的通信協議設計，ZigBee協調器和空調控制終端之間的通信協議設計，空調控制終端和空調之間的紅外協議研究，MSP430F4152芯片以及CC2530芯片的程序設計。上位機設計主要實現用戶信息的錄入以及人體舒適度模型的調用，并按照空調控制策略給出空調設定值，之后向協調器發送控制指令；主要功能包括：用戶登錄、用戶信息輸入、室內環境監控、空調狀態查詢、舒適度指數計算以及發送控制指令等。限于篇幅，本文不做詳細介紹。

圖4 空調控制策略總體設計思路

5 仿真與實例驗證

以北京市某地區34平米房間在2017年7月份不同時段采集的數據為例，協調器將空調控制終端采集到的房間內溫濕度數據上傳至系統，用戶通過上位機將自身的體重（kg）、穿衣指數、運動指數、性別數據輸入系統。為完成測試，邀請了10名測試人體在房間內進行實際體驗，并完成問卷調查。測試過程中，對每個測試人員采集7次數據，最終得到70組有效數據，數據如表3所示。在表3中（T，R）的T表示舒適度模型的評價結果，R表示測試人員反饋的主觀舒適度評價結果。

從表3中可以看出舒適度模型能夠評價當前環境下的人體舒適度指數，而且準確率較高，系統運行一段時間后能夠將環境調節至舒適區，并穩定運行在舒適區。本實例驗證了系統功能，證實了基于PNN算法的舒適度模型以及空調智能控制策略的有效性，空調控制終端可以按照上位機設定的控制策略實現對空調的控制，測試過程中系統運行穩定，實現了空調隨舒適度變化而切換不同運行狀態的自動控制。

表3 測試結果數據記錄

6 結束語

本文設計并實現了基于PNN算法的空調智能控制系統，重點研究了基于PNN的舒適度模型，采用模式識別的思想解決了舒適度評價問題。該模型綜合考慮了環境因素以及人的主觀感受對舒適度的影響，為空調控制策略的優化提供了依據，使空調狀態能夠以適合人體感受的方式進行自動調節，具有一定的實用價值。