CN113867451B - 一种云平台与控制器相结合的畜禽养殖智能温控方法 - Google Patents

Abstract

本发明涉及一种基于云平台学***台通过分析控制器所在地当前时刻后续一段时间的气象参数，基于机器学***台制定的大周期的调控策略与控制器自身的微调控策略，实现温控设备的最优智能调控策略，大大降低设备的整体能耗，进一步降低运行成本。

Description

一种云平台与控制器相结合的畜禽养殖智能温控方法

技术领域

本发明属于电子信息技术领域，具体涉及一种云平台与控制器相结合的畜禽养殖智能温控方法。

背景技术

我国是畜牧业大国，同时也是人口大国，对肉食的需求量十分庞大，因此畜牧业的健康发展直接关系到经济的稳定发展和国民的身体健康。由于养殖环境恶劣导致畜禽大规模发病死亡，进而造成肉价膨胀的案例不在少数。因此，优良的环境对于畜禽的生长至关重要。其中，温度对于畜禽的生长有着很大的影响，如生长速度、饲料利用率、患病率、死亡率等等。这些直接关系到畜禽的肉质和养殖户的成本问题。

传统的人工养殖方法，都是依靠人的养殖经验来判断环境是否良好，这种方法费时费力，随着养殖规模的增加，必然要投入更多的人力资源，这无疑大大增加了成本的投入，而且人工不能一直监督养殖环境状况，缺乏准确性和及时性。

智能环境调控***很好地解决了以上问题，但是目前的智能环境调控***基本都是单纯地基于单片机的控制***，这些***具有以下缺点：(1)不能自动生成调控策略，需要专业人员到场，手动设置调控策略，缺乏灵活性；2)为使环境尽快恢复正常，控制器会将风机等设备的功率设置尽可能的大，这样会造成大量功耗，缩短设备使用寿命，进而增加畜禽养殖的成本。

发明内容

针对上述存在的问题，本发明提供了一种云平台与控制器相结合的畜禽养殖智能温控方法，增加了温度调控的灵活性，降低了养殖成本。

为了实现上述目的，本发明采用的技术方案如下：一种云平台与控制器相结合的畜禽养殖智能温控方法，包括如下步骤：

1)云平台每隔N小时从第三方平台获取控制器所在地未来一周的气象参数，构建气象参数集合Weather和历史天气集合History_Weather；

2)控制器每隔min分钟向云平台发送一次养殖舍信息Data,云平台构建历史数据集合History_Data；

3)云平台根据历史气象参数集合History_Weather和历史数据集合History_Data拟合养殖舍的室内温度函数T(x)；所述T(x)表示环境参数为x时，室内的温度为T；所述x是一个向量，x＝{x1,x2,x3,x4,x5,x6}，分别对应History_Weather中的室外温度、室外湿度、室外风速、室外风向以及History_Data中的畜禽的日龄、畜禽的数目；

4)云平台根据集合Weather、养殖舍信息Data和函数T(x)构建未来一周的室内温度序列T_room(Ci)，(1≤i≤n)，T_room(Ci)表示在时刻Ci，养殖舍的室内温度为T_room；所述T_room(Ci)构建方法为：根据集合Weather和养殖舍信息Data得到时刻Ci的环境参数xi＝{Ti,Hi,Di,Vi,day,count}；将环境参数xi代入室内温度函数T(x)计算出养殖舍在时刻Ci的室内温度，即T_room(Ci)＝T(xi)；

5)云平台根据日龄-适宜温度区间表构建未来一周的目标温度序列T_target(Ci)，(1≤i≤n)，T_target(Ci)表示畜禽在时刻Ci的目标温度为T_target。T_target(Ci)构建方法为：查询日龄-适宜温度区间表，找到时刻Ci的适宜温度区间(T_low,T_up)；由适宜温度区间计算出时刻Ci的目标温度T_target(Ci)，计算公式为：T_target(Ci)＝(T_low+T_up)/2；

