基于全局优化预测的温室智能控制模型_程曼.pdf

基于全局优化预测的温室智能控制模型 程 曼 1 袁洪波 1 2 蔡振江 1 1 河北农业大学 机电工程学院 河北 保定 071001 2 中国农业大学 信电学院 北京 100083 摘 要 针对传统温室控制系统中存在的控制方案达不到最优化 反应滞后以及控制器调节不同步等问题 提 出了基于全局变量的优化预测方法 该方法将温室内部温湿度与光照等数据 作物的生长状况 控制器当前状 态 温室外部环境的相应数据及当地天气情况进行融合 利用各全局变量 通过数学模型得出温室未来环境状况 的短期预测值 采用神经网络实现控制 解决了温室控制中的大滞后和大惯性等问题 仿真结果证明了该模型 的有效性及合理性 对温室内气候智能控制的发展具有一定的参考价值 关键词 温室 智能控制 全局变量 优化预测 神经网络 中图分类号 S625 5 TP181 文献标识码 A 文章编号 1003 188X 2013 10 0026 04 0 引言 温室智能控制系统是在计算机综合控制下 根据 作物生长的最适宜生态条件 将现代信息技术 自动 化技术与生物工程技术 农业工程技术 环境工程技 术相结合 创造适宜于作物生长的环境 实现作物优 质 高效和低耗的工业化规模生产 1 温室控制系统 需要根据温室气候环境的变化 控制执行机构进行相 应的调节 气温过低时 需要利用供暖系统补充温度 气温过高时 需要控制通风口 遮阳系统 排气扇或蒸 发冷却装置等工作 避免过热 现在大多数的温室控 制系统中 各执行器通常根据其实际测量值和设定值 来单独控制 2 这种常规的控制系统设计方案具有 的缺点 一是执行器设定值的调整在很大程度上依赖 于工作人员所具有的专业知识水平 二是控制系统工 作在被动状态 当温室气候环境发生变化时才进行调 节 不能预测温室环境未来的状态 无法提前做出反 应 三是因为各执行器的设定值及工作地点相互独 立 所以各执行器进行调节时工作不协调 容易导致 控制系统的超调和振荡 为了克服上述缺点 必须增加控制系统的智能水 平 能够对整个系统实现全局优化 3 本文采取了基 于全局优化预测的控制模型 将温室内部和外部的温 度 湿度 光照及当地天气情况进行综合分析 将各全 收稿日期 2012 10 25 基金项目 河北省科技支撑计划项目 11227179 河北省高等学校科 学技术研究青年基金项目 z2011271 作者简介 程 曼 1982 女 河北藁城人 讲师 博士研究生 E mail chengman1982 163 com 局变量作为控制模型的输入值 得出温室未来气候的 预测值 根据预测值 可以提前对温室环境即将出现 的改变做出相应的调整 有效提高温室的控制质量 1 温室智能控制的特点及要求 温室控制的目标是为作物提供合适的环境条件 传统控制模式在很大程度上取决于工作人员的专业 知识和实际经验 要求工作人员具备必要的知识 对 作物生长 生产管理的经济性和控制系统之间的相互 关系有很好的了解 只有这样 生产者才能得到最优 的控制方案和经济效益 而温室的管理人员往往并不 具备上述的要求 此外 温室环境系统由于自身的复 杂性以及各种环境因素之间相互影响 使得采用传统 的控制方法很难达到最佳的控制效果 4 1 1 温室智能控制系统的特点 温室智能控制系统主要是根据外界环境的温度 湿度 光照 风速 风向以及雨量等气候因子 基于温 室专家系统和用户参数设定 通过一些控制措施来调 节温室内的温度 湿度 通风和光照等环境因子 创造 出适合作物生长的温室生态环境 即根据作物不同 生长阶段的需求 制定出检测标准 通过对温室环境 的实时检测 将测得参数进行比较后自动调整温室各 个控制设备的状态 从而使各项环境因子符合既定的 要求 5 1 2 温室智能控制系统的要求 温室智能控制系统利用 AI Artificial Intelligence 模型生成控制方案 让所有执行器共同协调工作 达到 最优控制效果 智能控制所需的必要基础如下 1 控制模型的精确性 温室内作物生长到一定 62 2013 年 10 月 农 机 化 研 究 第 10 期 时期 一方面对温室环境进行调控会影响作物的生 长 另一方面因作物光合作用和蒸腾作用的改变又对 室内环境因子产生新的影响 由此产生一种反馈作用 机制 而在现有的温室环境控制系统并没有考虑到这 种反馈作用机制 6 温室环境各要素之间也存在着 较强的耦合性 某个要素的改变也会对其它要素构成 影响 因此 智能控制系统需要建立精确的模型 实 现调控方式既节约资源又提高生产效率的目标 2 大量的检测数据 精确建模需要大量的数据 采集 包括时间上和空间上 各传感器采集的数据都 将为模型的建立提供支持 实现温室的智能控制模 型 不但需要考虑温室内部各参数的值 如温度 湿度 和光照等 还需要考虑温室外部的环境参数 当地的 实时天气状况以及短期天气状况的预测等 2 温室的总体结构 实验用的温室为中等规模 96m 2 温室中分为 16 个区域 苗床 其热区域模型如图 1 所示 考虑 到温室中各参数的耦合作用 将温室分为 5 个区 域 7 区域 1 为加热系统 区域 2 为作物生长区 苗 床 区域 3 包括温室侧窗和遮光帘 区域 4 为温室顶 部 区域 5 代表温室外部环境 在每个区域设置相关 的传感器采集数据 传感器类型及采集数据类别如表 1 所示 本实验中只考虑了温湿度和光照 未进行 CO 2 及其它因素的讨论 图 1 实验温室热区域示意图 Fig 1 The thermal zone structure of experiment greenhouse 表 1 温室各区域数据采集类别及数量 