CN103901170B - 一种基于参数辨识的农业大棚湿度检测方法 - Google Patents
一种基于参数辨识的农业大棚湿度检测方法 Download PDFInfo
- Publication number
- CN103901170B CN103901170B CN201410146305.3A CN201410146305A CN103901170B CN 103901170 B CN103901170 B CN 103901170B CN 201410146305 A CN201410146305 A CN 201410146305A CN 103901170 B CN103901170 B CN 103901170B
- Authority
- CN
- China
- Prior art keywords
- model
- booth
- value
- parameter
- humidity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于参数辨识的农业大棚湿度检测方法,本方法针对湿度传感器价格高、湿度自动控制需要预测等问题,利用照度和温度数据,基于带有稳定点的模型建立湿度参数辨识函数,无需使用湿度传感器即可准确检测农业大棚温度。本发明降低大棚控制***成本,无需频繁更换设备;检测精度高,易于实现湿度预测,特别适合于大棚环境自动控制***。
Description
技术领域
本发明涉及一种基于参数辨识的农业大棚湿度检测方法。
背景技术
常见的农业大棚湿度测量人工方法有湿度表法、毛发湿度表法、湿度试纸法等方法,大棚自动控制***中的则为湿度传感器等。目前方法存在以下不足:
1、人工进行检测使用起来费时、费力、效率低;
2、湿度传感器价格较昂贵、使用寿命短。
3、检测精度达不到要求。
4、大棚湿度自动控制***较难实现。
发明内容
本发明为了解决上述问题,提出了一种基于参数辨识的农业大棚湿度检测方法,该方法利用照度和温度数据,基于带有稳定点的模型建立湿度参数辨识函数,无需使用湿度传感器即可准确检测农业大棚温度。
为了实现上述目的,本发明采用如下技术方案:
1、一种基于参数辨识的农业大棚湿度检测方法,其特征是:具体包括以下步骤:
(1)选用温度传感器实时检测大棚内温度,将温度值记为u,光照强度传感器实时检测大棚内的光照强度,光照强度值记为y;
(2)选用步骤(1)中得到的温度与光照强度作为参数辨识的输入,通过最小二乘参数辨识方法辨识出给定模型中的常参数ξ;
(3)根据ξ值的大小,计算得出大棚内的湿度实时值。
2、如权利要求1所述的一种基于参数辨识的农业大棚湿度检测方法,其特征是:所述步骤(2)中选取温度值与光照强度值作为最小二乘辨识的输入,通过加权最小二乘辨识方法辨识出常参数ξ,其具体步骤包括:
(a)给出单输入单输出线性、定常、随机***的数学模型;
(b)模型具体化,得到目标函数:从步骤(a)中的模型找出参数估计使模型拟合残差的平方和最小,得到目标函数;
(c)根据求极值原理,得到最小二乘估计;
(d)利用脉冲响应模型,推导辨识出常参数。
所述步骤(a)的具体步骤为:给出单输入单输出线性、定常、随机***的数学模型:
u(k)与y(k)为大棚温度和大棚光照强度数据序列{u(k)},{y(k)},e(k)为模型误差,其中:k=1,2,…,2n,n为自然数,(1)式中计算时首先要确定模型的阶数n,通过对比实验得出n的取值为28,i=1,2,…,2n,ai,bi都为常数,通过ai和bi的值能够最终求得稳定点ξ;
所述步骤(b)的具体步骤为:模型具体化,得到目标函数:从(1)式模型中找出参数
估计使模型拟合残差的平方和最小,令θT=[a1,a2,…,an,b1,b2,…,bn],
则有:
或写成
模型拟合残差ε(k)为:
则有目标函数J为:
(4)式中W为加权矩阵且为对称正定阵;
对于n组数据,从(3)式可得到:
所述步骤(c)的具体方法为:得到最小二乘估计:从最小二乘准则推导正则方程,根据求极值原理可知,最小二乘估计满足:
令,通过解(6)式可得最小二乘估计
所述步骤(d)的具体步骤为:推导辨识出常参数:辨识出常参数ξ的过程为:根据模型的精度及实验的结果,选取脉冲响应模型(FIR)作为***的模型,模型形式如式(8)所示,其中h(i)为模型系数,i=1,2,…,n,
在FIR模型加入一个常参数ξ,ξ为能够实时准确反映大棚内湿度的一个参数指标,模型成为:
式中ξ为常数项,通过现场的实验,发现采用最小二乘方法计算得出的ξ与大棚湿度有着密切的联系,并且存在一定的量化关系,参数ξ可以看作大棚内湿度的稳定点;
将(9)写成向量的形式:
Y(k)=U(k)H (10)
其中:
输入输出数据同最小二乘辨识的输入输出,M为控制步长,通过对比实验得到M=6时可以得到最佳值,通过式(9)求得h1,h2…hM,ξ。
所述步骤(3)中根据ξ值的大小,得出大棚内的湿度实时值;下面给出通过常参数ξ计算大棚内湿度的具体判断规则:
1)当ξ≤30时,大棚相对湿度值为χ=(ξ+0.26)%。
