CN104121998A - 一种日光温室环境智能监控系统中的温度预警方法 - Google Patents

Abstract

本发明涉及一种日光温室环境智能监控系统中的温度预警方法，相对于传统方案添加了日光温室内温度预测功能，将预测结果通知生产管理者，使得生产管理着可以提早采取改善温度措施，减少低温对作物造成的损害。并且通过将当前日光温室内的温度或气象数据，与1-6小时后的预测温度或气象数据相结合，得出最精确、科学的预警状态。所述方法简单易懂，具有良好的可通用性、扩展性，可广泛应用于设施农业中的日光温室当中。

Description

一种日光温室环境智能监控系统中的温度预警方法

技术领域

本发明涉及日光温室环境的智能监控技术，尤其涉及一种日光温室环境智能监控系统中的温度预警方法。

背景技术

日光温室温度预警是指在温室种植过程中，及时对影响植物生长的温度因子进行预期性的评价，提前避免极端温度的出现，如果出现了极端温度则采取相应的补救措施，最大限度的降低过高温度或者过低温度对植物造成的损害。目前我国的温室种植过程中还缺少相应的预警系统，仅单纯的凭借人工经验进行管理，这种管理方式存在误差大、时效性差等缺点，往往不能及时采取补救措施而对温室作物的生长造成损害。而目前领域也有将一般的报警系统运用到日光温室当中，但是由于报警系统仅仅能获取当前的环境数据，而忽略了日光温室内的动态环境因素，仅根据得到的当前环境数据进行报警的话很多时候会出现误报或者错报的情况。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题就是如何提供一种温度预警方法，使其参考当前温度环境以及动态的环境因素，进行准确的预警。

(二)技术方案

为了解决上述技术问题，本发明提供了一种日光温室环境智能监控系统中的温度预警方法，其特征在于，包括以下步骤：

步骤一：信息感知模块，通过传感器采集并记录日光温室内温室温度或气象数据，将采集到的数据通过信息传输模块上传到应用模块，得到温室温度当前状态；

步骤二：应用模块根据步骤一记录的数据，通过智能控制模块对1-6小时后的温室温度值进行预测，并记录下预测状态，包括预测时间和预测值；

步骤三：参照制定的预警规则进行判断，如果符合其中的报警级别，则按照预警方式库中的报警方式启动报警，并将报警结果存储于数据库中；

如果不符合其中的报警级别，则并返回步骤一；

其中预警规则的参数包括警级、温室温度当前状态、温室温度1-6小时后预测状态。

优选地，所述步骤三中报警级别包括无警、轻警、中警、重警；

温室温度当前状态、温室温度1-6小时后预测状态包括最佳、一般、差、恶劣四个等级；

当温室温度值范围在10-25度时，温度状态为最佳状态；

当温室温度值范围在8-10或25-30度时，温度状态为一般状态；

当温室温度值范围在0-8或30-35度时，温度状态为差；

当温室温度值范围在0度以下或35度以上时，温度状态为恶劣；

其中无警对应的温室温度状态为：温室温度当前状态为最佳；温室温度当前状态为一般，且温室温度1-6小时后预测状态为最佳；

轻警对应的温室温度状态为：温室温度当前状态为一般，且温室温度1-6小时后预测状态为一般；温室温度当前状态为差，且温室温度1-6小时后预测状态为最佳；

中警对应的温室温度状态为：温室温度当前状态为一般，且温室温度1-6小时后预测状态为差；温室温度当前状态为差，且温室温度1-6小时后预测状态为最佳；温室温度当前状态为差，且温室温度1-6小时后预测状态为一般；温室温度当前状态为恶劣，室温度1-6小时后预测状态为最佳或一般；

重对应的温室温度状态为：温室温度当前状态为一般，且温室温度1-6小时后预测状态为恶劣；温室温度当前状态为差，且温室温度1-6小时后预测状态为差或恶劣；温室温度当前状态为恶劣，且温室温度1-6小时后预测状态为差或恶劣。

优选地，所述步骤二中采用一种支持向量机的算法对温室内的温度进行提前1-6小时的预测，包括以下步骤：

S1.采集预定时间段内的温室的环境数据；

S2.对获得的环境数据进行归一化处理，得到样本集；

S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ²及N个惩罚系数λ，N为正整数，所述σ²和λ为所述LS_SVM的初始参数；

S4.从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到训练后的LS_SVM；

S5.将粒子群算法PSO的粒子群初始化为由所述σ²和λ构成的二维坐标点；

S6.利用所述PSO对所述σ²及λ进行优化，得到优化参数σ²及λ；

S7.从样本集中选择测试样本集，对所述优化参数的LS_SVM进行测试，得到最优化的LS_SVM；

S8.在线实时采集温室内和温室外的环境数据，将所述数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

优选地，所述步骤三中报警方式包括短信、网页、语音方式。

(三)有益效果

本发明的一种日光温室环境智能监控系统中的温度预警方法，相对于传统方案添加了日光温室内温度预测功能，将预测结果通知生产管理者，使得生产管理着可以提早采取改善温度措施，减少低温对作物造成的损害。并且通过将当前日光温室内的温度或气象数据，与1-6小时后的预测温度或气象数据相结合，得出最精确、科学的报警状态。所述方法简单易懂，具有良好的可通用性、扩展性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1：本发明提供的一种基于组态软件的日光温室智能监控系统的系统结构示意图；

图2：本发明提供的一种日光温室环境智能监控系统中的温度预警方法的流程示意图；

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

本实施例提供的一种基于组态软件的日光温室智能监控系统，其结构如图1所示，包括信息感知模块，用于获取日光温室内空气温度、湿度，土壤温度、湿度，光照强度和二氧化碳浓度等环境参数及通过控制器实现对温室的智能控制；信息传输模块，用于传输采集到的温室内的环境信息和控制信息；应用模块，对温室环境信息进行综合处理和采取智能控制措施。

其中，控制器包括发送控制器和执行控制器。

其中，信息传输模块，采用GPRS无线网络发送温室环境信息到应用模块和接收应用平台下发的控制信息。

其中，应用模块是采用力控组态软件进行二次开发，具有智能控制功能的日光温室环境监控系统。

其中，日光温室环境监控系统提供日光温室内环境参数实时监控、设备控制、数据查询、历史数据下载、报警和短信服务功能。

其中，设备控制功能包括自动监控和手动监控。自动监控是指通过将实时监测的值进行预测，通过设置参数实现开关的自动关闭。手动控制是指人为的有选择的进行控制。该部分主要包括了风扇控制，灌溉控制，帘幕控制，风口控制四部分。

本实施例提供的一种日光温室环境智能监控系统中的温度预警方法，具体的流程如图2所示，包括以下步骤：

步骤一：信息感知模块，通过传感器采集并记录日光温室内温室温度或气象数据，将采集到的数据通过信息传输模块上传到应用模块，得到温室温度当前状态；

步骤二：应用模块根据步骤一记录的数据，通过智能控制模块对1-6小时后的温室温度值进行预测，并记录下预测状态，包括预测时间和预测值；

其中，智能控制功能采用支持向量机的算法对温室内的温度进行提前6小时的预测，直接显示在PC上并通过手机短信将预测值发送给用户。

步骤三：参照制定的预警规则进行判断，如果符合其中的报警级别，则按照预警方式库中的报警方式启动报警，并将报警结果存储于数据库中；

如果不符合其中的报警级别，则并返回步骤一；

所述步骤二中采用一种支持向量机的算法对温室内的温度进行提前1-6小时的预测，包括以下步骤：

S1.采集预定时间段内的温室的环境数据；

S2.对获得的环境数据进行归一化处理，得到样本集；

S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ²及N个惩罚系数λ，N为正整数，所述σ²和λ为所述LS_SVM的初始参数；

S4.从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到训练后的LS_SVM；

S5.将粒子群算法PSO的粒子群初始化为由所述σ²和λ构成的二维坐标点；

S6.利用所述PSO对所述σ²及λ进行优化，得到优化参数σ²及λ；

S7.从样本集中选择测试样本集，对所述优化参数的LS_SVM进行测试，得到最优化的LS_SVM；

S8.在线实时采集温室内和温室外的环境数据，将所述数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

本实施例中，步骤S2中，所述归一化处理的公式为：

$g\left(v_i\right)=\frac{(v_i-v_{\min })}{(v_{\max }-v_{\min })}(i=\mathrm{1,2},...,n)$

其中，v_i为采集的第i种环境数据，v_min为所述v_i中的最小值，v_max为所述v_i中的最大值，n为所述环境数据的种类数，g(v_i)为v_i归一化处理后得到的数据。

步骤S4中，所述从样本集中选择训练样本包括：随机选择样本集中80％的数据为训练样本，构成训练样本集。

在步骤S1中，所述最小二乘支持向量机回归模型LS_SVM为：

$T\left(x\right)=b+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i\×\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{2{\mathrm{\σ}}^2}))$

其中，x为所述训练样本集中任意一个样本向量，所述样本向量为{v₁，v₂，…，v_i，…，v_n}，T(x)为x的温度预测值，α_i为拉格朗日乘子，0<α_i<λ，参数b是α_i的偏差值；

为所述LS_SVM的径向基核函数；其中，c_i为径向基核函数的中心。

所述步骤S4包括：从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到LS_SVM的参数α_i、b以及c_i。

所述步骤S5包括：

每个(λ，σ²)坐标点都是粒子群中的一个粒子，所有粒子构成初始粒子群g，所述g中的粒子个数为N²；

所述g中的第i个粒子的位置为P_i，速度为V_i，所述P_i＝(P_i1，P_i2)，i＝1,2,…,N²；V_i＝(V_i1，V_i2)，i＝1,2,…,N²。

所述步骤S6包括：

S61、计算所述粒子群中所有粒子的适度值，所述适度值的计算公式如下：

$f\left(P_i\left(k\right)\right)=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{[x_j-T\left(x_j\right)]}^2}$

其中，x_j为训练样本集中的第j个样本向量，T(x_j)为所述x_j的温度预测值，M为训练样本集中样本向量的个数，P_i(k)为第i个粒子第k次迭代的位置，k为正整数，i＝1,2,…,N²；

S62、计算前k次迭代的粒子群中第i个粒子的最优位置pb_i(k)，i＝1,2,…,M，以及第k次迭代的粒子群的最优位置gb(k)；所述pb_i(k)满足 $f\left(p{b}_i\left(k\right)\right)=\underset{k}{\min }f\left(P_i\left(k\right)\right),$ 所述gb(k)满足 $f\left(\mathrm{gb}\left(k\right)\right)=\underset{i}{\min }f\left({\mathrm{pb}}_i\left(k\right)\right);$

S63、计算变异概率P_m，所述P_m的计算公式如下：

$p_m=\left\{\begin{array}{cc}\mathrm{\&beta;}& s^2<\mathrm{\&mu;},|f\left(\mathrm{gb}\left(k\right)\right)-f_m|>\mathrm{\&delta;}\\ 0& \mathrm{other}\end{array}\right.$

其中，β为常数，且β∈(0,1)，δ为收敛精度，f_m为理论最优值，μ为常数，且μ∈[0，0.0001]，所述s²为粒子群的群体适应度方差，所述s²的计算公式如下：

$s^2=\frac{1}{N^2}\underset{i=1}{\overset{N^2}{\mathrm{\&Sigma;}}}{\left(\frac{f_i-V_{\mathrm{avg}}}{f}\right)}^2$

其中，N²为粒子群中粒子的个数，f_i为第i个粒子的适度值；V_avg为粒子群中粒子的平均速度，f为归一化因子，所述f的取值为： $f=\max \{1,\underset{i}{\max }[|f_i-V_{\mathrm{avg}}|\left]\right\}i=\mathrm{1,2},...,N^2;$

对粒子群中的每个粒子，在概率分布满足[0,1]区间均匀分布的随机变量中随机产生一个常数r，r∈[0，1]；

判断所述r<P_m是否成立，若成立，则对第i个粒子的最优位置pb_i(k)进行变异：

在概率分布满足正态分布N[0,1]的随机变量中随机产生一个常数t；

pb_i(k)＝pb_i(k)×(1+t)。

S64、更新每个粒子的速度及位置：

V_i(k+1)＝wV_i(k)+c₁R₁(pb_i(k)-x_i(k))+c₂R₂(gb(k)-x_i(k))；

P_i(k+1)＝P_i(k)+V_i(k+1)；

其中，V_i(k)表示第k次迭代的第i个粒子的速度，i＝1,2,…,N²；

w为惯性权重，0.5<w<0.9；

c₁，c₂为学习因子，c₁，c₂均为正常数；

R₁，R₂为介于[0，1]区间的随机数。

S65、计算训练样本集的均方根误差RMSE，判断RMSE<0.01是否成立，若成立，则停止迭代，gb(k)所对应粒子的λ和σ²作为LS_SVM的优化参数；否则，当前k的值加1作为新的k，执行步骤S61。

在步骤S7中，所述测试样本为样本集中不是训练样本的样本，所述测试样本的集合构成测试样本集。

其中预警规则的参数包括报警级别、温室温度当前状态、温室温度1-6小时后预测状态。

其中报警级别包括无警、轻警、中警、重警，如表1所示：

表1

由于温室温度预测存在误差，且温室温度传感器的检测数据受到环境及设备本身稳定性的影响会出现波动或误差，使得预警系统可能产生误报。为了提高预警的准确性，降低误报的次数，本系统拟采用基于预警规则的温室温度预警。

