这是用户在 2024-4-24 9:33 为 https://app.immersivetranslate.com/pdf-pro/ae0fa8b6-11c2-4925-838e-4ed756e452c3 保存的双语快照页面，由 沉浸式翻译 提供双语支持。了解如何保存？
2024_04_24_1d4a31a18cd2255cda91g


基于物联网和 STM32 微控制器的智能加热系统

 阎肃
 *通信：
paperiset@163.com

信息学院

郑州工业大学工程学院，中国郑州 450044

 摘要


在物联网技术迅速发展的今天，许多家庭都在向智能解决方案迈进。针对传统供暖系统温度控制不灵活的问题，本研究重点设计了一种智能供暖系统。为了提高灵活性和智能性，本研究提出了一种基于物联网和 STM32 微控制器的智能供暖系统。此外，研究还指出了传统比例-积分-派生控制方法的局限性，并基于动态矩阵控制算法建立了供热系统输出温度的优化控制模型。结果表明，系统的网络界面能成功绘制温度曲线，清晰显示检测到的温度和湿度数据。输出温度优化控制模型显示，在加热初始阶段， ，温度控制误差指数为 0.0543；在加热中期阶段，当阀门相对开度接近 0 时，控制误差指数为 0.0353。且温度控制效果优于传统 PID 控制、模糊 PID 控制、基于遗传算法的 PID 控制和预测反馈预测控制，无明显的室内温度超调现象，具有一定的优势。总之，所提出的系统和模型具有良好的应用效果，为供热系统的智能化管理提供了技术支持。


关键词供暖系统 物联网 STM32 微控制器 动态矩阵控制 优化控制

 导言


随着经济的发展和生活水平的提高，与居民生活密切相关的智能基础设施的发展越来越受到关注。供暖作为一种用于温暖室内空间的系统或设备，在确保寒冷冬季的舒适居住环境方面发挥着至关重要的作用（Sabory 等，2021 年；Cao 等，2022 年）。传统的供暖系统在灵活调节温度、为高层建筑用户提供次优供暖效果以及缺乏全面的用户管理方面面临挑战（Aldossari 和 Sidorova，2020 年）。物联网（IoT）技术的快速发展实现了各种智能设备和传感器的互联，促进了远程通信并建立了智能家居生态系统（Liu 等人，2021 年）。在供暖系统中，物联网技术可使传感器和智能设备协同工作，实现智能温度调节，优化能源消耗，并为用户提供远程控制和定制化舒适体验（Mao 等，2020 年）。不断发展的物联网技术为家庭自动化和供暖系统的智能化提供了可能性。然而，目前将物联网技术与供暖系统相结合的研究还相对不成熟，供暖系统的整体智能化水平仍然不高。在此背景下，本研究设计了一种基于物联网和 STM32 微控制器的智能供暖系统，并基于动态矩阵控制（DMC）算法构建了供暖系统输出温度的优化控制模型。本研究的创新点主要包括两点。第一点是选择 ZigBee 技术作为构建系统无线传感器网络的方法。第二点是利用 DMC 算法优化对供热系统输出温度的控制。研究的主要结构分为六个部分。第一部分是引言。第二部分是对物联网和智能供热系统研究现状的概述。第三部分是设计基于物联网和 STM32 微控制器的智能供暖系统，并构建基于 DMC 算法的供暖系统输出温度优化控制模型。第四部分是分析所提出的智能供暖系统和输出温度优化控制模型的应用效果。第五部分是讨论。最后一部分是对整个研究的总结。

本研究设计了一种智能供暖系统，并利用DMC算法优化了室内温度控制，可促进物联网技术与供暖系统的深度对接，加强智能算法在供暖系统温度控制中的应用，为用户提供更加便捷的温度控制服务。有利于提升用户体验，促进供热系统的智能化发展和节能优化，为智能供热系统提供一定的技术支持。