2)当30≤ξ≤50,大棚相对湿度值为χ=(ξ-1.66)%。
3)当50≤ξ≤70,大棚相对湿度值为χ=(ξ-0.57)%。
4)当ξ≥70时,大棚相对湿度值为χ=(ξ+0.78)%。
本发明的有益效果为:
1、无需使用湿度传感器即可准确检测农业大棚温度;
2、降低大棚控制***成本,无需频繁更换设备;
3、检测精度高,易于实现湿度预测,特别适合于大棚环境自动控制***。
附图说明
图1为本发明的程序流程图;
图2为采用高精度湿度计检测出来的大棚湿度结果图;
图3为本发明采用辨识程序得到的大棚湿度结果图;
图4为湿度计检测的大棚湿度结果与本发明得到的大棚湿度结果对比图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
如图1所示,一种基于参数辨识的农业大棚湿度检测方法,具体包括以下步骤:
(1)选用温度传感器实时检测大棚内温度,将温度值记为u,光照强度传感器实时检测大棚内的光照强度,光照强度值记为y;
(2)选用步骤(1)中得到的温度与光照强度作为参数辨识的输入,通过最小二乘参数辨识方法辨识出给定模型中的常参数ξ;
(3)根据ξ值的大小,计算得出大棚内的湿度实时值。
所述步骤(2)中选取温度值与光照强度值作为最小二乘辨识的输入,通过加权最小二乘辨识方法辨识出常参数ξ,其具体步骤包括:
(a)给出单输入单输出线性、定常、随机***的数学模型:
u(k)与y(k)为大棚温度和大棚光照强度数据序列{u(k)},{y(k)},e(k)为模型误差,其中:k=1,2,…,2n,n为自然数,(1)式中计算时首先要确定模型的阶数n,通过对比实验得出n的取值为28,i=1,2,…,2n,ai,bi都为常数,通过ai和bi的值能够最终求得稳定点ξ;
(b)模型具体化,得到目标函数:从(1)式模型中找出参数估计使模型拟合残差的平方和最小,令θT=[a1,a2,…,an,b1,b2,…,bn],
则有:
或写成
模型拟合残差ε(k)为:
则有目标函数J为:
(4)式中W为加权矩阵且为对称正定阵;
对于n组数据,从(3)式可得到:
(c)得到最小二乘估计:从最小二乘准则推导正则方程,根据求极值原理可知,最小二乘估计满足:
令X=?T(n),通过解(6)式可得最小二乘估计
(d)推导辨识出常参数:辨识出常参数ξ的过程为:根据模型的精度及实验的结果,选取脉冲响应模型(FIR)作为***的模型,模型形式如式(8)所示,其中h(i)为模型系数,
?=1,2,…,?,
在FIR模型加入一个常参数ξ,ξ为能够实时准确反映大棚内湿度的一个参数指标,
模型成为:
式中ξ为常数项,通过现场的实验,发现采用最小二乘方法计算得出的ξ与大棚湿度有着密切的联系,并且存在一定的量化关系,参数ξ可以看作大棚内湿度的稳定点;
将(9)写成向量的形式:
Y(k)=U(k)H (10)
其中:
输入输出数据同最小二乘辨识的输入输出,M为控制步长,通过对比实验得到M=6时可以得到最佳值,通过式(9)求得h1,h2…hM,ξ。
所述步骤(3)中根据ξ值的大小,得出大棚内的湿度实时值;下面给出通过常参数ξ计算大棚内湿度的具体判断规则:
1)当ξ≤30时,大棚相对湿度值为χ=(ξ+0.26)%。
2)当30≤ξ≤50,大棚相对湿度值为χ=(ξ-1.66)%。
3)当50≤ξ≤70,大棚相对湿度值为χ=(ξ-0.57)%。
4)当ξ≥70时,大棚相对湿度值为χ=(ξ+0.78)%。
实施例一:
一种基于参数辨识的农业大棚湿度检测方法,它的步骤为:
步骤1,选用温度传感器实时检测大棚内温度,选取500组大棚温度值作为参数辨识数据,温度传感器采集温度的时间间隔为0.01秒,所以每过5秒中就能辨识出一个大棚内的湿度值。同样的选用光照强度传感器实时检测大棚内的光照强度,光照强度值记为ζ,选取500组与温度同时刻的光照强度值作为参数辨识的数据。通过步骤1就得到了辨识大棚内湿度所需要的基本数据。
步骤2,选用步骤1中得到的温度与光照强度作为参数辨识的输入,比如其中一组数据为温度u=[28.2,28.4,28.8,28.7,28.9,…,30.1,30.3,30.1,30.2,30.6],湿度y=[1008,1010,1092,1100,1012,…,1008,1003,1030,1039,1100],设定的缓冲数据长度为230,模型阶数设置为28,权值矩阵中的权值设置为0.98,然后通过加权最小二乘辨识方法对给定的带有常参数ξ的模型进行参数辨识,辨识得到常参数ξ=65.3,每过5秒就能得到1个常参数,此常参数就是本专利的核心,通过辨识得到的ξ。
步骤3,根据ξ值的大小,经过长期的实验与测试,得到ξ与大棚内实际湿度值的关系,计算得到χ=(ξ-0.57)%=64.73%。如图2中所示,选取50组采用价格昂贵的高精度湿度传感器得到的大棚内湿度数据,图3为通过辨识程序得到的同一时刻的大棚内湿度值,图4为两种湿度值的比较曲线,通过图4可见,该方法得到的大棚内的湿度精度完全能够满足大棚湿度控制器的需求,证明了该方法的有效性。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种基于参数辨识的农业大棚湿度检测方法,其特征是:具体包括以下步骤:
(1)选用温度传感器实时检测大棚内温度,将温度值记为u,光照强度传感器实时检测大棚内的光照强度,光照强度值记为y;
(2)选用步骤(1)中得到的温度与光照强度作为参数辨识的输入,通过最小二乘参数辨识方法辨识出给定模型中的常参数ξ;
(3)根据ξ值的大小,计算得出大棚内的湿度实时值;
所述步骤(2)中选取温度值与光照强度值作为最小二乘辨识的输入,通过加权最小二乘辨识方法辨识出常参数ξ,其具体步骤包括:
(a)给出单输入单输出线性、定常、随机***的数学模型;
(b)模型具体化,得到目标函数:从步骤(a)中的模型找出参数估计使模型拟合残差的平方和最小,得到目标函数;
(c)根据求极值原理,得到最小二乘估计;
(d)利用脉冲响应模型,推导辨识出常参数。
2.如权利要求1所述的一种基于参数辨识的农业大棚湿度检测方法,其特征是:所述步骤(a)的具体步骤为:给出单输入单输出线性、定常、随机***的数学模型:
u(k)与y(k)为大棚温度和大棚光照强度数据序列{u(k)},{y(k)},e(k)为模型误差,其中:k=1,2,...,n,n为自然数,(1)式中计算时首先要确定模型的阶数n,通过对比实验得出n的取值为28,i=1,2,...,n,ai,bi都为常数,通过ai和bi的值能够最终求得稳定点ξ。
3.如权利要求2所述的一种基于参数辨识的农业大棚湿度检测方法,其特征是:所述步骤(b)的具体步骤为:模型具体化,得到目标函数:从(1)式模型中找出参数估计使模型拟合残差的平方和最小,令θT=[a1,a2,...,an,b1,b2,...,bn],
则有:
或写成
模型拟合残差ε(k)为:
则有目标函数J为:
(4)式中W为加权矩阵且为对称正定阵;
对于n组数据,从(3)式可得到:
4.如权利要求3所述的一种基于参数辨识的农业大棚湿度检测方法,其特征是:所述步骤(c)的具体方法为:得到最小二乘估计:从最小二乘准则推导正则方程,根据求极值原理可知,最小二乘估计满足:
令通过解(6)式可得最小二乘估计
其中,J为目标函数,W为加权矩阵且为对称正定阵。
5.如权利要求4所述的一种基于参数辨识的农业大棚湿度检测方法,其特征是:所述步骤(d)的具体步骤为:推导辨识出常参数:辨识出常参数ξ的过程为:根据模型的精度及实验的结果,选取脉冲响应模型(FIR)作为***的模型,模型形式如式(8)所示,其中h(i)为模型系数,i=1,2,...,n,
在FIR模型加入一个常参数ξ,ξ为能够实时准确反映大棚内湿度的一个参数指标, 模型成为:
式中ξ为常数项,通过现场的实验,发现采用最小二乘方法计算得出的ξ与大棚湿度有着密切的联系,并且存在一定的量化关系,参数ξ可以看作大棚内湿度的稳定点;
将(9)写成向量的形式:
Y(k)=U(k)H (10)
其中:
输入输出数据同最小二乘辨识的输入输出,M为控制步长,通过对比实验得到M=6时可以得到最佳值,通过式(9)求得h1,h2…hM,ξ,u(k)与y(k)为大棚温度和大棚光照强度数据序列{u(k)},{y(k)}。
6.如权利要求5所述的一种基于参数辨识的农业大棚湿度检测方法,其特征是:所述步骤(3)中根据ξ值的大小,得出大棚内的湿度实时值;下面给出通过常参数ξ计算大棚内湿度的具体判断规则:
1)当ξ≤30时,大棚相对湿度值为χ=(ξ+0.26)%;
2)当30<ξ≤50,大棚相对湿度值为χ=(ξ-1.66)%;
3)当50<ξ≤70,大棚相对湿度值为χ=(ξ-0.57)%;
4)当ξ>70时,大棚相对湿度值为χ=(ξ+0.78)%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410146305.3A CN103901170B (zh) | 2014-04-11 | 2014-04-11 | 一种基于参数辨识的农业大棚湿度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410146305.3A CN103901170B (zh) | 2014-04-11 | 2014-04-11 | 一种基于参数辨识的农业大棚湿度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103901170A CN103901170A (zh) | 2014-07-02 |
CN103901170B true CN103901170B (zh) | 2015-10-07 |
Family
ID=50992628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410146305.3A Active CN103901170B (zh) | 2014-04-11 | 2014-04-11 | 一种基于参数辨识的农业大棚湿度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103901170B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750131B (zh) * | 2015-04-14 | 2018-01-19 | 济南大学 | 一种基于参数辨识的流化床温度控制方法 |
