基于树莓派与智能算法的空调省电助手实战解析

夏天最头疼的账单是什么？十有八九是电费。去年七月，我家空调开得勤，电费直接冲到700多，当时我就琢磨着能不能做个小工具，自动把温度调到最合理的区间，还能实时看着它到底耗了多少电。陆陆续续折腾了一个月，终于把“空调省电助手”这玩意儿跑起来了：采集室内外温湿度和房间人数，算法推荐最佳设定温度和运行模式，再通过红外模块自动控制空调，同时用带功率计量的插座实时监测耗电，最后生成一份省电报告。这套系统跑完一个夏季，实测省电大概在18%~25%左右，关键是每天回家不用再纠结空调到底开多少度合适。

1. 项目思路：为什么空调省电助手不能只靠“调高温度”

1.1 省电的核心不是温度本身

很多人一提到空调省电，第一反应是“把温度调高一点，26度以上”。这个说法方向对，但太粗糙。空调的耗电水平不是由设定温度一个变量决定的，而是由“当前室内外温差”“房间热负荷”“运行模式”“压缩机工作状态”共同决定的。设定温度调高2度，在某些工况下能省不少，在另一些工况下反而会让压缩机频繁启停，更费电。

我这套系统的核心思路，是把“体感舒适”和“省电”当成一个多目标优化问题来处理。目标函数有两个：一个是预测平均热感指标尽量落在舒适区间，另一个是空调压缩机能耗尽量低。说白了，就是找一个“让人体感觉舒服的前提下，压缩机负荷最小”的温度和模式组合。这个思路和单纯把温度锁死在26度完全不一样，它会在不同天气、不同人数、不同时段给出不同的建议，而不是一个固定值。

1.2 系统组成与我的选型方案

整体分成三层：

• 数据采集层：室内温湿度传感器用DHT22/AM2302，室外温度接天气预报API，人数检测用红外人体传感器加简单计数逻辑。
• 决策控制层：树莓派跑Python脚本，负责拉取数据、套用推荐算法、生成控制指令。
• 执行与反馈层：空调伴侣或红外发射模块，加上一个带功率计量的智能插座，既能发指令又能读空调实时功率。

选型上最终用了树莓派4B + DHT22 + 空调伴侣 + WiFi功率计量插座。为什么不直接买一个现成的节能插座？因为市售产品基本只做“定时关”或“远程开关”，没有一个能根据室内外温度、人数动态调整运行策略，自己写才能真正做到动态推荐。如果你手头没有树莓派，用一台常开的旧电脑或者ESP32也能跑，后面我会说哪些部分可以降级。

2. 温度与模式推荐算法：把体感舒适度变成可计算的公式

2.1 室内外温差、人数如何影响最佳设定温度

先说结论公式，这是我根据多个热舒适研究资料和实测数据拟合出来的经验模型，适合普通家庭卧室和客厅：

制冷模式推荐设定温度 T_cool：

T_cool = 25.5 + 0.15 × (T_out - 30) + 0.5 × min(N, 4) - 0.3 × (T_room - T_set_prev)

其中 T_out 是室外温度，N 是房间人数，T_room 是当前室内温度，T_set_prev 是上一次设定温度。

逐项解释一下含义：

• 0.15 × (T_out - 30)：室外温度越高，室内外热量交换越强，如果一味提高设定温度，空调会长时间降不下来，压缩机一直高负载运转，反而不省电。所以室外越热，设定温度略微上调，但幅度很小，防止过拟合。
• 0.5 × min(N, 4)：人多时人体散热量大，每多一个人，制冷设定温度可以适当抬一点，因为人体本身就是热源，抬高温度不会让体感明显变差。
• -0.3 × (T_room - T_set_prev)：这是一个反馈修正项，防止设定温度与当前室温差距过大导致空调持续满负荷，也让系统更容易收敛。

举个例子：室外32度，室内28度，两个人，上次设定26度。那么：

T_cool = 25.5 + 0.15×2 + 0.5×2 - 0.3×(28-26) = 25.5 + 0.3 + 1.0 - 0.6 = 26.2度

推荐26度。这个结果和很多人直觉上“开26度就行”差不多，但它是根据实际参数算出来的。当室外达到35度时，推荐值会变成26.7度左右。这时候你会发现开27度比开26度更省电，因为压缩机不用频繁在高负载区间震荡。

