基于全局優(yōu)化預(yù)測的溫室智能控制模型 程 曼 1 袁洪波 1 2 蔡振江 1 1 河北農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院 河北 保定 071001 2 中國農(nóng)業(yè)大學(xué) 信電學(xué)院 北京 100083 摘 要 針對(duì)傳統(tǒng)溫室控制系統(tǒng)中存在的控制方案達(dá)不到最優(yōu)化 反應(yīng)滯后以及控制器調(diào)節(jié)不同步等問題 提 出了基于全局變量的優(yōu)化預(yù)測方法 該方法將溫室內(nèi)部溫濕度與光照等數(shù)據(jù) 作物的生長狀況 控制器當(dāng)前狀 態(tài) 溫室外部環(huán)境的相應(yīng)數(shù)據(jù)及當(dāng)?shù)靥鞖馇闆r進(jìn)行融合 利用各全局變量 通過數(shù)學(xué)模型得出溫室未來環(huán)境狀況 的短期預(yù)測值 采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)控制 解決了溫室控制中的大滯后和大慣性等問題 仿真結(jié)果證明了該模型 的有效性及合理性 對(duì)溫室內(nèi)氣候智能控制的發(fā)展具有一定的參考價(jià)值 關(guān)鍵詞 溫室 智能控制 全局變量 優(yōu)化預(yù)測 神經(jīng)網(wǎng)絡(luò) 中圖分類號(hào) S625 5 TP181 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1003 188X 2013 10 0026 04 0 引言 溫室智能控制系統(tǒng)是在計(jì)算機(jī)綜合控制下 根據(jù) 作物生長的最適宜生態(tài)條件 將現(xiàn)代信息技術(shù) 自動(dòng) 化技術(shù)與生物工程技術(shù) 農(nóng)業(yè)工程技術(shù) 環(huán)境工程技 術(shù)相結(jié)合 創(chuàng)造適宜于作物生長的環(huán)境 實(shí)現(xiàn)作物優(yōu) 質(zhì) 高效和低耗的工業(yè)化規(guī)模生產(chǎn) 1 溫室控制系統(tǒng) 需要根據(jù)溫室氣候環(huán)境的變化 控制執(zhí)行機(jī)構(gòu)進(jìn)行相 應(yīng)的調(diào)節(jié) 氣溫過低時(shí) 需要利用供暖系統(tǒng)補(bǔ)充溫度 氣溫過高時(shí) 需要控制通風(fēng)口 遮陽系統(tǒng) 排氣扇或蒸 發(fā)冷卻裝置等工作 避免過熱 現(xiàn)在大多數(shù)的溫室控 制系統(tǒng)中 各執(zhí)行器通常根據(jù)其實(shí)際測量值和設(shè)定值 來單獨(dú)控制 2 這種常規(guī)的控制系統(tǒng)設(shè)計(jì)方案具有 的缺點(diǎn) 一是執(zhí)行器設(shè)定值的調(diào)整在很大程度上依賴 于工作人員所具有的專業(yè)知識(shí)水平 二是控制系統(tǒng)工 作在被動(dòng)狀態(tài) 當(dāng)溫室氣候環(huán)境發(fā)生變化時(shí)才進(jìn)行調(diào) 節(jié) 不能預(yù)測溫室環(huán)境未來的狀態(tài) 無法提前做出反 應(yīng) 三是因?yàn)楦鲌?zhí)行器的設(shè)定值及工作地點(diǎn)相互獨(dú) 立 所以各執(zhí)行器進(jìn)行調(diào)節(jié)時(shí)工作不協(xié)調(diào) 容易導(dǎo)致 控制系統(tǒng)的超調(diào)和振蕩 為了克服上述缺點(diǎn) 必須增加控制系統(tǒng)的智能水 平 能夠?qū)φ麄€(gè)系統(tǒng)實(shí)現(xiàn)全局優(yōu)化 3 本文采取了基 于全局優(yōu)化預(yù)測的控制模型 將溫室內(nèi)部和外部的溫 度 濕度 光照及當(dāng)?shù)靥鞖馇闆r進(jìn)行綜合分析 將各全 收稿日期 2012 10 25 基金項(xiàng)目 河北省科技支撐計(jì)劃項(xiàng)目 11227179 河北省高等學(xué)校科 學(xué)技術(shù)研究青年基金項(xiàng)目 z2011271 作者簡介 程 曼 1982 女 河北藁城人 講師 博士研究生 E mail chengman1982 163 com 局變量作為控制模型的輸入值 得出溫室未來氣候的 預(yù)測值 根據(jù)預(yù)測值 可以提前對(duì)溫室環(huán)境即將出現(xiàn) 的改變做出相應(yīng)的調(diào)整 有效提高溫室的控制質(zhì)量 1 溫室智能控制的特點(diǎn)及要求 溫室控制的目標(biāo)是為作物提供合適的環(huán)境條件 傳統(tǒng)控制模式在很大程度上取決于工作人員的專業(yè) 知識(shí)和實(shí)際經(jīng)驗(yàn) 要求工作人員具備必要的知識(shí) 對(duì) 作物生長 生產(chǎn)管理的經(jīng)濟(jì)性和控制系統(tǒng)之間的相互 關(guān)系有很好的了解 只有這樣 生產(chǎn)者才能得到最優(yōu) 的控制方案和經(jīng)濟(jì)效益 而溫室的管理人員往往并不 具備上述的要求 此外 溫室環(huán)境系統(tǒng)由于自身的復(fù) 雜性以及各種環(huán)境因素之間相互影響 使得采用傳統(tǒng) 的控制方法很難達(dá)到最佳的控制效果 4 1 1 溫室智能控制系統(tǒng)的特點(diǎn) 溫室智能控制系統(tǒng)主要是根據(jù)外界環(huán)境的溫度 濕度 光照 風(fēng)速 風(fēng)向以及雨量等氣候因子 基于溫 室專家系統(tǒng)和用戶參數(shù)設(shè)定 通過一些控制措施來調(diào) 節(jié)溫室內(nèi)的溫度 濕度 通風(fēng)和光照等環(huán)境因子 創(chuàng)造 出適合作物生長的溫室生態(tài)環(huán)境 即根據(jù)作物不同 生長階段的需求 制定出檢測標(biāo)準(zhǔn) 通過對(duì)溫室環(huán)境 的實(shí)時(shí)檢測 將測得參數(shù)進(jìn)行比較后自動(dòng)調(diào)整溫室各 個(gè)控制設(shè)備的狀態(tài) 從而使各項(xiàng)環(huán)境因子符合既定的 要求 5 1 2 溫室智能控制系統(tǒng)的要求 溫室智能控制系統(tǒng)利用 AI Artificial Intelligence 模型生成控制方案 讓所有執(zhí)行器共同協(xié)調(diào)工作 達(dá)到 最優(yōu)控制效果 智能控制所需的必要基礎(chǔ)如下 1 控制模型的精確性 溫室內(nèi)作物生長到一定 62 2013 年 10 月 農(nóng) 機(jī) 化 研 究 第 10 期 時(shí)期 一方面對(duì)溫室環(huán)境進(jìn)行調(diào)控會(huì)影響作物的生 長 另一方面因作物光合作用和蒸騰作用的改變又對(duì) 室內(nèi)環(huán)境因子產(chǎn)生新的影響 由此產(chǎn)生一種反饋?zhàn)饔?機(jī)制 而在現(xiàn)有的溫室環(huán)境控制系統(tǒng)并沒有考慮到這 種反饋?zhàn)饔脵C(jī)制 6 溫室環(huán)境各要素之間也存在著 較強(qiáng)的耦合性 某個(gè)要素的改變也會(huì)對(duì)其它要素構(gòu)成 影響 因此 智能控制系統(tǒng)需要建立精確的模型 實(shí) 現(xiàn)調(diào)控方式既節(jié)約資源又提高生產(chǎn)效率的目標(biāo) 2 大量的檢測數(shù)據(jù) 精確建模需要大量的數(shù)據(jù) 采集 包括時(shí)間上和空間上 各傳感器采集的數(shù)據(jù)都 將為模型的建立提供支持 實(shí)現(xiàn)溫室的智能控制模 型 不但需要考慮溫室內(nèi)部各參數(shù)的值 如溫度 濕度 和光照等 還需要考慮溫室外部的環(huán)境參數(shù) 當(dāng)?shù)氐?實(shí)時(shí)天氣狀況以及短期天氣狀況的預(yù)測等 2 溫室的總體結(jié)構(gòu) 實(shí)驗(yàn)用的溫室為中等規(guī)模 96m 2 溫室中分為 16 個(gè)區(qū)域 苗床 其熱區(qū)域模型如圖 1 所示 考慮 到溫室中各參數(shù)的耦合作用 將溫室分為 5 個(gè)區(qū) 域 7 區(qū)域 1 為加熱系統(tǒng) 區(qū)域 2 為作物生長區(qū) 苗 床 區(qū)域 3 包括溫室側(cè)窗和遮光簾 區(qū)域 4 為溫室頂 部 區(qū)域 5 代表溫室外部環(huán)境 在每個(gè)區(qū)域設(shè)置相關(guān) 的傳感器采集數(shù)據(jù) 傳感器類型及采集數(shù)據(jù)類別如表 1 所示 本實(shí)驗(yàn)中只考慮了溫濕度和光照 未進(jìn)行 CO 2 及其它因素的討論 圖 1 實(shí)驗(yàn)溫室熱區(qū)域示意圖 Fig 1 The thermal zone structure of experiment greenhouse 表 1 溫室各區(qū)域數(shù)據(jù)采集類別及數(shù)量 Table 1 Data collection category and quantity of zones 區(qū)域 數(shù)據(jù)采集 類別 溫度傳感器 數(shù)量 濕度傳感器 數(shù)量 光照傳感器 數(shù)量 1 加熱系統(tǒng) 1 0 0 2 苗床部分 16 16 0 3 陽簾下方 2 0 1 4 遮陽簾上方 1 0 0 5 溫室外部 1 0 1 3 溫室的控制模型 在溫室中 影響作物生長狀況和管理費(fèi)用的主要 物理參數(shù)是內(nèi)部溫度 濕度及光照強(qiáng)度 如果能對(duì)這 3 個(gè)參數(shù)進(jìn)行精確的預(yù)測 并在此基礎(chǔ)上進(jìn)行控制 就 能達(dá)到最優(yōu)化的控制目的 控制模型如圖 2 所示 圖 2 溫室智能控制結(jié)構(gòu)圖 Fig 2 Intelligent control structure of greenhouse 3 1 全局參數(shù)優(yōu)化預(yù)測模型 3 1 1 溫室外部天氣模塊 直接利用天氣預(yù)報(bào)來預(yù)測溫室外部氣候模型 其 預(yù)測精度較低 所以需要在溫室外部設(shè)置溫度傳感器 和光照傳感器 采集外部環(huán)境的具體數(shù)據(jù) 利用外部 傳感器采集到的數(shù)據(jù) 建立數(shù)據(jù)庫 根據(jù)歷史記錄和 天氣預(yù)報(bào)對(duì)溫室外部短期氣候 幾小時(shí)后 做出預(yù)測 3 1 2 在線天氣預(yù)報(bào)模塊 從控制精度的角度來說 網(wǎng)絡(luò)在線獲取的天氣預(yù) 報(bào)不能滿足建模的精確性 但是將其作為控制模型 1 個(gè)輸入量 最終產(chǎn)生的趨勢預(yù)測卻是比較可靠的 然 而 當(dāng)網(wǎng)絡(luò)發(fā)生故障或者獲取的天氣數(shù)據(jù)損壞時(shí) 必 須利用一個(gè)近似的數(shù)據(jù)去替代該數(shù)據(jù) 替代的數(shù)據(jù) 可以利用下面的公式來近似獲得 T 0 1 T L 2 L 3 2 L 1 式中 T 當(dāng)?shù)氐慕茰囟?T L 和 L 當(dāng)?shù)貙?shí)際溫度值和光照強(qiáng)度值 i 加權(quán)系數(shù) i 的值會(huì)根據(jù)實(shí)際情況進(jìn)行階 段性的調(diào)整 3 1 3 全局優(yōu)化預(yù)測模型 全局參數(shù)共 46 個(gè) 包括 21 個(gè)溫度值 16 個(gè)濕度 72 2013 年 10 月 農(nóng) 機(jī) 化 研 究 第 10 期 值 2 個(gè)光照強(qiáng)度值 6 個(gè)執(zhí)行器工作狀態(tài)值 1 個(gè)在線 天氣預(yù)報(bào)提供的未來溫度值 該模型的功能通過神 經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn) 全局優(yōu)化模型輸入量分為 4 部分 1 各區(qū)域溫濕度及光照強(qiáng)度測量值 由溫室內(nèi)部 各傳感器采集 2 在線天氣預(yù)報(bào) 由在線天氣預(yù)報(bào)模塊提供預(yù)測 值或近似值 3 溫室外部環(huán)境預(yù)測值 由外部天氣模塊提供 4 執(zhí)行器的最新配置方案 包括遮光 通風(fēng) 加熱 和灌溉等 即各執(zhí)行器工作狀態(tài) 作為全局優(yōu)化預(yù)測 的參考 3 2 智能控制模型 智能控制模型在輸入量的基礎(chǔ)之上 預(yù)測出各輸 出的狀態(tài)值 用來對(duì)溫室的內(nèi)部環(huán)境進(jìn)行調(diào)節(jié) 該模 型的輸入分為 3 部分 一是當(dāng)前各傳感器的測量值 二是作物生長模型的預(yù)測值 三是全局優(yōu)化模型的預(yù) 測值 該模型有 32 輸入和 32 個(gè)輸出狀態(tài)預(yù)測 其功 能通過神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn) 3 3 神經(jīng)網(wǎng)絡(luò)模型及實(shí)驗(yàn)結(jié)果分析 3 3 1 BP 神經(jīng)網(wǎng)絡(luò)模型 人工神經(jīng)網(wǎng)絡(luò) 7 是一種借鑒人腦神經(jīng)元互連結(jié) 構(gòu)的信息處理網(wǎng)絡(luò) 具有非線性 魯棒性和學(xué)習(xí)特性 并具有并行處理 自組織學(xué)習(xí) 自適應(yīng)和高度的非線 性映射特征 因 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單 對(duì)樣本訓(xùn)練 具有很好的效果 故選用 BP 網(wǎng)絡(luò) BP 神經(jīng)網(wǎng)絡(luò)即誤差反向傳播網(wǎng)絡(luò) 是由輸入層 隱含層和輸出層 3 部分組成的多層前饋網(wǎng)絡(luò) 當(dāng)給 定 1 個(gè)輸入時(shí) 從輸入層到輸出層的傳遞是個(gè)前向傳 播過程 如果實(shí)際輸出與期望輸出存在一定的誤差 那么就轉(zhuǎn)入誤差反向傳播的階段 并根據(jù)各層誤差的 大小來調(diào)節(jié)各層的權(quán)值 如此不斷迭代修正各層的 權(quán)值 直到收斂 8 其結(jié)構(gòu)如圖 3 所示 圖 3 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖 Fig 3 Topology of BP neural network 圖 3 中 設(shè) i j k 分別表示輸入層個(gè)數(shù)和隱層個(gè) 數(shù)和輸出層個(gè)數(shù) W ij 為輸入層與隱層的連接權(quán)值 T j k 為隱層至輸出層的連接權(quán)值 若 X i 為輸入模式 Y k 為輸出模式向量 則隱層節(jié)點(diǎn)輸出為 O j f m i 1 X i W ij 2 輸出層輸出為 Y k f n j 1 O j T jk 3 其中 激勵(lì)函數(shù)為 0 1 內(nèi)連續(xù)取值的 Sigmoid 函數(shù)為 f x 1 1 e x 4 誤差計(jì)算公式為 E 1 2 t i O i 2 5 式中 t i 第 i 個(gè)樣本的期望輸出值 O i 第 i 節(jié)點(diǎn)實(shí)際輸出值 權(quán)矩陣修正公式為 W ij n 1 h i O j W ij n 6 式中 h 學(xué)習(xí)因子 i 輸出節(jié)點(diǎn) i 的計(jì)算誤差 O j 輸出節(jié)點(diǎn) j 的實(shí)際輸出 3 3 2 實(shí)驗(yàn)結(jié)果分析 實(shí)驗(yàn)研究的時(shí)間段選在 0 00 24 00 數(shù)據(jù)每小 時(shí)采集 1 次 共采集 24 個(gè)數(shù)據(jù)點(diǎn) 圖 4 為某天 2011 年 3 月 5 日 溫濕度實(shí)測數(shù)據(jù)與仿真結(jié)果的對(duì)比情 況 從結(jié)果可以看出 經(jīng)過模型的控制后 輸出的室 內(nèi)溫度和濕度變化情況比沒有經(jīng)過智能控制時(shí)的變 化要平緩得多 圖 4 溫濕度實(shí)測值及仿真值對(duì)比圖 Fig 4 Temperature and humidity simulation 82 2013 年 10 月 農(nóng) 機(jī) 化 研 究 第 10 期 4 結(jié)論 1 本文提出了一種基于全局優(yōu)化預(yù)測的溫室智 能控制模型 并在其基礎(chǔ)上設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)控制 系統(tǒng)的控制器 最后利用仿真模型進(jìn)行驗(yàn)證 證明了 該控制模型的性能 2 該模型綜合考慮了溫室內(nèi)外的溫度 濕度 光 照 控制器狀態(tài)和作物生長狀態(tài)等全局變量 并且將 對(duì)短期天氣的預(yù)測作為全局變量之一加以討論 保證 了控制模型的前瞻性 在一定程度上克服了控制系統(tǒng) 的遲滯性和振蕩 參考文獻(xiàn) 1 陳廣慶 孫愛芹 徐克寶 基于 PLC 和組態(tài)軟件的溫室控 制系統(tǒng)設(shè)計(jì) J 安徽農(nóng)業(yè)科學(xué) 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 寧鐸 賴展翅 等 溫室溫度控制系統(tǒng)的神經(jīng)網(wǎng)絡(luò) PID 控制 J 農(nóng)業(yè)工程學(xué)報(bào) 2011 27 2 307 311 5 齊文新 周學(xué)文 分布式智能型溫室計(jì)算機(jī)控制系統(tǒng)的一 種設(shè)計(jì)與實(shí)現(xiàn) J 農(nóng)業(yè)工程學(xué)報(bào) 2004 20 1 246 249 6 胡偉松 基于網(wǎng)絡(luò)的溫室環(huán)境控制設(shè)備自動(dòng)化選配系統(tǒng) 研究 D 杭州 浙江大學(xué) 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 人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用 M 北京 科學(xué) 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 農(nóng) 機(jī) 化 研 究 第 10 期