CN114077269B - 基于数据驱动模型的温室环境预测与优化控制方法 - Google Patents

基于数据驱动模型的温室环境预测与优化控制方法 Download PDF

Info

Publication number
CN114077269B
CN114077269B CN202010825260.8A CN202010825260A CN114077269B CN 114077269 B CN114077269 B CN 114077269B CN 202010825260 A CN202010825260 A CN 202010825260A CN 114077269 B CN114077269 B CN 114077269B
Authority
CN
China
Prior art keywords
greenhouse
temperature
carbon dioxide
model
data
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
Application number
CN202010825260.8A
Other languages
English (en)
Other versions
CN114077269A (zh
Inventor
华净
康孟珍
王浩宇
王秀娟
王飞跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Parallel Intelligent Industry Management Co ltd
Original Assignee
Qingdao Parallel Intelligent Industry Management Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Parallel Intelligent Industry Management Co ltd filed Critical Qingdao Parallel Intelligent Industry Management Co ltd
Priority to CN202010825260.8A priority Critical patent/CN114077269B/zh
Publication of CN114077269A publication Critical patent/CN114077269A/zh
Application granted granted Critical
Publication of CN114077269B publication Critical patent/CN114077269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/88—Electrical aspects, e.g. circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/30—Velocity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Greenhouses (AREA)

Abstract

本发明涉及温室控制技术领域，涉及温室环境预测与优化控制方法。基于数据驱动模型的温室环境预测与优化控制方法，包括：利用温室环境监测数据、设备状态数据，建立温室环境预测模型；基于种植经验或作物生长模型设定当前的期望温度和二氧化碳浓度下限；通过温室环境预测模型和优化计算，寻找最合适的通风口的开合程度，以达到优化目标；根据优化计算的结果，调整通风口的开合程度。本发明的有益效果是：基于目前农业物联网普遍应用、数据获取便捷的现状，采用数据驱动的方法，根据主要影响因子和控制设备状态进行温度和二氧化碳浓度的计算，无需对复杂的环境相互影响作用构建数值模型，便于在实际温室应用。