2.2 制冷、制热、除湿三种模式怎么自动切换

模式切换的逻辑分两块：一是判断该制冷还是制热，直接看室内温度和室外温度的差，以及日历季节；二是判断是否该切除湿模式。

我实际使用的除湿判断条件：

• 室内温度大于26℃；
• 室内相对湿度大于65%；
• 室内外温差小于4℃；
• 压缩机已经连续运行超过30分钟。

为什么满足这些条件才切除湿？因为除湿模式下，压缩机运行在低频状态，风扇也弱，除湿效果好且耗电量低。但如果室内外温差很大，比如刚开空调、室外38度室内30度，这时直接用除湿模式降温速度太慢，反而让空调长时间低效运行。所以除湿模式只在“温度已经降得差不多、但体感黏糊糊”的时候用。

体感闷热并不是温度高，而是相对湿度大。回南天、梅雨季这种天气，制冷模式虽然能降温，但会导致蒸发器凝露，吹出来很多冷凝水，人体感觉仍然不舒服。切到除湿模式后，出风温度稍微高一点，但湿度降下来，汗液蒸发散热恢复，体感反而更清爽，同时也更省电。我实测过，同样设置为26℃，除湿模式的功率比制冷模式低15%~20%。

2.3 推荐算法的实际运行逻辑

每2分钟执行一次决策，步骤如下：

1. 读取室内温湿度、当前空调设定温度和模式、智能插座实时功率。
2. 调用天气API获取室外温度。
3. 判断室内人数，如果无人，进入“节能空转”模式：温度上调1度，风速调低。
4. 套用上面的公式算出目标设定温度，四舍五入到0.5度。
5. 计算目标模式，满足除湿条件就切除湿，否则维持在制冷或制热。
6. 如果新目标温度与当前设定差超过1度才下发指令，避免频繁发送。

这里有个细节：为什么决策周期是2分钟？周期太短，压缩机和风机状态还没稳定，读数也不可靠；太长的话，人数和室外温度变化响应不过来。实践下来2分钟是一个比较均衡的值。

另外一个不写进公式但很关键的细节：空调压缩机不能在短时间内频繁启停。我在逻辑里加了“压缩机保护锁”，如果功率曲线显示压缩机刚启动，运行功率从待机跳到800W以上，那么至少15分钟内不改变设定温度，防止为了省电反而伤机器。

3. 实时耗电量监控：硬件改造与数据采集方案

3.1 功率数据从哪来：智能插座还是电流互感器

我一开始用的是自己接的电流互感器方案，用SCT-013钳形电流互感器夹在空调电源线上，配合ZMPT101B电压模块，用ESP32读取后自己算功率。这个方案便宜，但有一个绕不开的坑：强电侧的信号采集需要非常小心，校验麻烦，算出来的功率误差也比较大，尤其是在空调这种非线性负载下。

后来我换成了带功率计量的智能插座，比如一些成熟品牌支持本地接口的型号，内部有计量芯片，直接输出有功功率和累计电量，精度在2%以内，几十块钱就能买到，比自己搭强电方案安全太多。如果你是新手，真的不建议自己搞电流互感器接220V，安全第一。功率计量插座完全够用，而且省下来的时间精力远超那点差价。

3.2 采集程序怎么写：轮询、入库、异常识别

数据采集我用Python写了一个常驻进程，每10秒轮询一次智能插座的MQTT或本地HTTP接口，拿到实时功率P和累计电量E，写进SQLite数据库。表结构大概是这样：

CREATE TABLE power_log ( id INTEGER PRIMARY KEY AUTOINCREMENT, ts DATETIME DEFAULT CURRENT_TIMESTAMP, power_w REAL, energy_kwh REAL, room_temp REAL, room_humi REAL, outdoor_temp REAL, set_temp REAL, mode TEXT );

字段不复杂，但关键的都记录了：实时功率、累计电量、室内温湿度、室外温度、当时设定温度和模式。为什么要同时存这些？因为后面生成省电报告时，需要按温度区间和模式去对比耗电情况。如果没有这些上下文数据，只能拿到一个总电量，什么都分析不出来。

异常识别我做了两个规则：

• 如果功率大于0但小于30W，且持续超过30分钟，认为空调进入了“待机或送风循环”异常状态，触发提醒。
• 如果连续5次采集的功率差超过300W，说明空调在频繁启停，需要检查设定温度和模式是否来回变化。