6)云平台根据T_room(Ci)和T_target(Ci)制定未来一周的温控策略Si,构建温控策略集合Strategy；所述Si为Ci时刻的温控策略，记为Si＝(mark_i，C_i，power_fan_i，length_i，Target_i)，其中，mark_j表示当前策略是降温还是升温，0表示降温，1表示升温；C_i表示温控设备开始运转的时刻；power_fan_i表示需要开启的风机的总功率；length_i表示温控设备的开启时长；Target_i表示目标温度；所述温控策略集合Strategy为有序集合，记为Strategy＝{S1,S2,…,Sn}；

7)云平台将策略Strategy发送给控制器；

8)控制器根据当前的时刻Ci，从Strategy中选择控制策略Si控制温控设备；

9)控制器根据室内的实时温度Tr判断是否需要对室内温度进行微调，如果|Tr-Target_i|＝0，则控制器关闭所有温控设备，转步骤11)；如果0＜|Tr-Target_i|＜TH，转步骤10)；如果|Tr-Target_i|≥TH，那么转步骤12)，其中TH为温差阈值；

10)控制器保持当前温控设备的运转状态，直至室内温度恢复至目标温度Target_i再关闭；

11)判断当前策略Si是不是Strategy中的最后一个策略，如果是，转步骤12)，否则转步骤8)；

12)控制器反馈信息给云平台，转步骤1)，重新制定温控策略。

进一步的，上述步骤1)种，所述气象参数包括时间、室外温度、室外湿度、室外风速、室外风向；所述第三方平台可以是任何一个可以获取到控制器所在地未来一周准确气象参数的平台；所述气象参数集合Weather为有序集合，记为Weather＝{W1，W2，…，Wn}，集合Weather的每一个元素Wi都由五元组(Ci，Ti，Hi，Di，Vi)组成，Ci表示时间，Ti表示室外温度，Hi表示室外湿度，Di表示室外风向，Vi表示室外风速；相邻的元素Wi与Wi+1之间的时间间隔是M分钟；所述历史天气集合History_Weather的结构与Weather相同，初始值为空，之后每采集一次气象参数，执行History_Weather＝History_Weather+Weather。

进一步的，上述步骤2)中，所述养殖舍信息Data＝{DateTime，Tr，day，count，V，Ws，η_fan，PH，η，S}，DateTime表示当前日期，Tr表示室内的实时温度，day表示当前日龄，count表示畜禽的数目，V表示养殖舍体积，Ws表示每个风机的单位风量耗功率，η_fan表示风机的效率，PH表示加热器的加热功率，η表示湿帘的降温效率，S表示湿帘有效面积；历史数据集合History_Data每一个元素的结构和Data的结构一样，云平台每接收到一次Data，就执行History_Data＝History_Data+Data。

进一步的，上述步骤3)中T(x)的拟合过程包括如下步骤：

3.1)记拟合函数T_θ(x)如下：

T_θ(x)＝θ₀+θ₁*x₁+θ₂*x₂+θ₃*x₃+θ₄*x₄+θ_s*x₅+θ₆*x₆

其中，x₁-x₆是影响因子，分别表示室外温度、室外湿度、室外风速、室外风向、畜禽的日龄、畜禽的数目，θ₀-θ₆是各个影响因子的权重；

3.2)构造损失函数J(θ)如下：

其中，M表示训练样本(即历史数据)的个数；X_i表示第i个样本，X_i＝{x_j|j＝1，…，6}；Y_i表示样本X_i所对应的真实的结果，即实际的室内温度；

3.3)对J(θ)求偏导，公式如下：

3.4)为θ₀-θ₆选择一个初始值；

3.5)对θ₀-θ₆进行迭代，直至J(θ)＜0.01为止，得到各个影响因子的权重θ₀-θ₆，所述迭代公式如下：

其中，α是学习率；在本发明优选实施例中，α＝0.3。

进一步的，上述步骤6)中，制定温控策略Si包括如下步骤：

6.1)计算出时刻Ci(i的初始值为1，1≤i≤n)的室内温度T_room(Ci)和目标温度T_target(Ci)；

6.2)判断在时刻Ci时，室内温度是否异常；判断方法如下：

如果|T_room(Ci)-T_target(Ci)|＞ΔT，说明室内温度异常，转步骤6.3)；如果|T_room(Ci)-T_target(Ci)|≤ΔT，说明室内温度正常，温控策略Si为空，i＝i+1，转步骤6.1)；

