CN106910138A

CN106910138A - 一种面向大田智能灌溉系统的智能预测控制方法

Info

Publication number: CN106910138A
Application number: CN201710089704.4A
Authority: CN
Inventors: 丁永生; 田运; 蔡欣; 郝矿荣; 王海山; 张向飞
Original assignee: Information Center Of Shanghai Agriculture Committee; Shanghai Agriculture Internet Of Things Engineering Technology Research Center; Donghua University
Current assignee: Information Center Of Shanghai Agriculture Committee; Shanghai Agriculture Internet Of Things Engineering Technology Research Center; Donghua University
Priority date: 2017-02-20
Filing date: 2017-02-20
Publication date: 2017-06-30
Anticipated expiration: 2037-02-20
Also published as: CN106910138B

Abstract

本发明涉及一种面向大田智能灌溉系统的智能预测控制方法，首先根据灌溉渠的水文特征建立灌溉过程模型，然后采集农业灌溉信息计算灌溉目标，根据灌溉目标和传感器的水位数据计算控制偏差，根据控制偏差计算控制器的控制率输出，然后根据控制偏差和控制器的控制率输出分别计算得到超短反馈智能控制率和当前预测控制率变化量，然后计算智能预测控制率并将其输入到灌溉过程模型，由灌溉过程模型输出水位值，根据水位值与灌溉目标的差值判断是否达到灌溉目标，并进入循环操作，最终准确达到被控对象的目标值实现智能灌溉。本发明为农业灌溉时滞过程提供了一个快收敛的、稳定的控制方法。

Description

一种面向大田智能灌溉系统的智能预测控制方法

技术领域

本发明属自动控制领域，涉及一种面向大田智能灌溉系统的智能预测控制方法，特别是涉及一种基于内分泌超短反馈机制的智能控制以及预测控制的智能预测控制方法。

背景技术

智能灌溉模式与传统人工控制相比，具有节省水肥、人工等显著特点，并可消除人为因素对灌溉的不利影响，更有利于灌溉的科学管理和先进灌溉技术的推广。智能灌溉模式对提高农作物产量以及我国家庭牧场的建设具有促进作用，推动了我国劳动力转移和农村经济结构的调整，同时也有利于环境保护。

为了实现智能灌溉，首要是根据作物实时数据、气象数据、输水损失等信息，得到对不同农业区块的水量分配目标，再通过分配得到的水量作为参考值实现农业灌溉用水的智能预测控制。对农业灌溉水量的智能预测控制有其独特的特征，这种控制不同于一般的单一的水库资源的分配和调节，也不同于常见一般车间资源流量调度和公路汽车流量的控制。首先，它是一个层次性的过程，农业灌溉水量主要按照干、支、斗、农四级渠道结构，灌溉水流是从上游渠道流动到下游渠道的过程，下游水量的多少直接与上游的水量相关，下游水量分配多少、可调控到多少水量，直接受到前一次的上游来水量的影响，上下游水量的计算是一个层次过程。其次，农业灌溉水量的智能预测控制是一个与水量管理相关的多因素叠和的过程，下游水量的预测，除了与上游水量相关外，还与水流过程中生态、农业、工业、生活用水相关，而且还会不断有新的水源(河流)的流入和渠道水量的损耗。最后，农业灌溉水量的智能预测控制还是一个大型水量聚合的动态过程，水量在叠和过程中，还涉及到环境降雨量和蒸发量等动态水量的变化过程。基于以上特点，灌溉水量智能预测控制是一项复杂的工程，需要考虑到多个控制断面节点间的来水和用水动态水量过程。

以及生物智能方法通过模拟神经内分泌免疫网络(NEI)学说中的神经、内分泌、免疫三大系统，通过信息(细胞因子、激素、蛋白质等)联系调节着各器官、系统的功能，使得它们活动在空间和时间上严密组织的的、互相配合的、互相制约的，从而达到整体功能的协调统一，对实现网络组织下的灌溉水量的智能控制具有重要意义。

目前，基于人体的神经系统、遗传系统、免疫系统都已经提出了成功的自然计算方法并取得了广泛的应用。基于内分泌系统与神经系统、免疫系统的紧密联系，继续研究内分泌系统的信息处理机制成为自然计算的一个重要研究方向。与神经系统、遗传系统、免疫系统一样，内分泌系统也是一个复杂的信息处理系统，其信息处理机制非常复杂。四者的信息处理机制都具有分布式、模糊性、自适应性、容错性等特点。四者都能利用简单的机制实现复杂的信息处理和控制功能。因此，内分泌系统的信息处理机制和神经系统、遗传系统、免疫系统之间存在大量相似之处。从内分泌系统中一定可以提取出有意义的信息处理机制，并给自然计算领域带来新的启发。有不少研究人员尝试将生物系统的作用规则和调节控制机制总结和抽象为数学形式或者作用规则，为设计高效、具有鲁棒性的网络系统架构、控制算法和机制提供了理论基础和新的灵感来源。

发明内容

本发明所要解决的技术问题是提供一种面向大田智能灌溉系统的智能预测控制方法，特别是涉及一种基于内分泌超短反馈机制的智能控制以及预测控制的智能预测控制方法。

为达到上述目的，本发明采用的技术方案为：

一种面向大田智能灌溉系统的智能预测控制方法，包括以下步骤：

(1)根据灌溉渠的水文特征建立灌溉过程模型，所述灌溉过程模型的表达式如下：

式中，F_p(s_c)是二阶纯滞后传递函数，s_c是拉普拉斯变换频域空间的变量符号，e为自然常数；

(2)在农业灌区中部署不同传感器得到农业灌溉信息，将农业灌溉信息存入数据库并计算得到灌溉目标sp，计算时首先计算参考作物腾发量ET₀，然后依次计算作物需水量ET_c、作物的净需水量Ir_净和灌区的毛需水量Ir_毛，最后将灌区毛需水量Ir_毛转换为对应的灌溉渠中水位高度即为灌溉目标sp，sp的单位为m；

(3)根据灌溉目标sp和传感器的水位数据计算控制偏差，计算公式如下：

e(k)＝y(k)-sp；

式中，e(k)为当前时刻k对应的当前控制偏差，y(k)为当前时刻k对应的传感器的水位数据，单位为m；

(4)根据控制偏差计算控制器的控制率输出，所述控制器为增量式PID控制器，计算公式如下：

积分系数K_i＝K_pT_s/T_i，微分系数K_d＝K_pT_d/T_s；

式中，u_c(k)为当前时刻k对应的当前控制器的控制率输出，K_p是PID控制器的参数，T_s是采样时间，单位为s，T_i是积分时间，单位为s，T_d是微分时间，单位为s，e(k-1)为前一时刻k-1对应的前一时刻控制偏差e(k-1)；

(5)根据控制偏差和控制器的控制率输出分别计算得到超短反馈智能控制率u_cf(k)和当前预测控制率变化量Δu_p(k)；

所述超短反馈智能控制率u_cf(k)通过超短反馈智能控制当前控制器的控制率输出u_c(k)得到，超短反馈智能控制u_c(k)基于内分泌机制的超短反馈原理，当y(k)等于sp时，不对u_c(k)进行处理；当y(k)大于sp时，抑制u_c(k)；当y(k)小于sp时，增强u_c(k)，通过这样的增强和抑制过程，从而提高控制效果；所述超短反馈智能控制率u_cf(k)的计算公式如下：

u_cf(k)＝u_c(k)+f(Δu_c(k))；

Δe(k)＝e(k)-e(k-1)；

式中，Δu_c(k)为当前控制器的控制率输出u_c(k)的变化率，Δu_c(k)作为激素激励信号，Δe(k)和Δu_c(k)提供的信息保证了灌溉控制变量朝着设定值方向变化，f(Δu_c(k))为Δu_c(k)经过超短反馈处理单元的非线性函数处理后得到的值，α和n是因子系数，α≠0，n>1；L₁表示目标误差符号，其意义在于根据当前控制偏差e(k)和当前控制偏差变化量Δe(k)与它们的绝对值的比值的相反数来获得一个符号函数，该符号函数的正负状态即是目标误差符号，该符号能够表达出当前水位与灌溉目标水位的相对程度，若为正，则当前灌溉水位还未达到灌溉目标，若为负，则当前灌溉水位超过灌溉目标；L₂表示当前控制器的控制率输出u_c(k)的变化方向，其意义在于根据Δu_c(k)以及其绝对值的比值获得一个符号函数，该符号函数的正负状态即表达了当前控制器的控制率输出u_c(k)的变化方向，若为正，则控制率增大，若为负，则控制率减小；分泌系统的短反馈机制，对于激素浓度的快速稳定其了重要作用，而在传统控制算法中，很少去考虑输出控制信号的反馈控制作用；

所述当前预测控制率变化量Δu_p(k)的计算公式如下：

式中，K_p0为系统初始增益，T₀是一阶极点常数，T₁是二阶系统的第一个极点参数，T₂是二阶滞后的第二个极点参数，u_c(k-1)是前一时刻k-1对应的前一时刻控制器的控制率输出，是前一时刻的由于被控对象时滞特性带来延时控制，τ是时滞，单位为s；

(6)根据超短反馈智能控制率u_cf(k)和当前预测控制率变化量Δu_p(k)计算智能预测控制率u_cp(k)，u_cp(k)＝u_cf(k)+Δu_p(k)；

(7)将智能预测控制率u_cp(k)输入到灌溉过程模型，由灌溉过程模型输出水位值yout(k)，yout(k)的单位为m，当水位值yout(k)不等于灌溉目标sp时，重复步骤(3)～(7)；当水位值yout(k)等于灌溉目标sp时，重复步骤(3)，等待传感器获得灌溉渠水位需求的变化。

作为优选的技术方案：

如上所述的一种面向大田智能灌溉系统的智能预测控制方法，步骤(1)中，所述灌溉过程模型是一个二阶纯滞后模型，所述二阶纯滞后模型的建立过程如下：

灌溉渠的水文特征通常由圣维南方程描述：

式中，A是渠水表面积，单位为m²，Q是通过渠道横截面渠水流量，单位为m³/s，t是时间，单位为s，x是灌溉渠长，单位为m，q是横向灌溉流出量，单位为m³/s，z是绝对水位，单位为m，S_f是渠道粗糙率，g是重力加速度，单位为m/s²；

假设：

(a)横向灌溉流出量q＝0；

(b)偏微分方程中惯性项相对于影响较小，因此被忽略；

基于以上假设，偏微分方程中的z项被消去，得到的扩散波方程如下：

式中，C是渠水流速，单位为m/s，D是渠水扩散速度，单位为m²/s；

参数C和D取决于渠道横截面渠水流量Q、绝对水位z以及渠道长度x：

式中，B是渠水表面宽度，单位为m；

通常渠道俯瞰呈现为一个矩形渠池形状，将参数C和D通过渠池几何参数直接描述为：

式中，y是渠池的平均深度，单位为m，S₁是渠池的坡度，单位为rad；

假设，渠池的平均深度y与水文半径相同，根据曼宁-斯特里克公式：

式中，K是斯特里克系数；

当A＝By时，y是Q的功率函数：

参数C可以被描述为Q的函数：

参数D正比于Q，并且参数C是Q的单调增功率函数；

通常描述灌溉渠上下游放流灌溉过程的传递函数是Hayami传递函数，其表达式为：

式中，F_Hayami(s_c)是Hayami传递函数，e是自然常数；

将Hayami传递函数的阶跃输出曲线近似为二阶纯滞后系统的阶跃输出曲线，由此得到二阶纯滞后系统传递函数F(s_c)表达式为：

上式通过系统辨识方法获得具体参数后得到二阶纯滞后模型的表达式如下：

如上所述的一种面向大田智能灌溉系统的智能预测控制方法，所述农业灌溉信息包括灌溉渠道水位、土壤湿度、温度、降雨量和风速。

如上所述的一种面向大田智能灌溉系统的智能预测控制方法，步骤(2)中，灌溉目标sp的具体计算步骤如下：

a)计算参考作物腾发量ET₀，公式如下：

式中，ET₀的单位为mm，R_n是冠层表面净辐射，单位为MJ/m²·d，G是土壤热通量，单位为MJ/m²·d，γ是湿度常数，单位为KPa/℃，T是平均气温，单位为℃，U是风速，单位为m/s，e_s是饱和水汽压，单位为KPa，e_a是实际水汽压，单位为KPa，Δ是饱和水汽压-气温关系曲线在平均气温T处的切线斜率，单位为KPa/℃；

b)计算作物需水量ET_c，公式如下：

ET_c＝K_c·ET₀；

式中，ET_c的单位为mm，K_c是作物修正系数；

因为作物需水量包括土壤的蒸发水平和作物的蒸腾水平，所以作物修正系数K_c由两部分组成：

K_c＝K₀·K_St+K_Se；

式中，K₀是基本作物系数，其本质为作物腾发量与在干土条件下作物需水量的比值，K_St是水胁迫系数，表示在土壤湿度对作物腾发的相对影响程度，K_Se是土壤蒸发系数，表示土壤在不同环境，如降雨、干旱等情况下的土壤湿度的绝对影响程度；

c)计算作物的净需水量Ir_净，在作物的整个培育过程中，作物的水供给不仅仅来源于灌溉，在雨水充沛的地区，降雨也是作物灌溉的一个主要途径，公式如下：

Ir_净＝ET_c-RF；

式中，Ir_净的单位为mm，RF是平均降雨量，单位为mm；

d)计算灌区的毛需水量Ir_毛，灌区的毛需水量体现了作物的净需水量以及在灌溉渠输水过程中的可能水损耗，因此应用灌区毛需水量作为灌溉总需水量，公式如下：

式中，Ir_毛的单位为mm，η_田是田间水有效利用系数，η_渠是渠系水有效利用系数，I_ex是作物培育过程所需的额外附加灌溉水量，单位为mm；

e)将灌区毛需水量Ir_毛转换为对应的灌溉渠中水位高度，转换得到的水位高度为灌溉目标sp。

如上所述的一种面向大田智能灌溉系统的智能预测控制方法，步骤(5)中，超短反馈智能控制的理论基础为激素分泌模型，激素分泌模型通过Hill函数描述为：

式中，F_up(down)(X)是Hill函数，Y>0是一个阈值，n≥1是Hill系数，F_up+F_down＝1，F_up作为增强单元，当控制偏差较大时，将加速控制效果，F_down作为抑制单元，当控制偏差较小时，将抑制控制效果，控制偏差通过与阈值T进行对比，来切换增强控制与抑制控制；Hill系数n可改变Hill函数的拐点，可改变当前控制率曲线的曲率，达到加速收敛、减少上升/下降时间的目的，当n→∞时，Hill函数表现出开关的特征。

如上所述的一种面向大田智能灌溉系统的智能预测控制方法，步骤(5)中，当前预测控制率变化量Δu_p(k)的计算公式推导过程如下：

假设期望的系统闭环传递函数G(s_c)为：

对于单位负反馈控制系统，则：

式中，G_c(s_c)是控制器传递函数，G₀(s_c)是单输入单输出对象传递函数，λ被用来调节控制系统的闭环响应速度，当λ>1时，系统闭环相应较慢，当0<λ<1时，系统闭环相应较快；

控制器的输出信号可表示为：

式中，U(s_c)是连续时间下的预测控制输出，E(s_c)是连续时间下的误差函数，部分具有PI控制器的结构形式，部分则可认为是预测器，显然，其预测作用是通过控制信号的低通滤波实现的，它没有像PID控制器的微分部分那样会放大高频噪声；

U(s_c)的离散化形式为：

式中，u_p(k+1)是k+1时刻对应的下一时刻预测控制率，e(k+1)是k+1时刻对应的下一时刻控制偏差，代表时刻0～k的所有当前控制器的控制率输出u_c(i)与由于被控对象时滞特性带来的延时控制之差的总和；

当对象为二阶滞后对象目标的闭环传递函数仍为时，则：

U(s_c)的离散化形式为：

本发明的一种面向大田智能灌溉系统的智能预测控制方法，在大田智能灌溉系统的应用环境中，由于农业灌溉本身具有时滞、低精度的特性，因此对于精准农业的需求与智能灌溉的背景，对灌溉这一时滞过程设计较快收敛的、较传统灌溉准确的控制方法是智能灌溉系统的一个重要问题。受到内分泌系统控制结构的启发，针对性地提出由内分泌激素按靶细胞需求决定的激素分泌量映射到对农业灌溉渠灌溉过程由需水量决定的灌溉水位的智能预测控制方法，通过智能预测控制方法很好的解决了对于灌溉时滞系统的智能反馈与灌溉时滞过程的预测控制。在智能反馈控制中，根据以上提出的映射关系，设计了以目标灌溉水位为阈值，根据实际检测获取的灌溉水位进行增强或抑制反馈控制；在预测控制中，根据当前检测灌溉水位获得的传统控制率，进行预测控制率的计算，以修正传统控制对于时滞系统控制的不稳定性；结合智能反馈与预测控制的控制率，实现了对灌溉过程的智能预测控制。在仿真实验中，智能预测控制方法表现出来的控制性能均优于传统控制、预测控制，提高控制收敛速度、相较于传统灌溉能够准确达到被控对象的目标值实现智能灌溉。