这些规则不复杂，但能发现很多真实问题。我遇到过一台空调因为滤网脏堵，功率比正常多了15%，就是靠功率曲线长时间偏高才发现的。所以数据入库这事，别嫌麻烦，时间维度拉得越长，报告越有参考价值。

4. 自动控制与执行层：让空调听懂你的指令

4.1 红外控制方案：空调伴侣或者ESP32+红外发射管

决策逻辑跑完了，怎么把“调到26度、制冷模式”这条指令真正发给空调？有两条路：买一个空调伴侣，或者自己用ESP32接红外发射管自己写红外码库。

我建议普通用户直接用空调伴侣，市面上的主流产品能学习原装遥控器的红外码，然后通过APP或开放接口调取。自己DIY的话，坑在于不同品牌的空调红外编码格式不一样，有的用NEC协议，有的用Philips RC5，你需要先用红外接收管录码，然后在库里管理每个按键对应的raw码，挺折腾的。但如果你手头正好有ESP32，这倒是个有意思的周末项目。

控制下发我有两个原则：一是每次下发间隔至少3秒，防止红外发射过于密集导致空调响应异常；二是下发后要用功率曲线确认。如果空调是制热，刚开机时功率会爬到1500W以上；如果是制冷，功率会在600W到1200W之间波动。如果功率曲线没有任何变化，大概率是红外码没被识别，需要重新学习。

4.2 控制策略：温控回差、波动限制、强制暂停

这部分是我踩坑最多的地方。最初版本让系统每2分钟就根据最新温度推荐值直接调空调，结果一天下来空调频繁启停，耗电没省下来，还多了“咔哒咔哒”的压缩机启停声。

后来加了三重限制：

• 回差限制：只有目标温度与当前设定温度相差超过1度时才下发。
• 时间锁：连续两次指令间隔最少15分钟。
• 波动限制：如果当前室内温度在30分钟内波动小于0.5度，并且目标温度与当前设定温度只差0.5度，干脆不改，因为这点差异对体感和耗电影响都很小，没必要折腾。

还有一个容易被忽略的场景：空调刚开机的瞬间，功率会冲得很高，几分钟后会慢慢降下来。如果在启动期按稳态逻辑去推荐温度，很容易给出“调高温度”的指令，但此时压缩机其实已经在高速运转。所以我加了一条强制暂停规则：每次空调开机后的前20分钟内不执行任何调温指令，只记录数据，让系统先跑完启动期。

代码里维护了一个空调状态机，状态包括OFF、STARTING、RUNNING、STABILIZED，每个状态对应不同的控制策略。写了状态机之后，系统的决策明显稳定多了，不再像之前那样“东一下西一下”。

5. 省电报告生成：让每一度电都有据可查

5.1 报告里应该有哪些指标

省电报告是这个项目从“自嗨工具”变成“能给别人看的产品”的关键。我的报告分日报和周报两个维度。

日报指标：

• 当日总耗电量，单位kWh；
• 平均功率、峰值功率、功率曲线；
• 空调运行时长、压缩机启停次数；
• 当日推荐设定温度和实际运行温度的对比；
• 估算省电量，按历史同室外温度工况下未使用智能策略的耗电做基准。

周报指标：

• 每天耗电量的变化趋势；
• 不同模式（制冷、除湿、制热）的耗电占比；
• 室外温度区间与耗电量的相关性；
• 人数与耗电量的相关性。

这套指标看着多，但数据其实全都有。核心难点是“估算省电量”怎么计算，下面单独说。

5.2 用Python生成可视化报告

我用了matplotlib和HTML模板两种方式生成报告。日报用matplotlib生成几张图，拼到HTML里；周报直接导出一个完整的HTML文件，方便在手机上查看。

生成图片的核心代码逻辑：

import matplotlib.pyplot as plt import sqlite3 import pandas as pd conn = sqlite3.connect("ac_power.db") df = pd.read_sql_query( "SELECT ts, power_w, room_temp, set_temp, mode FROM power_log WHERE ts >= ?", conn, params=(start_time,) ) df["ts"] = pd.to_datetime(df["ts"]) df.set_index("ts", inplace=True) df = df.sort_index() # 这一步必须做 fig, ax = plt.subplots(figsize=(12, 4)) ax.plot(df["power_w"], color="#2f6fb3", linewidth=1) ax.set_ylabel("功率(W)") ax.set_title("空调实时功率曲线") plt.tight_layout() plt.savefig("daily_power.png", dpi=150)

