基于FA-LSTM-GRU的日光温室温度预测及拉膜通风控制研究_李天华.pdf

引用本文格式 李天华 赵敬德 韩威 等 基于FA LSTM GRU的日光温室温度预测及拉膜通风控制研究 J 农业工程 2026 16 1 61 69 DOI 10 19998 ki 2095 1795 202507025 LI Tianhua ZHAO Jingde HAN Wei et al Research on temperature prediction and film pulling ventilation control in solar greenhouses based on FA LSTM GRU J Agricultural Engineering 2026 16 1 61 69 基于FA LSTM GRU的日光温室温度 预测及拉膜通风控制研究 李天华1 2 赵敬德1 韩 威3 苏国秀1 魏 珉4 张观山1 赵秀艳5 1 山东农业大学机械与电子工程学院 山东 泰安 271018 2 山东省设施园艺智慧生产技术装备重点实验室 筹 山东 泰安 271018 3 群体智能农牧机器人联合实验室 青海 西宁 810016 4 山东农业大学园艺科学与工程学院 山东 泰安 271018 5 山东农业大学信息科学与工程学院 山东 泰安 271018 摘 要 日光温室作为冬季节能型蔬菜生产设施 内部温度控制面临高热惯性 强非线性与外部扰动大的挑战 传统通 风控制策略普遍存在响应滞后与精度不足的问题 难以满足作物稳定生长的环境要求 为提升温室调温系统的智能化与 实时性 提出一种基于萤火虫算法 FA 优化的长短期记忆网络 LSTM 门控循环单元 GRU 混合模型 FA LSTM GRU 用于温室温度预测与通风控制 首先 结合LSTM与GRU结构 引入多头注意力机制 MHA 以增强时 序特征提取能力 并通过FA优化模型超参数 其次 设计基于预测值的模型预测控制策略 利用近端策略优化 PPO 实现通风前瞻性调节 最后 搭建云服务器与Arduino平台的控制系统 实现闭环集成 试验结果表明 所构建的FA LSTM GRU模型在测试集上获得R2 0 976 9 均方根误差0 770 8 C的预测性能 控制策略能在 0 6 C范围内稳定温度波 动 具备良好的控制精度与系统鲁棒性 关键词 日光温室 温度预测 通风控制 长短期记忆网络 门控循环神经网络 萤火虫算法 近端策略优化 中图分类号 S625 文献标识码 A 文章编号 2095 1795 2026 01 0061 09 DOI 10 19998 ki 2095 1795 202507025 Research on temperature prediction and film pulling ventilation control in solar greenhouses based on FA LSTM GRU LI Tianhua1 2 ZHAO Jingde1 HAN Wei3 SU Guoxiu1 WEI Min4 ZHANG Guanshan1 ZHAO Xiuyan5 1 College of Mechanical and Electronic Engineering Shandong Agricultural University Tai an Shandong 271018 China 2 Key Laboratory of Smart Production Technology and Equipment for Facility Horticulture in Shandong Province Proposed Tai an Shandong271018 China 3 Swarm Intelligence Agricultural and Pastoral Robot Joint Laboratory Xining Qinghai 810016 China 4 College of Horticultural Science and Engineering Shandong Agricultural University Tai an Shandong271018 China 5 School of Information Science and Engineering Shandong Agricultural University Tai an Shandong271018 China Abstract As energy efficient vegetable production facilities in winter solar greenhouses face significant challenges in internal temper ature control due to high thermal inertia strong nonlinearity and large external disturbances Traditional