第 31卷 第 24期 農(nóng) 業(yè) 工 程 學 報 V ol 3 1 N o 24 186 2015年 12月 Transactions of the Chinese Society of Agricultural Engineering Dec 2015 基于自加速遺傳粒子群算法的半封閉式溫室能耗預測 陳教料 1 2 陳教選 2 楊將新 1 胥 芳 2 沈 真 3 1 浙江大學現(xiàn)代制造研究所 杭州 310027 2 浙江工業(yè)大學特種裝備制造與先進加工技術教育部 浙江省重點實驗室 杭州 310014 3 同濟大學國家設施農(nóng)業(yè)工程研究中心 上海 200092 摘 要 針對半封閉式溫室環(huán)境參數(shù)眾多且難以測量的問題 提出了一種機理建模與系統(tǒng)辨識建模相結合的溫室能耗建 模方法 采用自加速遺傳粒子群算法 self accelerating hybrid algorithm of particle swarm optimization and genetic algorithm SPSO GA 對溫室物理模型中難以確定的參數(shù)進行辨識 建立半封閉式溫室能耗預測模型 根據(jù)上海半封閉式玻璃試驗 溫室的氣象數(shù)據(jù)和測量的能耗值 分別采用遺傳算法 genetic algorithm GA 粒子群算法 PSO particle swarm optimization 和 SPSO GA進行參數(shù)辨識與能耗預測比較分析 采用 SPSO GA獲得的溫室能耗預測結果與實測數(shù)據(jù)的相 對誤差為 1 4 分別比 GA 和 PSO 減少了 2 9 和 13 7 根據(jù)日太陽光照輻射總量 室外日均溫度 2 個參數(shù)及相應的 變化曲線 預測的溫室能耗值精確度大于 86 試驗與模擬結果驗證了基于 SPSO GA 的溫室能耗預測模型有效 可為 半封閉式溫室能量負載設計 管理和控制提供理論依據(jù) 關鍵詞 溫室 算法 能耗管理 半封閉式溫室 自加速遺傳粒子群算法 doi 10 11975 j issn 1002 6819 2015 24 028 中圖分類號 S625 5 1 文獻標志碼 A 文章編號 1002 6819 2015 24 0186 08 陳教料 陳教選 楊將新 胥 芳 沈 真 基于自加速遺傳粒子群算法的半封閉式溫室能耗預測 J 農(nóng)業(yè)工程學報 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 溫室的高效調(diào)控是作物高產(chǎn) 優(yōu)質(zhì)的必然要求 然 而溫室生產(chǎn)的高能耗已成為溫室發(fā)展的主要障礙 為了 調(diào)節(jié)室內(nèi)環(huán)境 當前溫室普遍采用機械通風或自然通風 方式 采用機械通風方式的溫室 可減少自然通風窗密 封性差引起的熱流失 降低能源消耗 1 然而天窗自然通 風在夏季的降溫與除濕的能耗上更經(jīng)濟 2 因此為了節(jié)能 的需求 一種具有 2 種通風方式的新型半封閉式溫室被 提出 并被推廣應用 2 3 相對傳統(tǒng)溫室 采用半封閉通 風方式的溫室可節(jié)約能量約 12 4 為了更高效地實現(xiàn)半 封閉式溫室能耗的設計與管理 對半封閉式溫室的能耗 預測模型進行研究是非常必要的 近年來許多學者開展了溫室環(huán)境的機理建模方法研 究 5 7 戴劍鋒等根據(jù)溫室小氣候模型開發(fā)了一個 Venlo 型玻璃溫室冬季加溫所需基礎能耗的計算機預測系統(tǒng) 8 收稿日期 2015 08 11 修訂日期 2015 11 25 基金項目 國家高技術研究發(fā)展計劃 863 計劃 2013AA050405 國家 國際科技合作專項 2014DFE60020 國家自然科學基金 61374094 浙 江省創(chuàng)新團隊項目 2011R50011 02 作者簡介 陳教料 男 博士生 主要從事農(nóng)業(yè)工程研究 杭州 浙江工業(yè) 大學特種裝備制造與先進加工技術教育部 浙江省重點實驗室 310014 Email jlchen 通信作者 胥 芳 女 博士 教授 主要從事農(nóng)業(yè)工程研究 杭州 浙 江工業(yè)大學特種裝備制造與先進加工技術教育部 浙江省重點實驗室 310014 Email fangx 陳教料等根據(jù)熱交換方法對聯(lián)棟溫室的熱需求進行預測 設計 9 周偉等在 Venlo 型溫室內(nèi)將溫度場作為研究對 象 提出了一種基于計算流體動力學的非穩(wěn)態(tài)模擬模型 的預測控制方法 10 然而傳統(tǒng)的溫室機理建模過程中會 遇到參數(shù)整定的問題 且模型一旦建立 無法突破時空 的限制 需要對參數(shù)再次整定 半封閉式溫室中內(nèi)外遮 陽 保溫幕和機械通風等對環(huán)境影響的部分參數(shù)難以測 量 且室內(nèi)作物生長導致作物與室內(nèi)環(huán)境的熱交換也是 變化的 故機理建模方法難以建立準確的能耗預測模型 系統(tǒng)辨識建模方法是利用輸入輸出數(shù)據(jù)所提供的信 息來建立過程模型 左志宇等采用時序分析的系統(tǒng)辨識 方法建立了溫室內(nèi)溫度預測模型 11 程曼等基于全局變 量預測模型得出溫室未來環(huán)境狀況的短期預測值 通過 神經(jīng)網(wǎng)絡實現(xiàn)控制方案 解決了溫室控制中的大滯后 大慣性等問題 12 汪小旵等利用 BP 神經(jīng)網(wǎng)絡對江淮地區(qū) 梅雨季節(jié)的 Venlo 型溫室小氣候進行了模擬與分析 13 Guzm n Cruz等根據(jù)參數(shù)辨識的方法 采用各種智能搜索 算法 分析校驗了溫室內(nèi)部各類環(huán)境參數(shù)對溫濕度的影 響 14 Trejo Perea 等利用各種人工神經(jīng)網(wǎng)絡模型預測了 溫室中的能量消耗 15 系統(tǒng)辨識建模需要大量的數(shù)據(jù)才 能建立較準確的模型 然而在溫室系統(tǒng)中采集大量數(shù)據(jù) 是費時費力的 且難以采集所有可能出現(xiàn)的環(huán)境數(shù)據(jù) 因此 本文根據(jù)能量守恒原理的物理模型 結合參 數(shù)辨識的優(yōu)化算法 建立了半封閉式溫室的能耗預測模 型 為提高辨識參數(shù)的精度 提出了結合粒子群算法第 24期 陳教料等 基于自加速遺傳粒子群算法的半封閉式溫室能耗預測 187 particle swarm optimization PSO 和遺傳算法 genetic algorithm GA 優(yōu)點的自加速遺傳粒子群算法 self accelerating PSO GA hybrid algorithm SPSO GA 通過試驗溫室實測數(shù)據(jù)對預測能耗進行比較分析 檢驗 溫室能耗預測模型的準確性 根據(jù)能耗預測模型分析不 同室外溫度和太陽輻射條件下半封閉式溫室的日耗能總 量 為溫室環(huán)境的能耗設計和能量管理提供參考 1 材料與方法 1 1 試驗材料 在國家設施農(nóng)業(yè)工程技術研究中心上海市崇明農(nóng)業(yè) 示范基地的連棟玻璃半封閉式溫室 31 57 N 121 7 E 進行數(shù)據(jù)采集與驗證試驗 選用其中一個南北向 3 聯(lián)棟 玻璃溫室作為研究對象 每跨長度為 4 m 每棟 2 跨 總 面積為 912 m 2 其寬長高分別為 24 38 和 7 5 m 屋脊 高度 采用頂窗自然通風方式 室內(nèi)采用暖風機與熱 風管道供熱 圖 1 注 Q s 為溫室能耗值 W v w 為地源熱泵循環(huán)水流量 m 3 s T iw 和 T ow 分別 為輸入水和輸出水的溫度 K Q solar 為進入溫室的凈太陽光照輻射能量 W Q long 為室內(nèi)空氣凈長波輻射能量 W Q cover 為溫室空氣與外界的熱傳導能量 W Q vent 為溫室空氣與外界通風的換熱能量 W Q trans 為溫室中作物蒸騰所 需要的能量 W Q crop 為溫室中的作物 土壤與空氣熱傳導的能量 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 圖1 溫室能量交換示意圖 Fig 1 Schematic diagram of physical processes in greenhouse 為減弱室內(nèi)的陰影 覆蓋材料采用霧化減發(fā)射玻璃 室內(nèi)過道鋪反射膜 以提高溫室內(nèi)部太陽輻射的均勻度 溫室內(nèi)種植番茄 采用巖棉基質(zhì)營養(yǎng)液種植方式 室內(nèi) 外分別安裝荷蘭 Priva 公司的氣象站和 2 個溫濕度傳感 器 傳感器數(shù)據(jù)每 5 min 采集 1 次 數(shù)據(jù)由 Priva公司的 環(huán)境采集控制電腦讀取并保存記錄 溫室內(nèi)設定溫度不 低于 16 00 00 06 00 21 08 00 17 00 和 15 19 00 22 00 其中過渡間隔階段為溫度過渡曲線 保溫幕開啟時間階段為晚上 18 00 到第 2 天早上 08 00 試驗數(shù)據(jù)采集時間為 2014年 11月 1日至 2015年 5月 31 日 采用地源熱泵和水蓄熱方式對溫室進行供熱 溫室 能耗根據(jù)輸入輸出水的溫差和水流量計算 可表示為 swwwi wo w Qc vTT 1 式中 Q s 為溫室能耗值 W c w 為水的比熱容 J kg K w 為水的密度 kg m 3 v w 為地源熱泵循環(huán)水流量 m 3 s T iw 和 T ow 分別為輸入水和輸出水的溫度 K 試驗溫室測 量的環(huán)境參數(shù)和能耗作為能量預測模型參數(shù)辨識與驗證 的依據(jù) 1 2 能耗預測模型構建方法 本文結合機理建模方法和系統(tǒng)辨識方法 建立半封 閉溫室的能耗預測模型 其構建方法過程如圖 2 所示 根據(jù)熱平衡原理建立溫室各物理過程的熱交換方程 聯(lián) 立獲取溫室能耗預測模型 結合溫室內(nèi)外實測氣象數(shù)據(jù) 和能耗 分析物理模型中的各參數(shù) 提取模型中的不確 定參數(shù) 并得到溫室待辨識的能耗預測模型 將溫室內(nèi) 外的溫度 濕度 風速等各種環(huán)境信息輸入到待辨識的 模型中 通過模擬結果與實測能耗值的比較 采用優(yōu)化 算法辨識預測模型中的不確定參數(shù) 利用不同于辨識日 期的室內(nèi)外環(huán)境數(shù)據(jù)和能耗值對優(yōu)化后的溫室能耗預測 模型進行有效性校驗 若模型驗證合理則輸出溫室能耗 預測值 否則重新進行不確定參數(shù)的提取 參數(shù)辨識和 模型驗證 直至模型驗證合理 圖2 溫室能耗預測模型流程圖 Fig 2 Process diagram for energy demand forecasting model of greenhouses 2 溫室物理模型 溫室與外界的能量交換涉及多種因素 包括溫室內(nèi) 部的供熱系統(tǒng) 通風 植物等以及溫室外部的空氣 太 陽輻射等 8 如圖 1 所示 基于能量守恒原理 溫室內(nèi)空 氣溫度變化率表示為溫室內(nèi)外各物質(zhì)熱交換的結果 溫 室供熱系統(tǒng)需要的能量可從溫度微分方程轉換獲得 6 可 表述為 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 為空氣密度 kg m 3 v g 為溫室的體積 m 3 c air農(nóng)業(yè)工程學報 http www tcsae org 2015年 188 為空氣的比熱容 J kg K T i 為溫室室內(nèi)的空氣溫度 Q solar 為進入到溫室的凈太陽光照輻射能量 W Q long 為室內(nèi)空氣凈長波輻射 W Q cover 為溫室與外界的傳導 熱量 W Q vent 為溫室與外界的通風換熱能量 W Q trans 為溫室中作物和土壤蒸發(fā)吸收的能量 W Q crop 為溫室 中的作物冠層與空氣熱傳導的能量 W 由于溫室內(nèi)地面 鋪了反射膜吸收太陽輻射減少 土壤與室內(nèi)空氣的溫差 較小 其熱交換可結合在與作物熱傳導項中考慮 同時 土壤蒸發(fā)量減少 其能量可在作物熱蒸騰作用中考慮 根據(jù)輻射熱交換 熱傳導能量交換 傳質(zhì)傳熱能量 交換及作物潛熱和顯熱交換等定理和試驗溫室的特點 溫室能耗方程為 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 是時間序列 t 為相連 t時間序列的時間間隔 A s 為溫室地表面積 m 2 I a 為室外輻射通量密度 W m 2 T a 為覆蓋材料的透光率 T c 為保溫幕透光率 T n 為內(nèi)遮 陽透光率 X t 為凈太陽光照輻射的修正系數(shù) 12 為覆蓋 材料和空氣之間的發(fā)射率 A g 為溫室覆蓋材料的表面積 m 2 為斯蒂芬 玻耳茲曼常數(shù) W m 2 K 4 T sky 為天空 有效溫度 K X l 為長波輻射的修正系數(shù) K g 為覆蓋材料 的傳熱系數(shù) W m 2 K K c 為保溫幕影響系數(shù) K n 為內(nèi) 遮陽影響系數(shù) T o 為室外空氣溫度 A w 為開窗面積 m 2 C d 為平均通風交換系數(shù) C w 為與風速相關的通風效 率系數(shù) U o 為室外風速 m s X w 為通風換熱修正系數(shù) g e 為蒸騰的電導系數(shù) m s L 為葉表面水的蒸發(fā)潛熱 J g crop 為作物表面的水蒸氣濃度 g m 3 air 為溫室內(nèi) 空氣的絕對濕度 g m 3 LAI為葉面積指數(shù) T leaf 為葉表 面的溫度 根據(jù)試驗測量可近似為 T i 2 r b 為作物的 邊界層阻抗系數(shù) s m 其中 T sky 和 g e 可由下式計算 21 1 5 sky o 0 0552 273 TT 4 e b s 2LAI 1 g rr 5 式中 LAI 為葉面積指數(shù) 為干燥空氣的氣體常數(shù)與水蒸 氣的氣體常數(shù)之比 r s 為作物氣孔阻抗 s m 可由下式 計算 n 2 LAI si 82 570 e 1 0 023 20 R rT 6 式中 為與作物種類相關的一個常數(shù) 本文番茄作物可 取 0 4 22 R n 為作物冠層的太陽凈輻射 W m 2 計算 如下 23 0 7LAI nc r o p 0 86 1 e RI 7 式中 I crop 為作物冠層的輻射通量密度 W m 2 作物表面的水蒸氣濃度 crop 可由下式計算 b n crop air sat 2LAI r R L 8 式中 air sat 為飽和空氣的絕對濕度 g m 3 當溫度介于 15 30 之間時 飽和空氣的絕對濕度 air sat 可由下式近似計 算 23 i 0 0572 air sat 5 5638e T 9 溫室內(nèi)空氣的絕對濕度 air 為 air i air sat RH 10 式中 RH i 為溫室內(nèi)空氣的相對濕度 將式 4 10 代入式 3 采用 Matlab 軟件 中的 Simulink 模塊建立溫室能耗預測物理模型 根據(jù)實 測溫室內(nèi)外環(huán)境參數(shù)和能耗值對物理模型中的參數(shù)進行 了分析 劃分了模型中的確定和不確定參數(shù) 其中模型 中恒定的參數(shù)如表 1 所示 由于太陽傾角和灰塵對覆蓋 材料 內(nèi)外遮陽和保溫幕的影響 物性材料的透光率和 導熱系數(shù)等很難確定 結合其他難以確定的參數(shù)以變量 形式存在溫室能耗預測模型中 利用優(yōu)化算法對其進行 全局尋優(yōu)辨識獲取 表1 溫室物理模型中的常數(shù) Table 1 Main constants of physical model for greenhouses 參數(shù) Parameters 數(shù)值 Va l u e s 水的比熱容 c w J kg 1 K 1 4 200 水的密度 w kg m 3 1 000 空氣的密度 air kg m 3 1 2 空氣的比熱容 c air J kg 1 K 1 1 008 覆蓋材料和空氣之間的發(fā)射率 12 0 818 平均通風交換系數(shù) C d 0 7 通風效率系數(shù) C w 0 11 葉表面水的蒸發(fā)潛熱 L J g 1 2 450 干燥空氣與水蒸氣的氣體常數(shù)比 0 622 3 自加速PSO GA 算法 粒子群算法 24 是源于鳥群覓食行為提出的一種基于 群體智能的全局優(yōu)化算法 該算法中 每個粒子都具有 位置和速度 2個特征 并且每個粒子都是一個 n 維矢量 代表一個在 n 維空間中的解 群體中的每個粒子在尋優(yōu) 過程中的速度和位置更新公式為 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 為第 i 個粒子在第 k 次種群進化中的速度 P i k 為 第 i個粒子在第 k次進化后的局部最優(yōu)解 g 為全局最優(yōu) 解 x i k 為第 i個粒子在第 k次進化中的位置 w為慣性權 重 c 1 和 c 2 分別是學習因子和社會因子 r 1 和 r 2 是 0 1 之間的隨機數(shù) 遺傳算法 25 是模擬自然選擇和自然遺傳過程中的繁殖 交配和變異 逐代產(chǎn)生優(yōu)選個體 最后得到最優(yōu)個體 遺傳 算法也是一種自適應搜索算法 其選擇 交叉 變異等操作第 24期 陳教料等 基于自加速遺傳粒子群算法的半封閉式溫室能耗預測 189 都是以概率的形式來進行的 有良好的全局優(yōu)化求解能力 PSO 算法具有公式簡單和實現(xiàn)容易等特點 但易陷 入局部收斂 GA 算法具有良好的全局求解能力 然而計 算量非常大 求解時需要耗費大量的時間 結合上述兩 種算法的優(yōu)點 本文提出了一種基于自加速遺傳粒子群 優(yōu)化算法 SPSO GA 為了加速 SPSO GA 中 PSO的搜索速度 將式 10 中的 w修改為 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 為第 i 個粒子在第 k 次進化中的慣性權重 為 加速因子 本文取 0 1 w 0 為初始適應度大小 SPSO GA 算法的流程圖如圖 3 所示 具體步驟如下 1 參數(shù)的第 1次初始化 包括適應度函數(shù)預設值 Fit 粒子總數(shù) pop size 溫室能耗物理模型中辨識參數(shù)的個數(shù) 以及各自的取值范圍 GA 中的交叉率 變異率和種群代 數(shù) g max PSO 中的學習因子 c 1 和 c 2 種群代數(shù) p max 粒子最大速度向量以及最小速度向量 SPSO GA 的總迭 代次數(shù) gen max 2 運行 1 次 PSO 算法 第 2 次初始化相關參數(shù) 得 到初始化粒子種群 pop 每個 pop中含有 pop size個粒子 每個粒子為 1組辨識參數(shù) 根據(jù)式 15 適應度向量 F 中適應度函數(shù)為 2 si si 1 1 n i t f Qtqt n 15 式中 Q si t 是第 t個時間序列第 i個粒子計算的輸出能量 q si t 是第 t個時間序列第 i個粒子試驗實測的輸出能量 n 為時間序列的最大值 根據(jù)粒子種群和適應度向量初始 化得到全局最優(yōu)粒子 全局最優(yōu)適應度 F g 初始適應度 大小 w 0 局部最優(yōu)粒子種群 P best 局部最優(yōu)適應度向量 局部最差粒子種群 P worst 和局部最差適應度向量 3 進入 PSO 操作 利用式 13 更新慣性權重 然 后分別利用式 14 和式 12 更新粒子的速度和位置 信息 4 將新的粒子代入溫室能耗物理模型中得到新的能 耗值 然后根據(jù)式 15 重新計算獲得種群的適應度向 量 F 根據(jù)最新的粒子種群及其適應度向量 F 更新步驟 2 中的全局最優(yōu)粒子 全局最優(yōu)適應度 F g 局部最優(yōu)粒 子種群 P best 局部最優(yōu)適應度向量 局部最差粒子種群 P worst 和局部最差適應度向量 5 進入 GA 操作 將局部最差粒子種群 P worst 作為 GA 算法的初始種群 進行交叉和變異操作 6 更新全局最優(yōu)粒子 全局最優(yōu)適應度 F g 局部 最 差 粒子種群 P worst 和局部 最差 適應度向量 7 合并局部最優(yōu)粒子種群 P best 和局部 最差 粒子 種群 P worst 為新的種群 對其適應度從小到大進行排序 并取其前 pop size 個粒子作為本代的精英粒子種群 8 將本代精英粒子種群作為下一代 PSO算法的初始 種群 重新初始化慣性權重后 算法跳至步驟 3 進入迭 代 直至 gen max達到預設值或者適應度達到預設值 9 結束后輸出溫室能耗模型中各辨識參數(shù) 圖3 SPSO GA 算法的程序 流程圖 Fig 3 Flow chart of SPSO GA 農(nóng)業(yè)工程學報 http www tcsae org 2015年 190 4 結果與分析 4 1 參數(shù)辨識 根據(jù)文獻 23 PSO 文獻 24 GA 和 SPSO GA 分別 編寫 Matlab的 M文件代碼 通過優(yōu)化算法辨識參數(shù) 調(diào) 用溫室能耗 Simulink 模型計算適應度函數(shù) 