物联网是指利用信息传感设备，通过约定的协议将物体与互联网连接起来，促进生活、生产和社会管理智能化变革的网络。Nguyen 等人指出，6G 的目标是通过物联网从根本上改变客户服务和应用，打造完全自主的智能系统。他们对 6G 与物联网的融合进行了全面研究，探讨了 6G 技术在物联网中的应用机会（Nguyen 等，2021 年）。Li 等人探讨了物联网安全问题。他们探讨了将深度学习用于物联网安全架构增强的可能性。他们讨论了识别和应对网络攻击以及加密边缘数据传输的物联网设计。这种将高风险网络活动与实体联系起来的做法被视为促进物联网产业发展的一种手段（Li 等人，2021 年）。Serror 等人观察到工业环境中物联网连接设备的自然趋势，称之为工业物联网或工业 4.0。他们对工业物联网的安全研究进行了全面调查，讨论了其适用性并分析了其安全优势（Serror 等，2020 年）。兴旨在帮助物联网实现智能、便捷、高效的转型

人类社会，建立了一个分层的物联网架构。他们确定了各层特定使能技术带来的可靠性挑战，对具有挑战性的物联网研究问题和机遇进行了系统归纳（Xing，2020 年）。Tran-Dang 等人提出了一个物联网生态系统，以探索物理互联网愿景中物联网技术的机遇。该生态系统包括关键物联网技术、构建模块和面向服务的架构，是加速实现物理互联网的潜在组成部分（Tran-Dang 等，2020 年）。Hansen 和 Bøgh 重点关注中小型企业获得物联网和人工智能技术的重要性。他们对小型制造企业中人工智能和物联网的普及情况进行了全面调查和研究，讨论了当前实施预测分析的局限性和机遇（Hansen 和 Bøgh 2021）。

在物联网的影响下，智能供暖系统体现了物联网化的趋势。它不仅涵盖了传统家居系统的功能，还提供了全面的信息交互能力。Cvitićet 等人指出，与传统设备相比，物联网设备产生的通信流量表现出特定的特征和差异。为了利用这些特征对智能家居中的物联网设备进行分类，他们采用了一种带有增强逻辑回归的监督机器学习方法，根据物联网设备产生的网络流量特征建立了一个分类模型（Cvitić 等人，2021 年）。Paul 等人开发了一个用于智能家居实时能源管理的多目标优化框架。他们将整个优化集设计为时间平均随机问题，并通过整合排队理论和 Lyapunov 优化方法对其进行简化。结果表明，与流行的实时能源管理贪婪算法（Paul 和 Padhy，2020 年）相比，所提出的优化框架具有一定的优势。Soliyevich 和 Olimjon ogli 指出，随着科学技术的进步，现代科技已经达到了一个新的水平，智能家居的出现进一步改善了人们的生活和生活方式（Soliyevich and Olimjon ogli K Z. 2021）。Sun C 等人提出了一种基于负荷预测和室内温度测量修正的综合控制算法，以解决供热系统调节可能造成的室内温度波动失衡和能源浪费问题。结果表明，所提出的控制算法能有效提高用户的热舒适度并降低能耗（Sun 等，2022 年）。He 等人针对供热系统中经济效益与环境保护的单目标优化平衡问题，结合 TRNSYS 仿真、机器学习和遗传算法对供热系统进行了多目标优化（He 等人，2022 年）。Wang 等人针对空气源热泵供热系统提出了一种模型预测控制算法，以解决实际工况下运行能效受限的问题。该算法有助于提供实时优化的压缩机频率和水质量流量，优化其整体运行性能（Wang 等人，2022 年）。

综上所述，尽管前人专家学者对物联网和智能供暖系统进行了大量研究，但目前的供暖系统仍面临温度调节灵活性差的问题，导致资源浪费严重，不利于管理。因此，本研究提出了一种基于物联网技术的智能供热系统。

基于物联网和 STM32 微控制器，旨在为用户提供更加灵活、便捷的温度控制操作，具有重要的实际应用价值和前景。


基于物联网和 STM32 微控制器的智能加热系统


供热系统的智能化对于提高居民生活质量和降低能源消耗具有重要意义。针对传统供暖系统效率低、能耗高、温度控制不灵活等问题，本研究旨在设计一种基于物联网和 STM32 微控制器的智能供暖系统。此外，还将利用 DMC 算法建立供暖系统输出温度的优化控制模型。


