CN106292802A - 一种用于鱼菜共生系统的智能预测控制系统及方法 - Google Patents

Abstract

本发明提供了一种用于鱼菜共生系统的智能预测控制系统及方法，系统中的采集模块获取鱼菜共生系统的环境数据，预测控制模块对未来的一个时间段内鱼池水中的溶解氧含量进行预测，并根据预测结果生成控制命令，循环模块对鱼菜共生系统进行实时控制，并根据控制命令进行增氧。方法在对系统进行循环控制的同时获取环境数据，对环境数据进行标准化预处理，基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型，得到未来一个时间段内鱼池水中溶解氧含量的预测结果控制鱼菜共生系统。本发明实现了对鱼菜共生系统的预测与控制的同步进行，实现了按需增氧，提高了增氧的准确性和及时性，使得鱼菜共生系统能够精确且稳定的运行。

Description

一种用于鱼菜共生系统的智能预测控制系统及方法

技术领域

本发明涉及鱼菜共生系统的控制技术领域，具体涉及一种用于鱼菜共生系统的智能预测控制系统及方法。

背景技术

鱼菜共生系统是一种新型的复合耕作体系，它把循环水产养殖与水耕栽培通过巧妙的生态设计，达到科学的协同共生，从而实现养鱼不换水而无水质忧患，种菜不施肥而正常成长的生态共生效应。系统中动物、植物、微生物三者之间达到一种和谐互补的生态平衡关系，是一种有显著节约和高效利用资源能源空间、循环可持续、环境友好等特点的低碳生产模式；而对鱼菜共生系统进行控制，是保证系统的生态平衡关系的重要举措。

目前，对鱼菜共生系统进行控制的方法单一，且现有的手段在鱼菜共生系统中溶解氧含量过低时再增氧，滞后控制使得鱼类因缺氧而大面积死亡，同时也带来了巨大的经济损失。

发明内容

针对现有技术中的缺陷，本发明提供一种用于鱼菜共生系统的智能预测控制系统及方法，实现了对鱼菜共生系统的预测与控制的同步进行，实现了按需增氧，提高了增氧的准确性和及时性，使得鱼菜共生系统能够精确且稳定的运行。

为解决上述技术问题，本发明提供以下技术方案：

一方面，本发明提供了一种用于鱼菜共生系统的智能预测控制系统，所述控制系统包括采集模块、预测控制模块及循环模块；

所述采集模块用于获取一个时间段内的鱼菜共生系统的环境数据，并将所述环境数据发送至所述预测控制模块，其中，所述环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据；

所述预测控制模块根据所述采集模块发送的环境数据对未来的一个时间段内鱼池水中的溶解氧含量进行预测，以及根据预测结果生成控制命令，并将所述控制命令发送至循环模块；

所述循环模块对所述鱼菜共生系统中的空气环境和水环境进行实时循环控制，以及根据接收到的所述控制命令，控制所述鱼菜共生系统中的溶解氧含量，使得鱼池水中的溶解氧含量在所述未来的一个时间段内保持在标准范围内。

进一步的，所述采集模块包括种植采集单元、蓄水采集单元及鱼池采集单元；

所述种植采集单元设置在所述鱼菜共生系统中的无土栽培区，采集一个时间段内的无土栽培区的温度、湿度、二氧化碳、气压及光照数据，其中，所述无土栽培区设置在温室内的采光区中；

所述蓄水采集单元设置在所述鱼菜共生系统中的蓄水调节池上，采集一个时间段内的蓄水调节池的水温、溶解氧及PH值数据，其中，所述蓄水调节池在所述温室内连接无土栽培区与鱼池；

所述鱼池采集单元设置所述鱼菜共生系统中的所述鱼池上，用于采集一个时间段内的鱼池的水位及溶解氧数据，其中，所述鱼池设置在温室内的背光区中，且所述鱼池与温室中的集水池、微滤机、生化池及脱气池依次连接，所述脱气池分别与所述无土栽培区及蓄水调节池连接；

所述种植采集单元、蓄水采集单元及鱼池采集单元均将实时获取的环境数据发送至所述预测控制模块。

进一步的，所述预测控制模块包括控制主机、数据存储单元及控制命令发出单元；

所述控制主机与采集模块通信连接，将所述环境数据存储在所述数据存储单元中；

所述控制主机根据所述采集模块发送的环境数据计算得到模糊神经网络溶解氧预测控制模型，并将当前溶解氧含量的实时数值输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；

所述控制主机根据所述预测结果生成控制命令，通过所述控制命令发出单元向所述循环模块发出开启或关闭的控制命令。

进一步的，所述循环模块包括空气循环单元、水循环单元及增氧单元；

所述空气循环单元设置在所述无土栽培区及所述温室中靠近无土栽培区的一侧，且对所述鱼菜共生系统中的空气进行循环控制；

所述水循环单元分布在所述鱼菜共生系统中的蓄水调节池、鱼池、集水池、微滤机、生化池及脱气池上，且对所述鱼菜共生系统中的水环境进行循环控制；

所述增氧单元设置在所述鱼菜共生系统中的蓄水调节池，所述增氧单元根据所述预测控制模块发出的控制命令，控制所述鱼菜共生系统中增氧机的开启和关闭，使得鱼池水中的溶解氧含量在未来的一个时间段内保持在标准范围内。另一方面，本发明还提供一种用于鱼菜共生系统的智能预测控制方法，所述方法包括：

步骤1.对所述鱼菜共生系统中的水与空气进行循环控制，以及获取并存储一个时间段内的鱼菜共生系统的环境数据，其中，所述环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据；

步骤2.用归一化方法对所述环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集；

步骤3.根据训练数据集，基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型；

步骤4.将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；

步骤5.根据所述预测结果对所述鱼菜共生系统进行溶解氧含量控制，使得鱼池水中的溶解氧含量在所述未来的一个时间段内在溶解氧含量的标准范围内。

进一步的，所述步骤3包括：

步骤3-1.建立模糊神经网络溶解氧预测控制模型；

步骤3-2.根据所述模糊神经网络溶解氧预测控制模型，确定最优控制增率，对所述模糊神经网络溶解氧预测控制模型进行滚到优化；

步骤3-3.对所述溶解氧预测控制模型进行反馈校正。

进一步的，所述步骤3-1包括：

根据溶解氧预测控制系统的阶跃响应动态系数，获取溶解氧预测模型的阶跃响应系数矩阵；

根据过去控制量所产生的输出及当前控制输入作用下的输出响应，确定所述溶解氧预测模型；

根据所述溶解氧预测模型中某一时刻的无控制增量、有一个单独的增量或有多个连续的控制增量的情况下的未来时刻的输出值，获得未来某一时刻的所述模糊神经网络溶解氧预测控制模型。

进一步的，所述步骤3-2包括：

将性能指标代入所述模糊神经网络溶解氧预测控制模型；

对代入性能指标后的模糊神经网络溶解氧预测控制模型进行求导，获得增氧机的最优控制增率；

根据所述最优控制增率，对所述模糊神经网络溶解氧预测控制模型进行滚动优化。

进一步的，所述步骤3-3包括：

根据所述模糊神经网络溶解氧预测控制模型获取未来某时刻的溶解氧预测含量值；

检测当前实际的溶解氧含量值，并比较所述溶解氧含量值与溶解氧预测含量值，得到输出误差；

对输出误差采用对误差加权的方式，修正所述模糊神经网络溶解氧预测控制模型的预测结果。

进一步的，所述步骤4包括：

归一化处理鱼菜共生系统当前溶解氧含量的实时数据；

将归一化处理后的数据输入所述模糊神经网络溶解氧预测控制模型；

计算得到所述模糊神经网络溶解氧预测控制模型的输出，即得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果。

由上述技术方案可知，本发明所述的一种用于鱼菜共生系统的智能预测控制系统及方法，实现了对鱼菜共生系统进行实时且准确的控制，并在控制的同时对鱼菜共生系统中水池的溶解氧含量进行准确预测，实现了按需增氧，提高了增氧的准确性和及时性，使得鱼菜共生系统能够精确且稳定的运行。

1、本发明的技术方案，系统通过采集模块、预测控制模块及循环模块的设置，形成了一种对鱼菜共生系统的完整的控制及预测体系，在对鱼菜共生系统中水环境及空气环境进行实时循环控制的同时，提前对未来时段的溶解氧含氧量进行预测，若预测结果为需要增氧，即增加溶解氧含氧，保证了鱼菜共生环境中的溶解氧浓度满足鱼类生长的需要，达到稳产、增产和降本的目的。

2、本发明的技术方案，系统通过采集模块包括种植采集单元、蓄水采集单元及鱼池采集单元的设置，实现了对鱼菜共生系统进行的分区且全面的数据采集，使得采集结果准确、全面且可靠，为后续对溶解氧含量预测提供了准确的数据基础，进而保证了后续对溶解氧含量预测的准确性。

3、本发明的技术方案，系统通过预测控制模块包括控制主机、数据存储单元及控制命令发出单元的设置，实现了对环境数据的及时保存、根据环境数据进行智能预测、及将预测结果及时发送至循环模块，使得预测过程准确且高效，提高了增氧的准确性和及时性。

4、本发明的技术方案，通过循环模块包括空气循环单元及水循环单元的设置，实现了对鱼菜共生系统全面且有效的循环控制，并根据控制命令及时进行增氧操作，保证了鱼菜共生环境中的溶解氧浓度满足鱼类生长的需要。

5、本发明的技术方案中，通过用归一化方法对所述环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集，根据训练数据集，基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型，将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的准确的溶解氧含量的预测结果，保证了预测的准确性，进而提高了对鱼菜共生系统后续控制的准确性。

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是本发明的一种用于鱼菜共生系统的智能预测控制系统示意图；

图2是本发明的智能预测控制系统中的采集模块10的一种结构示意图；

图3是本发明的智能预测控制系统中的预测控制模块20的一种结构示意图；

图4是本发明的智能预测控制系统中的循环模块30的一种结构示意图；

图5是本发明的智能预测控制系统的具体应用例中的控制框架图；

图6是本发明的智能预测控制系统的具体应用例中的鱼菜共生系统及其中的预测控制系统中的部分设备的结构示意图；

图7是本发明的一种用于鱼菜共生系统的智能预测控制方法的流程示意图；

图8是本发明的具体应用例中的模糊神经网络结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

鱼菜共生系统中鱼类的养殖存在密度高、风险大等特点，溶解氧增氧过程中存在滞后现象，需要提前进行预测，否则，氧含量过低时再增氧，鱼类会因缺氧而大面积死亡；同时，边预测边控制，实现按需增氧，避免能源浪费。

因此，通过对水质溶解氧精准预测及做出相应的控制，可以有效减少因增氧滞后带来的经济损失。鱼菜共生系统是一种温室小气候环境，鱼类的养殖存在密度高、风险大等特点，同时溶解氧等环境参数变化具有非线性、不稳定性、大时滞和时变性等特性，需要对溶解氧等参数进行实时监测。

由于溶解氧等环境参数相互间存在着强耦合，相互干扰，同时其变化存在着较大滞后，因此必须采取先进的预测方法和智能控制技术来解决溶解氧增氧过程中存在滞后现象，同时，通过边预测边控制，实现按需增氧，保证鱼菜共生环境溶解氧浓度满足鱼类生长的需要，达到稳产、增产和降本的目的。水质溶解氧指的是水中氧气的溶解量，溶解量是水中生物在水中生存的重要指标之一。其含量受水温、大气压力、海水的盐度、养殖密度、光合作用、有机物分解作用和无机物氧化作用等影响。

本发明的实施例一提供了一种用于鱼菜共生系统的智能预测控制系统。参见图1，该智能预测控制系统包括采集模块10、预测控制模块20及循环模块30，具体包括如下内容：

采集模块10用于获取一个时间段内的鱼菜共生系统的环境数据，并将环境数据发送至预测控制模块20。

在上述描述中，环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据；采集模块10在循环模块30实时控制鱼菜共生系统的同时，采集一个时间段内的鱼菜共生系统中的空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据等，采集的时长根据实际需要确定，然后将采集模块10采集到的环境数据发送到预测控制模块20。

预测控制模块20根据采集模块10发送的环境数据对未来的一个时间段内鱼池水中的溶解氧含量进行预测，以及根据预测结果生成控制命令，并将控制命令发送至循环模块30。

在上述描述中，预测控制模块20存储采集模块10发送的环境数据，并根据环境数据计算得到模糊神经网络溶解氧预测控制模型，并将当前溶解氧含量的实时数值输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；然后将预测结果制作成控制命令，并将控制命令发送至循环模块30。

循环模块30对鱼菜共生系统中的空气环境和水环境进行实时循环控制，以及根据接收到的控制命令，控制鱼菜共生系统中的溶解氧含量，使得鱼池水中的溶解氧含量在未来的一个时间段内保持在标准范围内。

在上述描述中，循环模块30鱼菜共生系统中的空气环境和水环境进行实时且稳定的循环控制，在这个过程中，如果收到预测控制模块20发来的控制命令，则根据控制命令增加鱼菜共生系统中的溶解氧含量，使得鱼池水中的溶解氧含量在所述未来的一个时间段内在溶解氧含量的标准范围内。

从上述描述可知，通过采集模块、预测控制模块及循环模块的设置，形成了一种对鱼菜共生系统的完整的控制及预测体系，在对鱼菜共生系统中水及空气进行实时循环控制的同时，提前对未来时段的溶解氧含氧量进行预测，若预测结果为需要增氧，即增加溶解氧含氧，保证了鱼菜共生环境中的溶解氧浓度满足鱼类生长的需要，达到稳产、增产和降本的目的。

本发明的实施例二提供了上述采集模块10的一种具体实现方式。参见图2，采集模块10中具体包括如下内容：

种植采集单元11、蓄水采集单元12及鱼池采集单元13；

种植采集单元11设置在鱼菜共生系统中的无土栽培区，采集一个时间段内的无土栽培区的温度、湿度、二氧化碳、气压及光照数据，并将采集到的环境数据发送至控制单元20。

上述单元中，无土栽培区设置在温室内的采光区中，

蓄水采集单元12设置在鱼菜共生系统中的蓄水调节池上，采集一个时间段内的蓄水调节池的水温、溶解氧及PH值数据，并将采集到的环境数据发送至控制单元20。

上述单元中，蓄水调节池在温室内连接无土栽培区与鱼池。

鱼池采集单元13设置鱼菜共生系统中的鱼池上，用于采集一个时间段内的鱼池的水位及溶解氧数据，并将采集到的环境数据发送至控制单元20。

上述单元中，鱼池设置在温室内的背光区中，且鱼池与温室中的集水池、微滤机、生化池及脱气池依次连接，脱气池分别与无土栽培区及蓄水调节池连接。

从上述描述可知，通过采集模块包括种植采集单元、蓄水采集单元及鱼池采集单元的设置，实现了对鱼菜共生系统进行的分区且全面的数据采集，使得采集结果准确、全面且可靠，为后续对溶解氧含量预测提供了准确的数据基础，进而保证了后续对溶解氧含量预测的准确性。

本发明的实施例三提供了上述预测控制模块20的一种具体实现方式。参见图3，预测控制模块20中具体包括如下内容：

控制主机21、数据存储单元22及控制命令发出单元23。

控制主机21与信号采集模块10通信连接，将环境数据存储在数据存储单元22中；

控制主机21根据信号采集模块10发送的环境数据计算得到模糊神经网络溶解氧预测控制模型，并将当前溶解氧含量的实时数值输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；

控制主机21根据预测结果生成控制命令，通过控制命令发出单元23向循环模块30发出开启或关闭的控制命令。

从上述描述可知，通过预测控制模块包括控制主机、数据存储单元及控制命令发出单元的设置，实现了对环境数据的及时保存、根据环境数据进行智能预测、及将预测结果及时发送至循环模块，使得预测过程准确且高效，提高了增氧的准确性和及时性。

本发明的实施例四提供了上述循环模块30的一种具体实现方式。参见图4，循环模块30中具体包括如下内容：

空气循环单元31、水循环单元32及增氧单元33；

空气循环单元31设置在无土栽培区及温室中靠近无土栽培区的一侧，且对鱼菜共生系统中的空气进行循环控制；

水循环单元32分布在鱼菜共生系统中的蓄水调节池、鱼池、集水池、微滤机、生化池及脱气池上，且对鱼菜共生系统中的水环境进行循环控制；

增氧单元33设置在鱼菜共生系统中的蓄水调节池，增氧单元33根据预测控制模块20中的控制命令发出单元23发出的控制命令，控制鱼菜共生系统中空气循环，使得鱼池水中的溶解氧含量增加，并在未来的一个时间段内保持在标准范围内。

从上述描述可知，通过循环模块包括空气循环单元及水循环单元的设置，实现了对鱼菜共生系统全面且有效的循环控制，并根据控制命令及时进行增氧操作，保证了鱼菜共生环境中的溶解氧浓度满足鱼类生长的需要。

为更进一步的说明本方案，本发明的实施例五提供了上述智能控制系统的一种具体实例。参见图5和6，智能控制系统的实例中具体包括如下内容：

鱼菜共生种系统及智能控制系统共同由无土栽培区、养殖鱼池、智能传感器、信号采集器、串行通信接口、PC主机、控制器、执行器组成；其中，信号采集器为前述采集模块10的具体实例，PC主机为前述控制主机21的一种实例，控制器和执行器为上述循环模块30的一种实例。

其中，无土栽培区建于温室内墙体一侧的采光区域，鱼池挖建于温室内墙体一侧的背光区域。

智能传感器检测温室和鱼池环境的实时数据，分别设置于相应位置，信号采集器用于采集温室和鱼池环境中各参数数据；检测空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据，具体设备分别包括：温度传感器、湿度传感器、光照传感器、水温传感器、水位传感器、溶解氧传感器、PH值传感器。且信号采集器与PC主机之间连接一串行通信接口，用于将信号采集器采集的参数数据传输给PC主机。

PC主机根据所采集的鱼菜共生系统水质指标和相关温室气象因子数据建立并存储原始数据库；基于粒子群算法优化模糊神经网络控制算法预测控制推理出预测结果，与当前实时溶解氧数据作对比，判断是否开启增氧机，并通过控制器对执行器中的各设备发出开启\关闭信号。

执行器分空气循环系统和水循环系统两部分，空气循环系统包括：卷帘机、遮阳网、换气扇、加热制冷设备，其中，空气循环系统的温、湿度传感器，用于采集温室内空气温湿度参数；置于温室无土栽培区周围。水循环系统包括：循环水泵、增氧机、阀门、水处理设备。

其中的溶解氧传感器，用于采集蓄水调节池和鱼池内溶解氧浓度数据，置于蓄水调节池出水口和鱼池出水口处；水位传感器，用于测量鱼池内水位，置于鱼池内；PH值传感器，用于测量鱼池内水质的PH值，置于蓄水调节池内。

进一步地，本具体实例中还包括变频控制器，与循环水泵连接，用于控制该循环水泵的转速；

鱼池、生化池和脱气池内安装曝气装置，或者进行自然曝气，以增加池内水的含氧量。

水温加热冷却设备的一端连通蓄水调节池，另一端连通鱼池，对经过蓄水调节池处理的循环水进行加热或冷却。

卷帘机置于温室内一侧墙体上，遮阳网挂在温室顶部，换气扇交错等间距安装于温室内墙体上，加热和制冷设备置于温室内；

集水池用于储存鱼池排出的废水，微滤机用于过滤集水池排出的废水中大颗粒泥沙、悬浮藻类、颗粒等；

其中，生化池用于降解有机物；脱气池用于通过风机的风力来吹脱水中游离CO2；蓄水调节池用于调节水量和水质，达到鱼池环境所需标准；鱼池中设置一管路排水口，通过循环管路连接水处理设备，通过循环管路依次连接集水池、微滤机、生化池、脱气池、蓄水调节池，对鱼池排出的污水进行水质净化处理，蓄水调节池出水口连接鱼池；脱气池有一出水口连接无土栽培区，无土栽培区与蓄水调节池通过循环管路形成循环水路。

从上述描述可知，该智能控制系统实现了对鱼菜共生系统进行实时且准确的控制，并在控制的同时对鱼菜共生系统中水池的溶解氧含量进行准确预测，实现了按需增氧，提高了增氧的准确性和及时性，使得鱼菜共生系统能够精确且稳定的运行。

进一步的，本发明还提供了一种用于鱼菜共生系统的智能预测控制方法。参见图7，智能控制方法具体包括如下步骤：

步骤100、对鱼菜共生系统中的水与空气进行循环控制，以及获取并存储一个时间段内的鱼菜共生系统的环境数据，其中，环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据。

步骤200、用归一化方法对环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集。

步骤300、根据训练数据集，基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型。

其中，步骤300具体包括：

步骤301、建立模糊神经网络溶解氧预测控制模型：

根据溶解氧控制系统的阶跃响应动态系数，获取溶解氧预测模型的阶跃响应系数矩阵；根据过去控制量所产生的输出及当前控制输入作用下的输出响应，确定溶解氧预测模型；根据溶解氧预测模型中某一时刻的无控制增量、有一个单独的增量或有多个连续的控制增量的情况下的未来时刻的输出值，获得未来某一时刻的模糊神经网络溶解氧预测控制模型。

步骤302、根据模糊神经网络溶解氧预测控制模型，确定最优控制增率，对模糊神经网络溶解氧预测控制模型进行滚到优化：

对代入性能指标后的模糊神经网络溶解氧预测控制模型进行求导，获得增氧机的最优控制增率；根据最优控制增率，对模糊神经网络溶解氧预测控制模型进行滚动优化。

步骤303、对溶解氧预测控制模型进行反馈校正：

根据模糊神经网络溶解氧预测控制模型获取未来某时刻的溶解氧预测含量值；检测当前实际的溶解氧含量值，并比较溶解氧含量值与溶解氧预测含量值，得到输出误差；对输出误差采用对误差加权的方式，修正模糊神经网络溶解氧预测控制模型的预测结果。

步骤400、将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果。

其中，步骤400具体包括：

归一化处理鱼菜共生系统当前溶解氧含量的实时数据；将归一化处理后的数据输入模糊神经网络溶解氧预测控制模型；计算得到模糊神经网络溶解氧预测控制模型的输出，即得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果。

步骤500、根据预测结果对鱼菜共生系统进行溶解氧含量控制，使得鱼池水中的溶解氧含量在未来的一个时间段内在溶解氧含量的标准范围内。

从上述描述可知，该智能控制方法通过用归一化方法对环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集，根据训练数据集，基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型，将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的准确的溶解氧含量的预测结果；实现了对鱼菜共生系统进行实时且准确的控制，并在控制的同时对鱼菜共生系统中水池的溶解氧含量进行准确预测，实现了按需增氧，提高了增氧的准确性和及时性，使得鱼菜共生系统能够精确且稳定的运行。

为进一步的说明本方法，本法明还提供一种智能预测控制方法的具体应用例。该智能控制方法的具体如下：

智能传感器检测各参数实时数据后，信号采集器将这些模拟信号变成数字信号，通过串行通信接口传输给PC主机，PC主机基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型，对所采集的鱼菜共生系统水质指标和相关温室气象因子数据进行推理预测，得出的预测结果与此刻溶解氧数据做对比，预测下一时间段内溶解氧的含量，并对控制器发出开启\关闭指令信号，执行器收到控制信号后开启\关闭增氧机。

预测步骤：

S1：采集预定时段内的鱼菜共生系统中空气环境和水环境数据，以建立原始数据集；

具体地，采集频率例如为每十分钟一次，采集时常例如连续30天，共采集4320组数据，将同一时刻采集得到的空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据分为一组；

S2：用归一化方法对原始数据集进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集；

S3：基于粒子群优化模糊神经网络控制算法建立溶解氧预测控制模型，以获取模糊神经网络溶解氧预测控制模型；

模糊神经网络模型:

采用4层神经网络来实现模糊推理的网络结构,这4层分别为输入层、隶属度生成层、推理层和输出层。为了表达清晰,参见图8，假设模糊系统有2个输入变量x₁、x₂,一个输出变量y,并且每个输入变量在其论域上划分为两个模糊子集。

令X＝(x₁,x₂)^T∈U,y∈V分别表示系统输入和输出,它们分别与模糊规则的前提和结论相对应；则系统中第j条规则的形式可表示为:

R₁:if x₁＝X_1j,and x₂＝X_2j,then y＝Y_j (1)

其中,Y_j为第j条规则的结论；X_ij(i＝1,2)为输入变量的模糊子集,本文采用高斯型函数来描述输入x_i满足前提X_ij的程度,即隶属度

${\mathrm{\μ}}_{xij}\left(x_i\right)=\exp \[-\frac{{(x_i-m_{ij})}^2}{{\mathrm{\δij}}^2}\]---\left(2\right)$

其中,m_ij为高斯型函数的均值,σ_ij为标准偏差；所以,输入空间的一个模糊子集完全由参数m_ij和σ_ij确定。

模糊推理：

对于一个输入X＝(x₁,x₂)^T∈U,模糊推理的主要过程如下:

(1)规则前提对输入X适应度的计算根据模糊理论,规则前提对输入X的适应度就是X相对于前提模糊子集的隶属度,在本研究第j条规则对X的适应度可写为:

$\left(3\right)$

上式的作用相当于输入层与规则层的连接权值.

2)模糊决策方法：

各条规则对输入X的适应度反映了各条规则对最后模糊决策的贡献程度。假设系统中共有m条规则,本文采用加权平均法进行去模糊化处理,可得到模糊系统的输出为:

$y=\frac{\underset{j=1}{\overset{m}{\Σ}}{w}_j{\mathrm{\μ}}_j}{\underset{j}{\overset{m}{\Σ}}{\mathrm{\μ}}_j}---\left(4\right)$

其中,w_j为推理层与输出层之间的连接权重。在该网络模型中,如果已知输入变量数(N)及其模糊子集的个数(Y),则模糊推理层节点数(即规则数)m＝Y^N,即表示系统最多有YN条规则。需要确定的参数只有各规则前提隶属度参数(m_ij,σ_ij)以及权重w_j。

粒子群优化算法：

算法采用速度位置搜索模型。假设在一个D维的目标搜索空间中,有m个粒子组成一个群落,其中第i个粒子表示为一个D维的向量xi＝(x_i1,x_i2,…,x_iD),i＝1,2,…,m,即第i个粒子在D维的搜索空间中的位置是x_i。换言之,每个粒子的位置就是一个潜在的解。将x_i代入一个目标函数就可以计算出其适应值,根据适应值的大小衡量x_i的优劣。第i个粒子的速度也是一个D维的向量,记为v_i＝(v_i1,v_i2,…,v_iD)。第i个粒子迄今为止搜索到的最优位置为p_i＝(p_i1,p_i2,…,p_iD),整个粒子群迄今为止搜索到的最优位置为p_g＝(p_g1,p_g2,…,p_gD)。粒子根据以下公式来更新其速度和位置：

v_id＝v_id+c₁·rand()·(p_id-x_id)+c₂·rand()·(p_gd-x_id)

x_id＝x_id+v_id (5)

其中,rand()是均匀分布在(0,1)区间的随机数。学习因子c₁、c₂一般取c1＝c2＝2。极值与全局极值进行搜索,直到达到规定的迭代次数或满足规定的误差标准为止。粒子在每一维飞行的速度不能超过算法设定的最大速度v_max。设置较大的v_max可以保证粒子种群的全局搜索能力,v_max较小则粒子种群的局部搜索能力加强。v_id∈(-v_max，+v_max)，v_max是常数,由用户决定。

在考虑实际优化问题时,往往希望先采用全局搜索,使搜索空间快速收敛于某一区域,然后采用局部精细搜索以获得高精度的解。因此,在公式(5)的v_id前乘以惯性权重w,w为非负数,w较大算法具有较强的全局搜索能力,w较小则算法倾向于局部搜索。一般的做法是将w初始值为0.9并使其随迭代次数的增加线性递减至0.4,以达到上述期望的优化目的。改进后的算法表示如下:

v_id＝wv_id+c₁·rand()·(pid-xid)+c₂·rand()·(p_gd-x_id)

x_id＝x_id+v_id (6)

迭代中止条件根据具体问题一般选为最大迭代次数或粒子群迄今为止搜索到的最优位置满足预订最小适应阈值。

S4：在线实时采集鱼菜共生系统水质指标和温室相关气象因子数据，并将所采集的数据输入模糊神经网络溶解氧预测控制模型以获取鱼菜共生系统中水质溶解氧浓度的预测值。

例如实时采集t时刻的空气温度、湿度、光照、水质水温、水位、溶解氧、PH值，对这些数据进行归一化，并将归一化后的7个数据输入在步骤S3中得到的模糊神经网络溶解氧预测控制模型，即可获取该模糊神经网络溶解氧预测控制模型的输出:t+1时刻的溶解氧预测值。从上述描述可知，本系统可以解决溶解氧增氧过程中存在滞后现象，提前进行预测，防止鱼类会因缺氧或增氧不及时而大面积死亡；本系统可实现对鱼池水质溶解氧进行边预测边控制，实现按需增氧，避免能源浪费；利用粒子群算法建立神经网络预测模型,较常规的BP神经网络的预测精度有所提高。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用于鱼菜共生系统的智能预测控制系统，其特征在于，所述预测控制系统包括采集模块、预测控制模块及循环模块；

所述采集模块用于获取一个时间段内的鱼菜共生系统的环境数据，并将所述环境数据发送至所述预测控制模块，其中，所述环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据；

所述预测控制模块根据所述采集模块发送的环境数据对未来的一个时间段内鱼池水中的溶解氧含量进行预测，以及根据预测结果生成控制命令，并将所述控制命令发送至循环模块；

所述循环模块对所述鱼菜共生系统中的空气环境和水环境进行实时循环控制，以及根据接收到的所述控制命令，控制所述鱼菜共生系统中的溶解氧含量，使得鱼池水中的溶解氧含量在所述未来的一个时间段内保持在标准范围内。

2.根据权利要求1所述的系统，其特征在于，所述采集模块包括种植采集单元、蓄水采集单元及鱼池采集单元；

所述种植采集单元设置在所述鱼菜共生系统中的无土栽培区，采集一个时间段内的无土栽培区的温度、湿度、二氧化碳、气压及光照数据，其中，所述无土栽培区设置在温室内的采光区中；

所述蓄水采集单元设置在所述鱼菜共生系统中的蓄水调节池上，采集一个时间段内的蓄水调节池的水温、溶解氧及PH值数据，其中，所述蓄水调节池在所述温室内连接无土栽培区与鱼池；