辨識得到模 型中不確定參數(shù) 為了消除偶然因素的影響 選取試驗 溫室 2015 年 3 月 1 日到 3 月 5 日連續(xù) 5 d 的數(shù)據(jù)作為模 型優(yōu)化辨識的數(shù)據(jù) 考慮到不同算法的收斂情況和耗時 有所差異 分別將預設值 Fit和算法總代數(shù)分別初始化為 15 000 和 240 其中 SPSO GA 的 p max g max 和 gen max 分別初始化為 6 2和 30 其他不確定參數(shù)在辨 識范圍內(nèi)隨機初始化 根據(jù)優(yōu)化算法的能耗模型預測的 功耗值和實際功耗值 以及式 15 的適應度函數(shù) 可 評判每代計算的適應度 最終 3 種優(yōu)化算法辨識獲得溫 室能耗預測模型的參數(shù)表 表 2 共有 11 個辨識參數(shù) 其中 3 個為能量修正系數(shù) 表2 三種優(yōu)化算法辨識獲得的模型參數(shù)表 Table 2 Identification parameters of energy consumption model for greenhouses using three algorithms 參數(shù) Parameters 辨識范圍 Identification ranges 遺傳 算法 GA 粒子群 算法 PSO 自加速遺傳 粒子群算法 SPSO GA 減反射玻璃傳熱系數(shù) K g 2 10 7 37 5 66 5 01 保溫幕影響系數(shù) K c 0 5 1 0 61 0 76 0 8 內(nèi)遮陽影響系數(shù) K n 0 5 1 0 93 0 97 0 99 葉面積指數(shù) LAI 0 8 4 46 3 22 4 65 邊界層阻抗系數(shù) r b 50 500 304 283 485 覆蓋材料透光率 T a 0 5 1 0 52 0 56 0 71 保溫幕透光率 T c 0 3 1 0 66 0 61 0 61 內(nèi)遮陽透光率 T n 0 3 1 0 99 0 82 0 58 長波輻射修正系數(shù) X l 0 1 0 63 0 47 0 46 通風換熱修正系數(shù) X w 0 1 0 04 0 013 0 012 太陽光照輻射修正系數(shù) X t 0 1 0 87 0 71 0 56 均方根誤差 kW 18 8 17 5 15 5 根據(jù) GA PSO 和 SPSO GA 每一代的均方根誤差 可得到 3 種優(yōu)化算法的收斂圖 圖 4 該圖顯示 GA 在第 3代時就陷入了 早熟 現(xiàn)象 但在迭代到 181 代 時又出現(xiàn)了一次跳出局部收斂的過程 表明 GA 具有較 好的全局求解能力 PSO 運行至 63 代時基本實現(xiàn)完全 收斂 而 SPSO GA在運行到 67代后達到收斂 此后分 別在第 145 代和 210 代時出現(xiàn)一次跳出局部收斂的現(xiàn) 象 上述現(xiàn)象表明 SPSO GA 不僅繼承了 PSO在前期的 快速收斂性 而且融合了 GA 的優(yōu)點 具備了更強地跳 出局部收斂的能力 根據(jù)優(yōu)化算法辨識獲得的參數(shù)表 2 結合能耗預測模 型獲得 3種優(yōu)化算法模擬溫室消耗的熱功率 圖 5 為 了表現(xiàn)不同優(yōu)化算法的跟隨能力 考慮不加熱時段溫室 消耗熱功率出現(xiàn)的負值部分 由于在正午時段室外太陽 光照輻射較強 溫室室內(nèi)溫度升高導致回水溫度大于供 水溫度 則根據(jù)式 1 得到的溫室消耗的熱功率為負數(shù) 在圖中的 A 區(qū)域 SPSO GA 的震蕩幅度要小于另外 2 種優(yōu)化算法 在圖 5a中的 A B C 3處區(qū)域 當溫室 熱功耗出現(xiàn)急劇變化時 SPSO GA 跟隨實際功耗曲線 的能力要優(yōu)于另外 2 種算法 由此可得 SPSO GA 較 另外 2 種優(yōu)化算法的魯棒性更強 可應對溫室能耗模型 中各種復雜的環(huán)境影響因素 GA 和 PSO最終收斂時的 均方根誤差分別比 SPSO GA 要大 21 3 和 12 9 可 見 SPSO GA模擬和實際的功耗的偏差要小于其他 2種 算法 圖4 三種優(yōu)化算法的收斂圖 Fig 4 Convergence graph with