基于全局变量预测模型的温室环境控制方法

第 29 卷 增刊 1 农 业 工 程 学 报 Vol.29 Supp.12013 年 4 月 Transactions of the Chinese Society of Agricultural Engineering Apr. 2013 177基于全局变量预测模型的温室环境控制方法程曼，袁洪波，蔡振江，王楠（ 河北农业大学机电工程学院 ， 保定 071001）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 、 控制器调节不同步等问题 ， 提出了基于全局变量预测模型的温室环境控制方法 。 该方法将温室内部温度 、 湿度 、 光照等数据 ， 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 ， 利用各个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 ， 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 。 实验结果证明了该方 法的有效性及合理性 ， 并 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 ， 神经网络 ， 环境控制 ， 全局变量 ， 预测模型doi： 10.3969/j.issn.1002-6819.2013.z1.028中图分类号 ： TP181； S625.5+1 文献标志码 ： A 文章编号 ： 1002-6819(2013)-Supp.1-0177-07程 曼 ， 袁洪波 ， 蔡振江 ， 等 . 基于全局变量预测模型的温室环境控制方法 J. 农业工程学报 ， 2013， 29(增刊1)： 177 183.Cheng Man， Yuan Hongbo， Cai Zhengjiang， et al. Environment control method in greenhouse based on global variableprediction modelJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(Supp.1): 177 183. (in Chinese with English abstract)0 引 言 温室智能控制系统主要是在计算机综合控制下 ， 根据作物生长的最适宜生态条件 ， 将现代信息技术和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 、 低耗的工业化规模生产 1-4。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 5。这种常规的控制系统设计方案具有以下缺点1） 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 ；2） 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 ；3） 因为各执行器的设定值及工作地点相互独收稿日期 ： 2012-09-12 修订日期 ： 2013-04-24基金 项目 ： 河北省科技支撑计划项目 （ 11227179， 11212144）； 河北省高等学 校科学技术研究青年基金项目 （ z2012146）作者简介 ： 程 曼 （ 1982）， 女 ， 河北藁城人 ， 讲师 ， 博士生 ， 主要从事智能检测及自动控制方面研究 。 保定 河北农业大学机电工程学院 ， 071001。 Email： chengman1982163.com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 ， 实现对整个系统的全局控制 6。 本文采取了基于全局预测模型的环境控 制方法 ， 将温室内部和外部的环境信息 、 作物生长阶段 、 当地天气情况作为一个整体的系统进行综合分析 。 与传统的温室控制主要选择温室内温湿度 、 光照等局部变量不同 ，本方法将温室内部和外部的温度 、 湿度 、 光照 、 各控制器当前工作状态 、 当地未来短期内天气情况作为整体系统的全部变量 ， 称为全局变量 。 采集到的各全局变量作为输入值 ， 利用预测模型得出温室内未来环境变量的预测 ， 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正 ， 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 ， 并且对作物生长 、 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 ， 各种环境因素之间相互影响 ， 采用传统的控制方法很难达农业工程学报 2013 年178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 、 光照以及风速 、 风向 、 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 、 光照等环境因子 ， 创造出适合作物生长的合适温室生态环境（ 该环境是按不同作物生长的要求进行统筹优化后制定的 ）， 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状态 ， 以使各项环境因子符合既定要求 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 （ artificialintelligence） 模型来生成控制方案 ， 让所有的执行器共同协调工作 ， 达到最优控制效果 。 智能控制的实现则需要以下必要的基 础1） 控制模型的精确性 。 温室内作物生长到一定时期 ， 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 、 蒸腾作用的改变又对室内环境因子产生新的影响 ， 从而产生了一种反馈作用机制 ， 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 。2） 检测大量数据 。 精确建模需要 采 集大量数据（ 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 、光照等 ， 还需要考虑温室外部的环境参数 ， 以及当地的实时天气状况 ， 短期天气状况的预测等 。2 温室的总体结构试验用 的 温室为 中等 规模 96m2， 温室 中分为16 个区域 （ 苗床 ）， 其热区域模型如图 1 所示 。图 1 试验温室热区域示意图Fig.1 Thermal zone structure of experiment greenhouse考虑到温室中各参数的耦合作用 ， 将温室分为5 个区域 7。 