混合处理模式推动家庭智能能源设备效率

　　嵌入式计算的价值在于提供实时、无延迟、特定于上下文的功能，这些功能非常符合客户需求，并且能够很好地响应客户需求。

　　响应客户需求和不断变化的环境。无处不在的宽带连接到

　　互联网和云，使嵌入式开发人员能够实现这些价值。使用混合模型可以两全其美地离线完成繁重的工作，同时保持设备中的关键功能。该技术是在开发人员适应不断变化的客户需求的逻辑/内存数量以及适应不断变化的客户需求的速度中找到适当的平衡点。

　　住宅应用中智能能源设备的剖析始于脑力与成本的权衡。考虑一下住宅可编程恒温器，这是一种已经生产了近50年的嵌入式设备。恒温器功能非常简单，只需测量并保持家庭的内部温度即可。更复杂的型号包括湿度传感器和可能的空气质量传感器。然后，恒温器根据消费者在一天中的特定时间建立的温度偏好来控制供暖，通风和空调（HVAC）系统。这是一种改变温度设置以节省能源成本的粗略方法。高端模型具有多达四个设定点更改，可为大多数消费者需求提供足够的功能（满足大多数能力和注意力范围）。

　　多年来，随着HVAC系统变得越来越复杂，多级压缩机和燃烧器以及数控空气处理器和鼓风机，恒温器中需要额外的控制逻辑和信号处理，迫使设计从简单的微控制器升级到成熟的微处理器，以处理计算密集型处理要求。突然之间，需要更大的DRAM和闪存占用空间来满足内存管理技能。随着对互联网连接的额外要求，还必须设计具有Wi-Fi，ZigBee或Z-Wave的无线子系统。除非可以从HVAC系统获取电源，否则必须考虑电源管理逻辑，以便在不更换电池的情况下满足消费者至少一年的需求。

　　物联网时代的智能恒温器

　　随着消费者需求转向可通过智能手机控制的家用设备，并且需要以更自动化的方式降低能源成本，因此需要额外的处理能力来操作复杂和复杂的算法。但是，这些实时算法应该驻留在恒温器本身上，还是依赖于通过云计算提供的数据处理能力？随着数据科学家发展其日益复杂的模型，需要算法更新，嵌入式设备能否处理修订后的实时处理需求？

　　恒温器正在进入物联网（IoT）采用阶段，消费者需要额外的复杂性，例如了解他们的日常温度习惯并适应他们的需求;还必须纳入能效算法。但是，这些算法的计算能力和实时要求可以产生足够的增益，这会给每个单元带来巨大的额外成本。此外，每个客户的动态需求都需要实时更新。执行显著节省的马力和成本导致设计人员使用昂贵的多核处理器来实现所需的增益。或者，在云中执行处理可能更为谨慎，其中每秒十亿浮点操作数（GFLOPS）的计算能力仅占成本的一小部分，从而节省了多达10美元的物料清单（BOM）。

　　处理所需数据点，同时节省能源

　　为了显著节省能效，恒温器中包含的多个数据点和控制装置需要作为能效算法的 I/O。可编程通信恒温器存储以下变量：

　　冷却设定值

　　加热设定值

　　暖通空调模式

　　暖通空调状态

　　风扇模式

　　风扇状态

　　保持状态

　　手动超控

　　继电器状态

　　此数据集是符合 ZigBee HA1.2 规范或家庭自动化版本 1.2 的最低要求。然而，无论无线协议如何，这些变量都会建立一组最小数据点，任何高产量效率算法都需要从恒温器中获得这些数据点。

　　还需要外部数据，例如局部温度和湿度，因为它们会影响内部温度并导致HVAC系统的状态变化。例如，在炎热的夏季和寒冷的冬季，室外温度在白天波动很大，极大地影响了房屋降温和升温的能力。因此，这些变量将频繁更改。构建房屋热力学属性的复杂模型需要存储所有这些变量，然后实时处理它们，以便为算法提供足够的分辨率以产生有价值的结果。与其缓存所有这些时间序列HVAC和外部温度数据，不如在云中传输和存储这些数据，并在那里执行最适用的算法，而不会给本地处理器带来负担，也不会增加内存占用空间以适应这些数据要求，这样会更有效。

　　从从数百万个恒温器收集的数据中收集的多天和许多季节的数据中，能源效率模型可以更好地预测个人家庭的身体特征以及在消费者设定的给定温度条件和舒适度下对消费者行为的反应。算法和模型将经常更新，以纳入这种实时反馈。在驻留在云中的服务器中更改这些算法要容易得多，而不是在每个恒温器中传输和存储新算法。

　　使用混合策略进行优化

　　随着无线连接对于产品接受度迅速变得至关重要，许多无线子系统都有一个嵌入式CPU，该CPU具有足够的每秒百万指令（MIPS）来处理无线协议，同时具有操作所需恒温器逻辑的余量。这消除了对第二个微处理器的需求，节省了资金和电路板空间。然而，虽然实现了较低的总体BOM成本，但这种权衡导致能效算法缺乏计算能力。正常恒温器操作、无线网络和效率算法的实时处理需求取代了消费级处理器。因此，正确的平衡点是设计一个非常低成本的连接和可编程恒温器，该恒温器连接到基于云的服务，以优化家庭的能源效率及其家庭成员所需的个人温度偏好。

　　审核编辑：郭婷