generation using three optimization algorithms a 在辨識過程中 a In identification process b 在驗證過程中 b In validation process 注 A C和 E為體現(xiàn)優(yōu)化算法魯棒性的區(qū)域 B D為 PSO 陷入局部最優(yōu)的區(qū)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 圖5 在辨識過程中和驗證過程中三種優(yōu)化算法溫室功耗預測 值和實測值 Fig 5 Experimental and predicted power consumption with three algorithms in validation and identification process 第 24期 陳教料等 基于自加速遺傳粒子群算法的半封閉式溫室能耗預測 191 4 2 能耗模型驗證 選取試驗溫室辨識數(shù)據(jù)相連的 2015 年 3 月 6 日到 3 月 8 日 3 d數(shù)據(jù)對溫室能耗預測模型進行驗證 根據(jù) GA PSO 和 SPSO GA 辨識得到的溫室能耗模型 分別預測半 封閉式溫室的熱功耗 圖 5b 由于只討論溫室加熱能 耗 可將模擬得到所有熱功耗負值變?yōu)?0 由圖 5b 可知 PSO和 SPSO GA 2種算法的預測與實際熱功耗的整體吻 合度要明顯優(yōu)于 GA 由 圖 中 的 B D 區(qū)域可見 PSO預測 的熱功耗更接近實際值 說明 PSO 能在局部達到更優(yōu)的 收斂情況 然而當溫室熱功耗出現(xiàn)急劇變化時 如圖中 的 A C E 3處區(qū)域所示 SPSO GA 跟隨熱功耗變化的 能力卻要優(yōu)于 PSO 表 3 為 3 種優(yōu)化算法預測 3 d 總能耗和實測值的對比 表 由表 3可知 GA和 PSO 的均方根誤差分別比 SPSO GA 要大 32 2 和 10 7 SPSO GA 在預測未來 3 d 溫室總能耗 的相對誤差分別比 GA和 PSO 要小 2 9 和 13 7 可見 SPSO GA 的參數(shù)辨識能力要優(yōu)于 PSO和 GA 其預測的總 能耗精度高達 98 6 表3 3種優(yōu)化算法的熱功耗和總能耗預測值及誤差 Table 3 Errors and predicted values for heat power consumption and total energy consumption by three optimization algorithms 總能耗 Total energy consumption 算法 Algorithms 熱功耗預測值均方 根誤差 RMSE for predicted heat power consumption kW 預測值 Predicted value MW h 相對誤差 Relative error 遺傳算法 GA 19 7 2 91 4 3 粒子群算法 PSO 16 5 3 21 15 1 自加速遺傳粒子 群算法 SPSO GA 14 9 2 83 1 4 4 3 模型能耗預測 為有效管理溫室的能量供應 需對溫室未來一段時 間的日耗能總量進行估計 根據(jù) SPSO GA 和溫室能耗物 理模型 利用 2015 年 1月 1 日到 1月 5 日期間試驗溫室 的環(huán)境參數(shù)和能耗數(shù)據(jù) 建立溫室能耗預測模型 根據(jù) 能量預測模型和試驗階段室外冬季氣象數(shù)據(jù) 預測得到 不同室外溫度和太陽輻射條件下的半封閉式溫室日耗能 總量 如圖 6所示 圖6 不同室外溫度和輻射條件下的半封閉式 溫室日耗能總量預測圖 Fig 6 Predicted daily energy consumption in semi closed greenhouse with outside temperature and solar radiation 其中 依據(jù)室外日均溫度和日太陽輻射總量與 1月 3 日相應數(shù)據(jù)的比列關系 一日中逐時室外溫度和太陽輻 射按該日相應數(shù)據(jù)同比列轉化 當室外平均溫度不變時 日耗能總量隨日太陽光照輻射總量增大而減小 當日太 陽光照輻射總量不變時 日耗能總量也隨室外平均溫度 