设计基于 loT 的智能加热系统


处理器位于智能供暖系统网关系统的核心位置。它不仅需要读取测温电路的温度数据，还需要对温度数据进行处理和反馈，最后显示在用户的终端设备上。目前，主流的微处理器主要分为 32 位、16 位和 8 位。考虑到 8 位微控制器可能会对后续系统升级产生影响，本研究选择了低功耗的 32 位处理器。STM32 系列微控制器可在低功耗模式下运行，在满足设计要求的前提下，大大降低了智能加热系统的用电量，从而节约了成本。本研究设计的智能供暖系统基于物联网和 STM32 微控制器，具有远程控制、无线通信和温湿度数据采集功能。以 STM32 微控制器为核心的嵌入式处理器模块。目前，无线网络通信技术主要包括红外技术、蓝牙技术、ZigBee 技术以及 WiFi 和移动通信技术。ZigBee 技术具有操作简单、功耗低、节点多、成本低、传输范围广、传输速度快等优点。因此，在本研究中，智能供暖系统的内部网络采用 ZigBee 技术组网，外部网络采用 WiFi 和 4G 技术组网。智能供暖系统的网关是连接各种智能设备和传感器的中心枢纽。它负责数据集成、通信管理、设备协调，并提供远程控制和监测系统的功能（Lv 2021）。本研究提出的系统具有安装方便、操作简单、功耗低、易于维护等优点。网关的具体硬件结构如图 1 所示。

供热系统的能耗特性会极大地影响建筑物的整体能耗状况。因此，降低供暖系统的能耗对整体能源利用率具有相当重要的意义（Usman 和 Abdullah，2023 年）。本研究选择 STM32F103C8T6 作为智能供暖系统的嵌入式处理器。通过结合系统的外围电路，传感器收集的信息被转换成可处理的数据，从而便于监测环境温度和湿度，并对系统进行控制。

图 1 硬件结构图

相应地，在不消耗处理器资源的情况下执行循环冗余校验（CRC）。为了在不消耗处理器资源的情况下执行循环冗余校验（CRC），STM32 微控制器中集成了一个嵌入式 CRC32 计算单元。CRC 是计算机网络通信领域常用的一种校验和方法，它使用多项式计算数据位，并与预期位进行比较，以检测数据传输过程中的任何错误。它具有原理清晰、实现简单等优点。在处理大量数据时，为确保数据完整性，数据传输和接收主要采用直接内存访问（DMA）技术。对于本地显示功能，STM32 微控制器的串行外设接口 (SPI) 可控制 OLED 显示屏。鉴于 STM32F103C8T6 需要稳定的 电源，因此使用了降压芯片 MIC5205-3.3 将电压从 转换到 。由于处理器的复位电路工作在低电平，因此采用了经典的 RC 串联复位机制来实现处理器的低电平复位。图 2 显示了 MIC5205 和微控制器的布局图。

加热系统的时钟电路采用了 无源晶体振荡器 CSTCE8M00G55-R0。这种无源晶体振荡器设计简单，只需几个电阻和电容即可正常工作，可大大降低系统的设计成本。在湿度检测方面，本研究采用了一个与 8 位微控制器相连的 DHT11 数字传感器。DHT11 传感器包含一个电阻式湿度感应元件，通过与微处理器的简单电路连接，可直接采集湿度数据。它的响应速度快，抗干扰能力强。在湿度检测方面，研究采用了高度集成的 DS18B20 数字温度传感器，该传感器具有单线接口。DS18B20 传感器无需额外的外围电路，具有以下优点

(a) MIC5205 接线图

图 2 MIC5205 和微控制器的接线图

(b) 微控制器接线图

(a) 传感器节点运行过程

图 3 ZigBee 模块操作流程图

(b) 设备状态操作流程

ZigBee 无线通信模块具有测量范围宽、体积小、抗干扰能力强等优点。为了最大限度地降低成本，本研究选择了 CC2530 芯片作为 ZigBee 无线通信模块，它能以极低的设计成本构建强大的网络节点。使用 ZigBee 模块组建网络的过程如图 3 所示。其中，传感器节点的运行过程是将各传感器节点采集到的数据信息通过 ZigBee 节点构建的网络传输到 ZigBee 协调器，再由协调器通过串行通信传输到主控中心。设备状态的操作过程是，各设备通过 ZigBee 节点构建的网络向 ZigBee 协调器传输状态信息，然后通过串行通信传输到主控中心。主控中心也会通过串行通信向 ZigBee 协调器发送控制指令，并将控制指令通过网络转发给终端节点。

