第 29 卷 增刊 1 農(nóng) 業(yè) 工 程 學(xué) 報 Vol.29 Supp.12013 年 4 月 Transactions of the Chinese Society of Agricultural Engineering Apr. 2013 177基于全局變量預(yù)測模型的溫室環(huán)境控制方法程曼，袁洪波，蔡振江，王楠（ 河北農(nóng)業(yè)大學(xué)機電工程學(xué)院 ， 保定 071001）摘 要 ： 針對傳統(tǒng)溫室控制系統(tǒng)中存在的控制方案達不到最優(yōu)化 、 反應(yīng)滯后 、 控制器調(diào)節(jié)不同步等問題 ， 提出了基于全局變量預(yù)測模型的溫室環(huán)境控制方法 。 該方法將溫室內(nèi)部溫度 、 濕度 、 光照等數(shù)據(jù) ， 控制器當前狀態(tài) ， 溫室外部環(huán)境的相應(yīng)數(shù)據(jù)及當?shù)靥鞖馇闆r進行融合 ， 利用各個全局變量通過數(shù)學(xué)模型得出溫室未來環(huán)境狀況的短期預(yù)測值 ， 通過神經(jīng)網(wǎng)絡(luò)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 。 實驗結(jié)果證明了該方 法的有效性及合理性 ， 并 對溫室內(nèi)氣候智能控制的發(fā)展具有一定的參考價 值 。關(guān)鍵詞 ： 溫室 ， 神經(jīng)網(wǎng)絡(luò) ， 環(huán)境控制 ， 全局變量 ， 預(yù)測模型doi： 10.3969/j.issn.1002-6819.2013.z1.028中圖分類號 ： TP181； S625.5+1 文獻標志碼 ： A 文章編號 ： 1002-6819(2013)-Supp.1-0177-07程 曼 ， 袁洪波 ， 蔡振江 ， 等 . 基于全局變量預(yù)測模型的溫室環(huán)境控制方法 J. 農(nóng)業(yè)工程學(xué)報 ， 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 溫室智能控制系統(tǒng)主要是在計算機綜合控制下 ， 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)和自動化技術(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 ， 實現(xiàn)作物優(yōu)質(zhì) 、 高效 、 低耗的工業(yè)化規(guī)模生產(chǎn) 1-4。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)行機構(gòu)進行相應(yīng)的調(diào)節(jié) ： 氣溫過低時 ， 需要利用供暖系統(tǒng)補充溫度 ， 氣溫過高時 ， 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)其實際測量值和設(shè)定值來單獨控制 5。這種常規(guī)的控制系統(tǒng)設(shè)計方案具有以下缺點1） 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)知識水平 ；2） 控制系統(tǒng)工作在被動狀態(tài) ， 當溫室氣候環(huán)境發(fā)生變化時才進行調(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) ；3） 因為各執(zhí)行器的設(shè)定值及工作地點相互獨收稿日期 ： 2012-09-12 修訂日期 ： 2013-04-24基金 項目 ： 河北省科技支撐計劃項目 （ 11227179， 11212144）； 河北省高等學(xué) ?？茖W(xué)技術(shù)研究青年基金項目 （ z2012146）作者簡介 ： 程 曼 （ 1982）， 女 ， 河北藁城人 ， 講師 ， 博士生 ， 主要從事智能檢測及自動控制方面研究 。 保定 河北農(nóng)業(yè)大學(xué)機電工程學(xué)院 ， 071001。 Email： chengman1982163.com立 ， 所以各執(zhí)行器進行調(diào)節(jié)時工作不協(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 ， 必須增加控制系統(tǒng)的智能水平 ， 實現(xiàn)對整個系統(tǒng)的全局控制 6。 本文采取了基于全局預(yù)測模型的環(huán)境控 制方法 ， 將溫室內(nèi)部和外部的環(huán)境信息 、 作物生長階段 、 當?shù)靥鞖馇闆r作為一個整體的系統(tǒng)進行綜合分析 。 