CN103235620A - 基于全局变量预测模型的温室环境智能控制方法 - Google Patents

Abstract

本发明属于设施农业环境控制技术领域，可以对温室内温度、湿度、光照强度、CO₂浓度等环境因子进行智能控制。本发明设定了全局变量的概念，将温室内、外部环境参数，各控制器当前工作状态，及当地未来8小时天气预报作为系统的全部变量，称为全局变量；在此基础上提出了一种基于全局变量的温室环境预测模型，采用BP人工神经网络构建模型；利用该模型，结合模糊控制，发明了基于全局变量预测模型的温室环境控制方法：将所有全局变量作为输入值，对温室内部环境状态做出预测，控制器根据预测结果做出提前调整。本发明解决了传统温室环境控制中反应滞后、被动调节、控制器调节不协调等问题，减小了响应过程中的迟滞和振荡，提高了温室的控制质量。

Description

基于全局变量预测模型的温室环境智能控制方法

技术领域

本发明属设施农业环境控制技术领域，可以对温室内温度、湿度、光照强度、CO2浓度等环境因子进行智能控制。本发明适用于反应滞后、被动调节、多输入多输出、难以建立精确数学模型的温室环境控制系统。

背景技术

温室环境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。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，必须增加控制系统系统的智能水平，能够对整个系统实现全局化智能控制。

发明内容

本发明针对温室内部气候环境的特点，提出了一种新型的基于全局变量预测模型的环境控制方法，与传统控制方式中以当前实际环境变量为基础实施控制不同，对温室环境控制系统设定全局变量，并以温室环境控制全局变量作为输入，采用BP人工神经网络构建预测模型对温室内部环境未来状态作出预测，以预测值为基础，利用模糊控制对温室内部气候环境进行调节，避免传统温室控制系统反应滞后、被动调节、控制器调节不协调等问题，减小了响应过程中的迟滞和振荡，提高了温室的控制质量，具体结构如图1所示。

本发明主要包括以下3个方面

1. 温室环境控制全局变量设定方法：将温室内部环境的温度、湿度、光照强度、CO2浓度等环境参数，温室环境控制器当前所处工作状态，温室外部环境温度、湿度、光照强度、风速等气象数据，实时时间值，当地未来8小时天气预报作为整个温室环境控制系统的全部变量，定义为温室环境控制全局变量。

              2.基于全局变量的人工神经网络预测模型：全局变量预测模型输入量分为3部分：

（1）温室内部温度、湿度、光照强度、CO2浓度测量值，由温室内部各传感器采集；

（3）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（温度、湿度、光照强度、风速、风向），提供预测值；

3.预测模型和模糊控制相结合的温室环境智能控制方法：

利用温室环境预测模型，结合模糊控制算法，以温室环境的预测值为基础对温室的内部环境进行提前调节。模糊控制的工作原理是将被控量的设定值与t时刻的测量值进行比较，得到偏差e，并由此计算出偏差的变化率ec，通过模糊化，将这两个量变成模糊量E和EC。利用规则库中的模糊控制规则R进行模糊推理，得到模糊控制量U，最后将该模糊控制量去模糊化，变成精确量u，用于系统的被控对象，如此不断循环，实现对被控对象的模糊控制。

附图说明

图1温室环境智能控制系统结构图。

图2 BP人工神经网络预测模型拓扑结构图。

图3 模糊控制器结构图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步说明：

1. BP人工神经网络预测模型的实现：

BP人工神经网络预测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、CO2浓度，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，从而实现提前调整。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。

BP人工神经网络预测模型拓扑结构如图2所示，BP神经网络的结构采取3层结构，及1个输入层、1个隐含层和1个输出层，其中输入层神经元个数对应温室环境控制全局变量个数；输出层神经元个数为4个，对应4个预测值（温度、湿度、光照强度、CO2浓度）；隐含层由以下经验公式得到。

      （2）

上式中，

—隐含层神经元数，

—输入层神经元数，

—输出层神经元数。

BP神经网络拓扑结构如图2所示，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, Tj k为隐层至输出层的连接权值。若Xi 为输入模式, Yk 为输出模式向量，则隐层节点输出为:

  (3)

输出层输出为:

  (4)

其中激励函数为( 0, 1) 内连续取值的Sigmoid函数:

  （5）

误差计算采用公式:

（6）

其中, 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:

（7）

其中, 

表示学习效率。

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

，将

输入网络；

2）利用随机数生成器生成初始权值；

3）利用公式（6）计算误差，若误差

，退出；

4）计算

；

5)计算

；

6）利用公式（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。

 2.温室环境智能控制方法的实现：

利用温室环境预测模型，结合模糊控制算法，实现温室环境的智能控制。模糊控制器的结构如图3所示，推理过程如下：首先将输入和输出量转化为模糊集合，并定义他们各自的论域，并将其进行量化（模糊化），利用模糊控制规则，根据模糊推理算法进行推理，最后将模糊控制量去模糊化，转变为最终的控制量。

（1）精确量的模糊化：将输入变量所对应的语言变量分为5个档级，形成5个模糊子集，来反映其大小，其中有：NB =负大，NS =负小，ZO=零，PS =正小，PL =正大。根据公式（8）确定模糊论域：

2n + 1 = km （8）                                        

公式（8）中n为元素个数；m为分档数；k为常系数，取值为2或3。 

确定模糊论域为[-n，-(n-1)，-(n-2)，…，-2，-1,0,1,2，…,n-1,n]；

输入变量量化因子采用公式（9）量化

 KET = n/Zi （9）

公式（9）中，KET为量化因子，Zi=基本论域/2。

输入变量的精确数字量e 通过公式（10）计算得到模糊论域E中的一个与之对应的元素Ai。

Ai= KET × e   （10）                                                    

（2）确定隶属函数：采用三角形隶属函数；

（3）制定模糊控制规则：制定模糊控制规则的原则为系统输出响应的动静态特性达到最佳。也就是说当系统的输出偏差大时，需要以快速减少甚至消除偏差为目的选择控制量；当系统输出偏差较小时，控制量的选择则要以稳定系统为目标，同时注意超调现象的发生；

（4）模糊推理算法：Mamdani算法；

（5）去模糊化：采用重心法，表达式为公式（11）所示

         

（11）

公式（11）中，

为模糊变量的个数；

为模糊变量；

为对应模糊变量的隶属度。去模糊化后，取得精确量的输出。

Claims (3)

1.温室环境控制全局变量设定方法：其特征是将温室内部环境的温度、湿度、光照强度、CO₂浓度等环境参数，温室环境控制器当前所处工作状态，温室外部环境温度、湿度、光照强度、风速等气象数据，实时时间值，当地未来8小时天气预报作为整个温室环境控制系统的全部变量，定义为温室环境控制全局变量。

2.基于全局变量的温室环境预测模型：其特征在于利用BP人工神经网络构建预测模型，BP人工神经网络采用3层结构，包括1个输入层、1个隐含层和1个输出层；模型的输入量为温室环境控制全局变量，输出量为温室内部环境的未来状态的预测值，包括温度、湿度、光照强度和CO₂浓度2。

3.基于全局变量预测模型的温室环境控制方法：其特征在于利用温室环境预测模型，结合模糊控制算法，以温室环境的预测值为基础对控制器进行提前调整；模糊子集分为5个，即{负大、负小、零、正小、正大}，隶属函数采用三角形隶属函数，模糊控制规则的原则为系统输出响应的动静态特性达到最佳，模糊控制模型采用 Mamdani 算法，采用重心法进行清晰化。

Images