基于机器学习的空调控制研究

赵启彤 马嘉林 蒋 勇 覃宏波

（珠海拓芯科技有限公司 珠海 519000）

前言

随着居民消费能力的提升，消费者对生活品质的追求大幅提高，对家电的需求从原本的满足单一功能逐渐转换为追求多功能、智能化、互联化。据9 月14 日工信部数据显示，我国智能家电市场规模已达5 000 亿元，越来越多消费者的更愿意购买智能家电[1]，随着华为小米等陆续推出家居整体智能化解决方案，家电的智能化已经是大势所趋。

随着计算机技术的发展，越来越多的新技术被运用到传统家电上。目前在传统家电主要运用的有两种智能化技术，一种是互联网技术，一种是机器学习技术。互联网技术主要应用在传统家电的互联化上，使家用电器变为一个完整的生态链。例如小米旗下的米家品牌推出的智能电视、智能门锁、智能晾衣架等智能家居，让传统的家居通过网络进行互联，让用户能够拥有一个手机控制全屋家电的使用感。机器学习技术，主要应用在传统家电的智能化上，例如华为和小米推出的智能音箱和各个空调品牌推出的智能语音空调[2]。

机器学习主要运用在预测和识别上，例如体育赛事的预测、天气预测、车流量预测。如果能够通过机器学习对使用者的使用习惯进行提前预测，并能够提前将预测的信息设置在设备上，就能够使用户拥有“想睡觉了就有人递枕头”的人性化、智能化体验。本文是对机器学习在空调控制上应用的研究。通过采集用户的空调使用信息并加以机器学习技术，使空调的用户能够得到上述的体验。

1 机器学习模型分析

BP 神经网路算法是一种按误差反向传播训练的多层前馈网络，包括输入层、输出层、隐含层，层与层之间采用全互联方式连接。BP 神经网络算法包含前向传播和反向传播两部分。理论上只要有足够多的隐含层和隐含层节点，BP 神经网络算法可以逼近任意的非线性映射关系，并且BP 神经网络算法做成的模型输入与输出之间的关联信息是分布式存储的，单个神经元受损只会对整体造成很小的影响，具有很高的容错性，同时BP 神经网络算法具有很强的泛化能力。因此BP 神经网络算法适合用于此项研究。需要注意的是BP 神经网络也有一些缺点，比如当目标函数存在多个极值点时，BP 神经网络算法容易陷入局部极小值，以及目前没有一种科学和工程上的方法准确的确定隐含层和隐含层节点的数目[3]，如图1 所示。

图1 BP 神经网络结构图[5]

图2 空调习惯学习流程图

2 模型使用方法

2.1 采集的数据选取

据雷娅平、李念平等在《长沙市办公室空调使用行为分析与预测》一文中的分析与研究，影响用户使用空调的几个主要因素为：月份、时间、瞬时室内温度、瞬时室外湿度、瞬时室内湿度、室外2MIN 平均风速[4]。该文的研究地点单一，月份温度变化较固定，空调在实际使用中范围广，各地区的环境差别大，故增加地区因素。该文使用了较为专业的气象站对风速进行测定，而在空调实际的使用情况中不可能做到如此精确的测定，因此去除掉风速因素。

在空调实际使用过程中不仅要考虑用户的舒适性，也需考虑环保与健康因素，故将空调在某一环境下的节能和健康设置作为参考因素之一。

综上所述，空调的学习模型输入特征为：地区、月份、时间、瞬时室内温度、瞬时室内湿度、瞬时室外温度、瞬时室内湿度、在这一室内温湿度情况下空调的节能温度和风速档位、在这在这一室内温湿度情况下空调的健康温度和风速档位，模型输出特征为：空调设置的温度、空调设置的风速档位、除湿模式启闭情况。模型的输入特征总计11 个，输出特征总计3 个。

2.2 数据采集的方法

通过在空调的内外机中增设传感器进行数据采集，例如在内机的外部增设热敏电阻检测室内的瞬时温度，月份、时间等参数可通过检测空调的计时器定期向服务器发送的信息确定。通过在空调的内机中增加WIFI 模块，将采集到的参数和信息发送到服务器中，服务器计算完成后的参数再通过WIFI 模块发送到空调中。

3 应用方法分析

3.1 应用方法

机器学习在空调智能化上的应用有两种方法：方法一：

在大范围内采集用户使用空调时所设置的温度、风速、除湿信息以及设置这些参数时的外部环境信息，通过对这些数据信息进行机器学习，得到一种在各个环境下用户普遍觉得舒适的空调设置；

方法二：

仅采集某一用户使用空调时所设置的温度、风速、除湿参数信息以及设置这些参数时的外部环境信息，通过对这一用户使用习惯进行学习，得到一种适用于这一客户使用习惯的空调设置。

两种应用方法进行对比：

1）适用性：方法一所采集的空调使用习惯数据是大范围内采集的，使得机器学习得出的空调设置能够在办公室、机场、火车站等公共场所和绝大多数家庭环境下适用，方法二采集的空调使用习惯数据为单一用户的，所以得到的空调设置更加的个性化，能够使空调的参数设置更贴近用户的使用习惯；

2）计算量：方法一数据量要比方法二的大，所以方法一需要的计算工具性能要求高于方法二；

3）时效性：方法一的数据采集和参数计算可提前进行，将计算的设置提前烧录到空调中，用户安装好空调后即可使用该功能，方法二是对单个用户的习惯进行学习，对用户的空调使用习惯需要一段时间进行采集和学习，需使用一段时间后才能够使用该功能。

两种方法的共同点是都需要对用户的空调使用习惯和外部环境进行信息采集和机器学习，在数据采集方法和机器学习模式等方面无太大区别，区别在于数据量的大小，这会影响两种方法实施所需要付出的成本和适用性。方法一需要性能强的计算机来解决海量的数据计算问题，计算成本高。方法二计算需求小，能够满足较低的计算性能即可，问题在于方法二的数据较为独立，每个空调的用户都需要一个处理器为其进行计算，因此需要一定数量的处理器来满足需求，通过合理的编排处理器使用，可降低处理器的数量需求。

3.2 模式的设计

在空调的遥控器上增加智慧模式按钮和个人模式按钮，按下智慧模式后空调通过上述的方法一模式运行，空调将通过检测环境参数自行设置空调的温度和风速等。个人模式按钮通过上述的方法二的模式运行，但该模式需在空调使用一段时间后才可使用，便于空调对个人的使用习惯进行采集和学习。

4 总结

使用机器学习技术与空调结合后，通过对空调使用设置的自动化，提升使用者的智能化和个性化感受，减少空调的能量消耗，同时使用方法一的智慧模式后可使一些对空调设置模糊的用户，能够一键对空调进行设置，有效降低了空调的使用门槛。

5 展望

结合上述的两种方法，可以通过对特定用户进行信息采集来对特定用户提供一些专用的模式设置，例如通过采集学习老人的使用习惯，结合对于老人而言相对更健康的温度设置，给老人提供一种更健康更舒适的空调模式。通过机器学习技术也可以为某些公共场所的空调系统设计提供更多的帮助和参考，例如某一火车站的空调系统，其空调的参数设置可通过学习其他空调的参数设置、让旅客填写对火车站内的温度设置意见等方法采集数据源，通过机器学习技术，使火车站的空调温度控制能够使绝大多数旅客都能感到舒适。随着单片机技术和空调的工艺技术的提高，空调与机器学习技术相结合必然可以为用户提供更舒适更健康更节能的使用体验。