與傳統(tǒng)的溫室控制主要選擇溫室內(nèi)溫濕度 、 光照等局部變量不同 ，本方法將溫室內(nèi)部和外部的溫度 、 濕度 、 光照 、 各控制器當前工作狀態(tài) 、 當?shù)匚磥矶唐趦?nèi)天氣情況作為整體系統(tǒng)的全部變量 ， 稱為全局變量 。 采集到的各全局變量作為輸入值 ， 利用預(yù)測模型得出溫室內(nèi)未來環(huán)境變量的預(yù)測 ， 根據(jù)預(yù)測值 ， 可以提前對溫室環(huán)境即將出現(xiàn)的改變做出相應(yīng)的調(diào)正 ， 有效提高溫室的控制質(zhì)量 。1 溫室智能控制的特點及要求溫室控制 的目標是為作物 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)知識和實際經(jīng)驗 ， 要求工作人員具備 必要的知識 ， 并且對作物生長 、 生產(chǎn)管理的經(jīng)濟性和控制系統(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 ， 各種環(huán)境因素之間相互影響 ， 采用傳統(tǒng)的控制方法很難達農(nóng)業(yè)工程學(xué)報 2013 年178到最佳的控制效果 4。1.1 溫室智能控制系統(tǒng)的特點溫室智能控制系統(tǒng)主要是根據(jù)外界環(huán)境的溫度 、 濕度 、 光照以及風(fēng)速 、 風(fēng)向 、 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) 、 光照等環(huán)境因子 ， 創(chuàng)造出適合作物生長的合適溫室生態(tài)環(huán)境（ 該環(huán)境是按不同作物生長的要求進行統(tǒng)籌優(yōu)化后制定的 ）， 即根據(jù)作物不同生長階段的需求制定出檢測標準 ， 通過對溫室環(huán)境的實時檢測 ， 將測得參數(shù)進行比較后自動調(diào)整溫室各個控制設(shè)備狀態(tài) ， 以使各項環(huán)境因子符合既定要求 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 （ artificialintelligence） 模型來生成控制方案 ， 讓所有的執(zhí)行器共同協(xié)調(diào)工作 ， 達到最優(yōu)控制效果 。 智能控制的實現(xiàn)則需要以下必要的基 礎(chǔ)1） 控制模型的精確性 。 溫室內(nèi)作物生長到一定時期 ， 一方面對溫室環(huán)境進行調(diào)控會影響作物的生長 ， 另一方面因作物光合作用 、 蒸騰作用的改變又對室內(nèi)環(huán)境因子產(chǎn)生新的影響 ， 從而產(chǎn)生了一種反饋作用機制 ， 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作用機制 6。 溫室環(huán)境各要素之間也存在著較強的耦合性 ， 某個要素的改變也會對其它要素構(gòu)成影響 。 因此 ， 智能控制系統(tǒng)需要建立精確的模型 ， 實現(xiàn)調(diào)控方式既節(jié)約資源又提高生產(chǎn)效率 。2） 檢測大量數(shù)據(jù) 。 精確建模需要 采 集大量數(shù)據(jù)（ 包括時間上和空間上 ）， 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 、光照等 ， 還需要考慮溫室外部的環(huán)境參數(shù) ， 以及當?shù)氐膶崟r天氣狀況 ， 短期天氣狀況的預(yù)測等 。2 溫室的總體結(jié)構(gòu)試驗用 的 溫室為 中等 規(guī)模 96m2， 溫室 中分為16 個區(qū)域 （ 苗床 ）， 其熱區(qū)域模型如圖 1 所示 。圖 1 試驗溫室熱區(qū)域示意圖Fig.1 Thermal zone structure of experiment greenhouse考慮到溫室中各參數(shù)的耦合作用 ， 將溫室分為5 個區(qū)域 7。 為每個區(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 （ 本試驗中只考慮了溫濕度和光照 ， 未進行 CO2 及其它因素的討論 ； 此外 ， 由于溫室沒有很好的補光設(shè)備 ，所以沒有對光照補償進行控制 ， 只對溫濕度進行了控制 ）。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 ingreenhouse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 02 苗床部分數(shù)據(jù) 16 16 03 遮陽簾下 方空氣數(shù)據(jù) 2 0 14 遮陽簾上方空氣數(shù)據(jù) 1 0 05 溫室外部數(shù)據(jù) 1 0 13 溫室的控制方案在溫室中 ， 影響作物生長狀況和管理費用的 主要的物理參數(shù)是內(nèi)部溫度 、 濕度及光照強度 。 如能對這 3 個參數(shù)進行精確的預(yù)測 ， 并在此基礎(chǔ)上進行控制 ， 就能達到最優(yōu)化的控制 目的 ， 控制方案如圖2 所示 。圖 2 溫室智能控制結(jié)構(gòu)圖Fig.2 Intelligent control structure of greenhouse3.1 全局變量預(yù)測模型3.1.1 溫室外部天氣預(yù)測模塊直接利用天 氣預(yù)報來預(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) 。 根據(jù)未來天氣走勢 ， 采用類比方式 ， 利用外部傳感器采集到的數(shù)據(jù) ， 結(jié)合天氣預(yù)報進行變化趨勢類比 ，對溫室外部氣候環(huán)境的變化作出相應(yīng)的判斷 ， 以便對溫室外部短期氣候 （ 幾小時后 ） 做出預(yù)測 。增刊 1 程 曼等 ： 基于 全局變量預(yù)測模型的溫室環(huán)境控制方法 1793.1.2 在線天氣預(yù)報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)報不能滿足建模的精確性 。 但是將其作為控制模型一個輸入量 ， 最終產(chǎn)生的趨勢預(yù)測卻是比較可靠的 。 然而 ， 當網(wǎng)絡(luò)發(fā)生故障或者獲取的天氣數(shù)據(jù)損壞時 ， 必須利用一 個近似的數(shù)據(jù)去替代該數(shù)據(jù) 。 替代的數(shù)據(jù)的可以利用下面的公式 （ 經(jīng)驗公式 ） 來近似獲得 8-9。20 1 2 3R L L LT T R R （ 1）式中 ， TR 為當?shù)氐慕茰囟?， TL 和 RL 為當?shù)貙嶋H溫度值和光照強度值 ， i 為加權(quán)系數(shù) ， i 的值采用線性回歸進行數(shù)據(jù)擬合 ， 根據(jù)實際情況進行階段性的調(diào)整 ， 其取值范圍為 0 1 之間 。3.1.3 全局變量預(yù)測模型全局變量共 46 個 ， 包括 21 個溫度值 ， 16 個濕度值 ， 2 個光照強度值 ， 6 個執(zhí)行器工作狀態(tài)值 ，1 個在線天氣預(yù)報提供的未來溫度值 ， 該模型 通過神經(jīng)網(wǎng)絡(luò)來 實現(xiàn) 。 全局變量預(yù)測模型輸入量分為 3部 分1） 各區(qū)域溫濕度及光照強度測量值 ， 由溫室內(nèi)部各傳感器采集 。2） 溫室外部天氣預(yù)測值 ， 由在線天氣預(yù)報 ，結(jié)合溫室外部環(huán)境變量 ， 提供預(yù)測值 。3） 執(zhí)行器的當前配置方案 （ 包括遮光 、 通風(fēng) 、加熱 、 灌溉等 ）， 即各執(zhí)行器工作狀態(tài) ， 作為全局變量預(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 ， 用來對溫室的內(nèi)部環(huán)境進行調(diào)節(jié) 。該模型的輸入分為 2 部分1） 作物生長模型中本階段的最佳環(huán)境值 （ 溫度 、 濕度 、 光照強度 ）， 即理想值 。 作物生長模型包括作物不同生長 階段所要求的最佳的溫度 、 濕度 、 光照等各條件的數(shù)值 。2） 全局預(yù)測模型的預(yù)測值 （ 溫度 、 濕度 、 光照強度 ）該模型有 6 輸入 量 ， 分別是作物當前生長階段最佳溫度 、 濕度 、 光照強度值和全局變量預(yù)測模型所預(yù)測的溫室中未來的溫度 、 濕度 、 光照強度值 。6 個 輸出 量 ， 分別是 6 個執(zhí)行機構(gòu)的控制信號 ， 該模型 的功能利用 PID 控制來實現(xiàn) 。3.3 神經(jīng)網(wǎng)絡(luò)模型及實驗結(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 、 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（ BackPropagation） 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單 ， 對樣本訓(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) ， 由輸入層 、隱含層 、 輸出層 3 部分組成的多層前饋網(wǎng)絡(luò) 。 