Table 1 Data collection category and quantity of zones 区域 数据采集 类别 温度传感器 数量 湿度传感器 数量 光照传感器 数量 1 加热系统 1 0 0 2 苗床部分 16 16 0 3 阳帘下方 2 0 1 4 遮阳帘上方 1 0 0 5 温室外部 1 0 1 3 温室的控制模型 在温室中 影响作物生长状况和管理费用的主要 物理参数是内部温度 湿度及光照强度 如果能对这 3 个参数进行精确的预测 并在此基础上进行控制 就 能达到最优化的控制目的 控制模型如图 2 所示 图 2 温室智能控制结构图 Fig 2 Intelligent control structure of greenhouse 3 1 全局参数优化预测模型 3 1 1 温室外部天气模块 直接利用天气预报来预测温室外部气候模型 其 预测精度较低 所以需要在温室外部设置温度传感器 和光照传感器 采集外部环境的具体数据 利用外部 传感器采集到的数据 建立数据库 根据历史记录和 天气预报对温室外部短期气候 几小时后 做出预测 3 1 2 在线天气预报模块 从控制精度的角度来说 网络在线获取的天气预 报不能满足建模的精确性 但是将其作为控制模型 1 个输入量 最终产生的趋势预测却是比较可靠的 然 而 当网络发生故障或者获取的天气数据损坏时 必 须利用一个近似的数据去替代该数据 替代的数据 可以利用下面的公式来近似获得 T 0 1 T L 2 L 3 2 L 1 式中 T 当地的近似温度 T L 和 L 当地实际温度值和光照强度值 i 加权系数 i 的值会根据实际情况进行阶 段性的调整 3 1 3 全局优化预测模型 全局参数共 46 个 包括 21 个温度值 16 个湿度 72 2013 年 10 月 农 机 化 研 究 第 10 期 值 2 个光照强度值 6 个执行器工作状态值 1 个在线 天气预报提供的未来温度值 该模型的功能通过神 经网络来实现 全局优化模型输入量分为 4 部分 1 各区域温湿度及光照强度测量值 由温室内部 各传感器采集 2 在线天气预报 由在线天气预报模块提供预测 值或近似值 3 温室外部环境预测值 由外部天气模块提供 4 执行器的最新配置方案 包括遮光 通风 加热 和灌溉等 即各执行器工作状态 作为全局优化预测 的参考 3 2 智能控制模型 智能控制模型在输入量的基础之上 预测出各输 出的状态值 用来对温室的内部环境进行调节 该模 型的输入分为 3 部分 一是当前各传感器的测量值 二是作物生长模型的预测值 三是全局优化模型的预 测值 该模型有 32 输入和 32 个输出状态预测 其功 能通过神经网络来实现 3 3 神经网络模型及实验结果分析 3 3 1 BP 神经网络模型 人工神经网络 7 是一种借鉴人脑神经元互连结 构的信息处理网络 具有非线性 鲁棒性和学习特性 并具有并行处理 自组织学习 自适应和高度的非线 性映射特征 因 BP 神经网络结构简单 对样本训练 具有很好的效果 故选用 BP 网络 BP 神经网络即误差反向传播网络 是由输入层 隐含层和输出层 3 部分组成的多层前馈网络 当给 定 1 个输入时 从输入层到输出层的传递是个前向传 播过程 如果实际输出与期望输出存在一定的误差 那么就转入误差反向传播的阶段 并根据各层误差的 大小来调节各层的权值 如此不断迭代修正各层的 权值 直到收敛 8 其结构如图 3 所示 图 3 BP 神经网络拓扑结构图 Fig 3 Topology of BP neural network 图 3 中 设 i j k 分别表示输入层个数和隐层个 数和输出层个数 W ij 为输入层与隐层的连接权值 T j k 为隐层至输出层的连接权值 若 X i 为输入模式 Y k 为输出模式向量 则隐层节点输出为 O j f m i 1 X i W ij 2 输出层输出为 Y k f n j 1 O j T jk 3 其中 激励函数为 0 1 内连续取值的 Sigmoid 函数为 f x 1 1 e x 4 误差计算公式为 E 1 2 t i O i 2 5 式中 t i 第 i 个样本的期望输出值 O i 第 i 节点实际输出值 权矩阵修正公式为 W ij n 1 h i O j W ij n 6 式中 h 学习因子 i 输出节点 i 的计算误差 O j 输出节点 j 的实际输出 3 3 2 实验结果分析 实验研究的时间段选在 0 00 24 00 数据每小 时采集 1 次 共采集 24 个数据点 图 4 为某天 2011 年 3 月 5 日 温湿度实测数据与仿真结果的对比情 况 从结果可以看出 经过模型的控制后 输出的室 内温度和湿度变化情况比没有经过智能控制时的变 化要平缓得多 图 4 温湿度实测值及仿真值对比图 Fig 4 Temperature and humidity simulation 82 2013 年 10 月 农 机 化 研 究 第 10 期 4 结论 1 本文提出了一种基于全局优化预测的温室智 能控制模型 并在其基础上设计了基于神经网络控制 系统的控制器 最后利用仿真模型进行验证 证明了 该控制模型的性能 2 该模型综合考虑了温室内外的温度 湿度 光 照 控制器状态和作物生长状态等全局变量 并且将 对短期天气的预测作为全局变量之一加以讨论 保证 了控制模型的前瞻性 在一定程度上克服了控制系统 的迟滞性和振荡 参考文献 1 陈广庆 孙爱芹 徐克宝 基于 PLC 和组态软件的温室控 制系统设计 J 安徽农业科学 2010 38 34 19827 19828 2 Zazueta F S