基于PNN算法的空调智能控制策略研究

（北京工商大学 计算机与信息工程学院 食品安全大数据技术北京市重点实验室，北京 100048）

0 引言

随着生活水平的不断提高，人们追求更加舒适的生活环境，空调是对室内温度、湿度变化影响最大的家电之一。目前大多数空调都需要用户通过遥控或者手机APP设置空调温度、风速、运行模式到某一固定值，实现了室内的恒温恒湿控制[1]。由于空调忽略了人体舒适感在室内热环境控制中的主导地位[2]，当用户感到室内环境不舒适时，空调设置值不会自动更新，需要人工重新设置。近年来前沿的空调研究已经考虑到人体舒适度对空调设定值的影响，提出人体舒适度模型，但目前成果还处在研究阶段，尚未实际应用。由于概率神经网络（Probabilistic Neural Network，PNN）具有训练速度快，分类结果不易陷入局部最小，可以增加训练样本使网络分类效果达到最优的特点[3,4]，因此，本文建立了基于PNN的舒适度模型，通过该模型可以得到不同时段用户的舒适度指数，从而依据舒适度指数改进空调控制策略并进行相关实践。整套系统根据空调控制策略动态调节设定参数，构建出动态变化的智能热环境[5]，使空调运行方式更加符合人体需求，实现空调的自动闭环控制。

1 系统总体方案

基于PNN算法的空调智能控制系统构框图如图1所示，包括空调、控制终端、ZigBee协调器和上位机。

图1 系统结构框图

当空调控制终端采集的环境参数和用户输入的人体参数上传至上位机时，上位机对数据进行分析处理，并利用嵌在上位机的舒适度模型计算人体舒适度指数；同时基于该指数设计空调智能控制策略，给出下一步空调的温度设定值、风速设定值，以及运行模式，然后将空调设定值按照制定的通信协议通过无线方式下发至空调控制终端；空调控制终端再通过红外方式将控制指令下发到空调，实现空调的自动控制。

对人体舒适度的评价，业内比较认可Fanger教授提出的PMV模型；该模型指出影响人体舒适度的参数主要包括环境因素和人体因素两大类，其中环境因素包括空气温度、空气流速、空气相对湿度、平均热辐射温度等参数，人体因素包括人体代谢率、衣服热阻等参数[6,7]。但在实际工程中，人体代谢率、衣服热阻等与人体紧密相关的参数难以采集和计算，所以部分文献在计算中近似或者忽略了这些参数。然而不同人做同一运动或同一人做不同运动，其人体代谢水平不同，则舒适感觉也不同，同时穿着不同的人感觉也有所差异。针对先前研究的不足，综合考虑了对人体舒适度产生影响的各个因素后，本文选择穿衣指数、运动指数、体重、性别作为人体参数来代替人体代谢率和衣服热阻等不易测量的人体相关参数，选择室内的实时温度、湿度作为环境参数；选择PNN算法进行人体舒适度建模，相比于固定的公式推导，采用神经网络建立的模型适应性更强。

2 系统硬件部分

系统硬件部分由空调控制终端，ZigBee无线协调器组成，其中空调控制终端的硬件结构如图2所示。

图2 空调控制终端硬件结构

空调控制终端在Flash模块中存储红外指令等数据，通过温湿度传感器完成当前热环境温湿度信息的采集，通过Zigbee无线模块完成与协调器的无线数据通信，最终通过红外发射指令对空调进行控制。为实现上述功能以及保证系统低功耗，选择MSP430F4152[8,9]芯片作为主控芯片，选择SHT20温湿度传感器，选择M25PE20作为Flash存储芯片，选择ZigBee CC2530无线通信模块，选择红外发光二极管作为红外发射器。工作中，每当有中断触发时唤醒MSP430，执行服务后MSP430进入休眠状态。限于篇幅，本文对电路设计不做详细介绍。

3 基于PNN的舒适度建模与控制策略设计

3.1 人体舒适度指数及样本采集

舒适度模型对环境温度、湿度、穿衣指数、运动指数、体重、性别等输入参数处理分析后，计算出一个值用来表示当前环境下人体的舒适级别，我们把它称作舒适度指数。舒适度指数共设定9个等级，从1～9依此表示特别冷、很冷、比较冷、有点冷、舒适、有点热、比较热、很热、特别热。人体舒适度指数划分如图3所示。

图3 人体舒适度指数划分

为实现舒适度模型的构建，首先进行样本采集。样本采集采用问卷调查的方式，对6个受试者在测试房间中进行体验和问卷调查，采用空调控制终端对当前测试房间的环境参数进行采集，最终选取了54组数据作为样本数据。在PNN网络训练中，选取46组数据作为训练数据，8组数据作为测试数据。样本数据如表1所示，其中Xi（i=1，2）分别对应环境指标，即当前测试房间的温度（°C）、湿度（%），Yi（i=1，2，3，4）分别对应人体参数指标，即体重（kg）、穿衣指数、运动指数、性别。此外，穿衣指数、运动指数、性别分别以等级形式划分，具体划分情况如表2所示。