所述鱼池采集单元设置所述鱼菜共生系统中的所述鱼池上，用于采集一个时间段内的鱼池的水位及溶解氧数据，其中，所述鱼池设置在温室内的背光区中，且所述鱼池与温室中的集水池、微滤机、生化池及脱气池依次连接，所述脱气池分别与所述无土栽培区及蓄水调节池连接；

所述种植采集单元、蓄水采集单元及鱼池采集单元均将实时获取的环境数据发送至所述预测控制模块。

3.根据权利要求1所述的系统，其特征在于，所述预测控制模块包括控制主机、数据存储单元及控制命令发出单元；

所述控制主机与采集模块通信连接，将所述环境数据存储在所述数据存储单元中；

所述控制主机根据所述采集模块发送的环境数据计算得到模糊神经网络溶解氧预测控制模型，并将当前溶解氧含量的实时数值输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；

所述控制主机根据所述预测结果生成控制命令，通过所述控制命令发出单元向所述循环模块发出开启或关闭的控制命令。

4.根据权利要求1所述的系统，其特征在于，所述循环模块包括空气循环单元、水循环单元及增氧单元；

所述空气循环单元设置在所述无土栽培区及所述温室中靠近无土栽培区的一侧，且对所述鱼菜共生系统中的空气进行循环控制；

所述水循环单元分布在所述鱼菜共生系统中的蓄水调节池、鱼池、集水池、微滤机、生化池及脱气池上，且对所述鱼菜共生系统中的水环境进行循环控制；

所述增氧单元设置在所述鱼菜共生系统中的蓄水调节池，所述增氧单元根据所述预测控制模块发出的控制命令，控制所述鱼菜共生系统中增氧机的开启和关闭，使得鱼池水中的溶解氧含量在未来的一个时间段内保持在标准范围内。

5.一种用于鱼菜共生系统的智能预测控制方法，其特征在于，所述方法包括：

步骤1.对所述鱼菜共生系统中的水与空气进行循环控制，以及获取并存储一个时间段内的鱼菜共生系统的环境数据，其中，所述环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据；

步骤2.用归一化方法对所述环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集；

步骤3.根据训练数据集，基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型；

步骤4.将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；

步骤5.根据所述预测结果对所述鱼菜共生系统进行溶解氧含量控制，使得鱼池水中的溶解氧含量在所述未来的一个时间段内在溶解氧含量的标准范围内。

6.根据权利要求5所述的方法，其特征在于，所述步骤3包括：

步骤3-1.建立模糊神经网络溶解氧预测控制模型；

步骤3-2.根据所述模糊神经网络溶解氧预测控制模型，确定最优控制增率，对所述模糊神经网络溶解氧预测控制模型进行滚到优化；

步骤3-3.对所述溶解氧预测控制模型进行反馈校正。

7.根据权利要求6所述的方法，其特征在于，所述步骤3-1包括：

根据溶解氧预测控制系统的阶跃响应动态系数，获取溶解氧预测模型的阶跃响应系数矩阵；

根据过去控制量所产生的输出及当前控制输入作用下的输出响应，确定所述溶解氧预测模型；

根据所述溶解氧预测模型中某一时刻的无控制增量、有一个单独的增量或有多个连续的控制增量的情况下的未来时刻的输出值，获得未来某一时刻的所述模糊神经网络溶解氧预测控制模型。

8.根据权利要求6所述的方法，其特征在于，所述步骤3-2包括：

将性能指标代入所述模糊神经网络溶解氧预测控制模型；

对代入性能指标后的模糊神经网络溶解氧预测控制模型进行求导，获得增氧机的最优控制增率；

根据所述最优控制增率，对所述模糊神经网络溶解氧预测控制模型进行滚动优化。

9.根据权利要求6所述的方法，其特征在于，所述步骤3-3包括：

根据所述模糊神经网络溶解氧预测控制模型获取未来某时刻的溶解氧预测含量值；

检测当前实际的溶解氧含量值，并比较所述溶解氧含量值与溶解氧预测含量值，得到输出误差；

对输出误差采用对误差加权的方式，修正所述模糊神经网络溶解氧预测控制模型的预测结果。

10.根据权利要求5所述的方法，其特征在于，所述步骤4包括：

归一化处理鱼菜共生系统当前溶解氧含量的实时数据；

将归一化处理后的数据输入所述模糊神经网络溶解氧预测控制模型；

计算得到所述模糊神经网络溶解氧预测控制模型的输出，即得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果。