由 ZigBee 节点构建的网络。接收到控制指令后，各传感器将执行相关操作。

这项研究采用霍尔效应原理来检测电机的转速。首先，在电机轴上放置一个边缘有六块等间距磁铁的圆盘。然后将两个霍尔传感器以 90 度的间隔放置，产生两个正交信号。通过检测这些信号，可以确定电机的速度，从而方便电机控制。XRT115 精密电流输出转换器作为系统的传感器模块，可提供精确的电流缩放和输出电流限制功能。对于电动执行器， 和 信号对应阀门开度为 0，而 和 信号对应阀门开度为 100。任何位置的开度值都可以计算出来，从而实现对阀门的远程控制。选用 ATK-ESP8266 模块作为外部网络模块，它具有 LVTTL 串行通信功能，可与其他串行端口或 MCU 接口。它包括 TCP/IP 协议栈，通过对传统串行端口的简单配置，实现了 WiFi 和串行通信之间的无缝转换。显示模块采用单色 OLED 模块和 SSD1306 控制芯片，设置为四行 SPI 模式并直接接地。加热系统设计采用 Keil MDK 5 作为开发工具，利用 HAL 库进行程序开发。对 STM32 微控制器的时钟、延迟功能、键盘和串行端口模块进行初始化。选择 ESP-8266 无线 WiFi 模块，通过 TCP/IP 协议在 WiFi 和 STM32 微控制器之间建立通信。总之，智能供暖系统的整体结构如图 4 所示。

总之，为了提高供暖系统的灵活性和智能性，本研究基于物联网和 STM32 微控制器技术，设计了一种具有远程控制、无线通信和温湿度数据采集等功能的智能供暖系统。


智能供热系统输出温度的优化控制模型


在设计出智能供暖系统的硬件和软件之后，又开展了进一步的研究，以优化对系统输出温度的控制。

图 4 智能供热系统总体结构图

输出温度控制直接影响用户的舒适度和能耗。PID 控制是控制电加热设备输出温度的常用方法。PID 控制器由比例、积分和导数三部分组成，误差值的计算公式为 (1)。

在公式 (1) 中， 代表设定值， 代表反馈值。PID 控制通过处理误差值来确定控制量，PID 控制规则如公式 (2) 所示。

在公式（2）中， 代表控制输出， 代表比例系数， 代表控制输入， 代表积分系数， 代表导数系数。PID 控制策略的结构图如图 5 所示。

然而，传统的 PID 控制系统无法在线调整参数，影响了控制系统的精度。因此，本研究提出了一种基于模型预测控制（MPC）算法的室内温度控制方法。MPC 算法主要由预测模型、反馈修正和滚动优化组成。它是一种预测控制算法，通过预测室内温度与设定温度之间的误差来计算下一时刻的最佳控制量（Zhang 等，2020）。DMC 算法首先通过预测模型提前计算出室内温度与设定值之间的偏差，然后通过滚动优化计算出下一时刻的最优控制量，最后通过反馈修正校正预测模型。因此，通过将用户每时每刻的室内温度传送给 DMC 算法控制程序，就可以计算出下一时刻的温度，从而实现温度控制。预测模型首先需要获取对象的单位阶跃响应曲线，并根据指定的采样周期提供每个指定采样点的数值。预测输出由公式 (3) 得出。

在公式 (3) 中， 代表预测时域， 代表控制时域。 代表 下一时刻的预测输出。

图 5 PID 控制策略结构图

代表在没有控制增量作用的情况下，在时间 下一个 时刻的预测输出。 代表算法的动态矩阵。 代表从时间 开始的控制增量矩阵。在本研究中，预测模型的输入为阀门开度，输出为室内温度。MPC 算法通过滚动优化计算出下一时刻的最优控制量。在时间 ，优化性能指标由式（4）给出。

在公式 (4) 中， 代表优化指数， 代表误差权重系数， 代表期望值， 代表未来 输出的预测值， 代表控制权重系数。在不考虑控制量和被控变量约束的情况下，通过求解极值的必要条件，可以得到使 最小的控制增量序列。这组最优控制增量序列就是开环最优解，如式（5）所示。

在公式 (5) 中，控制表示为 代表误差矩阵， 代表控制矩阵。 表示在考虑 时，下一个 时间步的预期未来输出矩阵，如公式 (6) 所示。

为纠正预测模型与实际情况之间的误差，有必要利用过程的误差信息及时调整输出预测。为此，应在 执行来自 的第一个控制增量 ，如公式 (7) 所示。

在公式 (7) 中， 和 代表中间转换矩阵。预测误差的计算方法见公式 (8)。

在公式 (8) 中， 表示 的预测误差， 表示控制系统的实际输出， 表示 的预测模型输出。控制系统输出预测的修正可以是

通过对误差加权来实现。修正后的控制系统输出预测值 ，用公式 (9) 表示。

在公式 (9) 中， 代表误差修正向量。由于预测的未来时间点会随着时基的变化而移动，因此 需要移动以成为 的初始预测值，如公式 (10) 所示。

在公式 (10) 中， 表示移位变换矩阵，如公式 (11) 所示。

此外，本研究还引入了温度控制误差指数来评估输出温度控制的有效性。该指数值越大，表明 DMC 算法的控制性能越差。温度误差指数的计算方法见公式（12）。

式（12）中， 表示实际室内温度， set 为设定室内温度， 为样本量， 为模拟时间。综上所述，基于 DMC 算法的输出温度控制优化模型的具体过程如图 6 所示。

DMC 算法是一种计算控制增量的方法，它能使控制系统的输出稳定在所需值附近，无论模型

图 6 基于 DMC 算法的输出温度控制优化模型流程图

有误差。即使出现干扰，它也能将控制系统的受控变量恢复到设定值。此外，本研究使用 TRNSYS 软件模拟建筑物的实际传热过程，并在每个模拟时间将用户的室内温度传送给 DMC 算法控制程序。使用 Sketch Up 软件建立建筑的三维模型，共 3 层，每层 3 个房间。每个房间的长 宽 高 。每个房间设置为独立的热区，为了减少户间热量传递的影响，在内墙和地板上增加了隔热层。


智能供暖系统和温度优化控制模型的有效性


设计了一个智能供暖系统，并构建了一个输出温度优化控制模型，为供暖系统的智能化发展做出了贡献。然而，要评估其实际应用情况，还需要进一步验证。分析主要集中在两个方面：基于物联网和 STM32 微控制器的智能供暖系统仿真测试和输出温度优化控制模型的有效性评估。


智能加热系统测试结果


为了验证所设计的智能供暖系统的应用效果，实验以 STM32 为硬件平台，结合物联网平台，在实验室环境中模拟室内外温度变化和用户温度调节需求。对智能供暖系统进行了实验测试。在硬件组件方面，对每个元件的极性和类型进行了细致的检查。随后，使用万用表检查电路板上的所有引脚，确保没有连接错误。在检查焊接后的电路板上是否有漏焊或虚焊的元件后，确保芯片的焊接方向正确，没有短路。然后对电路板进行通电测试，以确保没有元件过热或烧毁，并确保模块符合设计规范，功能正确。经过原型设计和调试，硬件成功实现了数据监测功能，如图 7 所示，图 7 展示了智能供暖系统的物理外观。

图 7 智能供热系统硬件设备实物图

图 8 室内外温度实时变化曲线

图 9 温度和湿度变化趋势

系统硬件。从图 7 中可以看出，硬件尺寸符合要求，经过多次测试，传感器功能正常，电路连接准确，满足早期设计标准。

随后，对智能供暖系统的服务器组件进行了测试。网页上显示的实时温度变化曲线如图 8 所示。图 8 表明，所设计的智能供暖系统可以提供实时的温度变化曲线，与室外温度的大幅波动相比，室内温度的变化更为平缓。此外，随着室外温度的降低，室内温度有缓慢上升的趋势，并保持在 ，可以满足实际情况下人体适宜的温度环境。结果表明，智能供暖系统的网页能有效生成温度曲线，并能达到预期的室内温度控制效果，显示出良好的可行性和有效性。

智能加热系统记录的温湿度变化趋势如图 9 所示。从图 9a 可以看出，随着测试环境的变化，温度值也随之变化，云平台接收数据正常。从图 9b 可以看出，湿度值也会随着测试环境的变化而变化。

检测环境的变化，符合实际情况，达到了预期效果。结果表明，智能供暖系统不仅能清晰显示检测到的温湿度数据，还能显示各种参数的整体变化曲线，准确性和真实性较好，达到了预期效果。

为了进一步验证拟议系统的适应性，我们对夏季高温环境和冬季低温环境进行了模拟。结果如图 10 所示。从图 10a、b 可以看出，无论在高温环境还是低温环境下，拟建智能供暖系统的室内温度都比较稳定，始终在满足用户温度要求的范围内。结果表明，所提出的智能供暖系统在高温和低温环境下都能达到预期效果，具有良好的适用性。

实验结果表明，本研究提出的智能供暖系统能为用户提供良好的温度控制和温湿度监测服务，性能良好。不仅可以为物联网技术与智能供暖系统的深度融合提供一定的技术支持，还可以提高智能供暖系统的现代化水平。它还可以为今后研究智能

(a) 高温测试环境

(b) 低温测试环境

图 10 高温和低温环境下的测试结果

结合物联网技术的家居系统，促进物联网技术在日常生活中的应用，推动智能家居领域的发展。


输出温度优化控制模型的效果分析


为评估基于 DMC 算法的供暖系统输出温度优化控制模型的有效性，在供水温度设定为 的情况下进行了一项研究。在供暖初期 ，室内温度设定为 ，随后一段时间室内温度保持在 。在供暖中期阶段，室内温度在最初的 设置为 ，然后在剩余时间内调整为 。图 11 展示了初始和中期加热阶段实际室内温度和阀门相对开度随时间的变化。从图 11a 可以看出，在加热初始阶段，当相对阀门开度接近 0 时，室内实际温度出现了明显的跃升， ，温度控制误差指数为 0.0543。图 显示，在供暖中期，室外温度成为影响室内实际温度的主要因素，阀门起到调节作用，导致温度控制误差指数为 0.0353。结果表明，基于 DMC 算法的供热系统输出温度优化控制模型在不同采暖期表现出良好的温度控制性能和鲁棒性。

为了评估模型在不同供水温度下的温度控制性能，初始温度设定为 ，室内温度设定为 ，第一次 ，然后调整为 。以温度控制误差指数作为评价指标，其计算方法如式（12）所示。该值越大，算法的控制效果越差；该值越小，温度控制效果越好。如图 12 所示，在供水温度为 和 时进行了实验。图 12a 显示，在供水温度为 时，实际室内温度有明显波动，但仍接近 和 的设定温度，误差范围可以接受，温度控制误差指数为 0.0384。图 12b 表明，在供水温度为 时，没有出现明显的室内温度超调，温控效果良好。在第一个 ，温度与设定的 比较接近，在接下来的时间里，温度与设定的 比较接近，在接下来的时间里，温度与设定的 比较接近，在接下来的时间里，温度与设定的 比较接近。

(a) 在供暖初期
 (b) 供暖中期

图 11 室内实际温度和调节阀相对开度随时间的变化情况

(a) 供水温度为

图 12 不同供水温度下模型的温度控制效果

也相对接近设定值 。温度控制误差指数最小，为 0.0353。最后，图 12c 显示，在供水温度为 时，实际室内温度仍然接近设定温度，没有出现明显的室内温度超调现象，温控误差指数为 0.0368。结果表明，基于 DMC 算法的供热系统输出温度优化控制模型在不同供水温度下均表现出良好的温度控制性能，证明了其可行性和有效性。

为了验证所提出的温度优化控制模型的优越性，将室内温度设定为 ，并将供水温度设定为 ，以控制室内温度。在第一次 时，室内温度设定为 ，然后在剩余时间内保持在 。与传统的 PID 控制、模糊 PID 控制、基于遗传算法（GA）的 PID 控制和预测反馈预测控制相比，这四种温度控制方法已广泛应用于温度控制中，并取得了良好的应用效果。因此，本研究将以这四种温度控制方法作为对比方法，进一步验证研究模型的可行性和优越性。这五种方法对室内温度的控制效果如图 13 所示。从图中可以看出，在五种温度控制方法中，DMC 算法的性能最好，其次是预测反馈预测控制和 GA-PID 控制，没有观察到明显的室内温度超调现象，说明温度控制效果较好。相比之下，PID 控制效果最差，在 之间出现了明显的温度过冲。结果表明

图 13 控制室内温度的五种方法

以 DMC 算法为基础的供热系统输出温度优化控制模型可实现出色的温度控制。

总之，基于 DMC 算法的供热系统输出温度优化控制模型在不同的供热期和供水温度下都表现出稳健有效的温度控制。此外，与 PID 控制相比，DMC 算法显示出更优越的温度控制效果。实验结果表明，本研究提出的智能供热系统和温度优化控制模型具有良好的性能。在今后的研究中，应考虑升级到CPU速度更快或存储容量更大的服务器，以进一步提高系统的可扩展性，丰富用户界面的操作功能，并与智能家居技术相结合，为用户提供更全面的智能家居服务。

 讨论


随着技术的飞速发展，物联网技术已逐渐渗透到日常生活的方方面面。针对传统供暖系统温度调节灵活性有限的问题，设计并实现了一种基于物联网和 STM32 微控制器的智能供暖系统。此外，还建立了基于 DMC 算法的温度优化控制模型。在设计智能供暖系统的过程中，研究忽略了房间从阳光和日常生活中接收的热量，以及不同住宅之间的热量传递。假设供暖房间是一个封闭的单元，每个供暖用户只使用一个房间供暖。然而，所提出的基于 STM32 微控制器和 ZigBee 技术的智能供暖系统需要一定的软硬件技术支持，对用户的相关技能也有一定的要求。此外，在无线数据传输过程中可能会出现信号干扰问题。物联网技术在家居系统中的应用，有利于促进家居系统的智能化发展，提高生活质量和用户体验。然而，物联网技术与供暖系统的融合也使用户面临隐私泄露的风险，对数据和隐私保护的要求也越来越高。此外，由于 DMC 算法的

需要对系统进行建模，计算和参数调整更加复杂。在实际情况中，室内温度通常会受到各种环境和人为因素的影响，这进一步增加了系统的复杂性。

 结论


结果表明，智能供暖系统的网络界面能有效生成温度曲线，显示清晰的温度和湿度数据，展示了其可行性和有效性。基于 DMC 算法的温度优化控制模型在不同采暖期都能持续实现良好的温度控制，表现出鲁棒性。在供暖初期，当调节阀的相对开度接近 0 时，室内实际温度出现大幅跃升，跃升幅度为 ，温度控制误差指数为 0.0543。在供暖中期，室外温度成为影响室内实际温度的主要因素，调节阀发挥其调节作用，温度控制误差指数为 0.0353。该模型在不同的供水温度下都能保持良好的温度控制效果。与 PID 控制相比，DMC 算法显示出更优越的温度控制效果。综上所述，所构建的模型具有一定的有效性，能为用户提供更便捷的温度控制服务，改善用户体验，减少能源浪费，促进供热系统的智能化和节能化发展。然而，所设计系统的操作功能仍有一定的局限性，如何让用户更方便地操作供热系统还需要进一步研究。此外，在无线数据传输过程中可能会出现信号干扰问题。因此，在接下来的研究中，应为用户提供更便捷的操作功能，并进一步提高无线数据传输的稳定性，从而提高系统的实际应用效果。
 致谢
 不适用。

 作者供稿


从初稿到定稿，均由阎肃完成。

 资金筹措

 不适用。

数据和材料的可用性

如有合理要求，可提供这些数据。

 声明

 不适用。

 竞争利益


作者声明无利益冲突。

收到：接收：2024 年 2 月 3 日 接受：2024 年 3 月 20 日

在线发布日期：2024 年 4 月 8 日

 参考资料


Aldossari MQ, Sidorova A (2020) Consumer acceptance of Internet of Things (IOT): Smart Home context.J Comp Inf Syst 60（6）：507-517