ventilation control strategies generally suffer from response delays and insufficient accuracy making it difficult to meet environmental requirements for stable crop growth To improve intelligence and real time performance of greenhouse temperature regulation systems a hybrid model combining long short term memory LSTM and gated recurrent unit GRU optimized by firefly algorithm FA was proposed referred to as FA LSTM GRU for temperature prediction and ventilation control First model integrated LSTM and GRU structures a multi head attention MHA was incorporated to enhance temporal feature extraction and FA was employed to optimize hyperparameters Then a model predictive control strategy based on predicted values was designed in which ventilation behavior was proactively adjusted using proximal policy optimization PPO Finally a control system was implemented on cloud server and Arduino platforms to achieve closed loop integration Experimental results showed that FA LSTM GRU model achieved R2 0 976 9 and root mean square error of 收稿日期 2025 07 14 修回日期 2025 09 08 基金项目 国家自然科学基金青年科学基金项目 32201657 山东省蔬菜产业技术体系项目 SDAIT 05 12 山东省重点研发计划 竞争性创新平台 项目 2024CXPT047 作者简介 李天华 博士 教授 主要从事智能农机装备研究 E mail lth5460 赵秀艳 通信作者 博士 副教授 主要从事农机装备数字化智能化设计研究 E mail zhaoxy 第 16 卷 第 1 期农 业 工 程Vol 16 No 1 2026 年 1 月AGRICULTURAL ENGINEERING Jan 2026 0 770 8 C Control strategy stabilized temperature fluctuations within 0 6 C demonstrating good accuracy and system robustness Keywords solar greenhouse temperature prediction ventilation control long short term memory gated recurrent unit firefly algorithm proximal policy optimizat 0 引言 当前 我国设施农业正迈入以智能化调控为核心 的发展阶段 1 温室作为提升农业资源利用率与作物 生产效率的关键载体 在蔬菜周年生产中发挥关键作 用 尤其在冬季严寒环境下 其在保障作物正常生长 方面更具代表性 2 然而 在全年复杂多变的外部气 候条件中 温室内部普遍存在较大的热惯性 使得温 度调控始终面临挑战 其中冬季问题最为突出 传统 依赖人工经验或基于固定规则的通风控制方式响应滞 后 调节精度低 常导致作物生长环境波动剧烈 影 响产量和品质 3 4 因此 如何实现对温室内部环境的 智能感知 精准预测与高效控制 已成为智能温室气 候调控领域的研究热点和技术难点 5 6 为应对上述挑战 近年来研究人员逐步将目光转 向以数据驱动的环境建模与预测控制方法 尝试通过 短时尺度内的温度趋势预测 实现通风行为的前瞻性 调节 这类方法强调模型在动态反馈环节中具备自主 判断与提前响应能力 进而有效提升温室系统的主动 控制性能与鲁棒性 7 8 在此背景下 深度学习凭借对 复杂非线性系统的强拟合能力与特征提取能力 已成 为温室环境预测研究中的主流工具策略 基于预测结 果进行主动调控的感知 预测 决策模式 更契合智能 温室系统对自主性与实时性的高要求 9 16 在众多模型中 