基于云平台的室内环境舒适度智能决策控制系统

许晓飞，陈帅，莫桂明

(北京信息科技大学 自动化学院，北京 100192)

0 引言

目前室内环境实时数据采集与监测系统以数据采集和根据环境参数阈值进行控制终端设备为主[1-3],但系统通常缺乏智能决策控制功能。随着云计算和人工智能的发展，人们对具有智能决策功能的室内环境监测系统需求日益增加[4-5]，为此本文提出一种基于云平台的室内环境舒适度智能决策系统设计方案[6-8]。

本文所设计的系统是以室内环境舒适度作为判断条件的精确智能决策控制系统，在实验室条件下通过ESP32单片机采集温度、湿度、光照强度等传感器数据并传输至阿里云物联网云平台[9-12]，通过云平台基于消息队列遥测传输(message queuing telemetry transport,MQTT)协议封装的RRPC协议将其同步至自建阿里云公网服务器[13-15]，在自建服务器使用智能模糊逻辑决策聚合模型结合BP(back propagation)神经网络模型预测算法生成对应控制指令，实现精确智能决策控制，从而使室内环境舒适度处于最佳状态。

1 系统结构设计

基于云平台的室内环境智能决策控制系统结构如图1所示。使用ESP32作为终端控制核心，通过传感器采集模块获取各种传感器实时信息，依据基于舒适度的目标控制流程，如对温度、湿度、光强等传感器数据存储并进行数字化信息处理，并通过MQTT协议传输至阿里云物联网控制台；通过阿里云物联网平台提供的RRPC协议将数据同步至自建阿里云公网服务器，通过智能决策控制系统形成输出指令传输至阿里云物联网平台，进一步传输至终端控制模块控制舵机模块和其他外设。其中，智能决策控制系统使用改进的智能模糊决策模型结合BP神经网络模型预测算法，可以根据多个输入参数，结合不同条件发出对应的控制命令。

图1 系统的结构设计

2 智能决策系统

2.1 室内空间环境舒适度评价

室内空间环境舒适度通常是指人对所处室内环境的满意程度[5]。通过查阅室内人体环境舒适度参数[5]，并结合实验分析，得出大众化室内环境最佳舒适参数如表1所示。根据数据融合实验分析，得出智能决策的舒适度参数参考值如表2所示。

表1 大众化室内环境最佳舒适参数值

表2 智能决策的舒适度参数参考值

2.2 系统舒适度的计算

系统舒适度的定义如式(1)所示。如图1所示的智能决策控制系统模块，实时接收多种传感器传输的数据，然后进行数据处理并使用智能决策控制算法进行计算，最后将处理过的数据通过模糊融合方法输出系统舒适度等级，由此实现智能决策控制。

(1)

式中：C为室内环境舒适度；xi为第i个传感器检测的被测参数的标准化数据；θi为前i个被测参数的标准化数据的平均值；ωi为第i个被测参数的标准化数据的权值；Ei(xi)为前i个被测参数的标准化数据的决策总风险；λ(di|ωi)为设定第i个被测参数的标准化数据的权值ωi时的操作di所带来的风险。

此系统检测控制过程如图2所示，以室内温度(℃)、室内相对湿度(%)、室内相对光照强度(%)参数为输入变量，以表2的优良中差4个等级舒适度为中间输出变量，以表1的输入值为算法决策控制的最佳舒适度参数，根据最佳舒适度参数与设定的舒适度参数参考值辅助控制智能室内空调、洒水器和风扇的运行，将室内的温度、湿度和光照强度控制在舒适范围内。

图2 基于舒适度的目标控制流程

如图2所示，系统首先将采集传感器感知的物理量参数数据进行标准化处理，作为决策系统模块的输入端，经过决策内部模糊逻辑命令集合和模糊推理规则库，再将去模糊化计算的数值的输出根据其对人类舒适度的重要性进行加权，得出不同权值的物理参数综合舒适度指标，计算出相应舒适度，系统由此实现决策的输出，进而控制硬件实现舒适度的智能决策控制。

2.3 基于BP神经网络的舒适度训练预测模块

本文使用BP神经网络模型具体实现舒适度的预测。以室内温度为例，通过前3 h采集温度数据，预测第4 h温度。故输入层为3个节点，输出层为1个节点，根据隐藏层节点数的经验公式得出隐藏层为7个节点，模型结构如图3所示。

图3 BP神经网络模型结构

使用式(2)进行数据归一化:

(2)

式中:xnorm为归一化数据；xi为输入数据；xmax、xmin分别为输入数据的最大值和最小值。

激活函数采取Sigmoid函数。

3 云平台室内环境智能决策

3.1 系统的测试

系统使用MicroPython语言作为ESP32单片机编程语言，使用PyCharm作为程序编辑器，使用Python函数库中的模糊逻辑库scikit-fuzzy编辑模糊融合的决策模型，使用uPyCraft作为程序烧录器，通过ESP32单片机连接温湿度传感器、光照传感器、0.96寸OLED屏幕、舵机等其他外设，通过MQTT协议与阿里云物联网云平台连接，通过Wokwi平台实现仿真。

通过ESP32单片机读取温湿度传感器和光照传感器数据，通过图2所示的基于舒适度的目标控制流程，实现室内灯光自动控制、自动调整温度和湿度。

系统实现的云平台智能决策通过人为干预环境，进行监测，经过多次操作来验证本系统的稳定性及实时性。表3列出了采用人为干预措施及远程支援服务部分操作。

表3 人为干预手段及支援服务类别

系统使用阿里云的IOT Studio项目控制台进行数据可视化，同时使用控制台业务逻辑模块创建钉钉机器人实现手机推送功能。

3.2 神经网络训练及预测实验

本文系统依据云平台实时存储数据集开发神经网络预测功能模块；通过已有多路传感器数据存储样本。下面以气温数据训练为例,采用BP神经网络模型进行数据训练及预测。

通过DHT11温湿度传感器每隔1 h采集实验室室内温度数据，连续采集30 d作为数据来源，其中前20 d采集数据作为训练集，后10 d采集数据作为测试集。设定学习率为0.5，精度误差为0.002。

图4 模型训练过程

模型训练过程如图4所示。由图4可得训练误差逐次累积减小，训练一定次数后误差几乎不变，系统运行耗时8.9 s。

通过DHT11温湿度传感器每隔1 h采集某天实验室内温度数据，连续采集6 h，然后运行训练后的BP神经网络模型，运行结果如表4所示，表4中误差为预测温度与测量温度差值的绝对值除以测量温度的百分比。

表4 模型预测结果

通过图4模型训练过程以及表4模型预测结果可以得出，BP神经网络模型最小均方误差较小，模型精度较高。下一步可增加训练数据集数量，优化神经网络训练模型，提高预测精度。

4 结束语

随着大众对室内环境的舒适度、节能、安全事故预警的需求日益凸显，本文结合云平台应用技术，使用阿里云物联网平台设计智能决策控制系统，实现智能决策控制功能，依据云平台实时存储数据集开发神经网络训练预测功能模块。理论和测试实验表明，本文设计的基于云平台的室内环境智能决策控制系统，具有一定的实时性和有效性。