Cao Y, XU Y, Li Q, Rose RS (2022) 使用原位生成的过氧化氢对中央供暖和冷却水系统进行缓蚀和消毒。New J Chem 46(37):17880-17888

Cvitić l, Peraković D, Periša M, Gupta B (2021) Ensemble machine learning approach for classification of loT devices in smart home.Int J Mach Learn Cybern 12(11):3179-3202

Hansen EB, Bøgh S (2021) 中小型企业的人工智能和物联网：调查。J Manuf Syst 58（8）：362-372

He Z, Farooq AS, Guo W, Zhang P (2022) 利用数据驱动方法优化带热能存储的太阳能空间供暖系统。可再生能源 190（3）：764-776

LiY, Zuo Y, Song H, Lv Z (2021) Deep learning in security of internet of things.IEEE Internet Things J 9（22）：22133-22146

Liu L, Zhang H, Liu Y (2021) 基于工业物联网的智能透明区域供热模式。Int J Energy Res 45(1):824-840

Lv Z (2021) 物联网边缘设备的安全性。Softw Pract Exp 51(12):2446-2456

Mao B, Kawamoto Y, Kato N (2020) Al-based joint optimization of QoS and security for 6G energy harvesting Internet of Things.IEEE Internet Things J 7 (8):7032-7042

Nguyen DC, Ding M, Pathirana PN, Seneviratne A, Li J, Niyato D, Dobre O, Vincent PH (2021) 6G 物联网：全面调查。IEEE Internet Things J 9(1):359-383

Paul S, Padhy NP (2020) 智能家居的实时能源管理。IEEE Syst J 15(3):4177-4188

Sabory NR, Zaheb H, Waseel AK (2021) 通过太阳能热能的季节性显热储存实现中央供暖。Int J Innov Res Sci Stud 4(2):100-110

Serror M, Hack S, Henze M, Schuba M, Wehrle K (2020) 保护工业物联网安全的挑战与机遇。IEEE Trans Industr Inf 17(5):2985-2996

Soliyevich ZM, Olimjon ogli KZ (2021) The formation processes of smart cities.中亚艺术设计》2（12）：38-43

Sun C, Liu Y, Cao S, Gao X, Xia G, Qi C, Wu X (2022) 基于负荷预测和室内温度测量的区域供热系统综合控制策略。能源报告 8(6):8124-8139

Tran-Dang H, Krommenacker N, Charpentier P, Seong KD (2020) Toward Internet of things for physical internet：视角与挑战。IEEE Internet Things J 7(6):4711-4736

Usman AM, Abdullah MK (2023) An assessment of building energy consumption characteristics using analytical energy and carbon footprint assessment model.绿色低碳经济 1（1）：28-40

Wang W, Hu B, Wang RZ et al (2022) Model predictive control for the performance improvement of air source heat pump heating system via variable water temperature difference.Int J Refrig 138(3):169-179

Xing L (2020) 物联网的可靠性：现状与未来展望。IEEE Internet Things J 7(8):6704-6721

Zhang K, Zhang H, Mu Y, Liu C (2020) 通过强化学习方法实现部分未知模糊互联系统的分散跟踪优化控制。IEEE Trans Fuzzy Syst 29(4):917-926

 出版商说明


施普林格-自然》对出版地图和机构隶属关系中的管辖权主张保持中立。

  1. (c) 作者 2024。开放存取 本文采用知识共享署名 4.0 国际许可协议，允许以任何媒介或格式使用、共享、改编、分发和复制，但须注明原作者和出处，提供知识共享许可协议链接，并说明是否进行了修改。本文中的图片或其他第三方材料均包含在文章的知识共享许可协议中，除非在材料的署名栏中另有说明。如果材料未包含在文章的知识共享许可协议中，且您打算使用的材料不符合法律规定或超出许可使用范围，您需要直接从版权所有者处获得许可。要查看该许可的副本，请访问 http:// creativecommons.org/licenses/by/4.0/。