循环神经网络 RNN 及其改进 结构长短期记忆网络 LSTM 与门控循环单元 GRU 因其在建模非平稳 多变量 强耦合的温室小气候数 据方面表现出显著优势 被广泛用于温室内部温度的 高精度预测 已有大量研究在此方向展开探索 梁志 超等 11 构建基于LSTM的温室多变量预测模型 结果 优于BP与GRU 胡瑾等 12 提出CNN GRU结构 提 升了短期预测效果 张观山等 13 将注意力机制引入 LSTM 提出LSTM AT模型 在长序列预测中取得更 高精度 祖林禄等 14 引入麻雀搜索算法 SSA 优化 LSTM网络结构 提出SSA LSTM模型 在空气 土壤 温湿度 二氧化碳浓度 光照强度等6类变量预测中 显著提升模型拟合度与泛化性能 在结构优化方向 YANG Y X等 15 构建结合前馈注意力机制的FAM LSTM模型 融合内外部环境参数 实现温湿度的多步 预测 在12 48 d的多时长预测中表现稳定 适用于温 室远程调控与预警场景 AHN Y J等 16 比较Autoformer SegRNN LSTM和DLinear多种模型在温室温湿度和 二氧化碳浓度预测中的表现 发现改进型RNN与线性 模型整体优于Transformer结构 进一步说明结构优化 对模型性能提升具有重要作用 尽管近年来温室温度预测研究取得了诸多进展 已有大量文献提出了基于深度学习的预测模型 但多 数研究主要聚焦于提高建模精度 缺乏与温室控制系 统的深度融合 在实际应用中 预测模型往往无法直 接用于控制策略制定 缺少对预测结果与调控行为之 间的协同设计 17 19 从而限制了模型在智能温室环境 调控中的实用性和推广价值 本研究提出一种混合模型的温室温度预测与拉膜 通风智能控制方法 融合LSTM与GRU网络结构 结 合多头注意力机制强化关键时间步特征建模能力 20 22 从而提升模型对温度突变等复杂动态特征的响应能力 为进一步优化模型性能 采用萤火虫算法 FA 对学 习率 隐藏单元数量及时间步长等关键超参数进行自 适应搜索与优化 在此基础上 将预测结果嵌入控制 系统设计 实现在通风控制中的前瞻性调节 提升温 室环境调控的响应性 稳定性与智能化水平 1 试验数据采集与处理 1 1 试验温室 试验地点位于山东省寿光市新型日光温室 36 817 N 118 853 E 属于典型的温带季风气候 区 冬季寒冷干燥 日照充足 温室为南北朝向 采 用砖墙加土垒基水泥加固结构 顶部覆盖透明材料 温室内为裸露土壤地面 东西长度120 0 m 南北跨度 9 0 m 后墙高度3 8 m和脊高5 0 m 1 2 数据采集 为全面获取温室内外关键环境参数 温室外部在 距地面3 0 m高度处安装风速 风向传感器 大气温湿 度传感器和太阳辐射传感器 传感器参数如表1所示 表 1 传感器技术参数 Tab 1 Sensor technical parameters 传感器类型 测量范围 精度 RC 4HA C型温度传感器 30 60 C 0 6 C RC 4HA C型湿度传感器 0 99 RH 3 RH RS TBQ AL型太阳辐射传感器 0 2 000 W m2 3 RS FSJT 型风速传感器 0 70 m s 0 3 m s RS FXJT N01型风向传感器 0 360 1 温室内部温度与湿度采用布点测量方式获取 沿 温室长度方向每隔30 m划分为 A B C 3个垂直剖 62 农业工程设施农业工程 面 在每个剖面上 分别于距北墙2 5 4 5和6 5 m处 布设传感器列 其中 距北墙2 5 m处传感器布设于距 地面0 3 1 2 和2 0 m高度位置 距北墙4 5 m处的传 感器布设于0 5 1 2 和1 7 m高度位置 距北墙6 5 m 处的传感器则布设于0 3和 1 2 m高度位置 整体构建 了一个覆盖地表至冠层上部的空间三维分布式监测网 络 如图1所示 为减少太阳辐射对测量数据的干扰 对传感器探 头进行遮阳防护处理 如图2所示 采集系统设置为 每3 min自动采集1次温湿度数据 数据导出为CSV 格式 用于后续模型训练与控制策略分析 1 3 数据预处理与样本构建 1 3 1 数据清洗与特征构造 nullnullnull nulldj d nullnullnull null d 原始数据采集频率为1次 3 min 存在少量缺失值 与异常值 需先进行清洗处理 对异常值剔除 采用 3倍标准差法 3 准则 即当某一数据点dj满足 3 时 视为异常数据剔除 其中为样本均值 为标准差 对缺失数据 采用线性插值方式补全 表 达式为 dt dt null dt null dt nullnull 1 式中 t 缺失数据时间点 dt 缺失数据 dt 1 dt 1 前后邻近有效值 1 3 2 动态特征选择方法 为筛选与室内温度高度相关的输入特征变量 首 先进行皮尔逊相关性分析 评价各变量与室内温度之 间线性关系 皮尔逊相关系数rxy计算为 rxy nnull j null nullx j x nullnully j y null nullnull nnull j null nullx