有益效果

(1)本发明为农业灌溉时滞过程提供了一个快收敛的、稳定的控制方法，本发明的智能预测控制方法由其智能反馈控制提供基于控制偏差的控制率修正实现快收敛性，本发明的智能预测控制方法由其预测控制提供基于系统时滞特性的控制稳定性，本发明的智能预测控制方法的智能反馈控制和预测控制够保持控制过程的快收敛性和稳定性；

(2)本发明的智能反馈控制能够根据当前控制器的控制率输出以及灌溉目标与实际值的差值对控制效果进行增强或抑制控制，以实现智能灌溉的快收敛性，当实际值低于灌溉目标，智能反馈控制将加强控制器输出，使得被控对象更快达到目标；当实际值高于灌溉目标，智能反馈控制将抑制控制器输出，使得被控对象能够回到灌溉目标；

(3)本发明的预测控制能够根据当前控制器的控制率输出以及时滞系统的时滞参数，计算获得下一步控制输出的变化量，预测输出相当于一个低通滤波来实现预测控制功能，并且不带有微分部分不会放大高频噪声，因此脉冲、阶跃干扰对于预测控制环节来说没有影响，保证了系统的抗干扰性，且实现对时滞系统的控制稳定性。

附图说明

图1是本发明的智能预测控制方法流程图；

图2是本发明的超短反馈Hill函数增强函数示意图；

图3是本发明的超短反馈Hill函数抑制函数示意图；

图4是本发明的智能预测控制方法仿真图，仿真中改变了灌溉目标值；

图5是本发明的智能预测控制方法仿真图，仿真中改变了灌溉系统参数。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

一种面向大田智能灌溉系统的智能预测控制方法，如图1所示，包括以下步骤：

(1)根据灌溉渠的水文特征建立灌溉过程模型，灌溉过程模型是一个二阶纯滞后模型，二阶纯滞后模型的建立过程如下：

灌溉渠的水文特征通常由圣维南方程描述：

假设：

(a)横向灌溉流出量q＝0；

(b)偏微分方程中惯性项相对于影响较小，因此被忽略；

式中，B是渠水表面宽度，单位为m；

式中，K是斯特里克系数；

当A＝By时，y是Q的功率函数：

参数C可以被描述为Q的函数：

参数D正比于Q，并且参数C是Q的单调增功率函数；

式中，F_Hayami(s_c)是Hayami传递函数，e是自然常数；

(2)在农业灌区中部署不同传感器得到农业灌溉信息，农业灌溉信息包括灌溉渠道水位、土壤湿度、温度、降雨量和风速，将农业灌溉信息存入数据库并计算得到灌溉目标sp，sp的单位为m，灌溉目标sp的具体计算步骤如下：

a)计算参考作物腾发量ET₀，公式如下：

b)计算作物需水量ET_c，公式如下：

ET_c＝K_c·ET₀；

式中，ET_c的单位为mm，K_c是作物修正系数；

作物修正系数K_c由两部分组成：

K_c＝K₀·K_St+K_Se；

式中，K₀是基本作物系数，K_St是水胁迫系数，K_Se是土壤蒸发系数；

c)计算作物的净需水量Ir_净，公式如下：

Ir_净＝ET_c-RF；

式中，Ir_净的单位为mm，RF是平均降雨量，单位为mm；

d)计算灌区的毛需水量Ir_毛，公式如下：

e)将灌区毛需水量Ir_毛转换为对应的灌溉渠中水位高度，转换得到的水位高度为灌溉目标sp；

e(k)＝y(k)-sp；

积分系数K_i＝K_pT_s/T_i，微分系数K_d＝K_pT_d/T_s；

超短反馈智能控制的理论基础为激素分泌模型，激素分泌模型通过Hill函数描述为：

式中，F_up(down)(X)是Hill函数，Y>0是一个阈值，n≥1是Hill系数，F_up+F_down＝1，F_up作为增强单元，当控制偏差较大时，将加速控制效果，F_down作为抑制单元，当控制偏差较小时，将抑制控制效果，控制偏差通过与阈值T进行对比，来切换增强控制与抑制控制；Hill系数n可改变Hill函数的拐点，可改变当前控制率曲线的曲率，达到加速收敛、减少上升/下降时间的目的，当n→∞时，Hill函数表现出开关的特征；

超短反馈智能控制率u_cf(k)的计算公式如下：

u_cf(k)＝u_c(k)+f(Δu_c(k))；

Δe(k)＝e(k)-e(k-1)；

式中，Δu_c(k)为当前控制器的控制率输出u_c(k)的变化率，f(Δu_c(k))为Δu_c(k)经过超短反馈处理单元的非线性函数处理后得到的值，α和n是因子系数，α≠0，n>1；；

当前预测控制率变化量Δu_p(k)的计算公式推导过程如下：

假设期望的系统闭环传递函数G(s_c)为：

对于单位负反馈控制系统，则：

式中，K_p0为系统初始增益，T₀是一阶极点常数，G_c(s_c)是控制器传递函数，G₀(s_c)是单输入单输出对象传递函数，λ被用来调节控制系统的闭环响应速度，当λ>1时，系统闭环相应较慢，当0<λ<1时，系统闭环相应较快；

控制器的输出信号可表示为：

式中，U(s_c)是连续时间下的预测控制输出，E(s_c)是连续时间下的误差函数；

U(s_c)的离散化形式为：

当对象为二阶滞后对象目标的闭环传递函数仍为时，则：

U(s_c)的离散化形式为：

式中，T₁是二阶系统的第一个极点参数，T₂是二阶滞后的第二个极点参数，u_c(k-1)是前一时刻k-1对应的前一时刻控制器的控制率输出，是前一时刻的由于被控对象时滞特性带来延时控制，τ是时滞，单位为s；

为了评估本发明智能预测控制方法(NUPC)的性能，在Matlab R2014a环境中设计了相应的实验，并将NUPC的实验结果与NUC、PC、PID控制的实验结果进行了对比，仿真所用电脑的基本配置为Microsoft Windows 7系统，Intel(R)Core(TM)i7-4790处理器(3.6GHz)及8GB RAM。

仿真环境配置如下：仿真时间2180s，采样时间T_s为0.5s，灌溉目标取上农信农业数据库数据获得灌区毛需水量为5m，灌溉系统模型采用二阶纯滞后模型：

初始状态yout(k)为0，增量式PID控制器参数为K_p＝0.05，K_i＝0.27，K_d＝0.05，智能反馈控制器参数n＝1.2，内分泌系统Hill函数增强与抑制函数示意图如图2和图3所示，纵坐标代表激素浓度(被控对象)，横坐标代表促激素浓度(控制器输出控制率)。

首先，在系统运行过程中改变了灌溉目标以验证NUPC控制器的稳定控制能力，其仿真图线如图4。对比图中4条曲线，上升阶段从上往下依次是NUPC、PC、NUC、PID控制，可以看到上升时间最短的是NUPC控制曲线；并且为了验证NUPC的稳定控制能力，在系统运行至660s时，改变当前灌溉目标为8m，并在系统运行至1300s时，将灌溉目标改回5m，可以看到NUPC始终以最快的上升/下降时间达到灌溉目标稳态，证明NUPC从性能上能够较快收敛且具有控制稳定性，满足于智能灌溉系统控制的需求。

其次，在系统运行过程中改变了灌溉系统模型以验证NUPC控制器的控制鲁棒性，其仿真图线如图5。对比图中4条曲线，上升阶段从上往下依次是NUPC、PC、NUC、PID控制，可以看到上升时间最短的是NUPC控制曲线；并且为了验证NUPC的控制鲁棒性，在系统运行至660s时，改变灌溉系统模型为：

可以看到系统有一次阶跃下降，这是由于灌溉系统模型的K值改变导致的，在通过系统时滞之后，NUPC仍旧能够恢复到灌溉目标稳态，并且上升时间最短。之后，在系统运行至1300s时，将灌溉系统模型恢复回原状态，可以看到系统输出有一次阶跃上升，这是由于灌溉系统模型的K值改变导致的，通过系统时滞之后，NUPC以最快的下降时间达到灌溉目标稳态。因此，可以证明NUPC控制器在被控对象模型在一定程度改变的情况下具有控制鲁棒性，能够适应灌溉环境变化带来的控制鲁棒问题。

Claims

1.一种面向大田智能灌溉系统的智能预测控制方法，其特征是，包括以下步骤：

F_{p} (s_{c}) = \frac{2}{(1 + 3 s_{c}) (1 + 4 s_{c})} e^{- 120 s_{c}};

e(k)＝y(k)-sp；

u_{c} (k) = K_{p} e (k) + K_{i} Σ_{j = 0}^{k} e (j) + K_{d} [e (k) - e (k - 1)];