Description

基于数据驱动模型的温室环境预测与优化控制方法
技术领域
本发明涉及温室控制技术领域，涉及温室环境预测与优化控制方法。
背景技术
温室内部环境是一个耦合关系复杂、非线性、不确定性高的模型，各类环境参数如温度、湿度、光照强度以及二氧化碳浓度相互影响，建立温室环境的数学模型具有很高的挑战性。对于如此复杂的环境，常用的控制***往往需要耗费大量的人力，且不能起到良好的控制效果。此外，温室的环境控制还存在着诸多不确定性：环境状态的转移概率未知、控制作用的效果不确定、温室环境部分开放导致受外界环境的影响。经典控制方法要求***具有精确的数学模型，由于温室环境数学模型的建立困难，因此在应用于温室环境控制时精度不高。
此外，通常的温室控制只考虑实现给定的环境指标，对温室内作物动态变化的需求缺乏考虑。作物生长过程中干物质的累积主要来源于作物的光合作用，影响光合作用的关键环境因素有温度、二氧化碳浓度和有效光合辐射。在温室中，光合有效辐射与温室外部光照强度、温室内部补光灯强度呈单调上升关系，易调控至预期目标。而温度和二氧化碳浓度受多重因素的影响，不易调控至预期目标。同时通风口的开合程度会影响温室内温度以及二氧化碳浓度，风口的增大一般一方面可减低温度，同时会带来温室内二氧化碳的流失。在保证作物光合所需的二氧化碳浓度的同时，调控温度，使得作物健康生长，是本发明关注的重点。
我国现代化的设施农业起步较晚，大部分的温室缺乏科学有效的环境控制。通过对温室内环境的精确控制，可以较为精确地控制蔬菜的生长过程，从而使得温室作物获得更高的经济效益，降低风险。因此，温室控制方法的研究是契合我国农业发展特点的研究，是十分必要的。
发明内容
本发明的目的是基于平行控制理论，提出了一种温室预测与控制方法，该方法通过人工***建模，采用温室数据训练模型，然后，基于人工***模型进行控制策略优化，以获得最优的期望目标。优化目标是通过风口的调节，最大限度地减少期望温度和实际温度之间的差异，并维持温室内光合所需的二氧化碳浓度。
为了实现上述目的，本发明采用的技术方案是：基于数据驱动模型的温室环境预测与优化控制方法，包括：
（1）利用温室环境监测数据、设备状态数据，建立基于lightGBM 算法的温室环境预测模型；
（2）基于种植经验或作物生长模型设定当前的期望温度和二氧化碳浓度下限；
（3）通过温室环境预测模型和优化计算，寻找最合适的通风口的开合程度，以达到优化目标；
（4）根据优化计算的结果，调整通风口的开合程度。
作为本发明的一种优选方式，所述温室环境预测模型包括温度预测模型和CO2浓度预测模型，算法模型为：
1)、初始化决策树参数，计算决策树的初始输出，记为
Figure DEST_PATH_IMAGE001
：
Figure DEST_PATH_IMAGE002
（1）
其中，
Figure DEST_PATH_IMAGE003
是使初始的损失函数最小的常数值。
2)、开始迭代，在每一次迭代中，创建一棵新的子树并基于当前的决策树模型计算损失函数关于每一个样本的负梯度，作为残差的估计值；当前的迭代次数记为
Figure DEST_PATH_IMAGE004
，创建的子树输出记为
Figure DEST_PATH_IMAGE005
，残差的估计值记为
Figure DEST_PATH_IMAGE006
：
Figure DEST_PATH_IMAGE007
（2）
3)、将
Figure DEST_PATH_IMAGE008
作为新创建子树的目标输出，X继续作为新创建子树的输入集合，拟合新的子树
Figure 785397DEST_PATH_IMAGE005
，更新决策树模型，决策树的输出计算如下：
Figure DEST_PATH_IMAGE009
（3）
4)、重复步骤2-3，直至损失函数满足要求或迭代次数达到设定的最大值为止，结束迭代，决策树最终的输出为：
Figure DEST_PATH_IMAGE010
（4）。
进一步地，所述温度预测模型以当前时刻的温室内外温度、光照强度、风速、通风口开合程度作为输入数据的特征，预测下一时刻温室内部的温度。
进一步地，所述的二氧化碳浓度预测模型以当前时刻的温室内外温度、二氧化碳浓度、风速、通风口开合程度作为输入数据的特征，预测下一时刻温室内部二氧化碳浓度。