j x nullnull nullnull nnull j null nully j y nullnull 2 式中 xj 第j个特征变量值 yj 第j个目标变量值 x 特征变量平均值 y 目标变量平均值 n 样本总数 分析结果表明 室外温度与室内温度的相关系数 r 0 540 散射辐r 0 601 均表现出中等强度的正相 关关系 而室外风速与室内温度的相关系数r 0 219 虽相关性较弱 但其显著性水平P 0 001 在统计学上 具有显著性 因此 考虑到风速在温室微气候调控中 可能间接影响温度变化的实际背景 本研究仍将风速 作为重要的动态特征变量之一 2 FA LSTM GRU混合预测模型构建 2 1 长短期记忆网络与门控循环神经网络模型 如图3所示 LSTM通过在神经元结构中引入遗忘 门 输入门和输出门3重机制 有效缓解传统RNN在 长序列建模中存在的梯度消失与记忆丢失问题 其门 控结构允许网络在处理长时间跨度的温度变化时选择 性保留或遗忘历史信息 尤其适用于温室等具有显著 周期性与滞后特征的环境序列建模 LSTM核心计算流 程为 ft nullWnull nullht null xtnull bnullnull 3 it nullWnull nullht null xtnull bnullnull 4 nullCt nullnull nullWnull nullht null xtnull bnullnull 5 Ct ft Ct null it nullCt 6 o t nullWnull nullht null xtnull bnullnull 7 ht ot nullnull nullCtnull 8 式中 xt 当前输入向量 ht 当前时刻隐藏层输出状态 ht 1 前一时刻隐藏状态 Ct 1 Ct 前一时刻与当前时刻细胞状态 ft it ot 时刻遗忘门 输入门 输出门激 活向量 nullCt 候选细胞状态 Wf Wi Wc Wo 各门控对应权重矩阵 bf bi bc bo 各门控对应偏置向量 图1 传感器安装示意 Fig 1 Sensor installation schematic 李天华 等 基于FA LSTM GRU的日光温室温度预测及拉膜通风控制研究 63 Sigmoid函数 tanh 双曲正切函数 与LSTM相比 GRU进一步简化了网络结构 仅 保留更新门和重置门两个机制 同时保持了对关键信 息的建模能力 其计算流程为 zt nullWnull nullht null xtnull bnullnull 9 rt nullWnull nullht null xtnull bnullnull 10 nullht nullnull nullWt nullrt ht null xtnull bhnull 11 ht nullnull ztnull ht null zt nullht 12 式中 zt 更新门 rt 重置门 nullht 候选隐藏状态 Wz bz 更新门对应权重矩阵与偏置向量 Wr br 重置门对应权重矩阵与偏置向量 Wh bh 候选隐藏状态计算对应权重矩阵与偏 置向量 GRU结构更为轻量 计算效率更高 尤其适合部 署在资源受限的温室边缘设备中 在短期响应方面具 有优势 可与LSTM在特征提取上形成互补 其结构 如图4所示 2 2 基于FA的超参数优化 深度神经网络的预测性能在较大程度上依赖于其 关键超参数的选择 如学习率 隐藏单元数量 时间 步长等 传统经验设定法在面对高维参数空间时存在 局部最优 调参效率低等问题 为此 本研究引入FA 对LSTM GRU超参数进行自适应优化 以进一步提升 模型的拟合能力与泛化性能 FA是一种基于种群智能机制的元启发式优化方法 其灵感来源于自然界中萤火虫之间通过亮度吸引进行 群体运动的现象 FA通过模拟个体间的相互吸引行为 实现解空间的全局搜索 具有较强的多峰寻优能力和 全局搜索能力 FA LSTM GRU 模型整体优化流程与结构组成如 图5所示 左侧为 FA控制的参数搜索与优化过程 右 侧为深度学习的结构组成与预测流程 两者构成耦合 闭环 2 2 1 FA优化模块 左侧 在FA模块中 每个萤火虫个体代表一个候选超参 图2 传感器现场布设 Fig 2 Sensor field installation 图3 长短期记忆网络门结构 Fig 3 Long short term memory network gate structure 64 农业工程设施农业工程 数组合 其位置向量表示为 Pi null i nnullinullLSTM nnullinullGRU Tnullinull null 13 式中 Pi 第i个萤火虫个体超参数位置向量 i 第i个个体的学习率 nnullinullLSTM LSTM隐藏层单元数 nnullinullGRU GRU隐藏层单元数 T i 时间步长 输入序列长度 如图5所示 FA算法首先初始化种群 为每个个 体编码一组参数组合 随后对该组合进行解码并构建 对应结构的 LSTM GRU模型 训练完成后 在验证集 