當給定一個輸入時 ， 從輸入層到輸出層的傳遞是一個前向傳播過程 ， 如果實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 10， 結(jié)構(gòu)如圖 3 所示 。注 ： i、 j、 k 分別表示輸入層個數(shù) 、 隱層個數(shù) 、 輸出層個數(shù) ， Wij 為輸入層與隱層的連 接權(quán)值 ， Tjk 為隱層至輸出層的連接權(quán) 值 。圖 3 BP 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖Fig.3 Topology of BP neural network本研究中 ， 神經(jīng)網(wǎng)絡(luò)模型的作用在于推理出預(yù)測值 ， 即下一階段溫室中的溫度 、 濕度 、 光照強度值 ， 為控制模型實現(xiàn)對溫室中內(nèi)部環(huán)境變量的提前控制提供基礎(chǔ) ， 以實現(xiàn)提前調(diào)整 。 傳統(tǒng)控制方式中以當前實際環(huán)境變量為基礎(chǔ)實施控制 ， 這樣就帶來了大滯后和大慣性的問題 ， 而采用預(yù)測值為基礎(chǔ)進行調(diào)節(jié) ， 就有效的避免了這一問題 。在本研究的 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中 ， 采取 3 層結(jié)構(gòu) ， 即 1 個輸入層 、 1 個隱含 層和 1 個輸出層 11-18，其中輸入層神經(jīng)元個數(shù)為 46 個 ， 對應(yīng) 46 個全局變量 ； 輸出層神經(jīng)元個數(shù)為 3 個 ， 對應(yīng) 3 個預(yù)測值 （ 溫度 、 濕度 、 光照強度 ）； 隱含層由以下經(jīng)驗公式得到 ， 經(jīng)過四舍五入取整后共 25 個神經(jīng)元 。2i ohN NN （ 2）式中 ， Nh 為隱含層神經(jīng)元數(shù) ， Ni 為輸入層神經(jīng)元數(shù) ，No 為輸出層神經(jīng)元數(shù) 。若 Xi 輸入模式 ， Yk 為輸出模式向量 。 則隱層節(jié)點輸出為1mj i ijiO f X W （ 3）輸出層輸出為1nk j jkjY f O T （ 4）其中激勵函數(shù)為 (0, 1) 內(nèi)連續(xù)取值的 Sigmoid函數(shù) 19-23農(nóng)業(yè)工程學(xué)報 2013 年1801( )1 xf x e （ 5）誤差計算采用公式21 ( )2 i iE t O （ 6）式中 ， ti 表示第 i 個樣本的期望輸出值 ； Oi 表示第 i節(jié)點實際輸出值 。 初始權(quán)值采用隨機數(shù)生成 ， 范圍為 -0.5， 0.5， 權(quán)矩陣修正采用公式( 1) ( ) ( )EWij t Wij t Wij t （ 7）式中 ， 表示學(xué)習(xí)效率 ， 本研究取 0.62； 訓(xùn)練樣本選取 2010 年 11 月 18 日 2011 年 4 月 23 日 溫室內(nèi)部環(huán)境變量 。BP 神經(jīng)網(wǎng)絡(luò)在使用之前 ， 需要進行訓(xùn)練 ， 訓(xùn)練步驟如下1） 選取第 k 組樣本 ( , ), 1,2,.k kX Y k m ， 將 kX輸入網(wǎng)絡(luò) ；2） 利用隨機數(shù)生成器生成初始權(quán)值 ；3） 利用式 （ 6） 來計算誤差 ， 假如誤差結(jié)果( 0.001)E ， 退出4） 計算 kEW ；5） 計算1mkkEEW W ；6） 利用式 （ 7） 修正權(quán)值 ， 返回 1）。經(jīng)過訓(xùn)練后 ， 神經(jīng)網(wǎng)絡(luò)的權(quán)值已確定 ， 可以利用該網(wǎng)絡(luò)對未來一段時間內(nèi)溫室內(nèi)的環(huán)境變量進行預(yù)測 。3.3.2 試驗結(jié)果分析針對全局變量預(yù)測模型進行了相關(guān)試驗 （ 由于溫室沒有很好的補光設(shè)備 ， 所以沒有對光照補償進行控制 ， 只對溫濕度進行了控制 ）， 溫室中種植作物為番茄 ， 試驗方案設(shè)計如下 ：1） 選取 2012 年 1 月 16 日 07:00 2012 年 1 月17 日 06:00， 共 24 h 作為一個測試階段 ， 利用預(yù)測模型輸出的預(yù)測值為基礎(chǔ) ， 對溫室的環(huán)境實施控制 ， 得出控制結(jié)果 ；2） 選取 2012 年 2 月 26 日 2012 年 3 月 10 日共 2 周時間作為一個測試階段 ， 利用同樣的方法對溫室實施控制 ， 得出試驗結(jié)果 ；3） 分別對利用預(yù)測模型的控制方式和常規(guī) PID控制方式進行仿真對比 ， 比較 2 種方法的優(yōu)劣 。