表1 样本数据

（表1）续

表2 穿衣指数、运动指数、性别等级划分

3.2 舒适度模型构建

PNN是一种基于贝叶斯决策理论的前馈型神经网络模型[10]。网络一般分为4层，分别是输入层、模式层、求和层和输出层。

1）网络结构介绍

PNN的输入层对应数据中的每一维特征值，神经元个数与样本维数一致，在舒适度模型中，首先对Xi（i=1，2）和Yi（i=1，2，3，4）进行归一化，归一化后作为模型的输入神经元，该层采用多元高斯核函数作为激活函数，该层各个神经元的输出为：

其中，xij为输入神经元到模式层的权值，σ为平滑因子。

求和层连接了网络的模式层和输出层，求和层的每个神经元对应于输出层的一类，也就是说对应于1～9共9个人体舒适度指数等级。求和层的各个神经元将模式层中属于一类神经元的概率进行求和并求平均，得到属于每个类别的概率密度，该层各个神经元的输出为：

输出层采用竞争神经元，对应每个舒适度指数。通过竞争，只有概率密度最大的神经元对应的输出为1，其他神经元的输出全部为0，这样就找出了样本数据对应的舒适度指数。输出层各个神经元的输出为：

2）平滑因子的调节

平滑因子是PNN算法的重要指标，它的大小决定了各个类别样本之间的影响程度，会对概率密度的计算产生影响，最终将直接影响分类效果。如果σ过大，概率密度估计值较为平滑，严重丢失类别间差异的细节，故无法准确分类；如果σ过小，概率密度估计值会出现很多尖峰突起，也不能实现准确分类。本文通过对数据的仿真实验，得出当σ取为0.31时，舒适度评价模型准确率相对最高，可以达到81.6%以上。

3.3 空调控制策略设计

上位机需要获取的参数包括协调器传回的环境参数，用户输入的人体参数。1）首先通过判断当前房间的温度来确定空调下一步需要设为制冷模式还是制热模式，当气温高于27℃时开启制冷模式，当低于20℃时开启制热模式，若介于两者直接则无需开启空调；2）接着调用舒适度模型，计算当前环境下的人体舒适度指数，通过舒适度指数判断出是由于温度高造成的不满意还是由于温度低造成的不满意，若是由温度高造成的不满意，就需要在下一次控制中降低空调设定的温度，反之，升高空调设置温度；3）当舒适度指数偏离最佳舒适度5越远时，调节幅度越大，反之，调节幅度越小；4）重新设定温度后，环境参数将会发生变化，又由空调控制终端采集当前环境参数，该数据又会作为新的输入参数传给上位机，参与下一轮的模型运算和控制，这样就实现了空调根据用户舒适度进行自动调节的目标。空调控制策略总体设计思路如图4所示，图中，Comfort为舒适度指数；Temp为设定温度值；WS为设定风速值。

4 系统软件部分

系统软件设计包括控制器软件设计和上位机设计。其中，控制器软件部分主要包括ZigBee协调器与上位机之间的通信协议设计，ZigBee协调器和空调控制终端之间的通信协议设计，空调控制终端和空调之间的红外协议研究，MSP430F4152芯片以及CC2530芯片的程序设计。上位机设计主要实现用户信息的录入以及人体舒适度模型的调用，并按照空调控制策略给出空调设定值，之后向协调器发送控制指令；主要功能包括：用户登录、用户信息输入、室内环境监控、空调状态查询、舒适度指数计算以及发送控制指令等。限于篇幅，本文不做详细介绍。

图4 空调控制策略总体设计思路

5 仿真与实例验证

以北京市某地区34平米房间在2017年7月份不同时段采集的数据为例，协调器将空调控制终端采集到的房间内温湿度数据上传至系统，用户通过上位机将自身的体重（kg）、穿衣指数、运动指数、性别数据输入系统。为完成测试，邀请了10名测试人体在房间内进行实际体验，并完成问卷调查。测试过程中，对每个测试人员采集7次数据，最终得到70组有效数据，数据如表3所示。在表3中（T，R）的T表示舒适度模型的评价结果，R表示测试人员反馈的主观舒适度评价结果。

从表3中可以看出舒适度模型能够评价当前环境下的人体舒适度指数，而且准确率较高，系统运行一段时间后能够将环境调节至舒适区，并稳定运行在舒适区。本实例验证了系统功能，证实了基于PNN算法的舒适度模型以及空调智能控制策略的有效性，空调控制终端可以按照上位机设定的控制策略实现对空调的控制，测试过程中系统运行稳定，实现了空调随舒适度变化而切换不同运行状态的自动控制。

表3 测试结果数据记录

6 结束语

本文设计并实现了基于PNN算法的空调智能控制系统，重点研究了基于PNN的舒适度模型，采用模式识别的思想解决了舒适度评价问题。该模型综合考虑了环境因素以及人的主观感受对舒适度的影响，为空调控制策略的优化提供了依据，使空调状态能够以适合人体感受的方式进行自动调节，具有一定的实用价值。