CN107715298A (zh) * | 2017-11-16 | 2018-02-23 | 陈敏 | 一种多功能妇产科镇痛电子治疗仪 |
CN111505939B (zh) * | 2020-04-23 | 2021-09-21 | 清华大学 | 直线运动***前馈控制器的参数整定方法 |
CN113325906B (zh) * | 2021-06-10 | 2022-03-29 | 上海电气风电集团股份有限公司 | 风电机组的电气部件的湿度控制方法、***、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924533A (zh) * | 2010-07-19 | 2010-12-22 | 浙江工业大学 | 基于fir模型辨识的多变量时滞参数估计方法 |
CN102043907B (zh) * | 2010-12-29 | 2012-06-27 | 上海大学 | 空调房间实时冷负荷确定方法 |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
-
2014
- 2014-04-11 CN CN201410146305.3A patent/CN103901170B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103901170A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103901170B (zh) | 一种基于参数辨识的农业大棚湿度检测方法 | |
CN107765347A (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
CN104463344B (zh) | 电网短期负荷预测方法和*** | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN105676692B (zh) | 发电机组励磁智能控制*** | |
CN108090614B (zh) | 一种基于相关系数的空间风场预测模型建立方法 | |
CN106940439A (zh) | 基于无线声传感器网络的k均值聚类加权声源定位方法 | |
CN101924533A (zh) | 基于fir模型辨识的多变量时滞参数估计方法 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN103345718A (zh) | 一种二手房房价评估方法 | |
CN103743435A (zh) | 一种多传感器数据融合方法 | |
CN106227964B (zh) | 基于扩张状态观测器的迟滞非线性***参数辨识方法 | |
CN103984988B (zh) | 测光网络实时校正arma模型光伏功率超短期预测方法 | |
CN104657584A (zh) | 一种基于Lorenz***的风速预测方法 | |
CN107730045B (zh) | 一种基于离散惯性动力学***的基线负荷热惯性修正方法 | |
CN104598998A (zh) | 基于经济增长指标的能源需求量预测方法 | |
CN201476905U (zh) | 神经网络pid控温的热电偶自动检定*** | |
CN107861404B (zh) | 一种用于实验室管理***的控制方法 | |
CN107121641B (zh) | 一种基于粒子群优化的电池状态估计方法 | |
JP2022510667A (ja) | エネルギー消費量を予測するための方法および装置 | |
CN109635431B (zh) | 基于历史数据斜坡响应的动态***静态增益估计方法 | |
Cao | Total daily solar irradiance prediction using recurrent neural networks with determinants | |
CN104240144B (zh) | 一种基于需求响应的电力负荷聚类方法 | |
CN108428022A (zh) | 一种基于相关度的短期实时电价趋势预测方法 | |
Madsen et al. | Thermal performance characterisation using time series data: statistical guidelines: report of Subtask 3.2 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |