基于自加速遗传粒子群算法的半封闭式温室能耗预测.pdf

第 31卷 第 24期 农 业 工 程 学 报 V ol 3 1 N o 24 186 2015年 12月 Transactions of the Chinese Society of Agricultural Engineering Dec 2015 基于自加速遗传粒子群算法的半封闭式温室能耗预测 陈教料 1 2 陈教选 2 杨将新 1 胥 芳 2 沈 真 3 1 浙江大学现代制造研究所 杭州 310027 2 浙江工业大学特种装备制造与先进加工技术教育部 浙江省重点实验室 杭州 310014 3 同济大学国家设施农业工程研究中心 上海 200092 摘 要 针对半封闭式温室环境参数众多且难以测量的问题 提出了一种机理建模与系统辨识建模相结合的温室能耗建 模方法 采用自加速遗传粒子群算法 self accelerating hybrid algorithm of particle swarm optimization and genetic algorithm SPSO GA 对温室物理模型中难以确定的参数进行辨识 建立半封闭式温室能耗预测模型 根据上海半封闭式玻璃试验 温室的气象数据和测量的能耗值 分别采用遗传算法 genetic algorithm GA 粒子群算法 PSO particle swarm optimization 和 SPSO GA进行参数辨识与能耗预测比较分析 采用 SPSO GA获得的温室能耗预测结果与实测数据的相 对误差为 1 4 分别比 GA 和 PSO 减少了 2 9 和 13 7 根据日太阳光照辐射总量 室外日均温度 2 个参数及相应的 变化曲线 预测的温室能耗值精确度大于 86 试验与模拟结果验证了基于 SPSO GA 的温室能耗预测模型有效 可为 半封闭式温室能量负载设计 管理和控制提供理论依据 关键词 温室 算法 能耗管理 半封闭式温室 自加速遗传粒子群算法 doi 10 11975 j issn 1002 6819 2015 24 028 中图分类号 S625 5 1 文献标志码 A 文章编号 1002 6819 2015 24 0186 08 陈教料 陈教选 杨将新 胥 芳 沈 真 基于自加速遗传粒子群算法的半封闭式温室能耗预测 J 农业工程学报 2015 31 24 186 193 doi 10 11975 j issn 1002 6819 2015 24 028 http www tcsae org Chen Jiaoliao Chen Jiaoxuan Yang Jiangxin Xu Fang Shen Zhen Prediction on energy consumption of semi closed greenhouses based on self accelerating PSO GA J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2015 31 24 186 193 in Chinese with English abstract doi 10 11975 j issn 1002 6819 2015 24 028 http www tcsae org 0 引 言 温室的高效调控是作物高产 优质的必然要求 然 而温室生产的高能耗已成为温室发展的主要障碍 为了 调节室内环境 当前温室普遍采用机械通风或自然通风 方式 采用机械通风方式的温室 可减少自然通风窗密 封性差引起的热流失 降低能源消耗 1 然而天窗自然通 风在夏季的降温与除湿的能耗上更经济 2 因此为了节能 的需求 一种具有 2 种通风方式的新型半封闭式温室被 提出 并被推广应用 2 3 相对传统温室 采用半封闭通 风方式的温室可节约能量约 12 4 为了更高效地实现半 封闭式温室能耗的设计与管理 对半封闭式温室的能耗 预测模型进行研究是非常必要的 近年来许多学者开展了温室环境的机理建模方法研 究 5 7 戴剑锋等根据温室小气候模型开发了一个 Venlo 型玻璃温室冬季加温所需基础能耗的计算机预测系统 8 收稿日期 2015 08 11 修订日期 2015 11 25 基金项目 国家高技术研究发展计划 863 计划 2013AA050405 国家 国际科技合作专项 2014DFE60020 国家自然科学基金 61374094 浙 江省创新团队项目 2011R50011 02 作者简介 陈教料 男 博士生 主要从事农业工程研究 杭州 浙江工业 大学特种装备制造与先进加工技术教育部 浙江省重点实验室 310014 Email jlchen 通信作者 胥 芳 女 博士 教授 主要从事农业工程研究 杭州 浙 江工业大学特种装备制造与先进加工技术教育部 浙江省重点实验室 310014 Email fangx 陈教料等根据热交换方法对联栋温室的热需求进行预测 设计 9 周伟等在 Venlo 型温室内将温度场作为研究对 象 提出了一种基于计算流体动力学的非稳态模拟模型 的预测控制方法 10 然而传统的温室机理建模过程中会 遇到参数整定的问题 且模型一旦建立 无法突破时空 的限制 需要对参数再次整定 半封闭式温室中内外遮 阳 保温幕和机械通风等对环境影响的部分参数难以测 量 且室内作物生长导致作物与室内环境的热交换也是 变化的 故机理建模方法难以建立准确的能耗预测模型 系统辨识建模方法是利用输入输出数据所提供的信 息来建立过程模型 左志宇等采用时序分析的系统辨识 方法建立了温室内温度预测模型 11 程曼等基于全局变 量预测模型得出温室未来环境状况的短期预测值 通过 神经网络实现控制方案 解决了温室控制中的大滞后 大惯性等问题 12 汪小旵等利用 BP 神经网络对江淮地区 梅雨季节的 Venlo 型温室小气候进行了模拟与分析 13 Guzm n Cruz等根据参数辨识的方法 采用各种智能搜索 算法 分析校验了温室内部各类环境参数对温湿度的影 响 14 Trejo Perea 等利用各种人工神经网络模型预测了 温室中的能量消耗 15 系统辨识建模需要大量的数据才 能建立较准确的模型 然而在温室系统中采集大量数据 是费时费力的 且难以采集所有可能出现的环境数据 因此 本文根据能量守恒原理的物理模型 结合参 数辨识的优化算法 建立了半封闭式温室的能耗预测模 型 为提高辨识参数的精度 提出了结合粒子群算法第 24期 陈教料等 基于自加速遗传粒子群算法的半封闭式温室能耗预测 187 particle swarm optimization PSO 和遗传算法 genetic algorithm GA 优点的自加速遗传粒子群算法 self accelerating PSO GA hybrid algorithm SPSO GA 通过试验温室实测数据对预测能耗进行比较分析 检验 温室能耗预测模型的准确性 根据能耗预测模型分析不 同室外温度和太阳辐射条件下半封闭式温室的日耗能总 量 为温室环境的能耗设计和能量管理提供参考 1 材料与方法 1 1 试验材料 在国家设施农业工程技术研究中心上海市崇明农业 示范基地的连栋玻璃半封闭式温室 31 57 N 121 7 E 进行数据采集与验证试验 选用其中一个南北向 3 联栋 玻璃温室作为研究对象 每跨长度为 4 m 每栋 2 跨 总 面积为 912 m 2 其宽长高分别为 24 38 和 7 5 m 屋脊 高度 采用顶窗自然通风方式 室内采用暖风机与热 风管道供热 图 1 注 Q s 为温室能耗值 W v w 为地源热泵循环水流量 m 3 s T iw 和 T ow 分别 为输入水和输出水的温度 K Q solar 为进入温室的净太阳光照辐射能量 W Q long 为室内空气净长波辐射能量 W Q cover 为温室空气与外界的热传导能量 W Q vent 为温室空气与外界通风的换热能量 W Q trans 为温室中作物蒸腾所 需要的能量 W Q crop 为温室中的作物 土壤与空气热传导的能量 W Note Q s is input energy for the greenhouse W v w is water flow m 3 s T iw and T ow is temperature of inlet and outlet water K Q solar is incident solar raidiation W Q long is net energy flux due to longwave radiation W Q cover is heat flux through cover W Q vent is energy flux for ventilation W Q trans is energy flux due to crop transpiration W Q crop is heat flux due to convection between greenhouse air with soil and crop leaves W 图1 温室能量交换示意图 Fig 1 Schematic diagram of physical processes in greenhouse 为减弱室内的阴影 覆盖材料采用雾化减发射玻璃 室内过道铺反射膜 以提高温室内部太阳辐射的均匀度 温室内种植番茄 采用岩棉基质营养液种植方式 室内 外分别安装荷兰 Priva 公司的气象站和 2 个温湿度传感 器 传感器数据每 5 min 采集 1 次 数据由 Priva公司的 环境采集控制电脑读取并保存记录 温室内设定温度不 低于 16 00 00 06 00 21 08 00 17 00 和 15 19 00 22 00 其中过渡间隔阶段为温度过渡曲线 保温幕开启时间阶段为晚上 18 00 到第 2 天早上 08 00 试验数据采集时间为 2014年 11月 1日至 2015年 5月 31 日 采用地源热泵和水蓄热方式对温室进行供热 温室 能耗根据输入输出水的温差和水流量计算 可表示为 swwwi wo w Qc vTT 1 式中 Q s 为温室能耗值 W c w 为水的比热容 J kg K w 为水的密度 kg m 3 v w 为地源热泵循环水流量 m 3 s T iw 和 T ow 分别为输入水和输出水的温度 K 试验温室测 量的环境参数和能耗作为能量预测模型参数辨识与验证 的依据 1 2 能耗预测模型构建方法 本文结合机理建模方法和系统辨识方法 建立半封 闭温室的能耗预测模型 其构建方法过程如图 2 所示 根据热平衡原理建立温室各物理过程的热交换方程 联 立获取温室能耗预测模型 结合温室内外实测气象数据 和能耗 分析物理模型中的各参数 提取模型中的不确 定参数 并得到温室待辨识的能耗预测模型 将温室内 外的温度 湿度 风速等各种环境信息输入到待辨识的 模型中 通过模拟结果与实测能耗值的比较 采用优化 算法辨识预测模型中的不确定参数 利用不同于辨识日 期的室内外环境数据和能耗值对优化后的温室能耗预测 模型进行有效性校验 若模型验证合理则输出温室能耗 预测值 否则重新进行不确定参数的提取 参数辨识和 模型验证 直至模型验证合理 图2 温室能耗预测模型流程图 Fig 2 Process diagram for energy demand forecasting model of greenhouses 2 温室物理模型 温室与外界的能量交换涉及多种因素 包括温室内 部的供热系统 通风 植物等以及温室外部的空气 太 阳辐射等 8 如图 1 所示 基于能量守恒原理 温室内空 气温度变化率表示为温室内外各物质热交换的结果 温 室供热系统需要的能量可从温度微分方程转换获得 6 可 表述为 i sa i rga i r s o l a r long cover vent trans crop d dt T Qv cQ QQQQQ 2 式中 air 为空气密度 kg m 3 v g 为温室的体积 m 3 c air农业工程学报 http www tcsae org 2015年 188 为空气的比热容 J kg K T i 为温室室内的空气温度 Q solar 为进入到温室的净太阳光照辐射能量 W Q long 为室内空气净长波辐射 W Q cover 为温室与外界的传导 热量 W Q vent 为温室与外界的通风换热能量 W Q trans 为温室中作物和土壤蒸发吸收的能量 W Q crop 为温室 中的作物冠层与空气热传导的能量 W 由于温室内地面 铺了反射膜吸收太阳辐射减少 土壤与室内空气的温差 较小 其热交换可结合在与作物热传导项中考虑 同时 土壤蒸发量减少 其能量可在作物热蒸腾作用中考虑 根据辐射热交换 热传导能量交换 传质传热能量 交换及作物潜热和显热交换等定理和试验温室的特点 温室能耗方程为 16 20 ii s air g air sa acnt 44 12 g i sky l ggcni o 0 5 w dw0i o a i ra i rw ec r o pa i rs air air i s 1 2 7 3 2 2L A I Tt Tt Qt vc t AItTTTX AT t TtX AKKKTtTt A CCUtTtTt cX gL A cT A leaf b tTt r 3 式中 t 是时间序列 t 为相连 t时间序列的时间间隔 A s 为温室地表面积 m 2 I a 为室外辐射通量密度 W m 2 T a 为覆盖材料的透光率 T c 为保温幕透光率 T n 为内遮 阳透光率 X t 为净太阳光照辐射的修正系数 12 为覆盖 材料和空气之间的发射率 A g 为温室覆盖材料的表面积 m 2 为斯蒂芬 玻耳兹曼常数 W m 2 K 4 T sky 为天空 有效温度 K X l 为长波辐射的修正系数 K g 为覆盖材料 的传热系数 W m 2 K K c 为保温幕影响系数 K n 为内 遮阳影响系数 T o 为室外空气温度 A w 为开窗面积 m 2 C d 为平均通风交换系数 C w 为与风速相关的通风效 率系数 U o 为室外风速 m s X w 为通风换热修正系数 g e 为蒸腾的电导系数 m s L 为叶表面水的蒸发潜热 J g crop 为作物表面的水蒸气浓度 g m 3 air 为温室内 空气的绝对湿度 g m 3 LAI为叶面积指数 T leaf 为叶表 面的温度 根据试验测量可近似为 T i 2 r b 为作物的 边界层阻抗系数 s m 其中 T sky 和 g e 可由下式计算 21 1 5 sky o 0 0552 273 TT 4 e b s 2LAI 1 g rr 5 式中 LAI 为叶面积指数 为干燥空气的气体常数与水蒸 气的气体常数之比 r s 为作物气孔阻抗 s m 可由下式 计算 n 2 LAI si 82 570 e 1 0 023 20 R rT 6 式中 为与作物种类相关的一个常数 本文番茄作物可 取 0 4 22 R n 为作物冠层的太阳净辐射 W m 2 计算 如下 23 0 7LAI nc r o p 0 86 1 e RI 7 式中 I crop 为作物冠层的辐射通量密度 W m 2 作物表面的水蒸气浓度 crop 可由下式计算 b n crop air sat 2LAI r R L 8 式中 air sat 为饱和空气的绝对湿度 g m 3 当温度介于 15 30 之间时 饱和空气的绝对湿度 air sat 可由下式近似计 算 23 i 0 0572 air sat 5 5638e T 9 温室内空气的绝对湿度 air 为 air i air sat RH 10 式中 RH i 为温室内空气的相对湿度 将式 4 10 代入式 3 采用 Matlab 软件 中的 Simulink 模块建立温室能耗预测物理模型 根据实 测温室内外环境参数和能耗值对物理模型中的参数进行 了分析 划分了模型中的确定和不确定参数 其中模型 中恒定的参数如表 1 所示 由于太阳倾角和灰尘对覆盖 材料 内外遮阳和保温幕的影响 物性材料的透光率和 导热系数等很难确定 结合其他难以确定的参数以变量 形式存在温室能耗预测模型中 利用优化算法对其进行 全局寻优辨识获取 表1 温室物理模型中的常数 Table 1 Main constants of physical model for greenhouses 参数 Parameters 数值 Va l u e s 水的比热容 c w J kg 1 K 1 4 200 水的密度 w kg m 3 1 000 空气的密度 air kg m 3 1 2 空气的比热容 c air J kg 1 K 1 1 008 覆盖材料和空气之间的发射率 12 0 818 平均通风交换系数 C d 0 7 通风效率系数 C w 0 11 叶表面水的蒸发潜热 L J g 1 2 450 干燥空气与水蒸气的气体常数比 0 622 3 自加速PSO GA 算法 粒子群算法 24 是源于鸟群觅食行为提出的一种基于 群体智能的全局优化算法 该算法中 每个粒子都具有 位置和速度 2个特征 并且每个粒子都是一个 n 维矢量 代表一个在 n 维空间中的解 群体中的每个粒子在寻优 过程中的速度和位置更新公式为 1 11 22 kkk k k iii i i vw vc rPxc rgx 11 11 k k k iii x xv 12 式中 v i k 为第 i 个粒子在第 k 次种群进化中的速度 P i k 为 第 i个粒子在第 k次进化后的局部最优解 g 为全局最优 解 x i k 为第 i个粒子在第 k次进化中的位置 w为惯性权 重 c 1 和 c 2 分别是学习因子和社会因子 r 1 和 r 2 是 0 1 之间的随机数 遗传算法 25 是模拟自然选择和自然遗传过程中的繁殖 交配和变异 逐代产生优选个体 最后得到最优个体 遗传 算法也是一种自适应搜索算法 其选择 交叉 变异等操作第 24期 陈教料等 基于自加速遗传粒子群算法的半封闭式温室能耗预测 189 都是以概率的形式来进行的 有良好的全局优化求解能力 PSO 算法具有公式简单和实现容易等特点 但易陷 入局部收敛 GA 算法具有良好的全局求解能力 然而计 算量非常大 求解时需要耗费大量的时间 结合上述两 种算法的优点 本文提出了一种基于自加速遗传粒子群 优化算法 SPSO GA 为了加速 SPSO GA 中 PSO的搜索速度 将式 10 中的 w修改为 1 gbest 0 1 tanh kk ii ww Fiw 13 11 11 22 kkk kk k iii ii i vwvc rPxc rgx 14 式中 w i k 为第 i 个粒子在第 k 次进化中的惯性权重 为 加速因子 本文取 0 1 w 0 为初始适应度大小 SPSO GA 算法的流程图如图 3 所示 具体步骤如下 1 参数的第 1次初始化 包括适应度函数预设值 Fit 粒子总数 pop size 温室能耗物理模型中辨识参数的个数 以及各自的取值范围 GA 中的交叉率 变异率和种群代 数 g max PSO 中的学习因子 c 1 和 c 2 种群代数 p max 粒子最大速度向量以及最小速度向量 SPSO GA 的总迭 代次数 gen max 2 运行 1 次 PSO 算法 第 2 次初始化相关参数 得 到初始化粒子种群 pop 每个 pop中含有 pop size个粒子 每个粒子为 1组辨识参数 根据式 15 适应度向量 F 中适应度函数为 2 si si 1 1 n i t f Qtqt n 15 式中 Q si t 是第 t个时间序列第 i个粒子计算的输出能量 q si t 是第 t个时间序列第 i个粒子试验实测的输出能量 n 为时间序列的最大值 根据粒子种群和适应度向量初始 化得到全局最优粒子 全局最优适应度 F g 初始适应度 大小 w 0 局部最优粒子种群 P best 局部最优适应度向量 局部最差粒子种群 P worst 和局部最差适应度向量 3 进入 PSO 操作 利用式 13 更新惯性权重 然 后分别利用式 14 和式 12 更新粒子的速度和位置 信息 4 将新的粒子代入温室能耗物理模型中得到新的能 耗值 然后根据式 15 重新计算获得种群的适应度向 量 F 根据最新的粒子种群及其适应度向量 F 更新步骤 2 中的全局最优粒子 全局最优适应度 F g 局部最优粒 子种群 P best 局部最优适应度向量 局部最差粒子种群 P worst 和局部最差适应度向量 5 进入 GA 操作 将局部最差粒子种群 P worst 作为 GA 算法的初始种群 进行交叉和变异操作 6 更新全局最优粒子 全局最优适应度 F g 局部 最 差 粒子种群 P worst 和局部 最差 适应度向量 7 合并局部最优粒子种群 P best 和局部 最差 粒子 种群 P worst 为新的种群 对其适应度从小到大进行排序 并取其前 pop size 个粒子作为本代的精英粒子种群 8 将本代精英粒子种群作为下一代 PSO算法的初始 种群 重新初始化惯性权重后 算法跳至步骤 3 进入迭 代 直至 gen max达到预设值或者适应度达到预设值 9 结束后输出温室能耗模型中各辨识参数 图3 SPSO GA 算法的程序 流程图 Fig 3 Flow chart of SPSO GA 农业工程学报 http www tcsae org 2015年 190 4 结果与分析 4 1 参数辨识 根据文献 23 PSO 文献 24 GA 和 SPSO GA 分别 编写 Matlab的 M文件代码 通过优化算法辨识参数 调 用温室能耗 Simulink 模型计算适应度函数 辨识得到模 型中不确定参数 为了消除偶然因素的影响 选取试验 温室 2015 年 3 月 1 日到 3 月 5 日连续 5 d 的数据作为模 型优化辨识的数据 考虑到不同算法的收敛情况和耗时 有所差异 分别将预设值 Fit和算法总代数分别初始化为 15 000 和 240 其中 SPSO GA 的 p max g max 和 gen max 分别初始化为 6 2和 30 其他不确定参数在辨 识范围内随机初始化 根据优化算法的能耗模型预测的 功耗值和实际功耗值 以及式 15 的适应度函数 可 评判每代计算的适应度 最终 3 种优化算法辨识获得温 室能耗预测模型的参数表 表 2 共有 11 个辨识参数 其中 3 个为能量修正系数 表2 三种优化算法辨识获得的模型参数表 Table 2 Identification parameters of energy consumption model for greenhouses using three algorithms 参数 Parameters 辨识范围 Identification ranges 遗传 算法 GA 粒子群 算法 PSO 自加速遗传 粒子群算法 SPSO GA 减反射玻璃传热系数 K g 2 10 7 37 5 66 5 01 保温幕影响系数 K c 0 5 1 0 61 0 76 0 8 内遮阳影响系数 K n 0 5 1 0 93 0 97 0 99 叶面积指数 LAI 0 8 4 46 3 22 4 65 边界层阻抗系数 r b 50 500 304 283 485 覆盖材料透光率 T a 0 5 1 0 52 0 56 0 71 保温幕透光率 T c 0 3 1 0 66 0 61 0 61 内遮阳透光率 T n 0 3 1 0 99 0 82 0 58 长波辐射修正系数 X l 0 1 0 63 0 47 0 46 通风换热修正系数 X w 0 1 0 04 0 013 0 012 太阳光照辐射修正系数 X t 0 1 0 87 0 71 0 56 均方根误差 kW 18 8 17 5 15 5 根据 GA PSO 和 SPSO GA 每一代的均方根误差 可得到 3 种优化算法的收敛图 图 4 该图显示 GA 在第 3代时就陷入了 早熟 现象 但在迭代到 181 代 时又出现了一次跳出局部收敛的过程 表明 GA 具有较 好的全局求解能力 PSO 运行至 63 代时基本实现完全 收敛 而 SPSO GA在运行到 67代后达到收敛 此后分 别在第 145 代和 210 代时出现一次跳出局部收敛的现 象 上述现象表明 SPSO GA 不仅继承了 PSO在前期的 快速收敛性 而且融合了 GA 的优点 具备了更强地跳 出局部收敛的能力 根据优化算法辨识获得的参数表 2 结合能耗预测模 型获得 3种优化算法模拟温室消耗的热功率 图 5 为 了表现不同优化算法的跟随能力 考虑不加热时段温室 消耗热功率出现的负值部分 由于在正午时段室外太阳 光照辐射较强 温室室内温度升高导致回水温度大于供 水温度 则根据式 1 得到的温室消耗的热功率为负数 在图中的 A 区域 SPSO GA 的震荡幅度要小于另外 2 种优化算法 在图 5a中的 A B C 3处区域 当温室 热功耗出现急剧变化时 SPSO GA 跟随实际功耗曲线 的能力要优于另外 2 种算法 由此可得 SPSO GA 较 另外 2 种优化算法的鲁棒性更强 可应对温室能耗模型 中各种复杂的环境影响因素 GA 和 PSO最终收敛时的 均方根误差分别比 SPSO GA 要大 21 3 和 12 9 可 见 SPSO GA模拟和实际的功耗的偏差要小于其他 2种 算法 图4 三种优化算法的收敛图 Fig 4 Convergence graph with generation using three optimization algorithms a 在辨识过程中 a In identification process b 在验证过程中 b In validation process 注 A C和 E为体现优化算法鲁棒性的区域 B D为 PSO 陷入局部最优的区域 Note A C and E regions for robustness of optimization algorithms B and D are regions for falling into local optimum in PSO GA genetic algorithm PSO particle swarm optimization SPSO GA self accelerating hybrid algorithm of particle swarm optimization and genetic algorithm 图5 在辨识过程中和验证过程中三种优化算法温室功耗预测 值和实测值 Fig 5 Experimental and predicted power consumption with three algorithms in validation and identification process 第 24期 陈教料等 基于自加速遗传粒子群算法的半封闭式温室能耗预测 191 4 2 能耗模型验证 选取试验温室辨识数据相连的 2015 年 3 月 6 日到 3 月 8 日 3 d数据对温室能耗预测模型进行验证 根据 GA PSO 和 SPSO GA 辨识得到的温室能耗模型 分别预测半 封闭式温室的热功耗 图 5b 由于只讨论温室加热能 耗 可将模拟得到所有热功耗负值变为 0 由图 5b 可知 PSO和 SPSO GA 2种算法的预测与实际热功耗的整体吻 合度要明显优于 GA 由 图 中 的 B D 区域可见 PSO预测 的热功耗更接近实际值 说明 PSO 能在局部达到更优的 收敛情况 然而当温室热功耗出现急剧变化时 如图中 的 A C E 3处区域所示 SPSO GA 跟随热功耗变化的 能力却要优于 PSO 表 3 为 3 种优化算法预测 3 d 总能耗和实测值的对比 表 由表 3可知 GA和 PSO 的均方根误差分别比 SPSO GA 要大 32 2 和 10 7 SPSO GA 在预测未来 3 d 温室总能耗 的相对误差分别比 GA和 PSO 要小 2 9 和 13 7 可见 SPSO GA 的参数辨识能力要优于 PSO和 GA 其预测的总 能耗精度高达 98 6 表3 3种优化算法的热功耗和总能耗预测值及误差 Table 3 Errors and predicted values for heat power consumption and total energy consumption by three optimization algorithms 总能耗 Total energy consumption 算法 Algorithms 热功耗预测值均方 根误差 RMSE for predicted heat power consumption kW 预测值 Predicted value MW h 相对误差 Relative error 遗传算法 GA 19 7 2 91 4 3 粒子群算法 PSO 16 5 3 21 15 1 自加速遗传粒子 群算法 SPSO GA 14 9 2 83 1 4 4 3 模型能耗预测 为有效管理温室的能量供应 需对温室未来一段时 间的日耗能总量进行估计 根据 SPSO GA 和温室能耗物 理模型 利用 2015 年 1月 1 日到 1月 5 日期间试验温室 的环境参数和能耗数据 建立温室能耗预测模型 根据 能量预测模型和试验阶段室外冬季气象数据 预测得到 不同室外温度和太阳辐射条件下的半封闭式温室日耗能 总量 如图 6所示 图6 不同室外温度和辐射条件下的半封闭式 温室日耗能总量预测图 Fig 6 Predicted daily energy consumption in semi closed greenhouse with outside temperature and solar radiation 其中 依据室外日均温度和日太阳辐射总量与 1月 3 日相应数据的比列关系 一日中逐时室外温度和太阳辐 射按该日相应数据同比列转化 当室外平均温度不变时 日耗能总量随日太阳光照辐射总量增大而减小 当日太 阳光照辐射总量不变时 日耗能总量也随室外平均温度 增大而减小 选取试验温室 2015年 1月 10 日后的温室数据 计算 每日的日太阳辐射总量 室外日均温度和日耗能总量 验 证能耗预测模型 该阶段试验数据为番茄的采收期 温室 番茄采收期较长且叶面积指数等变化不大 可根据图 6预 测的半封闭式试验温室日耗能总量与实测值比较 如表 4 所示 表明日耗能总量的实测值和预测值的相对误差在 1 58 27 05 较大范围内变化 分析发现 当一日中逐 时实际温度和太阳辐射与预测设定值的变化趋势基本一 致时 预测的能耗误差小于 14 进一步验证了温室能耗 预测模型的准确性 然而当实际一日中逐时实际温度和太 阳辐射与 1月 3日相应数据变化趋势相差较大 能耗预测 的精确度急剧下降 表明在室外平均温度和太阳辐射总量 相同的条件下 不同的变化趋势对半封闭式温室的能耗影 响很大 因此 由于室外复杂的气象条件 精确地预测半 封闭温室的能耗模型还需较精确的每小时气象数据预报 支持 虽然能耗部分预测偏差较大 不同室外温度和辐射 条件下的温室日耗能总量预测值仍对于半封闭式温室的 能耗设计和管理具有一定的参考意义 表4 温室日耗能总量的预测值和实际值比较 Table 4 Comparisons of actual and predicted daily energy consumption in semi closed greenhouse 日期 Date 日太阳辐射 总量 Daily global solar radiation kW h m 2 室外日均温度 Mean outside temperature 温室实际日耗能 总量 Daily energy consumption kW h m 2 相对误差 Relative error 2015 01 10 2 642 6 755 1 336 5 98 2015 01 11 2 944 7 081 1 492 22 05 2015 01 12 2 538 4 757 1 607 13 81 2015 01 13 1 475 6 394 1 253 27 05 2015 01 15 2 042 6 467 1 145 25 85 2015 01 16 0 826 5 176 1 488 22 31 2015 01 17 1 975 3 008 1 574 1 58 2015 01 18 2 599 4 987 1 117 20 94 2015 01 19 3 469 5 665 1 181 9 06 2015 01 26 0 7097 6 667 1 565 13 99 2015 01 27 0 619 4 227 2 196 13 21 2015 01 28 0 882 3 408 2 138 11 55 2015 01 29 0 767 3 022 1 844 4 44 2015 01 30 2 536 2 371 1 901 22 51 注 一日中逐时实际温度和太阳辐射与模拟设定值趋势相差较大导致预测精 度降低 Note Decreasing prediction accuracy resulted from large deviation of setting and actual trends in outside temperature and solar radiation 此外 不同时间的模型验证表明当改变试验的季节和 月份时 建立的温室能量预测模型仍具备较高的准确性 因此本文提出的温室能量预测模型较传统的经验模型具 有更强的适应性 且在参数辨识方面 本研究方法只需 3 5 d 的温室数据即可建立一个符合预期的能量模型 少于 传统温室辨识建模方法所需的 2周或数月的数据 11 13 农业工程学报 http www tcsae org 2015年 192 5 结 论 1 本文根据机理建模和系统辨识结合方法建立了温 室能耗预测模型 可采用较少的辨识数据有效解决了半 封闭式温室建模中环境参数众多且难以测量的问题 通 过对试验温室预测和实际的能耗比较分析 验证了该预 测模型的有效性 2 结合 GA 和 PSO 的优点 通过在 PSO 操作中引 入加速因子自动改变惯性权重的值 加速了 PSO 算法的 搜索速度 通过实际模拟分析 采用 SPSO GA 预测的能 量总需求与实测数据的相对误差为 1 4 分别比 GA 和 PSO 减少了 2 9 和 13 7 当温室热功耗出现急剧变化 时 SPSO GA较 PSO和 GA 具有更强地鲁棒性 3 根据能耗模型预测了不同室外平均温度和日太阳 辐射总量条件下的半封闭式温室日耗能总量 可指导温 室环境的能耗设计和能量管理 一日中逐时实际温度和 太阳辐射基本确定的条件下 温室能耗预测的准确性大 于 86 验证了当温室的环境条件改变时能耗预测模型 仍具备较高的准确性 由于室外复杂的气象条件 为更 精确和有效地管理半封闭式温室能耗 需结合温度和太 阳辐射的每小时精细预报进行进一步的研究 参 考 文 献 1 Van den B N Coomans M Wittemans L et al Monitoring and energetic performance analysis of an innovative ventilation concept in a Belgian greenhouse J Energy and Buildings 2013 57 51 57 2 Vadiee A Marti