上进行预测并计算均方根误差作为该个体的适应度指 标 适应度越高表示预测性能越好 其亮度函数表达 式为 Ii nullnull E RMS i 14 式中 Ii 第i个个体亮度 表示其适应度 ERMS i 第i个个体对应模型的均方根误差 随后 依据亮度差异和个体间距离进行位置更新 其位置更新规则为 Xt nulli Xti nullnull rnullij null Xtj Xti null anullRrand null nullnull 15 Xti Xt nulli式中 第i个萤火虫在第t代与第t 1代 位置向量 0 初始吸引度 光强衰减系数 rij 个体i与j间欧氏距离 a 随机扰动系数 Rrand 服从 0 1 均匀分布随机变量 如果满足预设迭代终止条件 如最大代数或收敛 阈值 算法终止并输出最优参数组合 否则进入下 一轮迭代 2 2 2 LSTM GRU结构模块 右侧 当前参数组合传递至模型构建部分 用于搭建一 组LSTM GRU MHA混合神经网络结构 模型首先接 收温室内部历史温度 外部风速与太阳辐射等输入特 征序列 随后依次通过LSTM层建模长期依赖关系 识别缓变环境趋势 GRU层提取短时动态特征 注意 力机制模块根据时间权重分配突出关键时间步 再经 全连接层将高维时序表示映射为未来温度预测值 模 型输出将返回至FA优化模块进行适应度评估 从而完 成闭环反馈过程 如图5中虚线箭头所示 通过图5中连接路径可知 FA与预测模型形成一 个联动系统 优化算法负责搜索最优参数组合 预测 模型负责提供性能反馈 该方式不依赖人工调参经验 或针对特定数据集的预定义规则 可自动适配不同数 据集与环境特征 从而提升预测精度与模型稳定性 2 3 模型训练与评价指标 Rnull 本研究采用监督学习方法对混合神经网络进行训 练 训练过程中以均方误差 MSE 作为损失函数衡 量预测偏差 在验证与测试阶段 分别采用均方根误 差 RMSE 平均绝对误差 MAE 和决定系数 从误差大小 平均水平及拟合优度等方面综合 评价模型性能 3 控制策略设计与实现 3 1 控制目标 为实现温室环境的智能化调控 在温度预测的基 础上引入强化学习 目标是在保障温度稳定的同时提 升系统响应速度与能效 具体来说 温室通风控制被 建模为一个基于时间序列预测的连续动作决策问题 设当前时刻t 系统状态st 控制动作at 温室内部温 度Tt 则在未来时段t 1 t N内 控制目标为最小化 以下性能指标函数 图4 门控循环神经网络结构 Fig 4 Gated recurrent unit network architecture 图5 FA LSTM GRU混合模型流程 Fig 5 FA LSTM GRU hybrid model flowchart 李天华 等 基于FA LSTM GRU的日光温室温度预测及拉膜通风控制研究 65 J Nnull i null nullTt i Tnullnull nullnull Nnull i null anullt i 16 式中 J 控制性能指标函数 用于综合衡量温度跟 踪误差与通风平滑性 N 预测控制时域长度 Tt i 未来第i个时刻实际温度 Tref 目标温度值 控制平滑权重项 at i 通风开度变化幅度 用于惩罚频繁开合 行为 通过最小化控制性能指标函数 可以在实现温室 温度精确跟踪的同时保证通风行为的平稳性 3 2 控制环境构建与状态描述 为训练通风控制策略 基于Gymnasium平台构建 了仿真控制环境命名为 GreenhouseVentilationEnv 环 境核心包括2个模块 1 状态空间 State St null Tt nullTt null nullTt null nullTt i null 17 式中 St 时刻状态向量 nullTt i t i时刻预测温度 2 动作空间 Action 控制动作为当前时刻 通风开度的调节量 设定为15个离散值 智能体通过 选择一个动作at A以更新通风开度并影响下一个时刻 的温度状态 A null null null nullnull 18 式中 at A 智能体在t时刻选择的通风调节动作 数值大小表示通风开度的增减幅度 A 离散动作集合 通过在该环境中不断交互 智能体能够学习在不 同状态下选择合适的动作 从而实现温室温度的稳定 控制与能效优化 3 3 策略设计与训练配置 本研究采用近端策略优化算法 PPO 对拉膜通风 控制策略进行强化学习建模与优化 通过对策略更新 幅度施加限制 有效缓解策略迭代过程中出现的不稳 定问题 在保证收敛性的同时提高训练效率 在策略训练阶段 训练框架基于PyTorch实现 PPO算法 环境接口遵循OpenAI Gym标准 以实现 模块化和可复用性 为提升模型训练的稳定性与泛化 能力 训练配置了一系列超参数 如表2所示 训练过程中采用early stopping策略 根据验证环 境中的平均回报进行早停判断 防止过拟合 3 4 控制系统集成与运行流程 为实现预测驱动的自主通风调控 构建一个集数 据采集 模型预测 策略决策与执行反馈于一体的温 室拉膜通风控制系统 其总体结构如图6所示 系统 采用边缘 云协同架构 以云服务器为中枢调度核心 完成预测推理与动作生成 并通过控制器实现物理执 行与数据回传 构建感知 预测 决策 执行 反馈的智 能控制闭环 图6 温室温度调控系统结构 Fig 6 Greenhouse temperature regulation system architecture 本架构优势在于将深度预测与策略控制有效解耦 通过云服务器实现软硬件的任务调度与功能协调 并 具备良好的可扩展性与在线部署能力 整个控制周期 典型响应时间为数秒级 能够满足温室环境调控对实 时性与精度的双重需求 4 结果与分析 4 1 预测模型性能评估 4 1 1 模型参数设置 基于TensorFlow深度学习框架构建改进型FA LSTM GRU模型 试验数据采集时间间隔3 min 原始 数据量42 000条 数据预处理阶段使用MinMaxScaler 对输入与输出数据进行归一化 数据集按照8 2比例 划分为训练集与测试集 4 1 2 预测值与实测值对比 为验证所构建的FA LSTM GRU模型在温室温度 预测任务中的有效性 选取3段具有代表性的连续时 间序列进行对比分析 分别为200 400和800时间步 如图7所示 涵盖温室环境中不同强度的日内波动与 周期性变化区间 力求从多个时间尺度下验证模型对 复杂气候动态的建模能力 由图7可知 在不同时间区段下 模型预测值与 实测值在空间叠加曲面上轮廓高度一致 预测曲面紧 表 2 PPO模型训练参数 Tab 2 PPO model training parameters 参数 设置值 说明 学习率 0 000 3 控制梯度更新步长 折扣因 子 0 99 强调长期奖励 批次大小 512 每次更新使用的样本数量 更新步长 4 096 采样长度 控制样本方差 总训练步数 500 000 学 习 50万步获得稳定策略 66 农业工程设施农业工程 贴实测曲线 表明模型在面对不同波动强度与周期变 化条件时 均能较为准确地拟合温室内部温度的动态 变化趋势 具有良好的时序建模能力与稳健性 以200时间步为例进一步分析 模型预测序列与 实测温度曲线在趋势上保持较高一致性 未出现显著 偏离 在整体测试集上 模型实现良好的预测性能 平均绝对误差0 518 6 C 均方根误差0 671 9 C R2 0 987 2 说明模型能够解释超过98 7 的温度变异 拟合能力强 预测稳定性高 此外 图中多数时间步 内的预测误差维持在 0 5 C以内 仅个别点位出现偏 差 推测与局部气候扰动或外部因素引发的突变有关 对整体趋势预测影响有限 综上所述 FA LSTM GRU模型在温室复杂气候序 列建模中展现出优异的数值精度与动态趋势捕捉能力 为后续基于预测驱动的智能通风控制策略设计提供了 可靠的数据支持与方法依据 4 1 3 不同模型间性能对比 为全面评估所提FA LSTM GRU Attention模型的 预测能力 基于统一的数据集与训练配置 分别构建 多种循环神经网络模型及其与不同智能优化算法组合 的变体 所有对比模型均实现并在相同平台与数据条 件下训练完成 各模型在测试集上的预测性能如表3 所示 表 3 不同温度预测模型性能对比 Tab 3 Performance comparison of different temperature prediction models 模型 R2 均方根误差 LSTM 0 886 0 0 770 1 GRU 0 886 2 0 796 8 LSTM GRU 0 885 8 0 775 5 PSO LSTM GRU 0 730 0 0 912 9 BO LSTM GRU 0 832 0 0 719 1 GA LSTM GRU 0 711 0 0 943 9 A MTL 0 834 0 1 664 6 FA LSTM GRU 0 976 9 0 770 8 由表3可知 基础模型中LSTM GRU和LSTM GRU的 R2均在0 885左右 均方根误差分别为0 700 1 0 796 8和0 775 5 C 说明其具备一定的时序建模能力 但在应对温室内部复杂 非平稳的温度变化趋势时仍 存在一定的误差波动 引入群体智能算法后 不同优 化方法对模型性能的影响表现出明显差异 粒子群算 法 PSO 遗传算法 GA 和贝叶斯优化 BO 等 方法虽对LSTM GRU模型进行参数优化 但其最终性 能均低于基础结构 特别是GA LSTM GRU模型R2 仅0 711 0 均方根误差达0 943 9 C 表明该类优化方 法存在易陷入局部最优的问题 缺乏对非凸结构的全 局搜索能力 相比之下 本研究提出的FA LSTM GRU模型在R2指标上取得0 976 9的最高值 显著优 于所有对比模型 说明其能够有效解释超过97 6 的 温度变异性 同时 均方根误差控制在0 770 8 C 尽 管略高于单一LSTM 0 770 1 但考虑到模型的结构 复杂性与泛化能力 其误差水平仍处于合理可接受区间 其结果验证模型设计中多项机制的有效性 FA具 备更强的超参数寻优能力 Attention机制提升模型对 关键时序片段的关注强度 二者协同作用共同支撑模 型在建模能力与泛化性能上的突破 4 2 控制策略效果 为验证所提出强化学习控制策略在温室温度调节 任务中的稳态控制能力 在构建仿真环境中部署训练 图7 温度预测值与实际值对比 Fig 7 Comparison of predicted and actual temperature values 李天华 等 基于FA LSTM GRU的日光温室温度预测及拉膜通风控制研究 67 完成的 PPO 智能体进行闭环控制测试 选取连续20个 典型步长作为代表性时段进行控制过程展示 每步对 应一次通风调节行为 并由预测模型提供温度反馈 目标温度与实际控制温度的柱状对比如图8所示 图8 控制温度与目标温度的对比 模拟阶段 Fig 8 Comparison between controlled temperature and target temperature simulation phase 在目标温度28 C条件下 模型控制下的实际温度 自26 8 C逐步上升 并在第6步后稳定在27 94 C 整个测试周期内波动幅度 0 6 C 未出现超调或明显 偏离 表明控制策略具备良好的稳态性能与调节平 滑性 5 结束语 针对日光温室冬季调温过程中通风控制响应滞后 预测与控制环节脱节等问题 本研究提出一种融合深 度学习与强化学习的智能拉膜通风控制方法 开展了 以下研究并取得一定效果 1 构建了以FA优化的LSTM GRU混合模型为 核心的温室温度预测框架 融合滑动窗口机制 多特 征构造 数据增强与特征筛选策略 实现对温室内部 温度的短时高精度预测 模型在测试集上取得R2 0 976 9 均方根误差0 770 8 C 在精度与泛化能力方 面均优于传统单一模型及其他智能优化方法组合 验 证了所提模型的有效性与先进性 2 设计了面向预测结果的智能通风控制策略 构建以温度预测为引导的状态空间 并采用PPO训练 强化学习智能体 实现对拉膜通风系统的前瞻性调控 训练过程中智能体策略收敛良好 测试阶段控制误差 稳定控制在 0 6 C以内 表现出良好的调控性能与动 态响应能力 3 实现了预测与控制的闭环集成系统 采用云 服务器部署预测模型并生成控制指令 通过Arduino控 制器完成通风动作执行与数据反馈 构建感知 预测 决策 执行 反馈一体化的智能通风控制体系 具备较 高的实时性与工程可实施性 参考文献 卢美久 赵辉 贾谊堃 智慧温室大棚的环境监测与控制技术研 究 J 农业科技创新 2025 6 44 46 1 胡瑾 杨永霞 李远方 等 温室环境控制方法研究现状分析与 展望 J 农业工程学报 2024 40 1 112 128 HU Jin YANG Yongxia LI Yuanfang et al Analysis and prospect of the environmental control systems for greenhouse J Transactions of the Chinese Society of Agricultural Engineering 2024 40 1 112 128 2 李思博 吴臻翀 南茜 等 温室智能控制系统发展现状及展望 J 农业工程 2023 13 4 42 47 LI Sibo WU Zhenchong NAN Xi et al Development status and prospects of intelligent control systems for greenhouses J Agricultur al Engineering 2023 13 4 42 47 3 毛罕平 晋春 陈勇 温室环境控制方法研究进展分析与展望 J 农业机械学报 2018 49 2 1 13 MAO Hanping JIN Chun CHEN Yong Research progress and pro spect on control methods of greenhouse environment J Transactions of the Chinese Society for Agricultural Machinery 2018 49 2 1 13 4 左志宇 牟晋东 毛罕平 等 基于深度强化学习的温室环境协 调控制系统设计 J 农机化研究 2025 47 5 22 27 ZUO Zhiyu MU Jindong MAO Hanping et al Design of green house environment coordinated control system based on deep reinforce ment learning J Journal of Agricultural Mechanization Research 2025 47 5 22 27 5 MORCEGO B YIN W J BOERSMA S et al Reinforcement Learning versus Model Predi