ΔT为温度异常阈值，在本发明的优选实施例中，ΔT＝2；

6.3)计算mark_i值，计算公式如下：

6.4)计算power_fan_i，计算公式如下：

其中，Ws是风道***单位风量耗功率，V是养殖舍体积，T_i是室外温度，η是湿帘的降温效率，η_fan是风机的效率；

6.5)计算length_i的值，计算公式如下：

6.6)计算Target_i的值，Target_i＝T_target(Ci)。

本发明与现有技术相比，本发明根据不同区域的环境状况，通过云平台因地制宜地制定温度调控策略，增加了温度调控的灵活性，节省了成本。

附图说明

图1云平台结合控制器制定温控策略的流程图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，需要指出的是，下面仅以一种最优化的技术方案对本发明的技术方案以及设计原理进行详细阐述，但本发明的保护范围并不限于此。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

如图1所示，云平台结合控制器制定温控设备运行的策略，包括如下步骤：

1)云平台每隔N小时从第三方平台获取控制器所在地未来一周的气象参数，构建气象参数集合Weather和历史天气集合History_Weather。其中，气象参数包括时间、室外温度、室外湿度、室外风速、室外风向；第三方平台可以是任何一个可以获取到控制器所在地未来一周准确气象参数的平台；气象参数集合Weather为有序集合，记为Weather＝{W1，W2，…，Wn}，集合Weather的每一个元素Wi都由五元组(Ci，Ti，Hi，Di，Vi)组成，Ci表示时间，Ti表示温度，Hi表示湿度，Di表示风向，Vi表示风速。相邻的元素Wi与Wi+1之间的时间间隔是M分钟。历史天气集合History_Weather的结构与Weather相同，初始值为空，之后每采集一次气象参数，执行History_Weather＝History_Weather+Weather。在本发明具体实施例中，第三方平台采用中国天气网平台，T＝24，M＝1。

2)控制器每隔min分钟向云平台发送一次养殖舍信息Data，云平台构建历史数据集合History_Data。其中，养殖舍信息Data＝{DateTime，Tin，day，count，V，Ws，η_fan，PH，η，S}，DateTime表示当前日期时间，Tr表示室内的实时温度，单位℃，day表示当前日龄(日龄就是畜禽从出生到当前时刻的天数，每过一天，畜禽的日龄就加1)，count表示畜禽的数目，V表示养殖舍体积，单位立方米，Ws表示每个风机的单位风量耗功率，单位瓦/(立方米/秒)，η_fan表示风机的效率，PH表示加热器的加热功率，单位瓦特，η表示湿帘的降温效率，S表示湿帘有效面积(湿帘有效面积就是侧窗面积)，单位平方米；历史数据集合History_Data每一个元素的结构和Data的结构一样，云平台每接收到一次Data，就执行History_Data＝History_Data+Data。其中，单位风量耗功率的计算公式如下：

Ws＝P/(η_CD*η_F)

Ws是风道***单位风量耗功率，单位瓦/(立方米/秒)；P是风机全压值，单位帕斯卡；η_CD是电机及传动效率；η_F是风机效率。

在本发明具体实施例中，min＝5。

3)云平台根据历史气象参数集合History_Weather和历史数据集合History_Data拟合养殖舍在一定条件下的室内温度函数T(x)。云平台从历史气象参数集合History_Weather和历史数据集合History_Data中读取最近d天的数据，拟合养殖舍在一定条件下的室内温度函数T(x)。T(x)表示环境参数为x时，室内的温度为T。x是一个向量，x＝{x1，x2，x3，x4，x5，x6}，分别对应History_Weather中的室外温度、室外湿度、室外风速、室外风向以及History_Data中的畜禽的日龄、畜禽的数目。如果History_Weather和History_Data的数据不足d天，那么就读取所有数据，其它未知的数据都默认为当前的数据。