作为本发明的一种优选方式，优化目标如式（5）：
Figure DEST_PATH_IMAGE011
（5）
其中
Figure DEST_PATH_IMAGE012
为时间；
Figure DEST_PATH_IMAGE013
为
Figure 76439DEST_PATH_IMAGE012
时刻的温室环境预测模型计算得出的温室内部温度值；
Figure DEST_PATH_IMAGE014
为
Figure DEST_PATH_IMAGE015
时刻期望温度的设定值，是一条随时间和光照变化的曲线；
Figure DEST_PATH_IMAGE016
为
Figure 59438DEST_PATH_IMAGE012
时刻温室环境预测模型计算得出的温室内部CO2浓度值；
Figure DEST_PATH_IMAGE017
为
Figure 861172DEST_PATH_IMAGE012
时刻温室内CO2浓度值的下限。
进一步优选地，所述
Figure 941123DEST_PATH_IMAGE017
通过种植物的光合作用曲线，根据每一时刻温室内的温度值和光合有效辐射计算得出。
与现有技术相比，本发明的有益效果是：基于目前农业物联网普遍应用、数据获取便捷的现状，采用数据驱动的方法，根据主要影响因子和控制设备状态进行温度和二氧化碳浓度的计算，无需对复杂的环境相互影响作用构建数值模型，便于在实际温室应用。通过在数据驱动的控制中融合了农学经验，使得不同的环境因子控制目标相互关联，共同围绕适宜作物生长的统一目标，而不是常见的相互独立的控制。从而使得调控结果适合作物生长，减少资源的浪费（例如过量补充二氧化碳）。
附图说明
图1为本发明实施例中基于数据驱动模型的温室环境预测与优化控制方法其中一个周期的流程示意图；
图2是本发明实施例中优化前后温室内温度对比示意图；
图3为本发明实施例中优化前后温室内二氧化碳浓度对比示意图；
图4为优化前后背风口开合程度对比示意图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
作物生长过程中干物质的累积主要来源于作物的光合作用，影响光合作用的关键环境因素有温度、二氧化碳浓度和有效光合辐射。在温室中，光合有效辐射与温室外部光照强度、温室内部补光灯强度呈单调上升关系，易调控至预期目标。而温度和二氧化碳浓度受多重因素的影响，不易调控至预期目标。同时通风口的开合程度会影响温室内温度以及二氧化碳浓度，风口的增大一方面可降低温度，同时会带来温室内二氧化碳的流失。
本发明通过基于数据驱动模型的温室环境预测，通过调控通风口开合程度来实现温度调控的同时进行二氧化碳浓度的协同控制，流程如图1所示，具体包括：
一、基于lightGBM算法建立温室环境预测模型
基于lightGBM算法和第二届国际自主温室挑战赛所获取的实验数据建立温室环境预测模型境预测模型：温度预测模型和二氧化碳预测模型。
决策树可看作是一个加法模型，由多棵子树的输出相加得到决策树的最终输出。假设训练集样本数量是N，决策树的输入是集合𝑋（𝑋1,𝑋2,… ,𝑋𝑁），由当前时刻温室中相关环境变量以及控制设备状态变量组成；输出是集合
Figure DEST_PATH_IMAGE018
（
Figure 294744DEST_PATH_IMAGE018
1,
Figure DEST_PATH_IMAGE019
2,… ,
Figure 233882DEST_PATH_IMAGE019
𝑁），为模型预测的下一时刻温室中温度（二氧化碳浓度）；目标输出是集合𝑌（𝑌1,𝑌2,… ,𝑌𝑁），为实际的下一时刻温室中温度（二氧化碳浓度）。损失函数记为𝐿(𝑌̂𝑖,𝑌𝑖)。最大迭代次数记为M。lightGBM的基本算法流程如下：
1)、初始化决策树参数，计算决策树的初始输出，记为
Figure 698361DEST_PATH_IMAGE001
：
Figure 272299DEST_PATH_IMAGE002
（1）
其中，
Figure 531242DEST_PATH_IMAGE003
是使初始的损失函数最小的常数值。
2)、开始迭代，在每一次迭代中，创建一棵新的子树并基于当前的决策树模型计算损失函数关于每一个样本的负梯度，作为残差的估计值；当前的迭代次数记为