圖 4 所示為試驗日期內(nèi)溫度和濕度變化圖 。 此時番茄正好處于開花期 ， 白天最佳溫度范圍為 2025 ， 夜間最佳溫度范圍為 15 20 ， 最佳濕度范圍為 65% 85%。由圖 4 可以看出 ， 以預(yù)測模 型提供的預(yù)測值為基礎(chǔ)進行的溫室環(huán)境控制 ， 在 09:00 18:00 保證了溫室溫度處于 20 25 之間 ， 19:00 08:00 保證了溫室溫度處于 15 20 之間 ， 溫室濕度處于 65%85%之 間 。a. 溫度 變化a. Temperature changeb. 濕度變化b. Humidity change注 ： 試驗日期 2012-01-16 日 07:00 至次日 06:00。圖 4 開花期 24 小時內(nèi)濕度和濕度變化圖Fig.4 Humidity in 24 hours of blossom period圖 5 所示為 2 周內(nèi)白天平均氣溫值濕度平均值 。 由圖 5 可以看出 ， 在整個番茄開花期均可以保證溫室白天溫度處于 20 25 之間 ， 夜間溫度處于15 20 之間 ， 濕度處于 15 20 之間 。 不管是單日的控制 ， 還是階段性的控制 ， 控制系統(tǒng)都能夠保證 作物處于最佳生長環(huán)境狀態(tài)中 ， 說明了該方法的有效性 。a. 日平均溫度a. Daily average temperatureb. 日平均濕度b. Daily average humidity圖 5 開花期 2 周內(nèi)日平均溫度和日平均濕度變化圖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 全局變量預(yù)測模型的溫室環(huán)境控制方法 181利用 PID 控制和利用預(yù)測模型控制仿真對比情況 ， 見圖 6。 從結(jié)果可以看出 ， 采用預(yù)測模型的控制方法 ， 室內(nèi)溫度和濕度變化情況比常規(guī) PID 控制時的變化要平緩的多 ， 說明預(yù)測模型的方法有效的避免了整個控制系統(tǒng)的大慣性和大滯后性帶來的滯后和超調(diào) ， 系統(tǒng)平穩(wěn)性得到了大大加強 。a. 溫度b. 濕度注 ： 日期 2012-03-05。圖 6 2 種控制方法溫濕度變化對比圖Fig.6 Temperature and humidity change based on different ways of control methods4 結(jié) 論本文提出了一種基于全局變量預(yù)測模型的溫室環(huán)境控制方法 ， 并在其基礎(chǔ)上設(shè)計了基于神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的全局變量預(yù)測模型 ， 該模型引入了溫室內(nèi)外的溫度 、 濕度 、 光照 、 控制器狀態(tài) 、 作物生長狀態(tài)等全局變量 ， 并且對短期天氣的預(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 。 通過實驗數(shù)據(jù)及對比驗證證明了該控制模型的性能 ：利用該模型實現(xiàn)的溫室控制方法 ， 溫室內(nèi)的環(huán)境基本上能夠保證始終處于作物最佳的生長狀態(tài) ， 并且相對于常規(guī)的 PID 控制方案更穩(wěn)定 ， 避免了滯后和超調(diào) ， 有效的控制了溫室的內(nèi)部環(huán)境 。參 考 文 獻 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 J. 安徽農(nóng)業(yè)科學(xué) ， 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 馬萬征 ， 馬萬敏 . 智能溫室環(huán)境控制的研究現(xiàn)狀及發(fā)展趨勢 J. 北方園藝 ， 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 . 設(shè)施農(nóng)業(yè)現(xiàn)狀與發(fā)展 J. 農(nóng)業(yè)裝備技術(shù) ，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