作为本发明的优选实施例，d＝30，T(x)的拟合过程包括如下步骤：

3.1)记拟合函数T_θ(x)如下：

T_θ(x)＝θ₀+θ₁*x₁+θ₂*x₂+θ₃*x₃+θ₄*x₄+θ₅*x₅+θ₆*x₆

其中，x₁-x₆是影响因子，分别表示室外温度、室外湿度、室外风速、室外风向、畜禽的日龄、畜禽的数目，θ₀-θ₆是各个影响因子的权重；

3.2)构造损失函数J(θ)如下：

其中，M表示训练样本(即历史数据)的个数；X_i表示第i个样本，X_i＝{x_j|j＝1，…，6}；Y_i表示样本X_i所对应的真实的结果，即实际的室内温度；

3.3)对J(θ)求偏导，公式如下：

3.4)为θ₀-θ₆选择一个初始值；

3.5)对θ₀-θ₆进行迭代，直至J(θ)＜0.01为止，得到各个影响因子的权重θ₀-θ₆，所述迭代公式如下：

其中，α是学习率。在本发明优选实施例中，α＝0.3。

4)云平台根据集合Weather、养殖舍信息Data和函数T(x)构建未来一周的室内温度序列T_room(Ci)，(1≤i≤n)，T_room(Ci)表示在时刻Ci，养殖舍的室内温度为T_room；所述T_room(Ci)构建方法为：根据集合Weather和养殖舍信息Data得到时刻Ci的环境参数xi，xi＝{Ti，Hi，Di，Vi，day，count}；将环境参数xi代入室内温度函数T(x)，计算出养殖舍在时刻Ci的室内温度，即T_room(Ci)＝T(xi)；

5)云平台根据日龄-适宜温度区间表构建未来一周的目标温度序列T_target(Ci)，(1≤i≤n)。T_target(Ci)表示畜禽在时刻Ci的目标温度为T_target。T_target(Ci)构建方法如下：

查询日龄-适宜温度区间表，找到时刻Ci的适宜温度区间(T_low，T_up)；由适宜温度区间计算出时刻Ci的目标温度T_target(Ci)，计算公式如下：

T_target(Ci)＝(T_low+T_up)/2

这样就构建出了未来一周的目标温度序列T_target(Ci)，1≤i≤n。

6)云平台根据T_room(Ci)和T_target(Ci)制定未来一周的温控策略Si，构建温控策略集合Strategy。Si为时刻Ci的温控策略，记为Si＝(mark_i，C_i，power_fan_i，length_i，Target_i)；其中，mark_j表示当前策略是降温还是升温，0表示降温，1表示升温；C_i表示温控设备开始运转的时刻；power_fan_i表示需要开启的风机的总功率，单位瓦；length_i表示温控设备的开启时长，单位秒；Target_i表示目标温度，单位摄氏度；温控策略集合Strategy为有序集合，记为Strategy＝{S1，S2，…，Sn}。

制定温控策略Si包括如下步骤：

6.1)计算出时刻Ci(i的初始值为1，1≤i≤n)的室内温度T_room(Ci)和目标温度T_target(Ci)；

6.2)判断在时刻Ci时，室内温度是否异常；判断方法如下：

如果|T_room(Ci)-T_target(Ci)|＞ΔT，说明室内温度异常，转步骤6.3)；如果|T_room(Ci)-T_target(Ci)|≤ΔT，说明室内温度正常，温控策略Si为空，i＝i+1，转步骤6.1)。

ΔT为温度异常阈值，在本发明的优选实施例中，ΔT＝2。

6.3)确定mark_i值，计算公式如下：

6.4)计算power_fan_i，计算公式如下：

其中，Ws是风道***单位风量耗功率，单位瓦/(立方米/秒)；V是养殖舍体积，单位立方米；T_i是室外温度，单位摄氏度；η是湿帘的降温效率；η_fan是风机的效率。

6.5)计算length_i的值，计算公式如下：

6.6)计算Target_i的值，Target_i＝T_target(Ci)。

7)云平台将策略Strategy发送给控制器。

8)控制器根据当前的时刻Ci，从Strategy中选择控制策略Si。如果Si为空，就不做处理；否则，首先根据mark_i判断当前策略是降温策略还是升温策略。如果mark_i＝0，说明是降温策略，那么就开启风机，风机的功率为power_fan_i瓦，开启时长为length_i秒。如果mark_i＝1，说明是升温策略，那么就开启加热器，开启时长为length_i秒。

9)控制器判断是否需要对室内温度进行微调。记室内的实时温度为Tr，记温差的阈值为TH，判断方法如下：

如果|Tr-Target_i|＝0，那么控制器关闭所有温控设备，转步骤11)；

如果0＜|Tr-Target_i|＜TH，那么转步骤10)；

如果|Tr-Target_i|≥TH，那么转步骤12)。

在本发明的优选实施例中，TH＝0.5。

10)控制器保持当前温控设备的运转状态，直至室内温度恢复至目标温度Target_i再关闭。

11)判断当前策略Si是不是Strategy的最后一个策略。如果是，转步骤12)，否则转步骤8)。

12)控制器反馈信息给云平台，转步骤1)，重新制定温控策略。

Claims (2)

1.一种云平台与控制器相结合的畜禽养殖智能温控方法，其特征在于，包括如下步骤：

1)云平台每隔N小时从第三方平台获取控制器所在地未来一周的气象参数，构建气象参数集合Weather和历史天气集合History_Weather；所述气象参数包括时间、室外温度、室外湿度、室外风速、室外风向；气象参数集合Weather为有序集合，记为Weather＝{W1,W2,…,Wn}，集合Weather的每一个元素Wi都由五元组(Ci,Ti,Hi,Di,Vi)组成，Ci表示时间,Ti表示室外温度,Hi表示室外湿度,Di表示室外风向,Vi表示室外风速；

相邻的元素Wi与Wi+1之间的时间间隔是M分钟；历史天气集合History_Weather的结构与Weather相同，初始值为空，之后每采集一次气象参数，执行History_Weather＝History_Weather+Weather；

2)控制器每隔min分钟向云平台发送一次养殖舍信息Data,云平台构建历史数据集合History_Data；所述养殖舍信息Data＝{DateTime，Tr，day，count，V，Ws，η_fan，PH，η，S}，DateTime表示当前日期时间，Tr表示室内的实时温度，单位℃，day表示当前日龄，count表示畜禽的数目，V表示养殖舍体积，单位立方米，Ws表示每个风机的单位风量耗功率，η_fan表示风机的效率，PH表示加热器的加热功率，单位瓦特，η表示湿帘的降温效率，S表示湿帘有效面积，单位平方米；历史数据集合History_Data每一个元素的结构和Data的结构一样，云平台每接收到一次Data，就执行History_Data＝History_Data+Data；

3)云平台根据历史气象参数集合History_Weather和历史数据集合History_Data拟合养殖舍的室内温度函数T(x)；所述T(x)表示环境参数为x时，室内的温度为T；所述环境参数x是一个向量，记为x＝{x1,x2,x3,x4,x5,x6}，x1,x2,x3,x4,x5,x6分别对应历史气象参数集合History_Weather中的室外温度、室外湿度、室外风速、室外风向以及History_Data中的畜禽的日龄、畜禽的数目；

4)云平台根据气象参数集合Weather、养殖舍信息Data和室内温度函数T(x)构建未来一周的室内温度序列T_room(Ci)，其中1≤i≤n，T_room(Ci)表示在时刻Ci，养殖舍的室内温度为T_room；所述T_room(Ci)构建方法为：根据集合Weather和养殖舍信息Data得到时刻Ci的环境参数xi，xi＝{Ti,Hi,Di,Vi,dayi,counti}；将环境参数xi代入室内温度函数T(x)，计算出养殖舍在时刻Ci的室内温度，即T_room(Ci)＝T(xi)；