这段代码对新手没难度，但有一点要注意：SQLite查出来的数据默认不保证有序，如果不对ts做排序和去重，你会看到一条乱七八糟的折线。我在实际跑的时候第一版就踩了这个坑，还以为是数据采集有问题。

省电量的核心计算用的是“基准线对比法”：

E_saved = E_baseline - E_actual

基准E_baseline是“室外温度相近、运行时长相近”的历史数据，取未开启智能策略时的平均每小时耗电量，再乘以本次运行小时数。比如上周六室外平均34℃，空调开了8小时，总耗电7.2度，平均每小时0.9度；这周六同样34℃，智能策略运行8小时，总耗电5.8度，平均每小时0.725度，那节省就是：

(0.9 - 0.725) × 8 = 1.4度

节省比例约15.5%。

这个口径虽然不是最严格的控制变量实验，但在家庭场景下足够说明问题。我每个月初会把上个月的所有运行日志导出，生成月度报告，看整体趋势。连续记录三个月后，那份趋势图比任何教程都有说服力。

6. 实测效果、常见问题与避坑指南

6.1 实测数据：一个夏天的省电结果

我在客厅跑了一整个夏天，大约25平米，每天大约开8小时。整理结果如下：

整体来看，最热的那段时间省电比例反而更高，因为系统在高温期间更有效地限制了无意义的低温设定和频繁启停。按当地电价来算，三个月省了大概160多元，硬件成本基本回本了。

说明一下，这个对比不是严格的双盲实验，去年有些天开窗习惯不同，但曲线趋势是可信的。最明显的提升是压缩机启停次数降了大概40%，这对电费和压缩机寿命都是好事。

6.2 常见问题排查速查表

有几个点我特别想强调。DHT22这种传感器在出风口附近读数能差4~5度。我第一次就把传感器绑在空调旁边的管道上，结果室内29度它测出来25度，系统以为很凉快了就疯狂上调温度，实际客厅热得要死。后来把传感器放在茶几上，离空调有2米多远，数据才正常。

人数检测也是个大坑。一开始用红外人体传感器，结果风扇一吹窗帘就能误触。后来换成ToF激光测距传感器放门口，数进出的人头，配合一个简单的队列过滤，效果才勉强能用。如果你不想折腾，直接手机手动输入人数也完全可行，毕竟智能家居要的是稳定，不是炫技。

6.3 我没写进代码里、但很重要的几个判断

第一，不要为了省电牺牲健康。我在设计推荐温度时，最低不会推荐低于24度，最高制热不会超过22度，并且每个小时至少有一次自然通风提醒。省电助手的价值是帮你省掉空调浪费掉的那部分电，不是让你和家人在28度的客厅里汗流浃背。

第二，空调能效等级不同，同样的设定温度实际耗电差异非常大。我家那台老空调是三级能效，制冷设定26度时功率能到1100W，朋友家新一级能效同工况只要650W。在这种前提下，与其依赖算法把温度调到26.3度，不如提醒你换一台更合适的空调。所以每月的省电报告里，我会附带一条“平均每小时耗电量”的对比，帮你判断这台空调是否还值得继续用。

第三，红外控制天然有盲区，尤其是空调伴侣放在电视柜后面，红外线被挡住，空调根本没收到指令，你这边还以为控制成功了。我的经验是，装好后至少做一次“指令下发后的功率变化校验”，也就是每隔一段时间比对一下功率曲线有没有实际响应。这条真实场景里的经验，比任何代码技巧都有用。

最后再分享一个小技巧：这套系统其实不需要多高配的硬件。一个树莓派Zero、一个十块钱的温湿度传感器、一个几十块的WiFi功率计量插座，加上你手头已有的手机或者电脑，就能把整个流程跑通。算法部分我后来还尝试过更复杂的机器学习模型，但实测下来，这种先验知识简单的场景，经验公式反而比黑盒模型更稳，因为你能解释每一个推荐温度的理由，出了问题也方便排查。

对我来说，这个项目最大的收获不是省了那160块钱，而是让我真正理解了一台空调在什么工况下费电、什么工况下省电。以后不管换什么样的空调，我都会先看看它的功率曲线再决定怎么开。