积分系数K_i＝K_pT_s/T_i，微分系数K_d＝K_pT_d/T_s；

所述超短反馈智能控制率u_cf(k)的计算公式如下：

u_cf(k)＝u_c(k)+f(Δu_c(k))；

f ({Δu}_{c} (k)) = \{\begin{matrix} α \cdot (\frac{{(| {Δu}_{c} (k) |)}^{n}}{1 + {(| {Δu}_{c} (k) |)}^{n}}) \cdot L_{1} \cdot L_{2}, y (k) < s p \\ α \cdot (\frac{1}{1 + {(| {Δu}_{c} (k) |)}^{n}}) \cdot L_{1} \cdot L_{2}, y (k) > s p \end{matrix}

L_{1} = - \frac{e (k)}{| e (k) |} \cdot \frac{Δ e (k)}{| Δ e (k) |};

L_{2} = \frac{{Δu}_{c} (k)}{| {Δu}_{c} (k) |}

Δe(k)＝e(k)-e(k-1)；

式中，Δu_c(k)为当前控制器的控制率输出u_c(k)的变化率，f(Δu_c(k))为Δu_c(k)经过超短反馈处理单元的非线性函数处理后得到的值，α和n是因子系数，α≠0，n>1；

所述当前预测控制率变化量Δu_p(k)的计算公式如下：

{Δu}_{p} (k) = \frac{T_{1} + T_{2}}{K_{p 0} T_{0}} Δ e (k) + \frac{T_{1} T_{2}}{K_{p 0} T_{0} T_{s}} e (k - 1) + \frac{T_{s}}{K_{p 0} T_{0}} e (k) - \frac{T_{s}}{T_{0}} (u_{c} (k - 1) - u_{c} (k - \frac{τ}{T_{s}} - 1));

2.根据权利要求1所述的一种面向大田智能灌溉系统的智能预测控制方法，其特征在于，步骤(1)中，所述灌溉过程模型是一个二阶纯滞后模型，所述二阶纯滞后模型的建立过程如下：

灌溉渠的水文特征通常由圣维南方程描述：

\begin{matrix} \frac{\partial A}{\partial t} + \frac{\partial Q}{\partial x} = q \\ \frac{\partial Q}{\partial t} + \frac{\partial (Q^{2} / A)}{\partial x} + A g \frac{\partial z}{\partial x} = - {AgS}_{f} \end{matrix};

假设：

(a)横向灌溉流出量q＝0；

(b)偏微分方程中惯性项相对于影响较小，因此被忽略；

\frac{\partial Q}{\partial t} + C \frac{\partial Q}{\partial x} - D \frac{\partial^{2} q}{\partial x^{2}} = 0;

\begin{matrix} C (Q, z, x) = \frac{1}{B^{2} (\partial S_{f} / \partial Q)} [\frac{\partial B}{\partial x} - \frac{\partial ({BS}_{f})}{\partial z}] \\ D (Q, z, x) = \frac{1}{B (\partial S_{f} / \partial Q)} \end{matrix};

式中，B是渠水表面宽度，单位为m；

\begin{matrix} C = \frac{5 Q}{3 B y} \\ D = \frac{Q}{2 {BS}_{1}} \end{matrix};

Q = K A \sqrt{S_{1}} y^{\frac{2}{3}};

式中，K是斯特里克系数；

当A＝By时，y是Q的功率函数：

y = {aQ}^{\frac{3}{5}}, a = {(\frac{1}{K B \sqrt{S_{1}}})}^{\frac{3}{5}};

参数C可以被描述为Q的函数：

C = \frac{5}{3 a B} Q^{\frac{2}{5}};

参数D正比于Q，并且参数C是Q的单调增功率函数；

F_{H a y a m i} (s_{c}) = e^{\frac{C - \sqrt{C^{2} + 4 {Ds}_{c}}}{2 D} x};

式中，F_Hayami(s_c)是Hayami传递函数，e是自然常数；

F (s_{c}) = \frac{K}{(1 + T_{1} s_{c}) (1 + T_{2} s_{c})} e^{- {τs}_{c}};

F_{p} (s_{c}) = \frac{2}{(1 + 3 s_{c}) (1 + 4 s_{c})} e^{- 120 s_{c}} .

3.根据权利要求1所述的一种面向大田智能灌溉系统的智能预测控制方法，其特征在于，所述农业灌溉信息包括灌溉渠道水位、土壤湿度、温度、降雨量和风速。

4.根据权利要求1所述的一种面向大田智能灌溉系统的智能预测控制方法，其特征在于，步骤(2)中，灌溉目标sp的具体计算步骤如下：

a)计算参考作物腾发量ET₀，公式如下：

{ET}_{0} = \frac{0.408 Δ (R_{n} - G) + γ \frac{900}{T + 273} U (e_{s} - e_{a})}{Δ + γ (1 + 0.34 U)};

b)计算作物需水量ET_c，公式如下：

ET_c＝K_c·ET₀；

式中，ET_c的单位为mm，K_c是作物修正系数；

作物修正系数K_c由两部分组成：

K_c＝K₀·K_St+K_Se；

c)计算作物的净需水量Ir_净，公式如下：

Ir_净＝ET_c-RF；

式中，Ir_净的单位为mm，RF是平均降雨量，单位为mm；

d)计算灌区的毛需水量Ir_毛，公式如下：

5.根据权利要求1所述的一种面向大田智能灌溉系统的智能预测控制方法，其特征在于，步骤(5)中，当前预测控制率变化量Δu_p(k)的计算公式推导过程如下：

假设期望的系统闭环传递函数G(s_c)为：

G (s_{c}) = \frac{e^{- {τs}_{c}}}{T_{0} s_{c} + 1};

对于单位负反馈控制系统，则：

G (s_{c}) = \frac{G_{c} (s_{c}) G_{0} (s_{c})}{1 + G_{c} (s_{c}) G_{0} (s_{c})};

G_{c} (s_{c}) = \frac{1 + s_{c} T_{0}}{K_{p 0} ({λT}_{0} s_{c} + 1 - e^{- {τs}_{c}})};

G_{o} (s_{c}) = \frac{K_{p 0}}{T_{0} s_{c} + 1} e^{- {τs}_{c}};

控制器的输出信号可表示为：

U (s_{c}) = \frac{1}{{λK}_{p 0}} (1 + \frac{1}{T_{0} s_{c}}) E (s_{c}) - \frac{1}{{λT}_{0} s_{c}} (1 - e^{- {τs}_{c}}) U (s_{c});

U(s_c)的离散化形式为：

\begin{matrix} u_{p} (k + 1) = \frac{1}{{λK}_{p 0}} e (k + 1) + \frac{T_{s}}{{λK}_{p 0} T_{0}} Σ_{i = 0}^{k + 1} e (i) - \frac{T_{s}}{{λT}_{0}} Σ_{i = 0}^{k} (u_{c} (i) - u_{c} (i - \frac{τ}{T_{s}})) \\ {Δu}_{p} (k) = \frac{1}{{λK}_{p 0}} Δ e (k) + \frac{T_{s}}{{λK}_{p 0} T_{0}} e (k) - \frac{T_{s}}{{λT}_{0}} (u_{c} (k - 1) - u_{c} (k - \frac{τ}{T_{s}} - 1)) \end{matrix};

当对象为二阶滞后对象目标的闭环传递函数仍为时，则：

U (s_{c}) = \frac{1}{{KT}_{0}} (T_{1} + T_{2} + T_{1} T_{2} s_{c} + \frac{1}{s_{c}}) E (s_{c}) - \frac{1}{T_{0} s_{c}} (1 - e^{- {τs}_{c}}) U (s_{c});

U(s_c)的离散化形式为：

\begin{matrix} u_{p} (k + 1) = \frac{T_{1} + T_{2}}{K_{p 0} T_{0}} e (k + 1) + \frac{T_{1} + T_{2}}{K_{p 0} T_{0} T_{s}} Σ_{i = 0}^{k} e (i) + \frac{T_{s}}{K_{p 0} T_{0}} Σ_{i = 0}^{k + 1} e (i) - \frac{T_{s}}{T_{0}} Σ_{i = 0}^{k} (u_{c} (i) - u_{c} (i - \frac{τ}{T_{s}})) \\ {Δu}_{p} (k) = \frac{T_{1} + T_{2}}{K_{p 0} T_{0}} Δ e (k) + \frac{T_{1} + T_{2}}{K_{p 0} T_{0} T_{s}} e (k + 1) - \frac{T_{s}}{K_{p 0} T_{0}} e (k) - \frac{T_{s}}{T_{0}} (u_{c} (k - 1) - u_{c} (k - \frac{τ}{T_{s}} - 1)) \end{matrix} .