增大而減小 選取試驗溫室 2015年 1月 10 日后的溫室數(shù)據(jù) 計算 每日的日太陽輻射總量 室外日均溫度和日耗能總量 驗 證能耗預測模型 該階段試驗數(shù)據(jù)為番茄的采收期 溫室 番茄采收期較長且葉面積指數(shù)等變化不大 可根據(jù)圖 6預 測的半封閉式試驗溫室日耗能總量與實測值比較 如表 4 所示 表明日耗能總量的實測值和預測值的相對誤差在 1 58 27 05 較大范圍內(nèi)變化 分析發(fā)現(xiàn) 當一日中逐 時實際溫度和太陽輻射與預測設定值的變化趨勢基本一 致時 預測的能耗誤差小于 14 進一步驗證了溫室能耗 預測模型的準確性 然而當實際一日中逐時實際溫度和太 陽輻射與 1月 3日相應數(shù)據(jù)變化趨勢相差較大 能耗預測 的精確度急劇下降 表明在室外平均溫度和太陽輻射總量 相同的條件下 不同的變化趨勢對半封閉式溫室的能耗影 響很大 因此 由于室外復雜的氣象條件 精確地預測半 封閉溫室的能耗模型還需較精確的每小時氣象數(shù)據(jù)預報 支持 雖然能耗部分預測偏差較大 不同室外溫度和輻射 條件下的溫室日耗能總量預測值仍對于半封閉式溫室的 能耗設計和管理具有一定的參考意義 表4 溫室日耗能總量的預測值和實際值比較 Table 4 Comparisons of actual and predicted daily energy consumption in semi closed greenhouse 日期 Date 日太陽輻射 總量 Daily global solar radiation kW h m 2 室外日均溫度 Mean outside temperature 溫室實際日耗能 總量 Daily energy consumption kW h m 2 相對誤差 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 一日中逐時實際溫度和太陽輻射與模擬設定值趨勢相差較大導致預測精 度降低 Note Decreasing prediction accuracy resulted from large deviation of setting and actual trends in outside temperature and solar radiation 此外 不同時間的模型驗證表明當改變試驗的季節(jié)和 月份時 建立的溫室能量預測模型仍具備較高的準確性 因此本文提出的溫室能量預測模型較傳統(tǒng)的經(jīng)驗模型具 有更強的適應性 且在參數(shù)辨識方面 本研究方法只需 3 5 d 的溫室數(shù)據(jù)即可建立一個符合預期的能量模型 少于 傳統(tǒng)溫室辨識建模方法所需的 2周或數(shù)月的數(shù)據(jù) 11 13 農(nóng)業(yè)工程學報 http www tcsae org 2015年 192 5 結 論 1 本文根據(jù)機理建模和系統(tǒng)辨識結合方法建立了溫 室能耗預測模型 可采用較少的辨識數(shù)據(jù)有效解決了半 封閉式溫室建模中環(huán)境參數(shù)眾多且難以測量的問題 通 過對試驗溫室預測和實際的能耗比較分析 驗證了該預 測模型的有效性 2 結合 GA 和 PSO 的優(yōu)點 通過在 PSO 操作中引 入加速因子自動改變慣性權重的值 加速了 PSO 算法的 搜索速度 通過實際模擬分析 采用 SPSO GA 預測的能 量總需求與實測數(shù)據(jù)的相對誤差為 1 4 分別比 GA 和 PSO 減少了 2 9 和 13 7 當溫室熱功耗出現(xiàn)急劇變化 時 SPSO GA較 PSO和 GA 具有更強地魯棒性 3 根據(jù)能耗模型預測了不同室外平均溫度和日太陽 輻射總量條件下的半封閉式溫室日耗能總量 可指導溫 室環(huán)境的能耗設計和能量管理 一日中逐時實際溫度和 太陽輻射基本確定的條件下 溫室能耗預測的準確性大 于 86 驗證了當溫室的環(huán)境條件改變時能耗預測模型 仍具備較高的準確性 由于室外復雜的氣象條件 為更 精確和有效地管理半封閉式溫室能耗 需結合溫度和太 陽輻射的每小時精細預報進行進一步的研究 參 考 文 獻 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