预警规则的制定需要考虑温室植物对温室温度的需求，论文将温室植物温室温度指标的适宜上下限和生存上下限作为划分温室温度指标区间的界限值，将温室温度值划分为不同的区间，本实施例以北方日光温室冬季种植最普遍的圣女果为例，根据该植物的生长环境需求将温室内温度的变化区间划分为了最佳、一般、差、恶劣四个等级，得到温室温度指标区间，如表2所示。该温室温度指标区间为预警规则的制定奠定了基础。

表2

将报警级别与温室温度指标区间结合起来制定出合理的预警规则，如表3所示：

表3

本实施例中采用最小二成支持向量机算法对温室内的温度进行预测，其中支持向量机算法是基于统计学习理论的一种新型机器学习算法，不仅能够克服传统预警方法存在的问题，并且具有较强的鲁棒性和泛化能力，尤其在分类评价方面性能较好。

本实施例的一种日光温室环境智能监控系统中的温度预警方法，在温度预测值的基础上采用的是基于预警规则的预警模型，可方便快捷实现预警。

以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种日光温室环境智能监控系统中的温度预警方法，其特征在于，包括以下步骤：

步骤一：信息感知模块，通过传感器采集并记录日光温室内温室温度或气象数据，将采集到的数据通过信息传输模块上传到应用模块，得到温室温度当前状态；

步骤二：应用模块根据步骤一记录的数据，通过智能控制模块对1-6小时后的温室温度值进行预测，并记录下预测状态，包括预测时间和预测值；

步骤三：参照制定的预警规则进行判断，如果符合其中的报警级别，则按照预警方式库中的报警方式启动报警，并将报警结果存储于数据库中；

如果不符合其中的报警级别，则并返回步骤一；

其中预警规则的参数包括警级、温室温度当前状态、温室温度1-6小时后预测状态。

2.根据权利要求1所述的方法，其特征在于，所述步骤三中报警级别包括无警、轻警、中警、重警；

温室温度当前状态、温室温度1-6小时后预测状态包括最佳、一般、差、恶劣四个等级；

当温室温度值范围在10-25度时，温度状态为最佳状态；

当温室温度值范围在8-10或25-30度时，温度状态为一般状态；

当温室温度值范围在0-8或30-35度时，温度状态为差；

当温室温度值范围在0度以下或35度以上时，温度状态为恶劣；

其中无警对应的温室温度状态为：温室温度当前状态为最佳；温室温度当前状态为一般，且温室温度1-6小时后预测状态为最佳；

轻警对应的温室温度状态为：温室温度当前状态为一般，且温室温度1-6小时后预测状态为一般；温室温度当前状态为差，且温室温度1-6小时后预测状态为最佳；

中警对应的温室温度状态为：温室温度当前状态为一般，且温室温度1-6小时后预测状态为差；温室温度当前状态为差，且温室温度1-6小时后预测状态为最佳；温室温度当前状态为差，且温室温度1-6小时后预测状态为一般；温室温度当前状态为恶劣，室温度1-6小时后预测状态为最佳或一般；

重对应的温室温度状态为：温室温度当前状态为一般，且温室温度1-6小时后预测状态为恶劣；温室温度当前状态为差，且温室温度1-6小时后预测状态为差或恶劣；温室温度当前状态为恶劣，且温室温度1-6小时后预测状态为差或恶劣。

3.根据权利要求1所述的方法，其特征在于，所述步骤二中采用一种支持向量机的算法对温室内的温度进行提前1-6小时的预测，包括以下步骤：

S1.采集预定时间段内的温室的环境数据；

S2.对获得的环境数据进行归一化处理，得到样本集；

S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ²及N个惩罚系数λ，N为正整数，所述σ²和λ为所述LS_SVM的初始参数；

S4.从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到训练后的LS_SVM；

S5.将粒子群算法PSO的粒子群初始化为由所述σ²和λ构成的二维坐标点；

S6.利用所述PSO对所述σ²及λ进行优化，得到优化参数σ²及λ；

S7.从样本集中选择测试样本集，对所述优化参数的LS_SVM进行测试，得到最优化的LS_SVM；

S8.在线实时采集温室内和温室外的环境数据，将所述数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

4.根据权利要求1所述的方法，其特征在于，所述步骤三中报警方式包括短信、网页、语音方式。