5)云平台根据日龄-适宜温度区间表构建未来一周的目标温度序列T_target(Ci)，其中，1≤i≤n，T_target(Ci)表示畜禽在时刻Ci的目标温度为T_target；T_target(Ci)构建方法为：查询日龄-适宜温度区间表，得到时刻Ci的适宜温度区间(T_low,T_up)；由适宜温度区间计算出时刻Ci的目标温度T_target(Ci)，计算公式为：T_target(Ci)＝(T_low+T_up)/2；

6)云平台根据室内温度序列T_room(Ci)和目标温度序列T_target(Ci)制定温控策略Si,构建未来一周的温控策略集合Strategy；所述Si为Ci时刻的温控策略，记为Si＝(mark_i，C_i，power_fan_i，length_i，Target_i)，其中，mark_i表示当前策略是降温还是升温，0表示降温，1表示升温；C_i表示温控设备开始运转的时刻；power_fan_i表示需要开启的风机的总功率；length_i表示温控设备的开启时长；Target_i表示目标温度；所述温控策略集合Strategy为有序集合，记为Strategy＝{S1,S2,…,Sn}；

所述步骤6)中，制定温控策略Si包括如下步骤：

6.1)计算出时刻Ci室内温度T_room(Ci)和目标温度T_target(Ci)，其中i的初始值为1，1≤i≤n；

6.2)判断在时刻Ci时，室内温度是否异常；判断方法如下：如果|T_room(Ci)-T_target(Ci)|＞ΔT，说明室内温度异常，转步骤6.3)；如果|T_room(Ci)-T_target(Ci)|≤ΔT，说明室内温度正常，温控策略Si为空，i＝i+1，转步骤6.1)；ΔT为温度异常阈值；

6.3)计算mark_i值，计算公式如下：

6.4)计算power_fan_i，计算公式如下：

其中，Ws是风道***单位风量耗功率，V是养殖舍体积，T_i是室外温度，η是湿帘的降温效率，η_fan是风机的效率；

6.5)计算length_i的值，计算公式如下：

6.6)计算Target_i的值，Target_i＝T_target(Ci)；

7)云平台将温控策略集合Strategy发送给控制器；

8)控制器根据当前的时刻Ci，从温控策略集合Strategy中选择控制策略Si控制温控设备；

9)控制器根据室内的实时温度Tr判断是否需要对室内温度进行微调，如果|Tr-Target_i|＝0，则控制器关闭所有温控设备，转步骤11)；如果0＜|Tr-Target_i|＜TH，转步骤10)；如果|Tr-Target_i|≥TH，那么转步骤12)，其中TH为温差阈值；

10)控制器保持当前温控设备的运转状态，直至室内温度恢复至目标温度Target_i再关闭；

11)判断当前策略Si是不是温控策略集合Strategy中的最后一个策略，如果是，转步骤12)，否则转步骤8)；

12)控制器反馈信息给云平台，转步骤1)，重新制定温控策略。

2.如权利要求1所述的云平台与控制器相结合的畜禽养殖智能温控方法，其特征在于，所述步骤3)中T(x)的拟合过程包括如下步骤：

3.1)记拟合函数T_θ(x)如下：

T_θ(x)＝θ₀+θ₁*x₁+θ₂*x₂+θ₃*x₃+θ₄*x₄+θ₅*x₅+θ₆*x₆

其中，x₁-x₆是影响因子，分别表示室外温度、室外湿度、室外风速、室外风向、畜禽的日龄、畜禽的数目，θ₀是常数项，θ₁-θ₆是各个影响因子的权重；

3.2)构造损失函数J(θ)如下：

其中，M表示训练样本中历史数据的个数；X_i表示第i个样本；Y_i表示样本X_i所对应的真实的结果，即实际的室内温度；

3.3)对J(θ)求偏导，公式如下：

表示第i个样本X_i的第j个属性值x_j；

3.4)为θ₀-θ₆选择一个初始值；

3.5)对θ₁-θ₆进行迭代，直至J(θ)＜0.1为止，得到各个影响因子的权重θ₁-θ₆，所述迭代公式如下：

其中，α是学习率。

Images