Figure 551151DEST_PATH_IMAGE004
，创建的子树输出记为
Figure 288163DEST_PATH_IMAGE005
，残差的估计值记为
Figure 218073DEST_PATH_IMAGE006
：
Figure 913496DEST_PATH_IMAGE007
（2）
3)、将
Figure 561647DEST_PATH_IMAGE008
作为新创建子树的目标输出，X继续作为新创建子树的输入集合，拟合新的子树
Figure 102349DEST_PATH_IMAGE005
，更新决策树模型，决策树的输出计算如下：
Figure 11399DEST_PATH_IMAGE009
（3）
4)、重复步骤2）-3），直至损失函数满足要求或迭代次数达到设定的最大值为止，结束迭代。迭代完成后，决策树最终的输出为：
Figure 612145DEST_PATH_IMAGE010
（4）。
温度预测模型以当前小时的温室内外温度、光照强度、风速、通风口开合程度等11
项因素作为输入数据的特征，预测下一小时温室内部温度。具体采用的输入特征如表1所示。
表1 温度预测模型输入特征
特征描述 单位
内部温度 ℃
外部太阳辐射强度 W·m<sup>-2</sup>
外部温度 ℃
风速 m·s<sup>-1</sup>
作物冠层光合有效辐射 μmol·m<sup>-2</sup>·s<sup>-1</sup>
加热管道平均温度 ℃
供给侧加热管道温度 ℃
背风口开合程度 %
向风口开合程度 %
管道调控温度设定值 ℃
通风口调控温度设定值 ℃
温室内外的空气流动与温度传导受多种因素影响。温室内外温度、背（向）风口开合程度、风速通过影响温室内外环境温度传导而影响温室内部温度。外部太阳辐射强度和作物冠层有效光合影响温室内部光照，进而影响温室内部温度。加热管道的作用是在温度较低的天气情况下对温室进行加热，维持温室内部温度不低于相应设定值；通风口则在温室内部温度高于相应设定值时打开，以达到降低温室内部温度的效果。
二氧化碳浓度预测模型以当前小时的温室内外温度、二氧化碳浓度、风速、通风口开合程度等10项因素作为输入数据的特征，预测下一小时温室内部二氧化碳浓度。具体采用的输入特征如表 2 所示。
表 2 二氧化碳浓度预测模型输入特征
特征描述 单位
内部二氧化碳浓度 ppm
温室内部温度 ℃
外部太阳辐射强度 W·m<sup>-2</sup>
温室外部温度 ℃
风速 m·s<sup>-1</sup>
作物冠层光合有效辐射 μmol·m<sup>-2</sup>·s<sup>-1</sup>
背风口开合程度 %
向风口开合程度 %
二氧化碳供给速率 kg·m<sup>-2</sup>·s<sup>-1</sup>
叶面积指数（LAI） —
温室内外温度、背（向）风口开合程度、风速通过影响温室内外环境空气流动进而影响温室内部二氧化碳浓度。外部太阳辐射强度和作物冠层有效光合影响作物光合作用速率以及二氧化碳的消耗速率。二氧化碳发生器通过调整供给速率来维持二氧化碳浓度。叶面积指数反映了作物的生长情况，作物的生长影响二氧化碳的消耗速率。
本实施例采用第二届国际自主温室挑战赛提供的一份Json文件中的数据为例，进行温室环境模型的训练与验证。虚拟实验中，实验周期为 2017 年12 月15 日至2018 年6月1 日，相关实验数据以小时为时间间隔被记录下来，一共 4032 条实验数据。按照时间顺序将其划分为训练集和测试集。其中，训练集是 2017 年12 月15日至 2018 年 4 月 20日的 3032 条数据；测试集是 2018 年 4 月 20 日至 2018 年 6 月 1日的 1000 条数据。
在本实施例中，决策树训练的最大迭代次数设置为 10000，损失函数采用平均绝对误差函数。
本实施例所构建的温度预测模型和二氧化碳浓度预测模型的平均相对误差分别为2.41%和 1.67%，精度较高。
二、基于以上建立的数据驱动模型，优化通风口控制策略
1、基于种植经验或作物生长模型设定当前的期望温度
通过农业专家经验、作物光合模型等手段获取当前的适宜温度，设为期望温度。
2、采用环境监测设备例如传感器等获取环境监测数据：温室内外温度、光照、二氧化碳浓度、风速、叶面积指数，及通风口开合程度等。
3、利用所构建的温度预测模型和二氧化碳浓度预测模型预测温度和二氧化碳浓度，并对预测的温室内温度和二氧化碳浓度进行优化计算，使得CO2浓度不低于下限的情况下，温度尽可能接近期望温度。
温度和二氧化碳浓度是影响温室内作物光合作用能力的重要因素，因此，所研究的通风口优化控制策略是为了在维持必要的二氧化碳水平条件下，最小化温室内温度与期望温度之间的差异。
优化对象为通风口开合程度，优化目标如下式：
Figure 482012DEST_PATH_IMAGE011
（5）
其中
Figure 91985DEST_PATH_IMAGE012
为时间；
Figure 855542DEST_PATH_IMAGE013
为
Figure 266669DEST_PATH_IMAGE012
时刻的温室环境模型得出的温室内部温度预测值；
Figure 748466DEST_PATH_IMAGE014
为
Figure 630971DEST_PATH_IMAGE015
时刻期望温度的设定值，是一条随时间和光照变化的曲线，参照挑战赛官方技术文档给出的设定值；
Figure 389980DEST_PATH_IMAGE016
为
Figure 598107DEST_PATH_IMAGE012
时刻温室环境模型计算得出的温室内部二氧化碳浓度预测值；
Figure 301621DEST_PATH_IMAGE017
为
Figure 394342DEST_PATH_IMAGE012
时刻温室内二氧化碳浓度的下限值。本实施例基于 TOMSIM模型中番茄的光合作用曲线，根据每一小时温室内的温度值和光合有效辐射计算二氧化碳浓度下限值
Figure 132491DEST_PATH_IMAGE017
，控制目标是使得番茄的日总光合速率保持在其饱和值的80%。
4.根据优化计算出的最适宜温室内温度值和CO2浓度，调整通风口开合程度，达到优化温室内环境的目的。
图2 展示了2018 年5 月26 日至6 月1日的数据在原有的和优化后的通风口控制策略下的温室内部温度对比。如图所示，期望温度设定值不是恒定的，随着太阳辐射以及外部温度的变化而变化。
基于数据驱动模型的优化控制策略取得了较为良好的控制效果。优化前的温室内部温度与期望温度的平均差值为 2.24 ℃。优化后的温室内部温度与期望温度的平均差值为 1.24 ℃，仅为优化前的 55.35%。在5月底，由于中午的太阳辐射较强，通风口无法完全有效地降低温室内温度，期望温度与温室内实际温度之间存在较大的差异。温室内最高温度可达 34.21 ℃，与期望温度的差异值最高超过 10 ℃。
图3展示了2018 年5 月 31 日至6 月1日优化控制前后的温室内二氧化碳浓度差异。由图可见，优化后的二氧化碳浓度明显高于其下限值。这说明优化的通风口控制策略满足二氧化碳浓度的约束条件。同时，二氧化碳浓度与其下限值之间还有一定的可优化空间。因此，尝试将其下限值设置为不同的值，观察优化控制实验是否仍然有效。实验结果表明，当二氧化碳下限值被设置到使作物的日总光合速率保持在其饱和值的 88% 以上时，优化控制策略已不能满足计算实验的约束条件。此时，温室内所需的二氧化碳浓度已明显高于实际的二氧化碳浓度。
同时期的背风口打开程度如图4 所示，向风口的打开程度与背风口线性相关。在夏季，优化控制策略下的背风口打开程度明显小于原控制策略。
本发明基于lightGBM 算法建立的温室环境模型随着训练数据量的增加变得更为准确。模型在为期4周的训练过程后基本已取得较高的预测精度，而本本发明实施例中训练模型所用的数据是以小时为单位记录的。在实际的温室应用中，数据采集的周期往往只需要 15 分钟甚至更短的时间。因此，基于该算法构建环境模型的时间预计可以缩短至一周甚至更短。在温室数据采集过程中，可以根据现有技术和知识进行正常的生产管理和控制。而通过收集到的新数据对模型进行更新，从而实现平行控制，并进一步提高模型的性能。这意味着本发明的方法不需要很高的实验成本和很长的实验周期。
本发明的方法在数据驱动的温室环境模型中进行了计算实验，并在二氧化碳浓度约束条件下有效优化了温室通风口控制策略，达到了优化温室内环境控制的目的。