Bucklin Jones P H et al Basic concepts in environmental computer control of agricultural systems C Agricultural and Biological Engineering Dept Institute of Food and Agricultural Sciences Florida University of Flor ida 2008 3 Blasco X Martineza M Herreroa JM et al Model based predictive control of greenhouse climate for reducing energy and water consumption C Computers and Electronics in Agriculture Amsterdam Elsevier Science Publishers B V 2007 4 屈毅 宁铎 赖展翅 等 温室温度控制系统的神经网络 PID 控制 J 农业工程学报 2011 27 2 307 311 5 齐文新 周学文 分布式智能型温室计算机控制系统的一 种设计与实现 J 农业工程学报 2004 20 1 246 249 6 胡伟松 基于网络的温室环境控制设备自动化选配系统 研究 D 杭州 浙江大学 2001 7 P Eredics T P Dobrowiecki Hybrid knowledge modeli ng for an intelligent greenhouse C 2010 IEEE 8th International Symposium on Intelligent Systems and Informatics Serbia 459 463 8 朱大奇 史慧 人工神经网络原理及应用 M 北京 科学 出版社 2006 The Model in Intelligent Control of Greenhouse Based on Global Optimization Prediction Cheng Man 1 Yuan Hongbo 1 2 Cai Zhenjiang 1 1 College of Mechanical and Electrical Engineering Agricultural University of Hebei Baoding 071001 China 2 College of Information and Electrical Engineering China Agricultural University Beijing 100083 China Abstract Abstract The paper deals with the problem of modeling and control of greenhouses inside climate based on the global variable optimization method for prediction A mathematical model of greenhouse climate was established Con fronted with problem of greenhouse climate control existed in conventional controller such as control system is reactive the adjustment of the actuators is not synchronized control scheme is not optimal In the method inside the greenhouse temperature humidity radiation values crop growth status current state of actuators external environment and the local weather conditions by data fusion as the global variables Then the greenhouse of the future state of the environment short term predictive value are obtained by mathematical model of neural network control The simulation results testify the validity and reasonability of the global optimization prediction control strategy for the climate control in the green house and the achievement has certain reference value for the development in intelligent control of the greenhouse micro climate Key words greenhouse intelligent control global variable optimization prediction neural network 92 2013 年 10 月 农 机 化 研 究 第 10 期