为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 （ 本试验中只考虑了温湿度和光照 ， 未进行 CO2 及其它因素的讨论 ； 此外 ， 由于温室没有很好的补光设备 ，所以没有对光照补偿进行控制 ， 只对温湿度进行了控制 ）。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 ingreenhouse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 02 苗床部分数据 16 16 03 遮阳帘下 方空气数据 2 0 14 遮阳帘上方空气数据 1 0 05 温室外部数据 1 0 13 温室的控制方案在温室中 ， 影响作物生长状况和管理费用的 主要的物理参数是内部温度 、 湿度及光照强度 。 如能对这 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 ， 控制方案如图2 所示 。图 2 温室智能控制结构图Fig.2 Intelligent control structure of greenhouse3.1 全局变量预测模型3.1.1 温室外部天气预测模块直接利用天 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 。 根据未来天气走势 ， 采用类比方式 ， 利用外部传感器采集到的数据 ， 结合天气预报进行变化趋势类比 ，对温室外部气候环境的变化作出相应的判断 ， 以便对温室外部短期气候 （ 几小时后 ） 做出预测 。增刊 1 程 曼等 ： 基于 全局变量预测模型的温室环境控制方法 1793.1.2 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一个输入量 ， 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 。 替代的数据的可以利用下面的公式 （ 经验公式 ） 来近似获得 8-9。20 1 2 3R L L LT T R R （ 1）式中 ， TR 为当地的近似温度 ， TL 和 RL 为当地实际温度值和光照强度值 ， i 为加权系数 ， i 的值采用线性回归进行数据拟合 ， 根据实际情况进行阶段性的调整 ， 其取值范围为 0 1 之间 。3.1.3 全局变量预测模型全局变量共 46 个 ， 包括 21 个温度值 ， 16 个湿度值 ， 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 通过神经网络来 实现 。 全局变量预测模型输入量分为 3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） 温室外部天气预测值 ， 由在线天气预报 ，结合温室外部环境变量 ， 提供预测值 。3） 执行器的当前配置方案 （ 包括遮光 、 通风 、加热 、 灌溉等 ）， 即各执行器工作状态 ， 作为全局变量预测的参考 。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 2 部分1） 作物生长模型中本阶段的最佳环境值 （ 温度 、 湿度 、 光照强度 ）， 即理想值 。 作物生长模型包括作物不同生长 阶段所要求的最佳的温度 、 湿度 、 光照等各条件的数值 。2） 全局预测模型的预测值 （ 温度 、 湿度 、 光照强度 ）该模型有 6 输入 量 ， 分别是作物当前生长阶段最佳温度 、 湿度 、 光照强度值和全局变量预测模型所预测的温室中未来的温度 、 湿度 、 光照强度值 。6 个 输出 量 ， 分别是 6 个执行机构的控制信号 ， 该模型 的功能利用 PID 控制来实现 。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 、 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（ BackPropagation） 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 ， 由输入层 、隐含层 、 输出层 3 部分组成的多层前馈网络 。 当给定一个输入时 ， 从输入层到输出层的传递是一个前向传播过程 ， 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 10， 结构如图 3 所示 。注 ： i、 j、 k 分别表示输入层个数 、 隐层个数 、 输出层个数 ， Wij 为输入层与隐层的连 接权值 ， Tjk 为隐层至输出层的连接权 值 。图 3 BP 神经网络拓扑结构图Fig.3 Topology of BP neural network本研究中 ， 神经网络模型的作用在于推理出预测值 ， 即下一阶段温室中的温度 、 湿度 、 光照强度值 ， 为控制模型实现对温室中内部环境变量的提前控制提供基础 ， 以实现提前调整 。 传统控制方式中以当前实际环境变量为基础实施控制 ， 这样就带来了大滞后和大惯性的问题 ， 而采用预测值为基础进行调节 ， 就有效的避免了这一问题 。在本研究的 BP 神经网络的结构中 ， 采取 3 层结构 ， 即 1 个输入层 、 1 个隐含 层和 1 个输出层 11-18，其中输入层神经元个数为 46 个 ， 对应 46 个全局变量 ； 输出层神经元个数为 3 个 ， 对应 3 个预测值 （ 温度 、 湿度 、 光照强度 ）； 隐含层由以下经验公式得到 ， 经过四舍五入取整后共 25 个神经元 。2i ohN NN （ 2）式中 ， Nh 为隐含层神经元数 ， Ni 为输入层神经元数 ，No 为输出层神经元数 。若 Xi 输入模式 ， Yk 为输出模式向量 。 则隐层节点输出为1mj i ijiO f X W （ 3）输出层输出为1nk j jkjY f O T （ 4）其中激励函数为 (0, 1) 内连续取值的 Sigmoid函数 19-23农业工程学报 2013 年1801( )1 xf x e （ 5）误差计算采用公式21 ( )2 i iE t O （ 6）式中 ， ti 表示第 i 个样本的期望输出值 ； Oi 表示第 i节点实际输出值 。 初始权值采用随机数生成 ， 范围为 -0.5， 0.5， 权矩阵修正采用公式( 1) ( ) ( )EWij t Wij t Wij t （ 7）式中 ， 表示学习效率 ， 本研究取 0.62； 训练样本选取 2010 年 11 月 18 日 2011 年 4 月 23 日 温室内部环境变量 。BP 神经网络在使用之前 ， 需要进行训练 ， 训练步骤如下1） 选取第 k 组样本 ( , ), 1,2,.k kX Y k m ， 将 kX输入网络 ；2） 利用随机数生成器生成初始权值 ；3） 利用式 （ 6） 来计算误差 ， 假如误差结果( 0.001)E ， 退出4） 计算 kEW ；5） 计算1mkkEEW W ；6） 利用式 （ 7） 修正权值 ， 返回 1）。经过训练后 ， 神经网络的权值已确定 ， 可以利用该网络对未来一段时间内温室内的环境变量进行预测 。3.3.2 试验结果分析针对全局变量预测模型进行了相关试验 （ 由于温室没有很好的补光设备 ， 所以没有对光照补偿进行控制 ， 只对温湿度进行了控制 ）， 温室中种植作物为番茄 ， 试验方案设计如下 ：1） 选取 2012 年 1 月 16 日 07:00 2012 年 1 月17 日 06:00， 共 24 h 作为一个测试阶段 ， 利用预测模型输出的预测值为基础 ， 对温室的环境实施控制 ， 得出控制结果 ；2） 选取 2012 年 2 月 26 日 2012 年 3 月 10 日共 2 周时间作为一个测试阶段 ， 利用同样的方法对温室实施控制 ， 得出试验结果 ；3） 分别对利用预测模型的控制方式和常规 PID控制方式进行仿真对比 ， 比较 2 种方法的优劣 。图 4 所示为试验日期内温度和湿度变化图 。 此时番茄正好处于开花期 ， 白天最佳温度范围为 2025 ， 夜间最佳温度范围为 15 20 ， 最佳湿度范围为 65% 85%。由图 4 可以看出 ， 以预测模 型提供的预测值为基础进行的温室环境控制 ， 在 09:00 18:00 保证了温室温度处于 20 25 之间 ， 19:00 08:00 保证了温室温度处于 15 20 之间 ， 温室湿度处于 65%85%之 间 。a. 温度 变化a. Temperature changeb. 湿度变化b. Humidity change注 ： 试验日期 2012-01-16 日 07:00 至次日 06:00。图 4 开花期 24 小时内湿度和湿度变化图Fig.4 Humidity in 24 hours of blossom period图 5 所示为 2 周内白天平均气温值湿度平均值 。 由图 5 可以看出 ， 在整个番茄开花期均可以保证温室白天温度处于 20 25 之间 ， 夜间温度处于15 20 之间 ， 湿度处于 15 20 之间 。 不管是单日的控制 ， 还是阶段性的控制 ， 控制系统都能够保证 作物处于最佳生长环境状态中 ， 说明了该方法的有效性 。a. 日平均温度a. Daily average temperatureb. 日平均湿度b. Daily average humidity图 5 开花期 2 周内日平均温度和日平均湿度变化图Fig.5 Change of daily average air temperature and dailyaverage humidity in 2 weeks of blossom period增刊 1 程 曼等 ： 基于 全局变量预测模型的温室环境控制方法 181利用 PID 控制和利用预测模型控制仿真对比情况 ， 见图 6。 从结果可以看出 ， 采用预测模型的控制方法 ， 室内温度和湿度变化情况比常规 PID 控制时的变化要平缓的多 ， 说明预测模型的方法有效的避免了整个控制系统的大惯性和大滞后性带来的滞后和超调 ， 系统平稳性得到了大大加强 。a. 温度b. 湿度注 ： 日期 2012-03-05。图 6 2 种控制方法温湿度变化对比图Fig.6 Temperature and humidity change based on different ways of control methods4 结 论本文提出了一种基于全局变量预测模型的温室环境控制方法 ， 并在其基础上设计了基于神经网络控制系统的全局变量预测模型 ， 该模型引入了温室内外的温度 、 湿度 、 光照 、 控制器状态 、 作物生长状态等全局变量 ， 并且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 。 通过实验数据及对比验证证明了该控制模型的性能 ：利用该模型实现的温室控制方法 ， 温室内的环境基本上能够保证始终处于作物最佳的生长状态 ， 并且相对于常规的 PID 控制方案更稳定 ， 避免了滞后和超调 ， 有效的控制了温室的内部环境 。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.Chen Guangqing, Xun Aiqin, Xu Kebao. The monitorand control system for greenhouse based on PLC andconfiguration software J. Journal of Anhui Agriculture,2010, 38(34): 19827 19828. (in Chinese with Englishabstract)2 F.S. Zazueta, R. Bucklin, and P.H. Jones. Basic Conceptsin Environmental Computer Control of AgriculturalSystems EB/OL.University of Florida IFAS Extension(http:/edis.ifas.ufl.edu).3 马万征 ， 马万敏 . 智能温室环境控制的研究现状及发展趋势 J. 北方园艺 ， 2011(23)： 179 180.Ma Wanzheng， Ma Wanmin.The Current Situation andTrend of Intelligent Environment Control Technology inGreenhouseJ. Northern Horticulture, 2011(23): 179180. (in Chinese with English abstract)4 毛罕平 . 设施农业现状与发展 J. 农业装备技术 ，2007(5)： 6 11.Mao Hanping.Situation and Development of Facilities ofAgricutureJ. Agriculture Equipment when it is too high, the ventilation facility, the sun-shading system, or the spray equipment will beemployed to cool the greenhouse and avoid overheat. In most conventional greenhouse control systems, theactuators were individually controlled based on the measured value and the setting value. This kind of controlsystems were working in passive mode and only made regulations when the greenhouses climate changed. Itcould not predict the future status of the greenhouse and then make regulations in advance. Besides, the actuatorswere established and set individually and could not work together harmoniously, which resulted inover-regulations and vibrations. Therefore, the control system needs to be developed with more intelligence forthe whole system management. In this study, interior and exterior environmental information of the greenhouse,crop growing period and local climate data were integrated by using the global prediction model for thedevelopment of an innovative greenhouse control system. Compared to conventional greenhouse control systems,the interior and exterior temperature, the humidity, the ray radiation, the status of each actuator and near-futurelocal climate were considered as global variable. The BP neutral networking was employed for model prediction.The global variable obtained from the corresponding sensors were input to the model to obtain the predictedvalues and the control system made the regulations with the use of PID before the climate changed.In order to validate the model, the experiment was conducted in a greenhouse for area of 96 m2, Because ofthe coupling effects of the various parameters, the greenhouse was divided into 5 areas: heating system, cropgrowing region, greenhouse side windows, ceiling and outside the greenhouse. Sensors were installed in eachregion, the data is collected, a total of 21 temperature sensors, 16 humidity sensors and two light sensors to beused .Prediction model of the BP neutral network consisted of three layers: the input layer, the hidden layer, andthe output layer. Input parameters is the data collected by sensors, the state of six actuators and a weather forecastvalue, 4 prediction values are output: temperature, humidity, ray radiation, concentration of CO2.Tomato at growth stage of florescence was planted in the experiment greenhouse. The optimum temperaturerange for tomato at florescence period is 20-25 , the night temperature is 15-20 , the optimum humidity rangeis 65%-85%. The experimental results showed that this model can be controlled greenhouse environment in thestate of optimal crop growth environment. In order to further validate of the model, the PID control simulationresults were used to compare the actual situation. Results showed that temperature and humidity changes ingreenhouse with the prediction model were gentler than that with only the PID controller. That meant this methodincreased the stability of greenhouse environment control system. This study demonstrated that the model couldavoid the lagging response, passive control and inharmonious regulation in conventional control systems and itwas effective and rational.Key words: greenhouses, neural networks, environmental testing， global variable, prediction model