Claims (3)

1.基于数据驱动模型的温室环境预测与优化控制方法，其特征在于，包括：
（1）利用温室环境监测数据、设备状态数据，建立基于lightGBM 算法的温室环境预测模型；
所述温室环境预测模型包括温度预测模型和二氧化碳浓度预测模型；
所述温度预测模型以当前时刻的温室内外温度、光照强度、风速、通风口开合程度、作物冠层光合有效辐射、加热管道平均温度、供给侧加热管道温度作为输入数据的特征，预测下一时刻温室内部的温度；
所述的二氧化碳浓度预测模型以当前时刻的温室内外温度、二氧化碳浓度、风速、通风口开合程度、作物冠层光合有效辐射、二氧化碳供给速率作为输入数据的特征，预测下一时刻温室内部二氧化碳浓度；
（2）基于种植经验或作物生长模型设定当前的期望温度和二氧化碳浓度下限；
（3）通过温室环境预测模型和优化计算，寻找最合适的通风口的开合程度，以达到优化目标；
Figure 903469DEST_PATH_IMAGE001
（5）
其中，
Figure 820610DEST_PATH_IMAGE002
为时间；
Figure 210134DEST_PATH_IMAGE003
为
Figure 605343DEST_PATH_IMAGE004
时刻的温室环境预测模型计算得出的温室内部温度值；
Figure 295082DEST_PATH_IMAGE005
为
Figure 117544DEST_PATH_IMAGE002
时刻期望温度的设定值，是一条随时间和光照变化的曲线；
Figure 525523DEST_PATH_IMAGE006
为
Figure 724423DEST_PATH_IMAGE002
时刻温室环境预测模型计算得出的温室内部CO2浓度值；
Figure 3089DEST_PATH_IMAGE007
为
Figure 996452DEST_PATH_IMAGE004
时刻温室内CO2浓度值的下限；
（4）根据优化计算的结果，调整通风口的开合程度。
2.根据权利要求1所述的基于数据驱动模型的温室环境预测与优化控制方法，其特征在于，温度预测模型和二氧化碳浓度预测模型的算法模型为：
（1）、初始化决策树参数，计算决策树的初始输出，记为
Figure 891727DEST_PATH_IMAGE008
：
Figure 628739DEST_PATH_IMAGE009
（1）
其中，
Figure 27491DEST_PATH_IMAGE010
是使初始的损失函数最小的常数值；
（2）、开始迭代，在每一次迭代中，创建一棵新的子树并基于当前的决策树模型计算损失函数关于每一个样本的负梯度，作为残差的估计值；当前的迭代次数记为
Figure 457335DEST_PATH_IMAGE011
，创建的子树输出记为
Figure 698960DEST_PATH_IMAGE012
，残差的估计值记为rmi,i＝1,2,...,N：
Figure 227342DEST_PATH_IMAGE014
（2）
（3）、将
Figure 703454DEST_PATH_IMAGE015
作为新创建子树的目标输出，X继续作为新创建子树的输入集合，拟合新的子树
Figure 432375DEST_PATH_IMAGE012
，更新决策树模型，决策树的输出计算如下：
Figure 120977DEST_PATH_IMAGE016
（3）
（4）、重复步骤（2）-（3），直至损失函数满足要求或迭代次数达到设定的最大值为止，结束迭代，决策树最终的输出为：
Figure 618954DEST_PATH_IMAGE017
（4）。
3.根据权利要求1所述的基于数据驱动模型的温室环境预测与优化控制方法，其特征在于，所述
Figure 531546DEST_PATH_IMAGE007
通过作物的光合作用曲线，根据每一时刻温室内的温度值和光合有效辐射计算得出。
CN202010825260.8A 2020-08-17 2020-08-17 基于数据驱动模型的温室环境预测与优化控制方法 Active CN114077269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010825260.8A CN114077269B (zh) 2020-08-17 2020-08-17 基于数据驱动模型的温室环境预测与优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010825260.8A CN114077269B (zh) 2020-08-17 2020-08-17 基于数据驱动模型的温室环境预测与优化控制方法

Publications (2)

Publication Number Publication Date
CN114077269A CN114077269A (zh) 2022-02-22
CN114077269B true CN114077269B (zh) 2022-10-28

Family

ID=80281149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010825260.8A Active CN114077269B (zh) 2020-08-17 2020-08-17 基于数据驱动模型的温室环境预测与优化控制方法

Country Status (1)

Country Link
CN (1) CN114077269B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115226516B (zh) * 2022-07-07 2023-09-26 西北农林科技大学 一种设施光与二氧化碳环境协同调控方法
CN115529987B (zh) * 2022-11-30 2023-03-24 中化现代农业有限公司 作物设施的风口调控方法、装置、设备及存储介质
CN117389355B (zh) * 2023-12-07 2024-03-12 凯盛浩丰农业集团有限公司 一种番茄种植的智能温室温度控制方法及***
CN117519354B (zh) * 2024-01-08 2024-03-29 山西省农业机械发展中心 一种设施农业智能信息远程监控***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105446142A (zh) * 2015-12-25 2016-03-30 中国农业大学 一种温室co2气肥增施方法、装置及***
CN106875067A (zh) * 2017-03-01 2017-06-20 淮阴师范学院 构建冬季晴天时温室二氧化碳浓度预测模型的方法
CN108133289A (zh) * 2017-12-21 2018-06-08 中国铁建电气化局集团有限公司 基于环境预测的隧道通风控制方法及***
JP2018099067A (ja) * 2016-12-20 2018-06-28 ネポン株式会社 生育管理装置、生育管理方法、及び、プログラム
CN111368975A (zh) * 2020-02-25 2020-07-03 东北农业大学 一种猪舍内多环境因子动态变化预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105446142A (zh) * 2015-12-25 2016-03-30 中国农业大学 一种温室co2气肥增施方法、装置及***
JP2018099067A (ja) * 2016-12-20 2018-06-28 ネポン株式会社 生育管理装置、生育管理方法、及び、プログラム
CN106875067A (zh) * 2017-03-01 2017-06-20 淮阴师范学院 构建冬季晴天时温室二氧化碳浓度预测模型的方法
CN108133289A (zh) * 2017-12-21 2018-06-08 中国铁建电气化局集团有限公司 基于环境预测的隧道通风控制方法及***
CN111368975A (zh) * 2020-02-25 2020-07-03 东北农业大学 一种猪舍内多环境因子动态变化预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于梯度提升决策树的电力***短期负荷预测研究;毕云帆;《中国优秀硕士学位论文全文数据库（电子期刊）》;20200331;C042-842 *

Also Published As

Publication number Publication date
CN114077269A (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN114077269B (zh) 基于数据驱动模型的温室环境预测与优化控制方法
Cai et al. A method for modelling greenhouse temperature using gradient boost decision tree
Rodríguez et al. Adaptive hierarchical control of greenhouse crop production
del Sagrado et al. Bayesian networks for greenhouse temperature control
CN112527037B (zh) 一种具有环境因子预测功能的温室环境调控方法和***
CN106292802A (zh) 一种用于鱼菜共生***的智能预测控制***及方法
Su et al. Multi-layer hierarchical optimisation of greenhouse climate setpoints for energy conservation and improvement of crop yield
CN115529987B (zh) 作物设施的风口调控方法、装置、设备及存储介质
Moon et al. Estimation of greenhouse CO 2 concentration via an artificial neural network that uses environmental factors
CN115453868B (zh) 基于番茄光响应差分特征的全生长期光强调控方法
CN106875067B (zh) 构建冬季晴天时温室二氧化碳浓度预测模型的方法
CN114371748B (zh) 一种基于高斯曲率的温室作物光照二氧化碳调控方法
An et al. A simulator-based planning framework for optimizing autonomous greenhouse control strategy
Lešić et al. Rapid plant development modelling system for predictive agriculture based on artificial intelligence
Bailey et al. Improving the cost effectiveness of greenhouse climate control
CN116449897B (zh) 温室环境最优控制方法、服务器及***
Boersma et al. Robust sample-based model predictive control of a greenhouse system with parametric uncertainty
Ioslovich et al. Approximate seasonal optimization of the greenhouse environment for a multi-state-variable tomato model
Su et al. Greenhouse climate setpoint optimization: An online decision strategy
Rodríguez et al. A hierarchical control system for maximizing profit in greenhouse crop production
CN107918424A (zh) 一种控制植物生长环境的方法及***
CN115328242B (zh) 基于远程控制的养殖环境智能调节***
Morozova Methodology for controlling greenhouse microclimate parameters and yield forecast using neural network technologies
CN110073857A (zh) 一种温室立面通风保温抗风***及控制方法
CN112034916B (zh) 温室控制***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant